[发明专利]一种基于机器学习判别降雨事件的卫星降雨数据校正方法

权利要求书

1.一种基于机器学习判别降雨事件的卫星降雨数据校正方法，其特征在于，包括以下几个步骤：

1)多源数据收集：收集下载研究区范围内气象因子数据、高程地形因子数据、卫星降雨数据及气象站点实测降雨数据；所述气象因子数据、高程地形因子数据、卫星降雨数据均为网格尺度数据集；

2)数据处理：首先将气象因子数据和高程地形因子数据重采样到与卫星降雨数据同样的分辨率；采用反距离加权平均插值方法对收集下载的网格尺度数据集进行插值处理，获取研究区内每一个气象站点所在位置处的气象因子数据和高程地形因子数据；

3)降雨事件发生判别模型构建：基于机器学习方法构建研究区降雨事件发生判别模型；利用气象站点所在位置处的气象因子数据、高程地形因子数据和实测降雨数据训练模型；降雨事件发生判别模型的输入为气象因子和高程地形因子数据集，输出为是否发生降雨的信号；

4)有无降雨修正：采用训练好的降雨事件发生判别模型对研究区内逐个网格卫星降雨数据序列进行有无降雨修正；以网格尺度上的气象因子数据和高程地形因子数据为输入，采用降雨事件发生判别模型获取每个网格点上是否发生降雨的信号序列；通过判别模型在网格点上判定为发生降雨的时刻，若该时刻下网格点上的卫星降雨数据为零，则基于反距离加权平均插值方法将气象站点实测降雨数据插值到该时刻该网格点上代替原来的卫星降雨数据；通过判别模型在网格点上判定为无雨的时刻，则将该时刻网格点上的卫星降雨数据设置为零；

5)降雨序列分段：经过步骤4)中有无降雨修正以后，依据研究区内气象站点分布绘制区域泰森多边形，划分后所得每一个多边形内会对应有一个气象站点；在每一个多边形内，以研究年份某一固定月份的日降雨组合为降雨序列，根据序列分位数将多边形内气象站点实测降雨序列和网格点卫星降雨序列各分成极大值、常规值和极小值三段数据；

6)分布优选：基于步骤5)将降雨序列分段后的结果，通过K-S检验从多种分布函数中分别优选出各个多边形内符合气象站点实测降雨序列和逐个网格点卫星降雨序列各自的三段数据的最优分布函数组合；

7)降雨数据分段校正：在各个多边形内，采用基于频率分布的分位数映射法针对三段气象站点实测降雨序列和网格点卫星降雨序列进行校正。

2.根据权利要求1所述的卫星降雨数据校正方法，其特征在于，所述的卫星降雨数据包括卫星降雨产品、雷达降雨产品、再分析降雨产品中测算的降雨数据。

3.根据权利要求1所述的卫星降雨数据校正方法，其特征在于，步骤1)所述气象因子数据包括地表温度、2m温度、2m露点温度、土壤温度、水平风速、垂直风速、地表气压、地表土壤湿度、地表蒸散发、地表净辐射、地表感热通量及地表潜热通量；所述高程地形因子数据包括高程、坡度、坡向。

4.根据权利要求1所述的卫星降雨数据校正方法，其特征在于，步骤5)中极小分位点采用10％，极大分位点采用90％。

5.根据权利要求1所述的卫星降雨数据校正方法，其特征在于，步骤6)中多种分布函数包括伽马分布，广义帕累托分布，广义极值分布，半正态分布和指数分布。

6.根据权利要求1所述的卫星降雨数据校正方法，其特征在于，步骤7)中基于如下公式对研究区内12个月份逐个网格点的卫星降雨数据和气象站点实测降雨进行偏差校正，

x_m,cor＝F_o,i^-1(F_m,i(x_m))

其中：x_m和x_m,cor分别是校正前后的卫星日降雨量；F_o,i^-1是第i月实测降雨的累积密度函数的反函数,F_m，i是第i月卫星降雨的累积密度函数。