CN106019310B - 一种基于卫星遥感数据的分辨率提高方法 - Google Patents

一种基于卫星遥感数据的分辨率提高方法 Download PDF

Info

Publication number
CN106019310B
CN106019310B CN201610305858.8A CN201610305858A CN106019310B CN 106019310 B CN106019310 B CN 106019310B CN 201610305858 A CN201610305858 A CN 201610305858A CN 106019310 B CN106019310 B CN 106019310B
Authority
CN
China
Prior art keywords
data
precipitation
spatial resolution
satellite remote
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610305858.8A
Other languages
English (en)
Other versions
CN106019310A (zh
Inventor
史舟
刘用
马自强
杨亚辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610305858.8A priority Critical patent/CN106019310B/zh
Publication of CN106019310A publication Critical patent/CN106019310A/zh
Application granted granted Critical
Publication of CN106019310B publication Critical patent/CN106019310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于卫星遥感数据的分辨率提高方法。本发明首先把1km的数字高程模型和植被指数两个环境变量因子聚合计算到25km，作为自变量，对应25km分辨率的TMPA 3B43 v7降水数据作为因变量进行建模，并将建立的模型应用到相应地理区域的1km环境变量因子上，最终得出1km的高精度降水预测数据。本发明基于TMPA 3B43 v7数据,提出了一种高精度降水数据建模预测方法,最终得到1km空间分辨率的降水预测值。该方法预测精度较高,且方法简便易行。

