[发明专利]一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法

权利要求书

1.一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法，其特征在于，包括如下步骤：

A)深度学习模型的搭建，所述深度学习模型为Stacking集成学习模型，该模型分为两层，其中第一层使用多种基础神经网络模型，第二层使用Lasso模型，用于将第一层中的结果进行综合，得到最终的反演结果；

B)近地面紫外辐照度的统计模型的建立，包括近地面紫外辐照度与云信息和地表气象信息的时空匹配、以及深度学习模型的训练；

C)卫星观测缺失区域数据的估计，在已训练好的深度学习模型的基础上，快速估计卫星观测缺失区域的近地面紫外辐照度。

2.如权利要求1所述的一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法，其特征在于：步骤A)中使用的多种基础神经网络模型中必须包括随机森林模型。

3.如权利要求1所述的一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法，其特征在于：步骤A)中使用的多种基础神经网络模型包括随机森林模型、极端梯度提升模型、轻度梯度提升模型、分类提升模型这四种模型。

4.如权利要求1所述的一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法，其特征在于：步骤B)的具体方式如下；

B1，准备长时间的大区域的卫星的近地面臭氧辐照度产品，并读取其在特定波长处的近地面辐照度，以及日期和经纬度，其中近地面辐照度记作UV，日期记作YY/MM/DD，YY为年、MM为月、DD为日，经纬度记作LAT、LON；

B2，准备与卫星产品的时间覆盖范围相同的气象再分析数据产品，并读取其包含的云信息、地表气象信息，以及日期和经纬度；

B3，根据两类文件提取到的日期信和经纬度信息，将这些数据进行时间和空间匹配，并将匹配的记录建立成表格；

B4，选择其中有近地面紫外辐照度卫星观测的记录，并根据这些记录构建深度学习模型，将上述表格中的数据，即日期、经纬度、云信息、地表气象信息，作为输入，将近地面辐照度UV作为输出，训练并保存该深度学习模型。

5.如权利要求1所述的一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法，其特征在于：步骤C)的具体方式如下；

C1，在对卫星数据缺失的区域进行反演时，反演目标为研究区域内全空间覆盖范围，从气象再分析文件中提取全空间范围的云信息、地表气象信息、经纬度、观测日期；

C2，将云信息、地表气象信息、时间信息和地理信息作为深度学习模型的输入，计算其所对应的近地面紫外辐照度。

6.如权利要求1所述的一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法，其特征在于：所述云信息包括云覆盖量、云冰晶总量、云液滴总量，分别记作TCC、TCIC、TCLC；地表气象信息包括地表温度、露点温度、地表气压、U向10m风速、V向10m风速、边界层高度、相对湿度、总沉降量、总蒸发量，分别记作ST、DT、SP、UW、VW、BLH、RH、TP、TE。