中亚降水数据存在缺失、地理偏差、分辨率低和采集难度大等问题。近年来,神经网络模型被广泛应用于降水降尺度研究。然而,由于山区自然环境复杂多变,普通神经网络模型的预测结果难以解释且适用性差。为此,本文以地理差异分析作为先验知...中亚降水数据存在缺失、地理偏差、分辨率低和采集难度大等问题。近年来,神经网络模型被广泛应用于降水降尺度研究。然而,由于山区自然环境复杂多变,普通神经网络模型的预测结果难以解释且适用性差。为此,本文以地理差异分析作为先验知识约束生成式对抗网络,构建一种新的降水降尺度模型,提高了阿姆河流域复杂环境下降水数据的空间分辨率和精度。首先,依据地形数据通过空间变形模型对输入的Climate Research Units Time Series(CRUTS)降水数据进行空间校正。然后,输入校正后的CRUTS降水数据、气温风速湿度等同化数据及遥感数据到条件生成式对抗网络,重建高分辨率降水数据。最后,考虑到山区降水的各向异性,尤其在地形复杂的上游区域,该模型基于气象站点的真值,对降水数据进行了反距离权重的地理差异分析。结果表明,基于地理差异约束生成式对抗网络的降水降尺度模型能够提升复杂环境降水数据的分辨率和精度。针对中亚阿姆河流域的实验表明,本方法可将CRUTS降水数据的分辨率由55 km提升至11 km,其R2值增加了0.34,均方根误差(RMSE)和平均绝对误差(MAE)分别减小19.4 mm和10.65 mm,偏差(Bias)也由原来的0.24降至0.08。本文为数据采集难、地形地貌复杂区域的降水数据空间分辨率的提高,提供了鲁棒性好、普适性强的方法和思路。展开更多
文摘中亚降水数据存在缺失、地理偏差、分辨率低和采集难度大等问题。近年来,神经网络模型被广泛应用于降水降尺度研究。然而,由于山区自然环境复杂多变,普通神经网络模型的预测结果难以解释且适用性差。为此,本文以地理差异分析作为先验知识约束生成式对抗网络,构建一种新的降水降尺度模型,提高了阿姆河流域复杂环境下降水数据的空间分辨率和精度。首先,依据地形数据通过空间变形模型对输入的Climate Research Units Time Series(CRUTS)降水数据进行空间校正。然后,输入校正后的CRUTS降水数据、气温风速湿度等同化数据及遥感数据到条件生成式对抗网络,重建高分辨率降水数据。最后,考虑到山区降水的各向异性,尤其在地形复杂的上游区域,该模型基于气象站点的真值,对降水数据进行了反距离权重的地理差异分析。结果表明,基于地理差异约束生成式对抗网络的降水降尺度模型能够提升复杂环境降水数据的分辨率和精度。针对中亚阿姆河流域的实验表明,本方法可将CRUTS降水数据的分辨率由55 km提升至11 km,其R2值增加了0.34,均方根误差(RMSE)和平均绝对误差(MAE)分别减小19.4 mm和10.65 mm,偏差(Bias)也由原来的0.24降至0.08。本文为数据采集难、地形地貌复杂区域的降水数据空间分辨率的提高,提供了鲁棒性好、普适性强的方法和思路。
