CN117409335B - 一种基于可见光图像的气象雷达降水率降尺度方法 - Google Patents
一种基于可见光图像的气象雷达降水率降尺度方法 Download PDFInfo
- Publication number
- CN117409335B CN117409335B CN202311720853.8A CN202311720853A CN117409335B CN 117409335 B CN117409335 B CN 117409335B CN 202311720853 A CN202311720853 A CN 202311720853A CN 117409335 B CN117409335 B CN 117409335B
- Authority
- CN
- China
- Prior art keywords
- precipitation rate
- visible light
- grid points
- low
- spatial resolution
- 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 143
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000002310 reflectometry Methods 0.000 claims abstract description 57
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 238000012952 Resampling Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 6
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Electromagnetism (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于可见光图像的气象雷达降水率降尺度方法，属于气象雷达探测技术领域，收集加密地基雨量站降水率观测数据，通过插值方法将其插值到高空间分辨率格点上。对低空间分辨率格点内的加密地基雨量站降水率观测数据进行平均得到低空间分辨率格点的降水率。计算高和低空间分辨率格点的降水率差异值，以及高和低空间分辨率格点的可见光多通道反射率差异值和NDVI、高程差异值。利用气象雷达的反射率因子数据进行插值，得到该区域的网格点数据。分析形成基于高和低空间分辨率格点的降水量和降水率的匹配数据集，构建相应估算模型。本发明能够通过订正方法实现气象雷达降水率的降尺度，提高降水率观测的精度和空间分辨率。
Description
技术领域
本发明涉及气象雷达探测技术领域，尤其涉及一种基于可见光图像的气象雷达降水率降尺度方法。
背景技术
随着我国气象现代化建设的发展，目前降水产品的时空分辨率已不能满足人民群众和社会经济发展的需求。发展高分辨率降水降尺度技术，形成时空精细化的气象数据集已成为气象和水文领域研究的热点，其中降水精细化空间估算技术的研究是十分关键的。目前，对降水空间信息的获取一般有三种方式，即地面雨量站直接观测、天气雷达估测和卫星遥感反演。由于地面雨量站点分布十分稀疏且不均匀，仅仅依靠雨量站降水率观测资料是难以获得此区域高空间分辨率的降水信息。天气雷达组网可以获取降水的高时空分辨率信息，但其探测能力易受该地区周围高海拔山脉阻挡的影响，从而导致对低层空间降水信息的缺失。卫星主被动遥感的联合可以获取较高空间和时间分辨率的降水产品，但其准确性受到传感器性能、云层性质和反演算法等的限制。
目前关于降水降尺度的研究，一般有如下两种方式：（1）基于地面雨量站的空间插值方法；（2）基于遥感数据的空间降水降尺度。其中基于插值方法的传统空间降水降尺度技术，其估算精度严重依赖于雨量站网的布置密度，而基于遥感数据的空间降水降尺度技术一般基于卫星主被动遥感的资料，采用的技术一般有插值法、动力降尺度法和统计降尺度法，这些降尺度技术存在较明显的缺点，如：计算量大且效率不高。另外，上述技术所得到降尺度结果的精度和准确性也严重依赖于卫星资料的质量。在资料使用方面，上述技术较少充分利用地面微波主动雷达观测资料，而地面主动微波雷达所获取降水的准确性和可靠性明显高于卫星资料。故目前对联合利用卫星被动资料的高时空分辨率优点和地面降水雷达资料高可靠性优点的降水降尺度技术研究还较少。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于可见光图像的气象雷达降水率降尺度方法，解决了现有技术存在的不足。
本发明的目的通过以下技术方案来实现：一种基于可见光图像的气象雷达降水率降尺度方法，所述方法包括：
步骤一、获取加密地基雨量站降水率观测数据，生成高空间分辨率格点的降水率观测值，并根据低空间分辨率格点的降水率计算降水率差异值，以及获取气象卫星高空间分辨率可见光多通道反射率数据，计算高和低空间分辨率的格点可见光多通道反射率差异值Δρ；
步骤二、获取10米空间分辨率卫星NDVI和30米空间分辨率的SRTM高程数据并进行重采样，生成与可见光通道反射率相同空间分辨率的NDVI和高程，计算加密地基雨量站所在位置的高和低空间分辨率的格点NDVI的差异值ΔNDVI与高程的差异值ΔDEM，获取气象雷达的降水率数据，形成匹配数据集；
步骤三、对观测数据集进行分析计算相应参数，并选取满足要求的参数用于气象雷达降水率降尺度，并将Δρ,ΔNDVI,ΔDEM作为自变量，将高和低空间分辨率格点的降水率差异值ΔRhigh作为因变量，利用卷积神经网络模型构建高和低空间分辨率格点的降水率差异值估算模型；
步骤四、计算待估算位置的数据并输入到构建的降水率差异值估算模型中，生成高空间分辨率的降水率差异值，对每个高空间分辨率格点在相应位置找到与其对应的气象雷达低空间分辨率格点的降水率，并将其作为基准值；利用降水率差异进行修正，实现气象雷达降水率的降尺度。
所述步骤一具体包括以下内容：
获取加密地基雨量站包括观测时间t、位置坐标(x,y)和降水率R的观测数据，根据需要生成高和低空间分辨率格点，在一定范围内建立网格，并确定每个高和低空间分辨率网格的大小，通过插值法将加密地基雨量站降水率观测数据插值到高空间分辨率格点上，生成高空间分辨率格点的降水率观测值Rhigh；
将低空间分辨率格点内的加密地基雨量站降水率观测数据进行平均，将平均值作为低空间分辨率格点的降水率Rlow，对高空间分辨率格点利用最邻近方法选择与其最近的低空间分辨率格点，计算高和低空间分辨率格点的降水率差异值ΔRhigh；
根据获取的加密地基雨量站降水率观测时间和位置坐标数据，获取与其时间和空间匹配的气象卫星高空间分辨率可见光多通道反射率数据，通过双线性插值重采样法将高空间分辨率可见光多通道反射率数据重采样到高和低空间分辨率格点，计算高和低空间分辨率的格点可见光多通道反射率差异值Δρ，并采用T检验判断差异是否显著。
所述步骤二具体包括以下内容：
收集10米空间分辨率卫星NDVI和30米空间分辨率的SRTM高程数据，通过双线性插值法分别对卫星NDVI和SRTM高程数据进行重采样，生成与可见光多通道反射率相同空间分辨率的NDVI和高程，并计算加密地基雨量站所在位置的高和低空间分辨率的格点NDVI的差异值ΔNDVI与高程的差异值ΔDEM；
获取气象雷达的降水率Rradar数据，提取雷达观测格点的位置信息和观测时间，对收集的雨量站降水率R、气象卫星可见光多通道反射率、卫星NDVI、SRTM高程和气象雷达的降水率Rradar进行时间和空间匹配，形成基于高和空间分辨率格点的雨量站降水率、气象卫星可见光多通道反射率，卫星NDVI、SRTM高程和气象雷达的反射率因子差异值匹配数据集。
所述步骤三具体包括以下内容：
对可见光多通道反射率和相应的降水率观测数据集进行相关性分析、回归分析和协方差分析，计算相关系数、回归系数、均方根误差和协方差参数，并对这些参数进行排序，选择相关系数、回归系数、协方差大和均方根误差小的通道反射率用于气象雷达降水率降尺度；
设定两个格点的气象卫星可见光多通道反射率、卫星NDVI和SRTM高程差异值引起高分辨率格点位置降水率与其所在低分辨率格点的降水率差异，此时ΔRhigh可以表示为Δρ,ΔNDVI,ΔDEM的函数，即ΔRhigh=f(Δρ,ΔNDVI,ΔDEM)，将Δρ,ΔNDVI,ΔDEM作为自变量，将ΔRhigh作为因变量，利用卷积神经网络模型构建高和低空间分辨率格点的降水率差异值估算模型。
所述步骤四具体包括以下内容：
计算待估算位置高和低空间分辨率格点可见光多通道实测反射率、卫星实测NDVI和SRTM实测高程差异值，并作为输入数据输入到构建的高和低空间分辨率格点的降水率差异值估算模型，生成高空间分辨率的降水率差异值ΔRhigh；
对每个高空间分辨率格点，在相应位置找到与其对于应的气象雷达低空间分辨率格点的降水率R_rar，将其作为基准值利用降水率差异值ΔRhigh进行修正，进而实现气象雷达降水率的降尺度。
所述计算高和低空间分辨率格点的降水率差异值ΔRhigh包括：通过公式ΔRhigh=Rhigh-Rlow计算相同时间段内，相邻两个高和低空间分辨率之间的降水率差异值。
所述利用降水率差异值ΔRhigh进行订正包括：使用高和低空间分辨率格点的降水率差异值ΔRhigh，以低空间分辨率的降水率R_rar为基准值通过公式Rhigh=R_rar+ΔRhigh进行修正。
本发明具有以下优点：一种基于可见光图像的气象雷达降水率降尺度方法，利用气象卫星的高空间分辨率可见光多通道反射率数据和Sentinel-2卫星的高程数据，结合地基雨量站降水率观测数据和气象雷达反射率因子数据，可以生成具有高和低空间分辨率的格点降水观测值，从而提高了降水观测的空间分辨率。利用气象卫星反射率数据、Sentinel-2卫星的NDVI和SRTM高程数据等多种数据源进行插值和重采样，综合考虑了不同数据源的优势和特点，通过相关性分析、回归分析和协方差分析等方法，选择相关性较高的通道反射率用于气象雷达降水率估算，从而提高了降水估算的准确性。
通过利用高空间分辨率可见光图像和地基雨量站降水率观测数据，结合气象雷达反射率因子数据，可以实现气象雷达降水率数据的降尺度。该方法通过计算高空间分辨率格点与气象雷达低空间分辨率格点的降降水率差异值，并进行修正，将气象雷达数据由低空间分辨率降尺度到高空间分辨率，使得降水数据更具精细化和全面性。由于该方法可以提供更高精度和更全面的降水观测数据，因此可以广泛应用于气象预报和灾害监测领域。
附图说明
图1为本发明的流程示意图；
图2为可见光通道选择示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1和图2所示，本发明具体具体涉及一种基于可见光图像的气象雷达降水率降尺度方法，该方法包括：收集加密地基雨量站降水率观测数据，使用Kriging插值方法生成50米格点的降水率观测值。对1000米格点内的观测数据进行平均，作为该格点的1000米降水率，计算1000米和50米格点的降水率差异值。收集50米可见光多通道反射率数据，将50米反射率数据重采样到1000米格点上，生成1000米的反射率数据。计算1000米和50米格点的反射率差异值。对Sentinel-2卫星NDVI和SRTM高程数据进行重采样，获取雨量站降水量降水率、可见光多通道反射率、NDVI、高程和气象雷达的反射率因子1000米和50米格点的匹配数据集。进行相关性分析、回归分析和协方差分析，筛选出相关性较大的通道反射率用于气象雷达降水率降尺度。使用卷积神经网络模型，以气象卫星反射率差异值、NDVI差异值和高程差异值作为自变量，构建50米格点的降水率差异值估算模型。将实测的可见光反射率、NDVI和高程差异值输入模型，生成估算的50米的降水率差异值。利用降水率差异值和1000米格点的降水率基准值，对气象雷达的1000米降水率进行修正，实现降尺度；具体包括以下内容：
步骤1. 收集加密地基雨量站降水率观测数据，包括观测时间t、位置坐标(x,y)和降水率R。根据需要生成1000米和50米格点，即在一定范围内建立网格，并确定每个1000米和50米网格的大小。选择Kriging插值方法，将加密地基雨量站降水率观测数据插值到50米格点上，生成50米格点的降水率观测值Rhigh。
步骤2. 将1000米格点内的加密地基雨量站降水率观测数据进行平均，将平均值作为1000米格点的降水率Rlow。针对步骤1的50米格点，利用最邻近方法选择与其最近的1000米格点，计算1000米和50米格点的降水率差异值ΔRhigh。
进一步地，1000米和50米格点的降水率差异值ΔRhigh，指的是在相同时间段内，相邻两个1000米和50米格点之间的降水率差异值，计算公式如下：
ΔRhigh=Rhigh-Rlow；
步骤3. 基于步骤1获取的加密地基雨量站降水率观测时间、位置坐标数据，收集与之时间和空间匹配的高分四号卫星50米可见光多通道反射率数据。选择双线性插值重采样方法，将50米可见光多通道反射率数据重采样到步骤1的1000米和50米格点。计算1000米和50米的格点可见光多通道反射率差异值Δρ，其中Δρ=ρhigh-ρlow，ρhigh为1000米格点可见光多通道反射率值，ρlow为50米格点可见光多通道反射率值，并采用T检验等来判断差异是否显著。
步骤4. 收集10米空间分辨率Sentinel-2卫星NDVI和30米空间分辨率的SRTM高程数据，利用双线性插值方法分别对Sentinel-2卫星NDVI和SRTM高程数据进行重采样，生成与步骤2可见光多通道反射率相同空间分辨率的NDVI和高程。进一步，计算加密地基雨量站所在位置的1000米和50米的格点NDVI的差异值ΔNDVI与高程的差异值ΔDEM。
步骤5. 获取气象雷达的降水率Rradar数据，提取雷达观测格点的位置信息和观测时间。对步骤1-4收集的雨量站降水率R、气象卫星可见光多通道反射率、Sentinel-2卫星NDVI、SRTM高程和气象雷达的降水率Rradar进行时间和空间匹配，形成基于1000米和50米格点的雨量站降水率R、气象卫星可见光多通道反射率、Sentinel-2卫星NDVI、SRTM高程和气象雷达的反射率因子差异值匹配数据集。
步骤6. 针对可见光多通道反射率和相应的降水率观测数据集，开展相关性分析、回归分析和协方差分析，计算相关系数、回归系数、均方根误差和协方差参数，并对这些参数进行排序，选取相关系数、回归系数、协方差较大和均方根误差较小的通道反射率用于气象雷达降水率降尺度。
步骤7. 假定50米格点位置降水率与其所在的1000米格点的降水率差异是由于两个格点的气象卫星可见光多通道反射率、Sentinel-2卫星NDVI、SRTM高程差异值引起的，此时ΔRhigh可以表示为Δρ,ΔNDVI,ΔDEM的函数，即ΔRhigh=f(Δρ,ΔNDVI,ΔDEM)。将Δρ,ΔNDVI,ΔDEM作为自变量，将ΔRhigh作为因变量，利用卷积神经网络模型构建1000米和50米格点的降水率差异值估算模型。
步骤8. 计算待估算位置1000米和50米格点可见光多通道实测反射率、Sentinel-2卫星实测NDVI、SRTM实测高程差异值，将其输入到步骤6构建的1000米和50米格点的降水率差异值估算模型，生成1000米和50米格点的降水率差异值ΔRhigh。
步骤9. 对每个50米格点，在相应位置找到与其对应的气象雷达1000米格点的降水率R_rar，将其作为基准值利用降水率差异值ΔRhigh进行订正，进而实现气象雷达降水率的降尺度。
进一步地，利用降水率差异值ΔRhigh进行订正指的是，使用50米和1000米格点的降水率差异值（ΔRhigh），以1000米格点的降水率R_rar为基准值并进行修正，公式如下：
Rhigh=R_rar+ΔRhigh。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和完善，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于可见光图像的气象雷达降水率降尺度方法，其特征在于：所述方法包括：
步骤一、获取加密地基雨量站降水率观测数据，生成高空间分辨率格点的降水率观测值，并根据低空间分辨率格点的降水率计算降水率差异值，以及获取气象卫星高空间分辨率可见光多通道反射率数据，计算高和低空间分辨率的格点可见光多通道反射率差异值Δρ；
步骤二、获取10米空间分辨率卫星NDVI和30米空间分辨率的SRTM高程数据并进行重采样，生成与可见光通道反射率相同空间分辨率的NDVI和高程，计算加密地基雨量站所在位置的高和低空间分辨率的格点NDVI的差异值ΔNDVI与高程的差异值ΔDEM，获取气象雷达的降水率数据，形成匹配数据集；
步骤三、对观测数据集进行分析计算相应参数，并选取满足要求的参数用于气象雷达降水率降尺度，并将Δρ,ΔNDVI,ΔDEM作为自变量，将高和低空间分辨率格点的降水率差异值ΔRhigh作为因变量，利用卷积神经网络模型构建高和低空间分辨率格点的降水率差异值估算模型；
步骤四、计算待估算位置的数据并输入到构建的降水率差异值估算模型中，生成高空间分辨率的降水率差异值，对每个高空间分辨率格点在相应位置找到与其对应的气象雷达低空间分辨率格点的降水率，并将其作为基准值；利用降水率差异进行修正，实现气象雷达降水率的降尺度；
所述步骤三具体包括以下内容：
对可见光多通道反射率和相应的降水率观测数据集进行相关性分析、回归分析和协方差分析，计算相关系数、回归系数、均方根误差和协方差参数，并对这些参数进行排序，选择相关系数、回归系数、协方差大和均方根误差小的通道反射率用于气象雷达降水率降尺度；
设定两个格点的气象卫星可见光多通道反射率、卫星NDVI和SRTM高程差异值引起高分辨率格点位置降水率与其所在低分辨率格点的降水率差异，此时ΔRhigh表示为Δρ、ΔNDVI和ΔDEM的函数，即ΔRhigh=f(Δρ,ΔNDVI,ΔDEM)，将Δρ,ΔNDVI,ΔDEM作为自变量，将ΔRhigh作为因变量，利用卷积神经网络模型构建高和低空间分辨率格点的降水率差异值估算模型。
2.根据权利要求1所述的一种基于可见光图像的气象雷达降水率降尺度方法，其特征在于：所述步骤一具体包括以下内容：
获取加密地基雨量站包括观测时间t、位置坐标(x,y)和降水率R的观测数据，根据需要生成高和低空间分辨率格点，在一定范围内建立网格，并确定每个高和低空间分辨率网格的大小，通过插值法将加密地基雨量站降水率观测数据插值到高空间分辨率格点上，生成高空间分辨率格点的降水率观测值Rhigh；
将低空间分辨率格点内的加密地基雨量站降水率观测数据进行平均，将平均值作为低空间分辨率格点的降水率Rlow，对高空间分辨率格点利用最邻近方法选择与其最近的低空间分辨率格点，计算高和低空间分辨率格点的降水率差异值ΔRhigh；
根据获取的加密地基雨量站降水率观测时间和位置坐标数据，获取与其时间和空间匹配的气象卫星高空间分辨率可见光多通道反射率数据，通过双线性插值重采样法将高空间分辨率可见光多通道反射率数据重采样到高和低空间分辨率格点，计算高和低空间分辨率的格点可见光多通道反射率差异值Δρ，并采用T检验判断差异是否显著。
3.根据权利要求2所述的一种基于可见光图像的气象雷达降水率降尺度方法，其特征在于：所述步骤二具体包括以下内容：
收集10米空间分辨率卫星NDVI和30米空间分辨率的SRTM高程数据，通过双线性插值法分别对卫星NDVI和SRTM高程数据进行重采样，生成与可见光多通道反射率相同空间分辨率的NDVI和高程，并计算加密地基雨量站所在位置的高和低空间分辨率的格点NDVI的差异值ΔNDVI与高程的差异值ΔDEM；
获取气象雷达的降水率Rradar数据，提取雷达观测格点的位置信息和观测时间，对收集的雨量站降水率R、气象卫星可见光多通道反射率、卫星NDVI、SRTM高程和气象雷达的降水率Rradar进行时间和空间匹配，形成基于高和空间分辨率格点的雨量站降水率、气象卫星可见光多通道反射率，卫星NDVI、SRTM高程和气象雷达的反射率因子差异值匹配数据集。
4.根据权利要求3所述的一种基于可见光图像的气象雷达降水率降尺度方法，其特征在于：所述步骤四具体包括以下内容：
计算待估算位置高和低空间分辨率格点可见光多通道实测反射率、卫星实测NDVI和SRTM实测高程差异值，并作为输入数据输入到构建的高和低空间分辨率格点的降水率差异值估算模型，生成高空间分辨率的降水率差异值ΔRhigh；
对每个高空间分辨率格点，在相应位置找到与其对于应的气象雷达低空间分辨率格点的降水率R_rar，将其作为基准值利用降水率差异值ΔRhigh进行修正，进而实现气象雷达降水率的降尺度。
5.根据权利要求2所述的一种基于可见光图像的气象雷达降水率降尺度方法，其特征在于：所述计算高和低空间分辨率格点的降水率差异值ΔRhigh包括：通过公式ΔRhigh=Rhigh-Rlow计算相同时间段内，相邻两个高和低空间分辨率之间的降水率差异值。
6.根据权利要求4所述的一种基于可见光图像的气象雷达降水率降尺度方法，其特征在于：所述利用降水率差异值ΔRhigh进行修正包括：使用高和低空间分辨率格点的降水率差异值ΔRhigh，以低空间分辨率的降水率R_rar为基准值通过公式Rhigh=R_rar+ΔRhigh进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720853.8A CN117409335B (zh) | 2023-12-14 | 2023-12-14 | 一种基于可见光图像的气象雷达降水率降尺度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720853.8A CN117409335B (zh) | 2023-12-14 | 2023-12-14 | 一种基于可见光图像的气象雷达降水率降尺度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409335A CN117409335A (zh) | 2024-01-16 |
| CN117409335B true CN117409335B (zh) | 2024-02-23 |
Family
ID=89489455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311720853.8A Active CN117409335B (zh) | 2023-12-14 | 2023-12-14 | 一种基于可见光图像的气象雷达降水率降尺度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409335B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608939A (zh) * | 2017-08-16 | 2018-01-19 | 北京师范大学 | 基于高分辨率卫星数据的trmm降水数据降尺度方法 |
| CN108154193A (zh) * | 2018-01-16 | 2018-06-12 | 黄河水利委员会黄河水利科学研究院 | 一种长时间序列降水数据降尺度方法 |
| CN111078678A (zh) * | 2019-12-18 | 2020-04-28 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
| CN112285808A (zh) * | 2020-10-28 | 2021-01-29 | 浙江大学 | 一种aphrodite降水数据的降尺度方法 |
| CN113311416A (zh) * | 2021-05-10 | 2021-08-27 | 中国科学院地理科学与资源研究所 | 山地小流域雷达定量降水估计技术 |
| CN113591759A (zh) * | 2021-08-09 | 2021-11-02 | 中国矿业大学(北京) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
| CN116258869A (zh) * | 2023-01-10 | 2023-06-13 | 滁州学院 | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 |
| CN116401932A (zh) * | 2023-06-08 | 2023-07-07 | 成都远望探测技术有限公司 | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10585210B2 (en) * | 2015-10-06 | 2020-03-10 | Arable Labs, Inc. | Apparatus for radiometric correction and orthorectification of aerial imagery |
| CN110738252B (zh) * | 2019-10-14 | 2020-08-14 | 广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、系统 |
-
2023
- 2023-12-14 CN CN202311720853.8A patent/CN117409335B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608939A (zh) * | 2017-08-16 | 2018-01-19 | 北京师范大学 | 基于高分辨率卫星数据的trmm降水数据降尺度方法 |
| CN108154193A (zh) * | 2018-01-16 | 2018-06-12 | 黄河水利委员会黄河水利科学研究院 | 一种长时间序列降水数据降尺度方法 |
| CN111078678A (zh) * | 2019-12-18 | 2020-04-28 | 中国气象局乌鲁木齐沙漠气象研究所 | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 |
| CN112285808A (zh) * | 2020-10-28 | 2021-01-29 | 浙江大学 | 一种aphrodite降水数据的降尺度方法 |
| CN113311416A (zh) * | 2021-05-10 | 2021-08-27 | 中国科学院地理科学与资源研究所 | 山地小流域雷达定量降水估计技术 |
| CN113591759A (zh) * | 2021-08-09 | 2021-11-02 | 中国矿业大学(北京) | 一种矿区长时序地表土壤含水量遥感数据生产方法及系统 |
| CN116258869A (zh) * | 2023-01-10 | 2023-06-13 | 滁州学院 | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 |
| CN116401932A (zh) * | 2023-06-08 | 2023-07-07 | 成都远望探测技术有限公司 | 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Spatial downscaling of GPM annual and monthly precipitation using regression-based algorithms in a mountainous area";Zhan, Cheshen等;《 Advances in Meteorology 》;20180228;第2018卷;第1-13页 * |
| "Spatial Downscaling of Vegetation Productivity in the Forest From Deep Learning";T. Yu等;《IEEE Access》;20220927;第10卷;第104449-104460页 * |
| "青海省门源县天然草地地上生物量的遥感估测研究";高宏元;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20230115(第1期);C028-398 * |
| "基于MGWR模型的黄河流域GPM卫星降水数据降尺度研究";柏荷等;《干旱区地理》;20230731;第46卷(第7期);第1052-1062页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409335A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082842B (zh) | 一种降水估测方法及装置 | |
| CN105678085B (zh) | 一种pm2.5浓度的估算方法及系统 | |
| CN107423537B (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
| CN104537222B (zh) | 基于遥感的区域植被覆盖对地表气温影响的估算方法 | |
| Shea et al. | An approach to derive regional snow lines and glacier mass change from MODIS imagery, western North America | |
| Behrangi et al. | REFAME: Rain estimation using forward-adjusted advection of microwave estimates | |
| CN110927120B (zh) | 一种植被覆盖度预警方法 | |
| CN110174044A (zh) | 一种基于psi技术的桥梁纵向位移形变监测的方法 | |
| CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
| CN108154193B (zh) | 一种长时间序列降水数据降尺度方法 | |
| CN110909449B (zh) | 一种多源数据电离层区域现报方法 | |
| CN109325540A (zh) | 一种针对遥感每天降水量数据的空间降尺度方法 | |
| CN111611541B (zh) | 基于Copula函数的无资料地区降水数据推求方法及系统 | |
| CN113094653A (zh) | 一种重建大气温度轮廓线的方法 | |
| CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
| CN115290512A (zh) | 一种估算海洋表层颗粒有机碳浓度的水色遥感方法及装置 | |
| CN111008355A (zh) | 一种基于信任传播的气象地面要素插值方法 | |
| KR101547682B1 (ko) | 고해상도기온진단모형을 이용한 과거 사상 상세기온자료복원시스템 및 그 방법 | |
| CN117409335B (zh) | 一种基于可见光图像的气象雷达降水率降尺度方法 | |
| Wardah et al. | Radar rainfall estimates comparison with kriging interpolation of gauged rain | |
| CN109444892B (zh) | 雷达定量测量降水的校准方法 | |
| CN115830476A (zh) | 地形因子空间降尺度方法 | |
| CN112836449B (zh) | 一种用于率定水文模型的方法 | |
| CN108932520A (zh) | 结合先验概率估计的sar影像水体概率制图方法 | |
| CN113138431A (zh) | 一种智慧城市气象观测方法及系统 |
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 |