CN114138764A - 一种降水资料重建方法、系统、存储介质及计算设备 - Google Patents
一种降水资料重建方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN114138764A CN114138764A CN202111475933.2A CN202111475933A CN114138764A CN 114138764 A CN114138764 A CN 114138764A CN 202111475933 A CN202111475933 A CN 202111475933A CN 114138764 A CN114138764 A CN 114138764A
- Authority
- CN
- China
- Prior art keywords
- precipitation data
- data
- gridding
- precipitation
- station
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000001556 precipitation Methods 0.000 title claims description 240
- 238000009826 distribution Methods 0.000 claims description 105
- 238000011160 research Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012950 reanalysis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100029848 Arabidopsis thaliana PIP1-2 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- WVLBCYQITXONBZ-UHFFFAOYSA-N trimethyl phosphate Chemical compound COP(=O)(OC)OC WVLBCYQITXONBZ-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种降水资料重建方法、系统、存储介质及计算设备，本发明根据测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建降水数据重叠时段的多元正态分布模型，推导出多元正态分布模型参数的后验分布，基于根据测站降水数据、网格化降水数据A以及多元正态分布模型参数的后验分布，重建非重叠时段的网格化历史数据，提高了历史降水估计精度。
Description
技术领域
本发明涉及一种降水资料重建方法、系统、存储介质及计算设备，属于降水估计领域。
背景技术
精确的降水空间估计是水文气象领域的重要科学研究目标，是有效开展水文预报、防洪减灾、水资源管理等工作的重要基础。然而，受大气运动、地形、地表植被等多种因素影响，降水具有复杂的空间变异性。长期以来，降水空间估计是水文科学领域一个具有挑战性的难题。
降水估计的主要手段包括测站、数值模式、卫星遥感等。然而，测站密度、卫星数量、数值模式水平等均随着时间而改变，降水资料的时空分布存在较大的非均一性。对于测站降水资料而言，我国具有长时间序列降水记录的基准站和基本站数量仅有726个，其中，大部分站点建设于50年代初。
基于数值模式的再分析资料的时间序列长度仅取决于计算机运算设置，因此不存在测站和卫星降水时间序列短的问题。同时，再分析资料一般采用相同的数值模式和算法，因此降水的时空分布具有较好的一致性。但目前的数值模式以及算法仍存在一定的缺陷。大部分再分析资料使用的是全球数值模式，分辨率仍无法满足直接解析中小尺度物理过程的需求。其中，ERA－interim的大气模式水平分辨率为0.75°、CFSR的大气模式水平分辨率约为0.5°。同时，各模式采用的物理过程参数化方案并不能适用于全球所有地区、所有季节，因此其降水产品具有一定的不确定性。
近年来，随着技术的发展，全球地面观测系统得到了极大的改善。目前，世界气象组织收集来自全球不同地区的共10000多个国际交换站资料，对降水、气温等变量进行监测。我国已建成的区域气象自动站数量也达到了57435个，观测资料时空密度大幅提高。同时，由于卫星观测覆盖范围广、时间间隔短等优点，卫星反演降水产品也得到了广泛的应用。
随着降水资料的逐渐丰富，为充分利用不同降水产品各自的优点，国内外开展了多源降水同化融合的研究。Xie等利用最优插值方法对东亚地区1978～2003年约2200个测站进行插值，并利用PRISM模型进行地形校正，最终获得东亚0.5°分辨率日降水资料。在此基础上，通过融合站点、卫星和再分析资料，构建了1948年至今的0.5°全球逐日网格降水量数据集。Pena－Arancibia等比较了ERA－interim、JAR－25、NCEP－DOE 2、TRMM 3B42V6、CMORPH、PERSIANN六种再分析资料和卫星降水资料在澳大利亚的精度，并利用频率匹配法对六种降水资料进行融合。Beck等通过给定不同降水产品不同的权重，对CPC Unified、GPCC、CMORPH、GSMaP－MVK、TMPA 3B42RT、ERA－interim和JRA－55七种降水产品进行融合，获得了全球1979～2015年逐3小时0.25°网格化降水数据集。
然而，以上降水产品多采用最优插值、克里金插值、距离反比等插值方法将离散站点转换为规则网格，然后与再分析资料等进行融合，融合降水中站点信息的引入仍依赖于插值算法。当站点较为稀缺时，基于站点插值的网格降水存在较大的误差，此时融合降水的精度主要依赖于再分析资料，精度仍不足以满足要求。如何利用现有高质量降水数据信息，提高历史降水估计精度，仍未能解决。
发明内容
本发明提供了一种降水资料重建方法、系统、存储介质及计算设备，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种降水资料重建方法，包括：
获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B；其中，网格化降水数据A为基于全球数值模式的网格化降水数据，网格化降水数据B为基于自动站和卫星遥感融合的网格化降水数据；
根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型；
根据多元正态分布模型，推导出多元正态分布模型参数的后验分布；
根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据。
降水数据均为日降水数据；获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B，包括：
基于地理边界数据，获取研究区的测站日降水数据；
将逐预设小时C的网格化降水数据A累积为逐日降水数据，基于地理边界数据，获取研究区的网格化降水数据A；
将逐预设小时D的网格化降水数据B累积为逐日降水数据，基于地理边界数据，获取研究区的网格化降水数据B。
获取降水数据后，还包括对网格化降水数据A和网格化降水数据B进行可用性验证的步骤，该步骤包括：
选取降水数据的重叠时段，利用双线性插值方法，分别将网格化降水数据A和网格化降水数据B插值到测站，检验网格化降水数据A和网格化降水数据B的可用性。
在构建构多元正态分布模型之前，还包括对测站降水数据、网格化降水数据A和网格化降水数据B进行正态化变换处理的步骤。
降水数据均为日降水数据；根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型，包括：
以网格化降水数据B中每个0.1°网格日降水数据为目标变量，计算每个0.1°网格与测站的距离；
选取距离0.1°网格最近的两个测站降水数据作为影响因子，选取距离0.1°网格最近的网格化降水数据A作为影响因子，采用贝叶斯理论，构建降水数据重叠时段的目标变量与影响因子的多元正态分布模型。
根据多元正态分布模型，推导出多元正态分布模型参数的后验分布，包括：
根据多元正态分布模型，采用蒙特卡洛-马尔科夫链算法，推导出多元正态分布模型参数的后验分布。
降水数据均为日降水数据；根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据，包括：
根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，计算每个0.1°网格非重叠时段日降水数据的概率分布；
根据概率分布，采用重组法，重建非重叠时段的降水数据。
一种降水资料重建系统，包括：
多元数据获取模块：获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B；其中，网格化降水数据A为基于全球数值模式的网格化降水数据，网格化降水数据B为基于自动站和卫星遥感融合的网格化降水数据；
多元正态分布模型构建模块：根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型；
后验分布推导模块：根据多元正态分布模型，推导出多元正态分布模型参数的后验分布；
历史数据获取模块：根根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行降水资料重建方法。
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行降水资料重建方法的指令。
本发明所达到的有益效果：本发明根据测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建降水数据重叠时段的多元正态分布模型，推导出多元正态分布模型参数的后验分布，基于根据测站降水数据、网格化降水数据A以及多元正态分布模型参数的后验分布，重建非重叠时段的网格化历史数据，提高了历史降水估计精度。
附图说明
图1为降水资料重建方法的流程图；
图2为每0.1°网格与测站空间距离分布图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种降水资料重建方法，包括：
步骤1，获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B；其中，网格化降水数据A为基于全球数值模式的网格化降水数据，网格化降水数据B为基于自动站和卫星遥感融合的网格化降水数据；
步骤2，根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型；
步骤3，根据多元正态分布模型，推导出多元正态分布模型参数的后验分布；
步骤4，根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据。
上述方法根据测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建降水数据重叠时段的多元正态分布模型，推导出多元正态分布模型参数的后验分布，基于根据测站降水数据、网格化降水数据A以及多元正态分布模型参数的后验分布，重建非重叠时段的网格化历史数据，提高了历史降水估计精度。
上述测站降水数据为长时间序列(即长度大于时间阈值T1的时间序列)的测站降水数据，网格化降水数据A为长时间序列但较低分辨率(0.75°)的网格化降水数据，网格化降水数据B为短时间序列(即长度小于时间阈值T2的时间序列)但高分辨率(0.1°)的网格化降水数据。
以1979～2016的降水数据为例，降水数据均的时间尺度统一为日降水数据，获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B的过程可以如下：
11)基于地理边界数据，收集并整理1979～2016年内研究区的测站日降水数据；
12)将逐预设小时C(可设为6小时)的网格化降水数据A累积为逐日降水数据，基于地理边界数据，获取1979～2016年内研究区的网格化降水数据A；
13)将逐预设小时D(可设为1小时)的网格化降水数据B累积为逐日降水数据，基于地理边界数据，获取2008～2016年内研究区的网格化降水数据B。
获取上述三种日降水数据后，需要进一步对网格化降水数据A和网格化降水数据B进行可用性验证，过程可以为：选取降水数据的重叠时段，即2008～2016，利用双线性插值方法，分别将网格化降水数据A和网格化降水数据B插值到测站，检验网格化降水数据A和网格化降水数据B的可用性。
若所有日降水数据均可用，采用对数正态化变换方法对不同来源的降水数据分别进行正态化变换处理。正态化变换处理采用了预先构建的正态化变换模型，不同的来源的数据采用不同的模型，这些模型先采用log-sinh正态化变换方法构建，然后利用最大化后验概率算法，对正态化变换模型参数进行点估计，获得最优参数集，采用最优参数的正态化变换模型进行正态化变换处理。
基于正态化变换处理后的重叠时段(2008～2016)的降水数据，采用贝叶斯理论，可构建重叠时段的多元正态分布模型，具体过程可以为：
21)以网格化降水数据B中每个0.1°网格日降水数据为目标变量，计算每个0.1°网格与测站的距离；
22)如图2所示为0.1°网格(D)、测站(s1，s2)以及网格化降水数据A(M)位置示意图，选取距离0.1°网格最近的两个测站降水数据作为影响因子，选取距离0.1°网格最近的网格化降水数据A作为影响因子，采用贝叶斯理论，构建降水数据重叠时段的目标变量与影响因子的多元正态分布模型，其中，多元正态分布模型参数的先验为无信息先验。
多元正态分布模型用公式可以表示为：
[x1 x2 x3 y]～N(μ,∑)
其中，x1、x2为正态化变换处理后的距离0.1°网格y最近的两个测站降水数据，x3为正态化变换处理后的距离0.1°网格最近的网格化降水数据A，N为多元正态分布简写，μ、∑分别为多元正态分布的均值和协方差矩阵；
μT＝[μ1 μ2 μ3 μ4]
∑＝σRσT
其中，T表示转置，σ为标准差向量，μ1、μ2、μ3、μ4分别为x1、x2、x3、y对应的均值；
σT＝[σ1 σ2 σ3 σ4]
其中，σ1、σ2、σ3、σ4分别为x1、x2、x3、y对应的标准差，R为变量间的相关系数矩阵，如r14为x1和y之间的相关系数。
根据多元正态分布模型，可以采用蒙特卡洛-马尔科夫链算法，推导出多元正态分布模型参数的后验分布，这里将所有的参数定义为θ，主要步骤如下：
1)在t＝0时刻，从任意值开始初始化θ0；
2)遍历所有每个t时刻的参数，针对每个参数
(t时刻第j个参数)，其条件概率分布为：
其中，
为不包含
的当前参数值；
从上述条件概率分布中对
进行采样，获得t＝t+1时刻的
值；
遍历完成后，可得到一组参数
3)重复2)10000次，获得参数的样本空间。
根据非重叠时段(1979～2007)的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的网格化历史数据，具体过程可以为：
41)根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，计算每个0.1°网格非重叠时段日降水数据的概率分布；
∫p(y′|x′1,x′2,x′3,θ)p(θ|x′1,x′2,x′3,y)dθ
x′1、x′2、x′3、y′和x1、x2、x3、y的区别为：x′1、x′2、x′3、y′为非重叠时段的数据，x1、x2、x3、y为重叠时段的数据，θ代表2008～2016年时段构建的多元正态分布模型所有参数的后验分布。
42)根据概率分布，采用重组法对网格中的每个集合成员(基于MCMC方法随机采样结果，每采到1个样本，即称为1个集合成员)进行重组，保持网格间降水的空间相关性特征，重建非重叠时段(1979～2007)的降水数据。
上述方法在正态化变换的基础上，利用贝叶斯理论建立重叠时段内高质量、高分辨率融合降水数据与测站、再分析资料降水数据之间的关系，在高质量、高分辨率网格化降水数据没有记录时，基于测站降水、再分析降水以及参数的后验分布，对降水进行估计，重建长序列高分辨率网格化降水数据集，提高了历史降水估计精度。
基于相同的技术方案，本发明还公开了上述方法的软件系统，即一种降水资料重建系统，包括：
多元数据获取模块：获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B；其中，网格化降水数据A为基于全球数值模式的网格化降水数据，网格化降水数据B为基于自动站和卫星遥感融合的网格化降水数据；
多元正态分布模型构建模块：根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型；
后验分布推导模块：根据多元正态分布模型，推导出多元正态分布模型参数的后验分布；
历史数据获取模块：根根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据。
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行降水资料重建方法。
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行降水资料重建方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种降水资料重建方法，其特征在于，包括：
获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B；其中，网格化降水数据A为基于全球数值模式的网格化降水数据，网格化降水数据B为基于自动站和卫星遥感融合的网格化降水数据；
根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型；
根据多元正态分布模型，推导出多元正态分布模型参数的后验分布；
根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据。
2.根据权利要求1所述的一种降水资料重建方法，其特征在于，降水数据均为日降水数据；获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B，包括：
基于地理边界数据，获取研究区的测站日降水数据；
将逐预设小时C的网格化降水数据A累积为逐日降水数据，基于地理边界数据，获取研究区的网格化降水数据A；
将逐预设小时D的网格化降水数据B累积为逐日降水数据，基于地理边界数据，获取研究区的网格化降水数据B。
3.根据权利要求2所述的一种降水资料重建方法，其特征在于，获取降水数据后，还包括对网格化降水数据A和网格化降水数据B进行可用性验证的步骤，该步骤包括：
选取降水数据的重叠时段，利用双线性插值方法，分别将网格化降水数据A和网格化降水数据B插值到测站，检验网格化降水数据A和网格化降水数据B的可用性。
4.根据权利要求1所述的一种降水资料重建方法，其特征在于，在构建构多元正态分布模型之前，还包括对测站降水数据、网格化降水数据A和网格化降水数据B进行正态化变换处理的步骤。
5.根据权利要求1所述的一种降水资料重建方法，其特征在于，降水数据均为日降水数据；根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型，包括：
以网格化降水数据B中每个0.1°网格日降水数据为目标变量，计算每个0.1°网格与测站的距离；
选取距离0.1°网格最近的两个测站降水数据作为影响因子，选取距离0.1°网格最近的网格化降水数据A作为影响因子，采用贝叶斯理论，构建重叠时段的目标变量与影响因子的多元正态分布模型。
6.根据权利要求1所述的一种降水资料重建方法，其特征在于，根据多元正态分布模型，推导出多元正态分布模型参数的后验分布，包括：
根据多元正态分布模型，采用蒙特卡洛-马尔科夫链算法，推导出多元正态分布模型参数的后验分布。
7.根据权利要求5所述的一种降水资料重建方法，其特征在于，降水数据均为日降水数据；根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据，包括：
根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，计算每个0.1°网格非重叠时段日降水数据的概率分布；
根据概率分布，采用重组法，重建非重叠时段的降水数据。
8.一种降水资料重建系统，其特征在于，包括：
多元数据获取模块：获取研究区的测站降水数据、网格化降水数据A和网格化降水数据B；其中，网格化降水数据A为基于全球数值模式的网格化降水数据，网格化降水数据B为基于自动站和卫星遥感融合的网格化降水数据；
多元正态分布模型构建模块：根据重叠时段的测站降水数据、网格化降水数据A和网格化降水数据B，采用贝叶斯理论，构建重叠时段的多元正态分布模型；
后验分布推导模块：根据多元正态分布模型，推导出多元正态分布模型参数的后验分布；
历史数据获取模块：根根据非重叠时段的测站降水数据和网格化降水数据A、以及多元正态分布模型参数的后验分布，重建非重叠时段的降水数据。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111475933.2A CN114138764A (zh) | 2021-12-06 | 2021-12-06 | 一种降水资料重建方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111475933.2A CN114138764A (zh) | 2021-12-06 | 2021-12-06 | 一种降水资料重建方法、系统、存储介质及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114138764A true CN114138764A (zh) | 2022-03-04 |
Family
ID=80384002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111475933.2A Pending CN114138764A (zh) | 2021-12-06 | 2021-12-06 | 一种降水资料重建方法、系统、存储介质及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114138764A (zh) |
-
2021
- 2021-12-06 CN CN202111475933.2A patent/CN114138764A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Bhuiyan et al. | A nonparametric statistical technique for combining global precipitation datasets: Development and hydrological evaluation over the Iberian Peninsula | |
| CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN111033318A (zh) | 当地气象预测 | |
| CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| CN113297528A (zh) | 一种基于多源大数据的no2高分辨率时空分布计算方法 | |
| CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
| CN111859054B (zh) | 气象卫星数据的处理方法及装置 | |
| CN110390343B (zh) | 一种空间气象数据的订正方法及系统 | |
| CN113536576B (zh) | 一种数值预报产品距平积分动力统计订正方法和系统 | |
| CN105974495B (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN111611541B (zh) | 基于Copula函数的无资料地区降水数据推求方法及系统 | |
| CN112633544A (zh) | 预测风速订正方法及其装置 | |
| CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
| CN109409014B (zh) | 基于bp神经网络模型的年可照时数的计算方法 | |
| CN112861072A (zh) | 一种星地多源降水自适应动态融合方法 | |
| CN116341841B (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
| CN115327662A (zh) | 一种基于统计学习的区域电离层tec预测方法 | |
| CN116955450A (zh) | 一种融合流域产汇流时空过程的水文预报方法和系统 | |
| CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和系统 | |
| CN113158128B (zh) | 一种全球无缝隙台风动力集合预测方法、系统 | |
| Merizzi et al. | Wind speed super-resolution and validation: from ERA5 to CERRA via diffusion models | |
| CN117574622A (zh) | 一种对流层建模方法和装置 |
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 |