一种APHRODITE降水数据的降尺度方法

摘要

本发明公开了一种APHRODITE降水数据的降尺度方法。包括：获取用于描述同一对象的GPM‑IMERG数据集、SM2RAIN‑ASCAT数据集和APHRODITE逐日降水数据集；获取与三种数据集描述对象相同的环境因子辅助数据集；分别基于不同的观测维度，将四种数据集进行匹配，并对APHRODITE数据集进行总量控制处理；基于空间维度，以S22获得的低分辨率GPM‑IMERG数据集、SM2RAIN‑ASCAT数据集和辅助数据集作为自变量，以S24获得的APHRODITE数据集作为因变量，建立回归模型；基于空间维度，将S21获得的高分辨率GPM‑IMERG数据集、S23获得的高分辨率SM2RAIN‑ASCAT数据集和S22获得的高分辨率辅助数据集作为输入变量，输入到回归模型中，得到高分辨率的APHRODITE逐日降水数据集。本发明得到的降水数据结果精度和质量较高，具有一定的理论、实践意义和推广应用价值。

说明书

技术领域

本发明涉及一种气象卫星观测降水数据和地面变量反演降水数据的降尺度算法，具体涉及一种APHRODITE降水数据的降尺度方法。

背景技术

降水是全球物质和能量循环的重要组成部分，在地表模型和天气预测模型中扮演着重要的角色，它影响着区域天气变化和全球气候形成，是洪水、风暴等水文过程的背后驱动力。高精度的降水数据在气候、气象、水文以及农业等领域中具有重要作用。地面监测站是降水信息最直接的获取手段和来源，能精确表示站点周边区域的降水量，但无法准确描述大面积降水分布情况，此外，受自然环境和经济条件限制，地面站点无法覆盖海洋、地形复杂区和无人区，从而限制降水数据的获取与使用。卫星遥感具有覆盖空间范围广阔，观测时空频率高的特点，能很好弥补站点稀疏、分布不均等缺陷，逐渐成为降雨监测的重要数据源。

全球降水计划观测卫星(Global Precipitation Measurement,GPM)搭载雷达和微波辐射计系统，基于自上而下的策略(Top-down)，从上层太空中监测下层的降雨信息，其观测范围广，时空分辨率高，所生产的IMERG降水产品与地面观测数据具有良好的相关性，能够较好地反映降水的空间分布规律，但由于间接观测，受内置模型和算法所限，在某些地区表现不佳，且难以捕捉高强度降雨事件，产品质量仍有很大进步空间，观测精度仍有待提高。SM2RAIN-ASCAT产品是将SM2RAIN算法应用于ASCAT(the Advanced SCATterometer)卫星反演的土壤水分数据上所衍生的降水产品。该产品基于自下而上的策略(bottom-up)，由土壤水分来反推大气中的降水信息，由于卫星反演土壤水分存在一定的误差和缺陷，该产品精度有限，实际应用中仍需进一步提升。APHRODITE是适用于亚洲区域的高质量长时间序列降水数据，它由密集的地面站点插值而成，数据精度高，可靠性强，但是其空间分辨率相对较低，不能满足区域小尺度应用需要。

使用高空间分辨率低精度的GPM-IMERG气象卫星观测降水数据和SM2RAIN-ASCAT土壤水分反演降水数据对APHRODITE高精度低空间分辨率地面观测降水数据进行降尺度操作，可以充分融合三类数据的优势，是得到高精度、高空间分辨率降水数据的有效方法。

发明内容

本发明的目的在于解决现有技术中存在的问题，基于SVR-TB模型的应用高空间分辨率的GPM-IMERG卫星观测降水数据和SM2RIAN-ASCAT土壤水分反演降水数据，提供一种APHRODITE降水数据的降尺度方法。

本发明的具体技术方案如下：

一种APHRODITE降水数据的降尺度方法，其具体如下：

S1：获取用于描述同一对象的卫星遥感降水数据集GPM-IMERG、地面变量反演降水数据集SM2RAIN-ASCAT和地面观测逐日降水数据集APHRODITE；获取与三种数据集描述对象相同的环境因子辅助数据集，所述辅助数据集的空间分辨率高于APHRODITE的空间分辨率，辅助数据集包括SRTM DEM数字高程模型、坡度Slope、坡向Aspect、经度Lon和纬度Lat；

S2：分别基于不同的观测维度，将四种数据集进行匹配，并对APHRODITE进行总量控制处理，具体依次进行如下步骤：

S21：基于时间维度，通过数据匹配方法将GPM-IMERG的分辨率处理为与APHRODITE的分辨率相同；

S22：基于空间维度，通过数据匹配方法将GPM-IMERG和SM2RAIN-ASCAT的分辨率均聚合为与APHRODITE的分辨率相同，得到低分辨率的GPM-IMERG和SM2RAIN-ASCAT；将辅助数据集的分辨率聚合为与GPM-IMERG的分辨率相同，得到高分辨率的辅助数据集；

S23：基于空间维度，通过数据匹配方法将SM2RAIN-ASCAT的分辨率降解为与GPM-IMERG的分辨率相同，得到高分辨率的SM2RAIN-ASCAT；

S24：对在海陆分界区域出现的APHRODITE中的空值像元，对其就近选择相邻栅格像元赋值，得到总量控制处理后的APHRODITE逐日降水数据；

S3：基于空间维度，以S22获得的低分辨率的GPM-IMERG、SM2RAIN-ASCAT和辅助数据集作为自变量，以S24中总量控制处理后的APHRODITE逐日降水数据作为因变量，建立回归模型；

S4：基于空间维度，将S23中获得的高分辨率的SM2RAIN-ASCAT、S21中获得的GPM-IMERG和S22中获得的高分辨率的辅助数据集作为输入变量，输入到所述回归模型中，得到高分辨率的APHRODITE。

作为优选，S1中所述GPM-IMERG的时间分辨率和空间分辨率分别为30min和0.1°，SM2RAIN-ASCAT的时间分辨率和空间分辨率分别为1日和12.5km，APHRODITE的时间分辨率和空间分辨率分别为1日和0.25°；辅助数据集均属于静态环境因子数据集，空间分辨率均为90m。

作为优选，S1中所述辅助数据集的经度Lon和纬度Lat分别通过计算SRTM DEM数字高程模型中栅格格网像元的中心经度值和纬度值得到。

作为优选，所述S21中数据匹配方法为累加法，具体如下：

基于时间维度，确定APHRODITE所包含的GPM-IMERG的数量，根据所述数量将GPM-IMERG逐次进行累加，得到与APHRODITE相同分辨率的GPM-IMERG。

作为优选，所述S22中数据匹配方法为移动窗口法，具体如下：

分别对GPM-IMERG，SM2RAIN-ASCAT和辅助数据集进行处理，以待聚合数据集中的每一个像元为中心，建立a*a的移动窗口，分别计算移动窗口覆盖下聚合得到的低分辨率栅格格网中每个像元的被覆盖面积比例，将所覆盖的比例最大的像元作为该移动窗口的中心像元；将构成移动窗口的a*a个该数据集像元的平均像元值作为所述中心像元的像元值，对聚合得到的低分辨率栅格格网中所有的像元进行赋值；其中，a是低分辨率栅格格网的分辨率值除以该数据集的原始分辨率值并向上取整所得到的整数值。

作为优选，所述S23中数据匹配方法为最邻近内插法，具体如下：

基于空间维度，分别将GPM-IMERG、SM2RAIN-ASCAT和辅助数据集中的每个像元根据与其相邻近的APHRODITE中的像元重新赋值。

作为优选，所述S3的具体方法如下：

基于空间维度，以S22获得的低分辨率的GPM-IMERG、SM2RAIN-ASCAT和辅助数据集作为自变量，以S24中总量控制处理后的APHRODITE逐日降水数据作为因变量，对每个栅格点建立基于SVR-TB的回归模型，具体如下：

随机生成训练集和测试集，训练集和测试集样本数量比例为4:1；对训练集和测试集分别进行[-1，1]区间的归一化处理，处理原则为y＝2*(x-x

设置训练集交叉验证模式为十折交叉验证，设置所述模型的内置类型为epsilon-SVR，设置模型的核函数类型为Radial Basis Function(RBF)；利用交叉验证格网搜索法寻找最佳惩罚系数c和核参数g，设置c和g参数的搜索范围均为[-10，10]，步长均为0.5，构造并求解最优问题，获取最佳c和g参数；通过测试集反馈调整所得模型的超参数，避免模型过拟合；根据获取的最佳c和g参数，对S24中总量控制处理后的APHRODITE逐日降水数据中的每一栅格点，构建回归模型。

本发明相对于现有技术而言，具有以下有益效果：

本发明基于SVR-TB模型，提出了一种基于高空间分辨率的卫星遥感降水数据GPM-IMERG数据集和地面变量反演降水数据SM2RAIN-ASCAT数据集对地面观测降水数据APHRODITE逐日降水数据集进行降尺度的方法，最终得到时间分辨率为1日，空间分辨率为0.1°×0.1°的高空间分辨率、高质量的降水数据结果。通过本发明的方法对APHRODITE逐日降水数据集进行降尺度后，得到的降水数据结果精度和质量较高，具有一定的理论、实践意义和推广应用价值。

附图说明

图1为2015年浙江省降水数据的虚警指数(a)和临界成功指数(b)的箱型图，其中，Origional APH和Downscaled APH分别为降尺度前后APHRODITE降水数据相对于地面站点的验证结果；

图2为原始APHRODITE降水数据(a)与降尺度后的APHRODITE降水数据(b)在2015年超强台风“灿鸿”中的表现；

图3为2015年超强台风“灿鸿”中的地面站点降水数据插值(a)、原始APHRODITE降水数据(b)和降尺度后的APHRODITE降水数据(c)。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

本发明提供了一种APHRODITE降水数据的降尺度方法，该降尺度方法具体如下：

S1：获取用于描述同一对象(即相同研究区域)的基于“Top-down”策略的卫星遥感降水数据GPM-IMERG数据集、基于“Bottom-up”策略的地面变量反演降水数据SM2RAIN-ASCAT数据集和地面观测降水数据APHRODITE逐日降水数据集。其中，APHRODITE数据集的精度高于GPM-IMERG和SM2RAIN-ASCAT数据集，而空间分辨率则低于这两个数据集，SM2RAIN-ASCAT数据集的空间分辨率低于GPM-IMERG数据集，GPM-IMERG数据集的时间分辨率高于其他降水数据集；获取与三种数据集描述对象相同的环境因子辅助数据集，其空间分辨率高于GPM-IMERG数据集，包括SRTM DEM数字高程模型、坡度Slope、坡向Aspect、经度Lon和纬度Lat。经度Lon和纬度Lat分别通过计算SRTM DEM数字高程模型中栅格格网像元的中心经度值和纬度值得到。

其中，GPM-IMERG数据集的时间分辨率和空间分辨率分别为30min和0.1°×0.1°，SM2RAIN-ASCAT数据集的时间分辨率和空间分辨率分别为1日和12.5km，APHRODITE逐日降水数据集的时间分辨率和空间分辨率分别为1日和0.25°×0.25°。辅助数据集均属于静态环境因子数据集，空间分辨率均为90m。

S2：分别基于不同的观测维度，将GPM-IMERG、SM2RAIN-ASCAT、APHRODITE和辅助数据集这四种数据集进行匹配，并对APHRODITE进行总量控制处理，具体如下：

S21：基于时间维度，通过数据匹配方法将GPM-IMERG数据集的分辨率处理为与APHRODITE逐日降水数据集的分辨率相同。即将GPM-IMERG降水数据的时间分辨率处理为1日，此时，GPM-IMERG、SM2RAIN-ASCAT和APHRODITE的时间分辨率均为1日。

本步骤中的数据匹配方法为累加法，具体如下：

基于时间维度，确定APHRODITE逐日降水数据集所包含的GPM-IMERG数据集的数量，根据数量将GPM-IMERG数据集逐次进行累加，得到与APHRODITE逐日降水数据集相同分辨率的GPM-IMERG数据集。即GPM-IMERG数据日分辨率的生成以当日所有像元数据去除空值后累加获得。

S22：在S21的基础上，基于空间维度，通过数据匹配方法将GPM-IMERG数据集、SM2RAIN-ASCAT数据集和辅助数据集的分辨率均聚合为与APHRODITE逐日降水数据集的分辨率相同，得到低分辨率的GPM-IMERG数据集、SM2RAIN-ASCAT数据集和辅助数据集；将辅助数据集的分辨率聚合为与GPM-IMERG数据集的分辨率相同，得到高分辨率的辅助数据集。即将GPM-IMERG数据集、SM2RAIN-ASCAT数据集和辅助数据集的分辨率均聚合为0.25°(低空间分辨率)，同时将辅助数据集的分辨率聚合为0.1°(高空间分辨率)。

本步骤中的数据匹配方法为移动窗口法，具体如下：

以待聚合的数据集中的每一个像元为中心，建立a*a的移动窗口，分别计算移动窗口覆盖下聚合得到的低分辨率栅格格网中每个像元的被覆盖面积比例，将所覆盖的比例最大的像元作为该移动窗口的中心像元；将构成移动窗口的a*a个该数据集像元的平均像元值作为所述中心像元的像元值，对聚合得到的低分辨率栅格格网中所有的像元进行赋值；其中，a是低分辨率栅格格网的分辨率值除以该数据集的原始分辨率值并向上取整所得到的整数值。将90m辅助数据集聚合为0.1°和0.25°所采用的移动窗口大小分别为112°*112°(a＝112°)和278°*278°(a＝278°)，将0.1°的GPM-IMERG数据集聚合为0.25°所采用的移动窗口大小为3°*3°(a＝3°)；将12.5km的SM2RAIN-ASCAT数据集聚合为0.25°所采用的移动窗口大小为2°*2°(a＝2°)。

S23：基于空间维度，通过数据匹配方法将SM2RAIN-ASCAT数据集的分辨率降解为与GPM-IMERG数据集的分辨率相同，得到高分辨率的SM2RAIN-ASCAT数据集。

本步骤中的数据匹配方法为最邻近内插法，具体如下：

基于空间维度，将与0.1°格网中某像元最邻近的SM2RAIN-ASCAT像元的值赋值给该像元；

S24：在S21的基础上，对在海陆分界区域出现的APHRODITE逐日降水数据集中的空值像元，对其就近选择相邻栅格像元赋值，得到总量控制处理后的APHRODITE逐日降水数据。

S3：基于空间维度，以S22获得的低分辨率的GPM-IMERG数据集、SM2RAIN-ASCAT数据集和辅助数据集作为自变量，以S24中总量控制处理后的APHRODITE逐日降水数据作为因变量，建立回归模型。

具体方法如下：

基于空间维度，以S22获得的低分辨率的GPM-IMERG数据集、SM2RAIN-ASCAT数据集和辅助数据集作为自变量，以S24中总量控制处理后的APHRODITE逐日降水数据作为因变量，对每个栅格点建立基于SVR-TB的回归模型，具体如下：

为确保回归模型的稳定性，随机生成训练集和测试集，训练集和测试集样本数量比例为4:1。为加快程序运行的收敛速度，对训练集和测试集分别进行[-1，1]区间的归一化处理，处理原则为y＝2*(x-x

设置训练集交叉验证模式为十折交叉验证，设置模型的内置类型为epsilon-SVR，设置模型的核函数类型为Radial Basis Function(RBF)。利用交叉验证格网搜索法寻找最佳惩罚系数c和核参数g，设置c和g参数的搜索范围均为[-10，10]，步长均为0.5，构造并求解最优问题，获取最佳c和g参数，使模型预测精度最高。通过测试集反馈调整所得模型的超参数，避免模型过拟合。根据获取的最优c和g参数，对S24获得的APHRODITE格网数据中每一栅格点，构建SVR-TB模型。

S4：将S23中获得的高分辨率的SM2RAIN-ASCAT数据集、S21中获得的GPM-IMERG数据集和S22中获得的高分辨率的辅助数据集作为输入变量，输入到回归模型中，得到高分辨率的APHRODITE逐日降水数据集。

实施例

选取浙江省(118°01'-123°08'E，27°01'-31°10'N)作为研究区域，利用2015年的GPM-IMERG和SM2RAIN-ASCAT降水数据集以及包括SRTM DEM、Slope、Aspect、Lon和Lat的辅助数据集，对同时期的APHRODITE逐日降水数据集进行降尺度，最终得到时间分辨率为1日，空间分辨率为0.1°×0.1°的APHRODITE降水数据。该降尺度的方法具体如下：

步骤1)数据获取：获取研究区域的GPM-IMERG数据集、SM2RAIN-ASCAT数据集以及APHRODITE逐日降水数据集。获取同一研究区域下的环境因子辅助数据集，辅助数据集的空间分辨率高于APHRODITE逐日降水数据集的空间分辨率，辅助数据集包括SRTM DEM数字高程模型、坡度Slope、坡向Aspect、经度Lon和纬度Lat。经度Lon和纬度Lat分别通过计算SRTMDEM数字高程模型中栅格格网像元的中心经度值和纬度值得到。

其中，GPM-IMERG数据是Final-Run V06版本的L3级产品，该级别的IMERG数据达到科研精度，其空间分辨率为0.1°×0.1°，时间分辨率为30min，空间范围覆盖全球，时间范围为从2000年6月至今，所有数据可在美国国家航空航天局(NASA)降水测量任务官网上免费下载。SM2RAIN-ASCAT数据是基于ASCAT卫星观测的土壤水分反演得到的全球降水数据，其空间分辨率为12.5km，时间分辨率为1日，可在官网免费下载。APHRODITE数据是V1801_R1高分辨率逐日降水产品(mm/day)，其空间分辨率为0.25°×0.25°，时间分辨率为1日，可在APHRODITE官网免费下载1998-2015年的降水数据，三种数据格式均为NetCDF格式。

步骤2)数据预处理：利用matlab软件对NetCDF格式的数据进行读取和转换为tiff格式输出；GPM-IMERG产品的时间分辨率为30min，故每日可获取GPM-IMERG栅格格网共48幅，累加48幅栅格格网对应的非空栅格像元值作为当天日分辨率的像元值。

将步骤1)获取的GPM-IMERG降水数据的时间分辨率处理为日；利用python中的Arcpy包提供的坐标转换工具，将SM2RAIN-ASCAT数据的坐标系转换为GCS_WGS_1984地理坐标系，利用ArcGIS 10.3软件中的重采样工具，采样方法选择为最近邻法，将转换后的SM2RAIN-ASCAT数据重采样为0.1°；利用matlab软件编写移动窗口法程序，以日分辨率的GPM-IMERG格网中每一个像元为中心，建立3°*3°大小的移动窗口，计算移动窗口覆盖下的每个0.25°格网像元的被覆盖面积比例，将比例最大的所覆盖的0.25°格网像元作为该移动窗口的中心像元，将构成移动窗口的3*3个GPM-IMERG格网像元的平均像元值作为该中心像元的像元值，全部赋值后的0.25°格网即为聚合得到的0.25°的GPM-IMERG数据，同样方法将坐标转换后的SM2RAIN-ASCAT数据集也聚合为0.25°，所使用的移动窗口大小为2°*2°；利用ArcGIS 10.3软件中的地形分析工具对DEM影像数据提取坡度(Slope)和坡向(Aspect)因子，然后在matlab软件中利用上述移动窗口程序，将90m的DEM、Slope、Aspect辅助数据集聚合为0.1°和0.25°，其中移动窗口的大小分别设置为112°*112°和278°*278°；利用ArcGIS10.3软件中的栅格转点工具，将浙江省内的0.1°和0.25°栅格格网转换为点数据，并计算每个点的经纬度值，同作为辅助变量数据集；针对在海陆分界附近以及部分区域出现的APHRODITE像元为空值的情况，利用matlab软件将这些空值筛选出来，并就近选择相邻栅格像元进行赋值。

步骤3)进行回归建模：将步骤2)处理后的研究区内0.25°的APHRODITE降水数据作为因变量，以空间分辨率为0.25°的GPM-IMERG和SM2RAIN-ASCAT降水数据以及DEM、Slope、Aspect、Lon和Lat共5个辅助数据集作为自变量，利用matlab软件中提供的支持向量机(libsvm)工具箱，对每个栅格点建立SVR-TB回归模型；该模型具体特征如下：(1)为确保回归模型的稳定性，随机生成训练集和测试集，训练集和测试集样本数量比例为4:1；(2)为加快程序运行的收敛速度，对测试集和训练集进行[-1,1]区间的归一化处理，处理原则为y＝2*(x-x

步骤4)降尺度预测：基于步骤3)确定的回归规则，以0.1°下GPM-IMERG和SM2RAIN-ASCAT降水数据以及DEM、Slope、Aspect、Lon和Lat环境辅助因子数据的每个栅格的像元值作为输入变量，输入到建立的SVR-TB模型中，计算并输出2015年浙江省高精度、高空间分辨率的APHRODITE降水产品栅格数据集。

选取浙江省作为验证区域，如图1所示，以2015年率虚警概率(FAR)和临界成功指数(CSI)为指标，结果表明，相比于GPM-IMERG、SM2RAIN-ASCAT和原始APHRODITE降水数据、降尺度后的降水数据在降水事件捕捉能力上有明显提升，同时减少了虚警率。选取2015年7月超强台风“灿鸿”为验证事件，如图2所示，结果表明，相比原始APHRODITE降水数据，降尺度后的降水数据相关系数R提高了0.013；相对偏差bias减少了0.053；无偏均方根误差减少了1.709毫米；均方根误差减少了1.710毫米，各指标均明显提升。如图3所示，“灿鸿”事件中，降尺度后的产品不仅继承了原始APHRODITE产品捕捉实际降水空间分布特征(东北高西南低)的能力，同时具有更高空间分辨率。

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。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此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。