CN110059745B - 一种基于星地融合的流域降雨产品订正方法及系统 - Google Patents
一种基于星地融合的流域降雨产品订正方法及系统 Download PDFInfo
- Publication number
- CN110059745B CN110059745B CN201910308244.9A CN201910308244A CN110059745B CN 110059745 B CN110059745 B CN 110059745B CN 201910308244 A CN201910308244 A CN 201910308244A CN 110059745 B CN110059745 B CN 110059745B
- Authority
- CN
- China
- Prior art keywords
- pixel
- rainfall
- correction
- pixels
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000011065 in-situ storage Methods 0.000 claims abstract description 33
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000014509 gene expression Effects 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims description 20
- 238000011160 research Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100029848 Arabidopsis thaliana PIP1-2 gene Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- WVLBCYQITXONBZ-UHFFFAOYSA-N trimethyl phosphate Chemical compound COP(=O)(OC)OC WVLBCYQITXONBZ-UHFFFAOYSA-N 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于星地融合的流域降雨产品订正方法及系统,包括将待校正的遥感影像中的所有像元分为五类,C1像元为地面原位传感器位置对应的影像栅格像元;C2像元为降雨格点数据位置对应的影像栅格像元;C3像元为与C1、C2像元位于同一降雨分区内,具有降雨相关性的栅格像元;C4像元为与C3像元位于同一降雨分区内,具有降雨相关性的栅格像元;对于C1像元和C2像元,利用改进后的分位数映射方法进行校正;对于C3像元,利用随机森林回归方法,建立C1、C2像元校正方法的数学表达式实现校正;对于C4像元,以C3像元订正前后的降雨比值关系式为参考实现校正;影像中的未校正栅格像元为C5像元,降雨校正值为对应空间位置的遥感影像降雨估计值。
Description
技术领域
本发明涉及一种降雨产品订正技术方案,特别涉及一种基于星地融合的流域降雨产品订正方法及系统,属于降雨估计的多元异构数据协同与融合领域。
背景技术
高精度连续的降雨估计对于水文模拟、洪水预报和气候研究的规划和决策是至关重要的[1-3]。地面气象站点具有高精度、高时间分辨率和长时间观测记录的优点,但是其缺点是空间分布稀疏,限制了空间全覆盖降雨的准确估计[4]。
针对地面站点空间分布稀疏和记录数据容易缺失的问题,利用卫星影像的区域降雨观测可以弥补其缺陷。高分辨率卫星遥感影像数据在海洋、高海拔山区等地面站点不容易布设到的区域,提供了丰富的监测信息。然而,基于卫星影像反演的降雨估计值存在较大的系统偏差,且对于雨量较小的时段监测精度较差[5-7]。未经校正改进的卫星影像产品会为降雨估计带来显著的偏差[8]。
为了结合地面站点高精度和遥感影像区域覆盖的优点,目前已有多种融合多源数据的降水估计产品,如美国宇航局的热带降雨测量计划(Tropical Rainfall MeasurementMission,TRMM)[9-10],逐步方法融合TRMM数据得到的多卫星降雨产品(TRMMMultisatellite Precipitation Analysis,TMPA)[11].,全球降水气候学项目计划(GlobalPrecipitation Climatology Project,GPCP,月数据,2.5°×2.5°空间分辨率)[12-13],人工神经网络融合GPCP得到的PERSIANN-CDR产品(每日数据,0.25°×0.25°空间分辨率)[14]等。尽管上述产品得到了学者的广泛研究,但是其空间分辨率仍然无法实现高精度的降雨监测。目前气候灾害红外线降雨监测影像与站点的融合数据(Climate Hazards GroupInfrared Precipitation with Station data,CHIRPS)的空间分辨率可以达到0.05°×0.05°。CHIRPS影像已在巴西[15-16]、智利[17-18]、中国[19]和印度[20]等国家得到了广泛应用和验证,但是上述应用主要集中在季度和月尺度上,缺乏对日降雨的估计。此外,已有研究表明在地形复杂的山区地带,由于原位传感器分布稀疏,区域日降雨估计存在较大不确定性和系统误差[18]。
为了克服上述问题,已有研究提出了融合原位传感器和影像降雨估计的有效方法,利用多元异构数据建立高精度降水估计数值模型,如分位数映射方法(QuantileMapping,QM)[17]、贝叶斯克里格插值(Bayesian Kriging,BK)[21]、情景融合技术(Conditional Merging technique)[22]。上述方法中,QM方法是一种基于分布的方法,利用历史数据有效地减少了区域气候模型在月和季节时间尺度上的降雨估计系统偏差[23]。然而,QM方法在减少日降雨随机误差方面的改进非常有限。BK方法结果与原位传感器降雨观测结果较为一致,然而对于每日降雨估计,BK模型的高斯假设是无效的。总而言之,目前缺少复杂地形区域每日降雨高精度估算的有效方法。
文中涉及如下参考文献:
[1]Agutu,N.O.,Awange,J.L.,Zerihun,A.,Ndehedehe,C.E.,Kuhn,M.,andFukuda,Y.:Assessing multi-satellite remote sensing,reanalysis,and landsurface models'products in characterizing agricultural drought in EastAfrica,Remote Sens.Environ.,194,287-302,doi:10.1016/j.rse.2017.03.041,2017.
[2]Cattani,E.,Merino,A.,Guijarro,J.A.,and Levizzani,V.:East AfricaRainfall Trends and Variability 1983-2015Using Three Long-Term SatelliteProducts,Remote Sens.,10,26,doi:10.3390/rs10060931,2018.
[3]Roy,T.,Gupta,H.V.,Serrat-Capdevila,A.,and Valdes,J.B.:Usingsatellite-based evapotranspiration estimates to improve the structure of asimple conceptual rainfall–runoff model,Hydrology and Earth SystemSciences,21,879-896,doi:10.5194/hess-21-879-2017,2017.
[4]Martens,B.,Cabus,P.,De Jongh,I.,and Verhoest,N.E.C.:Mergingweather radar observations with ground-based measurements of rainfall usingan adaptive multiquadric surface fitting algorithm,Journal of Hydrology,500,84-96,doi:10.1016/j.jhydrol.2013.07.011,2013.
[5]Behrangi,A.,Andreadis,K.,Fisher,J.B.,Turk,F.J.,Granger,S.,Painter,T.,and Das,N.:Satellite-Based Precipitation Estimation and Its Applicationfor Streamflow Prediction over Mountainous Western US Basins,J.Appl.Meteorol.Climatol.,53,2823-2842,doi:10.1175/jamc-d-14-0056.1,2014.
[6]Thiemig,V.,Rojas,R.,Zambrano-Bigiarini,M.,and De Roo,A.:Hydrological evaluation of satellite-based rainfall estimates over the Voltaand Baro-Akobo Basin,Journal of Hydrology,499,324-338,doi:10.1016/j.jhydrol.2013.07.012,2013.
[7]Yang,T.T.,Asanjan,A.A.,Welles,E.,Gao,X.G.,Sorooshian,S.,and Liu,X.M.:Developing reservoir monthly inflow forecasts using artificialintelligence and climate phenomenon information,Water Resources Research,53,2786-2812,doi:10.1002/2017wr020482,2017.
[8]AghaKouchak,A.,Behrangi,A.,Sorooshian,S.,Hsu,K.,and Amitai,E.:Evaluation of satellite-retrieved extreme precipitation rates across thecentral United States,J.Geophys.Res.-Atmos.,116,11,doi:10.1029/2010jd014741,2011.
[9]Kummerow,C.,Barnes,W.,Kozu,T.,Shiue,J.,and Simpson,J.:The TropicalRainfall Measuring Mission(TRMM)sensor package,J.Atmos.Ocean.Technol.,15,809-817,doi:10.1175/1520-0426(1998)015<0809:ttrmmt>2.0.co;2,1998.
[10]Simpson,J.,Adler,R.F.,and North,G.R.:A PROPOSED TROPICAL RAINFALLMEASURING MISSION(TRMM)SATELLITE,Bulletin of the American MeteorologicalSociety,69,278-295,doi:10.1175/1520-0477(1988)069<0278:aptrmm>2.0.co;2,1988.
[11]Vila,D.A.,de Goncalves,L.G.G.,Toll,D.L.,and Rozante,J.R.:Statistical Evaluation of Combined Daily Gauge Observations and RainfallSatellite Estimates over Continental South America,J.Hydrometeorol.,10,533-543,doi:10.1175/2008jhm1048.1,2009.
[12]Adler,R.F.,Huffman,G.J.,Chang,A.,Ferraro,R.,Xie,P.P.,Janowiak,J.,Rudolf,B.,Schneider,U.,Curtis,S.,Bolvin,D.,Gruber,A.,Susskind,J.,Arkin,P.,andNelkin,E.:The version-2 global precipitation climatology project(GPCP)monthlyprecipitation analysis (1979-present),J.Hydrometeorol.,4,1147-1167,doi:10.1175/1525-7541(2003)004<1147:tvgpcp>2.0.co;2,2003.
[13]Huffman,G.J.,Adler,R.F.,Arkin,P.,Chang,A.,Ferraro,R.,Gruber,A.,Janowiak,J.,McNab,A.,Rudolf,B.,and Schneider,U.:The Global PrecipitationClimatology Project(GPCP)Combined Precipitation Dataset,Bulletin of theAmerican Meteorological Society,78,5-20,doi:10.1175/1520-0477(1997)078<0005:tgpcpg>2.0.co;2,1997.
[14]Ashouri,H.,Hsu,K.-L.,Sorooshian,S.,Braithwaite,D.K.,Knapp,K.R.,Cecil,L.D.,Nelson,B.R.,and Prat,O.P.:PERSIANN-CDR:Daily Precipitation ClimateData Record from Multisatellite Observations for Hydrological and ClimateStudies,Bulletin of the American Meteorological Society,96,69-83,doi:10.1175/bams-d-13-00068.1,2015.
[15]Nogueira,S.M.C.,Moreira,M.A.,and Volpato,M.M.L.:EvaluatingPrecipitation Estimates from Eta,TRMM and CHRIPS Data in the South-SoutheastRegion of Minas Gerais State-Brazil,Remote Sens.,10,16,doi:10.3390/rs10020313,2018.
[16]Paredes-Trejo,F.J.,Barbosa,H.A.,and Kumar,T.V.L.:ValidatingCHIRPS-based satellite precipitation estimates in Northeast Brazil,J.Arid.Environ.,139,26-40,doi:10.1016/j.jaridenv.2016.12.009,2017.
[17]Yang,Z.,Hsu,K.,Sorooshian,S.,Xu,X.,Braithwaite,D.,and Verbist,K.M.J.:Bias adjustment of satellite-based precipitation estimation usinggauge observations:A case study in Chile,Journal of Geophysical Research:Atmospheres,121,3790-3806,doi:10.1002/2015jd024540,2016.
[18]Zambrano-Bigiarini,M.,Nauditt,A.,Birkel,C.,Verbist,K.,and Ribbe,L.:Temporal and spatial evaluation of satellite-based rainfall estimatesacross the complex topographical and climatic gradients of Chile,Hydrologyand Earth System Sciences,21,1295-1320,doi:10.5194/hess-21-1295-2017,2017.
[19]Bai,L.,Shi,C.X.,Li,L.H.,Yang,Y.F.,and Wu,J.:Accuracy of CHIRPSSatellite-Rainfall Products over Mainland China,Remote Sens.,10,28,doi:10.3390/rs10030362,2018.
[20]Ali,H.,and Mishra,V.:Contrasting response of rainfall extremes toincrease in surface air and dewpoint temperatures at urban locations inIndia,Sci Rep,7,1228,doi:10.1038/s41598-017-01306-1,2017.
[21]Verdin,A.,Rajagopalan,B.,Kleiber,W.,and Funk,C.:A Bayesiankriging approach for blending satellite and ground precipitationobservations,Water Resources Research,51,908-921,2015.
[22]Berndt,C.,Rabiei,E.,and Haberlandt,U.:Geostatistical merging ofrain gauge and radar data for high temporal resolutions and various stationdensity scenarios,Journal of Hydrology,508,88-101,doi:10.1016/j.jhydrol.2013.10.028,2014.
[23]Chen,J.,Brissette,F.P.,Chaumont,D.,and Braun,M.:Findingappropriate bias correction methods in downscaling precipitation forhydrologic impact studies over North America,Water Resources Research,49,4187-4205,doi:10.1002/wrcr.20331,2013.
发明内容
针对以上高空间分辨率多源融合降雨产品在地面原位传感器分布稀疏、地形复杂的山区,每日降雨监测精度较差的问题,本发明提出了一种基于星地融合的流域降雨产品订正方法(WHU-SGCC,Wuhan University Satellite and Gauge precipitationCollaborated Correction),从星地协同的角度,考虑区域历史降雨和地形特征,建立降雨地面原位传感器、降雨格点数据和降雨估计遥感影像之间的数学模型,实现数据的点面融合。原位传感器具有监测精度高、时间连续的特点,但是传感器布设空间离散;遥感影像具有空间连续的特点,但是系统误差较大。因此结合原位传感器和遥感影像各自优势,提出了一种考虑降雨历史特征和地形分布特征的星地融合流域降雨产品订正技术方案。不同于空间插值融合方法,本发明首先直接利用历史季度地面原位传感器、格点数据订正对应空间位置遥感影像栅格像元,再考虑区域历史降雨特征和地形分布情况进行降雨分区,相比以区域为单位的星地数据融合,降雨分区下的星地数据特征相似,星地融合后结果精度更高。本发明的核心是尽可能精确地建立星地数据之间的数学关系,建立遥感影像中每个像元与原位传感器和其他像元的定量关系,以原位传感观测值为真实数据订正遥感影像产品。
本发明提供的技术方案为一种基于星地融合的流域降雨产品订正方法,包括以下步骤:
步骤1,首先将待校正的遥感影像中的所有像元分为以下五类,记为C1、C2、C3、C4和C5像元,
C1像元为地面原位传感器位置对应的影像栅格像元;
C2像元为降雨格点数据位置对应的影像栅格像元;
C3像元为与C1、C2像元位于同一降雨分区内,具有降雨相关性的栅格像元;
C4像元为与C3像元位于同一降雨分区内,具有降雨相关性的栅格像元;
以上4种以外的栅格像元为C5像元;
步骤2,从原位传感器和格点降雨观测点中选取训练样本和精度验证数据集;
步骤3,对于C1像元,遥感影像降雨估计值以原位站点降雨观测值为真实值,利用改进后的分位数映射方法进行校正;
步骤4,对于C2像元,遥感影像降雨估计值以格点降雨值为真实值,利用改进后的分位数映射方法进行校正;
步骤5,对于C3像元,利用随机森林回归方法,建立C1、C2像元校正方法的数学表达式,实现C3像元对应空间位置的遥感影像降雨估计值校正;
步骤6,对于C4像元,以C3像元订正前后的降雨比值关系式为参考,实现C4像元对应空间位置的遥感影像降雨估计值校正;
步骤7,经步骤2~6订正后,影像中的未校正栅格像元为C5像元,C5像元的降雨校正值为对应空间位置的遥感影像降雨估计值;
步骤8,在精度验证数据集中进行区域降雨订正结果的精度验证,输出研究区域的校正结果。
而且,步骤3和步骤4所采用改进后的分位数映射方法实现如下计算分位数映射偏差校正后的遥感影像值与真实值Yo的绝对误差DQM,计算真实值Yo与对应空间位置遥感影像栅格单元的降雨估计值Ys的绝对误差Ds,当Ds<DQM时,取Ys为校正结果,否则取为校正结果。
而且,步骤5实现方式包括如下步骤,
步骤5.1,利用模糊C均值聚类方法,进行区域地形特征划分,所得每一个子区域内部的栅格像元都具有相似的地形特征;
步骤5.2,在子区域内,存在与C1和C2像元具有相似降雨特征的栅格像元,学习C1和C2栅格像元的降雨订正方法。
而且,步骤5.2实现方式如下,
1)对C1和C2像元进行降雨校正的精度评价,包括计算C1和C2像元与降雨真实值的斯皮尔曼相关系数SCC和对应p值,p值表示显著性水平;
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则进行下一步骤2);
2)使用随机森林回归算法分别建立C1像元遥感影像值订正前后的数学模型和C2像元遥感影像值订正前后的数学模型,实现订正前后随机森林回归关系建立,实现如下,
在建立回归模型前,对因变量和自变量计算斯皮尔曼相关系数SCC和对应p值,
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则实现C1像元和C2像元订正前后随机森林回归关系建立;
3)计算子区域内剩余栅格像元与通过显著相关性分析的C1和C2像元的斯皮尔曼相关系数SCC和对应p值,
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则对C3像元选取相关性最强的C1或C2像元的随机森林回归模型,得到C3像元订正结果。
而且,步骤5.2实现方式如下,是否通过显著性校验根据条件|SCC|≥0.5 and p<0.05判断实现。
而且,步骤6实现方式包括如下步骤,
步骤6.1,基于步骤5所得C3订正结果,计算子区域内剩余栅格像元与C3像元的历史降雨数据即计算斯皮尔曼相关系数SCC和对应p值,
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则作为订正前的C4像元进行后续操作;
步骤6.2,同一子区域内,每一个C4像元都有与之相关性最高的C3像元。计算C3像元订正前后的降雨比值系数:
将C4像元订正前的遥感影像降雨值,带入对应C3像元的降雨比值系数公式并将计算结果小于0的值赋值为0,最终得到C4像元的降雨订正值。
本发明还提供一种基于星地融合的流域降雨产品订正系统,用于执行如上所述的基于星地融合的流域降雨产品订正方法。
本发明具有以下优点和积极效果:
(1)降雨产品订正结果精度高。不同于直接利用原位传感器和遥感影像的空间插值,本方法是建立每一个未知像元与其他已知像元的稳定统计关系,减少了空间插值造成的像元值平滑问题。本方法充分利用了星地观测数据的关联关系和影像栅格像元之间的空间关系,实现了每一个像元的科学计算。
(2)适用于原位传感器布设少、地形复杂的区域。本方法考虑了每个栅格像元所处的地形特征和像元之间的历史降雨特征相似性,利用栅格像元空间降雨特征相似性,降低了由于地面原位传感器布设较少导致的降雨偏差,规避了地面原位传感器在地形复杂区域分布稀疏的问题,提高了区域降雨估计精度。
(3)区域降雨订正所用的数据、方法、特征和知识具有可扩展性。本发明的重点是尽可能准确的建立星地观测和影像栅格像元之间的多种关联关系,原则上对这一步骤使用到的数据、方法、特征和知识没有限制。
附图说明
图1是本发明实施例的流域区域与影像数据示例图;
图2是本发明实施例的原位传感器和降雨格点示意图;
图3是本发明实施例的基于星地融合流域降雨产品订正方法的主要过程流程图;
图4是本发明实施例的C3像元对应空间位置的遥感影像降雨估计值校正示意图;
图5是本发明实施例的模糊C均值地形区域划分结果图;
图6是本发明实施例的C4像元对应空间位置的遥感影像降雨估计值校正示意图。
具体实施方式
下面结合附图与实施例对本发明技术方案作进一步说明:
实施例首先选取长江上游的金沙江流域作为研究区域,该区域的左下角经纬度为(26.0394062025,119.2702907161),右上角经纬度为(26.1295047540,119.3653516906),如图1所示。输入数据包括每日原位传感器降雨观测值,每日降雨格点数据(空间分别率为0.5°×0.5°),以及每日降雨影像产品(即遥感影像降雨估计值)。前两者作为降雨真实值,可从国家气象信息中心下载。遥感影像降雨估计值选用CHIRP(the Climate HazardsGroup Infrared Precipitation)降雨数据集,空间分辨率为0.05°×0.05°。实施例所选用的研究数据时间范围为2016年6~8月。
本发明实施例提供的一种基于星地融合的流域降雨产品订正方法采用如下的流程,如图3所示:
步骤1,首先将待校正的遥感影像中的所有像元分为五类,记为C1、C2、C3、C4和C5像元。
实施例提出分类如下:
C1像元为地面原位传感器位置对应的影像栅格像元;
C2像元为降雨格点数据位置对应的影像栅格像元;
C3像元为与C1、C2像元位于同一降雨分区内,具有降雨相关性的栅格像元;
C4像元为与C3像元位于同一降雨分区内,具有降雨相关性的栅格像元;
以上4种以外的栅格像元为C5像元。
步骤2,从原位传感器和格点降雨观测点中选取训练样本和精度验证数据集:
实施例将原位传感器和格点降雨观测数据作为降雨真实值,金沙江流域共布设有30个原位传感器和170个分辨率为0.5°×0.5°的降雨格点,总计200个降雨观测点,如图2。从中随机选取70%的作为待校正样本用于执行步骤3-7,剩余30%作为精度验证数据集用于执行步骤8。
步骤3,C1像元为地面原位传感器位置对应的影像栅格像元,遥感影像降雨估计值以原位传感器降雨观测值为真实值,利用改进后的分位数映射方法(AdjustedQuantileMapping,Adj-QM)进行校正,如下式,
Ds=|Ys-Yo| (2)
其中,Yo为真实值,步骤3中为原位传感器降雨观测值,Ys为对应空间位置栅格单元的遥感影像降雨估计值,是经分位数映射方法偏差校正后的遥感影像值,即对Ys的校正结果,DQM为分位数映射偏差校正后的遥感影像值与真实值Yo的绝对误差,Ds为真实值Yo与对应空间位置遥感影像栅格单元的降雨估计值Ys的绝对误差,为C1像元位置处的降雨订正结果,即选取绝对误差较小的遥感影像值。
现有技术中,遥感影像的降雨偏差校正一般可采用分位数映射方法,该方法在月尺度和季度尺度上的偏差订正效果较好,然而对于每日降雨影像的误差校正效果较差,于是本发明在分位数映射方法的基础上提出了改进方法,改进后的方法更适用于每日降雨影像的偏差校正。改进后的分位数映射方法仅为本发明具体实施例中的优选方法,并不用于限制本发明具体实施时采用其他方法。
步骤4,C2像元为降雨格点数据位置对应的影像栅格像元,遥感影像降雨估计值以格点降雨值为真实值,利用改进后的分位数映射方法(AdjustedQuantileMapping,Adj-QM)进行校正。
该步骤所述的C2像元订正方法与步骤3中C1像元的订正方法一致。即计算分位数映射偏差校正后的遥感影像值与真实值Yo的绝对误差DQM,计算真实值Yo与对应空间位置遥感影像栅格单元的降雨估计值Ys的绝对误差Ds,当Ds<DQM时,取Ys为校正结果,否则取为校正结果。
步骤5,C3像元为与C1、C2像元位于同一降雨分区内,具有降雨相关性的栅格像元。利用随机森林回归方法(Random Forest Regression,RFR),建立C1、C2像元校正方法的数学表达式,实现C3像元对应空间位置的遥感影像降雨估计值校正。
实施例的步骤5实现包括以下流程:
步骤5.1,由于地形会影响降雨空间分布,利用模糊C均值聚类方法,以经纬度、高程、坡度、坡向和曲率为参数,进行区域地形特征划分,划分所得每一个子区域内部的栅格像元都具有相似的地形特征。模糊C均值聚类方法需要提前确定聚类数,本实施例中为了考虑聚类效果和运行效率,将聚类数设置为20。模糊C均值聚类结果如图5所示。
步骤5.2,在子区域内,存在与C1和C2像元具有相似降雨特征的栅格像元,可以学习C1和C2栅格像元的降雨订正方法。
进一步的,如图4所示,步骤5.2中,对步骤5.1划分所得每个子区域,分别执行C3像元学习C1和C2像元降雨订正方法的具体实现方式如下,
1)首先对C1和C2像元进行降雨校正的精度评价,计算C1和C2像元与降雨真实值的斯皮尔曼相关系数SCC和对应p值,用来判断订正后的C1和C2像元是否与降雨真实值有显著的相关关系。其中,C1像元的降雨真实值为原位传感器降雨观测值,C2像元的降雨真实值为降雨格点数据。
设订正后的C1或C2像元值构成一个数据集,C1或C2像元位置对应处的降雨真实值构成一个数据集,斯皮尔曼相关系数SCC的公式如下;
其中n是两个数据集中的数据对个数,此处为历史多时相影像的个数。xi代表第一个数据集中第i个数据的值,此处代表C1或C2像元位置处对应的降雨真实值,对该数据集进行降序排列,rgxi为xi在该数据集中的排行,为第一个数据集中等级数据的均值,rgyi和具有相似的定义,即yi代表第二个数据集中第i个数据的值,此处代表订正后的C1或C2像元值,对该数据集进行降序排列,rgyi为yi在该数据集中的排行,为第二个数据集中等级数据的均值。相关系数的值域从-1到1,代表两个数据的相关性从最强负相关到最强正相关。相关关系为0代表不存在相关性关系。
同时用显著性水平p值保证统计显著性。一个较小的p值(比如0.01或0.05)代表拒绝原假设(统计上无显著性),即计算得到的相关性水平具有统计显著性。因此在评价C1和C2像元降雨校正精度时,相关性分析应满足如下条件。
|SCC|≥0.5 and p<0.05 (5)
以上条件为本发明提供的优选方案,本步骤中的C1和C2像元降雨校正精度评价也可用其他指标代替,如均方根误差、相对误差和偏差等。
筛选后的C1和C2像元,即为步骤3和步骤4中订正结果较好的像元,可作为C3像元订正的学习对象。具体实施时,流程可设计为,首先判断C1和C2像元订正精度,如果不能通过显著性校验或相关系数阈值条件,则列入不处理模型列表,即暂不校正该像元。如果能够通过,则进行下一步骤2)。
2)然后,使用随机森林回归算法(Random Forest Regression,RFR)分别建立C1像元遥感影像值订正前后的数学模型和C2像元遥感影像值订正前后的数学模型,即实现订正前后随机森林回归关系建立。在建立回归模型前,需要对因变量和自变量进行斯皮尔曼相关性分析和显著性检验,即计算斯皮尔曼相关系数SCC和对应p值,同样需要满足公式(5)的筛选条件。具体实施时,流程可设计为,首先判断是否通过显著性校验,如果不能通过显著性校验,则列入不处理模型列表。如果能够通过,则实现C1像元和C2像元订正前后随机森林回归关系建立。
3)最后,计算子区域(同一降雨区域)内剩余栅格像元与通过显著相关性分析的C1和C2像元的斯皮尔曼相关系数SCC和对应p值,并进行显著性检验,同样需要满足公式(5)的筛选条件。他们用来寻找与C1和C2像元具有相似降雨特征的C3像元。具体实施时,流程可设计为判断是否通过显著性验证,若否则列入不处理模型列表,如果能够通过,则对C3像元选取相关性最强的C1或C2像元的随机森林回归模型,得到C3像元订正结果。
同一子区域内,每一个C3像元都有与之相关性最高的C1或C2像元。将C3像元订正前的遥感影像降雨值作为对应C1或C2像元RFR模型的输入数据,模型输出结果即为C3像元的降雨订正值。
具体实施时,与C3像元相关性最高的为C1像元,就采用C1像元RFR模型,与C3像元相关性最高的为C2像元,就采用C2像元RFR模型。
RFR是一种基于决策树的集成学习算法,其基本思想是基于统计学理论,利用bootstrap重抽样方法从原始样本中抽取多个样本,对每个bootstrap样本构建决策树,然后将所有决策树预测平均值作为最终预测结果。随机森林回归算法具有调节参数少、预测精度高和泛化能力好等优点,可有效避免“过拟合”现象的发生,适合各种数据集的运算,对数据集特征的提取具有较好的鲁棒性。RFR对于本发明中降雨前后数据的模型建立,具有较好的拟合效果。随机森林回归算法实现为现有技术,本发明不予赘述。
RFR为本发明建议采用的优选方式,本步骤中的C1和C2像元遥感影像值订正前后的数学模型建立也可用其他回归方法代替,如线性回归、逻辑回归、多项式回归和逐步回归等方法。本发明具体实施例中的RFR仅为优选方法,并不用于限制于本发明具体实施。
步骤6,C4像元为与C3像元位于同一降雨分区内,具有降雨相关性的栅格像元。以C3像元订正前后的降雨比值关系式为参考,实现C4像元对应空间位置的遥感影像降雨估计值校正,如图6所示。
实施例中,步骤6对步骤5.1划分所得每个子区域,分别执行以下处理:
步骤6.1,基于步骤5所得C3订正结果,计算子区域内剩余栅格像元与C3像元的历史降雨数据斯皮尔曼相关系数并进行显著性检验,即计算斯皮尔曼相关系数SCC和对应p值,同样需要满足公式(5)的筛选条件。他们用来寻找与C3像元具有相似降雨特征的C4像元。具体实施时,流程可设计为判断是否通过显著性验证,若否则列入不处理模型列表,如果能够通过,则作为订正前的C4像元进行后续操作。
步骤6.2,同一子区域内,每一个C4像元都有与之相关性最高的C3像元。计算C3像元订正前后的降雨比值系数:
将C4像元订正前的遥感影像降雨值,带入对应C3像元的降雨比值系数公式并将计算结果小于0的值赋值为0,最终得到C4像元的降雨订正值。
步骤7,经步骤2~6订正后,影像中的未校正栅格像元为C5像元,C5像元的降雨校正值为对应空间位置的遥感影像降雨估计值。
步骤8,在精度验证数据集中进行区域降雨订正结果的精度验证,如果通过验证,说明步骤1-7所得校正结果可用,输出研究区域的校正结果。
进一步的,步骤8中的精度验证包括,针对步骤3~7的结果,根据步骤2的验证数据集,通过将验证数据集中每个原位传感器和格点的降雨观测数据与C1~C5像元的降雨订正结果进行对比,从而计算斯皮尔曼相关系数、均方根误差、平均绝对误差、相对偏差、纳什效率系数、降雨事件探测率、降雨事件误报率。其中斯皮尔曼相关系数、纳什效率系数和降雨事件探测率指标数值越接近于1,均方根误差、平均绝对误差、相对偏差和降雨事件误报率越接近于0,区域降雨订正效果越好,结果如表1所示。
表1.星地融合流域降雨产品订正方法精度验证表
从表1可知,本发明提出的WHU-SGCC方法使得订正后的降雨产品斯皮尔曼相关系数比订正前提高了17.38%,并且均方根误差、平均绝对误差和相对偏差分别降低了4.20%、6.23%和11.83%。本发明提出的降雨影像偏差校正方法的那是效率系数为-0.0864,且降雨事件探测大于0.95,降雨事件误误报率约为0.11。结果表明本发明中的星地融合流域降雨偏差校正方法适用于地形复杂、原位传感器分布稀疏的金沙江流域。
为了进一步验证本发明提出的WHU-SGCC方法在不同降雨强度事件下的适应性,以0.1mm、1mm、2mm、5mm、10mm、20mmm为日降雨量阈值进行精度评价,结果如表2所示。
表2.不同降雨强度事件下星地融合流域降雨产品订正方法精度验证表
从表2可知,本发明提出的WHU-SGCC方法使得订正后的降雨产品在1-20mm降雨强度下相较于CHIRP降雨遥感影像,均方根误差、平均绝对误差和相对偏差最小。该结果说明在研究区域中,WHU-SGCC方法适用于小于20mm的日降雨事件偏差校正。
具体实施时,本发明所提供的流程可通过计算机软件技术进行实现。执行本发明方法的系统装置也应当在本发明的保护范围内。
以上所述仅为本发明的优选实施例而已,不能认定本发明的具体实施只限于此实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于星地融合的流域降雨产品订正方法,其特征在于,包括以下步骤:
步骤1,首先将待校正的遥感影像中的所有像元分为以下五类,记为C1、C2、C3、C4和C5像元,
C1像元为地面原位传感器位置对应的影像栅格像元;
C2像元为降雨格点数据位置对应的影像栅格像元;
C3像元为与C1、C2像元位于同一降雨分区内,具有降雨相关性的栅格像元;
C4像元为与C3像元位于同一降雨分区内,具有降雨相关性的栅格像元;
以上4种以外的栅格像元为C5像元;
步骤2,从原位传感器和格点降雨观测点中选取训练样本和精度验证数据集;
步骤3,对于C1像元,遥感影像降雨估计值以原位站点降雨观测值为真实值,利用改进后的分位数映射方法进行校正;
步骤4,对于C2像元,遥感影像降雨估计值以格点降雨值为真实值,利用改进后的分位数映射方法进行校正;
步骤5,对于C3像元,利用随机森林回归方法,建立C1、C2像元校正方法的数学表达式,实现C3像元对应空间位置的遥感影像降雨估计值校正;
步骤6,对于C4像元,以C3像元订正前后的降雨比值关系式为参考,实现C4像元对应空间位置的遥感影像降雨估计值校正;
步骤7,经步骤2~6订正后,影像中的未校正栅格像元为C5像元,C5像元的降雨校正值为对应空间位置的遥感影像降雨估计值;
步骤8,在精度验证数据集中进行区域降雨订正结果的精度验证,输出研究区域的校正结果;
步骤3和步骤4所采用改进后的分位数映射方法实现如下,
2.如权利要求1所述的一种基于星地融合的流域降雨产品订正方法,其特征在于:步骤5实现方式包括如下步骤,
步骤5.1,利用模糊C均值聚类方法,进行区域地形特征划分,所得每一个子区域内部的栅格像元都具有相似的地形特征;
步骤5.2,在子区域内,存在与C1和C2像元具有相似降雨特征的栅格像元,学习C1和C2栅格像元的降雨订正方法。
3.如权利要求2所述的一种基于星地融合的流域降雨产品订正方法,其特征在于:步骤5.2实现方式如下,
1)对C1和C2像元进行降雨校正的精度评价,包括计算C1和C2像元与降雨真实值的斯皮尔曼相关系数SCC和对应p值,p值表示显著性水平;
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则进行下一步骤2);
2)使用随机森林回归算法分别建立C1像元遥感影像值订正前后的数学模型和C2像元遥感影像值订正前后的数学模型,实现订正前后随机森林回归关系建立,实现如下,
在建立回归模型前,对因变量和自变量计算斯皮尔曼相关系数SCC和对应p值,
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则实现C1像元和C2像元订正前后随机森林回归关系建立;
3)计算子区域内剩余栅格像元与通过显著相关性分析的C1和C2像元的斯皮尔曼相关系数SCC和对应p值,
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则对C3像元选取相关性最强的C1或C2像元的随机森林回归模型,得到C3像元订正结果。
4.如权利要求3所述的一种基于星地融合的流域降雨产品订正方法,其特征在于:步骤5.2实现方式如下,是否通过显著性校验根据条件|SCC|≥0.5and p<0.05判断实现。
5.如权利要求1或2或3或4所述的一种基于星地融合的流域降雨产品订正方法,其特征在于:步骤6实现方式包括如下步骤,
步骤6.1,基于步骤5所得C3订正结果,计算子区域内剩余栅格像元与C3像元的历史降雨数据即计算斯皮尔曼相关系数SCC和对应p值,
如果不能通过显著性校验,则暂不校正该像元,如果能够通过,则作为订正前的C4像元进行后续操作;
