[0001] 本申请涉及沙尘天气等级预报技术领域，尤其是涉及一种基于地气耦合遥感的下垫面起沙等级预报模型的构建方法。

[0002] 现有沙尘天气的网格化实况多采用将地基站点观测直接插值的方法，由于东亚地区的沙尘源区，特别是地基观测分布严重不均，加之复杂的下垫面条件，使得仅依靠地基观测难以获取全面的沙尘灾害天气分布信息。

[0003] 卫星遥感手段可以提供广阔背景条件下的大气污染监测，并通过遥感方法保留颗粒物的原有特性不被物理手段破坏，在大气颗粒物的空间分布监测和远距离传输上具有广阔的应用前景。在环境监测与气象预报领域，下垫面起沙等级的预测对于评估沙尘暴、土壤风蚀及空气质量等具有重要意义。目前，市场上广泛采用的技术方案多依赖于地面观测站数据结合气象模型进行预测，如使用气象卫星数据结合地面气象站的风速、湿度等参数，通过经验公式或统计模型来估算起沙等级。然而，这些现有技术方案存在以下明显缺点：地面观测站分布不均，尤其在偏远或复杂地形区域，数据获取困难，导致预测精度受限，传统模型往往基于复杂的物理方程，计算量大，难以实现快速高效的实时预测，现有模型大多忽略了地表特性(如土壤湿度、植被覆盖)与大气状态之间的动态相互作用，影响了预测的准确性。

[0004] 目前单一观测资料在沙尘实况中的应用仍存在一定的局限性，其时空分辨率或数据完整性仍不能满足实际定量化分析的需要。相较于再分析资料具有较长时间滞后的缺陷。因此需要一种基于地气耦合遥感的下垫面起沙等级预报模型的构建方法。

[0042] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

[0043] 本申请实施例公开一种基于地气耦合遥感的下垫面起沙等级预报模型的构建方法，采用如下的技术方案：

[0044] 参照图1，一种基于地气耦合遥感的下垫面起沙等级预报模型的构建方法，包括以下步骤：

[0045] S101：实时采集多源观测数据，对所述多源观测数据进行预处理，得到原始观测数据；

[0046] 在本实施方式中，多源观测数据可以包括地面自动站气象观测数据、大气环境监测数据和卫星遥感观测数据，所述原始观测数据包括地面自动站气象原始数据、大气环境原始数据和卫星遥感原始数据，例如，基于H‑9静止气象卫星，在进行去云处理后，即可得到卫星遥感观测数据，基于中国环境监测总站和中国气象局地面观测数据，即可得到地面自动站气象观测数据和大气环境监测数据，这些数据都是可以实时同步到本地数据库中，的，只要预设一定的采集频率，即可实现多源观测数据的实时获取。

[0047] 在本申请的其中一种实施方式中，上述对所述多源观测数据进行预处理包括：

[0048] 根据与沙尘形成最为相关的下垫面因子作为沙尘形成的关键气象预报因子，共选取归一化植被指数(NDVI)、土壤湿度、土壤温度、降水、积雪5个要素作为起沙条件的影响因子，采用哨兵5P的气溶胶产品数据均值作为起沙量真值(‑2—2)，以16天作为间隔统计NDVI最大值，土壤湿度的平均值，土壤温度的方差，降水累计值，积雪的覆盖率以及气溶胶的平均值建立2019年至2024年逐15日各要素的数据集。采用随机森林回归建立起沙条件模型，对处理好的数据每期影像随机采样2000个点，通过对所有点训练分别建立目标草地、林地、耕地、荒漠四种类型模型，并用于模型预测。通过输入16天间隔的NDVI最大值，土壤湿度的平均值，土壤温度的方差，降水累计值，积雪的覆盖率计算得到，为沙尘起沙指数(SR)。模型构建的具体步骤为：根据与沙尘形成最为相关的下垫面因子作为沙尘形成的关键气象预报因子，共选取归一化植被指数(NDVI)、土壤湿度、土壤温度、降水、积雪5个要素作为起沙条件的影响因子，采用哨兵5P的气溶胶产品数据均值作为起沙量真值(‑2—2)，以16天作为间隔统计NDVI最大值，土壤湿度的平均值，土壤温度的方差，降水累计值，积雪的覆盖率以及气溶胶的平均值建立2019年至2024年逐15日各要素的数据集。将建立好的数据集以时间区间分割为训练集和测试集，利用随机森林算法、决策树模型、支持向量机等多种机器学习算法对样本数据进行训练和测试，构建识别起沙条件机器学习模型，利用包括模型的命中率(POD)、空报率(FAR)和漏报率(FNR)及TS评分来检验模型在测试集上的表现，评估模型对起沙条件的识别能力。随机森林和决策树等树模型可以通过输出预报因子的重要性评分来判断不同预报因子对模型的相对贡献度，选取贡献较高的预报因子同时利用Scikit—learn中的网格搜索法(GridSearchCV)开展交叉验证和模型调优，选取识别起沙条件最准确的机器学习模型。

[0049] 在进行模型预测计算得到SR后，进一步根据新增积雪量以及降水相态和降水量产品进行模型结果修订，输出未来十天逐日起沙等级(SL)预报。

[0050] 当满足SR≥0.61时候，判定该格点处沙尘强度为起沙等级1级，标记沙尘强度为极高；

[0051] 当满足0.61>SR≥‑0.39时候判定该格点处沙尘强度为起沙等级2级，标记沙尘强度为容易起沙；

[0052] 当满足‑0.39>SR≥‑0.82判定该格点处沙尘强度为起沙等级3级，标记沙尘强度为可起沙；

[0053] 起沙等级4级(不易起沙)：当满足‑0.82>SR≥‑1.32判定该格点处沙尘强度为起沙等级4级，标记沙尘强度为不易起沙；

[0054] 起沙等级5级(难起沙)：当满足<‑1.32判定该格点处沙尘强度为起沙等级5级，标记沙尘强度为难起沙；

[0055] 起报时间：08时起报，逐日，240h

[0056] 根据新增积雪量以及降水相态和降水量产品进行模型结果修订具体方法：

[0057] 按照格点对降水量区分降水相态进行判断,降水相态包括24h累计降水量和新增积雪量,判断降水类型后在判断降水量，当降水类型显示有降水类型，但降水数据为0的数据不参与判断，直接认为该格点为无降水点，新增积雪数据作为补充条件进行判别。具体为：

[0058] 3.1当格点降水类型为降雨或雨夹雪：

[0059] 3.1.1当R≥10mm时，该格点48小时内预报SL＝5级(难起沙)，72小时至96小时预报在原有级别降一级，120小时及其后时效的预报直接利用模型数值根据SR的阈值求取；

[0060] 3.1.2当5mm≤R＜10mm，该格点24小时内SL＝5级(难起沙)，48小时预报在原有级别降一级，72小时及其后时效的预报直接利用模型数值根据SR的阈值求取；

[0061] 3.1.3当1mm≤R＜5mm时，该格点24小时内SL在原有级别降一级，48小时及其后时效的预报直接利用模型数值根据SR的阈值求取；

[0062] 3.1.4当R＜1mm时，该格点的SL直接利用模型数值根据SR的阈值求取

[0063] 3.2当格点降水类型为降雪：

[0064] 3.2.1当R≥5mm时或新增积雪量≥5mm，该格点48小时内起沙等级5级(难起沙)，72小时至96小时预报在原有级别降一级，120小时及其后时效的预报直接利用模型数值根据SR的阈值求取；

[0065] 3.2.2当2.5mm≤R＜5mm或2.5mm≤新增积雪量＜5mm，24小时内起沙等级5级(难起沙)，48小时预报在原有级别降一级，72小时及其后时效的预报直接利用模型数值根据SR的阈值求取；

[0066] 3.2.3当1mm≤R＜2.5mm时或1mm≤R＜2.5mm时，该格点24小时内SL在原有级别降一级，48小时及其后时效的预报直接利用模型数值根据SR的阈值求取；

[0067] 3.2.4当R＜1mm时，该格点的SL直接利用模型数值根据SR的阈值求取

[0068] 在本申请的其中一种实施方式中，选取2024年6月21日，发生一次较大范围的沙尘暴天气过程作为本实施例的验证。在地区A中南部、地区B中西部和东南部、其他地区北部和东南部等地依次出现了一次扬沙天气过程，

[0069] 2024年夏季(6月24日)出现较为罕见沙尘天气时各参与机器学习的因子的观测数据及沙尘起沙指数(SR)预报结果，自上而下分别是过去15天累计降水(mm)、过去10天NDVI最大值、6月24日平均积雪深度(cm)、6月24日和过去15天0‑5cm深度土壤温度方差、过去15天0‑5cm深度土壤含水量平均值(m3/m‑3)以及通过机器学习算法得到的沙尘起沙指数预报结果。

[0070] 由上可见，本申请提供了一种基于地气耦合遥感的下垫面起沙等级预报模型的构建方法，通过实时采集多源观测数据并进行处理，克服了灾害性沙尘天气监测和预警业务中“空间定量化”、“实时性”、“单一资料全面性”不足的问题，适应灾害性沙尘天气精细化、时空定量监测预警服务的需求，通过预设模型库，可以准确的处理多源数据，得到精确地识别结果，再结合距离权重法融合识别结果，通过综合应用地面气象观测、大气环境监测、卫星遥感观测等数据，构建多源资料融合的卫星反演沙尘模型，构建出更加全面的、高精度、分钟级沙尘网格监测产品，识别实时性和准确率大大提高，可达85％以上，有能力为东亚区域生态改善以及沙尘天气监测与预警服务在时空定量精细化发展方向提供支撑。

[0071] 在本申请所提供的几个实施例中，应该理解到，所提供的方法和装置，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的；例如，某个组件的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

[0072] 本申请实施例还公开一种计算机设备。

[0073] 计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的不良资产估值方法。

[0074] 本申请实施例还公开一种计算机可读存储介质。

[0075] 计算机可读存储介质，存储有能够被处理器加载并执行如上述的不良资产估值方法中任一种方法的计算机程序。

[0076] 其中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用；计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0077] 需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0078] 以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。