基于随机森林的多源降水数据融合方法及系统与流程

本发明涉及水文气象数据处理，尤其涉及一种基于随机森林的多源降水数据融合方法及系统。

背景技术：

1、降水是流域水文循环的主要驱动因子，获取准确且时空连续的降水信息是流域水文模拟与水资源管理的基础。地面雨量站观测精度较高，是降水观测与精度评估的主要依据，但受自然条件与建设成本限制，站点空间分布稀疏且不均，难以刻画降水的空间异质性。随着遥感技术的发展，多种卫星降水产品凭借全球覆盖与较高的时空分辨率，为降水估计提供了新的数据源，但受探测机理、反演算法及下垫面状况影响，普遍存在偏差，直接应用难以满足精度要求。将地面观测、多源卫星产品与环境信息相结合，借助机器学习方法建立非线性融合模型，已成为流域降水精细化处理的重要途径。

2、现有融合方法对各类数据误差层面信息的挖掘与贯通利用仍不充分，卫星降水产品的误差在空间上并非均匀分布，其大小与分布形态受地形、水汽输送条件及下垫面状况的显著影响，仅依靠产品序列间的统计比较难以揭示误差的空间差异及其成因，卫星数据在复杂地形区域的可信程度缺乏可靠的评价依据。地面站点观测虽精度较高，但站点对周边区域的代表性随地形与距离变化，将站点观测直接等同于区域真值、仅以几何距离衡量站点影响范围的做法，难以反映地形阻隔对降水空间传播的作用，使站点信息未被充分有效利用。误差的空间信息也未充分进入融合模型的训练与决策环节，制约了无站点地区降水估计精度的提升。

3、中国专利公开号：cn119669376a公开了一种结合滑动四重排列与随机森林空间插值的多源卫星降水产品融合方法及装置，包括：获取多源卫星降水产品、多源环境协变量数据以及实测站点日降水数据，统一时空分辨率；获取流域面上每个网格点的多源降水产品序列，组合任意四个序列构建样本组合集，基于滑动四重排列估算每个滑动窗口期序列误差方差及误差协方差，据此构建误差矩阵，计算各产品权重，得到加权平均后的卫星降水数据；构建样本集并划分训练及验证样本，对随机森林空间插值模型进行训练；依据训练好的模型预测网格点的降水，整合各网格点的预测降水序列形成一套降水产品数据；由此可见，所述结合滑动四重排列与随机森林空间插值的多源卫星降水产品融合方法及装置存在以下问题：其误差估计仅依赖产品序列间的统计比对，未纳入地形、风场、植被等环境因素约束，难以揭示误差的空间差异及成因；站点观测被直接作为真值参与建模，仅以几何距离衡量站点影响范围，无法体现地形阻隔对降水空间传播的作用，站点代表性缺乏可靠依据；误差的空间信息未有效进入融合决策与模型训练环节，降低了无站点区域降水的估计精度。

技术实现思路

1、为此，本发明提供一种基于随机森林的多源降水数据融合方法及系统，用以克服现有技术中降雨数据的误差估计缺乏物理约束、站点代表性评价失准及误差信息利用不足的问题。

2、为实现上述目的，本发明提供一种基于随机森林的多源降水数据融合方法及系统，包括：

3、步骤s1，获取多源卫星降水产品、环境协变量及实测站点降水，将所述多源卫星降水产品与所述环境协变量统一至同一时空分辨率；

4、步骤s2，基于实测站点降水确定各卫星降水产品的反演误差，以所述反演误差为因变量，以地形因子、风场因子及植被因子为自变量训练误差回归模型，并将所述误差回归模型外推至流域各网格，得到用以表征各卫星降水产品在各网格处期望误差的空间误差场；

5、步骤s3，依据所述空间误差场确定各卫星降水产品对应的卫星可靠性指标，并依据实测站点与网格间的地形相似度及经地形阻隔修正的等效传播距离确定站点可靠性指标；

6、步骤s4，依据各卫星降水产品对应的所述卫星可靠性指标融合所述多源卫星降水产品，得到卫星降水场；依据实测站点降水生成站点降水场，并基于所述卫星可靠性指标及所述站点可靠性指标确定融合权重，依据所述融合权重融合所述站点降水场与所述卫星降水场，得到初始融合降水场及用以优化随机森林模型训练过程的可靠性场；

7、步骤s5，在有实测站点网格上，以实测站点降水为因变量，以剔除该网格对应实测站点观测贡献后的所述初始融合降水场、所述空间误差场、邻近实测站点降水及所述等效传播距离为自变量，基于所述可靠性场训练随机森林模型；

8、步骤s6，基于所述随机森林模型确定无实测站点网格的预测降水序列，整合各网格的所述预测降水序列，得到高时空分辨率的栅格降水产品。

9、进一步地，所述步骤s1中，将所述多源卫星降水产品与所述环境协变量统一至同一时空分辨率，包括：采用双线性插值方式，将所述多源卫星降水产品与所述环境协变量统一至同一空间分辨率；将时间分辨率低于日尺度的所述多源卫星降水产品与所述环境协变量按时间累计求和，统一至日尺度。

10、进一步地，所述步骤s2中，以预设滑动窗口期为统计单元，依据各卫星降水产品在所述统计单元内的反演误差，计算得到误差统计量；以所述误差统计量为因变量训练所述误差回归模型。

11、进一步地，所述步骤s2中，所述风场因子包括风速、风向及地形抬升因子，所述地形抬升因子用以表征迎风坡与背风坡对降水作用的差异；所述地形因子包括高程、坡度、坡向及地形位置指数；所述植被因子包括归一化植被指数；所述环境协变量还包括地表温度。

12、进一步地，所述步骤s3中，依据所述空间误差场确定各网格处各卫星降水产品的网格误差，并依据各卫星降水产品对应的所述网格误差确定对应的卫星可靠性指标；依据实测站点与网格间的所述地形相似度及所述等效传播距离确定站点代表性误差，并依据所述站点代表性误差确定站点可靠性指标；所述等效传播距离的确定包括：依据实测站点与网格之间地形剖面的相对高差，确定用以表征所述地形剖面阻隔作用的地形阻隔系数；基于所述地形阻隔系数，对实测站点与网格之间的空间距离进行修正，得到所述等效传播距离。

13、进一步地，所述步骤s3中，所述站点代表性误差依据实测站点固有观测误差、所述地形相似度及所述等效传播距离加权合成；所述实测站点固有观测误差用以表征实测站点自身观测偏差，依据所述多源卫星降水产品在实测站点处反演误差的共同成分确定。

14、进一步地，所述步骤s4中，依据各卫星降水产品对应的所述卫星可靠性指标确定各卫星降水产品对应的产品权重，所述产品权重与对应的所述卫星可靠性指标成正相关关系，并依据所述产品权重融合所述多源卫星降水产品；站点降水与卫星降水对应的所述融合权重与对应的所述可靠性指标成正相关关系；所述可靠性场依据所述融合权重及与所述融合权重对应的所述可靠性指标确定。

15、进一步地，所述步骤s5中，所述邻近实测站点降水为与目标网格之间所述等效传播距离最小的预设数量实测站点的实测降水，且所述预设数量实测站点不包括所述目标网格自身对应的实测站点；基于所述可靠性场确定训练样本权重，所述训练样本权重与所述可靠性场中对应网格的可靠程度成正相关关系。

16、进一步地，所述步骤s5还包括：

17、步骤s51，构建由多个候选超参数组合组成的超参数待选集合，所述候选超参数组合包括决策树数量、节点分裂特征数量、最小节点样本量及样本抽样比例；

18、步骤s52，依据所述可靠性场构建多个可靠性验证域，依次以各可靠性验证域对应的训练样本作为验证样本，其余可靠性验证域对应的训练样本作为训练样本，对各候选超参数组合进行交叉验证，确定各候选超参数组合对应的验证误差；

19、步骤s53，依据各候选超参数组合在不同可靠性验证域下的验证误差确定综合验证误差，并依据所述综合验证误差确定最优超参数组合；

20、步骤s54，基于所述最优超参数组合，训练所述随机森林模型。

21、另一方面，本发明还提供一种处理系统，包括：

22、数据预处理模块，用于获取多源卫星降水产品、环境协变量及实测站点降水，将所述多源卫星降水产品与所述环境协变量统一至同一时空分辨率；

23、空间误差场构建模块，与所述数据预处理模块相连，用于确定各卫星降水产品的反演误差，以所述反演误差为因变量，以地形因子、风场因子及植被因子为自变量，训练误差回归模型，将所述误差回归模型外推至流域各网格，得到用以表征各卫星降水产品在各网格处期望误差的空间误差场；

24、可靠性指标确定模块，与所述空间误差场构建模块相连，用于依据所述空间误差场确定各卫星降水产品对应的卫星可靠性指标，以及依据实测站点与网格间的地形相似度及经地形阻隔修正的等效传播距离确定站点可靠性指标；

25、融合决策模块，与所述可靠性指标确定模块相连，用于依据各卫星降水产品对应的所述卫星可靠性指标融合所述多源卫星降水产品，得到卫星降水场；依据实测站点降水生成站点降水场，基于所述卫星可靠性指标及所述站点可靠性指标确定融合权重，依据所述融合权重融合所述站点降水场与所述卫星降水场，得到初始融合降水场及可靠性场；

26、随机森林建模模块，分别与所述融合决策模块及所述空间误差场构建模块相连，用于在有实测站点网格上，以实测站点降水为因变量，以剔除该网格对应实测站点观测贡献后的所述初始融合降水场、所述空间误差场、邻近实测站点降水及所述等效传播距离为自变量，基于所述可靠性场训练随机森林模型；其中，所述邻近实测站点降水为除该网格对应实测站点以外的实测站点的实测降水；

27、栅格降水生成模块，与所述随机森林建模模块相连，用于基于所述随机森林模型确定无实测站点网格的预测降水序列，整合各网格的所述预测降水序列，得到高时空分辨率的栅格降水产品。

28、与现有技术相比，本发明综合考虑卫星降水误差的空间分布特征及站点观测可靠程度，对多源降水数据进行融合，并优化随机森林模型训练过程，使模型参数选择更加符合不同空间区域的数据特性，降低复杂地形条件下低可靠性样本对模型训练的不利影响，提高模型泛化能力和空间适应性，改善栅格降水产品的时空连续性。

29、进一步地，本发明通过以实测站点降水为依据确定卫星降水产品反演误差，并以地形因子、风场因子及植被因子训练误差回归模型，刻画误差的空间分布差异及其成因，为融合决策提供物理依据。

30、进一步地，本发明通过依据地形相似度及经地形阻隔修正的等效传播距离确定站点代表性误差，克服仅以几何距离衡量站点影响范围的不足，合理评价站点观测在复杂地形条件下的代表能力。

31、进一步地，本发明依据可靠性指标确定站点降水与卫星降水的融合权重，实现多源降水数据的融合，使可靠程度较高的数据在融合结果中发挥更大作用，降低低可靠性数据对融合结果的不利影响，提高融合结果的稳定性和空间适应性。

32、进一步地，本发明通过在随机森林模型训练环节剔除站点网格自身观测对输入特征的贡献，避免训练目标信息泄露至模型输入，使模型在站点网格上习得的映射关系能够真实迁移至无站点网格，保证无站点区域降水预测结果的可靠性。

33、进一步地，本发明通过将初始融合降水场、空间误差场、邻近实测站点降水及等效传播距离作为随机森林模型输入，并依据可靠性场确定训练样本权重及优化随机森林模型训练过程，降低低可靠性样本对模型训练的不利影响，提高模型对复杂地形条件下无站点区域降水预测的稳定性和泛化能力。

34、进一步地，本发明通过依据可靠性场构建多个可靠性验证域开展超参数筛选，使模型参数选择更加符合不同可靠程度训练样本的分布特征，降低验证结果受样本可靠程度差异的影响，提高模型参数选择的合理性和模型泛化能力。