申请/专利权人：国能大渡河流域水电开发有限公司;河海大学

申请日：2022-01-28

公开（公告）日：2024-04-12

公开（公告）号：CN114463616B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/80;G06V10/766;G06N20/20;G06T3/4053

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.06.07#实质审查的生效;2022.05.10#公开

摘要：本发明公开了一种基于Stacking与EMOS‑CSG的多源卫星降水融合方法，步骤包括：数据预处理，包括获取雨量站、原始卫星降水和辅助变量数据；借助地理加权回归模型，对每种原始卫星产品进行降尺度；采用Stacking集成框架第一层多个基学习器分别对每种降尺度卫星产品进行偏差校正；利用Stacking集成框架第二层学习器对各降尺度卫星产品的偏差校正结果进行集成；基于EMOS‑CSG方法对Stacking集成结果进行融合，得到高时空分辨率的降水融合产品。本发明通过Stacking与EMOS‑CSG的融合方法将不同卫星降水产品的优势有效结合，并借助机器学习模型校正了卫星产品的偏差，提高了融合产品的精度，可为水文模型提供了高精度的降水输入。

主权项：1.一种基于Stacking与EMOS-CSG的多源卫星降水融合方法，其特征在于，包括如下步骤：步骤1、数据预处理：包括获取雨量站、原始卫星降水和辅助变量数据，所述辅助变量包括经纬度、高程、坡度坡向、NDVI、土壤湿度、风向风速、温度和大气压；步骤2、降尺度：借助地理加权回归模型，对每种原始卫星产品进行降尺度；步骤3、Stacking第一层基学习器校正：采用Stacking集成框架第一层6种基学习器分别对每种降尺度卫星产品进行偏差校正，得到每种产品的6种校正结果；其中，6种基学习器为随机森林、K最近邻算法、极端梯度提升树、轻量梯度提升树、CatBoost和梯度提升树；步骤4、利用Stacking集成框架第二层学习器对各降尺度卫星产品的偏差校正结果进行集成；所述第二层学习器为随机森林；步骤5、基于EMOS-CSG方法对Stacking集成结果进行融合，得到高时空分辨率的降水融合产品；其中EMOS-CSG最终求解方程为：λ＝θk[1-Gk,θδ][1-Gk+1,θδ]-δ[1-Gk,θδ]26式6中，λ为左移截尾伽马分布的均值，即融合产品均值；θ为伽马分布的尺度参数；k为形状参数；Gk,θδ是以k,θ为参数的原始伽马分布的累计分布函数；δ0表示向左偏移量；Gk+1,θδ是以k+1,θ为参数的原始伽马分布的累计分布函数；所述步骤2中借助地理加权回归模型，对每种原始卫星产品进行降尺度，包含如下步骤：步骤21、选取与降雨关系密切的经纬度、高程、坡度坡向和NDVI作为自变量，以卫星产品作为因变量，构建地理加权回归模型： 式1中，PiL代表第i个原始卫星产品的降雨；分别为与第i个原始卫星产品空间分辨率一致的归一化植被指数、高程、坡度、坡向、经度、纬度值；代表对应的系数；是常数项的系数；是残差项；步骤22、采用双线性插值对式1中系数项和自变量因子项重采样到细分辨率；步骤23、计算细分辨率的卫星降水： 式2中PiH为第i个细分辨率卫星产品的降水；分别为与第i个细分辨率卫星产品空间分辨率一致的归一化植被指数、高程、坡度、坡向、经度、纬度值；代表相应重采样到细分辨率后的系数；是重采样到细分辨率后常数项的系数；步骤24、采用普通克里金法处理式1中的残差项，获取和细分辨率卫星产品空间分辨率一致的残差步骤25、将步骤23得到的细分辨率的卫星降水PiH与步骤24残差相加得到最终降尺度细分辨率卫星产品的降水值； 式3中，PiHH为第i个最终降尺度细分辨率卫星产品的降水值。

全文数据：

权利要求：

百度查询： 国能大渡河流域水电开发有限公司;河海大学 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法

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