【技术实现步骤摘要】
本专利技术属于数据处理，具体涉及一种基于多源数据融合的气象数据生成方法。
技术介绍
1、以流域气象、水文预报资料为基础，开展梯级小水电的多目标优化调度工作，能够切实有效地提高水能利用效率，进一步保障偏远地区电力供应和流域水安全。
2、虽然当前全球不同机构已经提供了多套降水、蒸发的遥感监测产品数据，我国气象部门也提供有全国未来3日的逐小时高精度网格(1km×1km)降水预报产品数据。但是受气候、地理条件等因素影响，不同的产品数据与站点实测数据间存在一定的系统误差，且这一误差随地区、产品类型而变化，即不同产品数据在不同地区的适用性存在差异。同时，如今大多数的数据融合方法均是基于传统的数学回归模型，依赖的假设条件较多，容易在实际应用中产生不合理的结果。
3、因此，有必要开发一种可适用于不同地理条件区域的气象数据生成方法，从而有利于开展以流域气象数据为基础的小水电多目标优化调度工作，进而切实有效提高水能利用效率。
技术实现思路
1、本专利技术提供一种基于多源数据融合的气象数据生成方法，能适应不同地形条件区域的气象数据预测，从而有利于开展以流域气象数据为基础的小水电多目标优化调度工作，进而切实有效提高水能利用效率。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种基于多源数据融合的气象数据生成方法，首先获取待测区域的遥感数据和地形数据并预处理，然后将预处理后的数据输入至参数训练好的气象数据生成模型中，模型最终生成该区域的气象数据；
4、所述气象数据是指降水数据或蒸发数据，所述遥感数据为执行对应气象任务得到的卫星遥感数据；
5、所述气象数据生成模型的结构，由卷积神经网络和长短时记忆网络融合构成，其模型参数通过训练数据集训练得到。
6、进一步地，所述训练数据集包括若干个区域的数据，每个区域的数据包括该区域在若干年时长中每个时间步的遥感数据、地形数据和地面观测站的实际气象数据；其中，在训练气象数据生成模型的参数时，遥感数据和地形数据同时作为模型输入，实际气象数据作为模型输出。
7、进一步地，若地面观测站测得的实际气象数据缺少某个时间步的数据，则使用前后时间步的数据对该时间步进行插值或挪用处理，以得到完整的实际气象时间序列。
8、进一步地，对遥感数据和地形数据预处理，包括：根据遥感数据的网格，采用双线性插值方法对地形数据进行重采样，使地形数据的空间分辨率提高到与遥感数据的分辨率一致；计算步骤及公式如下：
9、①关于x方向的单线性插值：
10、
11、
12、②关于y方向的单线性插值计算重采样的目标点p的像素值：
13、
14、式中，(x,y)为目标点p的坐标，(x1,y1)、(x1,y2)、(x2,y1)、(x2,y2)分别目标点p最邻近的4个已知点q11、q12、q21、q22的坐标，f()表示括号内所示坐标点的像素值。
15、进一步地，对遥感数据和地形数据预处理，包括对即将输入气象数据生成模型结构的地形数据和遥感数据均进行归一化处理。
16、进一步地，卷积神经网络和长短时记忆网络的融合模型，首先通用2个独立的卷积神经网络分别提取每个时间步的气象数据和地形数据的特征向量，然后使用1个连接层将每个时间步的气象数据和地形数据的特征向量连接组合为该时间步的气象特征数据，再使用长短时记忆网络提取该时间步前后向时间的气象特征数据的时序依赖性，最终通过全连接网络将该时间步的融合气象数据特征输出，即为生成的气象数据。
17、进一步地，每个独立的卷积神经网络从输入到输出依次包括：卷积层、dropout层、卷积层、卷积层、池化层、flatten层，且每个卷积层后均跟随一个激活函数。
18、进一步地，所述长短时记忆网络包括2个双向lstm层。
19、进一步地，所述全连接网络从输入到输出依次包括：全连接层、dropout层、全连接层、全连接层、dropout层、全连接层、全连接层，且每个全连接层后均跟随一个激活函数。
20、有益效果
21、本专利技术使用地形数据对降水和蒸发等气象遥感数据进行校正生成更准确的气象数据，提高了气象数据的预测精度，且可适用于多种地形区域的气象预测。在由本专利技术得到各种地形条件区域的精准气象数据后，即可进一步开展以该流域的降水和/或蒸发等气象数据为基础的小水电多目标优化调度工作，进而切实有效提高水能利用效率。
本文档来自技高网...【技术保护点】
1.一种基于多源数据融合的气象数据生成方法，其特征在于，首先获取待测区域的遥感数据和地形数据并预处理，然后将预处理后的数据输入至参数训练好的气象数据生成模型中，模型最终生成该区域的气象数据；其中，
2.根据权利要求1所述的气象数据生成方法，其特征在于，所述训练数据集包括若干个区域的数据，每个区域的数据包括该区域在若干年时长中每个时间步的遥感数据、地形数据和地面观测站的实际气象数据；其中，在训练气象数据生成模型的参数时，遥感数据和地形数据同时作为模型输入，实际气象数据作为模型输出。
3.根据权利要求2所述的气象数据生成方法，其特征在于，若地面观测站测得的实际气象数据缺少某个时间步的数据，则使用前后时间步的数据对该时间步进行插值或挪用处理，以得到完整的实际气象时间序列。
4.根据权利要求1所述的气象数据生成方法，其特征在于，对遥感数据和地形数据预处理，包括：根据遥感数据的网格，采用双线性插值方法对地形数据进行重采样，使地形数据的空间分辨率提高到与遥感数据的分辨率一致；计算步骤及公式如下：
5.根据权利要求1所述的气象数据生成方法，其特征
6.根据权利要求1所述的气象数据生成方法，其特征在于，卷积神经网络和长短时记忆网络的融合模型，首先通用2个独立的卷积神经网络分别提取每个时间步的气象数据和地形数据的特征向量，然后使用1个连接层将每个时间步的气象数据和地形数据的特征向量连接组合为该时间步的气象特征数据，再使用长短时记忆网络提取该时间步前后向时间的气象特征数据的时序依赖性，最终通过全连接网络将该时间步的融合气象数据特征输出，即为生成的气象数据。
7.根据权利要求1所述的气象数据生成方法，其特征在于，每个独立的卷积神经网络从输入到输出依次包括：卷积层、Dropout层、卷积层、卷积层、池化层、Flatten层，且每个卷积层后均跟随一个激活函数。
8.根据权利要求1所述的气象数据生成方法，其特征在于，所述长短时记忆网络包括2个双向LSTM层。
9.根据权利要求1所述的气象数据生成方法，其特征在于，所述全连接网络从输入到输出依次包括：全连接层、Dropout层、全连接层、全连接层、Dropout层、全连接层、全连接层，且每个全连接层后均跟随一个激活函数。
...【技术特征摘要】
1.一种基于多源数据融合的气象数据生成方法，其特征在于，首先获取待测区域的遥感数据和地形数据并预处理，然后将预处理后的数据输入至参数训练好的气象数据生成模型中，模型最终生成该区域的气象数据；其中，
2.根据权利要求1所述的气象数据生成方法，其特征在于，所述训练数据集包括若干个区域的数据，每个区域的数据包括该区域在若干年时长中每个时间步的遥感数据、地形数据和地面观测站的实际气象数据；其中，在训练气象数据生成模型的参数时，遥感数据和地形数据同时作为模型输入，实际气象数据作为模型输出。
3.根据权利要求2所述的气象数据生成方法，其特征在于，若地面观测站测得的实际气象数据缺少某个时间步的数据，则使用前后时间步的数据对该时间步进行插值或挪用处理，以得到完整的实际气象时间序列。
4.根据权利要求1所述的气象数据生成方法，其特征在于，对遥感数据和地形数据预处理，包括：根据遥感数据的网格，采用双线性插值方法对地形数据进行重采样，使地形数据的空间分辨率提高到与遥感数据的分辨率一致；计算步骤及公式如下：
5.根据权利要求1所述的气象数据生成方法，其特征在于，对遥感数据和地形数据预处理，包括对即将...
【专利技术属性】
技术研发人员：张弘强，田海平，肖建红，贺力伟，张军，谢捷敏，张亦可，王辉斌，唐卫平，谭新奇，乔亮亮，毕智伟，王斌，黄志鸿，徐彪，汤步云，刘晓宇，吴海入，徐慧婷，唐哲夫，刘军，唐敏文，
申请(专利权)人：国网湖南省电力有限公司，
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。