买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中山大学

摘要：本申请公开了缺资料地区的降水数据优化方法、装置、设备及存储介质，方法包括：获取缺资料地区实测站点的卫星日降水序列，从卫星日降水序列中统计降水量、雨天频率及降水概率分布，以对卫星日降水序列进行偏差校正，对各个实测站点的校正降水序列进行日尺度融合，得到日尺度融合降水数据，通过日尺度融合降水数据构建随机森林模型，并结合多种土地覆盖类型对随机森林模型进行训练，得到降水链接模型，最终将高分辨率辅助因子输入至降水链接模型，输出高空间分辨率降水数据。由此可见，在缺资料地区上，有效地将卫星降水与地面观测相结合，利用低密度测量网络生成高分辨率、高精度的降水数据，以满足对缺资料地区进行水文气象研究的要求。

主权项：1.一种缺资料地区的降水数据优化方法，其特征在于，包括：获取缺资料地区的高分辨率辅助因子，所述高分辨率辅助因子的空间分辨率尺度小于所述缺资料地区的卫星日降水序列的空间分辨率尺度；将所述高分辨率辅助因子输入至预先构建的所述缺资料地区的降水链接模型，输出高空间分辨率降水数据；所述降水链接模型的构建过程，包括：获取所述缺资料地区的每个实测站点的卫星日降水序列；从每个实测站点的卫星日降水序列中统计该个实测站点的降水量、雨天频率及降水概率分布；基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列；对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据；通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型；所述基于每个实测站点的降水量、雨天频率及降水概率分布，对该个实测站点的卫星日降水序列进行偏差校正，得到该个实测站点的校正降水序列，包括：根据每个实测站点在每个月的雨天频率，计算该个实测站点在该个月的雨天阈值；根据每个实测站点在每个月的雨天阈值，利用局部强度缩放LOCI校正公式校正该个实测站点在该个月的降水总量，以得到LOCI校正后的日降水序列，所述LOCI校正公式为： ；其中，为第m个月的雨天阈值，为计算缩放因子，为第m月中d天的实测降水值，为第m月中d天的实测降水值大于0之和，为卫星日降水序列中第m月中d天的降水值，为卫星日降水序列中第m月中d天大于所述雨天阈值之和，为卫星日降水序列中第m月中d天的降水总量；根据每个实测站点的降水概率分布，构建该个实测站点的降水伽马分布函数，所述降水伽马分布函数为： ；其中，为伽马函数，为所述伽马函数的形状参数，为所述伽马函数的尺度参数，为所述降水伽马分布函数，为时间变量；针对每个实测站点的降水伽马分布函数，调整所述降水伽马分布函数的伽马分布参数，得到伽马分布参数调整后的降水伽马分布函数，以使所述实测站点的降水量与所述实测站点的实测降水量具有相同的伽马分布参数；针对每个实测站点的经所述LOCI校正后的日降水序列，基于所述实测站点的所述伽马分布函数，在保留所述日降水序列的极值下，调整所述日降水序列的均值、标准差和分位数，得到所述实测站点的日降水调整序列；利用下式对该个实测站点的日降水调整序列的伽马分布进行校正，以得到该个实测站点的校正降水序列： ；其中，为该个实测站点在第m月d天的校正雨天频率，为伽马累积分布逆函数，为伽马累积分布函数，为该个实测站点的日降水调整序列中第m月的伽马分布形状参数，为该个实测站点的日降水调整序列中第m月的伽马分布尺度参数，为该个实测站点在第m月的实测降水的伽马分布形状参数，为该个实测站点在第m月的实测降水的伽马分布尺度参数；所述对各个实测站点的校正降水序列进行日尺度融合，基于地形地貌因子将每个实测站点拓展到面尺度，得到所述缺资料地区的日尺度融合降水数据，包括：根据各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数，以及各个实测站点各自的地理地形因子，构建地理加权回归模型，通过所述地理加权回归模型，将各个实测站点各自的校正降水序列的伽马分布的形状参数及尺度参数拓展至所述缺资料地区对应的空间平面上，以获得所述缺资料地区的日尺度融合降水数据，所述地理加权回归模型为： ；其中，为所述空间平面上第j个点的形状参数和尺度参数，为所述空间平面上第j个点的第k个地理地形因子变量，为地理地形因子变量的总个数，为残差，为第k个地理地形因子变量在所述空间平面上第j个点处的截距，为第k个地理地形因子变量在所述空间平面上第j个点处的斜率；所述通过所述日尺度融合降水数据，结合物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子构建随机森林模型，并结合多种土地覆盖类型对所述随机森林模型进行训练，得到降水链接模型，包括：从所述日尺度融合降水数据中选取样本数据，并以物理降水因子、地表大气压力、蒸散发和地表温度作为辅助因子作为自变量，以所述样本数据作为因变量，构建决策树模型，所述决策树模型包括若干棵决策树；驱使每棵决策树在深度上自由生长，直至该棵决策树所拟合的降水值均方差值最小时，停止该棵决策树生长，并确定该棵决策树的最佳拟合关系；构建各棵决策树的随机森林模型；以每种土地覆盖进行局部模型拟合，得到该种土地覆盖区域模型；通过将各棵决策树各自的最佳拟合关系应用至每种土地覆盖区域模型上，对所述随机森林模型进行训练，得到降水链接模型。

全文数据：

权利要求：

百度查询： 中山大学 缺资料地区的降水数据优化方法、装置、设备及存储介质