步骤6.2,同一子区域内,每一个C4像元都有与之相关性最高的C3像元,计算C3像元订正前后的降雨比值系数:
将C4像元订正前的遥感影像降雨值,带入对应C3像元的降雨比值系数公式并将计算结果小于0的值赋值为0,最终得到C4像元的降雨订正值,
6.一种基于星地融合的流域降雨产品订正系统,其特征在于:用于执行如权利要求1-5任一项所述的基于星地融合的流域降雨产品订正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308244.9A CN110059745B (zh) | 2019-04-17 | 2019-04-17 | 一种基于星地融合的流域降雨产品订正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308244.9A CN110059745B (zh) | 2019-04-17 | 2019-04-17 | 一种基于星地融合的流域降雨产品订正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059745A CN110059745A (zh) | 2019-07-26 |
CN110059745B true CN110059745B (zh) | 2022-07-05 |
Family
ID=67319174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308244.9A Active CN110059745B (zh) | 2019-04-17 | 2019-04-17 | 一种基于星地融合的流域降雨产品订正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059745B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543971B (zh) * | 2019-08-02 | 2020-08-11 | 河海大学 | 一种卫星降雨与实测降雨误差分区融合校正的方法 |
CN111651411B (zh) * | 2020-04-21 | 2023-03-10 | 成都信息工程大学 | 一种复杂地形遥感土壤水分产品降尺度方法 |
CN111797131B (zh) * | 2020-06-09 | 2024-02-20 | 武汉大学 | 一种基于遥感降水产品的极端降水区域频率分析方法 |
CN111898660B (zh) * | 2020-07-17 | 2022-10-04 | 武汉大学 | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 |
CN113111499B (zh) * | 2021-03-30 | 2022-08-09 | 浙江大学 | 一种基于多尺度分位数映射和ec的日径流和输沙率序列随机模拟方法 |
CN114187533B (zh) * | 2022-02-15 | 2022-05-03 | 西南交通大学 | 一种基于随机森林时序分类的GB-InSAR大气改正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063718A (zh) * | 2014-04-01 | 2014-09-24 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
CN108463822A (zh) * | 2016-04-25 | 2018-08-28 | 谷歌有限责任公司 | 利用视觉样式用于信息资源的内容元素的动态渲染交互统计数据 |
EP3401709A1 (en) * | 2017-05-09 | 2018-11-14 | Amigo S.R.L. | Method for determining the presence of meteorological precipitations |
-
2019
- 2019-04-17 CN CN201910308244.9A patent/CN110059745B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063718A (zh) * | 2014-04-01 | 2014-09-24 | 中国科学院遥感与数字地球研究所 | 在作物识别和面积估算中选择遥感数据和分类算法的方法 |
CN108463822A (zh) * | 2016-04-25 | 2018-08-28 | 谷歌有限责任公司 | 利用视觉样式用于信息资源的内容元素的动态渲染交互统计数据 |
EP3401709A1 (en) * | 2017-05-09 | 2018-11-14 | Amigo S.R.L. | Method for determining the presence of meteorological precipitations |
Non-Patent Citations (2)
Title |
---|
Using satellite-based evapotranspiration estimates to improve the structure of a simple conceptual rainfall&ndash runoff mode;Roy,T;《Hydrology and Earth System Sciences》;20170214;全文 * |
基于双雷达图像拼接的波高反演技术研究;王亚娟;《中国优秀硕士学位论文全文数据库》;20190131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110059745A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059745B (zh) | 一种基于星地融合的流域降雨产品订正方法及系统 | |
Jin et al. | Monitoring of wetland inundation dynamics in the Delmarva Peninsula using Landsat time-series imagery from 1985 to 2011 | |
Nandi et al. | Shoreline shifting and its prediction using remote sensing and GIS techniques: a case study of Sagar Island, West Bengal (India) | |
Grimes et al. | A neural network approach to real-time rainfall estimation for Africa using satellite data | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
Rodríguez-López et al. | Spectral analysis using LANDSAT images to monitor the chlorophyll-a concentration in Lake Laja in Chile | |
Getirana et al. | Improving hydrological information acquisition from DEM processing in floodplains | |
Park et al. | Delineation of high resolution climate regions over the Korean Peninsula using machine learning approaches | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
Chang et al. | Modelling snow accumulation with a geographic information system | |
Zeng et al. | Spatial downscaling of IMERG considering vegetation index based on adaptive lag phase | |
Tang et al. | The use of serially complete station data to improve the temporal continuity of gridded precipitation and temperature estimates | |
Ali et al. | Monitoring degradation of wetland areas using satellite imagery and geographic information system techniques. | |
El Alaoui El Fels et al. | Rainfall frequency analysis using assessed and corrected satellite precipitation products in moroccan arid areas. the case of tensift watershed | |
Drolon et al. | Monitoring of seasonal glacier mass balance over the European Alps using low-resolution optical satellite images | |
Greatrex et al. | Advances in the stochastic modeling of satellite-derived rainfall estimates using a sparse calibration dataset | |
Ferreira Filho et al. | Identification of homogeneous regions based on rainfall in the Amazon River basin | |
CN114169215B (zh) | 一种耦合遥感与区域气象模式的地表温度反演方法 | |
Croley et al. | Near real-time forecasting of large lake supplies | |
Dietterich et al. | Lava flows in 3D: using airborne lidar and preeruptive topography to evaluate lava flow surface morphology and thickness in Hawai ‘i | |
Sedaghat et al. | Evaluation of Object-Based and Pixel-Based Technique for Extracting Snow Cover Surface Using Landsat 8 Satellite Images (Case Study Damavand Mountain Range) | |
Abdollahi et al. | Evaluation of trend of land utilization and population growth using remote sensing data: Case study of Yazd City, Iran | |
Jiang et al. | Surface global and diffuse solar radiation over China acquired from geostationary Multi-functional Transport Satellite data | |
Amos et al. | A continuous vertically resolved ozone dataset from the fusion of chemistry climate models with observations using a Bayesian neural network | |
NABUNYA | Simulation of impacts of land-use and land cover changes on water balance in Oued Fez basin (Morocco) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |