CN112254866B - 一种mwts-ii和mwhts融合反演海面气压的方法 - Google Patents
一种mwts-ii和mwhts融合反演海面气压的方法 Download PDFInfo
- Publication number
- CN112254866B CN112254866B CN202011104191.8A CN202011104191A CN112254866B CN 112254866 B CN112254866 B CN 112254866B CN 202011104191 A CN202011104191 A CN 202011104191A CN 112254866 B CN112254866 B CN 112254866B
- Authority
- CN
- China
- Prior art keywords
- air pressure
- sea surface
- surface air
- mwhts
- mwts
- 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
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
- G01L11/002—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00 by thermal means, e.g. hypsometer
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
一种MWTS‑II和MWHTS融合反演海面气压的方法,包括建立MWTS‑II观测亮温和MWHTS观测亮温在时间和空间上的亮温匹配对;建立亮温匹配对与海面气压在时间和空间上的匹配数据集,并形成分析数据集和验证数据集;利用分析数据集训练BP神经网络,根据训练结果,对每个通道的观测亮温对反演海面气压的贡献大小进行排序;按照每个通道的观测亮温对反演海面气压的贡献由大到小的顺序,逐一增加通道的观测亮温,训练BP神经网络,并根据训练结果建立MWTS‑II和MWHTS融合反演海面气压的最优通道组合。该方法可获得较单一星载微波辐射计反演海面气压更高的反演精度,且操作简单易行。
Description
技术领域
本发明涉及一种星载微波遥感海面气压的方法,属于微波遥感技术领域,尤其涉及一种MWTS-II和MWHTS融合反演海面气压的方法。
背景技术
海面气压是描述大气状态的基本参数,在数值天气预报、热带气旋分析和预报以及气候变化研究等应用中发挥着重要作用。高精度海面气压值的获取一直是大气科学和海洋科学领域较为关注的热点之一。目前,海面气压数据的获取主要是通过浮标、商船、机载平台的下投探空仪等直接观测手段获取。直接观测数据存在空间分辨率低,探测成本高,探测精度不统一等缺点,使其不能满足气象及气候学研究和应用的需求。
星载微波遥感是可实现海面气压全球密集探测的重要手段。微波辐射计作为星载遥感大气的重要载荷,可通过对氧气的垂直柱总吸收的测量来实现探测海面气压的目的。在微波波段,氧气吸收谱线具有明显的频率分区特征,有一条共振吸收线位于118 GHz,而其余45条谱线形成一个以60 GHz为中心的共振吸收带。目前,设置在118GHz频段的微波湿温探测仪(MWHTS),设置在60GHz频段的微波温度计II型(MWTS-II)、先进微波探测装置(AMSU)、先进技术微波探测仪(ATMS)等星载微波辐射计均可实现海面气压的探测。
遥感探测大气时,使用多种探测平台或者多种探测频段,往往会获得比单一探测手段更为丰富的大气参数信息。对于星载微波辐射计探测海面气压而言,受星载平台的限制,目前尚未实现融合60 GHz和118 GHz探测数据的海面气压反演。而搭载于风云三号C星和D星的MWTS-II,其全部13个通道均设置在60GHz共振吸收带,搭载在相同卫星平台的MWHTS,其8个通道设置在118GHz氧气吸收线,2个通道设置在窗区频段,5个通道设置在183GHz水汽吸收线。MWTS-II和MWHTS的在轨运行为融合60GHz和118GHz探测数据的海面气压反演提供了可能。另外,水汽吸收和氧气吸收的相关性也为进一步提高海面气压反演精度提供了新的思路。
发明内容
为解决上述技术问题,本发明提供一种MWTS-II和MWHTS融合反演海面气压的方法,根据MWTS-II和MWHTS各个通道的观测亮温对反演海面气压的贡献,建立MWTS-II和MWHTS融合反演海面气压的最优通道组合,该方法可获得较单一星载微波辐射计反演海面气压更高的反演精度,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MWTS-II和MWHTS融合反演海面气压的方法,包括以下步骤:
步骤一:建立MWTS-II观测亮温和MWHTS观测亮温在时间和空间上的亮温匹配对;
步骤二:建立亮温匹配对与海面气压在时间和空间上的匹配数据集,并将匹配数据集分为分析数据集和验证数据集;
步骤三:分析数据集中MWTS-II 的13个通道的观测亮温和MWHTS的 15个通道的观测亮温分别作为输入,相应的分析数据集的海面气压作为输出,形成28个训练数据集并分别训练BP神经网络,统计每个训练数据集训练BP神经网络后的均方差,以均方差的大小为依据,对28个通道的观测亮温对反演海面气压的贡献按照由大到小的顺序进行排序;
步骤四:以对反演海面气压贡献最大的通道的观测亮温为基础,按照28个通道的观测亮温对反演海面气压的贡献由大到小的顺序,逐一增加通道的观测亮温,增加通道的观测亮温后,形成的通道组合的观测亮温作为BP神经网络的输入,相应的海面气压作为输出,训练BP神经网络,直至训练后的BP神经网络的均方差不再减小,停止增加通道的观测亮温,建立MWTS-II和MWHTS融合反演海面气压的最优通道组合;
步骤五:利用步骤四得到的最优通道组合的观测亮温反演得到海面气压。
对MWTS-II和MWHTS观测亮温按照时间误差小于0.2 s且经纬度误差小于0.01°的匹配规则进行匹配;对匹配得到的观测亮温按照值大于180K且小于310K的筛选规则进行质量控制,形成MWTS-II和MWHTS亮温匹配对。
使用海面气压与步骤一建立的亮温匹配对进行匹配,匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°,建立MWTS-II和MWHTS的亮温匹配对与海面气压的匹配数据集。
在匹配数据集中随机选择80%的匹配数据形成分析数据集,剩下20%的匹配数据形成验证数据集。
本发明所述步骤四具体包括:
以对反演海面气压贡献最大的通道的观测亮温为基础,按照步骤三中建立的28个通道的观测亮温对反演海面气压贡献由大到小的顺序,逐一增加通道的观测亮温,形成通道组合的观测亮温;以通道组合的观测亮温作为输入,以相对应的海面气压作为输出,训练BP神经网络;随着通道的观测亮温的增加,通道组合的观测亮温所对应的BP神经网络的均方差不再减小时,停止增加通道的观测亮温,此时的通道组合即为MWTS-II和MWHTS融合反演海面气压的最优通道组合。
本发明有益效果是:本发明以提高星载微波遥感数据反演海面气压的精度为目的,使用BP神经网络统计MWTS-II和MWHTS各个通道的观测亮温对反演海面气压的贡献,根据各个通道的观测亮温对反演海面气压贡献的大小排序,建立了MWTS-II和MWHTS融合反演海面气压的最优通道组合。本发明方法实现了融合60GHz和118GHz探测数据反演海面气压的目的,利用不同频段探测海面气压,获取了更为丰富的海面气压信息,与单一频段探测数据的反演结果相比,精度更高,且操作简单易行。
附图说明
图1为本发明的方法流程图;
图2为实施例1中MWHTS全部通道观测亮温、MWTS-II全部通道观测亮温、MWHTS全部通道观测亮温和MWTS-II全部通道观测亮温、最优通道组合观测亮温反演海面气压的精度对比图。
具体实施方式
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。
一种MWTS-II和MWHTS融合反演海面气压的方法,包括以下步骤:
步骤一:建立MWTS-II观测亮温和MWHTS观测亮温在时间和空间上的亮温匹配对。
步骤二:建立亮温匹配对与海面气压在时间和空间上的匹配数据集,并形成分析数据集和验证数据集。
步骤三:首先把分析数据集中MWTS-II 13个通道和MWHTS 15个通道的观测亮温分别作为输入,分析数据集中相对应的海面气压作为输出,形成28个训练数据集;然后利用28个训练数据集分别训练BP神经网络,其中,28个BP神经网络均使用三层BP神经网络结构,即一个输入层,一个输出层和一个隐藏层,通过调节BP神经网络中隐藏层神经元的个数,使代表BP神经网络训练性能的均方差最小;最后统计28个训练数据集所对应的28个BP神经网络的均方差,均方差值越小则表示该均方差所对应的通道的观测亮温对反演海面气压的贡献越大,以均方差的大小为依据,对28个通道的观测亮温对反演海面气压的贡献按照由大到小的顺序进行排序。
步骤四:以对反演海面气压贡献最大的通道的观测亮温为基础,按照步骤三中建立的28个通道的观测亮温对反演海面气压贡献由大到小的顺序,逐一增加通道的观测亮温,形成通道组合的观测亮温;以通道组合的观测亮温作为输入,以相对应的海面气压作为输出,训练BP神经网络;随着通道的观测亮温的增加,通道组合的观测亮温所对应的BP神经网络的均方差不再减小时,停止增加通道的观测亮温,此时的通道组合即为MWTS-II和MWHTS融合反演海面气压的最优通道组合。
步骤五:利用步骤四得到的最优通道组合的观测亮温反演得到海面气压。
所述步骤一,具体包括:对MWTS-II和MWHTS观测亮温按照时间误差小于0.2 s且经纬度误差小于0.01°的匹配规则进行匹配;对匹配得到的观测亮温按照值大于180K且小于310K的筛选规则进行质量控制,形成MWTS-II和MWHTS亮温匹配对。
所述步骤二,具体包括:
使用欧洲中期天气预报中心(ECMWF)再分析数据集ERA-Interim中的海面气压与步骤一建立的亮温匹配对进行匹配,匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°,建立MWTS-II和MWHTS的亮温匹配对与海面气压的匹配数据集;在匹配数据集中随机选择80%的匹配数据形成分析数据集,剩下20%的匹配数据形成验证数据集。
实施例1
使用风云三号D星MWTS-II和MWHTS观测亮温,时间范围是2018年9月至2019年8月,地理范围为(25°N—45°N,160°E—220°E)。把MWTS-II和MWHTS观测亮温数据按照时间误差小于0.2 s且经纬度误差小于0.01°的匹配规则进行匹配,然后对匹配数据中的观测亮温按照大于180K且小于310K的筛选规则进行质量控制,如果匹配数据中任一个观测亮温小于180K或者大于310K,那么舍弃该组匹配数据,最终形成MWTS-II和MWHTS亮温匹配对为1060162对。
使用欧洲中期天气预报中心(ECMWF)再分析数据集ERA-Interim中的海面气压,其时间范围是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°。把海面气压与步骤一建立的1060162对亮温匹配对进行匹配,匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°,建立MWTS-II和MWHTS亮温匹配对与海面气压的匹配数据集(386279组);在匹配数据集中随机选择80%的匹配数据形成分析数据集(309023组),剩下20%的匹配数据形成验证数据集(77256组)。
首先把分析数据集中MWTS-II 13个通道和MWHTS 15个通道的观测亮温分别作为输入,分析数据集中相对应的海面气压作为输出,形成28个训练数据集;然后利用28个训练数据集分别训练BP神经网络,其中,28个BP神经网络均使用三层BP神经网络结构,即一个输入层,一个输出层和一个隐藏层,通过调节BP神经网络中隐藏层神经元的个数,使代表BP神经网络训练性能的均方差最小;最后统计28个训练数据集所对应的28个BP神经网络的均方差,均方差值越小则表示该均方差所对应的通道的观测亮温对反演海面气压的贡献越大,以均方差的大小为依据,对28个通道的观测亮温对反演海面气压的贡献按照由大到小的顺序进行排序。28个通道的观测亮温对反演海面气压的贡献如表1所示。其中,MWTS-II的各个通道用MWTS-II-n表示,n=1,2,3…13;MWHTS的各个通道用MWHTS-m表示,m=1,2,3…15。28个通道的观测亮温对反演海面气压的贡献由大到小的排序如表1中序号所示。
表1 28个通道的观测亮温对反演海面气压的贡献排序
在分析数据集中,以对反演海面气压贡献最大的通道MWTS-II-7的观测亮温为基础,按照表1中所示的28个通道的观测亮温对反演海面气压贡献由大到小的顺序,即按照表1中的序号逐一增加通道的观测亮温,形成通道组合的观测亮温;以通道组合的观测亮温作为输入,以相对应的海面气压作为输出,训练BP神经网络。随着通道的逐一增加,当通道组合加入序号22所对应的通道MWTS-II-13后,新形成的通道组合观测亮温所训练的BP神经网络的均方差为10.24。当在该通道组合中继续加入序号23所对应的通道MWHTS-9时,那么对应的通道组合的观测亮温所训练的BP神经网络的均方差为12.4。按照表1中的序号继续增加通道后,所对应的通道组合的观测亮温所训练的BP神经网络的均方差继续变大。那么表1中序号1—序号 22所对应的通道组合,即通道组合:MWTS-II全部通道和MWHTS-3,MWHTS-4,MWHTS-5,MWHTS-7,MWHTS-8,MWHTS-10,MWHTS-13,MWHTS-14,MWHTS-15,为MWTS-II和MWHTS融合反演海面气压的最优通道组合。
分别使用分析数据集中MWHTS全部通道、MWTS-II全部通道、MWHTS全部通道和MWTS-II全部通道、最优通道组合所对应的观测亮温为输入,相应的海面气压为输出,训练BP神经网络;分别使用验证数据集中MWHTS全部通道、MWTS-II全部通道、MWHTS全部通道和MWTS-II全部通道、最优通道组合所对应的观测亮温输入到对应的已训练好的神经网络,分别获得对应的海面气压的反演值,计算海面气压反演值与验证数据集中对应的海面气压值之间的均方根误差,如图2所示。从图2中可以看出,验证数据集中MWHTS全部通道的观测亮温反演海面气压的精度为4.69 hPa;验证数据集中MWTS-II全部通道的观测亮温反演海面气压的精度为3.92 hPa;当使用验证数据集中MWHTS全部通道的观测亮温和MWTS-II全部通道的观测亮温一起反演海面气压时,可获得的精度为3.73 hPa;使用本发明方法建立的最优通道组合的观测亮温反演海面气压时,可获得的精度为3.19 hPa。虽然MWHTS全部通道的观测亮温和MWTS-II全部通道的观测亮温一起反演海面气压时,可获得较MWHTS或者MWTS-II较高的精度,但是相比较而言,本发明方法建立的最优通道组合的观测亮温反演海面气压的精度可进一步提高0.5 hPa。
Claims (4)
1.一种MWTS-II和MWHTS融合反演海面气压的方法,其特征在于,包括以下步骤:
步骤一:建立MWTS-II观测亮温和MWHTS观测亮温在时间和空间上的亮温匹配对;
步骤二:建立亮温匹配对与海面气压在时间和空间上的匹配数据集,并将匹配数据集分为分析数据集和验证数据集;
步骤三:分析数据集中MWTS-II 的13个通道的观测亮温和MWHTS的 15个通道的观测亮温分别作为输入,相应的分析数据集的海面气压作为输出,形成28个训练数据集并分别训练BP神经网络,统计每个训练数据集训练BP神经网络后的均方差,以均方差的大小为依据,对28个通道的观测亮温对反演海面气压的贡献按照由大到小的顺序进行排序;
步骤四:以对反演海面气压贡献最大的通道的观测亮温为基础,按照步骤三中建立的28个通道的观测亮温对反演海面气压贡献由大到小的顺序,逐一增加通道的观测亮温,形成通道组合的观测亮温;以通道组合的观测亮温作为输入,以相对应的海面气压作为输出,训练BP神经网络;随着通道的观测亮温的增加,通道组合的观测亮温所对应的BP神经网络的均方差不再减小时,停止增加通道的观测亮温,此时的通道组合即为MWTS-II和MWHTS融合反演海面气压的最优通道组合;
步骤五:利用步骤四得到的最优通道组合的观测亮温反演得到海面气压。
2.根据权利要求1所述的一种MWTS-II和MWHTS融合反演海面气压的方法,其特征在于:对MWTS-II和MWHTS观测亮温按照时间误差小于0.2 s且经纬度误差小于0.01°的匹配规则进行匹配;对匹配得到的观测亮温按照值大于180K且小于310K的筛选规则进行质量控制,形成MWTS-II和MWHTS亮温匹配对。
3.根据权利要求1所述的一种MWTS-II和MWHTS融合反演海面气压的方法,其特征在于:使用海面气压与步骤一建立的亮温匹配对进行匹配,匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°,建立MWTS-II和MWHTS的亮温匹配对与海面气压的匹配数据集。
4.根据权利要求1所述的一种MWTS-II和MWHTS融合反演海面气压的方法,其特征在于:在匹配数据集中随机选择80%的匹配数据形成分析数据集,剩下20%的匹配数据形成验证数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104191.8A CN112254866B (zh) | 2020-10-15 | 2020-10-15 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104191.8A CN112254866B (zh) | 2020-10-15 | 2020-10-15 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112254866A CN112254866A (zh) | 2021-01-22 |
CN112254866B true CN112254866B (zh) | 2022-08-02 |
Family
ID=74242328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011104191.8A Active CN112254866B (zh) | 2020-10-15 | 2020-10-15 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112254866B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822345B (zh) * | 2021-09-09 | 2024-03-29 | 南京中科逆熵科技有限公司 | 一种融合mwhts和mwts-ii反演云水含量的方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651934A (zh) * | 2020-05-25 | 2020-09-11 | 华中科技大学 | 一种冰云廓线反演方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7353690B2 (en) * | 2005-01-24 | 2008-04-08 | Radiometrics Corporation | Atmospheric refractivity profiling apparatus and methods |
CN102589714A (zh) * | 2012-02-23 | 2012-07-18 | 南昌航空大学 | 一种基于高压气体瑞利-布里渊散射频谱测量温度的装置 |
WO2014194482A1 (zh) * | 2013-06-05 | 2014-12-11 | 中国科学院微电子研究所 | 基于压缩感知理论的气体识别方法 |
CN107870043A (zh) * | 2017-10-25 | 2018-04-03 | 中国科学院国家空间科学中心 | 一种海表参数同步反演优化方法 |
CN108051872B (zh) * | 2017-12-13 | 2020-03-24 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于地基微波辐射计反演云中水汽相变过程的方法和装置 |
CN108827878B (zh) * | 2018-04-08 | 2021-05-18 | 中国科学院国家空间科学中心 | 一种地表气压的被动微波遥感探测方法 |
CN109580003B (zh) * | 2018-12-18 | 2021-01-12 | 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 |
CN110826693B (zh) * | 2019-10-29 | 2022-10-14 | 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*** |
-
2020
- 2020-10-15 CN CN202011104191.8A patent/CN112254866B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651934A (zh) * | 2020-05-25 | 2020-09-11 | 华中科技大学 | 一种冰云廓线反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112254866A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446739B (zh) | 一种地表温度多通道热红外遥感反演方法 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN110826693B (zh) | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和*** | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
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 | |
CN108827878B (zh) | 一种地表气压的被动微波遥感探测方法 | |
CN111737912B (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
CN101936877A (zh) | 从modis数据反演大气水汽含量方法 | |
CN112254866B (zh) | 一种mwts-ii和mwhts融合反演海面气压的方法 | |
CN110378387B (zh) | 基于风云四号卫星和地基毫米波雷达的云底高度监测方法 | |
AU2021105183A4 (en) | A Method for Estimating Near-surface Air Temperature From Remote Sensing Data Based on Machine Learning | |
CN101655564A (zh) | 从modis数据反演地表温度和发射率方法 | |
CN113552080A (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
CN116297068A (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及*** | |
CN115758667A (zh) | 一种联合探测反演海上大气温湿廓线方法 | |
Zhao et al. | Comparison of two split-window methods for retrieving land surface temperature from MODIS data | |
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 | |
Niu et al. | Performances between the FY‐4A/GIIRS and FY‐4B/GIIRS long‐wave infrared (LWIR) channels under clear‐sky and all‐sky conditions | |
Zeng et al. | Preliminary evaluation of the atmospheric infrared sounder water vapor over China against high‐resolution radiosonde measurements | |
CN110991087A (zh) | 一种基于多入射角组网sar卫星数据的风场反演方法及*** | |
CN102495943B (zh) | 地球物理模型建模方法 | |
Tian et al. | Cloud detection and classification for S-NPP FSR CRIS data using supervised machine learning | |
Zhigang et al. | Retrieving atmospheric temperature profiles from AMSU-A data with neural networks | |
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*** |
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 |