CN110118982A - 一种基于空间优化插值的卫星降水数据校正方法 - Google Patents
一种基于空间优化插值的卫星降水数据校正方法 Download PDFInfo
- Publication number
- CN110118982A CN110118982A CN201910291528.1A CN201910291528A CN110118982A CN 110118982 A CN110118982 A CN 110118982A CN 201910291528 A CN201910291528 A CN 201910291528A CN 110118982 A CN110118982 A CN 110118982A
- Authority
- CN
- China
- Prior art keywords
- interpolation
- precipitation
- range
- satellite
- data
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 178
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000020509 sex determination Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 210000005252 bulbus oculi Anatomy 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 9
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000002123 temporal effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
- G01S19/41—Differential correction, e.g. DGPS [differential GPS]
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Hydrology & Water Resources (AREA)
- Radio Relay Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Complex Calculations (AREA)
Abstract
一种基于空间优化插值的卫星降水数据校正方法，属于卫星降水校正技术领域。该方法包括：首先对卫星降水数据和地面日降水量观测数据进行预处理，选取评价指标。其次，确定卫星降水数据的优化插值范围。再次，进行降水强度分级。最后，对分级后的各级降水以确定的空间插值范围进行优化插值，完成卫星降水数据校正。本发明通过空间优化插值方法校正卫星降水数据，获取精度更高、更可靠的时空降水分布信息；数据需求较少，方法简便，可操作性强，可为地面降水观测站点缺少或稀疏地区的雨量估计提供有效手段。
Description
技术领域
本发明属于卫星降水校正技术领域，涉及一种基于空间优化插值方法的卫星降水数据改进。
背景技术
降水是地球水循环系统的重要组成部分，也是影响水资源时空分布的主要因子。获取高精度和高时空分辨率的降水数据，是满足水文模拟、水旱灾害预报、水资源管理等领域基础数据需求的重要任务。
长久以来，地面降水观测站一直是获取降水信息的主要方式；然而，有限的站点布设难以全面捕捉降水的空间异质特性。卫星遥感测雨技术可充分克服地面观测在空间分布上的局限，已成为获取更高时空分辨率降水数据的有效手段。目前降水产品数量众多，主要包括首颗专门应用于定量测量热带、亚热带降水的气象卫星TRMM(Tropical RainfallMeasuring Mission)、基于人工神经网络利用遥感信息进行降水反演的PERSIANN(Precipitation Estimation from Remotely Sensed Information using ArtificialNeural Networks)等。尽管卫星降水产品在时空分辨率上具有显著优势，但其在不同区域的精度表现具有很强的不确定性。在全球和区域尺度进行的大量实验和研究表明，大多数降水产品在大尺度上表现良好，但在具体区域内差异巨大(Kummerow C,Simpson J,ThieleO,et al.The Status of the Tropical Rainfall Measuring Mission(TRMM)After TwoYears in Orbit[J].Journal of Applied Meteorology,2000,39:1965-1982.)。
因此，在特定地区应用卫星降水产品时，进行误差校正是提升降水精度的必要手段。目前对卫星降水的校正研究，多为引入可能对卫星降水估计产生影响的信息与卫星降水数据进行融合，如雷达数据、红外数据、植被信息或多光谱影像等，或通过推求卫星降水与实测降水偏差的概率分布函数进行校正。这些方法虽然能够达到提高卫星降水产品估算精度的目的，但其对数据需求大、方法复杂，操作上具有一定难度，恐无法满足实际应用中对降水校正方法易操作、易推广的需求。
发明内容
本发明的目的在于提供一种基于空间优化插值的卫星降水数据校正方法，在一定空间范围内，对不同等级降水分别进行空间优化插值，使用尽可能简便的方法和数据，有效降低卫星降水数据与地面测量数据的偏差。
为了达到上述目的，本发明采用的技术方案如下：
一种基于空间优化插值的卫星降水数据校正方法，包括以下步骤：
(1)获取数据
获取卫星降水数据，同时收集同一地区的地面降水观测站的日降水量数据；
(2)数据预处理
修正卫星降水数据与地面日降水量观测数据的观测时差(将调整卫星降雨数据和地面日尺度观测数据至相同的时间分辨率)，并将其存储为文档形式以便调用；
(3)选取评价指标
选取相关系数(correction coefficient，CC)、均方根误差(root mean squarederror，RMSE)、平均绝对误差(mean absolute error，MAE)、相对误差(relative bias，BIAS)作为卫星降水产品精度的评价指标；
(4)确定卫星降水数据的优化插值范围
插值范围的选取对本发明中的空间优化插值方法十分重要，范围过小易无法达到满意的校正效果，范围过大会增加运算量，影响优化效率。本步骤利用常规反距离权重法，对卫星降水数据的空间插值范围进行初步优选，在保证卫星降水校正潜力的前提下，缩小运算量和优化时间，为步骤(6)提供合理的插值范围。具体步骤如下：
首先，以地面降水观测站点为中心，依次以卫星降水栅格的1倍对角线长度为半径、2倍对角线长度为半径、……以此类推，确定搜索范围进行搜索。
其次，分别以被该搜索范围覆盖面积最大的4个卫星降水栅格(搜索范围半径为1倍对角线长度)、16个卫星降水栅格(搜索范围半径为2倍对角线长度)、……以此类推，作为插值范围；另外，当地面降水观测站点与卫星降水栅格中心完全重叠时，卫星降水栅格数在现有的标准下加1(搜索范围半径为1倍对角线长度时为5个卫星降水栅格，搜索范围半径为2倍对角线长度时为17个卫星降水栅格)，采用反距离权重法(Inverse DistanceWeighted)进行插值，得到各范围卫星降水的常规插值结果：
式中，RIDW为卫星降水经反距离权重法插值得到的降水数据，Ri为参与插值的第i个卫星降水栅格，αi为第i个卫星降水栅格的权重，hi为第i个卫星降水栅格中心点到地面实测点的距离，m为参与插值的栅格总数，p可为任意正实数，通常取2。
最后，对比评价不同插值范围的卫星降水数据经反距离权重法插值所得降水数据与地面实测降水数据的拟合程度，计算步骤(3)中的各项指标，对于同一卫星降水产品的任意两种插值范围，以参与插值的栅格数多者为大范围，少者为小范围，按照图1所示的优化插值范围选择流程进行筛选，对大、小范围的插值结果优劣性和差异性依次进行判断，差异性判别的阈值可根据具体区域进行调整。若大范围评价结果优于小范围且差异显著，则选择大范围作为优化插值的范围；否则选择小范围。由此，确定步骤(6)优化插值的空间范围。
该步骤中所述的优化插值范围选择流程，具体为：
大范围插值结果评价指标为CCS、RMSES、MAES、BIASS，小范围插值结果评价指标均为CCL、RMSEL、MAEL、BIASL。
1)进行优劣性判定，判定条件为：CCL＞CCS、RMSEL＞RMSES、MAEL＞MAES、BIASL＞BIASS，是否至少满足三项，若满足，则继续进行差异性判定；若不满足，则判定优化插值范围确定为小范围。
2)差异性判定条件，判定条件为：CCL-CCS＞0.1、RMSES-RMSEL＞0.5、MAES-MAEL＞0.2、BIASS-BIASL＞5％，是否至少满足三项，若满足，则判定优化插值范围确定为大范围；若不满足，则判定优化插值范围确定为小范围。
(5)降水强度分级
根据步骤(1)收集的地面观测站点的日降水量，参考国家气象局颁布的降水强度等级划分标准，将该地区的降水资料分为小雨、中雨、大雨、暴雨、大暴雨和特大暴雨；
(6)卫星降水数据分级优化插值
对步骤(5)分级后的各级降水分别以步骤(4)确定的空间插值范围进行优化插值(Weight Optimization)：
式中，RWO为优化插值法得到的降水，Ri为参与插值的第i个卫星降水栅格，βi为优化的第i个卫星降水栅格的权重，m为参与插值的栅格总数。
与常规插值方法不同，此处不限定权重之和为1，但需保证插值结果的合理性，即在公式(2)中以降水值非负为优化插值的约束条件：
对比卫星降水在不同权重组合下的插值结果与地面观测值，计算步骤(3)中各项指标，以CC最大、RMSE最小、MAE最小和BIAS最小作为优化目标。
优化过程中，首先应用遗传算法分别以CC最大、RMSE最小、MAE最小和BIAS最小为目标进行单目标权重优化，初步估计权重的优范围；之后，为避免遗传算法本身引起的局部最优问题，在初步估计的优范围内，采取0.001～0.02的精细步长进行遍历搜索，并使用更全面的优化目标，即满足CC最大程度增大的同时，RMSE、MAE和BIAS最大程度减小；最后，利用搜索获得的最优权重进行插值计算，得到满足多优化目标的降水校正结果：
式中，RWO，best为最优权重下的降水校正值，Ri为参与插值的第i个卫星降水栅格，βi，best为第i个卫星降水栅格的最优权重，m为参与插值的栅格总数。
为进一步说明本发明的改进效果，对比本优化插值方法与步骤(4)常规反距离权重插值方法得到的降水数据在步骤(3)中各项指标的表现，可量化评价本方法对降水产品精度的提升能力。
本发明的有益效果为：本发明通过空间优化插值方法校正卫星降水数据，获取精度更高、更可靠的时空降水分布信息；数据需求较少，方法简便，可操作性强，可为地面降水观测站点缺少或稀疏地区的雨量估计提供有效手段。
附图说明
图1是优化插值范围选择流程图；
图2是查干湖卫星降水栅格中心及地面降水观测站点位置图。
具体实施方式
下面结合附图和实例对本发明作进一步的描述。
选取吉林省查干湖地区为研究区域，对2004-2013年的卫星遥感日降水量进行空间优化插值研究，最终得到改进的降水数据。
(1)获取数据：获取查干湖地区2004-2013年TRMM 3B42V7和PERSIANN-CDR日降水数据，空间分辨率均为0.25°×0.25°，时间分辨率均为3h；同时收集查干湖地区3个地面气象站(大安站、乾安站和前郭站)的日降水数据，以上降水数据的空间分布见图2。
(2)数据预处理：修正卫星降水数据与地面日降水量观测数据的观测时差，并将其存储为文档形式以便调用。
(3)选取评价指标：选取相关系数(correction coefficient，CC)、均方根误差(root mean squared error，RMSE)、平均绝对误差(mean absolute error，MAE)、相对误差(relative bias，BIAS)作为降水产品的评价指标。
式中，Gi为第i时刻的地面观测降水，为地面观测降水均值，Si为第i时刻的卫星降水，为卫星降水均值，n为总天数。
(4)确定卫星降水优化插值范围：
插值范围的选取对本发明中的空间优化插值方法十分重要，范围过小易无法达到满意的校正效果，范围过大会增加运算量，影响优化效率。本步骤旨在保证卫星降水校正潜力的前提下，缩小运算量和优化时间，为步骤(6)提供合理的插值范围。
首先，分别以大安站、乾安站、前郭站为中心，以卫星降水栅格的1倍对角线长度2倍对角线长度依次为半径进行搜索；然后，分别以被该搜索范围覆盖面积最大的4个卫星降水栅格、16个卫星降水栅格等作为插值范围(本地区不存在地面降水观测站点与卫星降水栅格中心完全重叠的情况)，采用反距离权重法(Inverse DistanceWeighted)进行插值，得到各范围卫星降水数据插值结果：
式中，RLDW为卫星降水经反距离权重法插值得到的降水数据，Ri为参与插值的第i个卫星降水栅格，αi为第i个卫星降水栅格的权重，hi为第i个卫星降水栅格中心点到地面实测点的距离，m为参与插值的栅格总数，此处为4或16，p取常用值2。
之后，对比评价不同范围的卫星降水数据经反距离权重法插值所得降水数据与地面实测降水数据的拟合程度，计算步骤(3)中的各项指标，对于同一卫星降水产品的4栅格插值范围和16栅格插值范围，以4栅格作为小范围，16栅格作为大范围，按照图1所示的优化插值范围选择流程进行筛选：
TRMM 3B42V7和PERSIANN-CDR两种卫星降水产品在不同插值范围的评价指标结果见表1。评价结果优劣性方面，16栅格插值范围与4栅格差值范围相比，两种降水产品均有3项指标(CC、RMSE和MAE)更优，说明两种产品16栅格插值均优于4栅格插值；进而继续对评价结果的差异性进行判断，分别对两种降水产品的不同插值范围的各项指标进行对比，TRMM3B42V7 4栅格插值与16栅格插值的CC相差0.03、RMSE相差0.32、MAE相差0.06、BIAS相差0.53％，PERSIANN-CDR的CC、RMSE、MAE和BIAS则分别相差0.01、0.10、0.01和0.62％，两种降水产品均不满足差异性判别标准，认为两种降水产品的4栅格插值范围和16栅格插值范围的评价结果均不具有显著的差异，故对两种产品均选取插值范围更小的4栅格作为本区域优化插值的空间范围。
(5)降水强度分级：根据步骤(1)收集的地面观测站点的日降水量，参考国家气象局颁布的降水强度等级划分标准，最终将2004-2013年降水资料分为小雨共2960天、中雨共271天、大雨共85天和暴雨共16天，研究时段内无暴雨以上降水等级事件。
(6)卫星降水数据分级优化插值：对步骤(5)分级后的各级降水分别以步骤(4)确定的空间插值范围进行优化插值(Weight Optimization)：
式中，RWO为优化插值法得到的降水，Ri为参与插值的第i个卫星降水栅格，βi为优化的第i个卫星降水栅格的权重，m为参与插值的栅格总数，此处为4。
与常规插值方法不同，此处不限定权重之和为1，但需保证插值结果的合理性，即在公式(2)中以降水值非负为优化插值的约束条件：
对比卫星降水在不同权重组合下的插值结果与地面观测值，计算步骤(3)中各项指标，以CC最大、RMSE最小、MAE最小和BIAS最小作为优化目标。
优化过程中，首先应用遗传算法分别以CC最大、RMSE最小、MAE最小和BIAS最小为目标进行单目标权重优化，初步估计权重的优范围；之后，为避免遗传算法本身引起的局部最优问题，在初步估计的优范围内，采取0.001的精细步长进行遍历搜索，并使用更全面的优化目标，即满足CC最大程度增大的同时，RMSE、MAE和BIAS最大程度减小；最后，利用搜索获得的最优权重进行插值计算，得到满足多优化目标的降水校正结果：
式中，RWO，best为最优权重下的降水校正值，Ri为参与插值的第i个卫星降水栅格，βi，best为第i个卫星降水栅格的最优权重，m为参与插值的栅格总数，此处为4。
为进一步说明本发明的改进效果，对比本优化插值方法与步骤(4)常规反距离权重插值方法得到的降水数据在步骤(3)中各项指标的表现，量化评价本方法对降水产品精度的提升能力。由表2可知，TRMM 3B42V7产品通过分级优化插值后，相对误差由反距离权重法的19.11％减小至-3.86％，日均降水量由1.38mm/d改进为1.12mm/d，明显接近于气象站的1.16mm/d，相关系数由0.57提升至0.72，RMSE和MAE也分别由4.35mm和1.39mm降低至3.08mm和1.02mm；PERSIANN-CDR产品的相对误差由20.88％降低为2.24％，日均降水量由1.40mm/d改进为1.18mm/d，已十分接近地面观测值，相关系数也有比较明显的提升，由0.50改进至0.75，同时RMSE和MAE也分别由4.23mm和1.47mm降低至3.23mm和1.07mm。
总体而言，通过分级优化插值方法，可有效降低卫星遥感降水产品的相对误差，将相关系数提升至较高水平，同时对日降水偏差也起到了改进作用。
本发明通过空间优化插值方法校正卫星降水数据，获取精度更高、更可靠的时空降水分布信息；数据需求较少，方法简便，可操作性强，可为地面降水观测站点缺少或稀疏地区的雨量估计提供有效手段。
表1
表2
表1是两种降水产品在不同插值范围内通过反距离权重插值法得到的降水数据与地面观测的降水数据的评价指标对比；
表2是两种产品分别应用反距离权重插值方法(IDW)与优化插值方法(WO)与地面实测降水数据的评价指标对比。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (2)
1.一种基于空间优化插值的卫星降水数据校正方法，其特征在于包括以下步骤：
(1)获取数据
获取卫星降水数据，同时收集同一地区的地面降水观测站的日降水量数据；
(2)数据预处理
修正卫星降水数据与地面日降水量观测数据的观测时差，并将其存储为文档形式以便调用；
(3)选取评价指标
选取相关系数CC、均方根误差RMSE、平均绝对误差MAE、相对误差BIAS作为卫星降水产品精度的评价指标；
(4)确定卫星降水数据的优化插值范围
首先，以地面降水观测站点为中心，依次以卫星降水栅格的1倍对角线长度为半径、2倍对角线长度为半径、……以此类推，确定搜索范围进行搜索；
其次，搜索范围半径为1倍对角线长度时以该搜索范围覆盖面积最大的4个卫星降水栅格作为插值范围，搜索范围半径为2倍对角线长度时以该搜索范围覆盖面积最大的16个卫星降水栅格作为插值范围，……以此类推；当地面降水观测站点与卫星降水栅格中心完全重叠时，卫星降水栅格数在现有的标准下加1；确定插值范围后，采用反距离权重法进行插值，得到各范围卫星降水的常规插值结果：
式中，RIDW为卫星降水经反距离权重法插值得到的降水数据，Ri为参与插值的第i个卫星降水栅格，αi为第i个卫星降水栅格的权重，hi为第i个卫星降水栅格中心点到地面实测点的距离，m为参与插值的栅格总数，p为任意正实数；
最后，对比评价不同插值范围的卫星降水数据经反距离权重法插值所得降水数据与地面实测降水数据的拟合程度，计算步骤(3)中的各项指标；对于同一卫星降水产品的任意两种插值范围，以参与插值的栅格数多者为大范围，少者为小范围，采用优化插值范围选择流程进行筛选，对大、小范围的插值结果优劣性和差异性依次进行判断，差异性判别的阈值可根据具体区域进行调整；若大范围评价结果优于小范围且差异显著，则选择大范围作为优化插值的范围；否则选择小范围；
(5)降水强度分级
根据步骤(1)收集的地面观测站点的日降水量，参考国家气象局颁布的降水强度等级划分标准，将该地区的降水资料分为小雨、中雨、大雨、暴雨、大暴雨和特大暴雨；
(6)卫星降水数据分级优化插值
对步骤(5)分级后的各级降水分别以步骤(4)确定的空间插值范围进行优化插值：
式中，RWO为优化插值法得到的降水，Ri为参与插值的第i个卫星降水栅格，βi为优化的第i个卫星降水栅格的权重，m为参与插值的栅格总数；
与常规插值方法不同，此处不限定权重之和为1，但需保证插值结果的合理性，在公式(2)中以降水值非负为优化插值的约束条件：
对比卫星降水在不同权重组合下的插值结果与地面观测值，计算步骤(3)中各项指标，以CC最大、RMSE最小、MAE最小和BIAS最小作为优化目标；
优化过程中，首先采用遗传算法分别以CC最大、RMSE最小、MAE最小和BIAS最小为目标进行单目标权重优化，初步估计权重的优范围；其次，在初步估计的优范围内，采取0.001～0.02的精细步长进行遍历搜索；最后，利用搜索获得的最优权重进行插值计算，得到满足多优化目标的降水校正结果：
式中，RWO，best为最优权重下的降水校正值，Ri为参与插值的第i个卫星降水栅格，βi，best为第i个卫星降水栅格的最优权重，m为参与插值的栅格总数。
2.根据权利要求1所述的.一种基于空间优化插值的卫星降水数据校正方法，其特征在于，步骤(4)中所述的优化插值范围选择流程为：
大范围插值结果评价指标为CCS、RMSES、MAES、BIASS，小范围插值结果评价指标均为CCL、RMSEL、MAEL、BIASL；
1)进行优劣性判定，判定条件为：CCL＞CCS、RMSEL＞RMSES、MAEL＞MAES、BIASL＞BIASS，是否至少满足三项，若满足，则继续进行差异性判定；若不满足，则判定优化插值范围确定为小范围；
2)差异性判定条件，判定条件为：CCL-CCS＞0.1、RMSES-RMSEL＞0.5、MAES-MAEL＞0.2、BIASS-BIASL＞5％，是否至少满足三项，若满足，则判定优化插值范围确定为大范围；若不满足，则判定优化插值范围确定为小范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910291528.1A CN110118982B (zh) | 2019-04-12 | 2019-04-12 | 一种基于空间优化插值的卫星降水数据校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910291528.1A CN110118982B (zh) | 2019-04-12 | 2019-04-12 | 一种基于空间优化插值的卫星降水数据校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110118982A true CN110118982A (zh) | 2019-08-13 |
| CN110118982B CN110118982B (zh) | 2022-11-25 |
Family
ID=67520908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910291528.1A Active CN110118982B (zh) | 2019-04-12 | 2019-04-12 | 一种基于空间优化插值的卫星降水数据校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110118982B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110597873A (zh) * | 2019-08-23 | 2019-12-20 | 北京师范大学 | 降水数据估计方法、装置、设备及存储介质 |
| CN111123324A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进蚁群算法的dgps整周模糊度搜索方法 |
| CN111752990A (zh) * | 2020-06-09 | 2020-10-09 | 贵州省气象灾害防御技术中心 | 一种雷电易发性等级划分方法 |
| CN112766580A (zh) * | 2021-01-25 | 2021-05-07 | 武汉大学 | 基于动态启发式算法的多源降水产品的融合方法 |
| CN113205155A (zh) * | 2021-05-27 | 2021-08-03 | 中国水利水电科学研究院 | 一种基于分区自适应权重的多源降水数据融合方法 |
| CN113282883A (zh) * | 2021-02-04 | 2021-08-20 | 河海大学 | 一种逐日降水数据综合插值方法 |
| CN114020725A (zh) * | 2021-11-11 | 2022-02-08 | 中国水利水电科学研究院 | 一种考虑空间分布的窗口滑动gpm数据订正方法 |
| CN114720398A (zh) * | 2022-05-24 | 2022-07-08 | 北京劢亚科技有限公司 | 一种测量碳值的空间分布的系统和方法 |
| CN114781713A (zh) * | 2022-04-13 | 2022-07-22 | 中国电建集团成都勘测设计研究院有限公司 | 基于卫星反演降水产品的雨量站网优化方法及装置 |
| CN116910041A (zh) * | 2023-06-21 | 2023-10-20 | 中国水利水电科学研究院 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
| CN117708113A (zh) * | 2024-02-06 | 2024-03-15 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据构建方法 |
Citations (7)
| 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 |
| US20170351005A1 (en) * | 2016-06-02 | 2017-12-07 | The Climate Corporation | Computing radar based precipitation estimate errors based on precipitation gauge measurements |
| CN107608939A (zh) * | 2017-08-16 | 2018-01-19 | 北京师范大学 | 基于高分辨率卫星数据的trmm降水数据降尺度方法 |
| CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及系统 |
| CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
| CN109375294A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 一种山区卫星降水数据的降尺度校正方法 |
-
2019
- 2019-04-12 CN CN201910291528.1A patent/CN110118982B/zh active Active
Patent Citations (7)
| 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 |
| US20170351005A1 (en) * | 2016-06-02 | 2017-12-07 | The Climate Corporation | Computing radar based precipitation estimate errors based on precipitation gauge measurements |
| CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及系统 |
| CN107608939A (zh) * | 2017-08-16 | 2018-01-19 | 北京师范大学 | 基于高分辨率卫星数据的trmm降水数据降尺度方法 |
| CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
| CN109375294A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 一种山区卫星降水数据的降尺度校正方法 |
Non-Patent Citations (3)
| Title |
|---|
| LING TANG 等: "Understanding the Dynamics of Transfer of Satellite Rainfall Error Metrics From Gauged to Ungauged Satellite Gridboxes Using Interpolation Methods", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| 任亮 等: "陕西秦巴山区TRMM 3B42卫星降水数据精度评价", 《陕西师范大学学报（自然科学版）》 * |
| 王兆礼 等: "TRMM卫星降水反演数据在珠江流域的适用性研究—以东江和北江为例", 《水科学进展》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110597873A (zh) * | 2019-08-23 | 2019-12-20 | 北京师范大学 | 降水数据估计方法、装置、设备及存储介质 |
| CN111123324A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进蚁群算法的dgps整周模糊度搜索方法 |
| CN111752990B (zh) * | 2020-06-09 | 2024-02-02 | 贵州省气象灾害防御技术中心 | 一种雷电易发性等级划分方法 |
| CN111752990A (zh) * | 2020-06-09 | 2020-10-09 | 贵州省气象灾害防御技术中心 | 一种雷电易发性等级划分方法 |
| CN112766580A (zh) * | 2021-01-25 | 2021-05-07 | 武汉大学 | 基于动态启发式算法的多源降水产品的融合方法 |
| CN112766580B (zh) * | 2021-01-25 | 2022-04-29 | 武汉大学 | 基于动态启发式算法的多源降水产品的融合方法 |
| CN113282883A (zh) * | 2021-02-04 | 2021-08-20 | 河海大学 | 一种逐日降水数据综合插值方法 |
| CN113205155A (zh) * | 2021-05-27 | 2021-08-03 | 中国水利水电科学研究院 | 一种基于分区自适应权重的多源降水数据融合方法 |
| CN114020725A (zh) * | 2021-11-11 | 2022-02-08 | 中国水利水电科学研究院 | 一种考虑空间分布的窗口滑动gpm数据订正方法 |
| CN114781713A (zh) * | 2022-04-13 | 2022-07-22 | 中国电建集团成都勘测设计研究院有限公司 | 基于卫星反演降水产品的雨量站网优化方法及装置 |
| CN114781713B (zh) * | 2022-04-13 | 2023-04-07 | 中国电建集团成都勘测设计研究院有限公司 | 基于卫星反演降水产品的雨量站网优化方法及装置 |
| CN114720398A (zh) * | 2022-05-24 | 2022-07-08 | 北京劢亚科技有限公司 | 一种测量碳值的空间分布的系统和方法 |
| CN116910041B (zh) * | 2023-06-21 | 2023-12-22 | 中国水利水电科学研究院 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
| CN116910041A (zh) * | 2023-06-21 | 2023-10-20 | 中国水利水电科学研究院 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
| CN117708113A (zh) * | 2024-02-06 | 2024-03-15 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据构建方法 |
| CN117708113B (zh) * | 2024-02-06 | 2024-05-17 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110118982B (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110118982A (zh) | 一种基于空间优化插值的卫星降水数据校正方法 | |
| Alijanian et al. | Evaluation of satellite rainfall climatology using CMORPH, PERSIANN‐CDR, PERSIANN, TRMM, MSWEP over Iran | |
| Lee et al. | Probabilistic landslide hazards and risk mapping on Penang Island, Malaysia | |
| Alvarez et al. | Comparison of different wind products and buoy wind data with seasonality and interannual climate variability in the southern Bay of Biscay (2000–2009) | |
| CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
| Seo et al. | Radar-rainfall estimation algorithms of Hydro-NEXRAD | |
| Goudenhoofdt et al. | Generation and verification of rainfall estimates from 10-yr volumetric weather radar measurements | |
| Puca et al. | The validation service of the hydrological SAF geostationary and polar satellite precipitation products | |
| CN109814175A (zh) | 一种基于卫星的强对流监测方法及其应用 | |
| CN112800634A (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
| Chang et al. | Modeling the spatial occurrence of shallow landslides triggered by typhoons | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN114325879A (zh) | 一种基于分级概率的定量降水订正方法 | |
| Zou et al. | A method of radar echo extrapolation based on TREC and Barnes filter | |
| Das et al. | Comparison of spatial interpolation methods for estimation of weekly rainfall in West Bengal, India | |
| Zhao et al. | Dynamic identification of soil erosion risk in the middle reaches of the Yellow River Basin in China from 1978 to 2010 | |
| Ru-Hua et al. | Modeling the potential distribution of shallow-seated landslides using the weights of evidence method and a logistic regression model: a case study of the Sabae Area, Japan | |
| CN116934125A (zh) | 一种面向能源开发片区的生态承载力评价方法 | |
| Cho et al. | Radar polygon method: an areal rainfall estimation based on radar rainfall imageries | |
| Tadesse et al. | Evaluation of merging method for CHIRP satellite rainfall estimate over wabi shebelle river basin, Ethiopia | |
| Soltanzadeh et al. | Using Bayesian Model Averaging (BMA) to calibrate probabilistic surface temperature forecasts over Iran | |
| Golinkoff et al. | The use of airborne laser scanning to develop a pixel-based stratification for a verified carbon offset project | |
| Gemmechis et al. | Modeling land use land cover using cellular automata-Markov chain: A case of Belete Gera regional forest priority area, south western Ethiopia | |
| Horton et al. | Using snow depth observation to provide insight into the quality of regional-scale snowpack simulations for avalanche forecasting | |
| Forcadell et al. | Severe hail detection with C-band dual-polarisation radars using convolutional neural networks |
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 |