论文部分内容阅读
陆地地表径流具有生态环境调节的重要功能,陆地地表径流参与到了大气、海洋、植被和土壤等自然元素循环的全过程。陆地地表径流情况的变化将直接影响气候、海洋、植被和土壤的改变,甚至会对全球生态环境系统产生影响。因此,掌握地表径流变化情况可以预测生态环境变迁趋势,为预测和治理自然灾害具有重要意义。然而,目前的地表径流模式研究对地表径流的模拟仍存在一些问题,CESM是全球气候-海洋-陆地-冰川全耦合的气候模式,其中的RTM模块是研究地表径流的有效途径。由于数据采集设备类型各异导致数据存储格式不统一,且地表径流数据具有高维、可计算难度大等特点,以至难以耦合到RTM模块中。为此,本文提出了基于NetCDF的RTM数据分类聚合方法。该方法的研究重点:1)如何对高维地表径流数据进行分类聚合;2)如何对多源高维地表径流数据进行NetCDF格式转换,以满足RTM对输入数据的要求。开展RTM数据分类研究对分析地表水文的时空分布及演变规律具有重要意义。为进一步利用CESM开展地表径流变迁与人类活动互作用机制的研究,理解过去气候与环境演变规律,预估未来全球生态环境变化奠定基础。论文的主要内容包括:1.提出基于神经网络的高维RTM数据分类聚合方法,该方法采用Autoencoder算法对神经网络进行训练,从而得出最优的神经网络结构。2.提出基于NetCDF的RTM多源数据分类聚合模型,从管道通信角度设计管道数据处理模型。该模型使用抽象工厂屏蔽了设备差异,通过在管道中设计消息泵的方式来传递设备汇入的数据信息。该类信息被传输到数据信号处理器,在数据信号处理器中结合神经网络对设备输入数据进行数据分类,提取出地表径流数据。最终实现,基于NetCDF库文件,提出了.Net环境下读写NetCDF格式文件的接口函数,以创建符合RTM输入数据要求数据文件格式。本论文利用FM评价指数对基于神经网络的改进Autoencoder算法模型经K-means算法聚类后结果分析,表明对高维数据的聚类效果要明显优于直接聚类;提出的多源数据聚合模型处理器能够实时对输入数据进行集成融合处理,系统处于稳态;创建的.Net环境读写NetCDF格式数据的接口能够较好的存取地表径流等科学数据数据集。