CN104007486B - 主被动遥感相结合的大气温湿度廓线处理方法及系统 - Google Patents
主被动遥感相结合的大气温湿度廓线处理方法及系统 Download PDFInfo
- Publication number
- CN104007486B CN104007486B CN201410246309.9A CN201410246309A CN104007486B CN 104007486 B CN104007486 B CN 104007486B CN 201410246309 A CN201410246309 A CN 201410246309A CN 104007486 B CN104007486 B CN 104007486B
- Authority
- CN
- China
- Prior art keywords
- cloud
- neural network
- data
- network model
- 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
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明提出了一种主被动遥感相结合的大气温湿度廓线处理方法及系统,系统包括以下步骤:通过微波辐射计探测获取大气微波辐射亮温数据,通过云雷达探测获取云垂直结构数据,通过地面气象要素传感器探测获取探测区的地面气温、湿度及气压数据;数据处理器建立三层前馈的BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;数据处理器将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度及湿度廓线。本发明主被动遥感相结合的大气温湿度廓线处理方法及系统有效地减小了有云天气处理大气温湿度廓线的误差,提高了大气廓线的准确度及有效性。
Description
技术领域
本发明涉及大气廓线测量技术领域,特别涉及一种主被动遥感相结合的大气温湿度廓线处理方法及系统。
背景技术
在大气云物理参数检测中,一般是利用微波辐射计连续探测大气温度、湿度廓线,在天气晴朗无云的情况时,该方法的探测准确度良好,然而在有云层覆盖时,由于受云层的影响,微波吸收系数分布存在不确定性,因此,该方法探测得到的大气温度湿度误差加大,甚至失效。
地球大气微波辐射传输方程可写为:
上式中,为微波吸收系数,在无雨天气时,,其中,、和分别为水汽、氧气和云的吸收系数。在降雨天气时,,其中,为雨的吸收系数。
现有的大气温度及湿度廓线的处理方法一般是通过微波辐射计测量微波亮温,通过远红外传感器测量红外辐射亮温,并确定云、雨吸收系数,由于云的红外辐射远大于大气,所以远红外传感器可以测定云的存在,并且给出云底高度。然而,由于大气、气溶胶和云体结构等因素的影响,红外传感器处理云底高度有较大误差,从而造成探测得到的大气温度湿度误差较大,影响到探测结果的准确度。
发明内容
本发明的目的是提出一种主被动遥感相结合的大气温湿度廓线处理方法及系统,能有效减小有云天气处理大气温湿度误差,提高大气云物理参数探测结果的准确度及有效性。
为达到上述目的,本发明提出了一种主被动遥感相结合的大气温湿度廓线处理方法,包括以下步骤:
步骤S1:所述数据处理器建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层、隐层及输出层,所述数据处理器根据历史大气数据对所述BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;
步骤S2:将微波辐射计及云雷达的天线均指向探测区的天空,通过微波辐射计探测获取大气微波辐射亮温数据,通过云雷达探测获取云垂直结构数据,通过地面气象要素传感器探测获取探测区的地面气温、湿度及气压数据;
步骤S3:将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据输出至数据处理器;
步骤S4:所述数据处理器将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度廓线及湿度廓线。
进一步,在上述的主被动遥感相结合的大气温湿度廓线处理方法中,所述云垂直结构数据包括云底高度、云顶高度、云水含量、云水冰过渡层高度及云滴谱。
进一步,在上述的主被动遥感相结合的大气温湿度廓线处理方法中,所述历史大气数据包括历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据。
进一步,在上述的主被动遥感相结合的大气温湿度廓线处理方法中,所述步骤S1具体包括:
步骤S11:所述数据处理器建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层、隐层及输出层;
步骤S12:将历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,以及将历史大气廓线输入至该BP神经网络模型的隐层,该BP神经网络模型的输出层输出大气温度及湿度廓线;
步骤S13:判断输出的大气温度及湿度廓线与对应历史大气廓线的差值是否小于预期阈值,若否,则进行步骤S14;若是,则输出得到参数优化的BP神经网络模型。
步骤S14:调整该BP神经网络模型连接权值和节点阈值,重复步骤S12、S13,直至输出的大气温度及湿度廓线与对应历史大气廓线的差值小于预期阈值另,本发明还提供一种主被动遥感相结合的大气温湿度廓线处理系统,包括:设于探测区内的微波辐射计、云雷达、地面气象要素传感器及连接于所述微波辐射计、云雷达、地面气象要素传感器的数据处理器,所述微波辐射计、云雷达天线均指向探测区的天空,所述微波辐射计用于探测获取大气微波辐射亮温数据,所述云雷达用于探测获取云垂直结构数据,所述地面气象要素传感器用于探测获取探测区的地面气温、湿度及气压数据;所述数据处理器用于建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层、隐层及输出层,所述数据处理器根据历史大气数据对所述BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;
所述数据处理器还用于将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度及湿度廓线。
