【技術實現步驟摘要】
本專利技術屬于環境科學與氣象科學領域，尤其涉及一種基于集成學習的多源降水產品融合方法。
技術介紹
1、降水是水循環中重要的一個環節，同時也是地表水文過程的基本驅動因子，其本身受到地形和氣候等因素的影響，在時空上有很大的變異性，如何精確獲取降水信息對于區域水資源管理、生產活動、災害預防等領域都有重要作用。傳統方式是通過氣象站點觀測，其不足在于獲取的降水信息在空間上是離散的，尤其在人口稀疏的邊遠地區，觀測站點稀少，很難獲得詳細的空間上連續的降水信息。隨著衛星技術和反演算法的發展，柵格降水產品（簡稱：降水產品）開始出現，降水產品具有空間上連續分布的優勢，但其準確性不如站點觀測資料高。從1997年熱帶降水計劃trmm開始，出現了一系列衛星降水產品和再分析降水產品。
2、當下降水產品種類也較多，但不同降水產品在不同統計評估指標上體現的優劣性也不同，如何以站點觀測資料為基準，將具有不同優勢的降水產品融合在一起，進而獲得具備綜合優勢的降水產品具有重要意義。
技術實現思路
1、專利技術目的：針對現有技術中存在的技術問題，本專利技術提供了一種基于集成學習的多源降水產品融合方法，以站點實測降水量為基準，通過機器學習來融合不同降水產品，進而獲得精度更好的降水產品。
2、技術方案：為實現上述專利技術目的，本專利技術采用以下技術方案：一種基于集成學習的多源降水產品融合方法，包括以下步驟：
3、s1，數據準備：按照研究區域，準備氣象站點降水數據和多源降水產品，并提取氣象站點
4、s2，建立多維評估指標：以站點降水數據作為真值，采用相關系數r、平均絕對相對偏差mare，均方根偏差rmse，探測率pod，誤報率far，臨界成功指數csi六種評估指標對多源降水產品分別計算得到評估值；
5、s3，綜合得分計算：對于同一評估指標，不同降水產品按評估值性能從優到劣依次排序，排名名次作為該降水產品在該評估指標下的得分，并通過下式計算得到不同降水產品的綜合得分scorej，
6、，
7、式中，scorej表示第j類降水產品的綜合得分；skj表示j類降水產品在第k項評估指標得分，m取值為6；
8、s4，降水產品優選：基于步驟s3得到不同降水產品的綜合得分，對不同降水產品按綜合得分從小到大依次排序，并擇優選擇前n名的降水產品，n取值范圍為3~5；
9、s5，集成學習模型構建
10、（1）采用多種機器學習模型，以站點實測降水量數據為基準，以步驟s4優選的降水產品和若干輔助因子作為輸入，對機器學習模型分別進行訓練優化，實現降水量擬合；
11、（2）將訓練優化后的機器學習模型生成的降水產品，按評估指標進行性能評估，從而確定機器學習模型的性能優劣，擇優選擇若干個機器學習模型進行組合，以stacking方法構建集成學習模型；
12、（3）運用集成學習模型進行降水量擬合，在集成學習模型優化的基礎上，生成研究區降水產品。
13、進一步的，步驟s1所述多源降水產品包含衛星降水產品、再分析降水產品。
14、進一步的，步驟s2所述六種評估指標的評估值計算方法如下：
15、（1）相關系數rj，用來衡量降水產品和站點觀測降水數據間的相關性，數值越大表示線性相關性越強，并通過下式計算，
16、，
17、式中，rj為第j類降水產品的相關系數；gi為站點i觀測降水值；表示站點觀測降水值的平均值，pij為站點i對應的第j類降水產品值，?為第j類降水產品值的平均值；n為站點數；
18、(2)?均方根偏差rmsej，反映降水產品與站點觀測值之間偏差的離散程度，均方根偏差越小表示偏差的離散程度越小，并通過下式計算，
19、，
20、式中，rmsej為第j類降水產品的均方根偏差；gi為站點i觀測降水值，?pij為站點i對應的第j類降水產品值；
21、(3)?平均絕對相對偏差marej，反映降水產品與站點觀測值之間的平均偏離程度，越接近于0，代表平均偏離程度越小，降水產品數據更為準確，并通過下式計算，
22、，
23、式中，marej為第j類降水產品的平均絕對相對偏差；gi為站點i觀測降水值，?pij為站點i對應的第j類降水產品值；
24、(4)探測率podj，反映降水產品能正確反映降水日數的比例，范圍為[0，1]，越高代表降水產品對真實降水事件探測比例越高，并通過下式計算，
25、，
26、式中，podj為第j類降水產品的探測率；hj表示研究時段內日站點觀測值和與其對應第j類降水產品值同時大于或等于0.1mm的總日數；mj表示研究時段內日站點觀測值小于0.1mm，但其對應j類降水產品值大于或等于0.1mm的總日數；
27、(5)誤報率farj，反映降水產品沒能正確反映降水日數的比例，取值范圍為[0，1]，最優為0，越小表示降水產品反映降水事件的錯誤率越低，并通過下式計算，
28、，
29、式中，farj為第j類降水產品的誤報率；hj表示研究時段內日站點觀測值和與其對應第j類降水產品值同時大于或等于0.1mm的總日數；fj表示研究時段內日站點觀測值大于或等于0.1mm，但與其對應j類降水產品值小于0.1mm的總日數，
30、(6)?臨界成功指數csij，反映在有雨日數中降水產品對降水探測成功的比例，取值范圍為[0，1]，越接近于1，表示降水產品探測成功并且誤報較少。
31、，
32、式中，csij為第j類降水產品的臨界成功指數；hj表示研究時段內日站點觀測值和與其對應第j類降水產品值同時大于或等于0.1mm的總日數；fj表示研究時段內日站點觀測值大于或等于0.1mm，但與其對應第j類降水產品值小于0.1mm的總日數；mj表示研究時段內日站點觀測值小于0.1mm，但其對應第j類降水產品值大于或等于0.1mm的總日數。
33、進一步的，步驟s5中所述若干輔助因子為：經度、緯度、高程、海陸距離與云量。
34、進一步的，步驟s5中所述機器學習模型包括rf，catboost，knn，lasso，dtree，xgboost，hgbr和etree。
35、進一步的，步驟s5中所述對機器學習模型分別進行訓練優化，是對每個機器學習模型進行單獨訓練優化。
36、進一步的，步驟s5所述站點實測降水量數據，基于站點空間分布均勻的原則，按6:2:2的比例分為訓練集、驗證集和測試集。
37、進一步的，步驟s5中所述機器學習模型進行訓練優化時，采用randomizedsearchcv尋找最優超參數。
38、有益效果：與現有技術相比，本專利技術運用多種機器學習模型及其不同組合的集成學習模型，融合多源降水產品，并考慮多個輔助因子為輸入，以多種評估指標為依據，生成質量更優的降水產品。本文檔來自技高網...
【技術保護點】
1.一種基于集成學習的多源降水產品融合方法，其特征在于包括以下步驟：
2.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟S1所述多源降水產品包含衛星降水產品、再分析降水產品。
3.基于集成學習的多源降水產品融合方法，其特征在于：步驟S2所述六種評估指標的評估值計算方法如下：
4.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟S5中所述若干輔助因子為：經度、緯度、高程、海陸距離與云量。
5.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟S5中所述機器學習模型包括RF，CatBoost，KNN，Lasso，DTREE，XGBoost，HGBR和ETREE。
6.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟S5中所述對機器學習模型分別進行訓練優化，是對每個機器學習模型進行單獨訓練優化。
7.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟S5所述站點實測降水量數據，基于站點空間分布均勻的原則，按6
8.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟S5中所述機器學習模型進行訓練優化時，采用RandomizedSearchCV尋找最優超參數。
...【技術特征摘要】
1.一種基于集成學習的多源降水產品融合方法，其特征在于包括以下步驟：
2.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟s1所述多源降水產品包含衛星降水產品、再分析降水產品。
3.基于集成學習的多源降水產品融合方法，其特征在于：步驟s2所述六種評估指標的評估值計算方法如下：
4.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟s5中所述若干輔助因子為：經度、緯度、高程、海陸距離與云量。
5.根據權利要求1所述基于集成學習的多源降水產品融合方法，其特征在于：步驟s5中所述機器學習模型包括rf，catboost，k...
【專利技術屬性】
技術研發人員：曾燕，薛順奎，邱新法，朱曉晨，陳兵，許金萍，王珂清，吳昊，
申請(專利權)人：南京氣象科技創新研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。