提高复杂地形下卫星遥感降水数据的时空分辨率——基于随机森林方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Improving the Spatiotemporal Resolution of Satellite Remote Sensing Precipitation in Complex Terrain—Based on the Random Forest Method

　　

摘要：

在地形复杂的地区获取准确的降水分布信息是一项挑战，因为基于地面的观测数据较为稀少。因此，基于卫星的降水估计方法提供了全天候、大范围且连续的时空覆盖，成为一种有价值的替代方案。然而，现有卫星降水产品的实用性受到其较低空间分辨率和固有系统偏差的限制。为了解决这些问题，我们提出了一种基于随机森林-克里金（RF-CK）的降尺度与校准框架，以提高GPM卫星降水数据的时空分辨率，从而增强其在气象应用中的实用性。本研究以地形复杂的云南省为例，利用2021-2023年的全球降水测量（GPM-IMERG）数据，结合高分辨率的环境协变量（包括地形、植被指数（EVI）、地表温度、蒸散量、经度和纬度）以及时间因素，开发了一种基于随机森林（RF）算法的统计降尺度模型。然后通过克里金方法利用地面观测数据对降尺度结果进行校准，将GPM降水数据的分辨率从11公里提升至1公里，最终生成了一个高分辨率、高精度的卫星降水数据集。研究结果表明：（1）随机森林模型能够有效捕捉环境协变量、时间因素与降水之间的非线性关系；（2）RF-CK框架相对于原始GPM数据降低了平均绝对误差（MAE）和均方根误差（RMSE），同时提高了相关系数（CC），从而提升了分辨率和准确性；（3）时间因素和蒸散量（ET）的纳入显著改善了模型的拟合效果，表明它们对降水有重要影响。所提出的RF-CK方法有效提升了...

显示更多