一种基于卫星遥感和地面观测的地表辐射分级校正方法
本发明涉及气象数据处理,具体是一种基于卫星遥感和地面观测的地表辐射分级校正方法。
背景技术:
1、era5-land是由欧洲中期天气预报中心(ecmwf)作为欧洲哥白尼气候变化服务(c3s)的一部分开发的全球再分析数据集,专注于对陆地表面变量的细致刻画,特别是在水文和能量循环方面的建模,提供了高空间和时间分辨率的气象数据。era5-land能够连续提供规则网格尺度的地表辐射通量数据,但在高原等地形起伏显著、下垫面类型复杂且云雪过程频繁变化的区域,受大气强迫误差、陆面参数化及网格尺度地表特征表征不足等因素影响,其地表辐射结果与卫星遥感反演结果和地面站点观测之间仍存在一定的系统性偏差及明显的时空差异,导致地表辐射通量的估算精度受到限制。
2、卫星遥感产品具有面状覆盖和空间分布表征优势,但其观测时段受卫星运行周期和传感器寿命限制,时间序列通常较短,难以满足长时序地表辐射数据重建的需求;地面站点能够提供较高精度的直接观测,但站点数量有限且空间分布不均,难以充分表征复杂区域内地表辐射的空间差异。因此,单独采用卫星遥感或地面站点作为校正参考,均难以同时兼顾区域尺度空间分布信息和站点尺度高精度观测信息。
3、现有地表辐射偏差校正方法多采用线性回归、统计映射或基于单一参考数据建立统一校正关系,其处理过程往往直接针对再分析产品与参考数据之间的总体偏差进行校正,未充分区分区域尺度空间偏差与站点尺度局地残余偏差之间的差异。对于高原这类空间异质性显著的区域,不同位置的辐射偏差受到云、大气状态、地表特征及地形条件等多种因素共同影响,具有较强的空间非均一性。若采用统一校正关系或仅依据有限站点建立区域校正模型,容易出现局地校正效果较好但区域空间推广能力不足的问题,难以同时保证区域空间分布特征和站点尺度辐射精度。
4、此外,地表净短波辐射和净长波辐射具有不同的形成机制和主要影响因素。净短波辐射受太阳入射、云、气溶胶、水汽、地表反照率及复杂地形等因素影响较为明显,其偏差通常具有较强的空间异质性;净长波辐射则主要受到近地面温湿状况、云特性、地表温度及地表发射率等因素影响。不同辐射分量在再分析资料中的误差表现并不完全一致。现有技术在进行地表净辐射或地面加热场校正时,通常采用相同或相近的校正策略,未充分结合不同辐射分量的误差特征选择相应的参考数据和校正方式,从而可能限制校正结果的精度和稳定性。
技术实现思路
1、本发明要解决的技术问题是提供一种基于卫星遥感和地面观测的地表辐射分级校正方法,利用卫星遥感辐射数据空间连续覆盖的优势,对era5-land地表辐射的空间偏差进行校正,以改善其区域空间分布特征;并在第一级空间校正辐射结果的基础上,引入地面辐射站点观测数据,对剩余偏差进行进一步校正,以提高地表辐射估算精度。
2、本发明的技术方案为:
3、一种基于卫星遥感和地面观测的地表辐射分级校正方法,具体包括有以下步骤:
4、(1)、获取目标区域的多源辐射观测数据,进行预处理并构建时空匹配数据集;
5、(2)、构建空间偏差预测模型,从时空匹配数据集中提取与卫星遥感辐射数据时空重叠的地表辐射分量,计算空间异常偏差作为真实标签训练空间偏差预测模型;将全域待校正的地表辐射分量输入到训练完成的空间偏差预测模型进行预测,得到预测空间异常偏差,利用预测空间异常偏差对全域待校正的地表辐射分量进行第一级空间校正,得到全域的第一级空间校正辐射结果;
6、(3)、构建站点约束辐射校正预测模型,以时空匹配数据集内的地面辐射站点观测数据作为真实标签训练站点约束辐射校正预测模型;将全域的第一级空间校正辐射结果输入到训练完成的站点约束辐射校正预测模型进行预测,得到全域校正后的地表辐射分量。
7、所述获取目标区域的多源辐射观测数据,进行预处理并构建时空匹配数据集,具体为:
8、s11、获取目标区域的多源辐射观测数据,包括有待校正的目标研究区域和目标研究时间段的era5-land地表辐射数据、同期的辅助影响因子、卫星遥感辐射数据和地面辐射站点观测数据;era5-land地表辐射数据包括有净短波辐射和净长波辐射两种地表辐射分量,净短波辐射和净长波辐射分别对应各自的候选辅助影响因子集合;
9、s12、对于获取得到的era5-land地表辐射数据和同期辅助影响因子、以及卫星遥感辐射数据这类格点数据,统一时间分辨率、统一空间坐标系统,并重采样至目标网格;卫星遥感辐射数据覆盖的时间段不大于era5-land地表辐射数据的目标研究时间段;
10、s13、对于获取得到的地面辐射站点观测数据,筛选保留地理位置处于目标研究区域边界内的站点,统一所筛选站点观测数据的时间分辨率,并根据站点经纬度与相应目标网格进行时空匹配;地面辐射站点观测数据覆盖的时间段不大于era5-land地表辐射数据的目标研究时间段;
11、s14、对经时空统一和重采样处理后、站点筛选与时空匹配处理后的多源辐射观测数据分别开展缺失值、异常值及物理有效范围检查,最后组合形成时空匹配数据集。
12、所述净短波辐射对应的候选辅助影响因子集合中包括气温、气压、比湿、臭氧总柱量、气溶胶光学厚度、云量、云水路径、云光学厚度、云有效粒子半径、土地覆盖类型、植被覆盖度、积雪覆盖度、雪深、土壤湿度和海拔。
13、所述净长波辐射对应的候选辅助影响因子集合中包括气温、气压、比湿、云量、云水路径、云光学厚度、云有效粒子半径、土地覆盖类型、植被覆盖度、积雪覆盖度、雪深、土壤湿度和海拔。
14、所述卫星遥感辐射数据为fy-4a卫星遥感辐射数据。
15、所述构建空间偏差预测模型,从时空匹配数据集中提取与卫星遥感辐射数据时空重叠的地表辐射分量,计算空间异常偏差作为真实标签训练空间偏差预测模型,具体为:
16、s21、首先计算era5-land地表辐射数据和卫星遥感辐射数据之间的原始偏差,具体见下式(1):
17、 (1);
18、式(1)中,代表地表辐射分量中位置、日期对应的辐射值,地表辐射分量为净短波辐射或净长波辐射;代表卫星遥感辐射数据中位置、日期对应的日尺度辐射参考值;位置为卫星遥感辐射数据和地表辐射分量重叠空间区域内的任一空间网格位置,日期为卫星遥感辐射数据和地表辐射分量重叠时间段内的任一日尺度日期;
19、采用下式(2)计算空间异常偏差:
20、 (2);
21、式(2)中,代表目标研究区域, 代表在任一日期下,对内所有空间网格位置对应的原始偏差按数值大小排序后取得的空间中位数;当内的空间网格总数为奇数时,空间中位数取排序后的中间值;当空间网格总数为偶数时,空间中位数取中间两个值的平均值;
22、s22、构建空间偏差预测模型,具体见下式(3):
23、 (3);
24、式(3)中,代表空间偏差预测模型预测得到的全域中任一空间网格位置、任一日期处的预测空间异常偏差,全域是同时由目标研究区域的全部空间网格以及目标研究时间段全部日尺度日期共同构成的时空范围;代表空间偏差预测模型的映射函数;代表全域中任一空间网格位置、任一日期对应的辅助影响因子集合,第一次实施递归后向消融时,为候选辅助影响因子集合;代表全域中任一空间网格位置、任一日期处的地表辐射分量;和作为空间偏差预测模型的输入变量;
25、按照日期进行训练集和验证集的分组,使同一日期的全部空间像元仅进入训练集或验证集中的一方,依据同一训练集对多个候选监督回归模型进行训练,然后用同一验证集评价多个候选监督回归模型的性能,选出性能最优的一个候选监督回归模型作为候选空间偏差预测模型;
26、在确定候选空间偏差预测模型后,根据候选空间偏差预测模型内部计算得到的变量重要性对候选辅助影响因子集合中的所有候选辅助影响因子进行排序,并实施递归后向消融,即每次删除一个重要性最低的候选辅助影响因子后重新训练和验证候选空间偏差预测模型,当删除操作引起的验证集精度变化仍满足精度变化预设阈值要求时,保留删除结果,保留的候选辅助影响因子组成新的候选辅助影响因子集合,重复上述删除操作,直至删除操作引起的验证集精度变化不满足精度变化预设阈值要求时,保留剩余候选辅助影响因子组成最终确定的辅助影响因子集合;该辅助影响因子集合作为输入对候选空间偏差预测模型进行训练,训练后的候选空间偏差预测模型作为训练完成的空间偏差预测模型。
27、所述利用预测空间异常偏差对全域待校正的地表辐射分量进行第一级空间校正,得到全域的第一级空间校正辐射结果,具体见下式(4):
28、 (4);
29、式(4)中,代表全域中任一空间网格位置、任一日期处的第一级空间校正辐射结果;代表全域中任一空间网格位置、任一日期处的地表辐射分量。
30、所述构建站点约束辐射校正预测模型,以时空匹配数据集内的地面辐射站点观测数据作为真实标签训练站点约束辐射校正预测模型,具体为:
31、s31、构建站点约束辐射校正预测模型,具体见下式(5):
32、 (5);
33、式(5)中,代表全域中任一空间网格位置、任一日期处校正后的地表辐射分量;和作为站点约束辐射校正预测模型的输入变量;代表站点约束辐射校正预测模型的映射函数;
34、站点约束辐射校正预测模型训练时,输入变量中的替换为, 代表从全域的第一级空间校正辐射结果中提取与该地面辐射站点观测数据日期、站点位置均相匹配的第一级空间校正辐射结果,同时替换为,代表地面辐射站点观测数据日期、站点位置对应的辅助影响因子集合,第一次实施递归后向消融时,为候选辅助影响因子集合;即同时替换为,代表时空匹配数据集内日期、站点位置处的地面辐射站点观测数据;
35、s32、训练时,同样按照日期进行训练集和验证集的分组,通过训练和验证筛选出性能最优的一个候选监督回归模型作为候选站点约束辐射校正预测模型;在确定候选站点约束辐射校正预测模型后,对候选辅助影响因子集合中的所有候选辅助影响因子实施递归后向消融,最终保留的候选辅助影响因子组成最终确定的辅助影响因子集合;该辅助影响因子集合作为输入对候选站点约束辐射校正预测模型进行训练,得到经过模型选型和辅助影响因子筛选后的候选站点约束辐射校正预测模型;
36、s33、确定经过模型选型和辅助影响因子筛选后的候选站点约束辐射校正预测模型后,则进行留一站点验证评估,即首先每轮选取n个有效地面辐射站点中的一个站点作为独立测试站点,将该站点的全部有效日尺度数据样本从训练数据中剔除;其余 (n-1) 个站点的有效日尺度数据样本用于对候选站点约束辐射校正预测模型进行训练,训练时,模型架构和辅助影响因子集合始终保持不变,再利用训练后的候选站点约束辐射校正预测模型对独立测试站点的全部有效日尺度数据样本进行预测,得到一组站点评价指标;n轮循环完毕后,一共得到n组相互独立的站点评价指标;将每轮预测得到的站点评价指标与同一独立测试站点对应的第一级空间校正辐射结果的评价指标进行比较,当满足精度提升条件的独立测试站点占比达到站点占比预设阈值时,则判定候选站点约束辐射校正预测模型具备跨站点空间推广的应用条件;
37、s34、当留一站点验证评估通过后,将所有站点相匹配的第一级空间校正辐射结果和对应的辅助影响因子集合作为输入变量输入到候选站点约束辐射校正预测模型中进行模型的重新训练,训练时,模型架构和辅助影响因子集合始终保持不变,得到最终训练完成的站点约束辐射校正预测模型。
38、所述留一站点验证评估不通过时,则舍弃当前候选站点约束辐射校正预测模型的模型架构以及对应的最终辅助影响因子集合;返回执行候选模型筛选以及递归后向消融的步骤,重新更新模型架构与辅助影响因子集合;再次开展留一站点验证评估,直至满足跨站点空间推广的应用条件。
39、所述空间偏差预测模型和站点约束辐射校正预测模型训练时选用的多个候选监督回归模型均包括有随机森林、极端随机树、梯度提升树、xgboost、lightgbm和catboost共六类模型;
40、所述空间偏差预测模型训练时,用同一验证集评价多个候选监督回归模型的性能,其选用的评价指标,递归后向消融时,验证集精度变化的评价指标,均包括有相关系数r、均方根误差rmse和平均偏差mb;
41、所述站点约束辐射校正预测模型训练时,筛选候选站点约束辐射校正预测模型和递归后向消融时选用的评价指标,以及留一站点验证评估时,所选用的站点评价指标,均包括有相关系数r、均方根误差rmse和平均偏差mb。
42、本发明的优点:
43、(1)、本发明分级利用卫星遥感辐射数据的面状空间信息与地面辐射站点的高精度观测信息;第一阶段利用卫星遥感辐射数据对era5-land地表辐射数据的空间偏差进行校正,改善辐射场的区域空间分布特征;第二阶段在第一级空间校正辐射结果的基础上,引入地面辐射站点日平均观测数据开展残余偏差校正,进一步提升地表辐射估算精度;本发明的二级校正同时发挥卫星遥感空间连续覆盖与地面辐射站点高精度观测的优势,克服仅依靠卫星产品难以满足长时序连续重建、仅依靠有限站点空间推广能力不足的缺陷,兼顾区域尺度空间分布合理性与站点尺度辐射估算精度。
44、(2)、本发明不要求卫星遥感辐射数据在全部重建时段保持连续覆盖,而是基于卫星与era5-land重叠观测时段的空间差异信息构建校正关系,并将该校正关系应用于更长时间范围的era5-land数据;既充分利用卫星遥感辐射数据对区域辐射空间分布的表征能力,又保留era5-land地表辐射数据时间连续、空间覆盖完整的固有优势,突破卫星观测时间序列较短对长时序地表辐射重建带来的限制,为长时序era5-land地表辐射数据的连续校正与稳定重建提供支撑。
45、(3)、本发明针对净短波辐射和净长波辐射,分别构建相应的空间偏差预测模型和站点约束辐射校正预测模型。对于两类地表辐射分量,均首先利用卫星遥感辐射数据的日尺度辐射场作为空间参考,对era5-land地表辐射数据进行第一级空间偏差校正;随后引入地面辐射站点观测数据,对第一级空间校正后残存的残余偏差进行第二级校正;鉴于净短波辐射和净长波辐射在形成机制及主要影响因素方面存在的差异,两类地表辐射分量分别采用各自对应的候选辅助影响因子集合、模型训练过程及最终确定的辅助影响因子集合,实现独立校正处理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com