CN105652284A - 一种长波下行辐射的确定方法和装置 - Google Patents
一种长波下行辐射的确定方法和装置 Download PDFInfo
- Publication number
- CN105652284A CN105652284A CN201610001523.7A CN201610001523A CN105652284A CN 105652284 A CN105652284 A CN 105652284A CN 201610001523 A CN201610001523 A CN 201610001523A CN 105652284 A CN105652284 A CN 105652284A
- Authority
- CN
- China
- Prior art keywords
- long wave
- downlink radiation
- wave downlink
- remote sensing
- cloud
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种长波下行辐射的确定方法和装置。该方法包括:根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值;利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量;以长波下行辐射模拟量为输出量,以第一参数的模拟量为输入量,构建数学模型;以及将确定的第一参数的值输入数学模型,得到第一长波下行辐射。通过本发明,能够确定有云条件下长波下行辐射,使得反演的辐射产品空间连续。
Description
技术领域
本发明涉及遥感图像技术领域,具体而言,特别涉及一种长波下行辐射的确定方法和装置。
背景技术
目前,利用遥感图像获取长波下行辐射时,主要集中在晴空条件下,原因在于:利用遥感图像反演长波下行辐射主要依赖热红外波段,然而热红外波段很难穿透云层,致使利用遥感图像反演长波下行辐射时,几乎都集中在晴空条件下,有云条件下的长波下行辐射无法直接从遥感图像上获取,从而导致光学遥感反演的辐射产品空间不连续,难于被研究全球变化的模型采用,也难于准确刻画地表的热状况,限制了遥感反演的长波下行辐射在全球变化研究、地表辐射平衡/能量平衡、蒸散发估算、陆地或气候模式等领域的广泛应用。因此,发展有云条件下长波下行辐射计算方法十分迫切。
针对现有技术中不能确定有云条件下长波下行辐射,反演的辐射产品空间不连续的问题,目前尚未提出解决方案。
发明内容
本发明的主要目的在于提供一种长波下行辐射的确定方法和装置,以解决现有技术中不能确定有云条件下长波下行辐射,反演的辐射产品空间不连续的问题。
依据本发明的一个方面,提供了一种长波下行辐射的确定方法,该方法包括:根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值;利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量;以长波下行辐射模拟量为输出量,以第一参数的模拟量为输入量,构建数学模型;以及将确定的第一参数的值输入数学模型,得到第一长波下行辐射。
进一步地,第一参数包括云高度、云层温度和云层到地面的大气总水汽含量,根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值包括:根据第一光学遥感数据确定云高度;结合第一光学遥感数据和微波遥感数据确定云层温度;以及根据微波遥感数据确定云层到地面的大气总水汽含量。
进一步地,以长波下行辐射模拟量为输出量,以第一参数的模拟量为输入量,构建数学模型包括:以长波下行辐射模拟量为输出量、以云高度模拟量、云层温度模拟量、云层到地面的大气总水汽含量模拟量为输入量,构建神经网络模型。
进一步地,第一光学遥感数据为MODIS大气廓线和云产品,微波遥感数据为AMSU大气温度和湿度廓线数据。
进一步地,辐射传输模型为MODTRAN模型。
进一步地,该方法还包括:对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射;将第一长波下行辐射和第二长波下行辐射相组合,得到空间连续的长波下行辐射。
进一步地,对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射包括:设定预设的晴空天气条件参数,利用MODTRAN辐射传输模型模拟生成大气层顶MODIS热红外波段辐射亮度以及对应的长波下行辐射,通过不断模拟建立模拟库;基于模拟库构建利用MODIS热红外波段直接反演晴空条件下长波下行辐射的多元非线性回归算法;将晴空条件下的MODIS热红外波段数据输入到多元非线性回归算法,得到第二长波下行辐射。
依据本发明的另一个方法,提供了一种长波下行辐射的确定装置,该装置包括:第一确定模块,用于根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值;生成模块,用于利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量;构建模块,用于以长波下行辐射模拟量为输出量,以第一参数的模拟量为输入量,构建数学模型;以及第一计算模块,用于将确定的第一参数的值输入数学模型,得到第一长波下行辐射。
进一步地,第一参数包括云高度、云层温度和云层到地面的大气总水汽含量,第一确定模块具体执行以下步骤:根据第一光学遥感数据确定云高度;结合第一光学遥感数据和微波遥感数据确定云层温度;以及根据微波遥感数据确定云层到地面的大气总水汽含量。
进一步地,该装置还包括:第二计算模块,用于对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射;组合模块,用于将第一长波下行辐射和第二长波下行辐射相组合,得到空间连续的长波下行辐射。
通过本发明,提供了一种确定有云条件下长波下行辐射的方法,该方法首先根据微波遥感数据和有云条件下的光学遥感数据确定与长波下行辐射相关的第一参数的值,然后再由辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量,并由上述模拟量构建数学模型,得到以长波下行辐射为输出,以第一参数为输入的数学关系,最后将确定的上述第一参数的值代入上述数学模型,即可确定有云条件下长波下行辐射,解决了现有技术中不能确定有云条件下长波下行辐射,反演的辐射产品空间不连续的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是根据本发明第一实施例的一种长波下行辐射的确定方法的流程图;
图2是根据本发明第二实施例的一种长波下行辐射的确定方法的流程图;
图3是根据本发明第三实施例的一种长波下行辐射的确定方法的流程图;以及
图4是根据本发明第四实施例的一种长波下行辐射的确定装置的框图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。需要指出的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
首先,本发明实施例一提供了一种长波下行辐射的确定方法,参见图1,该方法可以包括以下步骤:
步骤S102:根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值。
在该实施例中,将有云条件下的光学遥感数据命名为第一光学遥感数据,将与长波下行辐射相关的参数命名为第一参数,该处的“第一”并不具有次序限定,仅用于起标识作用。
在该步骤中,微波遥感数据可以为AMSU大气温度和湿度廓线数据,还可以为FY-3的相关产品数据,第一光学遥感数据为MODIS大气廓线和云产品,还可以为VIIRS的相关产品数据
通过微波遥感数据和第一光学遥感数据确定与长波下行辐射相关的第一参数的值,第一参数可以为云高度、云层温度、云层到地面的大气总水汽含量以及云层到地面透过率、云发射率等,该处确定的第一参数的值是根据实际数据计算得到真实值。
步骤S104:利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量。
在该步骤中,采用辐射传输模型进行模拟,以得到有云条件下的长波下行辐射模拟量和第一参数的模拟量,其中,辐射传输模型可以采用MODTRAN辐射传输模型,还可以采用LBLRTM或SBDART模型。
步骤S106:以长波下行辐射模拟量为输出量,以第一参数的模拟量为输入量,构建数学模型。
在该步骤中,根据步骤S104中得到得模拟量构建一个数学模型,该数学模型表征了长波下行辐射与第一参数之间的关系,例如采用神经网络算法,通过训练得到神经网络模型,又如采用多元自适应回归样条方法。
步骤S108:将确定的第一参数的值输入数学模型,得到第一长波下行辐射。
