基于深度学习的卫星近实时强降水估计研究
文献类型：学位论文
| 作者 | 辛颖 |
| 答辩日期 | 2024-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 孙九林 ; 王卷乐 |
| 关键词 | 卫星降水估计 深度学习 近实时 强降水 台风降水监测 |
| 学位名称 | 博士 |
| 学位专业 | 地理学与地理信息系统 |
| 英文摘要 | 降水是水循环和能量循环系统的重要组成部分，适时、适量的降水有利于丰富地表水资源、改善生态环境，但长时间、高强度、大面积的降水则会引起洪涝、滑坡、泥石流等灾害，造成大量的人员伤亡和财产损失。在全球变暖、极端降水事件频发的背景下，对强降水进行准确、实时的监测具有重要意义。随着对地观测技术的发展，卫星遥感为实时获取高分辨率、时空连续的大范围强降水信息提供了有效手段。然而，在不同区域、不同尺度开展的验证研究表明，卫星反演获取的（近）实时降水数据在强降水探测和估计方面仍然存在较大偏差，难以满足区域暴雨洪涝监测预警等应用的精度需求。算法自身的不足是强降水反演不确定性的主要来源。现有算法大多基于卫星瞬时观测提供的天气系统空间特征开展降水估计，缺乏对估计时段内降水系统时间动态信息的考虑，因此难以准确表征演变迅速的强降水过程。 针对上述问题，本研究基于静止气象卫星高频观测时间序列，在深度学习框架下针对降水强度高于8mm/h的小时强降水事件发展卫星近实时估计模型，通过多种深度学习技术有效提取整合观测序列中强降水系统的时间和空间变化信息，从而提升近实时强降水监测能力。为了尽量减少降水不均衡分布对强降水估计的影响，本研究将任务分为事件探测和定量估计两个独立过程，依次构建卫星近实时强降水事件探测和定量估计深度网络模型。在此基础上，生产2016–2022年中国大陆0.05°小时强降水数据集，结合主流卫星近实时降水产品（PERSIANNCCS、GSMap_NRT、GSMap_Gauge_NRT、IMERGER和IMERGLR）对比评估不同算法获取的近实时强降水信息准确性，并以2017年影响华南地区的台风“苗柏”和2019年影响华东、华北地区的台风“利奇马”为案例探讨不同卫星近实时数据集对登陆台风强降水的监测能力。主要研究结论如下： （1）卫星近实时强降水事件探测模型建模。卫星近实时强降水事件探测模型（HPDNet）采用卷积长短期记忆网络提取卫星序列中降水系统的时空变化模式，采用卷积神经网络获取地形的空间特征，以实现对强降水发展相关时空信息的有效整合。该模型总体探测性能显著优于仅采用瞬时观测的HPDNet_cnn以及 PERSIANN-CCS、GSMap_NRT、GSMap_Gauge_NRT等主流卫星近实时产品，接近联合红外和微波观测生成的IMERGER和IMERGLR；其具有显著更强的强降水捕捉能力，相比主流近实时产品命中率改进幅度超过40%。 （2）卫星近实时强降水定量估计模型建模。针对强降水事件探测和定量估计模型在最佳输入变量和最佳特征提取整合方法方面的差异，在HPDNet的基础上独立构建卫星近实时强降水定量估计模型（HPENet）。该模型利用卷积神经网 基于深度学习的卫星近实时强降水估计研究II 络和长短期记忆网络实现对强降水云团多尺度、多层次抽象时空特征的提取与整合，显著提高了小时强降水估计准确性，相比于仅采用瞬时观测的HPENet_cnn，相关系数和均方根误差的改进幅度分别达到32.3%和2.3%。 （3）卫星近实时强降水信息准确性评价。结合HPDNet和HPENet形成中国大陆小时强降水数据集，并基于地面高密度雨量站观测对比分析不同卫星近实时产品强降水信息的准确性。结果显示，本研究数据集表征强降水时空模式的性能与IMERGER相当，并优于其他主流近实时产品；其对高强度强降水的探测和估计准确性略有不足，但强降水整体探测能力较优（命中率、误报率和公平威胁评分分别为0.29、0.83和0.10）、强降水估计误差最小（平均偏差误差、相关系数和均方根误差分别为7.98mm/h、0.11和11.38mm/h）、时空鲁棒性最强。 （4）面向典型台风事件的卫星近实时强降水监测能力评估。以台风“苗柏”和“利奇马”事件为例，从总体时空特征获取、探测和估计准确性以及强降水带移动过程跟踪三个方面分析各卫星近实时产品监测登陆台风强降水的性能。评估结果表明，除PERISANN-CCS外，各近实时产品均能大致捕捉台风强降水的时间变化趋势和累积量空间分布，跟踪台风强降水带的时空动态，并有效探测台风强降水（公平威胁评分范围为0.11–0.22），但强降水范围段估计总体偏高（平均偏差误差范围为2.71–14.21mm/h）。各产品对台风强降水的总体监测能力排序为本研究数据集>IMERGLR>IMERGER>GSMap_Gauge_NRT>GSMap_NRT>PERISANN-CCS。 |
| 学科主题 | 地理学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 183 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/209367]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 辛颖. 基于深度学习的卫星近实时强降水估计研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。