申请/专利权人：武汉大学

申请日：2023-08-23

公开（公告）日：2024-03-22

公开（公告）号：CN117152629B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/774;G06V10/82;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.12.19#实质审查的生效;2023.12.01#公开

摘要：本发明提供一种流域尺度时变卫星重力空缺数据填补方法及系统，包括：通过预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据得到统一时间解算尺度；由全球流域边界范围数据库获取流域精确边界和流域经纬度信息得到统一空间解算尺度；采用经验模态分解对水储量异常时间序列进行模态分解得到各模态分量，结合相关性分析法确定各模态分量主要驱动因子；基于各模态分量和主要驱动因子训练循环神经网络得到各内涵模态分量模型；基于各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果。本发明可显著提高整个流域监测的准确性，并优化空间和时间尺度上的数据一致性及完整性，为精确的水资源管理和水循环研究提供了重要支持。

主权项：1.一种流域尺度时变卫星重力空缺数据填补方法，其特征在于，包括：获取预设重力卫星数据、流域降水数据、水文模型地表水储量数据和气候因子数据；通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据，统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据，得到统一时间解算尺度；由全球流域边界范围数据库获取流域精确边界和流域经纬度信息，对所述流域精确边界和所述流域经纬度信息进行裁剪，得到统一空间解算尺度；综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列，采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量，结合相关性分析法确定所述各模态分量的主要驱动因子；构建循环神经网络模型，基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型；基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果；通过所述预设重力卫星数据反演全球陆地水储量异常格网数据及其它辅助数据，统一所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据，得到统一时间解算尺度，包括：利用海洋数值模型解算得到一阶重力场系数，由所述一阶重力场系数替换GRACE卫星数据以及GRACE-FO卫星数据的球谐系数一阶项；采用卫星激光测距SLR数据计算结果对GRACE卫星数据以及GRACE-FO卫星数据的球谐系数中C20项进行替换；根据流域大小确定去噪与去相关核DDK滤波，采用DDK滤波削弱所述球谐系数中的条带噪声和高阶项中噪声；采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响；将所述球谐系数转换为所述全球陆地水储量异常格网数据，采用正向建模方法对泄漏误差进行改正；对所述流域降水数据、所述水文模型地表水储量数据和所述气候因子数据进行距平处理，得到所述统一时间解算尺度；其中，对于获取的GRACELevel-2球谐系数数据，还包括球谐系数与陆地水储量异常之间的转换，需要通过卫星重力反演的方法，具体包括：使用海洋数值模型解算得到的一阶重力场系数来代替GRACEGRACE-FO球谐系数的一阶项；使用卫星激光测距SLR数据计算的结果对GRACEGRACE-FO球谐系数中C20项进行替换；根据流域的大小选择合适的去噪与去相关核DDK滤波削弱GRACE球谐系数的条带噪声和高阶项中的噪声；采用冰川均衡调整模型ICE6G-D模型消除冰川均衡调整GIA对反演结果的影响；将球谐系数转换为陆地水储量异常格网数据，并使用正向建模的方法对可能产生的泄漏误差进行改正，统一对GRACE、GLDASNoah、IMEGR和TRMM进行距平处理；综合所述统一时间解算尺度和所述统一空间解算尺度得到水储量异常时间序列，采用经验模态分解对所述水储量异常时间序列进行模态分解得到各模态分量，结合相关性分析法确定所述各模态分量的主要驱动因子，包括：通过纬度余弦加权求和计算得到陆地水储量异常时间序列、地表水储量异常时间序列以及两组总体降水量时间序列；采用完全自适应噪声集合经验模态分解CEEMDAN对所述陆地水储量异常时间序列、所述地表水储量异常时间序列和所述两组总体降水量时间序列进行分解，得到多个内涵模态分量；采用灰色关联度分析法GRA对多个内涵模态分量进行相关分析，得到所述主要驱动因子；其中，通过纬度余弦加权求和计算得到每个月长江流域的陆地水储量异常时间序列、地表水储量异常时间序列及两组总体降水量的时间序列，通过GLDASNoah计算陆地水储量变化的方式有两种，一种为对土壤水、积雪融水、植被冠层水求和的经典方式，另一种是直接利用水平衡方程；对流域水储量异常时间序列，使用经验模态分解的方法进行处理，将其分成数量不等的内涵模态分量，内涵模态分量的个数仅取决于流域信号本身的物理特性，并通过相关性分析的方法确定每个内涵模态分量的驱动因素；构建循环神经网络模型，基于所述各模态分量和所述主要驱动因子训练所述循环神经网络得到各内涵模态分量模型，包括：采用长短期记忆网络LSTM构建所述循环神经网络模型；所述循环神经网络模型的输入层包括每个内涵模态分量和对应的主要驱动因子，所述循环神经网络模型的输出层包括预设未来时刻的内涵模态分量；基于预设划分比例将所述各模态分量和所述主要驱动因子划分为训练数据和验证数据，由所述训练数据和所述验证数据对所述循环神经网络进行训练，获得所述各内涵模态分量模型；其中，LSTM的输入层包括陆地水储量异常、降水产品、水文学模型和气候因子；对于不同的IMF分量，输入层除了IMF分量本身，其余选取的数据各有所不同，IMF1以自回归方式来建模；IMF2选取GLDASNoah、IMEGR及TRMM作为输入参数；IMF3选取ENSO、EMI、IOD、PDO气候因子作为输入参数；IMF4与IMF5使用自回归方式建模；使用Python语言完成每个IMF分量的建模，并且对于各组输入数据和目标数据分别抽出80％用于模型训练，另外20％用于模型的验证；基于所述各内涵模态分量模型得到流域尺度下陆地水储量异常空缺数据填补结果，包括：获取所述各内涵模态分量模型的空缺数据回归结果；将所述空缺数据回归结果进行相加，得到所述流域尺度下陆地水储量异常空缺数据填补结果；其中，通过对各内涵模态模型空缺数据的回归结果进行相加，获得流域尺度下陆地水储量异常空缺数据的填补结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种流域尺度时变卫星重力空缺数据填补方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD