CN111950156B - 雪水当量确定方法、装置、计算机设备和存储介质 - Google Patents
雪水当量确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111950156B CN111950156B CN202010823518.0A CN202010823518A CN111950156B CN 111950156 B CN111950156 B CN 111950156B CN 202010823518 A CN202010823518 A CN 202010823518A CN 111950156 B CN111950156 B CN 111950156B
- Authority
- CN
- China
- Prior art keywords
- snow
- water equivalent
- particle
- snow water
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000002245 particle Substances 0.000 claims abstract description 299
- 238000001556 precipitation Methods 0.000 claims abstract description 79
- 238000004088 simulation Methods 0.000 claims abstract description 76
- 238000009826 distribution Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012952 Resampling Methods 0.000 claims description 13
- 239000005413 snowmelt Substances 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000000859 sublimation Methods 0.000 claims description 2
- 230000008022 sublimation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Hydrology & Water Resources (AREA)
- Computer Hardware Design (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种雪水当量确定方法、装置、计算机设备和存储介质。其中，该方法包括：获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据；将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，积雪模型配置有同化所需的多个粒子和多组模型参数；根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。采用本方法能够提高积雪信息的准确性。
Description
技术领域
本申请涉及气象学技术领域，特别是涉及一种雪水当量确定方法、装置、计算机设备和存储介质。
背景技术
季节性积雪是供水、灌溉和水力发电等各种人类活动的重要资源，特别是在干旱或半干旱环境中。此外，积雪是冰冻圈最重要的要素之一，是连接冰冻圈水文过程中其他要素的纽带，对地表能量平衡、水循环和大气循环具有重要影响。因此，准确的积雪信息对于了解冰冻圈区域水文过程和气候变化至关重要。然而，冰冻圈积雪信息的获取一直存在困难和局限性，在此类缺资料地区，地面观测站点比较稀疏且维护不易，获取的地面站点资料只在点尺度而无法得到积雪的空间分布。
传统技术中，多是采用卫星技术来模拟积雪过程，如通过被动微波(Passivemicrowave,PMW)遥感可以提供全球范围内积雪观测信息，而不受阴天和夜间条件的影响。但是通过被动微波遥感反演的积雪信息(例如雪水当量)会受到积雪质量、与周围水域的距离、白天的气温、森林覆盖率、积雪等级以及地形粗糙度等因素的影响，具有很大的不确定性。
因此，采用传统方法，存在模拟的积雪信息准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高积雪信息准确性的雪水当量确定方法、装置、计算机设备和存储介质。
一种雪水当量确定方法，所述方法包括：
获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及所述积雪覆盖区域的降水数据和温度数据；
将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，所述积雪模型配置有同化所需的多个粒子和多组模型参数；
根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
在其中一个实施例中，所述积雪覆盖区域包括多个栅格；
所述将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值之前，还包括：
获取并配置所述积雪模型同化所需的多个粒子，以及在每个所述栅格中随机分布的多组模型参数，其中，所述多组模型参数是以随机分布的方式在预设的模型参数范围内选取的，所述粒子的个数与所述模型参数的组数相同；
所述将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，包括：
将每个所述栅格关联的当前同化时刻下的降水数据和温度数据输入所述配置好的积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
在其中一个实施例中，所述根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，包括：
根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，得到似然函数；
根据所述似然函数和上一同化时刻下每个粒子的权重，确定当前同化时刻下每个粒子的权重。
在其中一个实施例中，所述将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，包括：
对所述降水数据添加第一噪声数据，得到扰动后的降水数据；
对所述温度数据添加第二噪声数据，得到扰动后的温度数据；
将所述扰动后的降水数据和所述扰动后的温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
