[发明专利]空间自相关的机器学习卫星降水数据降尺度方法、系统

说明书

本发明提供了一种空间自相关的机器学习卫星降水数据降尺度方法，包括：获取TRMM降水数据与地表参量数据；对地表参量数据进行预处理，得到空间分辨率为1km和25km的DEM数据、白天地表温度、夜间地表温度、昼夜地表温度差以及NDVI数据；对TRMM降水数据进行空间自相关分析，得到估算的空间分辨率为25km的降水数据空间自相关值；将空间分辨率为25km的降水数据空间自相关值降尺度到空间分辨率为1km；建立非线性回归模型；基于非线性回归模型，得到空间分辨率为1km的降水降尺度数据。同时提供了一种系统及终端。本发明降尺度结果优于基于常规回归模型的降尺度结果，具有重要的理论、实践意义和推广应用价值。

技术领域

本发明涉及一种卫星遥感降水数据的降尺度方法，具体地，涉及一种考虑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。

背景技术

降水是反映地表环境状况和全球水循环的关键参数，是气候系统中水分循环和能量交换的重要组成部分，是表征气候变化的重要指标，降水的极端天气及气候事件(洪涝、干旱)对人类生产和生活造成重要影响。高时空分辨率、高精度的降水数据对于水文模拟、城市洪涝灾害监测及水资源管理具有重要意义。卫星降水数据以其宽广的空间覆盖和高时空分辨率，逐渐成为水文研究中的重要数据源。然而由于卫星遥感的原始分辨率较低(空间分辨率一般为0.25°，约25km)，难以反映区域降水的空间细节特征；此外，由于卫星反演降水的物理原理和算法的局限性，在区域尺度降雨方面具有一定的局限性和偏差，因此需要针对卫星遥感降水数据进行空间降尺度，从而得到高精度、高分辨率(约1km)的降水数据。

卫星遥感降水数据空间降尺度的方法研究已取得一定进展，一般研究思路主要集中于在低分辨率尺度上先建立降水与地表参量的回归模型，再利用该回归模型和高分辨率地表参量数据估算得到高分辨率的降水数据。但仍存在两方面的不足，一方面是建立的降水与地表参量之间的回归模型不考虑降水的空间自相关信息，会造成降水数据自身空间信息的损失，给模型的构建带来不确定性；另一方面残差修正仅采用样条插值等传统点插值方法，并没有考虑降尺度前后面元尺度差异以及数据内在的空间相关性，会给降尺度结果带来一定的精度损失。

经过检索发现：

1、公开号为：CN107608939A，公开日为：2018年1月19日，发明名称为《基于高分辨率卫星数据的TRMM降水数据降尺度方法》，公开了一种基于高分辨率卫星数据的TRMM降水数据降尺度方法，该方法首先从官方途径获取多种卫星气象数据，通过Leave-one-out交叉验证方法，校正TRMM遥感降水数据；再根据影响降水量数据的因素，通过step回归选择变量，并考虑降水对植被的滞后性，以及植被的空间相关性，建立多空间尺度模型，选择最优模型对降水数据进行降尺度。该方法过程简单，对降水量预测准确。但是，该方法仍存在如下问题：

(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量之间的非线性关系，也不考虑卫星遥感降水数据本身的空间自相关信息，忽略了地理过程中降水数据固有的空间自相关特性；

(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元尺度差异以及数据内在的空间相关性，会给降尺度结果带来一定的精度损失。