CN112699951A - 降水数据融合方法、装置、终端设备及可读存储介质 - Google Patents

降水数据融合方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN112699951A
CN112699951A CN202110013525.9A CN202110013525A CN112699951A CN 112699951 A CN112699951 A CN 112699951A CN 202110013525 A CN202110013525 A CN 202110013525A CN 112699951 A CN112699951 A CN 112699951A
Authority
CN
China
Prior art keywords
precipitation
data
predicted
point
correction
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
CN202110013525.9A
Other languages
English (en)
Other versions
CN112699951B (zh
Inventor
卢新玉
王秀琴
刘艳
李建刚
王小军
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.)
INSTITUTE OF DESERT METEOROLOGY CMA URUMQI
Original Assignee
INSTITUTE OF DESERT METEOROLOGY CMA URUMQI
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 INSTITUTE OF DESERT METEOROLOGY CMA URUMQI filed Critical INSTITUTE OF DESERT METEOROLOGY CMA URUMQI
Priority to CN202110013525.9A priority Critical patent/CN112699951B/zh
Publication of CN112699951A publication Critical patent/CN112699951A/zh
Application granted granted Critical
Publication of CN112699951B publication Critical patent/CN112699951B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于气象技术领域，提供了一种降水数据融合方法、装置、终端设备及可读存储介质。所述方法包括：获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据；采用面‑点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据；根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据；采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据。本申请提供的方法能够提高降水数据融合的精度。

Description

降水数据融合方法、装置、终端设备及可读存储介质
技术领域
本申请属于气象技术领域，尤其涉及一种降水数据融合方法、装置、终端设备及可读存储介质。
背景技术
研发高时空分辨率、高质量的降水资料是现代化气象业务发展的迫切需要。卫星遥感能够进行大范围空间连续探测，但由于卫星遥感探测的数据进行降水反演时在物理原理和算法方面存在局限性，因此，卫星降水产品存在精度不高的问题。
为了提高卫星降水产品的精度，许多研究致力于发展卫星降水与地面观测实况的融合方法，包括客观统计分析、条件融合、双核平滑和地理差异分析等方法。虽然以上融合方法在一定程度上提高了降水估测的精确度，但是卫星降水数据为格点降水数据，以TRMM(Tropical Rainfall Measuring Mission，热带降雨测量卫星)数据为例，一个格点代表25km×25km网格内的平均降水量，而地面观测降水数据是通过雨量计观测得到的单点数据，与雨量计的布置相关，导致得到的融合数据依然存在很大的误差。
发明内容
本申请提供一种降水数据融合方法、装置、终端设备及可读存储介质，可以解决传统技术中融合数据误差大的问题。
第一方面，本申请实施例提供了一种降水数据的融合方法，包括：
获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据；
采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据；
根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据；
采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据。
在其中一个实施方式中，所述探测区域包括多个网格，所述格点降水数据包括每个所述网格的中心对应的格点降水量；
所述采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据，包括：
将每个所述网格所在的面离散化，得到多个预测点；
对于每个所述预测点，确定该预测点周围预设范围内的多个网格；
对所述预设范围内多个网格的格点降水量进行加权求和，得到该预测点的预测降水量；
将所述多个预测点的预测降水量确定为所述降尺度数据。
在其中一个实施方式中，所述对所述预设范围内多个网格的格点降水量进行加权求和，得到该预测点的预测降水量，包括：
根据公式(1)、(2)、(3)和(4)得到该预测点的预测降水量：
Figure BDA0002885859030000021
Figure BDA0002885859030000022
Figure BDA0002885859030000023
Figure BDA0002885859030000024
其中，x表示该预测点，
Figure BDA0002885859030000025
表示该预测点x的预测降水量，n表示该预测点x周围预设范围内的网格数量，vi表示该预测点x周围预设范围内的第i个网格，vj表示该预测点周围预设范围内的第j个网格，
Figure BDA0002885859030000031
表示vi对应的格点降水量，Wi表示vi对应的格点降水量的权重系数，C(vi,vj)表示vi的格点降水量与vj的格点降水量的协方差，μx表示拉格朗日算子，C(vi,x)表示vi的格点降水量与该预测点x的预测降水量的协方差，N(vi)表示vi中包含的预测点数量，C(sk,sl)表示vi中第k个预测点sk的预测降水量与vj中第l个预测点sl的预测降水量的协方差，C(sk,x)表示vi中第k个预测点sk的预测降水量与该预测点x的预测降水量的协方差。
在其中一个实施方式中，所述获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据，包括：
获取每个所述网格在所述预设时间尺度上的原始格点数据，以及获取所述预设时间尺度上的原始地面数据；
去除所述原始格点数据中的缺测数据，得到所述格点降水数据；
去除所述原始地面数据中的缺测数据，得到所述地面观测降水数据。
在其中一个实施方式中，所述地面观测降水数据包括多个地面降水量，所述根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据，包括：
从所述降尺度数据中筛选出与所述地面观测降水数据中每个地面降水量分别时空匹配的预测降水量，得到有效格点数据，其中，所述时空匹配是指在时间维度和空间维度均匹配；
对于所述有效格点数据中的每个预测降水量，根据该预测降水量的时间值和空间值分别确定第一预设时间窗和第一预设空间窗，将所述有效格点数据中位于所述第一预设时间窗和所述第一预设空间窗内的预测降水量确定为该预测降水量对应的样本格点数据，根据所述样本格点数据计算该预测降水量的第一累积概率密度；
从所述地面观测降水数据中筛选出与所述样本格点数据中每个预测降水量分别时空匹配的地面降水量，得到该预测降水量对应的样本地面数据，并根据所述样本地面数据计算该预测降水量的第二累积概率密度；
根据该预测降水量的第一累积概率密度和第二累积概率密度，得到该预测降水量的校正值；
根据该预测降水量的校正值对该预测降水量进行校正，得到该预测降水量对应的校正降水量；
将所述有效格点数据包括的多个预测降水量分别对应的校正降水量确定为所述校正数据。
在其中一个实施方式中，所述采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据，包括：
对于所述校正数据中的每个校正降水量，根据该校正降水量的时间值和空间值确定第二预设时间窗和第二预设空间窗，将所述校正数据中位于所述第二预设时间窗和所述第二预设空间窗内的校正降水量确定为该校正降水量对应的样本校正数据；
从所述地面观测降水数据中筛选出与所述样本校正数据中每个校正降水量分别时空匹配的地面降水量；
计算所述样本校正数据中每个校正降水量与对应的地面降水量的差值；
对所述样本校正数据中每个校正降水量分别对应的差值进行加权求和，得到该校正降水量的偏差估计值；
根据该校正降水量的偏差估计值和该校正降水量，得到该校正降水量对应的融合降水量；
将所述校正数据包括的多个校正降水量分别对应的融合降水量确定为所述融合降水数据。
在其中一个实施方式中，所述方法还包括：
获取地面观测验证数据；
根据所述地面观测验证数据对所述融合降水数据进行验证。
第二方面，本申请实施例提供了一种降水数据的融合装置，包括：
获取模块，用于获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据；
降尺度模块，用于采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据；
校正模块，用于根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据；
融合模块，用于采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述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实现上述第一方面中任一项所述的降水数据的融合方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的降水数据的融合方法。
本申请提供的降水数据融合方法、装置、终端设备及可读存储介质，通过获取格点降水数据和地面观测降水数据，采用面-点克里金插值法对格点降水数据进行空间降尺度，得到降尺度数据；根据地面观测降水数据对降尺度数据进行校正，得到校正数据；采用最优插值算法对校正数据和地面观测降水数据进行融合，得到融合降水数据。面-点克里金插值法为地统计方法，考虑了面尺度数据的形状和大小，并且考虑数据之间的空间相互关系，同时给出降尺度后的精度估计，不仅能够实现日、月、年等尺度上降水数据的降尺度，而且能够实现小时尺度上降水数据的降尺度，填补了相关技术中此方面的空白。同时，通过面-点克里金插值法对格点降水数据进行降尺度后再进一步与地面观测降水数据进行融合，减小了两种数据在融合时的尺度差异，从而使得得到的融合降水数据精度更高。另外，本实施例提供的降水数据融合方法、装置、终端设备及可读存储介质，通过地面观测降水数据先对降尺度数据进行校正，再对校正数据进行插值，实现数据融合，两步校正方法进一步提高融合降水数据的精度。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请一实施例提供的降水数据融合方法所适用于的终端设备的结构示意图；
图2是本申请一实施例提供的降水数据融合方法的流程示意图；
图3是本申请一实施例提供的ATPK插值法的原理示意图；
图4是本申请一实施例提供的根据地面观测降水数据，采用概率密度函数对降尺度数据进行校正，得到校正数据的示意性流程图；
图5是本申请一实施例提供的采用最优插值算法根据校正数据和地面观测降水数据得到探测区域在预设时间尺度上的融合降水数据的示意性流程图；
图6是本申请一实例提供的降水数据融合过程中数据精度对比示意图；
图7是本申请一实施例提供的地面观测降水数据以及降水数据融合过程中各类数据的对比图；
图8是本申请一实施例提供的降水数据融合装置的结构示意图。
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，此处所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。
可以理解，本申请实施例中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
可以理解，本申请所使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
卫星反演降水数据主要为格点降水数据，存在空间分辨率不高和精度较低两个问题。针对空间分辨率不高的问题，由于格点降水数据中一个网格的尺度较大，空间分辨率较低，需要进行降尺度处理。传统技术中，主要通过建立低分辨率的格点降水数据与高空间分辨率的地形、植被等环境数据之间的统计模型，通过统计模型实现对格点降水数据的降尺度。然而，研究发现，降水与地形、植被等环境变量在月及年尺度上有着较显著的统计关系，但在日以及小时尺度上，二者并没有明显的相关关系。因此，在已有的卫星降水降尺度研究中，基本上都是在月及年尺度上开展的，而应用于小时的格点降水的降尺度方法尚不多见。然而，在水文陆面模拟、天气预报以及山洪地质灾害监测等应用中，均需要小时降水的降尺度数据。因而，研究一种能够在小时尺度上实现降水数据降尺度的方法非常必要。
针对格点降水数据精度较低的问题，传统技术中针对格点降水数据与地面观测降水数据的融合方法，格点降水数据与地面观测降水数据存在内在尺度差异，给数据融合带来很大误差。针对这一问题，一些研究试图通过将粗网格单元对应的多个雨量计取平均来解决尺度不匹配的问题，然而，这种方法仅适用于某些特定的高密度雨量计观测网，对于雨量计布局密度较低的地区，仍然无法解决融合数据误差大的问题。
针对上述问题，本申请实施例提供一种降水数据的融合方法。下面将结合附图，对本申请中的技术方案进行详细描述。需要说明，在不冲突的情况下，本申请中不同的技术特征之间可以相互结合。
本申请实施例提供的降水数据的融合方法，可以应用于终端设备。示例性的，图1为本申请一实施例提供的终端设备的结构示意图。如图1所示，终端设备1可以包括：处理器10、存储器11以及存储在存储器11中并可在处理器10上运行的计算机程序12，处理器10执行计算机程序12时可以实现本申请实施例提供的降水数据的融合方法。其中，本申请实施例对处理器10、存储器11的数量和类型不做限定。
其中，本申请实施例对终端设备1的类型不做限定。例如，可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
图2示出了本申请提供的降水数据的融合方法的示意性流程图。如图2所示，本实施例提供的降水数据的融合方法，可以包括：
S201、获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据。
具体的，探测区域根据具体使用需求确定。预设时间尺度可以为小时尺度，可以为日尺度，也可以为月尺度等。格点降水数据为卫星反演降水数据，格点降水数据通过网格中的点的降水数据表征网格范围内的降水量。可选的，格点降水数据可以为TRMM数据，也可以为GPM(Global Precipitation Measurement，全球降水量测量)数据等。格点降水数据中每个格点降水量表征一个网格在预设时间尺度上的降水量。网格的具体尺寸与具体的卫星遥感数据相关。例如，从GPM的IMERG数据中获取探测区域每1小时的格点降水量，则每个格点降水量表征10km×10km的网格在1小时内的降水量。
地面观测降水数据是指通过地面气象站的雨量监测设备观测到的降水量。雨量监测设备例如可以为雨量计。地面观测降水数据包括多个地面降水量，每个地面降水量表征观测站观测到的一个位置在一个小时内的降水量。
S202、采用面-点克里金(Area-to-point Kriging，ATPK)插值法对格点降水数据进行空间降尺度，得到降尺度数据。
ATPK插值法的原理是用已知面对未知点进行插值，未知点的预测值为其所在面以及附近面数据的线性加权和。ATPK插值法在进行降尺度时，考虑了面尺度数据的形状和大小，并且考虑数据之间的空间相互关系，同时给出降尺度后的精度估计。此外，ATPK插值法是在充分保留原始数据信息基础上进行插值降尺度的方法，具有保质性，即通过ATPK插值法插值降尺度到某任意已知面内的所有点值的平均，等于该已知面原有的值。ATPK插值法的引入，使格点降水数据的空间分辨率在不损失原有信息的基础上得到了提升，既达到了降尺度的目的，又保证了格点降水数据与地面观测降水数据之间更好的空间匹配，从而为进一步两种降水数据的融合处理奠定良好的数据基础。
示例性的，图3示出了一个实施例中ATPK插值法的原理示意图。具体的，图中采用ATPK插值法将尺寸为10km×10km网格的格点降水数据降尺度至1km×1km网格的降尺度数据，降尺度数据与地面观测降水数据具有更加一致的匹配性。
S203、根据地面观测降水数据对降尺度数据进行校正，得到校正数据。
根据统计特征，测量误差可以分为两种，一种是系统误差，另一种是随机误差。随机误差是观测资料中普遍存在的，统计中，随机误差分布常被假设为正态分布，均值为零。在气候平均处理时，随机误差的最终影响基本为零。不同于随机误差，系统误差的均值不为零。因此，在气候平均处理时，数据资料会出现与实际状况明显的偏差。且在时间序列或空间分布上系统误差不一致时，会导致数据资料的不均一，影响气候变化的研究结果。
系统误差包括区域独立的误差和非独立误差。区域独立的误差是指整个气象资料场的误差是一个常数，不随区域变化或观测值大小变化而变化。区域独立的误差的校正方法相对简单，可以通过对整个气象场数据减去相同的常数来消除，而不用考虑观测值的相对大小。然而，气象资料场中更普遍的误差是非独立误差，即误差随着资料数据值大小的变化而变化。非独立误差需要更复杂的方法来校正。
本实施例中，对降尺度数据的校正可以为系统误差校正，也可以为随机误差校正，可以为区域独立的误差校正，也可以为非独立误差校正，还可以是对多种误差的同时校正。且本申请实施例对于误差校正的具体方法不做任何限定，可以根据实际需求选择。通过地面观测降水数据对降尺度数据进行校正，消除了降尺度数据的误差，提高了降尺度数据的精确度，从而使得后续根据降尺度数据融合得到的融合降水数据更加精确。
S204、采用最优插值(Optimum Interpolation，OI)算法根据校正数据和地面观测降水数据得到探测区域在预设时间尺度上的融合降水数据。
具体的，采用OI算法进行数据融合，OI的权重函数不仅包括距离变量，还包括不同观测数据间的误差变量，既考虑了各种观测数据的误差的自相关关系，又考虑了不同观测数据间误差的相关关系。同时，OI算法只在分析点一定范围内求解最优值，应用于降水量这种时空变率较大的单要素的分析，准确率更高。
本实施例中，通过获取格点降水数据和地面观测降水数据，采用ATPK插值法对格点降水数据进行空间降尺度，得到降尺度数据；根据地面观测降水数据对降尺度数据进行校正，得到校正数据；采用OI算法对校正数据和地面观测降水数据进行融合，得到融合降水数据。ATPK插值法为地统计方法，考虑了面尺度数据的形状和大小，并且考虑数据之间的空间相互关系，同时给出降尺度后的精度估计，不仅能够实现日、月、年等尺度上降水数据的降尺度，而且能够实现小时尺度上降水数据的降尺度，填补了相关技术中此方面的空白。同时，通过ATPK插值法对格点降水数据进行降尺度后再进一步与地面观测降水数据进行融合，减小了两种数据在融合时的尺度差异，从而使得得到的融合降水数据精度更高。另外，本实施例提供的方法通过地面观测降水数据先对降尺度数据进行校正，再对校正数据进行插值，实现数据融合，两步校正方法进一步提高融合降水数据的精度。
在一个实施例中，在进行数据处理之前，首先对原始数据进行预处理，得到上述格点降水数据和地面观测降水数据。即，步骤S201、获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据具体包括：
获取每个网格在预设时间尺度上的原始格点数据，以及获取预设时间尺度上的原始地面数据；去除原始格点数据中的缺测数据，得到格点降水数据；去除原始地面数据中的缺测数据，得到地面观测降水数据。
具体的，原始格点数据是指未经过处理的卫星反演降水数据，原始地面数据为未经过处理的地面气象站观测得到的降水数据。数据缺测是指由于环境干扰，或者设备故障等原因造成的数据中断或异常。可以理解，当数据缺测时，采集设备通过预设的数据信号表征缺测，即，数据缺测时，采集设备得到相应的缺测数据。去除原始格点数据和原始地面数据中的缺测数据，使得后续进行降尺度、数据校正和数据融合处理时的数据更加准确，从而进一步提高降水融合数据的精度。
为了便于说明，以下实施例中，将降尺度后多个预测点定义形成的网格定义为降尺度网格。相对而言，降尺度之前的网格为低空间分辨率网格，降尺度后的网格为高空间分辨率网格。
在一个实施例中，S202、采用ATPK插值法对格点降水数据进行空间降尺度，得到降尺度数据，具体包括：
将每个网格所在的面离散化，得到多个预测点；对于每个预测点，确定的该预测点周围预设范围内的多个网格；对预设范围内多个网格的格点降水量进行加权求和，得到该预测点的预测降水量；将多个预测点的预测降水量确定为降尺度数据。
具体的，参见图3，每个网格中心作为已知点，对应一个格点降水量，该格点降水量表征该网格定义的面的降水量，则该网格定义的面作为已知面。每个网格定义的面经过离散化后，生成多个预测点，即未知点。进一步利用已知面对未知点进行插值，得到每个预测点的预测降水量。所有网格的预测点的预测降水量组成上述降尺度数据。
具体的，预测点的预测降水量可以通过以下公式确定：
Figure BDA0002885859030000111
其中，HR表示high resolution，高分辨率；LR表示low resolution，低分辨率；x表示该预测点，x对应的网格为高空间分辨率网格；
Figure BDA0002885859030000121
表示预测点x的预测降水量；n表示预测点x周围预设范围内的网格数量；vi表示预测点x周围预设范围内的第i个网格，vi为低空间分辨率网格；
Figure BDA0002885859030000122
表示vi对应的格点降水量，Wi表示vi对应的格点降水量的权重系数。
Wi由预测降水量的最小化误差方差决定，具体的，可以通过公式(2)计算得到：
Figure BDA0002885859030000123
其中，vj表示该预测点周围预设范围内的第j个网格，vj为低空间分辨率网格；C(vi,vj)表示vi的格点降水量与vj的格点降水量的协方差；μx表示拉格朗日算子，用于控制权重系数Wi的单元和；C(vi,x)表示vi的格点降水量与预测点x的预测降水量的协方差。
C(vi,vj)由公式(3)计算得到，C(vi,x)由公式(4)计算得到：
Figure BDA0002885859030000124
Figure BDA0002885859030000125
其中，N(vi)表示vi中包含的预测点数量，即低空间分辨率网格vi中包含的高空间分辨率网格数量；C(sk,sl)表示vi中第k个预测点sk的预测降水量与vj中第l个预测点sl的预测降水量的协方差，C(sk,x)表示vi中第k个预测点sk的预测降水量与预测点x的预测降水量的协方差。
本实施例中，采用ATPK插值法进行降尺度时，不仅考虑了面尺度数据的形状和大小，并且考虑了数据之间的空间相互关系，预测得到的初估降水精确度高，且能够实现多种尺度的降水数据的降尺度，适用性强。
图4示出了本申请一个实施例中，根据地面观测降水数据，采用概率密度函数(Probability density function，PDF)对降尺度数据进行校正，得到校正数据的示意性流程图。如图4所示，S203包括：
S401、从降尺度数据中筛选出与地面观测降水数据中每个地面降水量分别时空匹配的预测降水量，得到有效格点数据，其中，时空匹配是指在时间维度和空间维度均匹配。
降尺度网格中，存在时空匹配的地面降水量的网格为有效降尺度网格，有效降尺度网格对应的预测降水量的集合即为上述有效格点数据。换言之，有效格点数据是指降尺度数据中，存在时空匹配的地面降水量的预测降水量的集合。
S402、对于有效格点数据中的每个预测降水量，根据该预测降水量的时间值和空间值分别确定第一预设时间窗和第一预设空间窗，将有效格点数据中位于第一预设时间窗和第一预设空间窗内的预测降水量确定为该预测降水量对应的样本格点数据，根据样本格点数据计算该预测降水量的第一累积概率密度。
也就是说，有效格点数据中的每个预测降水量均能计算出一个对应的第一累积概率密度。具体的，将需要计算第一累积概率密度的预测降水量作为目标预测降水量，将目标预测降水量所在降尺度网格作为目标网格。目标网格周围第一预设时间窗和第一预设空间窗内的降尺度网格为样本网格，采集所有样本网格对应的预测降水量得到样本格点数据。根据样格点数据计算目标预测降水量的累积概率密度，得到第一累积概率密度。
具体的，第一预设时间窗根据目标预测降水量的时间值确定，例如，可以为：以目标预测降水量的时间值为起点，将该时间值之前的6小时确定为第一预设时间窗。类似的，第一预设空间窗根据目标预测降水量的空间值确定。根据第一预设时间窗和第一预设空间窗，即可筛选出处于时间窗内的多个预测降水量，从而得到样本格点数据。
S403、从地面观测降水数据中筛选出与样本格点数据中每个预测降水量分别时空匹配的地面降水量，得到该预测降水量对应的样本地面数据，并根据样本地面数据计算该预测降水量的第二累积概率密度。
样本地面数据中的地面降水量与样本格点数据中的预测降水量分别时空匹配。根据样本地面数据计算第二累积概率密度。第二累积概率密度的具体计算方法同第一概率密度的计算方法。
S404、根据该预测降水量的第一累积概率密度和第二累积概率密度，得到该预测降水量的校正值。
S405、根据该预测降水量的校正值对该预测降水量进行校正，得到该预测降水量对应的校正降水量。
示例性的，假设校正降水量为Rg，预测降水量为Rs，校正值为Δr，则：Rg＝Rs+Δr。
S406、将有效格点数据包括的多个预测降水量分别对应的校正降水量确定为校正数据。
即：所有有效格点数据中的预测降水量确定出的校正降水量的集合即为校正数据。
本实施例中，采用PDF算法，通过地面观测降水数据的概率密度标定降尺度数据的概率密度，使得校正后的降尺度数据的概率密度值与地面观测降水数据的概率密度值相匹配，从而达到去除卫星反演降水数据非独立系统误差的目的，提高后续数据融合的准确度。
图5示出了本申请一个实施例中，采用最优插值算法根据校正数据和地面观测降水数据得到探测区域在预设时间尺度上的融合降水数据的示意性流程图。如图5所示，S204包括：
对于所述校正数据中的每个校正降水量，根据该校正降水量的时间值和空间值确定第二预设时间窗和第二预设空间窗，将所述校正数据中位于所述第二预设时间窗和所述第二预设空间窗内的校正降水量确定为该校正降水量对应的样本校正数据；
S501、对于校正数据中的每个校正降水量，根据该校正降水量的时间值和空间值确定第二预设时间窗和第二预设空间窗，将校正数据中位于第二预设时间窗和第二预设空间窗内的校正降水量确定为该校正降水量对应的样本校正数据。
S502、从地面观测降水数据中筛选出与样本校正数据中每个校正降水量分别时空匹配的地面降水量。
S503、计算样本校正数据中每个校正降水量与对应的地面降水量的差值。
S504、对样本校正数据中每个校正降水量分别对应的差值进行加权求和，得到该校正降水量的偏差估计值。
S505、根据该校正降水量的偏差估计值和该校正降水量，得到该校正降水量对应的融合降水量。
S506、将校正数据包括的多个校正降水量分别对应的融合降水量确定为融合降水数据。
第二预设时间窗和第二预设空间窗的确定方法与上述实施例中第一预设时间窗和第一预设空间窗的确定方法类似，相应的，样本校正数据的确定方法与样本格点数据的确定方法类似，在此不再赘述。
本实施例中，以校正数据作为初估场，以地面观测降水数据作为实况观测，对初估场中每个降尺度网格中的校正降水量进行偏差校正，得到该降尺度网格对应的降水分析值，即融合降水量。
可选的，融合降水量可以通过公式(5)计算得到：
Figure BDA0002885859030000151
公式(5)中，k表示校正数据中当前正在融合的数据对应的格点，下称目标格点；Ak表示格点k的融合降水量，下称目标格点融合降水；i表示校正样本数据中的第i个校正降水量对应的格点；n表示样本校正数据中的校正降水量的数量；Oi表示校正样本数据中的第i个校正降水量对应的地面降水量，也即格点i的地面降水量；Fi表示校正样本数据中的第i个校正降水量，也即格点i的校正降水量；Wi为权重系数，用于表征校正样本数据中的第i个校正降水量与对应的地面降水量的偏差在估计时分配的权重，也即格点i的校正降水量与地面降水量的偏差分配权重。
值得注意的是，在地面气象站布局较稀疏的区域，可以不断调整第二预设时间窗和第二预设空间窗的尺寸，即调整分析半径，以保证在该区域能搜索到一定数量的校正降水量生成校正样本数据。具体的，可以先设置较大的分析半径，选出数量较多的校正降水量，再从中选取距目标格点融合降水最近的几个校正降水量作为校正样本数据，从而进行最优插值计算。
公式(5)中的权重系数Wi由目标格点融合降水Ak的最小误差方差E2决定，如公式(6)所示：
Figure BDA0002885859030000161
公式(6)中，TK表示格点k的地面降水量，即目标格点融合降水Ak对应的地面降水量，即目标格点的真值。
假设实况观测(即面观测降水数据)与初估场(即校正数据)均是无偏且观测误差和初估场误差不相关，则方程(5)的权重系数Wi可以通过求解下面的线性方程组(7)来得到：
Figure BDA0002885859030000162
公式(7)中，i表示校正样本数据中的第i个校正降水量对应的格点，j表示校正样本数据中的第j个校正降水量对应的格点，i＝1,2,…,n；j＝1,2,…,n；
Figure BDA0002885859030000163
表示第i个校正降水量和第j个校正降水量的误差协相关，即格点i和格点j的初估场误差协相关；
Figure BDA0002885859030000164
表示第i个校正降水量对应的地面降水量和第j个校正降水量对应的地面降水量的误差协相关，即格点i和格点j的实况观测误差协相关；
Figure BDA0002885859030000165
表示目标格点融合降水和第j个校正降水量的初估场误差协相关，即目标格点k和格点i的初估场误差协相关；λi为格点i的观测误差标准差
Figure BDA0002885859030000166
和初估场误差标准差
Figure BDA0002885859030000167
的比率；λj为格点j的观测误差标准差
Figure BDA0002885859030000168
和初估场误差标准差
Figure BDA0002885859030000169
的比率。在最优插值中求解Wi时要求
Figure BDA00028858590300001610
和
Figure BDA00028858590300001611
均为已知量，这需要对地面观测降水数据和校正数据的误差以及误差的相关性进行预先的估计，一般可通过统计方法给定。
在一个实施例中，基于上述实施例，所述方法还可以进一步包括：
获取地面观测验证数据；根据地面观测验证数据对融合降水数据进行验证。通过地面观测验证数据的验证，能够进一步确定融合降水数据的精度，保证了降水融合产品的数据精度。
可选的，地面观测验证数据与用于数据融合的地面观测降水数据为不同气象站的数据。示例性的，可以将探测区域内气象站点采集的地面降水数据中的90％作为地面观测降水数据，用于数据融合；将另外10％的地面降水数据用作对数据融合结果的验证，以此实现实况气象站点数据对融合产品的交叉验证，提高验证的准确性，进而进一步保证了降水融合产品的精度。
示例性的，图6示出了降水数据融合过程中数据精度对比示意图。图6中，(a)表示格点降水数据相对于地面观测降水数据精度图。(b)表示采用ATPK进行空间降尺度后的降尺度数据相对于地面观测降水数据精度图。(c)表示对降尺度数据进行校正得到的校正数据相对于地面观测降水数据精度图。(d)表示采用最优插值算法根据校正数据和地面观测降水数据得到的融合降水数据相对于地面观测降水数据精度图。由图6可见，本实施例提供的降水数据融合方法，随着逐步处理，降水数据精度逐渐提高。
示例性的，图7示出了地面观测降水数据以及降水数据融合过程中各类数据的对比图。具体的，图7中各图均表征2016年8月1日03时天山山区的雨强(单位：mm/h)分布情况。其中，图7中的(a)为地面观测降水数据，图7中的(b)为原始IMERG数据，即格点降水数据，图7中的(c)为采用ATPK插值法进行空间降尺度后的降尺度数据，图7中的(d)为采PDF算法对降尺度数据进行校正后的校正数据，图7中的(e)为采用OI算法将校正数据与地面观测降水数据融合后得到的融合降水数据。由图7显然可见，经过降尺度后的降水数据空间分辨率提高，经过校正与融合后的降水数据有效结合了观测数据与卫星数据的优点，从而使最终得到的融合降水在空间分辨率与产品精度两方面均得到改进。
图8示出了本申请实施例提供的降水数据的融合装置的结构框图。如图8所示，本实施例提供的降水数据的融合装置，可以包括：
获取模块601，用于获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据；
降尺度模块602，用于采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据；
校正模块603，用于根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据；
融合模块604，用于采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据。
在一个实施例中，降尺度模块602具体用于将每个所述网格所在的面离散化，得到多个预测点；对于每个所述预测点，确定该预测点周围预设范围内的多个网格；对所述预设范围内多个网格的格点降水量进行加权求和，得到该预测点的预测降水量；将所述多个预测点的预测降水量确定为所述降尺度数据。
在一个实施例中，降尺度模块602具体用于根据公式(1)、(2)、(3)和(4)得到该预测点的预测降水量：
Figure BDA0002885859030000181
Figure BDA0002885859030000182
Figure BDA0002885859030000183
Figure BDA0002885859030000184
其中，x表示该预测点，
Figure BDA0002885859030000185
表示该预测点x的预测降水量，n表示该预测点x周围预设范围内的网格数量，vi表示该预测点x周围预设范围内的第i个网格，vj表示该预测点周围预设范围内的第j个网格，
Figure BDA0002885859030000191
表示vi对应的格点降水量，Wi表示vi对应的格点降水量的权重系数，C(vi,vj)表示vi的格点降水量与vj的格点降水量的协方差，μx表示拉格朗日算子，C(vi,x)表示vi的格点降水量与该预测点x的预测降水量的协方差，N(vi)表示vi中包含的预测点数量，C(sk,sl)表示vi中第k个预测点sk的预测降水量与vj中第l个预测点sl的预测降水量的协方差，C(sk,x)表示vi中第k个预测点sk的预测降水量与该预测点x的预测降水量的协方差。
在一个实施例中，获取模块601具体用于获取每个所述网格在所述预设时间尺度上的原始格点数据，以及获取所述预设时间尺度上的原始地面数据；去除所述原始格点数据中的缺测数据，得到所述格点降水数据；去除所述原始地面数据中的缺测数据，得到所述地面观测降水数据。
在一个实施例中，校正模块603具体用于从所述降尺度数据中筛选出与所述地面观测降水数据中每个地面降水量分别时空匹配的预测降水量，得到有效格点数据，其中，所述时空匹配是指在时间维度和空间维度均匹配；对于所述有效格点数据中的每个预测降水量，根据该预测降水量的时间值和空间值分别确定第一预设时间窗和第一预设空间窗，将所述有效格点数据中位于所述第一预设时间窗和所述第一预设空间窗内的预测降水量确定为该预测降水量对应的样本格点数据，根据所述样本格点数据计算该预测降水量的第一累积概率密度；从所述地面观测降水数据中筛选出与所述样本格点数据中每个预测降水量分别时空匹配的地面降水量，得到该预测降水量对应的样本地面数据，并根据所述样本地面数据计算该预测降水量的第二累积概率密度；根据该预测降水量的第一累积概率密度和第二累积概率密度，得到该预测降水量的校正值；根据该预测降水量的校正值对该预测降水量进行校正，得到该预测降水量对应的校正降水量；将所述有效格点数据包括的多个预测降水量分别对应的校正降水量确定为所述校正数据。
在一个实施例中，融合模块604具体用于对于所述校正数据中的每个校正降水量，根据该校正降水量的时间值和空间值确定第二预设时间窗和第二预设空间窗，将所述校正数据中位于所述第二预设时间窗和所述第二预设空间窗内的校正降水量确定为该校正降水量对应的样本校正数据；从所述地面观测降水数据中筛选出与所述样本校正数据中每个校正降水量分别时空匹配的地面降水量；计算所述样本校正数据中每个校正降水量与对应的地面降水量的差值；对所述样本校正数据中每个校正降水量分别对应的差值进行加权求和，得到该校正降水量的偏差估计值；根据该校正降水量的偏差估计值和该校正降水量，得到该校正降水量对应的融合降水量；将所述校正数据包括的多个校正降水量分别对应的融合降水量确定为所述融合降水数据。
在一个实施例中，降水数据的融合装置还包括验证模块605，用于获取地面观测验证数据；根据所述地面观测验证数据对所述融合降水数据进行验证。
本实施例提供的降水数据的融合装置，用于执行本申请方法实施例提供的降水数据的融合方法，技术原理和技术效果相似，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，例如图1所示，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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实现上述任意方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意方法实施例中的步骤。
本领域技术人员可以理解，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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种降水数据的融合方法，其特征在于，包括：
获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据；
采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据；
根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据；
采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据。
2.根据权利要求1所述的方法，其特征在于，所述探测区域包括多个网格，所述格点降水数据包括每个所述网格的中心对应的格点降水量；
所述采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据，包括：
将每个所述网格所在的面离散化，得到多个预测点；
对于每个所述预测点，确定该预测点周围预设范围内的多个网格；
对所述预设范围内多个网格的格点降水量进行加权求和，得到该预测点的预测降水量；
将所述多个预测点的预测降水量确定为所述降尺度数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述预设范围内多个网格的格点降水量进行加权求和，得到该预测点的预测降水量，包括：
根据公式(1)、(2)、(3)和(4)得到该预测点的预测降水量：
Figure FDA0002885859020000011
Figure FDA0002885859020000012
Figure FDA0002885859020000013
Figure FDA0002885859020000021
其中，x表示该预测点，
Figure FDA0002885859020000022
表示该预测点x的预测降水量，n表示该预测点x周围预设范围内的网格数量，vi表示该预测点x周围预设范围内的第i个网格，vj表示该预测点周围预设范围内的第j个网格，
Figure FDA0002885859020000023
表示vi对应的格点降水量，Wi表示vi对应的格点降水量的权重系数，C(vi,vj)表示vi的格点降水量与vj的格点降水量的协方差，μx表示拉格朗日算子，C(vi,x)表示vi的格点降水量与该预测点x的预测降水量的协方差，N(vi)表示vi中包含的预测点数量，C(sk,sl)表示vi中第k个预测点sk的预测降水量与vj中第l个预测点sl的预测降水量的协方差，C(sk,x)表示vi中第k个预测点sk的预测降水量与该预测点x的预测降水量的协方差。
4.根据权利要求2所述的方法，其特征在于，所述获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据，包括：
获取每个所述网格在所述预设时间尺度上的原始格点数据，以及获取所述预设时间尺度上的原始地面数据；
去除所述原始格点数据中的缺测数据，得到所述格点降水数据；
去除所述原始地面数据中的缺测数据，得到所述地面观测降水数据。
5.根据权利要求4所述的方法，其特征在于，所述地面观测降水数据包括多个地面降水量，所述根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据，包括：
从所述降尺度数据中筛选出与所述地面观测降水数据中每个地面降水量分别时空匹配的预测降水量，得到有效格点数据，其中，所述时空匹配是指在时间维度和空间维度均匹配；
对于所述有效格点数据中的每个预测降水量，根据该预测降水量的时间值和空间值分别确定第一预设时间窗和第一预设空间窗，将所述有效格点数据中位于所述第一预设时间窗和所述第一预设空间窗内的预测降水量确定为该预测降水量对应的样本格点数据，根据所述样本格点数据计算该预测降水量的第一累积概率密度；
从所述地面观测降水数据中筛选出与所述样本格点数据中每个预测降水量分别时空匹配的地面降水量，得到该预测降水量对应的样本地面数据，并根据所述样本地面数据计算该预测降水量的第二累积概率密度；
根据该预测降水量的第一累积概率密度和第二累积概率密度，得到该预测降水量的校正值；
根据该预测降水量的校正值对该预测降水量进行校正，得到该预测降水量对应的校正降水量；
将所述有效格点数据包括的多个预测降水量分别对应的校正降水量确定为所述校正数据。
6.根据权利要求5所述的方法，其特征在于，所述采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据，包括：
对于所述校正数据中的每个校正降水量，根据该校正降水量的时间值和空间值确定第二预设时间窗和第二预设空间窗，将所述校正数据中位于所述第二预设时间窗和所述第二预设空间窗内的校正降水量确定为该校正降水量对应的样本校正数据；
从所述地面观测降水数据中筛选出与所述样本校正数据中每个校正降水量分别时空匹配的地面降水量；
计算所述样本校正数据中每个校正降水量与对应的地面降水量的差值；
对所述样本校正数据中每个校正降水量分别对应的差值进行加权求和，得到该校正降水量的偏差估计值；
根据该校正降水量的偏差估计值和该校正降水量，得到该校正降水量对应的融合降水量；
将所述校正数据包括的多个校正降水量分别对应的融合降水量确定为所述融合降水数据。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
获取地面观测验证数据；
根据所述地面观测验证数据对所述融合降水数据进行验证。
8.一种降水数据的融合装置，其特征在于，包括：
获取模块，用于获取探测区域在预设时间尺度上的格点降水数据和地面观测降水数据；
降尺度模块，用于采用面-点克里金插值法对所述格点降水数据进行空间降尺度，得到降尺度数据；
校正模块，用于根据所述地面观测降水数据对所述降尺度数据进行校正，得到校正数据；
融合模块，用于采用最优插值算法根据所述校正数据和所述地面观测降水数据得到所述探测区域在所述预设时间尺度上的融合降水数据。
9.一种终端设备，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述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实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202110013525.9A 2021-01-06 2021-01-06 降水数据融合方法、装置、终端设备及可读存储介质 Active CN112699951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110013525.9A CN112699951B (zh) 2021-01-06 2021-01-06 降水数据融合方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110013525.9A CN112699951B (zh) 2021-01-06 2021-01-06 降水数据融合方法、装置、终端设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112699951A true CN112699951A (zh) 2021-04-23
CN112699951B CN112699951B (zh) 2023-02-03

Family

ID=75514880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110013525.9A Active CN112699951B (zh) 2021-01-06 2021-01-06 降水数据融合方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112699951B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN116127273A (zh) * 2023-01-18 2023-05-16 中国科学院地理科学与资源研究所 积雪指数获取方法、装置、存储介质和设备
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109100717A (zh) * 2018-06-11 2018-12-28 广州地理研究所 一种多源微波遥感海面风场数据融合方法及其装置
US20190018918A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University System and method for performing accurate hydrologic determination using disparate weather data sources
CN109375294A (zh) * 2018-09-18 2019-02-22 中国水利水电科学研究院 一种山区卫星降水数据的降尺度校正方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190018918A1 (en) * 2017-07-11 2019-01-17 The Trustees Of Princeton University System and method for performing accurate hydrologic determination using disparate weather data sources
CN109100717A (zh) * 2018-06-11 2018-12-28 广州地理研究所 一种多源微波遥感海面风场数据融合方法及其装置
CN109375294A (zh) * 2018-09-18 2019-02-22 中国水利水电科学研究院 一种山区卫星降水数据的降尺度校正方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢新玉 等: "新疆地区多源降水融合试验", 《干旱区研究》 *
宇婧婧 等: "基于地面观测降水订正卫星反演降水系统误差(PDF)方法在中国地区的应用", 《2011年中国气象学会气象通信与信息技术委员会暨国家气象信息中心科技年会论文摘要》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127273A (zh) * 2023-01-18 2023-05-16 中国科学院地理科学与资源研究所 积雪指数获取方法、装置、存储介质和设备
CN116127273B (zh) * 2023-01-18 2023-12-12 中国科学院地理科学与资源研究所 积雪指数获取方法、装置、存储介质和设备
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
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
CN112699951B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN112699951B (zh) 降水数据融合方法、装置、终端设备及可读存储介质
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
US11391569B2 (en) Method and device for monitoring water volume change, computer device and storage medium
CN111078678B (zh) 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
Borges et al. Comparison of spatial interpolation methods for the estimation of precipitation distribution in Distrito Federal, Brazil
Xu et al. A new satellite-based monthly precipitation downscaling algorithm with non-stationary relationship between precipitation and land surface characteristics
Di Piazza et al. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy
Imran et al. Using geographically weighted regression kriging for crop yield mapping in West Africa
Gyalistras Development and validation of a high-resolution monthly gridded temperature and precipitation data set for Switzerland (1951-2000)
Singh et al. Data assimilation for constructing long-term gridded daily rainfall time series over Southeast Asia
CN113032733B (zh) 基于非线性分类回归分析的遥感降雨误差校正方法及系统
Bargaoui et al. Seasonal precipitation variability in regional climate simulations over Northern basins of Tunisia.
Ramírez-Cuesta et al. Assessing reference evapotranspiration at regional scale based on remote sensing, weather forecast and GIS tools
CN113311512A (zh) 基于卫星辐射产品的光伏电站太阳辐射短期预报方法
Huerta et al. PISCOeo_pm, a reference evapotranspiration gridded database based on FAO Penman-Monteith in Peru
Shao et al. Improving quantitative precipitation estimates by radar-rain gauge merging and an integration algorithm in the Yishu River catchment, China
Liu et al. Conventional and neural network-based water vapor density model for GNSS troposphere tomography
Behboudian et al. Application of information fusion techniques and satellite products in the optimal redesign of rain gauge networks
Trzcina et al. Parameterisation of the GNSS troposphere tomography domain with optimisation of the nodes’ distribution
Meng et al. Improving near-real-time satellite precipitation products through multistage modified schemes
Gomes et al. Space–time calibration of wind speed forecasts from regional climate models
CN110991702B (zh) 山区降水量的计算方法、装置、计算机设备和存储介质
Ware Corrections to radar-estimated precipitation using observed rain gauge data
Zhou et al. Daily rainfall model to merge TRMM and ground based observations for rainfall estimations
Zucchini et al. A Web‐based rainfall atlas for Southern Africa

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