在其中一个实施例中，所述根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量，包括：
对所述当前同化时刻下每个粒子进行重采样，得到权重相同的粒子及其对应的模型参数；
使用所述权重相同的粒子及其对应的模型参数替换所述当前同化时刻下每个粒子及其对应的模型参数；
根据所述权重相同的粒子的权重以及所述粒子对应的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
在其中一个实施例中，在所述根据所述权重相同的粒子的权重及所述粒子对应的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量之后，还包括：
对所述权重相同的粒子的模型参数添加第三噪声数据，得到所述权重相同的粒子的扰动后的模型参数；
使用所述权重相同的粒子的扰动后的模型参数替换所述权重相同的粒子的模型参数，其中，所述权重相同的粒子的扰动后的模型参数用于确定下一同化时刻下所述积雪覆盖区域的雪水当量。
在其中一个实施例中，所述降水数据包括降水量；所述温度数据包括地表温度和近地面空气温度的平均值；所述模型参数包括降雨温度阈值、降雪温度阈值、融雪温度阈值、最大融雪度日因子、最小融雪度日因子或升华系数的至少一种。
一种雪水当量确定装置，所述装置包括：
数据获取模块，用于获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及所述积雪覆盖区域的降水数据和温度数据；
数据输入模块，用于将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，所述积雪模型配置有同化所需的多个粒子和多组模型参数；
权重确定模块，用于根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
雪水当量确定模块，用于根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及所述积雪覆盖区域的降水数据和温度数据；
将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，所述积雪模型配置有同化所需的多个粒子和多组模型参数；
根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及所述积雪覆盖区域的降水数据和温度数据；
将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，所述积雪模型配置有同化所需的多个粒子和多组模型参数；
根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
上述雪水当量确定方法、装置、计算机设备和存储介质，通过获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据，然后将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，该积雪模型配置有同化所需的多个粒子和多组模型参数，之后根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，最后根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。可以理解，本申请采用粒子滤波方法，并通过雪水当量观测值来对积雪模型模拟的雪水当量模拟值进行约束和校正(即同化)，可有效提高积雪模拟时间序列和空间分布的准确性，使得积雪模型输出的结果更接近于真实的雪水当量，故提高了积雪信息的准确性。
附图说明
图1为一个实施例中雪水当量确定方法的流程示意图；
图2为一个实施例中根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重的补充方案的流程示意图；
图3为一个实施例中将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值的补充方案的流程示意图；
图4为一个实施例中对模型参数添加第三噪声数据的补充方案的流程示意图；
图5为一个实施例中根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量的补充方案的流程示意图；
图6为另一个实施例中雪水当量确定方法的流程示意图；
图7为一个实施例中长江源的地理信息示意图；
图8为一个实施例中长江源粒子滤波同化和未同化雪水当量模拟时间序列对比图；
图9为一个实施例中长江源粒子滤波同化和未同化雪水当量模拟空间分布对比图；
图10为一个实施例中长江源粒子滤波算法中积雪模型参数空间分布图；
图11为一个实施例中雪水当量确定装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一示例性实施例中，如图1所示，提供了一种雪水当量确定方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S202，获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据。
其中，雪水当量观测值是指通过观测方式得到的雪水当量。
本实施例中，同化是指采用雪水当量观测值对积雪模型输出的雪水当量模拟值进行约束和校正，以得到更为准确的雪水当量。
具体地，服务器获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据。其中，降水数据和温度数据可称为模型驱动数据。在一个实施例中，服务器获取当前同化时刻下积雪覆盖区域的雪深，根据该雪深确定雪水当量观测值。
步骤S204，将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
其中，积雪模型配置有同化所需的多个粒子和多组模型参数。
具体地，在执行步骤S204之前，需设定同化所需的粒子的个数N，进而服务器在积雪模型中配置N个粒子，并且，服务器还会配置多组模型参数，如此可得到配置好的积雪模型。在获得降水数据和温度数据后，服务器将该降水数据和温度数据输入该积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
步骤S206，根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重。
其中，雪水当量模拟值是指积雪模型模拟得到的雪水当量。
