基于物理约束两阶段框架的海河流域日尺度多源降水产品动态加权融合研究

《Remote Sensing》:Dynamically Weighted Fusion of Daily Multi-Source Precipitation Products over the Haihe River Basin Using a Physically Constrained Two-Stage Framework

【字体: 大 中 小 】 时间:2026年10月24日 来源:Remote Sensing 4.3

编辑推荐:

  海河流域日尺度降水估计呈现出与地形密切相关的显著误差差异。研究人员开发了一种区域化两阶段后处理融合工作流程,用于五种网格化降水产品。物理约束的XGBoost-Tweedie回归(Physically Constrained XGBoost-Tweedie Re

  
海河流域日尺度降水估计呈现出与地形密切相关的显著误差差异。研究人员开发了一种区域化两阶段后处理融合工作流程,用于五种网格化降水产品。物理约束的XGBoost-Tweedie回归(Physically Constrained XGBoost-Tweedie Regression)利用非负性约束和档案衍生的MaxPrec参考值生成偏差校正候选产品ENS_Reg。动态分类概率加权(Dynamic Classification Probability Weighting,DCPW)随后利用分类器softmax输出对ENS_Reg与五种原始产品进行加权,生成ENS_RegCla。模型使用2000–2018年数据开发,并在2019–2023年357,134条站-日记录上进行评估。采用原始1961–2022年MaxPrec参考值时,ENS_RegCla达到MAE = 1.064 mm/day,RMSE = 4.807 mm/day,R2 = 0.666,KGE = 0.746。其MAE比所评估的等权、逆误差和邻域误差方差加权基线低12.6–15.3%。在0.1 mm/day阈值下,CSI = 0.653和HSS = 0.720超过两个指定消融配置。分组RMSE有利于消融配置,而分组MAE差异不具稳健性。将MaxPrec限制为1961–2018年后,MAE、RMSE和KGE仍优于全部五种原始产品。然而,CSI/HSS降至0.633/0.698,CSI与GSMaP-Gauge大致相当,但HSS低于后者。相对于无MaxPrec消融配置的事件技能优势几乎消失,表明对参考时段存在强烈依赖。全样本评估同时包含训练期和时段评估期,得到合并MAE = 0.677 mm/day和KGE = 0.783。在2,004,598条全样本记录中,1,647,464条(82.2%)来自模型开发阶段。GTCH提供了假设受限的相对不确定性诊断;候选集扩展后最小统计量的下降仅作描述性解读,不构成真实不确定性降低的证据。候选误差可能相关,因为ENS_Reg由原始产品派生。该框架支持条件感知的区域降水重建,而中雨和暴雨仍是精细化改进的重点。
一、研究背景与问题
降水连接大气过程、陆面条件与水文响应,其不确定性影响洪水风险评估、水资源分析和环境应用。卫星反演、再分析产品和融合数据集在雨量站稀疏或不均匀分布地区提供空间连续估计,但这些观测与建模系统具有互补优势却存在不同的误差结构。在海河流域,太行山和燕山山脉与华北平原之间的西北—东南高程梯度以及东亚季风气候形成了对日降水量的强烈地形控制。该流域雨量站覆盖不均,平原地区约每1000 km2 0.7个站点,丘陵地区约每1000 km2 0.04个站点,为地形和观测异质性条件下遥感降水融合评估提供了相关试验场。现有研究指出,多源融合旨在利用产品互补性并减少对单一产品的依赖,偏差校正、插值、贝叶斯合并、业务分析和误差方差加权等方法仍具价值,而条件感知加权在地形、季节和风暴机制改变产品误差结构时尤为重要。机器学习融合能够表示降水产品、雨量站和环境协变量之间的非线性关系,但数据依赖性可能夸大表观性能,罕见事件类别不平衡会限制降水融合学习。这些问题的存在促使研究人员开发并评估一种透明分离训练与测试、明确候选定义、进行物理合理性检查并谨慎解读极端降水结果的两阶段后处理融合工作流程。
二、研究内容与结论
本研究开发并评估了海河流域日降水量的区域两阶段后处理融合工作流程,探讨物理约束回归候选能否降低流域尺度系统偏差,以及softmax派生的动态分配能否相对于所选固定权重基线适应局地、地形和降雨依赖的误差差异。研究使用2000–2018年数据开发模型,2019–2023年357,134条站-日记录用于时段评估。采用原始1961–2022年MaxPrec参考值时,ENS_RegCla达到MAE = 1.064 mm/day,RMSE = 4.807 mm/day,R2 = 0.666,KGE = 0.746,MAE比所评估的等权、逆误差和邻域误差方差加权基线低12.6–15.3%。在0.1 mm/day阈值下,CSI = 0.653和HSS = 0.720超过两个指定消融配置。将MaxPrec限制为1961–2018年后,MAE、RMSE和KGE仍优于全部五种原始产品,但CSI/HSS降至0.633/0.698,CSI与GSMaP-Gauge大致相当而HSS低于后者,事件技能优势几乎消失,表明对参考时段存在强烈依赖。全样本评估合并训练期和时段评估期,得到合并MAE = 0.677 mm/day和KGE = 0.783。该框架支持条件感知的区域降水重建,中雨和暴雨仍是精细化改进重点。
三、主要技术方法
研究采用两阶段后处理融合框架。第一阶段使用物理约束的XGBoost-Tweedie回归(XGBoost-Tweedie Regression),利用非负性和档案衍生的MaxPrec参考值生成偏差校正候选产品ENS_Reg,MaxPrec为1961–2022年0.1°日尺度CHM_PRE Version 4数据集提取的逐网格最大日降水量参考值,回归输出被裁剪至对应格点上限。第二阶段采用动态分类概率加权(Dynamic Classification Probability Weighting,DCPW),使用XGBoost分类器生成softmax派生权重,对五种原始产品和ENS_Reg进行加权平均生成ENS_RegCla。模型开发使用2000–2018年数据,训练期ENS_Reg采用五折空间交叉验证的折外预测以避免样本内偏差,超参数通过Optuna在五个地形信息分块上进行空间交叉验证优化。研究使用约272个气象站日降水观测作为监督学习目标和站点尺度验证参考,五种输入产品包括ERA5-Land、GPM IMERG Final、GSMaP-Gauge、MSWEP V2和PDIR-Now,统一至0.1°×0.1°建模网格。评估采用MAE、RMSE、KGE和0.1 mm阈值事件检测指标,并使用广义三角帽法(GTCH)作为探索性相对一致性诊断。
四、研究结果
(一)条件产品技能
研究分析了候选产品在地形、季节和降雨强度条件下的偏好。将地形分为平原、丘陵和山地,季节分为春夏秋冬,降雨强度分为无雨、小雨、中雨、大雨和暴雨,60种组合中56种有足够数据。结果显示明显的条件变化:ENS_Reg在56种有效场景中21种最优,包括15个夏季场景中的14个;ERA5-Land在18种场景中最优且冬季最常被选中;MSWEP在秋季最常被选中;GSMaP-Gauge和GPM IMERG Final在特定地形-季节-强度组合中被选中。PDIR-Now在有效场景中未被选中。这种偏好转移为条件依赖加权提供了直接经验基础。
(二)时段评估与消融
时段评估使用2000–2018年开发模型,2019–2023年357,134条记录用于时段评估。回归模型评估期RMSE = 4.837 mm/day,MAE = 1.117 mm/day,R2 = 0.662。采用原始1961–2022年MaxPrec参考值时,ENS_RegCla在所有五项指标上超过五种原始产品,MAE比等权、逆误差和邻域误差方差加权基线分别降低15.3%、12.6%和14.6%。相对于ENS_Reg,第二阶段分配将MAE从1.117降至1.064 mm/day(4.8%),KGE从0.736增至0.746。与两个指定消融配置相比,原始配置具有更高的KGE、CSI和HSS,分组配对自举区间对CSI和HSS排除零,但分组MAE区间包含零,分组RMSE效应有利于消融配置。历史截断敏感性测试使用1961–2018年MaxPrec时,MAE和RMSE分别降低0.0014和0.0633 mm/day,而KGE、CSI和HSS分别降低0.0095、0.0201和0.0226,CSI/HSS下降几乎等于原始配置相对于无MaxPrec消融的增益。
