[发明专利]基于再分析资料和不平衡学习的卫星观测补全方法

权利要求书

1.基于再分析资料和不平衡学习的卫星观测补全方法，其特征在于，包括以下步骤：

步骤一，构建再分析资料到卫星观测(Reanalysis to Satellite，R2S)的框架，使用再分析资料中的变量模拟卫星观测来实现补全；

步骤二：在R2S框架中，提出时空匹配(Spatial Temporal Match，STM)的通用方法，构建再分析-卫星(Reanalysis-Satellite，R-S)数据集，用于训练补全模型；

步骤三：基于R-S数据集，提出名为半不平衡(Semi-imbalanced，SIMBA)学习的新方法，结合传统的机器学习与不平衡学习，解决补全中的数据不平衡问题；

所述步骤三中的半不平衡学习方法，包括以下操作：

(21)将R-S数据集分为常见域和罕见域两部分，众多且不重要的样本为常见域样本，稀少且重要的样本为罕见域样本；

(22)为了根据重要性划分标签值的范围，定义重要性函数，即θ:将数据集的标签范围映射到重要性范围，其中0对应最小重要性，1对应最大重要性；

(23)凭借重要性函数θ(y)和重要性阈值σ_R，定义两类不平衡样本集，即罕见域和常见域其中为R-S数据集。

2.根据权利要求1所述的基于再分析资料和不平衡学习的卫星观测补全方法，其特征在于，所述步骤一中，包括卫星观测的形式定义步骤和再分析资料的形式定义步骤；

所述卫星观测的形式定义步骤包括以下操作：

所述卫星观测看作一个时间序列卫星观测的平面格网定义为一个二维矩阵：

其中s_r和s_c分别表示卫星观测格网的行数和列数；

卫星观测的值是连续的数值，其大小是时间坐标和空间二维坐标的函数：

不同的卫星观测数据有不同的物理含义和取值范围，

在时刻的卫星观测值的平面格网也是一个二维矩阵：

整个卫星观测数据集看作一个时间序列

所述再分析资料的形式定义步骤包括以下操作：

再分析资料的时刻表示为时间序列的元素，其平面格网定义为一个二维矩阵：

其中，r_r和r_c分别表示再分析资料格网中行和列的数量；对于任何一个再分析资料变量，其值为时间、横纵坐标和具体变量的函数：

在特定时刻和地点的再分析资料是一个包含所有被选择变量的向量r_ijk＝[r_ijk1,…,r_ijkm]，时刻的再分析资料的平面格网也是一个二维矩阵：

整个再分析资料数据集是一个时间序列

最后，步骤一中对再分析资料推算卫星观测的函数进行了定义，所述函数为学习从R到S的函数f，所述函数f为：

s(t,y,x)＝f(r(t,y,x,v))。

3.根据权利要求2所述的基于再分析资料和不平衡学习的卫星观测补全方法，其特征在于，所述步骤二中，包括以下操作：

(11)建立R-S数据集的时间序列和平面坐标网络；

将STM方法的目标定义为函数g，函数g将再分析资料插值到卫星观测的时刻和位置，所述函数g为：

其中，属于属于G_s；

(12)定义R-S数据集；

假设R-S数据集共有n个样本，对于第i'个样本，它的特征和标签分别是和因此，R-S数据集被定义为：