进一步,在上述的主被动遥感相结合的大气温湿度廓线处理系统中,所述云垂直结构数据包括云底高度、云顶高度、云水含量、云水冰过渡层高度及云滴谱。
进一步,在上述的主被动遥感相结合的大气温湿度廓线处理系统中,所述历史大气数据包括历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据和历史大气垂直温度廓线和湿度廓线。
本发明主被动遥感相结合的大气温湿度廓线处理方法及系统有效地减小了有云天气处理大气温湿度廓线的误差,提高了大气廓线的准确度及有效性。
附图说明
图1为本发明主被动遥感相结合的大气温湿度廓线处理方法的流程示意图;
图2为本发明中BP神经网络模型的示意图;
图3为图1中步骤S2的具体流程示意图;
图4为本发明主被动遥感相结合的大气温湿度廓线处理系统的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
请参阅图1,图1为本发明主被动遥感相结合的大气温湿度廓线处理方法的流程示意图。本发明一种主被动遥感相结合的大气温湿度廓线处理方法,包括以下步骤:
步骤S1:所述数据处理器建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层(input)、隐层(hidelayer)及输出层(outputlayer),所述数据处理器根据历史大气数据对所述BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;其中,所述历史大气数据包括历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据;
步骤S2:将微波辐射计及云雷达的天线均指向探测区的天空,通过微波辐射计探测获取大气微波辐射亮温数据,通过云雷达探测获取云垂直结构数据,通过地面气象要素传感器探测获取探测区的地面气温、湿度及气压数据;其中,所述云垂直结构数据包括云底高度、云顶高度、云水含量、云水冰过渡层高度及云滴谱;
步骤S3:将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据输出至数据处理器;
步骤S4:所述数据处理器将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度及湿度廓线。
请参阅图2,其中,BP(BackPropagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
请参阅图3,在具体实现时,所述步骤S1具体包括:
步骤S11:所述数据处理器建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层(input)、隐层(hidelayer)及输出层(outputlayer);
步骤S12:将历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据(X1、X2…XL)作为输入层输入该BP神经网络模型,以及将历史大气廓线(Y1、Y2…YM)输入至该BP神经网络模型的隐层,该BP神经网络模型的输出层(Z1、Z2…ZN)输出大气温度及湿度廓线;
步骤S13:判断输出的大气温度及湿度廓线与对应历史大气廓线的差值是否小于预期阈值,若否,则进行步骤S14;若是,则输出得到参数优化的BP神经网络模型。
步骤S14:调整该BP神经网络模型连接权值和节点阈值,重复步骤S12、S13,直至输出的大气温度及湿度廓线与对应历史大气廓线的差值小于预期阈值。
所述步骤S4中,述数据处理器将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据(X1、X2…XL)作为输入层输入该BP神经网络模型,该BP神经网络模型的输出层(Z1、Z2…ZN)输出为不同高度上大气温度及湿度,从而形成大气温度及湿度廓线。
另,请参阅图4,本发明还提供一种主被动遥感相结合的大气温湿度廓线处理系统,包括:设于探测区内的微波辐射计1、云雷达2、地面气象要素传感器3及连接于所述微波辐射计1、云雷达2、地面气象要素传感器3的数据处理器4,所述微波辐射计1、云雷达2天线均指向探测区的天空,所述微波辐射计1用于探测获取大气微波辐射亮温数据,所述云雷达2用于探测获取云垂直结构数据,所述地面气象要素传感器3用于探测获取探测区的地面气温、湿度及气压数据;所述数据处理器4用于建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层(input)、隐层(hidelayer)及输出层(outputlayer),所述数据处理器根据历史大气数据对所述BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;所述数据处理器4还用于将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度及湿度廓线。
其中,所述云垂直结构数据包括云底高度、云顶高度、云水含量、云水冰过渡层高度及云滴谱。
所述历史大气数据包括历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据。
相比于现有技术,本发明主被动遥感相结合的大气温湿度廓线处理方法及系统在BP神经网络模型训练中和处理生成温度廓线及湿度廓线时,通过引入云结构数据,改进大气廓线的准确性和有效性。
综上,本发明主被动遥感相结合的大气温湿度廓线处理方法及系统有效地减小了有云天气处理大气温湿度廓线的误差,提高了大气廓线的准确度及有效性。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (7)
1.一种主被动遥感相结合的大气温湿度廓线处理方法,其特征在于,包括以下步骤:
步骤S1:数据处理器建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层、隐层及输出层,所述数据处理器根据历史大气数据对所述BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;
步骤S2:将微波辐射计及云雷达的天线均指向探测区的天空,通过微波辐射计探测获取大气微波辐射亮温数据,通过云雷达探测获取云垂直结构数据,通过地面气象要素传感器探测获取探测区的地面气温、湿度及气压数据;
步骤S3:将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据输出至所述数据处理器;
