Plateau Meteorology

Plateau Meteorology >

2021 , Vol. 40 >Issue 2: 403 - 410

DOI: https://doi.org/10.7522/j.issn.1000-0534.2020.00024

Applicability of New Satellites Precipitation Products in Source Region of Yellow River： Using SWAT Model as an Example

  • Zhaochen LIU , 1, 2 ,
  • Meixue YANG , 1 ,
  • Guoning WAN 1 ,
  • Lizhen CHENG 1, 2
Expand
  • 1. State Key Laboratory of Cryospheric Science／ Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
  • 2. University of Chinese Academy of Sciences，Beijing 100049，China

Received date: 2019-07-05

  Revised date: 2020-04-07

  Online published: 2021-04-28

Fold

Highlights

In this paper， two kinds of daily satellites precipitation products（TMPA 3B42 and IMERG-Final） are used to drive SWAT hydrological model.The results are compared and analyzed， and the applicability and simulation potential of the new satellite precipitation in the source region of Yellow River （SRYR） are evaluated.The results indicate that： （1） for large-scale watersheds， the results of sensitivity analysis and calibration of parameters for multiple sub-watersheds at the same time are not applicable to each station.Therefore， we choose to make sensitivity analysis and calibration of parameters in each station.Finally， the Nash-Sutcliffe efficiency coefficient （NSE） of the runoff simulation results of the three stations in the validation period are all above 0.50， and the determination coefficients （R 2） are all above 0.60.（2） IMERG-Final products are better than TMPA 3B42 products in simulation results.Both of them can simulate the main trends of monthly runoff change in SRYR， but they have overestimated the peak values of runoff.The precision of the new satellite product （GPM） is higher than that of the predecessor satellite product （TRMM）.However， the accuracy of the GPM products in high altitude areas needs to be improved and further revised.

Cite this article

Zhaochen LIU , Meixue YANG , Guoning WAN , Lizhen CHENG . Applicability of New Satellites Precipitation Products in Source Region of Yellow River： Using SWAT Model as an Example[J]. Plateau Meteorology, 2021 , 40(2) : 403 -410 . DOI: 10.7522/j.issn.1000-0534.2020.00024

1 引言

IPCC第五次评估报告指出， 1880 -2012年间全球地表温度平均升高0.85 ℃。地表气温在近一个世纪， 尤其是近50年间， 表现为显著上升的趋势（IPCC， 2013）。显著的气候变暖会引起海平面上升灾害、 冰川消融加剧（Yao et al， 2004； Radić et al， 2014）并改变水文循环过程（Stocker and Raible， 2005； Sala et al， 2000）。青藏高原是全球气候变化的敏感区， 也是亚洲许多大江大河的发源地， 长江、 黄河、 澜沧江等皆发源于此。因此， 青藏高原有“亚洲水塔”之称（Immerzeel et al， 2010）。高原降水作为水循环的重要输入， 不仅影响着高原本身的气候变化， 还对发源于此的河流径流产生重要影响。然而， 青藏高原地区地形复杂， 生态环境恶劣， 气象台站分布稀疏， 观测资料的短缺是理解高原水循环的重要限制因素。
自20世纪80年代以来， 卫星观测的降水产品逐渐发展成熟， 数量日益增长。在台站和气象雷达观测资料不足的地区， 卫星降水产品具备覆盖范围广、 观测时间连续、 数据获取便捷等一系列优点（Battan， 1973； Krajewski and Smith， 2002）， 为使用者提供了长期而详尽的降水数据（Hirpa et al， 2010； Ward et al， 2011）。然而， 卫星降水产品同样存在一定的误差， 特别是在青藏高原地区， 对流降水事件频发， 对卫星降水的探测造成干扰（金晓龙等， 2016）。因此， 对卫星降水产品的精度评价和性能评估， 已经成为理解观测资料缺少地区， 特别是复杂地形和高海拔地区水文循环的必由之路（刘俊峰等， 2010； 程立真等， 2020）。
降水数据作为流域分布式水文模型的重要气象输入要素， 在水文模拟中占有重要地位。降水产品的质量决定了径流模拟的精度。目前降水模型多采用台站数据插值的方法作为主要的降水输入， 然而插值方法本身会产生降水数据的误差（宁吉才等， 2012）， 且不同插值方法在不同条件下的精度差距较大， 在选用插值方法时需要综合考虑（Dirks et al， 1998； 邬伦等， 2010）。近年来， 卫星降水产品作为水文模型的降水输入逐渐受到重视。目前比较主流的卫星降水产品诸如CMORPH产品、 TRMM卫星的TMPA 3B42及3B42RT产品和GPM卫星的IMERG产品等， 其中针对CMORPH及TRMM等具有长时间序列的卫星产品在水文模式中的适用性方面已有了诸多研究（Yong et al， 2010； Jiang et al， 2012）。Hao et al （2014）分析了TMPA产品驱动VIC水文模型在黄河源区的适用性， 结果表明3B42产品在黄河源区的适用性最好， 且具备对于日径流的模拟能力。但是对于新型的IMERG降水产品的评价和应用评估研究还较少。Tang et al（2016）评价了2014年4 -12月IMERG产品和TMPA 3B42V7（version 7）在中国的适用性， 结果指出无论在次日尺度还是日尺度上， IMERG产品的性能都明显优于3B42V7， 尤其是在中高纬度地区和气候相对干燥的区域。Guo et al（2016）同样评价了IMERG两种产品和3B42V7在中国的适用性， 并根据地形特征将中国分为7个子区域进行研究。结果同样指出IMERG产品的表现力要优于3B42V7， 特别是在西北和东北地区。因此可以认为IMERG产品在青藏高原地区有较好的模拟潜力。本文选择黄河源区为主要研究对象， 利用SWAT模型中国大气同化驱动数据集（CMADS）、 TMPA 3B42V7卫星产品和IMERG-Final卫星产品三种降水数据集对径流进行月尺度的模拟， 分析它们在高海拔大尺度流域的适用性情况。

2 研究区概况

选取的研究区域是位于青藏高原东北部的黄河源区。根据水文学的定义， 黄河源区指的是包括龙羊峡水库唐乃亥水文站以上的集水区域（95°30'E -103°30'E， 32°30'N -36°00'N）， 集水面积达12×104 km以上， 属于大尺度流域。主要研究对象为位于黄河干流上的3个水文站， 从上游至下游依次为吉迈站、 玛曲站及唐乃亥站（图1）。
图1 黄河源区水文站位置及其分布

Fig.1 The locations and distribution of hydrological stations in the source region of Yellow River

3 数据选取与方法介绍

3.1　模型驱动数据

SWAT模型所需的驱动数据包括DEM高程数据、 土地利用数据、 土壤参数文件以及气象驱动数据。

3.1.1　 DEM高程数据

文中采用的DEM高程数据为SRTM（Shuttle Radar Topography Mission）数字高程数据（http： //srtm.csi.cgiar.org/srtmdata/）。是由美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量得到的一种DEM数据产品， 并通过插值算法将其插值成分辨率为30 m和90 m的数据集。本文使用的是90 m分辨率数据集（SRTMDEM 90M）， 使用的投影坐标系为北京54坐标系的高斯投影（图1）。

3.1.2　土地利用数据

文中所选用的土地利用数据来自中国土地利用现状遥感监测数据库。其生成方式为通过Landsat TM/ETM遥感影像， 经人工目视解译生成。数据来自中国科学院资源环境科学中心（http： //www.resdc.cn）。考虑到本文的研究时段， 选取2015年中国土地利用现状遥感监测数据作为模型的驱动数据。
该数据集提供的土地利用类型包括七个一级类型（耕地、 林地、 草地、 城乡工矿居民用地、 未利用土地、 水域和海洋）， 其中包括26个二级类型。根据SWAT使用手册中的要求， 模型中建议输入的土地利用类型不应超过10种。对黄河源区的土地利用类型加以综合考虑， 本文将黄河源的土地利用类型重分类成耕地、 林地、 草地、 未利用土地和水域五种［图2（a）］。从图2（a）中可以看出， 黄河源区的土地利用率主要以草地为主， 占整个源区面积的75.79%； 水域面积次之， 主要由鄂陵湖和扎陵湖两大湖泊组成， 占源区面积的14.64%； 随后为森林（7.11%）、 未利用土地（2.08%）和耕地（0.38%）， 后三者的面积加起来不足源区面积的10%。经过重分类后， 新的土地类型更能突出流域的主要土地利用分布特征， 大大地减少了SWAT模型的计算负担。
图2 黄河源区土地利用类型分布特征（重分类后）（a）及土壤分布（b）

