[发明专利]一种降雨量估算方法及系统

说明书

本发明公开了一种降雨量估算方法包括：获取GPM卫星数据、GridSat‑B1卫星数据、DEM数据、NDVI数据以及地面雨量站数据；对获取的所有数据进行预处理；统一预处理后GPM卫星数据、GridSat‑B1热红外数据、DEM数据以及NDVI数据的分辨率并对统一分辨率后的数据进行归一化；建立GPM卫星数据、GridSat‑B1卫星数据与地面雨量站数据时空匹配的卫星数据集；根据卫星数据集、DEM数据以及NDVI数据构建样本数据集；通过样本数据集对预构建的降雨量估算模型进行训练；将获取的GPM卫星数据、GridSat‑B1卫星数据、DEM数据以及NDVI数据输入训练好的降雨量估算模型得到最终的降雨量估算值。本发明能够对降雨量进行更加精确的估算。

技术领域

本发明属于遥感影像处理技术领域，尤其涉及一种降雨量估算方法及方法及系统。

背景技术

随着物联网设备数量的显著增长，边缘网络产生的数据量也急速增长。这些数据中的大部分在本质上都是隐私敏感的，处理和分析这些数据需要机器学习算法。传统的机器学习算法需要一个中央处理器，用于收集数据来进行模型训练。但是，由于数据的隐私安全性，用户设备可能并不愿意共享其本地数据。针对这个问题，一种分布式机器学习算法——联邦学习(Federated Learning，FL)应运而生，其通过将机器学习的数据存储和模型训练阶段转移至本地用户，仅与中心服务器交互模型更新的方式有效保障了用户的隐私安全。

现有的联邦学习由一个云服务器进行模型聚合、更新模型。首先，在在无线网络上实现FL时，相比于云服务器，用户设备的性能较差，当学习任务复杂、局部模型大时，计算资源有限的训练会增加训练延迟、降低学习性能。其次，由于无线资源有限、传输距离长，存在与云服务器的通信不可预测且不可靠等问题，会降低训练效率和模型精度，在用户设备数量巨大的情况下，不采用客户端调度，所有用户设备都参与每轮训练，将难以实现探索和利用之间的平衡。最后，在现有的模型训练过程中，难以实现动态化决定局部训练轮数和全局训练轮数，迭代次数是提前设置完成的，这会导致模型训练的效率降低与计算资源的浪费。

发明内容

为了解决现有技术存在的问题，本发明提供一种降雨量估算方法及方法及系统，能够精确的对降雨量进行估算。

本发明所要解决的技术问题是通过以下技术方案实现的：

第一方面，提供了一种降雨量估算方法，包括：获取GPM卫星数据、GridSat-B1卫星数据、DEM数据、NDVI数据以及地面雨量站数据；

对获取的所有数据进行预处理；

统一预处理后GPM卫星数据、GridSat-B1热红外数据、DEM数据以及NDVI数据的分辨率并对统一分辨率后的数据进行归一化；

建立GPM卫星数据、GridSat-B1卫星数据与地面雨量站数据时空匹配的卫星数据集；

根据卫星数据集、DEM数据以及NDVI数据构建样本数据集；

通过样本数据集对预构建的降雨量估算模型进行训练；

将获取的GPM卫星数据、GridSat-B1卫星数据、DEM数据以及NDVI数据输入训练好的降雨量估算模型得到最终的降雨量估算值。

结合第一方面，进一步的，所述对获取的所有数据进行预处理包括：

对于获取的所有数据的缺失值，根据其在空间和时间上的相似性，使用该值位置前后或邻近区域的平均值进行替换，并对所有数据进行时间对齐。

结合第二方面，进一步的，所述统一预处理后GPM卫星数据、GridSat-B1热红外数据、DEM数据以及NDVI数据的分辨率包括：

通过双线性插值法对GPM卫星数据、GridSat-B1热红外数据、DEM数据以及NDVI数据进行重采样，将分辨率尺度降到0.05°。