一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
【专利摘要】本发明公开了一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法。本发明首先把1km的环境变量因子包括植被指数、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、坡向、坡长坡度8个数据进行聚合计算到25km，作为自变量，对应的25km分辨率的TRMM 3B43 v7降水数据作为因变量。M5的方法根据地理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的向量空间里分别动态的筛选最有效的环境变量，并在相应的向量空间分别建立分区的多元回归模型；该模型最终应用到1km的环境变量上，最终得到1km分辨率的降水产品。通过分区与动态因子筛选的降尺度结果要明显优于基于常规回归模型的降尺度结果。
【专利说明】
-种基于低分辨率卫星遥感数据的环境变量动态筛选建模降 尺度方法
技术领域
[0001] 本发明设及一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方 法，具体设及到一种TRMM 3B43 v7降水数据的分区环境因子动态筛选建模的降尺度方法。 技术背景
[0002] 降水在水文学、气象学、生态学W及农业研究等领域担任了重要角色，特别是物质 能量交换守恒的一个重要组成部分。地面观测站是一种应用广泛的降水测量手段，并且具 有精度高和技术成熟的特点。但是地面观测站监测的降水量仅代表地表观测站及周边一定 距离的降水状况，因此很难表述大面积降水分布特征，尤其是在地面观测站布网密度稀疏 的高原地区。而卫星遥感技术能够提供较高时空分辨率的降水数据，覆盖空间范围更广，很 好的克服了地面降水观测站和测雨雷达的局限，为全球降水监测提供了有力的数据支撑。
[0003] 近年来，随着气象卫星技术的发展，全球尺度高时空分辨率的测雨卫星产品应运 而生，如美国热带降水测量卫星（Tropical Rainfall Measuring Mission)降水产品 TRMM3B43 v7 dTRMM降水卫星提供覆盖全球40° S~40° NW内的区域的降水数据。但是，TRMM 卫星的原始分辨率较低(空间分辨率为0.25°，约25km)，在预测区域尺度降水方面具有一定 的局限性和偏差，因此需要针对TRMM数据进行空间上的尺度转换，从而得到分辨率较高的 降水测量值。但是目前尚没有一种方法能够比较精确地对复杂地区进行降水预测。
【发明内容】
[0004] 本发明的目的在于解决现有技术中存在的问题，并提供一种基于低分辨率卫星遥 感数据的环境变量动态筛选建模降尺度方法。
[0005] 本发明中的动态降尺度方法结合了 M5方法与多元回归建模，根据环境变量因子与 卫星降水数据组成的向量空间，采用M5方法进行分区和动态最优环境变量因子筛选，并建 立分区的多元回归模型。
[0006] 本发明的具体技术方案如下：
[0007] -种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法，其特征在 于，包括W下步骤：
[000引步骤1)数据获取:获取待测区域的TRMM 3B43 v7降水数据、MODIS卫星遥感影像数 据W及ASTERGDEM卫星遥感影像数据，同时收集该待测区域内地面观测站点的日降水量观 测值;其中MODIS卫星遥感影像数据包括MODl 1A2数据产品和MODl 3A2数据产品；
[0009]步骤2)数据预处理:将步骤1)获取的TRMM 3B43 v7降水数据的时间分辨率处理为 月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为Ikm和25km的DEM 数据;从MODl 1A2数据产品中提取白天地表溫度和晚上地表溫度参量，并通过聚合计算分别 得到空间分辨率为Ikm和25km的白天地表溫度数据W及空间分辨率为Ikm和25km的晚上地 表溫度数据;从M0D13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合 计算分别得到空间分辨率为Ikm和25km的植被指数数据;从ASTER GDEM卫星遥感影像数据 中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到Ikm和25km的 坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
[0010] 步骤3)进行分区及环境因子动态筛选回归建模：将步骤2)处理后的25kmTRMM 3B43 v7降水数据作为因变量，W空间分辨率为25km的白天地表溫度数据、晚上地表溫度数 据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为 自变量;将25km各个环境变量因子组成的数据集划分到不同的向量空间并通过计算不同环 境变量因子的影响权重动态筛选出最有效的环境变量因子，然后对每个向量空间分别建立 不同的多元回归模型。
[0011] 步骤4)降尺度预测：基于步骤3)确定Ikm尺度下相应的环境变量种类，然后通过 25km环境变量因子组成的不同向量空间建立的多元回归模型计算得到空间分辨率为Ikm的 降尺度降水产品；同时将空间分辨率为25km的降水回归残差值进行重采样得到空间分辨率 为Ikm的降水回归残差值，并将其与空间分辨率为Ikm地面降水量预测值数据相加，得到空 间分辨率为Ikm的TRMM 3B43 v7降水数据。
[001^ 所述的步骤1)中，TRMM 3B43 v7降水数据的空间分辨率为0.25° XO. 25°，时间分 辨率为3小时;所述的ASTER GDEM卫星遥感影像数据的空间分辨率为90m;所述的MOD IS卫星 遥感影像数据的空间分辨率为1km，时间分辨率为8天。
[0013] 所述的步骤2)中异常值剔除处理的具体步骤如下:将M0D13A2数据产品中提取的 植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再WlOX 10的 窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作 为阔值范围对相减后的结果进行筛选，舍去超出阔值范围的栅格，同时剔除坡度为-1所对 应的植被指数的范围，其余作为正常的植被指数点。
[0014] 进行分区及环境因子动态筛选回归建模采用M5决策树分类方法，具体为:根据地 理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的向量空间里 分别动态筛选最有效的环境变量，并在相应的向量空间分别建立多元回归关系。
[0015] 所述的多元回归模型通用形式为
[0016] 其中，N表示参数估算模型中自变量个数，具体视上述因子选择情况而定;an表示 第n个环境变量的系数;a日表示模型参数的常数项系数;yn表示降雨量预测值;Xn表示第n个 环境变量；
[0017] a日和an的计算公式如下：
[001 引
[0019] 其中：k代表地面观测站点个数;Xin代表第i个地面观测站点的第n个环境变量的 值，yi代表的是第i个地面观测站点的日降水量观测值,?代表第n个环境变量因子的均值， 歹代表所有地面观测站点的日降水量观测值的均值。
[0020] 本发明中所述的多元回归模型具体如下：
[0021] (1)当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广0.64 X Xrug+8 X Xmrv-O . 00024 X Xrad
[0023] (2)当 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地面降雨预测值，Xdem代表的是Ikm数字高程模型的栅格值， Xlst_day代表的是Ikm白天地表溫度栅格值，Xlst_night代表的是1 km晚上地表溫度栅格值，Xslope 代表的是Ikm坡度栅格值，Xndvi代表的是Ikm植被指数栅格值，Xtwi代表的是Ikm地形湿度指 数栅格值，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 底平坦指数。
[0028] 本发明的有益效果是同时结合M5分区与动态因子筛选和多元回归建模思想对 TRMM 3B43 v7降水数据进行动态降尺度预测。通过分区与动态环境变量筛选进行多元回归 建模能够更精确地对复杂地区进行降水预测，并极大的提高了降水预测的空间分辨率。具 有重要的理论、实践意义和推广应用价值。
【具体实施方式】
[0029] 下面结合【具体实施方式】对本发明进一步说明。
[0030] 选取中国地区作为研究区域，对2000-2009年湿季(每年5月-10月）的月降水量进 行预测研究，最终得到每月Ikm空间分辨率的降水量分布图。
[0031] -种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法，包括W下 步骤：
[0032] 步骤1)数据获取:获取待测区域的TRMM 3B43 v7降水数据、MODIS卫星遥感影像数 据W及ASTERGDEM卫星遥感影像数据，同时收集该待测区域内地面观测站点的日降水量观 测值;其中MODIS卫星遥感影像数据包括M0D11A2数据产品和M0D13A2数据产品；TRMM 3B43 v7降水数据的空间分辨率为0.25° XO.25°，时间分辨率为3小时;所述的ASTER GDEM卫星遥 感影像数据的空间分辨率为90m;所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间 分辨率为8天。
[0033] 步骤2)数据预处理:将步骤1)获取的TRMM 3B43 v7降水数据的时间分辨率处理为 月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为Ikm和25km的DEM 数据;从MODl 1A2数据产品中提取白天地表溫度和晚上地表溫度参量，并通过聚合计算分别 得到空间分辨率为Ikm和25km的白天地表溫度数据W及空间分辨率为Ikm和25km的晚上地 表溫度数据;从M0D13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合 计算分别得到空间分辨率为Ikm和25km的植被指数数据;从ASTER GDEM卫星遥感影像数据 中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到Ikm和25km的 坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；异常值剔除处理的具体步骤如 下:将M0D13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅 格值小于O的部分，再Wiox 10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后 的植被指数，再选择-0.1到0.1作为阔值范围对相减后的结果进行筛选，舍去超出阔值范围 的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。
[0034] 步骤3)进行分区及环境因子动态筛选回归建模。进行分区及环境因子动态筛选回 归建模采用M5决策树分类方法，具体为:根据地理相似性将各个环境变量组成的数据集划 分到不同的向量空间，然后在不同的向量空间里分别动态筛选最有效的环境变量，并在相 应的向量空间分别建立多元回归关系。将步骤2)处理后的25kmTRMM 3B43 v7降水数据作为 因变量，W空间分辨率为25km的白天地表溫度数据、晚上地表溫度数据、植被指数数据、DEM 数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量;将25km各个环 境变量因子组成的数据集划分到不同的向量空间并通过计算不同环境变量因子的影响权 重动态筛选出最有效的环境变量因子，然后对每个向量空间分别建立不同的多元回归模 型。
[0035] 多元回归模型形式为
[0036] 其中，N表示参数估算模型中自变量个数;an表示第n个环境变量的系数;a质示模 型参数的常数项系数;yn表示降雨量预测值;Xn表示第n个环境变量；
[0037] a日和an的计算公式如下：
[00；3 引
[0039] 其中：k代表地面观测站点个数;Xin代表第i个地面观测站点的第n个环境变量的 值，yi代表的是第i个地面观测站点的日降水量观测值代表第n个环境变量因子的均值， 歹代表所有地面观测站点的日降水量观测值的均值。
[0040] 本发明中多元回归模型具体如下：
[0041 ] (1)当dem《1286.0且ndvi > 0.3788
[0042] Yprecip = 1095.880625+63.2 X Xist_nigh广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)当 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地面降雨预测值，Xdem代表的是Ikm数字高程模型的栅格值， Xlst_day代表的是Ikm白天地表溫度栅格值，Xlst_night代表的是1 km晚上地表溫度栅格值，Xslope 代表的是Ikm坡度栅格值，Xndvi代表的是Ikm植被指数栅格值，Xtwi代表的是Ikm地形湿度指 数栅格值，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 底平坦指数。
[0048] 步骤4)降尺度预测：基于步骤3)确定Ikm尺度下相应的环境变量种类，然后通过 25km环境变量因子组成的不同向量空间建立的多元回归模型计算得到空间分辨率为Ikm的 降尺度降水产品；同时将空间分辨率为25km的降水回归残差值进行重采样得到空间分辨率 为Ikm的降水回归残差值，并将其与空间分辨率为Ikm地面降水量预测值数据相加，得到空 间分辨率为Ikm的TRMM 3B43 v7降水数据。
[0049]步骤5)降水量预测值的精度分析:利用交叉检验的方法对步骤4)中的Ikm空间分 辨率的降水量预测值进行预测精度验证分析，交叉检验选用均方根误差、平均绝对误差W 及相关系数作为评价因子。各指标的计算公式如下：
[(K)加 ]
[0化1 ]
[0化2]
[0053]式中MAE代表的是平均绝对巧差，RM沈代表的是均方根误差，R2代表的是回归相关 系数，Yk是地面观测站点k的观测值，Ok是通过模型降尺度后在站点k处的预测值，F是所有 地面降水观测站点数据的平均值，0是在所有站点的模型预测值的平均值。
[0054] 最终，相关系数R2为0.651，均方根误差RMSE为39.578mm，平均绝对误差MEA为 29.611mm。通过分区与动态因子筛选的降尺度结果要明显优于基于常规回归模型的降尺度 结果。
【主权项】
1. 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法，其特征在 于，包括以下步骤： 步骤1)数据获取:获取待测区域的TRMM 3B43 V7降水数据、MODIS卫星遥感影像数据以 及ASTERGDEM卫星遥感影像数据，同时收集该待测区域内地面观测站点的日降水量观测值； 其中MODIS卫星遥感影像数据包括MODI 1A2数据产品和MODI 3A2数据产品； 步骤2)数据预处理:将步骤1)获取的TRMM 3B43 v7降水数据的时间分辨率处理为月； 将ASTER⑶EM卫星遥感影像数据进行聚合计算分别得到空间分辨率为Ikm和25km的DEM数 据;从MODI 1A2数据产品中提取白天地表温度和晚上地表温度参量，并通过聚合计算分别得 到空间分辨率为Ikm和25km的白天地表温度数据以及空间分辨率为Ikm和25km的晚上地表 温度数据;从M0D13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计 算分别得到空间分辨率为Ikm和25km的植被指数数据;从ASTER GDEM卫星遥感影像数据中 提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到Ikm和25km的坡 度数据、地形湿度指数数据、坡长坡度数据和坡向数据； 步骤3)进行分区及环境因子动态筛选回归建模:将步骤2)处理后的25kmTRMM 3B43 v7 降水数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被 指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量； 将25km各个环境变量因子组成的数据集划分到不同的向量空间并通过计算不同环境变量 因子的影响权重动态筛选出最有效的环境变量因子，然后对每个向量空间分别建立不同的 多元回归模型； 步骤4)降尺度预测:基于步骤3)确定Ikm尺度下相应的环境变量种类，然后通过25km环 境变量因子组成的不同向量空间建立的多元回归模型计算得到空间分辨率为Ikm的降尺度 降水产品；同时将空间分辨率为25km的降水回归残差值进行重采样得到空间分辨率为Ikm 的降水回归残差值，并将其与空间分辨率为Ikm地面降水量预测值数据相加，得到空间分辨 率为Ikm的TRMM 3B43 v7降水数据。2. 如权利要求1所述的一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺 度方法，其特征在于，所述的步骤1)中，TRMM 3B43 v7降水数据的空间分辨率为0.25° X 0.25°，时间分辨率为3小时;所述的ASTER GDEM卫星遥感影像数据的空间分辨率为90m;所 述的MODIS卫星遥感影像数据的空间分辨率为lkm，时间分辨率为8天。3. 如权利要求1所述的一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺 度方法，其特征在于，所述的步骤2)中异常值剔除处理的具体步骤如下:将M0D13A2数据产 品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再 以10 X 10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡 度为-1所对应的植被指数的范围，其余作为正常的植被指数点。4. 如权利要求1所述的一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺 度方法，其特征在于，进行分区及环境因子动态筛选回归建模采用M5决策树分类方法，具体 为:根据地理相似性将各个环境变量组成的数据集划分到不同的向量空间，然后在不同的 向量空间里分别动态筛选最有效的环境变量，并在相应的向量空间分别建立多元回归关 系。5. 如权利要求1所述的一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺 度方法，其特征在于，所述的多元回归模型形式为其中，N表示参数估算模型中自变量个数;an表示第η个环境变量的系数;ao表示模型参 数的常数项系数;yn表示降雨量预测值;Xn表示第η个环境变量； ao和an的计算公式如下：其中：k代表地面观测站点个数;Xin代表第i个地面观测站点的第η个环境变量的值，yi 代表的是第i个地面观测站点的日降水量观测值，代表第η个环境变量因子的均值，y代 表所有地面观测站点的日降水量观测值的均值。6. 如权利要求1所述的一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺 度方法，其特征在于，所述的多元回归模型具体如下： (1) 当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) 当 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地面降雨预测值，Xde?代表的是I km数字高程模型的栅格值，Xist_day代表 的是Ikm白天地表温度栅格值，Xist_night代表的是Ikm晚上地表温度栅格值，Xsic ipA表的是 Ikm坡度栅格值，Xndvi代表的是Ikm植被指数栅格值，Xtwi代表的是Ikm地形湿度指数栅格值， 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 数。
【文档编号】G06F19/00GK106021872SQ201610307333
【公开日】2016年10月12日
【申请日】2016年5月10日
【发明人】史舟, 马自强, 吕志强, 刘用
【申请人】浙江大学