Description

一种基于卫星遥感数据的分辨率提高方法
技术领域
本发明涉及一种气象卫星遥感数据的分辨率提高方法，具体涉及到基于TMPA3B43 v7的高精度降水数据建模预测方法。
技术背景
降水在水文学、气象学、生态学以及农业研究等领域担任了重要角色，特别是全球尺度物质能量交换主要驱动力之一。地面观测站是一种应用广泛的降水测量手段，并且具有精度高和技术成熟的特点。但是地面观测站监测的降水量仅代表地表观测站及周边一定距离的降水状况，因此很难表述大面积降水分布特征，尤其是在地面观测站布网密度稀疏的高原地区。而卫星遥感技术能够提供较高时空分辨率的降水数据，覆盖空间范围更广，很好的克服了地面降水观测站和测雨雷达的局限，为全球降水监测提供了有力的数据支撑。
近年来，随着气象卫星技术的发展，全球尺度高时空分辨率的测雨卫星产品应运而生，如美国热带降水测量卫星(Tropical Rainfall Measuring Mission)降水产品TMPA3B43 v7。TMPA降水卫星提供覆盖全球50°S～50°N以内的区域的降水数据。但是，TRMM卫星的原始分辨率较低(空间分辨率为0.25°，约25km)，在预测区域尺度降水方面具有一定的局限性和偏差，因此需要针对TMPA数据进行空间分辨率的提高，从而得到分辨率较高的降水测量值。
发明内容
本发明的目的在于解决现有技术中存在的问题，并提供一种基于卫星遥感数据的分辨率提高方法。
本发明的具体技术方案如下：
一种基于卫星遥感数据的分辨率提高方法，包括以下步骤：
步骤1)数据获取：获取待测区域的TMPA 3B43 v7降水数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集待测区域内地面观测站点的日降水量观测值；其中MODIS卫星遥感影像数据指的是MOD13A2数据产品；
步骤2)数据预处理：将步骤1)获取的TMPATMPA 3B43 v7降水数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；步骤3)进行建模及参数率定：将步骤2)处理后的25kmTMPATMPA 3B43 v7降水数据作为因变量，以空间分辨率为25km的植被指数和数字高程模型作为自变量进行建模及参数率定。
步骤4)高精度降水数据预测制图：基于步骤3)在25km空间分辨率下建立的模型应用到空间分辨率为1km的环境变量中进行建模预测，从而得到1km的高精度降水数据；同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km，并将其与空间分辨率为1km地面降水量预测值数据相加，得到空间分辨率为1km的高精度降水数据。
所述的步骤1)中，TMPA 3B43 v7降水数据的空间分辨率为0.25°×0.25°，时间分辨率为月；所述的ASTER GDEM卫星遥感影像数据的空间分辨率为90m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
所述的步骤3)中建模所采用的参数估算模型的通用形式为：yn＝α0+
其中，N表示参数估算模型中自变量个数；an表示第n个环境变量的系数；a0表示模型参数的常数项系数；yn表示降雨量预测值；xn表示第n个环境变量；
a0和an的计算公式如下：
其中:k代表地面观测站点个数；xin代表第i个地面观测站点的第n个环境变量的值，yi代表的是第i个地面观测站点的日降水量观测值，代表第n个环境变量因子的均值，代表所有地面观测站点的日降水量观测值的均值。
本发明所述的步骤3)中参数率定后的模型为：
Yprecip＝-79.42+0.012×Xdem+1921×Xndvi
其中Yprecip是1km地面降雨预测值，Xdem代表的是1km数字高程模型的栅格值，Xndvi代表的是1km植被指数栅格值。
本发明基于TMPA 3B43 v7数据，提出了一种高精度降水数据建模预测方法,最终得到1km空间分辨率的降水预测值。该方法预测精度较高,且方法简便易行。
具体实施方式
下面结合具体实施方式对本发明进一步说明。
选取中国作为研究区域，对2008-2012年的月降雨量进行高精度预测制图研究，最终得到1km空间分辨率的降水预测值。
步骤1)数据获取：获取待测区域的TMPA 3B43 v7降水数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集待测区域内地面观测站点的日降水量观测值；其中MODIS卫星遥感影像数据指的是MOD13A2数据产品；TMPA 3B43 v7降水数据的空间分辨率为0.25°×0.25°，时间分辨率为月；所述的ASTER GDEM卫星遥感影像数据的空间分辨率为90m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
步骤2)数据预处理：将步骤1)获取的TMPATMPA 3B43 v7降水数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；步骤3)进行建模及参数率定：将步骤2)处理后的25kmTMPATMPA 3B43 v7降水数据作为因变量，以空间分辨率为25km的植被指数和数字高程模型作为自变量进行建模及参数率定。
建模所采用的参数估算模型形式为：
其中，N表示参数估算模型中自变量个数，具体个数按照上述选择出来的自变量个数进行确定；an表示第n个环境变量的系数；a0表示模型参数的常数项系数；yn表示降雨量预测值；xn表示第n个环境变量；
a0和an的计算公式如下：
其中:k代表地面观测站点个数；xin代表第i个地面观测站点的第n个环境变量的值，yi代表的是第i个地面观测站点的日降水量观测值，代表第n个环境变量因子的均值，代表所有地面观测站点的日降水量观测值的均值。
参数率定后的模型为：
Yprecip＝-79.42+0.012×Xdem+1921×Xndvi
其中Yprecip是1km地面降雨预测值，Xdem代表的是1km数字高程模型的栅格值，Xndvi代表的是1km植被指数栅格值。步骤4)高精度降水数据预测制图：基于步骤3)在25km空间分辨率下建立的模型应用到空间分辨率为1km的环境变量中进行建模预测，从而得到1km的高精度降水数据；同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km，并将其与空间分辨率为1km地面降水量预测值数据相加，得到空间分辨率为1km的高精度降水数据。同时将数据导入到制图软件中进行制图，渲染。
步骤5)降水量预测值的精度分析：利用地面降水实测点对步骤4)中的1km空间分辨率的降水量预测值进行预测精度验证分析，交叉检验选用均方根误差、平均绝对误差以及相关系数作为评价因子。各指标的计算公式如下：
式中MAE代表的是平均绝对误差，RMSE代表的是均方根误差，R2代表的是回归相关系数，Yk是地面观测站点k的观测值，Ok是通过模型降尺度后在站点k处的预测值，是所有地面降水观测站点数据的平均值，是在所有站点的模型预测值的平均值。
最终，相关系数R2为0.676，均方根误差RMSE为37.928mm，平均绝对误差MEA为28.654mm。

Claims (2)

1.一种基于卫星遥感数据的分辨率提高方法，其特征在于，包括以下步骤：
步骤1)数据获取：获取待测区域的TMPA 3B43v7降水数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影像数据，同时收集待测区域内地面观测站点的日降水量观测值；其中MODIS卫星遥感影像数据指的是MOD13A2数据产品；
步骤2)数据预处理：将步骤1)获取的TMPATMPA 3B43v7降水数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；
步骤3)进行建模及参数率定：将步骤2)处理后的25kmTMPATMPA 3B43v7降水数据作为因变量，以空间分辨率为25km的植被指数和数字高程模型作为自变量进行建模及参数率定；
步骤4)高精度降水数据预测制图：基于步骤3)在25km空间分辨率下建立的模型应用到空间分辨率为1km的环境变量中进行建模预测，从而得到1km的高精度降水数据；同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km，并将其与空间分辨率为1km地面降水量预测值数据相加，得到空间分辨率为1km的高精度降水数据；
所述的步骤3)中建模所采用的参数估算模型形式为：
其中，N表示参数估算模型中自变量个数；an表示第n个环境变量的系数；a0表示模型参数的常数项系数；yn表示降雨量预测值；xn表示第n个环境变量；
a0和an的计算公式如下：
其中:k代表地面观测站点个数；xin代表第i个地面观测站点的第n个环境变量的值，yi代表的是第i个地面观测站点的日降水量观测值，代表第n个环境变量因子的均值，代表所有地面观测站点的日降水量观测值的均值；
步骤3)中参数率定后的模型为：
Yprecip＝-79.42+0.012×Xdem+1921×Xndvi
其中Yprecip是1km地面降雨预测值，Xdem代表的是1km数字高程模型的栅格值，Xndvi代表的是1km植被指数栅格值。
2.如权利要求1所述的基于卫星遥感数据的分辨率提高方法，其特征在于，所述的步骤1)中，TMPA 3B43v7降水数据的空间分辨率为0.25°×0.25°，时间分辨率为月；所述的ASTERGDEM卫星遥感影像数据的空间分辨率为90m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
CN201610305858.8A 2016-05-10 2016-05-10 一种基于卫星遥感数据的分辨率提高方法 Active CN106019310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610305858.8A CN106019310B (zh) 2016-05-10 2016-05-10 一种基于卫星遥感数据的分辨率提高方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610305858.8A CN106019310B (zh) 2016-05-10 2016-05-10 一种基于卫星遥感数据的分辨率提高方法

