(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210108826.4 (22)申请日 2022.01.28 (71)申请人 国能大渡河流 域水电开发有限公司 地址 610000 四川省成 都市高新区天韵路7 号 申请人 河海大学 (72)发明人 牟时宇　李佳　朱艳军　张团团　 胡义明　梁忠民　 (74)专利代理 机构 北京国林贸知识产权代理有 限公司 1 1001 专利代理师 李瑾　李连生 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/80(2022.01) G06V 10/766(2022.01)G06K 9/62(2022.01) G06N 20/20(2019.01) G06T 3/40(2006.01) (54)发明名称 一种基于Stacking与EMOS-CSG的多源卫星 降水融合方法 (57)摘要 本发明公开了一种基于Stacking与EMOS ‑ CSG的多源卫星降水融合方法， 步骤包括： 数据预 处理， 包括获取雨量站、 原始卫星降水和辅助变 量数据； 借助地理加权回归模型， 对每种原始卫 星产品进行降尺度； 采用Stacking集成框架第一 层多个基学习器分别对每种降尺度卫星产品进 行偏差校正； 利用Stacking集成框架第二层学习 器对各降尺度卫星产品的偏差校正结果进行集 成； 基于EMOS ‑CSG方法对Stacking集成结果进行 融合， 得到高时空分辨率的降水融合产品。 本发 明通过Stacking与EMOS ‑CSG的融合方法将不同 卫星降水产品的优势有效结合， 并借助机器学习 模型校正了卫星产品的偏差， 提高了融合产品的 精度， 可为水文 模型提供了高精度的降水输入。 权利要求书3页 说明书7页 附图1页 CN 114463616 A 2022.05.10 CN 114463616 A 1.一种基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征在于， 包括如下步 骤： 步骤1、 数据 预处理： 包括获取雨量站、 原始卫星降水和辅助变量数据， 所述辅助变量包 括经纬度、 高程、 坡度坡向、 NDVI、 土壤 湿度、 风向风速、 温度和大气压； 步骤2、 降尺度： 借助地理加权回归 模型， 对每种原 始卫星产品进行降尺度； 步骤3、 Stacking第一层基学习器校正： 采用Stacking集成框架第一层6种基学习器分 别对每种降尺度卫星产品进 行偏差校正， 得到每种 产品的6种校正结果； 其中， 6种基学习器 为随机森林、 K最近邻算法、 极端梯度提升树、 轻量梯度提升树、 CatBo ost和梯度提升树； 步骤4、 利用Stacking集成框架第二层学习器对各降尺度卫星产品的偏差校正结果进 行集成； 所述第二层学习器为随机森林； 步骤5、 基于EMOS ‑CSG方法对Stacking集成结果进行融合， 得到高时空分辨率的降水融 合产品； 其中E MOS‑CSG最终求 解方程为： λ＝θ k[1 ‑Gk, θ( δ )][1‑Gk+1, θ( δ )]‑δ[1‑Gk, θ( δ )]2    (6) 式(6)中， λ为左移截尾伽马分布的均值， 即融合产品均值； θ为伽马分布的尺度参数； k 为形状参数； Gk, θ( δ )是以k, θ为参数的原始伽马分布的累计 分布函数； δ>0表 示向左偏移量； Gk+1, θ( δ )是以k+1, θ 为 参数的原 始伽马分布的累计分布函数。 2.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 步骤1原始卫星降水数据自TMPA ‑3B42RT、 CMORPH、 GSMaP_NRT和PERSIANN中任意一个 或多个中获取。 3.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 步骤1中从地理空间数据云网站上下载DEM数据， 并使用ArcGIS软件进一步提取经纬 度、 高程、 坡度和坡向数据。 4.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 步骤1中NDVI、 土壤 湿度数据来自美国 国家航空航天局。 5.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 步骤1中温度、 大气压、 风向风速数据从欧洲中期天气预报中心获取。 6.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 所述步骤2中借助地理加权回归模型， 对每种原始卫星产品进行降尺度， 包含如下步 骤： 步骤21、 选取与降雨关系密切的经纬度、 高程、 坡度坡向和NDVI作为自变量， 以卫星产 品作为因变量， 构建地理加权回归 模型： 式 (1 ) 中 ， PiL代 表 第 i 个 原 始 卫 星 产 品 的 降 雨 ； 分别为与第i个原始卫星产品空间分辨率一致的归一化植被指数、 高程、 坡度、 坡向、 经度、 纬度值； 代表对应的系数； 是权　利　要　求　书 1/3 页 2 CN 114463616 A 2常数项的系数； 是残差项； 步骤22、 采用双线性插值对式(1)中系数项和自变量因子项重采样到细分辨 率； 步骤23、 计算细分辨 率的卫星降水： 式 (2) 中 PiH为 第 i 个 细 分 辨 率 卫 星 产品 的 降 水 ； 分别为与第i个细分辨率卫星产品空间分辨率一致的归一化植被指 数、 高程、 坡度、 坡向、 经度、 纬度值； 代表相应重采样到 细分辨率后的系数； 是重采样到细分辨 率后常数项的系数； 步骤24、 采用普通克里金法处理式(1)中的残差项， 获取和细分辨率卫星产品空间分辨 率一致的残差 步骤25、 将步骤23得到的细分辨 率的卫星降水PiH与步骤24残差 相加得到最终降尺度 细分辨率卫星产品的降水值； 式(3)中， PiHH为第i个最终降尺度细分辨 率卫星产品的降水值。 7.根据权利要求6所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 步骤2 2、 采用双线性插值对式(1)中系数项和自变量因子项重采样到细分辨 率1km。 8.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 所述步骤3中采用Stacking集 成框架第一层6种基学习器 分别对每种降尺度卫星产品 进行偏差校正， 得到每种产品的6种校正结果， 包 含如下步骤： 步骤31、 选择地面雨量站点所在细网格处的经纬度、 土壤湿度、 风速风向、 温度、 大气 压、 卫星降水因子和 雨量站降水作为原始数据集， 不同降尺度卫星产品的原始数据集除卫 星降水不同外， 其 他因子均相同； 步骤32、 利用双线性插值将各因子的分辨 率统一到同一分辨 率； 步骤33、 在第 一层6种基学习器 中利用每种降尺度卫星产品的原始数据集进行训练， 得 到第一层的6种降水 校正值； 步骤34、 重复步骤3 3， 依次得到每种降尺度卫星产品的6种偏差校正 值。 9.根据权利要求1所述的基于Stacking与EMOS ‑CSG的多源卫星降水融合方法， 其特征 在于： 所述步骤4中利用St acking集成框架第二层学习器对每种降尺度卫星产品的偏差校 正结果进行集成， 包 含如下步骤： 步骤41、 将每种降尺度卫星产品的6种偏差校正结果作为新的训练集， 其中每种降尺度 卫星产品的训练集均不相同； 步骤42、 采用第二层学习器对步骤41得到的训练集进行训练， 得到第二层的集成结果； 步骤43、 重复步骤42， 依次得到各降尺度卫星产品的Stack ing集成结果。 10.根据权利要求1所述的基于Stackin g与EMOS‑CSG的多源卫星降水融合方法， 其特征权　利　要　求　书 2/3 页 3 CN 114463616 A 3