CN106021868A - 一种基于多规则算法的遥感数据降尺度方法 - Google Patents
一种基于多规则算法的遥感数据降尺度方法 Download PDFInfo
- Publication number
- CN106021868A CN106021868A CN201610305772.5A CN201610305772A CN106021868A CN 106021868 A CN106021868 A CN 106021868A CN 201610305772 A CN201610305772 A CN 201610305772A CN 106021868 A CN106021868 A CN 106021868A
- Authority
- CN
- China
- Prior art keywords
- data
- represent
- spatial resolution
- precipitation
- index
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种基于多规则算法的遥感数据降尺度方法。本发明首先把1km的环境变量因子包括植被指数、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、地表粗糙度、地表反射率和谷底平坦指数9个数据聚合计算到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。本发明基于多规则算法,提出了一种遥感数据降尺度方法,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
技术领域
本发明涉及一种气象卫星降水数据的降尺度方法,具体涉及到一种基于多规则算法的TMPA 3B43 v7遥感数据降尺度方法。
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TMPA 3B43 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,并提供一种基于多规则算法的TMPA 3B43 v7遥感数据降尺度方法。
本发明的具体技术方案如下:
一种基于多规则算法的遥感数据降尺度方法,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卫星遥感影像数据包括MOD11A2数据产品和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MOD11A2数据产品中提取白天地表温度和晚上地表温度参量,并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和25km的晚上地表温度数据;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;从ASTER GDEM卫星遥感影像数据中提取、聚合计算分别得到1km和25km的坡度、地形湿度指数、坡长坡度、谷底平坦指数、地表粗糙度和地表反射率数据;
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、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、地表粗糙度、地表反射率和谷底平坦指数9个数据作为自变量进行建模及参数率定。
步骤4)基于多规则算法的遥感数据降尺度方法: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通用形式为:
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。
本发明所述的步骤3)中参数率定后的模型为:
(1)当dem≤1286.0且ndvi>0.3788
Yprecip=1095.88062+63.2×Xlst_night-0.258×Xdem-47.4×X+1363×Xndvi+44×Xls-7.3×Xslope-27×Xtwi-0.64×Xrug+8×Xmrv-0.00024×Xrad
(2)当ndvi≤0.378806
Yprecip=621.364611+1346×Xndvi+22.3×Xlst_night+0.092×Xdem-15.2×Xlst_day-0.00078×Xrad+18×Xmrv-1.7×Xslope-4×Xtwi+0.11×Xrug
(3)dem>1286.0
Yprecip=-434.877289+1221×Xndvi+18.1×Xlst_night+0.096×Xdem+0.00047×Xrad+14×Xls-2.7×Xslope
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,Xlst_day代表的是1km白天地表温度栅格值,Xlst_night代表的是1km晚上地表温度栅格值,Xslope代表的是1km坡度栅格值,Xndvi代表的是1km植被指数栅格值,Xtwi代表的是1km地形湿度指数栅格值,Xrug代表的是1km地表粗糙度,Xrad代表的是1km地表反射率,Xmrvbf代表的是1km谷底平坦指数。
本发明基于多规则算法,提出了一种遥感数据降尺度方法,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
下面结合具体实施例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卫星遥感影像数据包括MOD11A2数据产品和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MOD11A2数据产品中提取白天地表温度和晚上地表温度参量,并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和25km的晚上地表温度数据;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;从ASTER GDEM卫星遥感影像数据中提取、聚合计算分别得到1km和25km的坡度、地形湿度指数、坡长坡度、谷底平坦指数、地表粗糙度和地表反射率数据;
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、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、地表粗糙度、地表反射率和谷底平坦指数9个数据作为自变量进行建模及参数率定。
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,具体视上述因子选择情况而定;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。
本发明中参数率定后的模型为:
(1)当dem≤1286.0且ndvi>0.3788
Yprecip=1095.88062+63.2×Xlst_night-0.258×Xdem-47.4×X+1363×Xndvi+44×Xls-7.3×Xslope-27×Xtwi-0.64×Xrug+8×Xmrv-0.00024×Xrad
(2)当ndvi≤0.378806
Yprecip=621.364611+1346×Xndvi+22.3×Xlst_night+0.092×Xdem-15.2×Xlst_day-0.00078×Xrad+18×Xmrv-1.7×Xslope-4×Xtwi+0.11×Xrug
(3)dem>1286.0
Yprecip=-434.877289+1221×Xndvi+18.1×Xlst_night+0.096×Xdem+0.00047×Xrad+14×Xls-2.7×Xslope
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,Xlst_day代表的是1km白天地表温度栅格值,Xlst_night代表的是1km晚上地表温度栅格值,Xslope代表的是1km坡度栅格值,Xndvi代表的是1km植被指数栅格值,Xtwi代表的是1km地形湿度指数栅格值,Xrug代表的是1km地表粗糙度,Xrad代表的是1km地表反射率,Xmrvbf代表的是1km谷底平坦指数。
步骤4)基于多规则算法的遥感数据降尺度方法: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。
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 (4)
1.一种基于多规则算法的遥感数据降尺度方法,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 3B43 v7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卫星遥感影像数据包括MOD11A2数据产品和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MOD11A2数据产品中提取白天地表温度和晚上地表温度参量,并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和25km的晚上地表温度数据;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;从ASTER GDEM卫星遥感影像数据中提取、聚合计算分别得到1km和25km的坡度、地形湿度指数、坡长坡度、谷底平坦指数、地表粗糙度和地表反射率数据;
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、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、地表粗糙度、地表反射率和谷底平坦指数9个数据作为自变量进行建模及参数率定;
步骤4)基于多规则算法的遥感数据降尺度方法: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。
2.如权利要求1所述的一种基于多规则算法的遥感数据降尺度方法,其特征在于,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。
3.如权利要求1所述的一种基于多规则算法的遥感数据降尺度方法,其特征在于,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。
4.如权利要求1所述的一种基于多规则算法的遥感数据降尺度方法,其特征在于,所述的步骤3)中参数率定后的模型为:
(1)当dem≤1286.0且ndvi>0.3788
Yprecip=1095.88062+63.2×Xlst_night-0.258×Xdem-47.4×X+1363×Xndvi+44×Xls-7.3×Xslope-27×Xtwi-0.64×Xrug+8×Xmrv-0.00024×Xrad
(2)当ndvi≤0.378806
Yprecip=621.364611+1346×Xndvi+22.3×Xlst_night+0.092×Xdem-15.2×Xlst_day-0.00078×Xrad+18×Xmrv-1.7×Xslope-4×Xtwi+0.11×Xrug
(3)dem>1286.0
Yprecip=-434.877289+1221×Xndvi+18.1×Xlst_night+0.096×Xdem+0.00047×Xrad+14×Xls-2.7×Xslope
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,Xlst_day代表的是1km白天地表温度栅格值,Xlst_night代表的是1km晚上地表温度栅格值,Xslope代表的是1km坡度栅格值,Xndvi代表的是1km植被指数栅格值,Xtwi代表的是1km地形湿度指数栅格值,Xrug代表的是1km地表粗糙度,Xrad代表的是1km地表反射率,Xmrvbf代表的是1km谷底平坦指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610305772.5A CN106021868B (zh) | 2016-05-10 | 2016-05-10 | 一种基于多规则算法的遥感数据降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610305772.5A CN106021868B (zh) | 2016-05-10 | 2016-05-10 | 一种基于多规则算法的遥感数据降尺度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021868A true CN106021868A (zh) | 2016-10-12 |
CN106021868B CN106021868B (zh) | 2018-05-29 |
Family
ID=57099041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610305772.5A Active CN106021868B (zh) | 2016-05-10 | 2016-05-10 | 一种基于多规则算法的遥感数据降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021868B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180158A (zh) * | 2017-06-16 | 2017-09-19 | 北京师范大学 | 基于温度变化速率的地表温度降尺度算法 |
CN107516073A (zh) * | 2017-07-19 | 2017-12-26 | 二十世纪空间技术应用股份有限公司 | 一种基于多源数据的产热企业快速识别方法 |
CN108009392A (zh) * | 2017-10-19 | 2018-05-08 | 桂林航天工业学院 | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 |
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 |
CN108681639A (zh) * | 2018-05-16 | 2018-10-19 | 河海大学 | 一种考虑局部变量和全局变量的动态降水降尺度方法 |
CN109271605A (zh) * | 2018-10-12 | 2019-01-25 | 中国科学院地理科学与资源研究所 | 高空间分辨率遥感地表温度数据计算方法与装置 |
CN109447325A (zh) * | 2018-09-30 | 2019-03-08 | 广州地理研究所 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
CN109472393A (zh) * | 2018-09-30 | 2019-03-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
CN110334446A (zh) * | 2019-07-05 | 2019-10-15 | 中国水利水电科学研究院 | 基于卫星降水数据的降尺度处理的山洪临界雨量计算方法 |
CN111861222A (zh) * | 2020-07-22 | 2020-10-30 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
CN112285808A (zh) * | 2020-10-28 | 2021-01-29 | 浙江大学 | 一种aphrodite降水数据的降尺度方法 |
CN114330123A (zh) * | 2021-12-29 | 2022-04-12 | 湖南省柘溪电力集团有限公司 | 一种跨平台数据处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082382B1 (en) * | 2005-01-25 | 2006-07-25 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
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 |
-
2016
- 2016-05-10 CN CN201610305772.5A patent/CN106021868B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082382B1 (en) * | 2005-01-25 | 2006-07-25 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
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 (4)
Title |
---|
CHENG CHEN ET AL.: "An Improved Spatial Downscaling Procedure for TRMM 3B43 Precipitation Product Using Geographically Weighted Regression", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
ZHENG DUAN ET AL.: "First results from Version 7 TRMM 3B43 precipitation product in combination with a new downscaling–calibration procedure", 《REMOTE SENSING OF ENVIRONMENT》 * |
刘小婵 等: "东北地区TRMM数据降尺度的GWR模型分析", 《地球信息科学》 * |
孙乐强 等: "TMPA卫星降水数据的评估与校正", 《水利学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107180158B (zh) * | 2017-06-16 | 2020-03-10 | 北京师范大学 | 一种基于温度变化速率的地表温度降尺度方法 |
CN107180158A (zh) * | 2017-06-16 | 2017-09-19 | 北京师范大学 | 基于温度变化速率的地表温度降尺度算法 |
CN107516073A (zh) * | 2017-07-19 | 2017-12-26 | 二十世纪空间技术应用股份有限公司 | 一种基于多源数据的产热企业快速识别方法 |
CN107516073B (zh) * | 2017-07-19 | 2020-05-12 | 二十一世纪空间技术应用股份有限公司 | 一种基于多源数据的产热企业快速识别方法 |
CN108009392A (zh) * | 2017-10-19 | 2018-05-08 | 桂林航天工业学院 | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 |
CN108009392B (zh) * | 2017-10-19 | 2022-01-04 | 桂林航天工业学院 | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 |
CN108681639A (zh) * | 2018-05-16 | 2018-10-19 | 河海大学 | 一种考虑局部变量和全局变量的动态降水降尺度方法 |
CN109447325A (zh) * | 2018-09-30 | 2019-03-08 | 广州地理研究所 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
CN109472393A (zh) * | 2018-09-30 | 2019-03-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
WO2020063529A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
CN109472393B (zh) * | 2018-09-30 | 2021-01-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
CN109271605A (zh) * | 2018-10-12 | 2019-01-25 | 中国科学院地理科学与资源研究所 | 高空间分辨率遥感地表温度数据计算方法与装置 |
CN109271605B (zh) * | 2018-10-12 | 2021-07-27 | 中国科学院地理科学与资源研究所 | 高空间分辨率遥感地表温度数据计算方法与装置 |
CN110334446A (zh) * | 2019-07-05 | 2019-10-15 | 中国水利水电科学研究院 | 基于卫星降水数据的降尺度处理的山洪临界雨量计算方法 |
CN111861222A (zh) * | 2020-07-22 | 2020-10-30 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
CN111861222B (zh) * | 2020-07-22 | 2023-11-14 | 中国水利水电科学研究院 | 获取面向区域尺度风力侵蚀的耕地与草地粗糙度的方法 |
CN112285808A (zh) * | 2020-10-28 | 2021-01-29 | 浙江大学 | 一种aphrodite降水数据的降尺度方法 |
CN114330123A (zh) * | 2021-12-29 | 2022-04-12 | 湖南省柘溪电力集团有限公司 | 一种跨平台数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106021868B (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021868A (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 | |
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 | |
CN110276160B (zh) | 一种平原区土壤有机碳三维空间分布模拟方法 | |
CN103810376B (zh) | 基于卫星遥感与回归克里格的地面日降雨量预测方法 | |
CN111651885A (zh) | 一种智慧型海绵城市洪涝预报方法 | |
Tobin et al. | Adjusting satellite precipitation data to facilitate hydrologic modeling | |
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 | |
Voegeli et al. | Scaling precipitation input to spatially distributed hydrological models by measured snow distribution | |
CN105912836B (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
CN108982548B (zh) | 一种基于被动微波遥感数据的地表土壤水分反演方法 | |
CN106776481A (zh) | 一种作用于卫星降水数据的降尺度校正方法 | |
Bocchiola et al. | Spatial estimation of Snow Water Equivalent at different dates within the Adamello Park of Italy | |
CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
CN105115883A (zh) | 土壤水蚀量的检测方法和装置 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Khesali et al. | A method in near-surface estimation of air temperature (NEAT) in times following the satellite passing time using MODIS images | |
CN105528523A (zh) | 一种基于遥感数据的土壤厚度反演方法 | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
Seo et al. | Applying SMOS soil moisture data into the National Weather Service (NWS)’s Research Distributed Hydrologic Model (HL-RDHM) for flash flood guidance application | |
CN106019310A (zh) | 一种基于卫星遥感数据的分辨率提高方法 | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
Liu et al. | Vegetation mapping for regional ecological research and management: a case of the Loess Plateau in China | |
De Blasi | Scale dependence of hydrological effects from different climatic conditions on glacierized catchments |
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 |