[發明專利]一種基于機器學習判別降雨事件的衛星降雨數據校正方法

有效

• 申請號: 202110021907.6
• 申請日: 2021-01-08
• 公開（公告）號: CN112734047B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 鄒磊;肖帥;王飛宇;沈建明;劉成建
• 申請（專利權）人: 中國科學院地理科學與資源研究所
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京國林貿知識產權代理有限公司 11001
• 代理人: 李瑾;李連生

1.一種基于機器學習判別降雨事件的衛星降雨數據校正方法，其特征在于，包括以下幾個步驟：

1)多源數據收集：收集下載研究區范圍內氣象因子數據、高程地形因子數據、衛星降雨數據及氣象站點實測降雨數據；所述氣象因子數據、高程地形因子數據、衛星降雨數據均為網格尺度數據集；

2)數據處理：首先將氣象因子數據和高程地形因子數據重采樣到與衛星降雨數據同樣的分辨率；采用反距離加權平均插值方法對收集下載的網格尺度數據集進行插值處理，獲取研究區內每一個氣象站點所在位置處的氣象因子數據和高程地形因子數據；

3)降雨事件發生判別模型構建：基于機器學習方法構建研究區降雨事件發生判別模型；利用氣象站點所在位置處的氣象因子數據、高程地形因子數據和實測降雨數據訓練模型；降雨事件發生判別模型的輸入為氣象因子和高程地形因子數據集，輸出為是否發生降雨的信號；

4)有無降雨修正：采用訓練好的降雨事件發生判別模型對研究區內逐個網格衛星降雨數據序列進行有無降雨修正；以網格尺度上的氣象因子數據和高程地形因子數據為輸入，采用降雨事件發生判別模型獲取每個網格點上是否發生降雨的信號序列；通過判別模型在網格點上判定為發生降雨的時刻，若該時刻下網格點上的衛星降雨數據為零，則基于反距離加權平均插值方法將氣象站點實測降雨數據插值到該時刻該網格點上代替原來的衛星降雨數據；通過判別模型在網格點上判定為無雨的時刻，則將該時刻網格點上的衛星降雨數據設置為零；

5)降雨序列分段：經過步驟4)中有無降雨修正以后，依據研究區內氣象站點分布繪制區域泰森多邊形，劃分后所得每一個多邊形內會對應有一個氣象站點；在每一個多邊形內，以研究年份某一固定月份的日降雨組合為降雨序列，根據序列分位數將多邊形內氣象站點實測降雨序列和網格點衛星降雨序列各分成極大值、常規值和極小值三段數據；

6)分布優選：基于步驟5)將降雨序列分段后的結果，通過K-S檢驗從多種分布函數中分別優選出各個多邊形內符合氣象站點實測降雨序列和逐個網格點衛星降雨序列各自的三段數據的最優分布函數組合；

7)降雨數據分段校正：在各個多邊形內，采用基于頻率分布的分位數映射法針對三段氣象站點實測降雨序列和網格點衛星降雨序列進行校正。

2.根據權利要求1所述的衛星降雨數據校正方法，其特征在于，所述的衛星降雨數據包括衛星降雨產品、雷達降雨產品、再分析降雨產品中測算的降雨數據。

3.根據權利要求1所述的衛星降雨數據校正方法，其特征在于，步驟1)所述氣象因子數據包括地表溫度、2m溫度、2m露點溫度、土壤溫度、水平風速、垂直風速、地表氣壓、地表土壤濕度、地表蒸散發、地表凈輻射、地表感熱通量及地表潛熱通量；所述高程地形因子數據包括高程、坡度、坡向。

4.根據權利要求1所述的衛星降雨數據校正方法，其特征在于，步驟5)中極小分位點采用10％，極大分位點采用90％。

5.根據權利要求1所述的衛星降雨數據校正方法，其特征在于，步驟6)中多種分布函數包括伽馬分布，廣義帕累托分布，廣義極值分布，半正態分布和指數分布。

6.根據權利要求1所述的衛星降雨數據校正方法，其特征在于，步驟7)中基于如下公式對研究區內12個月份逐個網格點的衛星降雨數據和氣象站點實測降雨進行偏差校正，

x_m,cor＝F_o,i^-1(F_m,i(x_m))

其中：x_m和x_m,cor分別是校正前后的衛星日降雨量；F_o,i^-1是第i月實測降雨的累積密度函數的反函數,F_m，i是第i月衛星降雨的累積密度函數。