CN114936201A - 基于自适应分块神经网络模型的卫星降水数据校正方法 - Google Patents
基于自适应分块神经网络模型的卫星降水数据校正方法 Download PDFInfo
- Publication number
- CN114936201A CN114936201A CN202210330248.9A CN202210330248A CN114936201A CN 114936201 A CN114936201 A CN 114936201A CN 202210330248 A CN202210330248 A CN 202210330248A CN 114936201 A CN114936201 A CN 114936201A
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- satellite
- neural network
- precipitation data
- 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
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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种基于自适应分块神经网络模型的卫星降水数据校正方法,包括如下步骤:(1)获得卫星降水数据和地面站点降水数据以及高程DEM数据,对数据预处理操作;(2)将步骤(1)中所有数据重采样成适于神经网络学习的数据集;(3)将高程和卫星降水量作为特征,采用K‑means++无监督聚类算法将网格化后的研究区域进行聚类分块;(4)通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型,将剩余部分卫星降水数据带入训练模型得到校正数据;(5)利用蒙特卡洛交叉验证评估校正模型。本发明为解决全球降水时空分布差异明显情况下,精确测量降水。
Description
技术领域
本发明属于卫星降水数据校正技术领域,特别涉及一种基于自适应分块神经网络模型的卫星降水数据校正方法。
背景技术
降水是全球水循环的关键组成部分,在大气能量交换中起着关键作用。在精细的空间和时间尺度上获取准确测量的降水数据,对于全面了解气候、天气、水文和生态系统非常重要。然而,由于其强烈的时空异质性,精确测量降水仍然是一项具有挑战性的任务。
地面雨量计可以提供最直接、最可靠的降水资料,但地面测站数量有限,且在空间上分布不均,导致其无法准确反映出全球降水空间分布。遥感卫星观测具有多数据源,覆盖面积广、高时空分辨,且不受地形和气候条件限制的优势,可以以精细的时空分辨率提供有关降水发生、分布和数量的不间断信息,通常被认为是在全球范围内测量降水量最可靠、最稳定的方法。但由于其是非直接观测,卫星反演降水的物理原理和算法还存在很多局限性,使得卫星降水产品具有很大不确定性,精度相对较低。基于此,结合各种降水监测手段的优势,融合各种来源的降水数据,生成新的时空分辨率更高、精度更高的降水数据集,是降水研究发展的重要方向。
深度学习(Deep Learning)作为机器学习的一个子领域,近年来在图像识别、语音识别和自然语言处理等领域发展迅速。传统的卫星雨量站降水数据融合校正方式是依靠数学模型进行回归,与其相比,深度学习方法具有更强的学习和泛化能力,其强大的非线性和连续拟合函数能力可以直接高精度逼近任何非线性连续函数,在建模数据中更复杂模式和处理大量数据方面具有优势。目前,传统的深度学习方法,如卷积神经网络(CNN)、循环神经网络(RNN)和BP神经网络等已经在降水回归和预测方面取得了巨大成功。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明针对全球降水时空分布差异明显,精确测量降水困难的问题,提供了基于自适应分块神经网络模型的卫星降水数据校正方法。
技术方案:本发明提出的基于自适应分块神经网络模型的卫星降水数据校正方法,包括如下步骤:
(1)获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据,为使各数据时空分辨率保持一致,需对数据进行格式网格化、分辨率匹配等预处理操作;
(2)将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集;
(3)将高程和卫星降水量作为特征,采用K-means++无监督聚类算法将网格化后的研究区域进行聚类分块;
(4)采用BP神经网络模型,通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型,之后将剩余部分卫星降水数据带入训练模型得到校正数据;
(5)利用蒙特卡洛交叉验证评估校正模型。
进一步的,所述步骤(1)中获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据,为使各数据时空分辨率保持一致,需对数据进行格式网格化、分辨率匹配等预处理操作的具体步骤如下:
(1.1)获取高分辨率多卫星联合反演近实时降水数据作为原始卫星降水数据,获取基于全球标准测站插值得到的逐日降水数据作为地面站点降水数据,获取高程DEM数据;
(1.2)为使原始卫星降水数据与地面站点降水数据保持时间分辨率的一致性,需根据每日累积时段(End of the Day,EOD)信息将原始卫星降水数据的时差时间从协调世界时(UTC)转换为当地标准时间(LST),时间分辨率由 0.5h转换为24h;
(1.3)在时间分辨率转换的基础上,为使原始卫星降水数据与地面站点降水数据保持空间分辨率的一致性,需利用插值方法将其空间分辨率由 0.1°×0.1°转换为0.5°×0.5°;
(1.4)高程DEM数据需要与地面站点降水数据保持空间分辨率一致,同样利用插值方法将其空间分辨率转换为0.5°×0.5°。
进一步的,所述步骤(2)中将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集的具体步骤如下:
(2.1)对每个网格内降水数据按时间序列进行提取(单位时间为天);
(2.2)检查提取后卫星降水数据、高程数据及地面站点降水数据的连续性,去除缺失任一数据的网格,保持数据的完整性和对称性。
进一步的,所述步骤(3)中将高程和卫星降水量作为特征,采用K-means++ 无监督聚类算法将网格化后的研究区域进行聚类分块的具体步骤如下:
(3.1)提取每个网格内高程特征DEM、MRDEM及卫星降水总量作为特征集;其中中心点a0的MRDEM公式表示如下:
RDEMi=abs(a0-ai),i=1,2,...,8 (1)
MRDEM=max(RDEMi),i=1,2,...,8 (2)
(3.2)根据步骤(3.1)得到的特征集,采用K-means++无监督聚类算法将网格化后的研究区域进行聚类,使得聚类内各网格降水规律有较强的一致性;
(3.3)利用步骤(3.2)的最终聚类结果,将研究区域划分为不同子块。
进一步的,所述步骤(4)中对通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型,之后将剩余部分卫星降水数据带入训练模型得到校正数据的具体步骤如下:
(4.1)以步骤(3.3)得到的分块结果为基础,将每个子块内的网格随机排序;
(4.2)在每个子块上分别进行神经网络学习,按步骤(4.1)中的排序顺序提取前80%网格数据制作训练集,后20%网格数据进行验证。
进一步的,所述步骤(5)中蒙特卡洛交叉验证的具体步骤如下:在进行步骤(4.2)时,利用蒙特卡洛交叉验证法(Monte Carlo Cross Validation)每次将数据集随机划分为训练集和测试集,这样进行多次单独的模型训练和测试,最后将这些测试结果取平均值,作为最终的验证误差,降低由于单次划分训练集和测试集而导致的训练结果偶然性。评估指标包括相关系数、偏差、均方根误差、准确率和虚警率。
有益效果:
(1)本发明充分利用了自适应分块的特点,增强了训练区域内降水的时空相关性,提升了神经网络降水校正模型的性能。
(2)本发明在雨量计缺失或分布稀疏的复杂地形区域有较强的应用性,可以为缺资料地区提供可靠的降水数据源。
附图说明
图1是本发明的总体流程图;
图2(a)是全球范围内卫星监测降水数据与地面站点降水数据之间的对比散点图;
图2(b)是全球范围内校正后的降水数据与地面站点降水数据之间的对比散点图;
图3是全球范围内2015年1月至2018年12月期间地面站点降水数据、卫星监测降水数据及校正后的降水数据的月平均降水时间序列;
图4是全球范围内2015年1月至2018年12月期间地面站点降水数据、卫星监测降水数据及校正后的降水数据的年平均降水量纬度分布;
图5是每个网格内特征集。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明所述的基于自适应分块神经网络模型的卫星降水数据校正方法,包括如下步骤:
(1)数据预处理:获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据,为使各数据时空分辨率保持一致,需对数据进行格式网格化、分辨率匹配等预处理操作;
(2)步骤(1)中所有研究数据重采样成适于神经网络学习的数据集;
(3)将高程和卫星降水量作为特征,采用K-means++无监督聚类算法将网格化后的研究区域进行聚类分块;
(4)采用BP神经网络模型,通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型,之后将剩余部分卫星降水数据带入训练模型得到校正数据;
(5)利用蒙特卡洛交叉验证评估校正模型。
进一步的,所述步骤(1)中获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据,对其进行格式网格化、分辨率匹配等预处理操作的具体步骤如下:
本发明以高分辨率多卫星联合反演(IMERG)近实时降水数据作为原始卫星数据(时空分辨率30min/0.1°×0.1°),以在全球降水评估中有“ground truth”之称的NOAA气候预测中心(CPC)基于全球标准测站插值得到的逐日降水数据作为地面站点数据(时空分辨率24h/0.5°×0.5°),以ASTER GDEM 30m作为高程数据。
(1.1)从美国航空航天局(NASA)官网下载高分辨率多卫星联合反演 (IMERG)近实时降水数据作为原始卫星降水数据,在美国国家海洋和大气管理局(NOAA)官网
下载基于全球标准测站插值得到的逐日降水数据作为地面站点降水数据,在地理空间数据云网站下载ASTER GDEM 30m高程数据;
