System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及降水数据,更具体的说,是涉及缺资料地区的降水数据优化方法及装置。
技术介绍
1、随着降水测量技术的发展,目前具备多种技术对各地区的降水数据进行测量,如被认为是比其他测量工具更可靠的获取长期降水资料的雨量计,以及卫星降水测量技术。准确测量降水对许多区域的研究至关重要,但部分地区由于环境恶劣,地形复杂,地面测量稀疏,导致实测资料缺乏,缺乏高空间分辨率高精度的降水数据,不能满足水文气象研究的要求。
2、在缺资料地区中,雨量计提供的降水信息空间表征较差,雨量计网分布稀疏且不均匀,仍然存在较大不足,而气象卫星的电磁信号受到仪器误差和检索算法的影响,来自卫星遥感的降水具有较大的不确定性,尽管相关技术方法方案聚焦于卫星的空间分辨率降尺度,以获得能够显示更多空间细节的高分辨率降水数据,但它们在不同区域的性能仍然受到原始卫星降水数据固有精度的限制,导致精度仍然较低。因此,在水文、气候变化和水资源领域,特别是在一些干旱气候、复杂地形和高海拔地区,缺资料地区的降水数据的精度不高。
3、如何提高缺资料地区的降水数据的精度,是需要解决的问题。
技术实现思路
1、鉴于上述问题,本申请提供了缺资料地区的降水数据优化方法及装置,以提高缺资料地区的降水数据的精度。
2、为了实现上述目的,现提出具体方案如下:
3、一种缺资料地区的降水数据优化方法,包括:
4、获取缺资料地区的高分辨率辅助因子,所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的
5、将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型,输出高空间分辨率降水数据;
6、所述降水链接模型的构建过程,包括:
7、获取所述缺资料地区的每个实测站点的卫星日降水序列;
8、从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布;
9、基于每个实测站点的降水量、雨天频率及降水概率分布,对该个实测站点的卫星日降水序列进行偏差校正,得到该个实测站点的校正降水序列;
10、对各个实测站点的校正降水序列进行日尺度融合,基于地形地貌因子将每个实测站点拓展到面尺度,得到所述缺资料地区的日尺度融合降水数据;
11、通过所述日尺度融合降水数据,结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型,并结合多种土地覆盖类型对所述随机森林模型进行训练,得到降水链接模型。
12、可选的,所述基于每个实测站点的降水量、雨天频率及降水概率分布,对该个实测站点的卫星日降水序列进行偏差校正,得到实测站点的校正降水序列,包括:
13、根据每个实测站点在每个月的雨天频率,计算该个实测站点在该个月的雨天阈值;
14、根据每个实测站点在每个月的雨天阈值,利用局部强度缩放loci校正公式校正该个实测站点在该个月的降水总量,以得到loci校正后的日降水序列,所述loci校正公式为:
15、;
16、其中,为第m个月的雨天阈值,为计算缩放因子,为第m月中d天的实测降水值,为第m月中d天的实测降水值大于0之和,为卫星日降水序列中第m月中d天的降水值,为卫星日降水序列中第m月中d天大于所述雨天阈值之和,为卫星日降水序列中第m月中d天的降水总量;
17、根据每个实测站点的降水概率分布,构建该个实测站点的降水伽马分布函数,所述降水伽马分布函数为:
18、;
19、其中,为伽马函数,为所述伽马函数的形状参数,为所述伽马函数的尺度参数,为所述降水伽马分布函数,为时间变量;
20、针对每个实测站点的降水伽马分布函数,调整所述降水伽马分布函数的伽马分布参数,得到伽马分布参数调整后的降水伽马分布函数,以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数;
21、针对每个实测站点的经所述loci校正后的日降水序列,基于所述实测站点的所述伽马分布函数,在保留所述日降水序列的极值下,调整所述日降水序列的均值、标准差和分位数,得到所述实测站点的日降水调整序列;
22、利用下式对该个实测站点的日降水调整序列的伽马分布进行校正,以得到该个实测站点的校正降水序列:
23、;
24、其中,为该个实测站点在第m月d天的校正雨天频率,为伽马累积分布逆函数,为伽马累积分布函数,为该个实测站点的日降水调整序列中第m月的伽马分布形状参数,为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数,为该个实测站点在第m月的实测降水的伽马分布形状参数,为该个实测站点在第m月的实测降水的伽马分布尺度参数。
25、可选的,所述对各个实测站点的校正降水序列进行日尺度融合,基于地形地貌因子将每个实测站点拓展到面尺度,得到所述缺资料地区的日尺度融合降水数据,包括:
26、根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数,以及各个实测站点各自的地理地形因子,构建地理加权回归模型,通过所述地理加权回归模型,将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上,以获得所述缺资料地区的日尺度融合降水数据,所述地理加权回归模型为:
27、;
28、其中,为所述空间平面上第j个点的形状参数和尺度参数,为所述空间平面上第j个点的第k个地理地形因子变量,为地理地形因子变量的总个数,为残差,为第k个地理地形因子变量在所述空间平面上第j个点处的截距,为第k个地理地形因子变量在所述空间平面上第j个点处的斜率。
29、可选的,通过所述日尺度融合降水数据,结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型,并结合多种土地覆盖类型对所述随机森林模型进行训练,得到降水链接模型,包括:
30、从所述日尺度融合降水数据中选取样本数据,并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量,构建决策树模型,所述决策树模型包括若干棵决策树;
31、驱使每棵决策树在深度上自由生长,直至该棵决策树所拟合的降水值均方差值最小时,停止该棵决策树生长,并确定该棵决策树的最佳拟合关系;
32、构建各棵决策树的随机森林模型;
33、以每种土地覆盖进行局部模型拟合,得到该种土地覆盖区域模型;
34、通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上,对所述随机森林模型进行训练,得到降水链接模型。
35、可选的,该方法还包括:
36、在构建所述决策树模型的过程中,选择所述决策树模型的每棵决策树对应节点上变量的子集;
37、确定每棵决策树对应节点上变量的子集的基尼指数;
38、根据每棵决策树对应节点上变量的子集及其基尼指数,确定该棵决策树的最佳分割方式本文档来自技高网...
【技术保护点】
1.一种缺资料地区的降水数据优化方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述基于每个实测站点的降水量、雨天频率及降水概率分布,对该个实测站点的卫星日降水序列进行偏差校正,得到该个实测站点的校正降水序列,包括:
3.根据权利要求1所述的方法,其特征在于,所述对各个实测站点的校正降水序列进行日尺度融合,基于地形地貌因子将每个实测站点拓展到面尺度,得到所述缺资料地区的日尺度融合降水数据,包括:
4.根据权利要求1所述的方法,其特征在于,通过所述日尺度融合降水数据,结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型,并结合多种土地覆盖类型对所述随机森林模型进行训练,得到降水链接模型,包括:
5.根据权利要求4所述的方法,其特征在于,还包括:
6.一种缺资料地区的降水数据优化装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述降水序列校正单元,包括:
8.根据权利要求6所述的装置,其特征在于,所述日尺度融合单元,包括:
9
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-5任一项所述的缺资料地区的降水数据优化方法的各个步骤。
...【技术特征摘要】
1.一种缺资料地区的降水数据优化方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述基于每个实测站点的降水量、雨天频率及降水概率分布,对该个实测站点的卫星日降水序列进行偏差校正,得到该个实测站点的校正降水序列,包括:
3.根据权利要求1所述的方法,其特征在于,所述对各个实测站点的校正降水序列进行日尺度融合,基于地形地貌因子将每个实测站点拓展到面尺度,得到所述缺资料地区的日尺度融合降水数据,包括:
4.根据权利要求1所述的方法,其特征在于,通过所述日尺度融合降水数据,结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型,并结合多种土...
【专利技术属性】
技术研发人员:陈晓宏,何坤龙,赵冬梅,董春雨,康丽,
申请(专利权)人:中山大学,
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。