一种基于Stacking与EMOS-CSG的多源卫星降水融合方法技术

本发明专利技术公开了一种基于Stacking与EMOS

【技术实现步骤摘要】
一种基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法


[0001]本专利技术属于水文与气象
，具体涉及一种基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法。

技术介绍

[0002]高精度降水数据对流域的洪水预报、干旱监测及水资源管理具有重要意义。获取降水数据的途径通常有两种：一是通过地面雨量站直接获取，二是通过遥感手段(雷达和卫星为主)间接获取，两种途径各有优劣。雨量站数据精度高，资料系列长，但往往站点密度不高，很难精确反映降水在空间上的分布；卫星降水覆盖范围广，但受反演算法、云层性质和传感器的影响，一般存在较大的系统偏差和随机误差；雷达降水时空分辨率高，但是布设困难，维护成本高，且易受地形影响。因此，充分利用各降水产品的优势，将各种来源的降水数据有效“融合”，不仅可以获得更真实的空间分布特征，还可以提高降水估计的准确性。
[0003]传统的降水融合方法包括平均偏差校正、最优插值和克里金等，这些方法通常是针对单一卫星产品进行融合。近年来针对多卫星降水融合的方法不断涌现出来，包括地理加权岭回归、动态聚类贝叶斯模型平均和加权平均最小二乘等，这些融合方法可以结合不同来源降水的优势，提供更加可靠的降水分布信息；除上述方法外，机器学习算法因其强大的自学能力和处理非线性问题的优越性而被应用于降水融合中。常用的机器学习模型包含k最近邻方法、多元自回归样条方法、支持向量机、多项对数线性模型和人工神经网络、卷积神经网络长短时记忆网络等。
[0004]从多种机器学习算法中筛选出最优算法或者采用一种新的机器学习算法进行融合是可行的，但不同机器学习算法各有优劣，如何充分利用各机器学习算法优势在降水融合中研究较少；此外，传统融合方法通常是基于原始卫星分辨率(0.25
°
或0.1
°
)进行融合，所得的融合产品对于水文和气象应用仍然过于粗糙。

技术实现思路

[0005]本专利技术所要解决的技术问题是，提供一种既可以提高融合产品的空间分辨率，又可以结合不同机器学习算法的优势，有效提高融合产品精度的方法。
[0006]为解决上述技术问题，本专利技术所采用的技术方案为：
[0007]一种基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，包括如下步骤：
[0008]步骤1、数据预处理，包括获取雨量站、原始卫星降水和辅助变量数据，辅助变量包括经纬度、高程、坡度坡向、归一化植被指数(NDVI)、土壤湿度、风向风速、温度和大气压；
[0009]步骤2、借助地理加权回归模型，对每种原始卫星产品进行降尺度；
[0010]步骤3、采用Stacking集成框架第一层6种基学习器(6种机器学习模型)分别对每种降尺度卫星产品进行偏差校正，得到每种产品的6种校正结果；其中，6种机器学习模型包括随机森林(RF)、K最近邻算法(KNN)、极端梯度提升树(XGB)、轻量梯度提升树(LGB)、CatBoost和梯度提升树(GBM)；
[0011]步骤4、利用Stacking集成框架第二层学习器(随机森林)对各降尺度卫星产品的偏差校正结果进行集成；
[0012]步骤5、基于左移截尾伽马分布的集成模型输出统计(EMOS
‑
CSG)方法对Stacking集成结果进行融合，得到高时空分辨率的降水融合产品；其中EMOS
‑
CSG最终求解方程为：
[0013]λ＝θk[1
‑
G
k,θ
(δ)][1
‑
G
k+1,θ
(δ)]‑
δ[1
‑
G
k,θ
(δ)]2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0014]式(6)中，λ为左移截尾伽马分布的均值，即融合产品均值；θ为伽马分布的尺度参数；k为形状参数；G
k,θ
(δ)是以k,θ为参数的原始伽马分布的累计分布函数；δ>0表示向左偏移量；G
k+1,θ
(δ)是以k+1,θ为参数的原始伽马分布的累计分布函数。
[0015]进一步的，所述步骤2中借助地理加权回归模型，对每种原始卫星产品进行降尺度，包含如下步骤：
[0016]步骤21、选取与降雨关系密切的经纬度、高程、坡度坡向和NDVI作为自变量，以卫星产品作为因变量，构建地理加权回归模型：
[0017][0018]式(1)中，P
iL
代表第i个原始卫星产品的降雨；代表第i个原始卫星产品的降雨；分别为与第i个原始卫星产品空间分辨率一致的归一化植被指数、高程、坡度、坡向、经度、纬度值；代表对应的系数；是常数项的系数；是残差项；
[0019]步骤22、采用双线性插值对式(1)中系数项和自变量因子项重采样到细分辨率；
[0020]步骤23、计算细分辨率的卫星降水：
[0021][0022]式(2)中P
iH
为第i个细分辨率卫星产品的降水；为第i个细分辨率卫星产品的降水；分别为与第i个细分辨率卫星产品空间分辨率一致的归一化植被指数、高程、坡度、坡向、经度、纬度值；数、高程、坡度、坡向、经度、纬度值；代表相应重采样到细分辨率后的系数；是重采样到细分辨率后常数项的系数；
[0023]步骤24、采用普通克里金法处理式(1)中的残差项，获取和细分辨率卫星产品空间分辨率一致的残差
[0024]步骤25、将步骤23得到的细分辨率的卫星降水P
iH
与步骤24残差相加得到最终降尺度细分辨率卫星产品的降水值；
[0025][0026]式(3)中，P
iHH
为第i个最终降尺度细分辨率卫星产品的降水值。
[0027]进一步的，所述步骤3中采用Stacking集成框架第一层6种基学习器(6种机器学习
模型)分别对每种降尺度卫星产品进行偏差校正，得到每种产品的6种校正结果，包含如下步骤：
[0028]步骤31、选择地面雨量站点所在细网格处的经纬度、土壤湿度、风速风向、温度、大气压、卫星降水因子和雨量站降水作为原始数据集，不同降尺度卫星产品的原始数据集除卫星降水不同外，其他因子均相同；
[0029]步骤32、利用双线性插值将各因子的分辨率统一到同一分辨率；
[0030]步骤33、在第一层6种基学习器中利用每种降尺度卫星产品的原始数据集进行训练，得到第一层的6种降水校正值；
[0031]步骤34、重复步骤33，依次得到每种降尺度卫星产品的6种偏差校正值。
[0032]进一步的，所述步骤4中利用Stacking集成框架第二层学习器(随机森林)对每种降尺度卫星产品的偏差校正结果进行集成，包含如下步骤：
[0033]步骤41、将每种降尺度卫星产品的6种偏差校正结果作为新的训练集，其中每种降尺度卫星产品的训练集均不相同；
[0034]步骤4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，其特征在于，包括如下步骤：步骤1、数据预处理：包括获取雨量站、原始卫星降水和辅助变量数据，所述辅助变量包括经纬度、高程、坡度坡向、NDVI、土壤湿度、风向风速、温度和大气压；步骤2、降尺度：借助地理加权回归模型，对每种原始卫星产品进行降尺度；步骤3、Stacking第一层基学习器校正：采用Stacking集成框架第一层6种基学习器分别对每种降尺度卫星产品进行偏差校正，得到每种产品的6种校正结果；其中，6种基学习器为随机森林、K最近邻算法、极端梯度提升树、轻量梯度提升树、CatBoost和梯度提升树；步骤4、利用Stacking集成框架第二层学习器对各降尺度卫星产品的偏差校正结果进行集成；所述第二层学习器为随机森林；步骤5、基于EMOS
‑
CSG方法对Stacking集成结果进行融合，得到高时空分辨率的降水融合产品；其中EMOS
‑
CSG最终求解方程为：λ＝θk[1
‑
G
k,θ
(δ)][1
‑
G
k+1,θ
(δ)]
‑
δ[1
‑
G
k,θ
(δ)]2ꢀꢀꢀꢀ
(6)式(6)中，λ为左移截尾伽马分布的均值，即融合产品均值；θ为伽马分布的尺度参数；k为形状参数；G
k,θ
(δ)是以k,θ为参数的原始伽马分布的累计分布函数；δ>0表示向左偏移量；G
k+1,θ
(δ)是以k+1,θ为参数的原始伽马分布的累计分布函数。2.根据权利要求1所述的基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，其特征在于：步骤1原始卫星降水数据自TMPA
‑
3B42RT、CMORPH、GSMaP_NRT和PERSIANN中任意一个或多个中获取。3.根据权利要求1所述的基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，其特征在于：步骤1中从地理空间数据云网站上下载DEM数据，并使用ArcGIS软件进一步提取经纬度、高程、坡度和坡向数据。4.根据权利要求1所述的基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，其特征在于：步骤1中NDVI、土壤湿度数据来自美国国家航空航天局。5.根据权利要求1所述的基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，其特征在于：步骤1中温度、大气压、风向风速数据从欧洲中期天气预报中心获取。6.根据权利要求1所述的基于Stacking与EMOS
‑
CSG的多源卫星降水融合方法，其特征在于：所述步骤2中借助地理加权回归模型，对每种原始卫星产品进行降尺度，包含如下步骤：步骤21、选取与降雨关系密切的经纬度、高程、坡度坡向和NDVI作为自变量，以卫星产品作为因变量，构建地理加权回归模型：式(1)中，P
iL
代表第i个原始卫星产品的降雨；代表第i个原始卫星产品的降雨；分别为与第i个原始卫星产品空间分辨率一致的归一化植被指数、高程、坡度、坡向、经度、纬度值；代表对应的系数；是
常数项的系数；是残差项；步骤22、采用双线性插值对式(1)中系数项和自变量因子项重采样到细分辨率；步骤23、计算细分辨...

【专利技术属性】
技术研发人员：牟时宇，李佳，朱艳军，张团团，胡义明，梁忠民，
申请(专利权)人：河海大学，
类型：发明
国别省市：