降水的空间分布是影响流域产汇流的主要因素[1],精确的降水空间分布数据为区域水资源规划与评价提供支撑。空间插值方法是一种可以计算降水空间分布的气象数据插值计算方法,主要包括传统插值方法和地统计方法。传统插值方法包括自然邻近法(NN)、泰森多边形法[2]、反距离权重法[3](IDW)等。地统计方法主要为克里金法[4],包括普通克里金(OK)、协同克里金(CK)等其他克里金衍生计算方法。

不同地区的最优空间插值方法需要根据研究目的和研究区域的自然地理特征进行选择与参数优化[5]。例如Mair等[6]在热带地区多山的海岛上应用泰森多边形、IDW法、线性回归、克里金法、简单克里金法对降水数据进行展布分析;Ly等[7]在比利时运用克里金法、泰森多边形和IDW法对降水日数据进行插值分析;Mendez等[8]运用NN、IDW、二阶趋势面法、克里金法插补降水数据;郭卫国等[9]在史灌河运用5种空间插值方法;范玉洁等[10]在漓江流域比较了克里金法与IDW法的优劣;Xu等[11]研究了在四川地区IDW、OK和考虑了DEM的CK方法的插值精度;王智等[12]采用IDW法、多元二次径向基函数法及克里金法对新疆地区及周边63个气象站的降水资料进行插值;庄立伟[13]对东北地区夏季逐日降水进行空间插值,发现IDW法插值精度高于克里金法和以高度梯度修正的IDW法(GIDW)。降水的空间分布一方面会受到当地地形、地势、坡度坡向等地表特征的影响,另一方面,会受到该地气象特征的影响,例如气温、湿度、风速、日照等。然而,上述研究仅考虑高程对插值结果的影响。针对以上问题,有学者利用多元统计回归拟合气象要素与地形因素之间的回归方程,例如王远见等[14]建立降水与地理、地形因子间的回归方程,分析了地理、地形因子对降水的影响;张正勇等[15]通过最小二乘法建立了天山山区降水与经纬度、坡度、坡向、温度、水气压、相对湿度之间的回归模型;Chao等[16]建立了降水与高度、坡度、坡向、表面粗糙度、距海海岸线距离及风速的回归方程。然而多元回归插值在模拟大范围空间分布时精度较差[17]。

进一步完善军民融合发展的法规体系。从国家层面应尽快颁布“军民融合促进法”，并结合已经颁布的《中华人民共和国国防法》《中华人民共和国国防动员法》，制订完善促进各动员领域军民融合发展的专项法规，加快“国防勤务法”“民用资源征用法”“国民经济动员法”“信息动员条例”“装备动员条例”等立法进程，推进《中华人民共和国国防教育法》《中华人民共和国人民防空法》修订工作；在企业法、金融法、基本建设法、交通法、投资法、物权法等法律法规中，补充民营企业参与国防建设、经济建设贯彻国防要求等条款，增强法律法规的执行力和可操作性。

本文将地统计插值方法与气象因子相结合,通过分析降水与气温、湿度、日照时数的相关关系,将相关性最佳气象因子引入地统计方法进行插值计算。同时,应用不同系数的IDW法、普通克里金法和考虑高程的协同克里金法,并将插值结果进行交叉分析,最终确定在重庆地区最佳降水空间插值方法。

1 数据收集与分析

1.1 研究区概况

重庆位于东经 105°11'-110°11'、北纬 28°10'-32°13'之间,西邻四川,北连陕西,南接贵州,东靠湖北、湖南。地势东南、东北高,中、西部低,境内多山地丘陵,山地面积占76%,丘陵占22%,海拔在100～2 700 m之间(图1)。境内有两个主要河流为长江和嘉陵江。重庆气候属亚热带季风湿润气候,全年降水充沛,年降水量为1 000～1 350 mm,降水具有明显的季风气候特征,全年降水多集中在夏、秋季。根据重庆降水量分布情况,5月-7月降水量最多约占全年降水量的44.6%,12月至次年2月降水量最小占全年降水量的0.055%。

  

图1 重庆气象站分布Fig.1 Distribution of meteorological stations in Chongqing

1.2 数据收集与处理

反距离权重法是根据距离确定各点对插值点的影响大小,距离待插值点越近,权重越大,反之权重越小[20]。IDW法计算方程为[21]:

