[发明专利]一种多传感器降水估计融合方法

说明书

本发明公开一种多传感器降水估计融合方法，首先基于小波域HMT模型自适应滤波的方法分别进行雷达(DPR/GR)降水估计数据和雨量计数据融合；然后将经雨量计滤波后的DPR和GR降水估计数据在小波域进行多尺度分解和融合，得到高精度高分辨率降水估计结果。本发明的融合过程考虑了不同传感器降水估计的不确定性、降水数据的小波域统计和几何特征，融合的结果降低单一传感器不确定性的同时，可更好的保持和重建强降水极值、小尺度变化等细节特征。

技术领域：

本发明涉及气象探测数据处理技术领域，更确切地说，涉及一种地基和星载等多源传感器降水估计的融合方法。

背景技术：

随着对高精度、高分辨率定量降水估计和预报需求的不断增长，以及更多降水探测工具的出现，将多传感器降水探测数据进行有效融合，以综合各种传感器探测数据的特点，并降低降水估计的不确定性，具有十分重要的意义。如全球降水观测计划(GPM，GlobalPrecipitation Mission)主卫星上携带的双频测雨雷达(DPR,Dual-frequencyPrecipitation Radar)和微波成像仪，地基天气雷达，雨量计等。这些观测仪器可以给出不同时空分辨率的降水观测，且各有自己的优缺点。如雨量计可给出高精度的降水点测量，但空间覆盖范围有限；地基雷达(GR,GroundRadar)能提供较高时空分辨率的区域性降水观测，但也容易受电子信号和运行环境如波束阻挡、雷达射线抬升和波束展宽效应等误差来源的影响；星载雷达能提供较准确的全球降水测量，但受过境次数限制时间分辨率有限。多种传感器降水探测各有自己的优点和误差结构，通过挖掘他们的特征信息并将其综合利用，可克服单一降水观测源的局限性，降低降水估计的不确定性，得到更加全面、完整、精确的降水估计。

为提高雷达定量测量降水(QPE)精度，将雷达估测降水和雨量计结合起来一直是天气雷达的研究热点。融合方法主要分为线性和非线性方法，如偏差校正法、变分法、神经网络法等。美国NOAA国家强风暴实验室(NSSL)研发多雷达多传感器(MRMS)系统，基于距离加权插值的局部偏差校正法将多部地基天气雷达和雨量计结合，以得到更优QPE结果。美国国家气象局(NWS)应用克里金和协同克里金方法到雷达和雨量计多传感器降水估计中，以得到区域内降水的线性无偏最优估计。随着1997年TRMM卫星以及2014年GPM卫星的发射，一些算法用于融合TRMM/GPM卫星上搭载的测雨雷达PR/DPR和微波成像仪TMI/GMI，如基于贝叶斯的加权最小均方估计。星载雷达能提供近似全球高精度高分辨率三维降水结构信息，如何将星载雷达降水数据融入到地基雷达降水估测中以得到更精确降水测量，是近些年来很多学者关心的课题。Gupta et al(2006,A methodology for merging multisensorprecipitation estimates based on expectation maximization and scale-recursiveestimation)基于卡尔曼滤波的尺度递归估计法将星载雷达降水和地基雷达测量结合，以得到多尺度降水估计的递归最小均方解。Ebtehaj et al(2011，Adaptive fusionofmultisensor precipitation using Gaussian-scale mixtures in the waveletdomain)将TRMM PR与地基雷达反射率因子数据在小波域自适应融合，以更好的保留和重建降水回波的高阶统计特征。Wang et al(2015，Radar vertical profile of reflectivitycorrection with TRMM observations using a neural network approach)提出利用神经网络方法将TRMM PR垂直剖面数据与GR低层数据结合，以进行GR反射率垂直剖面校正进而提高地基雷达QPE精度。