基于長序列遙感降水融合數(shù)據(jù)集的黃河源氣象干旱特征研究

摘要 遙感降水產(chǎn)品可為氣象干旱精準(zhǔn)監(jiān)測提供近實(shí)時(shí)、多時(shí)空分辨率的降水?dāng)?shù)據(jù)，但其性能易受復(fù)雜地形和極端氣候的影響，基于機(jī)器學(xué)習(xí)的多源數(shù)據(jù)融合方法為提高復(fù)雜地形和偏遠(yuǎn)地區(qū)遙感降水產(chǎn)品精度和干旱監(jiān)測能力提供了新思路。基于此，本研究以資料稀缺的黃河源為研究區(qū)，利用隨機(jī)森林（random forest，簡稱RF）方法生成了黃河源區(qū)長序列（1983—2018年）高精度的格網(wǎng)降水?dāng)?shù)據(jù)集，并基于該數(shù)據(jù)集利用標(biāo)準(zhǔn)化降水指數(shù)（standardized precipitation index，簡稱SPI）和游程理論方法識(shí)別氣象干旱事件，闡明融合降水產(chǎn)品數(shù)據(jù)集對(duì)氣象干旱事件特征的捕獲能力。結(jié)果表明：1）基于機(jī)器學(xué)習(xí)的降水融合數(shù)據(jù)集在站點(diǎn)尺度性能方面優(yōu)于3套原始遙感降水產(chǎn)品，能較理想地捕獲降水的年內(nèi)和年際波動(dòng);2）黃河源降水和4個(gè)時(shí)間尺度的SPI（SPI1、SPI3、SPI6和SPI12）均呈顯著增加趨勢（通過0.05信度的顯著性檢驗(yàn)），表明近36年黃河源區(qū)降水增加，氣象干旱趨緩;3）降水突變點(diǎn)發(fā)生在2006年，2006年前的平均干旱事件歷時(shí)長、烈度強(qiáng)和極值大，但2006年后干旱事件特征趨緩;空間分布上，源區(qū)西北部干旱歷時(shí)和烈度較高，東南部干旱強(qiáng)度和極值較高。

關(guān)鍵詞標(biāo)準(zhǔn)化降水指數(shù);氣象干旱;融合降水;黃河源區(qū)

干旱是一種由于水分短缺而引發(fā)的極端天氣和氣候現(xiàn)象，具有持續(xù)時(shí)間長，影響范圍廣等特點(diǎn)（袁星等，2020）。它嚴(yán)重影響了自然環(huán)境和人類生活，制約著社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展（王鶯等，2022）。我國是干旱頻繁且受災(zāi)嚴(yán)重的國家之一（孫博等，2023），干旱災(zāi)害每年給我國造成數(shù)百萬噸的糧食減產(chǎn)和超過百億人民幣的經(jīng)濟(jì)損失（Su et al.，2018）。氣象干旱作為傳統(tǒng)的干旱類型之一（姜大膀和王曉欣，2021），通常是復(fù)合干旱的第一階段（Zeng et al.，2022），研究其趨勢和規(guī)律有助于提供早期預(yù)警，預(yù)防和減輕干旱發(fā)生，也是后續(xù)研究水文干旱、農(nóng)業(yè)干旱和社會(huì)經(jīng)濟(jì)干旱等的基礎(chǔ)和保障（Zhang et al.，2016）。

為了量化干旱的嚴(yán)重程度，較為常用的方法就是構(gòu)建干旱指數(shù)來表征（宋艷玲，2022）。例如：帕默爾干旱指數(shù)（Palmer drought severity index，簡稱PDSI;Palmer，1965）、標(biāo)準(zhǔn)化降水蒸散指數(shù)（standardized precipitation evapotranspiration index，簡稱SPEI;Vicente-serrano et al.，2010）和標(biāo)準(zhǔn)化降水指數(shù)ISP（standardized precipitation index，簡稱SPI;McKee et al.，1993）等。PDSI基于水量平衡原理采取降水、氣溫、土壤含水量等數(shù)據(jù)計(jì)算，物理意義比較清晰，但PDSI也存在計(jì)算復(fù)雜和時(shí)間尺度固定等局限性（Wells et al.，2004）。SPEI克服了PDSI在固定時(shí)間尺度上的不足，它通過歸一化潛在蒸散發(fā)（potential evapotranspiration，簡稱PET）和降水之間的差值來描述靈活時(shí)間尺度的干旱特征（孟鑫和智協(xié)飛，2016）。SPEI雖然相比SPI還考慮了溫度對(duì)干旱的影響，但在晝夜溫差較大的高原地區(qū)SPI的適用性更強(qiáng)（王作亮等，2019），相比之下，SPI由于僅需要輸入降水，且計(jì)算方法簡單、尺度靈活等特點(diǎn)被廣泛應(yīng)用于干旱研究當(dāng)中（Guttman，1999;呂純月等，2021）。

降水?dāng)?shù)據(jù)的精確性直接決定了干旱事件特征的可信度，因此提高降水的估算精度是識(shí)別干旱的先決條件。獲取的方法主要有地面雨量計(jì)觀測、降水雷達(dá)觀測和遙感衛(wèi)星反演（Sun et al.，2018）。傳統(tǒng)的地面雨量站在地形復(fù)雜、偏遠(yuǎn)地區(qū)分布不均，難以獲取降水連續(xù)的時(shí)空分布格局（Kidd et al.，2017）。降水雷達(dá)的維護(hù)修理成本高昂，且雷達(dá)信號(hào)容易受到復(fù)雜地形的遮擋，導(dǎo)致在高寒的地形復(fù)雜區(qū)域效果不佳（Xu et al.，2019）。相比之下，遙感降水產(chǎn)品具有覆蓋范圍較廣、精度較高和時(shí)空連續(xù)等優(yōu)點(diǎn)，現(xiàn)已被廣泛應(yīng)用于水文氣象的研究之中（唐國強(qiáng)等，2015）。然而，全球遙感降水產(chǎn)品眾多，它們的性能存在區(qū)域異質(zhì)性（Beck et al.，2017）。復(fù)雜的地形和極端氣候都會(huì)制約遙感降水產(chǎn)品的精度，從而影響產(chǎn)品的性能（Li et al.，2023），單一的遙感降水產(chǎn)品在高寒、地形復(fù)雜地區(qū)的應(yīng)用存在巨大挑戰(zhàn)（Pradhan et al.，2022）。

隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)的興起為多源遙感產(chǎn)品的性能提高提供了一個(gè)新的解決思路和方案。機(jī)器學(xué)習(xí)方法能夠彌補(bǔ)傳統(tǒng)建模運(yùn)算復(fù)雜的問題，因此被廣泛應(yīng)用于氣象和水文的研究之中（何慧等，2021）。比如，張娟等（2023）基于遙感產(chǎn)品和氣象站點(diǎn)數(shù)據(jù)，利用隨機(jī)森林（RF）構(gòu)建綜合干旱指數(shù)，分析甘肅省農(nóng)作物生長季旱情時(shí)空格局和變化規(guī)律，結(jié)果表明利用隨機(jī)森林模型監(jiān)測干旱精度較高。楊軒等（2023）利用3種機(jī)器學(xué)習(xí)算法融合TRMM、GPM、CMORPH、CHIRPS、PERSIANN-CDR 5種月尺度柵格降水產(chǎn)品，融合產(chǎn)品各月均表現(xiàn)較高精度，其中隨機(jī)森林算法模型產(chǎn)品在冬季表現(xiàn)較優(yōu)。Jiang et al.（2023）利用多元線性回歸，前饋神經(jīng)網(wǎng)絡(luò)，隨機(jī)森林（RF）和長短期記憶模型4種機(jī)器學(xué)習(xí)模型融合衛(wèi)星降水和再分析降雨產(chǎn)品，融合產(chǎn)品均減少了原始產(chǎn)品的誤差，其中隨機(jī)森林在暴雨條件下表現(xiàn)最好。綜上可知，機(jī)器學(xué)習(xí)方法在融合多源遙感降水領(lǐng)域表現(xiàn)了明顯的優(yōu)勢，但是基于機(jī)器學(xué)習(xí)的遙感降水融合性能在高寒、稀缺資料地區(qū)的性能研究相對(duì)薄弱。利用機(jī)器學(xué)習(xí)融合多源降水產(chǎn)品數(shù)據(jù)，進(jìn)而準(zhǔn)確刻畫少資料地區(qū)的氣象干旱特征成為重要亟待解決的科學(xué)問題。

黃河源區(qū)地處青藏高原腹地，平均海拔4 000 m以上，地形復(fù)雜多樣，常年極端低溫。黃河源區(qū)生態(tài)環(huán)境脆弱，且對(duì)氣候變化和人類活動(dòng)等干擾極其敏感（韓蘭英等，2021）。但是，黃河源的流域面積較小，不足整個(gè)黃河流域面積的1／4，產(chǎn)流量約占黃河徑流量的1／3以上，有“黃河水塔”的美譽(yù)（張成鳳等，2020）。黃河水資源的穩(wěn)定性對(duì)黃河流域的經(jīng)濟(jì)高質(zhì)量發(fā)展和生態(tài)文明建設(shè)的實(shí)現(xiàn)起到?jīng)Q定性的作用。基于此，本研究選取3套典型長序列遙感降水產(chǎn)品（PERSIANN-CDR、CHIRPS v2.0、MSWEP v2.0），利用隨機(jī)森林模型（RF），開展多源遙感降水產(chǎn)品的數(shù)據(jù)融合研究，評(píng)估融合產(chǎn)品的性能，并利用標(biāo)準(zhǔn)化降水指數(shù)（SPI）和游程理論，探究黃河源區(qū)的氣象干旱的時(shí)空演變特征，可為黃河源區(qū)的干旱預(yù)警預(yù)報(bào)和水資源管理提供科學(xué)的參考依據(jù)。

1 資料和方法

1.1 研究區(qū)概況

黃河源區(qū)（95°86′～103°40′E，32°16′～36°12′N）位于青藏高原東北部，地勢西北高東南低，源區(qū)降水隨緯度增加而減少，多年平均降水量約510 mm，流域面積約為12.2×104 km2。源區(qū)內(nèi)地勢高，氣候寒冷，海拔高度在2 672～ 6 065 m，區(qū)域內(nèi)存在季節(jié)性和多年凍土區(qū)（Bai and Liu，2018;張成鳳等，2019;靳錚等，2020;姚秀萍等，2022）。黃河源區(qū)的氣象站點(diǎn)和地形高程如圖1所示。

1.2 數(shù)據(jù)來源

氣象站點(diǎn)數(shù)據(jù)選自黃河源及其周邊地區(qū)40個(gè)站點(diǎn)，該數(shù)據(jù)來自國家氣象信息中心（http：／／data.cma.cn／），時(shí)間范圍為1983—2013年。并選取了3套典型長序列遙感降水產(chǎn)品，包括PERSIANN-CDR、CHIRPS v2.0、MSWEP v2.0（以下簡稱PERSIANN、CHIRPS、MSWEP）。其中PERSIANN產(chǎn)品基于人工神經(jīng)網(wǎng)絡(luò)提供長期的一致性較好的高分辨率降水估算，利用GridSat-B1衛(wèi)星的紅外輻射作為PERSIANN模型的輸入數(shù)據(jù)，并且采取全球降水?dāng)?shù)據(jù)集GPCP產(chǎn)品對(duì)模式的輸出結(jié)果進(jìn)行偏差校正（Ashouri et al.，2015）。MSWEP是一套全球多源加權(quán)融合的降水?dāng)?shù)據(jù)集，其融合了地面觀測數(shù)據(jù)，降水衛(wèi)星和大氣再分析數(shù)據(jù)（Beck et al.，2019）。MSWEP與其他全球降水產(chǎn)品相比性能較優(yōu)，并且在資源稀缺的干旱地區(qū)具有較好的適用性（彭振華等，2021;呂愛鋒和亓珊珊，2022）。CHIRPS是一套準(zhǔn)全球（50°S～50°N）降水觀測資料，它基于全球超過20 000個(gè)地面雨量站數(shù)據(jù)，熱紅外觀測數(shù)據(jù)和大氣再分析數(shù)據(jù)等，提供了一套長期的、高分辨率的、多時(shí)間尺度的降水?dāng)?shù)據(jù)集（Funk et al.，2015）。為了評(píng)估的一致性，本研究空間分辨率均為0.25°×0.25°，選取的研究時(shí)段為1983—2018年。3種遙感降水產(chǎn)品的匯總?cè)绫?所示。

