Page 111 - 2024年第55卷第2期

度 ［２８］ 、微量降水和降雪 ［２９］ 的反演精度较差。在这些情况下，ＩＭＥＲＧ与 ＣＧＤＰＡ数据会存在较大偏差，
导致校正前的精度相对较低。然而，Ｂａｙｅｓ － ＨＡＳＭ算法在残差曲面构建方面表现出色，因此在 １、２和
１１月等降尺度校正中，其提升效果最为显著。相比而言，６、７、８月份精度提升显著的原因则有所不
同，这三个月份为滦河流域的主要降水月份，贡献了全年降水量的 ７０％以上，植被茂盛且极端降雨较
多，受降水产品对极端降水模拟较差和植被指数与降水存在迟滞性的影响，降尺度模型结果略差，但
降尺度校正后的精度也得到明显的提升。其余月份的降水量适中，环境变量与降水的关联性强，降尺
度模型本身精度较高，经校正之后精度得到进一步提升。
图 １０显示了残差校正效果显著月份的降水量频率分布直方图。比较 １、２和 １１月份的 ＣＧＤＰＡ、
残差校正前后的降水频率分布直方图，发现这三个月份的绝大部分像元的月累积降水量都低于 １ｍｍ，
有效降水样本稀缺，导致模型的拟合效果不理想。查看 ８月份的频率分布直方图，发现该月份降水量
较大，受到暴雨等极端降水的影响，降水场中同质部分占比较高，因此在残差校正之前，降水降尺度
模型的精度相对较低。然而，以上月份经过 Ｂａｙｅｓ － ＨＡＳＭ残差校正后，降水数据直方图更接近 ＣＧＤＰＡ
数据，能更准确地反映滦河流域的真实降水分布。综上，Ｂａｙｅｓ － ＨＡＳＭ 不仅能够有效弥补因有效降水
样本稀缺导致的模型拟合效果不佳，也能有效消除降水场同质部分的影响。

图 １０ 月降水量频率分布直方图

— ２ ３ ３ —