当前位置: 首页 > news >正文

全球高分辨率降水估计数据集(静止轨道 (GEO) 卫星观测数据)

目录

简介

数据集说明

空间信息

变量

代码

代码链接

结果

引用许可


简介

降水估计,尚未经过正式的同行评审。很快就会在 arXiv 上发布。**

Oya 是一个准全球高分辨率降水估计数据集,源自静止轨道 (GEO) 卫星观测数据。

Oya 模型利用一系列地球静止轨道 (GEO) 卫星(包括 GOES-16/18、Meteosat-9/10 和 Himawari-8/9)的全部可见光和红外 (VIS-IR) 频道来生成覆盖 60°N 至 60°S 的降水估计值。

为了解决有雨和无雨事件之间固有的数据不平衡问题,Oya 采用了两阶段深度学习方法。它结合了两个 U-Net 模型:一个专门用于降水检测,另一个用于定量降水估计 (QPE)。这些模型使用高分辨率 GPM 组合雷达-辐射计算法 (CORRA) v07 数据作为实际情况进行训练,并预先使用 IMERG-Final 反演数据进行训练,以增强稳健性。

在所有降水强度下,与现有的基于 GEO 的运行基准(例如 PERSIANN 动态红外降雨率 [PDIR-Now] 和对流降雨率 [CRR])相比,Oya 均表现出卓越的性能。此外,它还优于基于被动微波 (PMW) 的产品(例如 GPM 的集成多卫星检索 [IMERG] Early),并且与 IMERG Final 等研究级产品相比也毫不逊色,但 IMERG Final 的延迟时间为 3.5 个月。此数据集包含自 2004 年以来生成的半小时历史记录,空间分辨率为 5 公里。

限制:

  • 地理位置衰减:检索准确率在热带地区最高,在高纬度地区会降低。这是由于地球静止卫星视角效应造成的,具体来说是边缘昏暗和视差偏移。
  • 地形挑战:该模型在干旱和高海拔地区(尤其是青藏高原)的性能有所下降。
  • 间接观测:作为一款基于红外/可见光的产品,Oya 通过云顶属性推断降水,而不是像雷达或被动微波仪器那样直接感应雨滴。

Google 不承诺未来会更新此数据集。

数据集说明

空间信息

目录所有者

Oya

数据集可用时间

2004-01-01T00:00:00Z–2026-04-07T03:30:00Z

数据集生产者

Google

Earth Engine 代码段

ee.ImageCollection("projects/global-precipitation-nowcast/assets/global_estimation")

变量

波段

像素大小:5,000 米(所有波段)

名称单位像元大小说明
precipitation毫米/小时5000 米

降水估算值

图像属性

名称类型说明
ingestion_time_utcSTRING

提取时间。

代码

var imageCollection = ee.ImageCollection( "projects/global-precipitation-nowcast/assets/global_estimation" ); // Select a single estimate. var singleEstimate = imageCollection.filterDate('2022-12-30T12-00').first(); // mask to remove 0 values var masked = singleEstimate.selfMask(); // Display on map. var visParams = { min: 0, max: 15, palette: [ '000096','0064ff', '00b4ff', '33db80', '9beb4a', 'ffeb00', 'ffb300', 'ff6400', 'eb1e00', 'af0000' ] }; Map.addLayer( masked, visParams, "Preciptation retrieval for 2022-12-30T12-00 in mm/hr" );

代码链接

https://code.earthengine.google.com/e9af0847e992c227664dae7a974189a4

结果

引用许可

CC-BY-4.0

https://www.cbedai.net/xg

http://www.jsqmd.com/news/1277657/

相关文章:

  • 当Vibe Coding遇上熵增定律:速度红利背后的系统性债务与破局路径
  • 2026 年新发布:金坛值得关注的宣传片拍摄公司工作室哪家好,拍出爆款:揭秘顶级宣传片背后的秘密 - 企业推荐官【认证官方】
  • 人类驾驶与端到端自动驾驶的认知差异解析
  • 【C++】map 与 multimap
  • Go语言实现二进制回文数统计与优化
  • 21天前端面试系统化备战:从基础到高级实战进阶指南
  • 终极指南:如何在Mac上使用QMCDecode免费解锁QQ音乐加密格式,实现音乐自由播放?
  • Kimi API调用成本飙升?(真实账单分析+3层降本方案)——某金融科技团队月省¥23,800实录
  • Python与其他编程语言的对比与应用场景分析
  • 在Windows 10和11上完美运行Android应用:WSABuilds完整指南
  • 如何快速解密QMC音乐:完整技术指南与音频格式转换解决方案
  • 5分钟免费解锁:applera1n iOS激活锁终极绕过工具完整指南
  • 如何通过无线或数据线将文件从 iPhone 传输到 PC?
  • 2026年AI报表软件测评:智能与兼容性解析 - 科技焦点
  • GIS在线局部放电监测系统深度研究报告
  • 如何高效批量下载B站视频?Bilidown终极指南帮你三步搞定
  • 千笔AI:深度学习驱动的学术写作智能辅助平台
  • Logseq终极指南:从零开始打造你的个人知识库,5分钟快速上手隐私优先的知识管理平台
  • 人工智能基础
  • 安卓Java模拟器:重温经典,畅玩无阻
  • HarmonyOS应用开发实战:猫猫大作战-setInterception 的 willShow/willPop/didShow 三种拦截回调以及实际项目
  • FAT32文件系统下MP3播放器歌曲顺序错乱的解决方案
  • PHP-FPM进程管理6S策略详解:从原理到调优实战
  • verilog HDLBits刷题[Finite State Machines]“Fsm3”---Simple FSM 3 (asynchronous reset)
  • 如何在5分钟内完成本地AI部署?LocalAI终极隐私保护方案详解
  • 粉笔直播课vsB站免费课突破瓶颈效率对比
  • 开源AI模型管理挑战:TextGen如何通过智能下载引擎重塑本地部署体验
  • C++/Qt + Mqtt协议 实现客户端订阅/发布功能
  • MLOps 数据漂移检测:模型性能退化的自动预警
  • 大数据平台弹性伸缩架构设计与实践指南