基于动态启发式算法的多源降水产品的融合方法

摘要

本发明提供一种基于动态启发式算法的多源降水产品融合方法，包括：搜集稀缺资料地区的有限站点观测数据、卫星反演和再分析降水数据集；采用局地量级缩放方法和等率校正方法校正各数据集，并获得各站点的校正系数；通过赋分函数描述各数据源对降水事件的捕捉能力，推求具有时空动态属性的状态权重；考虑各数据源对降水量级的模拟能力，基于布谷鸟算法推求动态的量级权重；采用普通克里金插值方法，将所有站点的校正系数、状态权重和量级权重均动态映射到同一空间分辨率，通过校正和数据融合获得长系列的栅格定量降水产品。本发明有效地融合各降水数据源的优势，校正了各降水数据源的系统偏差，为流域水文模拟和水资源规划提供了参考依据。

说明书

技术领域

本发明属于多源数据融合的技术领域，具体涉及一种基于动态启发式算法的多源降水产品的融合方法。

背景技术

高质量的定量降水数据是灾害防控预警、农业生产管理、生态保护、流域水文模拟以及水利工程规划设计的重要基础资料。传统的降水数据主要依赖于站点观测，但是气象站网通常密度较小且空间布设不均，难以准确反映降水的时空变化特性，不能满足高精度水文模拟等工程应用需要。

近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的降水定量观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为无资料地区提供了新的数据参考。同时，随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来重构长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。

但是，受限于遥感精度、反演算法、数值预报模式和同化方案等影响，卫星和再分析降水产品均具有较大的系统偏差。国内学者提出多源数据融合方法可有效提高降水数据的估计精度。但是，现有研究普遍存在以下问题：(1)一般忽略了降水的时空异质性，较少考虑融合参数的动态特征；(2)未能校正各降水数据源的系统偏差，尤其是未同时校正降水的发生频率及量级。总体而言，现有研究未能有效地融合各降水数据源的优势，制约了流域规划、管理和指导水利工程的运行调度。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种基于动态启发式算法的多源降水产品的融合方法，该方法有效地融合各降水数据源的优势，为流域水文模拟和水资源规划提供重要且可操作性强的参考依据。

为解决上述技术问题，本发明采用如下技术方案：

一种基于动态启发式算法的多源降水产品的融合方法，包括如下步骤：

步骤1、搜集稀缺资料地区的有限站点观测数据、卫星反演和再分析降水数据集；

步骤2、采用局地量级缩放方法和等率校正方法校正步骤1搜集的数据，并获得各站点的校正系数；

步骤3、通过赋分函数描述各数据源对降水事件的捕捉能力，推求具有时空动态属性的状态权重；

步骤4、考虑各数据源对降水量级的模拟能力，基于布谷鸟算法推求动态的量级权重；

步骤5、采用普通克里金插值方法，将所有站点的校正系数、状态权重和量级权重均动态映射到同一空间分辨率，通过校正和数据融合获得长系列的栅格定量降水产品。

进一步地，步骤2还包括如下子步骤：

步骤2.1、依据各地面站点资料，采用局地量级缩放方法逐月校正各数据源的降水发生频率；

步骤2.2、基于等率校正方法推求各站点不同月份的校正因子，并获得各数据源校正后的降水量级。

进一步地，步骤2.1的具体操作方法为：首先基于实测数据计算各站点的降水发生频率，再将该频率代入各模拟降水量级的频率分布函数中，从而得到各数据源的模拟阈值；最后，通过分析模拟阈值与判断阈值的差异，采用量级缩放方法，使模拟和实测系列在不同月份的降水发生概率均一致，具体做法为：当模拟阈值大于判断阈值时，在量级缩放中，将超过判断阈值但小于模拟阈值的降水量级均校正为判断阈值；当模拟阈值小于判断阈值时，在量级缩放中，将低于判断阈值但高于模拟阈值的降水量级均校正为判断阈值。

进一步地，步骤2.1的具体操作方法为：

对于第j个地面站点，记

式中：D表示站点j第m月的总观测日数，d表示日降水系列时序；

采用校正因子，可以得到第s套模拟数据源校正后的量级为：

式中：

进一步地，步骤3的具体方法为：

充分考虑降水事件的时空异质性，采用赋分函数

式中：

之后采用下式推求第s套模拟数据源在第m月第d日的状态权重ω

式中：

进一步地，步骤4还包括如下子步骤：

步骤4.1、基于动态贝叶斯模式平均方法优选记忆长度；

步骤4.2、基于布谷鸟算法推求各站点动态的量级权重。

进一步地，步骤4.2具体方法为：

对于各地面站点，采用离差平方和最小作为目标函数，采用布谷鸟算法推求各数据源动态的量级权重：

式中：w

进一步地，步骤5具体方法为：

步骤5.1、采用普通克里金插值方法，将步骤2所有站点的校正系数、步骤3中的状态权重和步骤4中的量级权重均插值到栅格尺度中；

步骤5.2、对于每一个栅格，基于插值的降水阈值和校正系数，采用局地量级缩放方法和等率校正方法，推求得到校正后的多套模拟降水数据源；

步骤5.3、对于每i个栅格，基于插值得到的状态权重，采用

步骤5.4、对于每i个栅格，基于插值得到的量级权重，采用

步骤5.5、采用步骤5.3的降水量级I

与现有技术相比，本发明的有益效果为：本发明充分发挥卫星遥感、大气再分析和地面气象站点资料的优势，克服卫星反演和再分析技术观测空间分辨率低、地面观测站系列较短的不足，通过数据融合和偏差校正技术，获得了长系列降水数据，该融合的栅格化长系列降水数据为流域水文模拟和水资源规划提供重要且可操作性强的参考依据；本发明考虑了降水的时空异质性，并考虑了融合参数的动态特征，校正了各降水数据源的系统偏差，尤其是未同时校正降水的发生频率及量级，有利于流域规划、管理和指导水利工程的运行调度。

附图说明

图1为本发明实施例的多源降水产品的融合方法的具体流程图；

图2为本发明实施例的卫星降水数据源的后验概率密度函数的示意图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明提供一种基于动态启发式算法的多源降水产品融合方法，该方法首先搜集稀缺资料地区的有限站点观测数据、卫星反演和再分析降水数据集；再采用局地量级缩放方法和等率校正方法校正各数据集，并获得各站点的校正系数；然后，通过赋分函数描述各数据源对降水事件的捕捉能力，推求具有时空动态属性的状态权重；再考虑各数据源对降水量级的模拟能力，基于布谷鸟算法推求动态的量级权重；最后，采用普通克里金插值方法，将所有站点的校正系数、状态权重和量级权重均动态映射到同一空间分辨率，通过校正和数据融合获得长系列的栅格定量降水产品，其具体流程详见图1。

下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明：

步骤1、搜集稀缺资料地区的有限站点观测数据、卫星反演和再分析降水数据集；

本实施例中采用了4种卫星反演降水产品，分别为GPM卫星的IMERG Final产品、TRMM卫星的TMPA 3B42V7产品、美国加州大学欧文分校开发的PERSIANN-CDR产品和美国普林斯顿大学开发的MSWEP-V2数据集。

在本实施例中采用的再分析降水数据集为欧洲中期天气预报中心的第五代再分析气候产品ERA5；该数据集逐小时分析场的水平分辨率为31km，垂直分层137层，顶层达到0.01hPa高度；ERA5采用了综合预报系统的Cycle31r2模型版本，以光谱谐波分辨率T255为基础，通过双线性插值技术将简化的高斯网格(N128)数据插值到0.25°至2.5°等多种不同分辨率栅格，是目前时空分辨率最高的全球再分析数据之一。

步骤2、采用局地量级缩放方法和等率校正方法校正各数据集，并获得各站点的校正系数。该步骤进一步包括以下子步骤：

步骤2.1、依据各地面站点资料，采用局地量级缩放(Local intensity scaling，LOCI)方法逐月校正各数据源的降水发生频率；

为了对卫星遥测和再分析降水数据源进行偏差校正，首先提取各站点对应的栅格，从而获得相应的模拟降水系列；本实施例设置1mm作为降水事件的判断阈值，首先基于实测数据计算各站点的降水发生频率，再将该频率代入各模拟降水量级的频率分布函数，从而得到各数据源的模拟阈值；最后，通过分析模拟阈值与判断阈值的差异，采用量级缩放方法，使模拟和实测系列在不同月份的降水发生概率均一致，具体做法为：当模拟阈值大于判断阈值时，在量级缩放中，将超过判断阈值但小于模拟阈值的降水量级均校正为判断阈值；当模拟阈值小于判断阈值时，在量级缩放中，将低于判断阈值但高于模拟阈值的降水量级均校正为判断阈值。

步骤2.2、基于等率校正方法推求各站点不同月份的校正因子，并获得各数据源校正后的降水量级；

对于第j个地面站点，记

式中：D表示站点j第m月的总观测日数，d表示日降水系列时序；

采用校正因子，可以得到第s套模拟数据源校正后的量级为：

式中：

步骤3、通过赋分函数描述各数据源对降水事件的捕捉能力，推求具有时空动态属性的状态权重。

充分考虑降水事件的时空异质性，采用赋分函数

式中：

之后采用下式推求第s套模拟数据源在第m月第d日的状态权重ω

式中：

步骤4、考虑各数据源对降水量级的模拟能力，基于布谷鸟算法推求动态的量级权重。该步骤进一步包括以下子步骤：

步骤4.1、基于动态贝叶斯模式平均(BMA)方法优选记忆长度；

为了融合第d日的降水量级，需要采用该日前N日的站点实测和校正后的各模拟数据系列推求降水量级，N记为记忆长度。为了得到合理的降水数据记忆长度，将它在[31,100]区间离散，采用BMA方法分别推求各站点不同时序的量级权重，再计算各方案下融合系列与实测系列均方根误差(RMSE)：

式中：L为实测系列总长度；n表征第n套离散系列，即记忆长度为30+n的方案；S

BMA方法首先通过Box-Cox函数将气象站点观测系列和各模拟系列进行正态转换，再基于正态线性分布假设对多种模式估计结果进行加权平均。对于第n套离散方案，计算所有站点RMSE的平均值，从而优选得到RMSE最小的方案，进而优化得到记忆长度N。

如图2所示，给出了一种卫星降水数据源的后验概率密度函数的示意图。

步骤4.2、基于布谷鸟算法推求各站点的动态量级权重；

对于各地面站点，采用离差平方和(SSE)最小作为目标函数，采用布谷鸟算法推求各数据源的动态权重：

式中：w

步骤5、采用普通克里金插值方法，将所有站点的校正系数、状态权重和量级权重均动态映射到同一空间分辨率，通过校正和数据融合获得长系列的栅格定量降水产品。步骤5进一步包括以下子步骤：

步骤5.1、采用普通克里金插值方法，将所有站点的校正系数和权重插值到栅格尺度；

将步骤2中各降水数据源的降水阈值和校正系数、步骤3中的状态权重和步骤4中的动态量级权重都插值到栅格尺度中；对每一个栅格，对状态权重和动态量级权重均进行标准化，使各数据源的权重和为1，其中，本实施例选用0.25°的空间分辨率。

步骤5.2、对于每一个栅格，基于插值的降水阈值和校正系数，采用LOCI方法和等率校正方法，推求得到校正后的多套模拟降水数据源；由于本实施例步骤1中采集了5套降水数据源，故该步骤5.2得到5套校正后的降水数据源，值得指出的是，对于不同的工程需求，也可以选取不同的降水数据源数量；

步骤5.3、对于每i个栅格，基于插值得到的状态权重，采用

步骤5.4、对于每i个栅格，基于插值得到的量级权重，采用

步骤5.5、采用步骤5.3的降水量级I

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。