【技术实现步骤摘要】
本专利技术涉及气象数据计算，特别是涉及一种局地尺度格点气象数据的计算方法、装置、介质及产品。
技术介绍
1、局地生态系统的生产力和碳源汇的时空分布仍然不是很清楚，主要是由于局地生态系统的碳通量模拟模型的输入参数的准确性不高，导致局地生态系统精准碳监测和碳核算的支持能力不足。气象数据是碳通量模拟模型的至关重要的输入参数，获取局地尺度格点的高精度气象数据是精准监测和核算局地碳收支的前提和关键。目前通常以空间格网数据(如再分析数据)作为输入至碳通量模拟模型的气象数据，但是输入的空间格网数据具有较大的不确定性，这是由于虽然该空间格网数据的时空分辨率都得到了很大的提升，但在局地尺度内应用时仍会产生较大的误差，这将会导致碳通量模拟模型的估算结果存在很高的不确定性，无法满足局地生态系统碳监测和碳核算精度的要求。
技术实现思路
1、本专利技术的目的是提供一种局地尺度格点气象数据的计算方法、装置、介质及产品，可获取局地尺度中每一格点的高精度的气象数据，提高碳通量模拟模型的估算精度，满足局地生态系统碳监测和碳核算精度的要求。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种局地尺度格点气象数据的计算方法，包括：
4、判断目标区域的地势起伏大小是否大于第一预设值且所述目标区域对应的扩展区域中的气象站点的数量是否大于或等于第二预设值，得到判断结果；所述目标区域为局地尺度，所述扩展区域是将所述目标区域的边界向外延伸预设距离后所得到的区域；
5、若所述判
6、若所述判断结果为否，则获取所述扩展区域的格网数据集和所述扩展区域中每一气象站点的气象观测数据集，根据所述格网数据集和所有所述气象观测数据集构建校正模型；获取所述目标区域的格网数据和所述扩展区域中每一气象站点的气象观测数据，以所述格网数据作为输入，利用所述校正模型预测得到所述目标区域中每一格点的气温数据和饱和水汽压差，以所有所述气象观测数据作为输入，利用第二插值模型进行插值，得到所述目标区域中每一格点的降水数据；所述格网数据集包括多个时刻的历史格网数据，所述历史格网数据包括所述扩展区域中每一网格的气温数据和饱和水汽压差；所述气象观测数据集包括多个时刻的历史气象观测数据，所述历史气象观测数据包括气温数据和饱和水汽压差；所述格网数据包括所述目标区域中每一网格的气温数据和饱和水汽压差；所述目标区域中每一格点的气温数据、饱和水汽压差和降水数据组成所述目标区域中每一格点的气象数据。
7、在一些实施例中，所述第一插值模型为anusplin模型；所述第二插值模型为反距离权重插值法。
8、在一些实施例中，所述气温数据包括平均气温、最高气温和最低气温；所述气象观测数据中的饱和水汽压差根据平均气温和相对湿度计算得到，所述格网数据中的饱和水汽压差根据平均气温和露点温度计算得到；所述降水数据包括降水量。
9、在一些实施例中，根据所述格网数据集和所有所述气象观测数据集构建校正模型，具体包括：
10、对所述格网数据集进行重采样，得到重采样后数据集；所述重采样后数据集包括多个时刻的历史数据，所述历史数据包括所述扩展区域中每一重采样网格的历史网格数据，所述历史网格数据包括气温数据和饱和水汽压差；所述重采样网格与所述格点的大小相同；
11、对所述重采样后数据集和所有所述气象观测数据集进行时空匹配，构建总数据集；所述总数据集包括多个目标网格中每一所述目标网格对应的数据集合，所述数据集合包括多个时刻的历史网格数据和每一所述历史网格数据对应的历史气象观测数据；所述目标网格为所述气象站点所在的重采样网格；
12、通过多种划分方式分别对所述总数据集进行划分，得到每一种所述划分方式对应的训练集和测试集；对于每一种所述划分方式，以所述训练集作为输入，利用机器学习算法训练得到初始模型；以所述测试集作为所述初始模型的输入，计算得到性能评价指标；选取所述性能评价指标最优的初始模型作为校正模型；所述测试集包括至少一个所述目标网格对应的数据集合。
13、在一些实施例中，以所述训练集作为输入，利用机器学习算法训练得到初始模型，具体包括：
14、以所述训练集中的历史网格数据作为输入，以所述训练集中的历史气象观测数据作为标签，利用机器学习算法训练得到初始模型；所述初始模型为多元线性回归模型、随机森林模型、卷积神经网络模型、长短期记忆模型或时空深度神经网络模型。
15、在一些实施例中，所述性能评价指标包括决定系数和平均绝对误差。
16、在一些实施例中，以所述格网数据作为输入，利用所述校正模型预测得到所述目标区域中每一格点的气温数据和饱和水汽压差，具体包括：
17、对所述格网数据进行重采样，得到重采样后数据；所述重采样后数据包括所述目标区域中每一重采样网格的气温数据和饱和水汽压差，所述重采样网格与所述格点的位置和大小相同；
18、以所述重采样后数据作为输入，利用所述校正模型预测得到所述目标区域中每一格点的气温数据和饱和水汽压差。
19、一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述一种局地尺度格点气象数据的计算方法的步骤。
20、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述一种局地尺度格点气象数据的计算方法的步骤。
21、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述一种局地尺度格点气象数据的计算方法的步骤。
22、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
23、本专利技术提供一种局地尺度格点气象数据的计算方法、装置、介质及产品，当目标区域的地势起伏大小大于第一预设值且目标区域对应的扩展区域中的气象站点的数量大于或等于第二预设值，则以扩展区域中每一气象站点的气象观测数据和位置地形数据作为输入，利用第一插值模型进行插值，得到目标区域中每一格点的气象数据，否则，则先根据扩展区域的格网数据集和扩展区域中每一气象站点的气象观测数据集构建校正模型，再以目标区域的格网数据作为输入，利用校正模型预测得到目标区域中每一格点的气温数据和饱和水汽压差，同时以扩展区域中每一气象站点的气象观测数据作为输入，利用第二插值模型进行插值，得到目标区域中每一格点的降水数据，以得到目标区域中每一格点的气象数据。本专利技术在计算局地尺度中每一格点的气象数据时，考虑气象站点的气象观测数据，可获取局地尺度中每一格点本文档来自技高网...
【技术保护点】
1.一种局地尺度格点气象数据的计算方法，其特征在于，包括：
2.根据权利要求1所述的一种局地尺度格点气象数据的计算方法，其特征在于，所述第一插值模型为ANUSPLIN模型；所述第二插值模型为反距离权重插值法。
3.根据权利要求1所述的一种局地尺度格点气象数据的计算方法，其特征在于，所述气温数据包括平均气温、最高气温和最低气温；所述气象观测数据中的饱和水汽压差根据平均气温和相对湿度计算得到，所述格网数据中的饱和水汽压差根据平均气温和露点温度计算得到；所述降水数据包括降水量。
4.根据权利要求1所述的一种局地尺度格点气象数据的计算方法，其特征在于，根据所述格网数据集和所有所述气象观测数据集构建校正模型，具体包括：
5.根据权利要求4所述的一种局地尺度格点气象数据的计算方法，其特征在于，以所述训练集作为输入，利用机器学习算法训练得到初始模型，具体包括：
6.根据权利要求4所述的一种局地尺度格点气象数据的计算方法，其特征在于，所述性能评价指标包括决定系数和平均绝对误差。
7.根据权利要求1所述的一种局地尺度格点气象数
8.一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述一种局地尺度格点气象数据的计算方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述一种局地尺度格点气象数据的计算方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述一种局地尺度格点气象数据的计算方法的步骤。
...【技术特征摘要】
1.一种局地尺度格点气象数据的计算方法，其特征在于，包括：
2.根据权利要求1所述的一种局地尺度格点气象数据的计算方法，其特征在于，所述第一插值模型为anusplin模型；所述第二插值模型为反距离权重插值法。
3.根据权利要求1所述的一种局地尺度格点气象数据的计算方法，其特征在于，所述气温数据包括平均气温、最高气温和最低气温；所述气象观测数据中的饱和水汽压差根据平均气温和相对湿度计算得到，所述格网数据中的饱和水汽压差根据平均气温和露点温度计算得到；所述降水数据包括降水量。
4.根据权利要求1所述的一种局地尺度格点气象数据的计算方法，其特征在于，根据所述格网数据集和所有所述气象观测数据集构建校正模型，具体包括：
5.根据权利要求4所述的一种局地尺度格点气象数据的计算方法，其特征在于，以所述训练集作为输入，利用机器学习算法训练得到初始模型，具体包括：
6.根据权利要求4所述的...
【专利技术属性】
技术研发人员：罗格平，
申请(专利权)人：中国科学院新疆生态与地理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。