基于深度学习的地面与TRMM降水数据融合

发布时间：2023-04-12 04:32

　　降水作为径流变化的主要影响因素,也是影响区域水循环最重要的气象过程,而水文建模和预报作为防汛减灾的重要手段,其模拟和预测精度至关重要。在洪灾预测的所有关键要素中,最主要的就是降水空间的不确定性。因此降水作为水文预报模型中最重要的气象输入,获取高精度的降水空间数据对于水文过程分析、水利工程规划和设计、水资源分配与管理、洪水和干旱灾害监测以及地质灾害预警等都有十分重要的意义。传统的水文模拟中降水输入通常使用雨量站观测数据,但由于其无法准确反映降水空间分布等一些原因限制了在水文模型中的应用。即地面离散站点观测得到的降水信息所反映的空间分布有限,且站点的分布是十分稀疏的。卫星观测可以得到降水的空间分布信息,且具有更广的覆盖范围,能够为缺资料地区提供充足的降水分布信息,也可以作为传统地面降水的补充。但卫星降水产品存在明显的系统误差,难以获取较高精度的降水信息。因此,开展基于卫星-雨量站降水信息的融合,可以有效提升定量降水估测的精度。当前为了提高定量降水估计的准确性,已经出现了许多融合卫星和雨量站降水的方法。然而,大多数融合方法都只是单独考虑了多源降水数据的空间关联性或时间依赖性,且所产生的融合降...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统的降水空间估计方法
        1.2.2 卫星雨量站融合降水空间估计方法
        1.2.3 深度学习在降水数据融合中的研究进展
    1.3 研究目标与内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 技术路线
第二章 研究区域概况与数据获取
    2.1 研究区域概况
    2.2 数据获取
        2.2.1 TRMM卫星数据
        2.2.2 GridSat-B1 数据
        2.2.3 DEM数据
        2.2.4 地面雨量站数据
    2.3 本章小结
第三章 基于深度学习的地面与TRMM数据融合模型
    3.1 数据预处理
    3.2 深度神经网络模型
        3.2.1 卷积神经网络
        3.2.2 循环神经网络
        3.2.3 多层感知机
    3.3 深度神经网络融合模型
    3.4 评估标准
    3.5 本章小结
第四章 深度神经网络融合降水结果评估
    4.1 不同深度学习模型融合结果评估
        4.1.1 卷积神经网络降水融合模型
        4.1.2 长短时记忆网络降水融合模型
        4.1.3 多层感知机降水融合模型
        4.1.4 融合降水精度对比分析
    4.2 不同降水强度下融合模型性能评估
    4.3 降水融合结果空间分布特征分析
    4.4 本章小结
第五章 融合降水在水文模拟中的应用
    5.1 流域介绍
    5.2 SimHyd水文模型概述
        5.2.1 模型简介
        5.2.2 SimHyd模型基本原理
    5.3 SimHyd模型构建
        5.3.1 数据说明及预处理
        5.3.2 模型参数率定
        5.3.3 评估标准
    5.4 基于不同降水数据的径流模拟结果
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3790435