CN110738252A 空间自相关的机器学习卫星降水数据降尺度方法、系统 （广州地理研究所）

大院之一空间自相关的机器学习卫星降水数据降尺本发明提供了一种空间自相关的机器学习间自相关值降尺度到空间分辨率为1km；建立非分辨率为1km的降水降尺度数据。同时提供了一2S2，对S1中获取的地表参量数据进行预处理，分别得到空S3，对S1中获取的TRMM降水数据进行空间自相关S4，将S3中得到的估算的空间分辨率为25km空间分辨率为25km的降水回归残差进行空间降尺度到空间分辨率为1km，实现对估算的空间分辨率为1km的降水降尺度数据进行误差修正，得到空间分辨率为1km的降水降尺度数2.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在3.根据权利要求2所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在S23，在S21的基础上，从MOD11A2数据产品的LST数温度参量，通过聚合平均处理分别得到空间分辨率为1km和25km的白天地表温度数据和夜4.根据权利要求3所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在5.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在3i6.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在S41，将空间分辨率为25km的降水数据空间自相关值影像离散化为25km×25km的多边S43，根据25km的降水数据空间自相关面数据计算原始面尺度的先验变异函数变异函数pointToareaVgm_a＝list(model,sill,nugget,range)；S45，比较面尺度的变异函数pointToareaVgm_a和原始面尺度的先验变异函数S46，更新点尺度的变异函数pointVgm_a的权重，重新拟合出新的点尺度的变异函数代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度的变异S47，结合估算出来的最优的点尺度的变异函数pointVgm，利用公式计算面与面47.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在8.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在S63，根据25km的降水回归残差面数据计算原始面尺度的先验变异函数areaVgm_a'=函数pointToareaVgm_a'＝list(model,sill,nugget,range)；5迭代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度的变S67，结合估算出来的最优的点尺度的变异函数pointVgm'，利用公式计算面与面C(v,v)面与点c'(v,x')的变异函数；数据预处理模块，用于对数据获取模块获取的LightGBM回归建模模块，用于根据数据预处理模块得到的空间分辨率为25km的NDVI、到空间分辨率为25km的降水数据空间自相关值，建立空间分辨率为25km的降水数据与6度差数据以及降水数据空间自相关值降尺度模块得到的空间分辨率为1km的降水数据空间块中得到的空间分辨率为25km的降水回归残差进行空间降尺度到空间分辨率为1km，实现7[0006](1)该方法仅仅建立降水数据与自变量间的回归模型，没有考虑降水数据与自变[0007](2)该方法仅采用传统插值方法对降水残差进行修正，并没有考虑降尺度前后面8限观测数据的优势，降尺度校正后的降水量的精度及其与实测数据系列的一致性大幅提[0009](1)该方法仅仅建立逐月降水数据与自变量间的回归降尺度模型，不考虑卫星遥[0010](2)该方法没有对回归降尺度模型的残差进行修正，会给降尺度结果带来一定的度降水数据。本发明所述的空间降尺度降水数据检测方法能够获取分辨率较高的降水数[0014](2)该方法仅采用传统的样条插值方法对回归残差进行修正，并没有考虑降尺度降水数据降尺度方法、系统及终端，该方法、系统及终端首先对25km的TRMM(TropicalRainfallMeasuringMissionSatellite，热带测雨任务卫星)月降水数据进行空间自相9用面到点克里金插值方法对回归模型的残差数据进行降尺度，对估算的高空间分辨率的空间自相关的机器学习卫星降水数据降尺度方法、系统及终端，通过空间自相关信息的LightGBM降尺度模型的降尺度结果要明显优于基于常规回归[0025]S6，基于S5中建立的非线性回归模型，将S2中得到的空间分辨率为1km的NDVI、得到的空间分辨率为25km的降水回归残差进行空间降尺度到空间分辨率为1km，实现对估地表温度参量，通过聚合平均处理分别得到空间分辨率为1km和25km的白天地表温度数据[0041]S33，利用计算的每个网格对应的空间自相关值Ii分析空间分辨率为25km的卫星[0043]S41，将空间分辨率为25km的降水数据空间自相关值影像离散化为25km×25km的[0045]S43，根据25km的降水数据空间自相关面数据计算原始面尺度的先验变异函数[0047]S45，比较面尺度的变异函数pointToareaVgm_a和原始面尺度的先验变异函数迭代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度的变[0049]S47，结合估算出来的最优的点尺度的变异函数pointVgm，利用公式计算面与面C(v,v)面与点c(v,x)的变异函数；分别表示离散点的序号，x为待插值的空间分辨率为1km的TRMM降水数据空间自相关网格jkl)分别为点尺度的变异函数；[0061]S63，根据25km的降水回归残差面数据计算原始面尺度的先验变异函数areaVgm_[0063]S65，比较面尺度变异函数pointToareaVgm_a,和原始面尺度的先验变异函数或者迭代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度C'(v,v)面与点c'(v,x')的变异函数；NDVI数据；[0078]LightGBM回归建模模块，用于根据数据预处理模块得到的空间分辨率为25km的表温度差数据以及降水数据空间自相关值降尺度模块得到的空间分辨率为1km的降水数据模模块中得到的空间分辨率为25km的降水回归残差进行空间降尺度到空间分辨率为1km，时结合地统计学的空间自相关分析与面到点克里金插值思想和LightGBM非线性回归建模[0084]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、[0085]图1为本发明一实施例所提供的空间自相关的机器学习卫星降水数据降尺度方法[0086]图2为本发明一实施例所提供的空间自相关的机器学习卫星降水数据降尺度方法[0088]本发明实施例提供了一种考虑空间自相关的卫星遥感降水数据机器学习降尺度表温度、夜间地表温度、昼夜地表温度差5个地表参量数据进行聚合计算到25km；利用与高空间分辨率的TRMM卫星遥感降水进行误差修正，获取高精度的TRMM空间降尺度降水数[0090]如图2所示，本发明实施例所提供的考虑空间自相关的机器学习卫星降水数据降[0092]S2，对S1中获取的地表参量数据进行预处理：S21将TRMM卫星遥感月降水数据，础上：S22，将DEM数据进行聚合平均分别得到空间分辨率为1km和25km的DEM数据；从[0098]S33，利用计算的每个网格对应的空间自相关值Ii分析空间分辨率为25km的卫星辨率为25km的降水数据空间自相关值降尺度到空间分辨率为1km，得到估算的空间分辨率[0101]S41，将空间分辨率为25km的降水数据空间自相关值影像离散化为25km×25km的[0103]S43，根据25km的降水数据空间自相关面数据计算原始面尺度的先验变异函数[0105]S45，比较由点尺度的变异函数pointVgm_a正则化转换得到的面尺度的变异函数那么就认为此时的点尺度的变异函数pointVgm_a作为估算出来的最优的点尺度的变异函迭代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度的变[0107]S47，结合估算出来的最优的点尺度的变异函数pointVgm，利用公式计算面与面l)分别为点尺度的变异函数；到的空间分辨率为25km的降水回归残差进行空间降尺度到空间分辨率为1km，实现对估算[0120]S63，根据25km的降水数据空间自相关面数据计算原始面尺度的先验变异函数pointVgm_a,＝list(model，sill，nugget，range)；pointToareaVgm_a,＝list(model，[0122]S65，比较由点尺度的变异函数pointVgm_a,正则化转换得到的面尺度变异函数pointToareaVgm_a,和原始面尺度的先验变异函数areaVgm_a,的差异；如果差异小于或者迭代次数达到了500次，认为此时的点尺度的变异函数作为估算出来的最优的点尺度[0124]S67，结合估算出来的最优的点尺度的变异函数a，利用公式l)分别为点尺度的变异函数；尺度过程中引入降水数据的局地空间自相关信息充分考虑了降水数据本身的空间自相关[0136]基于本发明上述实施例所提供的空间自相关的机器学习卫星降水数据降尺度方NDVI数据；[0143]LightGBM回归建模模块，用于根据数据预处理模块得到的空间分辨率为25km的表温度差数据以及降水数据空间自相关值