CN113761756B - 一种表面温度高温和低温数据集重构方法 - Google Patents
一种表面温度高温和低温数据集重构方法 Download PDFInfo
- Publication number
- CN113761756B CN113761756B CN202111129554.8A CN202111129554A CN113761756B CN 113761756 B CN113761756 B CN 113761756B CN 202111129554 A CN202111129554 A CN 202111129554A CN 113761756 B CN113761756 B CN 113761756B
- Authority
- CN
- China
- Prior art keywords
- temperature
- air temperature
- ground
- data
- data set
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种表面温度高温和低温数据集重构方法,通过对不同天气进行划分,针对不同天气构建不同的近地面气温数据的估算模型计算每天的气温最大值和最小值以及平均气温,然后针对中国不同区域的自然条件构建不同区域的的温度校正模型进一步对最高温和最低以及平均温度进行校正和精度评价,从而构建最高温度、最低温度和平均气温数据集,在此基础上对对最高气温和最低气温的波动趋势分析;本发明区分了晴天和非晴天天气状态,采用多种评价指标对近地面气温的时空变化趋势进行分析,以CMFD数据和ERA5数据集作为再分析数据源,具有较高的空间分辨率和可靠的精度,可准确捕捉区域气温变化情况,便于气候相关分析和其他地表驱动因子的研究。
Description
技术领域
本发明涉及近地面气温数据重构技术领域,尤其涉及一种表面温度高温和低温数据集重构方法。
背景技术
近地面气温是反映全球气候变化的重要变量,显著影响地球各圈层能量和物质的循环转换,特别是每日近地面最高气温,最低气温和平均气温对研究大气循环转换,气候变化以及极端天气事件的强度和频率具有重要意义;
目前地面观测数据在单点上具有时间连续性,但受到站点分布不均和对空间异质性表征差的影响缺乏空间连续性,卫星遥感数据可以进行大范围空间观测,但受到传感器过境时间和云雨天气的影响缺乏时间连续性,同化数据可以获得大区域长时间序列的气温数据,但其空间分辨率较低且目前缺乏近地面最高气温和最低气温数据,因此,本发明提出一种表面温度高温和低温数据集重构方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种表面温度高温和低温数据集重构方法,该表面温度高温和低温数据集重构方法区分了晴天和非晴天天气状态,分别建立气温变化模型计算得到每日最高和最低气温,通过校正方程进一步提高数据精度,采用多种评价指标对近地面气温的时空变化趋势进行分析,以CMFD数据和ERA5数据集作为再分析数据源,具有较高的空间分辨率和可靠的精度,可准确捕捉区域气温变化情况,便于气候相关分析和其他地表驱动因子的研究。
为实现本发明的目的,本发明通过以下技术方案实现:一种表面温度高温和低温数据集重构方法,包括以下步骤:
步骤一、将每日天气划分为晴天天气和非晴天天气,并分析近地面气温的两种估算策略;
步骤二、先根据晴天状态下气温变化的周期性和非对称性建立晴天状态下的气温分段正弦函数,模拟近地面气温的变化情况估算近地面的最高气温和最低气温并校正,然后估算非晴天天气下的近地面的最高气温和最低气温并校正;
步骤三、将校正后的近地面最该气温和最低气温作为每日气温变化的限定阈值,并根据站点实测数据对近地面平均气温输出值进行多元线性回归校正以提高精度得到每日的近地面平均气温数据集;
步骤四、通过平均大气温度的垂直衰减率对各种气象站的近地面气温的数据进行校正;
步骤五、将决定系数、平均绝对误差和均方根误差三个指标作为评估指标,并利用评估指标对原始输出的气温数据集和校正后数据集与站点实测数据分别进行精度验证;
步骤六、通过对输出近地面气温数据与站点实测数据进行比较,评估各区域的近地面最高气温、最低气温和平均气温的变化趋势,通过各气候变量进一步检验数据集的效果和区域适用性;
步骤七、对校正前和修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证,并对近地面的最高气温和最低气温的波动趋势进行分析。
进一步改进在于:所述步骤一中对于天气划分是借助MODIS自带的质量控制字段和利用站点实测数据进行判别。
进一步改进在于:所述步骤一中近地面气温的两种估算策略为当像元位置有对应气象站点及相邻站点间欧式距离小于0.3°时,利用多时相和空间相关性的方法对像元区域进行数据填补;针对站点分布较为稀疏且相邻两站点之间欧氏距离大于0.3°的地区,利用ERA5数据集逐小时数据对天气状态进行划分。
进一步改进在于:所述利用ERA5逐小时数据对天气状态进行划分时先基于ERA5数据集与CMFD的分析数据源逐三小时气温数据的空间相关关系构建了一个有效的降尺度过程,再将ERA5数据集在CMFD数据的辅助下进行空间降尺度。
进一步改进在于:所述步骤二中建立的晴天状态下的气温分段正弦函数由下式1和式2表示
其中Hmin是近地面最低气温Tmin出现的时间,Hmax是近地面最高气温Tmax出现的时间,Ho为输入时间,At和Bt是未知参数。
进一步改进在于:所述步骤四中校正方法为先将观测气温按照统一的气温垂直递减率统一到海平面高度上,然后通过与海平面相对应的温度完成数据校正和插值过程,最后再校正到温度数据所对应的海拔高度。
进一步改进在于:所述步骤六中采用线性回归、相关系数和t检验的方法对近地面平均气温进行分析,通过线性回归和相关系数得到近地面平均气温的年际变化速率和相关性。
进一步改进在于:所述步骤七中对修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证时基于步骤四中的校正方法对对温度进行进一步的校正并将校正后的数据与实测数据对比后得到精度验证结果。
本发明的有益效果为:本发明区分了晴天和非晴天天气状态,分别建立气温变化模型计算得到每日最高和最低气温,通过校正方程进一步提高数据精度,采用多种评价指标对近地面气温的时空变化趋势进行分析,以CMFD数据和ERA5数据集作为再分析数据源,具有较高的空间分辨率和可靠的精度,可准确捕捉区域气温变化情况,便于气候相关分析和其他地表驱动因子的研究。
附图说明
图1为本发明操作流程图。
图2为本发明天气划分流程图。
图3为本发明空间降尺度过程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例1
根据图1、2、3所示,本实施例提供了一种表面温度高温和低温数据集重构方法,包括以下步骤:
步骤一、借助MODIS自带的质量控制字段和利用站点实测数据将每日天气划分为晴天天气和非晴天天气,其中MODIS自带的质量控制字段用以判别2002-2021年时间段的天气状态,第一种为当像元位置有对应气象站点及相邻站点间欧式距离小于0.3°时,利用多时相的方法对像元区域进行数据填补;
站点实测数据用以判别1979-2001年时间段的天气状态,并分析近地面气温的两种估算策略,针对站点分布较为稀疏且相邻两站点之间欧氏距离大于0.3°的地区,先基于ERA5数据集与CMFD的分析数据源逐三小时气温数据的空间相关关系构建了一个有效的降尺度过程,再将ERA5数据集在CMFD数据的辅助下进行空间降尺度,再利用ERA5数据集逐小时数据对天气状态进行划分;
步骤二、先根据晴天状态下气温变化的周期性和非对称性建立晴天状态下的气温分段正弦函数,模拟近地面气温的变化情况估算近地面的最高气温和最低气温并校正,然后估算非晴天天气下的近地面的最高气温和最低气温并校正,其中建立的晴天状态下的气温分段正弦函数由下式1和式2表示
其中Hmin是近地面最低气温Tmin出现的时间,Hmax是近地面最高气温Tmax出现的时间,Ho为输入时间,At和Bt是未知参数;
步骤三、将校正后的近地面最该气温和最低气温作为每日气温变化的限定阈值,并根据站点实测数据对近地面平均气温输出值进行多元线性回归校正以提高精度得到每日的近地面平均气温数据集;
步骤四、通过平均大气温度的垂直衰减率对各种气象站的近地面气温的数据进行校正,先将观测气温按照统一的气温垂直递减率统一到海平面高度上,然后通过与海平面相对应的温度完成数据校正过程,最后再校正到温度数据所对应的海拔高度;
步骤五、将决定系数、平均绝对误差和均方根误差三个指标作为评估指标,并利用评估指标对原始输出的气温数据集和校正后数据集与站点实测数据分别进行精度验证;
步骤六、通过对输出近地面气温数据与站点实测数据进行比较,评估各区域的近地面最高气温、最低气温和平均气温的变化趋势,通过各气候变量进一步检验数据集的效果和区域适用性,采用线性回归、相关系数和t检验的方法对近地面平均气温进行分析,通过线性回归和相关系数得到近地面平均气温的年际变化速率和相关性,由下式3和式4计算给出
其中n表示时间序列长度的总年数,i表示年份,Ti表示第i年的近地面平均气温,R表示气温与时间序列的相关关系,R值介于-1~1之间;
步骤七、对校正前和修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证,对修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证时基于步骤四中的校正方法对温度进行进一步的校正并将校正后的数据与实测数据对比后得到精度验证结果,并对近地面的最高气温和最低气温的波动趋势进行分析。
实施例2
根据图1、2、3所示,本实施例提供了一种表面温度高温和低温数据集重构方法,包括以下步骤:
步骤一、借助MODIS自带的质量控制字段和利用站点实测数据将每日天气划分为晴天天气和非晴天天气,其中MODIS自带的质量控制字段用以判别2002-2021年时间段的天气状态,第一种为当像元位置有对应气象站点及相邻站点间欧式距离小于0.3°时,利用空间相关性的方法对像元区域进行数据填补;
站点实测数据用以判别1979-2001年时间段的天气状态,并分析近地面气温的两种估算策略,针对站点分布较为稀疏且相邻两站点之间欧氏距离大于0.3°的地区,先基于ERA5数据集与CMFD的分析数据源逐三小时气温数据的空间相关关系构建了一个有效的降尺度过程,再将ERA5数据集在CMFD数据的辅助下进行空间降尺度,再利用ERA5数据集逐小时数据对天气状态进行划分;
步骤二、先根据晴天状态下气温变化的周期性和非对称性建立晴天状态下的气温分段正弦函数,模拟近地面气温的变化情况估算近地面的最高气温和最低气温并校正,然后估算非晴天天气下的近地面的最高气温和最低气温并校正,其中建立的晴天状态下的气温分段正弦函数由下式1和式2表示
其中Hmin是近地面最低气温Tmin出现的时间,Hmax是近地面最高气温Tmax出现的时间,Ho为输入时间,At和Bt是未知参数;;
步骤三、将校正后的近地面最该气温和最低气温作为每日气温变化的限定阈值,并根据站点实测数据对近地面平均气温输出值进行多元线性回归校正以提高精度得到每日的近地面平均气温数据集;
步骤四、通过平均大气温度的垂直衰减率对各种气象站的近地面气温的数据进行校正,先将观测气温按照统一的气温垂直递减率统一到海平面高度上,然后通过与海平面相对应的温度完成数据插值过程,最后再校正到温度数据所对应的海拔高度;
步骤五、将决定系数、平均绝对误差和均方根误差三个指标作为评估指标,并利用评估指标对原始输出的气温数据集和校正后数据集与站点实测数据分别进行精度验证;
步骤六、通过对输出近地面气温数据与站点实测数据进行比较,评估各区域的近地面最高气温、最低气温和平均气温的变化趋势,通过各气候变量进一步检验数据集的效果和区域适用性,采用线性回归、相关系数和t检验的方法对近地面平均气温进行分析,通过线性回归和相关系数得到近地面平均气温的年际变化速率和相关性,由下式3和式4计算给出
其中n表示时间序列长度的总年数,i表示年份,Ti表示第i年的近地面平均气温,R表示气温与时间序列的相关关系,R值介于-1~1之间;
步骤七、对校正前和修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证,对修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证时基于步骤四中的校正方法对温度进行进一步的校正并将校正后的数据与实测数据对比后得到精度验证结果,并对近地面的最高气温和最低气温的波动趋势进行分析。
以上显示和描述了本发明的基本原理、主要特征和优点。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,上述实施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 (7)
1.一种表面温度高温和低温数据集重构方法,其特征在于包括以下步骤:
步骤一、将每日天气划分为晴天天气和非晴天天气,并分析近地面气温的两种估算策略;
所述步骤一中近地面气温的两种估算策略为当像元位置有对应气象站点及相邻站点间欧式距离小于0.3°时,利用多时相和空间相关性的方法对像元区域进行数据填补;针对站点分布较为稀疏且相邻两站点之间欧氏距离大于0.3°的地区,利用ERA5数据集逐小时数据对天气状态进行划分;
步骤二、先根据晴天状态下气温变化的周期性和非对称性建立晴天状态下的气温分段正弦函数,模拟近地面气温的变化情况估算近地面的最高气温和最低气温并校正,然后估算非晴天天气下的近地面的最高气温和最低气温并校正;
步骤三、将校正后的近地面最高气温和最低气温作为每日气温变化的限定阈值,并根据站点实测数据对近地面平均气温输出值进行多元线性回归校正以提高精度得到每日的近地面平均气温数据集;
步骤四、通过平均大气温度的垂直衰减率对各种气象站的近地面气温的数据进行校正;
步骤五、将决定系数、平均绝对误差和均方根误差三个指标作为评估指标,并利用评估指标对原始输出的气温数据集和校正后数据集与站点实测数据分别进行精度验证;
步骤六、通过对输出近地面气温数据与站点实测数据进行比较,评估各区域的近地面最高气温、最低气温和平均气温的变化趋势,通过各气候变量进一步检验数据集的效果和区域适用性;
步骤七、对校正前和修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证,并对近地面的最高气温和最低气温的波动趋势进行分析。
2.根据权利要求1所述的一种表面温度高温和低温数据集重构方法,其特征在于:所述步骤一中对于天气划分是借助MODIS自带的质量控制字段和利用站点实测数据进行判别。
3.根据权利要求1所述的一种表面温度高温和低温数据集重构方法,其特征在于:所述利用ERA5逐小时数据对天气状态进行划分时先基于ERA5数据集与CMFD的分析数据源逐三小时气温数据的空间相关关系构建了一个有效的降尺度过程,再将ERA5数据集在CMFD数据的辅助下进行空间降尺度。
5.根据权利要求1所述的一种表面温度高温和低温数据集重构方法,其特征在于:所述步骤四中校正方法为先将观测气温按照统一的气温垂直递减率统一到海平面高度上,然后通过与海平面相对应的温度完成数据校正和插值过程,最后再校正到温度数据所对应的海拔高度。
6.根据权利要求1所述的一种表面温度高温和低温数据集重构方法,其特征在于:所述步骤六中采用线性回归、相关系数和t检验的方法对近地面平均气温进行分析,通过线性回归和相关系数得到近地面平均气温的年际变化速率和相关性。
7.根据权利要求1所述的一种表面温度高温和低温数据集重构方法,其特征在于:所述步骤七中对修正后的近地面最高气温、最低气温和平均气温及各站点实测数据进行精度验证时基于步骤四中的校正方法对温度进行进一步的校正并将校正后的数据与实测数据对比后得到精度验证结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129554.8A CN113761756B (zh) | 2021-09-26 | 2021-09-26 | 一种表面温度高温和低温数据集重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129554.8A CN113761756B (zh) | 2021-09-26 | 2021-09-26 | 一种表面温度高温和低温数据集重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761756A CN113761756A (zh) | 2021-12-07 |
CN113761756B true CN113761756B (zh) | 2022-05-06 |
Family
ID=78797528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129554.8A Active CN113761756B (zh) | 2021-09-26 | 2021-09-26 | 一种表面温度高温和低温数据集重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761756B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019014120A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | SYSTEM AND METHOD FOR MAKING A PRECISE HYDROLOGICAL DETERMINATION USING DISPARATE METEOROLOGICAL DATA SOURCES |
CN107748736B (zh) * | 2017-10-13 | 2021-11-26 | 河海大学 | 一种基于随机森林的多因子遥感地表温度空间降尺度方法 |
CN110610054B (zh) * | 2019-09-23 | 2021-03-23 | 北京师范大学 | 一种土壤湿度长方体反演模型构建方法及系统 |
CN113283155B (zh) * | 2021-03-22 | 2024-04-09 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
-
2021
- 2021-09-26 CN CN202111129554.8A patent/CN113761756B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113761756A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
CN111723482B (zh) | 一种基于卫星co2柱浓度观测反演地表碳通量的方法 | |
CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
CN110751094A (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 | |
CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
CN111737912B (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
CN114019579A (zh) | 高时空分辨率近地表空气温度重构方法、系统、设备 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN106600060B (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
CN110633841B (zh) | 基于集合采样的省级范围地块尺度数据同化产量预测方法 | |
CN108319772A (zh) | 一种波浪长期数据的再分析方法 | |
CN108983324A (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
CN112785035A (zh) | 融合多元信息的中短期水文预报方法及系统 | |
CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
CN115062527A (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 | |
CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN113761756B (zh) | 一种表面温度高温和低温数据集重构方法 | |
CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
CN115860285B (zh) | 一种烟草最适移栽期的预测方法及装置 | |
Sulaiman et al. | Long-term solar irradiance forecasting using multilinear predictors |
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 |