CN113221464B - 一种地面站点与遥感观测降水数据融合方法和装置 - Google Patents
一种地面站点与遥感观测降水数据融合方法和装置 Download PDFInfo
- Publication number
- CN113221464B CN113221464B CN202110557021.3A CN202110557021A CN113221464B CN 113221464 B CN113221464 B CN 113221464B CN 202110557021 A CN202110557021 A CN 202110557021A CN 113221464 B CN113221464 B CN 113221464B
- Authority
- CN
- China
- Prior art keywords
- resolution
- precipitation
- remote sensing
- space
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims description 11
- 238000001556 precipitation Methods 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种地面站点与遥感观测降水数据融合方法和装置,通过利用面到点克里金插值法对第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果,基于时空地理加权回归和时空克里金插值两种方法对第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型,通过将时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值相加,实现遥感降水降尺度结果的误差校正,得到高精度的第二分辨率的降水数据产品,所述降水数据产品可应用于水文模拟、气候变化、气象灾害等前沿研究。
Description
技术领域
本发明涉及地理信息技术领域,尤其是涉及一种地面站点与遥感观测降水数据融合方法和装置。
背景技术
降水是反映地表环境状况和全球水循环的关键参数,是大气过程的基本输出通量和地表水文过程的基本驱动要素。长期以来遥感降水数据主要是在地面气象观测站布置雨量计测量而得,这种方式采集到的数据精度优且观测时间分辨率高,但也面临站点密度低、分布不均匀且观测覆盖范围窄等不足。尤其在地形复杂或欠发达地区(如山区、西部地区),气象站点分布稀疏,并且受局部环境因素影响,观测点所能代表的空间范围十分有限。
发明内容
鉴于上述情况,本申请实施例提供了一种高精度、高分辨率的地面站点与遥感观测降水数据融合方法和装置。
第一方面,本申请实施例提供了一种地面站点与遥感观测降水数据融合方法,包括以下步骤:
获取研究区内地面站点降水实测数据、第一分辨率的遥感降水数据和第二分辨率的归一化植被指数、地表温度、平面坐标和高程数据作为辅助参量;其中,所述第二分辨率高于所述第一分辨率;
基于面到点克里金插值法,对所述第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果;
基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型;
获取所述时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值;
将所述第二分辨率的降水量趋势估计值和所述第二分辨率的残差估计值相加,融合得到第二分辨率的降水数据产品。
可选的,对所述第一分辨率的遥感降水数据进行空间降尺度的步骤包括:
按照以下方式,对所述第一分辨率的遥感降水数据进行空间降尺度:
其中,为第二分辨率格网点v0的遥感降水降尺度结果,N为与格网点v0邻近的第一分辨率的格网点数量,xi为格网点v0的第i个邻近格网点,pc(xi)为第一分辨率格网点xi的遥感降水量,λi为第一分辨率格网点xi的权重;权重λi的求解方程组为:
上式中,γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(v0,xi)是第二分辨率格网点v0与第一分辨率邻近格网点xi之间的点与面变异函数,μ为拉格朗日算子,s为任意两个格网点中心的距离;
γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s)。
可选的,获取所述时空融合模型输出的第二分辨率的降水量趋势估计值的步骤包括:
按照以下方式,利用时空地理加权回归获取所述第二分辨率的降水量趋势估计值:
其中,为时空点(v0,t0)处第二分辨率的降水量趋势估计值,β0(v0,t0)为截距,为第二分辨率的遥感降水降尺度结果,β1(v0,t0)为对应的回归系数,fi(v0,t0)为第i个辅助参量,βi(v0,t0)为fi(v0,t0)对应的回归系数,K-1为辅助参量的数量;截距和回归系数随时空位置(v0,t0)的变化而改变。
可选的,获取所述时空融合模型输出的第二分辨率的残差估计值的步骤包括:
按照以下方式,利用时空克里金插值获取所述第二分辨率的降水量残差估计值:
第二方面,本申请实施例提供了一种地面站点与遥感观测降水数据融合装置,包括:
第一数据获取模块,用于获取研究区内地面站点降水实测数据、第一分辨率的遥感降水数据和第二分辨率的归一化植被指数、地表温度、平面坐标和高程数据作为辅助参量;其中,所述第二分辨率高于所述第一分辨率;
空间降尺度模块,用于基于面到点克里金插值法,对所述第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果;
回归模型构建模块,用于基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型;
第二数据获取模块,用于获取所述时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值;
降水数据产品获取模块,用于将所述第二分辨率的降水量趋势估计值和所述第二分辨率的残差估计值相加,融合得到第二分辨率的降水数据产品。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述地面站点与遥感观测降水数据融合方法的步骤。
第四方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中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任意一项所述地面站点与遥感观测降水数据融合方法的步骤
在本申请实施例中,通过利用面到点克里金插值法对第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果,基于时空地理加权回归和时空克里金插值两种方法对第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型,通过将时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值相加,实现遥感降水降尺度结果的误差校正,得到高精度的第二分辨率的降水数据产品,所述降水数据产品可应用于水文模拟、气候变化、气象灾害等前沿研究。
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为本发明一个示例性的实施例中一种地面站点与遥感观测降水数据融合方法的流程图;
图2为本发明一个示例性的实施例中一种地面站点与遥感观测降水数据融合装置的结构示意图.
