CN112016052A - 基于多源数据的近地表日最高气温估算方法、系统及终端 - Google Patents

基于多源数据的近地表日最高气温估算方法、系统及终端 Download PDF

Info

Publication number
CN112016052A
CN112016052A CN202010844424.1A CN202010844424A CN112016052A CN 112016052 A CN112016052 A CN 112016052A CN 202010844424 A CN202010844424 A CN 202010844424A CN 112016052 A CN112016052 A CN 112016052A
Authority
CN
China
Prior art keywords
data
spatial resolution
air temperature
coverage
daily
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
Application number
CN202010844424.1A
Other languages
English (en)
Other versions
CN112016052B (zh
Inventor
阮惠华
许剑辉
张菲菲
郑艳萍
张金标
寇媛媛
杨骥
李勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG METEOROLOGICAL OBSERVATION DATA CENTER
Guangdong Second Normal University
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangdong Meteorological Observation Data Center
Guangzhou Institute of Geography of GDAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Meteorological Observation Data Center, Guangzhou Institute of Geography of GDAS filed Critical Guangdong Meteorological Observation Data Center
Priority to CN202010844424.1A priority Critical patent/CN112016052B/zh
Publication of CN112016052A publication Critical patent/CN112016052A/zh
Application granted granted Critical
Publication of CN112016052B publication Critical patent/CN112016052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于多源数据的近地表日最高气温估算方法、系统及终端，对粗分辨率的格点人口位置大数据进行网格化插值处理，得到空间分辨率为1km的人口位置统计网格数据；对POI数据进行网格化分类统计处理，得到空间分辨率为1km的不同类别的POI统计数据；对空间分辨率为1km的热红外地表温度数据与25km的被动微波遥感地表温度数据进行空间降尺度融合处理，得到空间分辨率为1km白天地表温度；对地表参量数据进行预处理，得到空间分辨率为1km的城市不透水面盖度、植被盖度、与海岸线距离、EVI、DEM；建立非线性回归拟合模型；基于非线性回归模型，得到空间分辨率为1km的城市近地表日最高气温数据。

Description

基于多源数据的近地表日最高气温估算方法、系统及终端
技术领域
本发明涉及气温分布预测技术领域，具体地，涉及一种基于多源数据的近地表日最高气温估算方法、系统及终端。
背景技术
气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本的观测项目之一。近地表气温控制着大部分陆地表面过程，气温记录可以表征一个地方的热状况特征，无论在理论研究上，还是在国防、经济建设的应用上都不可缺少。
传统地利用气象站点的每日最高气温观测值进行空间插值预测最高气温空间连续分布的方法，由于气象站点的分布不均匀和研究区的复杂地形条件等因素的影响，给最高气温空间分布的预测结果带来很大的不确定性，限制其的广泛应用。此外，日最高气温应该与人口流动、建筑物属性等密切相关，建筑物属性可以通过POI数据进行表达；传统的日最高气温空间插值方法并没有考虑人口流动、建筑物属性的影响，会给预测结果带来一定的精度损失。
经过检索发现：
1、公开号为CN104537222A，公开日为2015年04月22日，发明名称为《基于遥感的区域植被覆盖对地表气温影响的估算方法》，包括：一、获取覆盖研究区的数据并进行预处理；二、提取研究时间段内未发生土地利用变化的某一植被类型分布；三、实现地表观测气温格点数据的距平处理；四、得到每一格点的OMR气温数值；五、将OMR气温数据栅格化；六、计算逐像元NDVI变化趋势值与逐像元OMR气温变化趋势值；七、提取所有像元的整个研究时间段的NDVI年平均值，NDVI变化趋势值与OMR气温变化趋势值；八、构建OMR气温预测模型。该方法存在如下问题：
(1)该方法仅仅考虑了NDVI变化趋势与OMR气温变化趋势之间的关系实现OMR气温的预测，并没有考虑其他地表参量如不透水面、DEM对气温的直接影响，如不透水面对气温的增温效应；
(2)该方法忽略了地表温度、与海岸线距离的影响，也没有考虑人口流动、不同类型POI对气温影响，造成地表气温估算不准确。
2、公开号为CN101634711A，公开日为2010年01月27日，发明名称为《从MODIS数据估算近地表空气温度方法》，包含三个步骤：第一步骤是利用MODIS数据产品每个像元的地表温度和发射率以及大气水汽含量值作为先验知识，作为大气辐射传输模拟软件MODTRAN4的输入参数，并针对所获得遥感数据MODIS每个像元第29、31、32热红外波段在不同的区域和季节进行正向模拟，建立训练和测试数据库。第二个步骤是利用神经网络对训练和测试数据集反复训练和测试。第三步骤是对MODIS实际影像数据进行反演计算，得到地表目标地区的近地表空气温度分布情况。该方法存在如下问题：
(1)该方法主要利用热红外波段的信息反演近地表空气温度，并没有考虑城市不透水面盖度、植被盖度、与海岸线距离、EVI和DEM等地表参量对气温的影响；
(2)该方法忽略了考虑人口流动、不同类型POI对气温的影响，造成地表气温估算不准确。
3、公开号为CN109871637A，公开日为2019年06月11日，发明名称为《一种云天条件下近地面气温估算方法》，包括：(1)获取研究区气象台站的历史数据；(2)将所述大气可降水量、近地面相对湿度、云顶温度、云顶高度和云光学厚度历史数据进行预处理，得到时空匹配的数据集；(3)将所述百叶箱气温作为神经网络的输出，将所述数据集作为神经网络的输入，构建神经网络；(4)获取待气温估算区域的数据集；(5)根据气象卫星的经纬度和时间信息，利用三次样条插值方法进行时间和空间插值，得到与气象卫星时空匹配的数据集；(6)将所述与气象卫星时空匹配的数据集输入已经构建好的神经网络进行云天条件下的近地面气温的估算。该方法存在如下问题：
(1)该方法并没有考虑城市不透水面盖度、植被盖度、与海岸线距离、EVI和DEM等地表参量对气温的影响；
(2)该方法忽略了考虑人口流动、不同类型POI对气温的影响，造成地表气温估算不准确。
4、公开号为CN108961089A，公开日为2018年12月7日，发明名称为《基于星地多源数据的长江中下游地区水稻高温热害遥感监测方法》，该方法利用Aqua逐日陆表温度、8天合成归一化植被指数以及气象站点最高气温数据，利用TVX方法把Aqua Night陆地表面温度转换为瞬时气温，建立瞬时气温与日最高气温之间的线性关系模型，利用该模型将TVX求得瞬时气温转换为日最高气温影像，云污染像元使用日最高气温数据集进行反距离权重插值得到研究区全覆盖的日最高气温影像，并应用于长江中下游地区水稻高温热害遥感监测。该方法虽然涉及对多源数据的利用，但是，由于该方法的重点在于基于建立陆地表面温度、植被指数与日最高气温数据的模型，并结合反距离权重插值方法得到研究区的日最高气温，实现水稻高温热害遥感监测。该方法中所涉及的相关内容并不适用于本发明所提供的方法，也没有给出任何的而技术启示的理由。另外，该方法并没有涉及对“人口流动、不同类型POI、不透水面盖度、植被盖度以及与海岸线距离等信息”的应用。。
综上所述，现有技术仍然没有解决上述的不足，目前也没有发现同本发明类似技术的说明或报道以及国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足，提供了一种基于多源数据的近地表日最高气温估算方法、系统及终端。
本发明是通过以下技术方案实现的。
根据本发明的一个方面，提供了一种基于多源数据的近地表日最高气温估算方法，包括：
S1，获取研究区的地面观测站气象数据，计算每日最高气温数据，并构建研究区空间分辨率为1km的网格；
S2，抓取POI数据，将POI数据进行分类；按照1km网格进行分类统计，得到空间分辨率为1km的不同类别的POI统计数据；
S3，根据设定时间间隔抓取空间分辨率为5km的人口统计格点数据，按照设定时间段进行累积计算，得到最高气温对应时间段的5km人口统计数据；以月尺度的空间分辨率为1km的夜光遥感数据作为辅助变量，对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据；
S4，对空间分辨率为25km的每日被动微波遥感地表温度数据进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据；结合空间分辨率为1km的每日热红外地表温度数据和降尺度的被动微波遥感地表温度数据，利用加权平均的方法，计算得到空间分辨率为1km每日地表温度；
S5，提取植被指数参量，经过异常值剔除处理后，得到空间分辨率为1km的EVI；
S6，将获取的空间分辨率为30m的DEM数据，通过聚合平均得到空间分辨率为1km的DEM数据；
S7，结合遥感影像，提取的海岸线；提取研究区每个网格的中心点坐标，并计算每个网格中心点坐标与海岸线的距离，得到每个网格与海岸线之间的距离；
S8，获取30m分辨率的城市不透水面盖度和植被盖度；通过聚合平均得到空间分辨率为1km的不透水面盖度和植被盖度数据；
S9，建立地面观测站每日近地表最高气温与人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离的非线性回归模型；
S10，获取最优的模型参数，从而构建最优的非线性回归模型；
S11，以空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为输入，根据建立的最优的非线性回归模型估算空间分辨率为1km的近地表最高气温数据；同时将空间分辨率为1km的近地表最高气温回归残差进行插值，实现对估算的空间分辨率为1km的近地表最高气温进行误差修正，得到高精度的空间分辨率为1km的近地表最高气温数据。
优选地，所述S2中，通过网络爬虫技术从高德地图网站上抓取POI数据；所述分类包括：餐饮、住宿、生活、购物、交通设施、公司企业、住宅和/或公共设施。
优选地，所述S3中，通过网络爬虫技术从腾讯位置大数据网站上抓取空间分辨率为5km的人口统计格点数据；和/或
利用协同克里金插值方法对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据。
优选地，所述S4中，利用面到点克里金插值方法对空间分辨率为25km的每日被动微波遥感地表温度数据进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据。
优选地，所述S5中，从MOD13A2数据产品中提取植被指数参量；异常值剔除处理为：剔除EVI<0的像元，以减少水体异常值的影响。
优选地，所述S7中，结合空间分辨率为0.31m的WorldView-3高分辨率遥感影像，通过人工矢量化的方式提取海岸线。
优选地，所述S8中，利用线性光谱解混方法获取30m分辨率的城市不透水面盖度和植被盖度，包括：
S81、结合Landsat 8OLI遥感影像的反射率数据，通过缨帽变换计算各主成分，以第一主成分作为高反照率组分，第三主成分作为低反照率组分；
S82、计算NDVI(Normalized Difference Vegetation Index；归一化植被指数)、DBSI(Dry Bare-Soil Index；干旱土壤指数)以及NDBI(Normalized Difference Built-upIndex；归一化建筑指数)；
S83、利用高反照率组分、低反照率组分、NDVI、DBSI和NDBI，选择高反照率、低反照率、土壤和植被端元；
S84、在S83基础上，利用线性光谱解混方法进行光谱解混，获取高反照率、低反照率、土壤和植被盖度；
S85、结合NDVI和DBSI对光谱解混结果进行最优化处理，最终获取空间分辨率为30m的不透水面盖度、植被盖度和土壤盖度。
优选地，所述S9中，利用XGBoost机器学习算法建立非线性回归模型。
优选地，所述S10中，对模型参数进行优化，获取最优的模型参数，包括：
S101、定义模型训练参数，包括：
-method，用于确定采用多次交叉检验的抽样方法；
-number，用于确定折交叉数目；
-repeats，用于确定重复次数；
-search，用于确定搜索方式；
S102、设置expand.grid函数参数；
S103、将空间分辨率为1km的人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为自变量，气象站最高气温数据作为因变量，利用XGBoost算法初步建立非线性回归模型，结合S101中定义的模型训练参数和S102中设置的expand.grid函数参数，遍历调优参数的所有组合；
S104、通过S103遍历所有的调优参数组合，找出建模的最优参数。
优选地，所述S11中，采用样条函数插值方法将非线性回归模型的残差进行插值处理，得到空间分辨率为1km的回归残差，包括：
S111、提取非线性回归模型的残差值及其坐标；
S112、将残差值及其坐标输入到R语言的Tps函数中，计算样条函数的回归系数；
S113、将S112获取的Tps样条函数结果以及研究区1km网格坐标输入到R语言的interpolate插值函数中，即得到空间分辨率为1km的回归残差。
根据本发明另一个方面，提供了一种基于多源数据的近地表日最高气温估算系统，包括：
气象数据获取模块，获取研究区的地面观测站气象数据，计算每日最高气温数据，并构建研究区空间分辨率为1km的网格；
POI数据获取模块，抓取POI(兴趣点)数据，将POI数据进行分类；按照1km网格进行分类统计，得到空间分辨率为1km的不同类别的POI统计数据；
人口数据获取模块，根据设定时间间隔抓取空间分辨率为5km的人口统计格点数据，按照设定时间段进行累积计算，得到最高气温对应时间段的5km人口统计数据；以月尺度的空间分辨率为1km的夜光遥感数据作为辅助变量，对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据；
地表温度获取模块，对空间分辨率为25km的每日被动微波遥感地表温度数据进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据；结合空间分辨率为1km的每日热红外地表温度数据和降尺度的被动微波遥感地表温度数据，利用加权平均的方法，计算得到空间分辨率为1km每日地表温度；
EVI获取模块，提取植被指数参量，经过剔除EVI<0的像元后，得到空间分辨率为1km的EVI(增强型植被指数)；
DEM数据获取模块，将获取的空间分辨率为30m的DEM数据，通过聚合平均得到空间分辨率为1km的DEM数据；
与海岸线距离获取模块，结合遥感影像，提取的海岸线；提取研究区每个网格的中心点坐标，并计算每个网格中心点坐标与海岸线的距离，得到每个网格与海岸线之间的距离；
不透水面盖度和植被盖度数据获取模块，获取30m分辨率的城市不透水面盖度和植被盖度；通过聚合平均得到空间分辨率为1km的不透水面盖度和植被盖度数据；
非线性回归模型构建模块，建立地面观测站每日近地表最高气温与人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离的非线性回归模型；获取最优的模型参数，从而构建最优的非线性回归模型；
近地表最高气温数据计算模块，以空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为输入，根据建立的最优的非线性回归模型估算空间分辨率为1km的近地表最高气温数据；同时将空间分辨率为1km的近地表最高气温回归残差进行插值，实现对估算的空间分辨率为1km的近地表最高气温进行误差修正，得到高精度的空间分辨率为1km的近地表最高气温数据。
根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够用于执行上述任一项所述的方法。
由于采用了上述技术方案，本发明与现有技术相比，具有如下的有益效果：
本发明提供的基于多源数据的近地表日最高气温估算方法、系统及终端，同时结合大数据技术与XGBoost非线性回归建模思想对1km网格尺度的城市近地表每日最高气温数据进行估算，充分考虑了人口流动、不同类型POI对最高气温的影响，也考虑了地表温度对气温的影响，并结合多地表参量如城市不透水面盖度、植被盖度、与海岸线距离、EVI和DEM进行XGBoost回归建模能够更精确地对城市复杂地区进行近地表最高气温预测，并利用样条函数方法对预测的高分辨率的近地表最高气温进行误差修正，极大的提高了近地表最高气温数据的空间分辨率和精度。具有重要的理论、实践意义和推广应用价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一优选实施例中基于多源数据的近地表日最高气温估算方法流程图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，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，这些都属于本发明的保护范围。
本发明一实施例提供了一种基于多源数据的近地表日最高气温估算方法，该方法是一种基于多源数据的机器学习(城市)近地表日最高气温估算方法，通过获取地面观测站气象数据、人口位置大数据、POI数据、FY-3C微波地表温度数据与相关地表参量数据，对粗分辨率的格点人口位置大数据进行网格化插值处理，得到空间分辨率为1km的人口统计网格数据；对POI数据进行网格化分类统计处理，得到空间分辨率为1km的不同类别的POI统计数据；对空间分辨率为1km的FY-3CVIRR热红外地表温度数据与25km的FY-3CMWRI被动微波遥感地表温度数据进行空间降尺度融合处理，得到空间分辨率为1km白天地表温度；对地表参量数据进行预处理，得到空间分辨率为1km的城市不透水面盖度、植被盖度、DEM、与海岸线距离、EVI；基于地面观测近地表最高气温与辅助变量之间的非线性关系，建立非线性回归拟合模型；基于非线性回归模型，得到空间分辨率为1km的城市近地表日最高气温数据。
本发明实施例所提供的基于多源数据的近地表日最高气温估算方法，如图1所示，包括如下步骤：
步骤1，获取研究区的地面观测站气象数据，计算每日最高气温数据，并构建研究区空间分辨率为1km的网格；
步骤2，抓取POI(兴趣点)数据，将POI数据进行分类；按照1km网格进行分类统计，得到空间分辨率为1km的不同类别的POI统计数据；
步骤3，根据设定时间间隔抓取空间分辨率为5km的人口统计格点数据，按照设定时间段进行累积计算，得到最高气温对应时间段的5km人口统计数据；以月尺度的空间分辨率为1km的夜光遥感数据作为辅助变量，对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据；
步骤4，对空间分辨率为25km的每日被动微波遥感地表温度数据(FY-3CMWRI)进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据；结合空间分辨率为1km的每日热红外地表温度数据(FY-3CVIRR)和降尺度的被动微波遥感地表温度数据，利用加权平均的方法，计算得到空间分辨率为1km每日地表温度；
步骤5，提取植被指数参量，经过异常值剔除处理后，得到空间分辨率为1kmEVI；
步骤6，将获取的空间分辨率为30m的DEM数据，通过聚合平均得到空间分辨率为1km的DEM数据；
步骤7，结合遥感影像，提取海岸线；提取研究区每个网格的中心点坐标，并计算每个网格中心点坐标与海岸线的距离，得到每个网格与海岸线之间的距离；
步骤8，获取30m分辨率的城市不透水面盖度和植被盖度；通过聚合平均得到空间分辨率为1km的不透水面盖度和植被盖度数据；
步骤9，建立地面观测站每日近地表最高气温与人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离的非线性回归模型；
步骤10，获取最优的模型参数，从而构建最优的非线性回归模型；
步骤11，以空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为输入，根据步骤10建立的最优的非线性回归模型估算空间分辨率为1km的近地表最高气温数据；同时采用样条函数插值方法将空间分辨率为1km的近地表最高气温回归残差进行插值，实现对估算的空间分辨率为1km的近地表最高气温进行误差修正，得到高精度的空间分辨率为1km的近地表最高气温数据。
作为一优选实施例，步骤2中，通过网络爬虫技术从高德地图网站上抓取POI(兴趣点)数据；分类包括：餐饮、住宿、生活、购物、交通设施、公司企业、住宅和/或公共设施。
作为一优选实施例，步骤3中，通过网络爬虫技术从腾讯位置大数据网站上抓取空间分辨率为5km的人口统计格点数据。
作为一优选实施例，步骤3中，设定时间间隔为30分钟。
作为一优选实施例，步骤3中，设定时间段为12:00-14:30。
作为一优选实施例，步骤3中，利用协同克里金插值方法对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口统计数据。具体方法为：
以空间分辨率为5km的人口统计数据为主变量，以空间分辨率为1km的夜光遥感数据作为辅助变量，利用R语言的gstat包进行协同克里金插值，得到空间分辨率为1km的人口统计数据。
作为一优选实施例，步骤4中，利用面到点克里金插值方法对空间分辨率为25km的每日被动微波遥感地表温度数据(FY-3C MWRI)进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据。具体方法为：
S41，将空间分辨率为25km的降水数据空间自相关值影像离散化为25km×25km的多边形，作为面数据；并以面数据中心点坐标计算面与面之间的距离；
S42，将每一个25km×25km的面数据离散成25×25个空间点数据；并计算每个点数据与面数据之间的距离；
S43，根据25km的降水数据空间自相关面数据计算原始面尺度的先验变异函数areaVgm_a＝list(model,sill,nugget,range)，其中，model表示变异函数模型，此处采用Gau模型，sill表示基台值，nugget表示块金值，range表示变程；
S44，对离散化的降水数据空间自相关点数据的变异函数进行初始化，得到点尺度的变异函数pointVgm_a＝list(model,sill,nugget,range)，通过正则化处理，转换为面尺度的变异函数pointToareaVgm_a＝list(model,sill,nugget,range)；
S45，比较面尺度的变异函数pointToareaVgm_a和原始面尺度的先验变异函数areaVgm_a的差异；如果差异小于0.001，那么就认为此时的点尺度的变异函数pointVgm_a作为估算出来的最优的点尺度的变异函数pointVgm满足要求，能够用来执行S47，否则进一步执行S46；
S46，更新点尺度的变异函数pointVgm_a的权重，重新拟合出新的点尺度的变异函数pointVgm_b，通过正则化处理，得到新的面尺度的变异函数pointToareaVgm_b，继续与原始面尺度的先验变异函数areaVgm_a进行比较；重复迭代计算，一直到差异小于0.001或者迭代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度的变异函数pointVgm满足要求，能够用来执行S47；
S47，结合估算出来的最优的点尺度的变异函数pointVgm，利用公式计算面与面
Figure BDA0002642561980000101
面与点
Figure BDA0002642561980000102
的变异函数；
Figure BDA0002642561980000103
Figure BDA0002642561980000104
其中，N(vi)和N(vj)分别是面vi和vj离散后的625个点，s即代表面的离散点，k和l分别表示离散点的序号，x为待插值的空间分辨率为1km的TRMM降水数据空间自相关网格点；C(sj,x)和C(sk,sl)分别为点尺度的变异函数；
S48，结合估算的面与面、面与点的变异函数，构造方程组，并利用最小二乘估算出权重值：
Figure BDA0002642561980000105
其中，K表示原始低空间分辨率25km降水数据空间自相关的网格数量，λx表示待插值x点对应原始低分辨率25km降水数据空间自相关的权重，μx表示拉格朗日算子；
S49，最后结合空间分辨率为25km的降水数据空间自相关值以及相应的权重，实现25km的降水数据空间自相关值的降尺度，得到1km分辨率的降水数据空间自相关值。
上述步骤可参考专利文献：公开号CN110738252A，发明名称《空间自相关的机器学习卫星降水数据降尺度方法、系统》中公开的面到点克里金插值方法。
作为一优选实施例，步骤5中，从MOD13A2数据产品中提取植被指数参量；异常值剔除处理为：剔除EVI<0的像元，以减少水体异常值的影响。
作为一优选实施例，步骤6中，空间分辨率为30m的DEM数据获取方法，可以采用现有的方法，可参考ALOS Global Digital Surface Model″ALOS World 3D-30m(AW3D30)″，“https://www.eorc.jaxa.jp/ALOS/en/aw3d30/data/index.htm”。
作为一优选实施例，步骤7中，结合空间分辨率为0.31m的WorldView-3高分辨率遥感影像，通过人工矢量化的方式提取海岸线。
作为一优选实施例，步骤8中，利用线性光谱解混方法获取30m分辨率的城市不透水面盖度和植被盖度。具体方法为：
S81，结合Landsat 8OLI遥感影像的反射率数据，通过缨帽变换计算各主成分，以第一主成分作为高反照率组分，第三主成分作为低反照率组分；
S82，计算NDVI(Normalized Difference Vegetation Index；归一化植被指数)、DBSI(Dry Bare-Soil Index；干旱土壤指数)以及NDBI(Normalized Difference Built-upIndex；归一化建筑指数)；
S83，利用高反照率组分、低反照率组分、NDVI、DBSI和NDBI，选择高反照率、低反照率、土壤和植被端元；
S84，在S83基础上，利用线性光谱解混方法进行光谱解混，获取高反照率、低反照率、土壤和植被盖度；
S85，结合NDVI和DBSI对光谱解混结果进行最优化处理，最终获取空间分辨率为30m的不透水面盖度、植被盖度和土壤盖度。
上述方法的详细的过程，可以参考文献《Impervious Surface Extraction byLinear Spectral Mixture Analysis with Post-Processing Model》。
作为一优选实施例，步骤9中，利用XGBoost机器学习算法建立非线性回归模型。
作为一优选实施例，步骤10中，对模型参数进行优化，获取最优的模型参数。具体方法为：
S101，定义模型训练参数：
method，用于确定采用多次交叉检验的抽样方法；
number，用于确定折交叉数目；
repeats，用于确定重复次数；
search，用于确定搜索方式；
则：
fitControl＝trainControl(method＝″repeatedcv″,number＝10,repeats＝4,search＝″grid″)；
S102，设置expand.grid函数参数：
tuneGrid＝expand.grid(nrounds＝c(50,100),max_depth＝6:8,eta＝c(0.05,0.075,0.1),gamma＝0,colsample_bytree＝c(0.3,0.4,0.5),min_child_weight＝c(1.0,1.25,1.5,1.75,2.0,2.25,2.5),subsample＝1)；
S103，将空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为自变量，气象站最高气温数据作为因变量，利用XGBoost算法初步建立非线性回归模型，结合S101和S102的模型参数，遍历调优参数的所有组合：
formula_noMoran＝“站点最高气温～人口位置数据+不同类别的POI统计数据+地表温度融合数据+不透水面盖度+植被盖度+EVI+DEM+海岸线距离；
fit.train＝train(formula_noMoran,data,method＝″xgbTree″,metric＝c(″RMSE″),trControl＝fitControl,tuneGrid＝tuneGrid)；
S104，通过S103遍历所有的调优参数组合，找出建模的最优参数。
作为一优选实施例，步骤11中，采用样条函数插值方法将空间分辨率为1km的近地表最高气温回归残差进行插值，具体方法为：
S111，提取非线性回归模型的残差值及其坐标；
S112，将残差值及其坐标输入到R语言的Tps函数中，计算样条函数的回归系数；
S113，将S112获取的Tps样条函数结果以及研究区1km网格坐标输入到R语言的interpolate插值函数中，即得到空间分辨率为1km的回归残差。
本实施例提供的基于多源数据的近地表日最高气温估算方法，可以采用R语言实现。
本发明另一实施例提供了一种基于多源数据的机器学习城市近地表日最高气温估算系统，包括：
气象数据获取模块，获取研究区的地面观测站气象数据，计算每日最高气温数据，并构建研究区空间分辨率为1km的网格；
POI数据获取模块，抓取POI(兴趣点)数据，将POI数据进行分类；按照1km网格进行分类统计，得到空间分辨率为1km的不同类别的POI统计数据；
人口数据获取模块，根据设定时间间隔抓取空间分辨率为5km的人口统计格点数据，按照设定时间段进行累积计算，得到最高气温对应时间段的5km人口统计数据；以月尺度的空间分辨率为1km的夜光遥感数据作为辅助变量，对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据；
地表温度获取模块，对空间分辨率为25km的每日被动微波遥感地表温度数据(FY-3CMWRI)进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据；结合空间分辨率为1km的每日热红外地表温度数据(FY-3CVIRR)和降尺度的被动微波遥感地表温度数据，利用加权平均的方法，计算得到空间分辨率为1km每日地表温度；
EVI获取模块，提取植被指数参量，经过剔除EVI<0的像元后，得到空间分辨率为1km的EVI(增强型植被指数)；
DEM数据获取模块，将获取的空间分辨率为30m的DEM数据，通过聚合平均得到空间分辨率为1km的DEM数据；
与海岸线距离获取模块，结合遥感影像，提取的海岸线；提取研究区每个网格的中心点坐标，并计算每个网格中心点坐标与海岸线的距离，得到每个网格与海岸线之间的距离；
不透水面盖度和植被盖度数据获取模块，获取30m分辨率的城市不透水面盖度和植被盖度；通过聚合平均得到空间分辨率为1km的不透水面盖度和植被盖度数据；
非线性回归模型构建模块，建立地面观测站每日近地表最高气温与人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离的非线性回归模型；获取最优的模型参数，从而构建最优的非线性回归模型；
近地表最高气温数据计算模块，以空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为输入，根据建立的最优的非线性回归模型估算空间分辨率为1km的近地表最高气温数据；同时将空间分辨率为1km的近地表最高气温回归残差进行插值，实现对估算的空间分辨率为1km的近地表最高气温进行误差修正，得到高精度的空间分辨率为1km的近地表最高气温数据。
本发明第三个实施例，提供了一种终端，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，处理器执行计算机程序时能够用于执行上述任一项的方法。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-accessmemory，缩写：RAM)，如静态随机存取存储器(英文：staticrandom-accessmemory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：DoubleDataRateSynchronousDynamicRandomAccessMemory，缩写：DDRSDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatilememory)，例如快闪存储器(英文：flashmemory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
本发明上述实施例提供的基于多源数据的近地表日最高气温估算方法、系统及终端，同时结合大数据技术与XGBoost非线性回归建模思想对1km网格尺度的城市近地表每日最高气温数据进行估算，由于人口流动和POI分类数据对地表温度的影响，例如住宅、餐饮、教育、商场等POI分类数据在不同时刻对气温的不同影响，本发明上述实施例体提供的技术方案充分考虑了人口流动、不同类型POI对最高气温的影响，也考虑了地表温度对气温的影响，并结合多地表参量如城市不透水面盖度、植被盖度、与海岸线距离、EVI和DEM进行XGBoost回归建模能够更精确地对城市复杂地区进行近地表最高气温预测，并利用样条函数方法对预测的高分辨率的近地表最高气温进行误差修正，极大的提高了近地表最高气温数据的空间分辨率和精度。具有重要的理论、实践意义和推广应用价值。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照系统的技术方案实现方法的步骤流程，即，系统中的实施例可理解为实现方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (12)

1.一种基于多源数据的近地表日最高气温估算方法，其特征在于，包括：
S1，获取研究区的地面观测站气象数据，计算每日最高气温数据，并构建研究区空间分辨率为1km的网格；
S2，抓取POI数据，将POI数据进行分类；按照1km网格进行分类统计，得到空间分辨率为1km的不同类别的POI统计数据；
S3，根据设定时间间隔抓取空间分辨率为5km的人口统计格点数据，按照设定时间段进行累积计算，得到最高气温对应时间段的5km人口统计数据；以月尺度的空间分辨率为1km的夜光遥感数据作为辅助变量，对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据；
S4，对空间分辨率为25km的每日被动微波遥感地表温度数据进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据；结合空间分辨率为1km的每日热红外地表温度数据和降尺度的被动微波遥感地表温度数据，利用加权平均的方法，计算得到空间分辨率为1km每日地表温度；
S5，提取植被指数参量，经过异常值剔除处理后，得到空间分辨率为1km的EVI；
S6，将获取的空间分辨率为30m的DEM数据，通过聚合平均得到空间分辨率为1km的DEM数据；
S7，结合遥感影像，提取的海岸线；提取研究区每个网格的中心点坐标，并计算每个网格中心点坐标与海岸线的距离，得到每个网格与海岸线之间的距离；
S8，获取30m分辨率的城市不透水面盖度和植被盖度；通过聚合平均得到空间分辨率为1km的不透水面盖度和植被盖度数据；
S9，建立地面观测站每日近地表最高气温与人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离的非线性回归模型；
S10，获取最优的模型参数，从而构建最优的非线性回归模型；
S11，以空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为输入，根据建立的最优的非线性回归模型估算空间分辨率为1km的近地表最高气温数据；同时将空间分辨率为1km的近地表最高气温回归残差进行插值，实现对估算的空间分辨率为1km的近地表最高气温进行误差修正，得到高精度的空间分辨率为1km的近地表最高气温数据。
2.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S2中，通过网络爬虫技术从高德地图网站上抓取POI数据；所述分类包括：餐饮、住宿、生活、购物、交通设施、公司企业、住宅和/或公共设施。
3.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S3中，通过网络爬虫技术从腾讯位置大数据网站上抓取空间分辨率为5km的人口统计格点数据；和/或
利用协同克里金插值方法对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据。
4.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S4中，利用面到点克里金插值方法对空间分辨率为25km的每日被动微波遥感地表温度数据进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据。
5.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S5中，从MOD13A2数据产品中提取植被指数参量；异常值剔除处理为：剔除EVI<0的像元，以减少水体异常值的影响。
6.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S7中，结合空间分辨率为0.31m的WorldView-3高分辨率遥感影像，通过人工矢量化的方式提取海岸线。
7.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S8中，利用线性光谱解混方法获取30m分辨率的城市不透水面盖度和植被盖度，包括：
S81、结合Landsat 8 OLI遥感影像的反射率数据，通过缨帽变换计算各主成分，以第一主成分作为高反照率组分，第三主成分作为低反照率组分；
S82、计算NDVI、DBSI以及NDBI；
S83、利用高反照率组分、低反照率组分、NDVI、DBSI和NDBI，选择高反照率、低反照率、土壤和植被端元；
S84、在S83基础上，利用线性光谱解混方法进行光谱解混，获取高反照率、低反照率、土壤和植被盖度；
S85、结合NDVI和DBSI对光谱解混结果进行最优化处理，最终获取空间分辨率为30m的不透水面盖度、植被盖度和土壤盖度。
8.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S9中，利用XGBoost机器学习算法建立非线性回归模型。
9.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S10中，对模型参数进行优化，获取最优的模型参数，包括：
S101、定义模型训练参数，包括：
-method，用于确定采用多次交叉检验的抽样方法；
-number，用于确定折交叉数目；
-repeats，用于确定重复次数；
-search，用于确定搜索方式；
S102、设置expand.grid函数参数；
S103、将空间分辨率为1km的人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为自变量，气象站最高气温数据作为因变量，利用XGBoost算法初步建立非线性回归模型，结合S101中定义的模型训练参数和S102中设置的expand.grid函数参数，遍历调优参数的所有组合；
S104、通过S103遍历所有的调优参数组合，找出建模的最优参数。
10.根据权利要求1所述的基于多源数据的近地表日最高气温估算方法，其特征在于，所述S11中，采用样条函数插值方法将非线性回归模型的残差进行插值处理，得到空间分辨率为1km的回归残差，包括：
S111、提取非线性回归模型的残差值及其坐标；
S112、将残差值及其坐标输入到R语言的Tps函数中，计算样条函数的回归系数；
S113、将S112获取的Tps样条函数结果以及研究区1km网格坐标输入到R语言的interpolate插值函数中，即得到空间分辨率为1km的回归残差。
11.一种基于多源数据的近地表日最高气温估算系统，其特征在于，包括：
气象数据获取模块，获取研究区的地面观测站气象数据，计算每日最高气温数据，并构建研究区空间分辨率为1km的网格；
POI数据获取模块，抓取POI数据，将POI数据进行分类；按照1km网格进行分类统计，得到空间分辨率为1km的不同类别的POI统计数据；
人口数据获取模块，根据设定时间间隔抓取空间分辨率为5km的人口统计格点数据，按照设定时间段进行累积计算，得到最高气温对应时间段的5km人口统计数据；以月尺度的空间分辨率为1km的夜光遥感数据作为辅助变量，对空间分辨率为5km的人口统计数据进行插值，得到空间分辨率为1km的人口位置统计数据；
地表温度获取模块，对空间分辨率为25km的每日被动微波遥感地表温度数据进行空间降尺度，得到空间分辨率为1km的白天被动微波遥感地表温度数据；结合空间分辨率为1km的每日热红外地表温度数据和降尺度的被动微波遥感地表温度数据，利用加权平均的方法，计算得到空间分辨率为1km每日地表温度；
EVI获取模块，提取植被指数参量，经过剔除EVI<0的像元后，得到空间分辨率为1km的EVI；
DEM数据获取模块，将获取的空间分辨率为30m的DEM数据，通过聚合平均得到空间分辨率为1km的DEM数据；
与海岸线距离获取模块，结合遥感影像，提取的海岸线；提取研究区每个网格的中心点坐标，并计算每个网格中心点坐标与海岸线的距离，得到每个网格与海岸线之间的距离；
不透水面盖度和植被盖度数据获取模块，获取30m分辨率的城市不透水面盖度和植被盖度；通过聚合平均得到空间分辨率为1km的不透水面盖度和植被盖度数据；
非线性回归模型构建模块，建立地面观测站每日近地表最高气温与人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离的非线性回归模型；获取最优的模型参数，从而构建最优的非线性回归模型；
近地表最高气温数据计算模块，以空间分辨率为1km人口位置统计数据、不同类别的POI统计数据、地表温度融合数据、不透水面盖度、植被盖度、EVI、DEM以及与海岸线距离作为输入，根据建立的最优的非线性回归模型估算空间分辨率为1km的近地表最高气温数据；同时将空间分辨率为1km的近地表最高气温回归残差进行插值，实现对估算的空间分辨率为1km的近地表最高气温进行误差修正，得到高精度的空间分辨率为1km的近地表最高气温数据。
12.一种终端，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时能够用于执行权利要求1-10任一项所述的方法。
CN202010844424.1A 2020-08-20 2020-08-20 基于多源数据的近地表日最高气温估算方法、系统及终端 Active CN112016052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010844424.1A CN112016052B (zh) 2020-08-20 2020-08-20 基于多源数据的近地表日最高气温估算方法、系统及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844424.1A CN112016052B (zh) 2020-08-20 2020-08-20 基于多源数据的近地表日最高气温估算方法、系统及终端

Publications (2)

Publication Number Publication Date
CN112016052A true CN112016052A (zh) 2020-12-01
CN112016052B CN112016052B (zh) 2021-07-09

Family

ID=73505333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844424.1A Active CN112016052B (zh) 2020-08-20 2020-08-20 基于多源数据的近地表日最高气温估算方法、系统及终端

Country Status (1)

Country Link
CN (1) CN112016052B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065481A (zh) * 2021-04-09 2021-07-02 中国测绘科学研究院 一种运输投送环境下融合多源数据的城市建成区提取方法
CN113158570A (zh) * 2021-04-26 2021-07-23 电子科技大学 一种融合多源卫星遥感的全天候地表温度近实时反演方法
CN114019579A (zh) * 2021-08-24 2022-02-08 中国农业科学院农业资源与农业区划研究所 高时空分辨率近地表空气温度重构方法、系统、设备
CN114723166A (zh) * 2022-04-27 2022-07-08 中国科学院地理科学与资源研究所 一种基于XGBoost模型的地表温度重建方法
CN115482312A (zh) * 2022-10-13 2022-12-16 重庆市地理信息和遥感应用中心 一种基于dem和城市热岛的地表温度空间模拟校正方法
CN115630258A (zh) * 2022-12-22 2023-01-20 中国气象局地球系统数值预报中心 一种陆表温度数据同化处理方法、装置、设备及存储介质
CN115993668A (zh) * 2023-03-22 2023-04-21 成都云智北斗科技有限公司 一种基于多项式改正和神经网络的pwv重建方法及系统
CN116011349A (zh) * 2023-03-07 2023-04-25 长安大学 一种近地表气温的估算方法
CN116523859A (zh) * 2023-04-23 2023-08-01 宁波大学 一种联合地面观测的海岸带植被物候参数卫星影像率定方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140344772A1 (en) * 2013-05-20 2014-11-20 Synopsys, Inc. Semi-local ballistic mobility model
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN106021872A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
CN108268735A (zh) * 2018-01-29 2018-07-10 浙江大学 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109885808A (zh) * 2018-12-26 2019-06-14 西安建筑科技大学 一种近地表气象要素计算方法
CN110516943A (zh) * 2019-08-19 2019-11-29 中国水利水电科学研究院 一种基于地表温度的春灌期灌溉面积动态监测遥感方法
CN110738252A (zh) * 2019-10-14 2020-01-31 广州地理研究所 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN111191673A (zh) * 2019-11-29 2020-05-22 广州地理研究所 一种地表温度降尺度方法及系统
CN111199185A (zh) * 2019-11-26 2020-05-26 广州地理研究所 基于XGBoost学习算法的地表温度降尺度方法、系统及设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140344772A1 (en) * 2013-05-20 2014-11-20 Synopsys, Inc. Semi-local ballistic mobility model
CN105760978A (zh) * 2015-07-22 2016-07-13 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法
CN106021872A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
CN108268735A (zh) * 2018-01-29 2018-07-10 浙江大学 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109885808A (zh) * 2018-12-26 2019-06-14 西安建筑科技大学 一种近地表气象要素计算方法
CN110516943A (zh) * 2019-08-19 2019-11-29 中国水利水电科学研究院 一种基于地表温度的春灌期灌溉面积动态监测遥感方法
CN110738252A (zh) * 2019-10-14 2020-01-31 广州地理研究所 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN111199185A (zh) * 2019-11-26 2020-05-26 广州地理研究所 基于XGBoost学习算法的地表温度降尺度方法、系统及设备
CN111191673A (zh) * 2019-11-29 2020-05-22 广州地理研究所 一种地表温度降尺度方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张菲菲 等: ""一种基于Sentine-2A影像的高分辨率不透水面提取遥感指数"", 《电脑知识与技术》 *
许剑辉 等: ""基于地理加权和最小二乘线性回归模型的气温与NDVI聚集密度的相关分析"", 《热带地理》 *
许剑辉: ""基于空间自回归模型的广州市NDVI和NDBI与气温关系研究"", 《国土资源遥感》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065481A (zh) * 2021-04-09 2021-07-02 中国测绘科学研究院 一种运输投送环境下融合多源数据的城市建成区提取方法
CN113158570A (zh) * 2021-04-26 2021-07-23 电子科技大学 一种融合多源卫星遥感的全天候地表温度近实时反演方法
CN114019579A (zh) * 2021-08-24 2022-02-08 中国农业科学院农业资源与农业区划研究所 高时空分辨率近地表空气温度重构方法、系统、设备
CN114019579B (zh) * 2021-08-24 2023-11-24 中国农业科学院农业资源与农业区划研究所 高时空分辨率近地表空气温度重构方法、系统、设备
CN114723166A (zh) * 2022-04-27 2022-07-08 中国科学院地理科学与资源研究所 一种基于XGBoost模型的地表温度重建方法
CN115482312A (zh) * 2022-10-13 2022-12-16 重庆市地理信息和遥感应用中心 一种基于dem和城市热岛的地表温度空间模拟校正方法
CN115630258A (zh) * 2022-12-22 2023-01-20 中国气象局地球系统数值预报中心 一种陆表温度数据同化处理方法、装置、设备及存储介质
CN116011349A (zh) * 2023-03-07 2023-04-25 长安大学 一种近地表气温的估算方法
CN116011349B (zh) * 2023-03-07 2024-01-19 长安大学 一种近地表气温的估算方法
CN115993668A (zh) * 2023-03-22 2023-04-21 成都云智北斗科技有限公司 一种基于多项式改正和神经网络的pwv重建方法及系统
CN116523859A (zh) * 2023-04-23 2023-08-01 宁波大学 一种联合地面观测的海岸带植被物候参数卫星影像率定方法
CN116523859B (zh) * 2023-04-23 2024-06-11 宁波大学 一种联合地面观测的海岸带植被物候参数卫星影像率定方法

Also Published As

Publication number Publication date
CN112016052B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN112016052B (zh) 基于多源数据的近地表日最高气温估算方法、系统及终端
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
Sadler et al. Modeling urban coastal flood severity from crowd-sourced flood reports using Poisson regression and Random Forest
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
CN112905560B (zh) 一种多源时空大数据深度融合的空气污染预测方法
Caubet et al. Merging country, continental and global predictions of soil texture: Lessons from ensemble modelling in France
Aalto et al. Spatial interpolation of monthly climate data for Finland: comparing the performance of kriging and generalized additive models
Saha et al. GIS‐based route planning in landslide‐prone areas
CN104239706A (zh) 一种地面观测气温时空数据集的制备方法
CN103003818A (zh) 用于广阔地域上的多样化资源基础的测绘建模的系统和方法
Rodríguez-Amigo et al. Mathematical interpolation methods for spatial estimation of global horizontal irradiation in Castilla-León, Spain: A case study
Choe et al. Improving accuracy of land surface temperature prediction model based on deep-learning
Yoo et al. Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions
Yu et al. Deep learning-based downscaling of tropospheric nitrogen dioxide using ground-level and satellite observations
Cristea et al. GIS application for wind energy
CN114218853A (zh) 基于机器学习空间降尺度提高水储量分辨率和精度的方法
CN111079835B (zh) 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
Zheng et al. Weather image-based short-term dense wind speed forecast with a ConvLSTM-LSTM deep learning model
Mushore et al. Estimating urban LST using multiple remotely sensed spectral indices and elevation retrievals
CN112285808B (zh) 一种aphrodite降水数据的降尺度方法
Shi et al. An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China
CN115392128A (zh) 一种利用时空卷积lstm网络模拟流域径流量的方法
Qi et al. Evaluating multivariable statistical methods for downscaling nighttime land surface temperature in urban areas
Subhashini et al. Artificial intelligence–based intelligent geospatial analysis in disaster management

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
CB02 Change of applicant information

Address after: No. 6, Fujin Road, Yuexiu Road, Guangzhou, Guangdong 510080

Applicant after: GUANGDONG METEOROLOGICAL OBSERVATION DATA CENTER

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: No. 6, Fujin Road, Yuexiu Road, Guangzhou, Guangdong 510080

Applicant before: GUANGDONG METEOROLOGICAL OBSERVATION DATA CENTER

Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20210621

Address after: No. 6, Fujin Road, Yuexiu Road, Guangzhou, Guangdong 510080

Applicant after: GUANGDONG METEOROLOGICAL OBSERVATION DATA CENTER

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Applicant after: Guangdong Second Normal University

Address before: No. 6, Fujin Road, Yuexiu Road, Guangzhou, Guangdong 510080

Applicant before: GUANGDONG METEOROLOGICAL OBSERVATION DATA CENTER

Applicant before: Guangzhou Institute of geography, Guangdong Academy of Sciences

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant