本發(fā)明公開了一種基于機器學習判別降雨事件的衛(wèi)星降雨數(shù)據(jù)校正方法，屬衛(wèi)星降雨數(shù)據(jù)精度校正技術(shù)領(lǐng)域，涉及的校正方法可以具體化到每一個格點每一時刻的數(shù)據(jù)，旨在改善衛(wèi)星降雨數(shù)據(jù)對于有無降雨發(fā)生的捕捉能力和提高衛(wèi)星降雨產(chǎn)品的精度。該方法包括：1)多源數(shù)據(jù)收集、2)數(shù)據(jù)處理、3)降雨事件判別模型構(gòu)建、4)有無降雨修正、5)降雨序列分段、6)分布優(yōu)選、7)降雨數(shù)據(jù)分段偏差校正。本發(fā)明首先采用機器學習方法構(gòu)建降雨事件判別模型對衛(wèi)星降雨數(shù)據(jù)進行有無降雨校正，然后采用分段適宜分布對衛(wèi)星降雨總量校正，進而獲取較高精度的連續(xù)衛(wèi)星降雨數(shù)據(jù)。該方法有效地改善了衛(wèi)星降雨數(shù)據(jù)的誤報率和漏報率，顯著提高了衛(wèi)星降雨數(shù)據(jù)的精度。進一步地，基于多種分布優(yōu)選獲取降雨序列適宜分布避免了人為給定分布的主觀性，能更好地消除衛(wèi)星降雨數(shù)據(jù)和實測降雨的誤差。

技術(shù)領(lǐng)域

本發(fā)明是一種基于機器學習判別降雨事件的衛(wèi)星降雨數(shù)據(jù)校正方法，屬于衛(wèi)星降雨數(shù)據(jù)精度校正技術(shù)領(lǐng)域。

背景技術(shù)

降雨是水文循環(huán)中關(guān)鍵的環(huán)節(jié)之一，其準確度直接影響著徑流過程模擬精度以及防洪抗?jié)彻こ淘O(shè)計。精確的降雨數(shù)據(jù)對于研究氣候變化背景下水文過程的響應(yīng)和無資料地區(qū)的徑流過程模擬起著至關(guān)重要的作用。隨著全球氣候變化的加劇，降雨的時空分布受到了很大程度的影響，如何進行降雨模擬，提高現(xiàn)有的降雨產(chǎn)品的精度已逐漸成為大氣科學和地理學等領(lǐng)域需要廣泛關(guān)注的問題。

近年來，隨著遙感觀測技術(shù)的進步和基于衛(wèi)星數(shù)據(jù)反演算法的改進，衛(wèi)星降雨數(shù)據(jù)憑借高時空分辨率和連續(xù)的空間覆蓋度，逐漸成為水文領(lǐng)域研究中的重要數(shù)據(jù)來源。但衛(wèi)星降雨對大范圍和復雜地形地區(qū)的降雨存在模擬不準以及較大偏差等問題，直接用于水文模擬研究中會導致更多的不確定性，結(jié)果精度較差。因此，在水文模擬科學研究以及實際生產(chǎn)應(yīng)用中，需要提前對衛(wèi)星降雨數(shù)據(jù)進行偏差校正。

盡管存在眾多的降雨偏差糾正方法，但現(xiàn)有的方法多針對降雨在某一方面的特點進行偏差校正，對降雨事件是否發(fā)生的判斷和修正考慮不多，導致衛(wèi)星降雨對有無降雨的捕捉能力不足，誤報率和漏報率偏高。同時，在現(xiàn)有應(yīng)用分布擬合校正降雨數(shù)據(jù)時，多數(shù)方法采用人為給定分布進行校正，這樣給定分布會存在主觀性和時不變的特點，不利于開展變化環(huán)境下衛(wèi)星降雨的偏差校正。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于機器學習判別降雨事件的衛(wèi)星降雨數(shù)據(jù)校正方法，旨在改善衛(wèi)星降雨對于有無降雨發(fā)生的捕捉能力、提高衛(wèi)星降雨的精度和在水文模擬應(yīng)用中的可靠性，解決衛(wèi)星降雨的誤報率高、漏報高和人為挑選降雨數(shù)據(jù)概率分布函數(shù)主觀性的問題。

本發(fā)明的目的是這樣實現(xiàn)的：

一種基于機器學習判別降雨事件的衛(wèi)星降雨數(shù)據(jù)校正方法，包括以下幾個步驟：

降雨過程的形狀校正：

1)多源數(shù)據(jù)收集：收集下載研究區(qū)范圍內(nèi)氣象因子數(shù)據(jù)、高程地形因子數(shù)據(jù)、衛(wèi)星降雨數(shù)據(jù)及氣象站點實測降雨數(shù)據(jù)等；所述氣象因子數(shù)據(jù)、高程地形因子數(shù)據(jù)、衛(wèi)星降雨數(shù)據(jù)均為網(wǎng)格尺度數(shù)據(jù)集；

2)數(shù)據(jù)處理：首先將氣象因子數(shù)據(jù)和高程地形因子數(shù)據(jù)重采樣到與衛(wèi)星降雨數(shù)據(jù)同樣的分辨率；采用反距離加權(quán)平均插值方法對網(wǎng)格尺度數(shù)據(jù)集插值處理，獲取研究區(qū)內(nèi)每一個氣象站點所在位置處的氣象因子數(shù)據(jù)和高程地形因子數(shù)據(jù)；

3)降雨事件發(fā)生判別模型構(gòu)建：

基于機器學習方法(支持向量機或神經(jīng)網(wǎng)絡(luò)模型)構(gòu)建研究區(qū)降雨事件發(fā)生判別模型；利用氣象站點所在位置處的氣象因子數(shù)據(jù)、高程地形因子數(shù)據(jù)和實測降雨數(shù)據(jù)訓練模型；降雨事件發(fā)生判別模型的輸入為氣象因子和高程地形因子數(shù)據(jù)集，輸出為是否發(fā)生降雨的信號；以0表示無雨，1表示有雨；