CN107918165A - 基于空间插值的多卫星融合降水预测方法及*** - Google Patents
基于空间插值的多卫星融合降水预测方法及*** Download PDFInfo
- Publication number
- CN107918165A CN107918165A CN201610880735.7A CN201610880735A CN107918165A CN 107918165 A CN107918165 A CN 107918165A CN 201610880735 A CN201610880735 A CN 201610880735A CN 107918165 A CN107918165 A CN 107918165A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- satellite
- fusion
- satellites
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 696
- 230000004927 fusion Effects 0.000 title claims abstract description 311
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 94
- 238000009826 distribution Methods 0.000 claims description 70
- 238000005457 optimization Methods 0.000 claims description 42
- 238000007476 Maximum Likelihood Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000012797 qualification Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 14
- 239000000306 component Substances 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于空间插值的多卫星融合降水预测方法及***,所述方法包括将待预测区域划分为已知网格和待预测网格;根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数;利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数;根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。根据采样时段的不同,及所述地面站点选择的不同,多卫星融合降水参数在时间及空间上均呈现动态的特性,使得多卫星融合降水预测的结果更加准确。
Description
技术领域
本发明涉及卫星融合降水技术领域,特别是涉及基于空间插值的多卫星融合降水预测方法及***。
背景技术
降水是大气水文模型不确定性的最关键输入参数之一,也是全球水分与能量循环的核心组成部分。传统技术中,获取降水数据主要有三种方式。一是地面站点观测,采用局部点采样观测的结果代表周边几十甚至几百平方公里范围内的真实降水。目前认为地面站点的降水资料是最可信赖的降水观测资料,但地面站点的观测数据在时空分布上存在明显的不连续性,难以反映实际降水显著的时空变异性,并且中国的地面站点的分布东密西疏,观测资料时间和空间分布也不均等,导致基于地面站点观测的降水数据质量受到影响,因此,地面站点观测虽然能够精确测量地面降水,但受站网密度及其空间分布的影响较大,尤其是对于地形相对复杂的山区,现有站网布局不能满足应用需求。二是天气雷达,天气雷达通过探测大气中与降水有关的物理量,间接获得空间连续的降水信息,在一定程度上弥补了地面站点空间分布的不足,但天气雷达容易受电子信号以及运行环境等多因素影响,如地形遮挡、雷达射线抬升和Z-R(雷达反射率Z和降雨强度R)关系的不确定性等,在地形复杂地区具有较大的不确定性,精度较地面站点的雨量计观测差。三是气象卫星,卫星监测的反演降水数据具有观测范围广、时间间隔短,相对于独立、离散的地面站点观测而言时空分布较为连续,已经逐渐成为在全球及区域尺度上进行降雨监测及灾害预报预警的重要工具,同时也为地面缺测资料流域的水文研究提供了极具应用价值的降雨观测信息。但跟天气雷达一样,卫星遥感技术也是对降雨过程的间接观测手段,受遥感探测仪器、反演算法等因素影响,产品的精度相对较低,具有显著的不确定性。各卫星的反演降水数据估测误差与研究区域、降水类型、降水季节、地表覆被情况、地形等因素有关,在不同时空范围内具有各自的优缺点。为了更加真实地描述实际的降水变化,需要融合较好捕获降水场时空分布的卫星反演降水数据,综合考虑不同卫星的误差特性及观测优势。
目前比较传统的多卫星融合降水方法有:简单算术平均、去除最大偏差等。其中,简单算术平均简单易懂,是一种快速将各卫星的反演降水数据融合的方法,但这种方法认为各颗卫星产品数据在不同的时刻具有相同的权重,捕捉降水的能力相同,这与实际情况并不相符。去除最大偏差法先将偏差最大的卫星反演降水数据剔除,然后对剩余的卫星反演降水数据进行算术平均,在一定程度上考虑了不同卫星反演降水的性能的不等,但对剩余卫星反演降水数据进行算术平均时,同样存在算术平均方法的问题。
进一步的,目前比较传统的基于空间插值的多卫星融合降水预测方法为利用传统的卫星融合降水方法,将计算出的卫星融合降水数据直接用于待预测区域,但由于传统的卫星融合降水方法存在较大的误差,且无法体现降水的时空连续性,导致预测结果准确率过低。
如何使多卫星融合降水的预测结果更加准确,得到高精度和高时空分辨率的多卫星融合降水预测结果,是卫星融合降水预测领域亟待解决的技术问题。
发明内容
基于此,有必要针对多卫星融合降水的预测问题,提供一种基于空间插值的多卫星融合降水预测方法,所述方法包括:
将待预测区域划分为已知网格和待预测网格,所述已知网格为包含地面降水数据的网格,所述待预测网格为不包含地面降水数据的网格;
根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数包括各卫星的融合权重系数;
利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数;
根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。
在其中一个实施例中,所述利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数,包括:
利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数;
根据所述已知网格的多卫星融合降水参数和所述待预测网格的插值权重系数,计算所述待预测网格的多卫星融合降水参数。
在其中一个实施例中,所述利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数,包括:
使各所述已知网格的多卫星融合降水参数的实际值和估计值之间的误差最小,且期望值之差等于0。
在其中一个实施例中,所述根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述多卫星融合降水参数包括各卫星的融合权重系数,包括:
获取采样时段,所述采样时段包括N年中每一年的预设时段,每个所述预设时段的时长小于一年,其中N为正整数;
分别获取所述采样时段内的地面降水数据和至少两颗卫星的降水数据;
确定各卫星的先验概率;
根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数。
在其中一个实施例中,所述根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数,包括:
根据所述各卫星的降水数据的后验概率和多卫星融合降水的后验分布,确定多卫星融合降水的概率密度函数,其中,所述各卫星的降水数据的后验概率为各卫星的降水数据在所述地面降水数据条件下的后验概率,所述多卫星融合降水的后验分布为基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布;
将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数。
在其中一个实施例中,所述将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数,包括:
将所述地面降水数据和所述各卫星的降水数据分别进行正态分布转换,获取地面正态分布降水数据和各卫星的正态分布降水数据;
根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率;
将所述优化后的各卫星的降水数据的后验概率确定为所述各卫星的融合权重系数。
在其中一个实施例中,所述根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率,包括:
根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差;
将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合;
根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数;
迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。
在其中一个实施例中,所述方法还包括:
所述多卫星融合降水参数,还包括多卫星融合降水的误差信息;
根据所述优化后的待求参数集合,计算所述多卫星融合降水的概率密度函数的方差;
将所述多卫星融合降水的概率密度函数的方差确定为所述多卫星融合降水的误差信息。
本发明所提供的基于空间插值的多卫星融合降水预测方法,将已知网格的多卫星融合降水参数,利用空间算法,计算待预测网格的多卫星融合降水参数,再根据待预测网格的多卫星融合降水参数计算待预测区域的融合降水值,可以避免传统的基于空间插值的多卫星融合降水预测方法中,直接将已知网格的融合降水值进行空间插值导致的预测结果误差过大的问题,提高多卫星融合降水预测的准确度。
在本发明的一个实施例中,根据采样时段的不同,及所述地面站点选择的不同,获取的多卫星融合降水参数也不相同,多卫星融合降水参数在时间及空间上均呈现动态的特性,最大程度的排除每颗卫星由于监测时间或空间的不同所产生的误差,也使得多卫星融合降水预测的结果更加准确。
本发明还提供一种基于空间插值的多卫星融合降水预测***,包括:
网格划分模块,用于将待预测区域划分为已知网格和待预测网格,所述已知网格为包含地面降水数据的网格,所述待预测网格为不包含地面降水数据的网格;
已知网格计算模块,用于根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数包括各卫星的融合权重系数;
空间插值模块,用于利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数;
降水预测模块,用于根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。
在其中一个实施例中,所述空间插值模块,包括:
插值权重系数子模块,用于利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数;
待预测网格子模块,用于根据所述已知网格的多卫星融合降水参数和所述待预测网格的插值权重系数,计算所述待预测网格的多卫星融合降水参数。
在其中一个实施例中,所述插值权重系数子模块,具体用于:
计算所述插值权重系数,所述插值权重系数满足使各所述已知网格的多卫星融合降水参数的实际值和估计值之间的误差最小,且期望值之差等于0。
在其中一个实施例中,所述已知网格计算模块,包括:
时段采样子模块,用于获取采样时段,所述采样时段包括N年中每一年的预设时段,每个所述预设时段的时长小于一年,其中N为正整数;
降水数据获取子模块,用于分别获取所述采样时段内的地面降水数据和至少两颗卫星的降水数据;
先验概率确定子模块,用于确定各卫星的先验概率;
降水参数计算子模块,用于根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数。
在其中一个实施例中,所述降水参数计算子模块,包括:
概率密度函数确定单元,用于根据所述各卫星的降水数据的后验概率和多卫星融合降水的后验分布,确定多卫星融合降水的概率密度函数,其中,所述各卫星的降水数据的后验概率为各卫星的降水数据在所述地面降水数据条件下的后验概率,所述多卫星融合降水的后验分布为基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布;
融合降水参数计算单元,用于将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数。
在其中一个实施例中,所述融合降水参数计算单元,包括:
正态分布转换子单元,用于将所述地面降水数据和所述各卫星的降水数据分别进行正态分布转换,获取地面正态分布降水数据和各卫星的正态分布降水数据;
最大期望计算子单元,用于根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率;并将所述优化后的各卫星的降水数据的后验概率确定为所述各卫星的融合权重系数。
在其中一个实施例中,所述最大期望计算子单元,包括:
误差计算组件,用于根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差;
初始待求参数获取组件,用于将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合;
似然函数获取组件,用于根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数;
最大似然值获取组件,用于迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。
在其中一个实施例中,还包括:
所述已知网格计算模块,还用于计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数还包括多卫星融合降水的误差信息;
所述最大期望计算子单元,还包括:
方差计算组件,用于根据所述优化后的待求参数集合,计算所述多卫星融合降水的概率密度函数的方差;
误差信息确定组件,用于将所述多卫星融合降水的概率密度函数的方差确定为所述多卫星融合降水的误差信息。
本发明所提供的基于空间插值的多卫星融合降水预测***,将已知网格的多卫星融合降水参数,利用空间算法,计算待预测网格的多卫星融合降水参数,再根据待预测网格的多卫星融合降水参数计算待预测区域的融合降水值,可以避免传统的基于空间插值的多卫星融合降水预测方法中,直接将已知网格的融合降水值进行空间插值导致的预测结果误差过大的问题,提高多卫星融合降水预测的准确度。
在本发明的一个实施例中,根据采样时段的不同,及所述地面站点选择的不同,获取的多卫星融合降水参数也不相同,多卫星融合降水参数在时间及空间上均呈现动态的特性,最大程度的排除每颗卫星由于监测时间或空间的不同所产生的误差,也使得多卫星融合降水预测的结果更加准确。
附图说明
图1为一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图2为另一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图3为又一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图4为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图5为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图6为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图7为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图;
图8为一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图;
图9为另一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图;
图10为由一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图;
图11为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图;
图12为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图;
图13为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图;
图14为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明基于空间插值的多卫星融合降水预测方法及***进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1为一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图1所示的基于空间插值的多卫星融合降水预测方法,包括:
步骤S10000,将待预测区域划分为已知网格和待预测网格,所述已知网格为包含地面降水数据的网格,所述待预测网格为不包含地面降水数据的网格。
具体的,所述待预测区域为包含地面站点的区域,且所包含的地面站点的数量越多,预测的结果越准确。
步骤S20000,根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数包括各卫星的融合权重系数。
具体的,根据所述已知网格的地面降水数据和至少两颗卫星的卫星降水数据,利用概率统计算法,计算多卫星融合降水参数,如所述各卫星的融合权重系数,所述融合权重系数为经过迭代计算的最优权重系数。
在本发明所提供的一个实施例中,所述卫多卫星融合降水参数,还包括多卫星融合降水的误差信息。所述误差信息可以进一步提高多卫星融合降水预测的准确度。
步骤S30000,利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数。
步骤S40000,根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。
具体的,利用待预测区域的所有已知网格和待预测网格的权重空间分布情况,将所述已知网格和待预测网格的多卫星融合降水参数进行加权求和处理,进一步计算后得到待预测区域的融合降水值。
本实施例所提供的所基于空间插值的卫星融合降水预测方法,将通过将已知网格的多卫星融合降水参数插值到待预测网格,获取待预测区域的多卫星融合降水参数的权重空间分布,再进一步计算待预测区域的融合降水值,避免了直接将已知网格的融合降水值插值到待预测区域所带来的误差增大的问题,提高了多卫星融合降水预测的准确率。
图2为另一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图2所示的基于空间插值的多卫星融合降水预测方法,包括:
步骤S31000,利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数。
具体的,普通克里金插值的假设条件为,空间属性是均一的,对于空间中的任一点,都有同样的期望值与方差。
根据所述已知网格的多卫星融合降水参数,利用公式(1)计算插值权重系数。
其中,为已知网格多卫星融合降水参数的估计值,Zi为已知网格多卫星融合降水参数的实际值,n为已知网格的个数,λi为插值权重系数。
根据公式(1)计算得出的插值权重系数λi是一个包括距离以及已知网格之间的空间关系的函数形式。
所述插值权重系数λi使各所述已知网格的多卫星融合降水参数的实际值和估计值之间的误差最小,且期望值之差等于0,即,满足公式(2)和公式(3)。
步骤S32000,根据所述已知网格的多卫星融合降水参数和所述待预测网格的插值权重系数,计算所述待预测网格的多卫星融合降水参数。
具体的,同样的,根据所述已知网格的多卫星融合降水参数和所述已知的插值权重系数λi,可以利用所述公式(1)计算出待预测网格的多卫星融合降水参数。
本实施例所提供的基于空间插值的多卫星融合降水预测方法,通过普通克里金空间插值算法,利用已知网格的多卫星融合降水参数,计算待预测网格的多卫星融合降水参数,将多数已知网格和待预测网格之间的距离以及所述已知网格之间的相互的空间关系均进行了考量,保证了插值计算后的待预测网格的多卫星融合降水参数的准确性。
图3为又一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图3所示的基于空间插值的多卫星融合降水预测方法,包括:
步骤S21000,获取采样时段,所述采样时段包括N年中每一年的预设时段,每个所述预设时段的时长小于一年,其中N为正整数。
具体的,可利用多卫星融合降水的方法进行降水量的预测。在本发明所提供的多卫星融合降水方法中,根据所述卫星降水数据的不同的时间精度,可用于预测小时降水量、日降水量、月降水量等不同时段的降水量,后续采用日降水量进行具体的举例说明。由于降水量具有时间连续的特性,一般利用预测日的前期降水量对预测日的降水量进行预测。降水量按照年呈现周期性的特性,如一年中的降水多分布在春季或夏季,本发明所述的预设时段,是指以年为周期的固定的预设的时段,如每年的3月1日至3月31日这个时段,或每年的3月1日之前连续的40天等,选定了一年的预设时段后,进一步在选定的第N个年中都固定选择此预设时段即可。
又由于降水量的不确定性,在某些年份的降水量会出现异常的波动,在对降水量的日常预测中,可对所述降水异常年份的数据不予计算,在对第N个年进行选择时,根据需求,可连续选择,也可不连续选择。
在本发明的一个实施例中,为对选定的预测日如2000年10月1日进行预测时,选择2000年10月1日之前连续40天、1999年10月1日之前连续40天,以及1998年10月1日之前连续40天,共120天作为采样时段,也可选择1999年10月1日之前连续40天,1998年10月1日之前连续40天以及1996年10月1日之前连续40天,需视实际情况而定。
即,对于需要预测的第n年第t日,选取第n年第t-x日至第n年第t-1日、第n-1年第t-x日至第n-1年第t-1日、第n-2年第t-x日至第n-2年第t-1日(x为每年选取的样本长度),总计3x个采样日;或,选取第n年第t-x日至第n年第t-1日、第n-2年第t-x日至第n-2年第t-1日、第n-4年第t-x日至第n-4年第t-1日(x为每年选取的样本长度),总计3x个采样日。
步骤S22000,分别获取所述采样时段内的地面降水数据和至少两颗卫星的降水数据。
具体的,在确定了采样时段后,需要分别获取地面降水数据和至少两颗卫星的降水数据,以便进行卫星融合降水。
所述的地面降水数据,一般来自地面站点,如需要预测的区域中有地面站点,可直接采用,如不具有地面站点,也可利用周围的地面站点的降水数据进行处理后使用。所述地面降水数据为降水的真实值。
所述地面站点的选择,对后续多卫星融合降水的计算会产生较大的影响,如在一片需要预测的区域中,根据区域的地理特性,选择具有代表性的地面站点的降水数据,或尽量选择包含地面站点的区域进行预测,都会使融合后的降水结果更加准确。
所述的卫星的降水数据,是经过初步计算后的卫星的反演降水数据。由于不同卫星的反演算法、卫星精度不同,卫星的反演降水数据的误差也受所预测区域、降水类型、降水时段、地表植被覆盖、地形等的影响而不同,需要在后续的计算中尽量的排除,以使融合后的降水结果更加准确。
步骤S23000,确定各卫星的先验概率。
具体的,所述确定所述各卫星的先验概率,包括根据所述地面降水数据和所述各卫星的降水数据计算所述各卫星的先验概率,或预设所述各卫星的先验概率。通常,所述各卫星的先验概率之和等于1。
在实际使用中,为方便计算,可为所述各卫星预设相等的先验概率,如共有4颗卫星,每颗卫星的先验概率等于1/4=0.25。
也可以根据所述地面降水数据和所述各卫星的降水数据计算所述各卫星的先验概率,如各卫星的先验概率=(所述各卫星与地面降水数据的差值)/所述各卫星与地面降水数据的差值之和)。
步骤S24000,根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数。
具体的,所述概率统计模型,一般采用贝叶斯模型经过迭代计算,计算各卫星的融合权重系数,所述融合权重系数为经过迭代计算的最优权重系数。以地面降水数据为真实值,确定出所述各卫星的融合权重系数后,将多卫星的降水数据进行融合计算,得到最接近真实值的融合降水结果。
本实施例所提供的基于空间插值的多卫星融合降水预测方法,根据采样时段的不同,及所述地面站点选择的不同,所述各卫星的融合权重系数的计算结果也不相同,各卫星的融合权重系数在时间及空间上均呈现动态的特性,最大程度的排除每颗卫星由于监测时间或空间的不同所产生的误差,使得多卫星融合降水预测结果更加准确。
图4为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图4所示的基于空间插值的多卫星融合降水预测方法包括:
步骤S24100,根据所述各卫星的降水数据的后验概率和多卫星融合降水的后验分布,确定多卫星融合降水的概率密度函数,其中,所述各卫星的降水数据的后验概率为各卫星的降水数据在所述地面降水数据条件下的后验概率,所述多卫星融合降水的后验分布为基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布。
具体的,确定的卫星融合降水的概率密度函数用公式(4)表示如下:
wk=p(fk|D) 公式(5)
其中,y为融合后的降水,D=[y1obs,y2obs,…,yTobs]为采样时段T的地降水数据,fk=[f1,f2,…,fK]是不同卫星(或雷达)的降水数据,K为卫星的个数,p(fk|D)为各卫星的降水数据在所述地面降水数据条件下的后验概率,P(y|fk,D)是基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布,p(y|D)为基于所述地面降水数据条件下的多卫星融合降水的概率。
需特别说明的是,公式(4)需满足公式(5)及公式(6)设定的条件。
步骤S24200,将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数。
具体的,由于贝叶斯多模型集成的相关参数信息(比如权重系数)、融合结果不能直接得出,上述多卫星融合降水的概率密度函数在实际操作中,需要通过不断迭代求得最优解。经过迭代计算后获取的p(fk|D),即各卫星的降水数据在所述地面降水数据条件下的后验概率,即为所述各卫星的融合权重系数。
本实施例所提供的基于空间插值的多卫星融合降水预测方法,利用贝叶斯模型给出卫星融合降水的概率密度函数公式,经过迭代计算确定各卫星的降水数据在地面降水数据条件下的后验概率,从而确定各卫星的融合权重系数。本实施例以地面降水数据为真实值,综合考虑数据之间的内在关联,随时采样时段及地面降水数据的不同,给出的各卫星的融合权重系数也不同,使融合后的降水最大程度的接近真实值,提高多多卫星融合降水预测的准确性。
图5为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图5所示的基于空间插值的多卫星融合降水预测方法包括:
步骤S24210,将所述地面降水数据和所述各卫星的降水数据分别进行正态分布转换,获取地面正态分布降水数据和各卫星的正态分布降水数据。
具体的,由于降水数据不符合正态分布,在对公式(4)进行迭代计算时,多采用最大期望算法,而采用最大期望算法的前提是其数据符合正态分布。因此,需要将地面降水数据和各卫星的降水数据分别进行正态分布转换。
本实施例采用Box-Cox转换方式,利用公式(7)对地面降水数据和各卫星的降水数据进行正态分布转换。
其中,τ为常数,y为融合后的降水,Zt为正态转后的融合后的降水。
步骤S24220,根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率。
具体的,将经过正态分布转换后的地面降水数据和各卫星的降水数据,利用最大期望算法进行迭代计算。该算法是建立在K个模型均服从正态分布之假设的计算贝叶斯多模型集成的最有效方法。
步骤S24230,将所述优化后的各卫星的降水数据的后验概率确定为所述各卫星的融合权重系数。
本实施例所提供的基于空间插值的多卫星融合降水预测方法,利用贝叶斯模型给出卫星融合降水的概率密度函数公式,将地面降水数据和各卫星的降水数据进行正态分布转换后,利用最大期望算法计算各卫星的融合权重系数。在对数据进行计算时,结合所采用的算法进行的数据处理,能够使融合后的降水最大程度的接近真实值,从而提高多卫星融合降水预测的准确性。
图6为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图6所示的基于空间插值的多卫星融合降水预测方法,包括:
步骤S24221,根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差。
具体的,计算σ2,σ2为所述各卫星的降水数据相对地面降水数据的方差。
步骤S24222,将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合。
具体的,以θ={wk,σ2,k=1,2..,K}表示所述多卫星融合降水的概率密度函数中的待求参数集合,其中,σ2为所述各卫星的降水数据的误差,Wk为所述各卫星的降水数据的后验概率。
步骤S24223,根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数。
具体的,所述待求参数集合的对数似然函数为公式(8),
其中,fk为不同卫星的降水数据,wk为所述各卫星的降水数据的后验概率,表示均值为fk,方差为的正态分布。
步骤S34224,迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。
具体的,由公式(8)难以求得θ难的解析解,而期望最大化算法可以通过期望和最大化两步的反复迭代直至收敛,得到极大似然值,从而得到θ的数值解。
本实施例所提供的基于空间插值的多卫星融合降水预测方法,进一步给出了卫星融合降水的概率密度函数公式的计算过程,所采用的正态分布转换及最大期望算法,均能够保证多卫星融合降水预测结果更加准确。
在其中一个实施例中,步骤S24224包括:
步骤1,根据所述各卫星预设的初始权重值,所述地面降水数据和所述各卫星的降水数据,计算所述各卫星的降水数据的初始方差。
具体的,首先,设置初始迭代次数i=1,各卫星的初始权重值为wk=1/k,各卫星的降水数据的初始方差为公式(9):
步骤2,根据所述初始权重值和所述初始方差,计算所述对数似然函数的初始似然值。
具体的,根据上述公式(8)计算初始似然值。
步骤3,根据所述卫星的降水数据、所述方差和所述地面降水数据,确定隐藏变量。
具体的,引入一个隐藏变量,确定公式(10)的为隐藏变量。
步骤4,将所述隐藏变量进行迭代计算,获取迭代后的隐藏变量。
具体的,将迭代次数i+1,根据公式(10)计算迭代后的
步骤5,将所述迭代后的隐藏变量,计算各卫星的迭代权重值和迭代方差。
具体的,用公式(11)表示所述各卫星的迭代权重值,用公式(12)表示各卫星的迭代方差。
步骤6,根据所述迭代权重值和迭代方差,计算所述对数似然函数的似然值。
具体的,将迭代权重值和迭代方差代入公式(8),计算对数似然函数的似然值。
步骤7,根据所述似然值和预设的阈值,确定所述对数似然函数的最大似然值。
具体的,通过不断迭代,检验收敛性,若l(θ)i-l(θ)i-1小于或等于预设的阈值,则确定本次迭代计算后的似然值为所述对数似然函数的最大似然值。
本实施例给出的基于空间插值的多卫星融合降水预测方法,给出了具体的根据地面降水数据和给卫星的降水数据进行的对数似然函数的最大似然值的计算步骤,通过迭代计算时,使得多卫星融合降水预测的计算结果更加准确。
图7为再一个实施例中的基于空间插值的多卫星融合降水预测方法的流程示意图,如图7所示的基于空间插值的多卫星融合降水预测方法,包括:
步骤S24221,根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差。
步骤S24222,将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的待求参数集合。
步骤S24223,根据所述待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述待求参数集合的对数似然函数。
步骤S24224,迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。
步骤S24225,根据所述优化后的待求参数集合,计算所述多卫星融合降水的概率密度函数的方差;将所述多卫星融合降水的概率密度函数的方差确定为所述多卫星融合降水的误差信息。
具体的,本实施例所提供的所述多卫星融合降水参数,还包括多卫星融合降水的误差信息。
本实施例所提供的多卫星融合降水的概率密度函数的均值为公式(13),方差为公式(14)。
贝叶斯多模型集成的结果是多个单一模型不断优化后的加权平均结果,所述均值为融合后的降水,所述方差为多卫星融合降水的误差信息。
本实施例所提供的基于空间插值的多卫星融合降水预测方法,通过给出融合降水的方差,即融合降水的误差信息,给出了判断融合降水的准确性的概率统计结果,有助于进一步提高多卫星融合降水预测的准确性。
以下为本发明所提供的基于空间插值的多卫星融合降水预测***的结构示意图,各实施例所提供的装置是本发明所提供的发送方法所对应的装置,本发明中所述的方法所对应的各实施例的详细描述内容均相应的适用于所对应的装置,不再赘述。
图8为一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图8为所示的基于空间插值的多卫星融合降水预测***,包括:
网格划分模块1000,用于将待预测区域划分为已知网格和待预测网格,所述已知网格为包含地面降水数据的网格,所述待预测网格为不包含地面降水数据的网格;
已知网格计算模块2000,用于根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述多卫星融合降水参数包括各卫星的融合权重系数;
空间插值模块3000,用于利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数;
降水预测模块4000,用于根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。
本实施例所提供的所基于空间插值的卫星融合降水预测***,将通过将已知网格的多卫星融合降水参数插值到待预测网格,获取待预测区域的多卫星融合降水参数的权重空间分布,再进一步计算待预测区域的融合降水值,避免了直接将已知网格的融合降水值插值到待预测区域所带来的误差增大的问题,提高了多卫星融合降水预测的准确率。
图9为另一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图9所示的基于空间插值的多卫星融合降水预测***,包括:
插值权重系数子模块3100,用于利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数;
待预测网格子模块3200,用于根据所述已知网格的多卫星融合降水参数和所述待预测网格的插值权重系数,计算所述待预测网格的多卫星融合降水参数。
本实施例所提供的基于空间插值的多卫星融合降水预测***,通过普通克里金空间插值算法,利用已知网格的多卫星融合降水参数,计算待预测网格的多卫星融合降水参数,将多数已知网格和待预测网格之间的距离以及所述已知网格之间的相互的空间关系均进行了考量,保证了插值计算后的待预测网格的多卫星融合降水参数的准确性。
图10为由一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图10所示的基于空间插值的多卫星融合降水预测***,包括:
时段采样子模块10000,用于确定采样时段,所述采样时段包括N年中每一年的预设时段,每个所述预设时段的时长小于一年;
降水数据获取子模块20000,用于分别获取所述采样时段内的地面降水数据和至少两颗卫星的降水数据;
先验概率确定子模块30000,用于确定所述各卫星的先验概率;
降水参数计算子模块40000,用于根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数。
本实施例所提供的基于空间插值的多卫星融合降水预测***,根据采样时段的不同,及所述地面站点选择的不同,所述各卫星的融合权重系数的计算结果也不相同,各卫星的融合权重系数在时间及空间上均呈现动态的特性,最大程度的排除每颗卫星由于监测时间或空间的不同所产生的误差,使得多卫星融合降水预测更加准确。
图11为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图11所示的基于空间插值的多卫星融合降水预测***,包括:
概率密度函数确定单元41000,用于根据所述各卫星的降水数据的后验概率和多卫星融合降水的后验分布,确定多卫星融合降水的概率密度函数,其中,所述各卫星的降水数据的后验概率为各卫星的降水数据在所述地面降水数据条件下的后验概率,所述多卫星融合降水的后验分布为基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布;
融合降水参数计算单元42000,用于将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数。
本实施例所提供的基于空间插值的多卫星融合降水预测***,利用贝叶斯模型给出卫星融合降水的概率密度函数公式,经过迭代计算确定各卫星的降水数据在地面降水数据条件下的后验概率,从而确定各卫星的融合权重系数。本实施例以地面降水数据为真实值,综合考虑数据之间的内在关联,随时采样时段及地面降水数据的不同,给出的各卫星的融合权重系数也不同,使融合后的降水最大程度的接近真实值,提高多卫星融合降水预测的准确性。
图12为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图11所示的基于空间插值的多卫星融合降水预测***,包括:
正态分布转换子单元42100,用于将所述地面降水数据和所述各卫星的降水数据分别进行正态分布转换,获取地面正态分布降水数据和各卫星的正态分布降水数据;
最大期望计算子单元42200,用于根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率;并将所述优化后的各卫星的降水数据的后验概率确定为所述各卫星的融合权重系数。
本实施例所提供的基于空间插值的多卫星融合降水预测***,利用贝叶斯模型给出卫星融合降水的概率密度函数公式,将地面降水数据和各卫星的降水数据进行正态分布转换后,利用最大期望算法计算各卫星的融合权重系数。在对数据进行计算时,结合所采用的算法进行的数据处理,能够使融合后的降水最大程度的接近真实值,从而提高多卫星融合降水预测的准确性。
图13为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图13所示的基于空间插值的多卫星融合降水预测***,包括:
误差计算组件42210,用于根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差;
初始待求参数获取组件42220,用于将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合;
似然函数获取组件42230,用于根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数;
最大似然值获取组件42240,用于迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。具体用于根据所述各卫星预设的初始权重值,所述地面降水数据和所述各卫星的降水数据,计算所述各卫星的降水数据的初始方差;根据所述初始权重值和所述初始方差,计算所述对数似然函数的初始似然值;根据所述卫星的降水数据、所述方差和所述地面降水数据,确定隐藏变量;将所述隐藏变量进行迭代计算,获取迭代后的隐藏变量;将所述迭代后的隐藏变量,计算各卫星的迭代权重值和迭代方差;根据所述迭代权重值和迭代方差,计算所述对数似然函数的似然值;根据所述似然值和预设的阈值,确定所述对数似然函数的最大似然值。
本实施例所提供的多卫星融合降水预测,进一步给出了卫星融合降水的概率密度函数公式的计算过程,所采用的正态分布转换及最大期望算法,均能够保证多卫星融合降水预测的计算结果更加准确。
图14为再一个实施例中的基于空间插值的多卫星融合降水预测***的结构示意图,如图13所示的基于空间插值的多卫星融合降水预测***,还包括:
误差计算组件42210,用于根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差;
初始待求参数获取组件42220,用于将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合;
似然函数获取组件42230,用于根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数;
最大似然值获取组件42240,用于迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。具体用于根据所述各卫星预设的初始权重值,所述地面降水数据和所述各卫星的降水数据,计算所述各卫星的降水数据的初始方差;根据所述初始权重值和所述初始方差,计算所述对数似然函数的初始似然值;根据所述卫星的降水数据、所述方差和所述地面降水数据,确定隐藏变量;将所述隐藏变量进行迭代计算,获取迭代后的隐藏变量;将所述迭代后的隐藏变量,计算各卫星的迭代权重值和迭代方差;根据所述迭代权重值和迭代方差,计算所述对数似然函数的似然值;根据所述似然值和预设的阈值,确定所述对数似然函数的最大似然值。还用于计算多卫星融合降水参数,其中所述多卫星融合降水参数包括多卫星融合降水的误差信息。
方差计算组件42250,用于根据所述优化后的待求参数集合,计算所述多卫星融合降水的概率密度函数的方差;
误差信息确定组件42260,用于将所述多卫星融合降水的概率密度函数的方差确定为所述多卫星融合降水的误差信息。
本实施例所提供的基于空间插值的多卫星融合降水预测***,通过给出融合降水的方差,即融合降水的误差信息,给出了判断融合降水的准确性的概率统计结果,有助于进一步提高多卫星融合降水预测的准确性。
进一步的,本发明还提供一种多卫星融合降水方法的验证方法,基于本发明所提供的多卫星融合降水方法,具体的验证评价指标包括绝对相对误差(RBE),均方根误差(RMSE),皮尔逊相关系数(CC),标准差(SD),探测率(POD),Euclid贴近度(e)。
其中,绝对相对误差(RBE),均方根误差(RMSE),标准差(SD),描述地面站点的地面数据与卫星融合降水之间的误差与偏差。皮尔逊相关系数(CC)用于描述地面站点观测值与卫星融合降水之间的拟合度。Euclid贴近度(e)是两个模糊子集之间接近程度的一种度量,可以将上述五个其它指标结合,是能够定量的描述卫星估计效果的综合指标。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种基于空间插值的多卫星融合降水预测方法,其特征在于,所述方法包括:
将待预测区域划分为已知网格和待预测网格,所述已知网格为包含地面降水数据的网格,所述待预测网格为不包含地面降水数据的网格;
根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数包括各卫星的融合权重系数;
利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数;
根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。
2.根据权利要求1所述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数,包括:
利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数;
根据所述已知网格的多卫星融合降水参数和所述待预测网格的插值权重系数,计算所述待预测网格的多卫星融合降水参数。
3.根据权利要求2所述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述待预测网格的插值权重系数,包括:
使各所述已知网格的多卫星融合降水参数的实际值和估计值之间的误差最小,且期望值之差等于0的插值权重系数。
4.根据权利要求1所述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述多卫星融合降水参数包括各卫星的融合权重系数,包括:
获取采样时段,所述采样时段包括N年中每一年的预设时段,每个所述预设时段的时长小于一年,其中N为正整数;
分别获取所述采样时段内的地面降水数据和至少两颗卫星的降水数据;
确定各卫星的先验概率;
根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数。
5.根据权利要求4所述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数,包括:
根据所述各卫星的降水数据的后验概率和多卫星融合降水的后验分布,确定多卫星融合降水的概率密度函数,其中,所述各卫星的降水数据的后验概率为各卫星的降水数据在所述地面降水数据条件下的后验概率;所述多卫星融合降水的后验分布为基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布;
将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数。
6.根据权利要求5所述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数,包括:
将所述地面降水数据和所述各卫星的降水数据分别进行正态分布转换,获取地面正态分布降水数据和各卫星的正态分布降水数据;
根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率;
将所述优化后的各卫星的降水数据的后验概率确定为所述各卫星的融合权重系数。
7.根据权利要求6述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率,包括:
根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差;
将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合;
根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数;
迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。
8.根据权利要求7所述的基于空间插值的多卫星融合降水预测方法,其特征在于,所述已知网格的多卫星融合降水参数还包括多卫星融合降水的误差信息,所述误差信息的计算方法包括:
根据所述优化后的待求参数集合,计算所述多卫星融合降水的概率密度函数的方差;
将所述多卫星融合降水的概率密度函数的方差确定为所述多卫星融合降水的误差信息。
9.一种基于空间插值的多卫星融合降水预测***,其特征在于,包括:
网格划分模块,用于将待预测区域划分为已知网格和待预测网格,所述已知网格为包含地面降水数据的网格,所述待预测网格为不包含地面降水数据的网格;
已知网格计算模块,用于根据所述已知网格的地面降水数据和至少两颗卫星的降水数据,计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数包括各卫星的融合权重系数;
空间插值模块,用于利用空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的多卫星融合降水参数;
降水预测模块,用于根据所述已知网格的多卫星融合降水参数、所述待预测网格的多卫星融合降水参数、所述待预测网格和已知网格的卫星降水数据,计算所述待预测区域的融合降水值。
10.根据权利要求9所述的基于空间插值的多卫星融合降水预测***,其特征在于,所述空间插值模块,包括:
插值权重系数子模块,用于利用普通克里金空间插值算法,根据所述已知网格的多卫星融合降水参数,计算所述待预测网格的插值权重系数;
待预测网格子模块,用于根据所述已知网格的多卫星融合降水参数和所述待预测网格的插值权重系数,计算所述待预测网格的多卫星融合降水参数。
11.根据权利要求10所述的基于空间插值的多卫星融合降水预测***,其特征在于,所述插值权重系数子模块,具体用于:
计算所述插值权重系数,所述插值权重系数满足使各所述已知网格的多卫星融合降水参数的实际值和估计值之间的误差最小,且期望值之差等于0。
12.根据权利要求9所述的基于空间插值的多卫星融合降水预测***,其特征在于,所述已知网格计算模块,包括:
时段采样子模块,用于获取采样时段,所述采样时段包括N年中每一年的预设时段,每个所述预设时段的时长小于一年,其中N为正整数;
降水数据获取子模块,用于分别获取所述采样时段内的地面降水数据和至少两颗卫星的降水数据;
先验概率确定子模块,用于确定各卫星的先验概率;
降水参数计算子模块,用于根据所述各卫星的先验概率、所述地面降水数据和所述各卫星的降水数据,利用概率统计模型计算多卫星融合降水参数。
13.根据权利要求12所述的基于空间插值的多卫星融合降水预测***,其特征在于,所述降水参数计算子模块,包括:
概率密度函数确定单元,用于根据所述各卫星的降水数据的后验概率和多卫星融合降水的后验分布,确定多卫星融合降水的概率密度函数,其中,所述各卫星的降水数据的后验概率为各卫星的降水数据在所述地面降水数据条件下的后验概率,所述多卫星融合降水的后验分布为基于所述各卫星的降水数据及所述地面降水数据条件下的多卫星融合降水的后验分布;
融合降水参数计算单元,用于将所述多卫星融合降水的概率密度函数进行迭代计算,确定所述多卫星融合降水参数。
14.根据权利要求13所述的基于空间插值的多卫星融合降水预测***,其特征在于,所述融合降水参数计算单元,包括:
正态分布转换子单元,用于将所述地面降水数据和所述各卫星的降水数据分别进行正态分布转换,获取地面正态分布降水数据和各卫星的正态分布降水数据;
最大期望计算子单元,用于根据所述地面正态分布降水数据、所述各卫星的正态分布降水数据,将所述多卫星融合降水的概率密度函数利用最大期望算法进行迭代计算,确定优化后的各卫星的降水数据的后验概率;并将所述优化后的各卫星的降水数据的后验概率确定为所述各卫星的融合权重系数。
15.根据权利要求14述的基于空间插值的多卫星融合降水预测***,其特征在于,所述最大期望计算子单元,包括:
误差计算组件,用于根据所述各卫星的降水数据和所述地面降水数据,计算所述各卫星的降水数据的误差;
初始待求参数获取组件,用于将所述各卫星的降水数据的误差、所述各卫星的降水数据的后验概率,确定为所述多卫星融合降水的概率密度函数中的初始待求参数集合;
似然函数获取组件,用于根据所述初始待求参数的集合,所述地面正态分布降水数据和所述各卫星的正态分布降水数据,确定所述初始待求参数集合的对数似然函数;
最大似然值获取组件,用于迭代计算所述对数似然函数并确定所述对数似然函数的最大似然值,根据所述最大似然值确定优化后的待求参数集合,所述优化后的待求参数集合包括优化后的各卫星的降水数据的后验概率。
16.根据权利要求15所述的基于空间插值的多卫星融合降水预测***,其特征在于,
所述已知网格计算模块,还用于计算所述已知网格的多卫星融合降水参数,所述已知网格的多卫星融合降水参数还包括多卫星融合降水的误差信息;
所述最大期望计算子单元,还包括:
方差计算组件,用于根据所述优化后的待求参数集合,计算所述多卫星融合降水的概率密度函数的方差;
误差信息确定组件,用于将所述多卫星融合降水的概率密度函数的方差确定为所述多卫星融合降水的误差信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610880735.7A CN107918165B (zh) | 2016-10-09 | 2016-10-09 | 基于空间插值的多卫星融合降水预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610880735.7A CN107918165B (zh) | 2016-10-09 | 2016-10-09 | 基于空间插值的多卫星融合降水预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107918165A true CN107918165A (zh) | 2018-04-17 |
CN107918165B CN107918165B (zh) | 2019-10-18 |
Family
ID=61891713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610880735.7A Expired - Fee Related CN107918165B (zh) | 2016-10-09 | 2016-10-09 | 基于空间插值的多卫星融合降水预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918165B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647740A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 利用高分辨率地形和气象因子进行多源降水融合的方法 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN109191408A (zh) * | 2018-04-19 | 2019-01-11 | 中国气象局公共气象服务中心 | 快速循环地面气象融合方法、装置及服务器 |
CN109614589A (zh) * | 2018-12-28 | 2019-04-12 | 华东交通大学 | 短临降水的计算方法、***、可读存储介质及计算机设备 |
CN109871584A (zh) * | 2019-01-16 | 2019-06-11 | 中山大学 | 一种基于log-sinh变换的区域月降水统计频率分析方法 |
CN110118982A (zh) * | 2019-04-12 | 2019-08-13 | 大连理工大学 | 一种基于空间优化插值的卫星降水数据校正方法 |
CN110865425A (zh) * | 2019-11-28 | 2020-03-06 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报*** |
CN111611541A (zh) * | 2020-04-26 | 2020-09-01 | 武汉大学 | 基于Copula函数的无资料地区降水数据推求方法及*** |
CN111624682A (zh) * | 2020-06-24 | 2020-09-04 | 海南省气象科学研究所 | 一种基于多源数据融合的定量降水估测方法 |
CN111639438A (zh) * | 2020-06-08 | 2020-09-08 | 中国水利水电科学研究院 | 一种基于前期预报误差动态改变wrf模式参数化方案组合的方法 |
CN112162336A (zh) * | 2020-09-22 | 2021-01-01 | 上海眼控科技股份有限公司 | 基于二维气象要素场的能见度预测方法和装置 |
CN112285807A (zh) * | 2019-11-12 | 2021-01-29 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN112526637A (zh) * | 2020-11-17 | 2021-03-19 | 国网湖南省电力有限公司 | 基于不均匀权重的一体化电网通道暴雨监测方法和*** |
CN112800634A (zh) * | 2021-04-07 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN112819237A (zh) * | 2021-02-08 | 2021-05-18 | 广东省气象台(南海海洋气象预报中心) | 降水多尺度融合预报方法和装置 |
CN112861072A (zh) * | 2021-02-09 | 2021-05-28 | 河海大学 | 一种星地多源降水自适应动态融合方法 |
CN113159378A (zh) * | 2021-03-15 | 2021-07-23 | 中国科学院地理科学与资源研究所 | 无测站山区径流与遥感降水相结合的降水估算方法 |
CN113205155A (zh) * | 2021-05-27 | 2021-08-03 | 中国水利水电科学研究院 | 一种基于分区自适应权重的多源降水数据融合方法 |
CN113837422A (zh) * | 2020-06-24 | 2021-12-24 | 海南省气象科学研究所 | 一种基于多源大数据的降水落区确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349767A (zh) * | 2008-09-05 | 2009-01-21 | 国家卫星气象中心 | 高分辨率降水数据处理方法 |
CN103942941A (zh) * | 2014-04-11 | 2014-07-23 | 中国人民解放军61139部队 | 基于gis的移动监测融合平台 |
CN105068153A (zh) * | 2015-06-19 | 2015-11-18 | 中国气象科学研究院 | 一种区域自动雨量站小时降水数据质量控制***及方法 |
CN105608840A (zh) * | 2016-03-09 | 2016-05-25 | 长江水利委员会水文局 | 一种基于融合定量降雨预报算法的山洪预警平台及预警方法 |
-
2016
- 2016-10-09 CN CN201610880735.7A patent/CN107918165B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349767A (zh) * | 2008-09-05 | 2009-01-21 | 国家卫星气象中心 | 高分辨率降水数据处理方法 |
CN103942941A (zh) * | 2014-04-11 | 2014-07-23 | 中国人民解放军61139部队 | 基于gis的移动监测融合平台 |
CN105068153A (zh) * | 2015-06-19 | 2015-11-18 | 中国气象科学研究院 | 一种区域自动雨量站小时降水数据质量控制***及方法 |
CN105608840A (zh) * | 2016-03-09 | 2016-05-25 | 长江水利委员会水文局 | 一种基于融合定量降雨预报算法的山洪预警平台及预警方法 |
Non-Patent Citations (9)
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191408A (zh) * | 2018-04-19 | 2019-01-11 | 中国气象局公共气象服务中心 | 快速循环地面气象融合方法、装置及服务器 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN108761574B (zh) * | 2018-05-07 | 2021-04-27 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN108647740A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 利用高分辨率地形和气象因子进行多源降水融合的方法 |
CN109614589A (zh) * | 2018-12-28 | 2019-04-12 | 华东交通大学 | 短临降水的计算方法、***、可读存储介质及计算机设备 |
CN109614589B (zh) * | 2018-12-28 | 2022-07-01 | 浙江理工大学 | 短临降水的计算方法、***、可读存储介质及计算机设备 |
CN109871584B (zh) * | 2019-01-16 | 2022-12-06 | 中山大学 | 一种基于log-sinh变换的区域月降水统计频率分析方法 |
CN109871584A (zh) * | 2019-01-16 | 2019-06-11 | 中山大学 | 一种基于log-sinh变换的区域月降水统计频率分析方法 |
CN110118982A (zh) * | 2019-04-12 | 2019-08-13 | 大连理工大学 | 一种基于空间优化插值的卫星降水数据校正方法 |
CN110118982B (zh) * | 2019-04-12 | 2022-11-25 | 大连理工大学 | 一种基于空间优化插值的卫星降水数据校正方法 |
CN112285807B (zh) * | 2019-11-12 | 2023-11-07 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN112285807A (zh) * | 2019-11-12 | 2021-01-29 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN110865425A (zh) * | 2019-11-28 | 2020-03-06 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
CN110865425B (zh) * | 2019-11-28 | 2021-10-26 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报*** |
CN111611541B (zh) * | 2020-04-26 | 2022-05-20 | 武汉大学 | 基于Copula函数的无资料地区降水数据推求方法及*** |
CN111611541A (zh) * | 2020-04-26 | 2020-09-01 | 武汉大学 | 基于Copula函数的无资料地区降水数据推求方法及*** |
CN111639438A (zh) * | 2020-06-08 | 2020-09-08 | 中国水利水电科学研究院 | 一种基于前期预报误差动态改变wrf模式参数化方案组合的方法 |
CN113837422B (zh) * | 2020-06-24 | 2024-06-14 | 海南省气象科学研究所 | 一种基于多源大数据的降水落区确定方法 |
CN111624682A (zh) * | 2020-06-24 | 2020-09-04 | 海南省气象科学研究所 | 一种基于多源数据融合的定量降水估测方法 |
CN113837422A (zh) * | 2020-06-24 | 2021-12-24 | 海南省气象科学研究所 | 一种基于多源大数据的降水落区确定方法 |
CN112162336A (zh) * | 2020-09-22 | 2021-01-01 | 上海眼控科技股份有限公司 | 基于二维气象要素场的能见度预测方法和装置 |
CN112526637A (zh) * | 2020-11-17 | 2021-03-19 | 国网湖南省电力有限公司 | 基于不均匀权重的一体化电网通道暴雨监测方法和*** |
CN112819237A (zh) * | 2021-02-08 | 2021-05-18 | 广东省气象台(南海海洋气象预报中心) | 降水多尺度融合预报方法和装置 |
CN112861072B (zh) * | 2021-02-09 | 2021-10-19 | 河海大学 | 一种星地多源降水自适应动态融合方法 |
CN112861072A (zh) * | 2021-02-09 | 2021-05-28 | 河海大学 | 一种星地多源降水自适应动态融合方法 |
CN113159378A (zh) * | 2021-03-15 | 2021-07-23 | 中国科学院地理科学与资源研究所 | 无测站山区径流与遥感降水相结合的降水估算方法 |
CN112800634A (zh) * | 2021-04-07 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN112800634B (zh) * | 2021-04-07 | 2021-06-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** |
CN113205155A (zh) * | 2021-05-27 | 2021-08-03 | 中国水利水电科学研究院 | 一种基于分区自适应权重的多源降水数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107918165B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918165A (zh) | 基于空间插值的多卫星融合降水预测方法及*** | |
CN107918166B (zh) | 多卫星融合降水方法及*** | |
Tuleya et al. | Evaluation of GFDL and simple statistical model rainfall forecasts for US landfalling tropical storms | |
Lee et al. | Interpolation of missing precipitation data using kernel estimations for hydrologic modeling | |
Yakir et al. | Hydrologic response of a semi-arid watershed to spatial and temporal characteristics of convective rain cells | |
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
Viglione et al. | Extreme rainstorms: Comparing regional envelope curves to stochastically generated events | |
Piman et al. | Prediction of rainfall-runoff in an ungauged basin: case study in the mountainous region of Northern Thailand | |
Atencia et al. | Effect of radar rainfall time resolution on the predictive capability of a distributed hydrologic model | |
Moser et al. | An initial assessment of radar data assimilation on warm season rainfall forecasts for use in hydrologic models | |
Saharia et al. | On the impact of rainfall spatial variability, geomorphology, and climatology on flash floods | |
Benoit et al. | Generating synthetic rainfall with geostatistical simulations | |
Kober et al. | Aspects of short‐term probabilistic blending in different weather regimes | |
Chapelon et al. | Off-line simulation of the Amazon water balance: a sensitivity study with implications for GSWP | |
Tang et al. | The use of serially complete station data to improve the temporal continuity of gridded precipitation and temperature estimates | |
Mahbod et al. | An evaluative study of TRMM precipitation estimates over multi-day scales in a semi-arid region, Iran | |
Haddjeri et al. | Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover | |
Yousuf et al. | Runoff and soil loss estimation using hydrological models, remote sensing and GIS in Shivalik foothills: A review | |
Lussana et al. | Ensemble-based statistical interpolation with Gaussian anamorphosis for the spatial analysis of precipitation | |
Sun et al. | Agricultural drought dynamics in China during 1982–2020: A depiction with satellite remotely sensed soil moisture | |
Rossi et al. | Analysis of a statistically initialized fuzzy logic scheme for classifying the severity of convective storms in F inland | |
Zanella et al. | Internet of things for hydrology: Potential and challenges | |
Oliaye et al. | A new approach to weather radar adjustment for heavy rainfall events using ANFIS-PSO | |
Li et al. | A geostatistical method for Texas NexRad data calibration | |
Alipour | Streamflow prediction in ungauged basins located within data-scarce regions |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191018 |