CN113111936B - 一种卫星数据融合的气温估算方法 - Google Patents
一种卫星数据融合的气温估算方法 Download PDFInfo
- Publication number
- CN113111936B CN113111936B CN202110373975.9A CN202110373975A CN113111936B CN 113111936 B CN113111936 B CN 113111936B CN 202110373975 A CN202110373975 A CN 202110373975A CN 113111936 B CN113111936 B CN 113111936B
- Authority
- CN
- China
- Prior art keywords
- air temperature
- data
- satellite
- spatial resolution
- temperature 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种卫星数据融合的气温估算方法,包括以下步骤:步骤一:对获取到的静止卫星气温数据和极轨卫星气温数据进行预处理;步骤二:利用预处理后的静止卫星气温数据和极轨卫星气温数据建立气温差值字典;步骤三:利用气温差值字典,对基准时刻的静止卫星气温数据和预测时刻的静止卫星气温数据两者的差值数据进行超分辨率重建,得到重建后的高空间分辨率的气温差值数据;步骤四:对基准时刻的极轨卫星气温数据和得到的高空间分辨率的气温差值数据进行相加,得到预测时刻的高空间分辨率卫星气温产品;步骤五:根据静止卫星气温数据的时间分辨率,连续生成对应的高时间分辨率的高空间分辨率卫星气温数据。本发明方法得到的数据准确性和稳定性更高。
Description
技术领域
本发明涉及卫星气象技术领域,尤其涉及一种静止和极轨气象卫星数据融合的高时空分辨率卫星数据融合的气温估算方法。
背景技术
目前,气温数据主要通过台站获取,对于大范围气温数据多采用插值方法进行估算,遥感具有宏观、动态、便捷、经济、周期性的特点,能够大范围提供及时的信息,具有台站无法比拟的优越性,对于获得大范围气温数据提供了途径。
但由于单一平台的光学卫星传感器很难获取到同时具有高时间高空间分辨率的温度数据,从而限制了遥感温度数据的推广和应用。而通过台站获取气温不具有大范围连续的特点,且静止卫星与极轨卫星的时空矛盾性对获取高时间高空间分辨率气温数据带来很大的困难。
因此,融合极轨卫星的高空间特性与静止卫星的高时间特性,成为了获得高时间高空间分辨率卫星遥感产品的重要手段。如何更好的融合静止和极轨气象卫星气温数据,提高其准确性与稳定性,是一个亟待研究的问题。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种静止和极轨气象卫星数据融合的高时空分辨率卫星数据融合的气温估算方法。
一种卫星数据融合的气温估算方法,包括以下步骤:
步骤一:对获取到的静止卫星气温数据和极轨卫星气温数据进行预处理;
步骤二:利用预处理后的静止卫星气温数据和极轨卫星气温数据建立气温差值字典;
步骤三:利用气温差值字典,对基准时刻的静止卫星气温数据和预测时刻的静止卫星气温数据两者的差值数据进行超分辨率重建,得到重建后的高空间分辨率的气温差值数据;
步骤四:对基准时刻的极轨卫星气温数据和得到的高空间分辨率的气温差值数据进行相加,得到预测时刻的高空间分辨率卫星气温产品;
步骤五:根据静止卫星气温数据的时间分辨率,连续生成对应的高时间分辨率的高空间分辨率卫星气温数据。
进一步地,如上所述的方法,所述步骤一中所述预处理包括:
步骤11:时空匹配
对于获取到的静止气象卫星气温数据和极轨气象卫星气温数据进行时空匹配,得到同一时刻对同一地区观测的气温数据,即时空匹配后的极轨卫星气温数据和静止卫星气温数据;
步骤12:数据订正
利用台站数据对所述时空匹配后的极轨卫星气温数据和静止卫星气温数据进行订正,得到订正后的极轨卫星气温数据和静止卫星气温数据。
进一步地,如上所述的方法,所述步骤二包括:
步骤21:气温差值数据集的建立
将所述订正后的极轨卫星气温数据和静止卫星气温数据分别按照不同时期同一时刻进行差值计算并划分整理,最后得到极轨卫星气温差值数据集和静止卫星气温差值数据集;
步骤22:高低空间分辨率字典的生成
利用极轨卫星气温差值数据集训练高空间分辨率字典、利用静止卫星气温差值数据集训练低空间分辨率字典,最终得到高空间分辨率字典和低空间分辨率字典。
进一步地,如上所述的方法,所述步骤22包括:
