喀斯特山区TRMM降水数据降尺度研究

谢伊娜 张洪波 张润云 孔功 赵孝席

摘 要：获取高精度的卫星降水数据，为喀斯特区域旱涝灾害评估、水文预报等各研究领域提供数据基础。以热带降雨卫星（tropical rainfall measuring mission，TRMM）为数据源，采用多元线性回归法（ordinary least square，OLS）和地理加权回归法（geographically weighted regression，GWR），综合考虑高程、坡度、坡向、经纬度和归一化植被指数（normalized difference vegetation index，NDVI）等6个因子构建OLS和GWR降尺度模型进行年降尺度研究，并比较OLS和GWR两种降尺度模型在喀斯特山区的适用性。结果表明：1）TRMM数据与站点观测数据之间精度较好；2）降尺度后数据空间分辨率提升到1 km，GWR降尺度年降水量在多数年份比原始TRMM数据更接近实测值，高估现象得到改善；与OLS降尺度数据相比，其三项指标表现更好；3）单站点中，OLS降尺度数据在高程和NDVI突变区域易出现假性更优相关性。综合多指标评价，GWR降尺度数据在喀斯特山区总体精度更高。后续可通过划分植被区、岩溶区、增加环境因子、校正等使降水更贴合实测值。

关键词：TRMM 3B43；降尺度；GWR模型；喀斯特山区

中图分类号：P426.6；P333

文献标志码：A

降水是全球水文循環的重要部分，已成为与气候分析、水资源评价、水循环和水文模型等相关研究中不可或缺的关键参数［1］，其精度和时空分辨率决定以上研究过程分析的准确性［2］。传统降水数据资料多基于气象站点观测，通过点插值成面来获取［3］，在站点稀疏、地形复杂的山区，插值结果往往误差很大［4］。获取高空间分辨率和高精度的降水资料对于干旱监测、水土防治和水资源规划等具有重要的现实意义［5］。

遥感卫星类降水数据观测范围广、时空连续性好、不受地形和气候条件局限，在获取降水数据的时空分布方面具有明显的优势［2］，其中热带降雨卫星（tropical rainfall measuring mission，TRMM）在干旱监测［6］、洪水预报［7］、水文模型［8］等方面都得到了广泛应用，但在区域降水高分辨率时空变异特征研究需求不断提升的背景下，TRMM数据0.25°的空间分辨率略显粗糙［9］。近年来，IMMERZEEL等［10］首次将归一化植被指数（normalized difference vegetation index，NDVI）作为单一辅助变量，对TRMM数据进行降尺度，获得了较为可靠的结果。JIA等［11］同时考虑了高程（digital elevation model，DEM）和NDVI，构建与降水的多元线性回归（ordinary least square，OLS）模型，对TRMM降尺度后精度显著提升。XU等［12］基于空间异质性的地理加权回归模型（geographically weighted regression，GWR），将DEM和NDVI作为辅助变量成功将TRMM降尺度至1 km。总结发现，多元回归模型OLS和考虑空间异质性的GWR模型均能不同程度地提高TRMM的空间分辨率，且降尺度研究趋于综合考虑更多环境因子。

西南喀斯特山区是长江和珠江上游生态屏障的重要组成部分，其地形和气候复杂，水土流失严重，洪水和干旱频发，获取其准确且高精度的降雨格局对喀斯特山区生态环境恢复至关重要［13］。国内外对TRMM数据的降尺度研究多在地势平坦的平原、盆地以及西北部等地区，而对于西南部的喀斯特山区针对性研究较少［10-12］。贵州省是西南喀斯特山区中唯一一个没有平原支撑的省份［14］，在贵州省开展TRMM降尺度研究具有典型性。曾业隆等［15］考虑了地形起伏度这单一辅助变量对TRMM构建GWR降尺度模型，发现背风坡地形起伏对降水的积极关系可能不存在；姬世保等［16］对TRMM降尺度到0.05°，未考虑DEM对降水的影响；吴健等［17］构建了降水与DEM、坡度、坡向和经纬度等地形因子的多元线性回归模型来降尺度，未考虑植被的影响。降水的空间分布与地理位置、地形、植被等因素都息息相关，目前在喀斯特山区TRMM降尺度研究辅助变量的选取都只考虑了植被因子或者部分地形因子，同时直观比较线性回归方法和GWR方法降尺度效果的较少。

本研究将以喀斯特山区发育的贵州省作为研究区，同时引入NDVI、DEM、坡度、坡向、经度和纬度等植被和地理地形辅助变量，借助能综合考虑多因素的多元线性回归模型（OLS）以及能考虑降水与影响因子间非平稳关系的GWR模型ADDIN[18]，对TRMM降尺度到1 km，并对比两种降尺度方法在研究区的适用性，以期为今后获取喀斯特山区高空间分辨率降水提供方法借鉴，并为区内降水分布、水土保持、干旱监测等研究提供数据支撑。

1 研究区概况

贵州省位于我国西南地区，介于东经103°36′～109°35′、北纬24°37′～29°13′之间，是世界上最大的喀斯特地貌集中分布区，全省面积1.761×105 km2，喀斯特地貌占73.8%，构成独特的岩溶生态系统［19］。贵州地处云贵高原东侧、青藏高原东南坡，平均海拔1 100 m左右，地势西高东低，92.5%为山地和丘陵，有大娄山、苗岭、武陵山和乌蒙山，地形地势复杂。主要为亚热带湿润季风气候，年平均气温15 ℃，年降水量约1 300 mm，集中在4—9月，气候呈多样性，降水量时空分布复杂［20］。为提高降尺度处理过程中的精度，对研究区边界向外做一个TRMM像元（25 km）的缓冲区进行分析（图1）。

2 数据与研究方法

2.1 数据

2.1.1 地面气象站点数据

本研究使用的2008—2019年31个地面气象站点实测降水日值数据集来源于国家气象科学数据中心（http：//data.cma.cn/），站点分布见图1。

2.1.2 遥感数据

TRMM是美国宇航局和日本宇宙航空研究开发机构的一个联合项目，提供了一系列具有不同空间和时间分辨率的降水数据集［12］。本研究采用2008—2019年TRMM 3B43 最新版本（V7）逐月降水资料，空间分辨率为0.25°×0.25°（约25 km×25 km），来源于NASA网站（http：//mirador.gsfc.nasa.gov/）。

NDVI数据来自TERRA卫星上中分辨率成像光谱仪传感器的MODIS 13A3 V006版本产品（https：//lasweb.modaps.eosdis.nasa.gov/），空间分辨率为1 km×1 km的逐月合成数据，选取2008—2019年。

DEM数据来源于中国科学院资源环境科学与数据中心（https：//www.resdc.cn/），是美国航空航天局和国家测绘局联合测量的SRTM数据集，考虑到本研究的空间尺度，下载空间分辨率为90 m和1 km的DEM栅格数据，坡度、坡向和经纬度从中提取。

2.1.3 数据预处理

地面气象站点日值数据利用MATLAB单位转换和累加求和，获得31个站点实测年降水数据；对TRMM降水数据利用ENVI和ArcGIS软件经过波段提取、旋转、添加地图信息、投影转换、单位转换、提取多值到点和累加求和获得年尺度的原始TRMM降水数据；MODIS 13A3数据进行波段提取、投影转换、镶嵌、裁剪、去负值和无效值剔除，并通过对每年的月值栅格数据集求平均得到年平均NDVI数据，坡度、坡向从DEM数据中提取。

2.2 研究方法

2.2.1 普通最小二乘法

普通最小二乘法［21］（OLS）属于全局多元线性回归方法，对相关变量进行数学拟合、最小化误差平方和后得出估计值，其中，相关解释变量对因变量的作用程度在研究区域一致，公式［22］为

式中：i=1，2，…，N，N和i分别为像元数量和自变量个数；yi为第i像元的因变量；xij为第i像元的第j个解释变量（坡度、坡向、海拔、经纬度和NDVI）；β0是回归参数常数项；εi是第i像元的回归残差估计值，对应变量的系数在整个研究区内一致；βj为第j个解释变量的回归系数。

2.2.2 地理加权回归模型

地理加权回归模型（GWR）是一种能反映空间变化异质性的局部加权回归模型［18，23］，将空间权重引入地理位置函数，以表征变量之间的空间依赖度，遵循Tobler“地理学第一定律”［24］，即空间距离越近相关性越大。采用Akaike准则（Akaike information criterion，AIC）确定最优带宽，将每个目标要素最优带宽范围内的因变量和解释变量进行整合，从而对研究范围内任意位置空间格点相关变量进行局部拟合，每个格点自变量回归系数不一致，基本模型［25］为

式中：（ui，vi）是第i像元中心点的经纬度，考虑模型需求，采用Albers投影坐标；β0（ui，vi）是第i像元基于位置函数的回归参数常数项；ε（ui，vi）是第i像元基于位置函数的残差估计值；βj（ui，vi）为第j个影响因子对第i像元的线性回归参数。回归参数

式中：dij是像元i和j之间的距离；b为自适应带宽大小，即最优带宽。

2.2.3 降尺度方法

基于GWR和OLS模型，建立TRMM 3B43降水数据与解释因子之间的函数关系来进行降尺度：

1）数据集准备：从原始TRMM数据中提取每个像元的经纬度（ui，vi）和降水值yL，i（L表示0.25°低分辨率数据，H表示1 km高分辨率数据），将解释因子xij分别重采样至0.25°（xL，ij）和1 km（xH，ij）；

2）建立回归关系：将步骤1）中的低分辨率数据集分别输入两个模型，建立0.25°分辨率下TRMM 数据yL，i与xL，ij的回归关系，得到低空间分辨率下自变量的系数βL，j、常数项βL，0和残差项εL；

3）数据栅格化：将0.25°空间分辨率的系数βL，j、常数项βL，0等点转面，分别重采样至1 km高分辨率的βH，j和βH，0， OLS为全局回归模型，遂βH，j和βH，0与低分辨率下保持一致，对两种模型的εL通过简单克里金插值［25］，得到高分辨率的残差值εH；

4）回代模型：基于GWR和OLS模型，将研究区高分辨率下所有像元的βH，j、βH，0、εH和xH，ij回代第2步中，得到空间分辨率为1 km的降尺度降水数据。

2.2.4 精度评价指标

以实测站点数据为真值，选择皮尔逊相关系数（Pearson correlation coefficient，CC）、相对误差（relative error，RE）和均方根误差（root mean square error，RMSE）3个统计指标，对降尺度前后TRMM卫星降水数据进行精度验证，公式［26］为：

相关系数：

式中：Tt为TRMM降水产品降水量；t为TRMM降水产品降水量均值；Pt为实测站点降水量，t为实测站点降水量均值；M为样本数。

3 结果与分析

3.1 原始TRMM数据适用性分析

原始TRMM数据相对于气象站点实测数据在时空分布上存在一定偏差，对其进行适用性分析是降尺度结果具有可靠性的前提。在年时间尺度上，以2008—2019年31个地面站点年实测数据为自变量，对应时间序列的TRMM 3B43降水数据为因变量构建一元线性函数。由图2可知，相关系数为0.763 9，其通过P<0.000 1的顯著性检验，相对误差为3.50%，均方根误差为179.397 mm，TRMM数据年降水量在一定程度上比实测数据稍微偏大，与站点观测数据在年尺度上整体存在明显的相关性且适用性较高。

整体相关性程度表征不出单站点精度高低，对研究区31个气象站点下TRMM和年实测数据之间的CC构建泰勒多边形（图3）。从图3可看出，所有站点的CC都在0.6以上，最高达0.95左右，且有一半站点的CC大于0.8，西南部相关系数整体优于东北部，31个站点都通过了0.05的显著性检验，其中研究区26个地面气象站在P<0.01水平下显著，说明在各站点下两种数据也具有较好的相关性，精度较高，总体满足TRMM年数据降尺度研究的需要。

3.2 TRMM降尺度结果及验证

3.2.1 年降水量降尺度结果及验证

利用GWR和OLS两种降尺度模型将空间分辨率为0.25°的TRMM卫星降水数据成功降尺度到1 km，将2008—2019年的原始TRMM 3B43年降水数据、GWR模型降尺度后年降水数据和OLS模型降尺度后年降水数据求平均，得到多年平均降水量（图4）。可知：1）降尺度后的TRMM空间分辨率提升到1 km，空间细节表现增强，边缘过渡较平滑； 2）GWR降尺度的降水量在数值上更接近原始TRMM，OLS降尺度后的降水量最高值远大于降尺度前，这是由于OLS将各辅助变量影响程度整体化平均化，易出现局部异常；3）整体上，GWR得到的降水量在空间格局上更能反映原始TRMM降水，两者在空间分布上趋向一致，自西北向东南逐渐增加，东南部为多雨区，西北部偏少，与实际降水分布情况一致。而多雨区形成的主要原因是贵州省东部易受到印度季风槽前西南暖湿气流东扩影响，同时北高南低的倾斜地形对偏南暖湿气流有抬升作用［27］。OLS降尺度模型得到的降水量在研究区内没有明显降水分区。

对2008—2019年GWR和OLS模型降尺度后的数据进行年相关性分析（表1），GWR降尺度数据的CC为0.716，OLS为0.528，都通过了0.000 1的显著性检验，前者较后者CC提高了0.188，RE降低了23.80%，RMSE减少了261.839 mm；与原始TRMM相比，GWR数据的相关系数略低，相对误差更接近0。GWR模型降尺度的年降水精度整體高于OLS降尺度的年降水，主要是由于OLS为全局回归模型，认为对应解释变量对降水的影响作用在研究区一致，未考虑空间异质性，易产生偏差。

另外发现（图5），研究区近12年降尺度前后和实测降水数据变化趋势基本一致。与实测数据相比，OLS模型降水普遍存在大幅度高估，特别是2017年高于实测值429.256 mm；原始TRMM降水数据2010年与实测数据基本持平，2012年小于实测值，其他年份小幅度高于实测降水；经GWR模型降尺度后的降水估算值在TRMM降水易发生高估的多数年份里（2009、2011、2013、2015、2016、2017、2019）更接近实测值，减小了偏离程度。

3.2.2 单站点降水量降尺度结果及验证

分别对贵州省近12年的GWR和OLS模型降尺度年数据、原始TRMM降水年数据按站点进行精度验证。从皮尔逊相关系数指标看（图6），三种降水数据相关系数值在各站点整体较高，原始TRMM和降尺度后CC都大于0.7的有16个站点，其中铜仁、毕节、威宁、榕江、兴仁、罗甸和兴义高于0.8，毕节和兴仁在0.9以上；GWR降尺度后余庆较其他站点更低，松桃、桐梓、仁怀、铜仁、三穗、织金、惠水、紫云、盘县、荔波和兴义等11个站点较原始TRMM 3B43均有所提高，其中盘县从0.81提高到0.93；OLS降尺度后松桃、湄潭、仁怀等12个站点比降尺度前略高，普安站较降尺度前降低了0.3，提高幅度普遍小于GWR数据。

降尺度前后大部分站点降水量存在高估现象（图7），OLS数据高估程度尤为明显，27个站点相对误差值都大于GWR降尺度数据和原始TRMM数据；GWR降尺度数据接近一半站点RE值小于原始TRMM数据，高估现象在一定程度上得到了改善。原始TRMM数据与GWR数据的均方根误差大多介于100～300 mm之间（图8），OLS数据的RMSE变化波动较大，正安站高达1 276.8 mm。基于GWR模型降尺度后，思南、三穗、贵阳、惠水、荔波、兴义等站点的RMSE均有所减小。

值得关注的是，DEM和NDVI突变区域（DEM变化绝对值在200～330 m左右，NDVI变化绝对值在0.2～0.4左右）内的15个站点（按站点顺序湄潭—黔西、天柱、凯里、都匀、黎平、兴仁、罗甸、望谟、兴义）降尺度数据中，相比GWR降尺度得到的降水数据，OLS降尺度数据的RE和RMSE更大，但在相关系数这一指标上表现更优。这可能是由于OLS的全局平稳性会掩盖地形和植被突然变化所产生的影响，将其平均化，从而出现假性的更优相关性，累积误差和相对误差实际却更大，甚至远超GWR降尺度数据的误差。说明比较降尺度算法时，若只看相对系数这单一评价指标，可能会出现假性更优，因此需多指标综合验证。

4 结论与讨论

4.1 结论

1）与实测站点观测降水比较，TRMM 3B43卫星年降水量相对误差在0.03左右，相关系数为0.764，一半以上站点CC大于0.8，在贵州省有较好的精度，表现出一定适用性。

2）经OLS和GWR模型降尺度后的数据，空间分辨率大幅提高，细节增多。相比OLS降尺度数据，考虑了空间异质性的GWR模型降尺度数据空间分布与原始TRMM更趋于一致，降水量与实测情况相符，呈现自东南向西北递减的分布特征。

3）在年尺度上，相比于OLS降尺度数据，GWR降尺度模型得到的年降水在原始TRMM降水易发生高估的多数年份里更能刻画真实降水，偏离程度更小，并且在三种评价指标上都更优。

4）单气象站点，降尺度后的相关系数大多在0.7～0.97之间，OLS降尺度数据的相对误差和均方根误差多数大于GWR降尺度降水，其中正安站均方根误差高1 110 mm左右，但若只看相对系数这单一评价指标可能会出现假性更优。

4.2 讨论

基于GWR和OLS模型，综合考虑了植被、地理和地形因子的降尺度数据，空间分辨率得到了极大的提升，细节刻画能力增强，这与窦世卿等［28］结合多元辅助变量对TRMM降尺度研究的结果一致。两种降尺度模型综合从评价指标和与实测降水量的变化趋势来看，GWR模型对TRMM的降尺度效果优于OLS模型，更能反映真实的降水信息，提高分辨率的同时较好地保证了数据精度。在年尺度和31个单站点降尺度方面，GWR降尺度后的个别指标，相较原始TRMM数据有略微降低，这与窦世卿和李豪等［28-29］在長江流域和四川省的年降尺度评估结果相似。从根本上来说，本研究的降尺度方法是一种图像超分辨率处理，处理后的图像会有不同程度的细节失真［29］。技术方面，TRMM遥感反演降水受下垫面复杂度和对降水灵敏度的影响［15］，其反演准确性存在空间差异，原始TRMM数据的精度也是降尺度误差来源之一，加上重采样和残差插值也存在不可避免的误差。同时，降水、植被和地形之间复杂关系的构建，实测雨量站点的分布、密度和数量也会影响降尺度评估的结果。但降尺度并不说明相关系数一定要高于原始TRMM数据，它的最终目的是在提高降水空间分辨率的同时获得相当的降水精度来满足实际应用研究［29］。

贵州省喀斯特复杂地形的岩石裂隙发育程度、石漠化分布和部分降水快速补给地下溶洞的情况异于其他山区，同时年尺度上植被主要集中于东南部。针对上述特征，可以在区域上划分是否是植被区和是否是溶洞、暗河出露区、引入与降水相关的解释变量（如表征干旱的指数）、结合气象站点观测数据校正降尺度数据等来进一步提高降水精度，使其更贴合实测值。

参考文献：

[1]NING S， ZHOU H W， ZHANG Z Y， et al. Precipitation scale effect of the TRMM satellite in Tianshan， China［J］. Journal of Mountain Science， 2023， 20（5）： 1349-1368.

［2］ 宁珊， 张正勇， 刘琳， 等. TRMM偏最小二乘降尺度降水模型在新疆不同地貌的适应性［J］. 农业工程学报， 2020， 36（12）： 99-109.

［3］ 嵇涛， 刘睿， 杨华， 等. 多源遥感数据的降水空间降尺度研究：以川渝地区为例［J］. 地球信息科学学报， 2015， 17（1）： 108-117.

［4］ 谭伟伟. 长江经济带卫星遥感降水数据空间降尺度研究［D］. 武汉： 武汉大学， 2020.

［5］ 金彩平. TRMM卫星降雨数据空间降尺度校准及应用研究［D］. 南宁： 广西大学， 2018.

［6］ 胡鹏飞， 李净， 王丹， 等. 基于MODIS和TRMM数据的黄土高原农业干旱监测［J］. 干旱区地理， 2019， 42（1）： 172-179.

［7］ LI L， HONG Y， WANG J，et al. Correction to： evaluation of the real-time TRMM-based multi-satellite precipitation analysis for an operational flood prediction system in Nzoia Basin， Lake Victoria， Africa［J］. Natural Hazards， 2017， 89（3）： 1495.

［8］ 范田亿， 张翔， 黄兵， 等. TRMM卫星降水产品降尺度及其在湘江流域水文模拟中的应用［J］. 农业工程学报， 2021， 37（15）： 179-188.

［9］ 赵泽宇， 秦福莹， 那音太， 等. 基于GWR模型降尺度模拟蒙古高原地区TRMM降水数据［J］. 中国农业气象， 2023， 44（3）： 182-192.

［10］IMMERZEEL W W， RUTTEN M M， DROOGERS P. Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula［J］. Remote Sensing of Environment， 2009，113（2）：362-370.

［11］JIA S， ZHU W， LV A， et al. A statistical spatial downscaling algorithm of TRMM precipitation based on NDVI and DEM in the Qaidam Basin of China［J］. Remote Sensing of Environment， 2011，115（12）：3069-3079.

［12］XU S， WU C， WANG L， et al. A new satellite-based monthly precipitation downscaling algorithm with non-stationary relationship between precipitation and land surface characteristics［J］. Remote Sensing of Environment， 2015，162：119-140.

［13］胡实， 韩建， 占车生， 等. 基于地理加权回归模型的典型山地卫星反演降水产品降尺度研究［J］. 山地学报， 2019，37（3）：451-461.

［14］李威， 蒋平， 赵卫权， 等. TRMM卫星降水数据在喀斯特山区的适用性分析：以贵州省为例［J］. 水土保持研究， 2016， 23（1）： 97-102.

［15］曾業隆， 谭伟， 王超， 等. 基于GWR模型的贵州喀斯特山区TRMM 3B43降水资料降尺度分析［J］. 干旱气象， 2018， 36（3）： 405-414.

［16］姬世保， 杜军凯， 仇亚琴， 等. 基于星地融合数据的黔桂喀斯特山地降水时空分布［J］. 南水北调与水利科技， 2019， 17（6）： 28-36.

［17］吴健， 周秋文， 韦小茶， 等. TRMM降水产品在喀斯特地区的空间降尺度研究：以贵州省为例［J］. 人民珠江， 2019，40（6）：20-26.

［18］MC MILLEN D P. Geographically weighted regression： the analysis of spatially varying relationships［J］. American Journal of Agricultural Economics， 2004， 86（2）：554-556.

［19］吴小飘， 周忠发， 朱孟， 等. 典型喀斯特聚集区不同地貌类型干旱时空特征［J］. 水土保持研究， 2023， 30（1）： 336-347.

［20］丁立国. 贵州山地复杂地形下暴雨洪涝灾害风险研究［D］. 南京：南京信息工程大学， 2022.

［21］冀晓娜， 徐金秀. 宁城县旅游气候舒适度评价及基于客流量的评价模型优化［J］. 内蒙古气象， 2021（6）：28-32.

［22］曾礼， 高艳红， 蒋盈沙， 等. 地形因子对华东地区降水影响的尺度效应研究［J］. 地球科学进展， 2022， 37（5）： 535-548.

［23］OSHAN T， LI Z， KANG W，et al. MGWR： a python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale［J］. ISPRS International Journal of Geo-Information， 2019，8（6）： 269.

［24］TOBLER W R. A computer movie simulating urban growth in the Detroit region［J］. Economic Geography， 2016， 46： 234-240.

［25］ARSHAD A， ZHANG W， ZHANG Z，et al. Reconstructing high-resolution gridded precipitation data using an improved downscaling approach over the high altitude mountain regions of upper Indus Basin （UIB）［J］. Science of the Total Environment， 2021， 784： 147140.1-147140.18.

［26］旷兰， 田茂举， 李强， 等. 多源降水融合分析产品在重庆复杂地形下的精度评价［J］. 中国农业气象， 2023，44（1）：71-81.

［27］罗宁， 许炳南， 文继芬， 等. 贵州大气降水的时空分布规律研究［J］. 贵州气象， 2006（4）： 3-7.

［28］张寒博， 徐勇， 窦世卿， 等. 基于GWR模型的长江流域TRMM数据降尺度［J］. 水土保持研究， 2021，28（3）：149-155.

［29］李豪， 雷苑. 复杂地形下TRMM降水数据的降尺度研究：以四川省为例［J］. 中国农业气象， 2019，40（10）：607-619.

Spatial Downscaling of TRMM Precipitation Data

in Karst Mountainous Area

Abstract：

This study obtains high-resolution satellite precipitation data to provide a data base for various research fields in karst regions such as drought and flood disaster assessment and hydrological forecasting. Taking tropical rainfall measuring mission as the data source， using the ordinary least square and geographic weighted regression， this study constructed downscaling model of precipitation with elevation， slope， aspect， longitude， latitude and normalized difference vegetation index for annual downscaling research. And the applicability of OLS and GWR downscaling methods in the karstic mountainous areas of Guizhou province was compared. The results were as follows. 1） The accuracy between TRMM data and station observations was good. 2） The spatial resolution of the downscaling data was greatly improved to 1 km. The GWR model downscaling annual precipitation was closer to the measured value of meteorological stations than the original TRMM data in most years， and the overestimation phenomenon was ameliorated. Compared with the OLS downscaling annual data， the three indicators of GWR downscaling data performed better. 3） At single station， OLS downscaling data tended to have spurious better correlations in cases where elevation and NDVI value changed suddenly. Based on comprehensive evaluation of multiple indicators， the accuracy of GWR downscaling data was generally higher in karst mountainous areas. The subsequent research can get the precipitation data closer with the measured data by dividing vegetation areas and karst areas， adding environmental factor， calibrating downscaling precipitation， and so on.

Key words：

TRMM 3B43; downscaling; GWR model; karst mountainous