(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211306842.0 (22)申请日 2022.10.25 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区八一路 299号 (72)发明人 张豹　姚宜斌　汪紫芸　韩晨　 马雄伟　范峥研　 (74)专利代理 机构 武汉宇晨专利事务所(普通 合伙) 42001 专利代理师 倪文霞 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01W 1/14(2006.01) (54)发明名称 一种基于人工神经网络的大气可降水量数 据融合方法 (57)摘要 本发明公开了一种基于人工神经网络的大 气可降水量数据融合方法。 它包括如下步骤， 步 骤一： 使不同来源的PWV数据时间上保持一致； 步 骤二： 使不同来源的PWV数据在空间上保持一致； 步骤三： 进行质量控制； 步骤四： 构建广义回归神 经网络模型； 步骤五： 获取GRNN模型及其精度评 价信息； 步骤六： 利用训练好的GRNN模型对低精 度PWV进行校准和优化， 该训练好的GRNN模型输 出的PWV即为校准和优化后的PWV； 步骤七： 将经 GRNN校准和优化后的PWV与高精度 PWV合并， 得到 融合PWV。 本发明具有校准PWV系统偏差和改善 PWV精度的作用， 可实现多源PWV数据的融合， 具 有方法简单， 精度高和数据利用率高的优点。 权利要求书1页 说明书6页 附图5页 CN 115392401 A 2022.11.25 CN 115392401 A 1.一种基于人工神经网络的大气可降水量数据融合方法， 其特征在于： 通过构建一个 广义回归神经网络模 型， 校准不同源PWV数据间的系统偏 差和改善PWV精度， 实现高精度PWV 对低精度PWV的系统偏差校准与精度优化； 具体融合方法， 包括如下步骤， 步骤一： 采用一维插值方法将不同来源的PWV数据内插到相同的时间， 使不同来源的 PWV数据在时间上保持一 致； 步骤二： 使用三维空间插值方法将不同来源的PWV数据内插到相同的采样点上， 使不同 来源的PWV数据在空间上保持一 致； 步骤三： 进行质量控制， 去除不良PWV样本， 生成高质量的PWV样本数据集， 每一个高质 量的PWV样本都包括经纬度、 高程、 时间、 低精度PWV和高精度PWV； 步骤四： 构建广义回归神经网络模型， GRNN模型的输入层为经纬度、 高程、 时间和低精 度PWV， 输出层为高精度PWV； 步骤五： 利用10倍交叉验证法进行模型的训练和测试， 以测试结果的均方根误差最小 为依据确定最优的GRN N模型参数， 并得到最终的GRN N模型及其精度评价信息； 步骤六： 利用训练好的GRNN模型对低精度PWV进行校准和优化， 该训练好的GRNN模型输 出的PWV即为校准和优化后的PWV； 步骤七： 当经GRNN校准和优化后的低精度PWV与高精度PWV已无系统偏差 并具有相当的 精度时， 将经GRN N校准和优化后的低精度PWV与高精度PWV合并， 得到融合PWV。 2.根据权利要求1所述的基于人工神经网络的大气可降水量数据融合方法， 其特征在 于： 在步骤一中， 时间上的一维插值方法至少包括线性插值、 最邻近插值、 样条曲线插值法。 3.根据权利要求1或2所述的基于人工神经网络的大气可降水量数据融合方法， 其特征 在于： 在步骤二中， 三维空间插值是利用球冠谐模型或克里金插值方法将 高空间分辨率的 PWV数据内插到低分辨 率数据的采样点上， 实现不同数据的空间配准。 4.根据权利要求3所述的基于人工神经网络的大气可降水量数据融合方法， 其特征在 于： 利用广义回归神经网络模型建立高 ‑低精度大气可降水量数据间的非线性回归关系； 在步骤四 ‑步骤六中， 构建的广义回归神经网络模型用于校准低精度PWV的系统偏差和 改善低精度PWV的精度， 通过步骤五中的检验和评价方法确定最优模 型， 并通过步骤六获取 校准和优化后的低精度PWV。 5.根据权利要求4所述的基于人工神经网络的大气可降水量数据融合方法， 其特征在 于： 在步骤五中， 精度评价信息包括系统偏差、 中误差、 均方根 误差、 相关系数。权　利　要　求　书 1/1 页 2 CN 115392401 A 2一种基于人工神经 网络的大气可降水量数据融合 方法 技术领域 [0001]本发明涉及 地学数据校准与融合方法， 具体地说它是一种基于人工神经网络的大 气可降水量数据校准与融合方法。 更具体地说它是利用广义回归神经网络对多源地学数据 进行空间融合， 属于地球科 学和测绘科学与技术领域的数据处 理方法。 背景技术 [0002]水汽在天气和气候过程以及能量传输中发挥着重要作用， 同时也会对对地观测技 术产生不利影响， 因此， 精准监测水汽对于提升天气预报水平和改善对地观测精度等都具 有重要意义。 然而， 由于水汽的高度动态性和当下有限的观测技术， 监测水汽状态并预测其 变化仍然存在很多不足。 大气可降水量(Precipitable  Water Vapor, PWV)是最常用的衡 量大气中水汽总量的物理量， 它被定义为单位横截面积的垂 直柱体中所含的水汽全部凝结 为液体时的高度， 传统的水汽监测手段包括无线电探空仪(Radiosonde,  RS)、 水汽辐射计 (Water vapor radiometer,  WVR)、 微波遥感等， 但它们存在着时空分辨率低、 运行成本高、 易受天气影响等缺点。 近20年以来， 现代对地观测技术的蓬勃发展使得水汽观测技术空前 丰富， 如GNSS和合成孔径雷达技术等， 尤其是GNSS技术不仅具有与无线电探空同等的高精 度， 而且具有连续运行、 时间分辨率高和不受天气 影响等优点， 在很大程度上 弥补了传统观 测手段的不足， 也使得水汽观测数据海量激增。 此外， 国际上多个机构的数值天气预报模 型,如ECMWF、 NCEP等， 亦可提供大气可降水量数据。 对地观测数据和模 型数据的空前丰富为 地球科学 的发展提供了巨大契机， 但也提出了新的挑战， 包括不同技术得到的水汽观测值 之间普遍存在 多源异构(点状、 面状和网状 分布)、 精度不等、 分辨率不一致以及严重的系统 偏差等问题， 这严重妨碍了多源数据的联合利用， 数据融合是解决上述问题的有效途径。 Li   (Li Z ， 2004， Production  of regional  1 km×1 km water vapor felds through the  integration of GPS and MODIS data.In:  Proceedings  of the 17th International   Technical  Meeting of the Satellite  Division  of The Institute  of Navigation   (ION GNSS 2004), Long Beach, California,  USA, 21‑24 Sep 2004, pp. 2396‑2403) 提出了一种基于线性模型利用GNSS  PWV校准中分辨率成像光谱仪(Moderate ‑Resolution   Imaging Spectroradiometer,  MODIS) PWV的方法。 Lindenbergh  et al. (Lindenbergh,   R., Van der Marel, H., Keshin, M., & De Haan, S. (2009). Validating  time  series of a combined  GPS and MERIS Integrated  Water Vapor product.  In  Proceedings  2nd MERIS/ (A) ATSR User Workshop,  September  22–26, 2008 ESA/ ESRIN Frascati  (Rome), 2009 (NB: small correction  applied wrt Proceedings   version))提出了一种基于克里金插值来融合GNSS  PWV和中分辨率成像光谱仪  (Medium  Resolution  Imaging Spectrometer,MERIS)  PWV方法。 Alshawaf  et al. (Alshawaf  F,  Fersch B, Hinz S, Kunstmann  H, Mayer M, Meyer FJ (2015) Water vapor mapping  by fusing InSAR and GNSS remote sensing data and atmospheric  simulations.   Hydrol Earth Syst Sci 19(12):4747 –4764) 提出了一种固定秩克里金插值方法来融合说　明　书 1/6 页 3 CN 115392401 A 3