[发明专利]一种基于深度学习的气象数据空间插值精细化方法及系统

说明书

本发明公开了一种基于深度学习的气象数据空间插值精细化方法及系统，该方法包括：确定待分析区域，以获取气象站点的空间数据与气象数据，生成待插值网格点图，再采用薄板样条函数法进行空间插值，得到对应于待分析区域的网面数据，并生成降水量空间分布图及气温空间分布图。本发明基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。

技术领域

本发明涉及气象监测与计算机图形学技术领域，尤其涉及一种基于深度学习的气象数据空间插值精细化方法及系统。

背景技术

气象要素作为环境因子，是生态学、环境学、土壤学和气候模型研究等相关研究领域中的重要参数。理论上，气象要素的空间分布可通过布设高密度的气象观测站，组成观测站网采集得到；然而，气象观测站无法在空间上实现完全均匀的分布，其实际分布疏密不一，进而使得观测序列长短不一，直接套用标准的网格化模型存在诸多不确定性。为此，研究过程中常针对有限的气象观测站点进行空间分布插值计算，以各气象观测站点观测到的“点”数据同化出观测站网的“面”数据，据此提高网格化模型的运行效率，有助于气象预报结果的精细化显示。

目前常见的空间插值方法包括反距离权重插值法(Inverse Distance Weighted,IDW)、局部多项式插值法(Local Polynomial Interpolation,LPI)、普通克里金插值法(Ordinary Kriging,OK)和薄板样条函数法(Thin Plate Spline,TPS)等，由于气象要素的变化情况复杂，在处理相同的气象观测数据时，上述空间插值方法的处理结果存在较大差别；针对不同时间点或者不同环境区域，存在不同的最优空间插值方法，而现有的空间插值方法与策略无法根据地形、气候变化特征、气象观测站点分布等因素选取当前的最优空间插值方法，这使得在进行气象观测数据的网格化表达时数据分析效率低下，且存在较大误差。

发明内容

本发明实施例公开一种基于深度学习的气象数据空间插值精细化方法及系统，基于待分析区域的空间数据构造待插值网格点图，再基于气象数据，采用薄板样条函数法对待插值网格点进行精细化空间插值，对各气象站点进行拟合，得到适配于与时间、地形、气候变化与气象站点分布等现实因素的网面数据，并据网面数据构造可视化的降水量空间分布图及气温空间分布图，有效减小分析误差，提高空间插值精度，进而提高了网格化数据分析效率。

本发明实施例第一方面公开一种基于深度学习的气象数据空间插值精细化方法，所述方法包括：

确定待分析区域的边界数据；

获取所述待分析区域中对应于气象站点的空间数据与气象数据；

基于所述空间数据生成待插值网格点图；

基于所述气象数据，采用薄板样条函数法对所述待插值网格点图进行空间插值，得到对应于所述待分析区域的网面数据；

基于所述网面数据生成对应于所述待分析区域的降水量空间分布图及气温空间分布图。

优选的，其特征在于，所述基于所述空间数据生成待插值网格点图，包括：

基于所述空间数据确定空间插值的精度指标，所述精度指标包括网格点的密度与分辨率；

基于所述精度指标生成初始待插值网格点图，所述初始待插值网格点图的网格点分布均匀，网格间距相等，且每一所述网格点的平面坐标为(x_i，y_i)，i＝1，2，3，……，n，其中，n为网格序号；

对所述初始待插值网格点图中存在于所述待分析区域之外的冗余网格点进行剔除，得到对应于所述待分析区域的所述待插值网格点图。