1.3 研究方法

1.3.1 標(biāo)準(zhǔn)化降水指數(shù)（SPI）

由McKee et al.（1993）研究的標(biāo)準(zhǔn)化降水指數(shù)（SPI）被廣泛用于干旱研究之中。計(jì)算SPI僅需要輸入降水，有效減少了多種變量所帶來的不確定性。SPI的計(jì)算應(yīng)用于干旱研究中一般要求降水序列超過30 a，當(dāng)SPI為正值表明為濕潤的氣候環(huán)境，而負(fù)值表明為干燥的氣候環(huán)境。SPI可采取靈活的時(shí)間尺度來量化干旱事件，本文選取1個(gè)月、3個(gè)月、6個(gè)月、12個(gè)月4個(gè)典型的時(shí)間尺度（SPI1，SPI3，SPI6，SPI12），結(jié)合國家氣象干旱等級(jí)（GB／T20481-2017），干旱等級(jí)的劃分如表2所示。

1.3.2 統(tǒng)計(jì)評(píng)價(jià)指標(biāo)

為定量研究融合降水產(chǎn)品在黃河源區(qū)的氣象干旱性能，本研究選取了5種常用的統(tǒng)計(jì)評(píng)價(jià)指標(biāo)，包括相關(guān)系數(shù)CC（correlation coefficients，簡稱CC）、均方根誤差ERMS（root mean square errors，簡稱RMSE）、相對(duì)偏差Bias（Bias）、Kling-Gupta系數(shù)EKG（KGE）和標(biāo)準(zhǔn)差DST（standard deviation，簡稱STD）。相關(guān)系數(shù)越高、均方根誤差越低、相對(duì)偏差越接近于0、Kling-Gupta系數(shù)越高、標(biāo)準(zhǔn)差越小表明統(tǒng)計(jì)性能越好，各指標(biāo)的計(jì)算公式如下：

1.3.3 隨機(jī)森林

隨機(jī)森林（RF）是Breiman（2001）提出的由多個(gè)決策樹組成的機(jī)器學(xué)習(xí)算法。具有精度高、參數(shù)少、模型穩(wěn)定的特點(diǎn)（方秀琴等，2021）。雖然決策樹作為一種非參數(shù)方法在回歸和分類問題上表現(xiàn)良好，但決策樹的訓(xùn)練容易出現(xiàn)過擬合的問題。RF解決了這個(gè)問題，模型如下：

其中：YRF為隨機(jī)森林的融合結(jié)果;γ為隨機(jī)森林中決策樹的個(gè)數(shù);X為測試集的輸入數(shù)據(jù);fi為第i棵決策樹的預(yù)測結(jié)果。

本研究1983—2013年融合數(shù)據(jù)在黃河源的目標(biāo)變量為站點(diǎn)降水，輸入變量為3套網(wǎng)格化遙感降水產(chǎn)品。訓(xùn)練格點(diǎn)與站點(diǎn)的選取按照距離最近原則，每個(gè)格點(diǎn)與最近站點(diǎn)的距離均小于16 km，其中隨機(jī)抽樣70％的數(shù)據(jù)作為訓(xùn)練集，30％的數(shù)據(jù)為驗(yàn)證集。

1.3.4 Mann-Kendall檢驗(yàn)

Mann-Kendall的檢驗(yàn)是一種非參數(shù)方法。其優(yōu)點(diǎn)是不需要樣本遵從一定的分布，也不受少數(shù)異常值的干擾，更適用于類型變量和順序變量，計(jì)算也比較簡便，被廣泛應(yīng)用于水文氣象的趨勢分析和突變檢驗(yàn)。但是Mann-Kendall檢驗(yàn)不適用于檢測有多個(gè)突變點(diǎn)的序列（魏鳳英，2007）。

將時(shí)間序列t生成其對(duì)應(yīng)的逆序列，重復(fù)上述計(jì)算過程。同時(shí)使得UBk=-UFk，如果UFk和UBk在0.05顯著水平線內(nèi)（臨界值為±1.96）有交點(diǎn)，則交點(diǎn)認(rèn)為是突變點(diǎn)。

1.3.5 游程理論與干旱特征指標(biāo)

本研究通過游程理論來確定干旱事件，根據(jù)McKee et al.（1993）的研究，如果干旱指數(shù)連續(xù)多個(gè)月低于閾值，則認(rèn)定其為干旱月份。本研究認(rèn)為當(dāng)SPI持續(xù)2個(gè)月以上小于-1時(shí)會(huì)發(fā)生一次干旱事件。統(tǒng)計(jì)干旱頻次N（drought events number）。選擇平均干旱歷時(shí)MDD（mean drought duration）、平均干旱烈度MDS（mean drought severity）、平均干旱強(qiáng)度MDI（mean drought intensity）和平均干旱極值MDP（mean drought peak）等評(píng)價(jià)指標(biāo)評(píng)價(jià)融合降水捕獲黃河源的氣象干旱特征，計(jì)算公式如下：

式中：t1是干旱事件結(jié)束的時(shí)間;t0是干旱事件開始的時(shí)間；i是第i次的干旱事件;j為某次干旱事件中干旱指數(shù);Di是第i次干旱事件的干旱歷時(shí)；Si是第i次干旱事件的干旱烈度；Ii是第i次干旱事件的干旱強(qiáng)度；Pi是第i次干旱事件的干旱極值。

2 結(jié)果分析

2.1 融合降水集在站點(diǎn)尺度的性能

圖2展示了站點(diǎn)降水和不同遙感降水產(chǎn)品，以及數(shù)據(jù)融合產(chǎn)品在站點(diǎn)尺度的散點(diǎn)分布。由圖可知，各降水產(chǎn)品均能較好地捕獲站點(diǎn)降水的波動(dòng)（CCgt;0.89），3套原始遙感降水產(chǎn)品中CHIRPS產(chǎn)品表現(xiàn)最優(yōu)（EKG=0.89，ERMS=19.8 mm，Bias=2.1％），其次為MSWEP產(chǎn)品（EKG=0.85，ERMS=19.9 mm，Bias=8.0％），表現(xiàn)最差的是PERSIANN產(chǎn)品（EKG=0.70，ERMS=25.8 mm，Bias=15.6％）;融合數(shù)據(jù)集RF相較于3套遙感降水產(chǎn)品擁有更好的性能（EKG=0.97，ERMS=10.7 mm，Bias=-0.9％），表明基于RF融合的降水在黃河源地區(qū)具有較好的適用性。

