[发明专利]一种基于测站的网格雨量计算方法

说明书

本发明公开一种基于测站的网格雨量计算方法，其目的在于提供获取更加精确空间雨量分布的方法。针对极端降雨引发自然灾害的应急处置，行之有效的方法在于快速准确获取流域内较小粒度的空间降雨分布情况，做出针对性预防措施。网格雨量计算方法包括：对网格气象离散数据进行特征提取；对地面雨量测站结构化数据进行归一化处理；构建多重空间特征拓扑图；建立规则化网格；以上述数据为基础构建网格雨量挖掘模型，获取中小流域内网格雨量分布情况。本发明基于雨量测站数据、网格气象数据，构建多重空间特征拓扑关系，并将其作为图卷积神经网络(GCN)的邻接矩阵，构建基于多重空间特征的网格雨量挖掘模型MS‑GCN，可以更加准确获取中小流域网格雨量分布情况。

技术领域

本发明属于空间雨量挖掘技术领域，具体涉及一种基于测站的网格雨量计算方法。

背景技术

降水是构成气象变化重要特征，是地表径流的主要源头，其在时空分布上不稳定、不均匀是造成洪涝灾害、山体滑坡的主要原因。我国中小河流众多，如何快速、有效对极端降雨产生的洪涝灾害做出反应，成为了亟需解决的问题。针对极端降雨引发自然灾害的应急处置，行之有效的方法在于快速准确获取流域内较小粒度的空间降雨分布情况，做出针对性预防措施。然而，中下流域降雨分布具有非线性、高复杂度、时空分布不稳定的特点，仅依赖数量不多且分布不均的地面雨量测站，无法准确获得流域内雨量的空间分布情况。

目前，国内外研究机构主要采用传统空间插值方法和卫星雷达多源融合生成空间雨量场。传统空间插值方法包括：如反距离权重法、克里金法等，其结构简单，计算方便，但其忽略了非线性降雨数据复杂的时空特征，导致插值精度较低，国内研究院校多采用此种方法进行空间插值。国内外气象部门主要采用卫星雷达多源融合产品，如美国的TMPA、日本的GsMAP，其采用多种数据来源，包括地面测站数据和卫星雷达图谱等，精度较高，但其过于依赖硬件设施，具有一定迟滞性，无法对突发极端降雨做出有效反应。

近年来，深度学习理论迅速发展，为中小流域空间雨量分布研究提供了新的发展方向，而卷积神经网络(CNN)凭借其强大的建模能力在图像处理、时间序列预测以及自然语言处理等领域取得了大量的研究成果。网格雨量与站点雨量作为离散的非欧式空间数据，更适合采用图结构对其进行描述，而图卷积神经网络(GCN)具有强大的拓扑结构特征提取能力，应用在网格空间雨量挖掘，能够更好的挖掘雨量分布的丰富空间特征。

发明内容

发明目的：本发明的目的在于解决现有技术中的不足，提供一种基于测站的网格雨量计算方法，通过建立规则化网格，构建空间特征拓扑结构，充分挖掘中小流域内测站与网格的多重特征依赖，并通过图卷积神经网络，挖掘网格雨量，获取更加精确的空间雨量分布。

技术方案：本发明的一种基于测站的网格雨量计算方法，包括以下步骤：

步骤S1、在实验流域建立1km×1km规则化网格，以便于提取目标流域内网格的多重空间特征并对其进行雨量挖掘；

步骤S2、流域内网格雨量分布受多种因素综合影响，包括地面测站雨量数据，流域内气压、温度、风速等气象因素，地形、高程、下垫面等地理属性因素；地形、高程、下垫面等地理属性因素。首先选取并收集目标流域的地面测站的雨量数据、气象数据与地理属性数据，并将其填入规则化网格中；

步骤S3、基于上述数据，研究中小流域空间地理特征蕴含的复杂关系，构建待研究网格与地面测站的多重空间特征拓扑关系，充分挖掘中小流域的多重空间特征；

步骤S4、根据构建的多重特征拓扑图，将待研究网格与流域内地面测站作为拓扑节点，将时段雨量、气压、温度、风速等气象因素，地形、高程、下垫面等地理属性因素作为节点特征，将多重空间特征拓扑关系作为邻接矩阵，构建基于多重空间特征的网格雨量挖掘模型 MS-GCN，输出模型挖掘结果。