CN111737912B - 一种基于深度神经网络的mwhts模拟亮温计算方法 - Google Patents
一种基于深度神经网络的mwhts模拟亮温计算方法 Download PDFInfo
- Publication number
- CN111737912B CN111737912B CN202010543078.3A CN202010543078A CN111737912B CN 111737912 B CN111737912 B CN 111737912B CN 202010543078 A CN202010543078 A CN 202010543078A CN 111737912 B CN111737912 B CN 111737912B
- Authority
- CN
- China
- Prior art keywords
- data set
- mwhts
- neural network
- cloud
- deep neural
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 239000002184 metal Substances 0.000 title claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 42
- 230000005855 radiation Effects 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004001 molecular interaction Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004291 sulphur dioxide Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiation Pyrometers (AREA)
Abstract
一种基于深度神经网络的MWHTS模拟亮温计算方法,包括建立MWHTS观测亮温与气候学数据集在空间和时间上的匹配数据集;根据云水含量把匹配数据集分为晴空数据集、有云数据集和有雨数据集,并分别形成对应的分析数据集和验证数据集;利用三个分析数据集训练深度神经网络模型,把对应的验证数据集中的大气参数输入已训练好的深度神经网络模型,计算MWHTS模拟亮温;把三个验证数据集中的大气参数输入辐射传输模型计算MWHTS模拟亮温,其计算精度与基于深度神经网络的MWHTS模拟亮温计算精度进行对比,选择精度较高的MWHTS通道组成MWHTS模拟亮温计算结果。该方法使用深度神经网络对微波与大气分子的相互作用进行建模,获得较业务化辐射传输模型RTTOV更高的计算精度,操作简单易行。
Description
技术领域
本发明涉及一种MWHTS模拟亮温的计算方法,属于微波遥感技术领域,尤其涉及一种基于深度神经网络的MWHTS模拟亮温计算方法。
背景技术
在微波遥感领域,对于所处理的问题可分为正演和反演两类。针对星载微波遥感而言,所谓正演是通过对微波在大气中的辐射传输过程进行建模来计算星载微波辐射计观测亮温,而反演通常是对辐射传输模型求逆的数学计算,即利用星载微波辐射计观测亮温来获取大气参数的过程。微波在大气中的辐射传输模型不仅是卫星有效载荷研制的理论基础,也是星载微波遥感仪器探测地球大气温湿参数、云雨参数以及地表参数的关键所在,辐射传输模型对模拟亮温的计算精度与卫星观测亮温的反演应用直接相关。
目前,业务化的辐射传输模型均是基于微波在大气中的发射、吸收以及散射等效应的物理机理进行开发的,其中,辐射传输模型RTTOV是业务化辐射传输模型的典型代表,其在卫星数据反演和同化***中应用广泛。当前对微波与大气分子相互作用理解的不足,是导致辐射传输模型误差的主要原因。尤其是在云雨大气条件下,辐射传输方程的非线性度增加,辐射传输模型对云雨散射效应的建模难度较大,导致了其模拟亮温的计算精度较差。 然而,针对大气参数与星载微波辐射计观测亮温之间的非线性关系,深度神经网络其强大的非线性映射能力可为星载微波辐射计模拟亮温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,是国际上首台集湿度计和温度计于一体的微波辐射计,MWHTS有八个温度探测通道(通道2—通道9),五个湿度探测通道(通道11—通道15)和两个窗区通道(通道1和通道10),可实现大气温度和水汽参数的同时探测。对MWHTS模拟亮温的计算对于其数据在数值天气预报、当前天气稳定性分析以及气候变化研究等领域的应用至关重要。
发明内容
为解决上述技术问题,本发明提供一种基于深度神经网络的MWHTS模拟亮温计算方法,使用深度神经网络对微波与大气分子的相互作用进行建模,可获得较业务化辐射传输模型RTTOV更高的计算精度,且操作简单易行。
为实现上述技术目的,所采用的技术方案是: 一种基于深度神经网络的MWHTS模拟亮温计算方法,包括以下步骤:
步骤一:建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集;
步骤二:根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集,并分别形成对应的晴空分析数据集和晴空验证数据集、有云分析数据集和有云验证数据集、有雨分析数据集和有雨验证数据集;
步骤三:利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型,把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型,计算MWHTS模拟亮温;
步骤四:分别把步骤二中形成的晴空验证数据集,有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算,基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比,选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。
步骤一具体包括:首先选择的气候学数据集中的大气参数为: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风速以及云水含量;然后按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则,在时间和空间上对气候学数据集中的这些大气参数与MWHTS观测亮温进行匹配;最后对匹配数据进行质量控制,即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据,其中MWHTS亮温值小于180K或者大于310K,以及气候学数据集中的负值均判定为异常值,经过质量控制后的匹配数据形成匹配数据集。
步骤二具体包括:在步骤一所形成的匹配数据集中,选择出云水含量值为零的匹配数据作为晴空数据集,在晴空数据集中随机选择80%的匹配数据形成晴空分析数据集,剩下的匹配数据形成晴空验证数据集;在步骤一所形成的匹配数据集中,选择出云水含量大于零且小于0.5mm的匹配数据作为有云数据集,在有云数据集中随机选择80%的匹配数据形成有云分析数据集,剩下的匹配数据形成有云验证数据集;在步骤一所形成的匹配数据集中,选择出云水含量大于和等于0.5mm的匹配数据作为有雨数据集,在有雨数据集中随机选择80%的匹配数据形成有雨分析数据集,剩下的匹配数据形成有雨验证数据集。
步骤三具体包括:首先,晴空验证数据集、有云验证数据集以及有雨验证数据集中的大气参数作为深度神经网络模型的输入,MWHTS观测亮温作为深度神经网络模型的输出,分别利用晴空分析数据集、有云分析数据集和有雨分析数据集对深度神经网络模型进行训练,分别获得晴空深度神经网络模型,有云深度神经网络模型和有雨深度神经网络模型;然后,把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入相应的晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型,得到相应的晴空、有云和有雨大气条件下的MWHTS模拟亮温;最后,分别计算晴空、有云和有雨大气条件下的MWHTS模拟亮温与观测亮温之间的均方根误差,分别作为晴空、有云和有雨大气条件下的基于深度神经网络的MWHTS模拟亮温的计算精度。
步骤四具体包括:首先,选择基于物理机理建模的辐射传输模型RTTOV作为计算MWHTS模拟亮温的辐射传输模型;然后,分别把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算,并分别获得在晴空、有云和有雨大气条件下的基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度;最后,分别对比在晴空、有云和有雨大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度和相应大气条件下基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度,选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的最终结果。
本发明有益效果是:本发明以克服微波在大气中传输时物理建模不精确的困难,提高MWHTS模拟亮温的计算精度为目的,采用深度神经网络对大气参数与MWHTS观测亮温之间的非线性关系进行建模,进一步对比基于物理方法的辐射传输模型RTTOV的MWHTS模拟亮温的计算精度和基于深度神经网络的MWHTS模拟亮温的计算精度,择优选择MWHTS通道中精度较高的模拟亮温组成MWHTS模拟亮温的最终结果。本发明方法具有较高的MWHTS模拟亮温计算精度,操作简单易行。
附图说明
图1是本发明所述的一种基于深度神经网络的MWHTS模拟亮温计算方法的流程图;
图2是本发明实用例1中晴空大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度与基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度对比图;
图3是本发明实用例1中有云大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度与基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度对比图;
图4是本发明实用例1中有雨大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度与基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度对比图。
具体实施方式
一种基于深度神经网络的MWHTS模拟亮温计算方法,包括以下步骤:
步骤一:建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集;
步骤一具体包括:首先选择的气候学数据集中的大气参数为: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风速以及云水含量;然后按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则,在时间和空间上对气候学数据集中的这些大气参数与MWHTS观测亮温进行匹配;最后对匹配数据进行质量控制,即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据,其中MWHTS亮温值小于180K或者大于310K,以及气候学数据集中的负值均判定为异常值,经过质量控制后的匹配数据形成匹配数据集。
步骤二:根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集,晴空数据集形成对应的晴空分析数据集和晴空验证数据集,有云数据集形成对应的有云分析数据集和有云验证数据集,有雨数据集形成对应的有雨分析数据集和有雨验证数据集;
步骤二具体包括:在步骤一所形成的匹配数据集中,选择出云水含量值为零的匹配数据作为晴空数据集,在晴空数据集中随机选择80%的匹配数据形成晴空分析数据集,剩下的匹配数据形成晴空验证数据集;在步骤一所形成的匹配数据集中,选择出云水含量大于零且小于0.5mm的匹配数据作为有云数据集,在有云数据集中随机选择80%的匹配数据形成有云分析数据集,剩下的匹配数据形成有云验证数据集;在步骤一所形成的匹配数据集中,选择出云水含量大于和等于0.5mm的匹配数据作为有雨数据集,在有雨数据集中随机选择80%的匹配数据形成有雨分析数据集,剩下的匹配数据形成有雨验证数据集。
步骤三:利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型,把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型,计算MWHTS模拟亮温;
步骤三具体包括:首先,晴空验证数据集、有云验证数据集以及有雨验证数据集中的大气参数作为深度神经网络模型的输入,MWHTS观测亮温作为深度神经网络模型的输出,分别利用晴空分析数据集、有云分析数据集和有雨分析数据集对深度神经网络模型进行训练,分别获得晴空深度神经网络模型,有云深度神经网络模型和有雨深度神经网络模型;然后,把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入相应的晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型,得到相应的晴空、有云和有雨大气条件下的MWHTS模拟亮温;最后,分别计算晴空、有云和有雨大气条件下的MWHTS模拟亮温与观测亮温之间的均方根误差,分别作为晴空、有云和有雨大气条件下的基于深度神经网络的MWHTS模拟亮温的计算精度。
步骤四:分别把步骤二中形成的晴空验证数据集,有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算,基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比,选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。
步骤四具体包括:首先,选择基于物理机理建模的辐射传输模型RTTOV作为计算MWHTS模拟亮温的辐射传输模型;然后,分别把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算,并分别获得在晴空、有云和有雨大气条件下的基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度;最后,分别对比在晴空、有云和有雨大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度和相应大气条件下基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度,选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的最终结果。
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
气候学数据集选择为欧洲中期天气预报中心(ECMWF)的再分析数据集ERA-Interim,使用ECMWF再分析数据集ERA-Interim为时间范围为2018年9月至2019年8月,地理范围为(25°N—45°N,160°E—220°E),数据分辨率为0.5°×0.5°,使用该数据集中的温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速以及云水含量进行模拟亮温的计算。与FY-3D/MWHTS观测亮温按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则建立匹配数据集(1060162组)。在该匹配数据集中根据云水含量为0选择出晴空数据集,并分别建立晴空分析数据集(13810组)和晴空验证数据集(3453组);根据云水含量大于0且小于0.5mm选择出有云数据集,并分别建立有云分析数据集(796457组)和有云验证数据集(199114组);根据云水含量大于和等于0.5mm选择出有雨数据集,并分别形成有雨分析数据集(37862组)和有雨验证数据集(9466组)。
分别使用晴空分析数据集、有云分析数据集和有雨分析数据集中的大气参数作为输入,相应的MWHTS观测亮温作为输出,对深度神经网络进行训练,获得晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型。并分别把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数输入到相对应的晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型,分别获得在晴空、有云和有雨大气条件下的MWHTS模拟亮温以及MWHTS模拟亮温的计算精度。
把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入到辐射传输模型RTTOV,计算在晴空、有云和有雨大气条件下的MWHTS模拟亮温以及MWHTS模拟亮温的计算精度。基于深度神经网络的MWHTS模拟亮温的计算精度与基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度,在晴空大气条件、有云大气条件和有雨大气条件下的计算精度对比分别如图2,图3和图4所示。
在晴空大气条件下,从图2可见,基于深度神经网络的MWHTS模拟亮温的计算精度在MWHTS的15个通道中均优于基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度,尤其在MWHTS通道1至通道6,通道9,通道10以及通道15中计算精度提高显著,最大可提高2.4K。
在有云大气条件下,从图3可见,基于深度神经网络的MWHTS模拟亮温的计算精度除了在MWHTS通道11和通道13的计算精度略高于辐射传输模型RTTOV的计算精度外,其余通道较RTTOV的计算精度均有明显的改善。
在有雨大气条件下,从图4可见,相比RTTOV,基于深度神经网络的计算方法在窗区通道1和通道10的计算精度改善显著,同时在通道7,通道8,通道9以及通道15中的计算精度改善明显,然而在通道4和通道5中的计算精度不如RTTOV。
综上所述,当在晴空和有云大气条件下,选择基于深度神经网络的MWHTS的计算结果作为MWHTS的模拟亮温;当有雨大气条件下,MWHTS通道4和通道5选择使用辐射传输模型RTTOV对模拟亮温的计算结果,而其余通道使用基于深度神经网络的MWHTS模拟亮温的计算结果。
Claims (5)
1.一种基于深度神经网络的MWHTS模拟亮温计算方法,其特征在于,包括以下步骤:
步骤一:建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集;
步骤二:根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集,并分别形成对应的晴空分析数据集和晴空验证数据集、有云分析数据集和有云验证数据集、有雨分析数据集和有雨验证数据集;
步骤三:利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型,把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型,计算MWHTS模拟亮温;
步骤四:分别把步骤二中形成的晴空验证数据集,有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算,基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比,选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。
2.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法,其特征在于,所述步骤一具体包括:
首先选择的气候学数据集中的大气参数为: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风速以及云水含量;然后按照时间误差小于10分钟,经纬度误差小于0.1°的匹配规则,在时间和空间上对气候学数据集中的这些大气参数与MWHTS观测亮温进行匹配;最后对匹配数据进行质量控制,即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据,其中MWHTS亮温值小于180K或者大于310K,以及气候学数据集中的负值均判定为异常值,经过质量控制后的匹配数据形成匹配数据集。
3.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法,其特征在于,所述步骤二具体包括:
在步骤一所形成的匹配数据集中,选择出云水含量值为零的匹配数据作为晴空数据集,在晴空数据集中随机选择80%的匹配数据形成晴空分析数据集,剩下的匹配数据形成晴空验证数据集;在步骤一所形成的匹配数据集中,选择出云水含量大于零且小于0.5mm的匹配数据作为有云数据集,在有云数据集中随机选择80%的匹配数据形成有云分析数据集,剩下的匹配数据形成有云验证数据集;在步骤一所形成的匹配数据集中,选择出云水含量大于和等于0.5mm的匹配数据作为有雨数据集,在有雨数据集中随机选择80%的匹配数据形成有雨分析数据集,剩下的匹配数据形成有雨验证数据集。
4.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法,其特征在于,所述步骤三具体包括:
首先,晴空验证数据集、有云验证数据集以及有雨验证数据集中的大气参数作为深度神经网络模型的输入,MWHTS观测亮温作为深度神经网络模型的输出,分别利用晴空分析数据集、有云分析数据集和有雨分析数据集对深度神经网络模型进行训练,分别获得晴空深度神经网络模型,有云深度神经网络模型和有雨深度神经网络模型;然后,把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入相应的晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型,得到相应的晴空、有云和有雨大气条件下的MWHTS模拟亮温;最后,分别计算晴空、有云和有雨大气条件下的MWHTS模拟亮温与观测亮温之间的均方根误差,分别作为晴空、有云和有雨大气条件下的基于深度神经网络的MWHTS模拟亮温的计算精度。
5.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法,其特征在于,所述步骤四具体包括:
首先,选择基于物理机理建模的辐射传输模型RTTOV作为计算MWHTS模拟亮温的辐射传输模型;然后,分别把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算,并分别获得在晴空、有云和有雨大气条件下的基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度;最后,分别对比在晴空、有云和有雨大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度和相应大气条件下基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度,选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543078.3A CN111737912B (zh) | 2020-06-15 | 2020-06-15 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543078.3A CN111737912B (zh) | 2020-06-15 | 2020-06-15 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111737912A CN111737912A (zh) | 2020-10-02 |
CN111737912B true CN111737912B (zh) | 2024-01-23 |
Family
ID=72649196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543078.3A Active CN111737912B (zh) | 2020-06-15 | 2020-06-15 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737912B (zh) |
Families Citing this family (6)
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 |
CN113311510B (zh) * | 2021-05-11 | 2023-07-25 | 洛阳师范学院 | 一种基于模拟亮温的mwhts观测亮温的分类方法 |
CN113435119B (zh) * | 2021-06-29 | 2022-08-05 | 北京华云星地通科技有限公司 | 一种全球海洋表面亮温确定方法及*** |
CN114252834B (zh) * | 2021-12-23 | 2022-08-12 | 国家卫星海洋应用中心 | 一种基于海洋目标的星载微波辐射计外定标方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919151A (zh) * | 2018-04-03 | 2018-11-30 | 西安空间无线电技术研究所 | 一种微波辐射计交叉极化误差修正方法 |
CN109580003A (zh) * | 2018-12-18 | 2019-04-05 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
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 |
---|---|---|---|---|
US7254564B2 (en) * | 2001-10-22 | 2007-08-07 | Coppola Jr Emery J | Neural network based predication and optimization for groundwater/surface water system |
-
2020
- 2020-06-15 CN CN202010543078.3A patent/CN111737912B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919151A (zh) * | 2018-04-03 | 2018-11-30 | 西安空间无线电技术研究所 | 一种微波辐射计交叉极化误差修正方法 |
CN109580003A (zh) * | 2018-12-18 | 2019-04-05 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN111737912A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
CN108875254B (zh) | 一种大气温湿廓线的一维变分反演方法 | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN111579504B (zh) | 基于光学遥感的大气污染成分垂直分布反演方法 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN113552080B (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
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 | |
CN115062527B (zh) | 一种基于深度学习的静止卫星海温反演方法及*** | |
CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN111737641B (zh) | 一种基于神经网络的mwhts通道权重函数计算方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN117933095B (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及*** | |
CN114004163A (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
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 | |
CN112345151B (zh) | 一种基于自然大气的mwts-ii对海面气压的灵敏性测试方法 | |
CN110968926A (zh) | 一种基于改进背景误差协方差矩阵预测大气参数的方法 | |
CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
CN113822345B (zh) | 一种融合mwhts和mwts-ii反演云水含量的方法及*** | |
Salazar et al. | Estimation of daily average values of the Ångström turbidity coefficient β using a Corrected Yang Hybrid Model | |
CN116187025A (zh) | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 | |
CN114663781A (zh) | 一种城市多源环境数据的碳源反演方法 |
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 |