CN116432145B - 积雪深度获取方法、装置、存储介质和计算机设备 - Google Patents

积雪深度获取方法、装置、存储介质和计算机设备 Download PDF

Info

Publication number
CN116432145B
CN116432145B CN202310240049.3A CN202310240049A CN116432145B CN 116432145 B CN116432145 B CN 116432145B CN 202310240049 A CN202310240049 A CN 202310240049A CN 116432145 B CN116432145 B CN 116432145B
Authority
CN
China
Prior art keywords
snow
index
day
site
sample
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
Application number
CN202310240049.3A
Other languages
English (en)
Other versions
CN116432145A (zh
Inventor
陈晓娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202310240049.3A priority Critical patent/CN116432145B/zh
Publication of CN116432145A publication Critical patent/CN116432145A/zh
Application granted granted Critical
Publication of CN116432145B publication Critical patent/CN116432145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • 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
    • G06N3/0475—Generative networks
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供一种积雪深度获取方法、装置、存储介质和计算机设备，所述方法包括：获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集；根据样本逐日积雪指数数据集、样本积雪深度数据集和多种样本环境数据数据集，构建站点区域的第一多元线性回归模型；获取站点区域的时空完整的站点日尺度卫星积雪指数以及与站点日尺度卫星积雪指数时空对应的多种站点环境数据；将站点区域的站点日尺度卫星积雪指数和多种站点环境数据输入至第一多元线性回归模型，得到站点区域的站点积雪深度。本申请可以提高获取积雪深度数据的效率。

Description

积雪深度获取方法、装置、存储介质和计算机设备
技术领域
本申请涉及积雪深度获取的技术领域，具体涉及一种积雪深度获取方法、装置、存储介质和计算机设备。
背景技术
积雪深度指的是积雪表面到达地面的垂直深度，传统的积雪深度数据获取方法，通常采用站点观测方法获取，因此每当需要获取积雪深度数据时，才会佢对应的站点进行数据采集，费时费力，且十分不方便，导致获取积雪深度数据的效率十分低下。
发明内容
本申请的目的在于克服现有技术中的缺点与不足，提供一种积雪深度获取方法、装置、存储介质和计算机设备，可以提高获取积雪深度数据的效率。
本申请实施例的第一方面提供了一种积雪深度获取方法，包括：
获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集；
根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型；
获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据；
将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度。
本申请实施例的第二方面提供了一种积雪深度获取装置，包括：
数据集获取模块，用于获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集；
模型构建模块，用于根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型；
站点数据获取模块，用于获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据；
站点积雪深度获取模块，用于将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的积雪深度获取方法的步骤。
本申请实施例的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的积雪深度获取方法的步骤。
相对于现有技术，本申请首先根据站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集，构建所述站点区域的第一多元线性回归模型，以获取第一多元线性回归模型的第一模型参数，再将站点区域的时空完整的站点日尺度卫星积雪指数、与站点日尺度卫星积雪指数对应的多种站点环境数据，以及第一模型参数输入至所述第一多元线性回归模型，得到站点区域的站点积雪深度，其中，由于日尺度卫星积雪指数、样本环境数据集都可以基于卫星的遥感影像获取，因此可以快速获取，再结合站点区域的第一多元线性回归模型，可以快速计算出对应的站点积雪深度，提高了站点积雪深度的获取效率。
为了能更清晰的理解本申请，以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的积雪深度获取方法的流程图。
图2为本申请一个实施例的积雪深度获取方法的步骤S31-S35的流程图。
图3为本申请一个实施例的积雪深度获取装置的模块连接示意图。
100、积雪深度获取装置；101、数据集获取模块；102、模型构建模块；103、站点数据获取模块；104、站点积雪深度获取模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。
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。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请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。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其是本申请第一实施例的积雪深度获取方法的流程图，包括：
S1：获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集。
样本积雪深度数据是指预先采集的站点区域的多个积雪深度数据，样本日尺度卫星积雪指数是指通过遥感影像预先获取的多个积雪指数数据，样本环境数据集是指预先获取的站点区域的气候、地理等多种环境数据。其中，样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集都可以采用历史数据。
S2：根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型。
所述第一多元线性回归模型包括样本逐日积雪指数、样本积雪深度、积雪深度的权重系数、各种样本环境数据、各种样本环境数据的权重系数以及残差参数，其中，由于样本参数间相互独立，因此残差参数为独立正态分布，而积雪深度的权重系数和各种样本环境数据的权重系数可以通过最小二乘法求解得到。
S3：获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据。
S4：将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度。
其中，由于步骤S2构建第一多元线性回归模型过程中，可以获取站点区域的积雪深度的权重系数和各种样本环境数据的权重系数，因此，将站点区域的站点日尺度卫星积雪指数和多种站点环境数据输入至第一多元线性回归模型后，即可得到站点区域的站点积雪深度。
相对于现有技术，本申请首先根据站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集，构建所述站点区域的第一多元线性回归模型，以获取第一多元线性回归模型的第一模型参数，再将站点区域的时空完整的站点日尺度卫星积雪指数、与站点日尺度卫星积雪指数对应的多种站点环境数据，以及第一模型参数输入至所述第一多元线性回归模型，得到站点区域的站点积雪深度，其中，由于日尺度卫星积雪指数、样本环境数据集都可以基于卫星的遥感影像获取，因此可以快速获取，再结合站点区域的第一多元线性回归模型，可以快速计算出对应的站点积雪深度，提高了站点积雪深度的获取效率。
在一个可行的实施例中，所述样本积雪深度数据集包括多个时间段的样本积雪深度，所述样本日尺度卫星积雪指数数据集包括多个时间段的样本日尺度卫星积雪指数，所述多种样本环境数据集包括多个时间段的样本环境数据，各个时间段的样本环境数据分别包括：样本气温、样本高程、样本坡度、样本坡向、样本风速和样本太阳辐射；
所述S2：根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型的步骤，包括：
通过以下公式，构建所述第一多元线性回归模型：
y＝αndsiXndsi+αtXt+αeXe+αsXs+αaXa+αwXw+αrXr+ε；
其中，y为多个时间段的样本积雪深度；αndsi为积雪指数的权重系数；Xndsi为多个时间段的样本日尺度卫星积雪指数；αt为气温的权重系数；Xt为多个时间段的样本气温的数据；αe为高程的权重系数；Xe为多个时间段的样本高程的数据；αs为坡度的权重系数；Xs为多个时间段的样本坡度的数据；αa为坡向的权重系数；Xa为多个时间段的样本坡向的数据；αw为风速的权重系数，Xw为多个时间段的样本风速的数据；αr为太阳辐射的权重系数；Xr为多个时间段的样本太阳辐射的数据；ε为残差；
通过最小二乘法，获取所述第一多元线性回归模型的积雪指数的权重系数、气温的权重系数、高程的权重系数、坡度的权重系数、坡向的权重系数、风速的权重系数和太阳辐射的权重系数。
在本实施例中，根据最小二乘法获取第一多元线性回归模型的积雪指数的权重系数、气温的权重系数、高程的权重系数、坡度的权重系数、坡向的权重系数、风速的权重系数和太阳辐射的权重系数，使第一多元线性回归模型具有了根据站点日尺度卫星积雪指数和多种站点环境数据获取站点区域的站点积雪深度的能力。
在一个可行的实施例中，所述S2：根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型的步骤后，还包括：
S21：获取所述站点区域的验证积雪深度数据集、验证日尺度卫星积雪指数数据集和多种验证环境数据集。
其中，验证积雪深度数据集、验证日尺度卫星积雪指数数据集和多种验证环境数据集都可以采用与样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集不同的历史数据。
S22：根据所述验证积雪深度数据集、所述验证日尺度卫星积雪指数数据集和所述多种验证环境数据集对所述第一多元线性回归模型进行验证，并根据验证结果调整所述第一多元线性回归模型的第一模型参数。
在本实施例中，根据验证积雪深度数据集、验证日尺度卫星积雪指数数据集和多种验证环境数据集对第一多元线性回归模型进行验证以调整对应的第一模型参数，可以有效提高第一多元线性回归模型计算积雪深度的准确性。
请参阅图2，在一个可行的实施例中，所述S3：获取所述站点区域的时空完整的站点日尺度卫星积雪指数，以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据的步骤，包括：
S31：获取所述站点区域的第一分辨率的第一日尺度卫星积雪指数；其中，所述第一日尺度卫星积雪指数为存在时空空缺的数据。
其中，第一分辨率的第一日尺度卫星积雪指数是指根据Harmonized LandsatSentinel-2卫星观测数据获取的归一化积雪指数，归一化积雪指数是对陆表积雪状态的准确描述，也是积雪面积、积雪深度和积雪覆盖丰度等积雪参数反演的基础。
Harmonized Landsat Sentinel-2卫星观测数据是一种融合了Landsat和Sentinel-2的高分辨率的卫星遥感数据，该观测数据经过处理后会作为HarmonizedLandsat Sentinel-2数据集公开发布，时间分辨率为2-3天，空间分辨率为30米，是目前全球尺度时空分辨率最高的卫星遥感数据集，为区域尺度高精度积雪变化、监测、灾害评估研究提供了便利。
其中，获取第一分辨率的第一日尺度卫星积雪指数的步骤，包括：
将Harmonized Landsat Sentinel-2卫星的观测数据确定为第一观测数据。
根据所述第一观测数据的可见绿光波段数据和短红外波段数据，得到所述第一日尺度卫星积雪指数。
具体地，通过以下公式，得到所述第一日尺度卫星积雪指数：
NDSI＝(Bgreen-Bswir)/(Bgreen+Bswir)；
其中，NDSI为第一日尺度卫星积雪指数，Bgreen为第一观测数据的可见绿光波段数据；Bswir为第一观测数据的短红外波段数据。
S32：获取站点区域的第二分辨率的第二日尺度卫星积雪指数；其中，所述第二分辨率低于所述第一分辨率，所述第二日尺度卫星积雪指数为不存在时空空缺的数据。
其中，第二分辨率的第二日尺度卫星积雪指数是是MODIS卫星的观测数据计算得到卫星积雪指数后，又进行了时空滤波填充的一种时空完整的归一化积雪指数。
MODIS卫星是一种可以获取低分辨率的观测数据的遥感卫星，MODIS卫星的观测数据经过处理后会作为MOD10A1F数据集公开发布，其中，MOD10A1F数据集的时间分辨率为1天，空间分辨率为500米，且经过处理得到的MOD10A1F数据集的数据是一种不存在时空空缺的数据。
其中，获取第二分辨率的第二日尺度卫星积雪指数的步骤，包括：
将MODIS卫星的观测数据确定为第二观测数据。
根据所述第二观测数据，选取时空完整的MODIS卫星积雪数据MOD10A1F，提取像元值在0-100的有效观测值，得到所述第二日尺度卫星积雪指数。
S33：对所述第二日尺度卫星积雪指数进行降尺度处理，得到第三日尺度卫星积雪指数；其中，第三日尺度卫星积雪指数的分辨率为所述第一分辨率。
S34：对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后，输入生成式对抗网络，得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数。
其中，时空匹配是指第一日尺度卫星积雪指数和第三日尺度卫星积雪指数在时间和空间上都相互匹配的积雪指数数据。
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。
S35：对所述第四日尺度卫星积雪指数进行时间插值，得到修补了所述第四日尺度卫星积雪指数的时间空缺的站点区域的站点日尺度卫星积雪指数。
在本实施例中，通过将低分辨率但不存在时空空缺的第二日尺度卫星积雪指数进行降尺度得到第三日尺度卫星积雪指数后，将高分辨率但存在时空空缺的第一日尺度卫星积雪指数和第三日尺度卫星积雪指数进行时空匹配并输入生成式对抗网络，得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数，再通过对第四日尺度卫星积雪指数进行时间插值，得到目标区域时空完整的目标日尺度卫星积雪指数，因此可以即时获取目标区域的时空完整且高精度的积雪指数。
在一个可行的实施例中，所述S34：对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后，输入生成式对抗网络，得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数的步骤，包括：
S341：将所述第三日尺度卫星积雪指数中，与所述第一日尺度卫星积雪指数时空匹配的积雪指数确定为第一待处理积雪指数，将与所述第一日尺度卫星积雪指数时空不匹配的积雪指数确定为第二待处理积雪指数。
S342：根据所述第一日尺度卫星积雪指数和所述第一待处理积雪指数训练所述生成式对抗网络。优选地，训练生成式对抗网络是基于日尺度的数据进行训练，可以以降低积雪季节性特征的影响。
S343：将所述第二待处理积雪指数输入训练后的所述生成式对抗网络，得到对应的空间填充积雪指数。
S344：根据所述空间填充积雪指数和所述第一日尺度卫星积雪指数，得到所述第四日尺度卫星积雪指数。
在本实施例中，根据第一日尺度卫星积雪指数和第一待处理积雪指数训练的生成式对抗网络，可以学习到第一日尺度卫星积雪指数和第一待处理积雪指数，从而根据输入的第二待处理积雪指数，输出对应的空间填充积雪指数，从而可以根据空间填充积雪指数对第一日尺度卫星积雪指数进行空间填充。
在一个可行的实施例中，所述S35：对所述第四日尺度卫星积雪指数进行时间插值，得到修补了所述第四日尺度卫星积雪指数的时间空缺的站点区域的站点日尺度卫星积雪指数的步骤，包括：
S351：根据所述第四日尺度卫星积雪指数，将存在时间空缺的数据对应的位置确定为待处理位置。
S352：根据所述第四日尺度卫星积雪指数，将所述待处理位置的至少两个时间节点的时间节点积雪指数。
优选地，待处理位置存在时间空缺的数据的时间节点位于两个时间节点积雪指数的时间节点之间。
S353：根据至少两个所述时间节点积雪指数的线性关系，得到用于填充所述待处理位置的时间空缺的时间填充积雪指数。
通过以下公式，计算得到所述时间填充积雪指数：
其中，y为所述时间填充积雪指数，y1和y2分别为两个所述时间节点积雪指数，x1和x2分别为两个所述时间节点积雪指数对应的时间节点，x为所述时间填充积雪指数对应的时间节点。
S354：根据所述时间填充积雪指数修补所述第四日尺度卫星积雪指数，得到所述站点日尺度卫星积雪指数。
在本实施例中，可以根据至少两个所述时间节点积雪指数的线性关系，填充相同位置的存在时间空缺的数据，从而得到的时空完整的所述目标日尺度卫星积雪指数。
在一个可行的实施例中，所述S3：将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度的步骤后，还包括：
S5：获取位于目标区域的多个所述站点区域的站点日尺度卫星积雪指数数据集、多个所述站点区域的多种站点环境数据数据集，以及多个所述站点区域的站点积雪深度数据集。
S6：根据所述站点日尺度卫星积雪指数数据集、所述多种站点环境数据数据集和所述站点积雪深度数据集，构建所述目标区域的第二多元线性回归模型；其中，所述第二多元线性回归模型用于反演所述目标区域的区域积雪深度。
其中，相对于针对站点区域的第一多元线性回归模型，第二多元线性回归模型是针对包括了多个站点区域的目标区域，用于反演目标区域的任意地点的区域积雪深度。
S7：将所述目标区域的任意位置的位置日尺度卫星积雪指数和位置环境数据数据，以及所述第二多元线性回归模型的第二模型参数输入至所述第二多元线性回归模型，得到所述任意位置的位置积雪深度。
在本实施例中，可以根据目标区域的多个所述站点区域的站点日尺度卫星积雪指数数据集、多个所述站点区域的多种站点环境数据数据集，以及多个所述站点区域的站点积雪深度数据集，构建出用于反演目标区域的任意地点的区域积雪深度的第二多元线性回归模型，并应用于实时反演目标区域的任意位置的位置积雪深度，可以反映大尺度积雪变化的时空格局。
请参阅图3，本申请第二实施例公开了一种积雪深度获取装置100，包括：
数据集获取模块101，用于获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集；
模型构建模块102，用于根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型；
站点数据获取模块103，用于获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据；
站点积雪深度获取模块104，用于将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度。
需要说明的是，本申请第二实施例提供的积雪深度获取装置100在执行积雪深度获取方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分为不同的功能模块，以完成以上描述的全部或者部分功能。另外，本申请第二实施例提供的积雪深度获取装置100与本申请第一实施例的积雪深度获取方法属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的积雪深度获取方法的步骤。
本申请实施例的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的积雪深度获取方法的步骤。
以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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选定的功能的装置。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选定的功能。
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选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种积雪深度获取方法，其特征在于，包括：
获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集；
根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型；
获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据；
将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度；
其中，所述获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据的步骤，包括：
获取所述站点区域的第一分辨率的第一日尺度卫星积雪指数；其中，所述第一日尺度卫星积雪指数为存在时空空缺的数据；
获取站点区域的第二分辨率的第二日尺度卫星积雪指数；其中，所述第二分辨率低于所述第一分辨率，所述第二日尺度卫星积雪指数为不存在时空空缺的数据；
对所述第二日尺度卫星积雪指数进行降尺度处理，得到第三日尺度卫星积雪指数；其中，第三日尺度卫星积雪指数的分辨率为所述第一分辨率；
对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后，输入生成式对抗网络，得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数；
对所述第四日尺度卫星积雪指数进行时间插值，得到修补了所述第四日尺度卫星积雪指数的时间空缺的站点区域的站点日尺度卫星积雪指数。
2.根据权利要求1所述的积雪深度获取方法，其特征在于，所述样本积雪深度数据集包括多个时间段的样本积雪深度，所述样本日尺度卫星积雪指数数据集包括多个时间段的样本日尺度卫星积雪指数，所述多种样本环境数据集包括多个时间段的样本环境数据，各个时间段的样本环境数据分别包括：样本气温、样本高程、样本坡度、样本坡向、样本风速和样本太阳辐射；
所述根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型的步骤，包括：
通过以下公式，构建所述第一多元线性回归模型：
y＝αndsiXndsi+αtXt+αeXe+αsXs+αaXa+αwXw+αrXr+ε；
其中，y为多个时间段的样本积雪深度；αndsi为积雪指数的权重系数；Xndsi为多个时间段的样本日尺度卫星积雪指数；αt为气温的权重系数；Xt为多个时间段的样本气温的数据；αe为高程的权重系数；Xe为多个时间段的样本高程的数据；αs为坡度的权重系数；Xs为多个时间段的样本坡度的数据；αa为坡向的权重系数；Xa为多个时间段的样本坡向的数据；αw为风速的权重系数，Xw为多个时间段的样本风速的数据；αr为太阳辐射的权重系数；Xr为多个时间段的样本太阳辐射的数据；ε为残差；
通过最小二乘法，获取所述第一多元线性回归模型的积雪指数的权重系数、气温的权重系数、高程的权重系数、坡度的权重系数、坡向的权重系数、风速的权重系数和太阳辐射的权重系数。
3.根据权利要求1所述的积雪深度获取方法，其特征在于，所述根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型的步骤后，还包括：
获取所述站点区域的验证积雪深度数据集、验证日尺度卫星积雪指数数据集和多种验证环境数据集；
根据所述验证积雪深度数据集、所述验证日尺度卫星积雪指数数据集和所述多种验证环境数据集对所述第一多元线性回归模型进行验证，并根据验证结果调整所述第一多元线性回归模型的第一模型参数。
4.根据权利要求1所述的积雪深度获取方法，其特征在于，所述将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度的步骤后，还包括：
获取位于目标区域的多个所述站点区域的站点日尺度卫星积雪指数数据集、多个所述站点区域的多种站点环境数据数据集，以及多个所述站点区域的站点积雪深度数据集；
根据所述站点日尺度卫星积雪指数数据集、所述多种站点环境数据数据集和所述站点积雪深度数据集，构建所述目标区域的第二多元线性回归模型；其中，所述第二多元线性回归模型用于反演所述目标区域的区域积雪深度；
将所述目标区域的任意位置的位置日尺度卫星积雪指数和位置环境数据数据，以及所述第二多元线性回归模型的第二模型参数输入至所述第二多元线性回归模型，得到所述任意位置的位置积雪深度。
5.根据权利要求1所述的积雪深度获取方法，其特征在于，所述对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后，输入生成式对抗网络，得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数的步骤，包括：
将所述第三日尺度卫星积雪指数中，与所述第一日尺度卫星积雪指数时空匹配的积雪指数确定为第一待处理积雪指数，将与所述第一日尺度卫星积雪指数时空不匹配的积雪指数确定为第二待处理积雪指数；
根据所述第一日尺度卫星积雪指数和所述第一待处理积雪指数训练所述生成式对抗网络；
将所述第二待处理积雪指数输入训练后的所述生成式对抗网络，得到对应的空间填充积雪指数；
根据所述空间填充积雪指数和所述第一日尺度卫星积雪指数，得到所述第四日尺度卫星积雪指数。
6.根据权利要求1所述的积雪深度获取方法，其特征在于，所述对所述第四日尺度卫星积雪指数进行时间插值，得到修补了所述第四日尺度卫星积雪指数的时间空缺的站点区域的站点日尺度卫星积雪指数的步骤，包括：
根据所述第四日尺度卫星积雪指数，将存在时间空缺的数据对应的位置确定为待处理位置；
根据所述第四日尺度卫星积雪指数，将所述待处理位置的至少两个时间节点的时间节点积雪指数；
根据至少两个所述时间节点积雪指数的线性关系，得到用于填充所述待处理位置的时间空缺的时间填充积雪指数；
根据所述时间填充积雪指数修补所述第四日尺度卫星积雪指数，得到所述站点日尺度卫星积雪指数。
7.一种积雪深度获取装置，其特征在于，包括：
数据集获取模块，用于获取站点区域的样本积雪深度数据集、样本日尺度卫星积雪指数数据集和多种样本环境数据集；
模型构建模块，用于根据所述样本逐日积雪指数数据集、所述样本积雪深度数据集和所述多种样本环境数据数据集，构建所述站点区域的第一多元线性回归模型；
站点数据获取模块，用于获取所述站点区域的时空完整的站点日尺度卫星积雪指数以及与所述站点日尺度卫星积雪指数时空对应的多种站点环境数据，包括：
获取所述站点区域的第一分辨率的第一日尺度卫星积雪指数；其中，所述第一日尺度卫星积雪指数为存在时空空缺的数据；
获取站点区域的第二分辨率的第二日尺度卫星积雪指数；其中，所述第二分辨率低于所述第一分辨率，所述第二日尺度卫星积雪指数为不存在时空空缺的数据；
对所述第二日尺度卫星积雪指数进行降尺度处理，得到第三日尺度卫星积雪指数；其中，第三日尺度卫星积雪指数的分辨率为所述第一分辨率；
对所述第一日尺度卫星积雪指数和所述第三日尺度卫星积雪指数进行时空匹配后，输入生成式对抗网络，得到修补了所述第一日尺度卫星积雪指数的空间空缺的第四日尺度卫星积雪指数；
对所述第四日尺度卫星积雪指数进行时间插值，得到修补了所述第四日尺度卫星积雪指数的时间空缺的站点区域的站点日尺度卫星积雪指数；
站点积雪深度获取模块，用于将所述站点区域的站点日尺度卫星积雪指数和所述多种站点环境数据输入至所述第一多元线性回归模型，得到所述站点区域的站点积雪深度。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的积雪深度获取方法的步骤。
9.一种计算机设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的积雪深度获取方法的步骤。
CN202310240049.3A 2023-03-06 2023-03-06 积雪深度获取方法、装置、存储介质和计算机设备 Active CN116432145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310240049.3A CN116432145B (zh) 2023-03-06 2023-03-06 积雪深度获取方法、装置、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310240049.3A CN116432145B (zh) 2023-03-06 2023-03-06 积雪深度获取方法、装置、存储介质和计算机设备

Publications (2)

Publication Number Publication Date
CN116432145A CN116432145A (zh) 2023-07-14
CN116432145B true CN116432145B (zh) 2024-02-23

Family

ID=87082400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310240049.3A Active CN116432145B (zh) 2023-03-06 2023-03-06 积雪深度获取方法、装置、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN116432145B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799561A (zh) * 2010-02-05 2010-08-11 民政部国家减灾中心 一种基于减灾小卫星的雪灾遥感监测模拟评估方法
JP2019219306A (ja) * 2018-06-21 2019-12-26 中国電力株式会社 積雪予測装置、積雪予測方法
CN112070055A (zh) * 2020-09-17 2020-12-11 青海省气象科学研究所 积雪覆盖日数的遥感监测方法及遥感监测装置、存储介质
US11092716B1 (en) * 2018-01-22 2021-08-17 NWB Sensors, Inc Method of determining snowpack parameters using global navigation satellite system receivers
CN113959329A (zh) * 2021-12-17 2022-01-21 西南交通大学 一种基于多星数据融合的积雪深度反演方法
CN114821361A (zh) * 2022-06-24 2022-07-29 成都信息工程大学 积雪深度的计算方法、装置、计算机设备及可读存储介质
CN115099064A (zh) * 2022-07-25 2022-09-23 中国科学院空天信息创新研究院 一种积雪深度的反演方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080030B (zh) * 2019-12-26 2022-05-31 清华大学 融雪性洪水预测方法、装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799561A (zh) * 2010-02-05 2010-08-11 民政部国家减灾中心 一种基于减灾小卫星的雪灾遥感监测模拟评估方法
US11092716B1 (en) * 2018-01-22 2021-08-17 NWB Sensors, Inc Method of determining snowpack parameters using global navigation satellite system receivers
JP2019219306A (ja) * 2018-06-21 2019-12-26 中国電力株式会社 積雪予測装置、積雪予測方法
CN112070055A (zh) * 2020-09-17 2020-12-11 青海省气象科学研究所 积雪覆盖日数的遥感监测方法及遥感监测装置、存储介质
CN113959329A (zh) * 2021-12-17 2022-01-21 西南交通大学 一种基于多星数据融合的积雪深度反演方法
CN114821361A (zh) * 2022-06-24 2022-07-29 成都信息工程大学 积雪深度的计算方法、装置、计算机设备及可读存储介质
CN115099064A (zh) * 2022-07-25 2022-09-23 中国科学院空天信息创新研究院 一种积雪深度的反演方法及装置

Also Published As

Publication number Publication date
CN116432145A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
Waters et al. Implementing a variational data assimilation system in an operational 1/4 degree global ocean model
Huang et al. Cloud motion estimation for short term solar irradiation prediction
Sweeney et al. Reducing errors of wind speed forecasts by an optimal combination of post‐processing methods
CN107576417B (zh) 一种全天候地表温度生成方法
CN115077656B (zh) 水库水储量反演方法和装置
CN113222019A (zh) 输电线路杆塔的气象预报数据处理方法、装置、设备
CN113344291A (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
Apputhurai et al. Spatiotemporal hierarchical modelling of extreme precipitation in Western Australia using anisotropic Gaussian random fields
CN114595876A (zh) 一种区域风场预测模型生成方法和装置、电子设备
CN110826764B (zh) 基于随机森林算法的植被指数预测方法、系统及设备
Jin et al. Deep learning for seasonal precipitation prediction over China
CN117633712B (zh) 一种基于多源数据的海表高度数据融合方法、装置及设备
CN108830828A (zh) 一种遥感图像变化检测方法及装置
Kajbaf et al. Temporal downscaling of precipitation from climate model projections using machine learning
González‐Abad et al. Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches
Li et al. Updating categorical soil maps using limited survey data by Bayesian Markov chain cosimulation
CN116432145B (zh) 积雪深度获取方法、装置、存储介质和计算机设备
Saha et al. Downscaling extreme rainfall using physical-statistical generative adversarial learning
CN117115337A (zh) 基于稀疏点云帧的三维表面建模方法
CN116883594A (zh) 融合卫星与浮标观测的海洋三维温度遥感超分重建方法
CN110555538B (zh) 风电场风速预测方法及预测系统
CN110852415A (zh) 基于神经网络算法的植被指数预测方法、系统及设备
CN116127273B (zh) 积雪指数获取方法、装置、存储介质和设备
Choe et al. Downscaling of MODIS land surface temperature to LANDSAT scale using multi-layer perceptron
CN115311574A (zh) 一种建筑物监测方法、设备及介质

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