CN115993668B - 一种基于多项式改正和神经网络的pwv重建方法及*** - Google Patents
一种基于多项式改正和神经网络的pwv重建方法及*** Download PDFInfo
- Publication number
- CN115993668B CN115993668B CN202310285669.9A CN202310285669A CN115993668B CN 115993668 B CN115993668 B CN 115993668B CN 202310285669 A CN202310285669 A CN 202310285669A CN 115993668 B CN115993668 B CN 115993668B
- Authority
- CN
- China
- Prior art keywords
- data
- pwv
- gnss
- fitting
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 101100305901 Mus musculus Rnase2b gene Proteins 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000005442 atmospheric precipitation Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000005436 troposphere Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 241001429221 Passion fruit woodiness virus Species 0.000 description 143
- 230000008859 change Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据优化技术领域,公开了一种基于多项式改正和神经网络的PWV重建方法及***,包括以下步骤:步骤1:获取初始数据并预处理;步骤2:对GNSS PWV和EAR5 PWV进行时空匹配;步骤3:对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据;步骤4:通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV;步骤5:统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致;步骤6:基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置和气象参数。本发明能够实现一定范围内时空分布连续、精度可靠的PWV重建,能够获得高时空分辨率、高精度的PWV数据。
Description
技术领域
本发明涉及数据优化技术领域,具体涉及一种基于多项式改正和神经网络的PWV重建方法及***。
背景技术
水汽作为大气的主要成分,是一个十分多变的气象参数,在许多大气活动中扮演着非常重要的角色。精确测定大气水汽含量,对天气监测预报、区域气候变化、卫星信号处理、航空航天等领域都有着十分重要的意义。常规的水汽测量技术主要是通过探空气球、微波辐射计和卫星雷达获取水汽数据,虽各有优点,但各自的局限也较大。得益于全球卫星导航***的不断发展,具有高精度、低运营成本等优点的GNSS水汽反演技术在近些年来受到了越来越多的研究与应用。但受限于测站分布不均等局限,GNSS观测资料反演得到的PWV数据(PWV即,Precipitable Water Vapor,大气可降水量)仍在一定程度上存在空间分辨率较低和时间分布中断的问题。
ERA5是欧洲中期天气预报中心ECMWF(European Centre for Medium-RangeWeather Forecasts)提供的第五代再分析资料数据集,再分析数据通过对原始数据进行质量控制,利用最优组合数值模式和观测资料,采用选定的数值模式进行观测资料的同化,其数据具有较高的可用性及一定的可靠性。ERA5数据集能够提供空间分辨率达0.25°×0.25°,时间分辨率可达1h,具有很高的时空分布连续性,但在缺少同化数据的区域仍旧难以得到可靠精度的数据。
结合GNSS PWV与ERA5 PWV两种数据能够弥补前者时空分辨率的局限及后者精度的不足,目前已有一些技术手段融合两者数据进行数据融合模型的构建及数据修正方法的尝试。但是,现有的基于GNSS PWV、ERA5 PWV等多源数据融合的PWV数据融合及修正方法,实际上仍未完全解决PWV的时间分布中断问题和精度问题,多源PWV数据修正精准度上限不高,仍存在较大提升空间。
发明内容
本发明意在提供一种基于多项式改正和神经网络的PWV重建方法及***,能够实现一定范围内时空分布连续、精度可靠的PWV重建,能够获得高时空分辨率、高精度的PWV数据。
为达到上述目的,本发明提供如下基础方案:
方案一
一种基于多项式改正和神经网络的PWV重建方法,包括以下步骤:
步骤1:获取初始数据并预处理;所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据;并从GNSS观测数据中处理获得GNSS PWV,从ERA5数据集中处理获得EAR5 PWV;
步骤2:对GNSS PWV和EAR5 PWV进行时空匹配;
步骤3:对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据;