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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它例子,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
现有的降水量空间降尺度方法往往通过先将获取到的高分辨率的遥感降水数据和辅助参量进行升尺度,得到低分辨率数据,在低分辨率尺度上构建回归模型并通过将低分辨率尺度上的回归模型残差值插值至高分辨率尺度,再结合回归模型得到的空间降尺度的遥感降水数据得到高分辨率降水量。但是,上述过程中,在对高分辨率的遥感降水数据和辅助参量进行升尺度时,容易造成空间信息的损失,从而影响模型构建的精度。并且,上述过程中并未考虑各数据内在的空间相关性,容易给空间降尺度结果造成精度损失。
如图1所示,针对上述问题,本发明提供了一种地面站点与遥感观测降水数据融合方法,包括以下步骤:
步骤S1:获取研究区内地面站点降水实测数据、第一分辨率的遥感降水数据和第二分辨率的归一化植被指数、地表温度、平面坐标和高程数据作为辅助参量;其中,所述第二分辨率高于所述第一分辨率;
在一个实施例中,所述遥感降水数据和所述地面站点降水实测数据包括采样点的地理坐标、采样时间和降水量,所述采样点的地理坐标v0、采样时间t0形成时空点(v0,t0)。
所述第一分辨率与所述第二分辨率为一相对形容词,用于标识不同分辨率的遥感降水数据。具体地,所述第一分辨率的遥感降水数据可以是指地理信息领域中的低分辨率遥感降水数据,第二分辨率可以是指地理信息领域中的高分辨率遥感降水数据。
步骤S2:基于面到点克里金插值法,对所述第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果;
面到点克里金方法是一种根据样品空间位置不同、样品间相关程度不同,对每个样品品味赋予不同的权,进行滑动加权平均,以估计中心块段平均段位的统计学方法。具体地,对所述第一分辨率的遥感降水数据进行空间降尺度的步骤包括:
按照以下方式,对所述第一分辨率的遥感降水数据进行空间降尺度:
其中,为第二分辨率格网点v0的遥感降水降尺度结果,N为与格网点v0邻近的第一分辨率的格网点数量,xi为格网点v0的第i个邻近格网点,pc(xi)为第一分辨率格网点xi的遥感降水量,λi为第一分辨率格网点xi的权重;权重λi的求解方程组为:
上式中,γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(v0,xi)是第二分辨率格网点v0与第一分辨率邻近格网点xi之间的点与面变异函数,μ为拉格朗日算子,s为任意两个格网点中心的距离;
γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s)
在本申请实施例中,通过拟合计算低分辨率遥感降水变异函数,然后去卷积推断点与点函数γff(s),选定点扩展函数为简便的算术平均运算,面与面变异函数、点与面变异函数即被转换成众多点对变异函数的均值来计算。
步骤S3:基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型;
在一个实施例中,所述辅助参量包括归一化植被指数和数字高程模型。在其它实施例中,所述辅助参量也可包括其它与降水量显著相关的地表参数。
时空克里金插值法是利用时空变异函数将采样空间数据扩展至时空领域,使数据具有空间特性和时空特性,再利用克里金插值法进行时空插值,从而得到待预测点的数值。
所述回归模型通过融合各时空点的遥感降水数据和辅助参量,并根据融合后的降水量数值和地面站点降水实测数据确定各辅助参量与降水量之间是否具备时空异质性。
在一个实施例中,可以先通过假设该回归模型为线性回归模型,若该回归模型根据遥感降水数据和辅助参量拟合的数值与地面站点降水实测数据较为接近,则判断降水量与辅助参量的时空异质性不明显,此时,该回归模型为线性回归模型。否则,令各辅助参量对应的回归系数随采样点的时空位置进行变化,重新构建和训练降水量和辅助参量之间的回归模型。
步骤S4:获取所述时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值;
所述降水量趋势估计值和所述残差估计值可用于实现降水量空间降尺度结果的误差校正。其中,降水量趋势估计值为遥感降水数据和各辅助参量之间的时空融合结果,其表示了某一时空点的降水趋势的回归估计值。
步骤S5:将所述第二分辨率的降水量趋势估计值和所述第二分辨率的残差估计值相加,融合得到第二分辨率的降水数据产品;
具体地,按照以下方式,依次对各高分辨率遥感格网点上的降水量趋势估计值和残差估计值进行相加,即得到高分辨率、高精度降水数据产品:
在本申请实施例中,通过去卷积推断高分辨率尺度上(点尺度)降水变异函数,利用面到点克里金插值实现低分辨率遥感降水数据空间降尺度,然后在高分辨率尺度上基于时空地理加权回归和时空克里金插值两种方法对第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型,通过将时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值相加,实现遥感降水降尺度结果的误差校正,得到高精度的第二分辨率的降水数据产品,所述降水数据产品可应用于水文模拟、气候变化、气象灾害等前沿研究。
现有技术中,往往认为降水量与辅助参量具备空间同质性,只是表现为线性、高次或指数灯多种形式。而本申请实施例中,基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型,时空融合模型能更好地展现降水量与辅助参量的非线性或空间异质关系,提高遥感降水数据的空间降尺度结果的准确性。
具体地,获取所述时空融合模型输出的第二分辨率的降水量趋势估计值的步骤包括:
按照以下方式,利用时空地理加权回归获取所述第二分辨率的降水量趋势估计值:
其中,为时空点(v0,t0)处第二分辨率的降水量趋势估计值,β0(v0,t0)为截距,为第二分辨率的遥感降水降尺度结果,β1(v0,t0)为对应的回归系数,fi(v0,t0)为第i个辅助参量,βi(v0,t0)为fi(v0,t0)对应的回归系数,K-1为辅助参量的数量;截距和回归系数随时空位置(v0,t0)的变化而改变。
在对遥感降水数据去除时空趋势后,残差部分r(v,t)被视为二阶平稳且期望为零,即r(v,t)在所研究的时空区域内具有有限的方差且任意时空点对(v,t)和(v+hv,t+ht)残差部分的协方差只与时间距离ht和空间距离hv相关,而与时空点对的绝对位置无关,如下式所示:
cov[r(v,t),r(v+hv,t+ht)=Cst(hv,ht)
其中,Cst为时空协方差函数,hv为空间距离,ht为时间距离,r(v,t)为时空点(v,t)的残差,r(v+hv,t+ht)为时空点(v+hv,t+ht)的残差。
残差估计值可通过时空克里金插值生成连续的降水随机项得到。具体地,获取所述时空融合模型输出的第二分辨率的残差估计值的步骤包括:
按照以下方式,利用时空克里金插值获取所述第二分辨率的降水量残差估计值:
如图2所示,本申请实施例还提供了一种地面站点与遥感观测降水数据融合装置,包括:
第一数据获取模块1,用于获取研究区内地面站点降水实测数据、第一分辨率的遥感降水数据和第二分辨率的归一化植被指数、地表温度、平面坐标和高程数据作为辅助参量;其中,所述第二分辨率高于所述第一分辨率;
空间降尺度模块2,用于基于面到点克里金插值法,对所述第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果;
回归模型构建模块3,用于基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型;
第二数据获取模块4,用于获取所述时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值;
降水数据产品获取模块5,用于将所述第二分辨率的降水量趋势估计值和所述第二分辨率的残差估计值相加,融合得到第二分辨率的降水数据产品。
需要说明的是,上述实施例提供的地面站点与遥感观测降水数据融合装置在执行地面站点与遥感观测降水数据融合方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的地面站点与遥感观测降水数据融合装置与地面站点与遥感观测降水数据融合方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述地面站点与遥感观测降水数据融合方法的步骤。
本申请实施例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。
本申请实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中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任意一项所述地面站点与遥感观测降水数据融合方法的步骤。
本申请实施例所述地面站点与遥感观测降水数据融合方法结合了遥感数据的尺度转换和空间相关性信息,相比较传统的回归方法,本申请结合空间降尺度结果、地面站点降水实测数据及辅助参量的回归模型,综合考虑了降水的时空自相关性和辅助参量相关关系的时空异质性,保证回归模型构建与实际应用的尺度一致,提高空间降尺度结果的误差校正能力,保证获取的降水量数据的准确性。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (6)
1.一种地面站点与遥感观测降水数据融合方法,其特征在于,包括以下步骤:
获取研究区内地面站点降水实测数据、第一分辨率的遥感降水数据和第二分辨率的归一化植被指数、地表温度、平面坐标和高程数据作为辅助参量;其中,所述第二分辨率高于所述第一分辨率;
基于面到点克里金插值法,对所述第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果;
基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型;
获取所述时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值;
将所述第二分辨率的降水量趋势估计值和所述第二分辨率的残差估计值相加,融合得到第二分辨率的降水数据产品;
对所述第一分辨率的遥感降水数据进行空间降尺度的步骤包括:
按照以下方式,对所述第一分辨率的遥感降水数据进行空间降尺度:
其中,为第二分辨率格网点v0的遥感降水降尺度结果,N为与格网点v0邻近的第一分辨率的格网点数量,xi为格网点v0的第i个邻近格网点,pc(xi)为第一分辨率格网点xi的遥感降水量,λi为第一分辨率格网点xi的权重;权重λi的求解方程组为:
上式中,γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(v0,xi)是第二分辨率格网点v0与第一分辨率邻近格网点xi之间的点与面变异函数,μ为拉格朗日算子,s为任意两个格网点中心的距离;
γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s)。
4.一种地面站点与遥感观测降水数据融合装置,其特征在于,包括:
第一数据获取模块,用于获取研究区内地面站点降水实测数据、第一分辨率的遥感降水数据和第二分辨率的归一化植被指数、地表温度、平面坐标和高程数据作为辅助参量;其中,所述第二分辨率高于所述第一分辨率;
空间降尺度模块,用于基于面到点克里金插值法,对所述第一分辨率的遥感降水数据进行空间降尺度,得到第二分辨率的遥感降水降尺度结果;对所述第一分辨率的遥感降水数据进行空间降尺度的步骤包括:
按照以下方式,对所述第一分辨率的遥感降水数据进行空间降尺度:
其中,为第二分辨率格网点v0的遥感降水降尺度结果,N为与格网点v0邻近的第一分辨率的格网点数量,xi为格网点v0的第i个邻近格网点,pc(xi)为第一分辨率格网点xi的遥感降水量,λi为第一分辨率格网点xi的权重;权重λi的求解方程组为:
上式中,γcc(xi,xj)是第一分辨率格网点xi与xj之间的面与面变异函数,γfc(v0,xi)是第二分辨率格网点v0与第一分辨率邻近格网点xi之间的点与面变异函数,μ为拉格朗日算子,s为任意两个格网点中心的距离;
γfc(s)与γcc(s)通过第二分辨率格网上的点与点变异函数γff(s)和点扩展函数h(s)之间的卷积推算,*为卷积运算:
γfc(s)=γff(s)*h(s)
γcc(s)=γff(s)*h(s)*h(-s);
回归模型构建模块,用于基于时空地理加权和时空克里金插值法,根据所述第二分辨率的遥感降水降尺度结果、辅助参量和地面站点降水实测数据,构建并训练用于表达降水量与辅助参量时空异质性关系的时空融合模型;
第二数据获取模块,用于获取所述时空融合模型输出的第二分辨率的降水量趋势估计值和第二分辨率的残差估计值;
降水数据产品获取模块,用于将所述第二分辨率的降水量趋势估计值和所述第二分辨率的残差估计值相加,融合得到第二分辨率的降水数据产品。
5.一种计算机可读存储介质,其上储存有计算机程序,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1-3任意一项所述地面站点与遥感观测降水数据融合方法的步骤。
6.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并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权利要求1-3中任意一项所述地面站点与遥感观测降水数据融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557021.3A CN113221464B (zh) | 2021-05-21 | 2021-05-21 | 一种地面站点与遥感观测降水数据融合方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557021.3A CN113221464B (zh) | 2021-05-21 | 2021-05-21 | 一种地面站点与遥感观测降水数据融合方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221464A CN113221464A (zh) | 2021-08-06 |
CN113221464B true CN113221464B (zh) | 2023-04-07 |
Family
ID=77093717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557021.3A Active CN113221464B (zh) | 2021-05-21 | 2021-05-21 | 一种地面站点与遥感观测降水数据融合方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221464B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091266B (zh) * | 2021-11-24 | 2022-07-26 | 西安理工大学 | 极端降水与陆面温度增温响应关系的稳健性评估方法 |
CN115795399B (zh) * | 2023-01-31 | 2023-04-28 | 中国科学院地理科学与资源研究所 | 一种多源遥感降水数据自适应融合方法和*** |
CN117349795B (zh) * | 2023-12-04 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于ann和gwr耦合的降水融合方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050049856A (ko) * | 2003-11-24 | 2005-05-27 | 삼성전자주식회사 | 영상 신호의 해상도 변환 방법 및 장치 |
CN103838979A (zh) * | 2014-03-26 | 2014-06-04 | 武汉大学 | 一种基于支持向量机算法的统计降尺度方法 |
CA2961702A1 (en) * | 2016-03-23 | 2017-09-23 | River Analyzer Inc. D/B/A/ Fresh Water Map | Granular river attributes and predictions using acoustic doppler current profiler data from river floats |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5796879A (en) * | 1995-05-23 | 1998-08-18 | Hewlett-Packard Company | Area based interpolation for image scaling |
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
CN103143465B (zh) * | 2013-02-25 | 2016-06-29 | 中国水利水电科学研究院 | 一种区域降雨过程的模拟***和方法 |
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 |
-
2021
- 2021-05-21 CN CN202110557021.3A patent/CN113221464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050049856A (ko) * | 2003-11-24 | 2005-05-27 | 삼성전자주식회사 | 영상 신호의 해상도 변환 방법 및 장치 |
CN103838979A (zh) * | 2014-03-26 | 2014-06-04 | 武汉大学 | 一种基于支持向量机算法的统计降尺度方法 |
CA2961702A1 (en) * | 2016-03-23 | 2017-09-23 | River Analyzer Inc. D/B/A/ Fresh Water Map | Granular river attributes and predictions using acoustic doppler current profiler data from river floats |
Also Published As
Publication number | Publication date |
---|---|
CN113221464A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221464B (zh) | 一种地面站点与遥感观测降水数据融合方法和装置 | |
Huser et al. | Advances in statistical modeling of spatial extremes | |
Willmott et al. | On the use of dimensioned measures of error to evaluate the performance of spatial interpolators | |
Meng et al. | Assessment of regression kriging for spatial interpolation–comparisons of seven GIS interpolation methods | |
Castiglioni et al. | Prediction of low-flow indices in ungauged basins through physiographical space-based interpolation | |
US8152366B2 (en) | Estimation of subsurface thermal structure using sea surface height and sea surface temperature | |
CN107423537B (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
US20170083823A1 (en) | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation | |
Leka et al. | Evaluating (and improving) estimates of the solar radial magnetic field component from line-of-sight magnetograms | |
Andersen et al. | Improving the coastal mean dynamic topography by geodetic combination of tide gauge and satellite altimetry | |
Tozer et al. | Reconstructing pre-instrumental streamflow in Eastern Australia using a water balance approach | |
Zhang et al. | Geostatistical interpolation of missing data and downscaling of spatial resolution for remotely sensed atmospheric methane column concentrations | |
Wang et al. | Spatial prediction and uncertainty assessment of topographic factor for revised universal soil loss equation using digital elevation models | |
Xu et al. | Spatio‐Temporal Analysis of Hypoxia in the Central Basin of Lake Erie of North America | |
Gharineiat et al. | Application of the multi-adaptive regression splines to integrate sea level data from altimetry and tide gauges for monitoring extreme sea level events | |
CN117687125A (zh) | 构建覆冰格点数据集的方法、处理器、装置及存储介质 | |
Gao et al. | Upscaling of sparse in situ soil moisture observations by integrating auxiliary information from remote sensing | |
CN110766229A (zh) | 一种基于“降尺度-融合”的高分辨率每日降水制图方法 | |
CN116183868A (zh) | 一种复杂生态***土壤有机碳遥感估算方法及*** | |
Fuglstad et al. | Non-stationary spatial modelling with applications to spatial prediction of precipitation | |
Bhaskar et al. | An operational objective analysis system at INCOIS for generation of Argo value added products | |
Zobitz et al. | Efficient hyper-parameter determination for regularised linear BRDF parameter retrieval | |
CN110717290B (zh) | 一种基于三次插补法画大坝等值线的方法 | |
Nitzke et al. | Reconstructing the time-variable sea surface from tide gauge records using optimal data-dependent triangulations | |
CN113221463B (zh) | 一种海洋风能密度格网数据空间降尺度方法和装置 |
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 |