【技术实现步骤摘要】
本专利技术涉及积雪深度监测，尤其涉及一种基于xgboost的降尺度积雪深度反演方法。
技术介绍
1、积雪作为冰冻圈的关键因素，由于其高反射率、低热传导率以及对固态水的储存能力，在全球气候系统的辐射平衡和水循环中起着重要作用。积雪的年际和季节性变化对土壤水热、降水频次与强度、植被物候和区域农牧业有着显著的影响。积雪深度作为衡量积雪变化最重要的参数之一，同时也是雪灾评估的关键指标。因此对地面积雪深度变化开展高时空分辨率监测具有重要意义。
2、传统的人工观测和气象站点自动化定点观测受人为因素与地理环境的限制，难以满足大尺度区域的雪深研究需求。相对光学遥感受云雾影响导致的云雪误判率变高，微波遥感技术凭借其强穿透性、不受云雾约束、全天候等特性逐渐成为大尺度雪深监测的主要手段。其中，被动微波遥感是目前反演雪深的最有效手段之一。
3、传统的被动微波反演算法包括半经验算法(静态算法和动态算法)和基于积雪辐射传输模型的反演算法。半经验算法基于统计回归模型，得到积雪深度与亮温差之间的线性关系；基于积雪辐射传输模型的反演算法利用随着频率增加散射作用增强、积雪辐射减弱的特点，降低积雪特性参数的时空演变带来的精度误差。以上两种雪深反演方法，一定程度上对积雪的辐射传输做了简化处理且所依赖的观测样本有限，因此在大范围尺度上的雪深反演受到限制。
4、人工智能的快速发展使得机器学习算法逐渐应用于雪深的反演中，用来描述微波亮温与积雪参数之间复杂的非线性函数关系。现有的雪深产品空间分辨率较低且不确定性较高，如amsr-e、glob
5、根据背景可知，迫切需要开发具有更高空间分辨率的积雪深度反演方法，以提高大范围尺度的雪深监测能力。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种更高空间分辨率的基于xgboost的降尺度积雪深度反演算方法，以提高大范围尺度的雪深监测能力。
2、本专利技术的技术方案：
3、本专利技术一种基于xgboost的降尺度积雪深度反演方法，包括以下步骤：
4、step1：获取待反演区域的输入数据，所述输入数据包括被动微波亮温数据、气象站站点逐日积雪深度数据和辅助数据，所述辅助数据包括数字高程数据、地表反射率数据、土地覆盖类型数据、积雪覆盖天数数据和积雪覆盖度数据；
5、step2：对获取的数据进行预处理，对所述被动微波亮温数据进行辐射定标、几何校正和拼接后，将所需要反演雪深的区域掩膜裁剪出来，并采用双线性插值法重采样至500米空间分辨率；将所述辅助数据用所需反演雪深的区域掩膜裁剪，对于数字高程数据、地表反射率数据和积雪覆盖度数据均采用双线性插值法重采样至500米空间分辨率，对于积雪覆盖天数数据和土地覆盖类型数据采用最邻近插值法重采样值500米空间分辨率；之后利用气象站点的矢量文件对重采样后的辅助数据进行特征提取，得到地理位置、高程、植被覆盖度、积雪覆盖天数和积雪覆盖度；
6、step3：根据站点的经纬度开展数据匹配，得到站点对应的亮温数据、积雪深度数据和辅助特征数据；
7、step4：将被动微波数据的10个通道亮温数据两两作差得到45组亮温差数据，基于亮温差数据与积雪深度数据之间的线性回归程度与相关性以及亮温差数据各个组合之间的相关性，进行参数筛选；
8、step5：基于xgboost算法构建机器学习积雪深度反演模型，将筛选后的10组亮温差与辅助数据提取的9种特征作为模型的19个变量，进行数据清洗和异常值处理后输入模型训练；
9、step6：对模型的超参数包括弱学习器的数量、学习率、决策树最大深度、每棵树的样本采样比例、控制树的分类设定一些数值范围，经过反复调整和对比试验进行网格化自动寻优最佳参数组合，利用10折交叉验证得到精度最优模型后，对最优模型进行不同雪深下的模型精度验证；
10、step7：获得所述最优模型的特征重要性排序；
11、step8：将训练好的最佳积雪深度反演模型应用测试新的被动微波亮温数据，进行500米空间分辨率的积雪深度制图；对新的亮温数据进行辐射定标、几何校正和拼接后，将所需要反演雪深的区域掩膜裁剪出来，并采用双线性插值法重采样至500米空间分辨率；然后对其先切割大小并分别预测，预测完成后得到各自的积雪深度再拼接成一张完整的积雪深度结果图。
12、进一步地，step1中，所述被动微波亮温数据来自风云三号b星微波成像仪，在风云卫星遥感数据服务网中获取；所述气象站点逐日雪深数据来自于国家气象科学服务中心官网；所述数字高程数据和积雪覆盖度数据在国家青藏高原科学数据中心官网获得；所述地表反射率数据来自于modis官网网站mod09a1v006产品；所述土地覆盖类型数据来自zendo官网；所述积雪覆盖天数数据在国家冰川冻土沙漠科学数据中心官网获取。
13、进一步地，step2中，对所述辅助数据提取特征时，地面粗糙度计算公式如下：
14、
15、其中，roughness为地表粗糙度，slope为坡度；
16、通过计算归一化植被指数ndvi进而转换得到植被覆盖度fvc，ndvi的计算公式如下：
17、
18、其中，：ρnir是近红外波段的反射值，ρred是红波段的反射值；进一步，fvc的计算公式如下：
19、
20、其中，ndvimax和ndvimin分别是ndvi的最大值和最小值。
21、进一步地，step4中，亮温数据的10个通道分别是：10.65v、10.65h、18.7v、18.7h、23.8v、23.8h、36.5v、36.5h、89v、89h，其中v和h分别表示垂直和水平两种极化方式；选择亮温差组合的依据是积雪深度与亮温差的一元线性回归方程和两者之间的皮尔逊相关性系数，同时考虑作为变量的亮温差组合之间的皮尔逊相关性系数不能过高，对45组亮温差组合进行了参数筛选。
22、进一步地，step5中，筛选后的10组亮温差分别是：10.65v-18.7v、10.65h-18.7h、36.5v-89v、36.5h-89h、18.7v-36.5v、18.7h-36.5h、18.7v-23.8v、18.7h-23.8h、10.65v-23.8h、10.65h-18.7v；所述9种特征分别是：经度、纬度、海拔、坡度、坡向、地表粗糙度、植被覆盖度、积雪覆盖天数和积雪覆盖度；所述数据清洗的主要工作包括缺失值和异常值的处理；所述删除亮温差出现0的样本和积雪深度出现异常值32766的样本，将积雪深度为32700的样本处理成0。
23、进一步地，step6中，模型精度验证的指标包括均方根误差rmse、正平均误差pme、负平均误差nme、偏差bias、决定系数r2和平均绝对本文档来自技高网...
【技术保护点】
1.一种基于XGBoost的降尺度积雪深度反演方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的降尺度积雪深度反演方法，其特征在于，
3.根据权利要求2所述的降尺度积雪深度反演方法，其特征在于，
4.根据权利要求3所述的降尺度积雪深度反演方法，其特征在于，
5.根据权利要求4所述的降尺度积雪深度反演方法，其特征在于，
6.根据权利要求5所述的降尺度积雪深度反演方法，其特征在于，
7.一种基于XGBoost的降尺度积雪深度反演方法装置，其特征在于，其包括：数据采集模块、预处理模块、模型反演模块和雪深制图模块，
8.一种电子设备，其特征在于，其主要包括：智能处理单元、数据存储模块、通信模块、其他电子设备以及通信总线，所述数据存储模块存储着智能处理单元可执行的机器可读指令，所述通信模块负责与其他电子设备进行信令或数据的通信，所述通信总线用于实现这些组件之间的直接连接通信；所述智能处理单元通过通信总线与数据存储模块进行通信，执行权利要求1至6所述的降尺度积雪深度反演方法时所需的机器可读指令。>
9.根据权利要求8所述的电子设备，其特征在于，所述智能处理单元是通用处理器，包括但不限于负责执行计算机程序并处理各种指令和操作的中央处理器、专门用于处理图形和图像数据的图形处理器、专注于处理数字信号的数字信号处理器，以及用于网络数据包的处理和转发的网络处理器、物联网处理器、嵌入式处理器和协处理器。
10.根据权利要求8所述的电子设备，其特征在于，所述数据存储模块包括但不限于固态硬盘、机械硬盘、内存模块、云存储模块、网络存储设备，所述内存模块为随机存储器和只读存储器，用于临时存储数据或存储固化的程序和数据。
...【技术特征摘要】
1.一种基于xgboost的降尺度积雪深度反演方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的降尺度积雪深度反演方法，其特征在于，
3.根据权利要求2所述的降尺度积雪深度反演方法，其特征在于，
4.根据权利要求3所述的降尺度积雪深度反演方法，其特征在于，
5.根据权利要求4所述的降尺度积雪深度反演方法，其特征在于，
6.根据权利要求5所述的降尺度积雪深度反演方法，其特征在于，
7.一种基于xgboost的降尺度积雪深度反演方法装置，其特征在于，其包括：数据采集模块、预处理模块、模型反演模块和雪深制图模块，
8.一种电子设备，其特征在于，其主要包括：智能处理单元、数据存储模块、通信模块、其他电子设备以及通信总线，所述数据存储模块存储着智能处理单元可执行的机器可读...
【专利技术属性】
技术研发人员：朱灵龙，周舟，张永宏，阚希，曹海啸，刘旭，
申请(专利权)人：无锡学院，
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。