文章摘要
董甲平,冶运涛,顾晶晶,黄建雄,关昊哲,曹引.遥感降水降尺度高精度校正及不确定性分析方法[J].水利学报,2024,55(2):226-237,252
遥感降水降尺度高精度校正及不确定性分析方法
High-precision correction and uncertainty analysis method for remote sensing precipitation downscaling
投稿时间：2023-07-31  
DOI：10.13243/j.cnki.slxb.20230471
中文关键词: 数字孪生流域  高精度曲面建模  贝叶斯优化  统计降尺度  遥感降水
英文关键词: digital twin watershed  high accuracy surface modeling  Bayesian optimization  statistical downscaling  remote sensing precipitation data
基金项目:国家自然科学基金面上项目（52279031）；国家重点研发计划项目（2023YFC3209302-03）；国家自然科学基金青年项目（52309040）；北京市自然科学基金项目（JQ21029）
作者单位E-mail
董甲平 天津大学 建筑工程学院, 天津 300072
中国水利水电科学研究院 水资源研究所, 北京 100038
水利部数字孪生流域重点实验室, 北京 100038 		 
冶运涛 中国水利水电科学研究院 水资源研究所, 北京 100038
水利部数字孪生流域重点实验室, 北京 100038 		yeyuntao@iwhr.com 
顾晶晶 天津大学 建筑工程学院, 天津 300072
中国水利水电科学研究院 水资源研究所, 北京 100038
水利部数字孪生流域重点实验室, 北京 100038 		 
黄建雄 中国水利水电科学研究院 水资源研究所, 北京 100038
水利部数字孪生流域重点实验室, 北京 100038 		 
关昊哲 中国水利水电科学研究院 水资源研究所, 北京 100038
水利部数字孪生流域重点实验室, 北京 100038 		 
曹引 中国水利水电科学研究院 水资源研究所, 北京 100038
水利部数字孪生流域重点实验室, 北京 100038 		 
摘要点击次数: 1140
全文下载次数: 575
中文摘要:
      为消除降水场同质部分影响，提升统计降水降尺度结果精度，提出了基于贝叶斯高精度曲面建模（Bayes-HASM）算法的遥感降水降尺度高精度校正方法。该方法通过引入模拟精度更高的高精度曲面建模方法，并结合贝叶斯优化算法，实现了模型参数自动优化选择和高精度降尺度校正，解决了现有降尺度残差校正方法存在的误差和多尺度问题。结果表明：贝叶斯优化使高精度曲面建模的不确定性显著减少；经过Bayes-HASM残差校正后，降尺度结果的散点分布更加接近1∶1线，年、季、月和旬尺度的精度指标均得到了显著的改善，CC和IA指标提高至0.9左右，RMSE下降明显，RB也显著改善。本方法能显著降低模型的不确定性并起到消除降水场同质部分影响的作用，有效提升降水降尺度结果精度。
英文摘要:
      To eliminate the influence of homogeneous parts in precipitation fields and enhance the accuracy of statistical precipitation downscaling results, a high-precision correction method is proposed for remote sensing precipitation downscaling based on the Bayesian High-Accuracy Surface Modeling(Bayes-HASM)algorithm.This method introduces a higher-precision surface modeling approach and combines it with Bayesian optimization algorithms to achieve automatic optimization of model parameters and high-precision downscaling correction.It addresses the errors and multi-scale issues present in existing downscaling residual correction methods.The results indicate that Bayesian optimization significantly reduces the uncertainty of high-precision surface modeling;after Bayes-HASM residual correction, the scatter distribution of the downscaled results is closer to the 1:1 line.The accuracy indicators at the annual, seasonal, monthly, and ten-day scales have been significantly improved, with CC and IA indicators reaching around 0.9, RMSE has significantly decreased, and RB significantly reduced.The above results indicate that this method can significantly reduce the model's uncertainty and effectively eliminate the impact of homogeneous parts of the precipitation field, thereby improving the accuracy of the downscaled precipitation results.
查看全文   查看/发表评论  下载PDF阅读器
关闭