步骤S4:所述数据处理器将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度及湿度廓线。
2.根据权利要求1所述的主被动遥感相结合的大气温湿度廓线处理方法,其特征在于,所述云垂直结构数据包括云底高度、云顶高度、云水含量、云水冰过渡层高度及云滴谱。
3.根据权利要求1所述的主被动遥感相结合的大气温湿度廓线处理方法,其特征在于,所述历史大气数据包括历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据。
4.根据权利要求1-3任一项所述的主被动遥感相结合的大气温湿度廓线处理方法,其特征在于,所述步骤S1具体包括:
步骤S11:所述数据处理器建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层、隐层及输出层;
步骤S12:将历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,以及将历史大气廓线输入至该BP神经网络模型的隐层,该BP神经网络模型的输出层输出大气温度及湿度廓线;
步骤S13:判断输出的大气温度及湿度廓线与对应历史大气廓线的差值是否小于预期阈值,若否,则进行步骤S14;若是,则输出得到参数优化的BP神经网络模型;
步骤S14:调整该BP神经网络模型连接权值和节点阈值,重复步骤S12、S13,直至输出的大气温度及湿度廓线与对应历史大气廓线的差值小于预期阈值。
5.一种主被动遥感相结合的大气温湿度廓线处理系统,其特征在于,包括:设于探测区内的微波辐射计、云雷达、地面气象要素传感器及连接于所述微波辐射计、云雷达、地面气象要素传感器的数据处理器,所述微波辐射计、云雷达的天线均指向探测区的天空,所述微波辐射计用于探测获取大气微波辐射亮温数据,所述云雷达用于探测获取云垂直结构数据,所述地面气象要素传感器用于探测获取探测区的地面气温、湿度及气压数据;所述数据处理器用于建立三层前馈的BP神经网络模型,所述BP神经网络模型包括输入层、隐层及输出层,所述数据处理器根据历史大气数据对所述BP神经网络模型进行处理训练,得到参数优化的BP神经网络模型;
所述数据处理器还用于将探测得到的大气微波辐射亮温数据、云垂直结构数据及地面气温、湿度及气压数据作为输入层输入该BP神经网络模型,通过BP神经网络处理输出得到大气温度及湿度廓线。
6.根据权利要求5所述的主被动遥感相结合的大气温湿度廓线处理系统,其特征在于,所述云垂直结构数据包括云底高度、云顶高度、云水含量、云水冰过渡层高度及云滴谱。
7.根据权利要求5所述的主被动遥感相结合的大气温湿度廓线处理系统,其特征在于,所述历史大气数据包括历史大气微波辐射亮温数据、历史云垂直结构数据及历史地面气温、湿度及气压数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410246309.9A CN104007486B (zh) | 2014-06-05 | 2014-06-05 | 主被动遥感相结合的大气温湿度廓线处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410246309.9A CN104007486B (zh) | 2014-06-05 | 2014-06-05 | 主被动遥感相结合的大气温湿度廓线处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104007486A CN104007486A (zh) | 2014-08-27 |
CN104007486B true CN104007486B (zh) | 2016-04-27 |
Family
ID=51368229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410246309.9A Active CN104007486B (zh) | 2014-06-05 | 2014-06-05 | 主被动遥感相结合的大气温湿度廓线处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104007486B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573816B (zh) * | 2014-12-18 | 2017-12-26 | 中国电子科技集团公司第二十二研究所 | 微波辐射计遥感大气参数的神经网络聚类方法 |
CN105988146B (zh) * | 2015-01-29 | 2018-10-02 | 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 |
CN105445816B (zh) * | 2015-12-14 | 2017-10-03 | 中国气象局气象探测中心 | 一种云雷达与卫星探测数据融合方法及系统 |
CN106054283B (zh) * | 2016-05-27 | 2018-09-07 | 中国科学技术大学 | 一种反演上对流层与下平流层风场的方法及装置 |
CN107402413B (zh) * | 2017-07-14 | 2019-11-01 | 中国气象局气象探测中心 | 一种综合大气廓线仪 |
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 |
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 |
CN108614309B (zh) * | 2018-05-11 | 2019-08-02 | 西安理工大学 | 云水资源探测系统及方法 |
CN109520523B (zh) * | 2018-11-06 | 2022-07-15 | 上海航天测控通信研究所 | 一种主被动联合探测时被动接收链路 |
CN109406911B (zh) * | 2018-12-12 | 2020-02-11 | 中国气象科学研究院 | 星载微波传感器低频通道无线电频率干扰检测及校正方法 |
CN109871637B (zh) * | 2019-03-06 | 2022-11-04 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
CN110031915B (zh) * | 2019-05-08 | 2020-06-02 | 中国气象科学研究院 | 一种三维云场诊断方法及装置 |
CN111856620A (zh) * | 2020-07-03 | 2020-10-30 | 上海眼控科技股份有限公司 | 云顶高度及云底高度确定方法及设备 |
CN113094653B (zh) * | 2021-04-01 | 2023-05-12 | 北京环境特性研究所 | 一种重建大气温度轮廓线的方法 |
CN113505334B (zh) * | 2021-06-11 | 2024-03-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于微波双频极化差分比的地表影响抑制方法 |
CN114167519A (zh) * | 2021-12-07 | 2022-03-11 | 北京环境特性研究所 | 基于地面实测空气湿度的大气湿度廓线重建方法和装置 |
CN114966900B (zh) * | 2022-08-02 | 2022-11-22 | 南京市气象台 | 一种基于秒探空资料的微波辐射计温湿度反演算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3486675B2 (ja) * | 2001-06-07 | 2004-01-13 | 独立行政法人通信総合研究所 | 地球磁気圏における電磁擾乱の予測方法及び装置 |
CN102176073A (zh) * | 2011-01-24 | 2011-09-07 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的环境空气质量综合监测方法 |
CN202940849U (zh) * | 2012-11-01 | 2013-05-15 | 江苏物联网研究发展中心 | 基于数字微波网络的专网气象监控系统 |
-
2014
- 2014-06-05 CN CN201410246309.9A patent/CN104007486B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104007486A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104007486B (zh) | 主被动遥感相结合的大气温湿度廓线处理方法及系统 | |
CN108508442A (zh) | 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 | |
CN105988146B (zh) | 一种星载微波辐射计的应用数据处理方法 | |
CN103792538A (zh) | 一种基于地基高光谱微波辐射计的大气廓线反演方法 | |
CN106405007A (zh) | 气体传感器、颗粒物传感器的新校准方法 | |
CN109871637B (zh) | 一种云天条件下近地面气温估算方法 | |
CN107703554A (zh) | 多通道毫米波辐射计温湿廓线反演系统及其反演方法 | |
CN109060023B (zh) | 一种微型环境监测的数据质控方法及系统 | |
CN113553766B (zh) | 一种使用机器学习反演北极积雪深度的方法 | |
Dariouchy et al. | Prediction of the intern parameters tomato greenhouse in a semi-arid area using a time-series model of artificial neural networks | |
CN109145344A (zh) | 一种基于探空数据的经验ztd模型改进方法 | |
CN115308386B (zh) | 一种基于cygnss卫星数据的土壤盐分反演方法和系统 | |
US10989837B2 (en) | Method in connection with a radiosonde and system | |
Dumedah et al. | Intercomparison of the JULES and CABLE land surface models through assimilation of remotely sensed soil moisture in southeast Australia | |
CN109959970B (zh) | 一种天空半球热红外大气下行辐射地面测量方法 | |
CN105928620A (zh) | 一种基于查找表的热红外大气校正参数化方法 | |
CN105652284A (zh) | 一种长波下行辐射的确定方法和装置 | |
CN103546966A (zh) | 一种基于野外环境的无线传感器的节点定位方法 | |
CN104899464B (zh) | 一种适应噪声条件下的抽样学习机遥感定量反演方法 | |
CN103940430B (zh) | 一种状态受限移动多传感器配置及多目标跟踪方法 | |
Oliveira et al. | An application of neural network technique to correct the dome temperature effects on pyrgeometer measurements | |
CN104155705A (zh) | 一种利用地基红外测云仪间接测量大气可降水量的方法 | |
CN103954952A (zh) | 一种提高短波红外卫星数据二氧化碳反演鲁棒性的方法 | |
CN106052879B (zh) | 一种枯枝落叶层透过率的测量装置及测量方法 | |
Subrahamanyam et al. | Spatial and temporal variabilities in vertical structure of the Marine Atmospheric Boundary Layer over Bay of Bengal during Winter Phase of Integrated Campaign for Aerosols, gases and Radiation Budget |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |