CN113822345B - 一种融合mwhts和mwts-ii反演云水含量的方法及*** - Google Patents
一种融合mwhts和mwts-ii反演云水含量的方法及*** Download PDFInfo
- Publication number
- CN113822345B CN113822345B CN202111058386.8A CN202111058386A CN113822345B CN 113822345 B CN113822345 B CN 113822345B CN 202111058386 A CN202111058386 A CN 202111058386A CN 113822345 B CN113822345 B CN 113822345B
- Authority
- CN
- China
- Prior art keywords
- water content
- cloud water
- mwhts
- mwts
- data set
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 26
- 230000004927 fusion Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提出了一种融合MWHTS和MWTS‑II的云水含量反演方法,建立MWHTS观测亮温和MWTS‑II观测亮温在时间和空间上的亮温匹配对;建立亮温匹配对和云水含量在时间和空间上的匹配数据集,形成分析数据集;分别计算分析数据集中MWHTS和MWTS‑II所有通道的观测亮温与云水含量的相关系数,根据相关系数建立反演通道组合;把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相应的云水含量作为深度神经网络的输出,训练深度神经网络;计算测试数据集中反演通道组合的观测亮温输入已训练好的深度神经网络,获取云水含量的反演值。本发明反演精度更高,且操作简单易行。
Description
技术领域
本发明涉及微波遥感技术,具体涉及一种融合MWHTS和MWTS-II反演云水含量的方法及***。
背景技术
云水含量作为大气科学领域中基本的气象参数,在星载微波遥感大气的理论研究和应用研究中发挥着重要作用。微波在云中传输时会受到云水的吸收和散射作用,在微波辐射计的研制和验证阶段,微波辐射计的通道设置以及模拟研究中需要定量考虑云水辐射带来的影响。同时,云水含量可用于晴空、有云和有雨的大气条件的分类,进而服务于微波辐射计观测数据的应用研究。另外,云水含量在全球水循环、大气化学以及全球气候变化研究等应用中具有重要作用。因此,高精度云水含量的获取一直是大气科学领域较为关注的热点之一。
星载微波辐射计设置在22.235GHz或者183.31GHz水汽吸收谱线附近的水汽探测通道可实现云水含量的全球密集探测,目前,在22.235GHz或183.31GHz频段设置水汽探测通道的微波湿温探测仪(MWHTS)、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云水含量的探测。然而,在自然气候中,大气水汽参数与大气温度是具有强相关性的,设置在60GHz和118.75GHz氧气吸收频段的温度探测通道的探测数据中也含有水汽的探测信息,因此,融合温度探测通道的探测数据和水汽探测通道的探测数据反演云水含量有望获得更加丰富的云水含量的探测信息,进而获得更高的云水含量的反演精度。
对于星载微波辐射计探测云水含量而言,受星载平台的限制,目前尚未实现60GHz、118GHz和183.31GHz三个频段的探测数据对云水含量的反演。搭载于风云三号D星的MWTS-II,其全部13个温度探测通道均设置在60GHz氧气吸收频段,搭载在相同卫星平台的MWHTS,其8个温度探测通道设置在118.75GHz氧气吸收频段,2个通道设置在窗区频段,5个水汽探测通道设置在183.31GHz水汽吸收线附近。MWTS-II和MWHTS的在轨运行为融合60GHz、118.75GHz以及183.31GHz频段的探测数据反演云水含量提供了可能。因此,有必要发明一种融合MWHTS和MWTS-II反演云水含量的方法,根据MWHTS和MWTS-II各个通道的观测亮温与云水含量的相关性,建立融合MWHTS和MWTS-II反演云水含量的反演通道组合,该方法可获得较单一星载微波辐射计反演云水含量更高的反演精度,且操作简单易行。
发明内容
本发明的目的在于提出一种融合MWHTS和MWTS-II反演云水含量的方法及***。
实现本发明目的的技术解决方案为:一种融合MWHTS和MWTS-II的云水含量反演方法,包括以下步骤:
步骤一:建立MWHTS观测亮温和MWTS-II观测亮温在时间和空间上的亮温匹配对;
步骤二:建立亮温匹配对和云水含量在时间和空间上的匹配数据集,形成分析数据集;
步骤三:分别计算分析数据集中MWHTS和MWTS-II所有通道的观测亮温与云水含量的相关系数,根据相关系数建立反演通道组合;
步骤四:把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相应的云水含量作为深度神经网络的输出,训练深度神经网络;
步骤五:计算测试数据集中反演通道组合的观测亮温输入已训练好的深度神经网络,获取云水含量的反演值。
进一步的,所述步骤一,具体包括:
对MWHTS观测亮温和MWTS-II观测亮温中小于180K或大于310K的异常值进行滤除;把滤除异常值后的MWHTS观测亮温和MWTS-II观测亮温按照时间误差小于0.2s且经纬度误差小于0.01°的匹配规则进行匹配,获得亮温匹配对。
进一步的,所述步骤二,具体包括:
