1,不同模型的降水融合性能
表2 2001-2005年全国796个气象站不同降水校正模型的RMSE、RB、MAE和CC
如表2所示,将4种模型结果与原TRMM数据进行了定量比较,RMSE和MAE值越小表明模型误差越小。CC值越大表明在该模型下数据间的相关性越好。CNN-LSTM模型充分考虑了降水对时间和空间的依赖性,在RMSE和MAE值方面CNN-LSTM模型均小于其他模型;在CC值方面CNN-LSTM模型均大于其他模型。这表明CNN-LSTM模型的性能更优于其他模型。
图5.中国大陆原TRMM数据和CNN-LSTM融合降水数据度量值的空间分布:原TRMM数据的CC(a)、RMSE(c)、MAE(e),以及CNN-LSTM模型的CC(b)、RMSE(d)、MAE(f)
从图5可以看出,CNN-LSTM模型的CC在大部分地区都有明显改善,RMSE和MAE也有明显下降,东南沿海地区尤为明显。不过,西北部的CC稍低一些,甚至低于0.2。这可能是因为:(1)中国西北地区的气候和地形复杂,而卫星无法获得准确的降水特征;(2)该地区的测站数量太少,无法用真实的降水量来准确测量误差。RMSE和MAE的分布总体表现为西北偏低,东南偏高。
2,不同降水强度下的融合模型性能
表3 2001年至2005年不同降水强度下原TRMM数据和CNN-LSTM融合模型的RMSE,MAE和检测概率(POD)
表3显示了原TRMM数据和CNN-LSTM融合模型在四种不同降水强度下的误差。结果表明,CNN-LSTM融合模型的RMSE和MAE明显低于原TRMM数据的值。在不同降雨强度下,检测概率(POD)均有明显提高。但是,当降水强度大于25 mm/d时,CNN-LSTM融合模型的误差增大,其主要原因可能是CNN-LSTM融合模型没有估计降水峰值,但仍好于原TRMM数据。结果表明,CNN-LSTM融合模型可以对不同降水强度下的原TRMM数据进行修正和改进。
3,融合降水量的空间分布
在CNN-LSTM模型的基础上,制作了中国2001~2005年0.05°分辨率的日降水量资料集。(以图6作为说明)
图6.2002年9月13日原TRMM数据(a)、缩小尺度的TRMM数据(b)、CNN-LSTM融合数据(c)和Gauge数据(d)的日降水量的空间分布。白色区域表示无数据区,灰色区域表示零值区
如图6所示,由于受台风黑格比的影响,中国西南部广东省于2002年9月13日出现暴雨。根据雨量站于2002年9月13日观测到的日降雨量为163.4毫米。相比之下,TRMM实测的降水量为238 mm,而CNN-LSTM融合模型预测的降水量为162.9 mm。可以看出,CNN-LSTM融合模型较好地捕捉到了暴雨过程,而原TRMM卫星数据高估了其降水量。从全国范围来看,CNN-LSTM融合模型的降水空间分布与原TRMM的降水空间分布相比西北部降水偏少,南部部分地区降水峰值偏低。与基于气象站的实测降水数据(Gauge数据)相比,TRMM高估了华南地区的降水量,而西北地区则存在一定的误报。使用CNN-LSTM模型可以很好地校正原TRMM降水数据,更好地反映了真实的降水空间分布。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)