No.1
研究背景
降水作为水循环的重要组成部分，在连接生物圈、水圈、岩石圈和大气圈等方面发挥着重要作用。降水的空间分布极其复杂，这对气象、水文及其相关过程有着深远的影响。因此，定量降水估计(QPE)的精度对于水文、气象、气候、农业、生态和自然灾害防治等都具有重要意义。为了提高定量降水估计的精度，已经开发了许多用于融合卫星数据和观测降水数据的模型。然而，已有的融合方法大多单独考虑卫星数据和雨量站数据的空间或时间相关性，融合后的降水数据仍然受到空间分辨率低和区域精度不高的限制。
No.2
研究目的
该研究的目的包括：
(1)将卷积神经网络(CNN)和长短期记忆人工神经网络(LSTM)相结合，提出卫星-雨量站深度融合模型。
(2)以“热带降雨测量任务”（TRMM）卫星降雨数据和中国雨量站资料为例，通过与卷积神经网络（CNN）、长短期记忆人工神经网络（LSTM）、多层感知人工神经网络（MLP）的模型比较，验证CNN-LSTM模型的有效性。
(3)为我国提供一份高分辨率和高精度的卫星云图降水资料。
No.3
研究区域与数据采集
图1.中国796个国家气象台站的空间分布
如图1所示，以中国为研究区域。我国地形复杂，海拔从负(东部平原)到8000米以上(青藏高原)。受东亚季风和西南季风及地形的影响，中国年降水分布呈现出高度的时空变化。
表1 该研究中使用的数据集摘要
如表1所示该研究使用了卫星降水数据、数字高程模型(DEM)和网格化卫星(GridSat-B1)数据、实测雨量站数据。相应的数据获取方式将由文末给出。
No.4
研究方法
1，数据预处理
图2.TRMM卫星子网格数据提取示意图
如图2所示,为了获得更精细的降水空间分布，并在更小的区域内生成更多的数据用于卷积运算，通过使用邻近插值方法将TRMM数据缩小为0.05°分辨率。对于每个地面站，提取以其为中心的7×7子网格(约38.5公里× 38.5公里)。然后，提取每个时间步长上所识别的相应网格处的卫星数据。最后，建立了与卫星网格和实测降水在时间和空间上相对应的训练数据集。
2，CNN和LSTM相结合建立时空深度神经网络模型
图3.时空深度神经网络融合模型的框架
如图3所示，深度神经网络融合模型包括两个部分，即CNN空间特征提取模块和LSTM模块。CNN空间特征提取模块主要是从卫星数据中提取与网格中心点的降水相关的特征向量。LSTM模块用于获取降水的时间相关性。
3，降水融合与模型性能评价
在此过程中，基于所提出的模型对研究区域的降水进行融合和校正，并通过选取均方根误差(RMSE)、相对偏差(RB)、平均绝对误差(MAE)和相关系数(CC)作为评价标准对模型性能进行评价。
图4.卫星-雨量站时空深度融合模型的流程图
No.5
研究结果
1，不同模型的降水融合性能
表22001-2005年全国796个气象站不同降水校正模型的RMSE、RB、MAE和CC
如表2所示，将4种模型结果与原TRMM数据进行了定量比较，RMSE和MAE值越小表明模型误差越小。CC值越大表明在该模型下数据间的相关性越好。CNN-LSTM模型充分考虑了降水对时间和空间的依赖性，在RMSE和MAE值方面CNN-LSTM模型均小于其他模型；在CC值方面CNN-LSTM模型均大于其他模型。这表明CNN-LSTM模型的性能更优于其他模型。
图5.中国大陆原TRMM数据和CNN-LSTM融合降水数据度量值的空间分布：原TRMM数据的CC(a)、RMSE(c)、MAE(e)，以及CNN-LSTM模型的CC(b)、RMSE(d)、MAE(f)
从图5可以看出，CNN-LSTM模型的CC在大部分地区都有明显改善，RMSE和MAE也有明显下降，东南沿海地区尤为明显。不过，西北部的CC稍低一些，甚至低于0.2。这可能是因为：(1)中国西北地区的气候和地形复杂，而卫星无法获得准确的降水特征；(2)该地区的测站数量太少，无法用真实的降水量来准确测量误差。RMSE和MAE的分布总体表现为西北偏低，东南偏高。
2，不同降水强度下的融合模型性能
表3 2001年至2005年不同降水强度下原TRMM数据和CNN-LSTM融合模型的RMSE降水量观测误差，MAE和检测概率（POD）
表3显示了原TRMM数据和CNN-LSTM融合模型在四种不同降水强度下的误差。结果表明，CNN-LSTM融合模型的RMSE和MAE明显低于原TRMM数据的值。在不同降雨强度下，检测概率(POD)均有明显提高。但是，当降水强度大于25 mm/d时，CNN-LSTM融合模型的误差增大，其主要原因可能是CNN-LSTM融合模型没有估计降水峰值，但仍好于原TRMM数据。结果表明，CNN-LSTM融合模型可以对不同降水强度下的原TRMM数据进行修正和改进。
3，融合降水量的空间分布
在CNN-LSTM模型的基础上，制作了中国2001~2005年0.05°分辨率的日降水量资料集。（以图6作为说明）
图6.2002年9月13日原TRMM数据(a)、缩小尺度的TRMM数据(b)、CNN-LSTM融合数据(c)和Gauge数据(d)的日降水量的空间分布。白色区域表示无数据区，灰色区域表示零值区
如图6所示，由于受台风黑格比的影响，中国西南部广东省于2002年9月13日出现暴雨。根据雨量站于2002年9月13日观测到的日降雨量为163.4毫米。相比之下，TRMM实测的降水量为238 mm，而CNN-LSTM融合模型预测的降水量为162.9 mm。可以看出，CNN-LSTM融合模型较好地捕捉到了暴雨过程，而原TRMM卫星数据高估了其降水量。从全国范围来看，CNN-LSTM融合模型的降水空间分布与原TRMM的降水空间分布相比西北部降水偏少降水量观测误差，南部部分地区降水峰值偏低。与基于气象站的实测降水数据(Gauge数据)相比，TRMM高估了华南地区的降水量，而西北地区则存在一定的误报。使用CNN-LSTM模型可以很好地校正原TRMM降水数据，更好地反映了真实的降水空间分布。
No.6
研究结论
(1)CNN-LSTM模型优于比较模型(CNN、LSTM和MLP)，使原TRMM数据的均方根误差和均方根误差分别降低了17.0%和14.7%，相关系数从0.66提高到0.72。
(2)CNN-LSTM模型对不同降水强度下的原TRMM数据进行了修正和改进，但低估了高强度降水的峰值。
(3)融合后的降水空间分布较好地反映了真实降水。根据CNN-LSTM深度融合模型，最终生成了一个卫星-雨量站的数据集，该数据集融合了我国2001年至2005年的日降水量，分辨率为0.05°。
原文链接
（文章源于网络，版权归原作者及单位所有，仅限学习和交流，向作者致敬！）
发表评论