使用气候学数据集中的云水含量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0.5h且经纬度误差小于0.1°,建立亮温匹配对和云水含量的匹配数据集,即形成分析数据集。
进一步的,所述步骤三,具体包括:
针对分析数据集中MWHTS所有15个通道的观测亮温和MWTS-II所有13个通道的观测亮温分别计算与云水含量的相关系数,共计28个相关系数,并求这28个相关系数的绝对值;设置阈值为0.1,从这28个相关系数的绝对值中选择大于0.1的值所对应的通道,组成反演通道组合。
进一步的,所述步骤四,具体包括:
首先搭建包含一个输入层,一个隐藏层和一个输出层的三层深度神经网络结构,输入层用于输入反演通道组合的观测亮温,隐藏层用于非线性计算,输出层用于输出云水含量,其中输入层神经元的个数与反演通道组合中的通道数目相等,隐藏层神经元个数为512,输出层神经元个数为1;然后把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相对应的云水含量作为深度神经网络的输出,对深度神经网络进行训练,训练过程中采用误差后向传输的学习算法,隐藏层中采用ReLU函数作为激活函数,训练次数设置为1000次。
一种融合MWHTS和MWTS-II云水含量反演***,基于所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
本发明与现有技术相比,其显著优点为:1)充分利用了大气水汽参数与大气温度的相关性,提高了星载微波遥感云水含量的反演精度;2)利用多个频段探测云水含量,获取了更为丰富的云水含量的探测信息,与单一星载微波辐射计的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是本发明融合MWHTS和MWTS-II反演云水含量的方法流程图;
图2是基于MWHTS全部通道的观测亮温、MWTS-II全部通道的观测亮温和反演通道组合的观测亮温反演云水含量的反演精度对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,一种融合MWHTS和MWTS-II的云水含量反演方法,包括以下步骤:
步骤一:建立MWHTS观测亮温和MWTS-II观测亮温在时间和空间上的亮温匹配对;
对MWHTS观测亮温和MWTS-II观测亮温中小于180K或大于310K的异常值进行滤除;把滤除异常值后的MWHTS观测亮温和MWTS-II观测亮温按照时间误差小于0.2s且经纬度误差小于0.01°的匹配规则进行匹配,获得亮温匹配对。
步骤二:建立亮温匹配对和云水含量在时间和空间上的匹配数据集,形成分析数据集;
使用气候学数据集中的云水含量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0.5h且经纬度误差小于0.1°,建立亮温匹配对和云水含量的匹配数据集,即形成分析数据集。
步骤三:分别计算分析数据集中MWHTS和MWTS-II所有通道的观测亮温与云水含量的相关系数,根据相关系数建立反演通道组合;
针对分析数据集中MWHTS所有15个通道的观测亮温和MWTS-II所有13个通道的观测亮温分别计算与云水含量的相关系数,共计28个相关系数,并求这28个相关系数的绝对值;设置阈值为0.1,从这28个相关系数的绝对值中选择大于0.1的值所对应的通道,组成反演通道组合。
步骤四:把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相应的云水含量作为深度神经网络的输出,训练深度神经网络;
首先搭建包含一个输入层,一个隐藏层和一个输出层的三层深度神经网络结构,输入层用于输入反演通道组合的观测亮温,隐藏层用于非线性计算,输出层用于输出云水含量,其中输入层神经元的个数与反演通道组合中的通道数目相等,隐藏层神经元个数为512,输出层神经元个数为1;然后把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相对应的云水含量作为深度神经网络的输出,对深度神经网络进行训练,训练过程中采用误差后向传输的学习算法,隐藏层中采用ReLU函数作为激活函数,训练次数设置为1000次。
步骤五:计算测试数据集中反演通道组合的观测亮温输入已训练好的深度神经网络,获取云水含量的反演值。
本发明还提出一种融合MWHTS和MWTS-II云水含量反演***,基于所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
综上所述,本发明根据MWHTS和MWTS-II各个通道的观测亮温与云水含量的相关性,建立融合MWHTS和MWTS-II反演云水含量的反演通道组合,该方法可获得较单一星载微波辐射计反演云水含量更高的反演精度,且操作简单易行。
实施例
为了验证本发明方案的有效性,进行如下仿真实验。
使用地理范围为(25°N—45°N,160°E—220°E),时间范围为2018年9月至2019年2月的FY-3D的MWHTS观测亮温和MWTS-II观测亮温反演云水含量。对MWHTS观测亮温和MWTS-II观测亮温中小于180K或者大于310K的异常值进行滤除,对滤除异常值的MWHTS观测亮温和MWTS-II观测亮温按照时间误差小于0.2s且经纬度误差小于0.01°的匹配规则进行匹配,获得亮温匹配对,共计520135对。
使用欧洲中期天气预报中心的数据集ERA-Interim中的云水含量与亮温匹配对建立匹配数据集,其中,选择使用云水含量的地理范围为(25°N—45°N,160°E—220°E),时间范围为2018年9月至2019年2月,数据分辨率为0.5°×0.5°。把步骤一获得的520135对亮温匹配对与云水含量进行匹配,匹配规则是时间误差小于0.5h且经纬度误差小于0.1°,进而建立包含MWHTS观测亮温、MWTS-II观测亮温和云水含量的匹配数据集,共计包含270052组匹配数据;在匹配数据集中随机选择80%的匹配数据形成分析数据集(216042组),剩下20%的匹配数据形成测试数据集(54010组)。
计算分析数据集中MWHTS所有15个通道的观测亮温和MWTS-II所有13个通道的观测亮温分别与云水含量的相关系数,共计28个相关系数,并求这28个相关系数的绝对值。其中,MWHTS所有15个通道的观测亮温与云水含量的相关系数的绝对值如表1所示,MWTS-II所有13个通道的观测亮温与云水含量的相关系数的绝对值如表2所示。
表1 MWHTS 15个通道的观测亮温与云水含量的相关系数的绝对值
表2 MWTS-II 13个通道的观测亮温与云水含量的相关系数的绝对值
从表1和表2可用看出,设置在60GHz频段的MWTS-II温度探测通道1-3的观测亮温与云水含量的相关系数,与设置在183.31GHz频段的MWHTS水汽探测通道11-15的观测亮温与云水含量的相关系数的值相当,另外,设置在118.75GHz频段的MWHTS温度探测通道9的观测亮温与云水含量也具有一定的相关性。可见设置在60GHz和118.75GHz频段的温度探测通道的观测亮温中也具有云水含量的探测信息,可用于云水含量的反演。
以0.1作为阈值,从这28个相关系数的绝对值中选择大于0.1的值所对应的通道,组成反演通道组合。反演通道组合为:MWHTS通道1,MWHTS通道9,MWHTS通道11-15,MWTS-II通道1-3,共计10个通道。
搭建包含一个输入层,一个隐藏层和一个输出层的三层深度神经网络结构,输入层用于输入反演通道组合的观测亮温,隐藏层用于非线性计算,输出层用于输出云水含量,其中输入层神经元的个数与反演通道组合中的通道数目相等,为10,隐藏层神经元个数为512,输出层神经元个数为1;把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相对应的云水含量作为深度神经网络的输出,对深度神经网络进行训练,训练过程中采用误差后向传输的学习算法,隐藏层中采用ReLU函数作为激活函数,训练次数设置为1000次;最后把测试数据集中反演通道组合的观测亮温输入已训练好的深度神经网络,获取云水含量的反演值。
为了对比本发明方法对云水含量的反演结果,分别使用MWHTS所有15个通道的观测亮温和MWTS-II所有13个通道的观测亮温取代步骤四中反演通道组合的观测亮温进行深度神经网络的训练,并获取相应的云水含量的反演值。以验证数据集中的云水含量与云水含量的反演值之间的均方根误差作为评价云水含量反演精度的定量标准。MWHTS所有15个通道的观测亮温、MWTS-II所有13个通道的观测亮温和反演通道组合的观测亮温反演云水含量的反演结果对比,如图2所示。
从图2可用看出,MWHTS对云水含量的反演精度为0.085mm,MWTS-II对云水含量的反演精度为0.112mm,本发明方法建立的反演通道组合对云水含量的反演精度为0.073mm。可见,与MWHTS或MWTS-II相比,本发明方法可获得更高的云水含量的反演精度。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种融合MWHTS和MWTS-II的云水含量反演方法,其特征在于,包括以下步骤:
步骤一:建立MWHTS观测亮温和MWTS-II观测亮温在时间和空间上的亮温匹配对;
步骤二:建立亮温匹配对和云水含量在时间和空间上的匹配数据集,形成分析数据集;
步骤三:分别计算分析数据集中MWHTS和MWTS-II所有通道的观测亮温与云水含量的相关系数,根据相关系数建立反演通道组合;
步骤四:把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相应的云水含量作为深度神经网络的输出,训练深度神经网络;
步骤五:计算测试数据集中反演通道组合的观测亮温输入已训练好的深度神经网络,获取云水含量的反演值;
所述步骤一,具体包括:
对MWHTS观测亮温和MWTS-II观测亮温中小于180K或大于310K的异常值进行滤除;把滤除异常值后的MWHTS观测亮温和MWTS-II观测亮温按照时间误差小于0.2s且经纬度误差小于0.01°的匹配规则进行匹配,获得亮温匹配对;
所述步骤二,具体包括:
使用气候学数据集中的云水含量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0.5h且经纬度误差小于0.1°,建立亮温匹配对和云水含量的匹配数据集,即形成分析数据集;
所述步骤三,具体包括:
针对分析数据集中MWHTS所有15个通道的观测亮温和MWTS-II所有13个通道的观测亮温分别计算与云水含量的相关系数,共计28个相关系数,并求这28个相关系数的绝对值;设置阈值为0.1,从这28个相关系数的绝对值中选择大于0.1的值所对应的通道,组成反演通道组合;
所述步骤四,具体包括:
首先搭建包含一个输入层,一个隐藏层和一个输出层的三层深度神经网络结构,输入层用于输入反演通道组合的观测亮温,隐藏层用于非线性计算,输出层用于输出云水含量,其中输入层神经元的个数与反演通道组合中的通道数目相等,隐藏层神经元个数为512,输出层神经元个数为1;然后把分析数据集中反演通道组合的观测亮温作为深度神经网络的输入,分析数据集中相对应的云水含量作为深度神经网络的输出,对深度神经网络进行训练,训练过程中采用误差后向传输的学习算法,隐藏层中采用ReLU函数作为激活函数,训练次数设置为1000次。
