CN109447325A - 基于随机森林算法的降水数据检测方法、装置及电子设备 - Google Patents
基于随机森林算法的降水数据检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109447325A CN109447325A CN201811159069.3A CN201811159069A CN109447325A CN 109447325 A CN109447325 A CN 109447325A CN 201811159069 A CN201811159069 A CN 201811159069A CN 109447325 A CN109447325 A CN 109447325A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- sample areas
- precipitation data
- daytime
- night
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于随机森林算法的降水数据检测方法、装置及电子设备。本发明所述的基于随机森林算法的降水数据检测方法包括如下步骤:根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型;将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。本发明能够检测出冰雪覆盖区域、水体和沙漠区域等植被指数(NDVI)通常小于零的区域的降水数据。
Description
技术领域
本发明涉及气象信息技术领域,特别是涉及一种基于随机森林算法的降水数据检测方法、装置及电子设备。
背景技术
降水强烈的时空变化常使得常规地基台站的降水观测不能准确把握降水的空间分布和强度变化,而卫星微波遥感技术可以克服此局限,实现在全球范围内实现对降水的观测,而且相对于红外/可见光只能反映云厚、云高等信息而言,卫星微波能够穿透云体,利用云内降水粒子和云粒子与微波的相互作用对云、雨进行更为直接的探测,实现对降水数据的监测,然而,现有的卫星微波遥感技术,在冰雪覆盖区域、水体和沙漠区域等植被指数(NDVI)通常小于零的区域,受水体、冰雪等异常的影响,其降水数据监测通常误差很大。
发明内容
基于此,本发明的目的在于,提供一种基于随机森林算法的降水数据检测方法,其能够检测出冰雪覆盖区域、水体和沙漠区域等植被指数(NDVI)通常小于零的区域的降水数据。
本发明是通过如下方案实现的:
一种基于随机森林算法的降水数据检测方法,包括如下步骤:
获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差;
获取样本区域的数字高程模型和样本区域的植被指数;
根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
获取待监测区域的白天地表温度和夜间地表温度,并根据所述待监测的白天地表温度和夜间地表温度获取待监测区域的昼夜地表温度差;
获取待监测区域的数字高程模型和待监测区域的植被指数;
将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。
本发明所述的基于随机森林算法的降水数据检测方法,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出数据缺失区域的降水数据,可以弥补卫星遥感监测的缺陷,完善降水数据。
在一种实施例中,根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型前,还包括如下步骤:
将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样,至与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率大于第一分辨率。
在一种实施例中,将所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样,至与所述样本区域的卫星遥感降水数据相同的分辨率,包括如下步骤:
计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
在一种实施例中,所述样本区域为植被指数大于零的区域。
进一步地,本发明还提供一种基于随机森林算法的降水数据检测装置,包括:
第一数据采集模块,用于获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差,以及获取样本区域的数字高程模型和样本区域的植被指数;
随机森林训练模块,用于根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
第二数据采集模块,用于获取待监测区域的白天地表温度和夜间地表温度,并根据所述待监测的白天地表温度和夜间地表温度获取待监测区域的昼夜地表温度差,以及获取待监测区域的数字高程模型和待监测区域的植被指数;
降水数据预测模块,用于将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。
本发明所述的基于随机森林算法的降水数据检测装置,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出数据缺失区域的降水数据,可以弥补卫星遥感监测的缺陷,完善降水数据。
在一种实施例中,还包括重采样模块,用于将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样,至与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率大于第一分辨率。
在一种实施例中,所述重采样模块包括分辨率计算单元,用于计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
进一步地,本发明还提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任意一项基于随机森林算法的降水数据检测方法。
进一步地,本发明还提供一种电子设备,包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的任意一项基于随机森林算法的降水数据检测方法。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为一种实施例中基于随机森林算法的降水数据检测方法流程示意图;
图2为另一种实施例中基于随机森林算法的降水数据检测方法流程示意图;
图3为一种实施例中基于随机森林算法的降水数据检测装置结构示意图;
图4为一种实施例中电子设备结构示意图。
具体实施方式
请参阅图1,在一种实施例中,基于随机森林算法的降水数据检测方法包括如下步骤:
步骤S10:获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差。
所述样本区域为有卫星遥感降水数据的区域,所述样本区域的大小为所述卫星遥感数据的分辨率大小的整数倍。所述白天地表温度为地表温度在整个白天内的平均值,所述夜间地表温度为地表温度在整个夜间的平均值,在一种实施例中,所述白天地表温度和所述夜间地表温度通过卫星传感器modis(中分辨率成像光谱仪moderate-resolutionimaging spectroradiometer)获取,所述样本区域的昼夜温度差为所述白天地表温度和所述夜间地表温度之间的差值。
步骤S20:获取样本区域的数字高程模型和样本区域的植被指数。
所述数字高程模型(Digital Elevation Model),简称DEM,是通过有限的地形高程数据实现对地面地形的数字化模拟,即地形表面形态的数字化表达,为一组有序数值阵列形式表示地面高程的一种实体地面模型,所述植被指数为根据植被的光谱特性,将卫星可见光和近红外波段进行组合,形成的植被覆盖指标,定性和定量评价植被覆盖及其生长活力。植被指数的值通常为-1至1,在冰雪覆盖、水体及沙漠区域,植被指数通常为小于零的常数,在一种实施例中,所述样本区域为植被指数大于零的区域。
步骤S30:根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本。
所述样本区域的卫星遥感降水数据,为所述样本区域内,通过卫星遥感所监测到的降水数据,所述最优随机森林算法模型为经反复训练后,降水数据计算误差达到最小的随机森林算法模型。
步骤S40:获取待监测区域的白天地表温度和夜间地表温度,并根据所述待监测的白天地表温度和夜间地表温度获取待监测区域的昼夜地表温度差。
在本实施例中,所述待监测区域的白天地表温度和所述夜间地表温度通过卫星传感器modis(中分辨率成像光谱仪moderate-resolution imaging spectroradiometer)获取。
步骤S50:获取待监测区域的数字高程模型和待监测区域的植被指数。
所述待监测区域为卫星遥感降水数据缺失区域,在本实施例中,为植被指数小于零的区域。
步骤S60:将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。
本发明所述的基于随机森林算法的降水数据检测方法,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出数据缺失区域的降水数据,可以弥补卫星遥感监测的缺陷,完善降水数据。
在一种实施例中,步骤S30前,还包括如下步骤:
步骤S2A:将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样,至与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率大于第一分辨率。
其中,所述白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数的第一分辨率通常为1km*1km,而卫星遥感降水数据的第二分辨率通常为25km*25km,因此,需要将第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为第二分辨率。
在一种实施例中,将第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数重采样为第二分辨率,是通过计算第二分辨率像元范围内,所有第一分辨率像元的平均值来实现的,即计算25km*25km范围内,每个1km*1km的平均值。
请参阅图2,在一个具体的实施例中,包括如下步骤:
步骤S201:获取样本区域的白天地表温度和夜间地表温度,计算昼夜地表温度差。
步骤S202:获取样本区域的数字高程模型和样本区域的植被指数。
步骤S203:将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样。
步骤S204:根据样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数建立原始样本集S。
步骤S205:通过Bootstrap方法在原始样本集S中抽取k个训练样本集。
步骤S206:对k个训练集进行学习,以此生成k个决策树模型。在决策树生成过程中,共有4个输入变量,从4个变量中随机抽取n个变量,各个内部节点均是利用这n个特征变量上最优的分裂方式来分裂,且n值在随机森林模型的形成过程中为恒定常数。
步骤S207:将k个决策树的结果进行组合,经反复训练,形成最优随机森林算法模型。
步骤S208:获取待监测区域的白天地表温度和夜间地表温度,计算待监测区域的昼夜地表温度差。
步骤S209:获取待监测区域的数字高程模型和待监测区域的植被指数。
步骤S210:将所述待监测区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样至第二分辨率。
步骤S211:将重采样的待监测区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入最优随机森林算法模型,获取该待检测区域的检测降水数据。
本发明所述的基于随机森林算法的降水数据检测方法,利用有卫星遥感降水数据的样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数以及样本区域的遥感降水数据,建立最优的随机森林算法模型,利用该模型,计算出数据缺失区域的降水数据,可以弥补卫星遥感监测的缺陷,完善降水数据,通过对各参数进行重采样,能更准确的获得最优随机森林算法模型,从而更准确的检测未知区域的降水量。
请参阅图3,在一个实施例中,本发明基于随机森林算法的降水数据检测装置30包括:
第一数据采集模块31,用于获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差,以及获取样本区域的数字高程模型和样本区域的植被指数;
随机森林训练模块32,用于根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
第二数据采集模块33,用于获取待监测区域的白天地表温度和夜间地表温度,并根据所述待监测的白天地表温度和夜间地表温度获取待监测区域的昼夜地表温度差,以及获取待监测区域的数字高程模型和待监测区域的植被指数;
降水数据预测模块34,用于将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。
在一种实施例中,还包括重采样模块35,用于将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样,至与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率大于第一分辨率。
在一种实施例中,所述重采样模块35包括分辨率计算单元351,用于计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
本发明还提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任意一项实施例中的基于随机森林算法的降水数据检测方法。
请参阅图4,在一种实施例中,本发明的电子设备40包括存储器41和处理器42,以及储存在所述存储器41并可被所述处理器42执行的计算机程序,所述处理器42执行所述计算机程序时,实现如上述任意一项实施例中的基于随机森林算法的降水数据检测方法。
在本实施例中,控制器42可以是一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件。存储介质41可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种基于随机森林算法的降水数据检测方法,其特征在于,包括如下步骤:
获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差;
获取样本区域的数字高程模型和样本区域的植被指数;
根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
获取待监测区域的白天地表温度和夜间地表温度,并根据所述待监测的白天地表温度和夜间地表温度获取待监测区域的昼夜地表温度差;
获取待监测区域的数字高程模型和待监测区域的植被指数;
将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。
2.根据权利要求1所述的基于随机森林算法的降水数据检测方法,其特征在于,根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型前,还包括如下步骤:
将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样至与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率大于第一分辨率。
3.根据权利要求2所述的基于随机森林算法的降水数据检测方法,其特征在于,将所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样至与所述样本区域的卫星遥感降水数据相同的分辨率,包括如下步骤:
计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
4.根据权利要求1所述的基于随机森林算法的降水数据检测方法,其特征在于:
所述样本区域为植被指数大于零的区域。
5.一种基于随机森林算法的降水数据检测装置,其特征在于,包括:
第一数据采集模块,用于获取样本区域的白天地表温度和夜间地表温度,并根据所述白天地表温度和夜间地表温度获取样本区域的昼夜地表温度差,以及获取样本区域的数字高程模型和样本区域的植被指数;
随机森林训练模块,用于根据所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数,以及所述样本区域的卫星遥感降水数据,建立并训练最优随机森林算法模型,其中,所述样本区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数作为所述训练最优随机森林算法模型的输入样本,所述样本区域的卫星遥感降水数据作为所述训练最优随机森林算法模型的输出样本;
第二数据采集模块,用于获取待监测区域的白天地表温度和夜间地表温度,并根据所述待监测的白天地表温度和夜间地表温度获取待监测区域的昼夜地表温度差,以及获取待监测区域的数字高程模型和待监测区域的植被指数;
降水数据预测模块,用于将所述待监测区域的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数输入所述最优随机森林算法模型,获取所述待监测区域的降水数据。
6.根据权利要求5所述的一种基于随机森林算法的降水数据检测装置,其特征在于:
还包括重采样模块,用于将所述样本区域的第一分辨率的白天地表温度、夜间地表温度、昼夜地表温度差、数字高程模型和植被指数进行重采样,至与所述样本区域的卫星遥感降水数据相同的第二分辨率,其中,第二分辨率大于第一分辨率。
7.根据权利要求6所述的一种基于随机森林算法的降水数据检测装置,其特征在于:
所述重采样模块包括分辨率计算单元,用于计算第二分辨率像元范围内,所有第一分辨率像元的平均值。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于:
该计算机程序被处理器执行时实现如权利要求1至7任意一项基于随机森林算法的降水数据检测方法。
9.一种电子设备,包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序,其特征在于:
所述处理器执行所述计算机程序时,实现如权利要求1至7所述的任意一项基于随机森林算法的降水数据检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159069.3A CN109447325A (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
PCT/CN2019/107267 WO2020063529A1 (zh) | 2018-09-30 | 2019-09-23 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159069.3A CN109447325A (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447325A true CN109447325A (zh) | 2019-03-08 |
Family
ID=65544665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159069.3A Pending CN109447325A (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109447325A (zh) |
WO (1) | WO2020063529A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826764A (zh) * | 2019-09-24 | 2020-02-21 | 广州地理研究所 | 基于随机森林算法的植被指数预测方法、系统及设备 |
CN110824586A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进决策树算法的降水预测方法 |
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
WO2020063529A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN113436074A (zh) * | 2021-07-06 | 2021-09-24 | 上海眼控科技股份有限公司 | 一种气象图像处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
CN106021872A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9946931B2 (en) * | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN105760814B (zh) * | 2016-01-25 | 2019-07-02 | 中国水利水电科学研究院 | 一种基于数据挖掘的干旱监测方法 |
CN109447325A (zh) * | 2018-09-30 | 2019-03-08 | 广州地理研究所 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
-
2018
- 2018-09-30 CN CN201811159069.3A patent/CN109447325A/zh active Pending
-
2019
- 2019-09-23 WO PCT/CN2019/107267 patent/WO2020063529A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
CN106021872A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
Non-Patent Citations (4)
Title |
---|
ANDREW KUSIAK ET AL.: "Modeling and Prediction of Rainfall Using Radar Reflectivity Data: A Data-Mining Approach", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
VIET-HUNG DANG ET AL.: "Enhancing the accuracy of rainfall-induced landslide prediction along mountain roads with a GIS-based random forest classifier", 《BULLETIN OF ENGINEERING GEOLOGY AND THE ENVIRONMENT (2019)》 * |
沈润平 等: "基于随机森林的遥感干旱监测模型的构建", 《地球信息科学》 * |
郭佳: "基于随机森林的遥感干旱监测模型及其应用研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063529A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林算法的降水数据检测方法、装置及电子设备 |
CN110826764A (zh) * | 2019-09-24 | 2020-02-21 | 广州地理研究所 | 基于随机森林算法的植被指数预测方法、系统及设备 |
CN110852149A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
CN110826764B (zh) * | 2019-09-24 | 2020-11-24 | 广州地理研究所 | 基于随机森林算法的植被指数预测方法、系统及设备 |
CN110824586A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进决策树算法的降水预测方法 |
CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN111652404B (zh) * | 2020-02-06 | 2023-04-28 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
CN113436074A (zh) * | 2021-07-06 | 2021-09-24 | 上海眼控科技股份有限公司 | 一种气象图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020063529A1 (zh) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447325A (zh) | 基于随机森林算法的降水数据检测方法、装置及电子设备 | |
CN109522788A (zh) | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 | |
Guo et al. | Lidar boosts 3D ecological observations and modelings: A review and perspective | |
CN109472393A (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
Kay et al. | Exposing global cloud biases in the Community Atmosphere Model (CAM) using satellite observations and their corresponding instrument simulators | |
Lindsay et al. | Distinguishing actual and artefact depressions in digital elevation data | |
CN109522516A (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
US20220198749A1 (en) | System and method for monitoring forest gap using lidar survey data | |
CN111191673B (zh) | 一种地表温度降尺度方法及系统 | |
US12032659B2 (en) | Method for identifying dry salt flat based on sentinel-1 data | |
Giuliani et al. | Using crowdsourced web content for informing water systems operations in snow-dominated catchments | |
Kurzrock et al. | A review of the use of geostationary satellite observations in regional-scale models for short-term cloud forecasting | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
Rich et al. | Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data | |
Albrecht et al. | Spatial accuracy assessment of object boundaries for object-based image analysis | |
Danaher et al. | Remote sensing of tree-grass systems: The Eastern Australian Woodlands | |
Brovelli et al. | Digital terrain model reconstruction in urban areas from airborne laser scanning data: the method and an example for Pavia (northern Italy) | |
Mallet et al. | Digital terrain models derived from airborne lidar data | |
Pinelli et al. | Robust bus-stop identification and denoising methodology | |
KR101802455B1 (ko) | 강우의 공간 규모를 고려한 강우 예측 시스템 및 방법 | |
Grippa et al. | Mapping slums and model population density using earth observation data and open source solutions | |
Malpica et al. | Urban changes with satellite imagery and LiDAR data | |
Baghdadi et al. | QGIS and Applications in Water and Risks | |
Jamru | Correction pit free canopy height model derived from LiDAR data for the broad leaf tropical forest | |
Alimohammadi et al. | A new approach for modeling uncertainty in remote sensing change detection process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |