[发明专利]一种温度场数据重构方法

说明书

一种温度场数据重构方法，包括：S1、获取温度场数据矩阵；S2、对所述温度场数据矩阵进行随机采样；S3、基于采样数据填充所述温度场数据矩阵以重构温度场数据。在对所述温度场数据矩阵进行随机采样之前，可以例如采用奇异值分解算法对原始矩阵进行降秩处理。可以采用奇异值阈值算法或奇异值投影算法基于所述采样数据填充所述温度场数据矩阵以重构所述温度场数据。实施本发明的温度场数据重构方法和计算机可读存储介质，克服了传统方法中只考虑站点之间数学关系或局部之间相关性的问题，使得本发明可以以很少的温度场站点数据进行恢复全局的温度场数据，并且重构误差很低且信噪比很高，既克服了传统插值法的不足，又可以节省数据的存储空间。

技术领域

本发明涉及气象领域数据处理的方法，更具体地说，涉及一种温度场数据重构方法。

背景技术

随着大数据时代的到来，人们对生活质量的水平要求越来越高，对天气预报的准确性也有了更高的要求，然而，因为传感器数量不足或损坏，天气数据保存不当，设备条件受限等诸多问题造成温度场数据缺失，不完整。如何获取准确的温度场信息成为了迫切解决的问题。

为了获得较为准确的站点之外的温度场数据，不同学者给出不同的空间内插方法。最常见的方法有双线性插值算法，其流程简单，结果易算；1972年美国气象局提出的距离反比法，其精度较高，应用广泛。梯度距离反比法物理意义明确，被广泛应用于气象要素重构中。这些插值算法只考虑缺值点与周围数据的距离因素，没有考虑数据之间的相关性和冗余性。南非地质学家Krige发明了克里金方法，虽然考虑了考虑局部数据的相关性，但该方法在变程的确定和半方差函数的拟合方面具有较强的主观性。

近年来，基于压缩感知的方法应用于图像重构，从采样数据中恢复稀疏信号。但是，压缩感知理论应用于图像重构需要满足受限等距特性，它的准确性会严重影响重构后的温度场图像的质量。如何利用有限的站点数据重构一个完整的温度场，仍然是一个难题。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种利用有限的站点数据快速重构温度场数据方法。

本发明解决其技术问题所采用的技术方案是：构造一种温度场数据重构方法，包括：

S1、获取温度场数据矩阵；

S2、对所述温度场数据矩阵进行随机采样；

S3、基于采样数据填充所述温度场数据矩阵以重构温度场数据。

在本发明所述的温度场数据重构方法中，所述步骤S1进一步包括：

S11、读取温度场数据矩阵；

S12、判断所述温度场数据矩阵是否为低秩矩阵，如果是执行步骤S2，否则执行步骤S13；

S13、对所述温度场数据矩阵进行降秩处理，然后执行步骤S2。

在本发明所述的温度场数据重构方法中，在所述步骤S12中，采用奇异值分解算法对所述温度场数据矩阵进行降秩处理，且降秩处理后的所述温度场数据矩阵满足所述温度场数据矩阵的奇异值向量与所述温度场数据矩阵所在的欧氏空间的标准正交基不相关。

在本发明所述的温度场数据重构方法中，在所述步骤S2中，按照下列公式对所述温度场数据矩阵进行随机采样：

m≥Cn^5/4r log n

其中，n为所述温度场数据矩阵的维数，r为所述温度场数据矩阵的秩，C为常数，m为采样数目。

在本发明所述的温度场数据重构方法中，所述步骤S3进一步包括：

S31、设置重构参数；

S32、基于所述重构参数采用所述采样数据填充所述温度场数据矩阵以重构温度场数据。