步骤221:根据得到的高空间分辨率字典和低空间分辨率字典,按所设参数,对数据集样本进行分块操作,分别得到高空间分辨率数据块和低空间分辨率数据块,再分别剔除阈值较小的数据块,最后得到所需要的高空间分辨率训练样本和低空间分辨率训练样本;
步骤222:根据得到的高空间分辨率训练样本和低空间分辨率训练样本,利用K-SVD冗余字典构建算法,分别对高空间分辨率训练样本和低空间分辨率训练样本进行联合字典构建,分别得到高空间分辨率字典和低空间分辨率字典。
进一步地,如上所述的方法,所述步骤三具体包括以下步骤:
步骤1:根据得到的低空间分辨率字典Dl,以及一个基准时刻与预测时刻的静止卫星fy4a气温差值数据Yl,利用计算公式Xl=Dl +·Yl,得到相应的稀疏系数Xl;
步骤2:根据得到的高空间分辨率字典Dh和稀疏系数Xl,利用计算公式Yh=Dh·Xl,得到基准时刻与预测时刻的高空间分辨率气温差值数据Yh。
进一步地,如上所述的方法,所述步骤四包括:
根据得到的基准时刻与预测时刻的高空间分辨率气温差值数据Yh,以及基准时刻的极轨卫星气温数据yb,利用计算公式yp=yb+Yh,得到预测时刻的高空间分辨率气温数据yp。
有益效果:
本发明一方面有对历史数据集做订正,另一方面使用极轨卫星和静止卫星气温差值数据做训练样本,能更好地学习到两者的差异,并非使用传统的重采样数据做训练样本,从而提高了气温估算的准确性与稳定性。
本发明提出的方法,利用该方法可融合静止和极轨卫星的气温数据,获得高时间高空间分辨率的卫星遥感气温产品,且该产品具有较高的准确性和稳定性,从而提高了卫星遥感数据的应用。
附图说明
图1为本发明方法流程图;
图2为实施例基准时刻FY4A气温图;
图3为实施例基准时刻FY3D气温图;
图4为实施例预测时刻FY4A气温图;
图5为实施例预测时刻融合后的气温图;
图6(a)为实施例预测时刻FY4A气温数据与台站实测数据对比散点图;
图6(b)为实施例预测时刻融合后的气温数据与台站实测数据对比散点图;
图7为使用本发明方法24小时内融合前后误差趋势曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供的静止和极轨气象卫星气温数据融合的高时空分辨率卫星数据融合的气温估算方法包括以下步骤:
步骤一:气温数据的预处理
步骤11:时空匹配
对于获取到的静止气象卫星的气温数和极轨气象卫星的气温数据进行时空匹配,得到同一时刻对同一地区观测的气温数据,即时空匹配后的极轨卫星气温数据和静止卫星气温数据。
步骤12:数据订正
由于极轨卫星和静止卫星本身得到的气温数据存在较大差异,为了提高融合精度,需要利用台站数据对历史数据集进行订正,得到订正后的极轨卫星气温数据和静止卫星气温数据。
步骤二:极轨卫星和静止卫星气温差值字典的建立
步骤21:气温差值数据集的建立
利用匹配并订正好的气温数据,进行数据集的建立,根据所使用的融合方法,需要建立气温差值数据集。为了更好的融合效果,数据集分为不同时期同一时刻的高低分辨率差值数据,进行差值计算,最后得到极轨卫星气温差值数据集(即高空间分辨率气温差值数据集)和静止卫星气温差值数据集(即低空间分辨率气温差值数据集)。
具体地,本步骤包括以下步骤:
步骤21:根据匹配并订正好的极轨卫星气温数据和静止卫星气温数据,按空间分辨率的高低进行分组,得到高空间分辨率气温数据组和低空间分辨率气温数据组。
步骤22:根据得到的高空间分辨率气温数据组,按不同时期的同一时刻做差值计算(例如:7月1日06:00和7月2日06:00时刻的高空间分辨率气温数据做差值;7月1日18:00和7月2日18:00时刻的高空间分辨率气温数据做差值),得到高空间分辨率气温差值数据集。
步骤23:根据得到的低空间分辨率气温数据组,按不同时期的同一时刻做差值计算(例如:7月1日06:00和7月2日06:00时刻的低空间分辨率气温数据做差值;7月1日18:00和7月2日18:00时刻的低空间分辨率气温数据做差值),得到低空间分辨率气温差值数据集。
步骤24:根据得到的高低空间分辨率气温差值数据集,按所设参数,对数据集样本进行分块操作,分别得到高低空间分辨率数据块,再剔除阈值较小的数据块,最后得到所需要的高低空间分辨率训练样本。
步骤25:根据得到的高低空间分辨率训练样本,利用K-SVD冗余字典构建算法,对高低空间分辨率训练样本进行联合字典构建,得到高空间分辨率字典和低空间分辨率字典。
步骤三:通过计算公式对气温数据进行融合;利用得到的高低空间分辨率字典,对基准时刻的静止卫星气温数据和预测时刻的静止卫星气温数据两者的差值数据进行超分辨率重建,得到重建后的高空间分辨率的气温差值数据。
具体地,本步骤包括以下步骤:
步骤31:根据得到的低空间分辨率字典Dl,以及一个基准时刻与预测时刻的静止卫星fy4a气温差值数据Yl,利用计算公式Xl=Dl +·Yl,得到相应的稀疏系数Xl。
步骤32:根据得到的高空间分辨率字典Dh和稀疏系数Xl,利用计算公式Yh=Dh·Xl,得到基准时刻与预测时刻的高空间分辨率气温差值数据Yh。
步骤33:根据得到的基准时刻与预测时刻的高空间分辨率气温差值数据Yh,
以及基准时刻的极轨卫星气温数据yb,利用计算公式yp=yb+Yh,得到预测时刻的高空间分辨率气温数据yp。
步骤四:高时空分辨率气温数据的建立
利用以上所述步骤,根据静止卫星气温数据的时间分辨率,可连续生成对应的高时间分辨率的高空间分辨率卫星气温数据。
实施例:
利用高空间分辨率风云三号D极轨气象卫星FY3D(250m,一天两次)产品和低空间分辨率风云四号A静止气象卫星FY4A(4000m,每小时一次)产品,获得湖南地区气温数据。采用本文方法进行多源卫星数据融合,产生新的高时间(1小时一次)、高空间分辨率(250m)的卫星气温产品。
算法效果:
用基准时刻为2019年8月5日06:00的FY3D、FY4A气温数据与预测时刻为2019年8月5日07:00FY4A气温数据融合得到预测时刻的高空间分辨率卫星气温产品。
图2和图3分别是基准时刻的静止卫星气温图和极轨卫星气温图,对比这两幅图可以看出,即使是同一时刻,不同卫星获得的气温仍存在较大差异,这也给融合带来一定难度。图4与图5分别是预测时刻的静止卫星气温图和融合得到的高分空间辨率气温图,对比这两幅图可以看出,气温的轮廓基本相似,但细节上,融合后的气温整体视觉上不够平滑。将这两幅图的气温数据与湖南地区97个台站的实测气温进行比较,计算其误差,即得到图6(a)和图6(b),对比两幅误差散点图可以看出,融合后相关性有所提高,从0.405提高到到0.553,偏离程度和偏差基本不变;另一方面,融合提高了时空分辨率,则不可避免带来了一定的误差,但均方根误差从2.29只增加到了2.31。可以看出,使用该融合方法对于高时空分辨率气温的估算有较好的效果。
图7为2019年8月份24小时内融合前后误差趋势曲线图;使用本发明方法逐小时估算气温,得到24小时内的气温数据,并计算其每个时刻与湖南地区台站气温数据的均方根误差(RMSE),得到图7中的融合后误差曲线;使用相应时刻的静止卫星fy4a的气温数据与湖南地区台站气温数据做均方根误差计算,得到图7中融合前误差曲线。对比两条曲线可以看出,气温的变化趋势基本一致,估算气温的均方根误差数据较为均匀地分布在静止卫星气温的均方根误差数据附近,表明估算结果具有较好的稳定性;24小时内,估算气温的均方根误差和静止卫星气温的均方根误差的平均值分别为2.39和2.16,表明估算结果具有较好的准确性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种卫星数据融合的气温估算方法,其特征在于,包括以下步骤:
步骤一:对获取到的静止卫星气温数据和极轨卫星气温数据进行预处理;
步骤二:利用预处理后的静止卫星气温数据和极轨卫星气温数据建立气温差值字典;
步骤三:利用气温差值字典,对基准时刻的静止卫星气温数据和预测时刻的静止卫星气温数据两者的差值数据进行超分辨率重建,得到重建后的高空间分辨率的气温差值数据;
步骤四:对基准时刻的极轨卫星气温数据和得到的高空间分辨率的气温差值数据进行相加,得到预测时刻的高空间分辨率卫星气温产品;
步骤五:根据静止卫星气温数据的时间分辨率,连续生成对应的高时间分辨率的高空间分辨率卫星气温数据;
所述步骤一中所述预处理包括:
步骤11:时空匹配
对于获取到的静止气象卫星气温数据和极轨气象卫星气温数据进行时空匹配,得到同一时刻对同一地区观测的气温数据,即时空匹配后的极轨卫星气温数据和静止卫星气温数据;
步骤12:数据订正
利用台站数据对所述时空匹配后的极轨卫星气温数据和静止卫星气温数据进行订正,得到订正后的极轨卫星气温数据和静止卫星气温数据;
所述步骤三具体包括以下步骤:
步骤1:根据得到的低空间分辨率字典Dl,以及一个基准时刻与预测时刻的静止卫星fy4a气温差值数据Yl,利用计算公式Xl=Dl +·Yl,得到相应的稀疏系数Xl;Dl +代表矩阵Dl的广义逆矩阵;
步骤2:根据得到的高空间分辨率字典Dh和稀疏系数Xl,利用计算公式Yh=Dh·Xl,得到基准时刻与预测时刻的高空间分辨率气温差值数据Yh;
所述步骤四包括:
根据得到的基准时刻与预测时刻的高空间分辨率气温差值数据Yh,以及基准时刻的极轨卫星气温数据yb,利用计算公式yp=yb+Yh,得到预测时刻的高空间分辨率气温数据yp。
2.根据权利要求1所述的方法,其特征在于,所述步骤二包括:
步骤21:气温差值数据集的建立
将所述订正后的极轨卫星气温数据和静止卫星气温数据分别按照不同时期同一时刻进行差值计算并划分整理,最后得到极轨卫星气温差值数据集和静止卫星气温差值数据集;
步骤22:高低空间分辨率字典的生成
利用极轨卫星气温差值数据集训练高空间分辨率字典、利用静止卫星气温差值数据集训练低空间分辨率字典,最终得到高空间分辨率字典和低空间分辨率字典。
3.根据权利要求2所述的方法,其特征在于,所述步骤22包括:
步骤221:根据得到的高空间分辨率字典和低空间分辨率字典,按所设参数,对数据集样本进行分块操作,分别得到高空间分辨率数据块和低空间分辨率数据块,再分别剔除阈值较小的数据块,最后得到所需要的高空间分辨率训练样本和低空间分辨率训练样本;
步骤222:根据得到的高空间分辨率训练样本和低空间分辨率训练样本,利用K-SVD冗余字典构建算法,分别对高空间分辨率训练样本和低空间分辨率训练样本进行联合字典构建,分别得到高空间分辨率字典和低空间分辨率字典。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373975.9A CN113111936B (zh) | 2021-04-07 | 2021-04-07 | 一种卫星数据融合的气温估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373975.9A CN113111936B (zh) | 2021-04-07 | 2021-04-07 | 一种卫星数据融合的气温估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111936A CN113111936A (zh) | 2021-07-13 |
CN113111936B true CN113111936B (zh) | 2022-10-18 |
Family
ID=76714551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373975.9A Active CN113111936B (zh) | 2021-04-07 | 2021-04-07 | 一种卫星数据融合的气温估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111936B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792091A (zh) * | 2021-11-15 | 2021-12-14 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种海表温度数据归一化质量检验方法 |
CN116611587B (zh) * | 2023-07-19 | 2023-11-07 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于极轨-静止卫星融合技术的太阳能资源预测方法 |
Citations (1)
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101191864B1 (ko) * | 2011-03-07 | 2012-10-16 | 부경대학교 산학협력단 | 복사 전달 모델을 이용한 휘도 온도 검정 시스템 및 그 방법 |
US9436784B2 (en) * | 2013-02-08 | 2016-09-06 | University Of Alaska Fairbanks | Validating and calibrating a forecast model |
CN104636608A (zh) * | 2015-01-30 | 2015-05-20 | 国家电网公司 | 一种modis卫星数据的直接同化方法 |
CN109375290B (zh) * | 2018-10-16 | 2020-09-25 | 象谱信息产业有限公司 | 一种基于机器学习的跨海大桥雾监测***及其应用方法 |
CN109635242A (zh) * | 2018-11-29 | 2019-04-16 | 南京大学 | 一种基于多时间尺度模型的遥感地表日均温计算方法 |
CN110954482B (zh) * | 2019-12-02 | 2020-12-15 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
-
2021
- 2021-04-07 CN CN202110373975.9A patent/CN113111936B/zh active Active
Patent Citations (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113111936A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111936B (zh) | 一种卫星数据融合的气温估算方法 | |
CN113297527B (zh) | 基于多源城市大数据的pm2.5全面域时空计算推断方法 | |
CN112905560A (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN115113301B (zh) | 一种基于多源数据融合的应急短临预报方法及*** | |
CN116468730B (zh) | 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法 | |
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
CN104636608A (zh) | 一种modis卫星数据的直接同化方法 | |
CN114019579A (zh) | 高时空分辨率近地表空气温度重构方法、***、设备 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
Ruiz-Arias et al. | Direct normal irradiance modeling: Evaluating the impact on accuracy of worldwide gridded aerosol databases | |
CN114004163A (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
Cristaldi et al. | A hybrid approach for solar radiation and photovoltaic power short-term forecast | |
CN117113828A (zh) | 一种基于船基走航式观测的数值预报订正方法 | |
CN114612751B (zh) | 一种基于语义学习的整机点云数据的下采样方法 | |
Xia et al. | A Deep Learning Method Integrating Multi-source Data for ECMWF Forcasting Products Correction | |
CN111814855B (zh) | 基于残差seq2seq神经网络的全球电离层电子总含量预测方法 | |
CN114169215B (zh) | 一种耦合遥感与区域气象模式的地表温度反演方法 | |
Hirooka et al. | Temporal interpolation of gridded solar radiation data for evaluation of PV fluctuations | |
Liu et al. | A deep learning-based imputation method for missing gaps in satellite aerosol products by fusing numerical model data | |
Koubli et al. | Inference of missing PV monitoring data using neural networks | |
Xu et al. | Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations | |
CN115993668B (zh) | 一种基于多项式改正和神经网络的pwv重建方法及*** | |
Ma et al. | All-weather precipitable water vapor map reconstruction using data fusion and machine learning-based spatial downscaling | |
CN112132228B (zh) | 基于决策树分类的辐照度数据插补方法及*** |
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 |