圖3展示了融合降水產(chǎn)品性能的空間分布。融合降水在站點(diǎn)尺度的性能總體較優(yōu)（CCgt;0.93，EKGgt;0.90），表明融合降水能夠較好地捕獲站點(diǎn)降水的波動(dòng)。由圖3b可知，融合降水的RMSE總體較低，呈現(xiàn)西北部低東南部高的空間分布格局。由圖3d可知，融合降水的BIAS總體較低，在源區(qū)東北部有負(fù)偏差。證明了機(jī)器學(xué)習(xí)降水融合的可行性，可用此方法估算區(qū)域降水。

利用泰勒圖展現(xiàn)各個(gè)降水產(chǎn)品與觀測值之間相關(guān)系數(shù)，標(biāo)準(zhǔn)差和均方根誤差之間的差異（Taylor，2001），各降水產(chǎn)品與站點(diǎn)降水間的距離越小表明其性能越好。由圖4a可知，在月尺度各個(gè)降水產(chǎn)品性能總體較優(yōu)（CCgt;0.95），相對(duì)差異較小，其中融合降水?dāng)?shù)據(jù)集RF性能相對(duì)較好（CCgt;0.99）。由圖4b可知，在年尺度各降水產(chǎn)品的性能不如月尺度，3套原始遙感降水產(chǎn)品中表現(xiàn)最優(yōu)的是CHIRPS，其次是MSWEP，PERSIANN產(chǎn)品相對(duì)較差。融合降水?dāng)?shù)據(jù)集RF性能相對(duì)于3套不同的遙感降水產(chǎn)品擁有更好的性能（CCgt;0.90），證明了融合降水?dāng)?shù)據(jù)集RF在黃河源模擬降水更接近站點(diǎn)降水?dāng)?shù)據(jù)。

圖5a和圖5b分別是站點(diǎn)降水和降水產(chǎn)品的年內(nèi)波動(dòng)及年際波動(dòng)。在驗(yàn)證期融合數(shù)據(jù)集RF與站點(diǎn)降水的年內(nèi)波動(dòng)最接近（EKG=0.98），3套原始的遙感降水產(chǎn)品中CHIRPS年內(nèi)波動(dòng)模擬相對(duì)較好（EKG=0.96），其次是MSWEP（EKG=0.91），PERSIANN模擬降水最差（EKG=0.81）。其中MSWEP和PERSIANN在夏季有明顯高估降水。

在驗(yàn)證期融合數(shù)據(jù)集RF與站點(diǎn)降水的年際波動(dòng)最接近（EKG=0.89），3套遙感降水產(chǎn)品中CHIRPS年際波動(dòng)模擬相對(duì)較好（EKG=0.86），其次是MSWEP（EKG=0.73），PERSIANN模擬降水的年際波動(dòng)最差（EKG=0.59）。其中MSWEP和PERSIANN有明顯高估降水。

2.2 基于融合降水?dāng)?shù)據(jù)集的黃河源降水特征

2.2.1 融合降水?dāng)?shù)據(jù)集在黃河源降水空間分布

基于訓(xùn)練好的站點(diǎn)融合降水產(chǎn)品RF，按照距離逐格點(diǎn)匹配其最近的氣象站點(diǎn)，逐格點(diǎn)進(jìn)行降水融合得到格網(wǎng)融合降水產(chǎn)品。并逐格點(diǎn)統(tǒng)計(jì)1983—2018年黃河源的月均降水量。融合降水和3套原始遙感降水產(chǎn)品1983—2018年在黃河源的年均降水量的空間分布如圖6所示。融合降水和3套遙感降水的空間分布總體保持一致，均能捕獲黃河源自東南向西北遞減的空間分布格局。PERSIANN產(chǎn)品的降水在黃河源東西部波動(dòng)更大，且東南部有明顯的高估（均值49.4 mm／mon）;CHIRPS產(chǎn)品雖然降水均值接近融合降水?dāng)?shù)據(jù)集（均值44.9 mm／mon），但在源區(qū)西北部有著明顯低估;MSWEP產(chǎn)品和融合降水RF空間分布較為一致，但高估了部分格點(diǎn)的降水（均值46.5 mm／mon）。

2.2.2 融合降水?dāng)?shù)據(jù)集在黃河源降水突變點(diǎn)識(shí)別

本研究采用Mann-Kendall突變檢驗(yàn)法來確定黃河源降水的突變年份。由圖7知，黃河源1983—2018年融合降水集呈顯著增加趨勢，年均降水序列UF與其逆序列UB有且僅有一個(gè)交點(diǎn)，此交點(diǎn)位于2006年左右且位于兩條0.05顯著水平線之間，此突變點(diǎn)有效。則黃河源降水突變年份為2006年。

2.3 融合降水?dāng)?shù)據(jù)集在黃河源氣象干旱特征

2.3.1 融合降水?dāng)?shù)據(jù)集在黃河源氣象干旱趨勢

逐格點(diǎn)計(jì)算1983—2018年黃河源4種時(shí)間尺度的SPI指標(biāo)（SPI1、SPI3、SPI6和SPI12）。圖8展示了1983—2018年黃河源SPI變化趨勢的空間分布，其中SPI的值大于0表示該格點(diǎn)趨于濕潤。在4個(gè)時(shí)間尺度（SPI1、SPI3、SPI6、SPI12）1983—2018年黃河源呈現(xiàn)SPI增加趨勢，SPI1趨勢的格點(diǎn)均值為2.2×10-3，隨著時(shí)間尺度增加，SPI的增加趨勢更加突出（SPI12趨勢的格點(diǎn)均值為4.0×10-3），即趨于濕潤。黃河源西北部上升趨勢大于東南部，隨著時(shí)間尺度的增加，源區(qū)東西趨勢波動(dòng)更大。各格點(diǎn)均通過了置信度為95％的顯著性檢驗(yàn)，表明黃河源近36年氣象干旱趨緩。

