多种特征因子结合GBDT的降水数据降尺度方法研究

结合增强型植被指数(EVI)、大气可降水量(PWV)、地表温度(LST)、坡度(Slope)、坡向(Aspect)、海拔(Altitude)及经纬度(LON,LAT)提出了一种基于机器学习算法结合站点数据校正的降尺度框架.分析了前馈神经网络(FNN)、随机森林(RF)、梯度提升决策树(GBDT)在长江流域GPM IMERG数据空间降尺度过程中的鲁棒性差异;考虑了2001—2019年不同季节植被对降水降尺度结果的时滞效应;探究了降尺度数据对GPM的校正效果与降水量的关系.通过站点实测数据对模拟结果进行精度分析,结果表明:3种降尺度结果在得到1km空间分辨率降水数据的同时,也不同程度提高了数据的精度.其中,GBDT模拟结果对降水细节特征表达更明显,可以很好地反应降水的空间异质性.并且它在年、季时间尺度上模拟的结果在各研究区内的精度均为最优(年R²=0.748～0.958,季R²=0.518～0.909),有更好的降水捕获能力和更强的模型鲁棒性;春冬季植被的滞后性对GPM降尺度结果的响应最为敏感,最佳滞后期分别为1个月和2个月,夏秋季时滞效应不明显...