[发明专利]一种基于神经网络的降水降尺度空间预测方法

权利要求书

1.一种基于神经网络的降水降尺度空间预测方法，其特征在于，包括以下步骤：

S1：获取待预测区域的热带雨量测量任务TRMM降水数据、植被指数NDVI数据以及数字高程模型DEM数据；

S2:数据预处理，包括：

S2-1：对热带雨量测量任务TRMM数据进行旋转、定义投影；

S2-2：将热带雨量测量任务TRMM降水数据、植被指数NDVI数据以及数字高程模型DEM数据投影到合适的坐标系中；

S2-3：对植被指数NDVI和数字高程模型DEM数据进行重采样，并与热带雨量测量任务TRMM数据保持一致；

S3：训练和验证数据获取，包括：

S3-1：对步骤2获取的数据进行归一化，将各个像元的值域变为[0,1]；

S3-2：随机对归一化后的数据进行分类，至少分为训练集和测试集，所述训练集与所述测试集按预设比例分配；

S4：利用所述训练集和所述测试集对神经网络模型进行训练、调参，利用训练、调参后的神经网络模型对降水分布进行预测。

2.根据权利要求1所述的一种基于神经网络的降水降尺度空间预测方法，其特征在于，步骤1中待预测区域的热带雨量测量任务TRMM降水数据、植被指数NDVI数据以及数字高程模型DEM数据的获取方式包括：

所述热带雨量测量任务TRMM数据包括从NASA官网下载获取，热带雨量测量任务TRMM数据范围为60°S-60°N；

所述数字高程模型DEM数据使用航天飞机雷达地形测绘使命SRTM数据，其分辨率为0.00083°，坐标系为WGS1984；

所述植被指数NDVI数据通过LAADS网站下载的中分辨率成像光谱仪MODIS获得，其分辨率为0.005°，坐标系为WGS1984。

3.根据权利要求1所述的一种基于神经网络的降水降尺度空间预测方法，其特征在于，步骤2-1中对热带雨量测量任务TRMM数据进行旋转、定义投影的步骤包括：

S2-1-1：热带雨量测量任务TRMM数据与正常遥感影像偏差90°，将热带雨量测量任务TRMM数据逆时针旋转90°或顺时针旋转270°；

S2-1-2：热带雨量测量任务TRMM数据采用的是WGS1984坐标系，分辨率为0.25°，对热带雨量测量任务TRMM数据添加地理信息以及分辨率信息，完成热带雨量测量任务TRMM数与其余数据坐标系的统一。

4.根据权利要求1所述的一种基于神经网络的降水降尺度空间预测方法，其特征在于，步骤2-2中投影到合适的坐标系的方法包括：

S2-2-1：根据样区所处的地理位置以及应用需求，选择或设计合适的坐标系；

S2-2-2：将热带雨量测量任务TRMM数据投影到该坐标系中，由于热带雨量测量任务TRMM数据原始分辨率为0.25°，投影后的像元大小设置为25km；

S2-2-3：将植被指数NDVI数据投影到该坐标系中，植被指数NDVI原始数据分辨率为0.005°，投影后的像元大小设置为5km；

S2-2-4：将数字高程模型DEM数据投影到该坐标系中，数字高程模型DEM原始数据分辨率为0.00083°，投影后的像元大小设置为90m。

5.根据权利要求1所述的一种基于神经网络的降水降尺度空间预测方法，其特征在于，步骤2中还包括根据预测区域范围进行数据裁切，裁切方法包括：

使用待预测区域范围对热带雨量测量任务TRMM数据、植被指数NDVI数据以及数字高程模型DEM数据进行裁切。

6.根据权利要求1所述的一种基于神经网络的降水降尺度空间预测方法，其特征在于，步骤2-3中重采样的步骤包括：

S2-3-1：将植被指数NDVI数据从原本的5km分辨率重采样到25km，与热带雨量测量任务TRMM数据保持一致，并保证像元重合；

S2-3-2：将数字高程模型DEM数据从原本的90m分辨率重采样到25km，与热带雨量测量任务TRMM数据保持一致，并保证像元重合。