(1.2)为使原始卫星降水数据与地面站点降水数据保持时间分辨率的一致性,需根据每日累积时段(End of the Day,EOD)信息将原始卫星降水数据的时差时间从协调世界时(UTC)转换为当地标准时间(LST),时间分辨率由 0.5h转换为24h;
(1.3)在时间分辨率转换的基础上,为使原始卫星降水数据与地面站点降水数据保持空间分辨率的一致性,需利用插值方法将其空间分辨率由 0.1°×0.1°转换为0.5°×0.5°;
(1.4)高程DEM数据原始分辨率约为30m×30m,为与地面站点降水数据保持空间分辨率一致,同样需要利用插值方法将其空间分辨率转换为0.5°×0.5°。
进一步的,所述步骤(2)中将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集的具体步骤如下:
(2.1)对每个网格内降水数据按时间序列进行提取(单位时间为天)。本发明的研究时间范围为2015年1月至2018年12月,故每个网格提取的降水数据时间序列长度应为1461。高程数据没有时间序列,一个网格对应一个高程值。
(2.2)检查提取后卫星降水数据、高程数据及地面站点降水数据的连续性,去除缺失任一数据的网格,保持数据的完整性和对称性。只选取既有完整时间序列的卫星降水数据和地面站点降水数据又有高程数据的网格进行研究。
进一步的,所述步骤(3)中将高程和卫星降水量作为特征,采用K-means++ 无监督聚类算法将网格化后的研究区域进行聚类分块的具体步骤如下:
(3.1)提取每个网格内高程特征DEM、MRDEM及卫星降水总量作为特征集;如图5所示,其中中心点a0的MRDEM公式表示如下:
RDEMi=abs(a0-ai),i=1,2,...,8 (1)
MRDEM=max(RDEMi),i=1,2,...,8 (2)
(3.2)根据步骤(3.1)得到的特征集,采用K-means++无监督聚类算法将网格化后的研究区域进行聚类,使得聚类内各网格降水规律有较强的一致性;
K-means++算法思路如下:
步骤1:从数据集中随机选取一个点作为初始聚类中心c1;
步骤2:计算每个样本Xi与已有聚类中线点的距离,用D(X)表示;然后计算每个样本被选为下一个聚类中心点的概率,概率公式如下:
步骤3:重复步骤2直至选出k个聚类中心;
步骤4:对k个初始化的中心,每一个i∈1,...,k,将Ci设置为X中比所有j≠i 都靠近点c1的集合;
步骤5:对于一个i∈1,...,k,将ci设置为Ci中所有点的质心;
步骤6:重复步骤4、步骤5,直到达到终止条件。
对于K-means++算法,通过误差平方和(SSE)以及轮廓系数(SC)结合作为评估指标,以确定最优分类个数k,公式如下:
其中,a是样本i到同一簇内其他样本点的不相似程度的平均值,b是样本i 到其他簇的平均不相似程度的最小值。
(3.3)利用步骤(3.2)的最终聚类结果,将研究区域划分为不同子块。
进一步的,所述步骤(4)中对通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型,之后将剩余部分卫星降水数据带入训练模型得到校正数据的具体步骤如下:
(4.1)以步骤(3.3)得到的分块结果为基础,将每个子块内的网格随机排序;
(4.2)在每个子块上分别进行神经网络学习,按步骤(4.1)中的排序顺序提取前80%网格数据制作训练集,后20%网格数据进行验证。为了避免神经网络训练过程中出现过拟合现象,需要在神经网络中加入dropout层,随机删除隐藏层的部分单元,其值通常设置为0.5或0.3。
进一步的,所述步骤(5)中蒙特卡洛交叉验证的具体步骤如下:在进行步骤(4.2)时,利用蒙特卡洛交叉验证法(Monte Carlo Cross Validation)每次将数据集随机划分为训练集和测试集,这样进行多次(本发明中所选次数为10次) 单独的模型训练和测试,最后将这些测试结果取平均值,作为最终的验证误差,降低由于单次划分训练集和测试集而导致的训练结果偶然性。
当所有子块均经神经网络训练结束后,将每个子块内经校正后的降水数据进行整合,最终得到一种新的全球卫星降水产品,并将此产品与原始卫星降水产品的精度进行对比分析。通过下面几个指标来对本方法的可靠性进行验证。
为了对比分析原始卫星降水数据的空间误差和经过校正后的结果,特选定几个典型的指标:CC(相关系数),RMSE(均方根误差),BIAS(偏差),POD(命中率)和 FAR(虚警率)。计算公式如下:
其中,n为样本数量;Si为卫星降水;为卫星降水平均值;Gi为站点观测降水;为站点观测降水平均值;H代表卫星命中降水数量;F代表卫星漏报降水数量;M代表卫星误报降水数量。本文以2.4mm/d作为是否发生降水事件的阈值。
据图2(a)(b)所示,与原始卫星降水产品相比,经本发明提出的基于自适应分块神经网络模型的卫星降水数据校正方法校正后的降水产品的散点聚集簇趋势更接近1:1的对角线,且具有较低的均方根误差。此外其降水命中率POD提升,同时误报率FAR在下降,反映出其在降水事件捕捉能力方面的优势。图3 和图4分别从时间和空间两个维度上展示了卫星降水监测值、校正后的降水估计值与地面站点基准降水值的分布情况,从两图中均可以看出校正后的降水估计值与地面站点基准降水趋势相关性最强,且高估程度最低。综上说明,本发明提出的基于自适应分块神经网络模型的卫星降水数据校正方法可以有效提升定量降水估测的精度,为缺资料地区提供可靠的降水数据源,在水文领域具有非常大的实用意义。
Claims (6)
1.基于自适应分块神经网络模型的卫星降水数据校正方法,其特征在于,包括如下步骤:
(1)获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据,为使各数据时空分辨率保持一致,对数据进行格式网格化、分辨率匹配的预处理操作;
(2)将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集;
(3)将高程和卫星降水量作为特征,采用K-means++无监督聚类算法将网格化后的研究区域进行聚类分块;
(4)采用BP神经网络模型,通过利用块内部分卫星降水数据和对应地面站点降水数据做标签进行神经网络训练得到训练模型,之后将剩余部分卫星降水数据带入训练模型得到校正数据;
(5)利用蒙特卡洛交叉验证评估校正模型。
2.根据权利要求1所述的基于自适应分块神经网络模型的卫星降水数据校正方法,其特征在于,所述步骤(1)具体如下:
(1.1)获取高分辨率多卫星联合反演近实时降水数据作为原始卫星降水数据,获取基于全球标准测站插值得到的逐日降水数据作为地面站点降水数据,获取高程DEM数据;
(1.2)为使原始卫星降水数据与地面站点降水数据保持时间分辨率的一致性,需根据每日累积时段信息将原始卫星降水数据的时差时间从协调世界时转换为当地标准时间,时间分辨率由0.5h转换为24h;
(1.3)在时间分辨率转换的基础上,为使原始卫星降水数据与地面站点降水数据保持空间分辨率的一致性,需利用插值方法将其空间分辨率由0.1°×0.1°转换为0.5°×0.5°;
(1.4)高程DEM数据需要与地面站点降水数据保持空间分辨率一致,同样利用插值方法将其空间分辨率转换为0.5°×0.5°。
3.根据权利要求1所述的基于自适应分块神经网络模型的卫星降水数据校正方法,其特征在于,所述步骤(2)具体如下:
(2.1)对每个网格内降水数据按时间序列进行提取,单位时间为天;
(2.2)检查提取后卫星降水数据、高程数据及地面站点降水数据的连续性,去除缺失任一数据的网格,保持数据的完整性和对称性。
4.根据权利要求1所述的基于自适应分块神经网络模型的卫星降水数据校正方法,其特征在于,所述步骤(3)具体如下:
(3.1)提取每个网格内高程特征DEM、MRDEM及卫星降水量作为特征集;其中中心点a0的MRDEM公式表示如下:
RDEMi=abs(a0-ai),i=1,2,...,8 (1)
MRDEM=max(RDEMi),i=1,2,...,8 (2)
(3.2)根据步骤(3.1)得到的特征集,采用K-means++无监督聚类算法将网格化后的研究区域进行聚类分析,使得聚类内各网格降水规律有较强的一致性;
(3.3)利用步骤(3.2)的最终聚类结果,将研究区域划分为不同子块。
5.根据权利要求1所述的基于自适应分块神经网络模型的卫星降水数据校正方法,其特征在于,所述步骤(4)中通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型,之后将剩余部分卫星降水数据带入训练模型得到校正数据的具体步骤如下:
(4.1)以步骤(3)得到的分块结果为基础,将每个子块内的网格随机排序;
(4.2)在每个子块内分别进行神经网络学习,按步骤(4.1)中的排序顺序提取前80%网格数据制作训练集,后20%网格数据进行验证。
6.根据权利要求1或5所述的基于自适应分块神经网络模型的卫星降水数据校正方法,其特征在于,所述步骤(5)具体如下:在进行步骤(4.2)时,利用蒙特卡洛交叉验证法每次将数据集随机划分为训练集和测试集,这样进行多次单独的模型训练和测试,最后将这些测试结果取平均值,作为最终的验证误差,降低由于单次划分训练集和测试集而导致的训练结果偶然性,评估指标包括相关系数、偏差、均方根误差、准确率和虚警率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210330248.9A CN114936201A (zh) | 2022-03-31 | 2022-03-31 | 基于自适应分块神经网络模型的卫星降水数据校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210330248.9A CN114936201A (zh) | 2022-03-31 | 2022-03-31 | 基于自适应分块神经网络模型的卫星降水数据校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936201A true CN114936201A (zh) | 2022-08-23 |
Family
ID=82861691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210330248.9A Pending CN114936201A (zh) | 2022-03-31 | 2022-03-31 | 基于自适应分块神经网络模型的卫星降水数据校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936201A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
CN117290675A (zh) * | 2023-11-27 | 2023-12-26 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
CN118013411A (zh) * | 2024-04-09 | 2024-05-10 | 中山大学 | 缺资料地区的降水数据优化方法、装置、设备及存储介质 |
-
2022
- 2022-03-31 CN CN202210330248.9A patent/CN114936201A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
CN117290675A (zh) * | 2023-11-27 | 2023-12-26 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
CN117290675B (zh) * | 2023-11-27 | 2024-02-27 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
CN118013411A (zh) * | 2024-04-09 | 2024-05-10 | 中山大学 | 缺资料地区的降水数据优化方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Yu et al. | Performance evaluation of IMERG precipitation products during typhoon Lekima (2019) | |
Lei et al. | Ground validation and error decomposition for six state-of-the-art satellite precipitation products over mainland China | |
CN108319772B (zh) | 一种波浪长期数据的再分析方法 | |
CN115357847B (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
CN111982822B (zh) | 一种长时间序列高精度植被指数改进算法 | |
CN111624682A (zh) | 一种基于多源数据融合的定量降水估测方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
Salmani-Dehaghi et al. | Development of bias-correction PERSIANN-CDR models for the simulation and completion of precipitation time series | |
Bajamgnigni Gbambie et al. | Added value of alternative information in interpolated precipitation datasets for hydrology | |
Du et al. | Power transformation of variables for post-processing precipitation forecasts: Regionally versus locally optimized parameter values | |
Yu et al. | Merging precipitation scheme design for improving the accuracy of regional precipitation products by machine learning and geographical deviation correction | |
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 | |
CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
Garcia et al. | Filling in missing rainfall data in the Andes region of Venezuela, based on a cluster | |
CN113627465B (zh) | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 | |
Sharma et al. | NGFS rainfall forecast verification over India using the contiguous rain area (CRA) method | |
CN113742929A (zh) | 一种针对格点气象实况的数据质量评价方法 | |
CN111914218A (zh) | 一种面向用户应用的灾害遥感产品真实性检验方法 | |
Sa'adi et al. | Basin Scale Spatiotemporal Rainfall Projection in Majalaya, West Java, Indonesia Under Cmip6 Scenarios |
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 |