具体地，服务器根据雪水当量观测值和每个粒子的雪水当量模拟值，先计算得到似然函数，进而根据该似然函数，确定当前同化时刻下每个粒子的权重。
步骤S208，根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
具体地，服务器将当前同化时刻下每个粒子的权重及对应的雪水当量模拟值相乘，并累加所有粒子对应的乘积，得到当前同化时刻下积雪覆盖区域的雪水当量。
可选地，在一个实施例中，积雪模型进行模拟时是在日时间尺度上进行模拟的，也就是每隔一天积雪模型模拟一次；同化时间可以选取半个月来进行一次同化，且该同化时间可以设定，间隔越短同化效果越好。
上述雪水当量确定方法中，通过获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据，然后将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，该积雪模型配置有同化所需的多个粒子和多组模型参数，之后根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，最后根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。可以理解，本方法采用粒子滤波方法，并通过雪水当量观测值来对积雪模型模拟的雪水当量模拟值进行约束和校正(即同化)，使得积雪模型输出的结果更接近于真实的雪水当量，故提高了积雪信息的准确性。
在一示例性实施例中，该方法还包括：服务器获取积雪覆盖区域的雪深，并根据公式(1)和(2)，确定积雪覆盖区域的雪水当量观测值。可选地，该雪深可为高分辨率(例如500米)反演雪深。
SP＝ρsnow×SD＝0.1794×SD0.858 (1)
其中，SP表示雪压力，SD表示雪深，公式(1)中的关系式为根据地面气象观测站点雪深、雪压力实测资料得到，ρsnow表示雪密度，ρwater表示水密度，SWE表示雪水当量观测值。
在一示例性实施例中，该方法还包括以下步骤：
步骤S201，将积雪覆盖区域划分为多个栅格，并确定每个栅格关联的降水数据和温度数据。
进一步地，在一示例性实施例中，步骤S204之前还包括以下步骤：
步骤S2032，获取并配置积雪模型同化所需的多个粒子，以及在每个所述栅格中随机分布的多组模型参数。
其中，多组模型参数是以随机分布的方式在预设的模型参数范围内选取的，粒子的个数与模型参数的组数相同。
具体地，服务器获取设定的粒子数N，将N个粒子配置在积雪模型中，并且在每个栅格对应的积雪模型中设置多组随机分布于预设的模型参数范围内的模型参数，且每组模型参数在所有栅格上满足随机分布，得到配置好的积雪模型。在一个实施例中，多组模型参数均匀分布于预设的模型参数范围内。在一个实施例中，每组模型参数在所有栅格上满足均匀分布。
示例性地，积雪模型率定后的模型参数及同化所需的模型参数范围如表1所示：
表1
在一个实施例中，设定N为100，那么，根据表1所示的同化所需的模型参数范围，服务器获得100组随机分布于模型参数范围内的模型参数，例如100组降雨温度阈值Train满足均匀分布U(-4,3)，100组降雪温度阈值Tsnow满足均匀分布U(-5,2)，其他模型参数以类似方式获取。需要说明，申请人通过研究发现，将粒子数N设为100，该值是获得较好同化模拟结果需要的最少粒子数。当然，粒子数越多，服务器的运算能力就需要越强，运算时间越久，但是同化效果会越好。
本申请实施例中，通过获取随机分布于预设的模型参数范围内的多组模型参数，并将该多组模型参数随机分布于每个栅格中，使模型参数分配更为合理，有利于实现模型参数的时空可变。
进一步地，在一示例性实施例中，步骤S204包括以下步骤：
步骤S204a，将每个栅格关联的当前同化时刻下的降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
具体地，服务器将每个栅格关联的当前同化时刻下的降水数据和温度数据输入积雪模型，通过该积雪模型计算每个栅格中在当前同化时刻下每个粒子的雪水当量模拟值。
可选地，在一个实施例中，该方法还包括以下步骤：
步骤S204b，将每个栅格关联的当前同化时刻下的降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的降雪量或融雪量的至少一种。
本申请实施例中，还可以得到其他模型变量，例如降雪量或融雪量，丰富了积雪模拟的效果。
在一示例性实施例中，如图2所示，涉及根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重的一种可能的实现方式。在上述实施例的基础上，步骤S206具体可以通过以下步骤实现：
步骤S2062，根据雪水当量观测值和每个粒子的雪水当量模拟值，得到似然函数；
步骤S2064，根据似然函数和上一同化时刻下每个粒子的权重，确定当前同化时刻下每个粒子的权重。
具体地，服务器在每个同化时刻得到雪水当量观测值和每个粒子的雪水当量模拟值后，根据雪水当量观测值和每个粒子的雪水当量模拟值，可采用公式(3)得到似然函数；
其中，；表示似然函数，/>可采用公式(4)得到；
其中，R表示雪水当量观测误差高斯分布的方差。需要说明，雪水当量观测误差高斯分布的方差是根据雪水当量观测值来确定的。在一个实施例中，R为2～8mm中的任一值。申请人通过研究发现，当R为2～8mm中的任一值时，同化效果对R值设定敏感度较低。在一个实施例中，雪水当量观测误差满足均值为0，方差为5mm的高斯分布。
每个粒子的雪水当量模拟值与雪水当量观测值越接近，权重越大，反之权重越小。由于雪水当量观测误差一般符合高斯分布，因此在得到似然函数后，通过公式(5)计算得到每个粒子的权重；
其中，表示k时刻(当前同化时刻)下第i个粒子的权重；/>表示k-1时刻(上一同化时刻)下第i个粒子的权重(初始粒子权重相等设置为1/N)。
由于对于一般的非线性、非高斯系统，很难得到后验概率分布的解析解，因此可引入蒙特卡罗方法和序贯重要性采样算法来进行估算，通过从一个已知概率密度函数q(x0:k|z1:k)的分布(即为重要性密度函数)中采样N个粒子(为了计算简便，最常用的重要性密度函数通常和先验密度函数p(xk|xk-1)相同，基于此，可根据公式(6)，估算得到后验概率密度函数p(xk|z1:k)；
其中，p(xk|z1:k)表示后验概率密度函数，δ表示狄拉克函数；表示k时刻下第i个粒子的雪水当量模拟值。
根据贝叶斯理论和一阶马尔科夫过程，积雪覆盖区域的雪水当量可以通过公式(7)求解得到：
xk＝∫p(xk|z1:k)dxk (7)
其中，xk表示k时刻下状态量(雪水当量)；zk表示k时刻下状态量(雪水当量)观测值。
