[发明专利]顾及时空异质性的基于极稀疏采样的高维比湿数据重建方法

说明书

本发明公开了一种顾及时空异质性的基于极稀疏采样的高维比湿数据重建方法，包括以下步骤：将原始多维比湿数据重组为局部相似的子张量块；将得到的每个子张量块视作一个整体，对每个子张量块进行样本筛选，选取代表性样本，构建掩膜张量；基于大气分布结构模式，从不同尺度上提取每个子张量块数据上的大气环境多维信号的特征分量；进一步对不同尺度上的特征分量集合进行显著性检验，筛选显著性分量并进行特征重构；将每个块数据的特征重构数据与原始的子张量块数据分别进行加权求和，完成原始多维比湿数据的重建。

技术领域

本发明属于自然地理与气象动力技术领域，具体涉及一种顾及时空异质性的基于极稀疏采样的高维比湿数据重建方法。

背景技术

早期数据采集在空间和时间内呈现出离散分布的特点。然而随着数据采集、存储与 通讯技术的不断发展，数据体量呈指数级增长，海量的泛化时空数据在空间内呈现全球化、在时间上呈现连续的趋势。受复杂的内在物理机制以及多因素之间的耦合关联影响，大气信号呈现出显著的时空异质性特点，同时，已有的监测数据往往存在数据不完整的 问题，受经济、地理条件等因素的影响，一些区域的大气数据难以再获取，因此，时空 数据的缺失和稀疏分布也成为了普遍存在的现象。且随着数据分析需求的不断深化和时 空粒度的不断细分，在重建稀疏时空场数据的过程中有效兼顾时空异质性，对更深入的 研究具有重要影响。

当前针对高维稀疏气象数据的插值方法大致可分为两类：统计方法和机器学习方法。一般而言，针对大气的复杂的时空统计插值方法，通常需要逐点求解偏微分方程来 计算插值样本最优权重。如高精度曲面模型、克里金模型等。这些方法在一定程度上考 虑了数据分布的空间自相关和空间异质性，且在重组精度上具有一定的效果，但由于模 型求解的复杂性，通常部署难度都很大。机器学习方法如传统张量分解、半监督学习等。 通常需要构建求解的目标函数，采用梯度下降等数值计算方法迭代训练模型以达到最优 的重组精度。但传统张量分解通常需要使用穷举法来完成对特征数目R的选择，而对其 内在机理并不明晰。这些方法都将时空场视为整体而忽略了其中的时空异质性，会给存 在时空异质性的极稀疏大气高维插值的精度带来影响。

发明内容

发明目的：为解决现有方法因将比湿数据视为整体而忽略了其中的时空异质性，进 而对存在时空异质性的极稀疏比湿数据进行高维插值时精度差的问题，本发明提出了一 种顾及时空异质性的基于极稀疏采样的高维比湿数据重建方法，不仅考虑了时空场数据 的多维耦合特性，还有效兼顾了时空场数据的时空异质性结构特性，是稀疏采样高维比湿数据重建方向上的一大突破。

技术方案：一种顾及时空异质性的基于极稀疏采样的高维比湿数据重建方法，包括 以下步骤：

步骤1：将原始高维比湿数据重组为多个局部相似的子张量块记为原始的子张量块数据；

步骤2：将步骤1得到的每个子张量块Y_i视作一个整体，对每个子张量块Y_i依次进行S100～S400操作，完成高维比湿数据的重建；

S100：结合比湿数据在大气中的分布结构，对子张量块数据进行数据聚类，选取代表性样本构建掩膜张量；

S200：基于比湿数据分布结构，从不同尺度上提取每个子张量块数据上的特征分量；

S300：对S200提取的不同尺度上的特征分量集合进行显著性检验，筛选显著性分量并进行特征重构，得到特征重构数据；

S400：将每个子张量块数据的特征重构数据和原始的子张量块数据分别进行加权求 和。

进一步的，所述步骤1具体包括：

步骤1.1：将原始高维比湿数据组织成高阶张量，将高阶张量分割成多个维数大小相同的子张量块；

步骤1.2：通过时空异质性测度将局部相似的子张量块进行聚合，形成局部相似的子张量块。