[发明专利]一种近地表气象要素计算方法

权利要求书

1.一种近地表气象要素计算方法，其特征在于，包括以下步骤：

步骤1、采集目标区域的气象相关数据，其中气象相关数据包括从目标区域气象台站及其邻近区域气象台站获取的台站气象要素数据、从遥感平台获取的目标区域及其邻近区域的遥感数据；

步骤2、将目标区域划分为四个区域，分别为：A区域：遥感数据可用的台站区域，B区域：遥感数据可用的非台站区域，C区域：遥感数据不可用的台站区域，D区域：遥感数据不可用的非台站区域；

步骤3、利用人工神经网络方法对A区域的遥感变量进行降维处理，获得降维后的遥感变量；

步骤4、将A区域与降维后的遥感变量对应的遥感数据作为输入，A区域的台站气象要素数据作为输出，利用人工神经网络方法构建遥感数据和台站气象要素数据之间的映射模型；

步骤5、将B区域中与降维后的遥感变量对应的遥感数据作为输入，利用步骤4确定的映射模型计算B区域的气象要素计算数据；

步骤6、将步骤2中A区域的台站气象要素数据、C区域的台站气象要素数据和步骤5获得的B区域的气象要素计算数据作为输入数据，使用空间插值法计算D区域的气象要素计算数据；

A区域、C区域的台站气象要素数据和B区域、D区域的气象要素计算数据共同组成目标区域的近地表气象要素数据。

2.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤3中，将A区域的台站气象要素数据作为输出数据，A区域的遥感数据作为输入数据，假定人工神经网络映射模型的隐含层为某一确定节点数，然后不断增加可以最大程度降低该ANN映射模型误差的输入变量，直至所有输入变量筛选完成，选取ANN映射模型误差最小时的输入变量组合作为最佳输入变量组合，即降维后的遥感变量。

3.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤4中，将步骤3确定的降维后的遥感变量对应的遥感数据作为输入数据，A区域的台站气象要素数据作为输出数据，分别对不同隐含层节点的人工神经网络映射模型进行训练，并计算训练结束后的每个人工神经网络映射模型的误差，选取误差最小时对应的人工神经网络映射模型作为映射模型。

4.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤1中的气象相关数据还包括一些辅助变量数据，其中，辅助变量数据主要有经纬度、高程、地形起伏度或儒略日等，这些辅助变量数据和遥感数据组合作为ANN映射模型的输入变量。

5.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤1中还包括对采集的气象相关数据进行预处理，具体为：对从遥感平台采集的遥感图像进行图像配准、几何纠正、正射纠正、裁剪、镶嵌、重采样至目标分辨率后，按照气象台站在遥感图像中的位置提取对应的遥感数据，并将台站气象要素数据、遥感数据进行匹配。

6.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤3中，在每次增加输入变量后，将增加变量后的遥感数据按照一定的数据量比例划分为训练集、测试集和验证集，使用训练集对ANN映射模型进行训练，使用验证集决定训练停止的时刻，使用测试集验证训练结束后的ANN映射模型的误差；最终得到多个误差，选取ANN映射模型误差最小时的输入变量组合作为最佳输入变量组合。

7.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤4中，将输入变量的数据比例划分为训练集、测试集和验证集，使用训练集对ANN映射模型进行训练，使用验证集决定训练停止的时刻，使用测试集验证训练结束后的ANN映射模型的误差；最终得到多个误差，选取最小时对应的ANN映射模型作为最佳ANN映射模型。

8.如权利要求1所述的近地表气象要素计算方法，其特征在于，所述的步骤6中的空间插值法主要有反距离加权插值法、薄板样条函数法、克里格法或改进算法。