基于深度学习的青藏高原多源降水融合

青藏高原地区地形复杂多样,降水站点稀疏,可靠降水数据难以获取,通过数据融合的方法综合多源数据的优势产生高精度的降水数据对该区域以及下游流域的水资源研究具有重大意义.常用的经典统计、机器学习等方法在应用于降水数据融合时很难考虑到降水的空间局部相关性以再现降水的空间分布格局,而深度学习方法在这方面具有明显的优势.为探究深度学习方法在青藏高原降水数据融合上的效果,本研究对比了深度学习方法中的卷积神经网络模型(CNN)、机器学习方法中的人工神经网络算法(ANN)以及主流统计方法中的基于扩展三重搭配(ETC)的融合算法对青藏高原多源降水(站点、格点、卫星、动力降尺度)融合和水文模拟的效果.特别是,本研究将以青藏高原为中心基于全球再分析数据驱动的动力降尺度数据引入融合中以更好地反映降水的空间变异性.研究结果表明:(1)融合降水数据在气象层面评价中大部分指标都优于气象站插值数据,融合降水数据能够降低原始降水数据与站点数据间所存在的雨量误差,并且在降水探测率方面相比原始降水数据有较大提升;(2)融合降水数据在水文模拟评价中表现较好,使用ANN、CNN和ETC方法得到的融合降水数据在长江源、黄河源进行新安江模型参数率定重复实验所得模拟径流的Kling-Gupta效率系数(KGE)中位数分别为0.859、0.864、0.838和0.835、0.835、0.789,除ETC数据在黄河源的表现外,其他融合数据的表现相比于站点实测数据的模拟结果(长江源KGE=0.807,黄河源KGE=0.828)均具有一定提升;(3)相比于机器学习方法ANN和统计学方法ETC,深度学习方法CNN对青藏高原降水融合的效果更优.