CN112381337A - 一种多源气象数据融合处理方法、系统、终端及介质 - Google Patents
一种多源气象数据融合处理方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN112381337A CN112381337A CN202110045806.2A CN202110045806A CN112381337A CN 112381337 A CN112381337 A CN 112381337A CN 202110045806 A CN202110045806 A CN 202110045806A CN 112381337 A CN112381337 A CN 112381337A
- Authority
- CN
- China
- Prior art keywords
- data
- source
- corrected
- spatial resolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000007499 fusion processing Methods 0.000 title claims abstract description 33
- 238000001556 precipitation Methods 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012950 reanalysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005192 partition Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 101100305901 Mus musculus Rnase2b gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明公开了多源气象数据融合处理方法、系统、终端及介质，涉及气象数据处理技术领域，其技术方案要点是：将0.25°的日降水量待校正数据GRID通过空间插值法处理后得到日降水量待校正数据STATION，并通过三次样条插值法处理后得到0.1°的日降水量待校正数据GRID；将校正参数STATION通过三次样条插值法处理后得到0.1°的校正参数GRID；通过反距离权重法对0.1°的日降水量数据GRID进行边界修正、校正，得到校正融合数据。本发明通过将原始站点完全融合到ERA5再分析数据中得到一套新的完整降水数据，无论是空间分辨率，还是数据精确性方面都将得到极大提高，对站点分布较为稀疏的复杂地形区域的降水数据融合的适用性较好，能真实的反应出复杂地形流域的降水特征。
Description
技术领域
本发明涉及气象数据处理技术领域，更具体地说，它涉及一种多源气象数据融合处理方法、系统、终端及介质。
背景技术
20世纪80年以后，随着地球系统科学的发展，研究范围从区域尺度扩大到全球尺度，跨区域全球视角的研究方向方兴未艾，因此也对数据提出了更高的要求。目前国际上使用较多的格点数据包括ERA5和NCEP2再分析数据集，其中ERA5数据由ECMWF面向全球用户公开的再分析数据，是迄今为止最强大的全球气候监测数据集，与之前的ERA-Interim产品相比，ERA5具有更高的时空分辨率，时间分辨率为逐小时，空间分辨率高达0.125°。
目前，获取降水观测信息的途径主要有三种：地面雨量计、地基雷达和卫星遥感探测信息。一方面，地面雨量计和地基雷达的降水资料相对准确，但其空间分布不均匀，在地面雨量站网稀疏地区，如果仅用雨量网观测降水估计流域面降水量将会产生很大的不确定性，所以地面雨量计仅适合观测局地区域性的降水，很难获得较准确的大区域或全球的降水信息。另一方面，卫星遥感可进行大范围空间连续的探测，对某些特定目标区的观测时间分辨率也很高，但是由于卫星反演降水的物理原理和算法的局限性，其反演降水的精度相对较低。由于缺乏时空连续覆盖广泛的综合观测系统，要得到长期的精准的高分辨率的全球降水分布非常困难，数值模式输出的降水产品可以弥补观测系统时空不连续造成的问题，但模式降水本身亦存在严重的系统偏差。
为此，基于单一来源的降水资料都各有利弊，如何有效结合不同来源降水资料的优势，发展多源降水融合技术，成为近年来国际上在高质量降水产品研发中的主流趋势。因此，如何研究设计一种多源气象数据融合处理方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供一种多源气象数据融合处理方法、系统、终端及介质。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了一种多源气象数据融合处理方法，包括以下步骤：
S101：获取第一空间分辨率的日降水量待校正G源数据以及日降水量观测S源数据；
S102：将所述第一空间分辨率的日降水量待校正G源数据通过空间插值法处理后得到日降水量待校正S源数据，以及通过三次样条插值法处理后得到第二空间分辨率的日降水量待校正G源数据；
S103：将所述日降水量观测S源数据与所述日降水量待校正S源数据计算差值后得到校正S源参数；
S104：将所述校正S源参数通过三次样条插值法处理后得到第二空间分辨率的校正G源参数；
S105：将所述第二空间分辨率的日降水量待校正G源数据与所述第二空间分辨率的校正G源参数计算和值后得到第二空间分辨率的日降水量G源数据；
S106：通过反距离权重法对第二空间分辨率的日降水量G源数据进行边界修正，并依据初始数据对边界修正后的第二空间分辨率的日降水量G源数据进行校正，得到校正融合数据。
进一步的，所述第一空间分辨率的日降水量待校正G源数据以及所述日降水量观测S源数据的获取过程具体为：
获取原始站点数据和ERA5再分析数据；
将所述原始站点数据、所述ERA5再分析数据融合处理后得到所述第一空间分辨率的日降水量待校正G源数据；
以及，对所述原始站点数据进行时间序列划分后得到所述日降水量观测S源数据。
进一步的，所述第一空间分辨率大于所述第二空间分辨率。
进一步的，所述第一空间分辨率为0.25°，所述第二空间分辨率为0.1°。
进一步的，所述第一空间分辨率的日降水量待校正G源数据通过三次样条插值法处理后得到所述第二空间分辨率的日降水量待校正G源数据的具体过程为：
从所述第一空间分辨率的日降水量待校正G源数据选取插值区间[a,b],并在插值区间[a,b]中等间距的输入n个插值节点a = x 1< x 2 < x 3 <……< x n = b；
将n个插值节点输入三次样条插值函数后计算得到对应的三次样条插值，三次样条插值函数为三次多项式，且插值节点的左右两个子区域的数值、一阶导、二阶导分别相等。
进一步的，通过所述反距离权重法对第二空间分辨率的日降水量G源数据进行边界修正的具体计算公式如下：
其中，Z表示所要估计点的气象要素，Zi表示气象要素在第i个站点的值，di为插值节点到第i站点的距离，n表示用于插值的格点的数目，a表示反比例系数。
进一步的，所述初始数据包括原始站点数据、TRMM数据和地理信息数据。
第二方面，提供了一种多源气象数据融合处理系统，包括：
数据采集模块，用于获取第一空间分辨率的日降水量待校正G源数据以及日降水量观测S源数据；
第一数据处理模块，用于将所述第一空间分辨率的日降水量待校正G源数据通过空间插值法处理后得到日降水量待校正S源数据，以及通过三次样条插值法处理后得到第二空间分辨率的日降水量待校正G源数据；
差值计算模块，用于将所述日降水量观测S源数据与所述日降水量待校正S源数据计算差值后得到校正S源参数；
第二数据处理模块，用于将所述校正S源参数通过三次样条插值法处理后得到第二空间分辨率的校正G源参数；
和值计算模块，用于将所述第二空间分辨率的日降水量待校正G源数据与所述第二空间分辨率的校正G源参数计算和值后得到第二空间分辨率的日降水量G源数据；
数据融合模块，用于通过反距离权重法对第二空间分辨率的日降水量G源数据进行边界修正，并依据初始数据对边界修正后的第二空间分辨率的日降水量G源数据进行校正，得到校正融合数据。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种多源气象数据融合处理方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种多源气象数据融合处理方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过将原始站点完全融合到ERA5再分析数据中得到一套新的完整降水数据，无论是空间分辨率，还是数据精确性方面都将得到极大提高，对站点分布较为稀疏的复杂地形区域的降水数据融合的适用性较好，能真实的反应出复杂地形流域的降水特征，如大渡河流域区域，对该地区的水利、电力等方面的应用提供更好的参考；
2、本发明通过改进的三次样条插值法处理数据，通过构造多项式来形成一条把所有主干点连接起来的平滑曲线，具有高收敛性、稳定性，且插值函数具有较好的光滑度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中的整体流程图；
图2是本发明实施例中原始站点、Grid、ERA5、NCEP2数据的日降水量空间分布图；
图3是本发明实施例中原始站点、Grid、ERA5、NCEP2数据插值到站点上的日均降水量示意图；
图4是本发明实施例中原始站点、Grid、ERA5、NCEP2数据的1-4区日均面雨量示意图；
图5是本发明实施例中Grid、ERA5、NCEP2三套格点数据插值到站点资料的RMSE空间分布图；
图6是本发明实施例中Grid、ERA5、NCEP2三套格点数据的1-4区RMSE区域平均示意图；
图7是本发明实施例中原始站点、Grid、ERA5、NCEP2数据的标准差空间分布图；
图8是本发明实施例中原始站点、Grid、ERA5、NCEP2数据到站点上的日降水标准差示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图1-8及实施例1-2，对本发明进行进一步详细说明。
实施例1：一种多源气象数据融合处理方法，如图1所示，具体由以下步骤实现。需要说明的是，本发明将原始站点和ERA5再分析数据融合后的数据统称为GRID数据；此外，本发明以各数据、参数后接STATION表示其数据源类型为由原站点直接获取的或通过对获取的原站点数据进行处理后得到；并且，GRID可以用G表示，STATION以S表示，以G源数据、G源参数、S源数据、S源参数表示其数据、参数类型。
步骤一：获取空间分辨率为0.25°的日降水量待校正G源数据以及日降水量观测S源数据。
空间分辨率为0.25°的日降水量待校正G源数据以及日降水量观测S源数据的获取过程具体为：获取原始站点数据和ERA5再分析数据；将原始站点数据、ERA5再分析数据融合处理后得到空间分辨率为0.25°的日降水量待校正G源数据；以及，对原始站点数据进行时间序列划分后得到日降水量观测S源数据。
步骤二：将空间分辨率为0.25°的日降水量待校正G源数据通过空间插值法处理后得到日降水量待校正S源数据，以及通过三次样条插值法处理后得到空间分辨率为0.1°的日降水量待校正G源数据。
空间分辨率为0.25°的日降水量待校正G源数据通过三次样条插值法处理后得到空间分辨率为0.1°的日降水量待校正G源数据的具体过程为：
从空间分辨率为0.25°的日降水量待校正G源数据选取插值区间[a,b],并在插值区间[a,b]中等间距的输入n个插值节点a = x 1< x 2 < x 3 <……< x n = b；
将n个插值节点输入三次样条插值函数P i(x)后计算得到对应的三次样条插值y 1，y 2，y 3,…, y n ,三次样条插值函数为三次多项式：P i (x) = a i + b i (x − x i ) + c i (x − x i )2 +d i (x − x i )3 , i = 1,2,……,(n −1)；
且插值节点的左右两个子区域的数值、一阶导、二阶导分别相等，如：
此外，还满足：
这样解三次多项式所需的参数都可以通过解一系列的线性方程来求得。在本实施例中，i表示空间格点数，P表示气象要素。
步骤三：将日降水量观测S源数据与日降水量待校正S源数据计算差值后得到校正S源参数。
步骤四：将校正S源参数通过三次样条插值法处理后得到空间分辨率为0.1°的校正G源参数。
步骤五：将空间分辨率为0.1°的日降水量待校正G源数据与空间分辨率为0.1°的校正G源参数计算和值后得到空间分辨率为0.1°的日降水量G源数据。
步骤六：通过反距离权重法对空间分辨率为0.1°的日降水量G源数据进行边界修正，并依据原始站点数据、TRMM数据和地理信息数据对边界修正后的空间分辨率为0.1°的日降水量G源数据进行校正，得到校正融合数据。TRMM卫星是由美国NASA和日本NASDA共同研制的试验卫星，于1997年11月27日发射成功。
通过反距离权重法对空间分辨率为0.1°的日降水量G源数据进行边界修正的具体计算公式如下：
其中，Z表示所要估计点的气象要素，Zi表示气象要素在第i个站点的值，di为插值节点到第i站点的距离，n表示用于插值的格点的数目，a表示反比例系数，取值为2。
实施例2：现以大渡河流域为例进行说明。大渡河流域内地形复杂，主要经过川西北高原、横断山地东北部和四川盆地西缘山地。
本实施例将分别对原始站点、Grid、ERA5和NCEP2数据的日均降水空间分布进行分析，通过对比评估四套数据在大渡河流域的适用性。Grid为本发明提供的数据，ERA5是由欧盟资助、ECMWF运营的哥白尼气候变化服务开发的最新一代再分析资料。美国国家环境预报中心(NCEP)和国家大气中心(NCAR)20世纪90年代相继发起了“NCEP/NCAR(N/NReanalysis,简称NCEP1)”和“NCEP/DOE AMIP-II Reanalysis (Reanalysis-2,简称NECP2)”两大计划。在当今有关气候变化的研究中，NCEP2再分析资料被作为诊断资料进行一系列分析和研究。尤其在一些全球，区域气候变化的模拟和预测中，常以NCEP2再分析资料作为气候模式的初始场和驱动场资料。
本实施例中采用以下评估方法：
（1）流域面雨量
可以通过点雨量来计算，表示为：
式中，P是作为连续函数的点雨量，C是某一特定流域，A C为流域面积。
由于降水观测站的离散性，不可能获得完全连续的点雨量场P。实际计算是通过将上式离散化来完成的，即先将流域C划分为N个包含一个雨量观测的小区域，用第i个小区域上的点雨量P i 代表小区域的平均降水量，流域的面雨量则可用下式来近似计算：
（2）标准差
标准差在降水数据的评估中是最常使用的指标，可作为表征变量变化程度的统计量。标准差定义是各样本距平的算数平方根。它反映样本的平均变化程度，在本发明中用作能够反应降水变化程度的统计量。标准差公式如下：
式中，N为样本量。
（3）均方根误差
均方根误差（Root Mean Square Error，简称RMSE）是用来衡量观测值同真值之间的偏差。均方根误差公式如下：
式中，N为样本量。
（4）趋势计算方法
考虑到降水不同于气温等变量，可能会在部分区域变化幅度较大，因此本研究采用无参趋势估计方法（Theil-Sen趋势估计方法），趋势计算方法公式如下：
其中，Median表示中位数，∀表示穷举所有情况，N表示样本量，trend为所有任意两点斜率的中位数，即为Theil–Sen趋势。
（5）皮尔逊相关系数
采用了皮尔逊相关系数来描述两个变量的线性相关，用r来表示相关系数，其中，x和y为两组变量，r为相关系数，公式如下：
评价结果如下：
如图2所示，大渡河流域四套降水资料日均降水量的空间分布状况，从原始站点数据上可以发现大渡河流域日均降水在南部区域即3区和4区相对偏多，日均最大值可以达到7.1mm以上，而在中北部区域即1区和2区相对偏少，日均降水量最小值在2.9mm以下，整体上大渡河流域降水呈现出自北向南逐渐增加的趋势。ERA5降水资料在大渡河流域虽也能总体上表现出“北低南高”的降水趋势，但由于该套资料的分辨率仅为0.25°，因此在每个区域内的并不能完全展示实际降水的分布状况，尤其在1区、2区和4区内的降水量明显偏小，在3区内降水量比原始站点值又偏高；NCEP2数据同样由于空间分辨率（仅为2.5°）过低，不能完全展现出大渡河流域的降水实况，甚至不能完全覆盖流域范围。经过订正后的Grid数据，分辨率达到了0.1°，基本能完整的展示出大渡河流域的降水分布，总体上的降水分布和原始站点基本一致，同样呈现出北部多、南部少的分布状况，在每个区域内的降水分布和原始站点展示出的降水量基本吻合。
如图3所示，为进一步评估Grid、ERA5和NCEP2三套降水资料与原始站点数据具体差异情况，Grid、ERA5和NCEP2数据分别插值到原始站点后的日均降水量，并与原始站点数据进行对比。从各个分区来看，ERA5数据插值到站点后的降水量在3区和4区明显比原始站点数据偏小，而NCEP2数据插值到站点后的降水量在3区和4区明显比原始站点偏大；Grid数据与原始站点相比在3区和4区相较于ERA5和NCEP2数据明显更好。在1区内，Grid和ERA5插值后的降水量与原始站点数据比较接近，但ERA5数据在2区整体上偏高。此外，NCEP2插值后的数据在1区和2区均明显比原始数据偏高，多数站点日均降水都在5.18mm以上。综上，对于Grid数据而言，其插值到站点后的数据优于ERA5和NECP2数据，降水量量级与原始数据差距小，且整个区域内的降水量变化趋势与原始数据基本一致，在每个分区内的最大降水量和最小降水量与原始站点值相对接近。
如图4所示，为了进一步定量化站点数据与另外三套格点数据在各分区的接近程度，图4为大渡河流域全流域及不同区域的日均面雨量直方图。由图可知，Grid数据和原始站点数据最为接近。在四个区域内Grid数据的日均面雨量均比原始站点偏高，这可能是由于站点分布较为稀疏，导致Grid数据中包含相对多的ERA5数据信息。同时，ERA5数据则在1区—3区内日均面雨量同样比原始站点偏高，但是在南4区表现相反，明显比原始站点低；NCEP2数据在各个区域都比原始站点偏高。从单独每个区域内来看，在1区内，Grid、ERA5、NCEP2面雨量呈逐渐增大，其中Grid数据与原始站点数据最接近，NCEP2数据则差距最大。2区内与原始站点差距最大的为ERA5，但由于融合数据加入了站点信息，Grid数据与站点相比比ERA5更为接近。在3区内，ERA5数据得出的日均面雨量数值最低，且与站点最为接近，但从面雨量空间分布来看，ERA5面雨量在3区为“西少东多”，而实际站点为“西多东少”，因此Grid站点在3区与原始站点更为接近。在4区内，从图可知Grid数据与原始数据更接近。
如图5所示，以原始站点降水数据为基准，评估Grid、ERA5和NCEP2三套数据对大渡河流域降水的误差情况，三套数据日降水量的均方根误差（RMSE）结果显示：Grid数据与站点数据的误差最小。从各个分区来看，在1区和2区内，Grid数据绝大部分RMSE值很小，误差值在2.6以下；ERA5和NCEP2数据误差约在8.9—12.5之间，部分站点误差更高。在3区和4区内，Grid数据依然表现最好，很多站点的误差值都在2.6以下，ERA5和NCEP2数据的表现远弱于Grid数据，其绝大部分站点数据的误差值都在8.9—12.5之间，甚至部分站点误差值超过22以上。综上，从三套数据的RMSE来看，Grid数据的误差要明显小于ERA5和NCEP2数据，因此从误差角度来看Grid数据能更好的反应大渡河流域的实际降水情况。
如图6所示，若从1-4区的RMSE区域平均来看，Grid的优势更加明显。1区、2区和4区内Grid数据误差远低于其余两套数据。在3区内，Grid数据的误差虽有所增加，但相对于ERA5和NCEP2数据误差而言依然较小。因此在大渡河流域Grid降水资料的准确性更高。
如图7所示，标准差能够反映变量的平均变化程度。一个较大的标准差，代表变量变化幅度较大；一个较小的标准差，代表变化幅度较小。四套降水数据在大渡河流域的标准差空间分布情况的计算结果显示：首先从原始站点数据来看，位于北部区域的1区和2区绝大部分站点标准差在4.5以下，而位于南部区域的3区和4区标准差相对较高，部分站点标准差在10以上。这说明3区—4区降水的变化程度比1区—2区的变化程度大。将Grid、ERA5和NCEP2降水数据的标准差与原始站点数据进行对比，可以发现，Grid数据的标准差空间分布特征明显与原始站点数据更为接近，即在1区和2区内，Grid数据在标准差也基本均在4.5以下，在3区和4区内，标准差也较为接近，这说明各分区标准差与原始站点数据在不同分区内的标准差分布状况基本一致。ERA5数据在3区和4区内的标准差明显低于Grid数据，大部分在7.5以下，但部分区域标准差又较大。对于NCEP2数据而言，由于分辨率较低，并不能完全展示不同分区内的降水标准差，其中更多的降水细节被忽略。综上，从各套数据的标准差来看，Grid数据与原始站点数据最为接近，因此Grid数据优于ERA5和NCEP2数据。
如图8所示，若将Grid、ERA5和NCEP2数据的标准差插值到各站点上，计算结果显示，Grid数据在各站点上的标准差与原始站点数据的标准差基本一致，即“北部低、南部高”，北部的降水量变化较小，南部的降水量变化较大。从ERA5和NCEP2数据在各站点上的标准差来看，两者在整个大渡河流域的标准差均比较低，与原始站点数据的标准差存在较大差距，EAR5和NCEP2数据对大渡河流域的降水表现不如高分辨率的Grid数据。这也进一步说明了Grid数据与原始站点数据最为接近，Grid数据优于ERA5和NCEP2数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多源气象数据融合处理方法，其特征是，包括以下步骤：
S101：获取第一空间分辨率的日降水量待校正G源数据以及日降水量观测S源数据；
S102：将所述第一空间分辨率的日降水量待校正G源数据通过空间插值法处理后得到日降水量待校正S源数据，以及通过三次样条插值法处理后得到第二空间分辨率的日降水量待校正G源数据；
S103：将所述日降水量观测S源数据与所述日降水量待校正S源数据计算差值后得到校正S源参数；
S104：将所述校正S源参数通过三次样条插值法处理后得到第二空间分辨率的校正G源参数；
S105：将所述第二空间分辨率的日降水量待校正G源数据与所述第二空间分辨率的校正G源参数计算和值后得到第二空间分辨率的日降水量G源数据；
S106：通过反距离权重法对第二空间分辨率的日降水量G源数据进行边界修正，并依据初始数据对边界修正后的第二空间分辨率的日降水量G源数据进行校正，得到校正融合数据。
2.根据权利要求1所述的一种多源气象数据融合处理方法，其特征是，所述第一空间分辨率的日降水量待校正G源数据以及所述日降水量观测S源数据的获取过程具体为：
获取原始站点数据和ERA5再分析数据；
将所述原始站点数据、所述ERA5再分析数据融合处理后得到所述第一空间分辨率的日降水量待校正G源数据；
以及，对所述原始站点数据进行时间序列划分后得到所述日降水量观测S源数据。
3.根据权利要求1所述的一种多源气象数据融合处理方法，其特征是，所述第一空间分辨率大于所述第二空间分辨率。
4.根据权利要求3所述的一种多源气象数据融合处理方法，其特征是，所述第一空间分辨率为0.25°，所述第二空间分辨率为0.1°。
5.根据权利要求1所述的一种多源气象数据融合处理方法，其特征是，所述第一空间分辨率的日降水量待校正G源数据通过三次样条插值法处理后得到所述第二空间分辨率的日降水量待校正G源数据的具体过程为：
从所述第一空间分辨率的日降水量待校正G源数据选取插值区间[a,b],并在插值区间[a,b]中等间距的输入n个插值节点a = x 1< x 2 < x 3 <……< x n = b；
将n个插值节点输入三次样条插值函数后计算得到对应的三次样条插值，三次样条插值函数为三次多项式，且插值节点的左右两个子区域的数值、一阶导、二阶导分别相等。
6.根据权利要求1所述的一种多源气象数据融合处理方法，其特征是，通过所述反距离权重法对第二空间分辨率的日降水量G源数据进行边界修正的具体计算公式如下：
其中，Z表示所要估计点的气象要素，Zi表示气象要素在第i个站点的值，di为插值节点到第i站点的距离，n表示用于插值的格点的数目，a表示反比例系数。
7.根据权利要求1所述的一种多源气象数据融合处理方法，其特征是，所述初始数据包括原始站点数据、TRMM数据和地理信息数据。
8.一种多源气象数据融合处理系统，其特征是，包括：
数据采集模块，用于获取第一空间分辨率的日降水量待校正G源数据以及日降水量观测S源数据；
第一数据处理模块，用于将所述第一空间分辨率的日降水量待校正G源数据通过空间插值法处理后得到日降水量待校正S源数据，以及通过三次样条插值法处理后得到第二空间分辨率的日降水量待校正G源数据；
差值计算模块，用于将所述日降水量观测S源数据与所述日降水量待校正S源数据计算差值后得到校正S源参数；
第二数据处理模块，用于将所述校正S源参数通过三次样条插值法处理后得到第二空间分辨率的校正G源参数；
和值计算模块，用于将所述第二空间分辨率的日降水量待校正G源数据与所述第二空间分辨率的校正G源参数计算和值后得到第二空间分辨率的日降水量G源数据；
数据融合模块，用于通过反距离权重法对第二空间分辨率的日降水量G源数据进行边界修正，并依据初始数据对边界修正后的第二空间分辨率的日降水量G源数据进行校正，得到校正融合数据。
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种多源气象数据融合处理方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种多源气象数据融合处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110045806.2A CN112381337B (zh) | 2021-01-14 | 2021-01-14 | 一种多源气象数据融合处理方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110045806.2A CN112381337B (zh) | 2021-01-14 | 2021-01-14 | 一种多源气象数据融合处理方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381337A true CN112381337A (zh) | 2021-02-19 |
| CN112381337B CN112381337B (zh) | 2021-04-23 |
Family
ID=74590181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110045806.2A Active CN112381337B (zh) | 2021-01-14 | 2021-01-14 | 一种多源气象数据融合处理方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381337B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116049341A (zh) * | 2023-03-08 | 2023-05-02 | 北京七兆科技有限公司 | 一种水文数据标准化方法、装置、设备及存储介质 |
| 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 |
| CN117290675A (zh) * | 2023-11-27 | 2023-12-26 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
Citations (8)
| 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 |
| KR101512015B1 (ko) * | 2013-10-07 | 2015-04-14 | 부경대학교 산학협력단 | 기상 레이더 자료를 이용한 대류성 강우를 예측하는 방법 |
| 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 |
| CN110543971A (zh) * | 2019-08-02 | 2019-12-06 | 河海大学 | 一种卫星降雨与实测降雨误差分区融合校正的方法 |
| 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 |
| CN111078678A (zh) * | 2019-12-18 | 2020-04-28 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
| US20200241171A1 (en) * | 2016-05-12 | 2020-07-30 | The Climate Corporation | Statistical blending of weather data sets |
| CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
-
2021
- 2021-01-14 CN CN202110045806.2A patent/CN112381337B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101512015B1 (ko) * | 2013-10-07 | 2015-04-14 | 부경대학교 산학협력단 | 기상 레이더 자료를 이용한 대류성 강우를 예측하는 방법 |
| 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 |
| US20200241171A1 (en) * | 2016-05-12 | 2020-07-30 | The Climate Corporation | Statistical blending of weather data sets |
| 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 |
| CN110543971A (zh) * | 2019-08-02 | 2019-12-06 | 河海大学 | 一种卫星降雨与实测降雨误差分区融合校正的方法 |
| 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 |
| CN111078678A (zh) * | 2019-12-18 | 2020-04-28 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
| CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
Non-Patent Citations (5)
| Title |
|---|
| QUANLIANG CHEN ET AL.: "Main Detrainment Height of Deep Convection Systems over the Tibetan Plateau and Its Southern Slope", 《ADVANCES IN ATMOSPHERIC SCIENCE》 * |
| YEONSANG HWANG ET AL.: "Spatial interpolation schemes of daily precipitation for hydrologic modeling", 《STOCHASTIC ENVIRONMENTAL RESEARCH AND RISK ASSESSMENT》 * |
| 冯克鹏 等: "多源降水数据的小流域水文模拟效用评估", 《干旱区地理》 * |
| 常娜 等: "四川地区强降水时空特征分析", 《地理科学研究》 * |
| 解恒燕 等: "降水量空间插值方法在小样板区域的比较研究", 《水土保持研究》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116049341A (zh) * | 2023-03-08 | 2023-05-02 | 北京七兆科技有限公司 | 一种水文数据标准化方法、装置、设备及存储介质 |
| CN116049341B (zh) * | 2023-03-08 | 2023-08-15 | 北京七兆科技有限公司 | 一种水文数据标准化方法、装置、设备及存储介质 |
| 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 |
| 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 |
| CN117290675A (zh) * | 2023-11-27 | 2023-12-26 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
| CN117290675B (zh) * | 2023-11-27 | 2024-02-27 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381337B (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381337B (zh) | 一种多源气象数据融合处理方法、系统、终端及介质 | |
| Bhuiyan et al. | A nonparametric statistical technique for combining global precipitation datasets: Development and hydrological evaluation over the Iberian Peninsula | |
| CN109344865B (zh) | 一种多数据源的数据融合方法 | |
| CN112800636B (zh) | 一种估算无资料地区流域地表水资源量的方法及系统 | |
| CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
| CN111898660B (zh) | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 | |
| CN107563554B (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
| CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
| CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| JP2010060443A (ja) | 気象予測装置、方法及びプログラム | |
| CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
| KR101856042B1 (ko) | 혼합분포형을 이용한 지구 기후 모델의 극치 강수자료의 오차 보정방법 | |
| CN111292214B (zh) | 一种计算高精度中国近海海浪特征分布的方法 | |
| CN111611541B (zh) | 基于Copula函数的无资料地区降水数据推求方法及系统 | |
| Chen et al. | Postprocessing of ensemble weather forecasts using a stochastic weather generator | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| CN109033181B (zh) | 一种复杂地形地区风场地理数值模拟方法 | |
| CN113392365A (zh) | 一种高分辨率气象网格数据的生成方法及系统 | |
| KR20140004915A (ko) | 다중모델 확률예측 시스템 및 방법 | |
| CN111008355B (zh) | 一种基于信任传播的气象地面要素插值方法 | |
| CN117273200A (zh) | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 | |
| Gascon et al. | Influence of rainfall space-time variability over the Ouémé basin in Benin | |
| CN113568067B (zh) | 数值天气预报方法、装置、计算机存储介质及电子设备 | |
| CN114239274A (zh) | 多源遥感数据驱动指数滤波模型推求根层土壤水的方法 | |
| CN114324410A (zh) | 一种多地形的微波遥感土壤湿度降尺度方法 |
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.7, Tianyun Road, high tech Zone, Chengdu, Sichuan 610041 Applicant after: Guoneng Daduhe Big Data Service Co.,Ltd. Address before: No.7 Tianyun Road, high tech Zone, Chengdu, Sichuan 610000 Applicant before: Sichuan Dahui Big Data Service Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |