一种基于Sentinel-5P云参数的日极端降水量高分辨率降尺度方法

《Journal of Hydrology》：A novel high-resolution downscaling method for daily extreme precipitation using Sentinel-5P cloud parameters

　　罗玉婷|曾宏伟|李俊斌|陈阳|曾江源|张淼|吴汉天|孙璐|吴冰芳•本文提出了一种基于Sentinel-5P云物理变量的DGD方法，用于极端日降水的空间降尺度处理。•Sentinel-5P的云物理参数可作为日降水量的直接物理替代指标。•DGD方法能够减少对小雨的高估和对大雨的低估现象。•该方法可消除基于树模型时常见的方块状伪影及空间不连续性。•相比五种独立模型和两种混合基准模型，DGD的表现更为优异。

引言
统计降尺度是一种将粗分辨率遥感降水数据转换为高分辨率产品的有效方法（Chen和Zhang，2021）。该方法通过建立降水与相关环境因素之间的经验统计关系，再利用高分辨率环境数据作为输入来生成高分辨率降水数据。其有效性取决于敏感预测因子的选择以及所使用算法的性能。在过去二十年里，人们致力于对源自遥感的年度（Immerzeel等人，2009；Sachindra和Perera，2018）及月度（Chen等人，2018；Xu等人，2015）降水产品进行统计降尺度处理。相比之下，日降水的直接统计降尺度处理仍面临诸多限制，尤其是在极端降雨事件中，这是因为在日尺度上缺乏高灵敏度的预测因子，且确定合适的建模框架也存在方法学上的难题。

一个主要限制在于，那些被广泛使用的预测因子要么无法获取，要么不适合用来捕捉极端降雨事件中的日降水变化。在统计降尺度的历史发展中，植被指数（如NDVI、EVI和LAI）几乎出现在所有的统计降尺度研究中（Cheema和Bastiaanssen，2012；Immerzeel等人，2009；Jia等人，2011；Xu等人，2015；Zhang等人，2020；Zhang等人，2024b），这主要是因为植被指数与降水变化之间存在明确的关联。然而，这种关联通常是间接的，且对降水的响应往往存在时间滞后（Feng等人，2023；Liu等人，2024），因为植被状况更与土壤水分的累积动态相关，而非瞬时降雨的发生。因此，植被指数在统计降尺度处理年度或月度降水时效果更好，而在捕捉日降水的高时间变化率方面则效果有限。

为克服植被指数的局限性，人们提出了其他替代预测因子，包括地表温度（LST）（Zhang等人，2024a）以及多种与水相关的指数，如归一化差异水指数（NDWI）、地表水指数（LSWI）和温度植被干燥指数（TVDI）（Jing等人，2022；Tan等人，2022）。不过，由于云层覆盖以及光学观测本身的局限性，这些基于光学遥感的指数在极端降雨天气中往往无法获取。最近，也有人尝试通过在统计降尺度处理之前将粗分辨率产品重采样到更细的网格，从而利用土壤湿度作为潜在预测因子（Krishnan等人，2022），但这种缺乏物理或统计优化后的尺度转换可能会引入额外的不确定性。综上所述，这些挑战凸显出有必要超越传统指数，开发能够从物理层面捕捉日降雨微物理特性的高分辨率预测因子。

第二个瓶颈在于缺乏有效的方法。统计降尺度方法已经从多元线性回归和指数回归（Duan和Bastiaanssen，2013）发展到多元自适应回归样条（Tan等人，2022）、人工神经网络（Elnashar等人，2020）、机器学习（He等人，2016；Zhang等人，2019；Zhu等人，2023b）、地理加权回归（GWR）（Chen等人，2015；Wang等人，2022；Xu等人，2015）、多尺度GWR（Fotheringham等人，2017；Oshan等人，2019）以及深度学习方法（Jing等人，2022；Pan等人，2019；Tan等人，2022）。尽管深度学习方法通常比传统插值方法表现更好（Zhu等人，2023b），但大多数深度学习方法仍然难以同时捕捉非线性关系、空间异质性，并保持物理可解释性。对于发展迅速、形成机制复杂且空间变化显著的日强降雨而言，这一限制尤为重要。因此，要准确描述这类瞬态且异质性的过程，就需要能够同时捕捉非线性降水生成机制和精细空间结构的方法。

由于上述两个限制，日降水统计降尺度处理大多依赖于间接方法。其中，聚合-分解法被广泛使用（Chen等人，2020a；Chen等人，2020b；Duan和Bastiaanssen，2013；Sachindra和Perera，2018；Yan等人，2021；Zhang等人，2024a）。该方法首先将降水观测数据聚合到较粗的时间尺度上（年度、季节或月度），然后再根据每日所占的比例分配总降水量，从而间接得出日降水量估算值。这种方法不仅会在不同尺度之间传播误差，还缺乏物理约束，且存在时间滞后。为了在降尺度处理的同时保留空间结构，人们还开发了更先进的统计方法，如随机多点地质统计学（MPS）（Zou等人，2024）。虽然MPS即便在高分辨率观测数据有限的情况下也能再现空间变异性和极端事件，但其性能在很大程度上取决于训练数据的代表性，且存在随机性。

从大气角度而言，降水是水蒸气经过云形成、凝结最终形成降雨的过程，这一过程受大气动力学和云微物理特性的共同影响（Lamb等人，2026）。云的物理特性直接影响降水的发生和强度，因此云变量有望成为统计降尺度处理的理想预测因子。早期将云纳入考虑的方法包括利用月度MODIS云频数（Karger等人，2021）和ERA5大气变量（Zhao和Wu，2023）的半机械主义方法，但由于分辨率较低且数据为月度聚合数据，这些方法难以捕捉短期时间变化。随着Sentinel-5前驱卫星（Sentinel-5P）的发射，出现了新的机遇。该卫星配备了对流层监测仪器（Veefkind等人，2012），能够以约3.5×5.5公里的分辨率提供云顶和云底气压、云高度、云分数以及光学厚度的日度测量数据。云分数是通过光学云识别算法（OCRA）计算得出的，而云高度和光学厚度则是通过ROCINN算法获得的（Compernolle等人，2021；Loyola等人，2018），处理后的三级产品则以约0.01°的分辨率进行网格化处理。这些高分辨率数据集为克服传统预测因子的局限性提供了巨大潜力，但目前它们在日降水降尺度处理中的应用仍鲜有研究。

正是鉴于这些挑战与机遇，本研究提出了一种全新的日降水降尺度方法，该方法以Sentinel-5P的云物理参数为驱动，结合基于深度学习的云特征提取技术与空间自适应回归方法。本研究的目标是：（1）开发一种稳健的、基于云信息的降尺度方法，适用于日降水降尺度处理；（2）评估该方法在降尺度处理极端日降水事件时的有效性；（3）考察该方法在不同气候区域的多起极端日降水事件中的稳健性与适用性。

研究区域
2023年8月2日至6日，台风“杜苏里”的残余环流在中国东北部的黑土区引发了持续性强降雨，影响范围涵盖牡丹江、哈尔滨、吉林、松原和四平等地。作为重要的农业产区，该地区以水稻、玉米等作物的密集种植为特征。2023年8月2日的降雨最为剧烈，因此被选为本研究的目标事件。

DeepGeo降尺度框架用于极端日降水降尺度处理
统计降尺度方法假设在粗分辨率下建立的降水与环境预测因子之间的经验关系可以转移到更细的空间分辨率上（Hadjipetrou，2026；Immerzeel等人，2009）。基于这一假设，研究人员开发出了用于极端日降水降尺度处理的DeepGeo降尺度框架（DGD），其工作流程如图2所示。该框架首先在0.1°的分辨率上构建极端日降水估算模型。

低分辨率下极端日降水重建性能比较
图4(a)至(h)展示了在2023年8月2日，由DGD、RF、XGB、ANN、GWR、CNN、GXGB和GWRF这几种模型，结合动态云物理变量以及静态DEM和地理位置信息所估算出的0.1°分辨率下的降水量。与图1(c)中同一天的原始CHM_PRE V2产品相比，所有模型都成功再现了极端降水的整体空间分布特征。这些预测结果清晰地展现了高降水量区和低降水量区的空间分布情况。

讨论
本研究提出了一种全新的日降水降尺度框架，该框架将Sentinel-5P的云物理变量与DGD技术相结合，能够以0.01°的分辨率对CHM_PRE V2中的极端日降水数据进行处理，且偏差接近于零，同时还能消除基于树模型时常见的空间伪影。通过利用近乎实时的、基于物理原理的云变量，DGD为解决长期存在的极端日降水降尺度处理难题提供了可行的解决方案。

结论
本研究提出了用于极端日降水事件统计降尺度处理的DGD框架。该框架基于Sentinel-5P的日度云物理参数，既克服了极端降水条件下光学卫星指数获取困难的问题，又减少了传统聚合-分解方法固有的时间滞后现象。通过结合CNN和GWR技术，DGD模型能够捕捉云物理特性与极端降水之间的非线性关系。

代码可用性
本研究中所使用的降尺度框架的主要工作流程、方法实现细节以及评估步骤均已公开发布在GitHub上，地址为：https://github.com/homiesdillons-lgtm/DGD。

CRediT作者贡献说明
罗玉婷：撰写——审稿与编辑，撰写——初稿，软件开发，方法设计，正式分析，数据整理。曾宏伟：撰写——审稿与编辑，撰写——初稿，研究指导，资源提供，方法设计，资金获取，正式分析，概念构思。李俊斌：撰写——审稿与编辑，撰写——初稿，方法设计，正式分析。陈阳：撰写——审稿与编辑，撰写——初稿，正式分析。曾江源：撰写——审稿与编辑。

利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：曾宏伟表示其研究得到了中国科学院航天信息研究所的财政支持。其他作者则声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢
本研究得到了中国国家重点研发计划（项目编号：2024YFD1500604）以及国家自然科学基金（项目编号：42461144211）的资助。