CN111737641B - 一种基于神经网络的mwhts通道权重函数计算方法 - Google Patents
一种基于神经网络的mwhts通道权重函数计算方法 Download PDFInfo
- Publication number
- CN111737641B CN111737641B CN202010543768.9A CN202010543768A CN111737641B CN 111737641 B CN111737641 B CN 111737641B CN 202010543768 A CN202010543768 A CN 202010543768A CN 111737641 B CN111737641 B CN 111737641B
- Authority
- CN
- China
- Prior art keywords
- mwhts
- channel
- weight function
- neural network
- atmospheric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radio Relay Systems (AREA)
Abstract
一种基于神经网络的MWHTS通道权重函数计算方法,所述方法包括把大气参数和MWHTS观测高度角输入到辐射传输模型RTTOV,计算大气分层中的每一层到卫星载荷MWHTS的大气透过率;根据大气透过率计算MWHTS通道权重函数廓线,建立大气参数、MWHTS观测高度角和MWHTS通道权重函数廓线的匹配数据集;基于匹配数据集训练BP神经网络,针对MWHTS每个通道分别建立基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;建立MWHTS通道权重函数极大值样本并作为深度神经网络的输出,以大气参数和MWHTS观测高度角为深度神经网络的输入,训练深度神经网络,针对MWHTS每个通道分别建立基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型。本方法计算速度较快且计算量较小,操作简单易行。
Description
技术领域
本发明涉及一种MWHTS通道权重函数的计算方法,尤其涉及一种基于神经网络的MWHTS通道权重函数计算方法。
背景技术
星载微波辐射计在数值天气预报、气候变化研究以及强对流天气监测等大气科学领域发挥着重要作用。通道权重函数是星载微波辐射计接收机通道设置的理论基础,是星载微波辐射计各个通道对不同大气层敏感性的指标。通道权重函数极大值所对应的大气分层表示该通道对该层大气最敏感,换句话说,该通道的探测优势即是通道权重函数极大值所在的大气分层。通道权重函数的计算包括通道权重函数廓线的计算和通道权重函数极大值所在大气分层的计算。通道权重函数廓线即通道权重函数在不同大气分层处的值,该廓线除了在星载微波辐射计硬件时发挥重要作用外,它也是星载数据分析和应用的关键,而通道权重函数极大值所在大气分层的计算是数据融合反演应用的重要考量指标。
目前,针对星载微波辐射计而言,通道权重函数的计算需根据大气参数和卫星观测高度角,首先计算出各个大气分层到星载微波辐射计的透过率,透过率与大气分子对微波的吸收和散射等物理效应的直接相关。然而,对于目前通道权重函数这种基于物理机制的计算方法,在大量星载微波辐射观测数据应用时,该方法计算量大,且计算效率较低。从数据统计的角度出发,神经网络以其强大的非线性拟合能力以及强大的分类能力,可为通道权重函数廓线以及通道权重函数极大值所在大气分层的计算提供新的思路。
微波湿温探测仪(MWHTS)是风云三号(FY-3)C星和D星上的重要载荷,MWHTS共有15个通道,其中包括两个窗区通道(通道1和通道10),八个温度探测通道(通道2—通道9),五个湿度探测通道(通道11—通道15),可实现大气温度、湿度、云水以及地表参数的同时探测。对MWHTS通道权重函数廓线的计算以及通道权重函数中极大值所在大气分层的计算,对于MWHTS观测数据的反演应用以及反演精度分析至关重要。
发明内容
为解决上述技术问题,本发明提供一种基于神经网络的MWHTS通道权重函数计算方法,基于BP神经网络强大的非线性映射能力计算MWHTS通道权重函数廓线,基于深度神经网络较强的分类能力计算MWHTS通道权重函数极大值所在的大气层,但计算速度较快且计算量较小,操作简单易行。
为实现上述技术目的,所采用的技术方案是:一种基于神经网络的MWHTS通道权重函数计算方法,包括以下步骤:
步骤一:建立大气参数与MWHTS观测高度角在时间和空间上的匹配数据,把匹配数据输入到辐射传输模型RTTOV,分别计算MWHTS每个通道中大气分层中的每一层到卫星载荷MWHTS的大气透过率;
步骤二:根据MWHTS每个通道的大气透过率计算MWHTS对应通道权重函数廓线,并建立大气参数、MWHTS观测高度角和MWHTS每个通道权重函数廓线的匹配数据集;
步骤三:基于匹配数据集,以大气参数和MWHTS观测高度角为输入,以MWHTS每个通道权重函数廓线为输出,训练BP神经网络,针对MWHTS每个通道,分别建立基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;
步骤四:使MWHTS每个通道权重函数廓线中极大值改变为1,其它值改变为0,建立每个通道权重函数极值样本,并作为深度神经网络的输出,以大气参数和MWHTS观测高度角为深度神经网络的输入,针对MWHTS每个通道,分别建立基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型。
步骤一具体包括:首先,大气参数包括温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速,其中廓线数据的大气分层从地面到高空分为37层,每一层的压强值为Pi,其中i=1,2,3…37,从地面到高空Pi的值从1 000hPa逐渐减小至1hPa,地理空间上的分辨率选择为0.5°×0.5°;然后,把大气参数按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则,在时间和空间上与MWHTS观测数据里的观测高度角进行匹配,形成匹配数据;最后,把大气参数和MWHTS观测高度角和匹配数据输入到辐射传输模型RTTOV,针对MWHTS全部通道,分别计算每个通道中第i层的大气分层到卫星载荷MWHTS的大气透过率τn,i,其中,n=1,2,3…15,表示MWHTS的15个通道,那么,对于MWHTS的15个通道中的每一个通道,匹配数据中的每一组大气参数和MWHTS观测高度角可获得一组大气透过率。
步骤二具体包括:MWHTS的n个通道权重函数廓线可表示为:
其中,n=1,2,3…15表示MWHTS的15个通道,m=1,2,3…36;
建立大气参数、MWHTS观测高度角和MWHTS每个通道权重函数廓线的匹配数据集,其中随机选择匹配数据集中80%的数据形成分析数据集一,剩下20%的数据形成验证数据集一。
步骤三具体包括:首先,针对MWHTS每个通道,分别建立三层BP神经网络结构,获得15个BP神经网络结构;其次,基于步骤二中建立的分析数据集一,以其中的大气参数和MWHTS观测高度角为输入,以其中的MWHTS每个通道权重函数廓线为输出,分别训练已建立的15个BP神经网络;然后,在每个神经网络的训练过程中,通过调节隐藏层神经元的个数可获得权重函数廓线预测值的均方差值,选择均方差最小的隐藏层神经元对应的神经网络作为最佳模型,那么对于MWHTS每个通道,均可获得基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;最后,把验证数据集一中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型,获得MWHTS每个通道权重函数廓线的计算结果。
步骤四具体包括:首先,在分析数据集一和验证数据集一中,使MWHTS每个通道权重函数廓线中极大值改变为1,通道权重函数廓线中的其它值改变为0,即可获得每个通道权重函数极大值样本,而相应的大气参数和MWHTS观测高度角不变,分别建立分析数据集二和验证数据集二;其次,针对MWHTS全部通道,建立四层深度神经网络结构,即可获得15个深度神经网络结构;然后,以分析数据集二中的大气参数和MWHTS观测高度角为输入,以分析数据集二中通道权重函数极大值样本为输出,分别训练这15个深度神经网络结构,通过调节隐藏层神经元个数,可获得深度神经网络对通道权重函数极值样本的分类的正确率,选择正确率最大值所对应的深度神经网络结构作为最佳模型,那么对于MWHTS每个通道,均可获得基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型;最后,把验证数据集二中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型,获得MWHTS每个通道权重函数极大值所在大气分层的计算结果。
本发明有益效果是:本发明以克服基于物理机理的MWHTS通道权重函数计算方法计算速度慢且计算量大的缺点,从数据统计的角度出发,利用BP神经网络拟合大气参数以及MWHTS观测高度角与MWHTS通道权重函数廓线间之间的非线性关系,利用深度神经网络对MWHTS通道权重函数极大值所在的不同大气分层进行分类处理,分别建立了基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型和基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型。本发明提供的基于神经网络的MWHTS通道权重函数计算方法与基于辐射传输模型RTTOV的MWHTS通道权重函数计算方法相比,计算结果相当,但计算速度较快且计算量较小,操作简单易行。
附图说明
图1是本发明所述的一种基于神经网络的MWHTS通道权重函数计算方法的流程图;
图2是具体实施方式中基于BP神经网络的MWHTS通道权重函数廓线计算最佳模型的计算精度图。
具体实施方式
一种基于神经网络的MWHTS通道权重函数计算方法,包括以下步骤:
步骤一:建立大气参数与MWHTS观测高度角在时间和空间上的匹配数据,把匹配数据输入到辐射传输模型RTTOV,分别计算大气分层中的每一层到卫星载荷MWHTS的大气透过率;
步骤二:根据MWHTS每个通道的大气透过率计算MWHTS对应通道权重函数廓线,并建立大气参数、MWHTS观测高度角和MWHTS每个通道权重函数廓线的匹配数据集;
步骤三:基于匹配数据集,以大气参数和MWHTS观测高度角为输入,以MWHTS每个通道权重函数廓线为输出,训练BP神经网络,针对MWHTS每个通道,分别建立基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;
步骤四:使MWHTS每个通道权重函数廓线中极大值改变为1,其它值改变为0,建立每个通道权重函数极值样本,并作为深度神经网络的输出,以大气参数和MWHTS观测高度角为深度神经网络的输入,针对MWHTS每个通道,分别建立基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型。
所述步骤一具体包括:
首先,大气参数使用欧洲中期天气预报中心(ECMWF)的再分析数据集ERA-Interim中的数据,包括温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速,其中廓线数据的大气分层从地面到高空分为37层,每一层的压强值为Pi,其中i=1,2,3…37,Pi的值依次为:1000hPa,975hPa,950hPa,925hPa,900hPa,875hPa,850hPa,825hPa,800hPa,775hPa,750hPa,700hPa,650hPa,600hPa,550hPa,500hPa,450hPa,400hPa,350hPa,300hPa,250hPa,225hPa,200hPa,175hPa,150hPa,125hPa,100hPa,70hPa,50hPa,30hPa,20hPa,10hPa,7hPa,5hPa,3hPa,2hPa和1hPa,地理空间上的分辨率选择为0.5°×0.5°;然后,把大气参数按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则,在时间和空间上与MWHTS观测数据里的观测高度角进行匹配,形成匹配数据;最后,把匹配数据(大气参数和MWHTS观测高度角)输入到辐射传输模型RTTOV,针对MWHTS全部通道(15个),分别计算每个通道中第i层的大气分层到卫星载荷MWHTS的大气透过率τn,i,其中,n=1,2,3…15表示MWHTS的15个通道,i=1,2,3…37表示大气分层。那么,对于MWHTS的15个通道中的每一个通道,匹配数据中的每一组大气参数和MWHTS观测高度角可获得一组大气透过率。
所述步骤二具体包括:
根据每层的压强值Pi和步骤一中所计算的大气透过率τn,i,MWHTS通道权重函数廓线可表示为:
其中,n=1,2,3…15表示MWHTS的15个通道,m=1,2,3…36;τn,m表示MWHTS第n条通道的第m层大气透过率,τn,m+1表示MWHTS第n条通道的第m+1层大气透过率,Pm表示第m层压强值,Pm+1表示第m+1层压强值。
建立大气参数、MWHTS观测高度角和MWHTS通道权重函数廓线的匹配数据集,其中随机选择匹配数据集中80%的数据形成分析数据集一,剩下20%的数据形成验证数据集一。
所述步骤三具体包括:
首先,针对MWHTS每个通道,分别建立三层BP神经网络结构(一个输入层,一个输出层和一个隐藏层),即可获得15个BP神经网络结构;其次,基于步骤二中建立的分析数据集一,以其中的大气参数和MWHTS观测高度角为输入,以其中的MWHTS对应的各个通道权重函数廓线为输出,分别训练已建立的15个BP神经网络;然后,在每个神经网络的训练过程中,通过调节隐藏层神经元的个数可获得权重函数廓线预测值的均方差值,选择均方差最小的隐藏层神经元对应的神经网络作为最佳模型,那么对于MWHTS每个通道,均可获得基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;最后,把验证数据集一中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型,获得MWHTS每个通道权重函数廓线的计算结果。
所述步骤四具体包括:
首先,在分析数据集一和验证数据集一中,使MWHTS各个通道权重函数廓线中极大值改变为1,通道权重函数廓线中的其它值改变为0,即可获得通道权重函数极大值样本,而相应的大气参数和MWHTS观测高度角不变,分别建立分析数据集二和验证数据集二;其次,针对MWHTS全部通道,建立四层深度神经网络结构(一个输入层,一个输出层和两个隐藏层),即可获得15个深度神经网络结构;然后,以分析数据集二中的大气参数和MWHTS观测高度角为输入,以分析数据集二中通道权重函数极大值样本为输出,分别训练这15个深度神经网络结构,通过调节隐藏层神经元个数,可获得深度神经网络对通道权重函数极值样本的分类的正确率,选择正确率最大值所对应的深度神经网络结构作为最佳模型,那么对于MWHTS每个通道,均可获得基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型;最后,把验证数据集二中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型,获得MWHTS每个通道权重函数极大值所在大气分层的计算结果。
下面结合实例及附图对本发明作进一步的描述,需要说明的是,实施例并不限定本发明要求保护的范围。
实施例1
使用风云三号D星微波湿温探测仪(MWHTS)观测数据中的观测高度角与欧洲中期天气预报中心(ECMWF)ERA Interim数据集中的大气参数进行匹配,其中,所使用的大气参数、地理空间分辨率、廓线分层以及在时间和空间上的匹配规则如步骤一所述,使用的时间范围是2019年1月至2019年6月,地理范围为(25°N—45°N,160°E—220°E)。可获得匹配数据583089组。把匹配数据输入到辐射传输模型RTTOV中计算每一个大气分层到卫星载荷MWHTS的大气透过率。
根据步骤二,利用大气透过率与大气分层的每层压强值计算MWHTS每个通道的权重函数廓线,建立大气参数、MWHTS观测高度角和MWHTS通道权重函数廓线的匹配数据集(58309组),并形成分析数据集一(46647组)和验证数据集一(11662组)。另外,在分析数据集一和验证数据集一中的MWHTS权重函数廓线中,把极大值改变为1,其它值改变为0,分别形成分析数据集二和验证数据集二。
对于MWHTS通道权重函数廓线的计算,根据步骤三,建立15个3层BP神经网络,利用分析数据集一中的大气参数和MWHTS观测高度角作为输入,MWHTS通道权重函数廓线作为输出,分别训练这15个神经网络,MWHTS每个通道均可获得基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型。把验证数据集一中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型,获得基于BP神经网络的MWHTS通道权重函数廓线计算结果。其中,以验证数据集一中的MWHTS通道权重函数廓线作为真实值,计算基于BP神经网络的MWHTS通道权重函数廓线计算结果与真实值之间的均方根误差,可获得基于BP神经网络的MWHTS通道权重函数廓线计算精度如图2所示。从图2可见,基于BP神经网络的MWHTS通道权重函数廓线计算方法可获得较高的计算精度。
根据步骤四,针对MWHTS全部通道,建立四层深度神经网络结构,以分析数据集二中的大气参数和MWHTS观测高度角为输入,以分析数据集二中通道权重函数极大值样本为输出,分别训练这15个深度神经网络结构,对于MWHTS每个通道,均可获得基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型。把验证数据集二中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型,获得MWHTS每个通道权重函数极大值所在大气分层的计算结果,该结果与验证数据集中通道权重函数极大值样本进行对比,可获得基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算结果的正确率,如表1所示。
表1基于深度神经网络的MWHTS通道权重函数极大值所在大气分层的正确率
MWHTS通道 | 正确率 | MWHTS通道 | 正确率 |
1 | 97.75% | 9 | 99.41% |
2 | 99.52% | 10 | 97.94% |
3 | 99.89% | 11 | 99.56% |
4 | 99.49% | 12 | 99.39% |
5 | 99.62% | 13 | 99.27% |
6 | 99.40% | 17 | 99.25% |
7 | 99.26% | 15 | 99.04% |
8 | 99.91% |
从表1可见,除了MWHTS窗区通道1和通道10权重函数极大值所在大气分层的正确率是97.75%和97.94%外,其余温度探测通道(通道2-通道9)和湿度探测通道(通道11-通道15)中的正确率均在99%以上,基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算结果的正确率较高。
把验证数据集中的大气参数和MWHTS观测高度角输入到辐射传输模型RTTOV计算MWHTS通道权重函数时,耗时672秒,而使用相同的数据输入到基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型和基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型获得MWHTS通道权重函数的计算结果,共计耗时2.3秒。
Claims (5)
1.一种基于神经网络的MWHTS通道权重函数计算方法,其特征在于,包括以下步骤:
步骤一:建立大气参数与MWHTS观测高度角在时间和空间上的匹配数据,把匹配数据输入到辐射传输模型RTTOV,分别计算MWHTS每个通道中大气分层中的每一层到卫星载荷MWHTS的大气透过率;
步骤二:根据MWHTS每个通道的大气透过率计算MWHTS对应通道权重函数廓线,并建立大气参数、MWHTS观测高度角和MWHTS每个通道权重函数廓线的匹配数据集;
步骤三:基于匹配数据集,以大气参数和MWHTS观测高度角为输入,以MWHTS每个通道权重函数廓线为输出,训练BP神经网络,针对MWHTS每个通道,分别建立基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;
步骤四:使MWHTS每个通道权重函数廓线中极大值改变为1,其它值改变为0,建立每个通道权重函数极值样本,并作为深度神经网络的输出,以大气参数和MWHTS观测高度角为深度神经网络的输入,针对MWHTS每个通道,分别建立基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型。
2.根据权利要求1所述的一种基于神经网络的MWHTS通道权重函数计算方法,其特征在于,所述步骤一具体包括:
首先,大气参数包括温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速,其中廓线数据的大气分层从地面到高空分为37层,每一层的压强值为,其中i=1,2,3…37,从地面到高空/>的值从1 000hPa逐渐减小至1 hPa,地理空间上的分辨率选择为0.5°×0.5°;然后,把大气参数按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则,在时间和空间上与MWHTS观测数据里的观测高度角进行匹配,形成匹配数据;最后,把大气参数和MWHTS观测高度角和匹配数据输入到辐射传输模型RTTOV,针对MWHTS全部通道,分别计算每个通道中第i层的大气分层到卫星载荷MWHTS的大气透过率/>,其中,n=1,2,3…15,表示MWHTS的15个通道,那么,对于MWHTS的15个通道中的每一个通道,匹配数据中的每一组大气参数和MWHTS观测高度角可获得一组大气透过率。
4.根据权利要求3所述的一种基于神经网络的MWHTS通道权重函数计算方法,其特征在于,所述步骤三具体包括:
首先,针对MWHTS每个通道,分别建立三层BP神经网络结构,获得15个BP神经网络结构;其次,基于步骤二中建立的分析数据集一,以其中的大气参数和MWHTS观测高度角为输入,以其中的MWHTS每个通道权重函数廓线为输出,分别训练已建立的15个BP神经网络;然后,在每个神经网络的训练过程中,通过调节隐藏层神经元的个数可获得权重函数廓线预测值的均方差值,选择均方差最小的隐藏层神经元对应的神经网络作为最佳模型,那么对于MWHTS每个通道,均可获得基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型;最后,把验证数据集一中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于BP神经网络的MWHTS通道权重函数廓线计算的最佳模型,获得MWHTS每个通道权重函数廓线的计算结果。
5.根据权利要求4所述的一种基于神经网络的MWHTS通道权重函数计算方法,其特征在于,所述步骤四具体包括:
首先,在分析数据集一和验证数据集一中,使MWHTS每个通道权重函数廓线中极大值改变为1,通道权重函数廓线中的其它值改变为0,即可获得每个通道权重函数极大值样本,而相应的大气参数和MWHTS观测高度角不变,分别建立分析数据集二和验证数据集二;其次,针对MWHTS全部通道,建立四层深度神经网络结构,即可获得15个深度神经网络结构;然后,以分析数据集二中的大气参数和MWHTS观测高度角为输入,以分析数据集二中通道权重函数极大值样本为输出,分别训练这15个深度神经网络结构,通过调节隐藏层神经元个数,可获得深度神经网络对通道权重函数极值样本的分类的正确率,选择正确率最大值所对应的深度神经网络结构作为最佳模型,那么对于MWHTS每个通道,均可获得基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型;最后,把验证数据集二中的大气参数和MWHTS观测高度角,输入到相应通道所对应的基于深度神经网络的MWHTS通道权重函数极大值所在大气分层计算的最佳模型,获得MWHTS每个通道权重函数极大值所在大气分层的计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543768.9A CN111737641B (zh) | 2020-06-15 | 2020-06-15 | 一种基于神经网络的mwhts通道权重函数计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543768.9A CN111737641B (zh) | 2020-06-15 | 2020-06-15 | 一种基于神经网络的mwhts通道权重函数计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111737641A CN111737641A (zh) | 2020-10-02 |
CN111737641B true CN111737641B (zh) | 2023-05-30 |
Family
ID=72649353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543768.9A Active CN111737641B (zh) | 2020-06-15 | 2020-06-15 | 一种基于神经网络的mwhts通道权重函数计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737641B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329334B (zh) * | 2020-10-15 | 2024-01-23 | 洛阳师范学院 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
CN112345151B (zh) * | 2020-10-15 | 2022-01-07 | 洛阳师范学院 | 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法 |
CN113311509B (zh) * | 2021-05-11 | 2023-07-25 | 洛阳师范学院 | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8428916B2 (en) * | 2008-10-07 | 2013-04-23 | Los Alamos National Security, Llc | Modeling of the radiation belt megnetosphere in decisional timeframes |
-
2020
- 2020-06-15 CN CN202010543768.9A patent/CN111737641B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和*** |
Non-Patent Citations (1)
Title |
---|
一种MODIS遥感图像大气校正的快速算法;李玮;康晓光;陈雷;;信号处理(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111737641A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737641B (zh) | 一种基于神经网络的mwhts通道权重函数计算方法 | |
CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
WO2020043029A1 (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN111737912B (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
CN102682335B (zh) | 精确确定区域对流层延迟的神经网络方法 | |
CN113632101B (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
CN112016696B (zh) | 融合卫星与地基观测的pm1浓度反演方法及*** | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN107703554A (zh) | 多通道毫米波辐射计温湿廓线反演***及其反演方法 | |
CN112329334B (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
Mai et al. | Using improved XGBoost algorithm to obtain modified atmospheric refractive index | |
CN106405683A (zh) | 基于g‑l混合噪声特性核岭回归技术的风速预报方法及装置 | |
CN113111529B (zh) | 融合数值模式和卫星微波云反演数据的红外亮温模拟方法 | |
CN116933083A (zh) | 一种电离层总电子含量预测方法、***、电子设备及介质 | |
CN114965300B (zh) | 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法 | |
CN112965144B (zh) | 一种提高一维变分算法反演大气温湿廓线精度的方法 | |
CN116307068A (zh) | 基于四维有向gcn-lstm模型的多城市多种大气污染物预测方法 | |
CN112254866B (zh) | 一种mwts-ii和mwhts融合反演海面气压的方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
CN113298304A (zh) | 基于多维气象预报因子图卷积的光伏发电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |