CN110263838B - 一种多传感器降水估计融合方法 - Google Patents

Abstract

本发明公开一种多传感器降水估计融合方法，首先基于小波域HMT模型自适应滤波的方法分别进行雷达(DPR/GR)降水估计数据和雨量计数据融合；然后将经雨量计滤波后的DPR和GR降水估计数据在小波域进行多尺度分解和融合，得到高精度高分辨率降水估计结果。本发明的融合过程考虑了不同传感器降水估计的不确定性、降水数据的小波域统计和几何特征，融合的结果降低单一传感器不确定性的同时，可更好的保持和重建强降水极值、小尺度变化等细节特征。

Description

一种多传感器降水估计融合方法

技术领域：

本发明涉及气象探测数据处理技术领域，更确切地说，涉及一种地基和星载等多源传感器降水估计的融合方法。

背景技术：

随着对高精度、高分辨率定量降水估计和预报需求的不断增长，以及更多降水探测工具的出现，将多传感器降水探测数据进行有效融合，以综合各种传感器探测数据的特点，并降低降水估计的不确定性，具有十分重要的意义。如全球降水观测计划(GPM，GlobalPrecipitation Mission)主卫星上携带的双频测雨雷达(DPR,Dual-frequencyPrecipitation Radar)和微波成像仪，地基天气雷达，雨量计等。这些观测仪器可以给出不同时空分辨率的降水观测，且各有自己的优缺点。如雨量计可给出高精度的降水点测量，但空间覆盖范围有限；地基雷达(GR,GroundRadar)能提供较高时空分辨率的区域性降水观测，但也容易受电子信号和运行环境如波束阻挡、雷达射线抬升和波束展宽效应等误差来源的影响；星载雷达能提供较准确的全球降水测量，但受过境次数限制时间分辨率有限。多种传感器降水探测各有自己的优点和误差结构，通过挖掘他们的特征信息并将其综合利用，可克服单一降水观测源的局限性，降低降水估计的不确定性，得到更加全面、完整、精确的降水估计。

为提高雷达定量测量降水(QPE)精度，将雷达估测降水和雨量计结合起来一直是天气雷达的研究热点。融合方法主要分为线性和非线性方法，如偏差校正法、变分法、神经网络法等。美国NOAA国家强风暴实验室(NSSL)研发多雷达多传感器(MRMS)系统，基于距离加权插值的局部偏差校正法将多部地基天气雷达和雨量计结合，以得到更优QPE结果。美国国家气象局(NWS)应用克里金和协同克里金方法到雷达和雨量计多传感器降水估计中，以得到区域内降水的线性无偏最优估计。随着1997年TRMM卫星以及2014年GPM卫星的发射，一些算法用于融合TRMM/GPM卫星上搭载的测雨雷达PR/DPR和微波成像仪TMI/GMI，如基于贝叶斯的加权最小均方估计。星载雷达能提供近似全球高精度高分辨率三维降水结构信息，如何将星载雷达降水数据融入到地基雷达降水估测中以得到更精确降水测量，是近些年来很多学者关心的课题。Gupta et al(2006,A methodology for merging multisensorprecipitation estimates based on expectation maximization and scale-recursiveestimation)基于卡尔曼滤波的尺度递归估计法将星载雷达降水和地基雷达测量结合，以得到多尺度降水估计的递归最小均方解。Ebtehaj et al(2011，Adaptive fusionofmultisensor precipitation using Gaussian-scale mixtures in the waveletdomain)将TRMM PR与地基雷达反射率因子数据在小波域自适应融合，以更好的保留和重建降水回波的高阶统计特征。Wang et al(2015，Radar vertical profile of reflectivitycorrection with TRMM observations using a neural network approach)提出利用神经网络方法将TRMM PR垂直剖面数据与GR低层数据结合，以进行GR反射率垂直剖面校正进而提高地基雷达QPE精度。

Ebtehaj et al(2011，Statistical ofprecipitation reflectivity imagesand cascade of Gaussian-scale mixtures in the wavelet domain:a formalism forreproducing extremes and coherent multiscale structures)在研究中指出，不管降水的物理机制如何多变，雷达降水估计数据在频率域有明显的稳定的规则的多尺度统计特征，如非高斯重尾特性、尺度间依赖性等。常规的降水数据融合方法如贝叶斯估计、卡尔曼滤波等常假定降水的先验分布为高斯分布，具有一定的平均效应，融合过程中容易平滑掉降水的小尺度变化细节特征。本发明在考虑不同传感器降水数据多尺度、非高斯等几何和统计特征的基础上，提出一种基于小波域隐马尔科夫树(HMT，Hidden Markov Tree)模型的星载雷达、地基雷达和雨量计多种传感器降水估计融合方法。融合中首先基于雷达估计降水相对于雨量计数据的误差结构，进行小波域HMT模型滤波，随后将滤波后的地基雷达和星载雷达降水估计数据进行小波域多尺度分解和融合。融合过程充分考虑了雷达降水估计和雨量计数据的误差结构、降水数据的非高斯等统计特征，以及地基和星载雷达降水数据多分辨率特性，融合结果可在降低单一传感器不确定性的同时，有效保持降水信号的局部不连续性或起伏变化、极大值等小尺度细节特征。

发明内容：

本发明将雨量计数据、星载和地基雷达降水估计数据在小波域进行最优融合，目的是结合不同传感器不同尺度降水数据特点，得到更全面、完整、精确的高分辨率降水估计数据，其技术方案如下：

一种多传感器降水估计融合方法：包括如下具体步骤：

(1)先从星载雷达DPR数据和地基雷达GR数据中，选取空间窗和时间窗同时匹配的DPR降水率数据和GR反射率因子数据；其中空间窗指地基雷达覆盖范围与星载雷达测绘带所相交的区域；时间窗指星载雷达扫过匹配空间窗的时间与地基雷达开始一次体扫的时间差距在±6min以内；再选取位于所述空间窗内所有雨量站处于所述时间窗±30min的雨量计数据；

(2)对步骤1)选取的GR反射率因子数据、DPR降水率数据和雨量计数据分别进行质量控制；

(3)对步骤2)质量控制后的GR反射率因子数据进行降水反演得到GR降水率数据；

(4)将步骤2)质量控制后的雨量计数据分别与质量控制后的DPR降水率数据和步骤3得到的GR降水率数据进行统计分析，以雨量计数据为标准分别进行系统偏差校正；(利用现有的回归分析法计算DPR降水率数据的系统偏差，并分别进行系统偏差校正，得到偏差校正后的DPR降水估计数据)

(5)基于小波域HMT模型对步骤4)得到的DPR降水估计数据和GR降水估计数据分别与雨量计数据进行融合，即在小波域对DPR和GR降水估计数据进行最优滤波；

(6)将步骤5中最优滤波后的GR和DPR降水估计数据进行小波域多尺度分解和小波系数融合，得到融合后的小波系数；

(7)将步骤6得到的融合后的小波系数进行小波逆变换，则得到经雨量计滤波的GR和DPR多传感器降水估计融合结果。

本发明的进一步设计在于：

步骤2)中，对于GR反射率因子数据采用模糊逻辑法进行GR反射率因子数据的地杂波去除，以及采用自适应约束法对GR反射率因子数据进行衰减订正；

对DPR降水率数据选取2ADPR产品中NS模式地面降水率数据进行质量控制；

对雨量计数据采用奇异点的去除方法进行质量控制。

步骤3)中，对于双偏振雷达的GR反射率因子数据采用Z-R关系法或K_DP法或Z_H和Z_DR法联合反演GR降水率数据；对于常规多普勒雷达的GR反射率因子数据采用常规Z-R关系进行反演得到GR降水率数据。

步骤4)中，先从步骤2)质量控制后的DPR降水率数据和步骤3)得到的GR降水率数据中分别提取相关系数大于等于0.8的最优数据集，再进行系统偏差校正。

步骤5)中，基于小波域HMT模型将雷达GR/DPR降水估计数据分别与雨量计数据融合方法包括如下步骤：

5.1)首先将雷达GR/DPR降水估计数据与质量控制后的雨量计数据进行统计对比分析，再通过误差方差分离法得到雷达GR/DPR降水估计和雨量计之间的误差方差

5.2)对雷达GR/DPR降水估计数据进行二维小波变换：

在小波域，雷达GR/DPR降水估计数据小波系数为：

w＝d+n

其中w为雷达GR/DPR降水数据的小波系数向量，d为待估计的无噪小波系数向量，n为雷达GR/DPR降水估计小波域误差向量，其服从

的正态分布；

5.3)对小波系数进行HMT建模；

5.4)利用EM算法对HMT模型参数估计；

5.5)基于估计得到的HMT模型参数，对雷达GR/DPR降水估计数据的小波系数进行最优滤波处理；

5.6)利用滤波后的小波系数和最后分解尺度的尺度系数进行小波逆变换，则得到最优滤波后的雷达GR/DPR降水估计数据(最优滤波后的DPR降水估计数据的分辨率为DPR原始分辨率)。

步骤6中将最优滤波后的GR和DPR降水估计数据进行小波域融合，得到融合的小波系数的具体步骤如下：

6.1)将最优滤波后的DPR降水估计数据的DPR原始分辨率采用最近邻点插值法变换为4km×4km分辨率，再进行多级小波分解，得到在各尺度上的DPR最优小波系数和在最后尺度上的尺度系数；

6.2)对最优滤波后的GR降水估计数据进行多级小波分解，得到在各尺度上的GR最优小波系数和最后尺度上的尺度系数；

6.3)对于6.1)和6.2)中尺度小于DPR原始分辨率的，保留步骤6.2)中相应尺度的GR最优小波系数作为融合后的小波系数；

对于6.1)和6.2)中尺度大于等于DPR原始分辨率的，将相应尺度的DPR最优小波系数和GR最优小波系数采用HMT模型进行融合，得到融合后的小波系数。

步骤6.1)中DPR原始分辨率为5km×5km。

步骤6.1)中小波分解级数为2级，步骤6.2)中小波分解级数为4级。

本发明相比于现有技术具有如下有益效果

本发明基于小波域HMT模型自适应滤波的方法分别进行雷达(DPR/GR)降水估计数据和雨量计数据融合；然后经雨量计滤波的DPR和GR降水估计数据在小波域多尺度分解和融合，得到高精度高分辨率降水估计结果；

本发明融合过程中建立的小波域隐马尔可夫树模型考虑了降水数据的几何和统计特征，可更好的保持或重构降水的非高斯性、极值及降水强度变化细节，从而更有利于强对流降水局部特征的检测和预报。

本发明融合过程考虑了不同传感器降水估计不确定性、降水数据的小波域统计和几何特征，融合的结果降低单一传感器不确定性的同时，可更好的保持和重建强降水极值或小尺度变化细节特征。

附图说明：

图1为星载降水雷达(DPR)、地基雷达(GR)和雨量计数据融合的总流程图；

图2为雷达降水估计和雨量计数据融合流程图；

图3为小波系数隐马尔可夫树(HMT)模型结构示意图；

图4为最大期望值(EM)算法估计HMT模型参数流程图；

图5为地基雷达(GR)和星载降水雷达(DPR)降水估计小波域融合过程示意图。

具体实施方式：

下面结合具体实施例及对应附图对本发明作进一步说明。

实施例一：

为使本发明的目的和技术方案更加清楚明白，以下结合具体实施案例，并参照附图，对本发明进一步详细说明。

本实施例的一种多传感器降水估计融合方法，基于小波域HMT模型的星载降水雷达(DPR)、地基雷达(GR)和雨量计降水数据融合的总流程，如图1所示，具体步骤如下：

1)先从星载雷达DPR数据和地基雷达GR数据中，选取时间上和空间上匹配的DPR降水率数据和GR反射率因子数据，选取方法为首先通过已知DPR扫描刈幅宽度以及其相交的地球坐标位置，根据刈幅形状模型，再结合卫星到达最高纬度处轨迹所处的经度、卫星轨道截距、轨道开始的时间这几个参数，搜寻过境轨道和估计过境时间。匹配雷达过境资料时设置的DPR与GR数据匹配区域为以地基雷达为中心地基雷达覆盖范围(如以150km为半径的圆形区域)与星载雷达测绘带所相交的区域。由于地基雷达完成一次体扫的时间为6min左右，因此设置的DPR与GR数据匹配时间窗为±6min，即星载雷达扫过匹配空间窗的时间与地基雷达开始一次体扫的时间差距在±6min以内；再选取位于相交的区域内所有雨量站处于时间窗±30min的雨量计数据。

2)对步骤1)中选取的数据进行质量控制，其具体方法为：

对GR反射率因子数据采用模糊逻辑法进行地杂波去除以及采用自适应约束法进行衰减订正；

星载DPR降水产品已经经过一定的质量控制，如衰减订正、杂波去除等，这里对DPR降水率数据的质量控制主要指不同模式DPR降水率数据的选取；DPR降水率数据包括Ku、Ka双波段，单频、双频反演算法得出的数据，从覆盖范围和估计精度等方面考虑，本实施例选择2ADPR产品中NS(Normal Scan)模式地面降水率数据作为DPR降水率数据，由于此降水估计产品采用了双频反演算法，估计过程中考虑了滴谱的影响，降水估计产品较单频反演产品有更高的精度；

对雨量计数据采用奇异点的去除方法进行质量控制。

3)地基雷达数据通常直接得到的是反射率因子数据，还须按下述方法进行降水估计得到GR降水率数据：GR可分为普通多普勒雷达和双偏振多普勒雷达数据，

若为双偏振雷达数据，则选用Z-R关系法、KDP法、(ZH、ZDR)法联合进行降水估计；在小降水情况下，采用常规Z-R关系法进行降水估计；K_DP足够大时，采用K_DP法进行降水估计；Z_DR足够大而K_DP较小时，采用Z_H和Z_DR联合法进行降水估计；

若使用常规多普勒雷达，则使用常规Z-R关系进行降水估计。

4)基于雨量计数据，对GR降水率数据以及DPR降水率数据进行系统偏差校正，其具体方法为利用回归分析法统计对比GR降水率数据和雨量计数据之间以及DPR降水率数据和雨量计数据之间的系统偏差。在统计对比系统偏差时，为尽量避免随机性差异，首先从步骤2得到的DPR降水率数据和步骤3得到的GR降水率数据中提取DPR和GR相关系数大于等于0.8的最优数据集，再基于提取的GR和DPR最优数据集和雨量计数据，以雨量计数据为基准，得出GR和DPR降水率数据的系统偏差，并进行雷达降水率数据的系统偏差校正，得到偏差校正后的DPR降水估计数据和GR降水估计数据。

5)为进一步降低雷达估计降水的不确定性，将GR/DPR降水估计数据分别和雨量计数据进行融合；融合过程主要分为以下步骤：首先经过统计对比分析，确定雷达降水估计数据相对于雨量计数据的误差方差，以刻画雷达降水估计的不确定性；在降低不确定性中，为更好保留雷达降水估计的高分辨率小尺度变化特征，将雷达降水估计数据变换到小波域中，并以隐马尔可夫树(HMT)模型刻画降水数据的多尺度统计特征即雷达降水估计数据小波域HMT建模；利用最大期望值(EM)法，进行HMT模型的参数估计；随后基于雷达降水数据的小波域HMT模型，利用贝叶斯估计，得到滤波(去除误差)后的雷达降水数据的小波系数，即无噪小波系数的最大后验估计。

最后利用最优滤波后的小波系数和分解得到的尺度系数进行逆变换，得到融合雨量计数据后的雷达降水估计数据。如图2所示，具体融合过程如下所示：

5.1)首先确定雷达GR/DPR降水估计数据的误差方差

将雷达降水估计数据与质量控制后的雨量计数据进行统计对比分析，并采用误差方差分离法得到雷达降水估计数据和雨量计数据之间的误差方差；

雷达降水估计数据和雨量计数据之间的误差方差可表示为：

var(R_R-R_G)＝var[(R_R-R_t)-(R_G-R_t)]

＝var(R_R-R_t)-2 cov[(R_R-R_t),(R_G-R_t)]+var(R_G-R_t)

其中R_t表示分辨单元内真实的降水量。R_R是分辨单元内雷达降水估计数据，R_G是分辨单元内雨量计估计数据。一般认为雷达降水估计误差数据和雨量计数据误差无关，则雷达降水估计数据误差可表示为

var(R_R-R_t)＝var(R_R-R_G)-var(R_G-R_t)

var(R_G-R_t)可通过分辨单元内雨量计降水的相关函数计算得到，

其中σ_g是雨量计测量降水方差，A表示雷达分辨单元所代表的区域面积，r是空间相关函数，x,y是水平面位置，x_g,y_g是落在雷达格点上的雨量计位置。则通过雷达降水估计数据和雨量计数据的统计分析，可计算得出雷达降水估计数据的误差方差

5.2)雷达降水估计数据进行二维小波变换：

在小波域，雷达降水估计数据小波系数为：

w＝d+n

其中，w为雷达降水数据的小波系数向量；d为待估计的无噪小波系数向量；n为雷达降水估计误差，其服从

的正态分布；

5.3)对雷达降水估计数据小波变换得到的小波系数进行HMT建模：

由于降水数据有明显的多尺度统计特征，且在频率域还具有一定的“重尾”非高斯特性和小尺度相关性。基于降水数据的特征，将雷达降水估计数据在小波域进行HMT建模。小波系数HTM建模包含两个方面：小波系数的概率密度为独立混合高斯分布和小波系数的马尔科夫依赖性；单棵小波树的HMT模型结构示意图如图3所示，其中白圈表示隐状态随机变量s，黑点表示可见的小波系数随机变量w，设根节点处隐状态为s₁，小波系数为w₁，则设在小波树第i个节点处，小波系数隐状态为s_i，小波系数为w_i，设与之对应的父节点为ρ(i)。若已知第i个小波系数的状态概率，则小波系数w_i概率密度表示为

其中，s_i是小波系数w_i的状态变量；

表示在已知HMT模型参数向量θ情况下小波系数i处于状态m的概率；M为设置的状态个数；

表示小波系数处理状态m时取值为w_i概率，它服从均值为0，方差为

的高斯分布；

HMT模型中小波系数的状态具有马尔科夫依赖性，即任一节点小波系数i的状态近依赖于其父节点处ρ(i)小波系数的状态，这种依赖关系可由条件概率

决定；

由于融合过程是在无偏状态下进行，HMT模型的参数向量主要由三个参数决定：

5.4)利用EM算法对HMT模型参数估计，其主要步骤分为E步和M步：

设置初始模型估计θ⁰，并设置迭代数l＝0；

E步：采用向前-向后快速算法，计算隐藏状态变量的联合后验概率分布p(s|w,θ^l)；

M步：通过最大化E[lnf(w,s|θ)|w,θ^l]来更新模型参数θ^l+1；

若∑|p(s|w,θ^l+1)-p(s|w,θ^l)|＜ξ，ξ设为10^-2，则停止计算，输出HMT参数集；否则，令l＝l+1，转入E步；

如图4所示，小波系数HMT模型参数估计流程具体步骤如下所示：

5.4.1)初始化模型参数θ⁰，设置迭代数l＝0。主要包括初始化概率分布

状态转移概率

方差

其中

表示小波系数在第j尺度上的方差。

5.4.2)在模型参数集θ^l下，计算条件概率p(s_i＝m|w¹,θ^l)和p(s_i＝m,s_ρ(i)＝n|w¹,θ^l)，其中w¹＝{w₁,w₂,…,w_p}为一颗小波树的小波系数向量，p为单颗小波树节点个数，对应的隐状态向量为s¹＝{s₁,s₂,…,s_p}。首先基于向前-向后算法计算单颗小波树各个节点的条件概率，当有k棵小波树捆绑时，则用同样的算法计算每一棵小波树，得到模型参数集θ^l下第k棵小波树对应的条件概率

