CN112926030A - 30m分辨率插值的气象要素确定方法 - Google Patents

Abstract

本发明公开了一种30m分辨率插值的气象要素确定方法，利用30m分辨率数字高程数据，通过空间聚合，得到低空间分辨率DEM数据，在低空间分辨率尺度上构建CLDAS数据中气温、比湿等与地形、地理位置因子之间的线性回归关系，然后将所构建线性关系应用到高分辨率尺度，利用30m分辨率高程、坡度、坡向、经度和纬度，估算30m分辨率的气温、比湿等气象要素，实现精细化、高分辨率的气温、空气湿度与日照时数网格产品的生成。

Description

30m分辨率插值的气象要素确定方法

技术领域

本发明涉及气象检测技术领域，尤其涉及一种30m分辨率插值的气象要素确定方法。

背景技术

特色作物种植区划、农业气象灾害监测预警、农产品品质评估及预测、农业保险等对精细化气象要素网格产品提出了迫切要求。尽管目前国内外气候模式产品的空间分辨率越来越高，如气象信息中心陆面同化系统(CLDAS)大气驱动场产品空间分辨率可达0.0625°×0.0625°，但对于下垫面复杂、地形起伏大的地区，由于气象要素(如温、湿度、太阳辐射等)的空间差异大，气候模式产品的空间分辨率仍明显偏低，仍不能够很好应用于农业气象服务。因此很有必要研发基于较低分辨率大气驱动场产品的降尺度技术，以实现高分辨率、精细化气象要素网格产品的生成，为三农服务提供技术及数据支持。

发明内容

针对以上问题，本发明提出一种30m分辨率插值的气象要素确定方法，其基于CLDAS大气驱动场产品的气象要素降尺度方法，可以实现精细化、高分辨率的气温、空气湿度与日照时数网格产品的生成。

为实现本发明的目的，提供一种30m分辨率插值的气象要素确定方法，包括如下步骤：

S10，利用30m分辨率数字高程数据，通过空间聚合，得到低空间分辨率DEM数据；

S20，构建低空间分辨率CLDAS数据中气温、比湿与地形、地理位置因子之间的线性回归关系，确定线性回归模型拟合系数；

S30，假设气象要素与地形、地理位置间的关系不随空间分辨率变化，低分辨率尺度线性回归模型也即高分辨率尺度线性回归模型；

S40，将30m分辨率高程、坡度、坡向、经度和纬度代入所述高分辨率模型，以估算30m分辨率的气温或比湿。

在一个实施例中，上述30m分辨率插值的气象要素确定方法，还包括：

S50，根据所述比湿和饱和湿度计算相对湿度。

在一个实施例中，上述相对湿度的计算公式包括：

所述饱和比湿q_s的计算公式包括：

所述饱和水汽压e_s的计算公式包括：

其中，RH表示相对湿度，q表示比湿，q_s表示饱和比湿，P表示大气压，e_s表示饱和水汽压，t表示高分辨率气温。

在一个实施例中，上述30m分辨率插值的气象要素确定方法，还包括：

S60，由30m分辨率数字高程数据和ArcGIS空间分析工具中的太阳辐射模块模拟生成高分辨率可照时数；

S70，利用低空间分辨率DEM数据，由ArcGIS空间分析工具中的太阳辐射模块模拟生成低空间分辨率晴空太阳辐射R_sm，结合CLDAS入射短波辐射R_s，计算日照百分率初值D_sm。

具体地，日照百分率初值D_sm的计算过程包括：

具体地，上述30m分辨率插值的气象要素确定方法，还包括：

S80，利用校正系数，对日照百分率初值结果进行校正，得到低分辨率日照百分率图像D_sLR；所述低分辨率日照百分率图像D_sLR包括：

D_sLR＝c×D_sm，

其中，c表示校正系数。

具体地，上述30m分辨率插值的气象要素确定方法，还包括：

对低分辨率日照百分率图像D_sLR，通过双线性插值，得到高分辨率的日照百分率图像D_sHR，将高分辨率的日照百分率图像D_sHR与高分辨率可照时数图像N_HR相乘，得到30m分辨率实际日照时数图像n_HR。

在一个实施例中，所述线性回归关系包括：

Y_LR＝a₀+a₁×X_1LR+a₂×X_2LR+a₃×X_3LR+a₄×X_4LR+a₅×X_5LR，

其中，Y_LR代表低空间分辨率的CLDAS 2.0气象要素，a₀、a₁、a₂、a₃、a₄和a₅均为线性回归模型拟合系数，X_1LR代表低空间分辨率的高程，X_2LR代表低空间分辨率的坡度，X_3LR代表低空间分辨率的坡向，X_4LR代表低空间分辨率的经度，X_5LR代表低空间分辨率的纬度。

具体地，高分辨率模型包括：

Y_HR＝a₀+a₁×X_1HR+a₂×X_2HR+a₃×X_3HR+a₄×X_4HR+a₅×X_5HR，

其中，Y_HR代表30m分辨率的气温或比湿估算值，X_1HR代表30m分辨率的高程，X_2HR代表30m分辨率的坡度，X_3HR代表30m分辨率的坡向，X_4HR代表30m分辨率的经度，X_5HR代表30m分辨率的纬度。

上述30m分辨率插值的气象要素确定方法，通过利用30m分辨率数字高程数据，通过空间聚合，得到低空间分辨率DEM数据，构建低空间分辨率CLDAS数据中气温、比湿与地形、地理位置因子之间的线性回归关系，根据所述线性回归关系计算各个线性回归模型拟合系数，根据各个线性回归模型拟合系数确定高分辨率模型，将30m分辨率高程、坡度、坡向、经度和纬度代入所述高分辨率模型，以估算30m分辨率的气温或比湿这些气象要素，进而进行其他气象要素的检测，可以实现精细化、高分辨率的气温、空气湿度与日照时数网格产品的生成。

附图说明

图1是一个实施例的30m分辨率插值的气象要素确定方法流程图；

图2是一个实施例的气象要素降尺度与插值过程示意图；

图3是另一个实施例的气象要素降尺度与插值过程示意图。

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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

气温、空气湿度的空间分布往往与地形(包括高程、坡度、坡向等)、地理位置(经度、纬度)等有关，假设在特定时间段和较小区域范围内，气象要素与地形、地理位置的关系在不同尺度上有较好的一致性，此时，可通过在低空间分辨率尺度上建立气象要素与地理要素间的关系，并运用到高空间分辨率尺度上，实现气象要素的降尺度及高空间分辨率、精细化网格气象要素产品的生成。参考图1所示，图1为一个实施例的30m分辨率插值的气象要素确定方法流程图，包括如下步骤：

S10，利用30m分辨率数字高程数据，通过空间聚合，得到低空间分辨率DEM数据。

该步骤可以实现低空间分辨率数字地形模型(DTM)数据生成。具体可以利用30m分辨率数字高程数据(DEM)，通过空间聚合，也即统计0.0625°×0.0625°大小网格内高程的平均值，得到低空间分辨率(0.0625°)DEM数据。在此基础上，生成0.0625°分辨率的坡度与坡向图像，同时生成0.0625°分辨率的经度与纬度图像。我们定义0.0625°对应的分辨率为低分辨率(LR)，30m为高分辨率(HR)。本实施例中，0.0625°为低空间分辨率，30m为高分辨率。

S20，构建低空间分辨率CLDAS数据中气温、比湿与地形、地理位置因子之间的线性回归关系，根据所述线性回归关系计算各个线性回归模型拟合系数。

上述线性回归关系可以表征低分辨率网格气温、比湿与地形、地理位置因子之间的关系。具体可以基于气象信息中心陆面同化系统(如国家气象信息中心陆面同化系统2.0版，CLDAS V2.0)大气驱动场产品和低分辨率数字地形模型(DTM)，构建气温、比湿与地形、地理位置因子之间的线性回归关系(公式1)。CLDAS V2.0大气驱动场产品是国家气象信息中心2015年开始研发的产品，该产品覆盖亚洲区域(0-65°N，60-160°E)，空间分辨率为0.0625°×0.0625°，时间分辨率为1小时，包括2m气温、2m比湿、10m风速、地面气压、降水、短波辐射六个要素的等经纬度网格融合分析产品。

在一个实施例中，由0.0625°分辨率的CLDAS V2.0气象要素网格值与对应的0.0625°分辨率地形和地理位置数据，利用逐步线性回归法，拟合得到低分辨率气象要素与地形和地理位置间的线性回归模型，即线性回归关系，具体包括：

Y_LR＝a₀+a₁×X_1LR+a₂×X_2LR+a₃×X_3LR+a₄×X_4LR+a₅×X_5LR (1)

其中，Y_LR代表低空间分辨率的CLDAS 2.0气象要素(如(气温或者比湿))，a₀、a₁、a₂、a₃、a₄和a₅均为线性回归模型拟合系数，X_1LR代表低空间分辨率的高程，X_2LR代表低空间分辨率的坡度，X_3LR代表低空间分辨率的坡向，X_4LR代表低空间分辨率的经度，X_5LR代表低空间分辨率的纬度。

S30，根据各个线性回归模型拟合系数确定高分辨率模型。

具体地，高分辨率模型包括：

Y_HR＝a₀+a₁×X_1HR+a₂×X_2HR+a₃×X_3HR+a₄×X_4HR+a₅×X_5HR (2)

其中，Y_HR代表30m分辨率的气温或比湿估算值，X_1HR代表30m分辨率的高程，X_2HR代表30m分辨率的坡度，X_3HR代表30m分辨率的坡向，X_4HR代表30m分辨率的经度，X_5HR代表30m分辨率的纬度。

S40，将30m分辨率高程、坡度、坡向、经度和纬度代入所述高分辨率模型，以估算30m分辨率的气温或比湿。

该步骤可以将多元线性回归方程(即公式(1)所示的线性回归关系)计算得到的0.0625°分辨率下的a₀～a₅回归系数代入到30m分辨率的DTM及经纬度网格数据(高分辨率模型)，得到高分辨率模型预估结果。

在一些示例中，上述高分辨率模型可以用于日、月及年平均气温、最低气温、最高气温、比湿的降尺度，也可用于积温的降尺度，以获得所需预估结果。上述气象要素可以包括气温、比湿、相对湿度、高分辨率可照时数、日照百分率初值和/或低分辨率日照百分率图像等要素。

上述30m分辨率插值的气象要素确定方法，通过利用30m分辨率数字高程数据，通过空间聚合，得到低空间分辨率DEM数据，构建低空间分辨率CLDAS数据中气温、比湿与地形、地理位置因子之间的线性回归关系，根据所述线性回归关系计算各个线性回归模型拟合系数，根据各个线性回归模型拟合系数确定高分辨率模型，将30m分辨率高程、坡度、坡向、经度和纬度代入所述高分辨率模型，以估算30m分辨率的气温或比湿这些气象要素，进而进行其他气象要素的检测，可以实现精细化、高分辨率的气温、空气湿度与日照时数网格产品的生成。

在一个实施例中，上述30m分辨率插值的气象要素确定方法，还包括：

S50，根据所述比湿(q，g/g)和饱和湿度(q_s，g/g)计算相对湿度RH(％)。

具体地，上述相对湿度的计算公式包括：

所述饱和比湿q_s的计算公式包括：

所述饱和水汽压e_s的计算公式包括：

其中，RH表示相对湿度，q表示比湿，q_s表示饱和比湿，P表示大气压，可由CLDASV2.0地面气压数据插值生成，e_s表示饱和水汽压(hPa)，t表示高分辨率气温，可由高分辨率模型计算得到。

进一步地，通过以上各个实施例，最终得到高分辨率(30m)气温与相对湿度网格产品，经与区域气象站观测数据比较，插值精度较高，可满足应用的需求，相关处理过程可以参考图2所示。

在一个实施例中，上述30m分辨率插值的气象要素确定方法，还包括：

S60，由30m分辨率数字高程数据和ArcGIS空间分析工具中的太阳辐射模块模拟生成高分辨率可照时数(N，小时)。

其中，可照时数(N，小时)是指在某一地点日照的最大时数。即在不计天气的条件下日出到日没太阳可能的光照时数。可照时数随季节、纬度而改变。30m分辨率可照时数图像(N_HR，小时)由30m分辨率DEM、结合ArcGIS空间分析工具中的太阳辐射模块模拟生成，该模块考虑了坡度、坡向、高程以及地形的遮蔽效应。

S70，利用低空间分辨率DEM数据，由ArcGIS空间分析工具中的太阳辐射模块模拟生成低空间分辨率晴空太阳辐射R_sm，结合CLDAS入射短波辐射R_s，计算日照百分率初值D_sm。

具体地，可以首先利用0.0625°分辨率DEM数据，由ArcGIS空间分析工具中的太阳辐射模块模拟生成0.0625°分辨率晴空太阳辐射(R_sm)。结合CLDAS入射短波辐射(R_s)数据，日照百分率初值D_sm的计算过程包括：

具体地，考虑到R_sm与R_s会有一定的误差，会使所计算的日照百分率有系统偏差，因此再利用气象站实测日照百分率数据(D_so)与对应网格CLDAS日照百分率数据(D_sm)估算校正系数c:

上述30m分辨率插值的气象要素确定方法，还包括：

S80，利用校正系数，对日照百分率初值结果进行校正，得到低分辨率日照百分率图像D_sLR；所述低分辨率日照百分率图像D_sLR包括：

D_sLR＝c×D_sm (8)

其中，c表示校正系数。

本实施例利用校正系数，对日照百分率初值结果进行校正，最终得到的低分辨率日照百分率图像D_sLR具有较高的准确性。

具体地，上述30m分辨率插值的气象要素确定方法，还包括：

对低分辨率日照百分率图像D_sLR，通过双线性插值，得到高分辨率的日照百分率图像D_sHR，将高分辨率的日照百分率图像D_sHR与高分辨率可照时数图像N_HR相乘，得到30m分辨率实际日照时数图像n_HR(小时)，此时有：

n_HR＝N_HR×D_sHR。

上述高分辨率日照时数等气象要素的降尺度与插值过程可以参考图3所示。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种30m分辨率插值的气象要素确定方法，其特征在于，包括如下步骤：

S10，利用30m分辨率数字高程数据，通过空间聚合，得到低空间分辨率DEM数据；

S20，构建低空间分辨率CLDAS数据中气温、比湿与地形、地理位置因子之间的线性回归关系，确定线性回归模型拟合系数；

S30，假设气象要素与地形、地理位置间的关系不随空间分辨率变化，低分辨率尺度线性回归模型也即高分辨率尺度线性回归模型；

S40，将30m分辨率高程、坡度、坡向、经度和纬度代入所述高分辨率模型，以估算30m分辨率的气温或比湿。

2.根据权利要求1所述的30m分辨率插值的气象要素确定方法，其特征在于，还包括：

S50，根据所述比湿和饱和湿度计算相对湿度。

3.根据权利要求2所述的30m分辨率插值的气象要素确定方法，其特征在于，所述相对湿度的计算公式包括：

所述饱和比湿q_s的计算公式包括：

所述饱和水汽压e_s的计算公式包括：

其中，RH表示相对湿度，q表示比湿，q_s表示饱和比湿，P表示大气压，e_s表示饱和水汽压，t表示高分辨率气温。

4.根据权利要求1所述的30m分辨率插值的气象要素确定方法，其特征在于，还包括：

S60，由30m分辨率数字高程数据和ArcGIS空间分析工具中的太阳辐射模块模拟生成高分辨率可照时数；

S70，利用低空间分辨率DEM数据，由ArcGIS空间分析工具中的太阳辐射模块模拟生成低空间分辨率晴空太阳辐射R_sm，结合CLDAS入射短波辐射R_s，计算日照百分率初值D_sm。

5.根据权利要求4所述的30m分辨率插值的气象要素确定方法，其特征在于，日照百分率初值D_sm的计算过程包括：

6.根据权利要求4所述的30m分辨率插值的气象要素确定方法，其特征在于，还包括：

S80，利用校正系数，对日照百分率初值结果进行校正，得到低分辨率日照百分率图像D_sLR；所述低分辨率日照百分率图像D_sLR包括：

D_sLR＝c×D_sm，

其中，c表示校正系数。

7.根据权利要求6所述的30m分辨率插值的气象要素确定方法，其特征在于，还包括：

对低分辨率日照百分率图像D_sLR，通过双线性插值，得到高分辨率的日照百分率图像D_sHR，将高分辨率的日照百分率图像D_sHR与高分辨率可照时数图像N_HR相乘，得到30m分辨率实际日照时数图像n_HR。

8.根据权利要求1所述的30m分辨率插值的气象要素确定方法，其特征在于，所述线性回归关系包括：

Y_LR＝a₀+a₁×X_1LR+a₂×X_2LR+a₃×X_3LR+a₄×X_4LR+a₅×X_5LR，

其中，Y_LR代表低空间分辨率的CLDAS 2.0气象要素，a₀、a₁、a₂、a₃、a₄和a₅均为线性回归模型拟合系数，X_1LR代表低空间分辨率的高程，X_2LR代表低空间分辨率的坡度，X_3LR代表低空间分辨率的坡向，X_4LR代表低空间分辨率的经度，X_5LR代表低空间分辨率的纬度。

9.根据权利要求8所述的30m分辨率插值的气象要素确定方法，其特征在于，所述高分辨率模型包括：

Y_HR＝a₀+a₁×X_iHR+a₂×X_2HR+a₃×X_3HR+a₄×X_4HR+a₅×X_5HR，

其中，Y_HR代表30m分辨率的气温或比湿估算值，X_1HR代表30m分辨率的高程，X_2HR代表30m分辨率的坡度，X_3HR代表30m分辨率的坡向，X_4HR代表30m分辨率的经度，X_5HR代表30m分辨率的纬度。

Images