CN106021868A - 一种基于多规则算法的遥感数据降尺度方法 - Google Patents

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

一种基于多规则算法的遥感数据降尺度方法

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；a_n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；y_n表示降雨量预测值；x_n表示第n个环境变量；

a₀和a_n的计算公式如下：

$a_n=\frac{\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}\left(x_{in}-\stackrel{\‾}{x_n}\right)\left(y_i-\stackrel{\‾}{y}\right)}{\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}\left(x_{in}-\stackrel{\‾}{x_n}\right)};a_0=\stackrel{\‾}{y}-\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}{a}_n{x}_{in}$

其中:k代表地面观测站点个数；x_in代表第i个地面观测站点的第n个环境变量的值，y_i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

Y_precip＝1095.88062+63.2×X_{lst_night}-0.258×X_dem-47.4×X+1363×X_ndvi+44×X_ls-7.3×X_slope-27×X_twi-0.64×X_rug+8×X_mrv-0.00024×X_rad

(2)当ndvi≤0.378806

Y_precip＝621.364611+1346×X_ndvi+22.3×X_{lst_night}+0.092×X_dem-15.2×X_{lst_day}-0.00078×X_rad+18×X_mrv-1.7×X_slope-4×X_twi+0.11×X_rug

(3)dem＞1286.0

Y_precip＝-434.877289+1221×X_ndvi+18.1×X_{lst_night}+0.096×X_dem+0.00047×X_rad+14×X_ls-2.7×X_slope

其中Y_precip是1km地面降雨预测值，X_dem代表的是1km数字高程模型的栅格值，X_{lst_day}代表的是1km白天地表温度栅格值，X_{lst_night}代表的是1km晚上地表温度栅格值，X_slope代表的是1km坡度栅格值，X_ndvi代表的是1km植被指数栅格值，X_twi代表的是1km地形湿度指数栅格值,X_rug代表的是1km地表粗糙度，X_rad代表的是1km地表反射率，X_mrvbf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；a_n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；y_n表示降雨量预测值；x_n表示第n个环境变量；

a₀和a_n的计算公式如下：

$a_n=\frac{\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}\left(x_{in}-\stackrel{\‾}{x_n}\right)\left(y_i-\stackrel{\‾}{y}\right)}{\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}\left(x_{in}-\stackrel{\‾}{x_n}\right)};a_0=\stackrel{\‾}{y}-\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}{a}_n{x}_{in}$

其中:k代表地面观测站点个数；x_in代表第i个地面观测站点的第n个环境变量的值，y_i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

Y_precip＝1095.88062+63.2×X_{lst_night}-0.258×X_dem-47.4×X+1363×X_ndvi+44×X_ls-7.3×X_slope-27×X_twi-0.64×X_rug+8×X_mrv-0.00024×X_rad

(2)当ndvi≤0.378806

Y_precip＝621.364611+1346×X_ndvi+22.3×X_{lst_night}+0.092×X_dem-15.2×X_{lst_day}-0.00078×X_rad+18×X_mrv-1.7×X_slope-4×X_twi+0.11×X_rug

(3)dem＞1286.0

Y_precip＝-434.877289+1221×X_ndvi+18.1×X_{lst_night}+0.096×X_dem+0.00047×X_rad+14×X_ls-2.7×X_slope

其中Y_precip是1km地面降雨预测值，X_dem代表的是1km数字高程模型的栅格值，X_{lst_day}代表的是1km白天地表温度栅格值，X_{lst_night}代表的是1km晚上地表温度栅格值，X_slope代表的是1km坡度栅格值，X_ndvi代表的是1km植被指数栅格值，X_twi代表的是1km地形湿度指数栅格值,X_rug代表的是1km地表粗糙度，X_rad代表的是1km地表反射率，X_mrvbf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：

$MAE=\underset{k=1}{\overset{n}{\Σ}}|Y_k-O_k|/n$

$RMSE=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(Y_k-O_k)}^2/n}$

$R^2=\frac{\left\{\underset{k=1}{\overset{n}{\Σ}}\[\left(Y_k-\stackrel{\‾}{Y}\right)\left(O_k-\stackrel{\‾}{O}\right)\]\right\}}{\sqrt{\[\underset{k=1}{\overset{n}{\Σ}}\[{\left(Y_k-\stackrel{\‾}{Y}\right)}^2\]}\sqrt{\[\underset{k=1}{\overset{n}{\Σ}}{\left(O_k-\stackrel{\‾}{O}\right)}^2\]}}$

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，Y_k是地面观测站点k的观测值，O_k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；a_n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；y_n表示降雨量预测值；x_n表示第n个环境变量；

a₀和a_n的计算公式如下：

$a_n=\frac{\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}(x_{in}-\stackrel{\‾}{x_n})(y_i-\stackrel{\‾}{y})}{\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}(x_{in}-\stackrel{\‾}{x_n})};a_0=\stackrel{\‾}{y}-\underset{i=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{N}{\Σ}}{a}_n{x}_{in}$

其中:k代表地面观测站点个数；x_in代表第i个地面观测站点的第n个环境变量的值，y_i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

Y_precip＝1095.88062+63.2×X_{lst_night}-0.258×X_dem-47.4×X+1363×X_ndvi+44×X_ls-7.3×X_slope-27×X_twi-0.64×X_rug+8×X_mrv-0.00024×X_rad

(2)当ndvi≤0.378806

Y_precip＝621.364611+1346×X_ndvi+22.3×X_{lst_night}+0.092×X_dem-15.2×X_{lst_day}-0.00078×X_rad+18×X_mrv-1.7×X_slope-4×X_twi+0.11×X_rug

(3)dem＞1286.0

Y_precip＝-434.877289+1221×X_ndvi+18.1×X_{lst_night}+0.096×X_dem+0.00047×X_rad+14×X_ls-2.7×X_slope

其中Y_precip是1km地面降雨预测值，X_dem代表的是1km数字高程模型的栅格值，X_{lst_day}代表的是1km白天地表温度栅格值，X_{lst_night}代表的是1km晚上地表温度栅格值，X_slope代表的是1km坡度栅格值，X_ndvi代表的是1km植被指数栅格值，X_twi代表的是1km地形湿度指数栅格值,X_rug代表的是1km地表粗糙度，X_rad代表的是1km地表反射率，X_mrvbf代表的是1km谷底平坦指数。