遙感降水量產品寒區精度評估與徑流模擬適用性研究

徐淑琴 丁星臣 王 斌,2 王 蕾

(1.東北農業大學水利與土木工程學院，哈爾濱150030； 2.農業部農業水資源高效利用重點實驗室，哈爾濱 150030;3.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100)

遙感降水量產品寒區精度評估與徑流模擬適用性研究

徐淑琴1丁星臣1王 斌1,2王 蕾3

(1.東北農業大學水利與土木工程學院，哈爾濱150030； 2.農業部農業水資源高效利用重點實驗室，哈爾濱 150030;3.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100)

采用地面雨量站觀測的降水量為基準數據，以寒區呼蘭河流域作為典型研究區，評估了TRMM(Tropical rainfall measuring mission)最新一代衛星降水量產品 3B42V7、3B42RT以及CHIRPS (Climate hazards group infrared precipitation with station data)、基于地面降水量插值獲得的IDWP降水量數據在日、月、季度和空間尺度上的精度。利用站點和衛星2種降水量數據驅動SWAT模型，采用 SUFI-2算法計算模型并考慮模型參數的敏感性，進行日流量過程模擬，評估了多衛星降水量產品在流域水文模擬和預報中的應用能力。研究結果表明: 流域日平均尺度上， 3B42V7、3B42RT、CHIRPS分別高估地面降水量5.43%、41.24%、3.37%。3B42V7在流域日、月、季度時間尺度上很接近地面觀測降水量。3B42RT的日降水強度累計概率分布與雨量站較為接近。3B42V7和CHIRPS在率定期和驗證期的日流量模擬效果均較好，NSCE率定期為0.77、0.84；驗證期為0.67、0.56。3B42RT對流量峰值的模擬較差。可考慮采用 TRMM 3B42V7 和CHIRPS作為基礎降水量資料應用于寒區水資源管理、干旱監測和洪水預報等相關研究。

寒區； 遙感降水量產品； SWAT模型； 時間尺度； 空間尺度

引言

世界各地受降水影響發生的洪水、干旱和環境污染常造成大量的財產損失和人員傷亡[1]。作為最重要的氣象要素，降水是從事氣候分析、干旱評估、洪水預報等相關研究的必要數據[2]，目前，主要采用地面雨量站、天氣雷達、遙感等方式觀測降水量[3]。地面雨量站觀測是最常用的測雨方法，但受站網布設密度及其空間分布不均的影響，站點降水量往往代表性不足。天氣雷達觀測范圍有限、覆蓋率較低，缺乏普遍的適用性，不能滿足大流域降雨觀測的需求，在地形復雜地區相對具有較大的不確定性[4-5]。近年來，一系列高時空分辨率的遙感降水量產品的出現，為解決常規及雷達測雨問題的不足提供了新的途徑和方法，其中具有代表性的產品主要有熱帶降雨觀測計劃(Tropical rainfall measuring mission，TRMM)[3]、美國氣候預測降水中心融合技術降水量產品 (Climate prediction center morphing technique，CMORPH)[6]、氣候災害組紅外降水量數據(Climate hazards group infrared precipitation with station data，CHIRPS)[7]、全球衛星測繪降水量計劃(Global satellite mapping of precipitation，GSMaP)等[8]。在應用這些降水量產品前，了解其數據誤差的時空分布及在水文模擬中的應用能力是十分必要的。

國內外學者針對區域和全球尺度的衛星降水量評估與應用開展了一系列研究[9-12]。在以往學者研究中，多將雨量站點觀測的點降水量作為真值來評估遙感降水量產品對不同降水事件的預報精度及其在徑流模擬中的適用性，但在我國高寒地區缺少相關研究。以黑龍江省為例，該省為中國緯度最高、最冷的寒區省份[13]，其雨量站的站網平均密度為902 km2/站，約為中國站網平均密度(500 km2/站[14-16])的1/2；冬季長達半年之久且降水量偏少，降雨主要集中在6—9月份；冬季以降雪為主，初雪(冰)約在10月，終雪(冰)可持續至次年4月，降水可表現為雨、雪、雨雪混合物等多種形態。這種不利條件導致在黑龍江省開展的水文研究中，存在降水量數據缺乏，日流量模擬效果較差，而遙感降水量產品可以在一定程度上彌補其不足。然而，有研究表明寒區特殊的氣候特點會影響遙感降水量的探測精度[17]，遙感降水量產品在寒區的精度和適用性有待深入研究。

本文以黑龍江省內呼蘭河流域為研究區，評估TRMM 3B42V7、TRMM 3B42RT、CHIRPS 3種衛星遙感降水量產品，以及基于地面雨量站采用反距離加權插值方法IDW(Inverse distance weighted)插值的柵格降水量數據，在不同時間尺度及0.05°×0.05°像元空間尺度上的精度及誤差分布，并利用這些降水量產品驅動SWAT(Soil and water assessment tool)模型，研究其在寒區徑流模擬中的適用性，以期為遙感降水量產品在寒區的應用提供更為可靠的降水量數據。

1 研究區概況及數據來源

1.1 研究區概況

呼蘭河為松花江支流，位于黑龍江省中部，處于東經125.90°～128.80°、北緯46.18°～48.13°之間，全長523 km，流域面積35 683 km2，地勢東北高、西南低，高程范圍為7～1 427 m。降水分布不均，上游山地森林區降水量較大，而下游平原區降水量較少。依據流域內4個氣象站1980—2010年的逐日氣象數據，統計出流域多年日平均降水量為1.5 mm，多年日平均最高氣溫為8.5℃，多年日平均最低氣溫為-2.4℃。本文選擇呼蘭河蘭西水文站(東經126.33°、北緯46.25°)控制斷面以上的27 430 km2集水區作為研究區(圖1)。在圖1中，黑色方格代表用于時間尺度評估而選取的0.25°×0.25°的13個柵格，以編碼“0602”為例，代表時間尺度分析中第6個柵格內包含2個地面雨量站，其他黑色方格定義與此相同。

圖1 研究區域示意圖Fig.1 Sketch map of study area

1.2 數據來源及處理

本研究DEM數據采用中科院地理空間數據云平臺(http:∥www.gscloud.cn/)提供的NASA和METI共同推出的最新地球電子地形ASTER GDEM 90 m分辨率的數字高程數據，將下載的呼蘭河流域不同DEM條帶利用ArcGIS柵格鑲嵌工具拼接DEM條帶，并將拼接后的DEM圖加載進ArcSWAT2012，從而獲取流域河網，劃分子流域及計算地形參數。根據流域水系和地形實際情況，設定最小匯水面積閾值為500 km2，研究流域被劃分為37個子流域和248個水文響應單元(Hydrological response units，HRU)。土地覆被數據采用美國馬里蘭大學(UMD)1 km分辨率土地覆被數據(http:∥glcf.umd.edu/)，研究區域共有水域、常綠闊葉林、落葉針葉林、落葉闊葉林、混交林、稀樹草原、多樹草原、草原、耕地、城市和建成區10種土地覆被類型。由于土地覆被參數較難獲取，本文采用SWAT數據庫中的參數，通過索引表建立UMD土地覆被數據與SWAT 土地利用/作物分類數據庫中同種土地利用類型之間的聯系。土壤數據采用聯合國糧農組織(FAO)和維也納國際應用系統研究所(IIASA)構建的1 km分辨率世界和諧土壤數據庫(Harmonized world soil database，HWSD)，呼蘭河流域共提取出17種土壤類型。以上柵格數據統一投影至WGS_1984_UTM_Zone_52N坐標系。實測氣象和降水量數據采用呼蘭河流域及周邊地區4個氣象站與16個雨量站的逐日數據。水文數據采用蘭西水文站的逐日流量數據。衛星降水量產品采用0.25°的TRMM 3B42V7日降水量產品(http:∥mirador.gsfc.nasa.gov/)、TRMM 3B42RT 3h(ftp:∥disc2.nascom.nasa.gov/data/TRMM/Gridded/)、CHIRPS日降水量產品(ftp:∥ftp.chg.ucsb.edu/pub/org/chg/products/CHIRPS-2.0/global_daily/tifs/p25/)，TRMM 3B42RT日降水量數據通過每隔3 h(00:00、03:00、06:00、09:00、12:00、15:00、18:00、21:00UTC)降水量數據累加獲得，關于以上遙感降水量產品的詳細介紹見文獻[18]。反距離加權插值方法IDW不依賴特定的統計假設，在水文學的降水量數據幾何插值方法中被廣泛應用[19]，本文采用IDW方法對地面點雨量站數據插值獲得0.05°×0.05°的空間柵格降水量數據用于遙感降水量產品的空間精度評估。以上數據研究的起止時間均為2001年1月1日—2006年12月31日，其中TRMM 3B42V7、3B42RT、CHIRPS、IDW插值的柵格降水量數據在后文中分別簡稱為3B42V7、3B42RT、CHIP、IDWP。

2 研究方法

為定量評估時間及空間尺度上遙感降水量產品的精度，闡明遙感降水量的誤差空間分布特征，本文采用相關系數(CC)、平均絕對誤差(MAE)、均方根誤差(RMSE)、相對偏差(BIAS)、探測率(POD)、空報率(FAR)、成功系數(CSI)和納什效率系數(NSCE)作為統計評估指標，其計算公式分別為

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

式中n——數據個數

Gi——地面雨量站降水量，mm

Ri——遙感降水量，mm

U——遙感降水量數據和地面雨量站同時有雨的頻數

V——遙感降水量數據無雨而地面雨量站有雨的頻數

W——遙感降水量數據有雨而地面雨量站無雨的頻數

Qobs——水文實測流量值，m3/s

Qsim——模擬流量值，m3/s

其中CC反映了遙感降水量同地面雨量站降水量的線性相關程度；MAE和RMSE反映了遙感降水量同地面雨量站降水量的平均誤差；BIAS反映了遙感降水量數據的系統偏差程度；POD反映了遙感降水量產品對降水事件的漏報程度，其值越高，表明遙感降水量產品對降水事件的漏報程度越低；FAR反映了遙感降水量產品對降水事件的錯報程度，其值越低，錯報程度越低；CSI反映了遙感降水量產品成功觀測到降水事件的比例，其值越大越好。同時采用BIAS和NSCE定量比較遙感降水量產品和地面雨量站降水量對徑流的模擬效果[18-19]。

TIAN等[21]對TRMM 3B42V6和CMORPH兩種遙感降水量產品日到年時間尺度的精度評估及短時間到長時間尺度誤差分布的研究表明：不同空間位置降水強度的變化對地表徑流和洪水模擬會產生顯著的影響。因此，本文采用概率密度函數PDF(Probability density function)及累積分布函數CDF(Cumulative distribution function)比較遙感降水量產品在不同日降水強度范圍發生的頻率，日降水強度的范圍采用世界氣象組織WMO(The World Meteorological Organization)的分類標準[18，20,22]：降水量Plt;1 mm(微量降水)、1 mm≤Plt;2 mm(小雨)、2 mm≤Plt;5 mm(低強度中雨)、5 mm≤Plt;10 mm(高強度中雨)、10 mm≤Plt;20 mm(低強度大雨)、20 mm≤Plt;50 mm(高強度大雨)、P≥50 mm(暴雨)。

3 時間尺度精度評估及誤差分析

呼蘭河流域提取出54個0.25°×0.25°的遙感降水量產品柵格數據。流域尺度上，雨量站、3B42V7、3B42RT、CHIP的2001—2006年流域日平均降水量見圖2，3B42RT降水量整體偏大，CHIP降水量整體偏小，雨量站與3B42V7介于兩者之間。與雨量站流域日平均總降水量相比，3B42V7、3B42RT、CHIP分別高估地面降水量5.43%、41.24%、3.37%。3B42V7、3B42RT、CHIP與雨量站日時間尺度的CC分別為0.79、-0.009、0.56，3B42RT在流域日平均時間尺度的相關性較差。其MAE分別為1.03、3.08、1.53，3B42RT數據與雨量站觀測數據的誤差為3B42V7和CHIP的2倍。對降水事件的探測能力方面，其POD分別為0.74、0.79、0.58，3B42RT對降水事件的漏報程度最低，原因可能是3B42RT對降水量整體高估造成的，但其對降水量的錯報程度較高，FAR為0.4，而3B42V7和CHIP為0.29、0.21。3種數據成功觀測到有降水發生的比例較為接近，均在0.55左右。

為了與流域尺度日時間序列平均降水量的散點圖分布進行對比，研究另外選取了至少包含2個雨量站的0202和0902遙感降水量網格，其日降水量分布見圖3，與圖2相比，3種數據的變化趨勢基本一致，CHIP降水量整體變大。

月時間尺度4種降水量產品13個編碼柵格的月平均降水量見圖4，3B42V7和CHIP與雨量站降水量的一致性較好，CC為0.98、0.97。3B42V7產品具有較好的月降水量預報能力，可能是由于其應用TRMM衛星的TCI(TRMM combined instrument)估值以及GPCP(Global precipitation climatologyproject)和CAMS(Climate assessment and monitoring system)提供的逐月雨量站數據進行校正的結果。3B42RT整體高估了月平均降水量，CC僅為-0.16，RMSE為72.32 mm，而3B42V7和CHIP的RMSE僅為11.26 mm和13.67 mm，3B42RT在每年1—3月份、9—12月份，寒區溫度較低及溫度為負值的月份月平均降水量均大于其他3種降水量產品。

圖2 雨量站、3B42V7、3B42RT、CHIP流域日平均降水量Fig.2 Average daily rainfall of rainfall station, 3B42V7, 3B42RT and CHIP in the basin

