一种近地面气温反演方法

摘要

一种近地面气温反演方法，包括如下步骤：建立无人气象站的原始数据记录集、构造第1子模式学集和第1子模式验证集、获取第2子模式至第f子模式、近地面气温反演获取目标区域的近地面气温反演影像图，以及误差订正获取得到订正的近地气温反演影像图。本发明通过搜集无人气象站的实测气温、气象卫星资料、DEM资料以及天文历法规律，并采用一类超级非线性算法对近地面气温进行反演，再运用高性能计算机计算出近地面气温反演影像图。结果显示，本发明的模式精确度比较高，结果可靠度高，泛化能力强，克服了云层、地形等的干扰；构造的CPU+GPU异构协同并行计算机使得计算速度提高1000倍以上，便于大面积应用和扩展计算能力。

主权项

一种近地面气温反演方法，其特征在于，包括如下步骤：步骤Ⅰ.建立原始数据记录集(1)确定需要进行近地面气温反演的目标区域以及目标区域上的无人气象站所在位置，(2)确定一个目标时间点，并以该目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站的实测气温的时刻为采样时间点，(3)设原始数据记录的格式为j＝1,2,…,L，i＝1,2,…,N，MT_j为第j条原始数据记录的实测气温，为第j条原始数据记录的第i个近地面气温影响因子的原始值，N为近地面气温影响因子的个数，L为原始数据记录的条数，最后Label标记该条记录的站号和时间点，若MT_j缺测则不予收录，将一个无人气象站在一个采样时间点的实测气温MT_j输入原始数据记录，再根据气象卫星资料、DEM资料以及天文历法规律，将该无人气象站所在位置的该采样时间点对应的第1个至第i个近地面气温影响因子的数值依次输入获得一条原始数据记录，(4)选取另一个无人气象站或者选取同一个无人气象站另一个采样时间点，重复步骤(3)，获得下一条原始数据记录，(5)由步骤(2)和(3)获得的原始数据记录组成原始数据记录集AutoVEC，(6)针对该目标区域，确定另一个目标时间点，重复步骤(2)到(4)，然后将获得的原始数据记录并入原始数据记录集AutoVEC，(7)对原始数据记录集AutoVEC中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’，所述原始数据记录指无人气象站位置获得的原始数据记录；步骤Ⅱ.构造第1子模式学习集supVEC¹和第1子模式验证集exVEC¹(1)将归一化数据记录集AutoVEC’中的L条数据记录按照实测气温MT_j进行排序，排名前c名的数据记录和排名倒数d名的数据记录选入第1子模式学习集supVEC¹，(2)将实测气温MT_j排名前3～5％的归一化数据记录和排名倒数3～5％的数据记录交替地选入第1子模式学习集supVEC¹和第1子模式验证集exVEC¹，(3)随机选取其余10～12％的数据记录进入第1子模式学习集supVEC¹，剩下的数据记录进入第1子模式验证集exVEC¹；步骤Ⅲ.获取第1子模式modelVEC¹利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第1子模式学习集supVEC¹参加训练，获得e个候选模式；根据候选模式求出第1子模式验证集exVEC¹中各条数据记录的计算气温FT_j，计算FT_j与MT_j的误差，将误差最小的一个作为第1子模式modelVEC¹；步骤Ⅳ.获取第2子模式modelVEC²至第f子模式modelVEC^f(1)将归一化数据记录集AutoVEC’和第1子模式modelVEC¹代入下式，计算AutoVEC’中每条数据记录的第1子模式的计算气温${\mathrm{AutopixlT}}_j^1=\underset{i=1}{\overset{{\mathrm{supNun}}^1}{\Sigma }}{\alpha }_i^1\times \exp \{{-\gamma }^1\times ||{\mathrm{mode}\mathrm{lVEC}}^1-{\mathrm{AutoVEC}}^{\prime }{\left|\right|}^2\}-b^1,j=\mathrm{1,2},...,L$(2)求出第1子模式计算气温与实测气温MT_j的误差绝对值，按照误差绝对值由大到小对AutoVEC’中的数据记录进行排序，(3)取误差绝对值排名靠前的supNum条数据记录作为第2子模式学习集supVEC²，其余的作为第2子模式验证集exVEC²，按照步骤Ⅲ的方法获得第2子模式modelVEC²，(4)重复步骤(3)，取误差排名靠前的supNum+1到2×supNum条数据记录作为第3子模式学习集supVEC³，其余第3子模式验证集exVEC³，按照步骤Ⅲ的方法获得第3子模式modelVEC³，依次类推直至获得第f子模式modelVEC^f；步骤Ⅴ.近地面气温反演针对目标时间点的采样时间段内的指定的一个时间点，(1)将目标区域划分成BlkNum个正方形的小区域sBlk，再将每个小区域sBlk划分成M×M＝sBlkSamples个栅格点，其中M小区域sBlk的行或列的个数，(2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N，为第q栅格点的第f子模式计算气温，为第q栅格点的第i个近地气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入构造栅格点原始数据记录集sBlkVEC，Label为缺省的标记，(3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC’，(4)将sBlkVEC’依次与第1子模式modelVEC¹至第f子模式modelVEC^f代入下式，依次算出各个栅格点的第1子模式栅格点计算气温至第f子模式栅格点计算气温${\mathrm{GridpixlT}}_q^f=\underset{i=1}{\overset{{\mathrm{wupNum}}^{\prime }}{\Sigma }}{\alpha }_i^f\times \exp \{{-\gamma }^f\times ||\mathrm{mode}l{\mathrm{VEC}}^f-\mathrm{sBlk}{\mathrm{VEC}}^{\prime }{\left|\right|}^2\}{-b}^f,$式中，q＝1，2，...，sBlkSamples，f＝1，2，3，...(5)求出小区域sBlk中各个栅格点的第1子模式至第f子模式的算术平均值，得到该小区域sBlk中各个栅格点的计算气温，就是该小区域sBlk的近地面气温反演影像图，(6)指定另外一个小区域sBlk，重复上述步骤(2)到(5)，直到所有的BlkNum个正方形的小区域sBlk做完为止，最后将BlkNum个小区域sBlk的近地面气温反演影像图合并形成目标区域的近地面气温反演影像图，(7)在目标时间点的采样时间段内，指定另外一个时间点，重复上述步骤(1)到(6)，获得对应时间点的近地面气温反演影像图。