CN118013411A - 缺资料地区的降水数据优化方法、装置、设备及存储介质 - Google Patents
缺资料地区的降水数据优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118013411A CN118013411A CN202410419229.2A CN202410419229A CN118013411A CN 118013411 A CN118013411 A CN 118013411A CN 202410419229 A CN202410419229 A CN 202410419229A CN 118013411 A CN118013411 A CN 118013411A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- daily
- sequence
- measured
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 509
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 125
- 230000004927 fusion Effects 0.000 claims abstract description 56
- 238000007637 random forest analysis Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003066 decision tree Methods 0.000 claims description 80
- 238000012937 correction Methods 0.000 claims description 54
- 238000005315 distribution function Methods 0.000 claims description 50
- 238000012876 topography Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 23
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000001739 density measurement Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请公开了缺资料地区的降水数据优化方法、装置、设备及存储介质，方法包括：获取缺资料地区实测站点的卫星日降水序列，从卫星日降水序列中统计降水量、雨天频率及降水概率分布，以对卫星日降水序列进行偏差校正，对各个实测站点的校正降水序列进行日尺度融合，得到日尺度融合降水数据，通过日尺度融合降水数据构建随机森林模型，并结合多种土地覆盖类型对随机森林模型进行训练，得到降水链接模型，最终将高分辨率辅助因子输入至降水链接模型，输出高空间分辨率降水数据。由此可见，在缺资料地区上，有效地将卫星降水与地面观测相结合，利用低密度测量网络生成高分辨率、高精度的降水数据，以满足对缺资料地区进行水文气象研究的要求。
Description
技术领域
本申请涉及降水数据技术领域，更具体的说，是涉及缺资料地区的降水数据优化方法及装置。
背景技术
随着降水测量技术的发展，目前具备多种技术对各地区的降水数据进行测量，如被认为是比其他测量工具更可靠的获取长期降水资料的雨量计，以及卫星降水测量技术。准确测量降水对许多区域的研究至关重要，但部分地区由于环境恶劣，地形复杂，地面测量稀疏，导致实测资料缺乏，缺乏高空间分辨率高精度的降水数据，不能满足水文气象研究的要求。
在缺资料地区中，雨量计提供的降水信息空间表征较差，雨量计网分布稀疏且不均匀，仍然存在较大不足，而气象卫星的电磁信号受到仪器误差和检索算法的影响，来自卫星遥感的降水具有较大的不确定性，尽管相关技术方法方案聚焦于卫星的空间分辨率降尺度，以获得能够显示更多空间细节的高分辨率降水数据，但它们在不同区域的性能仍然受到原始卫星降水数据固有精度的限制，导致精度仍然较低。因此，在水文、气候变化和水资源领域，特别是在一些干旱气候、复杂地形和高海拔地区，缺资料地区的降水数据的精度不高。
如何提高缺资料地区的降水数据的精度，是需要解决的问题。
发明内容
鉴于上述问题，本申请提供了缺资料地区的降水数据优化方法及装置，以提高缺资料地区的降水数据的精度。
为了实现上述目的，现提出具体方案如下：
一种缺资料地区的降水数据优化方法，包括：
获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
所述降水链接模型的构建过程，包括：
获取所述缺资料地区的每个实测站点的卫星日降水序列；
从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
可选的，所述基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到实测站点的校正降水序列，包括：
根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值；
根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列，所述LOCI校正公式为：
；
其中，为第m个月的雨天阈值，/>为计算缩放因子，/>为第m月中d天的实测降水值，/>为第m月中d天的实测降水值大于0之和，/>为卫星日降水序列中第m月中d天的降水值，/>为卫星日降水序列中第m月中d天大于所述雨天阈值之和，/>为卫星日降水序列中第m月中d天的降水总量；
根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数，所述降水伽马分布函数为：
；
其中，为伽马函数，/>为所述伽马函数的形状参数，/>为所述伽马函数的尺度参数，/>为所述降水伽马分布函数，/>为时间变量；
针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数；
针对每个实测站点的经所述LOCI校正后的日降水序列，基于所述实测站点的所述伽马分布函数，在保留所述日降水序列的极值下，调整所述日降水序列的均值、标准差和分位数，得到所述实测站点的日降水调整序列；
利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列：
；
其中，为该个实测站点在第m月d天的校正雨天频率，/>为伽马累积分布逆函数，/>为伽马累积分布函数，/>为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，/>为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，/>为该个实测站点在第m月的实测降水的伽马分布形状参数，/>为该个实测站点在第m月的实测降水的伽马分布尺度参数。
可选的，所述对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据，包括：
根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据，所述地理加权回归模型为：
；
其中，为所述空间平面上第j个点的形状参数和尺度参数，/>为所述空间平面上第j个点的第k个地理地形因子变量，/>为地理地形因子变量的总个数，/>为残差，为第k个地理地形因子变量在所述空间平面上第j个点处的截距，/>为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
可选的，通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型，包括：
从所述日尺度融合降水数据中选取样本数据，并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量，构建决策树模型，所述决策树模型包括若干棵决策树；
驱使每棵决策树在深度上自由生长，直至该棵决策树所拟合的降水值均方差值最小时，停止该棵决策树生长，并确定该棵决策树的最佳拟合关系；
构建各棵决策树的随机森林模型；
以每种土地覆盖进行局部模型拟合，得到该种土地覆盖区域模型；
通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上，对所述随机森林模型进行训练，得到降水链接模型。
可选的，该方法还包括：
在构建所述决策树模型的过程中，选择所述决策树模型的每棵决策树对应节点上变量的子集；
确定每棵决策树对应节点上变量的子集的基尼指数；
根据每棵决策树对应节点上变量的子集及其基尼指数，确定该棵决策树的最佳分割方式。
一种缺资料地区的降水数据优化装置，包括：
辅助因子获取单元，用于获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
高空间分辨率降水数据输出单元，用于将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
降水序列获取单元，用于获取所述缺资料地区的每个实测站点的卫星日降水序列；
降水属性统计单元，用于从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
降水序列校正单元，用于基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
日尺度融合单元，用于对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
模型训练单元，用于通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
可选的，所述降水序列校正单元，包括：
雨天阈值计算单元，用于根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值；
LOCI校正单元，用于根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列，所述LOCI校正公式为：
；
其中，为第m个月的雨天阈值，/>为计算缩放因子，/>为第m月中d天的实测降水值，/>为第m月中d天的实测降水值大于0之和，/>为卫星日降水序列中第m月中d天的降水值，/>为卫星日降水序列中第m月中d天大于所述雨天阈值之和，/>为卫星日降水序列中第m月中d天的降水总量；
降水伽马分布函数构建单元，用于根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数，所述降水伽马分布函数为：
；
其中，为伽马函数，/>为所述伽马函数的形状参数，/>为所述伽马函数的尺度参数，/>为所述降水伽马分布函数，/>为时间变量；
伽马分布参数调整单元，用于针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数；
序列指标调整单元，用于针对每个实测站点的经所述LOCI校正后的日降水序列，基于所述实测站点的所述伽马分布函数，在保留所述日降水序列的极值下，调整所述日降水序列的均值、标准差和分位数，得到所述实测站点的日降水调整序列；
伽马分布校正单元，用于利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列：
；
其中，为该个实测站点在第m月d天的校正雨天频率，/>为伽马累积分布逆函数，/>为伽马累积分布函数，/>为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，/>为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，/>为该个实测站点在第m月的实测降水的伽马分布形状参数，/>为该个实测站点在第m月的实测降水的伽马分布尺度参数。
可选的，所述日尺度融合单元，包括：
日尺度融合子单元，用于根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据，所述地理加权回归模型为：
；
其中，为所述空间平面上第j个点的形状参数和尺度参数，/>为所述空间平面上第j个点的第k个地理地形因子变量，/>为地理地形因子变量的总个数，/>为残差，为第k个地理地形因子变量在所述空间平面上第j个点处的截距，/>为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
可选的，所述模型训练单元，包括：
决策树模型构建单元，用于从所述日尺度融合降水数据中选取样本数据，并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量，以所述样本数据作为因变量，构建决策树模型，所述决策树模型包括若干棵决策树；
决策树生长单元，用于驱使每棵决策树在深度上自由生长，直至该棵决策树所拟合的降水值均方差值最小时，停止该棵决策树生长，并确定该棵决策树的最佳拟合关系；
随机森林模型构建单元，用于构建各棵决策树的随机森林模型；
土地覆盖区域模型拟合单元，用于以每种土地覆盖进行局部模型拟合，得到该种土地覆盖区域模型；
降水链接模型构建单元，用于通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上，对所述随机森林模型进行训练，得到降水链接模型。
可选的，该装置还包括：
变量子集选择单元，用于在构建所述决策树模型的过程中，选择所述决策树模型的每棵决策树对应节点上变量的子集；
基尼指数确定单元，用于确定每棵决策树对应节点上变量的子集的基尼指数；
最佳分割方式确定单元，用于根据每棵决策树对应节点上变量的子集及其基尼指数，确定该棵决策树的最佳分割方式。
一种缺资料地区的降水数据优化设备，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上所述的缺资料地区的降水数据优化方法的各个步骤。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的缺资料地区的降水数据优化方法的各个步骤。
借由上述技术方案，本申请通过获取缺资料地区的每个实测站点的卫星日降水序列，从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布，基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列，对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到缺资料地区的日尺度融合降水数据，通过日尺度融合降水数据结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对随机森林模型进行训练，得到降水链接模型，最终将高分辨率辅助因子输入至降水链接模型，输出高空间分辨率降水数据，其中，高分辨率辅助因子的空间分辨率尺度小于缺资料地区的卫星日降水序列的空间分辨率尺度。由此可见，在缺资料地区上，有效地将卫星降水与地面观测相结合，利用低密度测量网络生成高分辨率、高精度的降水数据，以满足对缺资料地区进行水文气象研究的要求。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的实现缺资料地区的降水数据优化的一种流程示意图；
图2为本申请实施例提供的建立降水链接模型的一种流程示意图；
图3为本申请实施例提供的不同土地覆盖局部模型的区域示意图；
图4为本申请实施例提供的卫星降水数据优化前后的效果对照图；
图5为本申请实施例提供的一种实现缺资料地区的降水数据优化的装置结构示意图；
图6为本申请实施例提供的一种实现缺资料地区的降水数据优化的设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，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。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请方案可以基于具备数据处理能力的终端实现，该终端可以是电脑、云端、服务器等。
接下来，结合图1所示，本申请的缺资料地区的降水数据优化方法可以包括以下步骤：
步骤S110、获取缺资料地区的高分辨率辅助因子。
其中，高分辨率辅助因子的空间分辨率尺度小于缺资料地区的卫星日降水序列的空间分辨率尺度。
示例如，通过卫星测量所获得的卫星日降水序列的空间分辨率尺度为10km，而高分辨率辅助因子的空间分辨率尺度为1km。
步骤S120、将高分辨率辅助因子输入至预先构建的缺资料地区的降水链接模型，输出高空间分辨率降水数据。
具体的，降水链接模型的建立过程如图2所示，该过程可以包括以下步骤：
步骤S210、获取缺资料地区的每个实测站点的卫星日降水序列。
可以理解的是，缺资料地区的实测站点是稀有的，因此缺资料地区的卫星日降水序列是有限的，且卫星日降水序列与实际降水情况存在偏差，那么需要获取卫星日降水序列并进行偏差校正。
步骤S220、从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布。
步骤S230、基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列。
可以理解的是，在同一栅格像元尺度首先基于实测站点数据，对每日全球降水观测计划数据的最终数据，基于实测站点对卫星日降水序列进行校正，进而融合实测站点的精度属性。
具体的，实测站点的降水量、雨天频率及降水概率分布为实测站点的降水属性，可以考虑对卫星日降水序列在多重特征属性上进行偏差校正，以使校正后的卫星日降水序列与实测降水情况一致。
具体的，在对实测站点的卫星日降水序列进行偏差校正的过程中，可以采用局部强度缩放法（Local Intensity Scaling，LOCI）和Gamma 分布映射法。
步骤S240、对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到缺资料地区的日尺度融合降水数据。
具体的，在对实测站点的卫星日降水序列的基础上，为了克服站点上精度的局限性，考虑将实测站点融合精度拓展空间平面上，采用基于地形地貌因子的地理加权回归方法将融合降水拓展到二维平面上。考虑区域内地形地貌因素对降水空间分布的影响，但区域地形地貌因子较多，通过对地形地貌因子进行主成分分析，可以将多要素转化成几个独立变量进行分析。在保证信息最少丢失原则下，对原来指标进行降维处理，以剔除原来指标之间的冗余关系，从而筛选出对降水影响较为显著的因素。然后将偏差校正过程中将站点位置得出的形状参数和尺度参数采用地理加权回归模型将系数拓展到没有站点的区域，即整个空间平面上，以得到日尺度融合降水数据。
步骤S250、通过日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对随机森林模型进行训练，得到降水链接模型。
本实施例提供的缺资料地区的降水数据优化方法，通过获取缺资料地区的每个实测站点的卫星日降水序列，从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布，基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列，对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到缺资料地区的日尺度融合降水数据，通过日尺度融合降水数据结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对随机森林模型进行训练，得到降水链接模型，最终将高分辨率辅助因子输入至降水链接模型，输出高空间分辨率降水数据，其中，高分辨率辅助因子的空间分辨率尺度小于缺资料地区的卫星日降水序列的空间分辨率尺度。由此可见，在缺资料地区上，有效地将卫星降水与地面观测相结合，利用低密度测量网络生成高分辨率、高精度的降水数据，以满足对缺资料地区进行水文气象研究的要求。
本申请的一些实施例中，对上述步骤S230、基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列的过程进行介绍，该过程可以包括：
S1、根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值。
具体的，雨天阈值能够确保卫星日降水序列中超出雨天阈值的降水天数与实测的降水天数相等。
S2、根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列。
其中，LOCI校正公式为：
；
其中，为第m个月的雨天阈值，/>为计算缩放因子，/>为第m月中d天的实测降水值，/>为第m月中d天的实测降水值大于0之和，/>为卫星日降水序列中第m月中d天的降水值，/>为卫星日降水序列中第m月中d天大于所述雨天阈值之和，/>为卫星日降水序列中第m月中d天的降水总量。
可以理解的是，LOCI在考虑雨天发生频率的基础上对降水量进行修正，适用于时间序列中微小雨事件偏多的修正。
S3、根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数。
其中，降水伽马分布函数为：
；
其中，为伽马函数，/>为所述伽马函数的形状参数，/>为所述伽马函数的尺度参数，/>为所述降水伽马分布函数，/>为时间变量。
可以理解的是，形状参数决定了分布的曲线形态，如峰值的位置和曲线的尖峭程度。尺度参数影响分布的宽度，当尺度参数增大时，分布趋于宽且矮平，当尺度参数减小时，分布趋于窄且高耸。
S4、针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数。
S5、利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列：
；
其中，为该个实测站点在第m月d天的校正雨天频率，/>为伽马累积分布逆函数，/>为伽马累积分布函数，/>为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，/>为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，/>为该个实测站点在第m月的实测降水的伽马分布形状参数，/>为该个实测站点在第m月的实测降水的伽马分布尺度参数。
本申请的一些实施例中，对上述步骤S240、对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到缺资料地区的日尺度融合降水数据的过程进行介绍，该过程可以包括：
根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据。
其中，地理加权回归模型为：
；
其中，为所述空间平面上第j个点的形状参数和尺度参数，/>为所述空间平面上第j个点的第k个地理地形因子变量，/>为地理地形因子变量的总个数，/>为残差，具体为形状参数和尺度参数的残差，/>为第k个地理地形因子变量在所述空间平面上第j个点处的截距，/>为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
和/>在空间上是变化的，计算方法如下：
；
其中，为第j个点的截距和斜率，/>和/>分别表示自变量 (高程、经度、纬度、坡度、坡向和地形起伏幅度)和形状参数和尺度参数。权值矩阵/>由自变量到第j个点的距离决定，距离越远，权重值越小，可由下式求得：
；
其中，表示已知区域的第i个点到未知区域点的第j个点的距离，b表示二维平面上窗口影响半径。
本申请的一些实施例中，对上述步骤S250、通过日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对随机森林模型进行训练，得到降水链接模型的过程进行介绍，该过程可以包括：
S1、从所述日尺度融合降水数据中选取样本数据，并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量，以所述样本数据作为因变量，构建决策树模型。
其中，决策树模型包括若干棵决策树。
具体的，可以从日尺度融合降水数据中采取有放回的方式随机抽取样本数据，并结合气压、气温、蒸散发因子相关影响因子作为自变量，构建决策树模型。
进一步的，在构建所述决策树模型的过程中，可以选择所述决策树模型的每棵决策树对应节点上变量的子集，确定每棵决策树对应节点上变量的子集的基尼指数，并根据每棵决策树对应节点上变量的子集及其基尼指数，确定该棵决策树的最佳分割方式。
其中，指定每次分割时选择的变量数量n_estimators可以为1000，划分时考虑的最大特征数max_feaures为log2。
可以理解的是，最佳分割方式能够保证训练数据集的时候精度最高，得到最佳拟合关系式，从而保证降水链接模型降尺度时所采用的关系式的准确。
S2、驱使每棵决策树在深度上自由生长，直至该棵决策树所拟合的降水值均方差值最小时，停止该棵决策树生长，并确定该棵决策树的最佳拟合关系。
具体的，每棵决策树的生长过程中最大深度max_depth不加以控制，任由决策树自由生长，直到拟合的降水值均方差值最小，得到最佳拟合关系。
S3、构建各棵决策树的随机森林模型。
S4、以每种土地覆盖进行局部模型拟合，得到该种土地覆盖区域模型。
S5、通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上，对所述随机森林模型进行训练，得到降水链接模型。
具体的，不同土地覆盖为局部模型所构建区域示例如图3，在降尺度过程中依据不同土地覆盖类型构建局部拟合模型的过程，10 km是融合了实测站点精度降水数据的空间分辨率，而1km是最终降尺度后得到的高空间分辨率降水数据。在10 km的时候构建局部模型，然后将局部模型在1km的尺度下拟合得到最终融合降尺度结果。
本申请的一些实施例中，可以进一步地对所得到的高空间分辨率降水数据进行精度评估。
具体的，可以选择相关系数(Correlation Coefficients, R)、相对偏差(Relative Bias, BIAS)、均方根误差(Root Mean Square Error, RMSE)定量评价卫星降水与实测降水之间的拟合度和量上的误差，其中R越接近1，RMSE越接近0，BIAS越接近0，表示拟合程度越好，误差和偏差值越小， BIAS大于0表示GPM（Global PrecipitationMeasurement Mission）低估实测降水，小于0表示高估实测降水。此外，通过计算探测概率(Probability Of Detection, POD)、成功系数(Critical Success Index, CSI)和误报率(False Alarm Ratio, FAR)来检验卫星产品探测降水事件的精度。POD表示GPM正确检测到的降雨事件与观测到的事件总数的比例，最优值为1。FAR表示GPM错误警报的降雨事件与检测到的事件总数的比例，最优值为0。CSI表示GPM成功观测到的降水事件的比例，最优值为1。
其中，各种精度评估的公式如下：
；
式中，n为变量个数，为地面观测站点i的降水值，/>为地面观测站点的降水值的平均值，/>和/>分别表示卫星数据第i个栅格点的降水值以及长时间序列值的平均值，为GPM与地面雨量站同时探测到的降水事件数，/>为地面站探测到降雨事件，但GPM未能探测到降雨事件的数量，/>为GPM探测到降水事件，而地面雨量站没有探测到降雨事件的数量，可以使用0.1mm/day作为降水阈值，以表示某天是否有雨。
相比于已有传统的统计学降尺度方法，本申请的缺资料地区的降水优化方法具有以下优势：
所采用的降尺度融合实现了大面积的高空间分辨率的降水数据获取。引入基于实测站点的偏差方法，保证了高分辨率的数值精度，降低了二者之间的偏差。如图4所示，图4第一列为原始的卫星降水数据，07、08和09具体为某缺资料地区在2014年至2017年的7月、8月和9月的降水均值，图4第二列为经优化后的高空间分辨率降水数据，07、08和09具体为同一缺资料地区在2014年至2017年的7月、8月和9月的降水均值，可以看出对原始的卫星降水数据的高估大幅度减弱，窗口的选择也是基于不同土地覆盖类型下生成，考虑到不同土地覆盖类型下的水汽成分不一致的特点。
降尺度得到的卫星降水结果不但能保持与原始卫星降水数据一致的空间分布模式和相同的最大最小降水中心，而且经实测代表地面雨量站点验证，每天的降尺度结果的相关系数为0.59，降水量误差仅约4.46mm，对降水事件的探测精度可以到0.79，比已知同类型的降尺度融合方法精度高。
下面对本申请实施例提供的实现缺资料地区的降水数据优化的装置进行描述，下文描述的实现缺资料地区的降水数据优化的装置与上文描述的实现缺资料地区的降水数据优化方法可相互对应参照。
参见图5，图5为本申请实施例公开的一种实现缺资料地区的降水数据优化的装置结构示意图。
如图5所示，该装置可以包括：
辅助因子获取单元11，用于获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
高空间分辨率降水数据输出单元12，用于将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
降水序列获取单元13，用于获取所述缺资料地区的每个实测站点的卫星日降水序列；
降水属性统计单元14，用于从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
降水序列校正单元15，用于基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
日尺度融合单元16，用于对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
模型训练单元17，用于通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
可选的，所述降水序列校正单元，包括：
雨天阈值计算单元，用于根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值；
LOCI校正单元，用于根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列，所述LOCI校正公式为：
；
其中，为第m个月的雨天阈值，/>为计算缩放因子，/>为第m月中d天的实测降水值，/>为第m月中d天的实测降水值大于0之和，/>为卫星日降水序列中第m月中d天的降水值，/>为卫星日降水序列中第m月中d天大于所述雨天阈值之和，/>为卫星日降水序列中第m月中d天的降水总量；
降水伽马分布函数构建单元，用于根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数，所述降水伽马分布函数为：
；
其中，为伽马函数，/>为所述伽马函数的形状参数，/>为所述伽马函数的形状参数，/>为所述降水伽马分布函数，/>为时间变量；
伽马分布参数调整单元，用于针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数；
序列指标调整单元，用于针对每个实测站点的经所述LOCI校正后的日降水序列，基于所述实测站点的所述伽马分布函数，在保留所述日降水序列的极值下，调整所述日降水序列的均值、标准差和分位数，得到所述实测站点的日降水调整序列；
伽马分布校正单元，用于利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列：
；
其中，为该个实测站点在第m月d天的校正雨天频率，/>为伽马累积分布逆函数，/>为伽马累积分布函数，/>为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，/>为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，/>为该个实测站点在第m月的实测降水的伽马分布形状参数，/>为该个实测站点在第m月的实测降水的伽马分布尺度参数。
可选的，所述日尺度融合单元，包括：
日尺度融合子单元，用于根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据，所述地理加权回归模型为：
；
其中，为所述空间平面上第j个点的形状参数和尺度参数，/>为所述空间平面上第j个点的第k个地理地形因子变量，/>为地理地形因子变量的总个数，/>为残差，为第k个地理地形因子变量在所述空间平面上第j个点处的截距，/>为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
可选的，所述模型训练单元，包括：
决策树模型构建单元，用于从所述日尺度融合降水数据中选取样本数据，并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量，以所述样本数据作为因变量，构建决策树模型，所述决策树模型包括若干棵决策树；
决策树生长单元，用于驱使每棵决策树在深度上自由生长，直至该棵决策树所拟合的降水值均方差值最小时，停止该棵决策树生长，并确定该棵决策树的最佳拟合关系；
随机森林模型构建单元，用于构建各棵决策树的随机森林模型；
土地覆盖区域模型拟合单元，用于以每种土地覆盖进行局部模型拟合，得到该种土地覆盖区域模型；
降水链接模型构建单元，用于通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上，对所述随机森林模型进行训练，得到降水链接模型。
可选的，该装置还包括：
变量子集选择单元，用于在构建所述决策树模型的过程中，选择所述决策树模型的每棵决策树对应节点上变量的子集；
基尼指数确定单元，用于确定每棵决策树对应节点上变量的子集的基尼指数；
最佳分割方式确定单元，用于根据每棵决策树对应节点上变量的子集及其基尼指数，确定该棵决策树的最佳分割方式。
本申请实施例提供的缺资料地区的降水数据优化的装置可应用于缺资料地区的降水数据优化的设备，如终端：电脑、服务器等。可选的，图6示出了缺资料地区的降水数据优化的设备的硬件结构框图，参照图6，缺资料地区的降水数据优化的设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
所述降水链接模型的构建过程，包括：
获取所述缺资料地区的每个实测站点的卫星日降水序列；
从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
所述降水链接模型的构建过程，包括：
获取所述缺资料地区的每个实测站点的卫星日降水序列；
从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种缺资料地区的降水数据优化方法，其特征在于，包括：
获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
所述降水链接模型的构建过程，包括：
获取所述缺资料地区的每个实测站点的卫星日降水序列；
从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
2.根据权利要求1所述的方法，其特征在于，所述基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列，包括：
根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值；
根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列，所述LOCI校正公式为：
；
其中，为第m个月的雨天阈值，/>为计算缩放因子，/>为第m月中d天的实测降水值，/>为第m月中d天的实测降水值大于0之和，/>为卫星日降水序列中第m月中d天的降水值，/>为卫星日降水序列中第m月中d天大于所述雨天阈值之和，/>为卫星日降水序列中第m月中d天的降水总量；
根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数，所述降水伽马分布函数为：
；
其中，为伽马函数，/>为所述伽马函数的形状参数，/>为所述伽马函数的尺度参数，/>为所述降水伽马分布函数，/>为时间变量；
针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数；
针对每个实测站点的经所述LOCI校正后的日降水序列，基于所述实测站点的所述伽马分布函数，在保留所述日降水序列的极值下，调整所述日降水序列的均值、标准差和分位数，得到所述实测站点的日降水调整序列；
利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列：
；
其中，为该个实测站点在第m月d天的校正雨天频率，/>为伽马累积分布逆函数，/>为伽马累积分布函数，/>为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，/>为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，为该个实测站点在第m月的实测降水的伽马分布形状参数，/>为该个实测站点在第m月的实测降水的伽马分布尺度参数。
3.根据权利要求1所述的方法，其特征在于，所述对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据，包括：
根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据，所述地理加权回归模型为：
；
其中，为所述空间平面上第j个点的形状参数和尺度参数，/>为所述空间平面上第j个点的第k个地理地形因子变量，/>为地理地形因子变量的总个数，/>为残差，/>为第k个地理地形因子变量在所述空间平面上第j个点处的截距，/>为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
4.根据权利要求1所述的方法，其特征在于，通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型，包括：
从所述日尺度融合降水数据中选取样本数据，并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量，以所述样本数据作为因变量，构建决策树模型，所述决策树模型包括若干棵决策树；
驱使每棵决策树在深度上自由生长，直至该棵决策树所拟合的降水值均方差值最小时，停止该棵决策树生长，并确定该棵决策树的最佳拟合关系；
构建各棵决策树的随机森林模型；
以每种土地覆盖进行局部模型拟合，得到该种土地覆盖区域模型；
通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上，对所述随机森林模型进行训练，得到降水链接模型。
5.根据权利要求4所述的方法，其特征在于，还包括：
在构建所述决策树模型的过程中，选择所述决策树模型的每棵决策树对应节点上变量的子集；
确定每棵决策树对应节点上变量的子集的基尼指数；
根据每棵决策树对应节点上变量的子集及其基尼指数，确定该棵决策树的最佳分割方式。
6.一种缺资料地区的降水数据优化装置，其特征在于，包括：
辅助因子获取单元，用于获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；
高空间分辨率降水数据输出单元，用于将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；
降水序列获取单元，用于获取所述缺资料地区的每个实测站点的卫星日降水序列；
降水属性统计单元，用于从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；
降水序列校正单元，用于基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；
日尺度融合单元，用于对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；
模型训练单元，用于通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型。
7.根据权利要求6所述的装置，其特征在于，所述降水序列校正单元，包括：
雨天阈值计算单元，用于根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值；
LOCI校正单元，用于根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列，所述LOCI校正公式为：
；
其中，为第m个月的雨天阈值，/>为计算缩放因子，/>为第m月中d天的实测降水值，/>为第m月中d天的实测降水值大于0之和，/>为卫星日降水序列中第m月中d天的降水值，/>为卫星日降水序列中第m月中d天大于所述雨天阈值之和，/>为卫星日降水序列中第m月中d天的降水总量；
降水伽马分布函数构建单元，用于根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数，所述降水伽马分布函数为：
；
其中，为伽马函数，/>为所述伽马函数的形状参数，/>为所述伽马函数的尺度参数，/>为所述降水伽马分布函数，/>为时间变量；
伽马分布参数调整单元，用于针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数；
序列指标调整单元，用于针对每个实测站点的经所述LOCI校正后的日降水序列，基于所述实测站点的所述伽马分布函数，在保留所述日降水序列的极值下，调整所述日降水序列的均值、标准差和分位数，得到所述实测站点的日降水调整序列；
伽马分布校正单元，用于利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列：
；
其中，为该个实测站点在第m月d天的校正雨天频率，/>为伽马累积分布逆函数，/>为伽马累积分布函数，/>为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，/>为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，为该个实测站点在第m月的实测降水的伽马分布形状参数，/>为该个实测站点在第m月的实测降水的伽马分布尺度参数。
8.根据权利要求6所述的装置，其特征在于，所述日尺度融合单元，包括：
日尺度融合子单元，用于根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据，所述地理加权回归模型为：
；
其中，为所述空间平面上第j个点的形状参数和尺度参数，/>为所述空间平面上第j个点的第k个地理地形因子变量，/>为地理地形因子变量的总个数，/>为残差，/>为第k个地理地形因子变量在所述空间平面上第j个点处的截距，/>为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
9.一种缺资料地区的降水数据优化设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-5任一项所述的缺资料地区的降水数据优化方法的各个步骤。
10.一种存储介质，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1-5任一项所述的缺资料地区的降水数据优化方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410419229.2A CN118013411A (zh) | 2024-04-09 | 2024-04-09 | 缺资料地区的降水数据优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410419229.2A CN118013411A (zh) | 2024-04-09 | 2024-04-09 | 缺资料地区的降水数据优化方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118013411A true CN118013411A (zh) | 2024-05-10 |
Family
ID=90958234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410419229.2A Pending CN118013411A (zh) | 2024-04-09 | 2024-04-09 | 缺资料地区的降水数据优化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013411A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105425319A (zh) * | 2015-09-16 | 2016-03-23 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
| CN111401602A (zh) * | 2019-12-31 | 2020-07-10 | 河海大学 | 基于神经网络的卫星以及地面降水测量值同化方法 |
| CN112884223A (zh) * | 2021-02-19 | 2021-06-01 | 大连理工大学 | 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法 |
| US20210341454A1 (en) * | 2020-04-30 | 2021-11-04 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method and System for Estimating Surface Runoff Based on Pixel Scale |
| CN114463616A (zh) * | 2022-01-28 | 2022-05-10 | 国能大渡河流域水电开发有限公司 | 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法 |
| CN114936201A (zh) * | 2022-03-31 | 2022-08-23 | 河海大学 | 基于自适应分块神经网络模型的卫星降水数据校正方法 |
| CN116070792A (zh) * | 2023-03-28 | 2023-05-05 | 中国科学院地理科学与资源研究所 | 一种多源降水数据的融合方法、装置、存储介质和设备 |
-
2024
- 2024-04-09 CN CN202410419229.2A patent/CN118013411A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105425319A (zh) * | 2015-09-16 | 2016-03-23 | 河海大学 | 基于地面测量数据校正的降雨卫星暴雨同化方法 |
| CN111401602A (zh) * | 2019-12-31 | 2020-07-10 | 河海大学 | 基于神经网络的卫星以及地面降水测量值同化方法 |
| US20210341454A1 (en) * | 2020-04-30 | 2021-11-04 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method and System for Estimating Surface Runoff Based on Pixel Scale |
| CN112884223A (zh) * | 2021-02-19 | 2021-06-01 | 大连理工大学 | 基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法 |
| CN114463616A (zh) * | 2022-01-28 | 2022-05-10 | 国能大渡河流域水电开发有限公司 | 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法 |
| CN114936201A (zh) * | 2022-03-31 | 2022-08-23 | 河海大学 | 基于自适应分块神经网络模型的卫星降水数据校正方法 |
| CN116070792A (zh) * | 2023-03-28 | 2023-05-05 | 中国科学院地理科学与资源研究所 | 一种多源降水数据的融合方法、装置、存储介质和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| Bhuiyan et al. | A nonparametric statistical technique for combining global precipitation datasets: Development and hydrological evaluation over the Iberian Peninsula | |
| Jeffrey et al. | Using spatial interpolation to construct a comprehensive archive of Australian climate data | |
| Islam | Statistical comparison of satellite-retrieved precipitation products with rain gauge observations over Bangladesh | |
| Zhang et al. | Spatial downscaling of TRMM‐based precipitation data using vegetative response in Xinjiang, China | |
| Caracciolo et al. | Performances of GPM satellite precipitation over the two major Mediterranean islands | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| US11719858B2 (en) | Determination of location-specific weather information for agronomic decision support | |
| Ramírez-Cuesta et al. | Assessing reference evapotranspiration at regional scale based on remote sensing, weather forecast and GIS tools | |
| Li et al. | Spatial downscaling of the tropical rainfall measuring mission precipitation using geographically weighted regression Kriging over the Lancang River Basin, China | |
| CN114049570A (zh) | 基于神经网络的星载遥感水汽空间反演方法及系统 | |
| Tsakiris et al. | Regional drought identification and assessment. Case study in Crete | |
| Dumont et al. | Assessing rainfall global products reliability for water resource management in a tropical volcanic mountainous catchment | |
| Weng et al. | Assessment of GPM IMERG and GSMaP daily precipitation products and their utility in droughts and floods monitoring across Xijiang River Basin | |
| Khodayar et al. | An improved perspective in the spatial representation of soil moisture: Potential added value of SMOS disaggregated 1 km resolution “all weather” product | |
| Mahbod et al. | An evaluative study of TRMM precipitation estimates over multi-day scales in a semi-arid region, Iran | |
| Azizi Mobaser et al. | Evaluating the performance of Era-5 Re-analysis data in estimating daily and monthly precipitation, Case Study; Ardabil Province | |
| Hadi Hariadi et al. | Evaluation of onset, cessation and seasonal precipitation of the Southeast Asia rainy season in CMIP5 regional climate models and HighResMIP global climate models | |
| Wu et al. | Spatial scaling transformation modeling based on fractal theory for the leaf area index retrieved from remote sensing imagery | |
| Cheng et al. | ChinaCropSM1 km: a fine 1 km daily soil moisture dataset for dryland wheat and maize across China during 1993–2018 | |
| CN118013411A (zh) | 缺资料地区的降水数据优化方法、装置、设备及存储介质 | |
| Sun et al. | Evaluation of multiple gridded snowfall datasets using gauge observations over high mountain Asia | |
| CN115166874A (zh) | 基于机器学习的气象干旱指数spi构建方法 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Islam et al. | Verification of APHRODITE precipitation data set in Bangladesh |
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 |