那么，根据公式(6)和(7)，积雪覆盖区域的雪水当量可根据公式(8)估算得到；
需要说明，依理论而言，后验概率密度函数可根据公式(9)得到；
其中，p(zk|xk)表示似然函数，决定于观测方程和观测噪声，在本申请中可决定于雪水当量观测误差；p(xk|z1:k-1)表示k时刻下状态量的先验概率密度函数；p(zk|z1:k-1)为一个由雪水当量观测值决定的常数，其可以通过公式(10)求解得到：
p(zk|z1:k-1)＝∫p(zk|xk)p(xk|z1:k-1)dxk (10)
示例性实施例中，如图3所示，涉及将降水数据和温度数据输入积雪模型，得到雪水当量模拟值的一种可能的实现方式。在上述实施例的基础上，步骤S204具体可以通过以下步骤实现：
步骤S2042，对降水数据添加第一噪声数据，得到扰动后的降水数据；
步骤S2044，对温度数据添加第二噪声数据，得到扰动后的温度数据；
步骤S2046，将扰动后的降水数据和扰动后的温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
具体地，在数据同化过程中，服务器分别对降水数据添加第一噪声数据，得到扰动后的降水数据，以及对温度数据添加第二噪声数据，得到扰动后的温度数据，如此可降低模型驱动数据的不确定性例如观测误差带来的不利影响。在一个实施例中，服务器对降水数据乘以第一高斯噪声，得到扰动后的降水数据，以及对温度数据添加第二高斯噪声，得到扰动后的温度数据。可选地，第一高斯噪声满足均值为1、标准差为0.5的高斯分布。第二高斯噪声满足均值为0、标准差为0.5的高斯分布。
本申请实施例中，通过对模型驱动数据添加噪声数据，可降低模型驱动数据的不确定性例如观测误差带来的不利影响，有利于提高雪水当量的准确性。
在一个实施例中，降水数据包括全球降水卫星地图(Global Satellite Mappingof Precipitation,GSMaP)的卫星降水数据，其中，该降水数据的时间分辨率为1天，空间分辨率为0.1°。服务器将该降水数据重采样至预设的空间分辨率，例如1km，在一个实施例中，温度数据包括地表温度和近地面空气温度的平均值，该平均值能够更好地反映出温度变化。可选地，地表温度包括中分辨率成像光谱仪(Moderate Resolution ImagingSpectroradiometer,MODIS)的卫星地表温度数据，其中，该卫星地表温度数据的空间分辨率为1km。近地面空气温度通过使用地面站点观测数据插值设备获得，其空间分辨率为0.5°。考虑到近地面空气温度和地表温度应该具有接近的空间分布，因此可以根据地表温度对近地面空气温度进行降尺度处理至1km的空间分辨率。可以理解，前述实施例中，降水数据和温度数据需重采样至预设的空间分辨率，如此简化了数据处理的复杂度，提升数据处理的效率。
随着积雪模型迭代次数的增加，会出现粒子退化的问题，具体问题为在多次迭代以后，只有少部分的粒子具有较大的权重，而其他粒子的权重则非常小，对此，为了解决粒子退化问题，在一示例性实施例中，如图4所示，涉及根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量的一种可能的实现方式。在上述实施例的基础上，步骤S208包括以下步骤：
步骤S2082，对当前同化时刻下每个粒子进行重采样，得到权重相同的粒子及其对应的模型参数；
步骤S2084，使用权重相同的粒子及其对应的模型参数替换当前同化时刻下每个粒子及其对应的模型参数；
步骤S2086，根据权重相同的粒子的权重以及粒子对应的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
在一个实施例中，服务器可通过序贯重要性重采样法(Sequential ImportanceResampling,SIR)对所有粒子进行重采样，权重大的粒子会被多次复制，而权重小的粒子只会少次复制或者直接筛除。在经过重采样后，得到的粒子具有相同的权重1/N，且粒子对应的模型参数为被复制的粒子的模型参数。然后，使用权重相同的粒子及其对应的模型参数替换重采样之前的当前同化时刻下每个粒子及其对应的模型参数，这样，在所有粒子都被替换后，对应粒子的权重和模型参数也发生了改变。需要说明，替换前后粒子的位置是不变的。由于在对粒子进行重采样后，各粒子的权重相同，因此服务器对所有粒子的雪水当量模拟值求均值，得到当前同化时刻下经过同化后的积雪覆盖区域的雪水当量。
本申请实施例中，通过对当前同化时刻下的每个粒子进行重采样，再根据重采样后的粒子确定积雪覆盖区域的雪水当量，如此可解决粒子退化的问题，有利于提升雪水当量的准确性。
考虑到模型参数在迭代过程中并不会像状态量一样逐步变化，因此为了防止模型参数在同化过程中出现粒子匮乏的问题，在一示例性实施例中，如图5所示，步骤S2086之后还包括以下步骤：
步骤S2092，对权重相同的粒子的模型参数添加第三噪声数据，得到权重相同的粒子的扰动后的模型参数；
步骤S2094，使用权重相同的粒子的扰动后的模型参数替换权重相同的粒子的模型参数。
其中，权重相同的粒子的扰动后的模型参数用于确定下一同化时刻下积雪覆盖区域的雪水当量。
具体地，承接上一实施例得到的权重相同的粒子的模型参数，接着，服务器对该模型参数添加第三噪声数据，得到权重相同的粒子的扰动后的模型参数，并使用扰动后的模型参数替换扰动前的权重相同的粒子的模型参数，如此，在下一同化时刻进行同化时，使用该扰动后的模型参数计算下一同化时刻下积雪覆盖区域的雪水当量。在一个实施例中，服务器对模型参数添加第三高斯噪声，得到扰动后的模型参数。在一个实施例中，服务器可根据公式(11)来对模型参数添加第三高斯噪声。
其中，表示k时刻下经过重采样后的模型参数；/>表示k时刻下添加给模型参数的第三高斯噪声，其满足均值为0，方差为/>的高斯分布；/>表示k+1时刻下(下一同化时刻)经过扰动后的模型参数。
本申请实施例中，先通过重采样改变各粒子的模型参数，再对该各粒子的模型参数添加随机的噪声数据，这样，在每次同化时，不同的同化时刻下同化所需的粒子的模型参数是不一样的，无需对其进行率定，实现了模型参数时空可变的效果，增加了参数粒子的多样性，如此得到的每一同化时刻下的雪水当量更为准确。相比较于传统的采用率定方法仅能获得固定的模型参数，本实施例可以得到积雪模型的时空可变参数，提高了模型参数的时空可变性，模拟效果更加合理准确。
对于本申请涉及的雪水当量确定方法，申请人使用该方法在长江源进行了测试。其中，如图7所示，长江源位于青藏高原中部，范围在东经90°30'-97°18'和北纬32°24'-35°46'之间，流域面积达13.9万平方公里。流域内多年平均积雪覆盖面积约为10％，最大积雪覆盖面积达75.5％，每年从10月起积雪覆盖面积增加，至次年2月达到峰值，而后逐渐消融减小，6月完全融化。因此长江源积雪量存储较大且对流域径流补给极为重要。同时，青藏高原范围内的500米高分辨率雪深反演数据覆盖了长江源，可以作为粒子滤波的同化和验证数据。
