CN117152629B - 一种流域尺度时变卫星重力空缺数据填补方法及系统 - Google Patents
一种流域尺度时变卫星重力空缺数据填补方法及系统 Download PDFInfo
- Publication number
- CN117152629B CN117152629B CN202311069108.1A CN202311069108A CN117152629B CN 117152629 B CN117152629 B CN 117152629B CN 202311069108 A CN202311069108 A CN 202311069108A CN 117152629 B CN117152629 B CN 117152629B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- scale
- satellite
- drainage basin
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000005484 gravity Effects 0.000 title claims abstract description 73
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 127
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000010219 correlation analysis Methods 0.000 claims abstract description 25
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000001556 precipitation Methods 0.000 claims description 47
- 239000002352 surface water Substances 0.000 claims description 38
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000001218 confocal laser scanning microscopy Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000003313 weakening effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 2
- 208000032365 Electromagnetic interference Diseases 0.000 claims 4
- 238000005259 measurement Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种流域尺度时变卫星重力空缺数据填补方法及系统,包括:通过预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据得到统一时间解算尺度;由全球流域边界范围数据库获取流域精确边界和流域经纬度信息得到统一空间解算尺度;采用经验模态分解对水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定各模态分量主要驱动因子;基于各模态分量和主要驱动因子训练循环神经网络得到各内涵模态分量模型;基于各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。本发明可显著提高整个流域监测的准确性,并优化空间和时间尺度上的数据一致性及完整性,为精确的水资源管理和水循环研究提供了重要支持。
Description
技术领域
本发明涉及卫星数据处理技术领域,尤其涉及一种流域尺度时变卫星重力空缺数据填补方法及系统。
背景技术
陆地水包括地表水、地下水、土壤水和冰川等,作为地球水循环的重要组成部分,其迁移过程是降雨、蒸散发、径流、冰川融化和地下水开采等诸多自然现象和人类活动所共同作用的综合结果。陆地水的变化研究对理解全球水循环过程、安排农业生产、防治洪涝灾害等均具有重要意义。陆地水储量异常(Terrestrial Water Storage Anomaly,TWSA)是指研究时间段内陆地水储量与一段时间内陆地水储量平均值的差值,其可以反映陆地水储量的增减情况,是衡量流域水资源情况的重要指示,定量精确地估算流域内的陆地水储量异常的时空变化可以为水资源可持续管理提供有力支持。
相较于传统的水文和气象观测手段有限的空间覆盖范围和时间分辨率,卫星重力是唯一一种可以直接测得地球质量迁移的技术,其观测卫星包括GRACE(Gravity Recoveryand Climate Experiment)及其继承者GRACE-FO(Gravity Recovery and ClimateExperiment Follow-On mission),为从小区域到全球范围内的陆地水储量变化监测提供了统一、系统的基准,并实现了对区域到全球范围内地球表面和地下的水文状态及通量的量化和理解。GRACE卫星于2002年3月发射升空,到2017年10月12日因电池问题退役,工作历时15年,期间因为技术问题断断续续缺失了17个月的数据。GRACE-FO于2018年5月发射,作为GRACE任务的继承者,继续监测全球的重力场变化。GRACE和GRACE-FO存在一年的数据缺失,从而破坏了观测值的连续性。因此对完整的水储量年际变化分析造成了一定的限制,不仅会影响短期TWSA变化相关研究,还可能在基于GRACE和GRACE-FO的陆地水储量研究中引入偏差。为此,通常利用其他类型的连续数据作为驱动来对GRACE和GRACE-FO空缺数据进行建模,并且使用这些模型对GRACE和GRACE-FO之间的缺失数据进行填补。这些建模方法或是无法完整重建缺失信号,导致细节项的缺失;或是需要其他遥感和地学数据作为支撑,对研究区域有特定的要求,存在一些局限性和不足。
发明内容
本发明提供一种流域尺度时变卫星重力空缺数据填补方法及系统,用以解决现有技术中存在的缺陷。
第一方面,本发明提供一种流域尺度时变卫星重力空缺数据填补方法,包括:
获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;
通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;
由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;
综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;
构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;
基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。
根据本发明提供的一种流域尺度时变卫星重力空缺数据填补方法,获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据,包括:
采集GRACE卫星数据和GRACE-FO卫星数据;
采集TRMM降水数据和IMERG降水数据;
采集WGHM数据、CLSM数据、Mosaic数据和VIC数据;
采集ENSO数据、EMI数据、NAO数据、IOD数据、PDO数据和QBO数据。
根据本发明提供的一种流域尺度时变卫星重力空缺数据填补方法,通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度,包括:
利用海洋数值模型解算得到一阶重力场系数,由所述一阶重力场系数替换GRACE卫星数据以及GRACE-FO卫星数据的球谐系数一阶项;
采用SLR数据计算结果对GRACE卫星数据以及GRACE-FO卫星数据的球谐系数中C20项进行替换;
根据流域大小确定DDK滤波,采用DDK滤波削弱所述球谐系数中的条带噪声和高阶项中噪声;
采用ICE6G-D模型消除GIA对反演结果的影响;
将所述球谐系数转换为所述全球陆地水储量异常格网数据,采用正向建模方法对泄露误差进行改正;
对所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据进行距平处理,得到所述统一时间解算尺度。
根据本发明提供的一种流域尺度时变卫星重力空缺数据填补方法,由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度,包括:
通过WRI获取全球主要流域精确边界范围文件,获取其他需要进行空缺填补流域的预设高精度流域边界范围文件;
确定所述全球主要流域精确边界范围文件和所述预设高精度流域边界范围文件的流域经纬度信息;
对所述全球主要流域精确边界范围文件、所述预设高精度流域边界范围文件和所述流域经纬度信息进行裁切,得到所述统一空间解算尺度。
根据本发明提供的一种流域尺度时变卫星重力空缺数据填补方法,综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子,包括:
通过纬度余弦加权求和计算得到陆地水储量异常时间序列、地表水储量异常时间序列以及两组总体降水量时间序列;
采用CEEMDAN对所述陆地水储量异常时间序列、所述地表水储量异常时间序列和所述两组总体降水量时间序列进行分解,得到多个内涵模态分量;
采用GRA对多个内涵模态分量进行相关分析,得到所述主要驱动因子。
根据本发明提供的一种流域尺度时变卫星重力空缺数据填补方法,构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型,包括:
采用LSTM构建所述循环神经网络模型;
所述循环神经网络模型的输入层包括每个内涵模态分量和对应的主要驱动因子,所述循环神经网络模型的输出层包括预设未来时刻的内涵模态分量;
基于预设划分比例将所述各模态分量和所述主要驱动因子划分为训练数据和验证数据,由所述训练数据和所述验证数据对所述循环神经网络进行训练,获得所述各内涵模态分量模型。
根据本发明提供的一种流域尺度时变卫星重力空缺数据填补方法,基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果,包括:
获取所述各内涵模态模型的空缺数据回归结果;
将所述空缺数据回归结果进行相加,得到所述流域尺度下陆地水储量异常空缺数据填补结果。
第二方面,本发明还提供一种流域尺度时变卫星重力空缺数据填补系统,包括:
获取模块,用于获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;
时间解算模块,用于通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;
空间解算模块,用于由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;
分解模块,用于综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;
训练模块,用于构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;
输出模块,用于基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述流域尺度时变卫星重力空缺数据填补方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述流域尺度时变卫星重力空缺数据填补方法。
本发明提供的流域尺度时变卫星重力空缺数据填补方法及系统,针对GRACE和GRACE-FO卫星重力数据的空缺问题,从流域水储量变化的内在机制出发,采用深度学习方法对卫星重力反演的流域水储量进行建模,对空缺数据进行填补。通过有效地捕捉和挖掘流域内已有数据及其他卫星遥感数据之间的时空关系,可显著提高整个流域监测的准确性,并优化空间和时间尺度上的数据一致性及完整性,为精确的水资源管理和水循环研究提供了重要支持。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,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是本发明提供的流域尺度时变卫星重力空缺数据填补方法的流程示意图;
图2是本发明提供的选取的长江流域水储量异常时间序列通过经验模态分解后得到的时间序列示意图;
图3是本发明提供的各内涵模态分量与各主要驱动因子之间的灰色关联度值示意图;
图4是本发明提供的循环神经网络模型基本结构示意图;
图5是本发明提供的使用神经网络模型建模回归后结果对比图;
图6是本发明提供的流域尺度时变卫星重力空缺数据填补系统的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
针对现有技术存在的局限性,本发明提出一种流域尺度时变卫星重力空缺数据填补方法,图1是本发明实施例提供的流域尺度时变卫星重力空缺数据填补方法的流程示意图,如图1所示,包括:
步骤100:获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;
步骤200:通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;
步骤300:由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;
步骤400:综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;
步骤500:构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;
步骤600:基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。
具体地,本发明实施例从流域水储量变化的驱动机制出发,针对流域尺度下GRACELevel-2球谐系数产品反演得到的陆地水储量异常时间序列,通过经验模态分解(Empirical Mode Decomposition,EMD)来分析其不同模态分量的驱动因素。为此引入三类数据,分别是表征地表水储量的水文模型数据,包括:WaterGAP全球水文学模型(WaterGAPGlobal Hydrology model,WGHM)、GLDAS Noah(Global Land Data Assimilation SystemNoah Land Surface Model)、流域地表模型(Catchment Land Surface Model,CLSM)、Mosaic陆面模型(Mosaic Land SurfaceMode1,Mosaic)和变渗透能力宏观模型(VariableInfiltration Capacity Macroscale Hydrologic Model,VIC)等;表征流域降水量的降水产品,包括:TRMM(The Tropical Rainfall Measuring Mission)、IMERG(IntegratedMulti-satellitE Retrievals for GPM)等;以及表征决定某一区域气候的物理条件的气候因子,包括:厄尔尼诺/南方涛动(El/Southern Oscillation,ENSO)、厄尔尼诺/南方涛动Modoki指数(El/>/Southern Oscillation Modoki,EMI),北大西洋涛动(NorthAtlantic Oscillation,NAO),印度洋偶极子(Indian Ocean Dipole,IOD)、太平洋年代际涛动(Pacific Decadal Oscillation,PDO)和准两年一次涛动指数(Quasi-BiennialOscillation,QBO)等。通过对各模态分量主要驱动因素的识别,结合卷积神经网络模型对各模态分量进行建模并训练,从而对各模态分量的空缺数据进行填补,随后将填补完的各模态分量相加,最终得到完整恢复后的流域陆地水储量异常时间序列。
本发明针对GRACE和GRACE-FO卫星重力数据的空缺问题,从流域水储量变化的内在机制出发,采用深度学习方法对卫星重力反演的流域水储量进行建模,对空缺数据进行填补。通过有效地捕捉和挖掘流域内已有数据及其他卫星遥感数据之间的时空关系,可显著提高整个流域监测的准确性,并优化空间和时间尺度上的数据一致性及完整性,为精确的水资源管理和水循环研究提供了重要支持。
基于上述实施例,步骤100包括:
采集GRACE卫星数据和GRACE-FO卫星数据;
采集TRMM降水数据和IMERG降水数据;
采集WGHM数据、CLSM数据、Mosaic数据和VIC数据;
采集ENSO数据、EMI数据、NAO数据、IOD数据、PDO数据和QBO数据。
具体地,本发明实施例中获取的GRACE/GRACE-FO数据可以为美国德克萨斯大学空间研究中心(The University of Texas Center for Space Research,CSR)发布的Level-2球谐系数数据,也可以为Level-3 Mascon(mass concentration)格网数据。同时还需获取水文模型产品、降水数据以及气候因子数据。其中水文模型产品包括但不限于:WGHM、GLDASNoah、CLSM、Mosaic和VIC等;降水数据包括但不限于:TRMM、IMERG等;气候因子数据包括但不限于:厄尔尼诺/南方涛动ENSO、厄尔尼诺/南方涛动Modoki指数EMI,北大西洋涛动NAO,印度洋偶极子IOD、太平洋年代际涛动PDO和准两年一次涛动指数QBO等。所有产品的时间尺度均为2002年4月到2017年6月。
基于上述实施例,步骤200包括:
利用海洋数值模型解算得到一阶重力场系数,由所述一阶重力场系数替换GRACE卫星数据以及GRACE-FO卫星数据的球谐系数一阶项;
采用SLR数据计算结果对GRACE卫星数据以及GRACE-FO卫星数据的球谐系数中C20项进行替换;
根据流域大小确定DDK滤波,采用DDK滤波削弱所述球谐系数中的条带噪声和高阶项中噪声;
采用ICE6G-D模型消除GIA对反演结果的影响;
将所述球谐系数转换为所述全球陆地水储量异常格网数据,采用正向建模方法对泄露误差进行改正;
对所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据进行距平处理,得到所述统一时间解算尺度。
具体地,本发明实施例对于获取的GRACE Level-2球谐系数数据,还包括球谐系数与陆地水储量异常之间的转换,需要通过卫星重力反演的方法,具体包括:
使用海洋数值模型解算得到的一阶重力场系数(来自官方GRACE技术文件13)来代替所述GRACE/GRACE-FO球谐系数的一阶项;
使用卫星激光测距(Satellite Laser Ranging)SLR数据计算的结果对所述GRACE/GRACE-FO球谐系数中C20项进行替换;
根据所选流域的大小选择合适的去噪与去相关核DDK滤波(Denoising andDecorrelation Kernel filtering,DDk)削弱GRACE球谐系数的条带噪声和高阶项中的噪声;
采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响;
将球谐系数转换为陆地水储量异常格网数据,并使用正向建模的方法(ForwardModeling)对可能产生的泄露误差进行改正,统一对GRACE、GLDAS Noah、IMEGR和TRMM进行距平处理。
基于上述实施例,步骤300包括:
通过WRI获取全球主要流域精确边界范围文件,获取其他需要进行空缺填补流域的预设高精度流域边界范围文件;
确定所述全球主要流域精确边界范围文件和所述预设高精度流域边界范围文件的流域经纬度信息;
对所述全球主要流域精确边界范围文件、所述预设高精度流域边界范围文件和所述流域经纬度信息进行裁切,得到所述统一空间解算尺度。