综上所述,图4为最优方法:考虑高程的协同克里金法插值结果图。

本文选取四种空间插值计算方法:系数为2、3、4的反距离权重法(分别表示为 IDW2、IDW3、IDW4)、普通克里金法(OK)、考虑高程的协克里金法(高程CK)及考虑温度的协克里金法(温度CK)。

 

表1 降水及其他气象要素相关系数(r)T ab.1 Correlation coefficient between precipitation and other meteorological factors

  

降水 气温 日照 湿度降水 1气温 0.72 1日照 -0.08 -0.10 1湿度 -0.16 -0.45 0.05 1

2 研究方法

成彩霞等[18]在祁连山分析了降水与其他气象因子间的相关性,最终得出降水与其他气象因子相关性从强到弱依次为气温、水面蒸发、日照时数、风速、相对湿度、气压。在选择协同克里金插值的辅助因子时,需要满足较易获取、与第一信息关联度强等特点[19]。本文分析了重庆气温、日照时数、湿度与降水的相关关系,相关关系的高低用皮尔逊相关系数r表示。分析结果如表1所示,降水量与气温的相关系数最高,最终选择与降水相关系数最高的气温作为辅助因子引入插值计算。

2.1 反距离权重法(IDW)

本文对重庆地区数据较完整的12个气象站(图1)逐日气象数据(降水、气温、相对湿度、日照时数)进行分析。数据来源于中国气象科学数据网(http://data.cma.cn)。根据各站资料的代表性和长度,本文的研究序列采用1960年至2014年。同时,为验证降水量的大小对插值精度的影响,本文利用多年平均降水量、年降水量最大3个月及年降水量最小3个月进行分析计算。年降水量最大3个月选择5月-7月,年降水量最小3个月选择12月至次年2月。

 

式中:Z(x)为插值点估计值;Zi为第i个样本点的降水量;Wi为第i个样本点对插值点的权重;系数p为距离的幂。在降水量插值中常使用系数p等于2[22]。然而,系数p增大能增加临近样本点的权重,减小远处样本点的权重[23],在地形起伏较大的地区插值点与临近样本点的相关性更高[24],选择较大的系数可能会提高插值结果的准确性。

2.2 普通克里金法(OK)

普通克里金插值基于广义线性回归[25],不仅考虑了样本点与插值点位置的相关关系,同时还利用半变异理论模型得到样本点与插值点之间的空间相关关系,是在有限区域内对区域化变量进行无偏最优化的一种方法,是地统计学的主要内容之一[26]。其表达式[27]如下:

 

(3)分不同降水量指标,分析RMSE(图2)变化可知,不同方法的RMSE变化趋势相同均为多年平均降水量＞最大3个月降水量＞最小3个月降水量。RMSE计算与输入数据的大小有关,多年平均降水量输入数据最大,最小3个月降水量输入数据最小,在不同降水量指标下RMSE没有参考价值。

2.3 协同克里金法(CK)

协同克里金法在普通克里金法的基础上把区域化变量的最佳估值方法从单一属性发展到两个以上的协同区域化属性,它在计算中要用到两属性各自的半方差函数和交叉半方差函数[21]。在进行协同克里金插值降水量时,可以选择与降水量具有相关性的辅助因子,例如高程、坡度、风向、温度等,其中选择高程作为辅助因子的CK法较为常见。本文在研究过程中选用高程作为辅助因子,同时选择与降水量相关性较高的气温数据作为辅助因子进行分析。协同克里金法表达式[28]:

中国共产党十分重视少数民族干部的培养，这些少数民族领导干部也勤奋工作，为红军长征取得最后胜利立下汗马功劳。遵义会议后，军委鉴于长征途中的物资供应工作的需要，红军将领杨至成(侗族)被任命为中央革命军事委员会先遣工作团主任，负责开辟路线、发动群众、筹措给养物资等工作。杨至成在工作中，要求先遣工作团成员一定要严格执行党的民族政策，部队面对粮食缺乏问题，杨至成严格执行党的民族政策，多渠道筹粮，一个月在毛尔盖筹到粮食30多万斤，为红军通过草地立下大功。

 

本文分别以系数为2、3、4的IDW 法、普通克里金法、考虑高程和温度的协同克里金法对重庆市分3种不同指标降水量(多年平均、最大3个月、最小3个月)进行插值分析,并对插值结果进行验证,最终得到最优的插值方法。主要结论如下。

当收到来自其他节点发送的BCD消息,节点就检测自己的横坐标是否小于发送节点的横坐标。如果小于,则利用右手规则转发BCD消息,否则就丢失。通过这种方式,最终只有一条BCD消息沿着边界转发,并且被转发的BCD消息是由横坐标最大的边界节点产生的。将此节点称为BCD的初始节点(BCD-I)。

2.4 结果检验

为验证插值结果准确性,对比各插值方法的优劣,本文使用交叉验证[29]来评估不同模型的最优插值结果。交叉验证首先是先删除某插值点的实测值,通过其他点的实测值,应用不同的插值方法对该点进行预测,对所有点重复以上过程,得到各点的实测值和预测值。交叉验证参数包含均方根误差(RMSE)和纳什效率系数(NS)。RMSE用来评价预测值与观测值的接近程度,RMSE越小说明预测值离实测值更加接近。纳什效率系数用来评判模型预测准确性是否良好,其取值范围从负无穷至1,值越接近1说明模型模拟结果越准确,值为0表示模型模拟结果等同于实测值的均值。表达式如下:

 

式中:Z(x)、Zi同上; Zi为实测降水量均值。本文通过RMSE和NS进行验证[30]。

3 结果分析

本文用4种空间插值方法分别对不同降水量指标的插值结果进行验证,不同降水量指标误差分析结果见表 2至表4。

 

表2 多年平均降水量空间插值验证结果T ab.2 Spatial interpolation results of multi-year average precipitation

  

方法 N S RMSE IDW2 0.208 88.515 IDW3 0.278 84.576 IDW4 0.295 83.552 OK 0.475 72.081高程CK 0.690 55.416温度CK 0.546 67.046

 

表3 最大3个月降水量空间插值验证结果Tab.3 Spatial interpolation results of largest 3-month precipitation

  

方法 N S RMSE IDW2 0.139 41.718 IDW3 0.206 40.058 IDW4 0.222 39.654 OK 0.233 39.374高程CK 0.570 29.469温度CK 0.340 36.505

 

表4 最小3个月降水量空间插值验证结果T ab.4 Spatial interpolation results of smallest 3-month precipitation

  

方法 N S RMSE IDW2 0.057 8.799 IDW3 0.144 8.385 IDW4 0.155 8.330 OK 0.396 7.039高程CK 0.509 6.350温度CK 0.446 6.744

(1)由表2-表4可得,在多年平均降水量指标下,高程CK法的NS系数最大为0.690,RMSE最小为55.416,为最优插值方法。在最大3个月降水量指标下,高程 CK法 NS系数最大为 0.570,RMSE最小为29.469。当降水量指标最小3个月时,高程CK法NS系数最大为0.509,RMSE最小为6.350。综上所述,对于不同降水量指标,考虑高程的协同克里金法为最优插值方法。

(2)图 2、图 3为不同降水量指标不同方法RMSE、NS系数变化趋势图,由图2-图3可知,于不同降水量指标,NS系数从大到小依次为:高程CK、温度 CK、OK、IDW4、IDW3、IDW2。RMSE 从小到大依次为:高程 CK、温度 CK、OK、IDW4、IDW3、IDW2。结果表明,插值精度为:高程CK＞温度CK＞OK＞IDW4＞IDW3＞IDW2。对于IDW法系数增大能提高插值精度。

式中:Z(x)为插值点估计值;λi为第i个样本点的权重系数;Zi为第i个样本点的降水量。

  

图2 不同降水量指标不同方法RMSE变化趋势Fig.2 RMSE trend of different precipitation indexes by different methods

  

图3 不同降水量指标不同方法NS系数变化趋势Fig.3 N S coefficient trend of different precipitation index es by different methods

分析 NS系数(图 3)变化可知,高程 CK、IDW2、IDW3、IDW4法NS系数变化均为多年平均降水量＞最大3个月降水量＞最小3个月降水量。OK、温度CK法NS系数变化为多年平均降水量＞最小3个月降水量＞最大3个月降水量,分析表明降水量最小的3个月,降水导致温度发生大幅度变化,降水变化与温度变化相关性较高。在降水量最大的3个月,气温较高,温度变化幅度较小,降水变化与温度变化相关性较弱。

该主变A相在运行中底部其中一个注油阀门阀体开裂，裂口长度约300mm，目前虽未发现绝缘油渗漏，但是已经留下严重的安全隐患。（如图）

  

图4 重庆多年平均降水量等值线Fig.4 Chongqing multi-year average precipitation contours

4 结论与展望

式中:Z(x)为插值点估计值;Zi为第i个样本点的降水量;λi、λ为权重系数;y(x)为辅助因子的值;my、mz为辅助因子及降水量的全局平均值。

(1)在重庆市,3种指标不同方法的插值结果精度相同,从好到差依次为:高程CK、温度CK、OK、IDW4、IDW3、IDW2。

而他采取以学术期刊搭建社会体育指导员交流平台的举措，堪称为走在时代前列；其创办的《体育研究与通讯》期刊中“通讯”栏目，每期都会刊登各县公共体育场工作人员对于社会体育指导等问题的回复，在指导提问者进行社会体育工作的同时，也为其他体育场的社会体育指导员提供了工作问题解决范式。期刊还刊登了大量的体育基本知识、教学教法等文章，无疑也为一线社会体育指导员工作提供了范式。

(2)本文分析了重庆市降水与气温、日照、湿度中气温的相关关系,最终得出气温与降水相关性最佳。

根据正交试验优化调整结果，最佳工艺为A1B1C1，即揉捻压力为揉捻机加压力度的1/5，次数2次，时间5 min进行验证试验，制得干茶外形条索尚紧、较弯曲、较绿、有毫、匀整；清香高长，汤色黄绿明亮，滋味醇正，叶底黄绿明亮、鲜活、完整，综合得分为94.06，碎茶率0.57%，优于正交试验中的其他组合。表明，揉捻压力为揉捻机加压力度的1/5，次数2次，时间5 min即为卷曲形茶机械做形的最佳工艺条件。

(3)对于不同降水量指标来说,多年平均降水量的插值结果最准确。

作为一部保护英雄烈士的法律，英烈保护法的出台为净化网络空间，保护和培育青年社会主义核心价值观发挥了重要作用。但从整个社会来看，英烈保护法的进步意义远不止如此，它保护和培育了青年社会主义核心价值观，对中国法治社会建设、青年政治化、保障国家意识形态安全具有重要意义，其社会功能也进一步拓展。

(4)温度CK法在降水量较小的情况下会提高插值精度,在降水量较小或以月、日降水为输入数据的插值中可以考虑这种方法。

(5)高程CK法插值结果表明,重庆市降水量最大的区域分布于东南和西北两侧,中间地区降水量较小,西南地区降水量最小。

本文对于气象因子或其他地表特征因子的研究较少,有必要加入多项辅助因子如坡度,风向、气压等,以确定更加准确的空间插值方法。由于重庆市地形变化较大,考虑温度的协同克里金法虽然不是最优插值方法,但相对IDW法及普通克里金法仍提高了插值精度。在平原地区或地形变化不大的地区,考虑温度的协同克里金法对插值结果的影响有待研究。

参考文献(References):

[1] 周祖昊,贾仰文,王浩,等.大尺度流域基于站点的降雨时空展布[J].水文,2006,26(1):6-11.(ZHOU Z H,JIA Y W,WANG H,et al.Interpolating precipitation in space and time in large-scale basin based on rain gauges[J].Journal of China Hydrology,2006,26(1):6-11.(in Chinese)).DOI:10.3969/j.issn.1000-0852.2006.01.003.

[2] THIESSEN A H.Precipitation averages for large areas[J].M on Weather Rev,1911,39:1082-1089.

[3] LOUIS D E.Pollution models and inverse distance weighting:Some critical remarks[J].Computers&Geosciences,2013,52:459-469.DOI:10.1016/j.cageo.2012.11.002.

[4] OLIVER M A.WEBSTER R.Kriging:A method of interpolation for geographical information systems[J].International Journal of Geographical Information Systems,1990,4(3):313-332.DOI:10.1080/02693799008941549

[5] 何红艳,郭志华,肖文发.降水空间插值技术的研究进展[J].生态学杂志,2005,24(10):1187-1191.(HE H Y,GU O Z H,XIAO W F.Review on spatial interpolation techniques of rainfall[J].Chinese Journal of Ecology,2005,24(10)1187-1191.(in Chinese)).DOI:10.13292/j.1000-4890.2005.0125.

