文献分享 | JOH: 基于深度神经网络的热带区域日卫星降雨产品纠偏

题目: Correcting the bias of daily satellite precipitation estimates in tropical regions using deep neural network

杂志：Journal of Hydrology

通讯单位：复旦大学环境科学与工程系

第一作者：杨晓英

通讯作者：杨晓英，王梓萌

在热带区域降雨时空分布差异显著，现有的日卫星降雨产品在热带地区大都性能欠佳，并缺乏行之有效的纠偏方法。本研究基于马来西亚吉兰丹流域26个雨量站在2010年至2016年间的日降雨量观测数据，构建双向长短期记忆循环网络（Bi-LSTM） 框架对日卫星降水产品IMERG-E进行纠偏。研究结果表明：含有日最高温度（Tmax）和日最低温度（Tmin）协变量的Bi-LSTM模型（Bi-LSTM-T）对IMERG-E的纠偏性能显著好于传统的因子修正法（RBC）和累积分布函数匹配法（CDF），该研究所构建的深度神经网络框架对于热带区域的卫星降雨产品纠偏具有广泛的应用前景。本文受到国家重点研发项目、南京水利科学研究院“一带一路”基金项目、马来西亚教育部LRGS项目、国家自然科学基金等项目的支持。本文的第一作者杨晓英为复旦大学环境系副教授，长期从事流域水环境模拟、流域污染控制、气候变化与流域水安全领域的研究工作。共同通讯作者王梓萌教授为复旦大学环境系水土界面过程研究团队负责人。

图1 研究区域

图2 用于卫星降雨产品纠偏的Bi-LSTM框架构建

1. 在Bi-LSTM模型中，相较于常用的地表高程（Elevation, E）和海岸线距离（Distance to Coast, D）等协变量，日最高温度（Tmax）和日最低温度（Tmin）的作用更为显著。统计分析结果显示：仅含Tmax、Tmin二个协变量的Bi-LSTM模型（Bi-LSTM-T）对IMERG-E的纠偏性能显著好于仅含地表高程和海岸线距离的模型（Bi-LSTM-E、Bi-LSTM-D），且其纠偏性能与含有全部四个协变量的模型（Bi-LSTM-All）无显著差异，因此确定Bi-LSTM-T为最佳的Bi-LSTM模型框架（图3）。

图3 含有不同协变量的Bi-LSTM模型纠偏性能比较

2. 年尺度的统计分析结果显示：Bi-LSTM-T对IMERG-E的纠偏性能显著好于传统的RBC和CDF方法（图4）。Bi-LSTM-T 可以将 IMERG-E 的年均相关系数（CC）提高 26.7%，并将均方根误差（RMSE）和平均绝对误差（MAE）分别降低23.9%和21.8%。此外，Bi-LSTM-T 校正结果没有表现出系统偏差，其平均相对偏差（RB）为-0.4%。

图4 不同纠偏方法对IMERG-E纠偏性能的年尺度比较

3. 吉兰丹河流域的年内降水分布极度不均，其在东北季风（NEM）季节降水充沛，显著高于西南季风期（SWM）和二个季风间期的降水。IMERG-E在四季的性能呈现显著差异，Bi-LSTM-T在四季中均可显著改善IMERG-E的性能，并将其CC提高19.7%~27.5%，RMSE和MAE分别降低18.4%~30.0%和20.9%~23.2%。此外，且Bi-LSTM-T在四季中对IMERG-E的纠偏性能也均显著好于RBC和CDF方法（图5）。

文章信息 : Xiaoying Yang, Shuai Yang, Mou Leong Tan, et al. Correcting the bias of daily satellite precipitation estimates in tropical regions using deep neural network[J]. Journal of Hydrology, 2022, 608:127656.

DOI:  10.1016/j.jhydrol.2022.127656.

分享人介绍

杨晓英，复旦大学环境科学与工程系副教授。南京大学本科、硕士，美国南伊利诺伊大学环境资源与政策专业博士，堪萨斯州立大学土木工程系博士后，英国东安格利亚大学丁铎尔气候变化研究中心访问学者，主要研究方向为流域水环境模拟、流域污染控制、气候变化与流域水安全。迄今，主持完成省部级以上项目6项，并参加多项国家和省部级科研项目。在Journal of Hydrology, Water Research, Applied Geography等领域主流期刊上以第一或通讯作者发表论文25篇，合作发表SCI论文20余篇。

Email：xiaoying@fudan.edu.cn

【 往期回顾 】