一种基于测站的网格雨量计算方法技术

本发明专利技术公开一种基于测站的网格雨量计算方法，其目的在于提供获取更加精确空间雨量分布的方法。针对极端降雨引发自然灾害的应急处置，行之有效的方法在于快速准确获取流域内较小粒度的空间降雨分布情况，做出针对性预防措施。网格雨量计算方法包括：对网格气象离散数据进行特征提取；对地面雨量测站结构化数据进行归一化处理；构建多重空间特征拓扑图；建立规则化网格；以上述数据为基础构建网格雨量挖掘模型，获取中小流域内网格雨量分布情况。本发明专利技术基于雨量测站数据、网格气象数据，构建多重空间特征拓扑关系，并将其作为图卷积神经网络(GCN)的邻接矩阵，构建基于多重空间特征的网格雨量挖掘模型MS

A grid Rainfall Calculation Method Based on stations

【技术实现步骤摘要】
一种基于测站的网格雨量计算方法


[0001]本专利技术属于空间雨量挖掘
，具体涉及一种基于测站的网格雨量计算方法。

技术介绍

[0002]降水是构成气象变化重要特征，是地表径流的主要源头，其在时空分布上不稳定、不均匀是造成洪涝灾害、山体滑坡的主要原因。我国中小河流众多，如何快速、有效对极端降雨产生的洪涝灾害做出反应，成为了亟需解决的问题。针对极端降雨引发自然灾害的应急处置，行之有效的方法在于快速准确获取流域内较小粒度的空间降雨分布情况，做出针对性预防措施。然而，中下流域降雨分布具有非线性、高复杂度、时空分布不稳定的特点，仅依赖数量不多且分布不均的地面雨量测站，无法准确获得流域内雨量的空间分布情况。
[0003]目前，国内外研究机构主要采用传统空间插值方法和卫星雷达多源融合生成空间雨量场。传统空间插值方法包括：如反距离权重法、克里金法等，其结构简单，计算方便，但其忽略了非线性降雨数据复杂的时空特征，导致插值精度较低，国内研究院校多采用此种方法进行空间插值。国内外气象部门主要采用卫星雷达多源融合产品，如美国的TMPA、日本的GsMAP，其采用多种数据来源，包括地面测站数据和卫星雷达图谱等，精度较高，但其过于依赖硬件设施，具有一定迟滞性，无法对突发极端降雨做出有效反应。
[0004]近年来，深度学习理论迅速发展，为中小流域空间雨量分布研究提供了新的发展方向，而卷积神经网络(CNN)凭借其强大的建模能力在图像处理、时间序列预测以及自然语言处理等领域取得了大量的研究成果。网格雨量与站点雨量作为离散的非欧式空间数据，更适合采用图结构对其进行描述，而图卷积神经网络(GCN)具有强大的拓扑结构特征提取能力，应用在网格空间雨量挖掘，能够更好的挖掘雨量分布的丰富空间特征。

技术实现思路

[0005]专利技术目的：本专利技术的目的在于解决现有技术中的不足，提供一种基于测站的网格雨量计算方法，通过建立规则化网格，构建空间特征拓扑结构，充分挖掘中小流域内测站与网格的多重特征依赖，并通过图卷积神经网络，挖掘网格雨量，获取更加精确的空间雨量分布。
[0006]技术方案：本专利技术的一种基于测站的网格雨量计算方法，包括以下步骤：
[0007]步骤S1、在实验流域建立1km
×
1km规则化网格，以便于提取目标流域内网格的多重空间特征并对其进行雨量挖掘；
[0008]步骤S2、流域内网格雨量分布受多种因素综合影响，包括地面测站雨量数据，流域内气压、温度、风速等气象因素，地形、高程、下垫面等地理属性因素；地形、高程、下垫面等地理属性因素。首先选取并收集目标流域的地面测站的雨量数据、气象数据与地理属性数据，并将其填入规则化网格中；
[0009]步骤S3、基于上述数据，研究中小流域空间地理特征蕴含的复杂关系，构建待研究
网格与地面测站的多重空间特征拓扑关系，充分挖掘中小流域的多重空间特征；
[0010]步骤S4、根据构建的多重特征拓扑图，将待研究网格与流域内地面测站作为拓扑节点，将时段雨量、气压、温度、风速等气象因素，地形、高程、下垫面等地理属性因素作为节点特征，将多重空间特征拓扑关系作为邻接矩阵，构建基于多重空间特征的网格雨量挖掘模型 MS
‑
GCN，输出模型挖掘结果。
[0011]所述步骤S1是建立规则化的网格，所述步骤S1进一步为：在建立规则化网格时，网格建立范围应略大于实验流域面积，涵盖实验流域所有地面雨量点，且使离散测站点尽量分布在不同网格。规则化网格包含以下属性：Num_Column为网格列数，Num_Row为网格行数， Origin_Longitude、Origin_Latitude为起始网格经纬度，Grid_Size为网格像元大小， Invalid_Value为流域外网格标识值。
[0012]所述步骤S2是数据预处理，所述步骤S2进一步为：
[0013]步骤S2.1、所述步骤S2中对地面雨量测站数据的预处理包括缺失值处理、将时刻雨量处理为整点雨量、极值剔除以及归一化；
[0014]归一化公式如下：
[0015][0016]其中，为标准化后的值，X
i
为原始值，X
min
为原始序列中的最小值，X
max
为原始序列中的最大值；
[0017]步骤S2.2、所述步骤S2中对气象、地理属性数据的预处理包括非数值特征转换和shp图层数据提取到网格；
[0018]步骤S2.3、将步骤S2中预处理的数据前80％作为模型训练集L，剩余20％数据作为测试集T。
[0019]中小流域空间地理特征关系复杂，需要从多个角度对其进行研究，构建多种要素关系矩阵，充分挖掘中小流域的多重空间特征，所述步骤S3包括：
[0020]步骤S3.1、构建站点
‑
网格雨量相关系数矩阵。相关系数(Correlation Coefficient)是描述不同变量间线性相关程度的统计指标，使用相关系数计算待研究网格与地面观测站的雨量线性关系，两者相关程度越高，说明地面观测站雨量对待研究网格雨量影响越大，站点
‑
网格雨量相关系数矩阵如下：
[0021][0022]其中，c
m，k
是节点m和节点k之间的相关系数；
[0023]步骤S3.2、构建站点
‑
网格空间距离关系矩阵。空间距离越近，气候条件越相似，则降雨空间分布相异性越低，因此，空间距离也是影响降雨空间分布的一大重要因素。使用欧式距离(euclideanmetric)描述节点间的空间位置关系，在三维空间中，欧氏距离就是两点之间的实际距离，公式如下：
[0024][0025][0026]其中，atan2(x，y)是计算指定位置(x，y)反正切值的函数，R为地球赤道半径；Δθ、Δa 分别为两个节点间的纬度差、经度差，α
i
和α
j
是两个节点的经度，需要注意的是，三角函数内经纬度需要转换为以弧度为单位值。据此构建的空间距离矩阵如下：
[0027][0028]其中，de
m，k
是节点m和节点k之间的空间距离；
[0029]步骤S3.3、构建站点
‑
网格地理属性距离矩阵。除了考虑空间距离对降雨分布的影响，地理属性也是影响空间降雨分布的重要因素。地理属性越相似，气象条件越相似，则节点间拥有相似的降雨过程。地理属性包括高程、是否为迎风坡以及植被覆盖、土壤类型等下垫面条件。计算两节点间的地理属性距离，首先计算节点间单一地理属性的绝对差值，然后对所有地理属性的绝对差值进行加权求和，公式如下：
[0030][0031]其中，dl
a，b
为节点a与节点b之间的地理属性距离，n为节点属性个数，为节点a中的第m个属性值，ηm为节点中第m个属性值的加权系数。据此构建节点间的地理属性距离矩阵如下。
[0032][0033]其中，dl
m.k
代表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于测站的网格雨量计算方法，其特征在于：包括以下步骤：步骤S1、在实验流域建立1km
×
1km规则化网格，以便于提取目标流域内网格的多重空间特征并对其进行雨量挖掘；步骤S2、流域内网格雨量分布受多种因素综合影响，包括地面测站雨量数据，流域内气压、温度、风速等气象因素，地形、高程、下垫面等地理属性因素；地形、高程、下垫面等地理属性因素。首先选取并收集目标流域的地面测站的雨量数据、气象数据与地理属性数据，并将其填入规则化网格中；步骤S3、基于上述数据，研究中小流域空间地理特征蕴含的复杂关系，构建待研究网格与地面测站的多重空间特征拓扑关系，充分挖掘中小流域的多重空间特征；步骤S4、根据构建的多重特征拓扑图，将待研究网格与流域内地面测站作为拓扑节点，将时段雨量、气压、温度、风速等气象因素，地形、高程、下垫面等地理属性因素作为节点特征，将多重空间特征拓扑关系作为邻接矩阵，构建基于多重空间特征的网格雨量挖掘模型MS
‑
GCN，输出模型挖掘结果。2.根据权利要求1所述的基于测站的网格雨量计算方法，其特征在于：建立规则化网格时，网格建立范围应略大于实验流域面积，涵盖实验流域所有地面雨量点，且使离散测站点尽量分布在不同网格。规则化网格包含以下属性：Num_Column为网格列数，Num_Row为网格行数，Origin_Longitude、Origin_Latitude为起始网格经纬度，Gr...

【专利技术属性】
技术研发人员：王坤，万定生，余宇峰，
申请(专利权)人：河海大学，
类型：发明
国别省市：