和

5.4.3)更新模型参数参数θ^l+1

5.4.4)若∑|p(s|w,θ^l+1)-p(s|w,θ^l)|＜ξ，ξ设为10^-2，则停止计算；否则，令l＝l+1，转入步骤5.4.2)。

5.4.5)若已收敛，则输出小波系数HMT模型参数集。

5.5)基于估计得到的HMT模型参数，对雷达降水估计数据的小波系数进行滤波处理，即计算得到HMT先验模型下的无噪小波系数条件期望：

其中，E(x)表示对x求期望；

5.6)利用滤波后的小波系数、最后分解尺度上的尺度系数进行小波逆变换，则得到最优滤波后的雷达降水估计。

6)将经过雨量计数据最优滤波的GR和DPR降水估计数据进行小波域多尺度分解，并基于GR和DPR降水估计数据分辨率特征，将分解的不同尺度的小波系数分别进行一定规则的融合，以得到结合GR和DPR降水估计数据的多尺度统计特征的最优小波系数估计。其中，GR和DPR降水估计数据小波域多尺度融合过程如图5所示，具体步骤如下所示：

6.1)对于星载雷达，DPR的3dB天线波束宽度为0.71°，从而星下点水平分辨率(DPR原始分辨率)大约为5km。地基雷达GR有更高的水平分辨率，假定GR分辨率为1km。而小波变换的多尺度分解通常是2的倍数，为使多级小波分解后的DPR和GR降水估计数据能处于同尺度，这里先把DPR原始分辨率下的DPR降水估计数据进行最近邻点插值为4km×4km分辨率的DPR降水估计数据数据，再进行多级小波分解，考虑到DPR和GR的分辨率差异，将DPR降水估计数据进行二级小波分解，即得到尺度8km和16km的DPR小波系数。

6.2)对最优滤波后的GR降水估计数据进行多级小波分解,鉴于GR和DPR降水估计数据的分辨率差异，设将GR降水估计数据进行四级小波分解，即得到尺度2km、4km、8km及16km的GR小波系数。

6.3)基于以下融合规则融合所有尺度的小波系数：

6.3.1)由于DPR原始分辨率较低，尺度2km、4km仅包含GR小波系数，因此该两尺度(对于6.1)和6.2)中尺度小于DPR原始分辨率的)上融合的小波系数设置为仅保留GR降水估计数据分解在该两尺度上的小波系数。

6.3.2)对于大于等于最优滤波后的DPR降水估计数据的原始分辨率的尺度，如8km、16km尺度上，同时包含GR小波系数和DPR小波系数，因此该两尺度(对于6.1)和6.2)中尺度大于等于DPR原始分辨率的)上融合的小波系数设置为该两尺度的DPR小波系数和GR小波系数基于HMT模型融合的结果(DPR降水估计数据相对于GR降水估计数据的误差方差通过两者匹配数据的统计对比分析得到)，具体步骤可按步骤5.3-步骤5.6进行，这里不再赘述。

结合步骤6.3.1中融合的低尺度小波系数，及步骤6.3.2中融合的高尺度小波系数，则得到融合后GR和DPR的所有尺度上的小波系数。

7)将步骤6中得到的融合后所有尺度上的融合小波系数及最后分解尺度上的尺度系数进行小波逆变换重建，则得到经雨量计数据融合后的GR和DPR多传感器降水估计融合结果，即雨量计、GR和DPR多传感器降水估计的最终融合结果。

Claims (8)

1.一种多传感器降水估计融合方法，其特征在于：包括如下具体步骤：

1)先从星载雷达DPR数据和地基雷达GR数据中，选取空间窗和时间窗同时匹配的DPR降水率数据和GR反射率因子数据；再选取位于所述空间窗内所有雨量站处于所述时间窗±30min的雨量计数据；其中，空间窗指地基雷达覆盖范围与星载雷达测绘带所相交的区域；时间窗指星载雷达扫过匹配空间窗的时间与地基雷达开始一次体扫的时间差距在±6min以内；

2)对步骤1)选取的GR反射率因子数据、DPR降水率数据和雨量计数据分别进行质量控制；

3)对步骤2)质量控制后的GR反射率因子数据进行降水反演得到GR降水率数据；

4)将质量控制后的雨量计数据分别与质量控制后的DPR降水率数据和步骤3得到的GR降水率数据进行统计分析，以雨量计数据为标准分别进行系统偏差校正；

5)基于小波域HMT模型对步骤4)得到的DPR降水估计数据和GR降水估计数据分别与质量控制后的雨量计数据进行融合，即在小波域对DPR和GR降水估计数据进行最优滤波；

6)将步骤5)中最优滤波后的GR和DPR降水估计数据进行小波域多尺度分解和小波系数融合，得到融合后的小波系数；

7)将步骤6)得到的融合后的小波系数进行小波逆变换，则得到经雨量计滤波的GR和DPR多传感器降水估计融合结果。

2.根据权利要求1所述的多传感器降水估计融合方法，其特征在于：步骤2)中，

对于GR反射率因子数据采用模糊逻辑法进行GR反射率因子数据的地杂波去除，以及采用自适应约束法对GR反射率因子数据进行衰减订正；

对DPR降水率数据选取2ADPR产品中NS模式地面降水率数据进行质量控制；

对雨量计数据采用奇异点的去除方法进行质量控制。

3.根据权利要求2所述的多传感器降水估计融合方法，其特征在于：步骤3)中，

对于双偏振雷达的GR反射率因子数据采用Z-R关系法或K_DP法或Z_H和Z_DR法联合反演GR降水率数据；对于常规多普勒雷达的GR反射率因子数据采用常规Z-R关系进行反演得到GR降水率数据。

4.根据权利要求3所述的多传感器降水估计融合方法，其特征在于：步骤4)中，先从步骤2)质量控制后的DPR降水率数据和步骤3)得到的GR降水率数据中分别提取相关系数大于等于0.8的最优数据集，再进行系统偏差校正。

5.根据权利要求1-4任一所述的多传感器降水估计融合方法，其特征在于：步骤5)中，基于小波域HMT模型将雷达GR降水估计数据和DPR降水估计数据与雨量计数据融合方法包括如下步骤：

5.1)首先将雷达降水估计数据与质量控制后的雨量计数据进行统计对比分析，再通过误差方差分离法得到雷达降水估计数据和雨量计数据之间的误差方差

5.2)对雷达降水估计数据进行二维小波变换：

在小波域，雷达降水估计数据小波系数为：

w＝d+n

其中w为雷达降水数据的小波系数向量，d为待估计的无噪小波系数向量，n为雷达降水估计小波域误差向量，其服从

的正态分布；

5.3)对小波系数进行HMT建模；

5.4)利用EM算法对HMT模型参数估计；

5.5)基于估计得到的HMT模型参数，对雷达降水估计数据的小波系数进行最优滤波处理；

5.6)利用滤波后的小波系数和最后分解尺度的尺度系数进行小波逆变换，则得到最优滤波后的雷达GR降水估计数据和DPR降水估计数据。

6.根据权利要求5所述的多传感器降水估计融合方法，其特征在于：步骤6)中将最优滤波后的GR和DPR降水估计数据进行小波域融合，得到融合的小波系数的具体步骤如下：

6.1)将最优滤波后的DPR降水估计数据的DPR原始分辨率采用最近邻点插值法变换为4km×4km分辨率，再进行多级小波分解，得到在各尺度上的DPR小波系数和在最后尺度上的尺度系数；

6.2)对最优滤波后的GR降水估计数据进行多级小波分解，得到在各尺度上的GR小波系数和最后尺度上的尺度系数；

6.3)对于6.1)和6.2)中尺度小于DPR原始分辨率的，保留步骤6.2)中相应尺度的GR小波系数作为融合后的小波系数；

对于6.1)和6.2)中尺度大于等于DPR原始分辨率的，将相应尺度的DPR小波系数和GR小波系数采用HMT模型进行融合，得到融合后的小波系数。

7.根据权利要求6所述的多传感器降水估计融合方法，其特征在于：步骤6.1)中DPR原始分辨率为5km×5km。

8.根据权利要求7所述的多传感器降水估计融合方法，其特征在于：步骤6.1)中小波分解级数为2级，步骤6.2)中小波分解级数为4级。

Images