CN116910041B - 一种基于尺度分析的遥感降水产品的逐日订正方法 - Google Patents
一种基于尺度分析的遥感降水产品的逐日订正方法 Download PDFInfo
- Publication number
- CN116910041B CN116910041B CN202310745778.4A CN202310745778A CN116910041B CN 116910041 B CN116910041 B CN 116910041B CN 202310745778 A CN202310745778 A CN 202310745778A CN 116910041 B CN116910041 B CN 116910041B
- Authority
- CN
- China
- Prior art keywords
- precipitation
- remote sensing
- correction
- data
- site
- 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 230
- 238000012937 correction Methods 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000011160 research Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000009826 distribution Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于尺度分析的遥感降水产品的逐日订正方法,包括以下步骤:步骤1、降水数据处理与评估;步骤2、有站点栅格日校正系数的计算;步骤3、日校正系数的修正;步骤4、遥感降水数据的多空间尺度校正;步骤5、不同校正尺度分析与优选。本发明所述的一种基于尺度分析的遥感降水产品的逐日订正方法,在基于尺度分析的基础上,克服了现有订正方法在处理地面实测数据和遥感降水数据融合校正时存在的缺陷,大幅提升了遥感降水产品精度,方法便捷,适用性强,为水循环模拟、气象灾害预报等提供数据支撑。
Description
技术领域
本发明属于降水产品订正技术领域,尤其涉及一种基于尺度分析的遥感降水产品的逐日订正方法。
背景技术
降水是水循环的重要组成部分,降水的时空分布直接或间接地影响着地表径流、地下水动态、蒸散发等陆地水文过程,因此是水文学、气象学的重要参数。降水的准确估计对于了解气候变化、进行流域水循环模拟、干旱洪涝灾害预报等都具有重要的意义。地面气象站点观测降水具有高精度、长时间观测等优点,然而受限于站点布设条件以及成本,在山区、沙漠和海洋的降水监测能力不足。针对上述问题,卫星遥感反演降水弥补了常规气象观测降水空间分布的不足,具有时空分辨率高、覆盖范围广、空间估测连续的特征,是雨量站网稀疏地区估计降水的主要数据来源,但卫星遥感产品存在较强的不确定性,因此需要通过星地融合增强其应用的可靠性。
为结合地面观测的点降水数据与卫星反演的面降水数据二者的优势,常通过融合校正生产特定区域的降水融合数据集。当前卫星遥感降水数据与地面站点实测降水数据的融合校正方法可分为如下四类:偏差校正法、插值展布法、多元回归法和机器学习法。然而现有的订正方法存在一些不足,其往往只关注卫星降水产品校正本身,缺少对于校正空间尺度的把握。由于受到地形特征、地理位置、下垫面等因素的影响,降水的时空变异性较强,因此降水特征的准确把握、遥感降水产品的精度提升有赖于校正尺度的选择。因此亟需一种订正方法,弥补现有方法的不足,提升遥感降水产品的精度。
发明内容
本发明的目的在于提出一种基于尺度分析的遥感降水产品的逐日订正方法,以解决上述技术问题。
本发明是通过以下技术方案实现的:
本发明提出一种基于尺度分析的遥感降水产品的逐日订正方法,所述方法包括以下步骤:
步骤1、降水数据处理与评估:在研究区进行地面站点位置与卫星遥感降水格网的空间匹配,即根据站点的经纬度,选择栅格中心距离站点最近的栅格,作为与此地面站点对应的卫星降水栅格;逐一读取与地面站点位置匹配的栅格所在的行列号,并提取该栅格的逐日卫星遥感降水数据,以此建立地面站点与卫星遥感降水对应数据集,并对卫星遥感降水数据的适用性进行评估;
步骤2、有站点栅格日校正系数的计算:首先对通过评估的卫星遥感降水数据进行预处理,在有站点的空间位置,计算该站点实测降水数据与该站点相对应的卫星遥感降水数据的比值,则得到该站点的日校正系数,同理逐一计算各站点的日校正系数;
所述日校正系数的计算公式为:
Ki=PG,i/PT,i
式中,i表示站点编号,Ki为第i站点日校正系数,PG,i为第i站点的站点实测降水数据,mm;PT,i为第i站点所对应的卫星遥感降水数据,mm;
步骤3、日校正系数的修正:对于有雨并且监测到的情况下,统计并利用阈值修正日校正系数;对于实际有雨但卫星遥感漏报的站点,日校正系数标记为-1;对于无雨的站点日校正系数记为0;最后得到修正后的日校正系数;
步骤4、遥感降水数据的多空间尺度校正:以地面站点所在栅格为中心选取多种不同尺度大小的站点邻域作为影响范围,确定多种不同空间校正尺度,并将影响范围内的卫星遥感降水数据与修正后的日校正系数进行矩阵运算,得到校正后的遥感降水数据,计算公式为:
PV,ij=Kv,i·PT,ij
式中,ij代表第i站点影响范围内的第j个栅格,PV,ij为第i站点第j个栅格的校正后的遥感降水数据,mm;PT,ij为第i站点第j个栅格的卫星遥感降水数据,mm;Kv,i为第i站点修正后的日校正系数;
依据上式对不同空间尺度校正方案下的逐个站点影响范围内栅格计算其校正结果,从而得到不同空间尺度校正的遥感降水数据;
步骤5、不同校正尺度分析与优选:对研究区的地面站点实测降水数据进行IDW插值,并将插值得到的研究区范围内连续的面降水数据作为参考数据,比较不同尺度校正的子流域降水精度以及不同尺度校正的高程带平均降水精度,根据精度提升效果确定最优校正尺度,并基于该最优校正尺度对卫星遥感降水数据进行订正,将订正后的数据输出为订正数据集,即逐日订正降水产品。
进一步的是,步骤1中所述对卫星遥感降水数据的适用性进行评估的具体过程为:计算评价指标包括相关系数CC、平均绝对误差MAE以及相对误差BIAS;CC用于表征地面站点实测降水数据与卫星遥感降水数据的一致性;MAE和BIAS为误差统计指标,表征卫星遥感降水数据相对于地面站点实测降水数据的精度;计算公式分别为:
式中,N为样本容量;Ti,Gi分别为卫星遥感降水数据和地面站点实测降水数据;
首先进行相关系数的显著性检验,在显著性水平α=0.01上,计算数据集的卫星遥感降水数据与地面站点实测降水数据的相关系数并与临界值rα比较,在通过相关系数显著性检验的基础上,若相对误差BIAS的绝对值小于0.5,则表示卫星遥感降水数据在研究区具有适用性。
进一步的是,步骤2还包括月校正系数计算,具体过程为:根据步骤1所述方式建立月尺度地面站点与卫星降水对应数据集,累加逐日的地面站点实测降水数据到月尺度,并对与站点相匹配的逐月卫星遥感降水数据进行提取,按照日校正系数计算方法,同理计算得到各站点月校正系数Kmon。
进一步的是,步骤3中所述统计并利用阈值修正日校正系数的具体过程为:
(1)地面站点逐日降水量级划分:根据《GB/T 28592-2012降水量等级》国家标准,按照24h降水量划分降水等级:24h降水量0.1~9.9mm为小雨,10~24.9mm为中雨,25~49.9mm为大雨,50~99.9mm为暴雨,100~249.9mm为大暴雨,250mm以上为特大暴雨;根据地面站点实测降水数据对各个地面站点的日降水量划分降水量级;
(2)综合确定日校正系数阈值范围:对多年逐月月校正系数Kmon计算第k月校正系数均值统计所有/>的最大值和最小值,以/>的最大值和最小值为限,计算不同量级降水事件下的各站点日校正系数的10%,90%分位对应的值作为校正系数的阈值,将s量级降水的校正系数的下限记为Kmin,s,上限记为Kmax,s,针对小雨量级,取/>最小值作为该量级下限值;
(3)采用阈值范围修正日校正系数:将计算得到的日校正系数Ki与确定的对应量级阈值进行比较,判断日校正系数是否在阈值范围之内,按下列公式修正日校正系数:
式中,s表示不同量级的降水分级,分别以Kmax,s,Kmin,s来表示该量级降水校正系数的阈值上下限;Ki为第i站点日校正系数;Kv,i表示校正后第i站点的日校正系数。
进一步的是,步骤5所述比较不同尺度校正的子流域降水精度的具体过程为:基于DEM河网干支拓扑关系编码规则,给定集水面积阈值进行水系提取和子流域划分,选取研究区范围内的全部子流域,提取形心点处的参考数据,计算多种不同尺度校正方案校正后的遥感降水数据和站点实测降水数据的统计指标包括相关系数CC、平均绝对误差MAE以及相对误差BIAS;对指标CC、MAE和BIAS做归一化处理,对于同一指标,比较各校正方案的指标表现并逐一进行打分,指标表现最好的值打100分,按照表现变差依次按照10分递减,表现最差为0分,得到无量纲指标对得到的无量纲指标计算算术平均值,得到综合指标Z,其计算公式为:
Z值越大,则表明尺度校正方案的校正效果越好;评估不同尺度校正方案下的校正效果,以Z值最大为目标找到最优校正尺度。
进一步的是,其特征在于,步骤5所述比较不同尺度校正的高程带平均降水精度的具体过程为:在ArcGIS平台下,调用空间分析工具箱下的栅格计算器工具,使用CON函数将研究区高程划分为<500m,500~1000m,1000m~1500m,>1500m四种高程带;然后在ArcGIS平台下调用数据管理工具箱下的重采样工具,将高程分带栅格图像重采样,使之与遥感降水数据的栅格大小和栅格排列方式相同;批量分别抽取并计算四种高程带校正前后的降水量,同一高程带降水量通过求该高程带对应栅格的平均值得到;然后根据参考数据,对多种不同尺度校正方案的不同高程带进行统计指标计算;比较各个高程带经多种不同尺度方案校正的相对误差BIAS指标;计算各高程带所占面积比例,以面积比例为权重计算各高程带相对偏差的加权平均值Ave BIAS,取Ave BIAS最小的方案为最优校正尺度。
本发明的有益效果是:本发明提出的一种基于尺度分析的遥感降水产品的逐日订正方法,在基于尺度分析的基础上,将地面实测降水数据与遥感降水数据相融合,发挥二者优势,克服了现有订正方法在处理地面实测数据和遥感降水数据融合校正时对空间尺度把握的不足,大幅提升了遥感降水产品精度,方法便捷,适用性强,为水循环模拟、气象灾害预报等提供数据支撑。
下面结合附图和实施例对本发明作进一步详细说明。
附图说明
图1为实施例一所述方法流程图;
图2为实施例一选取的10个站点空间分布图;
图3~图12为实施例一中站点1~10的校正前后的逐日降水量图。
具体实施方式
实施例一
本实施例公开一种基于尺度分析的遥感降水产品的逐日订正方法,如图1所示,所述方法包括以下步骤:
步骤1、降水数据处理与评估。
根据逐日卫星遥感降水数据与气象降水数据,在研究区进行地面站点位置与卫星遥感降水格网的空间匹配,即根据站点的经纬度,选择栅格中心距离站点最近的栅格,作为与此地面站点对应的卫星降水栅格;逐一读取与地面站点位置匹配的栅格所在的行列号,并提取该栅格的逐日卫星遥感降水数据,以此建立地面站点与卫星遥感降水对应数据集。
在使用该卫星遥感降水数据前,对其在研究区的可用性进行评价,选取的精度评价指标为:相关系数(CC)、平均绝对误差(MAE)、相对误差(BIAS);CC用于表示地面站点实测降水数据与卫星遥感降水数据的一致性;MAE和BIAS为误差统计指标,可表征卫星遥感降水数据相对于地面站点实测降水数据的精度;计算公式分别为:
式中,N为样本容量;Ti,Gi分别为卫星遥感降水数据和地面站点实测降水数据。
首先进行相关系数的显著性检验,显著性水平通常取值为0.01和0.05,表明当作出接受原假设的决定时,正确的可能性为99%或95%,本实施例中显著性水平α取值为0.01。即在显著性水平α=0.01上,计算数据集的卫星遥感降水数据与地面站点实测降水数据的相关系数并与临界值rα比较。临界值rα是显著性水平α下的相关系数r等于0的临界值,这个临界值在给定显著性水平的情况下,通过查相关系数检验的临界值表来完成。若在显著性水平α下,|r|>rα,则两要素在显著性水平α下相关性显著。在通过相关系数显著性检验的基础上,若相对误差BIAS的绝对值小于0.5,即认为卫星遥感降水数据在研究区具有适用性,认为其能够进行后续的校正。
步骤2、有站点栅格日校正系数的计算。
1)遥感降水数据预处理:首先对通过评估的卫星遥感降水数据进行预处理,以0.1mm作为是否降水的阈值,将小于此阈值的卫星遥感降水数据处理为0。
2)日校正系数初步计算:在有站点的空间位置,计算该站点实测降水数据与该站点相对应的卫星遥感降水数据的比值,则得到该站点的日校正系数,同理逐一计算各站点的日校正系数;
所述日校正系数的计算公式为:
Ki=PG,i/PT,i
式中,i表示站点编号,Ki为第i站点日校正系数,PG,i为第i站点的站点实测降水数据,mm;PT,i为第i站点所对应的卫星遥感降水数据,mm。
3)月校正系数计算:根据步骤1所述方式建立月尺度地面站点与卫星降水对应数据集,累加逐日的地面站点实测降水数据到月尺度,并对与站点相匹配的逐月卫星遥感降水数据进行提取,校正系数计算方法与上述步骤类同,同理计算得到各站点月校正系数Kmon。
步骤3、日校正系数的修正。
1)对于有雨并且监测到的情况下,统计并利用阈值修正日校正系数。
(1)地面站点逐日降水量级划分:根据《GB/T 28592-2012降水量等级》国家标准,按照24h降水量划分降水等级:24h降水量0.1~9.9mm为小雨,10~24.9mm为中雨,25~49.9mm为大雨,50~99.9mm为暴雨,100~249.9mm为大暴雨,250mm以上为特大暴雨;根据地面站点实测降水数据对各个地面站点的日降水量划分降水量级。
(2)综合确定日校正系数阈值范围:对多年逐月月校正系数计算第k月校正系数均值统计所有/>的最大值和最小值。以/>的最大值和最小值为限,计算不同量级降水事件下的各站点日校正系数的10%,90%分位对应的值作为校正系数的阈值(将s量级降水的校正系数的下限记为Kmin,s,上限记为Kmax,s),以处理由日尺度遥感反演降水的不确定性带来的校正系数数值异常的情况。其中,由于小量级降水事件发生的频率高且高估情况较明显,针对小雨量级,取/>最小值作为该量级下限值。
(3)采用阈值范围修正日校正系数:将计算得到的日校正系数Ki与确定的对应量级阈值进行比较,判断日校正系数是否在阈值范围之内,按下列公式修正日校正系数:
式中,s表示不同量级的降水分级,分别以Kmax,s,Kmin,s来表示该量级降水校正系数的阈值上下限;Ki为第i站点日校正系数;Kv,i表示校正后第i站点的日校正系数。
2)对于实际有雨但卫星遥感漏报的站点,日校正系数标记为-1。漏报情况采用数字-1进行标记,在后续步骤中替换为地面站点实测降水值。
3)对于无雨的站点日校正系数记为0。
经过上述步骤处理,最后得到修正后的日校正系数。
步骤4、遥感降水数据的多空间尺度校正。
1)确定多种不同空间校正尺度:以地面站点所在栅格为中心选取多种不同尺度大小的站点邻域作为影响范围,确定多种不同空间校正尺度,其半径增加步长Δr可根据校正需要进行自定义。在本实施例中,选取的半径增加步长Δr为5km。具体操作方式为,在ArcGIS平台下,调用分析工具箱下的缓冲区分析工具生成缓冲区(以半径增加步长的多个不同倍数作为缓冲区半径),并将其转为栅格数据,分别导出为TIF格式。某个空间校正尺度下的站点“代表范围”覆盖的栅格位置可表示为ij,其中i代表第i站点,j表示其中的第j个栅格。
2)计算不同空间尺度校正结果:针对生成的不同空间尺度校正方案的TIF,利用程序读取图幅内每个栅格对应的站点编号,其中同一站点编号的栅格均视为该站点的“代表范围”(编号255的栅格为未被任一站点“代表范围”覆盖区域,不进行校正);将各站点“代表范围”内的卫星遥感降水数据分别与相应站点修正后的日校正系数进行矩阵运算,得到校正后的遥感降水数据,计算公式为:
PV,ij=Kv,i·PT,ij
式中,ij代表第i站点影响范围内的第j个栅格,PV,ij为第i站点第j个栅格的校正后的遥感降水数据,mm;PT,ij为第i站点第j个栅格的卫星遥感降水数据,mm;Kv,i为第i站点修正后的日校正系数;
依据上式对不同空间尺度校正方案下的逐个站点影响范围内栅格计算其校正结果,从而得到不同空间尺度校正的遥感降水数据。
步骤5、不同校正尺度分析与优选。
1)对站点降水数据进行IDW插值:对研究区的地面站点实测降水数据进行IDW插值,并将插值得到的研究区范围内连续的面降水数据作为参考数据,以便进一步进行空间校正尺度的优选。
2)不同尺度校正的子流域降水精度比较:
基于DEM河网干支拓扑关系编码规则,给定集水面积阈值进行水系提取和子流域划分。选取研究区范围内的全部子流域,利用程序提取形心点处的参考数据。计算多种不同尺度校正方案校正后的遥感降水数据和站点实测逐日降水数据的统计指标包括CC、MAE和BIAS;对指标CC、MAE和BIAS做归一化处理,对于同一指标,比较各校正方案的指标表现并逐一进行打分,指标表现最好的值打100分,按照表现变差依次按照10分递减,表现最差为0分,得到无量纲指标对得到的无量纲指标计算算术平均值,得到综合指标Z,其计算公式为:
Z值越大,则表明尺度校正方案的校正效果越好;评估不同尺度校正方案下的校正效果,以Z值最大为目标找到最优校正尺度。
本实施例的8种尺度校正前后的子流域降水精度对比结果如表1所示。对比不同校正尺度的Z值,当r=30km时,Z值最大为90,因此以子流域尺度分析确定的最优校正尺度为r=30km圆域。
表1 8种尺度校正前后降水数据统计指标
3)不同尺度校正的高程带平均降水精度比较:
在ArcGIS平台下,调用空间分析工具箱下的栅格计算器工具,使用CON函数将研究区高程划分为<500m,500~1000m,1000m~1500m,>1500m四种高程带;然后在ArcGIS平台下调用数据管理工具箱下的重采样工具,将高程分带栅格图像重采样,使之与遥感降水数据的栅格大小和栅格排列方式相同;批量分别抽取并计算四种高程带校正前后的降水量,同一高程带降水量通过求该高程带对应栅格的平均值得到;然后根据参考数据,对多种不同尺度校正方案的不同高程带进行统计指标计算。
比较各个高程带经多种不同尺度方案校正的BIAS指标。计算各高程带所占面积比例,以面积比例为权重计算各高程带相对偏差的加权平均值Ave BIAS;取Ave BIAS最小的方案为最优校正尺度。
本实施例的8种尺度校正前后不同高程带的降水数据BIAS指标如表2所示。从表2中可以得出,最优校正尺度为r=30km圆域。
表28种尺度校正前后不同高程带的降水数据BIAS指标
4)基于校正效果的尺度优选:本实施例根据不同空间尺度校正的子流域降水精度以及高程带平均降水精度的提升效果,确定最优校正尺度为r=30km圆域。基于该最优校正尺度对卫星遥感降水数据进行订正,将订正后的数据输出为订正数据集,即逐日订正降水产品。
本实施例选取10个均匀分布的研究区站点,站点空间分布如图2所示,通过对选取的站点做校正前后降水量的时序图,验证基于最优校正尺度校正后站点处的降水量校正效果。10个站点校正前后的逐日降水量分别如图3~图12所示,从图中可以看出,经校正显著改善了遥感降水产品估计不准确的情况,站点逐日降水量与地面实测降水量更加吻合。即相对于融合校正前,经校正后的卫星遥感降水数据精度有较大的提高。
最后应说明的是,以上所述仅用以说明本发明的技术方案而非限制,尽管参照较佳布置方案对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于尺度分析的遥感降水产品的逐日订正方法,其特征在于,所述方法包括以下步骤:
步骤1、降水数据处理与评估:在研究区进行地面站点位置与卫星遥感降水格网的空间匹配,即根据站点的经纬度,选择栅格中心距离站点最近的栅格,作为与此地面站点对应的卫星降水栅格;逐一读取与地面站点位置匹配的栅格所在的行列号,并提取该栅格的逐日卫星遥感降水数据,以此建立地面站点与卫星遥感降水对应数据集,并对卫星遥感降水数据的适用性进行评估;
步骤2、有站点栅格日校正系数的计算:首先对通过评估的卫星遥感降水数据进行预处理,在有站点的空间位置,计算该站点实测降水数据与该站点相对应的卫星遥感降水数据的比值,则得到该站点的日校正系数,同理逐一计算各站点的日校正系数;
所述日校正系数的计算公式为:
Ki=PG,i/PT,i
式中,i表示站点编号,Ki为第i站点日校正系数,PG,i为第i站点的站点实测降水数据,mm;PT,i为第i站点所对应的卫星遥感降水数据,mm;
步骤3、日校正系数的修正:对于有雨并且监测到的情况下,统计并利用阈值修正日校正系数;对于实际有雨但卫星遥感漏报的站点,日校正系数标记为-1;对于无雨的站点日校正系数记为0;最后得到修正后的日校正系数;
步骤4、遥感降水数据的多空间尺度校正:以地面站点所在栅格为中心选取多种不同尺度大小的站点邻域作为影响范围,确定多种不同空间校正尺度,并将影响范围内的卫星遥感降水数据与修正后的日校正系数进行矩阵运算,得到校正后的遥感降水数据,计算公式为:
PV,ij=Kv,i·PT,ij
式中,ij代表第i站点影响范围内的第j个栅格,PV,ij为第i站点第j个栅格的校正后的遥感降水数据,mm;PT,ij为第i站点第j个栅格的卫星遥感降水数据,mm;Kv,i为第i站点修正后的日校正系数;
依据上式对不同空间尺度校正方案下的逐个站点影响范围内栅格计算其校正结果,从而得到不同空间尺度校正的遥感降水数据;
步骤5、不同校正尺度分析与优选:对研究区的地面站点实测降水数据进行IDW插值,并将插值得到的研究区范围内连续的面降水数据作为参考数据,比较不同尺度校正的子流域降水精度以及不同尺度校正的高程带平均降水精度,根据精度提升效果确定最优校正尺度,并基于该最优校正尺度对卫星遥感降水数据进行订正,将订正后的数据输出为订正数据集,即逐日订正降水产品。
2.根据权利要求1所述的一种基于尺度分析的遥感降水产品的逐日订正方法,其特征在于,步骤1中所述对卫星遥感降水数据的适用性进行评估的具体过程为:计算评价指标包括相关系数CC、平均绝对误差MAE以及相对误差BIAS;CC用于表征地面站点实测降水数据与卫星遥感降水数据的一致性;MAE和BIAS为误差统计指标,表征卫星遥感降水数据相对于地面站点实测降水数据的精度;计算公式分别为:
式中,N为样本容量;Ti,Gi分别为卫星遥感降水数据和地面站点实测降水数据;
首先进行相关系数的显著性检验,在显著性水平α=0.01上,计算数据集的卫星遥感降水数据与地面站点实测降水数据的相关系数并与临界值rα比较,在通过相关系数显著性检验的基础上,若相对误差BIAS的绝对值小于0.5,则表示卫星遥感降水数据在研究区具有适用性。
3.根据权利要求1所述的一种基于尺度分析的遥感降水产品的逐日订正方法,其特征在于,步骤2还包括月校正系数计算,具体过程为:根据步骤1所述方式建立月尺度地面站点与卫星降水对应数据集,累加逐日的地面站点实测降水数据到月尺度,并对与站点相匹配的逐月卫星遥感降水数据进行提取,按照日校正系数计算方法,同理计算得到各站点月校正系数Kmon。
4.根据权利要求3所述的一种基于尺度分析的遥感降水产品的逐日订正方法,其特征在于,步骤3中所述统计并利用阈值修正日校正系数的具体过程为:
(1)地面站点逐日降水量级划分:根据《GB/T 28592-2012降水量等级》国家标准,按照24h降水量划分降水等级:24h降水量0.1~9.9mm为小雨,10~24.9mm为中雨,25~49.9mm为大雨,50~99.9mm为暴雨,100~249.9mm为大暴雨,250mm以上为特大暴雨;根据地面站点实测降水数据对各个地面站点的日降水量划分降水量级;
(2)综合确定日校正系数阈值范围:对多年逐月月校正系数Kmon计算第k月校正系数均值统计所有/>的最大值和最小值,以/>的最大值和最小值为限,计算不同量级降水事件下的各站点日校正系数的10%,90%分位对应的值作为校正系数的阈值,将s量级降水的校正系数的下限记为Kmin,s,上限记为Kmax,s,针对小雨量级,取/>最小值作为该量级下限值;
(3)采用阈值范围修正日校正系数:将计算得到的日校正系数Ki与确定的对应量级阈值进行比较,判断日校正系数是否在阈值范围之内,按下列公式修正日校正系数:
式中,s表示不同量级的降水分级,分别以Kmax,s,Kmin,s来表示该量级降水校正系数的阈值上下限;Ki为第i站点日校正系数;Kv,i表示校正后第i站点的日校正系数。
5.根据权利要求1所述的一种基于尺度分析的遥感降水产品的逐日订正方法,其特征在于,步骤5所述比较不同尺度校正的子流域降水精度的具体过程为:基于DEM河网干支拓扑关系编码规则,给定集水面积阈值进行水系提取和子流域划分,选取研究区范围内的全部子流域,提取形心点处的参考数据,计算多种不同尺度校正方案校正后的遥感降水数据和站点实测降水数据的统计指标包括相关系数CC、平均绝对误差MAE以及相对误差BIAS;对指标CC、MAE和BIAS做归一化处理,对于同一指标,比较各校正方案的指标表现并逐一进行打分,指标表现最好的值打100分,按照表现变差依次按照10分递减,表现最差为0分,得到无量纲指标对得到的无量纲指标计算算术平均值,得到综合指标Z,其计算公式为:
Z值越大,则表明尺度校正方案的校正效果越好;评估不同尺度校正方案下的校正效果,以Z值最大为目标找到最优校正尺度。
6.根据权利要求1所述的一种基于尺度分析的遥感降水产品的逐日订正方法,其特征在于,步骤5所述比较不同尺度校正的高程带平均降水精度的具体过程为:在ArcGIS平台下,调用空间分析工具箱下的栅格计算器工具,使用CON函数将研究区高程划分为<500m,500~1000m,1000m~1500m,>1500m四种高程带;然后在ArcGIS平台下调用数据管理工具箱下的重采样工具,将高程分带栅格图像重采样,使之与遥感降水数据的栅格大小和栅格排列方式相同;批量分别抽取并计算四种高程带校正前后的降水量,同一高程带降水量通过求该高程带对应栅格的平均值得到;然后根据参考数据,对多种不同尺度校正方案的不同高程带进行统计指标计算;比较各个高程带经多种不同尺度方案校正的相对误差BIAS指标;计算各高程带所占面积比例,以面积比例为权重计算各高程带相对偏差的加权平均值Ave_BIAS,取Ave_BIAS最小的方案为最优校正尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745778.4A CN116910041B (zh) | 2023-06-21 | 2023-06-21 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745778.4A CN116910041B (zh) | 2023-06-21 | 2023-06-21 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910041A CN116910041A (zh) | 2023-10-20 |
CN116910041B true CN116910041B (zh) | 2023-12-22 |
Family
ID=88367441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310745778.4A Active CN116910041B (zh) | 2023-06-21 | 2023-06-21 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910041B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290675B (zh) * | 2023-11-27 | 2024-02-27 | 中国电建集团西北勘测设计研究院有限公司 | 降水数据处理方法、装置、存储介质及电子设备 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002350560A (ja) * | 2001-05-30 | 2002-12-04 | Foundation Of River & Basin Integrated Communications Japan | レーダ雨量補正・配信システム |
WO2017145851A1 (ja) * | 2016-02-23 | 2017-08-31 | 日本電気株式会社 | 情報処理装置、パラメータ補正方法及びプログラム記録媒体 |
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 |
CN110118982A (zh) * | 2019-04-12 | 2019-08-13 | 大连理工大学 | 一种基于空间优化插值的卫星降水数据校正方法 |
CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
CN112381337A (zh) * | 2021-01-14 | 2021-02-19 | 四川大汇大数据服务有限公司 | 一种多源气象数据融合处理方法、系统、终端及介质 |
CN114417646A (zh) * | 2022-03-31 | 2022-04-29 | 中国科学院地理科学与资源研究所 | 一种高维异构降水数据融合方法及系统 |
CN115438870A (zh) * | 2022-09-20 | 2022-12-06 | 中国水利水电科学研究院 | 一种大空间尺度水资源量预估方法 |
-
2023
- 2023-06-21 CN CN202310745778.4A patent/CN116910041B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002350560A (ja) * | 2001-05-30 | 2002-12-04 | Foundation Of River & Basin Integrated Communications Japan | レーダ雨量補正・配信システム |
WO2017145851A1 (ja) * | 2016-02-23 | 2017-08-31 | 日本電気株式会社 | 情報処理装置、パラメータ補正方法及びプログラム記録媒体 |
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 |
CN110118982A (zh) * | 2019-04-12 | 2019-08-13 | 大连理工大学 | 一种基于空间优化插值的卫星降水数据校正方法 |
CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
CN112381337A (zh) * | 2021-01-14 | 2021-02-19 | 四川大汇大数据服务有限公司 | 一种多源气象数据融合处理方法、系统、终端及介质 |
CN114417646A (zh) * | 2022-03-31 | 2022-04-29 | 中国科学院地理科学与资源研究所 | 一种高维异构降水数据融合方法及系统 |
CN115438870A (zh) * | 2022-09-20 | 2022-12-06 | 中国水利水电科学研究院 | 一种大空间尺度水资源量预估方法 |
Non-Patent Citations (3)
Title |
---|
extreme daily precipitation in western Europe with climate change at appropriate spatial scales;M.J.Booij;《international journal of climattology》;第2卷(第1期);69-85 * |
利用数据融合算法提高雷达面雨量监测精度;牛睿平;刘筠;王娟;龙彦伶;;水利信息化(第01期);30-35 * |
多源降雨观测与融合及其在长江流域的水文应用;李哲;《中国博士学位论文全文数据库基础科学辑》(第07期);A009-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116910041A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN108764643B (zh) | 大范围作物病害风险评估方法 | |
CN111260111A (zh) | 基于气象大数据的径流预报改进方法 | |
CN113591572B (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
Baik et al. | Agricultural drought assessment based on multiple soil moisture products | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN113591256B (zh) | 一种山区输电线路杆塔雷击概率结果评估方法 | |
CN115330254A (zh) | 一种山洪综合风险预警方法、系统及存储介质 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN115357847A (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
CN113704693A (zh) | 一种高精度的有效波高数据估计方法 | |
Abdolmanafi et al. | Evaluation of global ensemble prediction models for forecasting medium to heavy precipitations | |
Tsakiris et al. | Regional drought identification and assessment. Case study in Crete | |
CN115203625A (zh) | 一种旱涝指数数据缺失值插补方法及其插补装置 | |
CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
CN112364301A (zh) | 基于坡长的近地面风速统计降尺度订正方法 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN115600142A (zh) | 一种基于不同方法的大风融合集成预报方法 | |
CN115830476A (zh) | 地形因子空间降尺度方法 | |
Bae et al. | Study of method for synthetic precipitation data for ungauged sites using quantitative precipitation model | |
CN113672864A (zh) | 一种应用于雨衰减统计预测的年平均雨顶高度的加权算法 | |
Li et al. | Regionalization of coaxial correlation diagrams for the semi-humid and semi-arid catchments in Northern China |
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 |