一种融合时空信息的气温缺失记录重建方法技术

一种融合时空信息的气温缺失记录重建方法，该方法包括如下步骤：首先对气温序列数据进行预处理，缺失气温采用特定的符号表示；然后通过分析气温的时空特性构建气温分布模型，把气温变量分解为气温趋势项和气温残差项；接着对气温时间序列进行时间序列分析以估计缺失记录的气温趋势项，并采用克里金插值法来估计缺失记录的残差项；最终实现缺失气温记录的重建。本方法综合考虑了气温的时空分布特性，并把它们融合在统一的模型中，不仅可以大幅度提高缺失气温记录的重建精度，而且具有计算量小，容易实现等特点，它具有广阔的应用前景。

【技术实现步骤摘要】
【专利摘要】，该方法包括如下步骤：首先对气温序列数据进行预处理，缺失气温采用特定的符号表示；然后通过分析气温的时空特性构建气温分布模型，把气温变量分解为气温趋势项和气温残差项；接着对气温时间序列进行时间序列分析以估计缺失记录的气温趋势项，并采用克里金插值法来估计缺失记录的残差项；最终实现缺失气温记录的重建。本方法综合考虑了气温的时空分布特性，并把它们融合在统一的模型中，不仅可以大幅度提高缺失气温记录的重建精度，而且具有计算量小，容易实现等特点，它具有广阔的应用前景。【专利说明】
本专利技术涉及一种气象数据处理方法，特别是。
技术介绍
气候变化对人类生存、经济社会发展等带来极其深远的影响，成为当前国内外普遍关注的问题和研究的热点。气象记录缺失是气候变化研究中普遍存在的一个问题，错误的测量、仪器故障、人为以及自然因素等都将导致气象记录的不连续。一方面，现实中许多类型的气象分析需要完整的气象记录序列，记录缺失成为这些分析的主要制约因素；另一方面，缺失记录会增加后期分析任务的复杂性、造成结果偏倚、降低统计工作的效率。因此，如何精确地对缺失的气象记录进行重建具有十分重要的意义。重建缺失气象记录的研究可以追溯到19世纪50年代，迄今为止，一系列重建方法被提了出来。总的来说，这些重建方法大致可以分为三类。一类是基于时间序列分析的方法，它利用气象数据在时间上的相关性重建缺失记录。其中，均值法和线性插值法是最常用的两种方法。均值法利用整个时间序列的均值来代替缺失记录，虽保持序列的均值不变，但减小了序列的方差，不利于对剧烈变化的气象变量进行重建。为充分利用时间序列的特性，近年来，一些学者相继提出神经网络、期望最大化(expectation maximization,EM)以及多重填补(multiple imputation, Ml)等方法。该类方法更多考虑的是资料序列自身纵向变化规律，即记录的时间相关性，但忽略气象数据的空间相关性。第二类是空间插值方法，它主要顾及气象数据的空间分布特性，如最邻近气象观测站点法、简单算术平均法、反距离加权法、样条函数法以及克里金法等。其中克里金法利用变异函数衡量数据间的空间相关性，并强调局部最优以及无偏估计，应用最为广泛。然而气象数据同时具有时间和空间上的相关性，只顾及空间相关性忽略时间相关性，或仅考虑时间相关性忽略空间相关性，都不利于缺失记录重建精度的提高。第三类方法期望综合考虑气象数据的时空特性来提高缺失记录的修复精度，已取得一系列进展，如标准比率(normal ratio, NR)、邻域特征以及时空克里金等方法。但该类方法往往通过经典统计来确定周围气象观测站点的权重，没有充分考虑气象数据的空间分布特性，如NR和邻域特征法等；此外，部分方法计算复杂性较大，难以实现，如时空克里金中时空变异模型的确定。总之，现有的气温记录重建方法存在着不能或难以同时考虑其时空分布特性的不足，导致最终的重建精度往往不高。
技术实现思路
本专利技术目的在于提供，它能够克服已有技术的不足，可综合利用时间序列分析和克里金空间插值法来重建缺失气温记录，同时考虑气温在时间上和空间上的分布特性，能够大幅提高缺失气温记录的重建精度。本专利技术是通过如下技术方案实现的。包括如下步骤:步骤1.气温时间序列数据预处理对气温时间序列数据进行预处理，每个气象观测站点的气温时间序列按时间顺序排序形成一条记录，其中缺失记录值采用特定的符号表示。步骤I1.分析气温时空特性，构建气温分布模型气温同时具有时间和空间上的相关性。同一气象观测站点、不同年份、相同月份的月平均气温具有很强的相关性，它们围绕某一气温值上下波动。同样在空间上，随着位置的变化，气温也呈现一定的波动。在分析气温时空特性的基础上，构建气温的分布模型，把气温变量分解为气温趋势项和气温残差项，用来描述气温的时空特性。步骤II1.利用气温时间序列数据估计气温趋势项。气温具有典型的时空分布特性，假设t时间某气象观测站点的气温为Zt (U)，则{Zt(u)，t = 1,2,...,η}是该气象观测站点气温的时间序列。每个气象观测站点的气温是一个时间序列，它能够提供该气象观测站点气温的先验信息。按照时间序列分析法，通过对气温时间序列记录进行分析，可以推断该气象观测站点在h时刻的气温趋势。表示如下公式:【权利要求】1.，其特征包含如下步骤: 步骤1.气温时间序列数据预处理:对气温时间序列数据进行预处理，每个气象观测站点的气温时间序列按时间顺序排序形成一条记录，其中缺失记录值用特定的符号表示； 步骤I1.分析气温的时空特牲，构建气温分布模型:气温同时具有时间和空间上的相关性，在分析气温时空特性的基础上，构建气温的分布模型，把气温变量分解为气温趋势项和气温残差项，用来描述气温的时空特性； 2.根据权利要求1所述的，其特征在于，所述的时间序列分析法为均值法或线性插值法或三次样条函数法。【文档编号】G06F17/50GK103473408SQ201310397382【公开日】2013年12月25日 申请日期:2013年8月28日 优先权日:2013年8月28日 【专利技术者】陈锋锐, 秦奋, 刘宇, 周志民 申请人:河南大学本文档来自技高网...

【技术保护点】
一种融合时空信息的气温缺失记录重建方法，其特征包含如下步骤：步骤I.气温时间序列数据预处理：对气温时间序列数据进行预处理，每个气象观测站点的气温时间序列按时间顺序排序形成一条记录，其中缺失记录值用特定的符号表示；步骤II.分析气温的时空特牲，构建气温分布模型：气温同时具有时间和空间上的相关性，在分析气温时空特性的基础上，构建气温的分布模型，把气温变量分解为气温趋势项和气温残差项，用来描述气温的时空特性；步骤III.利用气温时间序列数据估计气温趋势项：气温具有典型的时空分布特性，假设t时间某气象观测站点的气温为Zt(u)，则{Zt(u)，t＝1，2，...，n}是该气象观测站点气温的时间序列，每个气象观测站点的气温是一个时间序列，它能够提供该气象观测站点气温的先验信息，按照时间序列分析法，通过对气温时间序列记录进行分析，可以推断该气象观测站点在t0时刻的气温趋势，表示为如下公式：Zt0t*(u)=F(Z1(u),Z2(u),...,Zs(u))---(1)式中，为u站点t0时刻气温趋势的估计值，F(.)为时间序列分析函数；步骤IV.估计缺失记录的气温残差项：利用气温在空间上的相关性，采用克里金插值法，基于已知气象观测站点的气温残差项估计缺失记录气象观测站点气温的残差项；步骤V.缺失气温记录重建：根据步骤III和步骤IV获得的缺失记录气温趋势项和气温残差项的估计值，重建气温缺失记录。FSA0000094749640000012.tif...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈锋锐，秦奋，刘宇，周志民，
申请(专利权)人：河南大学，
类型：发明
国别省市：