CN114970663A - 基于神经网络的微波辐射计的近岸海面温度反演方法 - Google Patents

基于神经网络的微波辐射计的近岸海面温度反演方法 Download PDF

Info

Publication number
CN114970663A
CN114970663A CN202210223805.7A CN202210223805A CN114970663A CN 114970663 A CN114970663 A CN 114970663A CN 202210223805 A CN202210223805 A CN 202210223805A CN 114970663 A CN114970663 A CN 114970663A
Authority
CN
China
Prior art keywords
temperature
neural network
offshore
microwave radiometer
sea
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.)
Pending
Application number
CN202210223805.7A
Other languages
English (en)
Inventor
王士帅
殷晓斌
管磊
何明耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202210223805.7A priority Critical patent/CN114970663A/zh
Publication of CN114970663A publication Critical patent/CN114970663A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明被动微波遥感技术领域。针对传统微波辐射计亮温无法正确反演近岸海温的问题，提出一种基于基神经网络模型的微波辐射计近岸海温反演方法，包括：选取陆地百分比为大于0％小于50％的且无海冰、无降雨的亮温数据；利用所述亮温数据与海面温度实测辅助数据进行时空匹配，获取多频亮温‑海温匹配数据集，作为模型训练的输入数据；初始化径向基神经网络模型，根据输入的匹配数据集，利用网格搜索法确定该神经网络模型针对微波辐射计在近岸海温反演中的最佳参数设置；使用该最佳参数构建出适用于近岸微波辐射计海温反演的径向基神经网络模型。该反演方法解决了常规海温反演方法在近岸区域反演效果差的问题，具有计算速度快、精度高的优势。

Description

基于神经网络的微波辐射计的近岸海面温度反演方法
技术领域
本发明属于被动微波遥感技术领域，特别涉及基于神经网络模型的微波辐射计的近岸海面温度反演方法。
背景技术
海表面温度是影响全球气候变化与长期天气过程的主要因素之一，对全球水循环和全球表面的能量收支平衡具有重要作用。随着人类活动不断向海洋区域扩展，对高空间分辨率、高时间分辨率以及高全球覆盖率的海温产品的获取越来越受到人们的重视。传统的海表温度测量方法主要包括船舶、岸基和海上浮标监测等，这些方式可以直接获得实时海温测量数据，然而受观测成本、人力成本以及天气状况等因素的影响，这些传统的观测方法无法满足空间分布连续性以及时间分布连续性的需求，也很难获得全球范围内的海表面温度产品。
遥感技术的发展使获取全球范围内高时间分辨率、高空间分辨率的海表面温度成为可能。遥感卫星测量海面温度的载荷主要包括红外辐射计和微波辐射计，二者都可以提供覆盖全球、高空间和时间分辨率的海表温度。但是红外辐射计受水汽和云的影响，容易造成数据覆盖空洞。相反，微波辐射计可以穿透较薄的云层，能够对海表温度进行全天候、全天时不间断的观测。然而微波辐射计获取全球海温也存在自身的问题，因为微波辐射计反演海面温度主要依靠低频通道(如6GHz和10GHz)，相对于高频通道，其空间分辨率更低，也就是每个观测点的地面覆盖范围更大。这就导致微波辐射计亮温在进行近岸或者近海冰的观测时，容易受到陆地或者海冰的污染，从而无法获取正确的海温。常规的做法是使用陆地外扩的掩码将靠近陆地或海冰50-200km以内的亮温数据剔除，只反演开阔海域的海温，这就导致了近岸或近海冰的大片海域没有海温反演结果。而近岸海域是人类生产生活的主要区域，近岸海温的获取对于海洋生态环境、滨海旅游业、海水养殖业等尤为重要。因此，亟需解决微波辐射计亮温在近岸区域受陆地污染，无法正确反演近岸海温的问题。
发明内容
传统的多频微波辐射计海温反演方法仅适用于开阔海域，并且对近岸场景进行物理建模困难，因此无法基于多频微波辐射计快速、准确的获取近岸海温。针对上述问题，本发明提供了一种基于神经网络的多频微波辐射计近岸海温反演方法，通过构建出一个适用于微波辐射计近岸海温反演的神经网络模型，能够快速、准确的获取离岸0～200km以内的海温，能有效避免物理算法的复杂以及传统方法的缺点。
为了实现上述目的，本发明提供了一种基于神经网络模型的多频微波辐射计近岸海温反演方法。该方法包括：
步骤(1)读取多频微波辐射计亮温观测数据，选取陆地百分比为大于0％小于50％的且无海冰、无降雨的亮温数据；
步骤(2)使用步骤(1)中选取的亮温数据与实测海温辅助数据进行时空匹配，得到近岸区域的多频亮温和海温数据的匹配数据集；
步骤(3)初始化径向基神经网络模型，将步骤(2)中得到的匹配数据集作为模型训练的输入数据；
步骤(4)使用网格化搜索确定模型的关键参数，得到适用于近岸微波辐射计海温反演的径向基神经网络模型，并基于所述模型，利用多频微波辐射计亮温观测数据反演近岸海温。
进一步的，还包括：步骤(5)使用新的微波辐射计亮温数据验证步骤(4)得到的径向基神经网络模型的近岸海温反演精度。
进一步的，所述实测海温辅助数据选取iQuam实测海温数据集。
进一步的，所述步骤(2)进行时空匹配的方法具体包括：确定空间窗口和时间窗口的大小，筛选出空间窗口的所有匹配点，计算公式如下：
Figure BDA0003534824500000021
a＝Lat1-Lat2
b＝Long1-Long2
其中，S表示根据两种数据源的观测点的经纬度之间的距离，Lat1和Long1为亮温数据的观测点对应的经纬度；Lat2和Long2为实测海温辅助数据的观测点对应的经纬度；R为地球半径；
再对这些匹配点进行时间窗口筛选，计算公式如下：
T＝Scantime-obser_time
其中，Scantime为亮温数据对应的观测时间，obser_time为实测海温辅助数据对应的观测时间。
进一步的，空间窗口选择25km，时间窗口选择30min，筛选出所有S小于25km的匹配点，再从这些匹配点中筛选出T小于30min的观测位置为匹配数据集。
进一步的，所述步骤(3)具体包括，根据多频微波辐射计近岸海温反演的特点，假设输入向量是一个d维的向量
Figure BDA0003534824500000022
输出为一个实值，则构建初始化径向基神经网络模型为：
Figure BDA0003534824500000023
其中q为隐层的神经元个数；ci为隐层神经元i对应的中心，可由；ωi为隐层神经元i对应的权重，ρ(x，ci)是径向基函数，定义为样本x与中心ci之间的欧式距离。
进一步的，所述ρ(x，ci)为高斯径向基函数，公式：
Figure BDA0003534824500000031
βi为与方差相关的扩展因子；
使用最小二乘的损失函数表示：
Figure BDA0003534824500000032
yi表示训练集对应的标签值，即真值，P表示训练集的个数；
模型求解的参数有3个：ci、βi以及ωi。
进一步的，所述步骤(4)具体包括：使用网格搜索算法，对所有可能的参数取值进行排列组合，计算所有组合的结果生成网格，寻找到精度最高的参数组合，该参数组合即为适用于多频微波辐射计近岸海温反演的最佳模型参数。
进一步的，所述最佳模型参数为：6.925GHz-H、6.925GHz-V、10.7GHz-H、10.7GHz-V、18.7GHz-H、18.7GHz-V、23.8GHz-V、37.0GHz-H、37.0GHz-V、Lat_of_Observation_Point、Long_of_Observation_Point及Scan_Time。
进一步的，所述步骤(5)具体包括：验证步骤(4)最佳径向基神经网络模型输出反演的近岸海温偏差Bias、反演的近岸海温均方根误差RMSE和相关系数R的统计信息，其中的近岸海温精度RMSE为：
Figure BDA0003534824500000033
平均偏差Bias为：
Figure BDA0003534824500000034
相关系数R为：
Figure BDA0003534824500000035
N为样本个数，Ai表示反演值，Bi表示为现场测量值或者真实值，
Figure BDA0003534824500000036
表示N个A的均值，
Figure BDA0003534824500000037
表示N个B的均值。
本发明的有益效果如下：
1、使用陆地百分比标识，精确地选取受陆地污染的亮温，基于该亮温训练适用于近岸海域的海温反演模型，具有反演速度快、精度高的优势；
2、本发明将径向基神经网络应用于多频微波辐射计近岸海温反演的方法研究中，相比于传统的多频微波辐射计海温反演方法，该反演方法弥补了微波辐射计在近岸海域海温反演的空白；
3、本发明提出的基于径向基神经网络模型的多频微波辐射计近岸海温反演方法能有效避免物理算法的计算复杂、耗时及针对近岸场景的模型缺乏的问题。
附图说明
图1为实施例基于神经网络的多频微波辐射计近岸海温反演流程图。
图2为实施例构建的适用于多频微波辐射计近岸海温反演的模型。
图3为实施例构建的径向基神经网络模型反演的SMR全球近岸海温分布。
图4为实施例构建的径向基神经网络模型反演的SMR近岸海温与iQuam实测海温对比散点图。
图5为统计回归法反演的SMR近岸海温与iQuam实测海温对比散点图。
具体实施方式
下面结合具体实施例对本发明做进一步详细说明。
实施例
本实施例详细介绍基于神经网络的多频微波辐射计近岸海温反演方法。本实施例的多频微波辐射计亮温数据选取HY-2B卫星的扫描微波辐射计(SMR)多频亮温数据(https://osdd s.nsoas.org.cn/#/)；海温实测辅助数据选取NOAA提供的iQuam实测海温数据集(http://www.star.nesdis.noaa.gov/sod/sst/iquam/index.html)。
如图1所示，该方法首先基于SMR的多频亮温数据，使用亮温数据对应的质量标识选取质量合格的亮温数据，使用海冰标识和降雨标识选取晴空无冰的海洋区域，使用陆地百分比标识选取陆地百分比为0％～50％的近岸海域，即扫描点的观测视场里存在陆地，但陆地比例小于50％，这样就保证了选取的每一个亮温观测点为陆地和海洋的混合且海洋区域大于陆地区域；
其次使用iQuam实测海温辅助数据与筛选后的SMR多频亮温数据进行时空匹配，时间窗口选择30min，空间窗口选择25km，形成近岸海域的亮温-海温匹配数据集；
然后初始化径向基神经网络模型，将近岸海域的亮温-海温匹配数据集作为模型输入，使用网格化搜索确定模型的最佳参数，基于最佳模型参数设置建立一种适用于多频微波辐射计近岸海温反演的模型。
接着将新的近岸SMR亮温数据和相关海温实测辅助数据一起代入建立的近岸海温反演模型中，反演近岸海温。
最后评估海温反演精度，并使用传统的统计回归法作为对比实验同步反演SMR近岸海温，对两种方法反演的结果进行对比评估。
本实施例所用数据集的时间跨度是2020年10月到2020年11月，其中2020年10月的数据作为模型的训练数据和测试数据，2020年11月的数据作为模型的验证数据。结果表明本发明提出的方法可以有效获取近岸海面温度信息。
下面对本实施例的基于神经网络的多频微波辐射计近岸海温反演方法的具体工作过程做详细说明。
步骤(1)读取多频微波辐射计SMR亮温观测数据，根据数据质量标识、陆地百分比标识、海冰标识、降雨标识等，选取陆地百分比为大于0％小于50％的且无海冰、无降雨的亮温观测数据。
步骤(2)使用步骤(1)中选取的SMR亮温数据与实测海温辅助数据iQuam进行时空匹配，得到近岸区域的多频亮温和海温数据匹配数据集。其中，时间窗口选择30min，空间窗口选择25km。
将两种待匹配的数据源进行空间匹配的具体方法为：根据SMR亮温观测点的经纬度和iQuam实测海温的经纬度，计算两个经纬度之间的距离，计算公式如下：
Figure BDA0003534824500000051
a＝Lat1-Lat2
b＝Long1-Long2
其中，Lat1和Long1为SMR的亮温数据的观测点对应的经纬度；Lat2和Long2为iQuam实测海温辅助数据的观测点对应的经纬度；R为地球半径，取值为6378.137公里。
筛选出所有S小于25km的匹配点后，再对这些匹配点进行时间窗口的筛选，计算公式如下：
T＝Scantime-obser_time
其中，Scantime为SMR亮温数据对应的观测时间，obser_time为iQuam实测海温辅助数据对应的观测时间。T小于30min的观测位置为匹配数据集。
步骤(3)初始化径向基神经网络模型，将步骤(2)中得到的匹配数据集作为模型训练的输入数据。
该神经网络模型是一种三层网络结构，包括输入层、隐层和输出层。从输入层到隐层的变换是非线性的，而从隐层到输出层变换是线性的。根据多频微波辐射计近岸海温反演的特
Figure BDA0003534824500000061
点，假设输入向量是一个d维的向量
Figure BDA0003534824500000062
输出为一个实值，则可构建模型为：
其中，q为隐层的神经元个数；ci为隐层神经元i对应的中心，可由；ωi为隐层神经元i对应的权重，ρ(x，ci)是径向基函数，定义为样本x与中心ci之间的欧式距离，本实施例定义该函数为高斯径向基函数，公式如下：
Figure BDA0003534824500000063
βi为与方差相关的扩展因子。
使用最小二乘损失函数表示：
Figure BDA0003534824500000064
yi表示训练集对应的标签值，即真值，P表示训练集的个数。
模型求解的参数有3个：ci、βi以及ωi。
步骤(4)使用网格化搜索确定模型的关键参数，如扩散因子、隐含层神经元个数等，得到适用于近岸微波辐射计海温反演的径向基神经网络模型。
使用网格搜索算法，对所有可能的参数取值进行排列组合，计算所有组合的结果生成网格，寻找到精度最高的参数组合：6.925GHz-H、6.925GHz-V、10.7GHz-H、10.7GHz-V、18.7GHz-H、18.7GHz-V、23.8GHz-V、37.0GHz-H、37.0GHz-V、Lat_of_Observation_Point、Long_of_Observation_Point、Scan_Time，该参数组合即为适用于多频微波辐射计近岸海温反演的最佳模型参数。图2为本发明构建的适用于多频微波辐射计近岸海温反演的模型，该模型输入层为12，隐层为420个神经元，输出层为1，扩散因子设置为95。
步骤5)使用新的SMR亮温数据进行步骤(4)径向基神经网络模型的近岸海温反演精度验证，对模型反演近岸海温精度进行评价。
验证步骤(4)最佳径向基神经网络模型输出反演的近岸海温偏差Bias、反演的近岸海温均方根误差RMSE和相关系数R的统计信息，其中的近岸海温精度RMSE为：
Figure BDA0003534824500000065
平均偏差Bias为：
Figure BDA0003534824500000066
相关系数为R：
Figure BDA0003534824500000071
N为样本个数，Ai表示反演值，Bi表示为现场测量值或者真实值，
Figure BDA0003534824500000072
表示N个A的均值，
Figure BDA0003534824500000073
表示N个B的均值。
图3为本发明构建的径向基神经网络模型反演的SMR全球近岸海温分布。图4为本发明构建的径向基神经网络模型反演的SMR近岸海温与iQuam实测海温对比散点图。
本实施例使用传统的统计回归法作为对比实验同步反演SMR近岸海温，对两种方法反演的结果进行对比评估。图5为统计回归法反演的SMR近岸海温与iQuam实测海温对比散点图。对比图4和图5可以看出，本发明构建的适用于近岸海温反演的模型比统计回归法更优，表1给出了两种方法对近岸海温反演的对比的统计信息。
表1本发明实施例构建的模型与统计回归法反演近岸海温的统计信息
指标 实施例构建的模型 统计回归法
平均偏差(Bias) -0.071℃ -0.454℃
均方根误差(RMSE) 1.188℃ 2.529℃
相关系数(R) 0.99 0.955
由图4、图5和表1可以得出，本文构建的径向基神经网络模型相比传统的统计回归法更适用于近岸海温反演，平均偏差、均方根误差和相关系数都优于统计回归法。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，该方法包括：
步骤(1)读取多频微波辐射计亮温观测数据，选取陆地百分比大于0％并小于50％的且无海冰、无降雨的亮温数据；
步骤(2)使用步骤(1)中选取的亮温数据与实测海温辅助数据进行时空匹配，得到近岸区域的多频亮温和海温数据的匹配数据集；
步骤(3)初始化径向基神经网络模型，将步骤(2)中得到的匹配数据集作为模型训练的输入数据；
步骤(4)使用网格化搜索确定模型的关键参数，得到适用于近岸微波辐射计海温反演的径向基神经网络模型，并基于所述模型，利用多频微波辐射计亮温观测数据反演近岸海温。
2.根据权利要求1所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，还包括：使用新的微波辐射计亮温数据验证步骤(4)得到的径向基神经网络模型的近岸海温反演精度。
3.根据权利要求1所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，所述步骤(2)进行时空匹配的方法具体包括：确定空间窗口和时间窗口的大小，筛选出空间窗口的所有匹配点，计算公式如下：
Figure FDA0003534824490000011
a＝Lat1-Lat2
b＝Long1-Long2
其中，S表示根据两种数据源的观测点的经纬度之间的距离，Lat1和Long1为亮温数据的观测点对应的经纬度；Lat2和Long2为实测海温辅助数据的观测点对应的经纬度；R为地球半径；
再对这些匹配点进行时间窗口筛选，计算公式如下：
T＝Scantime-obser_time
其中，Scantime为亮温数据对应的观测时间，obser_time为实测海温辅助数据对应的观测时间。
4.根据权利要求3所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，所示步骤(2)空间窗口选定为25km，时间窗口选定为30min，筛选出所有S小于25km的匹配点，再从这些匹配点中筛选出T小于30min的观测位置为匹配数据集。
5.根据权利要求1所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，所述步骤(3)具体包括，根据多频微波辐射计近岸海温反演的特点，假设输入向量是一个d维的向量
Figure FDA0003534824490000012
输出为一个实值，则构建初始化径向基神经网络模型为：
Figure FDA0003534824490000013
其中q为隐层的神经元个数；ci为隐层神经元i对应的中心，可由；ωi为隐层神经元i对应的权重，ρ(x，ci)是径向基函数，定义为样本x与中心ci之间的欧式距离。
6.根据权利要求5所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，所述ρ(x，ci)为高斯径向基函数，公式：
Figure FDA0003534824490000021
βi为与方差相关的扩展因子；
使用最小二乘的损失函数表示：
Figure FDA0003534824490000022
yi表示训练集对应的标签值，即真值，P表示训练集的个数；
模型求解的参数有3个：ci、βi以及ωi。
7.根据权利要求1所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，所述步骤(4)具体包括：使用网格搜索算法，对所有可能的参数取值进行排列组合，计算所有组合的结果生成网格，寻找到精度最高的参数组合，该参数组合即为适用于多频微波辐射计近岸海温反演的最佳模型参数。
8.根据权利要求1所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，所述最佳模型参数为：6.925GHz-H、6.925GHz-V、10.7GHz-H、10.7GHz-V、18.7GHz-H、18.7GHz-V、23.8GHz-V、37.0GHz-H、37.0GHz-V、Lat_of_Observation_Point、Long_of_Observation_Point及Scan_Time。
9.根据权利要求2所述的基于神经网络模型的微波辐射计近岸海温反演方法，其特征在于，验证步骤(4)最佳径向基神经网络模型输出反演的近岸海温偏差Bias、反演的近岸海温均方根误差RMSE和相关系数R的统计信息，其中的近岸海温精度RMSE为：
Figure FDA0003534824490000023
平均偏差Bias为：
Figure FDA0003534824490000024
相关系数R为：
Figure FDA0003534824490000025
N为样本个数，Ai表示反演值，Bi表示为现场测量值或者真实值，
Figure FDA0003534824490000026
表示N个A的均值，
Figure FDA0003534824490000027
表示N个B的均值。
CN202210223805.7A 2022-03-07 2022-03-07 基于神经网络的微波辐射计的近岸海面温度反演方法 Pending CN114970663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210223805.7A CN114970663A (zh) 2022-03-07 2022-03-07 基于神经网络的微波辐射计的近岸海面温度反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210223805.7A CN114970663A (zh) 2022-03-07 2022-03-07 基于神经网络的微波辐射计的近岸海面温度反演方法

Publications (1)

Publication Number Publication Date
CN114970663A true CN114970663A (zh) 2022-08-30

Family

ID=82976099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210223805.7A Pending CN114970663A (zh) 2022-03-07 2022-03-07 基于神经网络的微波辐射计的近岸海面温度反演方法

Country Status (1)

Country Link
CN (1) CN114970663A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390593A (zh) * 2023-12-12 2024-01-12 国家卫星海洋应用中心 一种基于辐射计数据的海表参量确定方法以及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105988146A (zh) * 2015-01-29 2016-10-05 中国科学院空间科学与应用研究中心 一种星载微波辐射计的应用数据处理方法
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
CN113484918A (zh) * 2021-06-30 2021-10-08 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种提高微波辐射计在云、雨天气条件下测量精度的方法
WO2021218424A1 (zh) * 2020-04-30 2021-11-04 江苏科技大学 基于rbf神经网络的航海雷达图像反演海面风速方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105988146A (zh) * 2015-01-29 2016-10-05 中国科学院空间科学与应用研究中心 一种星载微波辐射计的应用数据处理方法
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
WO2021218424A1 (zh) * 2020-04-30 2021-11-04 江苏科技大学 基于rbf神经网络的航海雷达图像反演海面风速方法
CN113484918A (zh) * 2021-06-30 2021-10-08 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种提高微波辐射计在云、雨天气条件下测量精度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
樊旭等: "基于径向基神经网络的地基微波辐射计反演算法研究", 《气象与环境学报》, 15 April 2020 (2020-04-15), pages 62 - 69 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390593A (zh) * 2023-12-12 2024-01-12 国家卫星海洋应用中心 一种基于辐射计数据的海表参量确定方法以及设备
CN117390593B (zh) * 2023-12-12 2024-03-22 国家卫星海洋应用中心 一种基于辐射计数据的海表参量确定方法以及设备

Similar Documents

Publication Publication Date Title
Ruwali et al. Implementation of hybrid deep learning model (LSTM-CNN) for ionospheric TEC forecasting using GPS data
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及***
CN113255874B (zh) 一种基于优化的bp神经网络微波遥感反演土壤水分的方法
CN111401602B (zh) 基于神经网络的卫星以及地面降水测量值同化方法
CN114239422B (zh) 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
CN107230197B (zh) 基于卫星云图和rvm的热带气旋客观定强方法
CN111737913B (zh) 一种基于云水含量反演的mwhts晴空观测亮温选择方法
Feng et al. Do CMIP5 models show El Niño diversity?
CN110287457A (zh) 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN108874734B (zh) 一种全球陆地降水反演方法
CN113553766B (zh) 一种使用机器学习反演北极积雪深度的方法
CN111079835B (zh) 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
CN114114358B (zh) 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN113340836A (zh) 一种针对高纬复杂下垫面的大气温湿廓线反演方法
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***
CN114970663A (zh) 基于神经网络的微波辐射计的近岸海面温度反演方法
CN115859789A (zh) 一种提高极地大气温度廓线反演精度的方法
CN114417728A (zh) 基于温度和发射率及深度学习的近地表空气温度反演方法
Dong et al. Simulation of United States mesoscale convective systems using GFDL’s new high-resolution general circulation model
CN114511061A (zh) 基于深度神经网络的岸滨地区海雾能见度预报方法
Zhigang et al. Retrieving atmospheric temperature profiles from AMSU-A data with neural networks
Chen et al. High spatial resolution PM 2.5 retrieval using MODIS and ground observation station data based on ensemble random forest
CN115690598B (zh) 基于卫星数据和随机森林模型室外环境温度遥感反演方法
Liu et al. Ultrahigh-resolution (250 m) regional surface PM 2.5 concentrations derived first from MODIS measurements

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