CN117113290A - 一种基于卫星遥感和气候数据重建陆地水储量变化的方法 - Google Patents
一种基于卫星遥感和气候数据重建陆地水储量变化的方法 Download PDFInfo
- Publication number
- CN117113290A CN117113290A CN202311368898.3A CN202311368898A CN117113290A CN 117113290 A CN117113290 A CN 117113290A CN 202311368898 A CN202311368898 A CN 202311368898A CN 117113290 A CN117113290 A CN 117113290A
- Authority
- CN
- China
- Prior art keywords
- climate
- land water
- sequence
- water reserve
- data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 24
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以重力卫星遥感数据和气候观测数据为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性线性回归模型，剔除水储量变化受气候影响部分后，基于奇异谱分析方法建立循环迭代估算方法，填补卫星遥感反演陆地水储量变化的时间序列空缺月份数据，重建陆地水储量变化时间序列。对于本发明其适用范围广，可用应用于大区域或全球陆地水储量量重建或监测，可针对不同下垫面类型的陆地水储量重构产生最优迭代估计值；避免估算精度损失，重建结果更可靠。
Description
技术领域
本发明涉及一种方法，尤其涉及一种基于卫星遥感和气候数据重建陆地水储量变化的方法。
背景技术
陆地水资源是人类不可或缺的关键自然资源之一，但是陆地水资源空间分布极不均匀，同时收到地理环境、气候变化和人类活动的多方面因素影响，亟需开展陆地水资源变化的长期监测与可持续利用规划。自2002年4月-2017年10月运行的重力卫星GRACE（Gravity Recovery and Climate Experiment）以及2018年5月运行的后续卫星GRACE-FO为长期监测全球陆地水储量（TWSA）提供了极为重要的观测平台和可靠数据。然而，两组卫星观测期间存在近35个月的空窗期，包括2016年8月至2018年4月时段的长期缺失，以及卫星观测期间部分月份存在质量问题等，均严重制约着陆地水资源长期监测以及气候变化影响评估等研究与应用。因此，如何对陆地水储量变化的缺失数据填补、重构与预测成为了重要的技术难题。
目前，已有不少方法，如时间序列分析或机器学习等方法被应用于数据间断的补偿。例如自回归滑动平均法（ARMA，Autoregressive Moving Average），差分自回归滑动平均法（ARIMA，Autoregressive Integrated Moving Average），小波神经网络（WNN，WaveletNeural Network），人工神经网络（ANN，Artificial Neural Network）等。传统的时间序列分析方法实现简单，但对于信号成分复杂的时间序列的预测效果较差，且易受到信号中噪声成分的影响；而神经网络方法尽管算法有优势，但是依赖于大量样本数据库作为训练集，且需要额外物理数据如大量气候数据作为约束。但目前GRACE/GRACE-FO观测数据仅为254个有效样本月，样本量过小， 有限的时间序列数据需要更为有效的信号提取方法进行序列重构。奇异谱分析法（SSA）可充分识别并提取信号中不同成分（如周期、趋势、噪声等），实现较为简易，特别适合分析预测具有周期特征的时间序列。但由于陆地水储量仍然收到气候异常波动和人为活动的影响， 陆地水储量变化信号中受气候变化和人为活动影响的部分在奇异谱分析法中会被当成噪音信息，从而影响预测精度。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于卫星遥感和气候数据重建陆地水储量变化的方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于卫星遥感和气候数据重建陆地水储量变化的方法：以重力卫星遥感数据和气候观测数据为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性线性回归模型，剔除水储量变化受气候影响部分后，基于奇异谱分析方法建立循环迭代估算方法，填补卫星遥感反演陆地水储量变化的时间序列空缺月份数据，重建陆地水储量变化时间序列。
作为优选地，该方法包括以下处理步骤：
步骤1、重力卫星遥感数据的准备：获取基于GRACE和GRACE-FO卫星遥感反演的陆地水储量TWSA变化的时间序列数据；
步骤2、地面气候观测数据的准备：包括降水、蒸散发、气象干旱指数、温度、土壤水；
步骤3、计算获得陆地水储量异常序列和气候异常序列；
步骤 4、判断陆地水储量异常序列和气候异常序列这两时间序列是否显著相关，若显著相关，则建立陆地水储量异常线性回归模型，获得水储量变化；
步骤5、基于奇异谱分析法重构序列的输入数据准备：依据步骤4的判段，显著相关时，输入数据为剔除气候影响部分的数储量序列TWSA=TWSA- ；否则输入数据为原始的陆地水储量序列TWSA；
步骤6、基于奇异谱分析法重构序列的初始设置；
步骤7、基于奇异谱分析法重构序列的迭代估算，产生重建的陆地水储量变化时间序列。
作为优选地，步骤1所准备的重力卫星遥感数据的时间分辨率为月，空间分辨率为250公里或500公里，覆盖长度为2002年4月至今；
所述气候观测数据的时间分辨率为月，在所有月份上连续无缺失、覆盖长度超过陆地水储量观测。
作为优选地，步骤3的计算方式为：对步骤1的GRACE和GRACE-FO的TWSA时间序列数据进行去季节变化和去趋势处理，得到陆地水储量异常序列δTWS；
对步骤2的气候观测数据进行去季节变化和去趋势处理，得到气候异常序列。
作为优选地，通过计算陆地水储量异常序列δTWS与气候异常序列的相关系数r，若r的绝对值大于阈值以上，阈值为0.25，建立线性回归模型，并预报所有月份由气候异常引起的水储量变化。
作为优选地，设气候序列时间长度为N，将步骤5处理后的陆地水储量序列TWSA匹配成长度为N的序列，缺测部分X gap 赋值为0；设置时间窗口长度为L，SVD分解最大截断长度为K，并满足，K=N-L+1。
作为优选地，开始循环迭代过程，设置迭代变量ik=0，将TWSA缺失值赋值为X gap ，由TWSA序列定义轨迹矩阵Y，基于奇异值分解法分解轨迹矩阵Y，由前ik组矩阵重构为新序列，判X gap 是否收敛；
若不是则重复计算过程，直到X gap 满足收敛，输出重建序列=/>，并加上受气候影响部分/>，产生重建的陆地水储量变化时间序列/>= />。
作为优选地，具体的迭代循环过程为：
（1）当ik=ik+1≦K时，将输入TWSA，记为，嵌入为的轨迹矩阵Y：
；
（2）直接对轨迹矩阵Y进行奇异值分解：
，
式中，U为左奇异矩阵，V为右奇异矩阵，Λ为对角矩阵，T表示矩阵转置，由此可得到L个特征值, 且/>；
轨迹矩阵Y可以进一步表示为：
，
式中，表示Y的第i个子矩阵/>;
（3）选取前ik组组成信号矩阵/>, 计算每个子矩阵的反对角线的平均值，形成时间序列/> />，N为时间序列长度；最后，将所有ik个时间序列相加，重构成新的陆地水储量变化时间序列/>：
；
（4）为了判断迭代是否收敛，计算第ik次与第ik-1次迭代在所有缺失月位置上值的差值的均方根值/>，计算第ik次/>值的均方根值/>，并计算迭代收敛系数/>：
,
;
（5）判断迭代收敛系数是否小于或等于给定的阈值/>，若/>，则重复计算过程：（1）-（4），直到满足/>，输出重建序列/>=/>，并加上受气候影响部分/>，产生重建的陆地水储量变化时间序列/>=/>。
本发明针对现有的重力卫星GRACE和GRACE-FO在轨时间短，遥感反演陆地水储量存在35个月的空窗期，无法满足陆地水储量变化规律的认识需求、干旱长期监测的应用需求等现状，提出了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以GRACE/GRACE-FO反演陆地水储量和气候观测数据为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，剔除陆地水储量变化受气候影响部分，再基于奇异谱分析方法（SSA）建立循环迭代估算方法，填补卫星遥感反演空缺部分，重建陆地水储量变化时间序列。
对于本发明其适用范围广，可用应用于大区域或全球陆地水储量量重建或监测，可针对不同下垫面类型的陆地水储量重构产生最优迭代估计值；避免估算精度损失，重建结果更可靠。
附图说明
图1为本发明的技术流程结构示意图。
图2为本发明实施例中2002-2022年间35个缺测月的陆地水储量重建结果对比图。
图3为本发明实施例中2020-2021年时段的交叉验证结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提成了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以GRACE/GRACE-FO反演陆地水储量（TWSA）和气候观测数据（降水、温度、土壤水、蒸散发或气象干旱指数）为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性或非线性回归模型，剔除水储量变化受气候影响部分（TWSA=TWSA- 下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提成了一种基于卫星遥感和气候数据重建陆地水储量变化的方法，以GRACE/GRACE-FO反演陆地水储量（TWSA）和气候观测数据（降水、温度、土壤水、蒸散发或气象干旱指数）为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性或非线性回归模型，剔除水储量变化受气候影响部分（TWSA=TWSA- ）后，基于奇异谱分析方法建立循环迭代估算方法，填补卫星遥感反演TWSA序列空缺月份数据，从而重建陆地水储量变化时间序列。）后，基于奇异谱分析方法建立循环迭代估算方法，填补卫星遥感反演TWSA序列空缺月份数据，从而重建陆地水储量变化时间序列。
如图1所示，具体的流程如下：
步骤1、重力卫星遥感数据的准备：获取基于GRACE和GRACE-FO卫星遥感反演的陆地水储量（TWSA）变化的时间序列数据，时间分辨率为月，空间分辨率为250公里或500公里，覆盖长度为2002年4月至今；
步骤2、地面气候观测数据的准备：包括降水（P）、蒸散发（ET）、气象干旱指数（SPEI）、温度、土壤水等；气候观测数据与TWSA有相同分辨率，在所有月份上连续无缺失、覆盖长度超过陆地水储量观测；例如2001年1月至今；
步骤3、计算获得陆地水储量异常序列和气候异常序列：具体有，对步骤1的GRACE和GRACE-FO的TWSA时间序列数据进行去季节变化和去趋势处理，得到陆地水储量异常序列δTWS；
对步骤2的气候观测数据进行去季节变化和去趋势处理，得到气候异常序列；例如，降水减蒸散发P-ET对应的气候异常序列δ(P-ET)；
步骤 4、陆地水储量异常线性回归模型的建立：判断陆地水储量异常序列和气候异常序列这两时间序列是否显著相关，若显著相关，则建立陆地水储量异常线性回归模型；
通过计算陆地水储量异常序列δTWS与气候异常序列的相关系数r，若r的绝对值大于阈值（阈值为0.25）以上，建立线性回归模型，并预报所有月份由气候异常引起的水储量变化；以气候异常序列δ(P-ET)为例，所建立的线性回归模型为/>=a+b*δ(P-ET)，气候观测数据取自2001年1月至今，则播报的月份也是2000年1月至今；
步骤5、基于奇异谱分析法重构序列的输入数据准备：依据陆地水储量异常序列和气候异常序列的相关系数r，若r的绝对值大于阈值（阈值为0.25）以上，则输入数据为剔除气候影响部分的数储量序列（TWSA== TWSA- ）；若r的绝对值小于阈值，输入数据为原始的陆地水储量序列（TWSA）；
步骤6、基于奇异谱分析法重构序列的初始设置：设气候序列时间长度为N，将步骤5处理后的陆地水储量序列TWSA匹配成长度为N的序列，缺测部分X gap 赋值为0；设置时间窗口长度为L，SVD分解最大截断长度为K，并满足，K=N-L+1。
步骤7、基于奇异谱分析法重构序列的迭代估算：开始循环迭代过程，设置迭代变量ik=0，将TWSA缺失值赋值为X gap ，由TWSA序列定义轨迹矩阵Y，基于奇异值分解（SVD）法分解轨迹矩阵Y，由前ik组矩阵重构为新序列，判X gap 是否收敛；
若不是则重复计算过程，直到X gap 满足收敛，输出重建序列=/>，并加上受气候影响部分（/>），产生重建的陆地水储量变化时间序列（/>= />）。
具体的迭代循环过程为：
（1）当ik=ik+1≦K时，将输入TWSA（记为）嵌入为的轨迹矩阵Y：
；
（2）直接对轨迹矩阵Y进行奇异值分解（SVD）：
，
式中，U为左奇异矩阵，V为右奇异矩阵，Λ为对角矩阵，T表示矩阵转置。由此可得到L个特征值, 且/>。轨迹矩阵Y可以进一步表示为：
，
式中，表示Y的第i个子矩阵/>。
（3）选取前ik组组成信号矩阵/>, 计算每个子矩阵的反对角线的平均值，形成时间序列/> />。最后，将所有ik个时间序列相加，重构成新的陆地水储量变化（TWSA）时间序列/>：
；
（4）为了判断迭代是否收敛，计算第ik次与第ik-1次迭代在所有缺失月（如m=35）位置上值的差值的均方根值/>，计算第ik次/>值的均方根值/>，并计算迭代收敛系数/>：
，
；
（5）判断迭代收敛系数是否小于或等于给定的阈值/>，若/>，则重复计算过程：（1）-（4），直到满足/>，输出重建序列/>=/>，并加上受气候影响部分（/>），产生重建的陆地水储量变化时间序列（/>= />）。
由此可知，与现有技术相比，本发明具有如下技术优势：
1）为了避免传统奇异谱分析方法把时间序列中异常波动组分归为随机扰动过程从而造成估算精度损失，提出在基于奇异谱分析法重构陆地水储量变化缺失数据之前，先计算气候异常波动与陆地水储量变化之间的显著相关性，通过建立陆地水储量变化对气候变化的回归模型剔除陆地水储量变化受气候影响部分，然后建立基于奇异谱分析的循环迭代估算方法，填补GRACE/GRACE-FO卫星遥感序列空缺月份数据，从而重建陆地水储量变化的时间序列（步骤1-7和图1）。
2）本发明主要基于卫星遥感数据，只利用常规地面气象观测数据，适用范围广，可用应用于大区域或全球陆地水储量量重建或监测，可针对不同下垫面类型（包括森林、草地、农田、湿地、灌木、荒漠、冰川、湖泊、人工水体等）的陆地水储量重构产生最优迭代估计值。
3）具有空间独立性，只需目标像元对应的遥感资料作为输入，无需该像元邻近像元的数据参与计算，不引入其他像元的误差信息，提高输出的重建陆地水储量变化时间序列结果的精度。
【实施例】
本实施例中，以长江流域中西部城市——重庆市的GRACE/GRACE-FO 陆地水储量变化在2002年至2022年间缺失月份的数据重建为例，开展本发明的技术方法的应用效果评估。
图2给出应用本发明基于气候调整的奇异谱分析方法和传统奇异谱分析法的2002-2022年间35个缺测月的陆地水储量重建结果对比，图中，本发明方法为方块虚线，传统方法为叉号虚线，原始观测为黑色十字虚线。结果表明，在连续缺测月份较少（如2011-2016年连续缺测月份为1-2个月）的时期，本发明方法和传统奇异谱分析法重建结果相近；但是，在连续缺测月份较大的时期，如2017-2018年连续缺测月数达13个月，本发明方法和传统奇异谱分析法重建结果差异较大。本发明方法的陆地水储量异常值在2017-2018年比传统方法平均高出6cm左右，而在2011-2016年间，两者差异仅为0.5cm。
图3给出了基于GRACE/GRACE-FO真值观测时段在2020-2021年时段的交叉验证结果对比分析发现，图中，本发明方法为方块虚线，传统方法为叉号虚线，原始观测为黑色十字虚线。结果显示，本发明方法重建结果与真值的相关系数为0.85，均方根误差为7.8cm。而传统方法重建结果与真值的相关系数为0.7，均方根误差为10.6cm。因此，相较而言，本发明方法在该地区对于重建陆地水储量变化具有更好的表现。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (8)
1.一种基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：所述方法为：以重力卫星遥感数据和气候观测数据为输入，利用气候异常波动与陆地水储量变化存在的显著相关性，建立陆地水储量变化对气候变化的线性回归模型，剔除水储量变化受气候影响部分后，基于奇异谱分析方法建立循环迭代估算方法，填补卫星遥感反演陆地水储量变化的时间序列空缺月份数据，重建陆地水储量变化时间序列。
2.根据权利要求1所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：所述方法包括以下处理步骤：
步骤1、重力卫星遥感数据的准备：获取基于GRACE和GRACE-FO卫星遥感反演的陆地水储量序列TWSA变化的时间序列数据；
步骤2、地面气候观测数据的准备：包括降水、蒸散发、气象干旱指数、温度、土壤水；
步骤3、计算获得陆地水储量异常序列和气候异常序列；
步骤 4、判断陆地水储量异常序列和气候异常序列这两时间序列是否显著相关，若显著相关，则建立陆地水储量异常线性回归模型，获得水储量变化；
步骤5、基于奇异谱分析法重构序列的输入数据准备：依据步骤4的判段，显著相关时，输入数据为剔除气候影响部分的陆地水储量序列TWSA= TWSA- ；否则输入数据为原始的陆地水储量序列TWSA；
步骤6、基于奇异谱分析法重构序列的初始设置；
步骤7、基于奇异谱分析法重构序列的迭代估算，产生重建的陆地水储量变化时间序列。
3.根据权利要求2所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：所述步骤1所准备的重力卫星遥感数据的时间分辨率为月，空间分辨率为250公里或500公里，覆盖长度为2002年4月至今；
所述气候观测数据的时间分辨率为月，在所有月份上连续无缺失、覆盖长度超过陆地水储量观测。
4.根据权利要求2所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：步骤3的计算方式为：对步骤1的GRACE和GRACE-FO的TWSA时间序列数据进行去季节变化和去趋势处理，得到陆地水储量异常序列δTWS；
对步骤2的气候观测数据进行去季节变化和去趋势处理，得到气候异常序列。
5.根据权利要求2所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：通过计算陆地水储量异常序列δTWS与气候异常序列的相关系数r，若r的绝对值大于阈值以上，阈值为0.25，建立线性回归模型，并预报所有月份由气候异常引起的水储量变化。
6.根据权利要求2所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：设气候序列时间长度为N，将步骤5处理后的陆地水储量序列TWSA匹配成长度为N的序列，缺测部分X gap 赋值为0；设置时间窗口长度为L，SVD分解最大截断长度为K，并满足，K=N-L+1。
7.根据权利要求6所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：开始循环迭代过程，设置迭代变量ik=0，将TWSA缺失值赋值为X gap ，由TWSA序列定义轨迹矩阵Y，基于奇异值分解法分解轨迹矩阵Y，由前ik组矩阵重构为新序列，判X gap 是否收敛；
若不是则重复计算过程，直到X gap 满足收敛，输出重建序列=/>，并加上受气候影响部分/>，产生重建的陆地水储量变化时间序列/>=/>。
8.根据权利要求7所述的基于卫星遥感和气候数据重建陆地水储量变化的方法，其特征在于：具体的迭代循环过程为：
（1）当ik=ik+1≦K时，将输入TWSA，记为，嵌入为的轨迹矩阵Y：
；
（2）直接对轨迹矩阵Y进行奇异值分解：
，
式中，U为左奇异矩阵，V为右奇异矩阵，Λ为对角矩阵，T表示矩阵转置，由此可得到L个特征值, 且/>；
轨迹矩阵Y进一步表示为：
，
式中，表示Y的第i个子矩阵/>；
（3）选取前ik组组成信号矩阵/>, 计算每个子矩阵/>的反对角线的平均值，形成时间序列/> ，N为时间序列长度；最后，将所有ik个时间序列相加，重构成新的陆地水储量变化时间序列/>：
；
（4）为了判断迭代是否收敛，计算第ik次与第ik-1次迭代在所有缺失月位置上值的差值的均方根值/>，计算第ik次/>值的均方根值/>，并计算迭代收敛系数：
，
；
（5）判断迭代收敛系数是否小于或等于给定的阈值/>，若/>，则重复计算过程：（1）-（4），直到满足/>，输出重建序列/>=/>，并加上受气候影响部分/>，产生重建的陆地水储量变化时间序列/>= />。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368898.3A CN117113290B (zh) | 2023-10-23 | 2023-10-23 | 一种基于卫星遥感和气候数据重建陆地水储量变化的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368898.3A CN117113290B (zh) | 2023-10-23 | 2023-10-23 | 一种基于卫星遥感和气候数据重建陆地水储量变化的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113290A true CN117113290A (zh) | 2023-11-24 |
| CN117113290B CN117113290B (zh) | 2024-02-06 |
Family
ID=88796933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368898.3A Active CN117113290B (zh) | 2023-10-23 | 2023-10-23 | 一种基于卫星遥感和气候数据重建陆地水储量变化的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113290B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118396842A (zh) * | 2024-06-26 | 2024-07-26 | 中国科学院空天信息创新研究院 | 时间序列遥感影像缺失区域重建方法、装置和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210375034A1 (en) * | 2020-05-29 | 2021-12-02 | Capital Normal University | Method and system for inversion of high-resolution aquifer storage coefficient based on gravity satellite data |
| CN114491967A (zh) * | 2021-12-30 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 陆地水储量预测方法、装置、设备及存储介质 |
| CN115826005A (zh) * | 2022-11-07 | 2023-03-21 | 辽宁工程技术大学 | 基于数据特征融合反演提高地下水储量准确性方法 |
| CN116704362A (zh) * | 2023-05-12 | 2023-09-05 | 武汉大学 | 结合时空特征的grace卫星空窗期数据重构方法、系统及设备 |
-
2023
- 2023-10-23 CN CN202311368898.3A patent/CN117113290B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210375034A1 (en) * | 2020-05-29 | 2021-12-02 | Capital Normal University | Method and system for inversion of high-resolution aquifer storage coefficient based on gravity satellite data |
| CN114491967A (zh) * | 2021-12-30 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 陆地水储量预测方法、装置、设备及存储介质 |
| CN115826005A (zh) * | 2022-11-07 | 2023-03-21 | 辽宁工程技术大学 | 基于数据特征融合反演提高地下水储量准确性方法 |
| CN116704362A (zh) * | 2023-05-12 | 2023-09-05 | 武汉大学 | 结合时空特征的grace卫星空窗期数据重构方法、系统及设备 |
Non-Patent Citations (1)
| Title |
|---|
| AYALKIBET M. SEKA等: "Spatio-temporal analysis of water storage variation and temporal correlations in the East Africa lake basins", 《JOURNAL OFHYDROLOGY:REGIONALSTUDIES》, pages 1 - 20 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118396842A (zh) * | 2024-06-26 | 2024-07-26 | 中国科学院空天信息创新研究院 | 时间序列遥感影像缺失区域重建方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113290B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
| CN113379107A (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| US20240094436A1 (en) | High-resolution standardized precipitation evapotranspiration index dataset development method based on random forest regression model | |
| CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
| CN113486303A (zh) | 一种基于修饰模型集成的长时间序列预测方法 | |
| CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
| CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
| CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
| CN117113290B (zh) | 一种基于卫星遥感和气候数据重建陆地水储量变化的方法 | |
| CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
| CN116704362A (zh) | 结合时空特征的grace卫星空窗期数据重构方法、系统及设备 | |
| CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN117313563B (zh) | 物理约束与深度学习耦合下土壤水分重建模型的配置方法 | |
| CN113077110A (zh) | 一种基于gru的调和残差分段式潮位预测方法 | |
| Esmaeilzadeh et al. | Monthly evapotranspiration modeling using intelligent systems in Tabriz, Iran | |
| CN112836449A (zh) | 一种用于率定水文模型的方法 | |
| Gusarov et al. | Spatially adaptive ensemble optimal interpolation of in-situ observations into numerical vector field models | |
| Niyogi | A novel method combines moving fronts, data decomposition and deep learning to forecast intricate time series | |
| CN114913296B (zh) | 一种modis地表温度数据产品重建方法 | |
| CN118410720B (zh) | 基于多时间尺度深度学习网络的降雨径流模拟方法 | |
| Gunasekara et al. | The Potential Use of Remotely Sensed Soil Moisture Estimates in Hydrological Modelling | |
| CN116449460B (zh) | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 | |
| CN110764065B (zh) | 基于时序重构的雷达故障诊断方法 | |
| CN116204760B (zh) | 一种基于gru网络的钻孔应变数据异常提取方法 |
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 |