CN116070792B - 一种多源降水数据的融合方法、装置、存储介质和设备 - Google Patents
一种多源降水数据的融合方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN116070792B CN116070792B CN202310308544.3A CN202310308544A CN116070792B CN 116070792 B CN116070792 B CN 116070792B CN 202310308544 A CN202310308544 A CN 202310308544A CN 116070792 B CN116070792 B CN 116070792B
- Authority
- CN
- China
- Prior art keywords
- precipitation data
- remote sensing
- precipitation
- daily
- preset
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 571
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 230000002354 daily effect Effects 0.000 claims description 219
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000012876 topography Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001131927 Placea Species 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004088 simulation Methods 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
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种多源降水数据的融合方法及装置,其中,方法包括:获取目标区域的多种卫星遥感降水数据,卫星遥感降水数据具有第一空间分辨率;对各种卫星遥感降水数据进行降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据,日降水数据具有高于第一空间分辨率的第二空间分辨率;将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果。其装置包括数据获取模块、日降水数据计算模块和融合模块。通过将经时间降尺度处理获得的多种卫星遥感降水数据分别对应日降水数据进行融合,实现对目标区域的多种卫星遥感降水数据的融合的同时,还能够获得目标区域对应的高精度的日降水数据以实现对目标区域的降水情况的准确估算。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种多源降水数据的融合方法、装置、存储介质和设备。
背景技术
近年来,随着卫星技术的进步,能够获取大量的卫星遥感降水数据,比如CHIRPS,CMORPH,GSMaP,IMERG,MSWEP,PERSIANN-CCS-CDR等。这些数据已被广泛应用于全球和局地尺度的研究,对于评估全球和区域气候变化具有重要价值。然而,目前常用的遥感降水数据分辨率大部分从0.1°到1°不等,并不能满足局地精细尺度应用研究的需求。此外,目前为止,还没有一个适合所有时间和区域的最佳降水数据集。目前许多研究集中在比较不同降水数据精度,且已有研究表明,各个数据集都有自己的优点和缺点,数据集的性能因地区差异显著。为了进一步减少降水场的不确定性并提高其空间分辨率,结合每种传感器的优点,因此,一种能够克服各种卫星遥感降水数据的各自的缺点,并将实测观测数据与多源降水估算相结合的方法亟待研究。
虽然将站点测量降水信息和遥感反演技术结合起来,以充分有效利用每个数据集的互补优势,常见的融合方法比如:条件融合、加权融合、地理加权回归、最优插值、贝叶斯估计和深度学习等,但是这种方法在降水模拟方面有所改进,但大多数方法都是融合站点观测数据和仅基于单个卫星的降水反演产品,未能考虑其他卫星产品以更好地捕获有价值的降水信息,因此,考虑到单一遥感降水信息的局限性及降水的高度异质性,生成高质量的降水空间分布信息仍然是当前难点问题。
发明内容
有鉴于此,本发明提供一种多源降水数据的融合方法及装置,主要目的在于将多种卫星遥感降水数据进行融合,以解决单一卫星遥感降水数据对目标区域的降水估算所存在的局限性及降水的高度异质性的问题。
依据本发明的第一个方面,提供了一种多源降水数据的融合方法,包括:
获取目标区域的多种卫星遥感降水数据;所述卫星遥感降水数据具有第一空间分辨率;
对各种所述卫星遥感降水数据进行时间降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据;所述日降水数据具有第二空间分辨率,所述第二空间分辨率高于所述第一空间分辨率;
将所有所述日降水数据进行融合处理,得到所述目标区域对应的日降水数据的融合结果。
依据本发明的第二个方面,提供了一种多源降水数据的融合装置,包括:
数据获取模块,用于获取目标区域的多种卫星遥感降水数据;所述卫星遥感降水数据具有第一空间分辨率;
日降水数据计算模块,用于对各种所述卫星遥感降水数据进行时间降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据;所述日降水数据具有第二空间分辨率,所述第二空间分辨率高于所述第一空间分辨率;
融合模块,用于将所有所述日降水数据进行融合处理,得到所述目标区域对应的日降水数据的融合结果。
依据本发明的第三个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
依据本发明的第四个方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供的一种多源降水数据的融合方法及装置,通过获取目标区域的多种卫星遥感降水数据;再对各种卫星遥感降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;最后,将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果,本申请通过将经时间降尺度处理获得的多种卫星遥感降水数据分别对应日降水数据进行融合,实现对目标区域的多种卫星遥感降水数据的融合的同时,还能够获得目标区域对应的高精度的日降水数据,以实现对目标区域的降水情况的准确估算。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种多源降水数据的融合方法的流程示意图;
图2示出了本发明实施例提供的另一种多源降水数据的融合方法的流程示意图;
图3示出了本发明实施例提供的再一种多源降水数据的融合方法的流程示意图;
图4示出了本发明实施例提供的又一种多源降水数据的融合方法的流程示意图;
图5示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点a、b);
图6示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点c、d);
图7示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点e、f);
图8示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点g、h);
图9示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点i、j);
图10示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点k、l);
图11示出了本发明实施例获得的多种卫星遥感降水数据的融合结果和经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据、气象站点的日降水观测值之间的对比折线图(涉及站点m、n);
图12示出了本发明实施例获得的卫星遥感降水数据的融合结果、以及经日降水观测值修正后的日降水数据的融合结果分别与各种卫星遥感降水数据、经降尺度处理后的卫星遥感降水数据对应的流域平均误差柱状图;
图13示出了本发明实施例提供的一种多源降水数据的融合装置的模块连接示意图;
图14是用来实施本发明实施例的方法的电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面将结合附图详细描述本公开的实施例。
参看图1,根据本公开的一些实施例的一种多源降水数据的融合方法,包括如下步骤:
101、获取目标区域的多种卫星遥感降水数据;卫星遥感降水数据具有第一空间分辨率。
需要说明的是,多种卫星遥感降水数据包括至少两种卫星遥感降水数据,这里,本发明以4种卫星遥感降水数据为例,即为通过下述四种遥感降水产品(CMORPH,GSMaP,IMERG,PERSIANN-CCS-CDR)所获得的卫星遥感降水数据,虽然这些卫星遥感降水数据已被广泛应用于全球和局地尺度的研究,对于评估全球和区域气候变化具有重要价值,但是,由于CMORPH对应的卫星遥感降水数据的空间分辨率为8km,GSMaP对应的卫星遥感降水数据的空间分辨率为0.1°,IMERG对应的卫星遥感降水数据的空间分辨率0.1°,PERSIANN-CCS-CDR对应的卫星遥感降水数据的空间分辨率0.04°,由此可见,这些卫星遥感降水数据的分辨率(或称为第一空间分辨率)大部分从0.1°到1°不等,因此,通过上述产品获得的卫星遥感降水数据并不能满足局部地区对降水数据的精细尺度(或称为第二空间分辨率)的需求,第二空间分辨率大于第一空间分辨率,本文中以第二空间分辨率是0.01°为例进行说明。
在一些实施方式中,在获取目标区域的多种卫星遥感降水数据之前,还包括:获取多种遥感降水产品对应的日降水数据(或称日尺度卫星遥感降水数据);根据目标区域的气象站点的日观测时段,对各种遥感降水产品分别对应的日降水数据进行时间匹配,得到各种遥感降水产品在目标区域分别对应的日降水数据;根据预设月份中的每日分别对应的该日降水数据(即各种遥感降水产品在目标区域分别对应的日降水数据),得到各种遥感降水产品在预设月份分别对应的月降水数据;将各种遥感降水产品对应的月降水数据分别作为与其各自对应的卫星遥感降水数据,即对遥感降水产品的日降水数据向气象站点的日观测时段进行时间匹配以实现时差调整,此时可以将该卫星遥感降水数据称之为月尺度卫星遥感降水数据,该月尺度卫星遥感降水数据具有第一空间分辨率,该日降水数据也具有第一空间分辨率。
由于,一般的遥感降水产品发布的日尺度卫星遥感降水数据通常为中时区在00:00-24:00的降水量的总和数据,而很多国家的时区和中时区之间具有时差,因此,不同国家的气象站点对降水数据统计的时段和遥感降水产品对降水数据统计的时段不同,例如:位于东八区的中国,中国获得的遥感降水产品发布的00:00-24:00的卫星遥感降水数据则是对应的是中国的统计时段为前一天20:00至当天20:00的卫星遥感降水数据。又例如:位于中国的站点的观测时段为08:00-20:00,因此,这里将各种遥感降水产品分别对应的日降水数据中的在08:00-20:00时间段对应的数据进行提取,完成对各种遥感降水产品分别对应的日降水数据根据观测时段为08:00-20:00的匹配,得到各种遥感降水产品在中国分别对应日降水数据,进而获得与中国的气象站点时间匹配的日降水数据。
这里,为了获取目标区域在预设月份对应的月降水数据,通过将该预设月份中的每天的各种遥感降水产品分别对应的日降水数据进行统计,可得到各种遥感降水产品在预设月份分别对应的月降水数据;最后,通过将各种遥感降水产品对应的月降水数据分别作为与其各自对应的卫星遥感降水数据,即可获得与目标区域的观测时段对应的卫星遥感降水数据。
102、对各种卫星遥感降水数据进行降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;日降水数据具有第二空间分辨率,第二空间分辨率高于所述第一空间分辨率。
由于,目前大多数的对降水数据的融合都是将站点所观测到的降水数据和仅基于单个卫星遥感产品所获得的卫星遥感降水数据的融合,未能考虑其他卫星产品能够以更好地捕获有价值的降水数据。因此,本申请考虑到卫星遥感产品所获得的卫星遥感降水数据的局限性及各种区域的不同时间的降水情况的高度异质性,通过将目标区域对应的各种卫星遥感降水数据进行降尺度处理,得到目标区域对应的各种卫星遥感降水数据各自对应的日降水数据,此时该日降水数据具有的第二空间分辨率高于卫星遥感降水数据具有的第一空间分辨率,再通过后续步骤对所获得的该日降水数据进行融合,即可实现对多种卫星遥感产品所获得的卫星遥感降水数据的融合,进而避免了单一的卫星遥感降水数据的局限性及各个区域的不同时间的降水情况的高度异质性,同时,还能够减少目标区域的日降水数据的不确定性,提高目标区域对应的日降水数据的空间分辨率。
在一些实施方式中,对各种卫星遥感降水数据进行降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据,参见图2,步骤102可以包括:
1021、基于预设的空间滤波模型对各种卫星遥感降水数据在月尺度上进行降尺度处理,得到各种卫星遥感降水数据各自对应的月尺度降水数据。
需要说明的是,该月尺度降水数据具有第二空间分辨率,本申请基于预设的空间滤波模型对各种卫星遥感降水数据在月尺度上进行降尺度处理,这里,预设的空间滤波模型优选为带有随机效应的特征向量空间滤波模型(RESF模型),且本申请中的预设的空间滤波模型能够结合空间变系数模型的特征向量进行空间滤波和随机效应特征向量进行空间滤波。
进一步的,基于预设的特征向量空间滤波模型对各种卫星遥感降水数据在月尺度上进行降尺度处理,得到各种卫星遥感降水数据各自对应的月尺度降水数据,参见图3,包括如下步骤:
10211、构建空间滤波模型。
作为具体地,预设的空间滤波模型的表达式如下:
(1)
其中,为目标区域中预设的地表网格(或称位置),/>为预设月份,/>为预设种类的遥感降水产品,当遥感降水产品为4种时,相应的卫星遥感降水数据也为4种,s的取值可以分别为1、2、3、4;/>为地表网格处在月的与预设种类的遥感降水产品对应的卫星遥感降水数据;/>为哈达玛积;/>为解释变量,/>为解释变量的个数;/>为第一回归系数;/>为第一残差值。
进一步地,,/>表示正态分布;其中,和/>分别为第一子回归系数;/>为L个特征向量构成的矩阵,由空间权重矩阵计算得到,/>中每列是个向量,共L列,这些向量是空间矩阵C的特征向量,顺序按照特征值由大到小对应的排序。/>,T为矩阵的转置,/>为样本点的个数,这里/>具体是指各种遥感降水产品分别包含的地表网格对应的点数,/>为n阶单位矩阵,/>的第/>元素:/>为样本点/>和之间的欧几里得距离,/>为/>的最大值,/>为元素值全是1的向量;/>为对角矩阵,第/>个对角线元素为/>,/>为空间权重矩阵/>的特征值,/>指的是所有/>个特征值相加;/>为降水的空间相关程度;/>代表降水空间变异。
这里,第一残差值的确定方法可以如下:
在分别确定好解释变量的个数、预设的地表网格/>、预设月份/>、预设种类的遥感降水产品/>、解释变量/>和第一回归系数/>后,计算出地表网格/>处在/>月的与预设种类的遥感降水产品/>对应的预测月尺度卫星遥感降水数据,再通过地表网格处在/>月的与预设种类的遥感降水产品/>对应的实际月尺度降水数据(或称气象站点观测数据),即为计算实际月尺度降水数据与预测月尺度降水数据之差,将获得的差值结果作为第一残差值/>。
需要说明的是,解释变量可以通过如下方法获取:采用随机森林方法从地理因素数据集以及地形因素数据集中筛选得到,地理因素数据集包括但不限于:高程、经度、纬度、坡度和坡向中的至少一个;地形因素数据集包括但不限于:地形起伏度和NDVI(NormalizedDifference Vegetation Index,归一化植被指数)中的至少一个。
具体地,采用随机森林方法根据高程、经度、纬度、坡度、坡向、地形起伏度,NDVI等地理因素和/或地形因素对各个地表网格的重要性分别打分,再根据各个地理因素和/或地形因素对应的打分结果,并将打分结果的高低对地理因素和/或地形因素进行筛选,例如:将打分结果位于前五的地理因素和/或地形因素进行筛选;最后,根据筛选后的地理因素和/或地形因素的打分结果得到与各个地表网格对应的解释变量。
10212、基于空间滤波模型,对各种卫星遥感降水数据在月尺度上进行降尺度处理,得到各种卫星遥感降水数据各自对应的月尺度降水数据。
具体的,通过如下计算公式对预设种类为s的遥感降水产品在地表网格处的在月的月尺度降水数据:
(2)
其中,是预设种类为s的遥感降水产品在地表网格/>处的在/>月的月尺度降水数据,该月尺度降水数据具有0.01°的第二空间分辨率,/>月为预设月份。该公式中的参数(包括回归系数和残差)均是空间分辨率为0.01°的参数,即通过对模型中的参数在空间分辨率为0.01°上计算得到,例如计算方法为插值法。在其他的实施例中,第二空间分辨率还可以为其他值,例如0.005°,或者0.001°,本实施例对此不进行限定。
1022、对各种月尺度降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;日降水数据具有第二空间分辨率。
在空间分辨率设定为0.01°时,通过步骤1021中的计算公式得到地表网格处的在/>月对应的空间分辨率为0.01°的月尺度降水数据/>,然后对月尺度降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的空间分辨率为0.01°的日降水数据。作为优选的,对各种月尺度降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据,步骤1022可以包括:
获取各个地表网格在预设月份对应的月尺度降水数据;根据预设的时间转移算子矩阵对各个地表网格在预设月份对应的月尺度降水数据进行降尺度处理,得到各个地表网格在预设月份中的每日分别对应的日降水数据。
将通过上述计算公式获得的各个地表网格在月分别对应的月尺度降水数据,再通过预设的时间转移算子矩阵对各个地表网格在预设月份对应的月尺度降水数据进行降尺度处理,即可得到各个地表网格在预设月份中的每日分别对应的日降水数据。
预设的时间转移算子(或称时间转移算子矩阵)的构建公式如下:
(3)
其中,为预设的时间转移算子矩阵,/>为地表网格/>处在预设日期为d的与预设种类的遥感降水产品对应的日尺度卫星遥感降水数据;/>为地表网格/>处在/>月的与预设种类的遥感降水产品对应的月尺度卫星遥感降水数据。
根据上述的预设的时间转移算子矩阵,通过如下计算公式能够得到预设种类为s的遥感降水产品在地表网格处的预设日期为d对应的空间分辨率为0.01°的日降水数据:
(4)
其中,为预设种类为s的遥感降水产品在地表网格/>处的预设日期为d对应的空间分辨率为0.01°的日降水数据。
103、将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果。
作为具体的,根据步骤1022中的计算公式得到的各种遥感降水产品分别对应的日降水数据,再通过空间滤波(RESF)方法将所获得的日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果。例如,当步骤1022中的计算公式中的时,其中,1代表CMORPH,2代表GSMaP,3代表IMERG,4代表PERSIANN-CCS-CDR,经公式(4)计算后,得到CMORPH、GSMaP、IMERG、以及PERSIANN-CCS-CDR分别对应的日降水数据,再通过空间滤波(RESF)方法将上述四种的日降水数据进行融合处理,即可得到目标区域对应的上述四种日降水数据的融合结果。
在一些实施方式中,将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果,参见图4,可以包括如下步骤:
1031、获取目标区域的气象站点观测到的日降水观测值。
由于,目标区域对应的日降水数据的融合结果会与目标区域的气象站点观测到的日降水观测值有所偏差,因此,为了获得更为接近气象站点观测到的日降水观测值的融合结果,本申请通过将气象站点观测到的日降水观测值对步骤102所获得的所有日降水数据进行修正,以使最终获得的融合结果的精度和准确性更高。
1032、根据目标区域对应的所有日降水数据和日降水观测值,计算目标区域对应的第二回归系数和第二残差值。
这里,通过如下计算公式对目标区域对应的第二回归系数进行计算:
(5)
其中,为气象站点在位置处的第天的日降水观测值;/>为位置/>处的第/>天的预设种类为s的遥感降水产品对应的空间分辨率为0.01°的日降水数据;为在位置/>处的第/>天的第二回归系数。计算的过程可以采用最小二乘法。
得到第二回归系数后,基于公式(5),以及气象站点观测值和该日降水数据,确定第二残差值。
1033、根据目标区域对应的所有日降水数据、第二回归系数和第二残差值,生成日降水数据回归模型。
这里,通过如下计算公式生成日降水数据回归模型:
(6)
其中,为位置处的第/>天的的日降水数据的融合结果;/>为位置处的第/>天的预设种类为s的遥感降水产品的日降水数据;/>为在位置/>处的第天的第二回归系数;/>为第二残差值。
进一步的,根据目标区域对应的所有日降水数据、第二回归系数和第二残差值,生成日降水数据回归模型,可以包括:采用克里金法对第二残差值进行插值,将插值结果应用到日降水数据回归模型中,得到经修正后的日降水数据回归模型,并将该日降水数据回归模型作为最终的日降水数据回归模型。
作为具体的,通过如下计算公式生成经修正后的日降水数据回归模型:
(7)
其中,为位置/>处的第/>天的最终得到的日降水数据的融合结果;为经插值后的第二残差值。
1034、基于日降水数据回归模型,得到经日降水观测值修正后的目标区域对应的日降水数据的融合结果。
由于,这里的日降水数据回归模型是通过经气象站点观测到的日降水观测值对目标区域对应的所有日降水数据以及第二残差值修正获得的,因此,通过该日降水数据回归模型所获得的日降水数据的融合结果更为精确。
这里将结合示例对本申请的实施方案的技术效果进行详细描述,例如:参见图5-11,从四个季节中随机选取四天(1月22日;4月12日;7月1日;12月20日),并随机选择鄱阳湖流域10%的气象站点,以14个(对应a-n)为例,第一个站点记为a,第二个站点记为b(图5示意出了第一个和第二个站点),第三个站点记为c,第四个站点记为d(图6示意出了第三个和第四个站点),第五个站点记为e,第六个站点记为f(图7示意出了第五个和第六个站点),第七个站点记为g,第八个站点记为h(图8示意出了第七个和第八个站点),第九个站点标记为i,第十个站点记为j(图9示意出了第九个和第十个站点),第十一个站点记为k,第十二个站点记为l(图10示意出了第十一个和第十二个站点),第十三个站点记为m,第十四个站点记为n(图11示意出了第十三个和第十四个站点),进行不同的降水估计值的比较。结果表明,不同卫星遥感产品对应的卫星遥感降水数据、卫星遥感产品的卫星遥感降水数据对应的降尺度结果、和四种卫星遥感产品的卫星遥感降水数据的融合结果(这里的融合结果记为RESF)在不同地点和不同日气之间存在显著差异,最大的差异在7月份的雨季。这里选用的卫星遥感产品为CMORPH,GSMaP,IMERG,PERSIANN-CCS-CDR,将这四种卫星遥感产品分别对应的原始卫星遥感降水数据与经过降尺度处理后的遥感降水数据进行对比,能够确定出经过降尺度处理后的遥感降水数据的精度没有明显提高,特别是PERSIANN-CCS-CDR对应的原始降水数据和经降尺度处理后的遥感降水数据几乎在所有情况下表现最差,GSMaP、IMERG和CMORPH分别对应的卫星降水产品在个别情况下表现最差。并且对于这四种卫星遥感产品,在不同的地点和时间,高估和低估也存在显著差异。例如,IMERG在7月1日在气象站点c表现出很大的高估,而在4月12日在同一位置的气象站点表现出很大的低估;IMERG在气象站点f观测到的IMERG被严重低估,而在4月12日IMERG在该站点处严重高估。总体而言,通过本申请步骤1034获得的日降水数据的融合结果(该融合结果记为RESF-Kriging)最接近台站观测值,其次是基于步骤103获得的日降水数据的融合结果(RESF)。其中,CMORPH*,GSMaP*,IMERG*,PERSIANN-CCS-CDR*分别是通过CMORPH,GSMaP,IMERG,PERSIANN-CCS-CDR分别获得的日降水数据与气象站台观测获得的日降水数据分别融合后的融合结果经升尺度处理后的升尺度降水数据,其使融合后的降水数据的空间分辨率由0.01°变成0.1°,这是为了和空间分辨率是0.1°的第三方数据MSWEP比较。
又由于上述四种卫星遥感产品在鄱阳湖流域均具有平均误差,且这四种卫星遥感降水数据分别对应的日降水数据的精度始终高于这四个卫星遥感产品对应的原始降水数据,但这四种卫星遥感降水数据在降尺度前后并没有显著提高。因此,基于目标区域对应的日降水数据的融合结果和经降尺度后的日降水数据进行对比,参见图12,能够分析出在1月22日,步骤1034获得的日降水数据的融合结果与气象站点的日降水观测值之间的相关系数(CC)为0.97,与降尺度后的GSMaP对应的日降水数据相比提高了22%。降尺度后的CMORPH对应的日降水数据和降尺度后的IMERG对应的日降水数据分别与气象站点的日降水观测值的相关系数分别为0.15和0.004。与MSWEP对应的日降水数据相比,步骤1034获得的日降水数据的融合结果的相关系数提高了46%。根据平均绝对误差(平均绝对误差在图12中记为MAE),与PERSIANN-CCS-CDR、GSMaP、comph、IMERG和RESF分别对应的日降水数据相比,步骤1034获得的日降水数据的融合结果的准确性分别提高了78%、69%、76%、81%和32%。步骤1034获得的经日降水观测值修正后的目标区域对应的日降水数据的融合结果的均方根误差(均方根误差在图12中记为RMSE)值为1.22 mm,较PERSIANN-CCS-CDR、GSMaP、CMORPH、IMERG和RESF分别对应的日降水数据分别降低了80%、64%、79%、81%和24%。4月12日,步骤1034获得的日降水数据的融合结果(RESF-Kriging)的相关系数(CC)为0.96,大于任何单个卫星遥感降水产品的相关系数值。骤1034获得的日降水数据的融合结果(RESF-Kriging)表现出比其他遥感产品更好的性能,与4月12日的PERSIANN-CCS-CDR、GSMaP、comph和IMERG分别对应的日降水数据相比,步骤1034获得的经日降水观测值修正后的目标区域对应的日降水数据的融合结果的MAE值提高了76%、46%、47%和62%。根据RMSE能够确定出步骤1034获得的日降水数据的融合结果精度高于单个卫星降水产品,RMSE值降低了40%~72%。这里,第二残差值校正改善了降水场,使其具有较高的相关系数和较低的MAE和RMSE。7月1日,步骤1034获得的日降水数据的融合结果精度高于任何单个卫星产品,其中相关系数值提高了2%~101%,MAE值降低了34%~76%,RMSE值降低了43%~81%。12月20日,根据相关系数、MAE和RMSE,PERSIANN-CCS-CDR对应的日降水数据仍然是最差的,步骤1034获得的日降水数据的融合结果表现最好,相关系数值较单个降尺度处理后的卫星遥感降水产品提高了3%~147%,MAE值提高了54%~68%,RMSE值提高了49%~64%。GSMaP和IMERG分别对应的日降水数据始终表现出相似的性能,且表现优于CMORPH和PERSIANN-CCS-CDR。结果表明,与PERSIANN-CCS-CDR、GSMaP、CMORPH、和IMERG分别对应的日降水数据相比,步骤1034获得的日降水数据的融合结果在空间分辨率和精度方面均为最优。
本申请提供的一种多源降水数据的融合方法,通过获取目标区域的多种卫星遥感降水数据;再对各种卫星遥感降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;最后,将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果,本申请通过将经时间降尺度处理获得的多种卫星遥感降水数据分别对应日降水数据进行融合,实现对目标区域的多种卫星遥感降水数据的融合的同时,还能够获得目标区域对应的高精度的日降水数据,以实现对目标区域的降水情况的准确估算。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种多源降水数据的融合装置,如图13所示,该装置包括:
数据获取模块51,用于获取目标区域的多种卫星遥感降水数据,卫星遥感降水数据具有第一空间分辨率;
日降水数据计算模块52,用于对各种卫星遥感降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据,日降水数据具有第二空间分辨率,第二空间分辨率高于第一空间分辨率;
融合模块53,用于将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果。
进一步的,日降水数据计算模块52包括:
月尺度降水数据获取单元,用于基于预设的空间滤波模型对各种卫星遥感降水数据在月尺度上进行降尺度处理,得到各种卫星遥感降水数据各自对应的月尺度降水数据;
日降水数据获取单元,用于对各种月尺度降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据。
进一步的,月尺度降水数据获取单元包括:
所述空间滤波模型的表达式为:
其中,为目标区域中预设的地表网格;/>为预设月份;/>为预设种类的遥感降水产品;/>为地表网格/>处在/>月的与预设种类的遥感降水产品对应的卫星遥感降水数据;/>为哈达玛积;/>为解释变量,从地理因素数据集和地形因素数据集中筛选得到;为解释变量的个数;/>为第一回归系数;/>为第一残差值。
进一步的,日降水数据获取单元包括:
月尺度降水数据获取子单元,用于获取各个地表网格在预设月份对应的月尺度降水数据;
日降水数据获取子单元,用于根据预设的时间转移算子矩阵对各个地表网格在预设月份对应的月尺度降水数据进行降尺度处理,得到各个地表网格在预设月份中的每日分别对应的日降水数据。
进一步的,融合模块53包括:
日降水观测值获取单元,用于获取目标区域的气象站点观测到的日降水观测值;
第二回归系数计算单元,用于根据目标区域对应的所有日降水数据和日降水观测值,计算目标区域对应的第二回归系数和第二残差值;
日降水数据回归模型生成单元,用于目标区域对应的所有日降水数据、第二回归系数和第二残差值,生成日降水数据回归模型;
修正单元,用于基于日降水数据回归模型,得到经日降水观测值修正后的目标区域对应的日降水数据的融合结果。
进一步的,日降水数据回归模型生成单元包括:
第二残差值计算子单元,用于采用克里金法对所述第二残差值进行插值,得到插值结果;
修正子单元,用于根据所述目标区域对应的所有所述日降水数据、第二回归系数和插值结果,生成所述日降水数据回归模型。
进一步的,装置还包括:
产品日降水数据获取模块,用于获取多种遥感降水产品对应的日降水数据;
时间匹配模块,用于根据目标区域的气象站点的日观测时段,对各种遥感降水产品分别对应的日降水数据进行时间匹配,得到各种遥感降水产品在目标区域分别对应日降水数据;
月降水数据获取模块,用于根据预设月份中的每日分别对应的各种遥感降水产品在目标区域分别对应日降水数据,得到各种遥感降水产品在预设月份分别对应的月降水数据;
卫星遥感降水数据更新模块,用于将各种遥感降水产品对应的月降水数据分别作为与其各自对应卫星遥感降水数据。
本申请提供的一种多源降水数据的融合装置,通过获取目标区域的多种卫星遥感降水数据;再对各种卫星遥感降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;最后,将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果,本申请通过将经时间降尺度处理获得的多种卫星遥感降水数据分别对应日降水数据进行融合,实现对目标区域的多种卫星遥感降水数据的融合的同时,还能够获得目标区域对应的高精度的日降水数据,以实现对目标区域的降水情况的准确估算。
根据本公开的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据本公开所述的方法的步骤。
根据本公开的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现根据本公开所述的方法的步骤。
基于上述如图1所示方法和如图13所示系统的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图14所示,该计算机设备包括:处理器61、存储器62、及存储在存储器62上并可在处理器上运行的计算机程序,其中存储器62和处理器61均设置在总线63上所述处理器61执行所述程序时实现以下步骤:获取目标区域的多种卫星遥感降水数据;对各种所述卫星遥感降水数据进行时间降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据;将所有所述日降水数据进行融合处理,得到所述目标区域对应的日降水数据的融合结果。
通过本发明的技术方案,本发明通过获取目标区域的多种卫星遥感降水数据;再对各种卫星遥感降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;最后,将所有日降水数据进行融合处理,得到目标区域对应的日降水数据的融合结果,本申请通过将经时间降尺度处理获得的多种卫星遥感降水数据分别对应日降水数据进行融合,实现对目标区域的多种卫星遥感降水数据的融合的同时,还能够获得目标区域对应的高精度的日降水数据,以实现对目标区域的降水情况的准确估算。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示或描述的步骤,或者将它们分别制作成各种集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (7)
1.一种多源降水数据的融合方法,其特征在于,包括:
获取目标区域的多种卫星遥感降水数据;所述卫星遥感降水数据具有第一空间分辨率;
对各种所述卫星遥感降水数据进行降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据;所述日降水数据具有第二空间分辨率,所述第二空间分辨率高于所述第一空间分辨率;
将所有所述日降水数据进行融合处理,得到所述目标区域对应的日降水数据的融合结果;
所述对各种所述卫星遥感降水数据进行降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据,包括:
基于预设的空间滤波模型对各种所述卫星遥感降水数据在月尺度上进行降尺度处理,得到各种所述卫星遥感降水数据各自对应的月尺度降水数据,所述月尺度降水数据具有第二空间分辨率;
对各种所述月尺度降水数据进行时间降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据,所述日降水数据具有第二空间分辨率;
所述空间滤波模型的表达式为:
;
其中,为目标区域中预设的地表网格;/>为预设月份;/>为预设种类的遥感降水产品;/>为地表网格/>处在/>月的与预设种类的遥感降水产品对应的卫星遥感降水数据;为哈达玛积;/>为解释变量,从地理因素数据集和地形因素数据集中筛选得到;/>为解释变量的个数;/>为第一回归系数;/>为第一残差值;
所述第一回归系数的表达式为:,/>,/>表示正态分布;其中,/>和/>分别为第一子回归系数;/>为L个特征向量构成的矩阵,由空间权重矩阵/>计算得到,/>中每列是个向量,共L列,这些向量是空间矩阵C的特征向量,顺序按照特征值由大到小对应的排序;/>,T为矩阵的转置,/>为各种遥感降水产品分别包含的地表网格对应的点数,/>为n阶单位矩阵,/>的第/>元素:,/>为样本点/>和/>之间的欧几里得距离,/>为/>的最大值,/>为元素值全是1的向量;/>为对角矩阵,第/>个对角线元素为,/>为空间权重矩阵/>的特征值,/>指的是所有/>个特征值相加;/>为降水的空间相关程度;/>为降水空间变异;
所述第一残差值的确定方法包括:在分别确定好解释变量的个数、预设的地表网格、预设月份、预设种类的遥感降水产品、解释变量和第一回归系数后,计算出预设的地表网格处在预设月份的与预设种类的遥感降水产品对应的预测月尺度卫星遥感降水数据,再通过预设的地表网格处在预设月份的与预设种类的遥感降水产品对应的实际月尺度降水数据,计算实际月尺度降水数据与预测月尺度降水数据之差,将获得的差值结果作为第一残差值;
所述将所有所述日降水数据进行融合处理,得到所述目标区域对应的日降水数据的融合结果,包括:
获取所述目标区域的气象站点观测到的日降水观测值;
根据所述目标区域对应的所有所述日降水数据和所述日降水观测值,计算所述目标区域对应的第二回归系数和第二残差值;
根据所述目标区域对应的所有所述日降水数据、第二回归系数和第二残差值,生成日降水数据回归模型;
基于所述日降水数据回归模型,得到经所述日降水观测值修正后的所述目标区域对应的日降水数据的融合结果;
所述日降水数据回归模型的表达式为:;其中,/>为位置/>处的第/>天的最终得到的日降水数据的融合结果;/>为位置/>处的第/>天的预设种类为s的遥感降水产品对应的空间分辨率为0.01°的日降水数据;/>为在位置/>处的第/>天的第二回归系数;为经插值后的第二残差值;
所述第二回归系数的计算公式为:;其中,/>为气象站点在位置/>处的第/>天的日降水观测值;/>为位置/>处的第/>天的预设种类为s的遥感降水产品对应的空间分辨率为0.01°的日降水数据;/>为在位置/>处的第/>天的第二回归系数;
所述第二残差值的计算方法为:基于公式,以及气象站点观测值和该日降水数据,确定第二残差值。
2.根据权利要求1所述的方法,其特征在于,所述对各种所述月尺度降水数据进行时间降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据,包括:
获取各个地表网格在预设月份对应的月尺度降水数据;
根据预设的时间转移算子对各个所述地表网格在预设月份对应的月尺度降水数据进行时间降尺度处理,得到各个所述地表网格在预设月份中的每日分别对应的日降水数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标区域对应的所有所述日降水数据、第二回归系数,生成日降水数据回归模型,包括:
采用克里金法对所述第二残差值进行插值,得到插值结果;
根据所述目标区域对应的所有所述日降水数据、第二回归系数和插值结果,生成所述日降水数据回归模型。
4.根据权利要求1所述的方法,其特征在于,在所述获取目标区域的多种卫星遥感降水数据之前,还包括:
获取多种遥感降水产品对应的日降水数据;
根据所述目标区域的气象站点的日观测时段,对各种所述遥感降水产品分别对应的日降水数据进行时间匹配,得到各种所述遥感降水产品在所述目标区域分别对应的日降水数据;
根据预设月份中的每日分别对应的各种所述遥感降水产品在所述目标区域分别对应的日降水数据,得到各种所述遥感降水产品在所述预设月份分别对应的月降水数据;
将各种所述遥感降水产品对应的月降水数据分别作为与其各自对应卫星遥感降水数据。
5.一种多源降水数据的融合装置,其特征在于,包括:
数据获取模块,用于获取目标区域的多种卫星遥感降水数据,所述卫星遥感降水数据具有第一空间分辨率;
日降水数据计算模块,用于对各种所述卫星遥感降水数据进行降尺度处理,得到各种所述卫星遥感降水数据各自对应的日降水数据,所述日降水数据具有第二空间分辨率,所述第二空间分辨率高于所述第一空间分辨率;
融合模块,用于将所有所述日降水数据进行融合处理,得到所述目标区域对应的日降水数据的融合结果;
其中,日降水数据计算模块包括:
月尺度降水数据获取单元,用于基于预设的空间滤波模型对各种卫星遥感降水数据在月尺度上进行降尺度处理,得到各种卫星遥感降水数据各自对应的月尺度降水数据;
日降水数据获取单元,用于对各种月尺度降水数据进行时间降尺度处理,得到各种卫星遥感降水数据各自对应的日降水数据;
月尺度降水数据获取单元包括:
所述空间滤波模型的表达式为:
其中,为目标区域中预设的地表网格;/>为预设月份;/>为预设种类的遥感降水产品;/>为地表网格/>处在/>月的与预设种类的遥感降水产品对应的卫星遥感降水数据;为哈达玛积;/>为解释变量,从地理因素数据集和地形因素数据集中筛选得到;/>为解释变量的个数;/>为第一回归系数;/>为第一残差值;
所述第一回归系数的表达式为:,/>,/>表示正态分布;其中,/>和/>分别为第一子回归系数;/>为L个特征向量构成的矩阵,由空间权重矩阵计算得到,/>中每列是个向量,共L列,这些向量是空间矩阵C的特征向量,顺序按照特征值由大到小对应的排序;/>,T为矩阵的转置,/>为各种遥感降水产品分别包含的地表网格对应的点数,/>为n阶单位矩阵,/>的第/>元素:,/>为样本点/>和/>之间的欧几里得距离,/>为/>的最大值,/>为元素值全是1的向量;/>为对角矩阵,第/>个对角线元素为,/>为空间权重矩阵/>的特征值,/>指的是所有/>个特征值相加;/>为降水的空间相关程度;/>为降水空间变异;
所述第一残差值的确定方法包括:在分别确定好解释变量的个数、预设的地表网格、预设月份、预设种类的遥感降水产品、解释变量和第一回归系数后,计算出预设的地表网格处在预设月份的与预设种类的遥感降水产品对应的预测月尺度卫星遥感降水数据,再通过预设的地表网格处在预设月份的与预设种类的遥感降水产品对应的实际月尺度降水数据,计算实际月尺度降水数据与预测月尺度降水数据之差,将获得的差值结果作为第一残差值;
所述融合模块包括:
日降水观测值获取单元,用于获取所述目标区域的气象站点观测到的日降水观测值;
第二回归系数计算单元,用于根据所述目标区域对应的所有所述日降水数据和所述日降水观测值,计算所述目标区域对应的第二回归系数和第二残差值;
日降水数据回归模型生成单元,用于根据所述目标区域对应的所有所述日降水数据、第二回归系数和第二残差值,生成日降水数据回归模型;
修正单元,用于基于所述日降水数据回归模型,得到经所述日降水观测值修正后的所述目标区域对应的日降水数据的融合结果;
所述日降水数据回归模型的表达式为:;其中,/>为位置/>处的第/>天的最终得到的日降水数据的融合结果;/>为位置/>处的第/>天的预设种类为s的遥感降水产品对应的空间分辨率为0.01°的日降水数据;/>为在位置/>处的第/>天的第二回归系数;为经插值后的第二残差值;
所述第二回归系数的计算公式为:;其中,/>为气象站点在位置/>处的第/>天的日降水观测值;/>为位置/>处的第/>天的预设种类为s的遥感降水产品对应的空间分辨率为0.01°的日降水数据;/>为在位置/>处的第/>天的第二回归系数;
所述第二残差值的计算方法为:基于公式,以及气象站点观测值和该日降水数据,确定第二残差值。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308544.3A CN116070792B (zh) | 2023-03-28 | 2023-03-28 | 一种多源降水数据的融合方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308544.3A CN116070792B (zh) | 2023-03-28 | 2023-03-28 | 一种多源降水数据的融合方法、装置、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070792A CN116070792A (zh) | 2023-05-05 |
CN116070792B true CN116070792B (zh) | 2023-07-25 |
Family
ID=86175286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310308544.3A Active CN116070792B (zh) | 2023-03-28 | 2023-03-28 | 一种多源降水数据的融合方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070792B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821681B (zh) * | 2023-06-27 | 2024-01-30 | 北京华云星地通科技有限公司 | 一种全球降水数据生成方法及系统 |
CN117708113B (zh) * | 2024-02-06 | 2024-05-17 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据构建方法 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11026376B2 (en) * | 2015-08-05 | 2021-06-08 | Dtn, Llc | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
CN109035105B (zh) * | 2018-06-15 | 2021-02-02 | 河海大学 | 一种月尺度蒸散发量的定量估算方法 |
CN109325540B (zh) * | 2018-09-30 | 2020-04-10 | 河南大学 | 一种针对遥感每天降水量数据的空间降尺度方法 |
CN110766229B (zh) * | 2019-10-24 | 2020-09-15 | 河南大学 | 一种基于“降尺度-融合”的高分辨率每日降水制图方法 |
CN111078678B (zh) * | 2019-12-18 | 2021-03-23 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
CN114969643A (zh) * | 2022-05-11 | 2022-08-30 | 武汉大学 | 基于卫星遥感的日降雨空间降尺度获取方法及设备 |
CN114970743B (zh) * | 2022-06-17 | 2022-11-08 | 中国科学院地理科学与资源研究所 | 一种基于多模态深度学习的多源遥感降雨数据融合方法 |
CN115659853B (zh) * | 2022-12-28 | 2023-03-10 | 中国科学院地理科学与资源研究所 | 一种非线性混合效应变系数降尺度方法和系统 |
-
2023
- 2023-03-28 CN CN202310308544.3A patent/CN116070792B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116070792A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116070792B (zh) | 一种多源降水数据的融合方法、装置、存储介质和设备 | |
Ma et al. | A spatial data mining algorithm for downscaling TMPA 3B43 V7 data over the Qinghai–Tibet Plateau with the effects of systematic anomalies removed | |
CN111078678B (zh) | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 | |
Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
Xu et al. | A new satellite-based monthly precipitation downscaling algorithm with non-stationary relationship between precipitation and land surface characteristics | |
Samanta et al. | Interpolation of climate variables and temperature modeling | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
Dall'Amico et al. | First results of SMOS soil moisture validation in the upper Danube catchment | |
CN110427995B (zh) | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 | |
CN108764688B (zh) | 基于星地多源降水数据融合的冬小麦湿渍害遥感监测方法 | |
CN106021868B (zh) | 一种基于多规则算法的遥感数据降尺度方法 | |
Fang et al. | Evaluation and validation of a high spatial resolution satellite soil moisture product over the Continental United States | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
Mahmoud et al. | GIS methods for sustainable stormwater harvesting and storage using remote sensing for land cover data-location assessment | |
CN112699951B (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
Tao et al. | Improving satellite estimates of the fraction of absorbed photosynthetically active radiation through data integration: methodology and validation | |
Zeng et al. | Spatial downscaling of IMERG considering vegetation index based on adaptive lag phase | |
Li et al. | Improving BRDF normalisation for Landsat data using statistical relationships between MODIS BRDF shape and vegetation structure in the Australian continent | |
Li et al. | A robust framework for resolution enhancement of land surface temperature by combining spatial downscaling and spatiotemporal fusion methods | |
Zhang et al. | Spatial-temporal changes of NDVI and their relations with precipitation and temperature in Yangtze River basin from 1981 to 2001 | |
CN112285808A (zh) | 一种aphrodite降水数据的降尺度方法 | |
Wang et al. | Using multiresolution tree to integrate MODIS and MISR-L3 LAI products | |
Mekonnen | Satellite remote sensing for soil moisture estimation: Gumara catchment, Ethiopia | |
Dong et al. | Simple yet efficient downscaling of land surface temperatures by suitably integrating kernel-and fusion-based methods | |
Lavelle et al. | Product user manual for the OSI SAF AMSR-2 global sea ice concentration |
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 |