【技术实现步骤摘要】
本专利技术涉及地理信息科学领域，特别是涉及一种基于克里金图卷积网络的多源数据降水量预估方法。
技术介绍
1、空间插值是一类估计问题，其中使用已知值的位置来估计其他位置的值，重点是利用空间局部性和趋势。空间数据在生态学、经济学和气象学等广泛领域中无处不在。这些字段中的一个常见任务是根据附近的已知值估计目标位置的值。改进这些估算应能为这些应用带来明显的好处。为空间数据量身定制的估算技术必须充分利用每个数据点都与位置相关联这一事实。最重要的是，这些技术能捕捉到这些位置之间的空间相关性。
2、随着空间统计学的发展，更多的空间插值方法被研究以及应用于实际案例之中。最常用的建模方法是克里金法，克里金法的基本假设是，在某个位置上的观测来自一个潜在的高斯过程。在估计变异函数之后，克里金法使用观测值的线性插值来预测新位置的值。在高斯假设下，克里格法预测是空间点的最佳线性无偏估计。然而，这个假设是非常狭窄的，因为在许多应用程序中的数据不是来自高斯分布。图神经网络是最早针对图数据开发的，空间数据建模需要归纳学习，模型需要能够对不在训练数据形成的图中的新位置做出预测，但只有少数的图神经网络可以归纳学习。
3、降雨估算通常比温度估算更复杂，因为降雨是一个多因素的过程，受到气象、地形、地理位置等多个因素的影响。因此，建立准确的降雨估算模型需要仔细考虑各种气象和地形因素，并可能需要更复杂的统计方法和模型。因此，现有的降雨估算方法存在如下技术问题：
4、1.降雨数据通常是地理空间数据，以气象站点观测数据为基础。在地理空间上，
5、2.现有的降雨估算方法无法有效地融合气象站点数据、遥感数据、气象模型输出数据等多源数据。
6、3.现有的降雨估算方法并未考虑到降雨在空间上具有相关性，附近地点的降雨通常会相互影响，影响估算准确性。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于克里金图卷积网络的多源数据降水量预估方法，其具体实现步骤如下：
2、步骤(1)、根据获取的遥感数据和气象站点实测数据的降水量筛选出时间和空间分辨率一致性的数据，通过遥感数据反演，从每个数据源中提取降水强度和降水类型；对获取到的降水数据去除异常值和填充缺失值，确保数据的时间和空间插值在相同的空间范围内；
3、步骤(2)、从步骤(1)处理后的数据中选择自变量，将降水量作为因变量，将选定的降水强度和降水类型分别与降水量之间的关系表示为一个多元线性回归模型，对其进行拟合，估计回归系数的值和多元线性回归模型拟合的质量；以实际气象观测站点的空间位置为条件，随机生成一组软数据位置；这些位置与观测站点在研究区内的分布情况相符，对每个软数据位置，获取实际气象观测站点处的降雨观测数据，并确保软数据位置与观测站点的位置匹配；将遥感数据中的特征输入拟合好的多元线性回归模型，生成估计的降水量；
4、步骤(3)、基于克里金图卷积网络的方法与遥感反演中的多因子统计法结合，将多元线性回归模型生成的软数据输入到克里金图卷积网络中，通过卷积核的空间感知能力和克里金插值的时空关联性建模，生成降水分布的空间图。
5、根据本专利技术一种优选实施方式，所述步骤(1)获取的遥感数据和气象站点实测数据的降水量，具体步骤如下：
6、步骤(a1)、以中国839个气象监测站点数据的经纬度为基准，检查数据是否存在缺失值，是否包含异常值或噪声，对其相关的气象属性进行质量控制和评估，经过标准化处理，得到自动站数据，并将其划分为训练集和测试集，最终将这些数据保存在结构化表格中；
7、步骤(a2)、从modis数据产品中提取植被指数产品、地表温度、降雨数据，将这些数据转换为hdf存储格式，并进行投影转换；对modis遥感数据读取和计算，并筛选出合适的质量控制qc波段；
8、步骤(a3)、提取数字高程模型数据，按照经纬度坐标来指定剪裁中国区域，刻画出中国区域表面地形的高程，得到地形指标。
9、根据本专利技术一种优选实施方式，所述步骤(2)以实际气象观测站点的空间位置为条件，随机生成一组软数据位置，具体步骤如下：
10、步骤(b1)、对modis数据进行预处理；
11、步骤(b2)、使用多元线性回归分析方法，建立气象观测站点的实际降雨观测值与各种因素之间的回归模型；所述因素包括地形、气象变量、植被指数；通过回归模型将这些因素与实际降雨观测值关联起来；
12、步骤(b3)、构建软数据：将软数据位置点的地形、气象变量输入回归模型中，得到降雨的估算值，构成了软数据中的降雨数据。
13、根据本专利技术一种优选实施方式，所述步骤(3)具体步骤如下：
14、步骤(c1)、基于克里金的训练标签以及特征的预测，将气象站点实测的降水数据作为硬数据，用于训练模型，由多元线性回归模型生成的降水数据估计值和相应的方差作为软数据，用于测试模型性能；假定一个空间协方差函数，用来描述不同点之间的距离和方向之间的关系；使用协方差函数来计算未知点的权重，以进行插值；
15、步骤(c2)、基于图结构学习的聚合，图结构学习用于节点表示学习和节点分类任务，将图结构学习作为克里金图卷积网络的预测模型，捕捉节点之间的信息传递和关联；
16、步骤(c3)、基于克里金图卷积网络的任意位置推算，将由气象站点与遥感数据建立的多元线性回归模型生成的软数据融合到克里金图卷积网络方法中，生成降水分布的空间图。
17、本专利技术与现有技术相比的优点在于：
18、(1)可以有效的融合气象站点数据、遥感数据以及气象模型输出数据等多源数据，建模空间相关性，处理数据稀疏性和利用协变量信息，提高对降雨分布的估算准确性，解决了高分辨率、多源数据、空间相关性等技术问题。
19、(2)降雨在空间上具有相关性，附近地点的降雨通常会相互影响，此方法通过建模空间协方差函数来捕捉这种相关性。除了降雨观测数据，还考虑了地形高程、植被类型等协变量，这些通常会影响降雨分布，因此在估算中起到关键作用，以提高空间插值的准确性，获得更精确的地表降雨分布估算。
20、(3)能直接利用训练数据进行预测，而且在引入新数据点时无需重新训练，也不存在过度拟合的问题。
本文档来自技高网...【技术保护点】
1.一种基于克里金图卷积网络的多源数据降水量预估方法，其特征在于，该方法步骤如下：
2.根据权利要求1所述的一种基于克里金图卷积网络的多源数据降水量预估方法，其特征在于：所述步骤(1)获取的遥感数据和气象站点实测数据的降水量，具体步骤如下：
3.根据权利要求2所述的一种基于克里金图卷积网络的多源数据降水量预估方法，其特征在于：所述步骤(2)以实际气象观测站点的空间位置为条件，随机生成一组软数据位置，具体步骤如下：
4.根据权利要求3所述的一种基于克里金图卷积网络的多源数据降水量预估方法，其特征在于：所述步骤(3)具体步骤如下：
【技术特征摘要】
1.一种基于克里金图卷积网络的多源数据降水量预估方法，其特征在于，该方法步骤如下：
2.根据权利要求1所述的一种基于克里金图卷积网络的多源数据降水量预估方法，其特征在于：所述步骤(1)获取的遥感数据和气象站点实测数据的降水量，具体步骤如下：
3.根据权利要求2...
【专利技术属性】
技术研发人员：刘瑞军，刘青青，王晓川，尹焕樸，张迪，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。