(三)全记录产品评估
全样本评估覆盖2000–2023年共2,004,598条记录,其中82.2%来自训练期。ENS_Reg和ENS_RegCla的站点误差分布低于各单独产品。ENS_RegCla在各类降雨强度中具有最低的合并MAE,在中雨、大雨和暴雨中与单独产品的分离更具实际意义。在地形类别中,ENS_RegCla比ENS_Reg在平原和丘陵低约0.17 mm/day,在山区低约0.13 mm/day。ENS_RegCla的KGE = 0.783,ENS_Reg为0.757,均高于五种原始产品。按降雨强度分层时,ENS_RegCla在所有降雨类别中超过ENS_Reg,但在中雨和暴雨类别中所有七种产品的KGE均为负值,表明没有产品能充分再现这些高变异性子集。事件识别方面,ENS_RegCla提供更平衡的POD = 0.904和FAR = 0.292,合并CSI = 0.658和HSS = 0.734为最高。
(四)相对不确定性与权重诊断
GTCH分析中,原始五产品集的平均最小统计量为1.655 mm(SD = 0.387 mm),扩展集加入ENS_Reg和ENS_RegCla后降至0.583 mm(SD = 0.212 mm)。扩展集中ENS_Reg和ENS_RegCla分别在36.66%和62.93%的格点成为最小不确定性候选。由于候选集组成改变且候选误差可能相关,该下降仅作描述性报告。动态权重方面,GSMaP-Gauge具有最高平均权重(0.213),ENS_Reg为0.177,MSWEP和GPM IMERG Final各约0.161,ERA5-Land为0.159,PDIR-Now为0.129。权重分布广泛,表明分配随记录变化而非遵循固定产品排序。GSMaP-Gauge在弱降水机制中获得最大平均权重,ENS_Reg在暴雨中获得最大平均权重(0.327)。
五、讨论与结论
讨论部分指出,该框架建立在两阶段分类-回归融合策略基础上,其区域贡献在于约束回归候选旨在降低流域尺度系统偏差,softmax派生的条件分配经验性地在可用候选间分配。时段评估支持环境感知加权相对于所评估的等权、逆误差和邻域误差方差加权基线的优势。研究承认候选输入未包含雷达定量降水估计或高分辨率国家分析产品,协变量主要为静态地形描述符,无雨与暴雨样本的强烈不平衡限制了分布尾部的学习,时段评估仅涉及可用站点位置,且多种输入产品使用雨量站信息使评估并非独立于所有可能的雨量站信息路径。GTCH仅提供探索性相对一致性诊断,其独立误差假设在产品共享传感器、雨量站校正、反演组件或共同派生候选时可能被违反。MaxPrec历史截断敏感性测试显示事件技能增益与参考时段强相关。中雨和暴雨类别的负KGE表明模型在强降雨变率和偏差表示方面仍存在持续局限。
结论部分总结,ENS_RegCla在2019–2023年时段评估中MAE = 1.064 mm/day,相对于所评估的等权、逆误差和邻域误差方差加权基线降低12.6–15.3%。采用原始1961–2022年MaxPrec参考值时,ENS_RegCla在五项指标上超过全部五种原始产品;采用1961–2018年参考值时,MAE、RMSE和KGE仍更优,但对GSMaP-Gauge的事件检测优势未能保持。相对于ENS_Reg,第二阶段分配将MAE降低4.8%,KGE增加0.010。原始配置的KGE、CSI和HSS分别为0.746、0.653和0.720,分组配对自举对CSI和HSS差异排除零,但分组RMSE有利于消融配置,分组MAE置信区间包含零。采用1961–2018年参考值时,相对于无MaxPrec消融的CSI/HSS优势几乎消失。全样本结果表征了最终区域产品在站点、地形和降雨强度分层上的表现,但中雨和暴雨类别KGE仍为负值。该评估涉及可用站点记录所代表的位置,不确立未观测站点或广泛无站地区迁移性。该方法为可用网格化估计在所述区域应用范围内提供了透明的后处理工作流程。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号