[发明专利]一种近地面气温的大面积精准反演方法

摘要

一种近地面气温的大面积精确反演方法，包括如下步骤：首先获取第1子模式modelVEC³至第f子模式modelVEC^f；构造栅格点原始数据记录集sBlkVEC并归一化处理；计算各个子模式的近地面气温反演全图；在近地面气温反演全图surfT^f中标记误差异常点及其邻近区域；利用选择性求和算法求出近地面气温精准反演影像图surfT；对surfT^f中像素点对所有f＝1,2,3,...都成立的区域的进一步处理。本发明通过引入一类超级非线性算法，解决了现有技术中存在的信息融合来反演近地气温问题，获得了反演误差与云量、地形、地势无关的满意结果。特别是融合了空间和地面信息，反演重建多云地区近地面气温，克服了云层的干扰而精确、可靠地获得大面积地区反演近地面气温影像图。

主权项

1.一种近地面气温的大面积精确反演方法，其特征在于，包括如下步骤：步骤Ⅰ.建立原始数据记录集并归一化处理，得到归一化数据记录集AutoVEC'(1)确定需要进行近地面气温反演的目标区域以及目标区域上的无人气象站所在位置，(2)确定一个目标时间点，并以该目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站的实测气温的时刻为采样时间点，(3)设原始数据记录的格式为j＝1,2,…,L，i＝1,2,…,N，MT_j为第j条原始数据记录的实测气温，为第j条原始数据记录的第i个近地面气温影响因子的原始值，N为近地面气温影响因子的个数，L为原始数据记录的条数，最后Label标记该条记录的站号和时间点，若MT_j缺测则不予收录，将一个无人气象站在一个采样时间点的实测气温MT_j输入原始数据记录，再根据气象卫星资料、DEM资料以及天文历法规律，将该无人气象站所在位置的该采样时间点对应的第1个至第i个近地面气温影响因子的数值依次输入获得一条原始数据记录，(4)选取另一个无人气象站或者选取同一个无人气象站另一个采样时间点，重复步骤Ⅰ.(3)，获得下一条原始数据记录，(5)由步骤Ⅰ.(2)和步骤Ⅰ.(3)获得的原始数据记录组成原始数据记录集AutoVEC，(6)针对该目标区域，确定另一个目标时间点，重复步骤Ⅰ.(2)到步骤Ⅰ.(4)，然后将获得的原始数据记录并入原始数据记录集AutoVEC，(7)对原始数据记录集AutoVEC中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’，所述原始数据记录指无人气象站位置获得的原始数据记录；步骤Ⅱ.构造第1子模式学习集supVEC¹和第1子模式验证集exVEC¹(1)将归一化数据记录集AutoVEC’中的L条数据记录按照实测气温MT_j进行排序，排名前c名的数据记录和排名倒数d名的数据记录选入第1子模式学习集supVEC¹，(2)将实测气温MT_j排名前3～5％的归一化数据记录和排名倒数3～5％的数据记录交替地选入第1子模式学习集supVEC¹和第1子模式验证集exVEC¹，(3)随机选取其余10～12％的数据记录进入第1子模式学习集supVEC¹，剩下的数据记录进入第1子模式验证集exVEC¹；步骤Ⅲ.获取第1子模式modelVEC¹利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第1子模式学习集supVEC¹参加训练，获得e个候选模式；根据候选模式求出第1子模式验证集exVEC¹中各条数据记录的计算气温FT_j，计算FT_j与MT_j的误差，将误差最小的一个作为第1子模式modelVEC¹；步骤Ⅳ.获取第2子模式modelVEC²(1)将归一化数据记录集AutoVEC'和第1子模式modelVEC¹代入下式，计算AutoVEC'中每条数据记录的第1子模式计算气温(2)求出第1子模式计算气温与实测气温MT_j的误差绝对值AE_j¹，按照误差绝对值由大到小对AutoVEC'中的数据记录进行排序，(3)取误差绝对值AE_j¹排名靠前的supNum²条数据记录作为第2子模式学习集supVEC²，其余的作为第2子模式验证集exVEC²，(4)按照步骤Ⅲ的方法获得第2子模式modelVEC²；步骤Ⅴ.获取第3子模式modelVEC³至第f子模式modelVEC^f(1)将归一化数据记录集AutoVEC'和第f‑1子模式modelVEC^f‑1代入下式，计算AutoVEC'中每条数据记录的第f‑1子模式计算气温式中，j＝1,2,...,L；f≥3,且f∈Z⁺；(2)求出第f‑1子模式计算气温与实测气温MT_j的误差绝对值AE_j^f‑1，(3)求出第f子模式在第j个样本的误差绝对值估计AE_j^f，AE_j^f＝Min(AE_j¹,…,AE_j^f‑2,AE_j^f‑1)，(4)按照误差绝对值估计AE_j^f由大到小对AutoVEC'中的数据记录进行排序，(5)取误差绝对值估计AE_j^f排名靠前的supNum^f条数据记录作为第f子模式学习集supVEC^f，其余的作为第f子模式验证集exVEC^f，(6)利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第f子模式学习集supVEC^f参加训练，获得e个候选模式；根据候选模式求出第f子模式验证集exVEC^f中各条数据记录的计算气温FT_j，计算FT_j与MT_j的误差，将误差最小的一个作为第f子模式modelVEC^f；(7)令f‑1＝2，则f＝3，执行步骤Ⅴ.(1)～步骤Ⅴ.(6)的步骤，得到第3子模式modelVEC³；依次令f‑1＝3、4、…、f‑1，则f＝4、5、…、f，执行步骤Ⅴ.(1)～步骤Ⅴ.(6)的步骤，得到第4子模式modelVEC⁴到第f子模式modelVEC^f；步骤Ⅵ.构造栅格点原始数据记录集sBlkVEC并归一化处理，得到栅格点归一化数据记录集sBlkVEC'针对目标时间点的采样时间段内的指定的一个时间点，(1)将目标区域划分成BlkNum个正方形的小区域sBlk，再将每个小区域sBlk划分成M×M＝sBlkSamples个栅格点，其中M小区域sBlk的行或列的个数；(2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N；为第q栅格点的第f子模式计算气温，为第q栅格点的第i个近地气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入Label为缺省的标记，构造栅格点原始数据记录集sBlkVEC；(3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC'；步骤Ⅶ.各个子模式的近地面气温反演全图(1)将一个小区域sBlk的栅格点归一化数据记录集sBlkVEC'依次与第1子模式modelVEC¹至第f子模式modelVEC^f代入下式，依次算出各个栅格点的第1子模式栅格点计算气温至第f子模式栅格点计算气温式中，q＝1,2,...,sBlkSamples，f＝1,2,3,...(2)第1子模式栅格点计算气温就是该小区域sBlk的第1子模式近地面气温反演影像图，同理，依次得到该小区域sBlk的第2子模式至第f子模式的近地面气温反演影像图，(3)选取另外一个小区域sBlk，重复上述步骤Ⅶ.(1)和步骤Ⅶ.(2)，直到所有的BlkNum个小区域sBlk做完为止，(4)将BlkNum个小区域sBlk的第1子模式近地面气温反演影像图合并形成目标区域的第1子模式近地面气温反演全图surfT¹，同理，依次得到目标区域的第2子模式至第f子模式的近地面气温反演全图surfT^f；步骤Ⅷ.在近地面气温反演全图surfT^f中标记误差异常点及其邻近区域(1)在第1子模式的近地面气温反演全图surfT¹中，读取无人气象站k所在栅格点的第1子模式计算气温k＝1,2,...,K_t，K_t为目标时间点上有气温数据的无人气象站的个数；(2)求出与无人气象站k的实测气温MT_k的误差绝对值RealAE_k¹，并设定误差异常点的阈值δ，若RealAE_k¹≥δ，则无人气象站k所在栅格点为误差异常点；(3)划定误差异常点的邻近区域，将误差异常点的邻近区域定义为无人气象站k所在栅格点到所有的邻近无人气象站所在栅格点的距离的σ倍的点构成的多边形区域，其中，σ为邻近区域界限比率阈值，σ根据实际需要设定；如果某个方向上没有其他的无人气象站，则邻近区域的要抵达目标区域的边界；(4)相对于阈值δ，若无人气象站k所在栅格点为误差异常点，则将无人气象站k的邻近区域标记为badPolygon_δk¹；(5)记(6)重复步骤Ⅷ.(1)～步骤Ⅷ.(5)，依次求出第2子模式至第f子模式相对于阈值δ的(7)标记f＝1,2,3,...；步骤Ⅸ.利用选择性求和算法求出近地面气温精准反演影像图surfT针对阈值δ＝δ₀(0＜δ₀)(1)记为切割surfT^f所得的区域，(2)定义surfT^f中像素点pixl^f的求和权值surfParameter_δ^f，如果则surfParameter_δ^f的值为0，如果则surfParameter_δ^f的值为1，如果对所有f＝1,2,3,...都成立，即pixl^f∈mostbadPolygon_δ，则surfParameter_δ^f的值为1，(3)选择性求和法计算近地面气温初步反演影像图，公式如下：式中，f＝1,2,3,...；步骤Ⅹ.对surfT^f中像素点对所有f＝1,2,3,...都成立的区域的进一步处理(1)如果mostbadPolygon_δ为空集，则步骤Ⅸ得到的近地面气温初步反演影像图即为近地面气温精准反演影像图surfT；(2)如果mostbadPolygon_δ非空，则在目标区域中单独将这个区域截取出来，设定下一个级别的阈值δ＝δ₁，重复步骤Ⅷ和Ⅸ，直到mostbadPolygon_δ为空或者阈值δ＝δ_s，这里多个阈值δ的临界值分级遵从0＜δ₀＜δ₁＜δ₂＜...δ_i...＜δ_s，得到这个区域的近地面气温初步反演影像图，最后将这个区域的近地面气温初步反演影像图代替步骤Ⅸ得到的近地面气温初步反演影像图中的相同区域，得到近地面气温精准反演影像图surfT。