圖3 流域0202與0902柵格日降水量Fig.3 Daily rainfall of 0202 and 0902 rasters in the basin

圖4 雨量站、3B42V7、3B42RT、CHIP流域月平均降水量Fig.4 Monthly average rainfall of rainfall station, 3B42V7, 3B42RT and CHIP in the basin

流域13個編碼柵格的日時間尺度統計指標見表1，3B42V7的CC值均大于3B42RT和CHIP，其CC的均值為0.56，說明3B42V7在流域日時間尺度上很接近地面觀測降水量，CC值較高的0202、0501、0602柵格位于流域的東北方向，高程較大。3B42RT對地面降水量的觀測能力均較差，CC的均值為-0.01，CHIP相對較好，CC的均值為0.41。其他3種統計指標3B42V7的表現均優于3B42RT和CHIP。

為了從時間角度評估遙感降水量產品對地面降水量的探測能力，流域13個編碼柵格的POD、FAR、CSI值見圖5，3B42V7對降水量的漏報與錯報程度較低，成功觀測到降水發生的比例較高，而3B42RT計算得到3種指標均較差，CHIP的POD和CSI介于兩者之間，其FAR與3B42V7的變化一致，對降水量的錯報程度較低。

流域13個編碼柵格的日、月、季度降水量散點圖見圖6。由于在同一月份，南北方可能處于不同的季節，同一地域的各季節以及不同地域的同一季節在時間上不一定等長，且黑龍江省內不同地域季度時間變化較為一致，因此本文參照文獻[23]，按農事活動劃分，研究區的春季約為4—5月份、夏季約為6—8月份、秋季約為9—10月份、冬季約為11月—次年3月份。日時間尺度上，3B42V7與雨量站觀測的CC為0.56，CHIP為0.4，3B42RT較差為-0.01。隨著時間尺度的增加，遙感降水量的觀測能力增強，在月和季度時間尺度上，3B42V7和CHIP的CC均大于0.9，說明遙感降水量產品對月和季度降水量觀測的準確性要優于日降水量，經過全球地面資料校正的3B42V7在寒區對不同時間尺度降水量的探測精度均高于其他2種降水量產品。

表1 日尺度統計指標Tab.1 Statistical indicators in daily scale

圖5 日尺度13個編碼柵格的POD、FAR、CSI值Fig.5 POD，FAR，CSI values of 13 coding grids in daily scale

圖6 流域尺度13個編碼柵格日、月、季度降水量散點圖Fig.6 Precipitation scatter plots of 13 coding rasters in day,month and quarter for basin scale

圖7和圖8進一步比較了時間尺度上不同遙感降水量產品的日降水強度差異，圖8b、8c為圖8a在不同日降水量范圍的局部放大。與地面雨量站觀測相比，3B42V7的變化接近雨量站，CHIP過低的估計了微量降水，低估了27%。3B42RT過低估計了小雨，低估了42%，過高估計了(5 mm,20 mm]降雨強度區間即高強度中雨和低強度大雨。雨量站、3B42V7、3B42RT、CHIP探測到有暴雨發生的概率分別為0.52%、1.08%、0.72%、2.86%，CHIP過高地估計了暴雨事件的發生，為其他兩種遙感降水量產品的2倍多。從日降水強度累計概率分布圖可以看出，表現很差的3B42RT數據與雨量站觀測的一致性相對較好，CHIP整體低估了不同降水強度區間降水事件的發生，但在(20 mm,70 mm]降水強度區間，與雨量站觀測相比過高估計了103.58%。

圖7 流域尺度13個編碼柵格日降水強度概率分布Fig.7 Daily precipitation intensity probability distribution of 13 coding rasters for basin scale

4 空間尺度精度評估與誤差分析

為了更直觀地了解流域不同空間位置遙感降水量的探測精度，基于地面雨量站觀測數據采用IDW插值方法計算得到了流域的日尺度面降水量數據，通過對遙感降水量產品重采樣最終生成0.05°×0.05°空間分辨率下的4種高分辨率降水量產品。以IDWP作為真值，評估了3B42V7、3B42RT、CHIP的降水量空間探測精度。由于研究區滿足缺測數據較少及時間上連續的雨量站數量較少，因此在同一個0.25°的柵格上插值獲得的0.05°柵格降水量數據較為接近，導致空間分析結果圖像中出現0.25°的分界線，但這并不影響空間分析的準確性。

從圖9中可以看出，3B42V7和CHIP的CC、RMSE整體較好，而3B42RT的空間相關性較差，在流域的東南方向表現較好。在降水探測方面，3B42RT較差，3B42V7、CHIP在流域的東側對降水量漏報程度較低，而3種遙感降水量數據的CC、RMSE、POD值在流域的西側表現均較差，分析其原因可能是由于流域不同位置高程的分布對降水量的探測精度產生了影響，流域的東側為低山地區，高程較大，統計指標均較高，而西側為平原地區，高程較小，衛星對降水量的探測精度較差。

圖8 流域尺度13個編碼柵格日降水強度累計概率分布圖Fig.8 Precipitation intensity cumulative probability distributions of 13 coding rasters for basin scale

圖9 0.05°×0.05°空間分辨率下3B42V7、3B42RT、CHIP統計指標分布圖Fig.9 Statistical indicators distributions of 3B42V7, 3B42RT and CHIP under spatial resolution of 0.05°×0.05°

5 日徑流過程模擬

降水是水文模型最重要的輸入數據，準確的降水量數據不僅可以反映降水類型空間和時間上的分布，還可以提高水文模型的模擬效果[24]。盡管不同的降水量產品在空間分辨率和探測精度上存在差異，但受水文模型參數不確定性的影響，在使用各降水量產品重新率定模型后，可能會得到相似的水文模擬結果[25]。為評估不同遙感降水量產品在水文過程模擬中應用的適用性，本文采用美國農業部(United States Department of Agriculture，USDA)農業研究中心(Agricultural Research Service，ARS)ARNOLD等[26]開發的具有較強物理機制的SWAT(Soil and water assessment tool)模型，其可以模擬流域內復雜的地形變化、土地利用方式、氣候變化及不同管理措施對流域產流、產沙及農業非點源污染的產輸出產生的影響[27]。分別建立不同降水量輸入的SWAT模型(以下簡稱為雨量站、3B42V7、3B42RT、CHIP、IDWP模型)，選取蘭西水文站2001—2003年的實測徑流數據率定模型，2004—2006年數據用于驗證模型。采用納什效率系數(NSCE)及相對偏差(BIAS)評價徑流的模擬效果。根據以往的經驗，當|BIAS|lt;10%時，模擬結果為很好；當NSCEgt;0.75或10%lt;|BIAS|lt;15%時，模擬結果為較好；當0.36lt;NSCElt;0.75或15%lt;|BIAS|lt;25%時，模擬結果令人滿意；當NSCElt;0.36或|BIAS|≥25%時，模擬結果為較差[28]。

5.1 參數敏感性分析及率定結果

模型率定前對徑流模擬結果影響較大的參數進行敏感性分析可以提高模型計算的準確性，減少實測值與模擬值的累積誤差，本文選取與SWAT模型地表徑流產流過程、土壤水與地下水運動過程、蒸散發及融雪過程等相關的25個參數，利用SWAT-CUP的全局敏感性分析模塊，采用拉丁超立方體抽樣法，模型計算1 500次，以t值和p值作為敏感性評價指標，t值給出了敏感性程度，絕對值越大越敏感；p值決定了敏感性的顯著性，值越接近于0，越顯著。模型計算采用SUFI-2(Sequential uncertainties fitting ver-2)算法[29]。最終確定的雨量站、3B42V7、3B42RT、CHIP、IDWP模型的參數及敏感性值見圖10。對徑流模擬影響較大的參數為河岸調蓄的基流α因子ALPHA_BNK、SCS徑流曲線數CN2、最大冠層截留量CANMX、土壤蒸發補償系數ESCO等。雨量站和IDWP的敏感性曲線具有一致的變化規律。模型初次率定的過程中需不斷的調整參數以增大目標函數NSCE，導致地表徑流、土壤水和地下水量含量不斷變化，與其相關的參數較為敏感，而SMTMP融雪積溫、6月21日和12月21日的融雪因子SMFMX、積雪溫度滯后因子TIMP敏感性較低。CN2影響著來自降水補給的地表徑流產流量，CHIP與3B42V7的CN2敏感性較低。雨量站模型對應的參數率定結果見表2。

圖10 雨量站、3B42V7、3B42RT、CHIP、IDWP模型的參數敏感性分析結果Fig.10 Parameter sensitivity analysis results of rainfall station, 3B42V7, 3B42RT, CHIP and IDWP models

5.2 日徑流過程模擬對比

率定期與驗證期的日徑流量模擬結果見圖11a、11b，率定期雨量站、3B42V7、3B42RT、CHIP、IDWP模型的NSCE值為0.89、0.77、0.20、0.84、0.87，BIAS值為1.10%、5.51%、-12.65%、-20.70%、2.85%，率定期模擬效果均較好，而CHIP的BIAS值相對較大。由于2003年呼蘭河流域發生了繼1985年之后20年間的全流域性大洪水[30]，洪水峰值很大，模型率定過程中為減小誤差，過于擬合峰值，導致驗證期流量模擬效果與率定期相比相對較差。驗證期的NSCE值為0.79、0.67、0.26、0.56、0.77，BIAS值為4.69%、22.26%、15.35%、-8.39%、-1.87%，雨量站和IDWP模擬效果較好，3B42V7和CHIP模擬結果令人滿意，3B42RT模擬效果較差。驗證期日流量的累計概率分布見圖11c,雨量站、3B42V7和IDWP與實測值的一致性較好，3B42RT對流量峰值的模擬較差。

