CN116305875B

CN116305875B - 数值天气预报模式中叶面积指数的数据处理方法及装置

Info

Publication number: CN116305875B
Application number: CN202310180255.XA
Authority: CN
Inventors: 张学珍; 关旭源; 刘欣睿
Original assignee: Institute of Geographic Sciences and Natural Resources of CAS
Current assignee: Institute of Geographic Sciences and Natural Resources of CAS
Priority date: 2023-02-17
Filing date: 2023-02-17
Publication date: 2023-08-29
Anticipated expiration: 2043-02-17
Also published as: CN116305875A

Abstract

本申请实施例公开了一种数值天气预报模式中叶面积指数的数据处理方法及装置，方法包括：获取卫星遥感叶面积指数的历史数据；对历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；提取最近的n个时次的历史数据中质量符合预设条件的数据，作为当前的实时数据序列；对于缺失数据的数量不超过设定阈值的像元，从实时数据序列中减去同时期的平均数据序列，得到异常数据序列；根据异常数据序列建立趋势拟合方程，并利用趋势拟合方程获得当前时刻的叶面积指数的异常值；将异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。

Description

数值天气预报模式中叶面积指数的数据处理方法及装置

技术领域

本申请涉及计算机技术领域，具体涉及一种数值天气预报模式中叶面积指数的数据处理方法及装置。

背景技术

在天气预报领域，数值天气预报模式是主要工具，也是当前开展天气预报的主流工具。陆面过程模型(也称：陆面过程参数化方案)是数值天气预报模式的重要组成部分。绿色植被覆盖特征参数是陆面过程模型的重要参数，控制着陆面的辐射平衡、能量平衡和水分平衡。尽管不同的陆面过程模型采用的绿色植被覆盖特征参数不尽相同，但叶面积指数(LAI)几乎被全部的陆面过程模型采用。

在早期的陆面过程模型中，叶面积指数通常被设定为依赖于植被类型的常数，每一种植被类型有固定的季节变化曲线。之后，随着卫星遥感技术的发展，实时动态遥感数据获取成为可能。因而目前数值天气预报模式的陆面过程模型越来越多的采用了卫星遥感反演的实时动态LAI数据。但是，存在如下两点问题：

1.从卫星数据接收到处理成空间连续的数据产品，存在一定的时滞，一般滞后约两周。如此长时间的滞后显然与时效性要求极强的天气预报不匹配。如何获取具有较强时效性的LAI参数，成为数值天气预报领域的一个难题。

2.卫星遥感反演的LAI产品数据具有极大的不确定性，不仅部分数据因为云和气溶胶影响被标识为“低质量”，而且即使部分标识为“高质量”的数据也可能与事实符，如：在7-8月植被生长高峰季节，LAI时间序列却呈现较大波动的特征，间隔8天的LAI数值相差可超过年内总变幅的1/2。如何利用剧烈变化且部分时点数据缺失的LAI时间序列估算当前LAI数值并将其用于数值天气预报模式中的陆面过程模型，成为困扰本领域的另一个难题。

解决上述两个问题，有助于获取实时动态的高精度LAI数据，可为数值天气预报模式中的陆面过程模型提供高精度的参数，有助于提高天气预报的精度；同时，也可为遥感数据驱动的生态模型、碳通量模型提供高精度的参数。因此，上述两个问题的解决方法具有广泛的应用前景。

发明内容

本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理方法及装置，能够获取实时动态的高精度LAI数据。

第一方面，本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理方法，包括：

获取卫星遥感叶面积指数的历史数据；

按自然年对所述历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；

按照与当前时间由近及远的时间顺序，获取n个时次的叶面积指数的历史数据，并提取其中质量符合预设条件的数据，作为当前的实时数据序列；

对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从所述实时数据序列中减去同时期的所述平均数据序列，得到异常数据序列；

根据所述异常数据序列建立趋势拟合方程，并利用所述趋势拟合方程获得当前时刻的叶面积指数的异常值；

将所述异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。

可选实施例中，根据所述异常数据序列建立趋势拟合方程，包括：

对所述异常数据序列去除噪音，得到异常数据序列的最优估计序列，并根据最优估计序列建立所述趋势拟合方程。

可选实施例中，其中通过最小二乘法根据最优估计序列建立所述趋势拟合方程。

可选实施例中，对所述异常数据序列采用随机采样一致性算法去除噪音。

可选实施例中，对所述异常数据序列采用随机采样一致性算法去除噪音，包括：

以当前时刻为起点，向前搜索15个时点的叶面积指数的数值，并剔除质量不符合预设条件的数据，构成时间序列A{A1,A2,...,A15}；

从从所述时间序列中减去同期多年平均的叶面积指数的时间序列构成叶面积指数的异常序列DA{DA1,DA2,...,DA15}；

对异常序列DA剔除一个数值，对其余数据采用最小二乘法进行趋势拟合，并由此得到一个新的趋势序列DAi{DAi1,DAi2,...,DAi15}，以此类推，逐一剔除每一个数据，进行趋势拟合，由此得到DAij矩阵(i＝1,...N，N值取决于DA序列中数据个数，最大取值为15；j＝1,...15)；

对DAij矩阵在第一维上取中位数，建立一个新的时间序列DB{DB1,DB2,...,DB15}。

可选实施例中，所述方法还包括：

对于数据无缺失和缺失数据的数量大于所述设定阈值的像元，根据同期的土地利用数据，采用最邻近的相同土地利用类型的当前时刻的叶面积指数的异常值进行填充。

可选实施例中，缺失数据的数量不超过设定阈值的像元，包括：

缺失数据的数量不超过三分之一的像元。

第二方面，本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理装置，所述装置包括：

获取模块，用于获取卫星遥感叶面积指数的历史数据；

平均模块，用于按自然年对所述历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；

提取模块，用于按照与当前时间由近及远的时间顺序，获取n个时次的叶面积指数的历史数据，并提取其中质量符合预设条件的数据，作为当前的实时数据序列；

拟合模块，用于对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从所述实时数据序列中减去同时期的所述平均数据序列，得到异常数据序列；根据所述异常数据序列建立趋势拟合方程，并利用所述趋势拟合方程获得当前时刻的叶面积指数的异常值；

实时模块，用于将所述异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。

第四方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。

本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中，根据历史数据得到每一自然年的平均数据序列以及异常数据序列，并根据异常数据序列建立趋势拟合方程，从而利用趋势拟合方程获得当前时刻的叶面积指数的异常值，根据异常值和平均数据序列得到数值天气预报模式所需的当前时刻的叶面积指数的数值。能够获取实时动态的高精度LAI数据。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法的流程示意图；

图2示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中获得的历史数据的结构的示意图；

图3示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中获得的历史数据缺失的示意图；

图4示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中缺失数据处理效果示意图；

图5示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中SG滤波数据和原始数据的对比示意图；

图6示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中去除扰动的示意图；

图7示出本申请实施例的数值天气预报模式中叶面积指数的数据处理方法滚动预测的示意图；

图8示出本申请实施例的数值天气预报模式中叶面积指数的数据处理装置的结构示意图；

图9示出本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参见图1，本公开实施例提供了一种数值天气预报模式中叶面积指数的数据处理方法，该方法包括：

获取卫星遥感叶面积指数的历史数据；

按自然年对历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；

对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从实时数据序列中减去同时期的平均数据序列，得到异常数据序列；

根据异常数据序列建立趋势拟合方程，并利用趋势拟合方程获得当前时刻的叶面积指数的异常值；

将异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。

像元是遥感数据采集时，采样的最小单元，是构成遥感数字图像的基本单元，是遥感成像过程中的采样点。

本申请未直接对实测LAI数值进行处理，而是将实测LAI数值拆解成平均值与异常值两项，然后只针对异常值进行去噪与趋势拟合分析。

LAI是反映植被长势的重要指标，由于地球公转，地球上绝大部分陆地都有鲜明的季节变化，LAI呈现出季节性的周期循环。表现为冬季是1年中的最低点，夏季是1年中的最高点。同时，由于气候条件的年际变化，不同年份之间同一时期的LAI也不相同。因此，LAI季节性周期循环不是简单的重复。但是，就变幅来说，LAI季节性周期循环的变幅(如：冬、夏季之间的差异)远大于不同年份之间同一时期LAI的变幅。因而，如果直接针对实测LAI数值进行去噪和趋势拟合，LAI季节变化信号将占有绝对主导地位，而LAI年际变化信号将被“淹没”，致使仍不能实现“为数值天气预报模型提供实时LAI数值”的功能。为此，本申请首先利用过去一定数量自然年，例如5个自然年的LAI数据，通过计算平均值，构建LAI季节循环信号，然后从本年实时LAI数据序列中扣除同时期的LAI季节性信号，提取实时LAI相对于本地多年平均LAI的异常值(也称为“距平值”)。这样，LAI异常序列就不再包含LAI的季节信号，而仅仅代表由于本年度气候条件变率导致的植被长势偏离平均态的程度。之后，仅对LAI异常序列进行去噪和趋势外推，从而避免巨大的季节变幅对弱小的年际变幅分析结果的“淹没效应”，实现了精确提取LAI年际变率信号的目标。最后，将趋势外推得到的实时LAI异常值与多年平均LAI季节值进行相加，得到可供数值天气预报模型采用的LAI数值。

地球气候最显著的年际变率是厄尔尼诺-南方涛动(简称ENSO)，周期大多介于2-7年之间，平均周期为5年。本申请可以取过去5个自然年LAI数据，通过计算平均值，即可消除了气候年际变化的信号，从而提取了比较可靠的季节循环信号。

一些实施例中，根据异常数据序列建立趋势拟合方程，包括：对异常数据序列去除噪音，得到异常数据序列的最优估计序列，并根据最优估计序列建立趋势拟合方程。

一些实施例中，其中通过最小二乘法根据最优估计序列建立趋势拟合方程。

一些实施例中，对异常数据序列采用随机采样一致性算法去除噪音。由于卫星信号具有一定的不确定性，其中蕴含有一定成分的噪音，同时卫星信号普遍具有约15天的时滞。因此，本发明采用随机采样一致性算法进行去噪，从带有噪音的LAI时间序列中提取LAI异常(距平)的信号，并据此预测当前的LAI异常值(距平值)。

在原始数据中，每一个观测数据都有一个附带的质量分数，质量分数是叶面积指数本身的一个属性。质量分数在0-32的可以认为该数据为高质量数据，质量符合预设条件，质量分数高于32的数据属于低质量数据，可以认为该数据的质量不符合预设条件。

本公开实施例中，n的取值可以是不小于15。

一些实施例中，对异常数据序列采用随机采样一致性算法去除噪音，包括：以当前时刻为起点，向前搜索15个时点的叶面积指数的数值，并剔除低质量数据，构成时间序列A{A1,A2,...,A15}；从从时间序列中减去同期多年平均的叶面积指数的时间序列构成叶面积指数的异常序列DA{DA1,DA2,...,DA15}；对异常序列DA剔除一个数值，对其余数据采用最小二乘法进行趋势拟合，并由此得到一个新的趋势序列DAi{DAi1,DAi2,...,DAi15}，以此类推，逐一剔除每一个数据，进行趋势拟合，由此得到DAij矩阵(i＝1,...N，N值取决于DA序列中数据个数，最大取值为15；j＝1,...15)；对DAij矩阵在第一维上取中位数，建立一个新的时间序列DB{DB1,DB2,...,DB15}。时间序列DB较大程度上保留了当前时刻之前15个时点DA的趋势信号而剔除了其中的噪音。最后，采用最小二乘法，对序列DB进行线性趋势拟合，建立线性趋势模型，据此进行趋势外推预测当前时刻的LAI异常值(距平值)。

一些实施例中，本申请实施例的方法还包括：对于数据无缺失和缺失数据的数量大于设定阈值的像元，根据同期的土地利用数据，采用最邻近的相同土地利用类型的当前时刻的叶面积指数的异常值进行填充。如果通过前期时空插值等处理后，数据依然存在较多缺失，可以用最邻近的相同土地利用类型的当前时刻的叶面积指数对剩余的缺失值进行最终的补全。借助土地利用数据，对相同土地利用类型像元的LAI数据进行二维拟合，从而获得一个更为可靠的结果。

一些实施例中，缺失数据的数量不超过设定阈值的像元，包括：缺失数据的数量不超过三分之一的像元。

本申请实施例的方法具有提供实时LAI预测的功能，可满足数值天气预报模型对实时LAI数值的需求，弥补了将LAI作为“静态数据”而致的功能缺陷。

本申请中，将LAI数据拆分成平均值与异常值，针对异常值进行去噪和趋势拟合分析，将小幅度的年际变化与大幅度的季节循环剥离开来，为从原始数据序列中提取当前年份内各时点异常(距平)序列提供了可能，从而为趋势信号提取(去噪)和趋势建模奠定了基础。

针对实时LAI异常值时间序列，采用随机采样一致性算法进行去噪，提取LAI异常信号序列，进而开展趋势拟合与预测。本申请实施例的方法中的外推预测较时间序列的低通滤波技术的数据内插更能改善由于卫星遥感LAI数据的时滞性问题，满足数值天气预报模型对当前LAI数值的需求。

自然条件下植被长势变化不会随逐日的温度、湿度条件即时变化，而是随先前一个时期内的气候条件做缓慢的趋势性变化，在一个时期内(1-2个月)具有趋势性。基于这一科学事实，本申请首先采用随机采样一致性算法，通过逐一剔除后建模进行趋势拟合，再将多次趋势模拟结果进行整合，以最大程度上剔除数据噪音，提取LAI异常的趋势信号。在此基础上，再对趋势信号进行线性拟合和趋势外推，预测当前时刻LAI异常。

下面以预测2018年某地区某一观测像元LAI值为例对本申请实施例的方法进行说明。

根据行列号来选取某一分区下的所有HDF(Hierarchical Data Format，层次型数据格式)文件，在期次信息明确的情况下，由程序自动排序并读取数据，使用python numpy的数组结构进行存储数据。待全部数据读取后，进行初步的质量筛选。对低质量数据，使用往年同期高质量数据的中位数进行填补。最终生成背景数据三维数组，其第一维是期次，第二维和第三维对应该分区的数据点位置。

最终的数据结构如图2所示，每一个小立方体代表一个像元某一期次的观测数据，其中深色方块表示缺失数据。

在前一步处理后获得的数据仍有可能存在无法填补的低质量数据点(缺失值)。如图3所示，这些缺失值可以分为单点缺失、序列缺失和平面缺失。建立数据插值模块，对于单点缺失采用时间维插值，对序列缺失采用空间维插值，对平面缺失采用掩膜提取插值，从而解决背景数据的数据点缺失问题。

经过处理，缺失的数据被修补，图4是数据的缺失情况和处理效果。

使用处理好缺失值的历史数据，采用SG滤波方法构建平均态数据。SG滤波可以有效去除数据的震荡幅度和随机扰动，从而可以为后续的预测建立起基准。以该像元为例，生成的2018年SG滤波数据和原始的历史数据的对比如图5所示。

在原始数据充分处理后，可以在其基础上进行未来数据短期预测。主要采用的方式为：以平均态数据为基准，以距平数据为变量，在采用随机采样一致性算法去除噪点的基础上，进行线性拟合，从而对原始数据期次中没有观测数据的天数进行数据预测。其重点在于自动去除随机波动的点，提高数据预测结果的置信度。

图6是通过随机采样一致性算法所去除的扰动幅度较大的点。

在去除扰动后，根据平均态数据和距平序列，获得该像元的LAI滚动预报值。效果如图7所示，其中折线是逐期滚动预测得到的结果。

参见图8，本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理装置，该装置包括：

获取模块，用于获取卫星遥感叶面积指数的历史数据；

平均模块，用于按自然年对历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；

拟合模块，用于对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从实时数据序列中减去同时期的平均数据序列，得到异常数据序列；根据异常数据序列建立趋势拟合方程，并利用趋势拟合方程获得当前时刻的叶面积指数的异常值；

实时模块，用于将异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。

本申请实施例的装置可以实现上述实施例的方法，上述方法实施例均可用于理解本申请实施例的装置，本申请实施例的装置具有上述方法实施例的效果，在此不再赘述。

本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的方法。

请参见图9，为本申请实施例提供了一种电子设备的结构示意图。如图9所示，终端600可以包括：至少一个处理器601，至少一个网络接口604，用户接口603，存储器605，至少一个通信总线602。

其中，通信总线602用于实现这些组件之间的连接通信。

其中，用户接口603可以包括显示屏(Display)、摄像头(Camera)，可选用户接口603还可以包括标准的有线接口、无线接口。

其中，网络接口604可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种借口和线路连接整个终端600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行终端600的各种功能和处理数据。可选的，处理器601可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器601可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。

其中，存储器605可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器605包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图3所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。

在图9所示的电子设备600中，用户接口603主要用于为用户提供输入的接口，获取用户输入的数据；而处理器601可以用于调用存储器605中存储的应用程序，并具体执行上述任一方法实施例的操作。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。

本申请实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。

本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field－ProgrammaBLE GateArray，FPGA)、集成电路(Integrated Circuit，IC)等。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims

1.一种数值天气预报模式中叶面积指数的数据处理方法，其特征在于，包括：

获取卫星遥感叶面积指数的历史数据；

2.根据权利要求1所述的方法，其特征在于，根据所述异常数据序列建立趋势拟合方程，包括：

3.根据权利要求2所述的方法，其特征在于，其中通过最小二乘法根据最优估计序列建立所述趋势拟合方程。

4.根据权利要求1所述的方法，其特征在于，对所述异常数据序列采用随机采样一致性算法去除噪音。

5.根据权利要求1所述的方法，其特征在于，对所述异常数据序列采用随机采样一致性算法去除噪音，包括：

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，缺失数据的数量不超过设定阈值的像元，包括：

缺失数据的数量不超过三分之一的像元。

8.一种数值天气预报模式中叶面积指数的数据处理装置，其特征在于，所述装置包括：

获取模块，用于获取卫星遥感叶面积指数的历史数据；

9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述的方法。

10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。