[发明专利]一种贝叶斯框架下的地基和星载测量降水数据融合算法

说明书

本发明公开了一种贝叶斯框架下的地基和星载测量降水数据融合算法，包括一下步骤：选取时间上和空间上匹配的星载测量降水和地基雷达测量降水个例的数据，匹配时设置一定的空间窗和时间窗，时间窗为星载测量扫过匹配空间窗的时间与地基雷达开始一次体扫的时间差距在±6min以内，空间窗为以地基雷达为中心，r半径的圆形区域与星载雷达测绘带所相交的区域，本发明贝叶斯框架下的地基和星载测量降水数据融合算法，基于分层贝叶斯方法进行地基雷达和星载测量降水数据的融合，改善星载测量瞬时降水量精度，得到综合多源降水观测的高精度、高分辨率降水估计结果，且能定量给出融合结果包含的不确定性大小，从而更好地应用到水文模型中。

技术领域

本发明涉及气象探测数据处理技术领域，具体的是贝叶斯框架下的地基和星载测量降水数据融合算法。

背景技术

精确的降水估计对水文、天气预报预警、洪涝灾害监测、水资源的开发和合理利用等都非常重要。目前降水探测手段主要有地面雨量计、地基天气雷达、卫星上携带的主动和被动传感器，如全球降水观测计划(GPM，GlobalPrecipitationMission)主卫星上携带的双频测雨雷达(DPR,Dual-frequencyPrecipitationRadar)。随着天气雷达和卫星遥感探测技术的迅速发展，以及不断完善的地面雨量站观测网，将多种探测降水数据进行优化整合为一组更完整的降水信息以减少降水估计的不确定性，是开发多源降水数据融合算法的强大动力。不同来源的降水数据均有自身的时空尺度和误差特征，在量化分析不同降水数据不确定性的基础上，综合不同降水数据优点和误差结构，最终获得在此时空尺度上降雨最优估计结果是不同降水数据融合的主要目的。

常规的降水数据融合通常是利用地面雨量计校正遥感估计降水结果如雷达降水测量。融合方法主要有概率匹配法、卡尔曼滤波法、变分法、神经网络法、贝叶斯协同克里金方法等。这些方法将雨量计作为真值，应用一定的方法对遥感测量降水进行校正。但雨量计主要为局部点测量，在大范围降雨动态空间连续监测方面有较大的局限性。

另一思路则可将地基雷达测量和卫星遥感测量降水数据融合，如Guptaetal(2006,Amethodologyformergingmultisensorprecipitationestimatesbasedonexpectationmaximizationandscale-recursiveestimation)基于卡尔曼滤波的尺度递归估计法将TRMM星载雷达降水产品和地基雷达测量降水结合，Chenetal(2020,Amachinelearningsystemforprecipitationestimationusingsatelliteandgroundradarnetworkobservations)利用深度学习多层感知结构将卫星测量降水数据和地基雷达网降水测量融合。融合过程中往往需要先验信息，地基和星载雷达降水估测数据均有自身的测量误差结构特征及其代表的时空尺度，如何对地基和星载雷达降水估测的系统和随机误差进行精确刻画，是获得最优融合结果的关键问题。

贝叶斯框架可以根据已知数据信息推求未知真实降雨量的后验概率分布，且可量化结果的不确定性。而在水文建模中，我们不仅需要精确的降雨输入，还需量化降雨结果的不确定性。常规贝叶斯融合通常对多源信息不确定性进行整体刻画，但降水估计误差不仅与降水测量的传感器及所代表的时空尺度有关，还与降水类型、降水强度有关。本发明将提出分层贝叶斯融合算法，先验信息的不确定性根据雷达降水误差结构特征分成层状云和对流性降水，进而在不同类型降水下再根据降水强度分为不同强度降水。首先利用地面雨量计数据对地基雷达降水估计进行系统偏差校正，且估计分层降水结构的误差模型参数，其次将系统偏差校正后的地基雷达降水估计作为降雨真实值的先验信息，进而由星载测量降水的似然函数和降雨的先验信息推求未知真实降雨值的后验分布。模型参数受不确定性因子的影响，不是固定值，而是呈一定的分布，从而形成分层贝叶斯结构。利用分层结构更好的刻画降水的先验特征和误差结构，从而可以得到更精确的真实降雨值的融合结果以及相应的不确定性刻画。

发明内容