一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方法

一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方法
【專利摘要】本發明公開了一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方法。本發明首先把1km的環境變量因子包括植被指數、數字高程模型、白天地表溫、晚上地表溫、地形濕度指數、坡度、坡向、坡長坡度8個數據進行聚合計算到25km，作為自變量，對應的25km分辨率的TRMM 3B43 v7降水數據作為因變量。M5的方法根據地理相似性將各個環境變量組成的數據集劃分到不同的向量空間，然后在不同的向量空間里分別動態的篩選最有效的環境變量，并在相應的向量空間分別建立分區的多元回歸模型；該模型最終應用到1km的環境變量上，最終得到1km分辨率的降水產品。通過分區與動態因子篩選的降尺度結果要明顯優于基于常規回歸模型的降尺度結果。
【專利說明】
-種基于低分辨率衛星遙感數據的環境變量動態篩選建模降 尺度方法
技術領域
[0001] 本發明設及一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方 法，具體設及到一種TRMM 3B43 v7降水數據的分區環境因子動態篩選建模的降尺度方法。 技術背景
[0002] 降水在水文學、氣象學、生態學W及農業研究等領域擔任了重要角色，特別是物質 能量交換守恒的一個重要組成部分。地面觀測站是一種應用廣泛的降水測量手段，并且具 有精度高和技術成熟的特點。但是地面觀測站監測的降水量僅代表地表觀測站及周邊一定 距離的降水狀況，因此很難表述大面積降水分布特征，尤其是在地面觀測站布網密度稀疏 的高原地區。而衛星遙感技術能夠提供較高時空分辨率的降水數據，覆蓋空間范圍更廣，很 好的克服了地面降水觀測站和測雨雷達的局限，為全球降水監測提供了有力的數據支撐。
[0003] 近年來，隨著氣象衛星技術的發展，全球尺度高時空分辨率的測雨衛星產品應運 而生，如美國熱帶降水測量衛星（Tropical Rainfall Measuring Mission)降水產品 TRMM3B43 v7 dTRMM降水衛星提供覆蓋全球40° S~40° NW內的區域的降水數據。但是，TRMM 衛星的原始分辨率較低(空間分辨率為0.25°，約25km)，在預測區域尺度降水方面具有一定 的局限性和偏差，因此需要針對TRMM數據進行空間上的尺度轉換，從而得到分辨率較高的 降水測量值。但是目前尚沒有一種方法能夠比較精確地對復雜地區進行降水預測。

【發明內容】

[0004] 本發明的目的在于解決現有技術中存在的問題，并提供一種基于低分辨率衛星遙 感數據的環境變量動態篩選建模降尺度方法。
[0005] 本發明中的動態降尺度方法結合了 M5方法與多元回歸建模，根據環境變量因子與 衛星降水數據組成的向量空間，采用M5方法進行分區和動態最優環境變量因子篩選，并建 立分區的多元回歸模型。
[0006] 本發明的具體技術方案如下：
[0007] -種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方法，其特征在 于，包括W下步驟：
[000引步驟1)數據獲取:獲取待測區域的TRMM 3B43 v7降水數據、MODIS衛星遙感影像數 據W及ASTERGDEM衛星遙感影像數據，同時收集該待測區域內地面觀測站點的日降水量觀 測值;其中MODIS衛星遙感影像數據包括MODl 1A2數據產品和MODl 3A2數據產品；
[0009]步驟2)數據預處理:將步驟1)獲取的TRMM 3B43 v7降水數據的時間分辨率處理為 月；將ASTER GDEM衛星遙感影像數據進行聚合計算分別得到空間分辨率為Ikm和25km的DEM 數據;從MODl 1A2數據產品中提取白天地表溫度和晚上地表溫度參量，并通過聚合計算分別 得到空間分辨率為Ikm和25km的白天地表溫度數據W及空間分辨率為Ikm和25km的晚上地 表溫度數據;從M0D13A2數據產品中提取植被指數參量，經過異常值剔除處理后，通過聚合 計算分別得到空間分辨率為Ikm和25km的植被指數數據;從ASTER GDEM衛星遙感影像數據 中提取坡度、地形濕度指數、坡長坡度和坡向4個參量進行聚合計算分別得到Ikm和25km的 坡度數據、地形濕度指數數據、坡長坡度數據和坡向數據；
[0010] 步驟3)進行分區及環境因子動態篩選回歸建模：將步驟2)處理后的25kmTRMM 3B43 v7降水數據作為因變量，W空間分辨率為25km的白天地表溫度數據、晚上地表溫度數 據、植被指數數據、DEM數據、坡度數據、坡向數據、坡長坡度數據和地形濕度指數數據作為 自變量;將25km各個環境變量因子組成的數據集劃分到不同的向量空間并通過計算不同環 境變量因子的影響權重動態篩選出最有效的環境變量因子，然后對每個向量空間分別建立 不同的多元回歸模型。
[0011] 步驟4)降尺度預測：基于步驟3)確定Ikm尺度下相應的環境變量種類，然后通過 25km環境變量因子組成的不同向量空間建立的多元回歸模型計算得到空間分辨率為Ikm的 降尺度降水產品；同時將空間分辨率為25km的降水回歸殘差值進行重采樣得到空間分辨率 為Ikm的降水回歸殘差值，并將其與空間分辨率為Ikm地面降水量預測值數據相加，得到空 間分辨率為Ikm的TRMM 3B43 v7降水數據。
[001^ 所述的步驟1)中，TRMM 3B43 v7降水數據的空間分辨率為0.25° XO. 25°，時間分 辨率為3小時;所述的ASTER GDEM衛星遙感影像數據的空間分辨率為90m;所述的MOD IS衛星 遙感影像數據的空間分辨率為1km，時間分辨率為8天。
[0013] 所述的步驟2)中異常值剔除處理的具體步驟如下:將M0D13A2數據產品中提取的 植被指數作為初始植被指數，首先刪除初始植被指數中柵格值小于0的部分，再WlOX 10的 窗口移動平滑植被指數，然后用初始植被指數減去平滑后的植被指數，再選擇-0.1到0.1作 為闊值范圍對相減后的結果進行篩選，舍去超出闊值范圍的柵格，同時剔除坡度為-1所對 應的植被指數的范圍，其余作為正常的植被指數點。
[0014] 進行分區及環境因子動態篩選回歸建模采用M5決策樹分類方法，具體為:根據地 理相似性將各個環境變量組成的數據集劃分到不同的向量空間，然后在不同的向量空間里 分別動態篩選最有效的環境變量，并在相應的向量空間分別建立多元回歸關系。
[0015] 所述的多元回歸模型通用形式為
[0016] 其中，N表示參數估算模型中自變量個數，具體視上述因子選擇情況而定;an表示 第n個環境變量的系數;a日表示模型參數的常數項系數;yn表示降雨量預測值;Xn表示第n個 環境變量；
[0017] a日和an的計算公式如下：
[001 引
[0019] 其中：k代表地面觀測站點個數;Xin代表第i個地面觀測站點的第n個環境變量的 值，yi代表的是第i個地面觀測站點的日降水量觀測值,?代表第n個環境變量因子的均值， 歹代表所有地面觀測站點的日降水量觀測值的均值。
[0020] 本發明中所述的多元回歸模型具體如下：
[0021] (1)當dem《 1286.0且ndvi >0.3788
[0022] Yprecip = 1095.88062+63.2 X Xist_nighr0.258XXdem-47.4XX+1363XXndvi+44XXis- 7.3 X Xslope-27 X Xtw廣0.64 X Xrug+8 X Xmrv-O . 00024 X Xrad
[0023] (2)當 ndvi《0.378806
[0024] Yprecip = 621.364611 + 1346XXndvi + 22.3XXlst_night+0.092XXdem-15.2XXlst_day- 0.00078 X Xrad+18 X Xmrv-I . 7 X Xslope-4 X Xtwi+0.11 X Xrug
[0025] (3)dem>1286.0
[0026] Yprecip = -434.877289+1221 X Xndvi+18.1 X Xist_night+0.096 X Xdem+0.00047 X Xrad+ 14XXis-2.7XXsi〇pe
[0027] 其中Ypreup是Ikm地面降雨預測值，Xdem代表的是Ikm數字高程模型的柵格值， Xlst_day代表的是Ikm白天地表溫度柵格值，Xlst_night代表的是1 km晚上地表溫度柵格值，Xslope 代表的是Ikm坡度柵格值，Xndvi代表的是Ikm植被指數柵格值，Xtwi代表的是Ikm地形濕度指 數柵格值，Xrug代表的是Ikm地表粗糖度，Xrad代表的是Ikm地表反射率，Xmrvbf代表的是Ikm谷 底平坦指數。
