[发明专利]基于卷积长短期记忆神经网络的降水数据时空动态融合方法

说明书

本发明公开了一种基于卷积长短期记忆神经网络的降水数据时空动态融合方法，涉及水文与气象技术领域，以通过时空动态降水数据融合提高降水数据的精度。该方法包括：基于遥感降水数据、地面观测降水数据、DEM数据和NDVI数据，在时间序列上建立灰度图像数据集；根据时空相关性构建用于融合地面观测降水数据和遥感降水数据的模型；采用ConvLSTM方法提取降水数据、DEM数据和NDVI数据的时空特征；基于ConvLSTM融合模型将每个时刻的融合降水特征通过卷积层输出，通过在研究区域对模型进行训练和测试，获得最优的模型参数，并得到该研究区域的融合降水时空分布。

技术领域

本发明涉及水文与气象技术领域，尤其涉及一种基于卷积长短期记忆神经网络的降水数据时空动态融合方法。

背景技术

降水是气象、水文、农业等诸多领域中重要的气象变量，地面观测、雷达估测和卫星反演是目前获取降水数据的主要方式。传统的地面观测最直接有效，其观测获得的降水数据也被公认为是最可信赖的，能够较准确地获取观测点附近的降水量。但受成本、地形等因素的限制，地面观测站的空间分布及覆盖范围有限，无法充分反映降水的空间分布。雷达估测降水产品的时空分辨率较高，但易受遮蔽物、估测方法以及不同雷达数据间在定标和校正问题上的影响，使得雷达估测降水产品的精度较差。与地面观测和雷达估测方法相比，卫星反演的优势在于其能获取全天候、全覆盖的降水数据，能够比较准确地反映降水的时空分布特征，特别是在无资料或资料匮乏的流域，卫星反演降水可能是唯一可获得的降水数据。

数据融合技术经历了快速发展，应用于多源遥感降水数据融合。其为获取具有高时空分辨率且高精度的实时降水数据提供了重要思路，同时也是目前提高降水数据分辨率和质量的主流做法之一。深度学习是新一代的人工神经网络，近年来对工业生产、日常生活和各类学科产生了重要影响，其代表了神经网络自动设计问题相关特征和捕捉复杂数据分布能力方面的重大进步，并被视为未来不可或缺的工具。目前，尚未有研究基于卷积长短期记忆神经网络方法进行降水数据融合。

发明内容

发明目的：针对以上问题，本发明提出一种基于卷积长短期记忆神经网络的降水数据时空动态融合方法，以通过时空动态降水数据融合提高降水数据的精度。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于卷积长短期记忆神经网络的降水数据时空动态融合方法，包括如下步骤：

步骤1：获取地面观测降水数据和遥感降水数据，并对其进行预处理；

步骤2：获取DEM数据和NDVI数据，并对其进行归一化处理；

步骤3：设定合适的空间分辨率，将地面观测降水数据和遥感降水数据、DEM数据和NDVI数据重采样到相同的空间分辨率，并在整个时间序列上，建立深度学习所需的灰度图像数据集；

步骤4：搭建ConvLSTM融合模型，模型的输入为地面观测降水数据和遥感降水数据、DEM数据和NDVI数据，模型的输出为融合降水空间分布时间序列；

步骤5：使用步骤3所得到的灰度图像数据集训练ConvLSTM融合模型，通过反向传播算法更新模型参数，直至损失误差达到最小，获得最优的模型参数；

步骤6：使用训练好的ConvLSTM融合模型获取研究区域的融合降水时空分布。

作为优选，所述预处理包括：去噪、缺失值补齐和异常值处理。

作为优选，步骤3中建立的灰度图像数据集为统一空间分辨率的格点数据形式。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：