2.一种融合MWHTS和MWTS-II云水含量反演***,其特征在于,基于权利要求1所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
3.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
4.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1所述的融合MWHTS和MWTS-II的云水含量反演方法,实现融合MWHTS和MWTS-II的云水含量反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058386.8A CN113822345B (zh) | 2021-09-09 | 2021-09-09 | 一种融合mwhts和mwts-ii反演云水含量的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058386.8A CN113822345B (zh) | 2021-09-09 | 2021-09-09 | 一种融合mwhts和mwts-ii反演云水含量的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822345A CN113822345A (zh) | 2021-12-21 |
CN113822345B true CN113822345B (zh) | 2024-03-29 |
Family
ID=78921852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058386.8A Active CN113822345B (zh) | 2021-09-09 | 2021-09-09 | 一种融合mwhts和mwts-ii反演云水含量的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822345B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486820A (zh) * | 2021-12-29 | 2022-05-13 | 天津市人工影响天气办公室 | 一种机载微波辐射计云中过冷水的反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN112254866A (zh) * | 2020-10-15 | 2021-01-22 | 洛阳师范学院 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
CN112329334A (zh) * | 2020-10-15 | 2021-02-05 | 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 |
CN113311509A (zh) * | 2021-05-11 | 2021-08-27 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12001949B2 (en) * | 2018-09-05 | 2024-06-04 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for data analysis |
-
2021
- 2021-09-09 CN CN202111058386.8A patent/CN113822345B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN112254866A (zh) * | 2020-10-15 | 2021-01-22 | 洛阳师范学院 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
CN112329334A (zh) * | 2020-10-15 | 2021-02-05 | 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 |
CN113311509A (zh) * | 2021-05-11 | 2021-08-27 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113822345A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kay et al. | Recent advances in Arctic cloud and climate research | |
Jiang et al. | Widespread increase of boreal summer dry season length over the Congo rainforest | |
Hsu et al. | Retrieving near‐global aerosol loading over land and ocean from AVHRR | |
Yasunari et al. | Impact of snow darkening via dust, black carbon, and organic carbon on boreal spring climate in the Earth system | |
Tobin et al. | Use of Atmospheric Infrared Sounder high–spectral resolution spectra to assess the calibration of Moderate resolution Imaging Spectroradiometer on EOS Aqua | |
CN111737912B (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
Prigent et al. | Land surface skin temperatures from a combined analysis of microwave and infrared satellite observations for an all‐weather evaluation of the differences between air and skin temperatures | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
Liu et al. | Mapping the FTS SWIR L2 product of XCO2 and XCH4 data from the GOSAT by the Kriging method–a case study in East Asia | |
Chemke et al. | Linking midlatitudes eddy heat flux trends and polar amplification | |
Xian et al. | All‐sky assimilation of the MWHS‐2 observations and evaluation the impacts on the analyses and forecasts of binary typhoons | |
Cai et al. | Observation of postsunset OI 135.6 nm radiance enhancement over South America by the GOLD mission | |
CN113822345B (zh) | 一种融合mwhts和mwts-ii反演云水含量的方法及*** | |
Trent et al. | GEWEX water vapor assessment: Validation of AIRS tropospheric humidity profiles with characterized radiosonde soundings | |
Lim et al. | Tropical cyclone forecasts impact assessment from the assimilation of hourly visible, shortwave, and clear-air water vapor atmospheric motion vectors in HWRF | |
CN112329334A (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
CN113408111A (zh) | 大气可降水量反演方法及***、电子设备和存储介质 | |
Strabala | MODIS cloud mask user's guide | |
Alcântara et al. | Modeling the spatio-temporal dissolved organic carbon concentration in Barra Bonita reservoir using OLI/Landsat-8 images | |
Singh et al. | Assimilation of Kalpana very high resolution radiometer water vapor channel radiances into a mesoscale model | |
Kanzawa et al. | Validation and data characteristics of water vapor profiles observed by the Improved Limb Atmospheric Spectrometer (ILAS) and processed with the version 5.20 algorithm | |
Bhattacharya et al. | Assessing solar energy potential using diurnal remote-sensing observations from Kalpana-1 VHRR and validation over the Indian landmass | |
Salazar et al. | Estimation of daily average values of the Ångström turbidity coefficient β using a Corrected Yang Hybrid Model | |
Li et al. | Toward improved satellite estimates of short‐wave radiative fluxes—Focus on cloud detection over snow: 1. Methodology | |
CN114943188B (zh) | 基于随机森林模型的积雪深度反演方法及装置 |
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 |