[6] MAIR A,FARES A.Comparison of rainfall interpolation methods in a mountainous region of a tropical island[J].J Hydrol Eng,2011,16:371-383.DOI:10.1061/(ASCE)HE.1943-5584.0000330.

[7] LY S,CHARLES C,DEGRÉ A.Geostatistical interpolation of daily rainfall at catchment scale:the use of several variog ram models in the Ourthe and Ambleve catchments,Belgium[J].Hydrol.Earth Syst.Sci,2011,15:2259-2274.DOI:10.5194/hess-15-2259-2011.

[8] MENDEZ M,CALVO-VALVERDE L.Assessing the performance of several rainfall interpolation methods as evaluated by a conceptual hydrological model[J].Procedia Engineering,2016,154:1050-1057.DOI:10.1016/j.proeng.2016.07.595.

[9] 郭卫国,陈喜,张润润.基于降水分布不均匀性的空间插值方法适用性研究[J].水力发电,2016,42(6):14-18.(GUO W G,CHEN X,ZHANG R R.Study on the applicability of spatial interpolation methods based on the heterogeneity of rainfall distribution.[J].Water Power,2016,42(6):14-18.(in Chinese)).DOI:10.3969/j.issn.0559-9342.2016.06.004.

[10] 范玉洁,俞新晓,张红霞,等.降雨资料 Kriging与 IDW 插值对比分析-以漓江流域为例[J].水文,2014,34(6):61-66.(FAN Y J,YU X X,ZHANG H X,et al.Comparison between kirging interpolation method and inverse distance weighting tension for precipitation data analysis:taking Lijiang river basin as a study case[J].Journal of China Hydrology,2014,34(6):61-66.(in Chinese)).DOI:10.3969/j.issn.1000-0852.2014.06.011.

[11] XU W B,ZOU Y J,ZHANG G P,et al.A comparison among spatial interpolation techniques for daily rainfall data in Sichuan Province[J].Int.J.Climatol,2015,35(10):2898-2907.DOI:10.1002/joc.4180.

[12] 王智,吴友均,梁凤超,等.新疆地区年降水量的空间插值方法研究[J].中国农业气象,2011,32(3):331-337.(WANG Z,WU Y J,LIANG F C,et al.Study on spatial interpolation method of annual precipitation in Xinjiang[J].Chinese Journal of Agrometeorology,2011,32(3):331-337.(in Chinese)).DOI:10.3969/j.issn.1000-6362.2011.03.003

[13] 庄立伟,王石立.东北地区逐日气象要素的空间插值方法应用研究[J].应用气象学报,2003,14(5):605-615.(ZHUANG L W,WANG S L.Spatial interpolation methods of daily weather data in Northeast China.[J].Journal of App lied M eteorological Science,2003,14(5):605-615.(in Chinese)).DOI:10.3969/j.issn.1001-7313.2003.05.011.

[14] 王远见,傅旭东,高洁,等.雅鲁藏布江中下游地区湿季降雨量的空间分布模型[J].清华大学学报(自然科学版),2012,52(6):738-746.(WANG Y J,FU X D,GAO J,et al.Spatical precipitation distribution of over the middle and lower reaches of the Yalrung Zangbo River[J].J T sing hua Univ(Sci&Tech),2012,52(6):738-746.(in Chinses)).DOI:10.16511/j.cnki.qhdxxb.2012.06.002.

[15] 张正勇,何新林,刘琳,等.中国天山山区降水空间分布及成因模拟[J].水科学进展,2015,26(4):500-508.(ZHA NG Z Y,HE X L,LIU L,et al.Spatial distribution of rainfall simulation and the cause analy sis in China's T ianshan Mountains area[J].Advances in water science,2015,26(4):500-508.(in Chinese)).DOI:10.14042/j.cnki.32.1309.2015.04.006.

[16] CHAO L,ZHANG K,LI Z,et al.Geographically weighted reg ression based methods for merging satellite and gauge preci-pitation[J].Journal of Hydrology,2018,558:275-289.DOI:10.1016/j.jhydrol.2018.01.042

[17] 贺瑞敏,张建云,鲍振鑫,等.海河流域河川径流对气候变化的响应机理[J].水科学进展,2015,26(1):1-9.(HE R M,ZHANG J Y,BAO Z X,et al.Response of runoff to climate change in the Haihe River basin[J].Advances in Water Science,2015,26(1):1-9.(in Chinese)).DOI:10.14042/j.cnki.32.1309.2015.01.001.

[18] 成彩霞,牛赟,陈刚,等.祁连山水源涵养林区降水与其他气象因子间的相关性分析[J].甘肃农业大学学报,2014,49(4):94-98.(CHENG C X,NIU Y,CHEN G,et al.The correlation analysis between precipitation and other meteorological factor in water resource conservation forest of Qilian M ountains[J].Journal of Gansu Ag ricultural University,2014,49(4):94-98.(in Chinese)).DOI:10.13432/j.cnki.jgsau.2014.04.017.

[19] 邓羽,刘盛和,姚峰峰,等.基于协同克里格的基准地价评估及空间结构分析[J].地理科学进展,2009,42(3):403-408.(DENG Y,LIU S H,YAO F F,et al.Standard land price appraisal and space structure analysis based on co-kriging[J].Progress in Geography,2009,42(3):403-408.(in Chinese)).DOI:10.11820/dlkx jz.2009.03.012.

[20] 王宗敏,张杰,赵红领,等.城市暴雨内涝计算中降雨插值算法的选取[J].人民黄河,2012,34(8):24-26.(WANG Z M,ZHANG J,ZHAO H L,et al.Selection of the interpolations of rainfall for calculating the water logging disasters caused by the urban storms[J].Yellow River,2012,34(8):24-26.(in Chinese)).DOI:10.3969/j.issn.1000-1379.2012.08.008.

[21] 李新,程国栋,卢玲.空间内插方法比较[J].地球科学进展,2000,15(3):260-265.(L I X,CHENG G D,LU L.Comparison of spatial interpolation methods.Advance in Earth Sciences,2000,15(3):260-265.(in Chinese)).DOI:10.11867/j.issn.1001-8166.2000.03.0260.

[22] LLOYD C D.Assessing the effect of integrating elevation data into the estimation of monthly precipitation in Great Britain[J].J Hydrol,2005,308,128-150.DOI:10.1016/j.jhydrol.2004.10.026.

[23] NIKOLOPOU LOS E I,BORGA M,CREU TIN J D,et al.Estimation of debris flow triggering rainfall:influence of rain gauge density and interpolation methods[J].Geomorphology,2015,243:40-50.DOI:10.1016/j.geomorph.2015.04.028.

[24] T OBLER W R.A Computer Movie Simulating U rban Growth in the Detroit Region[J].Economic Geography,1970,46:234-240.

[25] ZIEGEL E R,DEU TSCH C V,JOURNEL A G.Geostatistical software library and user's guid[J].Technometrics,1998,40(4):357.DOI:10.2307/1270548.

[26] DU BRULE O.Cross validation of kriging in a unique neighborhood[J].Mathematical Geology,1983,15(6):687-699.DOI:10.1007/BF01033232.

[27] 王长虹,朱合华,钱七虎.克里金算法与多重分形理论在岩土参数随机场分析中的应用[J].岩土力学,2014,35(增刊2):386-392.(WANG C H,ZHU H H,QIA N Q H.Application of kriging methods and multi-fractal theory to estimate of geotechnical parameters spatial distribution[J].Rock and Soil Mechanics,2014,35(S2):386-392.(in Chinese)).DOI:10.16285/j.rsm.2014.s2.013.

[28] 刘爱利,王培法,丁园圆.地统计学概论[M].北京:科学出版社,2012.(LIU A L,WANG P F,DING Y Y.Introduction to Geostatistics[M].Beijing:Science Press,2012.(in Chinese)).[29] GOOVAERTS P.Geostatistics for natural resources evaluation[M].New York:Oxford University Press,1997.

[30] P GOURBESVILLE,N D Vo.Assessment of climate change on flood dynamic with deterministic hydrological model.Applica-tion to the Vugia-thubon catchment-vietnam[A].International Conference on Hydroinformatics Hic[C].New York City USA,2014.DOI:10.1051/lhb/20150066.