《International Journal of Digital Earth》:Deep learning for multi-source precipitation fusion on the Qinghai–Tibet Plateau
编辑推荐:
在青藏高原(QTP)上,精确的降水估计仍然是一个巨大的挑战。通过整合现场雨量计的准确性和网格化产品的时空连续性,本研究开发了一种高精度的时空深度融合模型,使用卷积神经网络(CNN)和长短期记忆网络(LSTM)(CNN-LSTM)来结合遥感估计(TRMM-3B4
在青藏高原(QTP)上,精确的降水估计仍然是一个巨大的挑战。通过整合现场雨量计的准确性和网格化产品的时空连续性,本研究开发了一种高精度的时空深度融合模型,使用卷积神经网络(CNN)和长短期记忆网络(LSTM)(CNN-LSTM)来结合遥感估计(TRMM-3B42V7,IMERG-FinalV06)、再分析产品(ERA5-Land)和现场雨量计观测。CNN负责空间特征提取,而LSTM捕获时间依赖性。在QTP的104个雨量站进行的评估表明,CNN-LSTM模型显著优于传统的ANN/CNN融合模型和单一网格降水产品。它在日尺度上实现了0.61的总体相关系数(CC)和2.73 mm/d的均方根误差(RMSE)。此外,其优势在三个关键方面表现出来:在时间上,它在多个时间尺度(日、月、季和年)上表现始终最佳;在空间上,它在绝大多数站点表现更好,特别是在降水梯度复杂的东南和南部地区;此外,它在所有降水强度上表现出卓越的探测性能,特别是对于暴雨和特大暴雨事件。该结果增强了对QTP水循环的理解。
青藏高原(QTP)被誉为“地球第三极”和“亚洲水塔”,是众多大江大河的发源地,对区域及全球水文循环具有至关重要的影响。降水作为该区域水循环的核心要素,其空间分布极为复杂,直接影响水文、气象等相关过程,同时也是气候变化的关键指标。然而,由于QTP地形复杂且气象站点空间分布极度不均(多集中于东南部,西北部稀缺),准确的降水估计面临巨大挑战。现有的降水数据集存在明显缺陷:地面观测受限于站点密度稀疏,而卫星遥感与再分析产品则存在固有的系统偏差与随机误差。传统的数学回归模型和通用机器学习方法在融合多源降水数据时,往往难以充分捕获降水过程中复杂的非线性时空相关性,导致在地形复杂且气候多变的QTP区域数据精度不佳。为解决这一研究空白,迫切需要开发能够显式模拟复杂时空依赖关系并整体整合多源数据的先进融合模型。
针对上述问题,研究人员开展了一项基于深度学习的多源降水融合研究,旨在生成更高分辨率、更准确的QTP卫星-再分析-地面融合降水产品。该研究构建了结合卷积神经网络(CNN)与长短期记忆网络(LSTM)的时空深度融合模型(CNN-LSTM)。研究结论表明,该模型在时空多维度上均显著优于传统人工神经网络(ANN)、CNN单一模型及原始网格产品,并在黄河源区(YRS)的独立验证中证实了其鲁棒性。该研究成功生成了2001至2015年QTP高分辨率(0.1°)日降水数据集,为深入理解QTP水循环提供了可靠的数据基础,并在水资源管理与防灾减灾领域具有重要应用价值。研究成果已发表于《International Journal of Digital Earth》。
在技术方法层面,研究人员主要采用了以下关键技术:首先,收集了来自中国气象数据网的104个气象站点的日降水观测数据,并整合了TRMM-3B42V7和IMERG-FinalV06卫星降水产品以及ERA5-Land再分析数据,同时引入归一化植被指数(NDVI)和数字高程模型(DEM)等辅助地理数据。其次,将所有数据统一重采样至0.1°×0.1°空间分辨率和日时间尺度,针对每个气象站提取7×7的局部子网格数据集,以表征降水的空间代表性和地形影响。最后,构建了CNN-LSTM时空融合架构,利用CNN模块提取多源数据的局部空间特征向量,随后输入双向LSTM模块捕获时间序列上的前向与后向时间依赖关系,采用五折交叉验证进行模型训练与评估。
研究结果部分总结如下:
六种降水产品的年降水估计
通过对QTP及其东、西两个子区域的年度降水序列进行分析,研究发现原始数据集存在显著的年际差异,例如ERA5数据存在普遍的高估现象。在三种融合产品中,CNN-LSTM融合数据与站点观测的吻合度最高,无明显高估或低估,能够最有效地捕获QTP区域的降水时间模式。特别是在西部站点密度较低的区域,CNN-LSTM依然表现出更小的相对差异,有效降低了卫星降水估计的不确定性。
六种降水产品的空间分布及四个评价指标
基于CC、RMSE、KGE和CSI四个评价指标的空间分布,研究证实了融合产品的整体优势。其中,CNN-LSTM在大部分站点的CC值超过0.6,RMSE值最低,在南部和中部地区的KGE值多大于0.39,CSI性能最佳。相比之下,原始卫星与再分析产品的误差较大,CNN-LSTM有效克服了ERA5在QTP东南部高降水区因参数调整困难导致的低精度问题。
不同时间尺度的统计指标
评估结果表明,融合产品在日、月、季、年各种时间尺度及四个季节中均显著优于原始产品。CNN-LSTM在几乎所有季节和尺度中表现最优,显著降低了RMSE并提高了CSI。受限于夏季降水集中且冬季降雪监测困难的影响,所有产品在冬季的误差特征有所变化,但CNN-LSTM在春、夏、秋三季的CC、RMSE及KGE指标上依然保持较小的波动范围和最高的中值,表现出卓越的时空稳定性。
不同降水强度下的六种模型性能
随着降水强度的增加,所有产品的精度均有所下降。然而,在轻雨、中雨、大雨及暴雨等不同强度级别下,CNN-LSTM融合产品的CC和CSI指标改善最为显著,尤其是在大雨和暴雨事件中,其仍能保持相对较高的探测成功率,表现出对极端降水事件更强的捕获能力。
融合降水产品相对原始产品的提升及YRS区域验证
空间差值分析表明,CNN-LSTM有效纠正了ERA5在大部分区域的高估,以及卫星产品在北部低估、南部高估的系统偏差。独立样本验证方面,在黄河源区(YRS)的日、月、季、年尺度评估中,CNN-LSTM均取得了最高的CC(如日尺度CC=0.80)和KGE值,以及最低的RMSE,充分验证了该模型在复杂地形和数据稀疏区域的迁移性与鲁棒性。
讨论部分指出,CNN-LSTM模型的卓越表现源于其架构能够同时深度学习并整合空间格局与时间依赖关系,这优于仅有空间或单一维度的传统ANN与CNN方法。然而,研究存在一定的不确定性:输入数据方面,地面站点的分布不均限制了模型学习模式的全面性,卫星与再分析数据本身在冷季降水探测及区域偏差上的固有缺陷仍会影响最终精度;重采样平滑了部分降水梯度;模型自身作为“黑箱”在决策过程上缺乏物理可解释性,且超参数可能非全局最优。针对这些局限性,未来研究建议向物理机制启发的深度学习发展,在损失函数中引入物理约束,并进一步测试模型在其他复杂山区的适用性。
研究结论表明,该研究提出的CNN-LSTM时空深度融合方法成功整合了地面站点、卫星及再分析多源降水数据,在QTP区域显著提升了降水估计精度。该模型在日尺度上实现了CC=0.61和RMSE=2.73 mm/d的高精度,在空间与时间各个维度均优于对比方法与原始产品;在空间场重建上准确捕获了实际降水模式,有效校正了原始数据集的系统性偏差;在各降水强度下均表现出色,尤其显著提升了对强降水事件的探测效率。通过该方法生成的0.1°高分辨率日降水数据集,不仅为该区域提供了更可靠的数据基础,也为提升水文模拟精度和缓解水灾害风险提供了有效工具。