步骤4:通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV;
步骤5:统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致;
步骤6:基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置和气象参数。
方案二
一种基于多项式改正和神经网络的PWV重建***,应用于如方案一所述的一种基于多项式改正和神经网络的PWV重建方法;包括数据采集模块、预处理模块、匹配模块、质量检查模块、修正模块、数据统一模块和映射模块;
所述数据采集模块用于获取初始数据,所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据;所述预处理模块用于对初始数据进行预处理,并从GNSS观测数据中处理获得GNSS PWV,从ERA5数据集中处理获得EAR5 PWV;
所述匹配模块用于对GNSS PWV和EAR5 PWV进行时空匹配;所述质量检查模块用于对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据;所述修正模块用于通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV;所述数据统一模块用于统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致;
所述映射模块用于基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置和气象参数。
其中,PWV,即Precipitable Water Vapor,指大气可降水量;
DEM,即Digital Elevation Mode,指数字高程模型,它是对地球表面地形地貌的一种离散的数学表达;DEM表示区域D上的三维向量有限序列;DEM数据即数字高程模型数据;
NDVI,即Normalized Difference Vegetation Index,指归一化植被指数。
本发明的工作原理及优点在于:
本方案结合PWV的时空分布及变化与空间位置、气象参数、生态环境等多种因素密切相关这一特点,采集了多源数据,利用时空信息与GNSS PWV通过多项式拟合方法对ERA5PWV进行了修正,得到的修正结果与GNSS PWV进而构成新的数据集。再通过BPNN神经网络模型,建立影响因子与PWV的函数映射关系,即构建时空信息、气象参数等与PWV的函数映射关系,从而实现一定范围内时空分布连续、精度可靠的PWV重建,能够获取得到高时空分辨率、高精度的PWV数据,能够为区域气候变化、天气预报等研究提供可靠数据参考。
特别的是,本方案突破了常规PWV处理手段的局限,不再是仅围绕PWV数据本身进行数据重建或修正,而是基于PWV数据的实际分布特性和变化特性,拓展研究了空间位置、气象参数、生态环境等影响PWV变化的现实因素;相应的,在获取数据时,采集的多源数据,此处的“多源”已和常规所认为的不同来源的PWV数据不同,而是多类型的不同来源的数据的“多源”,获取的初始数据中特别包含了气象参数数据、DEM数据和NDVI数据,以获取充分的气象、空间位置等现实因素相关数据;并通过神经网络模型构建了现实因素与PWV的映射关系,以完成基于现实影响因素的PWV重建,并且,基于PWV数据本身就是在时空、气象等因素的直观影响下的,本方案的数据重建更贴合真实数据表现,能够还原得到不同时空条件下对应的实际PWV,可靠度较高。
并且,本方案先后采用多项式修正方法和神经网络模型构建对PWV进行处理,多项式拟合修正与神经网络模型构建本质上都是变量函数映射关系的构建,此处采用不同的数据处理方法,能够充分修正处理PWV的同时,可有效避免同一数据处理方案可能存在的误差累积,进而提供精度可靠的高时空分辨率PWV数据,并且提供了更多丰富与改进现有方法的可能性,拓展了PWV数据处理维度。
附图说明
图1为本发明一种基于多项式改正和神经网络的PWV重建方法及***实施例的方法流程示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例基本如附图1所示:一种基于多项式改正和神经网络的PWV重建方法,包括以下步骤:
步骤1:获取初始数据并预处理;所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据。其中,所述气象参数数据包括温度数据、气压数据、相对湿度数据、风速数据和降雨量数据;本实施例中,气象参数数据可从不同平台获取,包括中国气象数据网、NOAA全球地面站观测数据库等。NDVI数据具体为MODIS NDVI数据;MODIS为植被指数空间分布数据集;NDVI数据为从MODIS数据集中获取的归一化植被指数数据。
此处,采集的多源数据包括有精选得到的与PWV实际分布特性和变化特性高度相关的现实影响数据(气象相关的温度、气压、相对湿度、风速、降雨量;空间位置相关的DEM和NDVI),数据重建分析维度已拓展到了影响到PWV分布和变化的关联数据方面。特别的是,在实际应用中,对于基础的GNSS观测数据、ERA5数据集中已确定的PWV,该PWV数据本身易受采集条件、站点设置及数值同化方式影响,实际存在一定的误差,这使得单纯基于数据集中PWV本身进行的重建,重建精准度上限并不高。而本方案则关注到了这一问题,并通过拓展重建分析维度,后续通过建立现实影响数据与PWV的映射关系,能够进一步提供重建精准度上限,重建得到在实际时空中最真实的PWV数据。
具体地,从GNSS观测数据中处理获得GNSS PWV时,包括以下步骤:
利用高精度GNSS数据处理软件对GNSS观测数据进行解算,进而得到天顶对流层总延迟ZTD;
采用Saastamoninen模型计算天顶干延迟分量ZHD:
式中,PWV表示站点位置的大气可降水量;为水汽转换系数,可由公式计算得到,上式中,/>和/>为大气折射常数;/>,/>;水汽气体常数/>;水汽密度/>,大气加权平均温度/>可由相应的数据处理软件自动获取。
在步骤1中,还将获取的NDVI数据自初始的HDF格式转换为Geo-TIFF格式,并通过时间序列谐波分析法(即Harmonic Analysis of Time Series,HANTS),重建每日NDVI数据。
步骤2:对GNSS PWV和EAR5 PWV进行时空匹配。
对GNSS PWV和EAR5 PWV进行时空匹配时,根据GNSS PWV数据的时间分辨率选择相同时间分辨率的ERA5 PWV数据,使用双线性插值方法将稀疏的GNSS站点插值到密集的ERA5PWV格网点以获得空间分辨率相同的时间-位置-PWV观测对。
步骤3:对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据,此处关联数据具体指GNSS PWV插值。在实际应用中,质量检查的规则根据GNSS观测数据的总体情况动态制定,本实施例中,质量检查时的检查规则包括:数据有效率需大于90%。mp1和mp2需小于0.5m;O/slps需大于200。其中,mp1、mp2分别表示GPS的L1、L2频点伪距和载波相位观测值的多路径效应组合;mp1、mp2越小,说明抗多路径效应能力越强。O/slips 是观测值和周跳的比,反映的是数据周跳的情况;O/slips值越小,说明出现周跳越严重。不满足质量检查的规则的数据则判定为不合格数据。
进行质量检查的检查指标包括:数据有效率、周跳和多路径效应。
步骤4:通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV。
所述多项式拟合方法为:采用处理最为容易的一次拟合模型进行拟合,且拟合方式采用单时段、单点位置处的拟合。
式中,表示拟合得到的PWV数据;/>、/>、/>、/>、/>为拟合系数;EAR5PWV为拟合时间、拟合位置对应的EAR5 PWV数据;Lat为拟合位置的纬度,Long为拟合位置的经度,H为拟合位置的高程。
步骤5:统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致。
步骤6:基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置、气象参数、时间等。DEM数据和NDVI数据均属于空间位置的相关数据。
所述BPNN神经网络模型的输入层由10个神经元组成(10个神经元具体为经度、纬度、高程、时间、NDVI和温度、气压、相对湿度、风速、降雨量五个气象参数),即:
式中,Longitude为经度;Latitude为纬度;DEM为高程;DOY为时间;{Met}为气象参数;NDVI为归一化植被指数。为将研究区域划分为格网后,第i个格网点对应的经度、纬度、高程、时间、气象参数及归一化植被指数数据。
BPNN神经网络模型的输出层由1个神经元组成,该神经元由改正后的ERA5 PWV观测对和插值后的GNSS PWV观测对共同组成PWV数据集,即:
式中,MODIS-ERA5 PWV为改正后的ERA5 PWV观测对;为将研究区域划分为格网后,第i个格网点对应的已用GNSS PWV修正后的EAR5 PWV数据;i表示第i个数据,j表示第j个数据;总共有n个数据点,每个点都有对应的经纬度、时间、气象参数、PWV等数据,i表示其中第i个,j表示其中第j个。
本实施例还提供一种基于多项式改正和神经网络的PWV重建***,应用于如方案一所述的一种基于多项式改正和神经网络的PWV重建方法,包括数据采集模块、预处理模块、匹配模块、质量检查模块、修正模块、数据统一模块和映射模块;
所述数据采集模块用于获取初始数据,所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据;所述预处理模块用于对初始数据进行预处理,并从GNSS观测数据中处理获得GNSS PWV,从ERA5数据集中处理获得EAR5 PWV;
所述匹配模块用于对GNSS PWV和EAR5 PWV进行时空匹配;所述质量检查模块用于对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据;所述修正模块用于通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV;所述数据统一模块用于统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致;
所述映射模块用于基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置和气象参数。
本实施例提供的一种基于多项式改正和神经网络的PWV重建方法及***,结合PWV的时空分布及变化与空间位置、气象参数、生态环境等多种因素密切相关这一特点,利用时空信息与GNSS PWV通过多项式拟合对ERA5 PWV进行了修正,用修正结果与GNSS PWV构成数据集,通过BPNN神经网络模型构建时空信息、气象参数、植被指数与PWV的函数映射关系,从而实现一定范围内时空分布连续、精度可靠的PWV重建,得到的高时空分辨率PWV数据对区域气候变化、天气预报等研究具有重要意义。并且,本方案采用了多项式拟合修正与神经网络模型两类手段对PWV进行处理,能够有效避免同一数据处理方法导致的误差累积,达到更高的数据处理精度。
特别的是,本方案突破了常规PWV处理手段的局限,现有处理方案均是围绕PWV数据本身进行处理,数据融合也是在不同来源的PWV之间进行,而没有考虑到基于影响PWV变化的现实因素(如时空信息、气象因素)进行更为深入的技术建立。这其中,不仅受限于影响PWV变化的现实因素颇多,数据分析量庞大,模型复杂,存在较大处理难度;还受限于惯常思维认为数据库中留存的PWV本身就是现实因素影响下的数据,故而不会再额外联系现实因素进行重建。但实际上,GNSS观测数据、ERA5数据集中已确定的PWV本身会受到一系列采集条件影响而失真;且在缺少同化数据的区域,本身的ERA5 PWV并不可靠,而GNSS PWV又不能完全为此类区域提供连续的可靠数据,修正有效程度实际受到了局限,存在无法通过本源数据精准重建的区域。
而本方案则精准发现并充分考量了上述问题,首先不再是仅围绕PWV数据本身进行数据重建或修正,而是基于PWV数据的实际分布特性和变化特性,拓展研究了空间位置、气象参数、生态环境等影响PWV变化的现实因素,拓展了多源数据重建的多源维度,基于现实影响因素完成PWV重建,数据重建更贴合真实数据表现,能够还原得到真实的PWV数据,可靠度较高、真实度较高。且基于影响PWV变化的现实因素,通过二者的有效映射,对于受到本源数据局限的重建区域,也能在其他影响因子的辅助下,完成重建,数据重建充分可靠。
其次,本方案克服了在拓展研究中存在的数据处理难度和模型构建难度。由于空间位置、气象参数等现实影响因素中有包括有多种子因素,若是将其直接联立PWV数据,涉及到的建模流程和模型会十分复杂,并且,相比于现有的分析数据源局限于单类型的不同来源的PWV的处理方案,本方案虽然增加了数据处理量,但是本方案中首先精选了参与PWV重建的现实影响因子并提出了流程简洁的重建方法,优化了数据处理难度,保有了数据重建效率。本方案将现实影响因子精选为气象相关的温度、气压、相对湿度、风速、降雨量;空间位置相关的DEM和NDVI;对应将BPNN模型的输入层神经元精简为10个,现实影响因子选取较具代表性,有助于精准重建PWV的同时,大大降低了数据处理量和处理难度。再通过训练BPNN模型进而自然构建现实影响因子与PWV,且是改正后的PWV的映射关系,完成对PWV的重建;整体流程简洁,重建效率较高,且精度可靠。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (8)
1.一种基于多项式改正和神经网络的PWV重建方法,其特征在于,包括以下步骤:
步骤1:获取初始数据并预处理;所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据;并从GNSS观测数据中处理获得GNSS PWV,从ERA5数据集中处理获得EAR5 PWV;
步骤2:对GNSS PWV和EAR5 PWV进行时空匹配;
步骤3:对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据;
步骤4:通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV;
步骤5:统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致;
步骤6:基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置和气象参数;
在步骤4中,所述多项式拟合方法为:采用拟合模型进行拟合,且拟合方式采用单时段、单点位置处的拟合;
所述拟合模型为:
式中,表示拟合得到的PWV数据;/>、/>、/>、/>、/>为拟合系数;EAR5 PWV为拟合时间、拟合位置对应的EAR5 PWV数据;Lat为拟合位置的纬度,Long为拟合位置的经度,H为拟合位置的高程;
在步骤6中,所述BPNN神经网络模型的输入层由10个神经元组成,即:
式中,Longitude为经度;Latitude为纬度;DEM为高程;DOY为时间;{Met}为气象参数;NDVI为归一化植被指数;为将研究区域划分为格网后,第i个格网点对应的经度、纬度、高程、时间、气象参数及归一化植被指数数据;
BPNN神经网络模型的输出层由1个神经元组成,即:
2.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法,其特征在于,在步骤1中,从GNSS观测数据中处理获得GNSS PWV时,包括以下步骤:
对GNSS观测数据进行解算得到天顶对流层总延迟ZTD;
采用Saastamoninen模型计算天顶干延迟分量ZHD:
3.根据权利要求2所述的一种基于多项式改正和神经网络的PWV重建方法,其特征在于,在步骤1中,还将获取的NDVI数据转换为Geo-TIFF格式,并通过时间序列谐波分析法重建每日NDVI数据。
4.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法,其特征在于,所述气象参数数据包括温度数据、气压数据、相对湿度数据、风速数据和降雨量数据。
6.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法,其特征在于,在步骤2中,对GNSS PWV和EAR5 PWV进行时空匹配时,根据GNSS PWV数据的时间分辨率选择相同时间分辨率的ERA5 PWV数据,使用双线性插值方法将稀疏的GNSS站点插值到密集的ERA5 PWV格网点以获得空间分辨率相同的时间-位置-PWV观测对。
7.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法,其特征在于,在步骤3中,进行质量检查的检查指标包括:数据有效率、周跳和多路径效应。
8.一种基于多项式改正和神经网络的PWV重建***,其特征在于,应用于如权利要求1-7任一项所述的一种基于多项式改正和神经网络的PWV重建方法;包括数据采集模块、预处理模块、匹配模块、质量检查模块、修正模块、数据统一模块和映射模块;
所述数据采集模块用于获取初始数据,所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据;所述预处理模块用于对初始数据进行预处理,并从GNSS观测数据中处理获得GNSS PWV,从ERA5数据集中处理获得EAR5 PWV;
所述匹配模块用于对GNSS PWV和EAR5 PWV进行时空匹配;所述质量检查模块用于对初始数据中的GNSS观测数据进行质量检查,并筛除其中的不合格数据对应的GNSS PWV及其关联数据;所述修正模块用于通过多项式拟合方法,利用GNSS PWV修正EAR5 PWV;所述数据统一模块用于统一多源数据分辨率;将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致;
所述映射模块用于基于BPNN神经网络模型,建立影响因子与PWV的函数映射关系;所述影响因子包括空间位置和气象参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285669.9A CN115993668B (zh) | 2023-03-22 | 2023-03-22 | 一种基于多项式改正和神经网络的pwv重建方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285669.9A CN115993668B (zh) | 2023-03-22 | 2023-03-22 | 一种基于多项式改正和神经网络的pwv重建方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993668A CN115993668A (zh) | 2023-04-21 |
CN115993668B true CN115993668B (zh) | 2023-05-30 |
Family
ID=85993776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310285669.9A Active CN115993668B (zh) | 2023-03-22 | 2023-03-22 | 一种基于多项式改正和神经网络的pwv重建方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993668B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777488A (zh) * | 2015-03-13 | 2015-07-15 | 中国科学院上海天文台 | 天顶对流层延迟建模方法、装置及测量方法、装置 |
CN115728842A (zh) * | 2022-11-16 | 2023-03-03 | 南京信息工程大学 | 一种大气可降水量获取方法、***、装置及存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4611929A (en) * | 1983-03-21 | 1986-09-16 | The United States Of America As Represented By The Secretary Of The Navy | Satellite method for measuring sea surface temperature |
CN106126826B (zh) * | 2016-06-27 | 2019-02-26 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
CN106547840B (zh) * | 2016-10-13 | 2019-09-06 | 国家卫星气象中心 | 一种全球三维大气数据的解析及管理方法 |
US20190018918A1 (en) * | 2017-07-11 | 2019-01-17 | The Trustees Of Princeton University | System and method for performing accurate hydrologic determination using disparate weather data sources |
CN108120995A (zh) * | 2017-12-07 | 2018-06-05 | 深圳市华信天线技术有限公司 | 一种提高卫星导航***数据输出频率的方法及装置 |
CN109117555A (zh) * | 2018-08-14 | 2019-01-01 | 东南大学 | 一种区域加权平均温度的Bevis模型改进方法 |
CN109738926B (zh) * | 2019-04-01 | 2019-06-28 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
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 |