在长江源的测试结果如图8-图10所示，相较于传统的积雪模型，粒子滤波算法获得的积雪模拟结果在空间分布上均方根误差(RMSE)降低了～15-30％，在时间序列上RMSE降低了～7-18％，纳什效率系数(NSE)提升了～10-20％。
其中，图8为长江源粒子滤波同化和未同化雪水当量模拟时间序列对比，虚线为雪水当量观测数据，蓝色实线(OL实线)为未同化雪水当量模拟时间序列，红色实线(PF实线)为同化后雪水当量模拟时间序列，菱形代表同化日所同化雪水当量观测值，从时间序列来看，同化后的雪水当量模拟值更接近于雪水当量观测值，RMSE降低了～7-18％，NSE提升了～10-20％。
图9为长江源粒子滤波同化和未同化雪水当量模拟空间分布对比，第一列为雪水当量观测数据空间分布，第二列为未同化雪水当量模拟空间分布，第三列为同化后雪水当量模拟空间分布，可以明显看到相较于第二列，第三列和第一列的空间分布更为一致，即粒子滤波提高了雪水当量空间分布模拟，RMSE降低了～15-30％。
图10为长江源粒子滤波算法中积雪模型参数空间分布，数值为每个水文年格点参数值与参数流域平均值之间的差值，第一至六行对应于六个积雪模型参数，每一列对应不同水文年，可以得到粒子滤波算法中参数空间可变的合理性。
可以理解，本申请实施例涉及的雪水当量确定方法可以适用于高山区等探测资料缺乏严重的地区。这类地区的地面观测资料稀缺，并且为点资料，缺少空间分布信息。对此，采用本申请的雪水当量确定方法，由于使用基于遥感的雪水当量空间分布观测数据，因此可以在空间上进行数据同化，使得积雪模拟在空间上达到很好的效果，并且该类观测资料的精度越高(例如100m)，同化的效果越好。
应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一示例性实施例中，如图11所示，提供了一种雪水当量确定装置，包括：数据获取模块302、数据输入模块304、权重确定模块306和雪水当量确定模块308，其中：
该数据获取模块302，用于获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据；
该数据输入模块304，用于将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，积雪模型配置有同化所需的多个粒子和多组模型参数；
该权重确定模块306，用于根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
该雪水当量确定模块308，用于根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
上述雪水当量确定装置中，通过获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据，然后将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，该积雪模型配置有同化所需的多个粒子和多组模型参数，之后根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，最后根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。可以理解，本装置采用粒子滤波方法，并通过雪水当量观测值来对积雪模型模拟的雪水当量模拟值进行约束和校正(即同化)，使得积雪模型输出的结果更接近于真实的雪水当量，故提高了积雪信息的准确性。
在一示例性实施例中，该权重确定模块306具体用于根据雪水当量观测值和每个粒子的雪水当量模拟值，得到似然函数；根据似然函数和上一同化时刻下每个粒子的权重，确定当前同化时刻下每个粒子的权重。
在一示例性实施例中，该数据输入模块304具体用于对降水数据添加第一噪声数据，得到扰动后的降水数据；对温度数据添加第二噪声数据，得到扰动后的温度数据；将扰动后的降水数据和扰动后的温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
在一示例性实施例中，雪水当量确定模块308具体用于对当前同化时刻下每个粒子进行重采样，得到权重相同的粒子及其对应的模型参数；使用权重相同的粒子及其对应的模型参数替换当前同化时刻下每个粒子及其对应的模型参数；根据权重相同的粒子的权重以及粒子对应的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量
在一示例性实施例中，还包括：噪声添加模块(图未示)，用于对权重相同的粒子的模型参数添加第三噪声数据，得到权重相同的粒子的扰动后的模型参数；参数替换模块(图未示)，用于使用权重相同的粒子的扰动后的模型参数替换权重相同的粒子的模型参数，其中，权重相同的粒子的扰动后的模型参数用于确定下一同化时刻下积雪覆盖区域的雪水当量。
关于雪水当量确定装置的具体限定可以参见上文中对于雪水当量确定方法的限定，在此不再赘述。上述雪水当量确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种雪水当量确定方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一示例性实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据；
将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，积雪模型配置有同化所需的多个粒子和多组模型参数；
根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
上述计算机设备中，通过获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据，然后将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，该积雪模型配置有同化所需的多个粒子和多组模型参数，之后根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，最后根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。可以理解，本计算机设备采用粒子滤波方法，并通过雪水当量观测值来对积雪模型模拟的雪水当量模拟值进行约束和校正(即同化)，使得积雪模型输出的结果更接近于真实的雪水当量，故提高了积雪信息的准确性。
在一示例性实施例中，处理器执行计算机程序时还实现以下步骤：获取并配置积雪模型同化所需的多个粒子，以及在每个栅格中随机分布的多组模型参数，其中，多组模型参数是以随机分布的方式在预设的模型参数范围内选取的，粒子的个数与模型参数的组数相同；将每个栅格关联的当前同化时刻下的降水数据和温度数据输入配置好的积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，每个粒子的雪水当量模拟值为多个，且每个雪水当量模拟值为每个粒子对应的多个栅格中每个栅格的雪水当量模拟值。
在一示例性实施例中，处理器执行计算机程序时还实现以下步骤：根据雪水当量观测值和每个粒子的雪水当量模拟值，得到似然函数；根据似然函数和上一同化时刻下每个粒子的权重，确定当前同化时刻下每个粒子的权重。
在一示例性实施例中，处理器执行计算机程序时还实现以下步骤：对降水数据添加第一噪声数据，得到扰动后的降水数据；对温度数据添加第二噪声数据，得到扰动后的温度数据；将扰动后的降水数据和扰动后的温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
在一示例性实施例中，处理器执行计算机程序时还实现以下步骤：对当前同化时刻下每个粒子进行重采样，得到权重相同的粒子及其对应的模型参数；使用权重相同的粒子及其对应的模型参数替换当前同化时刻下每个粒子及其对应的模型参数；根据权重相同的粒子的权重以及粒子对应的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
在一示例性实施例中，处理器执行计算机程序时还实现以下步骤：对权重相同的粒子的模型参数添加第三噪声数据，得到权重相同的粒子的扰动后的模型参数；使用权重相同的粒子的扰动后的模型参数替换权重相同的粒子的模型参数，其中，权重相同的粒子的扰动后的模型参数用于确定下一同化时刻下积雪覆盖区域的雪水当量。
在一示例性实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据；
将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，积雪模型配置有同化所需的多个粒子和多组模型参数；
根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
上述计算机可读存储介质中，通过获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及积雪覆盖区域的降水数据和温度数据，然后将降水数据和温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，该积雪模型配置有同化所需的多个粒子和多组模型参数，之后根据雪水当量观测值和每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，最后根据当前同化时刻下每个粒子的权重和每个粒子的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。可以理解，本计算机可读存储介质采用粒子滤波方法，并通过雪水当量观测值来对积雪模型模拟的雪水当量模拟值进行约束和校正(即同化)，使得积雪模型输出的结果更接近于真实的雪水当量，故提高了积雪信息的准确性。
在一示例性实施例中，计算机程序被处理器执行时还实现以下步骤：获取并配置积雪模型同化所需的多个粒子，以及在每个栅格中随机分布的多组模型参数，其中，多组模型参数是以随机分布的方式在预设的模型参数范围内选取的，粒子的个数与模型参数的组数相同；将每个栅格关联的当前同化时刻下的降水数据和温度数据输入配置好的积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，每个粒子的雪水当量模拟值为多个，且每个雪水当量模拟值为每个粒子对应的多个栅格中每个栅格的雪水当量模拟值。
在一示例性实施例中，计算机程序被处理器执行时还实现以下步骤：根据雪水当量观测值和每个粒子的雪水当量模拟值，得到似然函数；根据似然函数和上一同化时刻下每个粒子的权重，确定当前同化时刻下每个粒子的权重。
在一示例性实施例中，计算机程序被处理器执行时还实现以下步骤：对降水数据添加第一噪声数据，得到扰动后的降水数据；对温度数据添加第二噪声数据，得到扰动后的温度数据；将扰动后的降水数据和扰动后的温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
在一示例性实施例中，计算机程序被处理器执行时还实现以下步骤：对当前同化时刻下每个粒子进行重采样，得到权重相同的粒子及其对应的模型参数；使用权重相同的粒子及其对应的模型参数替换当前同化时刻下每个粒子及其对应的模型参数；根据权重相同的粒子的权重以及粒子对应的雪水当量模拟值，确定当前同化时刻下积雪覆盖区域的雪水当量。
在一示例性实施例中，计算机程序被处理器执行时还实现以下步骤：对权重相同的粒子的模型参数添加第三噪声数据，得到权重相同的粒子的扰动后的模型参数；使用权重相同的粒子的扰动后的模型参数替换权重相同的粒子的模型参数，其中，权重相同的粒子的扰动后的模型参数用于确定下一同化时刻下积雪覆盖区域的雪水当量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种雪水当量确定方法，其特征在于，所述方法包括：
获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及所述积雪覆盖区域的降水数据和温度数据；
将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，所述积雪模型配置有同化所需的多个粒子和多组模型参数；
根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
2.根据权利要求1所述的方法，其特征在于，所述积雪覆盖区域包括多个栅格；
所述将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值之前，还包括：
获取并配置所述积雪模型同化所需的多个粒子，以及在每个所述栅格中随机分布的多组模型参数，其中，所述多组模型参数是以随机分布的方式在预设的模型参数范围内选取的，所述粒子的个数与所述模型参数的组数相同；
所述将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，包括：
将每个所述栅格关联的当前同化时刻下的降水数据和温度数据输入配置好的积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重，包括：
根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，得到似然函数；
根据所述似然函数和上一同化时刻下每个粒子的权重，确定当前同化时刻下每个粒子的权重。
4.根据权利要求1所述的方法，其特征在于，所述将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，包括：
对所述降水数据添加第一噪声数据，得到扰动后的降水数据；
对所述温度数据添加第二噪声数据，得到扰动后的温度数据；
将所述扰动后的降水数据和所述扰动后的温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量，包括：
对所述当前同化时刻下每个粒子进行重采样，得到权重相同的粒子及其对应的模型参数；
使用所述权重相同的粒子及其对应的模型参数替换所述当前同化时刻下每个粒子及其对应的模型参数；
根据所述权重相同的粒子的权重以及所述粒子对应的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
6.根据权利要求5所述的方法，其特征在于，在所述根据所述权重相同的粒子的权重及所述粒子对应的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量之后，还包括：
对所述权重相同的粒子的模型参数添加第三噪声数据，得到所述权重相同的粒子的扰动后的模型参数；
使用所述权重相同的粒子的扰动后的模型参数替换所述权重相同的粒子的模型参数，其中，所述权重相同的粒子的扰动后的模型参数用于确定下一同化时刻下所述积雪覆盖区域的雪水当量。
7.根据权利要求1-6任一所述的方法，其特征在于，所述降水数据包括降水量；所述温度数据包括地表温度和近地面空气温度的平均值；所述模型参数包括降雨温度阈值、降雪温度阈值、融雪温度阈值、最大融雪度日因子、最小融雪度日因子和升华系数。
8.一种雪水当量确定装置，其特征在于，所述装置包括：
数据获取模块，用于获取当前同化时刻下积雪覆盖区域的雪水当量观测值以及所述积雪覆盖区域的降水数据和温度数据；
数据输入模块，用于将所述降水数据和所述温度数据输入积雪模型，得到当前同化时刻下每个粒子的雪水当量模拟值，其中，所述积雪模型配置有同化所需的多个粒子和多组模型参数；
权重确定模块，用于根据所述雪水当量观测值和所述每个粒子的雪水当量模拟值，确定当前同化时刻下每个粒子的权重；
雪水当量确定模块，用于根据所述当前同化时刻下每个粒子的权重和所述每个粒子的雪水当量模拟值，确定当前同化时刻下所述积雪覆盖区域的雪水当量。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010823518.0A CN111950156B (zh) | 2020-08-17 | 2020-08-17 | 雪水当量确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010823518.0A CN111950156B (zh) | 2020-08-17 | 2020-08-17 | 雪水当量确定方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950156A CN111950156A (zh) | 2020-11-17 |
| CN111950156B true CN111950156B (zh) | 2024-04-09 |
Family
ID=73342734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010823518.0A Active CN111950156B (zh) | 2020-08-17 | 2020-08-17 | 雪水当量确定方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950156B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
| CN105893744A (zh) * | 2016-03-29 | 2016-08-24 | 中国科学院遥感与数字地球研究所 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
| CN109558617A (zh) * | 2017-12-25 | 2019-04-02 | 清华大学 | 径流数据的获取方法、装置、计算机设备及可读存储介质 |
| CN110119590A (zh) * | 2019-05-22 | 2019-08-13 | 中国水利水电科学研究院 | 一种基于多源观测数据的水质模型粒子滤波同化方法 |
| CN111080030A (zh) * | 2019-12-26 | 2020-04-28 | 清华大学 | 融雪性洪水预测方法、装置、电子设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8552396B2 (en) * | 2009-02-26 | 2013-10-08 | The University Of Vermont And State Agricultural College | Distributive, non-destructive real-time system and method for snowpack monitoring |
-
2020
- 2020-08-17 CN CN202010823518.0A patent/CN111950156B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
| CN105893744A (zh) * | 2016-03-29 | 2016-08-24 | 中国科学院遥感与数字地球研究所 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
| CN109558617A (zh) * | 2017-12-25 | 2019-04-02 | 清华大学 | 径流数据的获取方法、装置、计算机设备及可读存储介质 |
| CN110119590A (zh) * | 2019-05-22 | 2019-08-13 | 中国水利水电科学研究院 | 一种基于多源观测数据的水质模型粒子滤波同化方法 |