[0028] 本發明的有益效果是同時結合M5分區與動態因子篩選和多元回歸建模思想對 TRMM 3B43 v7降水數據進行動態降尺度預測。通過分區與動態環境變量篩選進行多元回歸 建模能夠更精確地對復雜地區進行降水預測，并極大的提高了降水預測的空間分辨率。具 有重要的理論、實踐意義和推廣應用價值。
【具體實施方式】
[0029] 下面結合【具體實施方式】對本發明進一步說明。
[0030] 選取中國地區作為研究區域，對2000-2009年濕季(每年5月-10月）的月降水量進 行預測研究，最終得到每月Ikm空間分辨率的降水量分布圖。
[0031] -種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方法，包括W下 步驟：
[0032] 步驟1)數據獲取:獲取待測區域的TRMM 3B43 v7降水數據、MODIS衛星遙感影像數 據W及ASTERGDEM衛星遙感影像數據，同時收集該待測區域內地面觀測站點的日降水量觀 測值;其中MODIS衛星遙感影像數據包括M0D11A2數據產品和M0D13A2數據產品；TRMM 3B43 v7降水數據的空間分辨率為0.25° XO.25°，時間分辨率為3小時;所述的ASTER GDEM衛星遙 感影像數據的空間分辨率為90m;所述的MODIS衛星遙感影像數據的空間分辨率為1km，時間 分辨率為8天。
[0033] 步驟2)數據預處理:將步驟1)獲取的TRMM 3B43 v7降水數據的時間分辨率處理為 月；將ASTER GDEM衛星遙感影像數據進行聚合計算分別得到空間分辨率為Ikm和25km的DEM 數據;從MODl 1A2數據產品中提取白天地表溫度和晚上地表溫度參量，并通過聚合計算分別 得到空間分辨率為Ikm和25km的白天地表溫度數據W及空間分辨率為Ikm和25km的晚上地 表溫度數據;從M0D13A2數據產品中提取植被指數參量，經過異常值剔除處理后，通過聚合 計算分別得到空間分辨率為Ikm和25km的植被指數數據;從ASTER GDEM衛星遙感影像數據 中提取坡度、地形濕度指數、坡長坡度和坡向4個參量進行聚合計算分別得到Ikm和25km的 坡度數據、地形濕度指數數據、坡長坡度數據和坡向數據；異常值剔除處理的具體步驟如 下:將M0D13A2數據產品中提取的植被指數作為初始植被指數，首先刪除初始植被指數中柵 格值小于O的部分，再Wiox 10的窗口移動平滑植被指數，然后用初始植被指數減去平滑后 的植被指數，再選擇-0.1到0.1作為闊值范圍對相減后的結果進行篩選，舍去超出闊值范圍 的柵格，同時剔除坡度為-1所對應的植被指數的范圍，其余作為正常的植被指數點。
[0034] 步驟3)進行分區及環境因子動態篩選回歸建模。進行分區及環境因子動態篩選回 歸建模采用M5決策樹分類方法，具體為:根據地理相似性將各個環境變量組成的數據集劃 分到不同的向量空間，然后在不同的向量空間里分別動態篩選最有效的環境變量，并在相 應的向量空間分別建立多元回歸關系。將步驟2)處理后的25kmTRMM 3B43 v7降水數據作為 因變量，W空間分辨率為25km的白天地表溫度數據、晚上地表溫度數據、植被指數數據、DEM 數據、坡度數據、坡向數據、坡長坡度數據和地形濕度指數數據作為自變量;將25km各個環 境變量因子組成的數據集劃分到不同的向量空間并通過計算不同環境變量因子的影響權 重動態篩選出最有效的環境變量因子，然后對每個向量空間分別建立不同的多元回歸模 型。
[0035] 多元回歸模型形式為
[0036] 其中，N表示參數估算模型中自變量個數;an表示第n個環境變量的系數;a質示模 型參數的常數項系數;yn表示降雨量預測值;Xn表示第n個環境變量；
[0037] a日和an的計算公式如下：
[00；3 引
[0039] 其中：k代表地面觀測站點個數;Xin代表第i個地面觀測站點的第n個環境變量的 值，yi代表的是第i個地面觀測站點的日降水量觀測值代表第n個環境變量因子的均值， 歹代表所有地面觀測站點的日降水量觀測值的均值。
[0040] 本發明中多元回歸模型具體如下：
[0041 ] (1)當dem《1286.0且ndvi > 0.3788
[0042] Yprecip = 1095.880625+63.2 X Xist_nigh廣0.258 X Xdem-47.4 X X+1363 X Xndvi+44 X Xls-7.3 X Xslope-27 X Xtwi-0.64 X Xrug+8 X Xmrv-O . 00024 X Xrad
[0043] (2)當 ndvi《0.378806
[0044] Yprecip = 621.364611 + 1346XXndvi + 22.3XXlst_night+0.092XXdem-15.2XXlst_day- O . 00078 X Xrad+18 X Xmrv-I . 7 X Xslope-4 X Xtwi+0.11 X Xrug
[0045] (3)dem>1286.0
[0046] Yprecip = -434.877289+1221 X Xndvi+18.1 X Xist_night+0.096 X Xdem+0.00047 X Xrad+ 14XXis-2.7XXsi〇pe
[0047] 其中Yprecip是Ikm地面降雨預測值，Xdem代表的是Ikm數字高程模型的柵格值， Xlst_day代表的是Ikm白天地表溫度柵格值，Xlst_night代表的是1 km晚上地表溫度柵格值，Xslope 代表的是Ikm坡度柵格值，Xndvi代表的是Ikm植被指數柵格值，Xtwi代表的是Ikm地形濕度指 數柵格值，Xrug代表的是Ikm地表粗糖度，Xrad代表的是Ikm地表反射率，Xmrvbf代表的是Ikm谷 底平坦指數。
[0048] 步驟4)降尺度預測：基于步驟3)確定Ikm尺度下相應的環境變量種類，然后通過 25km環境變量因子組成的不同向量空間建立的多元回歸模型計算得到空間分辨率為Ikm的 降尺度降水產品；同時將空間分辨率為25km的降水回歸殘差值進行重采樣得到空間分辨率 為Ikm的降水回歸殘差值，并將其與空間分辨率為Ikm地面降水量預測值數據相加，得到空 間分辨率為Ikm的TRMM 3B43 v7降水數據。
[0049]步驟5)降水量預測值的精度分析:利用交叉檢驗的方法對步驟4)中的Ikm空間分 辨率的降水量預測值進行預測精度驗證分析，交叉檢驗選用均方根誤差、平均絕對誤差W 及相關系數作為評價因子。各指標的計算公式如下：
[(K)加 ]
[0化1 ]
[0化2]
[0053]式中MAE代表的是平均絕對巧差，RM沈代表的是均方根誤差，R2代表的是回歸相關 系數，Yk是地面觀測站點k的觀測值，Ok是通過模型降尺度后在站點k處的預測值，F是所有 地面降水觀測站點數據的平均值，0是在所有站點的模型預測值的平均值。
[0054] 最終，相關系數R2為0.651，均方根誤差RMSE為39.578mm，平均絕對誤差MEA為 29.611mm。通過分區與動態因子篩選的降尺度結果要明顯優于基于常規回歸模型的降尺度 結果。
【主權項】
1. 一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺度方法，其特征在 于，包括以下步驟： 步驟1)數據獲取:獲取待測區域的TRMM 3B43 V7降水數據、MODIS衛星遙感影像數據以 及ASTERGDEM衛星遙感影像數據，同時收集該待測區域內地面觀測站點的日降水量觀測值； 其中MODIS衛星遙感影像數據包括MODI 1A2數據產品和MODI 3A2數據產品； 步驟2)數據預處理:將步驟1)獲取的TRMM 3B43 v7降水數據的時間分辨率處理為月； 將ASTER⑶EM衛星遙感影像數據進行聚合計算分別得到空間分辨率為Ikm和25km的DEM數 據;從MODI 1A2數據產品中提取白天地表溫度和晚上地表溫度參量，并通過聚合計算分別得 到空間分辨率為Ikm和25km的白天地表溫度數據以及空間分辨率為Ikm和25km的晚上地表 溫度數據;從M0D13A2數據產品中提取植被指數參量，經過異常值剔除處理后，通過聚合計 算分別得到空間分辨率為Ikm和25km的植被指數數據;從ASTER GDEM衛星遙感影像數據中 提取坡度、地形濕度指數、坡長坡度和坡向4個參量進行聚合計算分別得到Ikm和25km的坡 度數據、地形濕度指數數據、坡長坡度數據和坡向數據； 步驟3)進行分區及環境因子動態篩選回歸建模:將步驟2)處理后的25kmTRMM 3B43 v7 降水數據作為因變量，以空間分辨率為25km的白天地表溫度數據、晚上地表溫度數據、植被 指數數據、DEM數據、坡度數據、坡向數據、坡長坡度數據和地形濕度指數數據作為自變量； 將25km各個環境變量因子組成的數據集劃分到不同的向量空間并通過計算不同環境變量 因子的影響權重動態篩選出最有效的環境變量因子，然后對每個向量空間分別建立不同的 多元回歸模型； 步驟4)降尺度預測:基于步驟3)確定Ikm尺度下相應的環境變量種類，然后通過25km環 境變量因子組成的不同向量空間建立的多元回歸模型計算得到空間分辨率為Ikm的降尺度 降水產品；同時將空間分辨率為25km的降水回歸殘差值進行重采樣得到空間分辨率為Ikm 的降水回歸殘差值，并將其與空間分辨率為Ikm地面降水量預測值數據相加，得到空間分辨 率為Ikm的TRMM 3B43 v7降水數據。2. 如權利要求1所述的一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺 度方法，其特征在于，所述的步驟1)中，TRMM 3B43 v7降水數據的空間分辨率為0.25° X 0.25°，時間分辨率為3小時;所述的ASTER GDEM衛星遙感影像數據的空間分辨率為90m;所 述的MODIS衛星遙感影像數據的空間分辨率為lkm，時間分辨率為8天。3. 如權利要求1所述的一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺 度方法，其特征在于，所述的步驟2)中異常值剔除處理的具體步驟如下:將M0D13A2數據產 品中提取的植被指數作為初始植被指數，首先刪除初始植被指數中柵格值小于0的部分，再 以10 X 10的窗口移動平滑植被指數，然后用初始植被指數減去平滑后的植被指數，再選擇-0.1到0.1作為閾值范圍對相減后的結果進行篩選，舍去超出閾值范圍的柵格，同時剔除坡 度為-1所對應的植被指數的范圍，其余作為正常的植被指數點。4. 如權利要求1所述的一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺 度方法，其特征在于，進行分區及環境因子動態篩選回歸建模采用M5決策樹分類方法，具體 為:根據地理相似性將各個環境變量組成的數據集劃分到不同的向量空間，然后在不同的 向量空間里分別動態篩選最有效的環境變量，并在相應的向量空間分別建立多元回歸關 系。5. 如權利要求1所述的一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺 度方法，其特征在于，所述的多元回歸模型形式為其中，N表示參數估算模型中自變量個數;an表示第η個環境變量的系數;ao表示模型參 數的常數項系數;yn表示降雨量預測值;Xn表示第η個環境變量； ao和an的計算公式如下：其中：k代表地面觀測站點個數;Xin代表第i個地面觀測站點的第η個環境變量的值，yi 代表的是第i個地面觀測站點的日降水量觀測值，代表第η個環境變量因子的均值，y代 表所有地面觀測站點的日降水量觀測值的均值。6. 如權利要求1所述的一種基于低分辨率衛星遙感數據的環境變量動態篩選建模降尺 度方法，其特征在于，所述的多元回歸模型具體如下： (1) 當dem 彡 1286 · 0 且ndvi >0 · 3788 Yprecip = 1095 · 88062+63 · 2 X Xist-nighfO · 258 X Xdem_47 · 4 X X+1363 X Xndvi+44 X Xis_7 · 3 X Xslope_27 X Xtwi-O . 64 X Xrug+8 X Xmrv-O . 00024 X Xrad (2) 當 ndvi<0.378806 Yprecip = 621.364611+1346 XXndvi+22.3 XXist-night+0.092 XXdem-15.2 XXist-day-0.00078 X Xrad+18 X Xmrv-I . 7 X Xslope_4 X Xtwi+〇 . 11 X Xrug (3) dem>1286.0 Yprecip = _434.877289+1221 X Xndvi+1 8 . I X Xlst_night+〇 . 096 X Xdem+0.00047 X Xrad+14 X Xls_2.7 X Xslope 其中￥^_是I km地面降雨預測值，Xde?代表的是I km數字高程模型的柵格值，Xist_day代表 的是Ikm白天地表溫度柵格值，Xist_night代表的是Ikm晚上地表溫度柵格值，Xsic ipA表的是 Ikm坡度柵格值，Xndvi代表的是Ikm植被指數柵格值，Xtwi代表的是Ikm地形濕度指數柵格值， Xrug代表的是Ikm地表粗糙度，Xrad代表的是Ikm地表反射率，Xmrvbf代表的是Ikm谷底平坦指 數。
【文檔編號】G06F19/00GK106021872SQ201610307333
【公開日】2016年10月12日
【申請日】2016年5月10日
【發明人】史舟, 馬自強, 呂志強, 劉用
【申請人】浙江大學