降水是反映地表环境状况和全球水循环的关键参数，是气候系统中水分循环和能量交换的重要组成部分，也是表征气候变化的重要指标。降水异常造成的极端天气及气候事件（洪涝、干旱）对人类生产和生活造成极大危害。因此，发展高时空分辨率、高精度的降水产品，具有重要意义。 地面气象站点观测是获取降水数据的常规方法，但受限于站点密度、分布状况以及下垫面复杂程度的影响，通过空间插值生成空间连续分布的降水数据具有很大的不确定性。卫星遥感降水数据以其大尺度和高时空分辨率优势特征，逐渐成为水文研究的重要数据源；但由于卫星反演降水的物理原理和算法存在局限性，其反演降水的精度相对较低。融合海量数据资料的降水产品，可能是提高精度的有效途径。因此，可以尝试使用地形、经纬度等辅助变量，在机器学习算法与地统计学理论框架下，建立多源降水数据融合模型，提高遥感降水精度。
l 计算机硬件：
至少4个逻辑处理器、8G+内存
l 操作系统：
win8+、Linux、mac等64位os
l 软件：
配备Anaconda3 5.2+，安装有Xarray 0.12+、netcdf4、hdf5、cftime、h5py
有一定Python基础
GPM IMERG数据读取
读取HDF5文件
转换netCDF格式
偏差订正方式融合
降水数据的质量控制（阈值法）
利用站点检查订正降水落区
构建订正的样本序列
空间索引匹配临近地面站点（KDtree）
构造订正序列（Gamma分布拟合、累计概率CDF）
逐格点订正遥感降水
过程解释：基本相信遥感降水的的落区，将站点数据通过强度订正方式融合到遥感产品中。这一步可以最的程度上订正遥感降水的系统误差。
使用机器学习方式融合
确定降水落区
降水样本的抽样
降水数据的聚类
分层抽样
过程解释：提高用于机器学习数据的空间和强度上的代表性。
构建融合模型
拆分样本
特征工程（增加特征）
训练模型（random forest、extra forest、LightGBM等常见模型）
重构降水数据
过程解释：机器学习建模为一维数据，需要将一维数据还原为二维数据
提供华北地区1个降水过程个例，包含（GPM IMERG遥感降水数据和站点数据）
扫一扫
1247
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