本发明实施例中针对需要获取流域的高精度边界范围,通过世界资源研究所(World Resources Institute,WRI)获取全球254个主要流域边界范围文件。对于其他需要进行空缺填补的流域获取符合水文学定义的高精度流域边界范围文件。该文件应当符合地理数据标准,由美国环境系统研究公司(ESRI)开发的空间数据开放格式ESRI Shapefile来提供。
具体地,使用WRI给出的长江流域高精度边界范围对GRACE、GLDAS Noah、IMEGR和TRMM四组格网数据产品进行裁切。
基于上述实施例,步骤400包括:
通过纬度余弦加权求和计算得到陆地水储量异常时间序列、地表水储量异常时间序列以及两组总体降水量时间序列;
采用完全自适应噪声集合经验模态分解CEEMDAN对所述陆地水储量异常时间序列、所述地表水储量异常时间序列和所述两组总体降水量时间序列进行分解,得到多个内涵模态分量;
采用灰色关联度分析法GRA对多个内涵模态分量进行相关分析,得到所述主要驱动因子。
具体地,通过纬度余弦加权求和计算得到每个月长江流域的陆地水储量异常时间序列、地表水储量异常时间序列及两组总体降水量的时间序列。其中,通过GLDAS Noah计算陆地水储量变化的方式有两种,一种为对土壤水(0~200cm)、积雪融水、植被冠层水求和的经典方式,另一种是直接利用水平衡方程(月降雨量与降雪量-土壤水分蒸发量-植被水分蒸发量-地表径流-地下水径流),两种方法在Noah产品中差别不大,本发明实施例不作任何限制。
对流域水储量异常时间序列,使用经验模态分解(Empirical ModeDecomposition,EMD)的方法进行处理,将其分成数量不等的内涵模态分量(IntrinsicMode Functions,IMF),内涵模态分量的个数仅取决于流域信号本身的物理特性。并通过相关性分析的方法确定每个内涵模态分量的驱动因素。
在本发明实施例中,使用完全自适应噪声集合经验模态分解(Complete EEMDwith Adaptive Noise,CEEMDAN)。图2展示了长江流域水储量异常时间序列通过CEEMDAN分解后得到的5个内涵模态分量及GLDAS、降雨、气候因子等数据统一时空解算尺度后的时间序列。图2中IMF4中阴影部分为长江流域极端水旱灾所发生的时间段,在IMF4数值较低的时候,长江流域通常发生旱灾,而在数值较高的时候通常发生洪灾。
各组时间序列之间相关性分析的方法有很多,在本实施例中使用灰色关联度分析法(Grey Relational Analysis,GRA)。图3为本发明实施例中各内涵模态分量与各因素之间的灰色关联度值,使用热力图的形式展示。图3中横轴为各个主序列,每一列为各因素与主序列的灰色关联度。从图3中可以看到,各因素对IMF1的影响程度大致相当,无法从中分离出主要的影响因子,这是由于IMF1近似白噪声序列;对于IMF2,GLDAS Noah得到的地表水储量变化及IMEGR、TRMM降水是驱动其变化的主要因素;而对于IMF3,其变化主要受到ENSO、EMI、IOD、PDO等气候因子驱动,各气候因子的灰色关联度要明显大于其他类型的因素。对于本发明的其他实施例,可以选择性地使用包括灰色关联度分析、Pearson相关分析、Kendall相关分析、Spearman相关分析等各种相关性分析的数理统计方法。只要能完成该目的,即确定各模态的主要驱动因素即可。
基于上述实施例,步骤500包括:
采用LSTM构建所述循环神经网络模型;
所述循环神经网络模型的输入层包括每个内涵模态分量和对应的主要驱动因子,所述循环神经网络模型的输出层包括预设未来时刻的内涵模态分量;
基于预设划分比例将所述各模态分量和所述主要驱动因子划分为训练数据和验证数据,由所述训练数据和所述验证数据对所述循环神经网络进行训练,获得所述各内涵模态分量模型。
具体地,本发明实施例所采用的神经网络模型优选为LSTM模型,作为循环神经网络模型的一种,如图4所示,输入层包括陆地水储量异常、降水产品、水文学模型和气候因子,模型层中参数t表示月份时间。对于不同的IMF分量,输入层除了IMF分量本身,其余选取的数据各有所不同。IMF1近似于白噪声,因此以自回归方式来建模;IMF2选取GLDAS Noah、IMEGR及TRMM作为输入参数;IMF3选取ENSO、EMI、IOD、PDO等气候因子作为输入参数;IMF4与IMF5近似于长期趋势项的变化,故使用自回归方式建模。本发明实施例使用Python语言完成每个IMF分量的建模,并且对于各组输入数据和目标数据分别抽出80%用于模型训练,另外20%用于模型的验证,本发明并不严格限定训练数据和验证数据的比例,可以根据不同的情况进行适当调整。
基于上述实施例,步骤600包括:
获取所述各内涵模态模型的空缺数据回归结果;
将所述空缺数据回归结果进行相加,得到所述流域尺度下陆地水储量异常空缺数据填补结果。
具体地,通过对各内涵模态模型空缺数据的回归结果进行相加,获得流域尺度下陆地水储量异常空缺数据的填补结果,图5为本发明实施例中通过各内涵模态分量结合主要驱动因素使用神经网络模型建模回归后的结果,与之对比的是直接对长江流域水储量异常建模得到的回归结果,具体对比结果如表1所示。其中CEEMDAN-LSTM为使用本发明方法进行计算得到的结果,与之对比的是支持向量机模型、随机森林模型以及迭代奇异谱分析方法,其中普通的LSTM方法作为测试基准。可以看到,在验证集中本发明的方法具有最好的填补效果,即最低的均方根误差和最高的决定系数,并且准确率提升了38.7%。
表1
下面对本发明提供的流域尺度时变卫星重力空缺数据填补系统进行描述,下文描述的流域尺度时变卫星重力空缺数据填补系统与上文描述的流域尺度时变卫星重力空缺数据填补方法可相互对应参照。
图6是本发明实施例提供的流域尺度时变卫星重力空缺数据填补系统的结构示意图,如图6所示,包括:获取模块61、时间解算模块62、空间解算模块63、分解模块64、训练模块65和输出模块66,其中:
获取模块61用于获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;时间解算模块62用于通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;空间解算模块63用于由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;分解模块64用于综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;训练模块65用于构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;输出模块66用于基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行流域尺度时变卫星重力空缺数据填补方法,该方法包括:获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。
此外,上述的存储器730中的逻辑指令可以通过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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的流域尺度时变卫星重力空缺数据填补方法,该方法包括:获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种流域尺度时变卫星重力空缺数据填补方法,其特征在于,包括:
获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;
通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;
由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;
综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;
构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;
基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果;
通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度,包括:
利用海洋数值模型解算得到一阶重力场系数,由所述一阶重力场系数替换GRACE卫星数据以及GRACE-FO卫星数据的球谐系数一阶项;
采用卫星激光测距SLR数据计算结果对GRACE卫星数据以及GRACE-FO卫星数据的球谐系数中C20项进行替换;
根据流域大小确定去噪与去相关核DDK滤波,采用DDK滤波削弱所述球谐系数中的条带噪声和高阶项中噪声;
采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响;
将所述球谐系数转换为所述全球陆地水储量异常格网数据,采用正向建模方法对泄漏误差进行改正;
对所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据进行距平处理,得到所述统一时间解算尺度;
其中,对于获取的GRACE Level-2球谐系数数据,还包括球谐系数与陆地水储量异常之间的转换,需要通过卫星重力反演的方法,具体包括:
使用海洋数值模型解算得到的一阶重力场系数来代替GRACE/GRACE-FO球谐系数的一阶项;
使用卫星激光测距SLR数据计算的结果对GRACE/GRACE-FO球谐系数中C20项进行替换;
根据流域的大小选择合适的去噪与去相关核DDK滤波削弱GRACE球谐系数的条带噪声和高阶项中的噪声;
采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响;
将球谐系数转换为陆地水储量异常格网数据,并使用正向建模的方法对可能产生的泄漏误差进行改正,统一对GRACE、GLDAS Noah、IMEGR和TRMM进行距平处理;
综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子,包括:
通过纬度余弦加权求和计算得到陆地水储量异常时间序列、地表水储量异常时间序列以及两组总体降水量时间序列;
采用完全自适应噪声集合经验模态分解CEEMDAN对所述陆地水储量异常时间序列、所述地表水储量异常时间序列和所述两组总体降水量时间序列进行分解,得到多个内涵模态分量;
采用灰色关联度分析法GRA对多个内涵模态分量进行相关分析,得到所述主要驱动因子;
其中,通过纬度余弦加权求和计算得到每个月长江流域的陆地水储量异常时间序列、地表水储量异常时间序列及两组总体降水量的时间序列,通过GLDAS Noah计算陆地水储量变化的方式有两种,一种为对土壤水、积雪融水、植被冠层水求和的经典方式,另一种是直接利用水平衡方程;
对流域水储量异常时间序列,使用经验模态分解的方法进行处理,将其分成数量不等的内涵模态分量,内涵模态分量的个数仅取决于流域信号本身的物理特性,并通过相关性分析的方法确定每个内涵模态分量的驱动因素;
构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型,包括:
采用长短期记忆网络LSTM构建所述循环神经网络模型;
所述循环神经网络模型的输入层包括每个内涵模态分量和对应的主要驱动因子,所述循环神经网络模型的输出层包括预设未来时刻的内涵模态分量;
基于预设划分比例将所述各模态分量和所述主要驱动因子划分为训练数据和验证数据,由所述训练数据和所述验证数据对所述循环神经网络进行训练,获得所述各内涵模态分量模型;
其中,LSTM的输入层包括陆地水储量异常、降水产品、水文学模型和气候因子;对于不同的IMF分量,输入层除了IMF分量本身,其余选取的数据各有所不同,IMF1以自回归方式来建模;IMF2选取GLDAS Noah、IMEGR及TRMM作为输入参数;IMF3选取ENSO、EMI、IOD、PDO气候因子作为输入参数;IMF4与IMF5使用自回归方式建模;使用Python语言完成每个IMF分量的建模,并且对于各组输入数据和目标数据分别抽出80%用于模型训练,另外20%用于模型的验证;
基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果,包括:
获取所述各内涵模态分量模型的空缺数据回归结果;
将所述空缺数据回归结果进行相加,得到所述流域尺度下陆地水储量异常空缺数据填补结果;
其中,通过对各内涵模态模型空缺数据的回归结果进行相加,获得流域尺度下陆地水储量异常空缺数据的填补结果。
2.根据权利要求1所述的流域尺度时变卫星重力空缺数据填补方法,其特征在于,获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据,包括:
采集重力恢复与气候实验GRACE卫星数据和重力恢复和气候实验后续任务GRACE-FO卫星数据;
采集热带降雨测量任务TRMM降水数据和GPM的综合多卫星检索IMERG降水数据;
采集WaterGAP全球水文学模型WGHM数据、流域地表模型CLSM数据、陆面模型Mosaic数据和变渗透能力宏观模型VIC数据;
采集厄尔尼诺南方涛动ENSO数据、厄尔尼诺南方涛动Modoki指数EMI数据、北大西洋涛动NAO数据、印度洋偶极子IOD数据、太平洋年代际涛动PDO数据和准两年一次涛动指数QBO数据。
3.一种流域尺度时变卫星重力空缺数据填补系统,其特征在于,包括:
获取模块,用于获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据;
时间解算模块,用于通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据,统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据,得到统一时间解算尺度;
空间解算模块,用于由全球流域边界范围数据库获取流域精确边界和流域经纬度信息,对所述流域精确边界和所述流域经纬度信息进行裁剪,得到统一空间解算尺度;
分解模块,用于综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列,采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量,结合相关性分析法确定所述各模态分量的主要驱动因子;
训练模块,用于构建循环神经网络模型,基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型;
输出模块,用于基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果;
所述时间解算模块具体用于:
利用海洋数值模型解算得到一阶重力场系数,由所述一阶重力场系数替换GRACE卫星数据以及GRACE-FO卫星数据的球谐系数一阶项;
采用卫星激光测距SLR数据计算结果对GRACE卫星数据以及GRACE-FO卫星数据的球谐系数中C20项进行替换;
根据流域大小确定去噪与去相关核DDK滤波,采用DDK滤波削弱所述球谐系数中的条带噪声和高阶项中噪声;
采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响;
将所述球谐系数转换为所述全球陆地水储量异常格网数据,采用正向建模方法对泄漏误差进行改正;
对所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据进行距平处理,得到所述统一时间解算尺度;
其中,对于获取的GRACE Level-2球谐系数数据,还包括球谐系数与陆地水储量异常之间的转换,需要通过卫星重力反演的方法,具体包括:
使用海洋数值模型解算得到的一阶重力场系数来代替GRACE/GRACE-FO球谐系数的一阶项;
使用卫星激光测距SLR数据计算的结果对GRACE/GRACE-FO球谐系数中C20项进行替换;
根据流域的大小选择合适的去噪与去相关核DDK滤波削弱GRACE球谐系数的条带噪声和高阶项中的噪声;
采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响;
将球谐系数转换为陆地水储量异常格网数据,并使用正向建模的方法对可能产生的泄漏误差进行改正,统一对GRACE、GLDAS Noah、IMEGR和TRMM进行距平处理;
所述分解模块具体用于:
通过纬度余弦加权求和计算得到陆地水储量异常时间序列、地表水储量异常时间序列以及两组总体降水量时间序列;
采用完全自适应噪声集合经验模态分解CEEMDAN对所述陆地水储量异常时间序列、所述地表水储量异常时间序列和所述两组总体降水量时间序列进行分解,得到多个内涵模态分量;
采用灰色关联度分析法GRA对多个内涵模态分量进行相关分析,得到所述主要驱动因子;
其中,通过纬度余弦加权求和计算得到每个月长江流域的陆地水储量异常时间序列、地表水储量异常时间序列及两组总体降水量的时间序列,通过GLDAS Noah计算陆地水储量变化的方式有两种,一种为对土壤水、积雪融水、植被冠层水求和的经典方式,另一种是直接利用水平衡方程;
对流域水储量异常时间序列,使用经验模态分解的方法进行处理,将其分成数量不等的内涵模态分量,内涵模态分量的个数仅取决于流域信号本身的物理特性,并通过相关性分析的方法确定每个内涵模态分量的驱动因素;
所述训练模块具体用于:
采用长短期记忆网络LSTM构建所述循环神经网络模型;
所述循环神经网络模型的输入层包括每个内涵模态分量和对应的主要驱动因子,所述循环神经网络模型的输出层包括预设未来时刻的内涵模态分量;
基于预设划分比例将所述各模态分量和所述主要驱动因子划分为训练数据和验证数据,由所述训练数据和所述验证数据对所述循环神经网络进行训练,获得所述各内涵模态分量模型;
其中,LSTM的输入层包括陆地水储量异常、降水产品、水文学模型和气候因子;对于不同的IMF分量,输入层除了IMF分量本身,其余选取的数据各有所不同,IMF1以自回归方式来建模;IMF2选取GLDAS Noah、IMEGR及TRMM作为输入参数;IMF3选取ENSO、EMI、IOD、PDO气候因子作为输入参数;IMF4与IMF5使用自回归方式建模;使用Python语言完成每个IMF分量的建模,并且对于各组输入数据和目标数据分别抽出80%用于模型训练,另外20%用于模型的验证;
所述输出模块具体用于:
获取所述各内涵模态分量模型的空缺数据回归结果;
将所述空缺数据回归结果进行相加,得到所述流域尺度下陆地水储量异常空缺数据填补结果;
其中,通过对各内涵模态模型空缺数据的回归结果进行相加,获得流域尺度下陆地水储量异常空缺数据的填补结果。
4.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1或2所述流域尺度时变卫星重力空缺数据填补方法。
5.一种非暂态计算机可读存储介质,其上存储有计算机程序,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或2所述流域尺度时变卫星重力空缺数据填补方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069108.1A CN117152629B (zh) | 2023-08-23 | 2023-08-23 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069108.1A CN117152629B (zh) | 2023-08-23 | 2023-08-23 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152629A CN117152629A (zh) | 2023-12-01 |
CN117152629B true CN117152629B (zh) | 2024-03-22 |
Family
ID=88885968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069108.1A Active CN117152629B (zh) | 2023-08-23 | 2023-08-23 | 一种流域尺度时变卫星重力空缺数据填补方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152629B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868855A (zh) * | 2021-09-24 | 2021-12-31 | 首都师范大学 | 融合水位数据的地下水储量变化卫星重力正演模拟方法 |
CN113962056A (zh) * | 2021-04-25 | 2022-01-21 | 中国空间技术研究院 | 一种提高grace陆地水储量变化准确性的方法 |
CN114065468A (zh) * | 2021-09-10 | 2022-02-18 | 中国空间技术研究院 | 基于统计校正水文模型加权提高水储量变化准确性的方法 |
CN114462701A (zh) * | 2022-01-29 | 2022-05-10 | 武汉大学 | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 |
CN115357856A (zh) * | 2022-09-02 | 2022-11-18 | 上海海洋大学 | 一种基于grace重力场反演分析陆地水储量的方法 |
CN115630686A (zh) * | 2022-10-11 | 2023-01-20 | 首都师范大学 | 利用机器学习从卫星重力数据恢复陆地水储量异常的方法 |
CN115906656A (zh) * | 2022-12-16 | 2023-04-04 | 水利部牧区水利科学研究所 | 一种基于气象与重力卫星等数据反演土壤水含量的方法 |
CN116562414A (zh) * | 2023-01-04 | 2023-08-08 | 国能陕西水电有限公司 | 一种基于多源水文气象数据的陆地水储量变化预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10852921B2 (en) * | 2016-08-25 | 2020-12-01 | Latloc, LLC | Method of gathering, storing, and distributing user defined geographic location identities |
US20210341445A1 (en) * | 2020-04-30 | 2021-11-04 | Inst Geochemistry Cas | Method for monitoring change of vegetation water conservation |
CN111752934B (zh) * | 2020-05-29 | 2023-04-28 | 首都师范大学 | 一种基于重力卫星的高分辨率含水层储水系数反演方法及系统 |
-
2023
- 2023-08-23 CN CN202311069108.1A patent/CN117152629B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962056A (zh) * | 2021-04-25 | 2022-01-21 | 中国空间技术研究院 | 一种提高grace陆地水储量变化准确性的方法 |
CN114065468A (zh) * | 2021-09-10 | 2022-02-18 | 中国空间技术研究院 | 基于统计校正水文模型加权提高水储量变化准确性的方法 |
CN113868855A (zh) * | 2021-09-24 | 2021-12-31 | 首都师范大学 | 融合水位数据的地下水储量变化卫星重力正演模拟方法 |
CN114462701A (zh) * | 2022-01-29 | 2022-05-10 | 武汉大学 | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 |
CN115357856A (zh) * | 2022-09-02 | 2022-11-18 | 上海海洋大学 | 一种基于grace重力场反演分析陆地水储量的方法 |
CN115630686A (zh) * | 2022-10-11 | 2023-01-20 | 首都师范大学 | 利用机器学习从卫星重力数据恢复陆地水储量异常的方法 |
CN115906656A (zh) * | 2022-12-16 | 2023-04-04 | 水利部牧区水利科学研究所 | 一种基于气象与重力卫星等数据反演土壤水含量的方法 |
CN116562414A (zh) * | 2023-01-04 | 2023-08-08 | 国能陕西水电有限公司 | 一种基于多源水文气象数据的陆地水储量变化预测方法 |
Non-Patent Citations (4)
Title |
---|
"Filling the Data Gaps Within GRACE Missions Using Singular Spectrum Analysis";Shuang Yi 等;《Geophysical Research: Solid Earth》;20210508;第126卷(第5期);第1-22页 * |
"Using Satellite‑Based Terrestrial Water Storage Data: A Review";Vincent Humphrey 等;《Surveys in Geophysics》;20230113;第44卷;第1489-1517页 * |
"月球和地球正常重力特征差异及成因探讨";郝卫峰 等;《地球物理学报》;20210707;第64卷(第7期);第2417-2424页 * |
"极地航空重力测量数据处理研究";高晟俊;《中国优秀硕士学位论文全文数据库(基础科学辑)》;20190615(第2019年第06期);第A008-2页正文第48-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152629A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Slivinski et al. | Towards a more reliable historical reanalysis: Improvements for version 3 of the Twentieth Century Reanalysis system | |
Ahmed et al. | Quantifying modern recharge and depletion rates of the Nubian Aquifer in Egypt | |
Birkett et al. | From research to operations: The USDA global reservoir and lake monitor | |
Chinnasamy et al. | Groundwater storage and depletion trends in Tamil Nadu State, India | |
Wahl et al. | Observed mean sea level changes around the North Sea coastline from 1800 to present | |
Dobslaw et al. | Modeling of present-day atmosphere and ocean non-tidal de-aliasing errors for future gravity mission simulations | |
Dobslaw et al. | The updated ESA Earth System Model for future gravity mission simulation studies | |
Nerem et al. | Estimating mean sea level change from the TOPEX and Jason altimeter missions | |
Eicker et al. | Daily GRACE satellite data evaluate short-term hydro-meteorological fluxes from global atmospheric reanalyses | |
Etemadi et al. | Assessment of climate change downscaling and non-stationarity on the spatial pattern of a mangrove ecosystem in an arid coastal region of southern Iran | |
Ohana-Levi et al. | Time series analysis of vegetation-cover response to environmental factors and residential development in a dryland region | |
Dias et al. | Reference evapotranspiration of Brazil modeled with machine learning techniques and remote sensing | |
Hammouri et al. | Climate change impacts on surface water resources in arid and semi-arid regions: a case study in northern Jordan | |
Holmes et al. | Enhancing model‐based land surface temperature estimates using multiplatform microwave observations | |
CN117152629B (zh) | 一种流域尺度时变卫星重力空缺数据填补方法及系统 | |
Uz et al. | High-resolution temporal gravity field data products: Monthly mass grids and spherical harmonics from 1994 to 2021 | |
Frieler et al. | Scenario setup and forcing data for impact model evaluation and impact attribution within the third round of the Inter-Sectoral Model Intercomparison Project (ISIMIP3a) | |
Bao et al. | Application of Phenomena‐Resolving Assessment Methods to Satellite Sea Surface Salinity Products | |
CN115357856A (zh) | 一种基于grace重力场反演分析陆地水储量的方法 | |
Xie et al. | Developing a fine-resolution digital elevation model to support hydrological modeling and ecological studies in the Northern Everglades | |
Chu et al. | Filling the gap between GRACE and GRACE-FO data using a model integrating variational mode decomposition and long short-term memory: a case study of Northwest China | |
Seyoum et al. | Suitability of satellite-based hydro-climate variables and machine learning for streamflow modeling at various scale watersheds | |
Sokneth et al. | Evaluating aquifer stress and resilience with GRACE information at different spatial scales in Cambodia | |
Chang et al. | Assimilation of hourly surface observations with the Canadian high-resolution ensemble Kalman filter | |
Handayani et al. | Modelling of land use change in indramayu district, west Java Province |
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 |