一种基于多项式改正和神经网络的PWV重建方法及系统技术方案

本发明专利技术涉及数据优化技术领域，公开了一种基于多项式改正和神经网络的PWV重建方法及系统，包括以下步骤：步骤1：获取初始数据并预处理；步骤2：对GNSS PWV和EAR5 PWV进行时空匹配；步骤3：对初始数据中的GNSS观测数据进行质量检查，并筛除其中的不合格数据对应的GNSS PWV及其关联数据；步骤4：通过多项式拟合方法，利用GNSS PWV修正EAR5 PWV；步骤5：统一多源数据分辨率；将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致；步骤6：基于BPNN神经网络模型，建立影响因子与PWV的函数映射关系；所述影响因子包括空间位置和气象参数。本发明专利技术能够实现一定范围内时空分布连续、精度可靠的PWV重建，能够获得高时空分辨率、高精度的PWV数据。高精度的PWV数据。高精度的PWV数据。

【技术实现步骤摘要】
一种基于多项式改正和神经网络的PWV重建方法及系统


[0001]本专利技术涉及数据优化
，具体涉及一种基于多项式改正和神经网络的PWV重建方法及系统。

技术介绍

[0002]水汽作为大气的主要成分，是一个十分多变的气象参数，在许多大气活动中扮演着非常重要的角色。精确测定大气水汽含量，对天气监测预报、区域气候变化、卫星信号处理、航空航天等领域都有着十分重要的意义。常规的水汽测量技术主要是通过探空气球、微波辐射计和卫星雷达获取水汽数据，虽各有优点，但各自的局限也较大。得益于全球卫星导航系统的不断发展，具有高精度、低运营成本等优点的GNSS水汽反演技术在近些年来受到了越来越多的研究与应用。但受限于测站分布不均等局限，GNSS观测资料反演得到的PWV数据（PWV即，Precipitable Water Vapor，大气可降水量）仍在一定程度上存在空间分辨率较低和时间分布中断的问题。
[0003]ERA5是欧洲中期天气预报中心ECMWF（European Centre for Medium
‑
Range Weather Forecasts）提供的第五代再分析资料数据集，再分析数据通过对原始数据进行质量控制，利用最优组合数值模式和观测资料，采用选定的数值模式进行观测资料的同化，其数据具有较高的可用性及一定的可靠性。ERA5数据集能够提供空间分辨率达0.25
°×
0.25
°
，时间分辨率可达1h，具有很高的时空分布连续性，但在缺少同化数据的区域仍旧难以得到可靠精度的数据。
[0004]结合GNSS PWV与ERA5 PWV两种数据能够弥补前者时空分辨率的局限及后者精度的不足，目前已有一些技术手段融合两者数据进行数据融合模型的构建及数据修正方法的尝试。但是，现有的基于GNSS PWV、ERA5 PWV等多源数据融合的PWV数据融合及修正方法，实际上仍未完全解决PWV的时间分布中断问题和精度问题，多源PWV数据修正精准度上限不高，仍存在较大提升空间。

