[发明专利]一种基于梯度提升回归GBR模型的气温数据空间插值方法

说明书

本发明涉及气象学技术领域，尤其涉及一种基于梯度提升回归GBR模型的气温数据空间插值方法，包括气温数据采集模块、数据清洗模块、特征缩放模块、梯度提升回归GBR训练模块和格点化应用模块，首先通过气温数据采集模块采集气象局地面自动观测站最新时次的气温数据；再通过数据清洗模块筛除掉异常数据；然后引入经度、纬度、海拔高度作为特征值，对特征值进行缩放；以站点数据的特征值及其对应的气温数据作为训练样本，引入梯度提升回归训练模块中，经过多次迭代训练得到最终的模型；最后将每个格点的经度、纬度、海拔高度等固定信息作为特征值缩放，并代入模型获得每个格点的气温值。本发明计算效率高。

技术领域

本发明涉及气象学技术领域，尤其涉及一种基于梯度提升回归GBR模型的气温数据空间插值方法。

背景技术

气象学中，常需要对一个个离散分布的气象观测站点数据进行空间插值，从而获得整个曲面空间的数据分布特征。空间插值方法大体上分为两类，一类是确定性方法，其基于确定的模型及样本点信息来拟合出适用的模型参数，如反距离加权插值(IDW)、趋势面法、样条函数法等；另一类是地质统计学方法，它是利用样本点的统计规律，使样本点之间的空间自相关性定量化，从而在待预测点周围构建样本点的空间结构模型，如克里格插值(Kriging)。实际上，确定性插值方法的模型较为单一、且追求整个曲面结构的平滑性，不适用于受地形影响大、区域性特征明显的气温要素，从而导致插值结果与实际情况相差较大；而地质统计学方法需在点与面之间进行大量的建模运算，在实际运用中对运算资源提出了巨大的挑战，其最终结果的精细化程度也较为受限。同时，自然界中的气温与海拔高度之间具有明显的负相关性，而上述插值方法无法将这一关系运用到模型中，计算出合理的插值场。。

现有的空间插值方法，确定性方法如反距离加权、样条插值等仅基于简单的数学模型，无法拟合出实际复杂大气背景下的气温特征；而地质统计学方法如克里格插值对运算资源要求非常高，难以适用于实际应用场景。

发明内容

有鉴于此，本发明的目的是提供一种基于梯度提升回归GBR模型的气温数据空间插值方法以解决背景技术中提到的问题。

本发明的一种基于梯度提升回归GBR模型的气温数据空间插值方法，本方法包括气温数据采集模块、数据清洗模块、特征缩放模块、梯度提升回归GBR训练模块和格点化应用模块，具体按以下步骤执行：

S1：首先通过气温数据采集模块采集气象局地面自动观测站最新时次的气温数据；其中自动气象站观测的最高频次为5分钟，数据采集模块每5分钟刷新采集最新气温数据。

S2：通过数据清洗模块筛除掉异常数据；具体是结合大气温度变化特征，先对超出阈值的数据进行剔除，再分别采用时间一致性和空间一致性两种筛选机制进行筛除；

S3：引入经度、纬度、海拔高度作为特征值，用来训练气温和各个特征值之间的相关关系。特征值在训练前需进行特征缩放，以保证模型的结果更加准确；

S4：以站点数据的特征值及其对应的气温数据作为训练样本，引入梯度提升回归训练模块中，经过多次迭代训练得到最终的模型；

S5：首先将每个格点的经度、纬度、海拔高度等固定信息作为特征值缩放，再基于步骤S4输出的GBR模型得到每个格点上特征值所对应的气温数值，最终将格点化的气温数据输出。

进一步，时间一致性筛选机制，获取到的最新气温数据将与上个时次相同站点气温作差，差值大于所有样本的n倍标准差时将被剔除，即满足下列情况的样本将被剔除，如式(1)：

abs(xⁱ(t)-xⁱ(t-1))＞n*σ_x 式(1)

其中t表示时间，i表示站点编号，σ_x代表所有样本的标准差，