CN106021872A - 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 - Google Patents

Abstract

本发明公开了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。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、坡向、坡长坡度8个数据进行聚合计算到25km，作为自变量，对应的25km分辨率的TRMM 3B43 v7降水数据作为因变量。M5的方法根据地理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的向量空间里分别动态的筛选最有效的环境变量，并在相应的向量空间分别建立分区的多元回归模型；该模型最终应用到1km的环境变量上，最终得到1km分辨率的降水产品。通过分区与动态因子筛选的降尺度结果要明显优于基于常规回归模型的降尺度结果。

Description

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

技术领域

本发明涉及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，具体涉及到一种TRMM 3B43 v7降水数据的分区环境因子动态筛选建模的降尺度方法。

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，特别是物质能量交换守恒的一个重要组成部分。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TRMM3B43 v7。TRMM降水卫星提供覆盖全球40°S～40°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TRMM数据进行空间上的尺度转换，从而得到分辨率较高的降水测量值。但是目前尚没有一种方法能够比较精确地对复杂地区进行降水预测。

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。

本发明中的动态降尺度方法结合了M5方法与多元回归建模，根据环境变量因子与卫星降水数据组成的向量空间，采用M5方法进行分区和动态最优环境变量因子筛选，并建立分区的多元回归模型。

本发明的具体技术方案如下：

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，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TRMM 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，同时收集该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TRMM 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坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；

步骤3)进行分区及环境因子动态筛选回归建模：将步骤2)处理后的25kmTRMM3B43 v7降水数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；将25km各个环境变量因子组成的数据集划分到不同的向量空间并通过计算不同环境变量因子的影响权重动态筛选出最有效的环境变量因子，然后对每个向量空间分别建立不同的多元回归模型。

步骤4)降尺度预测：基于步骤3)确定1km尺度下相应的环境变量种类，然后通过25km环境变量因子组成的不同向量空间建立的多元回归模型计算得到空间分辨率为1km的降尺度降水产品；同时将空间分辨率为25km的降水回归残差值进行重采样得到空间分辨率为1km的降水回归残差值，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TRMM 3B43 v7降水数据。

所述的步骤1)中，TRMM 3B43 v7降水数据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；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2)中异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。

进行分区及环境因子动态筛选回归建模采用M5决策树分类方法，具体为：根据地理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的向量空间里分别动态筛选最有效的环境变量，并在相应的向量空间分别建立多元回归关系。

所述的多元回归模型通用形式为：

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：

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

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。

本发明中所述的多元回归模型具体如下：

(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。

本发明的有益效果是同时结合M5分区与动态因子筛选和多元回归建模思想对TRMM 3B43 v7降水数据进行动态降尺度预测。通过分区与动态环境变量筛选进行多元回归建模能够更精确地对复杂地区进行降水预测，并极大的提高了降水预测的空间分辨率。具有重要的理论、实践意义和推广应用价值。

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。

选取中国地区作为研究区域，对2000-2009年湿季(每年5月-10月)的月降水量进行预测研究，最终得到每月1km空间分辨率的降水量分布图。

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，包括以下步骤：

步骤1)数据获取：获取待测区域的TRMM 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，同时收集该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；TRMM 3B43v7降水数据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；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TRMM 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坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。

步骤3)进行分区及环境因子动态筛选回归建模。进行分区及环境因子动态筛选回归建模采用M5决策树分类方法，具体为：根据地理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的向量空间里分别动态筛选最有效的环境变量，并在相应的向量空间分别建立多元回归关系。将步骤2)处理后的25kmTRMM 3B43 v7降水数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；将25km各个环境变量因子组成的数据集划分到不同的向量空间并通过计算不同环境变量因子的影响权重动态筛选出最有效的环境变量因子，然后对每个向量空间分别建立不同的多元回归模型。

多元回归模型形式为：

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。

本发明中多元回归模型具体如下：

(1)当dem≤1286.0且ndvi＞0.3788

Y_precip＝1095.880625+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)降尺度预测：基于步骤3)确定1km尺度下相应的环境变量种类，然后通过25km环境变量因子组成的不同向量空间建立的多元回归模型计算得到空间分辨率为1km的降尺度降水产品；同时将空间分辨率为25km的降水回归残差值进行重采样得到空间分辨率为1km的降水回归残差值，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TRMM 3B43 v7降水数据。

步骤5)降水量预测值的精度分析：利用交叉检验的方法对步骤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{\{\underset{k=1}{\overset{n}{\Σ}}\[(Y_k-\stackrel{\‾}{Y})(O_k-\stackrel{\‾}{O})\]\}}{\sqrt{\[\underset{k=1}{\overset{n}{\Σ}}{(Y_k-\stackrel{\‾}{Y})}^2\]}\sqrt{\[\underset{k=1}{\overset{n}{\Σ}}{(O_k-\stackrel{\‾}{O})}^2\]}}$

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0.651，均方根误差RMSE为39.578mm，平均绝对误差MEA为29.611mm。通过分区与动态因子筛选的降尺度结果要明显优于基于常规回归模型的降尺度结果。

Claims (6)

1.一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，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TRMM 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，同时收集该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TRMM 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坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；

步骤3)进行分区及环境因子动态筛选回归建模：将步骤2)处理后的25kmTRMM 3B43 v7降水数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；将25km各个环境变量因子组成的数据集划分到不同的向量空间并通过计算不同环境变量因子的影响权重动态筛选出最有效的环境变量因子，然后对每个向量空间分别建立不同的多元回归模型；

步骤4)降尺度预测：基于步骤3)确定1km尺度下相应的环境变量种类，然后通过25km环境变量因子组成的不同向量空间建立的多元回归模型计算得到空间分辨率为1km的降尺度降水产品；同时将空间分辨率为25km的降水回归残差值进行重采样得到空间分辨率为1km的降水回归残差值，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TRMM 3B43 v7降水数据。

2.如权利要求1所述的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，其特征在于，所述的步骤1)中，TRMM 3B43 v7降水数据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；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，其特征在于，所述的步骤2)中异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。

4.如权利要求1所述的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，其特征在于，进行分区及环境因子动态筛选回归建模采用M5决策树分类方法，具体为：根据地理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的向量空间里分别动态筛选最有效的环境变量，并在相应的向量空间分别建立多元回归关系。

5.如权利要求1所述的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，其特征在于，所述的多元回归模型形式为：

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：

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

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。

6.如权利要求1所述的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，其特征在于，所述的多元回归模型具体如下：

(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。