Fig.2 The spatial distributions of land use (reclassified) （a） and soil types （b） in source region of Yellow River

3.1.3　土壤数据

采用的土壤驱动数据为基于世界土壤数据库（Harmonized World Soil Database， HWSD）的中国土壤数据集（China Soil Map Based Harmonized World Soil Database）， 版本为v1.1（Fisher et al， 2008）。该数据在中国境内的数据源为第二次全国土地调查中南京土壤所提供的1∶100万土壤数据， 可以为模式使用者提供可靠的模型输入土壤参数。黄河源区内的土壤分布情况见图2（b）。

3.1.4　气象驱动数据

所采用的模型气象驱动数据来自于SWAT模型中国大气同化驱动数据集CMADS（China Meteorological Assimilation Datasets for the SWAT model）， 版本为v1.1。该数据采用全国范围内31873个自动气象站的地面基本气象要素逐小时观测数据， 利用数据模式要素重算、 质量控制、 循环嵌套、 重采样及双线性插值等多种技术手段建立， 并按照SWAT模型的数据输入格式进行了整理， 具有优秀的模型驱动能力（Shi et al， 2011； 孟现勇等， 2016； Meng et al， 2017）。该数据集空间范围覆盖整个东亚地区（0° -65°N， 60°E -160°E）， 其空间分辨率为1/3° ×1/3°， 时间分辨率为逐日， 时间尺度为2008 -2016年， 提供包括日平均温度， 日最高/低温度， 日累计24 h降水量， 日平均太阳辐射， 日平均气压， 日比湿度， 日相对湿度和日平均风速共9种气象要素。模型所需的气象驱动要素包括2008 -2016年日平均气温、 日累计24 h降水、 日平均太阳辐射及日相对湿度。

3.2　卫星降水数据

除了上述的气象驱动数据， 还选取了TRMM卫星的TMPA 3B42日降水产品和GPM卫星的IMERG-Final日降水产品。上述卫星产品均由NASA 戈达德地球科学资料和信息服务中心制作（GES DISC， https： //disc.gsfc.nasa.gov/）， 考虑到IMERG产品从2014年4月才开始生成， 选取三种卫星产品在2014年4月1日至2016年12月31日的降水数据分别对CMADS的降水数据进行替代， 并将其最后的模拟结果加以比较分析， 从而验证这三种降水产品在黄河源区的适用性情况和模拟潜力。

3.3　方法介绍

选取纳什效率系数（Nash-Sutcliffe efficiency coefficient， NSE）和决定系数（R 2）两种指标评价率定期和验证期的径流模拟结果。纳什效率系数用以评价模拟结果与实测值的拟合程度， 而决定系数用以评价模拟值与观测值的相关程度。统计参数的详细信息见表1。
表1 评价径流模拟结果的统计参数

Table 1 The statistical indexes used to evaluation the runoff simulations

统计参数 计算公式 值域 最优值
纳什效率系数（NSE） N S E = 1 - ∑ i = 1 n ( T i - G i ) 2 ∑ i = 1 n ( G i - G i ¯ ) 2 ( - ∞,   1 ] 1
决定系数（R 2） R 2 = ∑ i = 1 n G i - G i ¯ ( T i - T i ¯ ) 2 ∑ i = 1 n ( G i - G i ¯ ) 2 ∑ i = 1 n ( T i - T i ¯ ) 2 [ 0,   1 ] 1

n表示模拟时长; T i ¯和 G i ¯分别表示模拟值和观测值在模拟时长内的平均值; Ti和Gi分别代表所在时次的径流模拟结果和水文站观测数据

4 结果分析

4.1　模型的参数选取及率定

模式参数的校准是水文模型模拟中的重要环节。水文模式的模拟结果本身存在一定的不确定性， 通过对模式中一些物理参数取值的修改， 可以在很大程度上校正所得到的模拟结果， 使之能更好地适用于研究区域和所选数据集（Arnold et al， 2012）。选取的模拟时段为2008 -2016年， 其中将2008 -2010年作为模式的预热期， 2011 -2013年作为模式的率定期。根据土地利用数据及土壤数据， 本研究将黄河源区共分为30个流域， 共计613个水文响应单元（HRUs）（图2）。考虑到率定期的时间较短， 且模拟的时间步长较长， 对整个流域进行整体率定的结果不理想， 因此对3个水文站所在的流域分别进行参数的敏感性分析和率定（杨军军等， 2013）。3个水文站分别对应流域3、 流域19和流域22的出口。首先选取了SWAT模型中可以手动校准的21个参数进行初步率定， 所选方法为SUFI-2算法， 校准次数定为300次。其在不同流域的敏感性分析结果见表2。选取P-value作为判断参数敏感性的标准。P-value越小， 说明该参数在对应流域的显著性越高， 参数越敏感。其中SMFMN和ESCO两个参数无论在哪个流域中P值都接近为0， 说明这两个参数在黄河源区的水文模拟过程中十分重要。
表2 SWAT模型中初步校准所选参数及在不同流域的敏感性程度

Table 2 Selected parameters in the preliminary calibration in SWAT model and P-values in different sub-basins

参数名 物理意义 P-value 校准方式
流域3 流域19 流域22
CN2 SCS径流曲线数 0.41 0.47 0.47 r_
ALPHA_BF 基流ALPHA因子（单位: d） 0.92 0.77 0.85 v_
CH_N2 主河道曼宁系数 0.15 0.22 0.24 v_
CH_K2 主河道导水系数 0.30 0.40 0.59 v_
GW_DELAY 地下水滞后系数（单位: d） 0.03 0.02 0.27 a_
SURLAG 地表径流滞后系数 0.59 0.47 0.51 v_
SMFMX 最大融雪系数（发生在夏至） 0.62 0.94 0.40 v_
SMFMN 最小融雪系数（发生在冬至） 0.00 0.00 0.00 v_
SMTMP 融雪基温 0.91 0.63 0.99 v_
CANMX 植被冠层最大截流量 0.44 0.39 0.51 v_
ESCO 土壤蒸发补偿系数 0.01 0.03 0.02 v_
SFTMP 降雪基温 0.54 0.32 0.79 v_
SOL_K 土壤层饱和导水率 0.68 0.51 0.20 r_
SOL_AWC 土壤层有效含水量 0.37 0.12 0.71 r_
SOL_Z 土壤表层至深层厚度 0.26 0.21 0.13 r_
GW_REVAP 地下水“再蒸发”相关系数 0.77 0.69 0.38 a_
TLAPS 气温垂直变率 0.55 0.34 0.53 v_
GWQMN 回流所需浅层蓄水层入侵深度（单位: mm） 0.98 0.87 0.38 v_
REVAPMN “再蒸发”发生时所需浅层蓄水层入侵深度（单位: mm） 0.58 0.58 0.95 a_
SLSUBBSN 平均坡长 0.12 0.22 0.51 r_
SLP 平均坡度 0.30 0.48 0.52 r_

校准方式: r_为乘以某一特定值; a_为加上某一特定值; r_为替换为某一特定值

初次校准结束后， 再选取每个流域中P-value值较小的12个参数进行再次校准。第二次校准时所选参数及校准结果见表3。对比不同流域的校准结果可见， 流域3与流域19所选的参数除一个不同外， 其余均相同。说明这两个流域对SWAT模型参数的敏感性具有一致性。虽然所选参数相同， 但对于一些参数的取值仍有较大差异。
表3 再次校准过程中所选参数及取值

Table 3 Selected parameters and their values in the secondary calibration in SWAT model in different sub-basins

流域3 流域19 流域22
所选参数 取值 所选参数 取值 所选参数 取值
CN2 0.13 CN2 0.03 CN2 0.24
CH_N2 0.03 CH_N2 0.16 CH_N2 0.25
GW_DELAY 447.20 GW_DELAY 210.47 GW_DELAY 170.33
CH_K2 17.03 CH_K2 7.57 SURLAG 8.59
SMFMN 11.96 SMFMN 28.15 SMFMX 13.68
CANMX 60.67 CANMX 50.66 SMFMN 8.82
ESCO 0.72 ESCO 0.22 ESCO 0.07
SFTMP -2.75 SFTMP 5.37 SOL_K -45.07
SOL_AWC -15.06 SOL_AWC -14.21 SOL_Z 2.90
SOL_Z 8.12 SOL_Z 5.47 GW_REVAP -0.15
SLSUBBSN -20.00 TLAPS 12.22 GWQMN 0.82
SLP 2.34 SLSUBBSN -0.55 SLSUBBSN 2.62
从校准时期径流模拟结果和实测资料的对比（图3）中可以看出， 3个水文站的纳什效率系数均在0.50以上， 而决定系数都在0.60以上， 模拟出的径流峰值和谷值位置与实测资料有很好的对应关系， 因此在黄河源区利用SWAT模型进行径流模拟是可行的。在所选的3个站中， 吉迈站的模拟结果表现为相对实测径流略有高估， 而玛曲站和唐乃亥站则表现出明显的低估。其中唐乃亥站的模拟结果最好， 纳什系数达到0.77。
图3 三个水文站在率定期内的月径流模拟结果

Fig.3 The simulations in selected hydrological stations during calibration period

4.2　不同降水产品驱动的径流模拟结果分析

文章分别用CMADS降水资料、 TMPA 3B42V7日降水产品和IMERG-F日降水产品模拟径流， 比较它们同实测径流的差异。所选的校验时段为2014年4月至2016年12月。三种资料在吉迈、 玛曲和唐乃亥3个水文站的模拟结果列在表4中。从表4中可以看出， 三种不同降水产品的模拟结果有较大差异。其中CMADS数据集的模拟效果最好， 其纳什效率系数均在0.40以上。对于两种卫星降水产品来说， 3B42V7产品的模拟结果较差， 纳什效率系数均在0.20以下， 决定系数也均在0.30以下， 模拟结果的可信度较低； 相比之下， IMERG-F产品的模拟结果略好于3B42V7产品， 但在个别台站的模拟效果不好， 与CMADS数据集的模拟结果还有较大差距， 主要表现为越靠近上游区域的站点模拟结果越差。
表4 验证期内三种不同降水产品的模拟结果

Table 4 The results of simulations by using different rainfall products during validation periods

吉迈站 玛曲站 唐乃亥站
NSE R2 NSE R2 NSE R2
CMADS 0.19 0.32 0.57 0.52 0.63 0.80
3B42V7 0.17 0.20 0.36 0.30 0.22 0.58
IMERG-F 0.31 0.27 0.40 0.38 0.48 0.63
以模拟结果较好的唐乃亥站为例， 图4给出了唐乃亥站在验证期间三种降水产品模拟值与实测值的对比情况。总的来看， 三种降水资料均模拟出了近两年来月径流变化的主要趋势， 其中CMADS模拟结果最好， 在雨季模拟出的径流峰值更接近实测资料， 且模拟出了与2016年雨季月径流观测结果一致的双峰型分布特征。而3B42和IMERG-F产品对于径流的峰值表现为较明显的高估， 3B42产品对径流的高估程度较IMERG-F产品更甚。根据之前的研究， 导致这一结果的原因可能与卫星降水产品普遍在源区西北部的误报有关（刘兆晨等， 2019）。两种卫星降水产品均没有模拟出2016年雨季月径流的双峰型分布特征， 模拟出的结果仅存在一个明显的峰值。
图4 验证期唐乃亥站三种降水产品模拟值与实测值对比

Fig.4 The comparison between simulated monthly runoff by using different precipitation datasets and measured monthly runoff in Tangnaihai station

5 结论与展望

利用SWAT水文模型， 结合多种驱动资料对黄河源区的3个水文站点进行了模拟， 并对模拟结果进行了率定和校正。再通过改变降水资料的方式对三种降水产品在黄河源区的适用性进行了简要分析。主要结论如下：
（1） 对于水文站点较多的大尺度流域， 同时对多个子流域进行参数的敏感性分析及率定， 所得结果并不能适用于每个站点。因此， 本文对黄河源区三个水文站点所对应的子流域依次进行敏感性分析与验证， 最终得到验证期内3个站点径流模拟结果的纳什效率系数均在0.50以上， 决定系数都在0.60以上。其中唐乃亥水文站的模拟结果最好， 纳什效率系数达到0.77， 玛曲站次之， 吉迈站的模拟效果稍差。
（2） 对于三种降水产品在SWAT模型中的模拟结果可知： CMADS数据集的降水产品模拟结果最好， IMERG-F次之， 而3B42V7的模拟结果较差。总体而言， 卫星降水产品可以模拟出黄河源区月径流变化的主要趋势， 但对于径流峰值的模拟偏高， 这说明两种卫星产品均对黄河源区的降水表现为一定的高估。两种卫星产品中， IMERG-F的模拟结果优于TMPA产品， 说明新型卫星产品较前一任数据集的精度确实有提高， 且具备一定的模拟潜力， 但要在高海拔地区的应用还需进一步校正处理。
黄河源区平均海拔在4000 m以上， 地势呈西北高东南低。高海拔地区地形复杂， 降水事件受多方面因素的影响， 且受限于观测资料的缺乏， 卫星反演降水的能力会受到限制（Salio et al， 2015）。TRMM和GPM卫星产品在中国区域内的误报率（FAR）随海拔的增加而增大， 即本不该出现降水的时段卫星降水却预报出了降水， 这在很大程度上造成了卫星降水产品在高海拔地区的高估（Wang et al， 2018； Fang et al， 2019）。IMERG-F产品作为新一代的卫星降水产品， 对降水的预测能力较3B42产品有较大进步， 且具备对水文模式的驱动能力。在后续研究中， 我们可以通过高程数据对其进行校正， 提高它在高海拔地区的模拟精度， 从而为模式提供更为可靠的降水输入数据。

兰州大学邹松兵教授为本文提供了观测数据， 在此表示感谢。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Arnold J G， Moriasi D N， Gassman P W， et al， 2012.SWAT： Model use， calibration， and validation［J］.Transactions of the ASABE， 55（4）： 1491-1508.

Battan L J， 1973.Radar observation of the atmosphere［M］.University of Chicago Press.

Beven K.On the generalized kinematic routing method［J］.Water Resources Research， 15（5）： 37-44.

Dirks K N， Hay J E， Stow C D， et al， 1998.High-resolution studies of rainfall on Norfolk Island： Part II： Interpolation of rainfall data［J］.Journal of Hydrology， 208（3-4）： 187-193

Fang J， Yang W， Luan Y， et al， 2019.Evaluation of the TRMM 3B42 and GPM IMERG products for extreme precipitation analysis over China［J］.Atmospheric Research， 223： 24-38.

Fischer G， Fnachtergaele F， Sprieler S， et al， 2008.Global Agro-ecological Zones assessment for Agriculture （GAEZ 2008）［C］.IIASA， Laxenburg， Austria and FAO， Rome， Italy.

Guo H， Chen S， Bao A， et al， 2016.Early assessment of integrated multi-satellite retrievals for global precipitation measurement over China［J］.Atmospheric Research， 176： 121-133.

Hao Z C， Tong K， Liu X L， et al， 2014.Capability of TMPA products to simulate streamflow in upper Yellow and Yangtze River basins on Tibetan Plateau［J］.Water Science and Engineering， 7（3）： 237-249.

Hirpa F A， Gebremichael M， Hopson T， 2010.Evaluation of high-resolution satellite precipitation products over very complex terrain in Ethiopia［J］.Journal of Applied Meteorology and Climatology， 49（5）： 1044-1051.

Immerzeel W W， Van Beek L P H， Bierkens M F P， 2010.Climate change will affect the Asian water towers［J］.Science， 328（5984）： 1382-1385.

IPCC， 2013.Working group I contribution to the IPCC fifth assessment Report［R］.Climate Change 2013： The Physical Science Basis： Summary for Policymakers.

Jiang S， Ren L， Hong Y， et al， 2012.Comprehensive evaluation of multi-satellite precipitation products with a dense rain gauge network and optimally merging their simulated hydrological flows using the Bayesian model averaging method［J］.Journal of Hydrology （Amsterdam）， 452-453： 213-225.

Krajewski W F， Smith J A， 2002.Radar hydrology： Rainfall estimation［J］.Advances in Water Resources， 25（8）： 1387-1394.

Meng X， Wang H， Lei X， et al， 2017.Hydrological modeling in the Manas River Basin using soil and water assessment tool driven by CMADS［J］.Tehnicki Vjesnik-Technical Gazette， 24（2）： 525-534.

Radić V， Bliss A， Beedlow A C， et al， 2014.Regional and global projections of twenty-first century glacier mass changes in response to climate scenarios from global climate models［J］.Climate Dynamics， 42： 37-58.

Sala O E， Rd C F， Armesto J J， et al， 2000.Global biodiversity scenarios for the year 2100［J］.Science， 287（5459）： 1770-1774.

Salio P， Hobouchian M P， Skabar Y G， et al， 2015.Evaluation of high-resolution satellite precipitation estimates over southern South America using a dense rain gauge network［J］.Atmospheric Research， 163： 146-161.

Shi C X， Xie Z H， Qian H， et al， 2011.China land soil moisture EnKF data assimilation based on satellite remote sensing data［J］.Science China （Earth Sciences）， 54（9）： 1430-1440.

Stocker T F， Raible C C， 2005.Climate change： water cycle shifts gear［J］.Nature， 434（7035）： 830.

Tang G， Ma Y， Long D， et al， 2016.Evaluation of GPM Day-1 IMERG and TMPA Version-7 legacy products over mainland China at multiple spatiotemporal scales［J］.Journal of Hydrology， 533： 152-167.

Wang X， Pang G， Yang M， et al， 2018.Precipitation over the Tibetan Plateauduring recent decades： A review based on observations and simulations ［J］.International Journal of Climatology， 38， 1116-1131.

Ward E， Buytaert W， Peaver L， et al， 2011.Evaluation of precipitation products over complex mountainous terrain： A water resources perspective［J］.Advances in Water Resources， 34（10）： 1222-1231.

Yao T， Wang Y， Liu S， et al， 2004.Recent glacial retreat in High Asia in China and its impact on water resource in Northwest China［J］.Science in China， 47（12）： 1065-1075.

Yong B， Ren L L， Hong Y， et al， 2010.Hydrologic evaluation of Multisatellite precipitation analysis standard precipitation products in basins beyond its inclined latitude band： A case study in Laohahe basin， China［J］.Water Resources Research， 46（7）： 759-768.

程立真， 杨梅学， 王学佳， 等， 2020.TRMM 3B42 降水产品在洮河中上游的精度评估分析［J］.高原气象， 39（1）： 185-195. DOI： 10.7522/j.issn.1000-0534.2019.00016.

金晓龙， 邵华， 张弛， 等， 2016.GPM卫星降水数据在天山山区的适用性分析［J］.自然资源学报， （12）： 106-117.

刘俊峰， 陈仁升， 韩春坛， 等， 2010.多卫星遥感降水数据精度评价［J］.水科学进展21（3）： 343-348.

刘兆晨， 杨梅学， 王学佳， 等， 2020.GPM和TRMM卫星日降水数据在黄河源区的适用性分析［J］.冰川冻土， 42（2）： 575-586.

孟现勇， 师春香， 刘时银， 等， 2016.CMADS数据集及其在流域水文模型中的驱动作用——以黑河流域为例［J］.人民珠江， 37（7）： 1-19.

宁吉才， 刘高焕， 叶宇， 等， 2012.SWAT模型降水输入参数的改进研究［J］.自然资源学报， 27（5）： 866-875.

邬伦， 吴小娟， 肖晨超， 等， 2010.五种常用降水量插值方法误差时空分布特征研究——以深圳市为例［J］.地理与地理信息科学， 26（3）： 19-24.

杨军军， 高小红， 李其江， 等， 2013.湟水流域SWAT模型构建及参数不确定性分析［J］.水土保持研究， 20（1）： 82-88.

Options
Outlines

/

〈 〉

The system is designed and developed by Beijing magtec Technology Development Co., Ltd. with technical support: support@magtech.com.cn