数值天气预报模式中叶面积指数的数据处理方法及装置制造方法及图纸

本申请实施例公开了一种数值天气预报模式中叶面积指数的数据处理方法及装置，方法包括：获取卫星遥感叶面积指数的历史数据；对历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；提取最近的n个时次的历史数据中质量符合预设条件的数据，作为当前的实时数据序列；对于缺失数据的数量不超过设定阈值的像元，从实时数据序列中减去同时期的平均数据序列，得到异常数据序列；根据异常数据序列建立趋势拟合方程，并利用趋势拟合方程获得当前时刻的叶面积指数的异常值；将异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。值。值。

【技术实现步骤摘要】
数值天气预报模式中叶面积指数的数据处理方法及装置


[0001]本申请涉及计算机
，具体涉及一种数值天气预报模式中叶面积指数的数据处理方法及装置。

技术介绍

[0002]在天气预报领域，数值天气预报模式是主要工具，也是当前开展天气预报的主流工具。陆面过程模型(也称：陆面过程参数化方案)是数值天气预报模式的重要组成部分。绿色植被覆盖特征参数是陆面过程模型的重要参数，控制着陆面的辐射平衡、能量平衡和水分平衡。尽管不同的陆面过程模型采用的绿色植被覆盖特征参数不尽相同，但叶面积指数(LAI)几乎被全部的陆面过程模型采用。
[0003]在早期的陆面过程模型中，叶面积指数通常被设定为依赖于植被类型的常数，每一种植被类型有固定的季节变化曲线。之后，随着卫星遥感技术的发展，实时动态遥感数据获取成为可能。因而目前数值天气预报模式的陆面过程模型越来越多的采用了卫星遥感反演的实时动态LAI数据。但是，存在如下两点问题：
[0004]1.从卫星数据接收到处理成空间连续的数据产品，存在一定的时滞，一般滞后约两周。如此长时间的滞后显然与时效性要求极强的天气预报不匹配。如何获取具有较强时效性的LAI参数，成为数值天气预报领域的一个难题。
[0005]2.卫星遥感反演的LAI产品数据具有极大的不确定性，不仅部分数据因为云和气溶胶影响被标识为“低质量”，而且即使部分标识为“高质量”的数据也可能与事实符，如：在7
‑
8月植被生长高峰季节，LAI时间序列却呈现较大波动的特征，间隔8天的LAI数值相差可超过年内总变幅的1/2。如何利用剧烈变化且部分时点数据缺失的LAI时间序列估算当前LAI数值并将其用于数值天气预报模式中的陆面过程模型，成为困扰本领域的另一个难题。
[0006]解决上述两个问题，有助于获取实时动态的高精度LAI数据，可为数值天气预报模式中的陆面过程模型提供高精度的参数，有助于提高天气预报的精度；同时，也可为遥感数据驱动的生态模型、碳通量模型提供高精度的参数。因此，上述两个问题的解决方法具有广泛的应用前景。

技术实现思路

[0007]本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理方法及装置，能够获取实时动态的高精度LAI数据。
[0008]第一方面，本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理方法，包括：
[0009]获取卫星遥感叶面积指数的历史数据；
[0010]按自然年对所述历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；
[0011]按照与当前时间由近及远的时间顺序，获取n个时次的叶面积指数的历史数据，并
提取其中质量符合预设条件的数据，作为当前的实时数据序列；
[0012]对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从所述实时数据序列中减去同时期的所述平均数据序列，得到异常数据序列；
[0013]根据所述异常数据序列建立趋势拟合方程，并利用所述趋势拟合方程获得当前时刻的叶面积指数的异常值；
[0014]将所述异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。
[0015]可选实施例中，根据所述异常数据序列建立趋势拟合方程，包括：
[0016]对所述异常数据序列去除噪音，得到异常数据序列的最优估计序列，并根据最优估计序列建立所述趋势拟合方程。
[0017]可选实施例中，其中通过最小二乘法根据最优估计序列建立所述趋势拟合方程。
[0018]可选实施例中，对所述异常数据序列采用随机采样一致性算法去除噪音。
[0019]可选实施例中，对所述异常数据序列采用随机采样一致性算法去除噪音，包括：
[0020]以当前时刻为起点，向前搜索15个时点的叶面积指数的数值，并剔除质量不符合预设条件的数据，构成时间序列A{A1,A2,...,A15}；
[0021]从从所述时间序列中减去同期多年平均的叶面积指数的时间序列构成叶面积指数的异常序列DA{DA1,DA2,...,DA15}；
[0022]对异常序列DA剔除一个数值，对其余数据采用最小二乘法进行趋势拟合，并由此得到一个新的趋势序列DAi{DAi1,DAi2,...,DAi15}，以此类推，逐一剔除每一个数据，进行趋势拟合，由此得到DAij矩阵(i＝1,...N，N值取决于DA序列中数据个数，最大取值为15；j＝1,...15)；
[0023]对DAij矩阵在第一维上取中位数，建立一个新的时间序列DB{DB1,DB2,...,DB15}。
[0024]可选实施例中，所述方法还包括：
[0025]对于数据无缺失和缺失数据的数量大于所述设定阈值的像元，根据同期的土地利用数据，采用最邻近的相同土地利用类型的当前时刻的叶面积指数的异常值进行填充。
[0026]可选实施例中，缺失数据的数量不超过设定阈值的像元，包括：
[0027]缺失数据的数量不超过三分之一的像元。
[0028]第二方面，本申请实施例提供了一种数值天气预报模式中叶面积指数的数据处理装置，所述装置包括：
[0029]获取模块，用于获取卫星遥感叶面积指数的历史数据；
[0030]平均模块，用于按自然年对所述历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；
[0031]提取模块，用于按照与当前时间由近及远的时间顺序，获取n个时次的叶面积指数的历史数据，并提取其中质量符合预设条件的数据，作为当前的实时数据序列；
[0032]拟合模块，用于对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从所述实时数据序列中减去同时期的所述平均数据序列，得到异常数据序列；根据所述异常数据序列建立趋势拟合方程，并利用所述趋势拟合方程获得当前时刻的叶面积指数的异常值；
[0033]实时模块，用于将所述异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。
[0034]第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。
[0035]第四方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
[0036]本申请实施例的数值天气预报模式中叶面积指数的数据处理方法中，根据历史数据得到每一自然年的平均数据序列以及异常数据序列，并根据异常数据序列建立趋势拟合方程，从而利用趋势拟合方程获得当前时刻的叶面积指数的异常值，根据异常值和平均数据序列得到数值天气预报模式所需的当前时刻的叶面积指数的数值。能够获取实时动态的高精度LAI数据。
附图说明
[0037]为了更清楚地说明本申请实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数值天气预报模式中叶面积指数的数据处理方法，其特征在于，包括：获取卫星遥感叶面积指数的历史数据；按自然年对所述历史数据的每一个像元、每一个时次计算每一自然年的叶面积指数的平均值、最大值、最小值，得到每一自然年的平均数据序列；按照与当前时间由近及远的时间顺序，获取n个时次的叶面积指数的历史数据，并提取其中质量符合预设条件的数据，作为当前的实时数据序列；对于数据无缺失和缺失数据的数量不超过设定阈值的像元，从所述实时数据序列中减去同时期的所述平均数据序列，得到异常数据序列；根据所述异常数据序列建立趋势拟合方程，并利用所述趋势拟合方程获得当前时刻的叶面积指数的异常值；将所述异常值加到同时刻的平均数据序列上，得到数值天气预报模式所需的当前时刻的叶面积指数的数值。2.根据权利要求1所述的方法，其特征在于，根据所述异常数据序列建立趋势拟合方程，包括：对所述异常数据序列去除噪音，得到异常数据序列的最优估计序列，并根据最优估计序列建立所述趋势拟合方程。3.根据权利要求2所述的方法，其特征在于，其中通过最小二乘法根据最优估计序列建立所述趋势拟合方程。4.根据权利要求1所述的方法，其特征在于，对所述异常数据序列采用随机采样一致性算法去除噪音。5.根据权利要求1所述的方法，其特征在于，对所述异常数据序列采用随机采样一致性算法去除噪音，包括：以当前时刻为起点，向前搜索15个时点的叶面积指数的数值，并剔除质量不符合预设条件的数据，构成时间序列A{A1,A2,...,A15}；从从所述时间序列中减去同期多年平均的叶面积指数的时间序列构成叶面积指数的异常序列DA{DA1,DA2,...,DA15}；对异常序列DA剔除一个数值，对其余数据采用最小二乘法进行趋势拟合，并由此得到一个新的趋势序列DAi{DAi1,DAi2,...,DAi15}，以此类推，逐一剔除每一个数据，进行趋势拟合，由此得到DAij矩阵(...

【专利技术属性】
技术研发人员：张学珍，关旭源，刘欣睿，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：