[发明专利]一种基于随机森林算法的多光谱降水检测系统及方法

说明书

本发明公开了一种基于随机森林算法的多光谱降水检测方法,利用静止卫星上搭载的可见和红外自旋扫描辐射仪和极轨卫星上搭载的微波温度探测仪同时对相同云区进行观测，得到观测数据后，将可见和红外自旋扫描辐射仪高分辨率云产品匹配到微波温度探测仪相元中后，既获得了微波温度探测仪AMSU‑A像元中云体表面的信息又得到了云体内部的信息，进而使用随机森林算法模拟出云顶光学信息和云体内部微波降水信息之间的非线性关系，建立起光学信息和微波降水信息之间的联系，本发明还提供了一种基于随机森林算法的多光谱降水检测系统，包括数据采集模块、匹配模块、建模模块、模型验证模块和降水检测模块。本发明的检测系统及方法比传统的检测方法有着更高的准确率、检测率和较低的错误率。

技术领域

本发明属于卫星遥感技术领域，具体涉及一种以机器学习领域的随机森林算法结合利用可见光和微波交叉光谱信息进行降水检测的方法。

背景技术

卫星微波资料是数值天气预报(NWP)重要的观测数据源，研究表明在资料同化中引入微波观测数据能为数值天气预报带来正效果，与卫星红外、可见光仪器相比，微波探测仪能穿透非降水云体从而获得大气温湿廓线信息。但是微波易受大直径水成物粒子散射的影响，很难穿透降水云体，在降水区域的微波观测数据往往不准确，故而在同化卫星微波资料之前需要剔除降水区域的观测。因此在业务运行中，精确地检测出微波观测像元是否发生降水显得尤为重要。

对于像元是否发生散射降水，利用O-B(观测减去模式背景场)信息可以部分剔除受降水污染的像元，但是该方法对观测资料和背景场的质量要求很高，对数据质量要求十分严苛，实际使用效果往往不佳。对于50GHZ O2吸收线的微波温度计(AMSU-A)，传统的降水检测主要是利用23、31和89GHz通道的亮温差得到散射指数(SI),若SI超过某阈值(业务中阈值设为30)则可判定AMSU-A像元发生降水，或者计算得到云水路径CLWP(Cloud LiquidWater Path)值，若CLWP超过0.5也可视为发生降水。但是传统降水检测方法受限于极轨卫星载荷的影响，存在时间和空间分辨低、空间覆盖范围不足的问题。因此，如何研发一种精准且时空分辨率高的新型降水检测方法是本领域技术人员及为关注的技术问题。

发明内容

针对上述存在的不足，本发明提出一种基于随机森林算法的多光谱降水检测方法,利用静止卫星(FY-2F)上搭载的可见和红外自旋扫描辐射仪(VISSR)和极轨卫星(NOAA-19)上搭载的微波温度探测仪(AMSU-A)同时对相同云区进行观测，得到观测数据后，将可见和红外自旋扫描辐射仪(VISSR)高分辨率云产品匹配到微波温度探测仪(AMSU-A)相元中后，既获得了微波温度探测仪AMSU-A像元中云体表面的信息(VISSR观测数据)又得到了云体内部的信息(AMSU-A观测数据)，进而使用随机森林算法模拟出云顶光学信息和云体内部微波降水信息之间的非线性关系，建立起光学信息和微波降水信息之间的联系，根据之间的联系检测降水。

本发明采用的技术方案是：

一种基于随机森林算法的多光谱降水检测方法，

包括以下步骤：

步骤S1：收集数据

通过数据采集模块收集历史观测数据，该历史观测数据包括可见和红外自旋扫描辐射仪和微波温度探测仪分别对云区进行观测得到的高分辨率云产品和微波散射指数，其中，微波散射指数记为SI；

步骤S2：数据处理

通过匹配模块对可见和红外自旋扫描辐射仪和微波温度探测仪的观测时间、观测对象和相元分别进行匹配，挑选出匹配的观测数据，形成观测数据训练样本集，按照1:9的比例将训练样本集分成训练集和测试集；

步骤S3：建立随机森林模型

将训练集和测试集代入建模模块中，由训练模块对随机森林模型初始模块中的模型进行训练，使随机森林模型的散射指数进行优化，完成随机森林模型的建立；