耦合随机森林和HASM的多源降水数据协同降尺度方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115952743A(43)申请公布日2023.04.11(21)申请号202310239673.1(22)申请日2023.03.14(71)申请人中国科学院地理科学与资源研究所地址100101北京市朝阳区大屯路甲11号(72)发明人赵娜(74)专利代理机构北京合创致信专利代理有限公司16127专利代理师刘素霞(51)Int.Cl.G06F30/27(2020.01)G06N3/006(2023.01)权利要求书3页说明书9页附图2页(54)发明名称耦合随机森林和HASM的多源降水数据协同降尺度方法和系统(57)摘要本申请涉及电数字数据处理技术领域，提供一种耦合随机森林和HASM的多源降水数据协同降尺度方法和系统。该方法包括：根据多源降水数据，利用预先构建的随机森林模型对目标降水数据的取值进行回归预测，得到目标降水数据对应的预测结果；计算随机森林模型的训练数据集中每一训练样本的残差，以及，基于随机森林模型，计算每一来源的降水数据对应的真实降水解释度；将残差通过HASM进行插值处理，并将插值处理的结果与预测结果进行求和计算，得到降尺度综合数据；基于降尺度综合数据与真实降水解释度，确定多源降水数据中每一来源的降水数据的降尺度结果。由此，在获取高精度、高分辨率降尺度综合数据的同时，输出各个来源数据对应的降尺度结果。CN115952743ACN115952743A权利要求书1/3页1.一种耦合随机森林和HASM的多源降水数据协同降尺度方法，其特征在于，包括：根据多源降水数据，利用预先构建的随机森林模型对目标降水数据的取值进行回归预测，得到目标降水数据对应的预测结果；其中，所述目标降水数据的空间分辨率等于降尺度后的目标分辨率；所述多源降水数据的空间分辨率低于所述目标分辨率；计算所述随机森林模型的训练数据集中每一训练样本的残差，以及，基于所述随机森林模型，计算所述多源降水数据中每一来源的降水数据对应的真实降水解释度；将所述训练数据集中每一训练样本的残差通过高精度曲面建模方法进行插值处理，并将插值处理的结果与所述预测结果进行求和计算，得到降尺度综合数据；基于所述降尺度综合数据与所述真实降水解释度，确定所述多源降水数据中每一来源的降水数据的降尺度结果。2.根据权利要求1所述的耦合随机森林和HASM的多源降水数据协同降尺度方法，其特征在于，所述随机森林模型通过如下步骤构建：按照所述目标分辨率，对预先获取的原始多源降水数据进行空间分辨率统一处理，得到分辨率统一后的多源降水数据；根据观测站点降水数据和分辨率统一后的多源降水数据，构建所述训练数据集；基于所述训练数据集构建所述随机森林模型。3.根据权利要求2所述的耦合随机森林和HASM的多源降水数据协同降尺度方法，其特征在于，所述按照所述目标分辨率，对预先获取的原始多源降水数据进行空间分辨率统一处理，得到分辨率统一后的多源降水数据，具体为：根据所述目标分辨率与所述原始多源降水数据中每一来源的降水数据的空间分辨率，计算空间尺度统一因子；基于所述空间尺度统一因子，将所述原始多源降水数据中每一来源的降水数据中的每一原始像元转换为所述目标分辨率下的目标像元，并将所述目标像元的取值设置为对应的所述原始像元的取值，以得到分辨率统一后的多源降水数据。4.据权利要求2所述的耦合随机森林和HASM的多源降水数据协同降尺度方法，其特征在于，所述多源降水数据中每一来源的降水数据对应的真实降水解释度的计算过程为：计算所述随机森林模型的总体解释度；所述总体解释度表征使用所述训练数据集全部的训练样本对所述随机森林模型进行训练后，所述随机森林模型能够解释的真实降水的变化程度；从所述训练数据集中去除第一来源降水数据对应的训练样本后，重新对随机森林模型进行训练，并计算得到第一解释度；所述第一来源降水数据为所述多源降水数据中任意一种来源的降水数据；对所述总体解释度与所述第一解释度进行差值运算，得到所述第一来源降水数据对应的真实降水解释度。5.根据权利要求1所述的耦合随机森林和HASM的多源降水数据协同降尺度方法，其特征在于，所述基于所述降尺度综合数据与所述真实降水解释度，确定所述多源降水数据中每一来源的降水数据的降尺度结果，具体为：将所述降尺度综合数据与所述多源降水数据中每一来源的降水数据对应的真实降水解释度进行相乘运算，得到所述多源降水数据中每一来源的降水数据的降尺度结果。2CN115952743A权利要求书2/3页6.一种耦合随机森林和HASM的多源降水数据协同降尺度系统，其特征在于，包括：回归预测单元，配置为根据多源降水数据，利用预先构建的随机森林模型对目标降水数据的取值进行回归预测，得到目标降水数据对应的预测结果；其中，所述目标降水数据的空间分辨率等于降尺度后的目标