一种基于误差分解的日尺度星地降水融合方法

    公开(公告)号:CN115357847B

    公开(公告)日:2023-09-19

    申请号:CN202211036334.5

    申请日:2022-08-28

    Abstract: 本发明公开了一种基于误差分解的日尺度星地降水融合方法,借助误差分解模型将雨量站观测降水与卫星遥感反演降水之间的误差分解为命中误差、漏报误差和误报误差,针对各项误差选取地理加权回归模型和相似矩阵法计算空间误差估计值和降水背景值,最后通过“加法模型”框架、“乘法模型”框架和回归残差值估计进行降水融合,得到各网格点的降水融合值。本发明更细致地针对站点处的各误差组分进行空间降水误差估计,减少降水融合模型的不确定性;地理加权回归模型反映了降水误差与其影响因素之间的非平稳关系,相似矩阵法修正了降水背景场中的错误信息,充分利用各误差组分的有效信息,能够获得更好的降水空间估计数据,误差小于常规的降水插值方法。

    一种基于深度学习的作物根层土壤含水量模拟方法

    公开(公告)号:CN117556695B

    公开(公告)日:2024-05-14

    申请号:CN202311503095.4

    申请日:2023-11-11

    Abstract: 本发明公开了一种基于深度学习的作物根层土壤含水量模拟方法,包括收集研究区的影响因子;将各影响因子和根层土壤含水量进行时间和空间上的相关性分析,计算各影响因子对根层土壤含水量模拟的重要度,确定模型最终的输入因子;构建区域根层土壤含水量模型;将ERA5原始数据集浅层土壤含水量数据和对应的气候、下垫面影响因子资料输入到区域根层土壤含水量模型中逐栅格进行模拟,模拟获得研究区ERA5根层土壤含水量数据集。本发明针对站点实测根层土壤含水量数据非实时不连续且成本高、遥感反演产品精度较低的不足,将高精度的站点数据和ERA5实时连续的反演数据的优势相结合模拟根层土壤含水量,获取精度较高且实时连续的区域根层土壤含水量信息。

    一种基于深度学习的作物根层土壤含水量模拟方法

    公开(公告)号:CN117556695A

    公开(公告)日:2024-02-13

    申请号:CN202311503095.4

    申请日:2023-11-11

    Abstract: 本发明公开了一种基于深度学习的作物根层土壤含水量模拟方法,包括收集研究区的影响因子;将各影响因子和根层土壤含水量进行时间和空间上的相关性分析,计算各影响因子对根层土壤含水量模拟的重要度,确定模型最终的输入因子;构建区域根层土壤含水量模型;将ERA5原始数据集浅层土壤含水量数据和对应的气候、下垫面影响因子资料输入到区域根层土壤含水量模型中逐栅格进行模拟,模拟获得研究区ERA5根层土壤含水量数据集。本发明针对站点实测根层土壤含水量数据非实时不连续且成本高、遥感反演产品精度较低的不足,将高精度的站点数据和ERA5实时连续的反演数据的优势相结合模拟根层土壤含水量,获取精度较高且实时连续的区域根层土壤含水量信息。

    一种基于误差分解的日尺度星地降水融合方法

    公开(公告)号:CN115357847A

    公开(公告)日:2022-11-18

    申请号:CN202211036334.5

    申请日:2022-08-28

    Abstract: 本发明公开了一种基于误差分解的日尺度星地降水融合方法,借助误差分解模型将雨量站观测降水与卫星遥感反演降水之间的误差分解为命中误差、漏报误差和误报误差,针对各项误差选取地理加权回归模型和相似矩阵法计算空间误差估计值和降水背景值,最后通过“加法模型”框架、“乘法模型”框架和回归残差值估计进行降水融合,得到各网格点的降水融合值。本发明更细致地针对站点处的各误差组分进行空间降水误差估计,减少降水融合模型的不确定性;地理加权回归模型反映了降水误差与其影响因素之间的非平稳关系,相似矩阵法修正了降水背景场中的错误信息,充分利用各误差组分的有效信息,能够获得更好的降水空间估计数据,误差小于常规的降水插值方法。

Patent Agency Ranking