一种近地面气温反演方法技术

一种近地面气温反演方法，包括如下步骤：建立无人气象站的原始数据记录集、构造第1子模式学习集和第1子模式验证集、获取第2子模式至第f子模式、近地面气温反演获取目标区域的近地面气温反演影像图，以及误差订正获取得到订正的近地气温反演影像图。本发明专利技术通过搜集无人气象站的实测气温、气象卫星资料、DEM资料以及天文历法规律，并采用一类超级非线性算法对近地面气温进行反演，再运用高性能计算机计算出近地面气温反演影像图。结果显示，本发明专利技术的模式精确度比较高，结果可靠度高，泛化能力强，克服了云层、地形等的干扰；构造的CPU+GPU异构协同并行计算机使得计算速度提高1000倍以上，便于大面积应用和扩展计算能力。

【技术实现步骤摘要】
一种近地面气温反演方法
本专利技术涉及气象数据处理领域，特别是一种近地面气温反演方法。
技术介绍
近地面气温，指离地面1.5米高的百叶箱气温，是地表能量平衡中的一个重要参数，是地面与大气层相互作用过程中的一个重要物理量，它可以反映土壤及地下可见的和潜在的能量变化，是影响人类生产活动重要因素。农作物、森林生长发育状况、病虫害的发展演变、低温冷冻灾害和高温危害无不与近地面温度有关。另外，完备的近地面温度还是准确的预报各类气象要素的重要因子【赵高祥，汪宏七.由卫星测量确定地面温度和比辐射率的算法.科学通报1997，Vo142(18)1957～1960.】。近地面气温可以在气象、农业、林业、地理、地质等多个领域进行分析研究和应用，特别是近几年来，利用热红外手段研究近地面气温受到大家广泛的重视。但是，利用以往的测量手段很难获取大面积的近地面气温数据，阻碍了近地面气温研究的发展。MODIS和FY2/FY3影像的热红外波段可以获得大面积、动态变化的温度信息，为与近地面气温相关的研究提供了良好的数据基础。然而，由于地表热辐射的复杂性及大气等因素的影响，导致了MODIS和FY2/FY3影像所表征的温度与近地面气温之间还存在着一定的差异。而且卫星热红外波段表征的亮度温度并不能代表近地面的真实温度，它们之间的误差会给研究带来许多不确定的因素。因此，如何获取一种能够克服地面特征的复杂性和大气层结构的多变性，尤其广西，的近地气温的大面积反演方法，是许多学者多年来力图解决的难题。传统温度反演多数是针对地表温度，本专利技术根据实际需要和我们能够获得的温度数据，针对的是近地面气温，概念上有差别，但是方法可以通用。罗智勇等【罗智勇，刘汉湖，杨武年.单窗算法在成都市地面温度反演中的应用研究.热带气象学报，2007Vo123(4).】提出单窗算法。李天宏等【李天宏，莫献坤，韩鹏.基于组合不同裂窗算法反演黄河流域地表温度研究.测试技术学报.2008，Vo122(O4).】发展了组合窗算法，其做法是根据下垫面的水分状况和土地覆盖类型进行分区，在整个流域不分区、水分状况分区和土地覆盖分区双因子分区2种情形下，对比了7种常用的地表温度遥感反演裂窗算法的结果，在分析每种反演算法适用性的基础上，针对不同分区单元分别选择效果最好的算法组合来进行流域地表温度的反演。杨虎【杨虎，杨忠东.中国陆地区域陆表温度业务化遥感反演算法及产品运行系统.遥感学报.2006，Vo110(04).】等人应用Becker等人的裂窗算法，但是仍然是一类线性模式。王春林等【王春林，唐力生，陈水森，黄珍珠，何健.寒冷灾害监测中的全天候地表温度反演方法研究.会议：2006中日低温灾害及其防御对策研讨会.】借助气候学模型GIS技术把劈窗LST算法发展成全天候地表温度反演方法，其基本思路是晴天和多云天气分别建模式，但也只是部分克服了云的困难。陈少辉【陈少辉，张秋文，王乘，周建中.基于亮度相关矩的MODIS和SPOT影像融合研究.遥感学报.2006,1，Vo12(1)：90～96.】等人给出了不同空间分辨率图像的融合算法，但是对不同时间分辨率图像的融合仍然无能为力。许多模式【江东，王乃斌，杨小唤，刘红辉.地面温度的遥感反演：理论、推导及应用.甘肃科学学报，2001，Vo113(4).李天宏，莫献坤，韩鹏.基于组合不同裂窗算法反演黄河流域地表温度研究.测试技术学报.2008，Vo122(O4).历华，曾永年，怡培东等.利用多源遥感数据反演城市地面温度.遥感学报.2007，11，Vo111(6)：891～898.历华，曾永年，怡培东等.利用多角度热图像提取冠层组分温度和方向量温.北京师范大学学报.2O07，O6，Vo143(3)：891～898.柳钦火，徐希孺，陈家宜.遥测地面温度与比辐射率的迭代反演方法一一理论推倒与数值模拟.遥感学报.1998,2，Vo12(1)：1～9.罗智勇，刘汉湖，杨武年.单窗算法在成都市地面温度反演中的应用研究.热带气象学报，2007Vo123(4).闽文彬，罗秀陵，陈忠明等.应用LSF概念模型反演草冠层叶面温度的实验。遥感学报.2006，11，Vo11O(6)：941～948.张元生，郭晓，张小美等.应用静止卫星热红外遥感亮温资料反演地表温度的方法研究.西北地震学报.2004，6，Vo126(2)：113～117.赵高祥，汪宏七.由卫星测量确定地面温度和比辐射率的算法.科学通报1997，Vo142(18)1957～1960.】要求在局部或者特定条件才能达到预期效果，例如柳钦火【柳钦火，徐希孺，陈家宜.遥测地面温度与比辐射率的迭代反演方法一一理论推倒与数值模拟.遥感学报.1998,2，Vo12(1)：1～9.】的方法要求水汽廓线误差在±20％之内，大气模式误差一个模式时，反演的温度均方根误差达到0.85K。还有些模式要求晴天条件。这些缺点成为开展温度反演业务化的障碍性因素。尤其我国广大南方地区多云、地形地势和下垫面特征特别复杂，使现有方法对近地面温度遥感反演以及大面积的业务化变得极其困难。这些方法都需要特定条件才能达到预期效果。另外，这些模式的输入参数有些要通过各种订正，例如大气水汽廓线订正，否则会产生大误差；模式本身计算也有误差累积误差变得不确定了。还有这些模式考虑的变化因素太少，不能反演地形地势、地表植被特征的变化对气温的影响等等。更重要的是没有讨论过模式泛化能力。本专利技术采用的SVM，即SupportVectorMachines，以结构风险最小化为原则，在最小化样本点误差的同时缩小模型泛化误差的上界，从而提高模型的泛化能力。Kearns和Vzliant【KearnsM,LiM,ValiantL1994J.ACM411298.】证明了只要有足够的数据，弱学习算法就能通过集成的方法生成任意高精度的估计，弱学习等价于强学习。集成学习的有效性取决于子学习精确度和子学习之间的差异度。子学习精确度越高，差异度越大，集成学习精确度就越高，泛化能力也越大。1995年，Krogh和Vedelsby【KroghA,VedelsbyJ.Neuralnetworkensembles,crossvalidationandactivelearning.in:TesauroG.TouretzkyD.LeenTeds.AdvancesinNeuralInformationProcessingSystems7.Cambridge,MA:MITPress,1996.231-238】还给出了集成学习的泛化误差的计算公式。桌面高性能计算机和超大量核并行计算技术，近些年来发展突飞猛进，迅速漫延到各行各业并且取得了许多突破性成果。最新的Fermi架构，它是CUDA[ComputeUnifiedDeviceArchitecture]础架构的最新一代产品，由于价格底、体积小、功耗低、速度快，堪称当今同类顶尖技术，其CPU+GPU，即GraphicsProcessingUnit，架构：CPU核管理功能和GPU计算功能的分离，特别适合图像处理，其基本原因在于我们可以让GPU的一核负责一像元或者数个像元的计算，从而简化了并行计算过程。基于Fermi架构组织数以千计的核和线程，开发超大量核并行反演算法、计算本文档来自技高网...

【技术保护点】
一种近地面气温反演方法，其特征在于，包括如下步骤：步骤Ⅰ.建立原始数据记录集(1)确定需要进行近地面气温反演的目标区域以及目标区域上的无人气象站所在位置，(2)确定一个目标时间点，并以该目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站的实测气温的时刻为采样时间点，(3)设原始数据记录的格式为j＝1,2,…,L，i＝1,2,…,N，MTj为第j条原始数据记录的实测气温，为第j条原始数据记录的第i个近地面气温影响因子的原始值，N为近地面气温影响因子的个数，L为原始数据记录的条数，最后Label标记该条记录的站号和时间点，若MTj缺测则不予收录，将一个无人气象站在一个采样时间点的实测气温MTj输入原始数据记录，再根据气象卫星资料、DEM资料以及天文历法规律，将该无人气象站所在位置的该采样时间点对应的第1个至第i个近地面气温影响因子的数值依次输入获得一条原始数据记录，(4)选取另一个无人气象站或者选取同一个无人气象站另一个采样时间点，重复步骤(3)，获得下一条原始数据记录，(5)由步骤(2)和(3)获得的原始数据记录组成原始数据记录集AutoVEC，(6)针对该目标区域，确定另一个目标时间点，重复步骤(2)到(4)，然后将获得的原始数据记录并入原始数据记录集AutoVEC，(7)对原始数据记录集AutoVEC中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’，所述原始数据记录指无人气象站位置获得的原始数据记录；步骤Ⅱ.构造第1子模式学习集supVEC1和第1子模式验证集exVEC1(1)将归一化数据记录集AutoVEC’中的L条数据记录按照实测气温MTj进行排序，排名前c名的数据记录和排名倒数d名的数据记录选入第1子模式学习集supVEC1，(2)将实测气温MTj排名前3～5％的归一化数据记录和排名倒数3～5％的数据记录交替地选入第1子模式学习集supVEC1和第1子模式验证集exVEC1，(3)随机选取其余10～12％的数据记录进入第1子模式学习集supVEC1，剩下的数据记录进入第1子模式验证集exVEC1；步骤Ⅲ.获取第1子模式modelVEC1利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第1子模式学习集supVEC1参加训练，获得e个候选模式；根据候选模式求出第1子模式验证集exVEC1中各条数据记录的计算气温FTj，计算FTj与MTj的误差，将误差最小的一个作为第1子模式modelVEC1；步骤Ⅳ.获取第2子模式modelVEC2至第f子模式modelVECf(1)将归一化数据记录集AutoVEC’和第1子模式modelVEC1代入下式，计算AutoVEC’中每条数据记录的第1子模式的计算气温AutopixlTj1=Σi=1supNun1αi1×exp{-γ1×||modelVEC1-AutoVEC′||2}-b1,j=1,2,...,L]]>(2)求出第1子模式计算气温与实测气温MTj的误差绝对值，按照误差绝对值由大到小对AutoVEC’中的数据记录进行排序，(3)取误差绝对值排名靠前的supNum条数据记录作为第2子模式学习集supVEC2，其余的作为第2子模式验证集exVEC2，按照步骤Ⅲ的方法获得第2子模式modelVEC2，(4)重复步骤(3)，取误差排名靠前的supNum+1到2×supNum条数据记录作为第3子模式学习集supVEC3，其余第3子模式验证集exVEC3，按照步骤Ⅲ的方法获得第3子模式modelVEC3，依次类推直至获得第f子模式modelVECf；步骤Ⅴ.近地面气温反演针对目标时间点的采样时间段内的指定的一个时间点，(1)将目标区域划分成BlkNum个正方形的小区域sBlk，再将每个小区域sBlk划分成M×M＝sBlkSamples个栅格点，其中M小区域sBlk的行或列的个数，(2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N，为第q栅格点的第f子模式计算气温，为第q栅格点的第i个近地气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入构造栅格点原始数据记录集sBlkVEC，Label为缺省的标记，(3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC’，(4)将sBlkVEC’依次与第1子模式modelVEC1至第f子模式modelVECf代入下式，依次算出各个栅格点的第1子模式栅...

【技术特征摘要】
1.一种近地面气温反演方法，其特征在于，包括如下步骤：步骤Ⅰ.建立原始数据记录集(Ⅰ-1)确定需要进行近地面气温反演的目标区域以及目标区域上的无人气象站所在位置，(Ⅰ-2)确定一个目标时间点，并以该目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站的实测气温的时刻为采样时间点，(Ⅰ-3)设原始数据记录的格式为j＝1,2,…,L，i＝1,2,…,N，MTj为第j条原始数据记录的实测气温，为第j条原始数据记录的第i个近地面气温影响因子的原始值，N为近地面气温影响因子的个数，L为原始数据记录的条数，最后Label标记该条记录的站号和时间点，若MTj缺测则不予收录，将一个无人气象站在一个采样时间点的实测气温MTj输入原始数据记录，再根据气象卫星资料、DEM资料以及天文历法规律，将该无人气象站所在位置的该采样时间点对应的第1个至第i个近地面气温影响因子的数值依次输入获得一条原始数据记录，(Ⅰ-4)选取另一个无人气象站或者选取同一个无人气象站另一个采样时间点，重复步骤(Ⅰ-3)，获得下一条原始数据记录，(Ⅰ-5)由步骤(Ⅰ-2)和(Ⅰ-3)获得的原始数据记录组成原始数据记录集AutoVEC，(Ⅰ-6)针对该目标区域，确定另一个目标时间点，重复步骤(Ⅰ-2)到(Ⅰ-4)，然后将获得的原始数据记录并入原始数据记录集AutoVEC，(Ⅰ-7)对原始数据记录集AutoVEC中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’，所述原始数据记录指无人气象站位置获得的原始数据记录；步骤Ⅱ.构造第1子模式学习集supVEC1和第1子模式验证集exVEC1(Ⅱ-1)将归一化数据记录集AutoVEC’中的L条数据记录按照实测气温MTj进行排序，排名前c名的数据记录和排名倒数d名的数据记录选入第1子模式学习集supVEC1，(Ⅱ-2)将实测气温MTj排名前3～5％的归一化数据记录和排名倒数3～5％的数据记录交替地选入第1子模式学习集supVEC1和第1子模式验证集exVEC1，(Ⅱ-3)随机选取其余10～12％的数据记录进入第1子模式学习集supVEC1，剩下的数据记录进入第1子模式验证集exVEC1；步骤Ⅲ.获取第1子模式modelVEC1利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第1子模式学习集supVEC1参加训练，获得e个候选模式；根据候选模式求出第1子模式验证集exVEC1中各条数据记录的计算气温FTj，计算FTj与MTj的误差，将误差最小的一个作为第1子模式modelVEC1；步骤Ⅳ.获取第2子模式modelVEC2至第f子模式modelVECf(Ⅳ-1)将归一化数据记录集AutoVEC’和第1子模式modelVEC1代入下式，计算AutoVEC’中每条数据记录的第1子模式的计算气温(Ⅳ-2)求出第1子模式计算气温与实测气温MTj的误差绝对值，按照误差绝对值由大到小对AutoVEC’中的数据记录进行排序，(Ⅳ-3)取误差绝对值排名靠前的supNum条数据记录作为第2子模式学习集supVEC2，其余的作为第2子模式验证集exVEC2，按照步骤Ⅲ的方法获得第2子模式modelVEC2，(Ⅳ-4)重复步骤(Ⅳ-3)，取误差排名靠前的supNum+1到2×supNum条数据记录作为第3子模式学习集supVEC3，其余第3子模式验证集exVEC3，按照步骤Ⅲ的方法获得第3子模式modelVEC3，依次类推直至获得第f子模式modelVECf；步骤Ⅴ.近地面气温反演针对目标时间点的采样时间段内的指定的一个时间点，(Ⅴ-1)将目标区域划分成BlkNum个正方形的小区域sBlk，再将每个小区域sBlk划分成M×M＝sBlkSamples个栅格点，其中M小区域sBlk的行或列的个数，(Ⅴ-2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N，为第q栅格点的第f子模式计算气温，为第q栅格点的第i个近地气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入构造栅格点原始数据记录集sBlkVEC，Label为缺省的标记，(Ⅴ-3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC’，(Ⅴ-4)将sBlkVEC’依次与第1子模式modelVEC1至第f子模式mo...

【专利技术属性】
技术研发人员：秦江林，杨秀好，符合，雷秀峰，
申请(专利权)人：广西壮族自治区气象减灾研究所，广西壮族自治区林业有害生物防治检疫站，
类型：发明
国别省市：广西;45