由RF-WMRA重新预测的E_GSMaP降水数据集:描述和验证
Shan Ning1, Chicheng Ma1, Renyu Chen2
1School of Marine Sciences and Engineering, Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing Normal University, Nanjing 210023, China.
The Science of the total environment
|December 13, 2024
概括
一个新的随机森林和波段多分辨率分析 (RF-WMRA) 模型提高了降水预测的准确性. 提升的E_GSMaP数据集被推用于监测极端降水事件,并为减少灾害风险提供信息.
科学领域:
- 水文和大气科学 气象学和大气科学
- 地质科学和环境科学 地球科学和环境科学
- 数据科学和机器学习
背景情况:
- 准确的降水数据对于地理危险预警,洪水和干旱监测至关重要.
- 现有的再分析和卫星降雨数据集在特定应用的空间分辨率和准确性方面存在局限性.
- 四川-西藏铁路盆地由于地形和气候复杂,对降水估计提出了独特的挑战.
研究的目的:
- 开发和验证一种新的降水预测逆转模型 (RF-WMRA).
- 为四川-西藏铁路盆地生成高空间分辨率的降水数据 (E_GSMaP).
- 评估新数据集的性能,特别是对于极端降水事件.
主要方法:
- 使用随机森林 (RF) 算法进行初始降水重新预测.
- 应用波形多分辨率分析 (WMRA) 以提高降水数据的准确性和分辨率.
- 集成的ERA5和GSMaP降水数据与地理环境变量 (海拔,湿度,温度,风速).
主要成果:
- 在WMRA校正后,RF-WMRA模型表现出高相关系数 (0.89) 和Kling-Gupta效率 (0.80) 的优异性能,并减少了错误 (RMSE,BIAS,MAE).
- 生成的E_GSMaP数据集提供了高空间分辨率 (0.1°) 的1961年至2020年的降水数据.
- E_GSMaP数据显示,在季节性和月度尺度上监测极端降水事件时,其性能优于ERA5和GSMaP.
结论:
- 该RF-WMRA模型显著提高了降水预测准确度,并为数据稀缺的地区提供了宝贵的工具.
- 建议使用高分辨率的E_GSMaP数据集在研究区域进行极端降水事件分析和监测.
- 这项研究为区域地质灾害评估,水文气象研究和气候变化适应战略提供了必要的数据.
