多源数据融合高时空分辨率晴雨分类

高时空分辨率晴雨分类与交通、旅游、农业灌溉及人们日常出行都密切相关,然而"天有不测风云","东边日头西边雨",准确的高时空分辨率晴雨分类是极具挑战性的问题.提出了一种基于多源数据的多视角学习晴雨分类方法,其中,多源数据包括雷达、卫星及地面观测因子及晴雨观测数据.该方法表述如下：首先,依据雷达观测因子构造了VisCAPPI视角和VisPPI视角,依据葵花卫星资料构造了VisSat视角,依据地面观测因子构造了VisGround视角;然后,对这4个视角特征进行组合获得组合视角VisCAPPI_PPI,VisRadar_Sat,VisRadar_Groumd,VisSat_Ground,VisRadar_Sat_Ground,应用随机森林机器学习方法分别对这些视角进行样本学习,获得这些视角的晴雨分类模型;最后,对这些视角晴雨分类模型估计进行融合,获得晴雨分类结果.主要贡献在于：（1）提出了雷达、卫星和地面观测因子多视角构建方法,构建了VisCAPPI,VisPPI,VisSat和VisGround晴雨分类视角及其组合视角;（2）提出了一种多视角方法（multi-view weight random forest,简称MVWRF）,能够处理雷达、卫星和地面观测因子多源数据融合晴雨分类问题,提高1km×1km和6min时空分辨率晴雨分类准确率.在2016年10月7日和8日,泉州雷达覆盖的393个气象观测站上进行模型训练和测试,结果显示,该方法能够取得较高的晴雨分类准确率和较低的漏报率、空报率,优于对比方法.