多源降水信息在秦淮河流域洪水模拟中的应用

目前天气雷达测雨与卫星遥感降水具有高时空分辨率与大面积的覆盖范围等特点,为洪水模拟预报提供了新的数据支持,但此类降水产品的预报能力差别较大,因此需对其进行精度评估。结合地面雨量站观测数据,在中纬度秦淮河下游流域定量评估S波段雷达测雨和全球高分辨率卫星CMORPH,Era-Interim,GPM和TRMM(3B42V7)降水数据的精度,并采用三水源新安江模型对选定的3场洪水过程进行了模拟。结果表明:在洪水过程径流模拟中,S波段雷达测雨数据与4种卫星降水产品均具有较好的径流模拟适用性;除雨量站外,精确度最高为S波段雷达和GPM,是当前评估中最好的降水产品,径流模拟精度达到0.92以上,且两种降水产品的趋势一致,其次是TRMM(3B42V7),Era-Interim,CMORPH卫星降水数据。研究成果可为天气雷达与常用卫星遥感降水数据在流域洪水模拟的水文预报应用提供参考与借鉴。     

基于EMOS方法的多源遥感降水数据融合与性能评估——以黄河中游为例

选择对气候变化和人类活动极为敏感的黄河中游为研究区,采用集成模型输出统计方法(EMOS)对多源遥感降水数据(CHIRPS、CMORPH、PERSIANN-CDR和TMPA 3B42)进行数据融合,并对其基本统计性能和降水等级性能进行评估。研究发现:采用EMOS数据融合方法获得的降水数据集可更好地捕捉观测降水的空间分布和年际均值,其基本统计性能(δBIAS=-3.4%;δRMSE=13.1mm;γKGE=0.233)明显优越于4种独立的遥感降水产品、4种产品的均值(MME)以及采用分位数映射法(QM)获取的数据集,但各统计指标存在较大的空间差异性;EMOS方法获得降水数据集显著地改善了对中雨的检测性能(探测率DPOD=0.38);相对MME,EMOS对大雨的综合探测能力(关键成功指数ECSI)提高了12%,表明该方法对高强度降水的正确检测能力更具优势。基于EMOS多源数据融合方法获得的高精度数据集,可为黄河中游典型生态恢复区的极端降水-水沙关系研究提供科学支撑,具有较好的科学价值和应用前景。     

基于Triple-collocation方法的多源降水产品评估

多源降水产品在过去十几年来得到了广泛的应用,然而在数据缺失区其可靠性检验的难度较大。采用Triple-Collocation(TC)方法可以在未知真值的情况下,对三组相互独立的产品进行交叉评估。基于TC方法,综合评估了卫星遥感产品、再分析产品与地面实测数据集在中国区域的不确定性。研究所选空间分辨率为0.25°,时间分辨率为日尺度,数据选用时段为2013—2015年。首先,在中国南方对TC方法进行可靠性验证。通过与传统方法所得结果(相关性系数CC与均方根误差RMSE)对比,相对偏差仅为4.5%与3.0%,而后将方法应用于整个中国大陆区域(除台湾地区),并重点关注青藏高原数据缺失区。结果显示:在卫星产品中,IMERG整体表现最优;在青藏高原无台站网格点上,IMERG与ERA-interim所得平均CC分别为0.63与0.61,略优于地面实测数据集(0.58),这表明卫星遥感产品与再分析产品在青藏高原区域具有一定的优势和应用潜力;实测数据在台站稀疏区域的高不确定性也得到了进一步验证。研究成果证明了TC方法在中国大陆区域的适用性和可靠性,为数据缺失区的降水产品评估提供新的思路和方法。     

基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法

高精度的水体提取有助于水资源监测和管理。目前基于遥感影像的水体提取方法缺乏对于边界质量的重视,造成边界划分不准确,细节保留度低的问题。为了提升遥感影像水体提取的边界与细节的精度,提出了一种基于多尺度特征融合的高分辨率遥感影像水体提取深度学习算法,包括分层特征提取模块与融合多尺度特征的堆叠连接解码器模块。分层特征提取模块中,引入了通道注意力结构,用于整合高分辨率遥感影像中水体的形状、纹理和色调信息,以便更好地理解水体的形状和边界。在融合多尺度特征的堆叠连接解码器模块中,进行了多层次语义信息的堆叠连接,并加强了特征提取,同时捕捉了广泛的背景信息和细微的细节信息,以实现更好的水体提取效果。在自行标注的数据集与公开数据集上的试验结果表明,模型的准确率达到了98.37%和91.23%,与现有的语义分割模型相比,提取的水体边缘更加完整,同时保留细节的能力更强。提出的模型提升了水体提取的精度和泛化能力,为高分辨率遥感影像水体提取提供了参考。     

多源城市暴雨预报数据融合研究进展

全球气候变化和快速城市化改变了城市水循环过程,加剧了城市暴雨洪涝问题。为有效预报洪水,减轻洪涝灾害,借助水文水力模型对城市水循环的各个环节进行模拟。而单一暴雨预报数据的不确定性是使用水文水力模型模拟预报洪水面临的重大挑战。从城市雨洪模型输入不确定性的角度出发,回顾了暴雨预报技术的发展历程,总结了各种预报方法的特点、适用性和局限性,指出基于单一暴雨预报数据驱动模型预报洪水的不足,提出多源暴雨预报数据融合的基本框架。未来应强化降雨观测和定量降水预报能力,发展多源信息耦合技术,实现高精度、长预见期的洪水预报,为城市防洪减灾提供依据。     

基于多源数据同化融合的尼洋河降水时空分布特征

地理位置处在我国高寒山区的尼洋河流域地面气象观测站点极少,是典型的缺资料地区,卫星降水数据产品是降水数据的重要补充。由于卫星降水数据在获取上的间接性及本身的不确定性,数据精度问题一直是阻碍其有效应用的主要因素。基于集合卡尔曼滤波(EnKF)同化算法,选取TRMM、CHIRPS、Cmorph_V1.0、PERSIANNCDR及Gldas_Noah 5种卫星降水产品,在对其与林芝站网格区域实测降水进行精度分析的基础上,进一步进行多源降水数据同化与融合。结果表明:同化后5种卫星降水产品与实测降水量的相关系数CC均在0.98以上,BIAS均在10%以下,ME在同化后均小于0.2mm/d,RMSE均小于0.6mm/d,EnKF的同化效果显著。将同化后的5种降水与原卫星降水之间的误差序列推广至全流域,从而获得全流域的5种同化降水用于融合,融合后的降水数据综合了5种降水数据产品在精度指标的各自优势,其精度和可靠性更高。利用克里金插值法对融合后的降水进行尼洋河降水时空分布特征分析,结果显示年降水量空间上由中部向四周逐渐递减,时间上呈现逐年增加的趋势。通过对卫星降水数据进行同化及融合,在提升降水数据产品精度的同时提供了满足水文模拟及水资源管理需求的时间序列数据,具有重要的应用价值。     

基于多源遥感数据融合的土壤侵蚀强度分析

单一遥感数据源存在空间与时间分辨率相互制约的问题,基于多源遥感数据融合生成高时空分辨率影像,可提高土壤侵蚀动态变化监测时效和精度。研究分析了多种遥感融合方法,并将最优融合结果应用于江苏省徐州市贾汪区土壤侵蚀监测,结果表明：1)先进行全色与多光谱影像融合,再进行时空自适应融合的方法(STARFM＿NND)在目视评价、定量评估等方面表现最优;2)基于STARFM＿NND融合得到的土壤侵蚀面积监测结果与真实高分影像反演结果相比,精度优于97%;3)贾汪区2021年水土流失总面积71.65 km²,轻度、中度和强烈侵蚀面积分别为64.25 km²、6.35 km²和1.05 km²。研究提出的STARFM＿NND融合策略能够实现低成本、高精度的地物类型变化预测和土壤侵蚀监测,推动了遥感技术在水土保持方面的应用。     

基于多源监测与数据融合的水质动态评价方法

水环境精细化管理对水资源质量评价的精度和时效性提出了更高要求.我国在长期水环境监测体系建设过程中积累了大量数据,迫切需要研究建立基于多源监测与数据融合的水质动态评价关键技术.系统论述了实施水质动态评价的支撑条件,总结了数据有效利用方面存在的数据孤岛现象较明显、数据共享不畅通、数据有机融合不充分等不足,梳理了多源数据融合...     

基于多进制小波变换的多源遥感影像融合及其评价

在给出小波分解基本模型的基础上,采用二进制小波变换法、多进制小波变换法对SPOT全色卫星影像数据和LandsatTM多光谱数据进行了融合处理,同时对实验结果进行了分析和讨论。理论和实验表明,基于多进制小波的遥感影像数据融合具有较好的效果,并可用于广泛的研究领域。     

基于多源数据融合的补水调度数据汇聚及监控技术研究与示范

随着水务信息化不断发展,水务各类采集监控和统计报送数据也在不断丰富,对于多源数据的汇聚、整合和监控技术提出了新的挑战。以补水调度APP为应用场景,结合多源数据融合汇聚技术,提出了水务多源数据汇聚展示的关键技术研究思路,探究了补水数据汇聚和动态监控的应用场景和解决方案,为水务信息化数据管理工作提供了有力支撑。     

基于深度学习的大坝裂缝检测方法研究

大坝裂缝的智能化实时监测,对管控大坝风险具有重要意义。文章提出了一种基于深度学习的大坝裂缝检测方法,采用了基于SegNet的网络模型,对原网络模型算法进行了优化,使用权值衰减正则化方法及动量优化算法提高网络学习性能。为验证该方法的有效性,构建了标准的大坝裂缝数据集,利用网络模型对训练集数据进行特征学习,采用测试集数据对训练好的网络进行测试,并对测试结果进行定性和定量分析,实验证明使用该方法进行大坝裂缝检测具有较高的效率和精度。     

基于多源遥感数据的水体提取方法研究

快速准确地获取水体信息对于水资源管理利用以及灾害防治具有重要意义.利用不同分类方法探讨多种数据源在不同天气场景下水体提取的最优技术,结合Sentinel和Landsat系列数据,对红碱淖1973—2018年湖泊面积变化进行分析.结果表明:在无云的情况下,使用Sentinel-2结合最大似然分类方法提取效果最好,精度为9...     

基于星地融合数据的黔桂喀斯特山地降水时空分布

山区是河川径流主产区,系统掌握山区降水的时空分可为水循环系统的精准解析和水资源开发利用策略的科学拟定提供重要的基础支撑。针对山区观测数据匮乏的情况,使用地理加权回归法和多元线性回归法,建立了黔桂喀斯特山地TRMM卫星降水产品的降尺度校正模型,分析了降尺度校正结果的精度及其在不同高程区间的效果,总结了山地降水的时空分布规律。研究结果表明:(1)地理加权回归法的校正精度优于多元线性回归,在α=0.01的显著性水平下,地理加权回归法在高海拔地区的表现更好;(2)研究区多年平均降水量呈现南高北低、东高西低的特征,年内分配不均,夏季(6月-8月)降水量为741mm,占全年的52%;(3)地形变化和研究区降水的空间分布有密切联系,低海拔区域高程对降水的影响较大,高海拔区域坡度对降水的影响较大。     

基于改进EMD-LSTM的洪水预测方法研究

文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM).该模型首先利用极限...     

基于贝叶斯模式平均方法融合多源数据的水文模拟研究

可靠的长系列气象数据是开展流域水文模拟、水旱灾害防治和水资源综合管理的基本依据,但是我国气象站网布设不均、地面观测资料系列相对较短,难以满足工程应用需要。本文融合有限的地面气象观测数据,长系列高精度MSWEP-V2卫星集成降水数据集和欧洲中期天气预报中心的ERA5气温数据,首先通过基于分位数映射的日偏差校正(DBC)、基于月尺度的回归校正(LRBC)和等率校正(RBC)等3种方法,对遥测栅格降水和再分析气温日系列进行偏差校正,再采用季节性贝叶斯模式平均(BMA)方法描述各偏差校正系列的后验分布优选相应权重,从而得到融合多种偏差校正模式的长系列日降水、气温过程。以巢湖流域为例,采用174个自动气象站2015—2019年的观测数据和7个国家基本气象台站1979—2019年的长系列资料检验校正效果,并在2个子流域分别驱动新安江、GR4J和HMETS水文模型验证水文模拟的适用性。结果表明:BMA方法能够综合考虑各偏差校正方法的优势,校正后的日降水和气温数据偏差较小,与实测系列的相关性系数接近0.8;水文模型率定期及检验期的KGE系数超过0.67,校正后的气象数据满足水文模拟要求。     

三峡库区CMFD降水数据适用性评估

为研究再分析数据集CMFD(China Meteorological Forcing Dataset)中降水数据在三峡库区的应用精度,为地貌特征复杂地区的水文模拟提供数据驱动支撑,结合三峡库区范围内27个气象站点降水数据,对降水产品CMFD进行多尺度精度评估,并以此驱动SWAT模型对库区范围内典型流域进行径流模拟。结果表明:(1)研究区内1979～2015年气象站点与CMFD数据集的降水数据相关系数较高,均在0.85以上;(2) 1979～2015年库区内CMFD年均面降水量能够较好地反映三峡库区内降水空间分布特征,其总体相对误差为3%;(3) CMFD日降水事件探测能力POD为0.89～0.99,ACC为0.55～0.65,CSI为0.44～0.56;(4)在径流模拟效果上,CMFD降水数据率定期和验证期内的纳什效率系数和相关系数分别为0.90和0.89(率定期)、0.91和0.88(验证期)。CMFD数据在库区范围日降水探测能力较好,库区上中下游典型站点降水月尺度相关性均较高,在典型流域水文模拟中效果较优,可以为库区范围降水时空演变特征分析及水循环精细化模拟提供支撑。     

多源蒸散发数据融合及其在干旱监测中的应用

目前,蒸散发和干旱相关的研究不全面,对蒸散发在干旱形成发展过程中的作用机理不明确,对蒸散发在干旱监测中的价值没有客观的认识。为此,利用地面通量观测数据对3种蒸散发数据(GLEAM, GLDAS, SSEBop)进行了精度评估,在此基础上进行数据融合,进而根据4种干旱指数(SPI, RDI, ESI, SMI)分析了我国近年来干湿变化特征及各指数在典型干旱事件监测中的特点。结果表明:①与单一数据产品相比,融合数据减小了与实测数据间的偏差,提高了可靠性;②2001～2015年,东北平原西北部、内蒙古北部、华北平原、云贵高原、青藏高原大部分地区以及塔里木盆地中部有显著变干趋势,而西北及东北地区的主要山脉沿线地区呈现变湿趋势;③1个月尺度的SPI、RDI指数能较好地反映干旱事件的开始与结束,但对干旱持续性表征较差,ESI和SMI的变化滞后于SPI与RDI,能较好地反映干旱程度和持续性。     

基于深度学习的遥感影像小目标检测

针对大量高分辨率遥感影像中的小目标检测问题,文章提出一种基于SSD检测网络改进后的目标检测算法实现遥感影像小目标检测。第一,针对遥感影像中数据量不足的问题,利用迁移学习的策略对特征提取网络进行模型预训练,得到对图像较低层级特征具有较好提取能力的特征提取网络;第二,修改SSD网络架构的特征提取网络层级,使用更多尺度的特征提取层进行检测,同时使用Adam优化算法进行训练,提高对遥感影像小目标的识别精度。实验结果表明,利用迁移学习的策略和修改SSD网络架构的方式,可以将通用深度学习目标检测算法应用于遥感影像中的小目标检测,检测性能有所提高。     

深度学习法检测大坝安全监测异常数据

有效检测出异常数据在大坝安全监测领域具有重要意义,但传统方法检测时受异常数据偏离大小和数量影响,鲁棒性较差。提出一种基于深度学习的大坝安全监测异常数据检测算法,模拟人工识别异常数据的过程,按分类和识别两个阶段检测异常数据,适用于检测变化趋势不确定的数据,其中标签数据集采取自动制作方式,具备反馈机制。试验结果表明该算法对各类异常添加模式的试验数据查准率平均达到0.97以上,查全率平均达到0.97以上,准确率平均达到0.99以上,尤其能有效找出小数值异常,比传统异常数据检测方法具有更好的检测稳定性、鲁棒性和实用性。