CN117388850A - 一种海面风场微波遥感反演数据的空间降尺度方法 - Google Patents
一种海面风场微波遥感反演数据的空间降尺度方法 Download PDFInfo
- Publication number
- CN117388850A CN117388850A CN202311330040.8A CN202311330040A CN117388850A CN 117388850 A CN117388850 A CN 117388850A CN 202311330040 A CN202311330040 A CN 202311330040A CN 117388850 A CN117388850 A CN 117388850A
- Authority
- CN
- China
- Prior art keywords
- data
- sea surface
- wind field
- regression
- surface wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000007637 random forest analysis Methods 0.000 claims description 107
- 238000012545 processing Methods 0.000 claims description 47
- 238000012952 Resampling Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 239000013535 sea water Substances 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及遥感数据分析领域，特别涉及一种海面风场微波遥感反演数据的空间降尺度方法，通过获取海面风场微波遥感反演数据以及辅助变量网格数据，结合海面风场微波遥感反演数据的分辨率，构造随机森林回归模型，实现海面风场遥感数据的空间降尺度，并且实现了海面风场与辅助变量的非线性映射关系的拟合，提高了空间降尺度处理后的所述海面风场微波遥感反演数据的精度。
Description
技术领域
本发明涉及遥感数据分析领域，特别涉及是一种海面风场微波遥感反演数据的空间降尺度方法、装置、计算机设备以及存储介质。
背景技术
海面风场是表征气候变化、指示海洋生态系统、影响海洋动力环境以及海气相互作用的重要因子。由于传统浮标、平台等海面风场观测方式覆盖范围有限，目前卫星遥感成为快速、大范围获取海面风场数据的重要手段，其中微波遥感具有可穿透云雨、全天时、全天候、连续观测的优势。
然而，目前的海面风场微波遥感反演数据的空间分辨率较低，很难用于开展精细应用。因此，对海面风场微波遥感反演数据的进行空间降尺度十分必要。
发明内容
基于此，本发明的目的在于，提供一种海面风场微波遥感反演数据的空间降尺度方法、装置、设备以及存储介质，通过获取海面风场微波遥感反演数据以及辅助变量网格数据，结合海面风场微波遥感反演数据的分辨率，构造随机森林回归模型，实现海面风场遥感数据的空间降尺度，并且实现了海面风场与辅助变量的非线性映射关系的拟合，提高了空间降尺度处理后的所述海面风场微波遥感反演数据的精度。
第一方面，本申请实施例提供了一种海面风场微波遥感反演数据的空间降尺度方法，包括以下步骤：
获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，其中，辅助变量网格数据包括若干个网格的辅助变量，所述辅助变量包括海表温度、海水深度以及离岸距离；
获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据；
根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型；
将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据；
将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据；
根据所述海面风场微波遥感反演数据、重采样处理后的所述海面风场随机森林回归数据以及预设的回归残差数据计算算法，获得回归残差数据，其中，所述回归残差数据包括若干个网格点的回归残差值，所述回归残差数据计算算法为：
式中，为所述回归残差数据，l表示所述重采样处理后的所述海面风场随机森林回归数据的分辨率，Z(l)为所述海面风场微波遥感反演数据，/>为所述重采样处理后的所述海面风场随机森林回归数据；
根据所述回归残差数据中若干个网格点的回归残差值以及预设的面到点克里金插值算法，将所述回归残差数据降尺度至所述辅助变量网格数据对应的分辨率，获得降尺度处理后的所述回归残差数据，其中，所述面到点克里金插值算法为：
式中，为所述降尺度处理后的回归残差数据中，第h0个网格点的回归残差值，为所述回归残差数据中，第lq个网格点的回归残差值，Nq为第lq个网格点的邻近网格点数目，λq为权重参数，其中，λq为：
式中，γcc(la，lb)为所述回归残差数据中第la个网格点与第lb个网格点之间的面与面变异函数，γfc(h0,la)为所述降尺度处理后的回归残差数据中，第h0个网格点与所述回归残差数据中第la个网格点之间的点与面变异函数，μ为拉格朗日算子；
根据所述目标区域的海面风场随机森林回归数据、降尺度处理后的所述回归残差数据进行相加，获得相加后的结果，作为所述空间降尺度处理后的所述海面风场微波遥感反演数据，如下所示：
式中，为所述空间降尺度处理后的所述海面风场微波遥感反演数据，/>为所述海表温度回归数据。
第二方面，本申请实施例提供了一种海面风场微波遥感反演数据的空间降尺度装置，包括：
数据获得模块，用于获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，其中，辅助变量网格数据包括若干个网格的辅助变量，所述辅助变量包括海表温度、海水深度以及离岸距离；
第一重采样模块，用于获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据；
模型构建模块，用于根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型；
回归处理模块，用于将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据；
第二重采样模块，用于将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据；
数据降尺度模块，用于根据所述海面风场微波遥感反演数据、重采样处理后的所述海面风场随机森林回归数据以及预设的回归残差数据计算算法，获得回归残差数据，其中，所述回归残差数据包括若干个网格点的回归残差值，所述回归残差数据计算算法为：
式中，为所述回归残差数据，l表示所述重采样处理后的所述海面风场随机森林回归数据的分辨率，Z(l)为所述海面风场微波遥感反演数据，/>为所述重采样处理后的所述海面风场随机森林回归数据；
根据所述回归残差数据中若干个网格点的回归残差值以及预设的面到点克里金插值算法，将所述回归残差数据降尺度至所述辅助变量网格数据对应的分辨率，获得降尺度处理后的所述回归残差数据，其中，所述面到点克里金插值算法为：
式中，为所述降尺度处理后的回归残差数据中，第h0个网格点的回归残差值，为所述回归残差数据中，第lq个网格点的回归残差值，Nq为第lq个网格点的邻近网格点数目，λq为权重参数，其中，λq为：
式中，γcc(la,lb)为所述回归残差数据中第la个网格点与第lb个网格点之间的面与面变异函数，γfc(h0,la)为所述降尺度处理后的回归残差数据中，第h0个网格点与所述回归残差数据中第la个网格点之间的点与面变异函数，μ为拉格朗日算子；
根据所述目标区域的海面风场随机森林回归数据、降尺度处理后的所述回归残差数据进行相加，获得相加后的结果，作为所述空间降尺度处理后的所述海面风场微波遥感反演数据，如下所示：
式中，为所述空间降尺度处理后的所述海面风场微波遥感反演数据，/>为所述海表温度回归数据。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以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；所述计算机程序被所述处理器执行时实现如第一方面所述海面风场微波遥感反演数据的空间降尺度方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的海面风场微波遥感反演数据的空间降尺度方法的步骤。
在本申请实施例中，提供一种海面风场微波遥感反演数据的空间降尺度方法、装置、计算机设备以及存储介质，通过获取海面风场微波遥感反演数据以及辅助变量网格数据，结合海面风场微波遥感反演数据的分辨率，构造随机森林回归模型，实现海面风场遥感数据的空间降尺度，并且实现了海面风场与辅助变量的非线性映射关系的拟合，提高了空间降尺度处理后的所述海面风场微波遥感反演数据的精度。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法的流程示意图；
图2为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法中S3的流程示意图；
图3为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法中S4的流程示意图；
图4为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法中S5的流程示意图；
图5为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度装置的结构示意图；
图6为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法的流程示意图，所述方法包括如下步骤：
S1：获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据。
所述海面风场微波遥感反演数据的空间降尺度方法的执行主体为海面风场微波遥感反演数据的空间降尺度方法的空间降尺度设备(以下简称空间降尺度设备)，在一个可选的实施例中，所述空间降尺度设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
空间降尺度设备可以通过卫星获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，也可以通过从数据库中下载获取，其中，所述辅助变量网格数据包括若干个网格的辅助变量，所述辅助变量包括海表温度、海水深度以及离岸距离。
S2：获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据。
在本实施例中，空间降尺度设备获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据。
相比于所述海面风场微波遥感反演数据对应的分辨率，所述辅助变量网格数据对应的分辨率较高，空间降尺度设备采用分辨率较高的辅助变量网格数据，用以提高所述海面风场微波遥感反演数据的分辨率，用于开展精细应用。
S3：根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型。
在本实施例中，空间降尺度设备根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型。
请参阅图2，图2为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法中S3的流程示意图，包括步骤S31～S32，具体如下：
S31：采用随机有放回的方法，从所述样本数据集合中抽取若干份样本，其中，所述样本包括若干个所述样本特征变量。
在本实施例中，空间降尺度设备采用随机有放回的方法，从所述样本数据集合中抽取若干份样本，其中，所述样本包括若干个所述样本特征变量。
S32：根据所述若干份样本以及预设的决策树构建算法，获得与各个所述样本对应的若干个决策树，构建所述随机森林回归模型。
在本实施例中，空间降尺度设备根据所述若干份样本以及预设的决策树构建算法，对于每个决策树对应的所述样本中的样本特征变量，随机选择一个样本特征变量作为节点进行分裂，获得各个所述节点对应的子节点，并且通过计算决策树内每个节点的最优划分样本特征变量和其对应的最优值，当基尼系数最小时停止分裂，获得与各个所述样本对应的若干个决策树，构建所述随机森林回归模型，其中，所述决策树包括节点，以及各个所述节点对应的子节点，所述决策树构建算法为：
式中，c(k)为节点k对应的样本，Nk为节点k对应的样本包括的样本特征变量数目，Zi为节点k对应的第i个海面风场微波遥感反演数据，为节点k对应的所有海面风场微波遥感反演数据的算术平均值，NkL为子节点kL对应的样本包括的样本特征变量数目，NkR为子节点kR对应的样本包括的样本特征变量数目，Δc(x，k)表示利用划分所述样本特征变量x将节点k划分为子节点kL和kR之后，子节点kL对应的样本特征变量和子节点kR对应的样本特征变量之间的差异值，c(kL)为子节点kL对应的样本，c(kR)为子节点kR对应的样本。
S4：将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据。
在本实施例中，空间降尺度设备将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据。
请参阅图3，图3为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法中S4的流程示意图，包括步骤S41，具体如下：
S41：将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述若干个决策树输出的海面风场随机森林回归数据，根据所述若干个决策树输出的海面风场随机森林回归数据以及预设的平均算法，获得所述目标区域的海面风场随机森林回归数据。
所述平均算法为：
式中，为所述目标区域的海面风场随机森林回归数据，h表示所述辅助变量网格数据对应的分辨率，Ntree为决策树数目，mj(h)为第j个决策树输出的海面风场随机森林回归数据。
在本实施例中，空间降尺度设备将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述若干个决策树输出的海面风场随机森林回归数据，根据所述若干个决策树输出的海面风场随机森林回归数据以及预设的平均算法，获得所述目标区域的海面风场随机森林回归数据。
结合所述海面风场微波遥感反演数据，以及与所述海面风场微波遥感反演数据对应的分辨率一致，即分辨率较低的辅助变量网格数据，进行构建随机森林回归模型，并将分辨率较高的辅助变量网格数据输入至随机森林回归模型进行回归处理，实现了海面风场与辅助变量的非线性映射关系的拟合。
S5：将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据，根据所述海面风场随机森林回归数据以及重采样处理后的所述海面风场随机森林回归数据，对所述海面风场微波遥感反演数据进行空间降尺度，获得空间降尺度处理后的所述海面风场微波遥感反演数据。
在本实施例中，空间降尺度设备将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据，根据所述海面风场随机森林回归数据以及重采样处理后的所述海面风场随机森林回归数据，对所述海面风场微波遥感反演数据进行空间降尺度，获得空间降尺度处理后的所述海面风场微波遥感反演数据。
请参阅图4，图4为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度方法中S5的流程示意图，包括步骤S51～S53，具体如下：
S51：根据所述海面风场微波遥感反演数据、重采样处理后的所述海面风场随机森林回归数据以及预设的回归残差数据计算算法，获得回归残差数据。
所述回归残差数据计算算法为：
式中，为所述回归残差数据，l表示所述重采样处理后的所述海面风场随机森林回归数据的分辨率，Z(l)为所述海面风场微波遥感反演数据，/>为所述重采样处理后的所述海面风场随机森林回归数据。
在本实施例中，空间降尺度设备根据所述海面风场微波遥感反演数据、重采样处理后的所述海面风场随机森林回归数据以及预设的回归残差数据计算算法，获得回归残差数据。
S52：根据所述回归残差数据中若干个网格点的回归残差值以及预设的面到点克里金插值算法，将所述回归残差数据降尺度至所述辅助变量网格数据对应的分辨率，获得降尺度处理后的所述回归残差数据。
所述面到点克里金插值算法为：
式中，为所述降尺度处理后的回归残差数据中，第h0个网格点的回归残差值，/>为所述回归残差数据中，第lq个网格点的回归残差值，Nq为第lq个网格点的邻近网格点数目，λq为权重参数，其中，λq为：
式中，γcc(la，lb)为所述回归残差数据中第la个网格点与第lb个网格点之间的面与面变异函数，γfc(h0,la)为所述降尺度处理后的回归残差数据中，第h0个网格点与所述回归残差数据中第la个网格点之间的点与面变异函数，μ为拉格朗日算子；
其中，γcc(s)＝γff(s)*h(s)*h(-s)；γff(s)*h(s)*h(-s)；
式中，s为第la个网格点的中心与第lb个网格点的中心之间的距离，h()为定点扩展函数。
在本实施例中，空间降尺度设备根据所述回归残差数据中若干个网格点的回归残差值以及预设的面到点克里金插值算法，将所述回归残差数据降尺度至所述辅助变量网格数据对应的分辨率，获得降尺度处理后的所述回归残差数据。利用面到点克里金插值对随机森林回归降尺度结果进行了残差修正，能够表达粗细分辨率面元转换的尺度效应以及利用海洋风场分布内在的空间相关性，提高海面风场遥感数据的空间降尺度的精度。
由于海面风场微波遥感反演数据对应的回归残差数据中若干个网格点的回归残差值仍存在一定的空间变异信息，从低分辨率提升至高分辨率仍存在尺度效应，采用面到点克里金插值方法，能够表达不同分辨率面元转换的尺度效应以及利用海面风场的回归残差值内在的空间变异信息，保证了降尺度结果的精确性。
S53：根据所述目标区域的海面风场随机森林回归数据、降尺度处理后的所述回归残差数据进行相加，获得相加后的结果，作为所述空间降尺度处理后的所述海面风场微波遥感反演数据。
在本实施例中，空间降尺度设备根据所述目标区域的海面风场随机森林回归数据、降尺度处理后的所述回归残差数据进行相加，获得相加后的结果，作为所述空间降尺度处理后的所述海面风场微波遥感反演数据，如下所示：
式中，为所述空间降尺度处理后的所述海面风场微波遥感反演数据，/>为所述海表温度回归数据。
空间降尺度设备采用统计学方法，实现海面风场遥感数据的空间降尺度。
请参考图5，图5为本申请一个实施例提供的海面风场微波遥感反演数据的空间降尺度装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现海面风场微波遥感反演数据的空间降尺度装置的全部或一部分，该装置5包括：
数据获得模块51，用于获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，其中，辅助变量网格数据包括若干个网格的辅助变量；
重采样模块52，用于获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据；
模型构建模块53，用于根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型；
回归处理模块54，用于将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据；
数据降尺度模块55，用于将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据，根据所述海面风场随机森林回归数据以及重采样处理后的所述海面风场随机森林回归数据，对所述海面风场微波遥感反演数据进行空间降尺度，获得空间降尺度处理后的所述海面风场微波遥感反演数据。
在本申请实施例中，通过数据获得模块，获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，其中，辅助变量网格数据包括若干个网格的辅助变量；
通过重采样模块，获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据；通过模型构建模块，根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型；通过回归处理模块，将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据；通过数据降尺度模块，用于将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据，根据所述海面风场随机森林回归数据以及重采样处理后的所述海面风场随机森林回归数据，对所述海面风场微波遥感反演数据进行空间降尺度，获得空间降尺度处理后的所述海面风场微波遥感反演数据。通过获取海面风场微波遥感反演数据以及辅助变量网格数据，结合海面风场微波遥感反演数据的分辨率，构造随机森林回归模型，实现海面风场遥感数据的空间降尺度，并且实现了海面风场与辅助变量的非线性映射关系的拟合，提高了空间降尺度处理后的所述海面风场微波遥感反演数据的精度。
请参考图6，图6为本申请一个实施例提供的计算机设备的结构示意图，计算机设备6包括：处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63；计算机设备可以存储有多条指令，指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
其中，处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器62内的指令、程序、代码集或指令集，以及调用存储器62内的数据，执行海面风场微波遥感反演数据的空间降尺度装置5的各种功能和处理数据，可选的，处理器61可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programble Logic Array，PLA)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(Central Processing Unit，CPU)、图像处理器61(Graphics ProcessingUnit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器61中，单独通过一块芯片进行实现。
其中，存储器62可以包括随机存储器62(Random Access Memory，RAM)，也可以包括只读存储器62(Read-Only Memory)。可选的，该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (6)
1.一种海面风场微波遥感反演数据的空间降尺度方法，其特征在于，包括以下步骤：
获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，其中，辅助变量网格数据包括若干个网格的辅助变量，所述辅助变量包括海表温度、海水深度以及离岸距离；
获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据；
根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型；
将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据；
将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据；
根据所述海面风场微波遥感反演数据、重采样处理后的所述海面风场随机森林回归数据以及预设的回归残差数据计算算法，获得回归残差数据，其中，所述回归残差数据包括若干个网格点的回归残差值，所述回归残差数据计算算法为：
式中，为所述回归残差数据，l表示所述重采样处理后的所述海面风场随机森林回归数据的分辨率，Z(l)为所述海面风场微波遥感反演数据，/>为所述重采样处理后的所述海面风场随机森林回归数据；
根据所述回归残差数据中若干个网格点的回归残差值以及预设的面到点克里金插值算法，将所述回归残差数据降尺度至所述辅助变量网格数据对应的分辨率，获得降尺度处理后的所述回归残差数据，其中，所述面到点克里金插值算法为：
式中，为所述降尺度处理后的回归残差数据中，第h0个网格点的回归残差值，为所述回归残差数据中，第lq个网格点的回归残差值，Nq为第lq个网格点的邻近网格点数目，λq为权重参数，其中，λq为：
式中，γcc(la，lb)为所述回归残差数据中第la个网格点与第lb个网格点之间的面与面变异函数，γfc(h0，la)为所述降尺度处理后的回归残差数据中，第h0个网格点与所述回归残差数据中第la个网格点之间的点与面变异函数，μ为拉格朗日算子；
根据所述目标区域的海面风场随机森林回归数据、降尺度处理后的所述回归残差数据进行相加，获得相加后的结果，作为所述空间降尺度处理后的所述海面风场微波遥感反演数据，如下所示：
式中，为所述空间降尺度处理后的所述海面风场微波遥感反演数据，/>为所述海表温度回归数据。
2.根据权利要求1所述的海面风场微波遥感反演数据的空间降尺度方法，其特征在于：所述样本数据集合包括若干个样本特征变量；
所述采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型，包括步骤：
采用随机有放回的方法，从所述样本数据集合中抽取若干份样本，其中，所述样本包括若干个所述样本特征变量；
根据所述若干份样本以及预设的决策树构建算法，获得与各个所述样本对应的若干个决策树，构建所述随机森林回归模型，其中，所述决策树包括节点，以及各个所述节点对应的子节点，所述决策树构建算法为：
式中，c(k)为节点k对应的样本，Nk为节点k对应的样本包括的样本特征变量数目，Zi为节点k对应的第i个海面风场微波遥感反演数据，为节点k对应的所有海面风场微波遥感反演数据的算术平均值，NkL为子节点kL对应的样本包括的样本特征变量数目，NkR为子节点kR对应的样本包括的样本特征变量数目，Δc(x，k)表示利用划分所述样本特征变量x将节点k划分为子节点kL和kR之后，子节点kL对应的样本特征变量和子节点kR对应的样本特征变量之间的差异值，c(kL)为子节点kL对应的样本，c(kR)为子节点kR对应的样本。
3.根据权利要求2所述的海面风场微波遥感反演数据的空间降尺度方法，其特征在于，所述将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据，包括步骤：
将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述若干个决策树输出的海面风场随机森林回归数据，根据所述若干个决策树输出的海面风场随机森林回归数据以及预设的平均算法，获得所述目标区域的海面风场随机森林回归数据，其中，所述平均算法为：
式中，为所述目标区域的海面风场随机森林回归数据，h表示所述辅助变量网格数据对应的分辨率，Ntree为决策树数目，mj(h)为第j个决策树输出的海面风场随机森林回归数据。
4.一种海面风场微波遥感反演数据的空间降尺度装置，其特征在于，包括：
数据获得模块，用于获得目标区域的海面风场微波遥感反演数据以及辅助变量网格数据，其中，辅助变量网格数据包括若干个网格的辅助变量，所述辅助变量包括海表温度、海水深度以及离岸距离；
第一重采样模块，用于获得所述海面风场微波遥感反演数据对应的分辨率，根据所述海面风场微波遥感反演数据对应的分辨率，将所述辅助变量网格数据的重采样至所述分辨率，获得重采样处理后的所述辅助变量网格数据；
模型构建模块，用于根据所述海面风场微波遥感反演数据以及重采样处理后的所述辅助变量网格数据构造样本数据集合，采用随机森林方法，根据所述样本数据集合，构建随机森林回归模型；
回归处理模块，用于将所述辅助变量网格数据输入至所述随机森林回归模型中，获得所述目标区域的海面风场随机森林回归数据；
第二重采样模块，用于将所述海面风场随机森林回归数据重采样至所述分辨率，获得重采样处理后的所述海面风场随机森林回归数据；
数据降尺度模块，用于根据所述海面风场微波遥感反演数据、重采样处理后的所述海面风场随机森林回归数据以及预设的回归残差数据计算算法，获得回归残差数据，其中，所述回归残差数据包括若干个网格点的回归残差值，所述回归残差数据计算算法为：
式中，为所述回归残差数据，l表示所述重采样处理后的所述海面风场随机森林回归数据的分辨率，Z(l)为所述海面风场微波遥感反演数据，/>为所述重采样处理后的所述海面风场随机森林回归数据；
根据所述回归残差数据中若干个网格点的回归残差值以及预设的面到点克里金插值算法，将所述回归残差数据降尺度至所述辅助变量网格数据对应的分辨率，获得降尺度处理后的所述回归残差数据，其中，所述面到点克里金插值算法为：
式中，为所述降尺度处理后的回归残差数据中，第h0个网格点的回归残差值，为所述回归残差数据中，第lq个网格点的回归残差值，Nq为第lq个网格点的邻近网格点数目，λq为权重参数，其中，λq为：
式中，γcc(la,lb)为所述回归残差数据中第la个网格点与第lb个网格点之间的面与面变异函数，γfc(h0，la)为所述降尺度处理后的回归残差数据中，第h0个网格点与所述回归残差数据中第la个网格点之间的点与面变异函数，μ为拉格朗日算子；
根据所述目标区域的海面风场随机森林回归数据、降尺度处理后的所述回归残差数据进行相加，获得相加后的结果，作为所述空间降尺度处理后的所述海面风场微波遥感反演数据，如下所示：
式中，为所述空间降尺度处理后的所述海面风场微波遥感反演数据，/>为所述海表温度回归数据。
5.一种计算机设备，其特征在于，包括：处理器、存储器以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；所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的海面风场微波遥感反演数据的空间降尺度方法的步骤。
6.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的海面风场微波遥感反演数据的空间降尺度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330040.8A CN117388850A (zh) | 2023-10-13 | 2023-10-13 | 一种海面风场微波遥感反演数据的空间降尺度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311330040.8A CN117388850A (zh) | 2023-10-13 | 2023-10-13 | 一种海面风场微波遥感反演数据的空间降尺度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117388850A true CN117388850A (zh) | 2024-01-12 |
Family
ID=89467767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311330040.8A Pending CN117388850A (zh) | 2023-10-13 | 2023-10-13 | 一种海面风场微波遥感反演数据的空间降尺度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388850A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110194024A1 (en) * | 2010-02-08 | 2011-08-11 | Nikolce Stefanoski | Content adaptive and art directable scalable video coding |
| CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
| CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
| CN109100717A (zh) * | 2018-06-11 | 2018-12-28 | 广州地理研究所 | 一种多源微波遥感海面风场数据融合方法及其装置 |
| US20190213481A1 (en) * | 2016-09-12 | 2019-07-11 | Niantic, Inc. | Predicting depth from image data using a statistical model |
| CN112487126A (zh) * | 2020-12-11 | 2021-03-12 | 重庆邮电大学 | 基于随机森林-点到面克里金回归的多源数据人口空间化方法 |
| CN113221463A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种海洋风能密度格网数据空间降尺度方法和装置 |
| CN115481366A (zh) * | 2022-08-19 | 2022-12-16 | 海南大学 | 一种基于空间降尺度回归模型的耕地资源生产潜力测算方法 |
| CN116310778A (zh) * | 2022-09-09 | 2023-06-23 | 长安大学 | 一种微波遥感土壤水分数据图像降尺度方法 |
| CN116299466A (zh) * | 2023-05-22 | 2023-06-23 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
-
2023
- 2023-10-13 CN CN202311330040.8A patent/CN117388850A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110194024A1 (en) * | 2010-02-08 | 2011-08-11 | Nikolce Stefanoski | Content adaptive and art directable scalable video coding |
| CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
| US20190213481A1 (en) * | 2016-09-12 | 2019-07-11 | Niantic, Inc. | Predicting depth from image data using a statistical model |
| CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
| CN109100717A (zh) * | 2018-06-11 | 2018-12-28 | 广州地理研究所 | 一种多源微波遥感海面风场数据融合方法及其装置 |
| CN112487126A (zh) * | 2020-12-11 | 2021-03-12 | 重庆邮电大学 | 基于随机森林-点到面克里金回归的多源数据人口空间化方法 |
| CN113221463A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种海洋风能密度格网数据空间降尺度方法和装置 |
| CN115481366A (zh) * | 2022-08-19 | 2022-12-16 | 海南大学 | 一种基于空间降尺度回归模型的耕地资源生产潜力测算方法 |
| CN116310778A (zh) * | 2022-09-09 | 2023-06-23 | 长安大学 | 一种微波遥感土壤水分数据图像降尺度方法 |
| CN116299466A (zh) * | 2023-05-22 | 2023-06-23 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
| Wu et al. | Evaluating and comparing performances of topographic correction methods based on multi-source DEMs and Landsat-8 OLI data | |
| KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
| CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
| CN116681959B (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
| Petras et al. | Processing UAV and lidar point clouds in GRASS GIS | |
| CN114332182B (zh) | 基于多特征约束的sar图像配准方法、设备和介质 | |
| CN116127327A (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
| CN118379622A (zh) | 基于遥感影像的水质监测方法、装置以及计算机设备 | |
| CN117875758A (zh) | 红树林生态质量的驱动评估方法 | |
| CN114863294A (zh) | 一种适用于微咸水湖泊的水质参数监测方法和装置 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| CN117095216B (zh) | 基于对抗生成网络的模型训练方法、系统、设备及介质 | |
| CN112418684A (zh) | 空中水资源时空分布规律的评估方法、装置、设备和介质 | |
| CN117388850A (zh) | 一种海面风场微波遥感反演数据的空间降尺度方法 | |
| CN112489108A (zh) | 一种远海珊瑚礁水下表面积反演重建的方法及装置 | |
| CN117556383A (zh) | 基于随机森林回归的海表温度遥感数据的空间降尺度方法 | |
| CN112861355B (zh) | 海表净辐射估算方法和系统 | |
| Shah et al. | A comparative study of spatial interpolation methods for CMIP6 monthly historical and future hydro-climatic datasets for Indian Region | |
| CN116242788A (zh) | 基于多光谱影像的水体磷酸盐浓度预测方法以及装置 | |
| CN115544875A (zh) | 基于多雨云地区的土壤水分重建方法、装置以及设备 | |
| CN117556382A (zh) | 基于极端梯度提升的海表温度遥感数据的空间降尺度方法 | |
| CN113705928A (zh) | 基于大气再分析数据对植被生长季顶峰时间的预测方法 | |
| CN109460700B (zh) | 一种面向作物分类的遥感数据处理方法及装置 | |
| Tipton et al. | Sampling intensity and normalizations: exploring cost-driving factors in nationwide mapping of tree canopy cover |
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 |