2.3.2 融合降水?dāng)?shù)據(jù)集在黃河源氣象干旱監(jiān)測空間分析

根據(jù)游程理論識(shí)別干旱頻次（N），由表3可知隨著時(shí)間尺度的增大，干旱頻次趨于減少。降水突變前（2006年）識(shí)別的干旱頻次要多于降水突變后。在短時(shí)間尺度（SPI1）上識(shí)別的干旱頻次在4個(gè)時(shí)間尺度中最多，利用SPI1分析降水突變前后的干旱特征。圖9展示了降水突變前后黃河源SPI1的干旱特征指標(biāo)。由圖可知，1983—2006年黃河源SPI1的平均干旱歷時(shí)（MDD）均值為1.82，相較于2007—2018年更長，降水突變前后均呈現(xiàn)干旱歷時(shí)東北高西南低的空間分布格局，但降水突變后的干旱歷時(shí)波動(dòng)更大。1983—2006年黃河源SPI1的平均干旱烈度（MDS）均值為2.42，相較于2007—2018年更嚴(yán)重，降水突變前呈現(xiàn)中部低四周高的空間分布格局，降水突變后呈現(xiàn)北高南低的空間分布格局。1983—2006年黃河源SPI1的平均干旱強(qiáng)度（MDI）均值為1.72，相較于2007—2018年略低，降水突變前后均呈現(xiàn)干旱歷時(shí)東北低東南高的空間分布格局，但降水突變后的源區(qū)南北干旱強(qiáng)度波動(dòng)更大。1983—2006年黃河源SPI1的平均干旱極值（MDP）均值為1.91，相較于2007—2018年更嚴(yán)重，降水突變前呈現(xiàn)西南低，西北和東南高的空間分布格局，降水突變后呈現(xiàn)東北低、西北和東南高的空間分布格局。

3 結(jié)論與討論

3.1 結(jié)論

本研究利用隨機(jī)森林模型，開展多源遙感降水產(chǎn)品的數(shù)據(jù)融合研究，評(píng)估融合產(chǎn)品的性能，并利用標(biāo)準(zhǔn)化降水指數(shù)（SPI）和游程理論，探究黃河源區(qū)的氣象干旱的時(shí)空演變特征，結(jié)論如下：

1）融合降水?dāng)?shù)據(jù)集在站點(diǎn)尺度性能優(yōu)于3套原始遙感降水產(chǎn)品，具有高相關(guān)系數(shù)，低均方根誤差，低相對(duì)偏差和高Kling-Gupta系數(shù)的特點(diǎn)，能夠較好地捕獲觀測降水的年內(nèi)和年際波動(dòng)。證明了融合降水在黃河源區(qū)有著良好的適應(yīng)性。

2）融合降水?dāng)?shù)據(jù)集和3套遙感降水產(chǎn)品時(shí)空格局相對(duì)一致，1983—2018年黃河源降水量和各時(shí)間尺度的SPI呈現(xiàn)顯著增加趨勢，降水突變點(diǎn)在2006年。表明近36 a源區(qū)降水增加，氣象干旱趨緩。

3）2006年前黃河源SPI1的平均干旱事件歷時(shí)長、烈度強(qiáng)和極值大，但2006年后干旱事件特征趨緩;黃河源西北部干旱歷時(shí)和烈度較高，東南部干旱強(qiáng)度和極值較高。

3.2 討論

國內(nèi)外學(xué)者開展機(jī)器學(xué)習(xí)對(duì)于干旱的研究與本文的側(cè)重不同。張娟等（2023）研究的隨機(jī)森林模型側(cè)重于多因子的農(nóng)業(yè)干旱的研究，方秀琴等（2021）研究的隨機(jī)森林模型側(cè)重在全球不同的氣候區(qū)來建立干旱評(píng)估的模型，本文構(gòu)建的隨機(jī)森林模型側(cè)重于對(duì)多源遙感降水產(chǎn)品的數(shù)據(jù)融合，評(píng)估融合降水集對(duì)干旱監(jiān)測的性能。

本研究發(fā)現(xiàn)融合數(shù)據(jù)集在黃河源1983—2018年降水量呈現(xiàn)顯著增加趨勢，年降水量在2006年發(fā)生突變，與谷鑫鑫等（2019）、張鳴等（2023）研究結(jié)果較為一致。本研究發(fā)現(xiàn)融合數(shù)據(jù)集在黃河源1983—2018年SPI呈現(xiàn)顯著增加趨勢，與Li et al.（2024）研究結(jié)果一致，證明了近36年黃河源氣象干旱趨緩。許昕彤等（2023）評(píng)估MSWEP產(chǎn)品1981—2020年捕獲黃河流域氣象干旱的能力，與本研究對(duì)比低估了干旱歷時(shí)和極值，原因可能是游程理論識(shí)別干旱閾值和降水產(chǎn)品差異導(dǎo)致的不同。

雖然本研究對(duì)數(shù)據(jù)來源、研究方法等進(jìn)行嚴(yán)格的質(zhì)量控制，但不可避免地存在不確定性。首先，本文選擇了適用性較為廣泛的隨機(jī)森林機(jī)器學(xué)習(xí)模型，未考慮與其他的機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比分析，可能會(huì)存在不確定性。其次，干旱指數(shù)僅選擇常用監(jiān)測干旱指數(shù)標(biāo)準(zhǔn)化降水指數(shù)，而目前干旱指數(shù)眾多，未來會(huì)采取不同干旱指數(shù)在黃河源地區(qū)評(píng)估，提升干旱監(jiān)測效果;最后，本文僅研究了黃河源氣象干旱的特征，但水文干旱等事件對(duì)黃河源的生態(tài)保護(hù)與經(jīng)濟(jì)發(fā)展同樣重要，未來會(huì)考慮研究多個(gè)機(jī)器學(xué)習(xí)模型、多個(gè)干旱指數(shù)融合降水集捕獲干旱特征。

參考文獻(xiàn)（References）

Ashouri H，Hsu K L，Sorooshian S，et al.，2015.PERSIANN-CDR：daily precipitation climate data record from multisatellite observations for hydrological and climate studies［J］.Bull Amer Meteor Soc，96（1）：69-83.DOI：10.1175／bams-d-13-00068.1.

Bai P，Liu X M，2018.Evaluation of five satellite-based precipitation products in two gauge-scarce basins on the Tibetan Plateau［J］.Remote Sens，10（8）：1316.DOI：10.3390／rs10081316.

Beck H E，Vergopolan N，Pan M，et al.，2017.Global-scale evaluation of 22 precipitation datasets using gauge observations and hydrological modeling［J］.Hydrol Earth Syst Sci，21（12）：6201-6217.DOI：10.5194／hess-21-6201-2017.

Beck H E，Wood E F，Pan M，et al.，2019.MSWEP V2 global 3-hourly 0.1° precipitation：methodology and quantitative assessment［J］.Bull Amer Meteor Soc，100（3）：473-500.DOI：10.1175／bams-d-17-0138.1.

Breiman L，2001.Random forests［J］.Machine Learning，45（1）：5-32.

方秀琴，郭曉萌，袁玲，等，2021.隨機(jī)森林算法在全球干旱評(píng)估中的應(yīng)用［J］.地球信息科學(xué)學(xué)報(bào)，23（6）：1040-1049. Fang X Q，Guo X M，Yuan L，et al.，2021.Application of random forest algorithm in global drought assessment［J］.J Geo Inf Sci，23（6）：1040-1049.（in Chinese）.

Funk C，Peterson P，Landsfeld M，et al.，2015.The climate hazards infrared precipitation with stations：a new environmental record for monitoring extremes［J］.Sci Data，2：150066.DOI：10.1038／sdata.2015.66.

谷鑫鑫，司劍華，盧素錦，等，2019.黃河源區(qū)歷史時(shí)期干濕變化特征分析［J］.江蘇農(nóng)業(yè)科學(xué)，47（23）：307-312. Gu X X，Si J H，Lu S J，et al.，2019.Analysis of dry and wet change characteristics of source region of the Yellow River in historical period［J］.Jiangsu Agric Sci，47（23）：307-312.DOI：10.15889／j.issn.1002-1302.2019.23.073.（in Chinese）.

Guttman N B，1999.Accepting the standardized precipitation index：a calculation ALGORITHM［J］.J American Water Resour Assoc，35（2）：311-322.DOI：10.1111／j.1752-1688.1999.tb03592.x.

韓蘭英，張強(qiáng)，馬鵬里，等，2021.氣候變暖背景下黃河流域干旱災(zāi)害風(fēng)險(xiǎn)空間特征［J］.中國沙漠，41（4）：225-234. Han L Y，Zhang Q，Ma P L，et al.，2021.Characteristics of drought disasters risk in the Yellow River basin under the climate warming［J］.J Desert Res，41（4）：225-234.DOI：10.7522／j.issn.1000-694X.2021.00082.（in Chinese）.

何慧，陸虹，覃衛(wèi)堅(jiān)，等，2021.人工神經(jīng)網(wǎng)絡(luò)在月降水量預(yù)測業(yè)務(wù)中的研究和應(yīng)用綜述［J］.氣象研究與應(yīng)用，42（1）：1-6. He H，Lu H，Qin W J，et al.，2021.Research and application of artificial neural network in monthly precipitation forecast［J］.J Meteor Res Appl，42（1）：1-6.DOI：10.19849／j.cnki.CN45-1356／P.2021.1.01.（in Chinese）.

姜大膀，王曉欣，2021.對(duì)IPCC第六次評(píng)估報(bào)告中有關(guān)干旱變化的解讀［J］.大氣科學(xué)學(xué)報(bào)，44（5）：650-653. Jiang D B，Wang X X，2021.A brief interpretation of drought change from IPCC Sixth Assessment Report［J］.Trans Atmos Sci，44（5）：650-653.DOI：10.13878／j.cnki.dqkxxb.20210810007.（in Chinese）.

Jiang Q，F(xiàn)an Z D，Xu Y，et al.，2023.Accuracy of conventional fusion algorithms for precipitation estimates across the Chinese mainland［J］.J Hydroinf，25（5）：1960-1978.DOI：10.2166／hydro.2023.111.

靳錚，游慶龍，吳芳營，等，2020.青藏高原三江源地區(qū)近60 a氣候與極端氣候變化特征分析［J］.大氣科學(xué)學(xué)報(bào)，43（6）：1042-1055. Jin Z，You Q L，Wu F Y，et al.，2020.Changes of climate and climate extremes in the Three-Rivers Headwaters’ Region over the Tibetan Plateau during the past 60 years［J］.Trans Atmos Sci，43（6）：1042-1055.DOI：10.13878／j.cnki.dqkxxb.20201008001.（in Chinese）.

Kidd C，Becker A，Huffman G J，et al.，2017.So，how much of the earth’s surface is covered by rain gauges？［J］.Bull Amer Meteor Soc，98（1）：69-78.DOI：10.1175／BAMS-D-14-00283.1.

Li Y Z，Zhuang J C，Bai P，et al.，2023.Evaluation of three long-term remotely sensed precipitation estimates for meteorological drought monitoring over China［J］.Remote Sens，15（1）：86.DOI：10.3390／rs15010086.

Li Y Z，Yan H W，Chen L，et al.，2024.Performance and uncertainties of five popular satellite-based precipitation products in drought monitoring for different climate regions［J］.J Hydrol，628：130562.DOI：10.1016／j.jhydrol.2023.130562.

呂愛鋒，亓珊珊，2022.遙感及再分析降水產(chǎn)品在缺資料干旱內(nèi)陸盆地的適用性評(píng)估［J］.地球信息科學(xué)學(xué)報(bào)，24（9）：1817-1834. Lü A F，Qi S S，2022.Applicability analysis of satellite-based and reanalysis precipitation products in poorly-gauged arid inland basins［J］.J Geo Inf Sci，24（9）：1817-1834.（in Chinese）.

呂純月，管兆勇，黃埡飛，2021.1961—2018年西南地區(qū)夏季干旱變化特征及其與環(huán)流異常的聯(lián)系［J］.大氣科學(xué)學(xué)報(bào)，44（4）：573-584. Lü C Y，Guan Z Y，Huang Y F，2021.Variation characteristics of summer drought in Southwest China and its relationship with circulation anomalies from 1961 and 2018［J］.Trans Atmos Sci，44（4）：573-584.DOI：10.13878／j.cnki.dqkxxb.20210114001.（in Chinese）.

McKee T B，Doesken N J，Kleist J，1993.The relationship of drought frequency and duration to time scales［C］／／Eighth Conference on Applied Climatology.Anaheim，USA：American Meteorological Society.

孟鑫，智協(xié)飛，2016.東北地區(qū)夏季干旱的年際-年代際變化特征［J］.大氣科學(xué)學(xué)報(bào)，39（4）：562-568. Meng X，Zhi X F，2016.Interannual and interdecadal variations of drought in Northeast China［J］.Trans Atmos Sci，39（4）：562-568.DOI：10.13878／j.cnki.dqkxxb.20140317001.（in Chinese）.

Palmer W，1965.Meteorological drought［C］／／Research Paper No.45，Washington D C.

彭振華，李艷忠，余文君，等，2021.遙感降水產(chǎn)品在中國不同氣候區(qū)的適用性研究［J］.地球信息科學(xué)學(xué)報(bào)，23（7）：1296-1311. Peng Z H，Li Y Z，Yu W J，et al.，2021.Research on the applicability of remote sensing precipitation products in different climatic regions of China［J］.J Geo-information Sci，23（7）：1296-1311.DOI：10.12082／dqxxkx.2021.200348.（in Chinese）.

Pradhan R K，Markonis Y，Vargas Godoy M R，et al.，2022.Review of GPM IMERG performance：a global perspective［J］.Remote Sens Environ，268：112754.DOI：10.1016／j.rse.2021.112754.

宋艷玲，2022.全球干旱指數(shù)研究進(jìn)展［J］.應(yīng)用氣象學(xué)報(bào)，33（5）：513-526. Song Y L，2022.Global research progress of drought indices［J］.J Appl Meteor Sci，33（5）：513-526.（in Chinese）.

Su B D，Huang J L，F(xiàn)ischer T，et al.，2018.Drought losses in China might double between the 1.5 ℃ and 2.0 ℃ warming［J］.Proc Natl Acad Sci USA，115（42）：10600-10605.DOI：10.1073／pnas.1802129115.

孫博，王會(huì)軍，黃艷艷，等，2023.2022年夏季中國高溫干旱氣候特征及成因探討［J］.大氣科學(xué)學(xué)報(bào)，46（1）：1-8. Sun B，Wang H J，Huang Y Y，et al.，2023.Characteristics and causes of the hot-dry climate anomalies in China during summer of 2022［J］.Trans Atmos Sci，46（1）：1-8.DOI：10.13878／j.cnki.dqkxxb.20220916003.（in Chinese）.

Sun Q H，Miao C Y，Duan Q Y，et al.，2018.A review of global precipitation data sets：data sources，estimation，and intercomparisons［J］.Rev Geophys，56（1）：79-107.DOI：10.1002／2017rg000574.

唐國強(qiáng)，萬瑋，曾子悅，等，2015.全球降水測量（GPM）計(jì)劃及其最新進(jìn)展綜述［J］.遙感技術(shù)與應(yīng)用，30（4）：607-615. Tang G Q，Wan W，Zeng Z Y，et al.，2015.An overview of the global precipitation measurement （GPM） mission and it’s latest development［J］.Remote Sens Technol Appl，30（4）：607-615.DOI：10.11873／j.issn.1004-0323.2015.4.0607.（in Chinese）.

Taylor K E，2001.Summarizing multiple aspects of model performance in a single diagram［J］.J Geophys Res，106（D7）：7183-7192.DOI：10.1029／2000jd900719.

Vicente-Serrano S M，Beguería S，López-Moreno J I，2010.A multiscalar drought index sensitive to global warming：the standardized precipitation evapotranspiration index［J］.J Climate，23（7）：1696-1718.DOI：10.1175／2009jcli2909.1.

王鶯，張強(qiáng)，王勁松，等，2022.21世紀(jì)以來干旱研究的若干新進(jìn)展與展望［J］.干旱氣象，40（4）：549-566. Wang Y，Zhang Q，Wang J S，et al.，2022.New progress and prospect of drought research since the 21st century［J］.J Arid Meteor，40（4）：549-566.DOI：10.11755／j.issn.1006-7639（2022）-04-0549.（in Chinese）.

王作亮，文軍，李振朝，等，2019.典型干旱指數(shù)在黃河源區(qū)的適宜性評(píng)估［J］.農(nóng)業(yè)工程學(xué)報(bào)，35（21）：186-195. Wang Z L，Wen J，Li Z C，et al.，2019.Evaluation of suitability using typical drought index in source region of the Yellow River［J］.Trans Chin Soc Agric Eng，35（21）：186-195.DOI：10.11975／j.issn.1002-6819.2019.21.022.（in Chinese）.

魏鳳英，2007.現(xiàn)代氣候統(tǒng)計(jì)診斷與預(yù)測技術(shù)［M］.2版.北京：氣象出版社：63-66. Wei F Y，2007.The modern climate statistical diagnosis and prediction technology［M］.2nd ed.Beijing：China Meteorology Press：63-66.（in Chinese）.

Wells N，Goddard S，Hayes M J，2004.A self-calibrating palmer drought severity index［J］.J Climate，17（12）：2335-2351.DOI：10.1175／1520-0442（2004）017lt;2335：aspdsigt;2.0.co;2.

Xu F L，Guo B，Ye B，et al.，2019.Systematical evaluation of GPM IMERG and TRMM 3B42V7 precipitation products in the Huang-Huai-Hai Plain，China［J］.Remote Sens，11（6）：697.DOI：10.3390／rs11060697.

許昕彤，朱麗，呂瀟雨，等，2023.MSWEP降水產(chǎn)品在黃河流域氣象干旱監(jiān)測中的適用性評(píng)價(jià)［J］.干旱區(qū)地理，46（3）：371-384. Xu X T，Zhu L，Lü X Y，et al.，2023.Applicability evaluation of MSWEP product for meteorological drought monitoring in the Yellow River basin［J］.Arid Land Geogr，46（3）：371-384.（in Chinese）.

楊軒，曾燕，邱新法，等，2023.基于機(jī)器學(xué)習(xí)算法的多源月尺度融合降水產(chǎn)品在中國區(qū)域的檢驗(yàn)評(píng)估［J］.暴雨災(zāi)害，42（5）：595-605. Yang X，Zeng Y，Qiu X F，et al.，2023.Examination and evaluation of multi-source monthly scale fusion precipitation product in China based on machine learning algorithm［J］.Torrential Rain Disasters，42（5）：595-605.DOI：10.12406／byzh.2023-006.（in Chinese）.

姚秀萍，謝啟玉，黃逸飛，2022.中國三江源地區(qū)降水研究的進(jìn)展與展望［J］.大氣科學(xué)學(xué)報(bào)，45（5）：688-699. Yao X P，Xie Q Y，Huang Y F，2022.Advances and prospects on the study of precipitation in the Three-River-Source Region in China［J］.Trans Atmos Sci，45（5）：688-699.DOI：10.13878／j.cnki.dqkxxb.20211220001.（in Chinese）.

袁星，馬鳳，李華，等，2020.全球變化背景下多尺度干旱過程及預(yù)測研究進(jìn)展［J］.大氣科學(xué)學(xué)報(bào)，43（1）：225-237. Yuan X，Ma F，Li H，et al.，2020.A review on multi-scale drought processes and prediction under global change［J］.Trans Atmos Sci，43（1）：225-237.DOI：10.13878／j.cnki.dqkxxb.20191105005.（in Chinese）.

Zeng J X，Li J X，Lu X J，et al.，2022.Assessment of global meteorological，hydrological and agricultural drought under future warming based on CMIP6［J］.Atmos Ocean Sci Lett，15（1）：100143.DOI：10.1016／j.aosl.2021.100143.

張成鳳，鮑振鑫，楊曉甜，等，2019.黃河源區(qū)水文氣象要素演變特征及響應(yīng)關(guān)系［J］.華北水利水電大學(xué)學(xué)報(bào)（自然科學(xué)版），40（6）：15-19. Zhang C F，Bao Z X，Yang X T，et al.，2019.Evolution characteristics and response relationships of hydro-meteorological variables in the source region of the Yellow River［J］.J N China Univ Water Resour Electr Power（Nat Sci Ed），40（6）：15-19.DOI：10.19760／j.ncwu.zk.2019076.（in Chinese）.

張成鳳，劉翠善，王國慶，等，2020.基于Budyko假設(shè)的黃河源區(qū)徑流變化歸因識(shí)別［J］.中國農(nóng)村水利水電（9）：90-94. Zhang C F，Liu C S，Wang G Q，et al.，2020.Attribution of runoff variation for the Yellow River source region based on the Budyko hypothesis［J］.China Rural Water and Hydropower（9）：90-94.（in Chinese）.

張娟，姚曉軍，李凈，等，2023.基于多源遙感數(shù)據(jù)的甘肅省農(nóng)業(yè)干旱研究［J］.干旱區(qū)地理，46（1）：11-22. Zhang J，Yao X J，Li J，et al.，2023.Agricultural drought research based on multi-source remote sensing data in Gansu Province［J］.Arid Land Geography，46（1）：11-22.DOI：10.12118／j.issn.1000-6060.2022.165.（in Chinese）.

張鳴，朱奎，魯帆，等，2023.黃河源區(qū)水文要素變化及驅(qū)動(dòng)因素分析［J］.人民黃河，45（10）：30-37. Zhang M，Zhu K，Lu F，et al.，2023.Analysis of changes of hydrological elements and driving factors in the source area of the Yellow River［J］.Yellow River，45（10）：30-37.DOI：10.3969／j.issn.1000-1379.2023.10.006.（in Chinese）.

Zhang Q，Han L Y，Jia J Y，et al.，2016.Management of drought risk under global warming［J］.Theor Appl Climatol，125（1）：187-196.DOI：10.1007／s00704-015-1503-1.

·ARTICLE·

Meteorological drought characteristics in the source region of the Yellow River based on long-term fused remote sensing precipitation datasets

CHENG Shuo 2，HUANG Manjie 2，YU Wenjun 2，ZHUANG Jiacheng 2，XING Yincong 2，YAN Haiwen 2，LI Yanzhong 2，ZHAO Lin3

School of Hydrology and Water Resources，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Key Laboratory of Hydrometeorological Disaster Mechanism and Warning of Ministry of Water Resources，Nanjing University of Information Science and Technology，Nanjing 210044，China;

3School of Geographical Sciences，Nanjing University of Information Science and Technology，Nanjing 210044，China

Abstract Remote sensing precipitation products provide near real-time，multi-temporal，and spatially resolved precipitation data，which are essential for accurate meteorological drought monitoring.However，their accuracy is often compromised by complex terrain and extreme climate conditions.Machine learning-based data fusion methods offer a novel solution to for enhancing the precision of remote sensing precipitation products，particularly in challenging environments.This study focuses on the source region of the Yellow River，a data-scarce area with complex topography，to develop a high-resolution gridded precipitation dataset and evaluate its utility in drought monitoring.

Using the Random Forest （RF） model，a long-term （1983—2018） high-accuracy precipitation dataset was generated by fusing multiple remote sensing precipitation products.The fused dataset was applied to identify meteorological drought events using the Standardized Precipitation Index （SPI） and run theory.Temporal and spatial characteristics of drought events were analyzed to assess dataset’s capability to capture drought dynamics.Key findings include：1） The fused precipitation dataset outperformed three individual remote sensing precipitation products （PERSIANN-CDR，MSWEP v2.0，and CHIRPS v2.0） at the station scale，exhibiting higher correlation coefficients （CC），lower root mean square errors （RMSE），reduced relative bias，and improved Kling-Gupta efficiency （KGE）.The dataset accurately captured both monthly and inter annual variations，demonstrating its adaptability to the Yellow River source region.2） Precipitation and SPI values across four temporal scales （SPI1，SPI3，SPI6，and SPI12） exhibited statistically significant increasing trends （Plt;0.05），indicating increased precipitation and a reduction meteorological drought severity over the past 36 years.3） An abrupt change in precipitation occurred in 2006.Prior to this point，the region experienced more frequent and severe droughts with longer durations，higher intensities，and greater extremes.After 2006，drought characteristics became milder.Spatially，the northwest of the source region experienced longer and more severe droughts，while the southeast exhibited higher drought intensity and extremes.

This study provides critical insights into precipitation and drought dynamics in the source region of the Yellow River，supporting efforts in meteorological drought early warning，water resource management，and regional climate adaptation.The observed increasing precipitation trend and alleviation of drought conditions are vital for developing sustainable development strategies and disaster mitigation plans.

The research underscores the potential of integrating remote sensing products with machine learning techniques to improve the accuracy and applicability of climate datasets，especially in regions with limited ground-based observations and complex topography.The fused dataset not only demonstrated enhanced accuracy but also provided a robust foundation for analyzing the spatiotemporal evolution of meteorological drought events.Future work could extend this approach to other regions and incorporate additional hydrometeorological variables for more comprehensive drought assessments.

Keywords standardized precipitation index;meteorological drought;fusion precipitation;the source region of the Yellow River

DOI：10.13878／j.cnki.dqkxxb.20240613001

（責(zé)任編輯：劉菲）