基于双层机器学习框架的卫星反演降水校正方法、装置及系统制造方法及图纸

本发明专利技术公开了一种基于双层机器学习框架的卫星反演降水校正方法、装置及系统，所述方法包括获取数据库，所述数据库中包括有校正的卫星反演降水数据、气象地理数据和再分析资料；筛选出所述数据库中的使用变量，并将所述使用变量发送至预先训练好的双层机器学习框架，获得降水校正数据；其中，所述双层机器学习框架包括分类模型和回归模型，所述分类模型用于对所述使用变量进行分类，并输出晴雨分类结果；所述回归模型用于基于晴雨分类结果，将分类结果对应的使用变量作为输入，并输出降水校正数据。本发明专利技术采用了双层机器学习算法框架寻优技术，首先判断是否降水，再校正降水量的具体数值，使校正的结果更具可靠性。使校正的结果更具可靠性。使校正的结果更具可靠性。

【技术实现步骤摘要】
基于双层机器学习框架的卫星反演降水校正方法、装置及系统


[0001]本专利技术属于卫星测量降水数据处理
，具体涉及一种基于双层机器学习框架的卫星反演降水校正方法、装置及系统。

技术介绍

[0002]降水是水循环的关键要素，也是水文过程的重要输入项。因其在时空分布上的不均匀性以及测量方法的限制，不确定性高。虽然传统的雨量计测量准确度高，但其无法在大尺度地区获得连续降水信息。
[0003]卫星测量降水具有实时全天候对地观测的优点，可以弥补传统降水测量技术的不足。目前，卫星降水产品采用非直接测量降水的方式。但是，受限于传感器的系统误差、时空采样的影响以及反演算法的局限等因素，非直接测量导致实时卫星降水产品的测量精度较差。
[0004]机器学习模型，被归纳为数据驱动方法，在降水测量中被发掘出越来多的应用前景。与传统的降水校正方法相比，机器学习模型可以很好地处理输入和输出之间的复杂和非线性关系且纳入多种类型的解释性变量具有很大的灵活性。然而，目前鲜有方法考虑到结合使用机器学习的分类和回归模型以提高降水事件检测能力，以得到更好的校正效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双层机器学习框架的卫星反演降水校正方法，其特征在于，包括：获取数据库，所述数据库中包括有校正的卫星反演降水数据、气象地理数据和再分析资料；筛选出所述数据库中的使用变量，并将所述使用变量发送至预先训练好的双层机器学习框架，获得降水校正数据；其中，所述双层机器学习框架包括分类模型和回归模型，所述分类模型用于对所述使用变量进行分类，并输出晴雨分类结果；所述回归模型用于基于晴雨分类结果，将分类结果对应的使用变量作为输入，并输出降水校正数据。2.根据权利要求1所述的一种基于双层机器学习框架的卫星反演降水校正方法，其特征在于，所述使用变量通过以下方法获得：利用主成分分析法，从获取到的数据库中筛选出使用变量。3.根据权利要求1所述的一种基于双层机器学习框架的卫星反演降水校正方法，其特征在于，所述双层机器学习框架通过如下步骤得到：获取历史数据库，所述历史数据库中包括有校正的历史卫星反演降水数据、历史气象地理数据和历史再分析资料；利用主成分分析法，筛选出获取到的历史数据库中的使用变量；将获取到的历史观测数据整理为分类用标签和回归用标签，所述分类用标签为晴雨分类信息，所述回归用标签为发生降水时的降水量；利用分类用标签评估各备选机器学习模型的分类效果，筛选出最优的机器学习模型作为分类模型，同时率定获得最优模型参数，并利用分类模型输出晴雨分类结果；基于晴雨分类结果，将历史卫星反演降水数据中发生降水时的变量作为输入数据，计算回归用标签与历史卫星反演降水数据中对应的数据的误差并将其作为最终标签数据；将所述输入数据和最终标签数据分割为训练集和验证集，并进行深度学习模型LSTM的训练，获得回归模型。4.根据权利要求3所述的一种基于双层机器学习框架的卫星反演降水校正方法，其特征在于：所述将所述输入数据和标签数据分割为训练集和验证集，并进行深度学习模型LSTM的训练，获得回归模型，包括：将所述训练集输入至LSTM模型中，并通过计算损失的方法进行反向传播，优化深度学习模型LSTM，得到第一回归模型；利用所述验证集验证所述第一回归模型，若所述第一回归模型的输出结果满足设定条件，则将所述第一回归模型作为最终回归模型。5.根据权利要求3所述的一种基于双层机器学习框架的卫星反演降水校正方法，其特征在于：所述备选机器学习模型包括RF模型、XGB模型、SVM模型、KNN模型。6.根据权利要求3所述的一种基于双层机器学习框架的卫星反演降水校正方法，其...

【专利技术属性】
技术研发人员：吕毅，雍斌，沈哲辉，齐伟擎，梅俊，
申请(专利权)人：河海大学，
类型：发明
国别省市：