Publications (2)

Publication Number Publication Date
CN106019310A CN106019310A (zh) 2016-10-12
CN106019310B true CN106019310B (zh) 2019-02-12

Family

ID=57100224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610305858.8A Active CN106019310B (zh) 2016-05-10 2016-05-10 一种基于卫星遥感数据的分辨率提高方法

Country Status (1)

Country Link
CN (1) CN106019310B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10372846B2 (en) * 2015-11-12 2019-08-06 International Business Machines Corporation Retrieving pollution emission source using CFD and satellite data
CN108563974A (zh) * 2017-03-20 2018-09-21 浙江大学 一种土壤重金属Hg含量的空间预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810376A (zh) * 2014-01-17 2014-05-21 浙江大学 基于卫星遥感与回归克里格的地面日降雨量预测方法
CN104820754A (zh) * 2015-05-13 2015-08-05 南京信息工程大学 一种基于地理差异分析法的空间统计降尺度降水估算方法
CN105160192A (zh) * 2015-09-17 2015-12-16 浙江大学 基于M5-Local的TRMM卫星降雨数据降尺度方法
CN105550423A (zh) * 2015-12-09 2016-05-04 浙江大学 基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810376A (zh) * 2014-01-17 2014-05-21 浙江大学 基于卫星遥感与回归克里格的地面日降雨量预测方法
CN104820754A (zh) * 2015-05-13 2015-08-05 南京信息工程大学 一种基于地理差异分析法的空间统计降尺度降水估算方法
CN105160192A (zh) * 2015-09-17 2015-12-16 浙江大学 基于M5-Local的TRMM卫星降雨数据降尺度方法
CN105550423A (zh) * 2015-12-09 2016-05-04 浙江大学 基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中高纬度地区 TRMM 卫星降雨数据的精度评价;蔡研聪 等;《应用生态学报》;20141130;第25卷(第11期);第3296-3306页

Also Published As

Publication number Publication date
CN106019310A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106021868B (zh) 一种基于多规则算法的遥感数据降尺度方法
CN106019408B (zh) 一种基于多源遥感数据的高分辨率卫星遥感估算方法
CN105160192B (zh) 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法
CN105550423B (zh) 基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法
CN106021872A (zh) 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
CN110751094B (zh) 一种基于gee综合遥感影像和深度学习方法的作物估产方法
CN105912836B (zh) 一种纯遥感数据驱动的流域水循环模拟方法
Tobin et al. Adjusting satellite precipitation data to facilitate hydrologic modeling
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
CN104992071B (zh) 一种基于集合资料同化技术的初始扰动方法
CN109784552A (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN105842692A (zh) 一种insar测量中的大气校正方法
CN107424076A (zh) 一种基于amsr2土壤水分数据降尺度算法
CN110196457A (zh) 一种用于强对流天气预报的地闪资料同化方法及系统
CN109543907A (zh) 一种复杂地形风资源评估方法及其装置
CN106019310B (zh) 一种基于卫星遥感数据的分辨率提高方法
CN109325540A (zh) 一种针对遥感每天降水量数据的空间降尺度方法
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
Yun et al. Mitigating atmospheric effects in InSAR measurements through high-resolution data assimilation and numerical simulations with a weather prediction model
CN114463616A (zh) 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法
Benassai et al. Sea wave numerical simulations with COSMO-SkyMed© SAR data
CN113553782B (zh) 一种用于预报风速的降尺度方法
Yang et al. Reducing biases in regional climate downscaling by applying Bayesian model averaging on large-scale forcing
CN112285808B (zh) 一种aphrodite降水数据的降尺度方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant