CN112861072A - 一种星地多源降水自适应动态融合方法 - Google Patents

Abstract

本发明公开了一种星地多源降水自适应动态融合方法，包括：获取流域粗分辨率和细分辨率的时不变因子和时变因子；时不变因子包括：DEM、坡度、Hand指数及粗糙度；时变因子包括：NDVI、风速、地表温度、散射指数及微波极化指数；对每颗卫星进行降尺度，得到每颗卫星的细分辨率降水；构建自适应动态贝叶斯框架，通过降水误差的分布转换、降水概率密度函数参数优化来计算每颗卫星在实测站点所在网格的最优权重；计算每颗卫星细分辨率网格的最优权重，每颗卫星细分辨率网格降水加权求和得到融合降水。本发明通过自适应动态融合方法融合站点降水和多颗卫星降水，得到细分辨率的融合降水产品，为精细化水文模型的输入提供数据支撑。

Description

一种星地多源降水自适应动态融合方法

技术领域

本发明属于水文和气象技术领域，具体涉及基于获取时间和空间上的动态权重进而实现星地多源降水融合的方法。

背景技术

中国是一个洪涝灾害频发的国家，水文模型是解决洪涝灾害的重要手段。降水作为水文模型最关键的输入源，降水的精度和时效性直接影响模拟结果的精度和可靠性。

目前降水数据的获取方式主要有地面观测、卫星和雷达定量降水估计、模式定量降水预报。长期以来，降水的常规观测主要依赖于布设于地表的观测站点，采用有限的观测结果代表周边几十甚至几百平方公里范围内的真实降水。实际降水的大小、类型等具有显著的时空变异性，地面站点存在以点代面的问题，特别是站点稀少的区域观测降水不能有效反映空间降水的空间变异性，降水观测的空间局限性成为水文研究中的难点。雷达定量降水估计具有空间分辨率高、实时性强的优点，但是因容易受覆盖物的影响，其覆盖范围有限。伴随着国内外卫星遥感技术的发展，基于天气雷达与卫星的遥感降水观测得以不断完善，弥补了地面站点空间分布的不足，也为降水的监测提供了新的手段。目前，卫星遥感在获取时空变化的全球降水方面具有独特的优势，提供了前所未有的卫星降水产品如GPM、TRMM、COMRPH、PERSIANN、PERSIANN_CDR、FY-3B、FY-3C等。卫星定量降水估计具有覆盖面广、观测时间较连续的优势，但是由于遥感探测仪器、反演算法等限制，卫星降水产品的精度相对较低，并且对固态降水的反演能力有限。

为了更好的描述降水的空间变化，充分发挥不同降水来源的优点，提高降水产品的质量，构建高精度、细时空分辨率的水文模型驱动场，采用混合加权逐步回归方法对原始卫星降水进行降尺度、自适应动态贝叶斯融合方法融合多颗卫星降尺度降水与站点降水。

发明内容

为了获取细时空分辨率的降水产品，本发明提供了一种星地多源降水自适应动态融合方法，利用细时空分辨率的时不变因子(地形数据)和时变因子(植被数据、气象数据、辐射指数)，融合站点实测降水和多颗卫星降水产品，得到细分辨率的融合降水产品，为精细化水文模型的输入提供数据支撑。

为了获取细分辨率的降水融合产品，本发明具体采用以下技术方案：

一种星地多源降水自适应动态融合方法，其特征在于，包括以下步骤：

步骤1，获取流域粗分辨率(Coarse Resolution，CR)和细分辨率(FineResolution，FR)的时不变因子，主要包括：DEM(DEM^CR、DEM^FR)、坡度(Slope^CR、Slope^FR)、Hand指数(Hand^CR、Hand^FR)、粗糙度(SR^CR、SR^FR)；粗分辨率和细分辨率的时变因子分别为：NDVI(NDVI^CR、NDVI^FR)、风速(WS^CR、WS^FR)、地表温度(LST^CR、LST^FR)、散射指数(SI^CR、SI^FR)、微波极化指数(PD^CR、PD^FR)；卫星编号用m表示，m＝1,2，……，5分别代表GPM、TRMM、CMORPH、PERSIANN、PERSIANN_CDR；粗分辨率网格编号用i表示，细分辨率网格编号用j表示，站点个数用n表示；

步骤2，基于混合地理加权逐步回归模型对每颗卫星进行降尺度，得到细分辨率降水；

步骤3，构建自适应动态贝叶斯框架，通过降水误差的分布转换、降水概率密度函数参数优化来计算每颗卫星在降水实测站点所在细分辨率网格的最优权重；

步骤4，基于克里金插值通过实测站点所在细分辨率网格求得的权重，计算每颗卫星每个细分辨网格的最优权重，每颗卫星细分辨率降水加权求和得到融合降水。

前述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤1中获取粗分辨率、细分辨率的时不变和时变因子。

前述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤2中基于混合地理加权逐步回归模型对多颗卫星进行降尺度，得到每颗卫星细分辨率降水，具体包括以下步骤：

步骤2.1，基于粗分辨率的时不变因子和时变因子，构建混合地理加权逐步回归模型(以某个时刻某颗卫星单个粗分辨率网格为例)：

式中，i为粗分辨率网格编号，m为卫星编号，t表示时间，CR表示粗分辨率，

为t时刻m卫星第i个粗分辨率网格的降水；

为第i个粗分辨率网格的高程，

为

对应的时不变系数；

为第i个粗分辨率网格的坡度，

为

对应的时不变系数；

为第i个粗分辨率网格的Hand指数，

为

对应的时不变系数；

为第i个粗分辨率网格的地表粗糙度，

为

对应的时不变系数；

为t时刻第i个粗分辨率网格的植被归一化指数，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的风速，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的地表温度，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的散射指数，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的微波极化指数，

为

对应的时变因子；

为t时刻第i个粗分辨率网格的残差。

步骤2.2，方程(1)进行逐步回归，逐步引入对降水贡献量大的因子：

逐步引入9个粗分辨率因子，包括：4个时不变因子

和5个时变因子

进行逐步回归分析和对应的回归系数进行F检验，若检验通过给定显著性水平α，则将该因子保留，逐步回归完成以后留下的因子记为

为4个时不变因子和5个时变因子的子集，由两个部分组成分别为：

(时不变因子子集)、

(时变因子子集)。

步骤2.3，假设上步所得

由n₁个时不变因子和n₂个时变因子组成，某个时刻单个细分辨率网格的混合地理加权逐步回归模型：

式中，j为细分辨率网格编号，m为卫星编号，t表示时间，FR表示细分辨率，

为t时刻第m颗卫星第j个细分辨率网格的降水；

为第j个细分辨率网格的第1个时不变因子，

为其对应的系数；

为第j个细分辨率网格的第n₁个时不变因子，

为其对应的系数；

为第j个细分辨率网格的第1个时变因子，

为其对应的系数；

为第j个细分辨率网格的第n₂个时变因子，

为其对应的系数；

为t时刻第j个细分辨率网格的残差。

对于t时刻细分辨率单个网格系数求解如下：

式中，

为时不变因子系数矩阵；

为时变因子系数矩阵；

为时不变因子矩阵，

为时变因子矩阵，I为单位矩阵，W为权重矩阵，y^m,CR为第m颗原始卫星降水矩阵，

计算t时刻第m颗卫星第j个细分辨率网格的降水

(即降尺度后的降水)：

式中，sum定义为矩阵的逐项相加函数，

作为系统残差可取常数，

分别为：

通过j次循环得到t时刻第m颗卫星降尺度之后的降水，通过m次循环得到每颗卫星降尺度降水即细分辨率时空一致的降水。

前述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤3通过降水分布转换、降水概率密度函数参数优化来计算单颗卫星的最优权重，具体包括以下步骤：

步骤3.1，基于不同卫星细分辨率降水、站点降水条件下融合降水的后验分布，根据全概率公式，建立自适应动态贝叶斯框架，融合降水的概率密度可表示为：

式中，t1为训练时间段(t1的取值范围为一个动态范围，可为同一个季节内的0-90天，获取t1+1时刻的权重以t1时间段训练数据为基础)；obs为t1时段内实测站点降水矩阵，

其中

代表t1时段第一个时刻的n个站点降水列向量，

代表t1时段第二个时刻的n个站点降水列向量，

代表t1时段第t1时刻的n个站点降水列向量，具体表示如下：

式中，

为t1时段第t1时刻第n个站点的降水值。

P^m,FR为t1时段内站点对应的第m颗卫星细分辨率降水，表示如下：

式中，

为t1时段第t1时刻第n个站点所在细分辨率网格第m颗卫星的降水值。

p_m(P^Fusion|P^m,FR,obs)为在不同卫星细分辨率降水、站点降水发生的条件下融合降水的后验概率，p(P^Fusion|obs)为站点降水发生的条件下细分辨率降水发生的概率；ω_m为第m颗卫星细分辨率降水的权重；P^Fusion为t1时段内站点所在细分辨率网格的融合降水，具体表示为：

式中，

为t1时段第t1时刻第n个站点所在细分辨率网格的融合降水值。

步骤3.2，在自适应动态贝叶斯框架下，采用最大期望方法求权重的前提是数据集符合正态分布，将单颗卫星的细分辨率降水数据集转化为正态分布。

对上式求期望和方差：

式中，

为第m颗卫星细分辨率降水的方差。

自适应动态贝叶斯的权重ω_m与P^m,FR直接相关，假设每颗卫星的初始权重都相等即

通过最大期望算法来求解权重ω_m。最大期望算法的基本假设是p_m(P^Fusion|P^m,FR,obs)符合正态分布，因此需要通过Box-Cox变换进行转换：

式中，P^m,γ为转换之后的降尺度降水数据，γ为转换参数(一般用极大似然方法确定γ的取值)。

步骤3.3，利用最大期望算法计算权重ω_m，得到单颗卫星细分辨率降水所在站点的最优权重，自适应动态贝叶斯框架的参数集可表示为：

式中，δ为参数集，ω_m为第m颗卫星细分辨率降水的最优权重，

为第m颗卫星细分辨降水的方差。

采用极大似然方法求解，对上述公式(5)取对数，并求导同时导数等于0即期望最大，反推求出权重ω_m：

根据公式(11)反推得到ω_m。

前述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤4中基于克里金插值计算每颗卫星每个细分辨率网格的最优权重，每颗卫星细分辨率降水加权求和得到融合降水，具体步骤包括：

步骤4.1，用克里金插值方法将每颗卫星在不同站点的最优权重(ω_m)插值到每个网格，得到t1+1时刻每颗卫星每个细分辨率网格的权重，继续上述步骤，得到t1+2时刻每颗卫星每个细分辨率网格的权重；

步骤4.2，通过加权求和得到融合降水产品。

本发明的有益效果：本发明提供的一种星地多源降水自适应动态融合方法，首先构建混合地理加权逐步回归模型对卫星降水进行降尺度，得到时空一致的细分辨率卫星降水；构建自适应动态贝叶斯框架，获取在每个时刻每颗卫星每个细分辨率网格的权重，乘以细分辨率卫星降水相加得到融合降水产品。本方法以多颗卫星降水、细分辨率的时不变因子、时变因子为基础数据，数据来源稳定可靠，方法中变量之间的函数关系明确，建立了卫星降水与多种因子之间的关系和自适应动态权重求解方法，保证了结果的客观合理性；弥补了卫星降水和站点降水各自的缺点，获取了细分辨率的融合降水产品，作为精细化水文模型的输入。

附图说明

图1是本发明的计算流程示意图；

图2是粗分辨和细分辨率因子分布图(以风速为例)；

图3是每颗卫星降水空间分布图；

图4是每颗卫星细分辨降水分布图；

图5是融合降水分布图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步描述。

如图1所示，本发明提供的一种星地多源降水自适应动态融合方法，包括以下步骤：

步骤1，获取流域粗分辨率(Coarse Resolution，CR)和细分辨率(FineResolution，FR)的时不变因子，主要包括：DEM(DEM^CR、DEM^FR)、坡度(Slope^CR、Slope^FR)、Hand指数(Hand^CR、Hand^FR)、粗糙度(SR^CR、SR^FR)；粗分辨率和细分辨率的时变因子分别为：NDVI(NDVI^CR、NDVI^FR)、风速(WS^CR、WS^FR)、地表温度(LST^CR、LST^FR)、散射指数(SI^CR、SI^FR)、微波极化指数(PD^CR、PD^FR)；卫星编号用m表示，m＝1,2，……，5分别代表GPM、TRMM、CMORPH、PERSIANN、PERSIANN_CDR；粗分辨率网格编号用i表示，细分辨率网格编号用j表示，站点个数用n表示；如图2所示。

步骤2中基于混合地理加权逐步回归模型对多颗卫星进行降尺度，得到每颗卫星细分辨率降水，具体包括以下步骤：

步骤2.1，基于粗分辨率的时不变因子和时变因子，构建混合地理加权逐步回归模型(以某个时刻某颗卫星单个粗分辨率网格为例)：

式中，i为粗分辨率网格编号，m为卫星编号，t表示时间，CR表示粗分辨率，

为t时刻m卫星的第i个粗分辨率网格的降水(如图3所示)；

为第i个粗分辨率网格的高程，

为

对应的时不变系数；

为第i个粗分辨率网格的坡度，

为

对应的时不变系数；

为第i个粗分辨率网格的Hand指数，

为

对应的时不变系数；

为第i个粗分辨率网格的地表粗糙度，

为

对应的时不变系数；

为t时刻第i个粗分辨率网格的植被归一化指数，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的风速，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的地表温度，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的散射指数，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的微波极化指数，

为

对应的时变因子；

为t时刻第i个粗分辨率网格的残差。

步骤2.2，方程(1)进行逐步回归，逐步引入对降水贡献量大的因子：

逐步引入9个粗分辨率因子，包括：4个时不变因子

和5个时变因子

进行逐步回归分析和对应的回归系数进行F检验，若检验通过给定显著性水平α，则将该因子保留，逐步回归完成以后留下的因子记为

为4个时不变因子和5个时变因子的子集，由两个部分组成分别为：

(时不变因子子集)、

(时变因子子集)。

步骤2.3，假设上步所得

由n₁个时不变因子和n₂个时变因子组成，某个时刻单个细分辨率网格的混合地理加权逐步回归模型为：

式中，j为细分辨率网格编号，m为卫星编号，t表示时间，FR表示细分辨率，

为t时刻第m颗卫星的第j个细分辨率网格的降水；

为第j个细分辨率网格的第1个时不变因子，

为其对应的系数；

为第j个细分辨率网格的第n₁个时不变因子，

为其对应的系数；

为第j个细分辨率网格的第1个时变因子，

为其对应的系数；

为第j个细分辨率网格的第n₂个时变因子，

为其对应的系数；

为t时刻第j个细分辨率网格的残差。

对于t时刻细分辨率单个网格系数求解如下：

式中，

为时不变因子系数矩阵；

为时变因子系数矩阵；

为时不变因子矩阵，

为时变因子矩阵，I为单位矩阵，W为权重矩阵，y^m,CR为第m颗原始卫星降水矩阵，

计算t时刻第m颗卫星第j个细分辨率网格的降水

(即降尺度后的降水)：

式中，sum定义为矩阵的逐项相加函数，

作为系统残差可取常数，

分别为：

通过j次循环得到t时刻第m颗卫星降尺度之后的降水，通过m次循环得到每颗卫星降尺度降水即细分辨率时空一致的降水，如图4所示。

步骤3，通过降水分布转换、降水概率密度函数参数优化来计算单颗卫星每个站点所在细分辨率网格的最优权重，具体包括以下步骤：

步骤3.1，基于不同卫星细分辨率降水、站点降水条件下融合降水的后验分布，根据全概率公式，建立自适应动态贝叶斯框架，融合降水的概率密度可表示为：

式中，t1为训练时间段(t1的取值范围为一个动态范围，可为同一个季节内的0-90天，获取t1+1时刻的权重以t1时间段训练数据为基础)；obs为t1时段内实测站点降水矩阵，

其中

代表t1时段第一个时刻的n个站点降水列向量，

代表t1时段第二个时刻的n个站点降水列向量，

代表t1时段第t1时刻的n个站点降水列向量，具体表示如下：

式中，

为t1时段第t1时刻第n个站点的降水值。

P^m,FR为t1时段内站点对应的第m颗卫星细分辨率降水，表示如下：

式中，

为t1时段第t1时刻第n个站点所在细分辨率网格第m颗卫星的降水值。

p_m(P^Fusion|P^m,FR,obs)为在不同卫星细分辨率降水、站点降水发生的条件下融合降水的后验概率，p(P^Fusion|obs)为站点降水发生的条件下细分辨率降水发生的概率；ω_m为第m颗卫星细分辨率降水的权重；P^Fusion为t1时段内站点所在细分辨率网格的融合降水，具体表示为：

式中，

为t1时段第t1时刻第n个站点所在细分辨率网格的融合降水值。

步骤3.2，在自适应动态贝叶斯框架下，采用最大期望方法求权重的前提是数据集符合正态分布，将单颗卫星的细分辨率降水数据集转化为正态分布。

对上式求期望和方差：

式中，

为第m颗卫星细分辨率降水的方差。

自适应动态贝叶斯的权重ω_m与P^m,FR直接相关，假设每颗卫星的初始权重都相等即

通过最大期望算法来求解权重ω_m。最大期望算法的基本假设是p_m(P^Fusion|P^m,FR,obs)符合正态分布，因此需要通过Box-Cox变换进行转换：

式中，P^m,γ为转换之后的降尺度降水数据，γ为转换参数(一般用极大似然方法确定γ的取值)。

步骤3.3，利用最大期望算法计算权重ω_m，得到单颗卫星细分辨率降水所在站点的最优权重，自适应动态贝叶斯框架的参数集可表示为：

式中，δ为参数集，ω_m为第m颗卫星细分辨率降水的最优权重，

为第m颗卫星细分辨降水的方差。

采用极大似然方法求解，对上述公式(5)取对数，并求导同时导数等于0即期望最大，反推求出权重ω_m：

根据公式(11)反推得到ω_m。

步骤4，基于克里金插值计算每颗卫星每个细分辨率网格的最优权重，每颗卫星细分辨率降水加权求和得到融合降水，具体步骤包括：

步骤4.1，用克里金插值方法将每颗卫星在不同站点的最优权重(ω_m)插值到每个网格，得到t1+1时刻每颗卫星每个细分辨率网格的权重，继续上述步骤，得到t1+2时刻每颗卫星每个细分辨率网格的权重；

步骤4.2，通过加权求和得到融合降水产品，如图5所示。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种星地多源降水自适应动态融合方法，其特征在于，包括以下步骤：

步骤1，获取流域粗分辨率和细分辨率的时不变因子和时变因子；时不变因子包括：DEM、坡度、Hand指数、粗糙度；时变因子包括：NDVI、风速、地表温度、散射指数及微波极化指数；

步骤2，基于混合地理加权逐步回归模型对卫星降水进行降尺度，得到每颗卫星细分辨率降水；

步骤3，构建自适应动态贝叶斯框架，通过降水误差的分布转换、降水概率密度函数参数优化来计算每颗卫星在降水观测站点所在细分辨率网格的最优权重；

步骤4，基于克里金插值通过观测站点所在细分辨率网格求得的权重，计算每颗卫星每个细分辨率网格的最优权重，每颗卫星细分辨率降水加权求和得到融合降水。

2.根据权利要求1所述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤2中基于混合地理加权逐步回归模型对多颗卫星进行降尺度，具体包括以下步骤：

步骤2.1，基于粗分辨率的时不变因子和时变因子，构建某个时刻某颗卫星单个粗分辨率网格的混合地理加权逐步回归模型：

式中，i为粗分辨率网格编号，m为卫星编号，t表示时间，CR表示粗分辨率，

为t时刻第m卫星第i个粗分辨率网格的降水；

为第i个粗分辨率网格的高程，

为

对应的时不变系数；

为第i个粗分辨率网格的坡度，

为

对应的时不变系数；

为第i个粗分辨率网格的Hand指数，

为

对应的时不变系数；

为第i个粗分辨率网格的地表粗糙度，

为

对应的时不变系数；

为t时刻第i个粗分辨率网格的植被归一化指数，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的风速，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的地表温度，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的散射指数，

为

对应的时变系数；

为t时刻第i个粗分辨率网格的微波极化指数，

为

对应的时变因子；

为t时刻第i个粗分辨率网格的残差；

步骤2.2，对上步构建的混合地理加权逐步回归模型进行逐步回归，逐步引入对降水贡献量大的因子：

逐步引入9个粗分辨率因子，包括：4个时不变因子和5个时变因子，4个时不变因子为

)，5个时变因子为

进行逐步回归分析和对应的回归系数进行F检验，若检验通过给定显著性水平α，则将该因子保留，逐步回归完成以后留下的因子记为

为4个时不变因子和5个时变因子的子集，由两个部分组成分别为：时不变因子子集

时变因子子集

步骤2.3，假设上步所得

由n₁个时不变因子和n₂个时变因子组成，某个时刻单个细分辨率网格的混合地理加权逐步回归模型为：

式中，j为细分辨率网格编号，m为卫星编号，t表示时间，FR表示细分辨率，

为t时刻第m颗卫星第j个细分辨率网格的降水；

为第j个细分辨率网格的第1个时不变因子，

为其对应的系数；

为第j个细分辨率网格的第n₁个时不变因子，

为其对应的系数；

为第j个细分辨率网格的第1个时变因子，

为其对应的系数；

为第j个细分辨率网格的第n₂个时变因子，

为其对应的系数；

为t时刻第j个细分辨率网格的残差；

对于t时刻细分辨率单个网格系数求解如下：

式中，

为时不变因子系数矩阵；

为时变因子系数矩阵；

为时不变因子矩阵，

为时变因子矩阵，I为单位矩阵，W为权重矩阵，y^m,CR为第m颗原始卫星降水矩阵，

计算t时刻第m颗卫星第j个细分辨率网格的降水

式中，sum定义为矩阵的逐项相加函数，

作为系统残差可取常数，

分别为：

通过j次循环得到t时刻第m颗卫星降尺度之后的降水，通过m次循环得到每颗卫星降尺度降水即细分辨率时空一致的降水。

3.根据权利要求2所述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤3通过降水的分布转换、降水概率密度函数参数优化来计算单颗卫星的最优权重，具体包括以下步骤：

步骤3.1，基于不同卫星细分辨率降水、站点降水条件下融合降水的后验分布，根据全概率公式，建立自适应动态贝叶斯框架，融合降水的概率密度表示为：

式中，t1为训练时间段；obs为t1时段内实测站点降水矩阵，

其中

代表t1时段第一个时刻的n个站点降水列向量，

代表t1时段第二个时刻的n个站点降水列向量，

代表t1时段第t1时刻的n个站点降水列向量，具体表示如下：

式中，

为t1时段第t1时刻第n个站点的降水值；

P^m,FR为t1时段内站点对应的第m颗卫星细分辨率降水，表示如下：

式中，

为t1时段第t1时刻第n个站点所在细分辨率网格第m颗卫星的降水值；

p_m(P^Fusion|P^m,FR,obs)为在不同卫星细分辨率降水、站点降水发生的条件下融合降水的后验概率，p(P^Fusion|obs)为站点降水发生的条件下细分辨率降水发生的概率；ω_m为第m颗卫星的权重；

为t1时段内站点所在细分辨率网格的融合降水，具体表示为：

式中，

为t1时段第t1时刻第n个站点所在细分辨率网格的融合降水值；

步骤3.2，对站点降水发生的条件下不同卫星细分辨率降水发生的概率求期望和方差：

式中，

为第m颗卫星细分辨率降水的方差；

通过Box-Cox变换进行转换：

式中，P^m,γ为转换之后的降尺度降水数据，γ为转换参数；

步骤3.3，利用最大期望算法计算到单颗卫星降水所在站点的最优权重ω_m：

式中，δ为自适应动态贝叶斯框架的参数集；

式中，ω_m为第m颗卫星细分辨率降水的最优权重，

为第m颗卫星细分辨率降水的方差。

4.根据权利要求3所述的一种星地多源降水自适应动态融合方法，其特征在于，所述步骤4包括：

步骤4.1，用克里金插值方法将每颗卫星在不同站点的最优权重ω_m插值到每个网格，得到t1+1时刻每颗卫星每个细分辨率网格的权重，继续上述步骤，得到t1+2时刻每颗卫星每个细分辨率网格的权重；

步骤4.2，通过加权求和得到融合降水：该方法有效的将卫星降尺度方法与多源降水融合方法进行结合，最终产生了细分辨率的降水融合产品。

Images