CN114118511B - 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 - Google Patents
一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 Download PDFInfo
- Publication number
- CN114118511B CN114118511B CN202111012389.8A CN202111012389A CN114118511B CN 114118511 B CN114118511 B CN 114118511B CN 202111012389 A CN202111012389 A CN 202111012389A CN 114118511 B CN114118511 B CN 114118511B
- Authority
- CN
- China
- Prior art keywords
- clear sky
- coverage
- area
- time sequence
- sky index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 230000001932 seasonal effect Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 30
- 241000728173 Sarima Species 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006641 stabilisation Effects 0.000 claims abstract description 5
- 238000011105 stabilization Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 3
- SGSXWFDMRKAVLS-UHFFFAOYSA-N [6'-acetyloxy-5-[3-[3-[4-(1-methylindol-3-yl)-2,5-dioxopyrrol-3-yl]indol-1-yl]propylcarbamoyl]-3-oxospiro[2-benzofuran-1,9'-xanthene]-3'-yl] acetate Chemical compound C1=C(C=2C(NC(=O)C=2C=2C3=CC=CC=C3N(C)C=2)=O)C2=CC=CC=C2N1CCCNC(=O)C(C=C1C(=O)O2)=CC=C1C12C2=CC=C(OC(C)=O)C=C2OC2=CC(OC(=O)C)=CC=C12 SGSXWFDMRKAVLS-UHFFFAOYSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101000628562 Homo sapiens Serine/threonine-protein kinase STK11 Proteins 0.000 description 1
- 238000003648 Ljung–Box test Methods 0.000 description 1
- 102100026715 Serine/threonine-protein kinase STK11 Human genes 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，对气象卫星VIRR全球云量日产品数据进行预处理，确定需求区域晴空指数FI，生成晴空指数的时间序列；对需求区域的晴空指数时间序列作平稳性与季节性判断、平稳化处理，以晴空指数时间序列为输入，建立季节时间序列模型SARIMA；通过建立的模型对该需求区域进行晴空指数预测；对需求区域进行观测周期内多星联合过境分析，确定完整覆盖时段和不完整覆盖时段所在月份的晴空指数预测值；建立覆盖有效性与全部覆盖时段和晴空指数FI的有效性预估模型，对观测周期内需求区域多星联合覆盖的数据进行有效性预测。采用本发明方法，可对观测时段内大区域多星联合覆盖的数据有效性提供可靠评估。
Description
技术领域
本发明属于对地卫星观测技术领域，特别涉及一种基于云量预测信息的大区域多星联合覆盖有效性评估方法。
背景技术
随着我国陆地观测卫星的增多，卫星数据获取能力大幅提升。由于光学类卫星在数据获取过程中易受到天气影响，因此云覆盖量较多将导致卫星影像产品质量较差。目前，我国陆地观测卫星多未搭载云探载荷，以目前的卫星运行模式，只有影像数据回传处理后才能分析影像的价值，所以卫星任务规划过程中，不结合云量空间分布，将无法避免这种资源的浪费。
然而，目前面向卫星成像规划的云量预测的相关研究较少，在云量预测相关模型方面，多为通过如模式识别、交叉相关等方法模型进行的短期预测，预测时段通常以小时为单位。人工神经网络模型(Artificial Neural Network，ANN)因其自学能力、联想存储、优化求解能力，对中、短期天气预报，短期气候预测具有较好的拟合与预报精度。但由于影像云量分布的因素较多，且卫星观测区域目标具有空间分布的不确定性，因此难以通过人工神经网络建立一个可准确预测特定观测时段及范围内的云量预测模型。
在常规卫星运行过程中，点目标或单轨可覆盖小区域目标通过卫星重访，短时间内即可进行成像。由于短期天气预报精度水平较高，且卫星重访周期短，通过卫星过境日期与过境期间天气预报的有效结合，数据获取的有效性容易判断。对于大区域观测目标，利用卫星重访很难实现快速全部覆盖，为了保障数据获取的有效搭接，单颗卫星不进行侧摆的情况下至少一个回归周期才能拍摄一遍，但由于未来天气的不确定性和长期预报的复杂性及不准确性，难以根据天气预报数据对长期或指定日期范围内过境覆盖进行有效性评估。
发明内容
为了克服现有技术中的不足，本发明人进行了锐意研究，提供了一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，利用风云三号A星或C星(FY-3A、3C)可见光红外扫描辐射计(VIRR)全球云量日产品数据，通过季节时间序列模型(SARIMA,seasonalARIMA model)，以月为周期对云量进行预测建模；基于观测区域云量预测结果，结合多星组网运行情况下有效时段内卫星过境情况，得出观测时段内数据有效性评估结果。
本发明提供的技术方案如下：
一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，包括如下步骤：
S1：对气象卫星VIRR全球云量日产品数据进行预处理，确定需求区域晴空指数FI，生成晴空指数的时间序列；
S2：对需求区域的晴空指数时间序列作平稳性与季节性判断，若晴空指数时间序列为非平稳性数据则进行平稳化处理，以平稳季节性晴空指数时间序列为输入，建立季节时间序列模型SARIMA；
S3，通过建立的SARIMA模型对该需求区域进行晴空指数预测；
S4，对需求区域进行观测周期内多星联合过境分析，确定完整覆盖时段和不完整覆盖时段所在月份的晴空指数预测值；
S5：建立覆盖有效性与全部覆盖时段和晴空指数FI的有效性预估模型，对观测周期内需求区域多星联合覆盖的数据进行有效性预测。
根据本发明提供的一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，具有以下有益效果：
一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，利用风云三号A星和/或C星(FY-3A、3C)的VIRR全球云量日产品数据，通过季节时间序列模型SARIMA，以月为周期对云量进行预测建模；基于观测区域云量预测结果，结合多星组网运行情况下有效时段内卫星过境情况，得出观测时段内数据有效性评估结果。基于历史全球云量日产品数据，采用本发明提出的覆盖有效性评估方法，可实现对观测区域较高准确度的覆盖有效性评估。
附图说明
图1为基于云量预测信息的大区域多星联合覆盖有效性评估方法的流程示意图；
图2为风云三号卫星云量数据矩阵转换与晴空天数统计处理过程示意图；
图3为2020年2月份某市晴空天数分布图；
图4为某市2021年2月份高分一号02、03、04星及高分六号卫星理论过境覆盖图；其中(a)为2月1日-12日覆盖情况；(b)为2月12日-23日覆盖情况；(c)为2月23日-2月28日覆盖情况。
具体实施方式
下面通过对本发明进行详细说明，本发明的特点和优点将随着这些说明而变得更为清楚、明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
本发明提供了一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，如图1所示，包括如下步骤：
S1：对气象卫星VIRR全球云量日产品数据进行预处理，确定需求区域晴空指数FI，生成晴空指数的时间序列(Yi)；
S2：对需求区域的晴空指数时间序列作平稳性与季节性判断，若晴空指数时间序列为非平稳性数据则进行平稳化处理，以平稳季节性晴空指数时间序列为输入，建立季节时间序列模型SARIMA；
S3，通过建立的SARIMA模型对该需求区域进行晴空指数预测；
S4，对需求区域进行观测周期T内多星联合过境分析，确定完整覆盖时段和不完整覆盖时段所在月份M的晴空指数预测值；
S5：建立覆盖有效性VT与全部覆盖时段和晴空指数FI的有效性预估模型，对观测周期T内需求区域多星联合覆盖的数据进行有效性预测。
在一种优选的实施方式中，步骤S1中，所用的全球云量日产品数据至少为临近当前年份的四期(四年)的数据，可以为风云三号A星和/或C星(FY-3A/3C)卫星VIRR全球云量(CLA)日产品数据，也可用同样数据格式的其他气象观测卫星数据。为保证晴空指数FI的准确性，云量日产品数据期数越多，预测值则更具备参考性。
步骤S1中，所述对气象卫星VIRR全球云量日产品数据进行预处理的步骤，包括以下子步骤：
月度晴空天数统计：读取云量数据HDF文件，HDF文件中包含了分辨率为0.05°的VIRR全球云量日产品数据，将VIRR全球云量日产品数据中像元值在0-20之间的像元定义为晴空，检测0-20的像元并赋值为1，其余数据赋值为0(含填充值，以消除部分地区填充值对正常值的影响)，将各月份每日赋值处理后的数据进行累计求和，得出月晴空天数TIFF文件，TIFF文件中包含了分辨率0.05°的全球月晴空天数，如图2所示；
TIFF文件地理配准：通过ArcGIS将全球月晴空天数TIFF文件转换为ASCII栅格数据文件，修改文件头角点的坐标(xllcorner和yllcorner)为对应HDF文件信息中左下经纬度，像元大小设置为0.05，将ASCII栅格数据文件再转换回TIFF格式文件并配置地理坐标系，优选为GCS_WGS_1984；
需求区域晴空数据提取：采用需求区域SHP文件进行数据剪裁，获取目标区域内逐年逐月晴空天数TIFF文件，遍历各月份晴空天数TIFF文件像元值并求取相应月份晴空天数均值，作为月晴空天数区域均值。
步骤S1中，晴空指数FI的计算公式如下：
其中，∑Fij为晴空天数区域总值，M为提取区域的像元总数，N为晴空数据所在月份总天数。
步骤S1中，晴空指数的时间序列Yi为按月份排列的各月份需求区域内平均晴空天数占该月份总天数的比值。
在一种优选的实施方式中，步骤S2中，所述建立季节时间序列模型SARIMA的步骤，包括如下子步骤：
晴空指数时间序列的平稳性判断：时间序列的平稳性是时间序列分析过程中统计操作处理的基本前提建设，所以非平稳序列一般需要转化为平稳性时间序列。晴空指数时间序列的平稳性判断，主要是通过分析移动平均和标准差走势的统计检验方法、及ADF检验方法实施；
晴空指数时间序列的季节性判断：提取晴空指数时间序列的趋势、季节和随机效应，并将以上信息从时间序列中分离出来，对晴空指数时间序列的季节性变动周期进行判断；若晴空指数时间序列具备序列季节性，可采用SARIMA建模；
晴空指数时间序列平稳化：采用一阶十二步差分对非平稳季节性晴空指数时间序列进行季节性和非季节性差分处理，使晴空指数时间序列趋于平稳，并确定把非平稳季节性时间序列转化为平稳季节性时间序列的非季节和季节性差分次数d和D；
白噪声检验：判断差分后的晴空指数时间序列是否为白噪声序列，如果不是，进行SARIMA建模步骤；
SARIMA建模：以平稳季节性晴空指数时间序列作为输入，通过网格搜寻方法或AIC准则，确定p，P，q，Q参数及季节性变化周期s的值，建立SARIMA(p,d,q)(P,D,Q)s模型，其中参数p，P，q，Q分别表示非季节、季节、自回归、移动平均算子的最大滞后阶数。
步骤S2中，建立季节时间序列模型SARIMA后，还包括对模型质量评估步骤，具体地：将历史晴空指数时间序列分为样本集和测试集，以样本集输入建立的SARIMA模型中，得到测试集对应时间的历史晴空指数，以均方误差和均方根误差评价输出值与测试集中实际值的匹配程度，确定模型质量。
在一种优选的实施方式中，步骤S4中，多星联合过境分析中的“多星”为相同分辨率多颗光学类陆地观测卫星，卫星可为组网运行也可为非组网单独运行。观测周期内卫星整覆盖时段根据卫星实际运行覆盖情况确定。
卫星过境分析主要利用STK11仿真环境，创建场景时间范围为需求观测周期T，时间格式为LCLG；通过两行根建立卫星模型，并为各颗卫星建立相应传感器，另外，需求区域多星联合过境分析是观测周期T内，所选多颗卫星0度过境，不涉及卫星侧摆成像情况。基于以上进行过境分析，确定观测周期T内卫星完整覆盖时段n1，n2，n3，…nm-1，若还存在不完整覆盖时段nm，则保留不完整覆盖时段nm；获取上述覆盖时段对应月份的晴空指数预测值，用于建立数据有效性评估模型。
云量预测信息的大区域多星联合覆盖有效性评估方法可对全球地区进行需求范围内观测周期的数据有效性预测，需求范围可以为任意多边形区域，观测周期可跨越自然月。若完整覆盖时段或不完整覆盖时段对应的月份为单月份，则晴空指数预测值为该单月份晴空指数预测值，若完整覆盖时段或不完整覆盖时段对应的月份为多月份，则晴空指数预测值为该多月份晴空指数预测值的平均值。
在一种优选的实施方式中，步骤S5中，所述有效性预估模型表达式为：
VT＝{FI1+(1-FI1)×FI2+[1-[FI1+(1-FI1)×FI2]]×FI3+……(1-所有完整覆盖时段对应的观测数据有效性)×P×FIn}×100％……(2)
VT为模型观测数据有效性的预测值，FI1、FI2、FI3、FIm-1为完整覆盖时段n1，n2，n3，…nm-1对应的晴空指数预测值，FIm为不完整覆盖时段nm对应的晴空指数预测值，P为不完整覆盖时段的覆盖率。
实施例
下面以某市(图3)为研究区，示例性说明本发明技术方法的具体应用，该实施例并不用于限制本发明的范围。
在本实例中，数据有效性评估方法被应用于进行某市2021年数据有效性评估预测。本实例选取FY-3A/3C气象卫星2010-2020年VIRR全球云量日产品数据对2021年数据进行预测；选取的卫星为中国陆地观测卫星高分一号02星、03星、04星及高分六号卫星，上述卫星已实现组网运行，四星联合回归周期为11天；观测周期为2021年2月1日至2021年2月28日。
针对FY-3A/3C气象卫星2010-2020年共计11年的VIRR全球云量日产品数据，建立月度晴空天数影像数据集。月度晴空天数数据集建立过程中，通过MATLAB软件读取云量数据HDF文件，检测总云量日产品数据中像元值为0-20的像元，并赋值为1，其余数据赋值为0(含填充值，以消除部分地区填充值对正常值的影响)，将各月份每日赋值处理后的数据进行累计求和，得出月晴空天数TIFF格式文件，并对TIFF文件进行地理配准，配置坐标系为GCS_WGS_1984坐标系。
基于全球逐月份晴空天数分布数据，采用需求区域SHP文件进行数据剪裁，获取目标区域内逐月晴空天数分布TIFF文件，遍历各月份需求区域晴空数据像元值并求取均值，作为月晴空天数区域均值，并计算需求区域月度晴空指数。
然后，对需求区域晴空指数分别进行序列平稳性判断、序列季节性判断，并在平稳性检验的基础上对非平稳序列进行季节与非季节差分处理，并对差分结果进行白噪声检验。
晴空指数时间序列平稳性判断通过分析移动平均和标准差走势的统计检验方法或ADF检验(Augmented Dickey-Fuller test)。
公式(3)中，τ为ADF检验统计量，是参数ρ的标准方差，当τ大于DW(德宾—沃森)临界值，则序列存在单位根，是非平稳序列，反之则为平稳序列。
季节性判断通过提取云量指数时间序列的趋势、季节和随机效应，并将以上信息从时间序列中分离出来，对云量指数时间序列进行季节性变动周期进行判断。
晴空指数时间序列平稳化通过对原始数据进行1阶12步差分来提取原序列的趋势效应和季节效应并将其剔除，从而将非平稳的数据转化为平稳数据。
白噪声检验通过混成检验(Ljung-Box test，LB检验)确定。
继而，建立研究区晴空指数序列SARIMA预测模型，进行2021年度各月份晴空指数预测。
结合卫星在观测周期T内的理论覆盖情况，进行数据覆盖有效性计算，通过查询卫星实际覆盖情况对预测结果进行验证。
本实例所得研究区逐月份晴空指数预测值、观测周期T内卫星理论过境情况、数据有效性计算结果如表1、表2、图4所示。
下表1为研究区2021年各月份晴空指数预测结果及置信区间上下限的值。
表1
下表2为研究区2021年2月份卫星理论覆盖数据有效性计算结果。
表2
表1表明，研究区2月份晴空指数预测值为0.515，对应95％置信区间上下限分别为0.308和0.723。
表2表明，依据卫星实际轨道运行情况，在0度侧摆情况下，2月1日-2月12日即n1时段，4颗卫星对研究区进行联合成像，通过4轨可实现对研究区的完整覆盖，对应图4(a)；2月12日至2月23日即n2时段，通过4轨可实现对研究区的完整覆盖，对应图4(b)；2月23日-2月28日即n3时段，因为不足一个覆盖周期，卫星对研究区理论成像3轨，可覆盖研究区面积的90％，对应图4(c)。
基于表1所得2月份晴空指数预测值，及表2中卫星覆盖时段n1、n2、n3及各时段覆盖百分比，计算数据有效性。由于观测周期未跨越月份，因此观测时段n1、n2、n3，对应同一晴空指数FI，根据公式(2)所得计算结果为88％。
实际卫星成像过程中，由于重点、应急等观测需求导致的卫星侧摆成像，会使得卫星对大区域需求目标的成像并非严格按照理论情况进行覆盖。查询某市2月份数据获取情况，n1、n2、n3时段，实际完整覆盖2次，由有效性评估模型计算理论上2次完整覆盖数据有效性为77％。将实际覆盖数据中云量大于20％的数据去除，计算实际数据有效性(重复有效覆盖按一次有效获取计算)，数据有效性实际为81.3％，数据有效性略高于理论所得，分析原因为卫星在实际成像过程中，由于侧摆使得部分区域覆盖次数多于2遍，使得该地区数据有效性有所提升。
本实例基于上述操作和结果，展示了本发明提出的覆盖有效性评估方法实际操作过程及预报结果。上述结果表明，基于本发明提出的覆盖有效性评估技术可实现对观测区域较高准确度的覆盖有效性评估。针对本实例某市2月份多星联合覆盖有效性评估，结合卫星实际运行情况，可以实现对覆盖有效性较为准确的预报。需要指出的是，在实际应用过程中，由于卫星因重要任务导致的侧摆成像使得实际覆盖情况与理论覆盖情况有所差别，但评估结果对需求用户仍具有较可靠的参考价值。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，包括如下步骤：
S1：对气象卫星VIRR全球云量日产品数据进行预处理，确定需求区域晴空指数FI，生成晴空指数的时间序列；
S2：对需求区域的晴空指数时间序列作平稳性与季节性判断，若晴空指数时间序列为非平稳性数据则进行平稳化处理，以平稳季节性晴空指数时间序列为输入，建立季节时间序列模型SARIMA；
S3：通过建立的SARIMA模型对该需求区域进行晴空指数预测；
S4：对需求区域进行观测周期内多星联合过境分析，确定完整覆盖时段和不完整覆盖时段所在月份的晴空指数预测值；
S5：建立覆盖有效性与全部覆盖时段和晴空指数FI的有效性预估模型，对观测周期内需求区域多星联合覆盖的数据进行有效性预测。
2.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S1中，所述气象卫星VIRR全球云量日产品数据选自风云三号A星FY-3A和/或风云三号C星FY-3C气象卫星VIRR全球云量日产品数据。
3.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S1中，所述对气象卫星VIRR全球云量日产品数据进行预处理的步骤，包括以下子步骤：
月度晴空天数统计：读取云量数据HDF文件，将VIRR全球云量日产品数据中像元值在0-20之间的像元定义为晴空，检测0-20的像元并赋值为1，其余数据赋值为0，将各月份每日赋值处理后的数据进行累计求和，得出月晴空天数TIFF文件，TIFF文件中包含了分辨率0.05°的全球月晴空天数；
TIFF文件地理配准：通过ArcGIS将全球月晴空天数TIFF文件转换为ASCII栅格数据文件，修改文件头角点的坐标xllcorner和yllcorner为对应HDF文件信息中左下经纬度，将ASCII栅格数据文件再转换回TIFF格式文件并配置地理坐标系；
需求区域晴空数据提取：采用需求区域SHP文件进行数据剪裁，获取目标区域内逐年逐月晴空天数TIFF文件，遍历各月份晴空天数TIFF文件像元值并求取相应月份晴空天数均值，作为月晴空天数区域均值。
4.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S1中，晴空指数FI的计算公式如下：
其中，∑Fij为晴空天数区域总值，M为提取区域的像元总数，N为晴空数据所在月份总天数。
5.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S1中，晴空指数的时间序列Yi为按月份排列的各月份需求区域内平均晴空天数占该月份总天数的比值。
6.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S2中，所述建立季节时间序列模型SARIMA的步骤，包括如下子步骤：
晴空指数时间序列的平稳性判断：晴空指数时间序列的平稳性判断，主要通过分析移动平均和标准差走势的统计检验方法或ADF检验方法实施；
晴空指数时间序列的季节性判断:提取晴空指数时间序列的趋势、季节和随机效应，并将以上信息从时间序列中分离出来，对晴空指数时间序列的季节性变动周期进行判断；若晴空指数时间序列具备序列季节性，可采用SARIMA建模；
晴空指数时间序列平稳化：采用一阶十二步差分对非平稳季节性晴空指数时间序列进行季节性和非季节性差分处理，使晴空指数时间序列趋于平稳，并确定把非平稳季节性时间序列转化为平稳季节性时间序列的非季节和季节性差分次数d和D；
白噪声检验：判断差分后的晴空指数时间序列是否为白噪声序列，如果不是，进行SARIMA建模步骤；
SARIMA建模：以平稳季节性晴空指数时间序列作为输入，通过网格搜寻方法或AIC准则，确定SARIMA模型中p，P，q，Q参数及季节性变化周期s的值，建立SARIMA(p,d,q)(P,D,Q)s模型，其中参数p，P，q，Q分别表示非季节、季节、自回归、移动平均算子的最大滞后阶数。
7.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S2中，建立季节时间序列模型SARIMA后，还包括对模型质量评估步骤，具体地：将历史晴空指数时间序列分为样本集和测试集，以样本集输入建立的SARIMA模型中，得到测试集对应时间的历史晴空指数，以均方误差和均方根误差评价输出值与测试集中实际值的匹配程度，确定模型质量。
8.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S4中，完整覆盖时段或不完整覆盖时段对应的月份为单月份时，则晴空指数预测值为该单月份晴空指数预测值；
完整覆盖时段或不完整覆盖时段对应的月份为多月份时，则晴空指数预测值为该多月份晴空指数预测值的平均值。
9.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S4中，所述对需求区域进行观测周期内多星联合过境分析是基于观测周期内，所选多颗卫星0度过境，不涉及卫星侧摆成像的情况。
10.根据权利要求1所述的基于云量预测信息的大区域多星联合覆盖有效性评估方法，其特征在于，步骤S5中，所述有效性预估模型表达式为：
VT＝{FI1+(1-FI1)×FI2+[1-[FI1+(1-FI1)×FI2]]×FI3+……+(1-所有完整覆盖时段对应的观测数据有效性)×P×FIn}×100％ (2)
VT为模型观测数据有效性的预测值，FI1、FI2、FI3、FIm-1为完整覆盖时段n1，n2，n3，…nm-1对应的晴空指数预测值，FIm为不完整覆盖时段nm对应的晴空指数预测值，P为不完整覆盖时段的覆盖率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111012389.8A CN114118511B (zh) | 2021-08-31 | 2021-08-31 | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111012389.8A CN114118511B (zh) | 2021-08-31 | 2021-08-31 | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114118511A CN114118511A (zh) | 2022-03-01 |
| CN114118511B true CN114118511B (zh) | 2024-08-02 |
Family
ID=80441135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111012389.8A Active CN114118511B (zh) | 2021-08-31 | 2021-08-31 | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118511B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114564487B (zh) * | 2022-04-29 | 2022-08-02 | 南京信息工程大学 | 预报预测相结合的气象栅格数据更新方法 |
| CN115936163B (zh) * | 2022-05-17 | 2024-02-23 | 长光卫星技术股份有限公司 | 一种基于气象预测数据的卫星大区域覆盖编程规划方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820250A (zh) * | 2015-04-14 | 2015-08-05 | 国家卫星气象中心 | 一种极轨气象卫星virr海洋上云检测的处理方法 |
| CN109872060A (zh) * | 2019-02-01 | 2019-06-11 | 中国地质大学（武汉） | 一种用于多卫星传感器联合观测方案选择的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10409925B1 (en) * | 2012-10-17 | 2019-09-10 | Clean Power Research, L.L.C. | Method for tuning photovoltaic power generation plant forecasting with the aid of a digital computer |
| CN111275238B (zh) * | 2019-12-15 | 2022-05-27 | 东北电力大学 | 基于每时晴空指数的大规模电站光伏出力序列生成方法 |
-
2021
- 2021-08-31 CN CN202111012389.8A patent/CN114118511B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820250A (zh) * | 2015-04-14 | 2015-08-05 | 国家卫星气象中心 | 一种极轨气象卫星virr海洋上云检测的处理方法 |
| CN109872060A (zh) * | 2019-02-01 | 2019-06-11 | 中国地质大学（武汉） | 一种用于多卫星传感器联合观测方案选择的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114118511A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112684520B (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
| CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
| US20230213337A1 (en) | Large-scale forest height remote sensing retrieval method considering ecological zoning | |
| Heo et al. | Multi-channel convolutional neural network for integration of meteorological and geographical features in solar power forecasting | |
| CN114118511B (zh) | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 | |
| CN110263392B (zh) | 基于多模式分区误差检验的风场预报方法及其系统 | |
| Voyant et al. | Time series modeling and large scale global solar radiation forecasting from geostationary satellites data | |
| CN112200377A (zh) | 基于sarimax模型的光伏中长期发电量预报方法及装置 | |
| CN111937016B (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
| CN110826454B (zh) | 一种遥感影像变化检测方法及装置 | |
| CN115204618B (zh) | 一种ccmvs区域碳源汇同化反演方法 | |
| CN113220810B (zh) | 一种多源物种分布数据处理方法及装置 | |
| Schuh et al. | Far-field biogenic and anthropogenic emissions as a dominant source of variability in local urban carbon budgets: A global high-resolution model study with implications for satellite remote sensing | |
| CN116822185B (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| Liu et al. | Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction | |
| CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN114385611A (zh) | 一种基于人工智能算法和知识图谱的降水预测方法和系统 | |
| CN117593657A (zh) | 一种精细化气象预报数据处理方法、系统及可读存储介质 | |
| CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
| Chao et al. | A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating | |
| CN117219183A (zh) | 多云雨地区的高覆盖度近地面no2浓度估算方法及系统 | |
| Abujayyab et al. | Automated prediction system for vegetation cover based on modis-ndvi satellite data and neural networks |
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 |