[发明专利]空间自相关的机器学习卫星降水数据降尺度方法、系统

权利要求书

1.一种空间自相关的机器学习卫星降水数据降尺度方法，其特征在于，包括：

S1，获取TRMM降水数据与地表参量数据；

S2，对S1中获取的地表参量数据进行预处理，分别得到空间分辨率为1km和25km的DEM数据、白天地表温度、夜间地表温度、昼夜地表温度差以及NDVI数据；

S3，对S1中获取的TRMM降水数据进行空间自相关分析，得到估算的空间分辨率为25km的降水数据空间自相关值；

S4，将S3中得到的估算的空间分辨率为25km的降水数据空间自相关值降尺度到空间分辨率为1km；

S5，基于S2中得到的空间分辨率为25km的NDVI、DEM、白天地表温度、夜间地表温度、昼夜地表温度差数据以及S3中得到空间分辨率为25km的降水数据空间自相关值，建立空间分辨率为25km的降水数据与NDVI、DEM、白天地表温度、夜间地表温度、昼夜地表温度差以及估算的降水数据空间自相关值的非线性回归模型，得到空间分辨率为25km的降水回归残差；

S6，基于S5中建立的非线性回归模型，将S2中得到的空间分辨率为1km的NDVI、DEM、白天地表温度、夜间地表温度、昼夜地表温度差数据以及S4中得到的空间分辨率为1km的降水数据空间自相关值作为输入，估算空间分辨率为1km的降水降尺度数据；同时将S5中得到的空间分辨率为25km的降水回归残差进行空间降尺度到空间分辨率为1km，实现对估算的空间分辨率为1km的降水降尺度数据进行误差修正，得到空间分辨率为1km的降水降尺度数据。

2.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在于，所述S1中，TRMM降水数据与地表参量数据包括：

-研究区域的TRMM卫星遥感月降水数据；

-MODIS的NDVI、LST以及DEM数据；

-研究区域地面观测站点的日降水观测值。

3.根据权利要求2所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在于，所述S2中，对S1中获取的数据进行预处理，包括：

S21，将TRMM卫星遥感月降水数据、MODIS的NDVI、LST以及DEM数据进行投影变换，统一投影到WGS-84地心坐标系中；

S22，在S21的基础上，将DEM数据进行聚合平均处理，分别得到空间分辨率为1km和25km的DEM数据；

S23，在S21的基础上，从MOD11A2数据产品的LST数据中提取白天地表温度和夜间地表温度参量，通过聚合平均处理分别得到空间分辨率为1km和25km的白天地表温度数据和夜间地表温度数据，并计算相应的昼夜地表温度差；

S24，在S21的基础上，从MOD13A2数据产品的NDVI数据中提取NDVI参量，经过异常值剔除处理后，通过聚合平均处理分别得到空间分辨率为1km和25km的NDVI数据。

4.根据权利要求3所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在于，所述S24中，异常值剔除处理方法为：剔除NDVI<0的像元。

5.根据权利要求1所述的空间自相关的机器学习卫星降水数据降尺度方法，其特征在于，所述S3中，对TRMM降水数据进行空间自相关分析，包括如下步骤：

S31，提取空间分辨率为25km的TRMM降水数据中每个网格的中心坐标，并计算每个网格i与其他网格j之间的空间距离，将计算的空间距离求倒数作为空间权重，得到每一个网格i与其他网络j之间的空间权重矩阵ω_ij；

S32，结合如下公式，计算每一个网格对应的空间自相关值I_i：

其中，x_i、x_j分别是空间网格i、j的降水数据；是所有i、j网格降水数据的均值；n是所有网格的数目；ω_ij是研究区域内每一个网格i与j之间的空间权重矩阵；

S33，利用计算的每个网格对应的空间自相关值I_i分析空间分辨率为25km的卫星遥感降水数据的空间聚集分布情况，即得到估算的空间分辨率为25km的降水数据空间自相关值。