CN109472393B - 空间降尺度降水数据检测方法、装置及电子设备 - Google Patents
空间降尺度降水数据检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109472393B CN109472393B CN201811159034.XA CN201811159034A CN109472393B CN 109472393 B CN109472393 B CN 109472393B CN 201811159034 A CN201811159034 A CN 201811159034A CN 109472393 B CN109472393 B CN 109472393B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- resolution
- area
- detected
- precipitation 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种空间降尺度降水数据检测方法。本发明所述的空间降尺度降水数据检测方法包括如下步骤:根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型;将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据;对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据。本发明所述的空间降尺度降水数据检测方法能够获取分辨率较高的降水数据。
Description
技术领域
本发明涉及气象信息技术领域,特别是涉及一种空间降尺度降水数据检测方法、装置及电子设备。
背景技术
降水强烈的时空变化常使得常规地基台站的降水观测不能准确把握降水的空间分布和强度变化,而卫星微波遥感技术可以克服此局限,实现在全球范围内实现对降水的观测,而且相对于红外/可见光只能反映云厚、云高等信息而言,卫星微波能够穿透云体,利用云内降水粒子和云粒子与微波的相互作用对云、雨进行更为直接的探测,实现对降水数据的监测,然而,由于微波遥感技术发展历史较短,加之降水发生的高随机性与异质性,使得已有微波遥感降水数据分辨率较低,难以反映降水的空间细节特征。
发明内容
基于此,本发明的目的在于,提供一种空间降尺度降水数据检测方法,其能够获取分辨率较高的降水数据。
本发明是通过如下方案实现的:
一种空间降尺度降水数据检测方法,包括如下步骤:
获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差;
获取样本区域的数字高程模型和样本区域的植被指数;
将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率小于第一分辨率;
根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
获取待检测区域的白天地表温度和夜间地表温度,并根据所述待检测区域的白天地表温度和夜间地表温度获取待检测区域的昼夜地表温度差;
获取待检测区域的数字高程模型和待检测区域的植被指数;
将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据;
对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据。
本发明所述的空间降尺度降水数据检测方法,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出待检测区域的高分辨率的降水数据,并对该降水数据进行残差校正,得到更为准确的空间降尺度的降水数据。
在一种实施例中,对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据,包括:
将待检测区域第一分辨率的降水数据重采样至第二分辨率;
计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差;
将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差;
将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
在一种实施例中,所述样本区域与所述待检测区域的植被指数大于零。
在一种实施例中,所述第一分辨率为1km*1km,所述第二分辨率为 25km*25km。
在一种实施例中,将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率,包括:
计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
进一步地,本发明还提供一种空间降尺度降水数据检测装置,包括:
第一数据采集模块,用于获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差,以及获取样本区域的数字高程模型和样本区域的植被指数;
第一重采样模块,用于将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率;
随机森林训练模块,用于根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
第二数据采集模块,用于获取待检测区域的白天地表温度和夜间地表温度,并根据所述待检测区域的白天地表温度和夜间地表温度获取待检测区域的昼夜地表温度差,以及获取待检测区域的数字高程模型和待检测区域的植被指数;
第一降水数据获取模块,用于将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据;
残差校正模块,用于对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据。
本发明所述的空间降尺度降水数据检测装置,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出待检测区域的高分辨率的降水数据,并对该降水数据进行残差校正,得到更为准确的空间降尺度的降水数据。
在一种实施例中,所述残差校正模块,包括:
第二重采样单元,用于将待检测区域第一分辨率的降水数据重采样至第二分辨率;
第一残差获取单元,用于计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差;
第二残差获取单元,用于将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差;
降尺度降水数据获取单元,用于将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
在一种实施例中,所述第一重采样模块包括分辨率计算单元,用于计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
进一步地,本发明还提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任意一项空间降尺度降水数据检测方法。
进一步地,本发明还提供一种电子设备,包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的任意一项空间降尺度降水数据检测方法。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为一种实施例中空间降尺度降水数据检测方法流程图;
图2为一种实施例中残差校正流程示意图;
图3为另一种实施例中空间降尺度降水数据检测方法流程图;
图4为一种实施例中空间降尺度降水数据检测装置结构示意图;
图5为一种实施例中电子设备结构示意图。
具体实施方式
请参阅图1,在一种实施例中,空间降尺度降水数据检测方法包括如下步骤:
步骤S10:获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差。
所述样本区域为有卫星遥感降水数据的区域,所述样本区域的大小为所述卫星遥感降水数据的分辨率大小的整数倍。所述白天地表温度为地表温度在整个白天内的平均值,所述夜间地表温度为地表温度在整个夜间的平均值,在一种实施例中,所述白天地表温度和所述夜间地表温度通过卫星传感器modis(中分辨率成像光谱仪moderate-resolutionimaging spectroradiometer)获取,所述样本区域的昼夜温度差为所述白天地表温度和所述夜间地表温度之间的差值。
步骤S20:获取样本区域的数字高程模型和样本区域的植被指数。
所述数字高程模型(Digital Elevation Model),简称DEM,是通过有限的地形高程数据实现对地面地形的数字化模拟,即地形表面形态的数字化表达,为一组有序数值阵列形式表示地面高程的一种实体地面模型,所述植被指数为根据植被的光谱特性,将卫星可见光和近红外波段进行组合,形成的植被覆盖指标,定性和定量评价植被覆盖及其生长活力。植被指数的值通常为-1至1,在冰雪覆盖、水体及沙漠区域,植被指数通常为小于零的常数,在本实施例中,所述样本区域为植被指数大于零的区域。
步骤S30:将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率小于第一分辨率。
其中,在本实施例中,所述白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数的第一分辨率为1km*1km,而卫星遥感降水数据的第二分辨率为25km*25km,因此,需要将第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为第二分辨率。
步骤S40:根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型。
所述样本区域的卫星遥感降水数据,为所述样本区域内,通过卫星遥感所监测到的降水数据,所述最优随机森林算法模型为经反复训练后,降水数据计算误差达到最小的随机森林算法模型。其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本。
步骤S50:获取待检测区域的白天地表温度和夜间地表温度,并根据所述待检测区域的白天地表温度和夜间地表温度获取待检测区域的昼夜地表温度差。
在本实施例中,所述待监测区域的白天地表温度和所述夜间地表温度通过卫星传感器modis(中分辨率成像光谱仪moderate-resolution imaging spectroradiometer)获取。
步骤S60:获取待检测区域的数字高程模型和待检测区域的植被指数。
在本实施例中,所述待检测区域为植被指数大于零的区域。
步骤S70:将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据。
在本实施例中,从最优随机森林算法模型所获取的待检测区域的降水数据分辨率为1km*1km,但误差较大。
步骤S80:对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据。
所述残差为卫星遥感测定的降水数据与从最优随机森林算法模型所获取的待检测区域的降水数据之间的差值,对高分辨率的待检测区域的降水数据进行残差校正,能得到更为准确的高分辨率的待检测区域的降水数据。
本发明所述的空间降尺度降水数据检测方法,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出待检测区域的高分辨率的降水数据,并对该降水数据进行残差校正,得到更为准确的空间降尺度的降水数据。
在一种实施例中,步骤S80中,对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据具体包括如下步骤:
步骤S81:将待检测区域第一分辨率的降水数据重采样至第二分辨率。
步骤S82:计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差。
步骤S83:将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差。
步骤S84:将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
由于降水的高时空异质性,必然存在不能被最优随机森林算法模型有效指示的部分降水量,即残差。本发明通过将这部分残差进行降尺度并与1km分辨率降水模拟值相加的方式来最小化模型误差。由于待检测区域卫星遥感降水数据分辨率为25km*25km,因此可通过待检测区域卫星遥感降水数据值减去重采样后的待检测区域第二分辨率的降水数据计算得出25km*25km分辨率下的残差。由于残差产生的随机性,因此本实施例通过空间内插的方式对残差进行降尺度,本实施例中,使用薄板样条函数插值法(Thin-plate Spline)对残差进行插值处理,来获取最优的降尺度结果。
在一种实施例中,将第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为第二分辨率,是通过计算第二分辨率像元范围内,所有第一分辨率像元的平均值来实现的,即计算25km*25km 范围内,每个1km*1km的平均值。
在一种实施例中,将待检测区域第一分辨率的降水数据重采样至第二分辨率,是通过计算第二分辨率像元范围内,所有第一分辨率像元的平均值来实现的,即计算25km*25km范围内,每个1km*1km的平均值。
请参阅图3,在一个具体的实施例中,本发明空间降尺度降水数据检测方法包括如下步骤:
步骤S301:获取样本区域的白天地表温度和夜间地表温度,计算昼夜地表温度差。
步骤S302:获取样本区域的数字高程模型和样本区域的植被指数。
步骤S303:将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样。
步骤S304:根据样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数建立原始样本集S。
步骤S305:通过Bootstrap方法在原始样本集S中抽取k个训练样本集。
步骤S306:对k个训练集进行学习,以此生成k个决策树模型。在决策树生成过程中,共有4个输入变量,从4个变量中随机抽取n个变量,各个内部节点均是利用这n个特征变量上最优的***方式来***,且n值在随机森林模型的形成过程中为恒定常数。
步骤S307:将k个决策树的结果进行组合,经反复训练,形成最优随机森林算法模型。
步骤S308:获取待检测区域的白天地表温度和夜间地表温度,计算待检测区域的昼夜地表温度差。
步骤S209:获取待检测区域的数字高程模型和待检测区域的植被指数。
步骤S210:将所述待检测区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据。
步骤S211:将待检测区域第一分辨率的降水数据重采样至第二分辨率。
步骤S212:计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差。
步骤S213:将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差。
步骤S214:将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
本发明所述的空间降尺度降水数据检测方法,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出待检测区域的高分辨率的降水数据,并对该降水数据进行重采样,与卫星遥感降水数据进行残差校正,得到高精度的空间降尺度的降水数据。
请参阅图4,在一个实施例中,本发明空间降尺度降水数据检测装置40包括:
第一数据采集模块41,用于获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差,以及获取样本区域的数字高程模型和样本区域的植被指数;
第一重采样模块42,用于将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率;
随机森林训练模块43,用于根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型;
第二数据采集模块44,用于获取待检测区域的白天地表温度和夜间地表温度,并根据所述待检测区域的白天地表温度和夜间地表温度获取待检测区域的昼夜地表温度差,以及获取待检测区域的数字高程模型和待检测区域的植被指数;
第一降水数据获取模块45,用于将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据;
残差校正模块46,用于对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据。
在一种实施例中,残差校正模块46包括:
第二重采样单元461,用于将待检测区域第一分辨率的降水数据重采样至第二分辨率;
第一残差获取单元462,用于计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差;
第二残差获取单元463,用于将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差;
降尺度降水数据获取单元464,用于将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
在一种实施例中,第一重采样模块42包括第一分辨率计算单元421,用于计算第二分辨率像元范围内,所有第一分辨率像元的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数的平均值。
在一种实施例中,第二重采样单元461包括第二分辨率计算单元4611,用于计算第二分辨率像元范围内,所有第一分辨率像元的第一残差的平均值。
本发明还提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任意一项实施例中的基于随机森林算法的降水数据估算方法。
请参阅图5,在一种实施例中,本发明的电子设备50包括存储器51和处理器52,以及储存在所述存储器51并可被所述处理器52执行的计算机程序,所述处理器52执行所述计算机程序时,实现如上述任意一项实施例中的基于随机森林算法的降水数据估算方法。
在本实施例中,控制器52可以是一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件。存储介质51可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
Claims (8)
1.一种空间降尺度降水数据检测方法,其特征在于,包括如下步骤:
获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差;
获取样本区域的数字高程模型和样本区域的植被指数,所述样本区域为植被指数大于零的区域;
将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率小于第一分辨率;
根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
获取待检测区域的白天地表温度和夜间地表温度,并根据所述待检测区域的白天地表温度和夜间地表温度获取待检测区域的昼夜地表温度差;
获取待检测区域的数字高程模型和待检测区域的植被指数;
将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据;
对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据,包括:
将待检测区域第一分辨率的降水数据重采样至第二分辨率;
计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差;
将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差;
将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
2.根据权利要求1所述的空间降尺度降水数据检测方法,其特征在于:
所述样本区域与所述待检测区域的植被指数大于零。
3.根据权利要求1所述的空间降尺度降水数据检测方法,其特征在于:
所述第一分辨率为1km*1km,所述第二分辨率为25km*25km。
4.根据权利要求1所述的空间降尺度降水数据检测方法,其特征在于,将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率,包括:
计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
5.一种空间降尺度降水数据检测装置,其特征在于,包括:
第一数据采集模块,用于获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差,以及获取样本区域的数字高程模型和样本区域的植被指数,所述样本区域为植被指数大于零的区域;
第一重采样模块,用于将第一分辨率的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为与所述样本区域的卫星遥感降水数据相同的第二分辨率;
随机森林训练模块,用于根据样本区域第二分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
第二数据采集模块,用于获取待检测区域的白天地表温度和夜间地表温度,并根据所述待检测区域的白天地表温度和夜间地表温度获取待检测区域的昼夜地表温度差,以及获取待检测区域的数字高程模型和待检测区域的植被指数;
第一降水数据获取模块,用于将所述第一分辨率的待检测区域白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取待检测区域第一分辨率的降水数据;
残差校正模块,用于对所述第一分辨率的降水数据进行残差校正,获取待检测区域的空间降尺度降水数据,包括:
第二重采样单元,用于将待检测区域第一分辨率的降水数据重采样至第二分辨率;
第一残差获取单元,用于计算待检测区域卫星遥感降水数据与重采样后的待检测区域第二分辨率的降水数据之间的差值,获取第一残差;
第二残差获取单元,用于将所述第一残差空间内插至第一分辨率,获取第一分辨率的第二残差;
降尺度降水数据获取单元,用于将待检测区域第一分辨率的降水数据与第二残差相加,获取待检测区域的空间降尺度降水数据。
6.根据权利要求5所述的空间降尺度降水数据检测装置,其特征在于:
所述第一重采样模块包括分辨率计算单元,用于计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于:
该计算机程序被处理器执行时实现如权利要求1至5任意一项空间降尺度降水数据检测方法。
8.一种电子设备,包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序,其特征在于:
所述处理器执行所述计算机程序时,实现如权利要求1至5所述的任意一项空间降尺度降水数据检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159034.XA CN109472393B (zh) | 2018-09-30 | 2018-09-30 | 空间降尺度降水数据检测方法、装置及电子设备 |
PCT/CN2019/106848 WO2020063458A1 (zh) | 2018-09-30 | 2019-09-20 | 空间降尺度降水数据检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159034.XA CN109472393B (zh) | 2018-09-30 | 2018-09-30 | 空间降尺度降水数据检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472393A CN109472393A (zh) | 2019-03-15 |
CN109472393B true CN109472393B (zh) | 2021-01-15 |
Family
ID=65663493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159034.XA Active CN109472393B (zh) | 2018-09-30 | 2018-09-30 | 空间降尺度降水数据检测方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109472393B (zh) |
WO (1) | WO2020063458A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472393B (zh) * | 2018-09-30 | 2021-01-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
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、*** |
CN110866364A (zh) * | 2019-11-20 | 2020-03-06 | 中国科学院遥感与数字地球研究所 | 基于机器学习的地表温度降尺度方法 |
CN111177652B (zh) * | 2019-11-27 | 2021-10-01 | 中国科学院遥感与数字地球研究所 | 一种遥感降水数据的空间降尺度方法及*** |
CN111401644A (zh) * | 2020-03-19 | 2020-07-10 | 南京国准数据有限责任公司 | 一种基于神经网络的降水降尺度空间预测方法 |
CN112699959B (zh) * | 2021-01-11 | 2021-08-13 | 中国科学院地理科学与资源研究所 | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 |
CN113237554B (zh) * | 2021-05-07 | 2022-04-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
CN113221464B (zh) * | 2021-05-21 | 2023-04-07 | 广东省科学院广州地理研究所 | 一种地面站点与遥感观测降水数据融合方法和装置 |
CN117148350B (zh) * | 2023-10-27 | 2024-01-30 | 航天宏图信息技术股份有限公司 | 基于sar图像的地表温度空间降尺度方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021872A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594375B1 (en) * | 2010-05-20 | 2013-11-26 | Digitalglobe, Inc. | Advanced cloud cover assessment |
US10488556B2 (en) * | 2014-03-28 | 2019-11-26 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
CN104318270A (zh) * | 2014-11-21 | 2015-01-28 | 东北林业大学 | 一种基于modis时间序列数据的土地覆盖分类方法 |
CN107748736B (zh) * | 2017-10-13 | 2021-11-26 | 河海大学 | 一种基于随机森林的多因子遥感地表温度空间降尺度方法 |
CN109472393B (zh) * | 2018-09-30 | 2021-01-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
-
2018
- 2018-09-30 CN CN201811159034.XA patent/CN109472393B/zh active Active
-
2019
- 2019-09-20 WO PCT/CN2019/106848 patent/WO2020063458A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021872A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
Non-Patent Citations (1)
Title |
---|
基于随机森林的遥感干旱监测模型及其应用研究;郭佳;《中国优秀硕士学位论文全文数据库 基础科学辑》;20170215;第四章第4.2.2节 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020063458A1 (zh) | 2020-04-02 |
CN109472393A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472393B (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
Zhao et al. | A robust adaptive spatial and temporal image fusion model for complex land surface changes | |
Jiang et al. | Advancing opportunistic sensing in hydrology: A novel approach to measuring rainfall with ordinary surveillance cameras | |
Moudrý et al. | On the use of global DEMs in ecological modelling and the accuracy of new bare-earth DEMs | |
CN110516816B (zh) | 基于机器学习的全天候地表温度生成方法及装置 | |
WO2016031174A1 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
CN110287457B (zh) | 基于卫星雷达遥感数据的玉米生物量反演测算方法 | |
CN111191673B (zh) | 一种地表温度降尺度方法及*** | |
WO2020063529A1 (zh) | 基于随机森林算法的降水数据检测方法、装置及电子设备 | |
CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和*** | |
CN107300703B (zh) | 一种雷达数据的组网处理*** | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN116018602A (zh) | 植被管理***和植被管理方法 | |
Humme et al. | Revealing Celtic fields from lidar data using kriging based filtering | |
Chen et al. | Comparison of different methods for spatial downscaling of GPM IMERG V06B satellite precipitation product over a typical arid to semi-arid area | |
Izquierdo-Verdiguier et al. | Development and analysis of spring plant phenology products: 36 years of 1-km grids over the conterminous US | |
Xiang et al. | Improving the accuracy of estimation of eutrophication state index using a remote sensing data-driven method: A case study of Chaohu Lake, China | |
CN113837943A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
Wei et al. | A comparative assessment of multisensor data merging and fusion algorithms for high-resolution surface reflectance data | |
CN117523404B (zh) | 一种堆土场动态变化监测方法、装置、终端及存储介质 | |
Wang et al. | A novel quality control model of rainfall estimation with videos–A survey based on multi-surveillance cameras | |
Pham et al. | Sparsity optimization method for slow-moving landslides detection in satellite image time-series | |
CN116698691B (zh) | 大气细粒子aod反演方法、装置、电子设备及存储介质 | |
CN108398683B (zh) | 长时序自动干涉测量***及方法 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |
|
CP01 | Change in the name or title of a patent holder |