技术实现思路

[0005]本专利技术意在提供一种基于多项式改正和神经网络的PWV重建方法及系统，能够实现一定范围内时空分布连续、精度可靠的PWV重建，能够获得高时空分辨率、高精度的PWV数据。
[0006]为达到上述目的，本专利技术提供如下基础方案：方案一一种基于多项式改正和神经网络的PWV重建方法，包括以下步骤：步骤1：获取初始数据并预处理；所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据；并从GNSS观测数据中处理获得GNSS PWV，从ERA5数据集中处理获得EAR5 PWV；步骤2：对GNSS PWV和EAR5 PWV进行时空匹配；
步骤3：对初始数据中的GNSS观测数据进行质量检查，并筛除其中的不合格数据对应的GNSS PWV及其关联数据；步骤4：通过多项式拟合方法，利用GNSS PWV修正EAR5 PWV；步骤5：统一多源数据分辨率；将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致；步骤6：基于BPNN神经网络模型，建立影响因子与PWV的函数映射关系；所述影响因子包括空间位置和气象参数。
[0007]方案二一种基于多项式改正和神经网络的PWV重建系统，应用于如方案一所述的一种基于多项式改正和神经网络的PWV重建方法；包括数据采集模块、预处理模块、匹配模块、质量检查模块、修正模块、数据统一模块和映射模块；所述数据采集模块用于获取初始数据，所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据；所述预处理模块用于对初始数据进行预处理，并从GNSS观测数据中处理获得GNSS PWV，从ERA5数据集中处理获得EAR5 PWV；所述匹配模块用于对GNSS PWV和EAR5 PWV进行时空匹配；所述质量检查模块用于对初始数据中的GNSS观测数据进行质量检查，并筛除其中的不合格数据对应的GNSS PWV及其关联数据；所述修正模块用于通过多项式拟合方法，利用GNSS PWV修正EAR5 PWV；所述数据统一模块用于统一多源数据分辨率；将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致；所述映射模块用于基于BPNN神经网络模型，建立影响因子与PWV的函数映射关系；所述影响因子包括空间位置和气象参数。
[0008]其中，PWV，即Precipitable Water Vapor，指大气可降水量；DEM，即Digital Elevation Mode，指数字高程模型，它是对地球表面地形地貌的一种离散的数学表达；DEM表示区域D上的三维向量有限序列；DEM数据即数字高程模型数据；NDVI，即Normalized Difference Vegetation Index，指归一化植被指数。
[0009]本专利技术的工作原理及优点在于：本方案结合PWV的时空分布及变化与空间位置、气象参数、生态环境等多种因素密切相关这一特点，采集了多源数据，利用时空信息与GNSS PWV通过多项式拟合方法对ERA5 PWV进行了修正，得到的修正结果与GNSS PWV进而构成新的数据集。再通过BPNN神经网络模型，建立影响因子与PWV的函数映射关系，即构建时空信息、气象参数等与PWV的函数映射关系，从而实现一定范围内时空分布连续、精度可靠的PWV重建，能够获取得到高时空分辨率、高精度的PWV数据，能够为区域气候变化、天气预报等研究提供可靠数据参考。
[0010]特别的是，本方案突破了常规PWV处理手段的局限，不再是仅围绕PWV数据本身进行数据重建或修正，而是基于PWV数据的实际分布特性和变化特性，拓展研究了空间位置、气象参数、生态环境等影响PWV变化的现实因素；相应的，在获取数据时，采集的多源数据，此处的“多源”已和常规所认为的不同来源的PWV数据不同，而是多类型的不同来源的数据的“多源”，获取的初始数据中特别包含了气象参数数据、DEM数据和NDVI数据，以获取充分的气象、空间位置等现实因素相关数据；并通过神经网络模型构建了现实因素与PWV的映射
关系，以完成基于现实影响因素的PWV重建，并且，基于PWV数据本身就是在时空、气象等因素的直观影响下的，本方案的数据重建更贴合真实数据表现，能够还原得到不同时空条件下对应的实际PWV，可靠度较高。
[0011]并且，本方案先后采用多项式修正方法和神经网络模型构建对PWV进行处理，多项式拟合修正与神经网络模型构建本质上都是变量函数映射关系的构建，此处采用不同的数据处理方法，能够充分修正处理PWV的同时，可有效避免同一数据处理方案可能存在的误差累积，进而提供精度可靠的高时空分辨率PWV数据，并且提供了更多丰富与改进现有方法的可能性，拓展了PWV数据处理维度。
附图说明
[0012]图1为本专利技术一种基于多项式改正和神经网络的PWV重建方法及系统实施例的方法流程示意图。
具体实施方式
[0013]下面通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多项式改正和神经网络的PWV重建方法，其特征在于，包括以下步骤：步骤1：获取初始数据并预处理；所述初始数据包括GNSS观测数据、ERA5数据集、气象参数数据、DEM数据和NDVI数据；并从GNSS观测数据中处理获得GNSS PWV，从ERA5数据集中处理获得EAR5 PWV；步骤2：对GNSS PWV和EAR5 PWV进行时空匹配；步骤3：对初始数据中的GNSS观测数据进行质量检查，并筛除其中的不合格数据对应的GNSS PWV及其关联数据；步骤4：通过多项式拟合方法，利用GNSS PWV修正EAR5 PWV；步骤5：统一多源数据分辨率；将DEM数据、NDVI数据、气象参数数据的时空分辨率通过插值方法统一到与PWV数据一致；步骤6：基于BPNN神经网络模型，建立影响因子与PWV的函数映射关系；所述影响因子包括空间位置和气象参数。2.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法，其特征在于，在步骤1中，从GNSS观测数据中处理获得GNSS PWV时，包括以下步骤：对GNSS观测数据进行解算得到天顶对流层总延迟ZTD；采用Saastamoninen模型计算天顶干延迟分量ZHD：；通过公式计算天顶湿延迟分量ZWD；其中，表示测站处的大气压，单位为hPa；表示测站纬度，单位为
°
；H表示测站高程，单位为m；根据公式计算得到站点位置的GNSS PWV；式中，PWV表示站点位置的大气可降水量；为水汽转换系数；其中，，式中，和为大气折射常数；，；为水汽气体常数，；为水汽密度，；为大气加权平均温度。3.根据权利要求2所述的一种基于多项式改正和神经网络的PWV重建方法，其特征在于，在步骤1中，还将获取的NDVI数据转换为Geo
‑
TIFF格式，并通过时间序列谐波分析法重建每日NDVI数据。4.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法，其特征在于，所述气象参数数据包括温度数据、气压数据、相对湿度数据、风速数据和降雨量数据。5.根据权利要求2所述的一种基于多项式改正和神经网络的PWV重建方法，其特征在于，在步骤1中，从ERA5数据集中处理获得EAR5 PWV时，选择数据空间分辨率为。6.根据权利要求1所述的一种基于多项式改正和神经网络的PWV重建方法，其特征在于，在步骤2中，对GNSS PWV和EAR5 PWV进行时空匹配时，根据GNSS PWV数据的时间分辨率选择相同时间分辨率的ERA5 PWV数据，使用双线性插值方法将稀疏的GNSS站点插值到密集
的ERA5 PWV格网点以获得空间分辨率相同的时间
‑
位置
‑
PWV观测对。7.根据权...

【专利技术属性】
技术研发人员：尚润平，
申请(专利权)人：成都云智北斗科技有限公司，
类型：发明
国别省市：