CN116228046A - 一种基于卫星遥感和地理数据的山区空间降水估算方法 - Google Patents
一种基于卫星遥感和地理数据的山区空间降水估算方法 Download PDFInfo
- Publication number
- CN116228046A CN116228046A CN202310516087.7A CN202310516087A CN116228046A CN 116228046 A CN116228046 A CN 116228046A CN 202310516087 A CN202310516087 A CN 202310516087A CN 116228046 A CN116228046 A CN 116228046A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- satellite
- spatial resolution
- model
- 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.)
- Granted
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 239000005457 ice water Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012368 scale-down model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
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
- G06Q10/06—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
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于卫星遥感和地理数据的山区空间降水估算方法，属于大气探测技术领域，包括：收集数据生成高和低空间分辨率的参数信息数据集；根据非线性指数误差模型得到卫星降水的平均系统误差并进行修正；生成多种类型自变量组合作为自变量，将修正后的数据作为因变量，计算得到影响空间降水最主要的自变量组合；构建气流垂直速度计算模型以及建立地形降水增量计算模型，生成地形降水增量分布数据集；构建基于生成对抗网络的空间降水降尺度模型，并生成高空间分辨率的降水量分布数据。本发明增加针对山地区的卫星降水产品误差模型的构建及修正工作，解决了初始降水场误差可能导致估算结果不准确的问题。
Description
技术领域
本发明涉及大气探测技术领域，尤其涉及一种基于卫星遥感和地理数据的山区空间降水估算方法。
背景技术
对于山区，其境内的岩石长期受风化作用的影响，地表破碎和山体切割变得越来越严重，此时，在暴雨或大暴雨的激发下，山体崩塌、滑坡和泥石流等地质灾害发生的概率极大，尤其是坡面泥石流成群带发生，对居民点、公路、铁路和森林危害极大，严重影响山地区经济和社会的可持续发展。许多研究已证明，如洪涝、山体滑坡和泥石流等气象灾害和次生灾害多是由降水所激发，且降水的空间分布不均匀性和降水强度的异常是主要诱发因素。因此，对降水精细化空间信息的获取将有利于区域降水时空变化规律的洞悉，有利于灾害性天气和地质灾害的预测和预警等。
目前，对降水空间信息的获取一般有三种方式，即地面雨量站直接观测、天气雷达估测和卫星遥感反演。然而，在山区，由于地面雨量站点分布十分稀疏且不均匀，仅仅依靠雨量站观测资料是难以获得此区域高空间分辨率的降水信息。天气雷达组网可以获取降水的高时空分辨率信息，但其探测能力易受该地区周围高海拔山脉阻挡的影响，从而导致对低层空间降水信息的缺失。卫星遥感自上而下的观测方式，决定了其可以实现山区降水空间信息的获取，然而卫星降水数据存在数据质量不高且空间分辨率低的问题。随着降水精细化测量需求的不断加强，信息融合理念被逐步引入到空间降水定量估算中。然而对于山区，影响降水强度的因素十分复杂，它会受到地形抬升、水汽含量、大气环流状态和地表植被类型等诸多因素的干扰，表现出明显的空间非平稳性。然而，目前大多数降水信息融合方法在降水高空间分辨率信息获取时并没有考虑初始降水场数据质量、降水影响因子分析与筛选和地形复杂区地形强迫作用下地形降水增量等问题，因此目前的降水融合方法在山区对空间降水的精细化刻画能力十分有限。
需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于卫星遥感和地理数据的山区空间降水估算方法，解决了现有技术存在的不足。
本发明的目的通过以下技术方案来实现：一种基于卫星遥感和地理数据的山区空间降水估算方法，所述估算方法包括：
S1、收集地理信息数据并进行空间分辨率处理生成两种不同空间分辨率的数据集，收集ERA5同化系统输出数据并根据配置的WRF模型生成低空间分辨率和高空间分辨率的地表大气和云参数信息数据集，收集卫星和地面降水数据；
S2、将卫星降水数据与地面雨量计的空间位置分布图进行空间匹配，以空间匹配后的卫星降水数据为因变量，地面雨量计观测数据为自变量，根据非线性指数误差模型得到卫星降水的平均系统误差并对误差进行修正；
S3、生成多种类型自变量组合作为自变量，将修正后的卫星降水数据作为因变量，根据多元线性回归方法计算得到影响卫星空间降水最主要的自变量组合；
S4、构建气流垂直速度计算模型，根据水汽平衡方程中水汽垂直速度与湿度、气压差和其他气象要素之间的关系建立基于地表常规气象要素与地理信息的地形降水增量计算模型，并生成地形降水增量分布数据集；
S5、构建基于生成对抗网络的空间降水降尺度模型，并根据该模型生成高空间分辨率的降水量分布数据。
所述S1的步骤具体包括以下内容：
S101、收集数字高程数据、归一化植被指数数据，收集ERA5同化系统的地表温度、湿度、风速、风向和云参数信息，收集微信降水数据和地面雨量计实测数据；
S102、将数字高程数据输入到Arcgis地理信息系统，根据3D分析工具生成低空间分辨率和高空间分辨率的坡位、坡向和坡度数据集，设定低空间分辨率和高空间分辨率的网络点分布图，计算出归一化植被指数格点数据到网络点的距离，距离越远则赋予的权重值越小，从而生成两种不同空间分辨率的归一化植被指数数据集；
S103、配置WRF模型的参数化方案和三层网络嵌套模式，将最外层和最内层的空间分辨率分别设置为低空间分辨率和高空间分辨率，将中间层的空间分辨率设置为高空间分辨率与低空间分辨率之间的中间值，将收集的ERA5同化系统数据输入到配置好的WRF模型中，运行WRF模型生成低空间分辨率和高空间分辨率的地表温度、湿度、风速、风向以及云参数信息数据集。
所述S2的步骤具体包括以下内容：
S201、将卫星降水的时间量转换为北京时间，并与地面雨量计降水进行时间匹配；
S202、根据地面雨量计的空间位置分布，利用空间自协方差最佳插值法将卫星降水数据插值到地面雨量计的空间位置分布图中，从而实现卫星降水数据和地面雨量计在空间的匹配；
S203、以空间匹配后的卫星降水数据为因变量，以地面雨量计观测数据为自变量，根据非线性指数误差模型，采用最小二乘法计算得到非线性指数误差模型的系数和残差量；
S204、将除去残差量后的非线性指数误差模型输出量与卫星降水实测数据作差并进行统计分析，得到卫星降水的平均系统误差，并将卫星降水数据减去平均系统误差，实现卫星降水数据的误差修正。
所述S3的步骤具体包括以下内容：
S301、将得到的低空间分辨率的地理信息数据、地表大气数据和云参数信息根据自由组合的规律，生成由至少两种自变量因子构成的多种类型自变量组合；
S302、将经过误差修正后的低空间分辨率原始卫星降水数据作为因变量，将多种类型自变量组合当成自变量，利用多元线性回归方法分别计算出每种自变量组合情况下的偏决定系数，选择偏决定系数最大的一组自变量组合，作为影响空间降水最主要的自变量因子组合。
所述S4的步骤具体包括以下内容：
S401、基于地形降水生成机制，根据风向、坡度、坡向的角度确定三者之间的三角函数关系，分解出风向向量垂直和平行于坡面的分量，构建因地形强迫抬升产生的气流垂直速度计算模型；
S402、根据水汽平衡方程中水汽垂直速度与湿度、气压差和其他气象要素之间的关系，结合构建的气流垂直速度计算模型建立基于地表常规气象要素与地理信息的地形降水增量计算模型；
S403、分别生成低空间分辨率和高空间分辨率地形降水增量分布数据集。
所述S5的步骤具体包括以下内容：
S501、将确定的低空间分辨率的自变量组合数据、低空间分辨率地形降水增量分布数据和误差修正后的低空间分辨率卫星降水数据组成训练集，构建基于生成对抗网络的空间降水降尺度模型；
S502、将降水主要影响因子的高空间分辨率数据和生成的高空间分辨率地形降水增量分布数据输入到训练好的空间降水降尺度模型中，生成高空间分辨率的降水量分布数据。
所述非线性指数误差模型为：
，其中Y i,j 和X i,j 分别代表卫星降水数据和地面雨量计观测数据，ε i,j 表示残差且服从正态分布，a和b为误差模型的系数，i和j分别代表网格经度和纬度标识。
所述地形降水增量计算模型为：
，其中ρ为空气密度，/>
为风向向量，α、β、θ分别为坡度、坡向、风向，q为比湿，∆z为垂直速度为0时的高度。
本发明具有以下优点：一种基于卫星遥感和地理数据的山区空间降水估算方法，增加针对山区的卫星降水产品误差模型的构建及修正工作，解决了初始降水场误差可能导致估算结果不准确的问题；增加了针对山区降水影响因子的分析工作，明确了山区降水影响因子的权重，解决了后续降水估算模型中影响因子选择无科学依据的问题；增加了基于应用流体动力方程、连续方程、流体静力方程等地形降水增量模型的研究工作，解决了传统降水精细化空间估算技术在山区应用效果不佳的问题。
