基于自适应分块神经网络模型的卫星降水数据校正方法技术

本发明专利技术公开了一种基于自适应分块神经网络模型的卫星降水数据校正方法，包括如下步骤：(1)获得卫星降水数据和地面站点降水数据以及高程DEM数据，对数据预处理操作；(2)将步骤(1)中所有数据重采样成适于神经网络学习的数据集；(3)将高程和卫星降水量作为特征，采用K

【技术实现步骤摘要】
基于自适应分块神经网络模型的卫星降水数据校正方法


[0001]本专利技术属于卫星降水数据校正
，特别涉及一种基于自适应分块神经网络模型的卫星降水数据校正方法。

技术介绍

[0002]降水是全球水循环的关键组成部分，在大气能量交换中起着关键作用。在精细的空间和时间尺度上获取准确测量的降水数据，对于全面了解气候、天气、水文和生态系统非常重要。然而，由于其强烈的时空异质性，精确测量降水仍然是一项具有挑战性的任务。
[0003]地面雨量计可以提供最直接、最可靠的降水资料，但地面测站数量有限，且在空间上分布不均，导致其无法准确反映出全球降水空间分布。遥感卫星观测具有多数据源，覆盖面积广、高时空分辨，且不受地形和气候条件限制的优势，可以以精细的时空分辨率提供有关降水发生、分布和数量的不间断信息，通常被认为是在全球范围内测量降水量最可靠、最稳定的方法。但由于其是非直接观测，卫星反演降水的物理原理和算法还存在很多局限性，使得卫星降水产品具有很大不确定性，精度相对较低。基于此，结合各种降水监测手段的优势，融合各种来源的降水数据，生成新的时空分辨率更高、精度更高的降水数据集，是降水研究发展的重要方向。
[0004]深度学习(Deep Learning)作为机器学习的一个子领域，近年来在图像识别、语音识别和自然语言处理等领域发展迅速。传统的卫星雨量站降水数据融合校正方式是依靠数学模型进行回归，与其相比，深度学习方法具有更强的学习和泛化能力，其强大的非线性和连续拟合函数能力可以直接高精度逼近任何非线性连续函数，在建模数据中更复杂模式和处理大量数据方面具有优势。目前，传统的深度学习方法，如卷积神经网络(CNN)、循环神经网络(RNN)和BP神经网络等已经在降水回归和预测方面取得了巨大成功。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，本专利技术针对全球降水时空分布差异明显，精确测量降水困难的问题，提供了基于自适应分块神经网络模型的卫星降水数据校正方法。
[0006]技术方案：本专利技术提出的基于自适应分块神经网络模型的卫星降水数据校正方法，包括如下步骤：
[0007](1)获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据，为使各数据时空分辨率保持一致，需对数据进行格式网格化、分辨率匹配等预处理操作；
[0008](2)将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集；
[0009](3)将高程和卫星降水量作为特征，采用K
‑
means++无监督聚类算法将网格化后的研究区域进行聚类分块；
[0010](4)采用BP神经网络模型，通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型，之后将剩余部分卫星降水数据带入训练模型得到
校正数据；
[0011](5)利用蒙特卡洛交叉验证评估校正模型。
[0012]进一步的，所述步骤(1)中获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据，为使各数据时空分辨率保持一致，需对数据进行格式网格化、分辨率匹配等预处理操作的具体步骤如下：
[0013](1.1)获取高分辨率多卫星联合反演近实时降水数据作为原始卫星降水数据，获取基于全球标准测站插值得到的逐日降水数据作为地面站点降水数据，获取高程DEM数据；
[0014](1.2)为使原始卫星降水数据与地面站点降水数据保持时间分辨率的一致性，需根据每日累积时段(End of the Day，EOD)信息将原始卫星降水数据的时差时间从协调世界时(UTC)转换为当地标准时间(LST)，时间分辨率由 0.5h转换为24h；
[0015](1.3)在时间分辨率转换的基础上，为使原始卫星降水数据与地面站点降水数据保持空间分辨率的一致性，需利用插值方法将其空间分辨率由 0.1
°×
0.1
°
转换为0.5
°×
0.5
°
；
[0016](1.4)高程DEM数据需要与地面站点降水数据保持空间分辨率一致，同样利用插值方法将其空间分辨率转换为0.5
°×
0.5
°
。
[0017]进一步的，所述步骤(2)中将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集的具体步骤如下：
[0018](2.1)对每个网格内降水数据按时间序列进行提取(单位时间为天)；
[0019](2.2)检查提取后卫星降水数据、高程数据及地面站点降水数据的连续性，去除缺失任一数据的网格，保持数据的完整性和对称性。
[0020]进一步的，所述步骤(3)中将高程和卫星降水量作为特征，采用K
‑
means++ 无监督聚类算法将网格化后的研究区域进行聚类分块的具体步骤如下：
[0021](3.1)提取每个网格内高程特征DEM、MRDEM及卫星降水总量作为特征集；其中中心点a0的MRDEM公式表示如下：
[0022]RDEM
i
＝abs(a0‑
a
i
),i＝1,2,...,8
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0023]MRDEM＝max(RDEM
i
),i＝1,2,...,8
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0024](3.2)根据步骤(3.1)得到的特征集，采用K
‑
means++无监督聚类算法将网格化后的研究区域进行聚类，使得聚类内各网格降水规律有较强的一致性；
[0025](3.3)利用步骤(3.2)的最终聚类结果，将研究区域划分为不同子块。
[0026]进一步的，所述步骤(4)中对通过利用块内部分卫星降水数据和对应站点降水数据做标签进行神经网络训练得到训练模型，之后将剩余部分卫星降水数据带入训练模型得到校正数据的具体步骤如下：
[0027](4.1)以步骤(3.3)得到的分块结果为基础，将每个子块内的网格随机排序；
[0028](4.2)在每个子块上分别进行神经网络学习，按步骤(4.1)中的排序顺序提取前80％网格数据制作训练集，后20％网格数据进行验证。
[0029]进一步的，所述步骤(5)中蒙特卡洛交叉验证的具体步骤如下：在进行步骤(4.2)时，利用蒙特卡洛交叉验证法(Monte Carlo Cross Validation)每次将数据集随机划分为训练集和测试集，这样进行多次单独的模型训练和测试，最后将这些测试结果取平均值，作为最终的验证误差，降低由于单次划分训练集和测试集而导致的训练结果偶然性。评估指
标包括相关系数、偏差、均方根误差、准确率和虚警率。
[0030]有益效果：
[0031](1)本专利技术充分利用了自适应分块的特点，增强了训练区域内降水的时空相关性，提升了神经网络降水校正模型的性能。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应分块神经网络模型的卫星降水数据校正方法，其特征在于，包括如下步骤：(1)获得相互独立的卫星降水数据和地面站点降水数据以及高程DEM数据，为使各数据时空分辨率保持一致，对数据进行格式网格化、分辨率匹配的预处理操作；(2)将步骤(1)中所有研究数据重采样成适于神经网络学习的数据集；(3)将高程和卫星降水量作为特征，采用K
‑
means++无监督聚类算法将网格化后的研究区域进行聚类分块；(4)采用BP神经网络模型，通过利用块内部分卫星降水数据和对应地面站点降水数据做标签进行神经网络训练得到训练模型，之后将剩余部分卫星降水数据带入训练模型得到校正数据；(5)利用蒙特卡洛交叉验证评估校正模型。2.根据权利要求1所述的基于自适应分块神经网络模型的卫星降水数据校正方法，其特征在于，所述步骤(1)具体如下：(1.1)获取高分辨率多卫星联合反演近实时降水数据作为原始卫星降水数据，获取基于全球标准测站插值得到的逐日降水数据作为地面站点降水数据，获取高程DEM数据；(1.2)为使原始卫星降水数据与地面站点降水数据保持时间分辨率的一致性，需根据每日累积时段信息将原始卫星降水数据的时差时间从协调世界时转换为当地标准时间，时间分辨率由0.5h转换为24h；(1.3)在时间分辨率转换的基础上，为使原始卫星降水数据与地面站点降水数据保持空间分辨率的一致性，需利用插值方法将其空间分辨率由0.1
°×
0.1
°
转换为0.5
°×
0.5
°
；(1.4)高程DEM数据需要与地面站点降水数据保持空间分辨率一致，同样利用插值方法将其空间分辨率转换为0.5
°×
0.5
°
。3.根据权利要求1所述的基于自适应分块神经网络模型的卫星降水数据校正方法，其特征在于，所述步骤(2)具体如下：(2.1)对每个网格内降水数据按时间序列进行提取，单位时间为天；(2.2)检查提取后卫星降水数据、高程数据及地面站点降水...

【专利技术属性】
技术研发人员：平学伟，关晓玲，
申请(专利权)人：河海大学，
类型：发明
国别省市：