| CN111080030A (zh) * | 2019-12-26 | 2020-04-28 | 清华大学 | 融雪性洪水预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Particle Filter Data Assimilation of Monthly Snow Depth Observations Improves Estimation of Snow Density and SWE;Eric J. Smyth 等;Water Resources Research;20190215;第55卷;1296–1311 * |
| Pengfei Han 等.Improved understanding of snowmelt runoff from the headwaters of China's Yangtze River using remotely sensed snow products and hydrological modeling.Remote Sensing of Environment.2019,第224卷44-59. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950156A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pfenninger et al. | Long-term patterns of European PV output using 30 years of validated hourly reanalysis and satellite data | |
| Moreno et al. | Spatial downscaling of European climate data. | |
| CN110781259B (zh) | 一种基于地貌单位线的水文模型的构建方法 | |
| CN113297528B (zh) | 一种基于多源大数据的no2高分辨率时空分布计算方法 | |
| Dall'Amico et al. | First results of SMOS soil moisture validation in the upper Danube catchment | |
| CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
| EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
| Roerink et al. | Evaluation of MSG-derived global radiation estimates for application in a regional crop model | |
| Lin et al. | Deriving the spatiotemporal NPP pattern in terrestrial ecosystems of Mongolia using MODIS imagery | |
| CN113361191A (zh) | 基于多情景模拟的像元尺度冬小麦单产遥感估算方法 | |
| CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
| CN114019579A (zh) | 高时空分辨率近地表空气温度重构方法、系统、设备 | |
| Demaria et al. | Using a gridded global dataset to characterize regional hydroclimate in central Chile | |
| CN111950156B (zh) | 雪水当量确定方法、装置、计算机设备和存储介质 | |
| Gusev et al. | Physically based modeling of many-year dynamics of daily streamflow and snow water equivalent in the Lena R. basin | |
| CN105069292B (zh) | 一种局部山地区域的温度日变化基线的构建方法 | |
| CN116090173A (zh) | 一种分布式水文模型率定方法、装置、系统及存储介质 | |
| CN112926030B (zh) | 30m分辨率插值的气象要素确定方法 | |
| Frans | Implications of glacier recession for water resources | |
| Nobert | Assessment of the impact of climate change on stream flow: The case of Little Ruaha Catchment, Rufiji Basin, Tanzania | |
| Baniya et al. | Integrated modeling for assessing climate change impacts on water resources and hydropower potential in the Himalayas | |
| Möller et al. | Climate sensitivity and mass-balance evolution of Gran Campo Nevado ice cap, southwest Patagonia | |
| Paul | Assessment of change in future flow of Brahmaputra Basin applying SWAT model using multi-member ensemble climate data | |
| Groisman et al. | Assessing surface–atmosphere interactions using former Soviet Union standard meteorological network data. Part II: cloud and snow cover effects | |
| Sommer et al. | A globally calibrated scheme for generating daily meteorology from monthly statistics: Global-WGEN (GWGEN) v1. 0 |
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 |