CN111274707B (zh) * | 2020-02-05 | 2022-11-25 | 东南大学 | 基于再分析数据和无线探空数据的加权平均温度计算方法 |
CN111273318B (zh) * | 2020-02-25 | 2021-10-19 | 东南大学 | 一种基于抛物线的区域对流层湿延迟计算方法 |
CN112035448A (zh) * | 2020-07-13 | 2020-12-04 | 国家海洋信息中心 | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 |
CN112016052B (zh) * | 2020-08-20 | 2021-07-09 | 广东省气象探测数据中心 | 基于多源数据的近地表日最高气温估算方法、***及终端 |
KR102437574B1 (ko) * | 2021-10-06 | 2022-08-31 | 대한민국 | 대기수증기량 산출 시스템 |
CN114910982B (zh) * | 2022-07-05 | 2024-05-14 | 中国电建集团西北勘测设计研究院有限公司 | 一种基于北斗技术的降雨预警模型构建方法 |
-
2023
- 2023-03-22 CN CN202310285669.9A patent/CN115993668B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777488A (zh) * | 2015-03-13 | 2015-07-15 | 中国科学院上海天文台 | 天顶对流层延迟建模方法、装置及测量方法、装置 |
CN115728842A (zh) * | 2022-11-16 | 2023-03-03 | 南京信息工程大学 | 一种大气可降水量获取方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115993668A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102651096B (zh) | 同化叶面积指数时序曲线特征的冬小麦估产方法 | |
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 | |
CN110427594A (zh) | 适合小型实验室的气象要素数据获取*** | |
CN106776481A (zh) | 一种作用于卫星降水数据的降尺度校正方法 | |
CN112699959B (zh) | 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 | |
Tonboe et al. | Product user manual for osi saf global sea ice concentration | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN111982294A (zh) | 集成热红外与再分析资料的全天候地表温度生成方法 | |
CN112381337B (zh) | 一种多源气象数据融合处理方法、***、终端及介质 | |
Zhang et al. | Comprehensive evaluation of mainstream gridded precipitation datasets in the cold season across the Tibetan Plateau | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及*** | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
CN108154193A (zh) | 一种长时间序列降水数据降尺度方法 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN115758856A (zh) | 一种景观格局及气候变化对流域未来水质影响的研究方法 | |
CN115808727A (zh) | 百米级阵风客观预报方法及装置 | |
CN115203934A (zh) | 一种基于Logistic回归的山区降水降尺度方法 | |
Zhou et al. | Spatiotemporal estimation of 6-hour high-resolution precipitation across China based on Himawari-8 using a stacking ensemble machine learning model | |
CN113639893B (zh) | 一种基于多气象因子的近地加权平均温度信息获取方法 | |
CN115993668B (zh) | 一种基于多项式改正和神经网络的pwv重建方法及*** | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报***及方法 | |
Lavelle et al. | Product user manual for the OSI SAF AMSR-2 global sea ice concentration | |
CN114169215B (zh) | 一种耦合遥感与区域气象模式的地表温度反演方法 |
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 |