基于星地多源数据与GA-DNN模型的江苏省GPM产品降尺度研究

针对GPM降水产品低空间分辨率的缺陷,基于多源环境数据提取了表征区域地形、水汽、地表覆被、海陆位置等20个辅助变量,采用遗传算法(GA)提取最相关变量做为降尺度因子,运用深层神经网络(DNN)算法建立2019年江苏省GPM逐月产品的降尺度模型,并利用地面站点数据进行验证。结果表明,GA算法能很好地排除冗余信息、约简降尺度模型;基于地面资料的独立验证表明降尺度后数据的决定系数R~2介于0.43～0.93之间,相对误差M_(RE)在7.47%～23.77%之间,平均绝对误差M_(AE)、均方根误差R_(MSE)分别为2.18～26.84、3.23～29.54mm;与GPM原始产品相比,降尺度后的平均R~2增加了0.05,M_(AE)、R_(MSE)分别减小了1.44、2.04mm,M_(RE)降低了2.97%。提出的GA-DNN降尺度模型可为粗级降水产品的精细化提供技术参考。