基于机器学习算法的卫星降水数据空间降尺度方法研究的开题报告.docx

基于机器学习算法的卫星降水数据空间降尺度方法研究的开题报告
开题报告
1.研究背景和研究意义
降尺度是指将高空间分辨率的卫星遥感数据降低到目标区域的地面分辨率。降尺度方法是空间信息处理、大气科学以及环境保护等领域的重要研究方向。卫星遥感数据在不同空间尺度上提供的是位置、强度和时间信息。但是，由于地表条件的不同或遥感仪器的限制，卫星遥感数据的分辨率不同，在实际应用中，高分辨率的遥感数据并不能满足高精度的分析需求。因此，将高分辨率的遥感数据换算为低分辨率的遥感数据，这就要用到数据的降尺度处理。目前，人们在数据降尺度之前经常采用统计方法或插值方法，但这些传统方法在应用过程中存在诸多缺陷。因此，采用机器学习算法对卫星遥感数据进行降尺度处理是当前的研究热点之一。
2.研究内容和方法
本文将实现一种基于机器学习算法的卫星降水数据空间降尺度方法。研究内容包括：数据预处理、特征提取和分类器。其中，数据预处理是将原始数据转换为特征向量的过程，这里采用基础统计学特征和Haar小波变换来表示卫星降水数据的空间和频域特性。特征提取是在特征向量上进行的，这里采用稀疏自编码机(SAE)模型来对特征向量进行提取。最后，将处理后的数据输入到梯度上升决策树分类器(GBDT)中进行分类，以实现卫星降水数据的空间降尺度方法。
3.研究预期结果
本研究预期获得以下结果：
1)该方法能够提高卫星降水数据的空间分辨率；
2)比较传统降尺度方法的实验结果，该方法能够在保持较高分辨率的情况下提高分类精度；
3)该方法可应用于大范围区域的卫星降水数据处理。
4.研究难点
1)大规模卫星遥感数据的处理；
2)高维度数据建模和特征提取；
3)特征选择对结果的影响；
4)特征量和分类器参数的设置。
5.研究意义
本方法提高卫星降水数据空间分辨率，有效提高了精度和细节度，对水文模型、气象教育、环境保护等领域具有很强的应用价值。本方法具有普遍性，可以扩展到其它遥感数据的处理。