附图说明
图1为本发明的流程示意图；
图1-1为图1中的A部分放大图；
图1-2为图1中的B部分放大图；
图1-3为图1中的C部分放大图；
图2为高空间分辨率和低空间分辨率地理信息数据生成流程示意图；
图3为高空间分辨率和低空间分辨率地表大气和云参数信息生成的流程示意图；
图4为卫星降水数据误差修正的流程示意图；
图5为地形降水增量场的实现流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
本发明具体涉及一种基于卫星遥感和地理数据的山区空间降水估算方法，包括：收集数字高程数据、归一化植被数据、地表大气参数、云参数、卫星降水以及地面雨量站实测数据；将收集到的数字高程数据输入到Arcgis地理信息系统中，生成与卫星降水数据空间分辨率相匹配的低空间分辨率的坡位、坡向、坡度数据集，同时也生成高空间分辨率的数据集；基于归一化植被指数数据，利用数据插值方法生成低空间分辨率和高空间分辨的数据集；配置WRF（气象预报）参数化方案和网络嵌套模式，将地表大气和云参数输入到WRF模型中，生成高和低空间分辨率的数据集；利用空间自协方差最佳插值法对卫星降水和地面雨量站进行空间位置匹配，引入非线性指数误差模型对卫星降水的随机误差和系统误差进行分离，实现卫星降水数据误差的订正；将低空间分辨率的地理信息数据、植被数据、地表大气和云参数数据按自由组合的原则形成多种输入数据集，将误差订正后的卫星降水作为输出集，采用多元线性回归方法寻找影响降水最主要的因子；基于地形降水生成机制，构建地形降水的增量计算模型，并生成高和低空间分辨率的地形降水增量数据集；构建生成对抗网络模型，将低空间分辨率的降水影响因子、地形降水增量数据和卫星降水数据作为训练集对模型进行训练；将高空间分辨率的降水影响因子、地形降水增量数据输入到训练好出的生成对抗网络模型中，即可生成高空间分辨的降水数据。
如图1、图1-1、图1-2、图1-3、所示，具体包括以下内容：
步骤1：收集数字高程数据（DEM）、归一化植被指数数据（NDVI）；收集ERA5（欧洲中期天气预报中心）同化系统的地表温度、湿度、风速、风向和云参数信息等数据；收集GPMIMERG卫星降水数据和地面雨量计实测数据。
其中，云参数信息数据主要是指云底高度、云量百分比、云冰水含量、云液态水含量、总云量等数据集。
步骤2：如图2和图3所示，将DEM数据输入到Arcgis地理信息系统中，利用其3D分析工具生成空间分辨率为0.01º´0.01º（高空间分辨率）和0.1º´0.1º（低空间分辨率）的坡位、坡向、坡度等数据集；利用反距离加权法将NDVI数据生成0.01º´0.01º和0.1º´0.1º的数据集；设置WRF模型的参数化方案，采用三层网络嵌套模式，即最外层、中间层和最内层的空间分辨率为0.1º、0.05 º 和0.01º，将收集的ERA5同化系统数据输入到WRF模型中，并根据输出数据空间分辨率要求调整嵌套配置，运行模式生成0.01º´0.01º和0.1º´0.1º的地表温度、湿度、风速、风向以及云参数信息数据集。
其中，低空间分辨率指与卫星降水原始空间分辨率一致的空间分辨率，高空间分辨率指高于数据原始空间分辨率的空间分辨率。
步骤3：如图4所示，将卫星降水的时间量转成北京时间并与地面雨量计降水进行时间匹配；其次，根据地面雨量计的空间位置分布，利用空间自协方差最佳插值法将卫星降水数据插值到地面雨量计的空间位置分布图中，从而实现两者在空间的匹配；之后，以空间匹配后的卫星降水数据为因变量，以地面雨量计观测数据为自变量，基于非线性指数误差模型，采用最小二乘法求出模型的系数和残差量；将除去残差后的模型输出量与卫星降水实测数据作差并进行统计分析，即可获得卫星降水的平均系统误差；将卫星降水数据减去平均系统误差，即实现卫星降水数据的误差修正；
其中，非线性指数误差模型公式为：
，其中Y i,j 和X i,j 分别代表卫星降水数据和地面雨量计观测数据，ε i,j 为残差且服从正态分布，a和b为误差模型的系数，i和j分别代表网格经度和纬度标识。
步骤4：将步骤2得到的0.1º´0.1º空间分辨率的地理信息数据、地表大气数据和云参数信息数据依照自由组合的规律，生成由至少2种自变量因子构成的多种类型的组合；将步骤3经过误差订正后的0.1º´0.1º空间分辨率原始卫星降水数据作为因变量，将多种类型自变量组合作自变量，分别利用多元线性回归方法统计出每种自变量组合情况下的偏决定系数，最终筛选出影响空间降水最主要的自变量因子组合。
其中，地理信息数据主要是指数字高程、经度、纬度、坡位、坡向、坡度和NDVI等数据；地表大气数据主要是指地表温度、湿度、风速等数据。
其中，多元线性回归方法为：
，其中Y i,j 和x i,j,k 分别代表卫星降水和组合自变量，β0和ε i,j 分别表示模型的常数和残差，βk表示模型的回归系数，N表示筛选出组合自变量的总个数，i和j分别代表网格经度和纬度标识。
步骤5：如图5所示，基于地形降水生成机制，根据风向、坡度、坡向的角度可以确定三者之间的三角函数关系，分解出风向向量垂直和平行于坡面的分量，实现因地形强迫抬升产生的气流垂直速度计算模型的构建；然后，根据水汽平衡方程中水汽垂直速度与湿度、气压差和其他气象要素之间的关系，结合已构建的气流垂直速度计算模型，建立基于地表常规气象要素与地理信息的地形降水增量计算模型；最后，分别生成出0.01º´0.01º和0.1º´0.1º空间分辨率的地形降水增量分布数据集。
其中，地形降水增量计算模型为：
，其中ρ为空气密度，/>
为风向向量，α、β、θ分别为坡度、坡向、风向，q为比湿，∆z为垂直速度为0时的高度。
步骤6：将步骤4确定的0.1º´0.1º空间分辨率的自变量组合的数据、步骤5生成的0.1º´0.1º空间分辨率地形降水增量分布数据、步骤3误差修正后的0.1º´0.1º空间分辨率卫星降水数据组成训练集，构建基于生成对抗网络的空间降水降尺度模型。
步骤7：根据步骤2和步骤4，将降水主要影响因子的0.01º´0.01º空间分辨率数据和步骤5生成的0.01º´0.01º空间分辨率地形降水增量数据输入到训练好的空间降水降尺度模型中，生成0.01º´0.01º空间分辨率的降水量分布数据。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述估算方法包括：
S1、收集地理信息数据并进行空间分辨率处理生成两种不同空间分辨率的数据集，收集ERA5同化系统输出数据并根据配置的WRF模型生成低空间分辨率和高空间分辨率的地表大气和云参数信息数据集，收集卫星和地面降水数据；
S2、将卫星降水数据与地面雨量计的空间位置分布图进行空间匹配，以空间匹配后的卫星降水数据为因变量，地面雨量计观测数据为自变量，根据非线性指数误差模型得到卫星降水的平均系统误差并对误差进行修正；
S3、生成多种类型自变量组合作为自变量，将修正后的卫星降水数据作为因变量，根据多元线性回归方法计算得到影响卫星空间降水最主要的自变量组合；
S4、构建气流垂直速度计算模型，根据水汽平衡方程中水汽垂直速度与湿度、气压差和其他气象要素之间的关系建立基于地表常规气象要素与地理信息的地形降水增量计算模型，并生成地形降水增量分布数据集；
S5、构建基于生成对抗网络的空间降水降尺度模型，并根据该模型生成高空间分辨率的降水量分布数据。
2.根据权利要求1所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述S1的步骤具体包括以下内容：
S101、收集数字高程数据、归一化植被指数数据，收集ERA5同化系统的地表温度、湿度、风速、风向和云参数信息，收集卫星降水数据和地面雨量计实测数据；
S102、将数字高程数据输入到Arcgis地理信息系统，根据3D分析工具生成低空间分辨率和高空间分辨率的坡位、坡向和坡度数据集，设定低空间分辨率和高空间分辨率的网络点分布图，计算出归一化植被指数格点数据到网络点的距离，距离越远则赋予的权重值越小，从而生成两种不同空间分辨率的归一化植被指数数据集；
S103、配置WRF模型的参数化方案和三层网络嵌套模式，将最外层和最内层的空间分辨率分别设置为低空间分辨率和高空间分辨率，将中间层的空间分辨率设置为高空间分辨率与低空间分辨率之间的中间值，将收集的ERA5同化系统数据输入到配置好的WRF模型中，运行WRF模型生成低空间分辨率和高空间分辨率的地表温度、湿度、风速、风向以及云参数信息数据集。
3.根据权利要求1所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述S2的步骤具体包括以下内容：
S201、将卫星降水的时间量转换为北京时间，并与地面雨量计降水进行时间匹配；
S202、根据地面雨量计的空间位置分布，利用空间自协方差最佳插值法将卫星降水数据插值到地面雨量计的空间位置分布图中，从而实现卫星降水数据和地面雨量计在空间的匹配；
S203、以空间匹配后的卫星降水数据为因变量，以地面雨量计观测数据为自变量，根据非线性指数误差模型，采用最小二乘法计算得到非线性指数误差模型的系数和残差量；
S204、将除去残差量后的非线性指数误差模型输出量与卫星降水实测数据作差并进行统计分析，得到卫星降水的平均系统误差，并将卫星降水数据减去平均系统误差，实现卫星降水数据的误差修正。
4.根据权利要求1所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述S3的步骤具体包括以下内容：
S301、将得到的低空间分辨率的地理信息数据、地表大气数据和云参数信息根据自由组合的规律，生成由至少两种自变量因子构成的多种类型自变量组合；
S302、将经过误差修正后的低空间分辨率原始卫星降水数据作为因变量，将多种类型自变量组合当成自变量，利用多元线性回归方法分别计算出每种自变量组合情况下的偏决定系数，选择偏决定系数最大的一组自变量组合，作为影响卫星空间降水最主要的自变量因子组合。
5.根据权利要求3所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述S4的步骤具体包括以下内容：
S401、基于地形降水生成机制，根据风向、坡度、坡向的角度确定三者之间的三角函数关系，分解出风向向量垂直和平行于坡面的分量，构建因地形强迫抬升产生的气流垂直速度计算模型；
S402、根据水汽平衡方程中水汽垂直速度与湿度、气压差和其他气象要素之间的关系，结合构建的气流垂直速度计算模型建立基于地表常规气象要素与地理信息的地形降水增量计算模型；
S403、分别生成低空间分辨率和高空间分辨率地形降水增量分布数据集。
6.根据权利要求5所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述S5的步骤具体包括以下内容：
S501、将确定的低空间分辨率的自变量组合数据、低空间分辨率地形降水增量分布数据和误差修正后的低空间分辨率卫星降水数据组成训练集，构建基于生成对抗网络的空间降水降尺度模型；
S502、将降水主要影响因子的高空间分辨率数据和生成的高空间分辨率地形降水增量分布数据输入到训练好的空间降水降尺度模型中，生成高空间分辨率的降水量分布数据。
7.根据权利要求3所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述非线性指数误差模型为：
，其中Y i,j 和X i,j 分别代表卫星降水数据和地面雨量计观测数据，ε i,j 表示残差且服从正态分布，a和b为误差模型的系数，i和j分别代表网格经度和纬度标识。
8.根据权利要求5所述的一种基于卫星遥感和地理数据的山区空间降水估算方法，其特征在于：所述地形降水增量计算模型为：
，其中ρ为空气密度，/>
为风向向量，α、β、θ分别为坡度、坡向、风向，q为比湿，∆z为垂直速度为0时的高度。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310516087.7A CN116228046B (zh) | 2023-05-09 | 2023-05-09 | 一种基于卫星遥感和地理数据的山区空间降水估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310516087.7A CN116228046B (zh) | 2023-05-09 | 2023-05-09 | 一种基于卫星遥感和地理数据的山区空间降水估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228046A true CN116228046A (zh) | 2023-06-06 |
| CN116228046B CN116228046B (zh) | 2023-07-18 |
Family
ID=86573556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310516087.7A Active CN116228046B (zh) | 2023-05-09 | 2023-05-09 | 一种基于卫星遥感和地理数据的山区空间降水估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228046B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120188880A1 (en) * | 2012-01-31 | 2012-07-26 | Comtech Ef Data Corp. | Method and System for Performing Multi-Layer, Multi-Dimensional Link Budget Analysis (LBA) Using Real-Time Network, Weather, Satellite Ephemeras and Ionospheric Information |
| WO2015189204A1 (de) * | 2014-06-11 | 2015-12-17 | Continental Teves Ag & Co. Ohg | Verfahren und system zur verbesserten erkennung und/oder kompensation von fehlerwerten |
| CN105184388A (zh) * | 2015-08-05 | 2015-12-23 | 三峡大学 | 一种城市电力负荷短期预测的非线性回归方法 |
| CN107608939A (zh) * | 2017-08-16 | 2018-01-19 | 北京师范大学 | 基于高分辨率卫星数据的trmm降水数据降尺度方法 |
| CN109375294A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 一种山区卫星降水数据的降尺度校正方法 |
| CN111210050A (zh) * | 2019-12-09 | 2020-05-29 | 江西省气象服务中心 | 山地丘陵型中小水电站降雨来水增量预报模型与方法 |
| CN111814961A (zh) * | 2020-07-03 | 2020-10-23 | 深圳市赑玄阁科技有限公司 | 基于生成式对抗网络的降水预报的方法 |
| CN112329265A (zh) * | 2020-11-25 | 2021-02-05 | 国网湖南省电力有限公司 | 卫星遥感降水精细化空间估算方法及系统 |
| CN112734648A (zh) * | 2021-01-20 | 2021-04-30 | 武汉大学 | 基于深度学习超分辨率网络的降水时间降尺度预测方法 |
| CN113032733A (zh) * | 2021-03-27 | 2021-06-25 | 长江水利委员会水文局 | 基于非线性分类回归分析的遥感降雨误差校正方法及系统 |
| US20220043182A1 (en) * | 2019-10-14 | 2022-02-10 | Guangzhou Institute of Geography, Guangdong Academy of Science | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data |
| CN114372508A (zh) * | 2021-12-13 | 2022-04-19 | 河海大学 | 基于随机森林与陆表环境变量的月尺度星地降水融合方法 |
| CN114418211A (zh) * | 2022-01-17 | 2022-04-29 | 宁波市电力设计院有限公司 | 降水量的修正方法以及修正装置 |
| CN115391745A (zh) * | 2022-10-27 | 2022-11-25 | 国能大渡河大数据服务有限公司 | 一种基于概率匹配平均法的降水预报订正方法及系统 |
| CN115857060A (zh) * | 2023-02-20 | 2023-03-28 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 基于分层生成对抗网络的短临降水预报方法和系统 |
| US20230139920A1 (en) * | 2020-04-08 | 2023-05-04 | Basf Agro Trademarks Gmbh | Method for estimating precipitation distribution for a geographical region |
-
2023
- 2023-05-09 CN CN202310516087.7A patent/CN116228046B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120188880A1 (en) * | 2012-01-31 | 2012-07-26 | Comtech Ef Data Corp. | Method and System for Performing Multi-Layer, Multi-Dimensional Link Budget Analysis (LBA) Using Real-Time Network, Weather, Satellite Ephemeras and Ionospheric Information |
| WO2015189204A1 (de) * | 2014-06-11 | 2015-12-17 | Continental Teves Ag & Co. Ohg | Verfahren und system zur verbesserten erkennung und/oder kompensation von fehlerwerten |
| CN105184388A (zh) * | 2015-08-05 | 2015-12-23 | 三峡大学 | 一种城市电力负荷短期预测的非线性回归方法 |
| CN107608939A (zh) * | 2017-08-16 | 2018-01-19 | 北京师范大学 | 基于高分辨率卫星数据的trmm降水数据降尺度方法 |
| CN109375294A (zh) * | 2018-09-18 | 2019-02-22 | 中国水利水电科学研究院 | 一种山区卫星降水数据的降尺度校正方法 |
| US20220043182A1 (en) * | 2019-10-14 | 2022-02-10 | Guangzhou Institute of Geography, Guangdong Academy of Science | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data |
| CN111210050A (zh) * | 2019-12-09 | 2020-05-29 | 江西省气象服务中心 | 山地丘陵型中小水电站降雨来水增量预报模型与方法 |
| US20230139920A1 (en) * | 2020-04-08 | 2023-05-04 | Basf Agro Trademarks Gmbh | Method for estimating precipitation distribution for a geographical region |
| CN111814961A (zh) * | 2020-07-03 | 2020-10-23 | 深圳市赑玄阁科技有限公司 | 基于生成式对抗网络的降水预报的方法 |
| CN112329265A (zh) * | 2020-11-25 | 2021-02-05 | 国网湖南省电力有限公司 | 卫星遥感降水精细化空间估算方法及系统 |
| CN112734648A (zh) * | 2021-01-20 | 2021-04-30 | 武汉大学 | 基于深度学习超分辨率网络的降水时间降尺度预测方法 |
| CN113032733A (zh) * | 2021-03-27 | 2021-06-25 | 长江水利委员会水文局 | 基于非线性分类回归分析的遥感降雨误差校正方法及系统 |
| CN114372508A (zh) * | 2021-12-13 | 2022-04-19 | 河海大学 | 基于随机森林与陆表环境变量的月尺度星地降水融合方法 |
| CN114418211A (zh) * | 2022-01-17 | 2022-04-29 | 宁波市电力设计院有限公司 | 降水量的修正方法以及修正装置 |
| CN115391745A (zh) * | 2022-10-27 | 2022-11-25 | 国能大渡河大数据服务有限公司 | 一种基于概率匹配平均法的降水预报订正方法及系统 |
| CN115857060A (zh) * | 2023-02-20 | 2023-03-28 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 基于分层生成对抗网络的短临降水预报方法和系统 |
Non-Patent Citations (8)
| Title |
|---|
| 何其全: "基于GPM IMERG遥感降水产品的降水精细化空间估算 ————以闽浙赣山区为例", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 3, pages 009 - 28 * |
| 南天一 等: "基于深度学习的青藏高原多源降水融合", 中国科学:地球科学, vol. 53, no. 4, pages 836 - 855 * |
| 唐顺仙 等: "地球同步轨道星载毫米波降雨雷达数据模拟及地表杂波抑制", 红外与毫米波学报, vol. 36, no. 4, pages 481 - 489 * |
| 嵇涛 等: "多源遥感数据的降水空间降尺度研究——以川渝地区为例", 地球信息科学学报, vol. 17, no. 1, pages 108 - 117 * |
| 庄潇然 等: "基于深度学习的融合降水临近预报方法及其在中国东部地区的应用研究", 气象学报, vol. 81, no. 2, pages 286 - 303 * |
| 曾业隆;谭伟;王超;陈中超;: "基于GWR模型的贵州喀斯特山区TRMM 3B43降水资料降尺度分析", 干旱气象, no. 03, pages 68 - 77 * |
| 胡昊 等: "一次伴随雷达异常地物回波的超视距探测成因分析与数值模拟研究", 电波科学学报, vol. 37, no. 2, pages 189 - 197 * |
| 陈婉婷 等: "基于数字高程的波束遮挡订正及在雷达定量估测降水中应用", 气象科技, vol. 48, no. 1, pages 9 - 14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228046B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111651885B (zh) | 一种智慧型海绵城市洪涝预报方法 | |
| Zhao et al. | Estimating the daily PM2. 5 concentration in the Beijing-Tianjin-Hebei region using a random forest model with a 0.01× 0.01 spatial resolution | |
| CN110020462B (zh) | 一种对气象数据进行融合处理并生成数值天气预报的方法 | |
| Wilson | Digital terrain modeling | |
| Mitasova et al. | Raster-based analysis of coastal terrain dynamics from multitemporal lidar data | |
| CN104462660A (zh) | 一种野外输电线路冬季覆冰厚度分布绘制方法 | |
| CN111323352B (zh) | 融合细颗粒物浓度数据的区域pm2.5遥感反演模型 | |
| Kang et al. | Development of an observation processing package for data assimilation in KIAPS | |
| CN105069295B (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
| Addink et al. | A comparison of conventional and geostatistical methods to replace clouded pixels in NOAA-AVHRR images | |
| Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
| CN114417646B (zh) | 一种高维异构降水数据融合方法及系统 | |
| Tao et al. | Operational hydrological forecasting during the IPHEx-IOP campaign–Meet the challenge | |
| CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
| CN112926468A (zh) | 一种潮滩高程自动提取方法 | |
| CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
| El Kenawy et al. | Climatological modeling of monthly air temperature and precipitation in Egypt through GIS techniques | |
| Dieng et al. | Sea level anomalies using altimetry, model and tide gauges along the African coasts in the Eastern Tropical Atlantic Ocean: Inter-comparison and temporal variability | |
| Vieux et al. | Distributed hydrologic prediction: Sensitivity to accuracy of initial soil moisture conditions and radar rainfall input | |
| CN116228046B (zh) | 一种基于卫星遥感和地理数据的山区空间降水估算方法 | |
| CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
| CN116258065A (zh) | 一种云天高时空分辨率近地面气温估算方法 | |
| CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
| Kann et al. | On the impact of NWP model background on very high–resolution analyses in complex terrain | |
| CN115830476A (zh) | 地形因子空间降尺度方法 |
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 |