Tag Archives: precipitation

基于机器学习模型的青藏高原日降水数据的订正研究

Leave a reply

[1] H Chen, C Ning, Z Nan, et al. Correction of Daily Precipitation Data over the Qinghai-Tibetan Plateau with Machine Learning Models[J]. 2017, 39(3): 583—592.[陈浩，宁忱，南卓铜，等. 基于机器学习模型的青藏高原日降水数据的订正研究[J]. 冰川冻土. 2017, 39(3): 583—592.]

选择了５种机器学习模型，即ｋ最近邻方法（KNN）、多元自回归样条方法（MARS）、支持向量机（SVM）、多项对数线性模型（MLM）和人工神经网络（ANN），利用海拔、相对湿度、坡向、植被、风速、气温和坡度等因子订正ITPCAS和CMORPH两种常用的青藏高原日降水数据集。五折交叉验证表明，KNN的订正精度最高。在三个验证站点（唐古拉、西大滩和五道梁）的误差分析，以及对青藏高原年降水量的空间分析均表明，KNN对CMORPH的订正效果显著，对ITPCAS在局部区域有一定订正效果，ITPCAS及其订正值的降水空间分布准确度高于CMORPH的订正值。主成分分析法表明降水订正是气象和环境因子综合作用的结果。

下载：Link 1 (from冰川冻土); precip.machine.learning-wyd-2017 (Local)

王玉丹等，2016，遥感技术与应用

Leave a reply

王玉丹，南卓铜，陈浩，吴小波. 基于K最近邻模型的青藏高原CMORPH日降水数据的订正研究. 遥感技术与应用. 2016, 31(3): 607-616.

摘要：

青藏高原的降水数据主要由遥感产品和多源观测数据融合产生,由于青藏高原的观测站点分布稀疏不均,遥感数据误差较大,因此常用的CMORPH(Climate Prediction Center Morphing Technique)等降水数据集精度有限.通过K 最近邻(K-Nearest Neighbor,简称KNN)模型,可以建立环境(海拔、坡度、坡向、植被)、气象因子(气温、湿度、风速)和日降水量的关系,从而订正青藏高原的CMORPH 日降水数据集,提高数据精度.对CMORPH 日降水数据的误差分析表明,采用KNN 模型订正后的CMORPH 降水数据优于原始数据和采用PDF(Probability Density Function Matching Method)法订正的CMORPH 数据,且空间分布较好地符合青藏高原的降水分布特征.

下载 (~11MB, pdf) Link

GLDAS v1 0.25度3小时降水数据

1 Reply

学生下载了gldas v1 0.25x 0.25度的 3-hourly 数据，据介绍里面是有rainfall数据的。但用grads或者matlab read_grib 读取时，发现没有此项，如图：

image
（click for enlarged view）

这很奇怪，因为相关说明里分明是有rainfall一项的，如在http://hydro1.sci.gsfc.nasa.gov/dods/GLDAS_NOAH025SUBP_3H.info介绍的，

image

而且对比两者，里面的参数名也不一致。

仔细研究gldas数据对应的元数据，发现每个文件每项里都有对应的最大值最小值，试着读取并对比，发现第7项4LFTX即是rainf 一项，最大值一致。看样子是read_grib等代码是专门for WMO的，跟gldas的描述不一致。所以在读取gldas等数据时，还需要注意了。

在ftp://hydro1.sci.gsfc.nasa.gov/data/s4pa/GLDAS/GLDAS_NOAH025_3H_E1.002/doc/README.GLDAS2.pdf找到parameter table的相关信息，如下图

image

注意其中的pds ids，rainfall rate是132，对应于图1的第7个记录，#=132。

大概是因为read_grib的参数表是基于ncep的某种格式，读取gldas需要配置自定义的参数表。