CN116861371A - 一种降水产品精度提升方法、系统、设备、介质及终端 - Google Patents
一种降水产品精度提升方法、系统、设备、介质及终端 Download PDFInfo
- Publication number
- CN116861371A CN116861371A CN202310236790.2A CN202310236790A CN116861371A CN 116861371 A CN116861371 A CN 116861371A CN 202310236790 A CN202310236790 A CN 202310236790A CN 116861371 A CN116861371 A CN 116861371A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- precision
- fusion
- parameters
- integrating
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000012952 Resampling Methods 0.000 claims abstract description 23
- 230000008878 coupling Effects 0.000 claims abstract description 21
- 238000010168 coupling process Methods 0.000 claims abstract description 21
- 238000005859 coupling reaction Methods 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000009412 basement excavation Methods 0.000 claims abstract description 5
- 238000005065 mining Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007788 roughening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种降水产品精度提升方法、系统、设备、介质及终端。属于降水产品精度技术领域，获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型,本发明目的在于通过深度挖掘多源降水产品与实测雨量的模型转换和参数的空间传递关系，构建能够明显提升当前国际国内主流高时空分辨率降水产品精度的技术体系统。
Description
技术领域
本发明属于降水产品精度技术领域，具体涉及降水产品精度提升方法、系统、设备、介质及终端。
背景技术
降水是许多相互作用的复杂过程的一种表现形式，呈现出高度的时空不确定性。在人类活动主导的气候变化背景下，这种不确定性正在增加，对于水资源可持续利用、洪旱灾害防治、应急管理等提出来新的挑战。
我国西部的广大地区，由于较恶劣的气象和地形地貌条件的影响，水文及气象监测展望布置较为稀少，很多工程项目的设计暴雨或设计洪水均因无资料监测而采用移用周边距离较近气象站的资料，再通过具有观测相似流域的产汇流特征或径流系数等值线法等获得径流特征，从而导致所计算的暴雨、设计暴雨、设计洪水等具有明显的偏差。
对于这些资料观测稀缺区域，获得较长序列的降水资料主要通过融合一系列卫星产品、地面观测数据和气象模型再分析产品的手段获得降水产品，如TRMM、MSWEP和CMFD等。这些产品能够获得序列长度为1979年至今，空间分辨率为0.1°，时间分辨率可达3h的较高时空分辨率降水产品。相对于这些区域相关部门监测站建立较晚，多在2010年附近，早期缺乏相关监测资料的状况，其资料长度明显延长，时空分辨率也较高，能够为相关的研究和分析提供重要支持。
通过耦合系列卫星产品、地面观测数据和气象模型再分析产品获得的一系列降水产品，其最大问题是产品精度问题，尽管其在月尺度具有较高的精度，但在在日尺度及小时尺度却精度较差。例如，TRMM、MSWEP和CMFD等国际国内主流降水产品，其月降水数据在典型喀斯特区域贵州省的相关系数平均为0.88、0.91和0.86，在旬尺度分别为0.67、0.64、0.72，日尺度分别为0.61、0.67、0.56。日尺度降水量较低的精度制约了相关工作的更好开展，导致基于这些降水产品评价水库建设对局地降水的影响只能在年、季和月水平，而不能较准确的评价日尺度及小时尺度的降水、暴雨及其可能诱发的灾害风险等问题。
发明内容
本发明的目的是识别优选多源降水产品，深度挖掘降水多尺度不确定性模式与信息机制，耦合关键特征参数空间传递的地统计模型，形成了能够明显提升当前国际国内主流高时空分辨率降水产品精度的技术体系统。
一种降水产品精度提升方法，获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
一种降水产品精度提升系统，包括数据源识别模块，用于对地面长序列监测资料和高时空分辨率的短序列地面监测资料的特征统计参数进行分析，通过重采样方法提取识别特定区域精度最高的降水产品从而构成一套新数据源；
目标点驱动机制模块，用于集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选；
空间传递模块，用于将特定目标点深度挖掘后获得的模型参数，通过地统计方法和空间信息回归两种方式建立相关参数的空间传递模型。
本发明的进一步优选，所述重采样方法包括但不限于最邻像元、值双线内插、三次卷积、样条插值。
本发明的进一步优选，所述深度挖掘机制包括但不限于最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选。
本发明的进一步优选，所述地统计方法包括但不限于克里金插值、反距离加权插值法。
工作原理：（1）确定目标点或区域，根据用户的不同需求，确定需要获取长序列、高分辨率降水数据的目标位置（以经纬度形式表示）或目标区域（以区域边界的经纬度表示）。其输入形式为二维数组，第一列表示精度，第二列表示纬度，各行表示目标位置或目标区域边界控制点的位置；
（2）输入所搜集的目标位置或区域周边降水资料，用户输入的降水资料包括特点站的位置信息和数据两部分。前者包括经度、纬度、高程，后者包括历史数据的年、月、日、时信息及对应时段的降水量，格式参考气象局的处理方法将未降水数据赋值为0，构成一个5列的2维数组；
（3）输入资料判断，根据所输入资料的位置信息和时段信息，结合系统所集成的地面观测数据，分析是否新增该数据并重新进行参数率定，并结合已集成的结果进行空间插值。弱该目标点的相关数据已在系统基础数据库中，直接进行步骤（6），反之进行步骤（4）-步骤（5）。
（4）新增站点资料特征融合参数获取，根据新增监测站点的资料和所对应位置优选识别的降水产品，通过模型回归率定其在特定时间尺度（如年、季、月等）下不同分辨率数据和降水产品之间的函数关系，获得融合的特征参数，包括多元线性回归和线性-非线性耦合模型参数；
（5）参数更新与空间插值，选取不同的模型参数和空间插值方法对相应的模型参数进行空间插值，重新获得不同网格点的模型参数。插值方法包括克里金插值、反距离加权插值法和直接耦合各特征点的位置信息和下垫面特征信息三种；
（6）选择降水产品驱动源重采样方法选取，选取重采样方法（最邻像元、值双线内插、三次卷积、样条插值），提取以目标位置的优选数据源数据为输入（包括MSWEP和CMFD，也可只选取其中一种）；
（7）新降水产品融合，选取特点的融合方法（包括线性回归、线性-非线性回归）和参数空间插值方法（包括克里金插值、反距离加权插值法和下垫面特征信息回归），程序自动处理并按照制定格式输出降水产品；例如 .txt, .xls(x)，.nc, .mat等；
（8）参数及误差评估输出，输出基于不同重采样方法、不同融合模型、模型参数的不同空间插值方法的对应参数和误差分析结果。
一种计算机装置，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时执行如下步骤：获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
一种信息数据处理终端，所述信息数据处理终端用于实现上述所述的系统。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
（1）本发明建立了耦合地面观测资料、TRMM、MSWEP、CHIRPS和CMFD等降水产品和基于重采样优选识别、多尺度不确定性模式判别、多元线性回归与线性-非线性耦合模型融合、模型参数多种地统计方法回归等深度挖掘的降水资料稀缺区域长序列、高分辨率、高精度降水产品融合技术体系。
（2）基于该技术体系所构建的降水产品精度明显提高。融合的降水产品相关系数在12h尺度提高约0.1，在1d尺度提高全部超过0.2；相对偏差中位数在日尺度及以下低于TRMM和CMFD约20%，与MSWEP十分接近；在进行尺度优化后， 50-100 mm/d的暴雨发生频率预测相对误差由10%-30%降低至-5%-5%，100-200mm/d的暴雨发生频率由偏低10%-40%降低为-15%-15%之间。
附图说明
图1是贵州省不同区域MSWEP数据多尺度精度评价：相关系数；
图2是贵州省不同区域MSWEP数据多尺度精度评价：均方根误差（mm）；
图3是贵州省不同区域MSWEP数据多尺度精度评价：相对偏差中位数；
图4是选取的三个典型气象站的考虑优化尺度但模糊降水-干旱的的概率分布参数；
图5是选取的三个典型气象站的考虑优化尺度、区分降水干旱但不区分降水秩序；
图6是选取的三个典型气象站的同时考虑降水概率分布-秩序特征和优化尺度；
图7是极端强降水下(50-100mm/d暴雨)事件发生频率的相对误差对比；
图8是极端强降水下(100-200mm/d暴雨)事件发生频率的相对误差对比。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。
需要说明的是，术语“”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面对本发明作详细说明。
实施案例一：一种降水产品精度提升方法，获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
实施案例二：一种降水产品精度提升系统，包括数据源识别模块，用于对地面长序列监测资料和高时空分辨率的短序列地面监测资料的特征统计参数进行分析，通过重采样方法提取识别特定区域精度最高的降水产品从而构成一套新数据源，所述重采样方法包括但不限于最邻像元、值双线内插、三次卷积、样条插值。
目标点驱动机制模块，用于集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选；
空间传递模块，用于将特定目标点深度挖掘后获得的模型参数，通过地统计方法和空间信息回归两种方式建立相关参数的空间传递模型，所述地统计方法包括但不限于克里金插值、反距离加权插值法。
实施案例三：一种计算机装置，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时执行如下步骤：获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
实施案例四：一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
实施案例五：（1）测试数据:以贵州省88个气象站2016-2020年逐小时气象观测资料（来自于气象数据共享网）对产品精度提升的总体水平进行评估，其中TRMM、MSWEP、CHIRPS的数据年限为2016-2020，CMDF数据为2016-2018。
（2）重采样方法
（a）采用最邻像元值法如下：
雨量站到与之相邻的四个网格点的距离分别为d1，d2，d3，d4，且某降水产品该格点对应的雨量值为P1，P2，P3，P4。则选择d1，d2，d3，d4中最小值所对应格点的雨量。
（b）采用双线内插如下：
雨量站位置的坐标分别用（X0，Y0）表示，与之相邻的四个网格点的坐标由左上角开始顺时针可依次表示为：（X1，Y1），（X2，Y1），（X2，Y2），（X1，Y2），其值分别为P1，P2，P3和P4。采用线性插值获得X1，X2这一经度上纬度为Y0是的降水量P01和P02，其计算公式为：
(1)
其后再通过线性插值，获得坐标（X0，Y0）的雨量值：
(2)
（c）三次卷积公式如下：
雨量站位置的坐标用（X0，Y0）表示，与之相邻两层网格单元的16个格点构成一4*4矩阵，各格点的降水量分别记为：
(3)
各网格点的坐标分别记录为：（X11，Y11），（X12，Y12），…，（X44，Y44）。坐标（X0，Y0）点的降水P0为：
(4)
其中Wx和WY分别为：
(5)
(6)
(7)
其中：
(8)
（d）三次样条如下：
雨量站位置的坐标用（X0，Y0）表示，与之相邻的网格单元的各格点的降水量分别记为：
(9)
各网格点对应的X、Y坐标为：
(10)
(11)
结合公式（13）-（15），按照双线内插的思想，分别沿X、Y方向采用三次样条进行插值。其中三次样条函数为：
(12)
（3）评估指标：
评估指标选取相关系数、均方根误差和相对偏差中位数三个指标。
（a）相关系数
(13)
式中，R表示某测站降水样本和同期降水产品的相关系数，表示二者各自的
标准差，Cov(O,S)表示二者的协方差。其中分别采用样本值的无偏估计量表示，协方
差Cov(O,S)的计算公式为：
(14)
式中，Oi表示各单位时段的降水量观测值，表示所有降水观测样本的均值，Si表
示对应时段降水产品的降水量，表示降水产品降水量均值，N表示降水样本点个数。
（b）均方根误差
(15)
式中，RMSE表示均方根误差，Oi，Si和N表示意义同（2）。
（c）相对平均偏差
(16)
式中， MRE表示相对平均偏差，Oi，Si和N表示意义同（2）。
评估结果：基于降水产品MSWEP最邻像元值法重采样结果评估产品精度及其空间分布特征，其余产品的平均水平见统计表1-表4。
（1）相关系数
不同尺度的MSWEP降水产品与地面观测值的相关系数空间分布特征如下图所示。如图1所示，为贵州省不同区域MSWEP数据多尺度精度评价：相关系数，结果表明：除24h和1月外，其余尺度表现为东南地区的相关系数较高尤其是10d尺度更明显，该区域的相关系数大多超过0.9；而对于1d和1mon尺度，则表现相对均匀分散，中部较高。
（2）均方根误差
MSWEP降水产品的均方根误差空间分布特征如下图2所示。
如图2所示，为贵州省不同区域MSWEP数据多尺度精度评价：均方根误差（mm），其空间分布呈现出和相关系数明显不同的特征：在西南地区均方根误差较大，其余区域（北部、中部、东北部等）的均方根偏差较小。这个特征和TRMM数据的空间分布特征一致，说明西南地区降水的不确定性较高，反演难度较大。
（3）相对偏差中位数
MSWEP降水产品的相对偏差中位数的空间分布特征如下图所示。
其空间分布呈现出和相关系数类似的特征：东南区域的相对偏差较低，在西部、北部、中部、东北部等区域则较高。这和TRMM数据在10d和月尺度具有较好的空间一致性，但总体而言其空间演变的连续性不是很好。
表1是贵州全省典型站点观测值与其最邻单元TRMM数据误差分析。
表2是贵州全省典型站点观测值与其最邻单元MSWEP数据误差分析。
表3是贵州全省典型站点观测值与其最邻单元Chirps数据误差分析。
表4是贵州全省典型站点观测值与其最邻单元CMFD数据误差分析。
深度融合体系及特征对照
（1）单点深度挖掘
（a）多源线性回归
某雨量站对应降水产品通过重采样所获得的优质源数据为P1，P2，…Pn，实测为Py，不考虑其交叉项则其多元回归模型为：
(17)
（b）线性-非线性耦合
首先基于优选的降水产品，分别采用幂函数进行耦合，识别其最优分形特征：
(18)
(19)
(20)
(21)
（2） 参数空间传递模型
（a）反距离平方插值
需要插值目标点的坐标为（x，y），已知信息点的坐标为（xi，yi）且其降水量为Pi，计算该点到所有点的距离：
(22)
则各自的权重分别为：
(23)
通过反距离插值：
(24)
（b）克里金插值
空间所有相距为h的所有配对点的半方差值为：
（25）
式中：γ*(ｈ)为相距为h的半方差值；Ｚ(ｘi)和Ｚ(xi+h)分别为相距ｈ的两点取值；Ｎ(h)为相距h的所有点的配对数。
克里金插值通过经验模型计算、理论模型参数拟合获得。拟合模型采用指数模型和半球模型。
指数模型：
（26）
半球模型：
（27）
式中，γ表示半方差，h表示滞后距离，a表示块金值，r表示变程。
（3）融合结果判别
除去上述评估指标外，另外增加融合序列和实测降水序列的多尺度不确定性模式进行判别，该指标通过多尺度样本熵和极端降水发生频率及强度进行判别。
（a）多尺度样本熵判别
长度为n的降水序列表示为：x（i）={x1，x2，…，xn}。此时降水序列的维数为1，而以此为基础，构造维数为m的新序列Xm：
（28）
式中，Xm（j）为新序列的第j列，是长度为m的向量，且0<j<N-m+1。
定义D（j, k）是新序列Xm中任意两个向量的距离，其值用两个向量中各相应元素差值绝对值最大的一个表示，可表示为：
（29）
计算序列Xm中每一个向量与其余所有向量的距离，构成新的维数为（N-m+1）×（N-m+1）矩阵Dm。
（30）
其中第一个向量和其余所有元素的距离构成Dm的第一行，第二个向量与其余所有元素的距离构成Dm的第二行，依次类推。由于序列的对称性及向量对角线元素为0，也可以只计算矩阵Dm的上三角或下三角部分。1
按照某一水平的阈值R=r*STD，筛选矩阵中所有小于R的元素并统计其个数Nm，再计算Nm与（N-m+1）（N-m）的比值Bm（r）。因矩阵的对角线为向量和自身的差异为0，需要排除在外，故分母不是（N-m+1）2。
将序列的维数增加至m+1，重复（1）到（4）的过程，得到Bm+1（r）。当序列的长度N为较大的有限值时，样本熵可以通过估计获得：
（31）
对序列进行尺度粗化处理，重复上述过程计算不同尺度下的样本熵，从而获得其多尺度不确定模式。
（b）极端降水频率、强度判别
某站特定强度的极端暴雨发生频率和强度为F0，I0，模拟或融合结果的数据其发生频率为Fs和Is，则其发生的相对偏差分别为：
（31）
（31）
（4）最优尺度识别
分别选取月、季、年等尺度，按照上述方法，分析相关指标的差异，选取最适宜的尺度进行融合。
融合数据精度评估
a.总体精度水平对照
将按照新技术提升融合产品的精度和当前典型国际国内主流产品进行对照，结果如表5所示。
表5 基于多源数据融合的降水产品精度及其与主流产品对比
b.基于不同融合方法的多尺度不确定模式判别
如图4、图5和图6所示，选取三个典型气象站对基于不同深度融合机制的逐日降水序列多尺度不确定性模式进行分析，结果如图4所示，结果表明综合考虑概率分布、秩序特征、最优尺度下模型降水序列多尺度熵差异最小。
c.极端降水发生频率对比
如图7和图8所示，选取中国南部区域的312个1951-2011年的逐日降水序列，对比采用当前国际主流方法和所融合的新方法对极端暴雨发生频率和墙的预测偏差进行分析。结果表明，在进行尺度优化后， 50-100 mm/d的暴雨发生频率预测相对误差由10%-30%降低至-5%-5%，100-200mm/d的暴雨发生频率由偏低10%-40%降低为-15%-15%之间。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。
Claims (8)
1.一种降水产品精度提升方法，其特征在于，获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
2.一种降水产品精度提升系统，其特征在于，包括数据源识别模块，用于对地面长序列监测资料和高时空分辨率的短序列地面监测资料的特征统计参数进行分析，通过重采样方法提取识别特定区域精度最高的降水产品从而构成一套新数据源；
目标点驱动机制模块，用于集成基础特定目标点降水融合的深度挖掘机制；
空间传递模块，用于将特定目标点深度挖掘后获得的模型参数，通过地统计方法和空间信息回归两种方式建立相关参数的空间传递模型。
3.根据权利要求2所述的降水产品精度提升系统，其特征在于，所述重采样方法包括但不限于最邻像元值、双线内插、三次卷积、样条插值。
4.根据权利要求2所述的降水产品精度提升系统，其特征在于，所述深度挖掘机制包括但不限于最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选。
5.根据权利要求2所述的降水产品精度提升系统，其特征在于，所述地统计方法包括但不限于克里金插值、反距离加权插值法。
6.一种计算机装置，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时执行如下步骤：获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
7.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取并分析长序列监测资料和短序列监测资料的特征统计参数，识别降水产品的精度，集成若干重采样方法提取识别特定区域精度最高的降水产品，集成基础特定目标点降水融合的深度挖掘机制，所述深度挖掘机制包括最优概率分布识别、融合尺度优选、秩序特征筛选和判别方法耦合与优选，深度挖掘特定目标点的模型参数，通过地统计方法和空间信息回归方式建立相关参数的空间传递模型。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求2所述的降水产品精度提升系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310236790.2A CN116861371A (zh) | 2023-03-13 | 2023-03-13 | 一种降水产品精度提升方法、系统、设备、介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310236790.2A CN116861371A (zh) | 2023-03-13 | 2023-03-13 | 一种降水产品精度提升方法、系统、设备、介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861371A true CN116861371A (zh) | 2023-10-10 |
Family
ID=88232812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310236790.2A Pending CN116861371A (zh) | 2023-03-13 | 2023-03-13 | 一种降水产品精度提升方法、系统、设备、介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861371A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647855A (zh) * | 2024-01-29 | 2024-03-05 | 南京信息工程大学 | 一种基于序列长度的短临降水预报方法、装置及设备 |
-
2023
- 2023-03-13 CN CN202310236790.2A patent/CN116861371A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647855A (zh) * | 2024-01-29 | 2024-03-05 | 南京信息工程大学 | 一种基于序列长度的短临降水预报方法、装置及设备 |
| CN117647855B (zh) * | 2024-01-29 | 2024-04-16 | 南京信息工程大学 | 一种基于序列长度的短临降水预报方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Landslide susceptibility mapping using random forest and boosted tree models in Pyeong-Chang, Korea | |
| Xu et al. | Urban morphology detection and computation for urban climate research | |
| Kyriakidis et al. | Geostatistical mapping of precipitation from rain gauge data using atmospheric and terrain characteristics | |
| Peng et al. | Identifying the urban-rural fringe using wavelet transform and kernel density estimation: A case study in Beijing City, China | |
| 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 | |
| Erener et al. | Landslide susceptibility assessment: what are the effects of mapping unit and mapping method? | |
| Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
| Weng | Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling | |
| Beguería et al. | Bias in the variance of gridded data sets leads to misleading conclusions about changes in climate variability | |
| Wang et al. | Sample surveying to estimate the mean of a heterogeneous surface: reducing the error variance through zoning | |
| Smithers et al. | A methodology for the estimation of short duration design storms in South Africa using a regional approach based on L-moments | |
| Hennemuth et al. | Statistical methods for the analysis of simulated and observed climate data: applied in projects and institutions dealing with climate change impact and adaptation | |
| Kim et al. | Scale-dependent predictability of DEM-based landform attributes for soil spatial variability in a coastal dune system | |
| Amani et al. | Lagrangian kriging for the estimation of Sahelian rainfall at small time steps | |
| CN114201922A (zh) | 基于InSAR技术的动态滑坡敏感性预测方法及系统 | |
| CN113837450A (zh) | 基于深度学习的河网密集流域水情趋势预测方法及其应用 | |
| Haining | The special nature of spatial data | |
| CN116861371A (zh) | 一种降水产品精度提升方法、系统、设备、介质及终端 | |
| CN114417693A (zh) | 一种基于深度学习的海洋三维温度场反演方法 | |
| CN115357847A (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
| Mukhopadhyay et al. | Spatio-temporal analysis of land use-land cover changes in Delhi using remote sensing and GIS techniques | |
| Cheng et al. | Geostatistical interpolation of space–time rainfall on Tamshui River basin, Taiwan | |
| Zucchini et al. | A Web‐based rainfall atlas for Southern Africa | |
| Singh et al. | Exploring Soil Spatial Variability with GIS, Remote Sensing, and Geostatistical Approach | |
| Mushore et al. | Progress in rainfall-runoff modelling–contribution of remote sensing |
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 |