基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法

摘要

本发明公开了一种基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法。本发明首先把1km的环境变量因子如植被指数、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、坡向、坡长坡度8个数据进行聚合计算到25km，作为自变量，对应的25km分辨率的CMORPH数据作为因变量。基于模糊聚类思想计算出25km尺度下环境变量的最优聚类数目和聚类中心，从而将整个样本集划分为差异性最显著的子样本集，使得每个子样本集内的样本间具有最大的相似性，并对每个子样本集分别建立最小二乘回归模型，从而预测出1km的降尺度降雨数据。通过基于Fuzzy-OLS模型的降尺度结果要明显优于基于常规回归模型的降尺度结果。

说明书

技术领域

本发明涉及一种CMORPH降雨数据降尺度的方法，具体涉及到 一种基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法。

技术背景

降雨在水文学、气象学、生态学以及农业研究等领域担任了重要 角色，特别是物质能量交换守恒的一个重要组成部分。地面观测站是 一种应用广泛的降雨测量手段，并且具有精度高和技术成熟的特点。 但是地面观测站监测的降雨量仅代表地表观测站及周边一定距离的 降水状况，因此很难表述大面积降雨分布特征，尤其是在地面观测站 布网密度稀疏的高原地区。而卫星遥感技术能够提供较高时空分辨率 的降雨数据，覆盖空间范围更广，很好的克服了地面降雨观测站和测 雨雷达的局限，为全球降雨监测提供了有力的数据支撑。

近年来，随着气象卫星技术的发展，全球尺度高时空分辨率的测 雨卫星产品应运而生，如美国气候预测降水中心融合技术(Climate PredictionCenterMorphingTechnique)降水产品CMORPH。CMORPH 降雨卫星提供覆盖全球60°S～60°N以内的区域的降雨数据。但是， CMORPH卫星的原始分辨率较低(空间分辨率为0.25°，约25km)， 在预测区域尺度降雨方面具有一定的局限性和偏差，因此需要针对 CMORPH数据进行空间上的尺度转换，从而得到分辨率较高的降雨 测量值。但是目前尚没有一种方法能够更精确地对复杂地区进行降雨 预测。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于 Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法。

本发明中所用的Fuzzy-OLS是一种分类回归建模方法，它结合 了模糊聚类分析和最小二乘回归方法，扩展了传统的回归框架，根据 样本的属性空间，采用模糊聚类的思想将样本集划分为差异最显著的 子样本集，并使得每个子样本集内的样本间具有最大的相似性；然后 基于每个子样本集分别建立最小二乘回归模型。

本发明的具体技术方案如下：

一种基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨 产品降尺度的方法，包括以下步骤：

步骤1)数据获取：获取待测区域的CMORPH气象卫星遥感影 像数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影像 数据，同时收集该待测区域内地面观测站点的日降雨量观测值；其中 MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数 据产品；

步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥 感影像数据的时间分辨率处理为月；将ASTERGDEM卫星遥感影像 数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据； 从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并 通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数 据以及空间分辨率为1km和25km的晚上地表温度数据；从 MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后， 通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据； 从ASTERGDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡 长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数 据、地形湿度指数数据、坡长坡度数据和坡向数据；

步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km 的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数 据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自 变量；基于模糊聚类计算出25km尺度下上述环境变量的最优聚类数 目和聚类中心，从而将整个样本集划分为差异性最显著的子样本集， 使得每个子样本集内的样本间具有最大的相似性，并以步骤2)处理 后的25kmCMORPH卫星降雨数据作为因变量与对应25km环境变量 作为自变量的各样本子集之间进行最小二乘回归建模，得到最小二乘 回归模型；

步骤4)降尺度预测：基于步骤3)确定1km尺度下白天地表 温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数 据、坡向数据、坡长坡度数据和地形湿度指数组成的变量空间最邻近 的聚类样本中心，并根据该聚类中心所在样本子集建立的最小二乘回 归模型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间 分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km 的降雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值 数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。

作为优选，所述的步骤1)中，CMORPH气象卫星遥感影像数 据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；所述的 ASTERGDEM卫星遥感影像数据的空间分辨率为30m；所述的 MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。

作为优选，所述的步骤2)中异常值剔除处理的具体步骤如下： 将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删 除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平 滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1 到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的 栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的 植被指数点。

本发明的有益效果是同时结合模糊聚类分析思想和分类最小二 乘回归建模思想对CMORPH数据进行降尺度预测，其中Fuzzy-OLS 扩展了传统的回归框架。因此通过多因子进行Fuzzy-OLS回归建模 能够更精确地对复杂地区进行降雨预测，并极大的提高了降雨预测的 空间分辨率。具有重要的理论、实践意义和推广应用价值。

附图说明

图1是实施例1中采用的25kmCMORPH降雨量空间分布特征图。

图2是实施例1中基于传统多元回归方法降尺度后1km的降雨量空 间分布特征图。

图3是实施例2中基于模糊聚类分析方法计算出25km尺度下各环境 因子的最优聚类分布图。

图4是实施例2中基于多因子的Fuzzy-OLS方法降尺度后1km的降 雨空间分布特征图。

图5是实例1基于传统多元回归降尺度的结果与地面站点的精度对比。

图6是实施例2中基于Fuzzy-OLS降尺度方法后的结果与地面站点 的精度对比。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品 降尺度的方法步骤如下：

步骤1)数据获取：获取待测区域的CMORPH气象卫星遥感影 像数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影像 数据，同时收集该待测区域内地面观测站点的日降雨量观测值；其中 MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数 据产品；

步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥 感影像数据的时间分辨率处理为月；将ASTERGDEM卫星遥感影像 数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据； 从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并 通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数 据以及空间分辨率为1km和25km的晚上地表温度数据；从 MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后， 通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据； 从ASTERGDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡 长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数 据、地形湿度指数数据、坡长坡度数据和坡向数据；

步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km 的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数 据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自 变量；基于模糊聚类计算出25km尺度下上述环境变量的最优聚类数 目和聚类中心，从而将整个样本集划分为差异性最显著的子样本集， 使得每个子样本集内的样本间具有最大的相似性，并以步骤2)处理 后的25kmCMORPH卫星降雨数据作为因变量与对应25km环境变量 作为自变量的各样本子集之间进行最小二乘回归建模，得到最小二乘 回归模型；

步骤4)降尺度预测：基于步骤3)确定1km尺度下白天地表 温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数 据、坡向数据、坡长坡度数据和地形湿度指数组成的变量空间最邻近 的聚类样本中心，并根据该聚类中心所在样本子集建立的最小二乘回 归模型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间 分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km 的降雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值 数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。

下述两个实施例均基于上述方法进行实现，但实施例1中将步 骤3)的Fuzzy-OLS回归建模改为传统多元回归进行对比。

实施例1：

本实施例中以传统多元回归进行降尺度预测，具体步骤如下：

选取全国地区作为研究区域，对2003-2009年湿季(每年5月 -10月)的月降雨量进行预测研究，最终得到每月1km空间分辨率 的降雨量分布图。

步骤1)数据获取：获取全国区域的CMORPH气象卫星遥感影 像数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影 像数据，同时收集全国区域内地面观测站点的日降雨量观测值；其中 MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数 据产品。其中：CMORPH气象卫星遥感影像数据的空间分辨率为0.25° ×0.25°，时间分辨率为3小时；所述的ASTERGDEM卫星遥感影 像数据的空间分辨率为30m；所述的MODIS卫星遥感影像数据的空 间分辨率为1km，时间分辨率为8天。

步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥 感影像数据的时间分辨率处理为月，如附图1所示；将ASTERGDEM 卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km 的DEM数据；从MOD11A2数据产品中提取白天地表温度和晚上地 表温度参量，并通过聚合计算分别得到空间分辨率为1km和25km的 白天地表温度数据以及空间分辨率为1km和25km的晚上地表温度数 据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处 理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数 数据；其中，异常值剔除处理的具体步骤如下：将MOD13A2数据产 品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅 格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用 初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范 围对相减后的结果进行筛选，舍去超出阈值范围的栅格，其余作为正 常的植被指数点。最后，从ASTERGDEM卫星遥感影像数据中提取 坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得 到1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡 向数据；

步骤3)进行传统多元回归建模：将步骤2)处理后的空间分辨 率为25km的CMORPH气象卫星遥感影像数据作为因变量，以空间 分辨率均为25km的白天地表温度数据、晚上地表温度数据、植被指 数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿 度指数数据作为自变量建立多元回归模型。

步骤4)降尺度预测：基于步骤3)得到的多元回归模型和1km 尺度下地表温度数据、晚上地表温度数据、植被指数数据、DEM数 据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数计算得到空 间分辨率为1km的降尺度降雨产品；同时将空间分辨率为25km的降 雨回归残差值进行重采样得到空间分辨率为1km的降雨回归残差值， 并将其与空间分辨率为1km地面降雨量预测值数据相加，得到空间 分辨率为1km的CMORPH气象卫星降雨数据。同时将数据导入到 ArcGIS中进行制图，经过渲染后如附图2所示。

步骤5)降雨量预测值的精度分析：利用交叉检验的方法对步 骤4)中的1km空间分辨率的降雨量预测值进行预测精度验证分析， 交叉检验选用均方根误差、平均绝对误差以及相关系数作为评价因子。 如附图5所示，相关系数R²为0.651，均方根误差RMSE为39.578mm， 平均绝对误差MEA为29.611mm。

各指标的计算公式如下：

$MAE=\underset{k=1}{\overset{n}{\Sigma }}\left|Y_k-O_k\right|/n$

$RMSE=\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{(Y_k-O_k)}^2/n}$

$R^2=\frac{\left\{\underset{k=1}{\overset{n}{\Sigma }}\left[\left(Y_k-\bar{Y}\right)\left(O_k-\bar{O}\right)\right]\right\}}{\sqrt{\left[\underset{k=1}{\overset{n}{\Sigma }}{\left(Y_k-\bar{Y}\right)}^2\right]}\sqrt{\left[\underset{k=1}{\overset{n}{\Sigma }}{\left(O_k-\bar{O}\right)}^2\right]}}$

式中MAE代表的是平均绝对误差，RMSE代表的是均方根误差，R²代表的是回归相关系数，Y_k是地面观测站点k的观测值，O_k是通过 模型降尺度后在站点k处的预测值，是所有地面降雨观测站点数 据的平均值，是在所有站点的模型预测值的平均值。

实施例2

本实施例中选择以fuzzy-OLS方法进行回归建模，具体步骤为： 本实施例中以模糊聚类最小二乘回归进行降尺度预测，具体步骤如下：

选取全国地区作为研究区域，对2003-2009年湿季(每年5月 -10月)的月降雨量进行预测研究，最终得到每月1km空间分辨率 的降雨量分布图。

步骤1)数据获取：获取全国区域的CMORPH气象卫星遥感影 像数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影 像数据，同时收集该全国区域内地面观测站点的日降雨量观测值；其 中MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2 数据产品。其中：CMORPH气象卫星遥感影像数据的空间分辨率为 0.25°×0.25°，时间分辨率为3小时；所述的ASTERGDEM卫星 遥感影像数据的空间分辨率为30m；所述的MODIS卫星遥感影像数 据的空间分辨率为1km，时间分辨率为8天。

步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥 感影像数据的时间分辨率处理为月；将ASTERGDEM卫星遥感影像 数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据； 从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并 通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数 据以及空间分辨率为1km和25km的晚上地表温度数据；从 MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后， 通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据； 其中：异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提 取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小 于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植 被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相 减后的结果进行筛选，舍去超出阈值范围的栅格，其余作为正常的植 被指数点。最后，从ASTERGDEM卫星遥感影像数据中提取坡度、 地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km 和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；

步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km 的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数 据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自 变量；如图3所示，基于模糊聚类思想计算出25km尺度下环境变量 的最优聚类数目和聚类中心，从而将整个样本集划分为差异性最显著 的子样本集，使得每个子样本集内的样本间具有最大的相似性，并对 每个子样本集分别建立最小二乘回归模型。

步骤4)降尺度预测：基于步骤3)确定1km尺度下地表温度 数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、 坡向数据、坡长坡度数据和地形湿度指数组成的变量空间最邻近的聚 类样本中心，并根据该聚类中心所在样本子集建立的最小二乘回归模 型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间分辨 率为25km的降雨回归残差值进行重采样得到空间分辨率为1km的降 雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值数据 相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。同时 将数据并导入到ArcGIS中制图，渲染后如图4所示。

步骤5)降雨量预测值的精度分析：利用交叉检验的方法对步 骤4)中的1km空间分辨率的降雨量预测值进行预测精度验证分析， 交叉检验选用均方根误差、平均绝对误差以及相关系数作为评价因子。 如图6所示，其中得到的相关系数R²为0.844，均方根误差RMSE 为25.04mm，平均绝对误差为17.17mm。很明显，预测精度上较实例 1有了大幅的提高。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制 本发明，凡采取等同替换或等效变换的方式所获得的技术方案，均落 在本发明的保护范围内。