CN108761574B - 基于多源信息融合的降雨量估算方法 - Google Patents
基于多源信息融合的降雨量估算方法 Download PDFInfo
- Publication number
- CN108761574B CN108761574B CN201810427354.2A CN201810427354A CN108761574B CN 108761574 B CN108761574 B CN 108761574B CN 201810427354 A CN201810427354 A CN 201810427354A CN 108761574 B CN108761574 B CN 108761574B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- data
- satellite
- source
- research area
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供一种基于多源信息融合的降雨量估算方法,包括:将研究区域内的地面站观测降雨数据和研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集;建立基于动态贝叶斯理论的研究区域的贝叶斯降雨预测模型;利用最大熵方法求取贝叶斯降雨预测模型的非线性最优解,进而确定各个卫星数据源的最佳权重和不确定性信息;基于卫星数据源的最佳权重和不确定性,生成研究区域内应用多源信息融合降雨量的估算结果。优点为:本发明多种数据源融合分析的结果减少了由于某单类降雨信息的不准确带来的区域降雨量估算不确定性;为加强区域高精度灾害预警、规避洪涝风险或小流域暴雨洪水估算提供更为可靠的数据输入以及更丰富更精细化的建模数据。
Description
技术领域
本发明属于降雨量估算技术领域,具体涉及一种基于多源信息融合的降雨量估算方法。
背景技术
降雨是水文***循环过程中的一个关键环节,在整个水循环中起到了至关重要的作用,而较短时间内降雨量的巨大变化,极易引发区域地质和环境问题,例如城市积水,山区地质灾害或河流流域洪涝灾害等问题,对社会政治和经济的发展造成严重的损害。如何在较短的时间内精准估量区域降雨量,是目前水信息领域亟需解决的关键问题之一。
随着观测手段和水平的发展,卫星观测地面降雨量技术取得了长足的进步,为地面降雨量估算提供了数据基础。每个类型的卫星观测降雨量数据源自不同平台,有各自的格式和标准;目前,采用单独使用一类数据进行降雨量估算,易引起估算结果随观测数据的误差而产生偏差,从而不利于为地质灾害监控,防汛抗旱等工作提供准确的数据支持。
发明内容
针对现有技术存在的缺陷,本发明提供一种基于多源信息融合的降雨量估算方法,可有效解决上述问题。
本发明采用的技术方案如下:
本发明提供一种基于多源信息融合的降雨量估算方法,包括以下步骤:
步骤1,获取多源卫星降雨数据和研究区域内的地面站观测降雨数据;
步骤2,对多源卫星降雨数据进行预处理,包括:对多源卫星降雨数据进行格式统一、区域裁剪和尺度匹配,形成研究区域多源卫星降雨量数据体;
步骤3,将研究区域内的地面站观测降雨数据和研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集;
步骤4,采用所述研究区域多源数据集,利用地面站观测降雨数据作为约束,体现不同来源的卫星降雨数据对研究区域降雨量的影响权重,进而建立基于动态贝叶斯理论的研究区域的贝叶斯降雨预测模型;其中,所述贝叶斯降雨预测模型是权重将作为先验概率的多源卫星降雨数据转化为作为后验概率的地面站观测降雨数据的过程;
步骤5,目标动态训练样本提取:针对步骤4建立的贝叶斯降雨预测模型,利用地面站观测降雨数据作为训练样本,对步骤4建立的贝叶斯降雨预测模型进行训练,得到训练后的贝叶斯降雨预测模型;
步骤6,利用最大熵方法求取步骤5得到的训练后的贝叶斯降雨预测模型的非线性最优解,进而确定各个卫星数据源的最佳权重和不确定性信息;其中,最佳权重和不确定性随空间位置、时间的变化而变化,呈现动态性;
步骤7,基于卫星数据源的最佳权重和不确定性,生成研究区域内应用多源信息融合降雨量的估算结果。
优选的,所述多源卫星降雨数据是指来自于不同平台不同卫星类型的降雨数据;在获得原始的多源卫星降雨数据后,剔除异常值后,再进行格式统一、区域裁剪和尺度匹配处理。
优选的,步骤2中,所述格式统一的具体过程为:将多源卫星降雨数据的格式统一为二进制格式;其中,头文件中包括坐标范围和数据来源,文件体中包括对应位置的降雨量数据矩阵;
所述区域裁剪的具体过程为:从多源卫星降雨数据中裁剪出属于研究区域范围的多源卫星降雨数据,裁剪出的数据空间范围为矩形,其坐标范围由研究区域坐标的极值决定,即裁剪出的区域为包含研究区域的最小矩形;
所述尺度匹配的具体过程为:尺度匹配过程包括时刻统一和空间尺度统一;由于各种卫星降雨数据的监测时刻和空间分辨能力存在区别,因此,将研究区域范围的多源卫星降雨数据转化为时刻统一,空间网格一致的数据;
经过格式统一、区域裁剪和尺度匹配,将多源卫星降雨数据转化为格式统一,时间间隔和空间位置一致的数据体,由此形成研究区域内标准网格中各个时刻降雨量的多源卫星降雨量数据体。
优选的,步骤3具体为:
将地面站观测降雨数据放入研究区域多源卫星降雨量数据体的对应网格中,如果单一网格中存在同一地面站的多个地面站观测降雨数据,则取均值;将存在地面站观测降雨数据的网格作为参考点和约束条件,用于评价并优化贝叶斯降雨预测模型的最优解的符合度;对于不存在地面站观测降雨数据的网格,利用优化过的贝叶斯降雨预测模型进行估算得到最优解。
优选的,步骤4中,所建立的贝叶斯降雨预测模型为:
其中,p(y|D)为融合后目标降雨的后验概率;
y为融合后的目标降水;
D为一定时段中的地面观测降雨数据;
p(fk|D)为地面观测降雨条件下的数据反演降雨的后验概率,也视为在地面观测降雨条件下不同卫星反演降雨的准确程度;
fk为不同模型的反演降水;
p(y|fk,D)为基于不同模型反演降水,地面观测降水条件下融合降水的后验分布;
k为不同模型种类;
M为模型总量;
其均值表示为
其中:
E(y|D)代表贝叶斯多模型集成的均值,其中E符号代表均值;
E[pk(y|fk,D)]为基于不同模型反演降水,地面观测降水条件下融合降水的后验分布的均值;
wk为地面观测降雨条件下的数据反演降雨的后验概率的简写;
方差表示为:
其中:
Var(y|D)表示基于动态贝叶斯多模型集成的方差;
σ2为卫星降水相对于地面降水的方差。
优选的,步骤6中,在采用最大熵方法求取训练后的贝叶斯降雨预测模型的非线性最优解时,条件熵最大时对应的条件概率就是所需要得到的条件概率,即:
其中:
H(p)为融合降雨量与地面站观测相关性最大时的条件熵;
p(D)为融合降雨量为地面观测值。
优选的,步骤7具体为:
利用地质统计学空间插值方法,将目标期内标定台站的最佳权重和不确定性信息插值到整个研究区域,并将插值后的权重进行归一化处理,使得每个格点满足各个卫星的权重之和恒等于1,由此获得研究区域内各类卫星数据的归一化权值,得到研究区域的权重空间分布图;基于所述权重空间分布图,生成研究区域内应用多源信息融合降雨量的估算结果。
本发明提供的基于多源信息融合的降雨量估算方法具有以下优点:
本发明选用目标区域内适合的多源多平台卫星降雨监测数据,建立基于动态贝叶斯模型的降雨量模型,通过熵最大方法求取模型的非线性极值点,进而求取各类数据的全局最佳权重和不确定性,最终估算目标区域连续时段内的降雨量。本发明的多源信息融合的降雨量估算方法可以发挥多源数据的优势,获得精度更高更加置信的降雨量数据。本发明多种数据源融合分析的结果减少了由于某单类降雨信息的不准确带来的区域降雨量估算不确定性;为加强区域高精度灾害预警、规避洪涝风险或小流域暴雨洪水估算提供更为可靠的数据输入以及更丰富更精细化的建模数据。
附图说明
图1为本发明提供的基于多源信息融合的降雨量估算方法的流程示意图;
图2为本发明多源信息估算结果与单个卫星的估算结果统计规律比较图;
图3为基于本发明多源信息的降雨量估算贴近度值与单卫星数据降雨量比较图;
图4为基于本发明多源信息的降雨量估算均方根误差与单卫星数据降雨量比较图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明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。
综合利用多平台数据进行降雨量分析和估算是大势所趋。将源自多平台的多源卫星降雨量加以融合,既能充分发挥各个平台数据的优势又可以减小由于单类数据偏差所引起的估算结果误差。同时,借助地面监测降雨量作为标准加以校正,可以建立一套多源多信息融合的降雨量估算方法,提供更加可信和准确的地面降雨量分布,进而为地质灾害监控,防汛抗旱等工作提供准确的数据支持。
本发明涉及一种多源信息融合降雨量估算方法,该方法利用多源多平台降雨量监测信息,形成降雨量空间分布数据;通过建立适合多源数据的贝叶斯模型分析降雨量特征,结合历史降雨量信息估算某时刻的降雨量。
本发明通过对多源降雨信息的整理和分析,提取区域内最有效的降雨数据;通过将不同种类不同精度的数据进行整合和预处理,获得区域内同一位置的多信息数据体。该方法基于贝叶斯理论对数据体进行融合与分析获得该地区降雨量估算信息,最大程度上挖掘多源信息的有效部分并降低单类数据偏差的影响。通过熵最大方法对动态贝叶斯模型进行最优化求解。多种数据源融合分析的结果减少了由于某单类降雨信息的不准确带来的区域降雨量估算不确定性;为加强区域高精度灾害预警、规避洪涝风险或小流域暴雨洪水估算提供更为可靠的数据输入以及更丰富更精细化的建模数据。
本发明提供的基于多源信息的降雨量估算方法,主要设计构思为:一、该方法先利用多源多平台卫星降雨数据和地面站点监测降雨数据,通过对卫星数据进行格式统一、区域裁剪和尺度匹配等预处理流程形成研究区域的多源数据体;二、使用地面站点监测的降雨数据与多源降雨数据体相结合,建立多源多平台降雨信息数据集;三、基于动态贝叶斯理论建立研究区的降雨预测模型,综合体现各种数据对降雨量的影响;四、利用最大熵方法求取建立模型的非线性最优解,获得各类数据的估算权重和不确定性;五、生成研究区域内应用多源信息融合降雨量估算的结果。
具体的,参考图1,本发明提供的一种基于多源信息融合的降雨量估算方法,该方法利用多源多平台卫星降水数据和地面站点监测降水数据信息,通过对卫星数据进行格式统一、区域裁剪和尺度匹配等预处理流程形成研究区域的多源数据体;再使用地面站点监测的降水数据,建立多源多平台降水信息数据集;然后基于动态贝叶斯理论建立研究区的降水预测模型,综合体现各种数据对降水量的影响;而后利用最大熵方法求取建立模型的非线性最优解,获得各类数据的计算权重,进而生成研究区域内应用多源信息降水量估算的结果和不确定性。具体步骤为:(1)采用研究区域多源信息的格式统一、区域裁剪和尺度匹配;(2)采用建立研究区域多源多平台降水信息数据集;(3)采用所述数据集的动态贝叶斯模型建立;(4)采用所述动态贝叶斯模型的最大熵算法非线性最优化求解;(5)采用所述求解结果计算多源信息降水量估算值。
详细包括以下步骤:
步骤1,获取多源卫星降雨数据和研究区域内的地面站观测降雨数据;
其中,所述多源卫星降雨数据是指来自于不同平台不同卫星类型的降雨数据;在获得原始的多源卫星降雨数据后,剔除异常值后,再进行格式统一、区域裁剪和尺度匹配处理。
步骤2,对多源卫星降雨数据进行预处理,包括:对多源卫星降雨数据进行格式统一、区域裁剪和尺度匹配,形成研究区域多源卫星降雨量数据体;
步骤2中,所述格式统一的具体过程为:将多源卫星降雨数据的格式统一为二进制格式;其中,头文件中包括坐标范围和数据来源,文件体中包括对应位置的降雨量数据矩阵;
所述区域裁剪的具体过程为:从多源卫星降雨数据中裁剪出属于研究区域范围的多源卫星降雨数据,裁剪出的数据空间范围为矩形,其坐标范围由研究区域坐标的极值决定,即裁剪出的区域为包含研究区域的最小矩形;
所述尺度匹配的具体过程为:尺度匹配过程包括时刻统一和空间尺度统一;由于各种卫星降雨数据的监测时刻和空间分辨能力存在区别,因此,将研究区域范围的多源卫星降雨数据转化为时刻统一,空间网格一致的数据;
经过格式统一、区域裁剪和尺度匹配,将多源卫星降雨数据转化为格式统一,时间间隔和空间位置一致的数据体,由此形成研究区域内标准网格中各个时刻降雨量的多源卫星降雨量数据体。
通过本步骤,综合利用多源降水量数据,将不同平台不同类型的卫星降水数据,例如TRMM 3B42RT、TRMM 3B42V7、GPM IMERG、PERSIANN、GsMap、CPC CMORPH和FY-2E等格式中的多种数据进行预处理。在剔除异常值的基础上主要的工作包括格式统一、区域裁剪和尺度统一。格式统一将不同卫星降水数据的格式转化为统一的格式方便进一步建模计算;区域裁剪将研究区域从全球范围的数据体中截取出来;而尺度统一将各类数据的空间分辨率加以统一,为建模打下基础。经过该过程后多源卫星数据的形式得到统一。
将预处理后的卫星数据进行规则化,将多源卫星数据转化为时间间隔和空间位置一致的数据体,即建立研究区域内标准网格中各个时刻降雨量的多源数据体。并将地面观测的降水量与多源卫星数据体相结合,形成研究区域的多源多平台降水信息数据集。其中相应位置的地面降雨量是评估各类卫星数据准确度的重要现实依据。
步骤3,将研究区域内的地面站观测降雨数据和研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集;
步骤3具体为:
将地面站观测降雨数据放入研究区域多源卫星降雨量数据体的对应网格中,如果单一网格中存在同一地面站的多个地面站观测降雨数据,则取均值;将存在地面站观测降雨数据的网格作为参考点和约束条件,用于评价并优化贝叶斯降雨预测模型的最优解的符合度;对于不存在地面站观测降雨数据的网格,利用优化过的贝叶斯降雨预测模型进行估算得到最优解。
步骤4,采用所述研究区域多源数据集,利用地面站观测降雨数据作为约束,体现不同来源的卫星降雨数据对研究区域降雨量的影响权重,进而建立基于动态贝叶斯理论的研究区域的贝叶斯降雨预测模型;其中,所述贝叶斯降雨预测模型是权重将作为先验概率的多源卫星降雨数据转化为作为后验概率的地面站观测降雨数据的过程;
本步骤,根据所建立的降水信息数据集建立动态贝叶斯模型,利用地面监测结果作为约束,体现不同类型数据对研究区域降水量的影响权重,这些权重是降水量计算的重要依据。建立动态贝叶斯模型,通过地面监测数据反映模型的效果,即不同类型数据对估算结果的影响,这种影响通过贝叶斯网络模型的均值和方差体现。
步骤4中,所建立的贝叶斯降雨预测模型为:
其中,p(y|D)为融合后目标降雨的后验概率;
y为融合后的目标降水;
D为一定时段中的地面观测降雨数据;
p(fk|D)为地面观测降雨条件下的数据反演降雨的后验概率,也视为在地面观测降雨条件下不同卫星反演降雨的准确程度;
fk为不同模型的反演降水;
p(y|fk,D)为基于不同模型反演降水,地面观测降水条件下融合降水的后验分布;
k为不同模型种类;
M为模型总量;
其均值表示为
其中:
E(y|D)代表贝叶斯多模型集成的均值,其中E符号代表均值;
E[pk(y|fk,D)]为基于不同模型反演降水,地面观测降水条件下融合降水的后验分布的均值;
wk为地面观测降雨条件下的数据反演降雨的后验概率的简写;
方差表示为:
其中:
Var(y|D)表示基于动态贝叶斯多模型集成的方差;
σ2为卫星降水相对于地面降水的方差。
步骤5,目标动态训练样本提取:针对步骤4建立的贝叶斯降雨预测模型,利用地面站观测降雨数据作为训练样本,对步骤4建立的贝叶斯降雨预测模型进行训练,得到训练后的贝叶斯降雨预测模型;
步骤6,利用最大熵方法求取步骤5得到的训练后的贝叶斯降雨预测模型的非线性最优解,进而确定各个卫星数据源的最佳权重和不确定性信息;其中,最佳权重和不确定性随空间位置、时间的变化而变化,呈现动态性;
步骤6中,动态贝叶斯模型的相关参数(如各类数据的权重系数)、融合结果不能直接给出,在实现的过程中,需要通过不断迭代获得最优解。采用最大熵法求得最优解。条件熵最大的时候对应的条件概率就是要求的条件概率。
在采用最大熵方法求取训练后的贝叶斯降雨预测模型的非线性最优解时,条件熵最大时对应的条件概率就是所需要得到的条件概率,即:
其中:
H(p)为融合降雨量与地面站观测相关性最大时的条件熵;
p(D)为融合降雨量为地面观测值。
步骤7,基于卫星数据源的最佳权重和不确定性,生成研究区域内应用多源信息融合降雨量的估算结果。
利用上述过程获得的求解结果计算多源信息降水量估算值。利用最大熵算法获得的各类数据的动态权值,通过插值获得研究区域内各类数据的归一化权值进而综合利用多源信息计算研究区域降水量。
步骤7具体为:
利用地质统计学空间插值方法,将目标期内标定台站的最佳权重和不确定性信息插值到整个研究区域,并将插值后的权重进行归一化处理,使得每个格点满足各个卫星的权重之和恒等于1,由此获得研究区域内各类卫星数据的归一化权值,得到研究区域的权重空间分布图;基于所述权重空间分布图,生成研究区域内应用多源信息融合降雨量的估算结果。
下面介绍一个具体实施方式:
本具体实施方式公开了一种基于多源信息融合的降雨估算方法,包括以下步骤:
步骤1:多源卫星降雨数据预处理,具体如下:
首先,选定研究区域中的地面站观测降雨数据和合适的卫星降雨量数据源,可选择的卫星数据源包括TRMM 3B42RT、TRMM 3B42V7、GPM IMERG、PERSIANN、GsMap、CPC CMORPH和FY-2E等格式。
然后,将卫星降雨数据进行预处理,按照各自格式解编,并剔除数据中的无效值和非法值,
最后,检查各卫星降雨数据的坐标网格范围和有效的时间间隔,确认研究区域在选定数据的控制范围内并且时间间隔符合工作要求。
步骤2:多源卫星降雨量数据体构建,主要的工作包括格式统一、尺度匹配和区域裁剪:
格式统一:将各自数据的格式统一为本工作设定的二进制格式,方便快速读取和存储。头文件中包括坐标范围和数据来源,文件体中包括对应位置的降雨量数据矩阵。
尺度匹配:尺度匹配过程包括时刻统一和空间尺度统一。各种卫星数据的监测时刻和空间分辨能力有所区别,将选定的数据转化为时刻统一,空间网格一致的数据。例如,可以将卫星数据统一转化为时间间隔2小时,空间位置统一且间隔为0.2°的网格数据,不同时刻的网格构成多源卫星降雨量数据体。
区域裁剪:从多源卫星降雨数据中裁剪出属于研究区域范围的多源卫星降雨数据,裁剪出的数据空间范围为矩形,其坐标范围由研究区域坐标的极值决定,即裁剪出的区域为包含研究区域的最小矩形。形成研究区域多源卫星降雨量数据体
步骤3:多源数据集构建,具体如下:
将研究区域内地面站观测降雨数据与研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集。
具体的,将地面站观测降雨数据放入研究区域多源卫星降雨量数据体的对应网格中,如果单一网格中存在同一地面站的多个地面站观测降雨数据,则取均值;将存在地面站观测降雨数据的网格作为参考点和约束条件,用于评价并优化贝叶斯降雨预测模型的最优解的符合度;对于不存在地面站观测降雨数据的网格,利用优化过的贝叶斯降雨预测模型进行估算得到最优解。地面站的分布和控制范围对研究区域降雨量的估算结果起到重要的影响。
步骤4:基于动态贝叶斯的模型构建,具体如下
根据贝叶斯理论,当似然函数为1时,
即贝叶斯模型是权重(先验概率密度p(y|D))将作为先验概率的卫星观测数据(f)转化为作为后验概率的地面站观测降雨量(D)的过程。其中各观测站数据的概率密度之和为1
这个基于动态贝叶斯原理的降雨量模型的均值为
这个模型的方差为
本发明的核心工作就是针对这个基于动态贝叶斯原理的降雨量模型开展工作,获得各类卫星数据源的最佳权重和不确定性信息。
步骤5:目标动态训练样本提取
针对该模型,利用地面站观测降雨数据作为训练样本。针对降雨自身的气候特点,利用前期降雨量与当日降雨量的关系,对于每一台站,选取目标时间的之前的20天以及目标时间前两年相同时段的20天,总计80个样本,作为该台站融合权重的训练样本。目标区域内的地面观测站选择80%作为标定台站参与多源信息融合降雨量估算,另外20%作为独立站对估算效果进行验证。
步骤6:熵最大化法非线性最优化
以标定台站的降雨量信息作为基础,通过熵最大化法对各卫星信息的权重(概率密度)进行优化。
其中:max(H(y|D))为融合降雨量与地面站观测值的条件熵的最大值;
其中Z为规范化因子。
Pw(y|D)表示目标降雨量与地面观测降雨量的最大熵模型;
z(y)表示目标降水的规范化因子;
优化步骤如下:
1)、假定初次迭代的初始模型中各种卫星降雨资料在模型中出现的概率相同,即等概率均匀分布;
2)、用第N次迭代的模型来估算每种卫星数据在降雨量估算中的权重,如结果超过地面站检测的实际值,则把相应数据源的权重调小,反之将其权重调大;
3)、重复步骤2直至模型收敛。
不断优化训练样本期内的不同卫星降雨概率密度函数的参数,得到训练样本某一时刻各类卫星降雨的最佳权重及不确定性信息的分布。本方案得到的最佳权重及不确定性信息随空间位置、时间的变化而变化,呈现动态性。
步骤7:确定空间权重分布,具体如下
主要工作是空间权重和不确定性归一化,进而获得各类卫星数据权重的空间分布。利用地质统计学空间插值方法将目标期内标定台站的最佳权重和不确定信息插值到整个目标空间范围并将插值后的权重进行归一化处理,使得每个格点满足各个卫星的权重之和恒等于1。
地质学统计插值方法包含很多具体插值方法实现二维平面局域参数插值,可以根据地面站的分布情况选择地质统计学空间插值方法中的具体方法,例如简单克里格,普通克里格,协同克里格或随机建模等方式。实现各数据体权重的空间插值,插值结果的评判标准是作为独立站的20%的地面观测站降雨量数据,选择与独立站符合度最高的插值方式。
以简单克里格插值为例,其过程包括
(1)建立预测位置权重数据体,用于存储不含地面站网格的各种类型降雨数据的权重;
(2)生成变异函数和协方差函数,用于估算单元值间的统计相关,而变异函数和协方差函数也取决于自相关模型;
(3)预测未知点的值,利用全局最优的方法对变异函数进行优化获得各个目标网格中各类卫星数据的权重;
(4)评估预测的偏差;
这样使无台站信息的格点也获得了最佳权重和不确定信息,从而得到不同时刻不同卫星产品的权重、不确定性信息空间分布图。利用权重空间分布图对每个格点进行加权求和,从而得到整个空间范围的降雨融合产品。
步骤8:多源数据融合结果估算和评估
针对目标区域内所有网格中的多源数据集,利用插值得到的相应多源卫星数据的最佳权重和不确定性信息,通过加权求和的方式得到规定时刻的融合降雨量及不确定性。对于存在台站的网格单元,将以台站降雨结果作为多源多平台融合降雨量。
如果同一网格内含大于1个的台站,将认为台站数据的平均值作为融合降雨量。对于不包含台站的网格单元,将采用贝叶斯模型最优化获得的各类数据权重,进行多源多平台融合降雨量估算。利用北京区域2015.06.01-2015.08.31期间五种卫星数据(3B43RT,3B42V7,CMORPH RAW,PERSIAN-CDR和OOR)和102个地面站降雨量数据进行多源融合降雨量估算。单个独立站实际监测结果与多源信息估算结果比较如图2所示。其中实线为独立站观测值,曲线为多源数据估算值,二者有较好的相关性。
以独立站为标准,对估算结果进行评估。多源信息估算结果与单个卫星的估算结果统计规律如图3和图4所示。其中DBMA项为多信息融合估算结果,其贴近度(Enclid)值和均方根误差(RMSE)值均优于单卫星降雨数据结果,证明该方法的有效性。
综上所述,本发明提供的基于多源信息融合的降雨量估算方法,该方法利用多源多平台降雨量监测信息,形成降雨量空间分布数据;通过建立适合多源数据的贝叶斯模型分析降雨量特征,结合历史降雨量信息估算某时段的降雨量。通过对多源降雨信息的整理和分析,提取区域内最有效的降雨数据;通过将不同种类不同精度的数据进行整合和预处理,获得区域内同一位置的多信息数据体。该方法基于贝叶斯理论对数据体进行融合与分析获得该地区降雨量估算信息,最大程度上挖掘多源信息的有效部分并降低单类数据偏差的影响。通过最大熵理论对动态贝叶斯模型进行最优化求解。多种数据源融合分析的结果减少了由于某单类降雨信息的不准确带来的区域降雨量估算不确定性;为加强区域高精度灾害预警、规避洪涝风险或小流域暴雨洪水估算提供更为可靠的数据输入以及更丰富更精细化的建模数据。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (2)
1.一种基于多源信息融合的降雨量估算方法,其特征在于,包括以下步骤:
步骤1,获取多源卫星降雨数据和研究区域内的地面站观测降雨数据;
步骤2,对多源卫星降雨数据进行预处理,包括:对多源卫星降雨数据进行格式统一、区域裁剪和尺度匹配,形成研究区域多源卫星降雨量数据体;
步骤3,将研究区域内的地面站观测降雨数据和研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集;
步骤4,采用所述研究区域多源数据集,利用地面站观测降雨数据作为约束,体现不同来源的卫星降雨数据对研究区域降雨量的影响权重,进而建立基于动态贝叶斯理论的研究区域的贝叶斯降雨预测模型;其中,所述贝叶斯降雨预测模型是权重将作为先验概率的多源卫星降雨数据转化为作为后验概率的地面站观测降雨数据的过程;
步骤5,目标动态训练样本提取:针对步骤4建立的贝叶斯降雨预测模型,利用地面站观测降雨数据作为训练样本,对步骤4建立的贝叶斯降雨预测模型进行训练,得到训练后的贝叶斯降雨预测模型;
步骤6,利用最大熵方法求取步骤5得到的训练后的贝叶斯降雨预测模型的非线性最优解,进而确定各个卫星数据源的最佳权重和不确定性信息;其中,最佳权重和不确定性随空间位置、时间的变化而变化,呈现动态性;
步骤7,基于卫星数据源的最佳权重和不确定性,生成研究区域内应用多源信息融合降雨量的估算结果;
其中,步骤2中,所述格式统一的具体过程为:将多源卫星降雨数据的格式统一为二进制格式;其中,头文件中包括坐标范围和数据来源,文件体中包括对应位置的降雨量数据矩阵;
所述区域裁剪的具体过程为:从多源卫星降雨数据中裁剪出属于研究区域范围的多源卫星降雨数据,裁剪出的数据空间范围为矩形,其坐标范围由研究区域坐标的极值决定,即裁剪出的区域为包含研究区域的最小矩形;
所述尺度匹配的具体过程为:尺度匹配过程包括时刻统一和空间尺度统一;由于各种卫星降雨数据的监测时刻和空间分辨能力存在区别,因此,将研究区域范围的多源卫星降雨数据转化为时刻统一,空间网格一致的数据;
经过格式统一、区域裁剪和尺度匹配,将多源卫星降雨数据转化为格式统一,时间间隔和空间位置一致的数据体,由此形成研究区域内标准网格中各个时刻降雨量的多源卫星降雨量数据体;
其中,步骤3具体为:
将地面站观测降雨数据放入研究区域多源卫星降雨量数据体的对应网格中,如果单一网格中存在同一地面站的多个地面站观测降雨数据,则取均值;将存在地面站观测降雨数据的网格作为参考点和约束条件,用于评价并优化贝叶斯降雨预测模型的最优解的符合度;对于不存在地面站观测降雨数据的网格,利用优化过的贝叶斯降雨预测模型进行估算得到最优解;
其中,步骤4中,所建立的贝叶斯降雨预测模型为:
其中,p(y|D)为融合后目标降雨的后验概率;
y为融合后的目标降水;
D为一定时段中的地面观测降雨数据;
p(fk|D)为地面观测降雨条件下的数据反演降雨的后验概率,也视为在地面观测降雨条件下不同卫星反演降雨的准确程度;
fk为不同模型的反演降水;
p(y|fk,D)为基于不同模型反演降水,地面观测降水条件下融合降水的后验分布;
k为不同模型种类;
M为模型总量;
其均值表示为
其中:
E(y|D)代表贝叶斯多模型集成的均值,其中E符号代表均值;
E[pk(y|fk,D)]为基于不同模型反演降水,地面观测降水条件下融合降水的后验分布的均值;
wk为地面观测降雨条件下的数据反演降雨的后验概率的简写;
方差表示为:
其中:
Var(y|D)表示基于动态贝叶斯多模型集成的方差;
σ2为卫星降水相对于地面降水的方差;
其中,步骤6中,在采用最大熵方法求取训练后的贝叶斯降雨预测模型的非线性最优解时,条件熵最大时对应的条件概率就是所需要得到的条件概率,即:
其中:
H(p)为融合降雨量与地面站观测相关性最大时的条件熵;
p(D)为融合降雨量为地面观测值;
其中,步骤7具体为:利用地质统计学空间插值方法,将目标期内标定台站的最佳权重和不确定性信息插值到整个研究区域,并将插值后的权重进行归一化处理,使得每个格点满足各个卫星的权重之和恒等于1,由此获得研究区域内各类卫星数据的归一化权值,得到研究区域的权重空间分布图;基于所述权重空间分布图,生成研究区域内应用多源信息融合降雨量的估算结果;
具体步骤为:
步骤1:多源卫星降雨数据预处理,具体如下:
首先,选定研究区域中的地面站观测降雨数据和合适的卫星降雨量数据源,选择的卫星数据源包括TRM M3B42RT、TRMM 3B42V7、GPM I MERG、PERSI ANN、Gs Map、CPC CMORPH和FY-2E格式;
然后,将卫星降雨数据进行预处理,按照各自格式解编,并剔除数据中的无效值和非法值,
最后,检查各卫星降雨数据的坐标网格范围和有效的时间间隔,确认研究区域在选定数据的控制范围内并且时间间隔符合工作要求;
步骤2:多源卫星降雨量数据体构建,主要的工作包括格式统一、尺度匹配和区域裁剪:
格式统一:将各自数据的格式统一为本工作设定的二进制格式,方便快速读取和存储;头文件中包括坐标范围和数据来源,文件体中包括对应位置的降雨量数据矩阵;
尺度匹配:尺度匹配过程包括时刻统一和空间尺度统一;各种卫星数据的监测时刻和空间分辨能力有所区别,将选定的数据转化为时刻统一,空间网格一致的数据;其中,可以将卫星数据统一转化为时间间隔2小时,空间位置统一且间隔为0.2°的网格数据,不同时刻的网格构成多源卫星降雨量数据体;
区域裁剪:从多源卫星降雨数据中裁剪出属于研究区域范围的多源卫星降雨数据,裁剪出的数据空间范围为矩形,其坐标范围由研究区域坐标的极值决定,即裁剪出的区域为包含研究区域的最小矩形;形成研究区域多源卫星降雨量数据体
步骤3:多源数据集构建,具体如下:
将研究区域内地面站观测降雨数据与研究区域多源卫星降雨量数据体相结合,构成研究区域多源数据集;
具体的,将地面站观测降雨数据放入研究区域多源卫星降雨量数据体的对应网格中,如果单一网格中存在同一地面站的多个地面站观测降雨数据,则取均值;将存在地面站观测降雨数据的网格作为参考点和约束条件,用于评价并优化贝叶斯降雨预测模型的最优解的符合度;对于不存在地面站观测降雨数据的网格,利用优化过的贝叶斯降雨预测模型进行估算得到最优解;地面站的分布和控制范围对研究区域降雨量的估算结果起到重要的影响;
步骤4:基于动态贝叶斯的模型构建,具体如下
根据贝叶斯理论,当似然函数为1时,
即贝叶斯模型是权重,即先验概率密度p(y|D),将作为先验概率的卫星观测数据转化为作为后验概率的地面站观测降雨量的过程;其中各观测站数据的概率密度之和为1
这个基于动态贝叶斯原理的降雨量模型的均值为
这个模型的方差为
针对这个基于动态贝叶斯原理的降雨量模型开展工作,获得各类卫星数据源的最佳权重和不确定性信息;
步骤5:目标动态训练样本提取
针对该模型,利用地面站观测降雨数据作为训练样本;针对降雨自身的气候特点,利用前期降雨量与当日降雨量的关系,对于每一台站,选取目标时间的之前的20天以及目标时间前两年相同时段的20天,总计80个样本,作为该台站融合权重的训练样本;目标区域内的地面观测站选择80%作为标定台站参与多源信息融合降雨量估算,另外20%作为独立站对估算效果进行验证;
步骤6:熵最大化法非线性最优化
以标定台站的降雨量信息作为基础,通过熵最大化法对各卫星信息的权重即概率密度进行优化;
其中:max(H(y|D))为融合降雨量与地面站观测值的条件熵的最大值;
其中z为规范化因子;
Pw(y|D)表示目标降雨量与地面观测降雨量的最大熵模型;
z(y)表示目标降水的规范化因子;
优化步骤如下:
1)、假定初次迭代的初始模型中各种卫星降雨资料在模型中出现的概率相同,即等概率均匀分布;
2)、用第N次迭代的模型来估算每种卫星数据在降雨量估算中的权重,如结果超过地面站检测的实际值,则把相应数据源的权重调小,反之将其权重调大;
3)、重复步骤2直至模型收敛;
不断优化训练样本期内的不同卫星降雨概率密度函数的参数,得到训练样本某一时刻各类卫星降雨的最佳权重及不确定性信息的分布;本方案得到的最佳权重及不确定性信息随空间位置、时间的变化而变化,呈现动态性;
步骤7:确定空间权重分布,具体如下
主要工作是空间权重和不确定性归一化,进而获得各类卫星数据权重的空间分布;利用地质统计学空间插值方法将目标期内标定台站的最佳权重和不确定信息插值到整个目标空间范围并将插值后的权重进行归一化处理,使得每个格点满足各个卫星的权重之和恒等于1;
地质学统计插值方法包含很多具体插值方法实现二维平面局域参数插值,可以根据地面站的分布情况选择地质统计学空间插值方法中的具体方法,包括简单克里格,普通克里格,协同克里格或随机建模方式;实现各数据体权重的空间插值,插值结果的评判标准是作为独立站的20%的地面观测站降雨量数据,选择与独立站符合度最高的插值方式;
对于简单克里格插值,其过程包括
(1)建立预测位置权重数据体,用于存储不含地面站网格的各种类型降雨数据的权重;
(2)生成变异函数和协方差函数,用于估算单元值间的统计相关,而变异函数和协方差函数也取决于自相关模型;
(3)预测未知点的值,利用全局最优的方法对变异函数进行优化获得各个目标网格中各类卫星数据的权重;
(4)评估预测的偏差;
这样使无台站信息的格点也获得了最佳权重和不确定信息,从而得到不同时刻不同卫星产品的权重、不确定性信息空间分布图;利用权重空间分布图对每个格点进行加权求和,从而得到整个空间范围的降雨融合产品;
步骤8:多源数据融合结果估算和评估
针对目标区域内所有网格中的多源数据集,利用插值得到的相应多源卫星数据的最佳权重和不确定性信息,通过加权求和的方式得到规定时刻的融合降雨量及不确定性;对于存在台站的网格单元,将以台站降雨结果作为多源多平台融合降雨量;
如果同一网格内含大于1个的台站,将认为台站数据的平均值作为融合降雨量;对于不包含台站的网格单元,将采用贝叶斯模型最优化获得的各类数据权重,进行多源多平台融合降雨量估算。
2.根据权利要求1所述的基于多源信息融合的降雨量估算方法,其特征在于,所述多源卫星降雨数据是指来自于不同平台不同卫星类型的降雨数据;在获得原始的多源卫星降雨数据后,剔除异常值后,再进行格式统一、区域裁剪和尺度匹配处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427354.2A CN108761574B (zh) | 2018-05-07 | 2018-05-07 | 基于多源信息融合的降雨量估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810427354.2A CN108761574B (zh) | 2018-05-07 | 2018-05-07 | 基于多源信息融合的降雨量估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108761574A CN108761574A (zh) | 2018-11-06 |
CN108761574B true CN108761574B (zh) | 2021-04-27 |
Family
ID=64010034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810427354.2A Active CN108761574B (zh) | 2018-05-07 | 2018-05-07 | 基于多源信息融合的降雨量估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108761574B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697323B (zh) * | 2018-12-27 | 2022-08-16 | 武汉大学 | 一种融合卫星遥感和移动通信基站信号的降雨观测方法 |
CN109884735B (zh) * | 2019-03-27 | 2019-11-19 | 山东省气象局大气探测技术保障中心 | 一种基于多雨量传感器观测降水的方法 |
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 |
CN110457374B (zh) * | 2019-08-20 | 2023-04-18 | 贵州东方世纪科技股份有限公司 | 一种识别时段典型暴雨过程的方法 |
CN110502598A (zh) * | 2019-08-22 | 2019-11-26 | 华东师范大学 | 智能自主定位与时空地理数据融合方法 |
CN112766531B (zh) * | 2019-11-06 | 2023-10-31 | 中国科学院国家空间科学中心 | 一种基于卫星微波观测资料的径流预测***及方法 |
CN110991702B (zh) * | 2019-11-13 | 2021-02-12 | 清华大学 | 山区降水量的计算方法、装置、计算机设备和存储介质 |
CN110674127A (zh) * | 2019-11-14 | 2020-01-10 | 湖南国天电子科技有限公司 | 一种基于深度学习的海洋沉积物测试***及方法 |
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 |
CN111126466B (zh) * | 2019-12-16 | 2020-09-22 | 西安科技大学 | 一种多源pwv数据融合方法 |
CN111199345B (zh) * | 2019-12-27 | 2023-07-11 | 河北建筑工程学院 | 海绵城市的设计降雨量的测算方法及终端设备 |
CN111582546B (zh) * | 2020-04-09 | 2023-07-25 | 中国科学院国家空间科学中心 | 利用降雨数据集获取不同地方时全球降雨量信息的方法及*** |
CN111638565A (zh) * | 2020-06-09 | 2020-09-08 | 云南电网有限责任公司电力科学研究院 | 一种山区暴雨监测方法 |
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 |
CN111624682B (zh) * | 2020-06-24 | 2021-11-30 | 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 |
CN111832828B (zh) * | 2020-07-17 | 2023-12-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于风云四号气象卫星的智能降水预测方法 |
CN111983732B (zh) * | 2020-07-27 | 2022-08-05 | 南京信息工程大学 | 一种基于深度学习的降水强度估计方法 |
CN111859303B (zh) * | 2020-07-28 | 2023-09-05 | 南京大学 | 基于动态贝叶斯平均的土壤湿度融合方法及*** |
CN112099016A (zh) * | 2020-11-09 | 2020-12-18 | 中国水利水电科学研究院 | 一种天地协同的洪涝灾情应急监测***和方法 |
CN112308029A (zh) * | 2020-11-24 | 2021-02-02 | 国网湖南省电力有限公司 | 雨量站与卫星的降水数据融合方法及*** |
CN112685492B (zh) * | 2020-12-30 | 2024-04-16 | 北京墨迹风云科技股份有限公司 | 一种多源数据融合方法以及装置 |
CN112381337B (zh) * | 2021-01-14 | 2021-04-23 | 国能大渡河大数据服务有限公司 | 一种多源气象数据融合处理方法、***、终端及介质 |
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 |
CN113408019B (zh) * | 2021-06-23 | 2022-04-22 | 河北地质大学 | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 |
CN113673777B (zh) * | 2021-08-27 | 2024-02-02 | 华北电力大学 | 一种气候变化条件下的沙漠演替预测方法 |
CN114970743B (zh) * | 2022-06-17 | 2022-11-08 | 中国科学院地理科学与资源研究所 | 一种基于多模态深度学习的多源遥感降雨数据融合方法 |
CN114791638B (zh) * | 2022-06-29 | 2022-09-16 | 山东大学 | 基于多源数据的特大暴雨监测方法及*** |
CN115755221A (zh) * | 2022-10-22 | 2023-03-07 | 天津大学 | 一种基于数理不确定性分析的多源降水数据融合方法 |
CN116151483B (zh) * | 2023-04-14 | 2023-07-21 | 山东理工大学 | 一种区域级降雨滑坡概率性预测方法及预测终端 |
CN117033935B (zh) * | 2023-08-03 | 2024-02-23 | 北京市市政工程设计研究总院有限公司 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
CN117081161B (zh) * | 2023-10-17 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 水光互补优化目标的确定方法、装置、计算机设备及介质 |
CN117150437B (zh) * | 2023-10-31 | 2024-01-30 | 航天宏图信息技术股份有限公司 | 多源卫星海面风场数据融合方法、装置、设备及介质 |
CN117668750A (zh) * | 2023-12-04 | 2024-03-08 | 中国水利水电科学研究院 | 一种多源降水产品融合潜力量化方法 |
CN117932533A (zh) * | 2024-01-16 | 2024-04-26 | 中国地质调查局自然资源综合调查指挥中心 | 基于贝叶斯统计的地球科学多源数据融合方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1847856A1 (en) * | 2006-04-21 | 2007-10-24 | Fondazione Torino Wireless | Method and system for forecasting an ambient variable |
CN103472501A (zh) * | 2013-09-06 | 2013-12-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和*** |
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
CN107918166A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 多卫星融合降水方法及*** |
CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及*** |
-
2018
- 2018-05-07 CN CN201810427354.2A patent/CN108761574B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1847856A1 (en) * | 2006-04-21 | 2007-10-24 | Fondazione Torino Wireless | Method and system for forecasting an ambient variable |
CN103472501A (zh) * | 2013-09-06 | 2013-12-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和*** |
CN107918166A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 多卫星融合降水方法及*** |
CN107918165A (zh) * | 2016-10-09 | 2018-04-17 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及*** |
CN106991278A (zh) * | 2017-03-21 | 2017-07-28 | 武汉大学 | 一种集合降水预报与实时洪水概率预报的耦合方法 |
Non-Patent Citations (2)
Title |
---|
基于信息熵的降雨信息区域化分析;张继国,吴敏,谢平等;《河海大学学报(自然科学版)》;20131130;第41卷(第6期);第477,478页 * |
基于最大熵谱和云模型的巢湖流域降水预测;吕军,程先富,孙鸿鹄;《自然灾害学报》;20170228;第26卷(第1期);第51,52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108761574A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
US10852439B1 (en) | Global ionospheric total electron content prediction system | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN109946762B (zh) | 一种基于概率分布短时预报降水的方法及*** | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及*** | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
Sartini et al. | Comparing different extreme wave analysis models for wave climate assessment along the Italian coast | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及*** | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN116822185B (zh) | 基于hasm的日降水数据空间模拟方法和*** | |
Marchesoni-Acland et al. | Intra-day solar irradiation forecast using RLS filters and satellite images | |
CN111915158A (zh) | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 | |
Siqueira et al. | Postprocessing continental-scale, medium-range ensemble streamflow forecasts in South America using Ensemble Model Output Statistics and Ensemble Copula Coupling | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
Militino et al. | Interpolation of daily rainfall using spatiotemporal models and clustering. | |
Xiang et al. | Real-Time streamflow forecasting framework, implementation and post-analysis using deep learning | |
Cheng et al. | Geostatistical interpolation of space–time rainfall on Tamshui River basin, Taiwan | |
CN117349795A (zh) | 基于ann和gwr耦合的降水融合方法和*** | |
CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和*** | |
Hema et al. | Reconstructing missing hourly real-time precipitation data using a novel intermittent sliding window period technique for automatic weather station data | |
Liu et al. | Gridded statistical downscaling based on interpolation of parameters and predictor locations for summer daily precipitation in North China | |
Tang et al. | Merging daily sea surface temperature data from multiple satellites using a Bayesian maximum entropy method | |
Capsoni et al. | 1-min rain rate statistics predictions from 1-hour rain rate statistics measurements | |
Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach. |
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 |