6 結論

(1)與雨量站流域日平均總降水量相比，3B42V7、3B42RT、CHIP高估地面降水量5.43%、41.24%、3.37%。3B42RT在流域日平均時間尺度的相關性較差,其對降水事件的漏報程度最小，但對降水量的錯報程度較高，3種數據成功觀測到有降水發生的比例較為接近，均在0.55左右。月時間尺度上，3B42V7和CHIP與雨量站降水量的一致性較好，CC為0.98、0.97。3B42RT整體高估了月平均降水量，其在寒區溫度較低及溫度為負值的月份月平均降水量均大于其他3種降水量產品。

(2)對編碼柵格的比較，3B42V7在流域日時間尺度上很接近地面觀測降水量。3B42V7和CHIP的錯報程度較低，遙感降水量產品對月和季度降水量觀測的準確性要優于日降水量，經過全球地面資料校正的3B42V7在寒區對不同時間尺度降水量的探測精度均高于其他2種降水量產品。

表2 利用雨量站降水量數據率定的SWAT模型參數取值Tab.2 Parameter values of SWAT model calibrated by rainfall station precipitation

注：V為現有的參數值被抽樣值取代，R為現有的參數值乘以(1+抽樣值)。

圖11 日徑流量模擬結果與累計概率分布圖Fig.11 Results of daily flow simulation and cumulative probability distribution

(3)對降水強度的探測方面，CHIP過低地估計了微量降水，低估了27%，過高地估計了暴雨事件的發生，在(20 mm,70 mm]降水強度區間，與雨量站觀測相比過高估計了103.58%。3B42RT過低估計了小雨，低估了42%，過高估計了(5 mm,20 mm]降雨強度區間即高強度中雨和低強度大雨。

(4)空間尺度評估方面，3B42V7和CHIP的CC、RMSE整體較好。流域高程較大的低山地區，遙感降水量的探測精度很好，在高程較低的平原探測精度較差。

(5)本文選擇各年日流量峰值變化極不穩定的時間段研究遙感降水量對日徑流的模擬效果，率定期模擬效果均較好，驗證期雨量站、3B42V7、CHIP、IDWP模擬效果相對較好，3B42RT對流量峰值的模擬較差。

1 LEHNER B, D?LL P, ALCAMO J, et al. Estimating the impact of global change on flood and drought risks in europe: a continental, integrated analysis[J]. Climatic Change, 2006, 75(3):273-299.

2 PRAKASH S, MITRA A K, AGHAKOUCHAK A, et al. Error characterization of trmm multisatellite precipitation analysis (TMPA-3B42) products over India for different seasons[J]. Journal of Hydrology, 2015, 529(3):1302-1312.

3 江善虎,任立良,雍斌,等.TRMM衛星降水數據在洣水流域徑流模擬中的應用[J].水科學進展,2014,25(5):641-649.

JIANG Shanhu, REN Liliang, YONG Bin, et al. Hydrological evaluation of the trmm multi-satellite precipitation estimates over the Mishui basin[J]. Advances in Water Science,2014,25(5):641-649. (in Chinese)

4 谷黃河,余鐘波,楊傳國,等.衛星雷達測雨在長江流域的精度分析[J].水電能源科學, 2010, 28(8):9-12.

GU Huanghe, YU Zhongbo, YANG Chuanguo, et al. Application of satellite radar observed precipitation to accuracy analysis in Yangtze River basin [J]. Water Resources and Power, 2010, 28(8):9-12. (in Chinese)

5 唐國強,李哲,薛顯武,等.贛江流域TRMM遙感降水對地面站點觀測的可替代性[J].水科學進展, 2015, 26(3):340-346.

TANG Guoqiang, LI Zhe, XUE Xianwu, et al. A study of substitutability of TRMM remote sensing precipitation for gauge-based observation in Ganjiang River basin[J]. Advances in Water Science, 2015, 26(3):340-346. (in Chinese)

6 成璐, 沈潤平, 師春香,等. CMORPH和TRMM 3B42降水估計產品的評估檢驗[J]. 氣象, 2014，40(11):1372-1379.

CHENG Lu, SHEN Runping, SHI Chunxiang, et al. Evaluation and verification of cmorph and trmm 3B42 precipitation estimation products[J]. Meteorological Monthly, 2014,40(11):1372-1379. (in Chinese)

7 TUO Y, DUAN Z, DISSE M, et al. Evaluation of precipitation input for swat modeling in alpine catchment: a case study in the Adige river basin (Italy)[J]. Science of the Total Environment, 2016, 573:66-82.

8 嵇濤, 劉睿, 楊華,等. 多源遙感數據的降水空間降尺度研究——以川渝地區為例[J]. 地球信息科學學報, 2015, 17(1):108-117.

JI Tao, LIU Rui, YANG Hua, et al. Spatial downscaling of precipitation using multi-source remote sensing data: a case study of Sichuan—Chongqing Region[J]. Journal of Geo-Information Science, 2015, 17(1):108-117. (in Chinese)

9 楊云川,程根偉,范繼輝,等.衛星降雨數據在高山峽谷地區的代表性與可靠性[J].水科學進展, 2013, 24(1):24-33.

YANG Yunchuan, CHENG Genwei, FAN Jihui, et al. Representativeness and reliability of satellite rainfall dataset in alpine and gorge region[J]. Advances in Water Science, 2013, 24(1):24-33. (in Chinese)

10 POMBO S, OLIVEIRA R P D. Evaluation of extreme precipitation estimates from trmm in Angola[J]. Journal of Hydrology, 2015, 523:663-679.

11 LIU Z. Comparison of versions 6 and 7 3-hourly TRMM multi-satellite precipitation analysis (TMPA) research products[J]. Atmospheric Research, 2015, 163:91-101.

12 LI L, HONG Y, WANG J, et al. Evaluation of the real-time trmm-based multi-satellite precipitation analysis for an operational flood prediction system in Nzoia Basin, Lake Victoria, Africa[J]. Natural Hazards, 2009, 50(1):109-123.

13 陳仁升, 康爾泗, 吳立宗, 等. 中國寒區分布探討 [J]. 冰川凍土, 2005(4): 469-475.

CHEN Rensheng, KANG Ersi, WU Lizong, et al. Cold regions in China [J]. Journal of Glaciology and Geocryology, 2005(4): 469-475. (in Chinese)

14 何惠. 中國水文站網 [J]. 水科學進展, 2010, 21(4): 460-465.

HE Hui. China gauging station network [J]. Advances in Water Science, 2010, 21(4): 460-465. (in Chinese)

15 陰法章, 關曉梅, 何亞龍. 黑龍江省水文站網密度分析及站網調整方向 [J]. 東北水利水電, 2007, 25(7): 36-38.

16 王斌, 王貴作, 黃金柏, 等. 柵格分布式水文模型在高寒區日流量模擬中的應用[J]. 水力發電學報, 2013, 32(6): 36-42.

WANG Bin, WANG Guizuo, HUANG Jinbai, et al. Distributed hydrological model based on grid and its application to daily runoff simulation for high-cold region[J]. Journal of Hydroelectric Engineering, 2013, 32(6): 36-42. (in Chinese)

17 EBERT E E, JANOWIAK J E, KIDD C. Comparison of near-real-time precipitation estimates from satellite observations and numerical models[J]. Bulletin of the American Meteorological Society, 2007, 88(1):47-64.

18 DUAN Z, LIU J, TUO Y, et al. Evaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales[J]. Science of the Total Environment, 2016,573:1536-1553.

19 YONG B, REN L, HONG Y, et al. Hydrologic evaluation of multisatellite precipitation analysis standard precipitation products in basins beyond its inclined latitude band: a case study in Laohahe basin, China[J]. Water Resources Research, 2010, 46(7):759-768.

20 LI H, HONG Y, XIE P, et al. Variational merged of hourly gauge-satellite precipitation in China: preliminary results[J]. Journal of Geophysical Research Atmospheres, 2015,120(19):9897-9915.

21 TIAN Y, PETERSLIDARD C D, CHOUDHURY B J, et al. Multitemporal analysis of trmm-based satellite precipitation products for land data assimilation applications[J]. Journal of Hydrometeorology, 2007, 8(8):1165-1183.

22 TAN M, IBRAHIM A, DUAN Z, et al. Evaluation of six high-resolution satellite and ground-based precipitation products over Malaysia[J]. Remote Sensing, 2015, 7(2):1504-1528.

23 鄭紅,王艷秋,蒼蘊琦. 哈爾濱的四季與季節劃分指標的探討[J]. 黑龍江氣象,2001(3):32-33.

24 劉昌明, 白鵬, 王中根,等. 稀缺資料流域水文計算若干研究:以青藏高原為例[J]. 水利學報, 2016, 47(3):272-282.

LIU Changming, BAI Peng, WANG Zhonggen, et al. Study on prediction of ungaged basins：a case study on the Tibetan Plateau[J]. Journal of Hydraulic Engineering, 2016, 47(3):272-282. (in Chinese)

25 XUE X, HONG Y, LIMAYE A S, et al. Statistical and hydrological evaluation of TRMM-based multi-satellite precipitation analysis over the Wangchu basin of Bhutan: are the latest satellite precipitation products 3B42V7 ready for use in ungauged basins?[J]. Journal of Hydrology, 2013, 499:91-99.

26 ARNOLD J G, SRINIVASAN R, MUTTIAH R S, et al. Large area hydrologic modeling and assessment part I: model development [J]. Journal of American Water Resources Association, 1998, 34(1): 73-89.

27 AOUISSI J, BENABDALLAH S, CHABANE Z L, et al. Evaluation of potential evapotranspiration assessment methods for hydrological modelling with swat—application in data-scarce rural Tunisia[J]. Agricultural Water Management, 2016, 174:39-51.

28 PEREIRA D D R, MARTINEZ M A, PRUSKI F F, et al. Hydrological simulation in a basin of typical tropical climate and soil using the SWAT model part I: calibration and validation tests[J]. Journal of Hydrology: Regional Studies, 2016, 7:14-37.

29 KHALID K, ALI M F, RAHMAN N F A, et al. Sensitivity analysis in watershed model using SUFI-2 algorithm[J]. Procedia Engineering, 2016, 162:441-447.

30 劉春友, 周永輝, 荊楚坤. 呼蘭河2003年洪水與1985年洪水對比分析[J]. 黑龍江水利科技, 2009, 37(4):16.

AccuracyEvaluationofMultisatelliteRemoteSensingPrecipitationProductsinAlpineRegionandItsApplicabilitytoRunoffSimulation

XU Shuqin1DING Xingchen1WANG Bin1,2WANG Lei3

(1.SchoolofWaterConservancyandCivilEngineering,NortheastAgriculturalUniversity,Harbin150030,China2.KeyLaboratoryofEfficientUtilizationofAgriculturalWaterResources,MinistryofAgriculture,Harbin150030,China3.CollegeofWaterResourcesandArchitecturalEngineering,NorthwestAamp;FUniversity,Yangling,Shaanxi712100,China)

The observed data of surficial precipitation stations were used as benchmark data, the Hulan River Basin of the alpine region was used as typical study area, the precision of the new generation satellite rainfall products TRMM(the tropical rainfall measuring mission) 3B42V7, 3B42RT and CHIRPS (Climate hazards group infrared precipitation with station data), IDWP precipitation data based on IDW(inverse distance weighted)were evaluated in day, month, quarter and spatial scales. The precipitation stations and satellite data were used to drive SWAT model, the SUFI-2 algorithm was used to calculate the model and sensitivity of parameters, simulate the daily flow process, and evaluate the application ability of multi satellite precipitation in watershed hydrological simulation and prediction. The research results showed that in the average watershed scale, the amount of 3B42V7, 3B42RT and CHIP over ground rainfall were 5.43%, 41.24% and 3.37%, 3B42V7 was very close to the ground precipitation in monthly, quarterly time scales. The cumulative probability distribution of daily precipitation intensity of 3B42RT was close to the surficial precipitation. The simulated results of 3B42V7 and CHIP were both very well in the rate of calibrated and validated period of the daily flow simulation results, NSCE was 0.77 and 0.84 in calibrated period, in the verification period it was 0.67 and 0.56, respectively. 3B42RT for the peak simulation of the flow was poor. The change of water quantity of CHIP was close to that of rainfall station, and the groundwater quantity of 3B42RT into the river was smaller than that of others, but the runoff depth and soil water content were larger. TRMM 3B42V7 and CHIRPS can be used as a basic application of precipitation data in cold regions for water resources management, drought monitoring and flood forecast research in ungauged and data-deficiency region. The next step would be to study the correction method of satellite precipitation data for cold region which would provide more reliable data for the future application of satellite precipitation data to carry out related research in the cold region.

cold region; remote sensing precipitation products; SWAT model; temporal scale; spatial scale

10.6041/j.issn.1000-1298.2017.11.035

P333.9

A

1000-1298(2017)11-0289-11

2017-03-29

2017-04-14

國家重點研發計劃項目(2016YFC0400101)、國家自然科學基金項目(51009026)和農業部農業水資源高效利用重點實驗室開放課題項目(2015002)

徐淑琴(1964—)，女，教授，博士生導師，主要從事流域數字水文模型與水庫優化調度研究，E-mail: 1210569246@qq.com

王斌(1976—)，男，副教授，博士，主要從事水文過程模擬研究，E-mail: wangbin@neau.edu.cn