Page 109 - 2024年第55卷第2期

图 ７ 旬尺度误差置信区间对比
度下， 滦 河 流 域 春 季 和 冬 季 的 降 水 量 较 少， 主 要 为 降 雪， 由 于 ＩＭＥＲＧ（ＩｎｔｅｇｒａｔｅｄＭｕｌｔｉ － ｓａｔｅｌｌｉｔｅ
ＲｅｔｒｉｅｖａｌｓｆｏｒＧＰＭ）数据对微量降水和降雪的反演能力较差 ［２９］ ，所以在春季和秋季会出现较大的误差。
在月尺度下，月累计降水量的大小对降水误差的影响更显著，１、２、１１和 １２月份的降水量小，相较
滦河流域主要降水月份（７、８、９月）误差值也会偏小，这种现象可以在图 ７中得到验证。
５．２ 年、季降尺度校正 降尺度校正选用的降尺度模型为卷积神经网络降水降尺度模型，该模型已经
在文献［ ２３］中进行了详细的介绍。文中将卷积神经网络模型（ＣＮＮ）与粒子群优化反向传播网络模型
（ ＰＳＯ － ＢＰ） ［３０］ 进行了精度对比。其结果表明，在年、季、月和旬尺度上，ＣＮＮ的降尺度精度明显优于
ＰＳＯ － ＢＰ，即使是在降尺度表现较差的 １、２、１１月份。文献［２３］也详细分析了 １、２和 １１月份降尺度
效果不佳的原因：①滦河流域冬季降水稀少，其中 ２０１８年 １、２月份累计降水量小于 ３ｍｍ且绝大部
分地区无降水，致使卫星降水产品与真实降水存在较大误差。②查询 ２０１８年的天气情况，发现滦河
流域 １１月份的 ５次降水均为降雪，由于卫星传感器对降雪的探测能力不足，使得卫星降水产品在 １１
月份存在较大的偏差，此种偏差也已经在文献［３１］中得到了佐证。所以本研究选用卷积神经网络降水
降尺度模型进行后续降尺度校正研究合理可行。
图 ８比较了年降水降尺度残差校正前后的精度评价指标。观察图 ８可见，校正后的散点更接近
１∶１线，相较于校正前有明显改善。校正后的所有指标均显著提升，其中 ＣＣ由 ０．６６提升至 ０．９７；ＩＡ
指标由０．７８提升至 ０．９８；ＲＭＳＥ下降了 ６７％；但 ＲＢ与其他指标发生了背离，原因是多组验证点误差
相互抵消。这表明 Ｂａｙｅｓ － ＨＡＳＭ能大幅提高年降水降尺度的精度。

图 ８ 年降水降尺度残差校正前后精度对比

图 ９比较了季降水降尺度残差校正前后的精度指标。残差校正后，四个季度的散点与 １∶１线的偏离
程度明显减小。对比校正前后精度指标的变化，春季的 ＣＣ提升了 ０．１８、ＩＡ提升了 ０．１１、ＲＭＳＥ下降了
６４％、ＲＢ改善了 ４．３５％；夏季的 ＣＣ提升了 ０．２７、ＩＡ提升了 ０．１８、ＲＭＳＥ下降了 ６８％、ＲＢ改善了 ４．１７％；
秋季的 ＣＣ提升了 ０．１０、ＩＡ提升了 ０．１３、ＲＭＳＥ下降了 ５３％、ＲＢ改善了 ８．６４％；冬季的 ＣＣ提升了 ０．１５、
ＩＡ提升了 ０．１０、ＲＭＳＥ下降了 ６０％、ＲＢ改善了 １６．８６％。结果表明，Ｂａｙｅｓ － ＨＡＳＭ能明显提升季降水降尺
度的精度。在图 ９（ｇ）中，接近 ０ｍｍ的降水量散点呈现水平分布，与其他季节不同，这是因为滦河流域

— ２ ３ １ —