采用该实施例,首先根据微波遥感数据和有云条件下的光学遥感数据确定与长波下行辐射相关的第一参数的值,然后再由辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量,并由上述模拟量构建数学模型,得到以长波下行辐射为输出,以第一参数为输入的数学关系,最后将上述确定的第一参数的值代入上述数学模型,即可确定有云条件下长波下行辐射,填补了现有技术中不能确定有云条件下长波下行辐射的空白,使得反演的辐射产品空间连续。
实施例二
该实施例为在实施例一的基础上进一步优选的长波下行辐射的确定方法,参见图2,该方法可以包括以下步骤:
步骤S202:根据有云条件下的第一光学遥感数据确定云高度。
步骤S204:结合第一光学遥感数据和微波遥感数据确定云层温度。
步骤S206:根据微波遥感数据确定云层到地面的大气总水汽含量。
在上述步骤S202至步骤S206中,可采用现有技术中存在的任意一种方法确定,此处不再赘述。
步骤S208:利用MODTRAN辐射传输模型模拟生成有云条件下的长波下行辐射模拟量、云高度模拟量、云层温度模拟量、云层到地面的大气总水汽含量模拟量。
步骤S210:以长波下行辐射模拟量为输出量、以云高度模拟量、云层温度模拟量、云层到地面的大气总水汽含量模拟量为输入量,构建神经网络模型。
步骤S212:将确定的云高度、云层温度和云层到地面的大气总水汽含量输入神经网络模型,得到第一长波下行辐射。
实施例三
该实施例为在实施例一或实施例二的基础上进一步优选的长波下行辐射的确定方法,参见图3,该方法可以包括以下步骤:
(1)设定各种晴空天气条件(温度、湿度、太阳和观测角度等),利用MODTRAN辐射传输模型模拟生成大气层顶MODIS热红外波段辐射亮度以及对应的长波下行辐射,通过不断模拟建立模拟库。基于模拟库构建利用MODIS热红外波段直接反演晴空条件下长波下行辐射的多元非线性回归算法。
(2)利用(1)构建的算法反演晴空条件下MODIS影像长波下行辐射,也即第二长波下行辐射。
(3)有云情况下,利用MODIS云掩膜产品,简称云产品,确定云高度,同时进一步结合AMSU大气温度廓线确定云层温度。
(4)利用AMSU大气湿度廓线数据确定云层到地面的大气总水汽含量。
(5)利用MODTRAN模型,结合其内置的各种云和云光学和几何参数,模拟生成有云条件下的第一长波下行辐射、云层到地面的大气总水汽含量、云层温度、云高度的模拟量。以第一长波下行辐射的模拟量为输出量,其他参数的模拟量为输入量构建神经网络模型。
(6)利用(5)提出的神经网络模型,并结合(3)-(4)中计算的云高度、云层到地面的大气总水汽含量和云层温度,生成MODIS有云情况下的第一长波下行辐射。
(7)将(2)和(6)相加即得到空间连续的长波下行辐射。
采用该实施例,可以实现有云时候长波下行辐射的计算,通过引入微波数据,弥补已有技术只能反演晴空条件下长波辐射的缺陷,为全球变化研究、地表辐射平衡/能量平衡、蒸散发估算、陆地或气候模式等领域提供技术支撑,并最终生成空间连续的全天候长波下行辐射。
以上是对本发明所提供的长波下行辐射的确定方法进行的描述。下面将对本发明提供的长波下行辐射的确定装置进行描述,需要说明的是,该装置可用于执行上述任意一种长波下行辐射的确定方法。
实施例四
与本发明实施例一提供的长波下行辐射的确定方法相对应,本发明实施例还提供了一种长波下行辐射的确定装置,参见图4,该装置可以包括第一确定模块10、生成模块30、构建模块50和第一计算模块70。
其中,第一确定模块10用于根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值。生成模块30用于利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和第一参数的模拟量。构建模块50用于以长波下行辐射模拟量为输出量,以第一参数的模拟量为输入量,构建数学模型。第一计算模块70用于将确定的第一参数的值输入数学模型,得到第一长波下行辐射。
优选地,第一参数包括云高度、云层温度和云层到地面的大气总水汽含量,第一确定模块具体执行以下步骤:根据第一光学遥感数据确定云高度;结合第一光学遥感数据和微波遥感数据确定云层温度;以及根据微波遥感数据确定云层到地面的大气总水汽含量。
优选地,构建模块50以长波下行辐射模拟量为输出量、以云高度模拟量、云层温度模拟量、云层到地面的大气总水汽含量模拟量为输入量,构建神经网络模型。
优选地,第一光学遥感数据为MODIS大气廓线和云产品,微波遥感数据为AMSU大气温度和湿度廓线数据。
优选地,辐射传输模型为MODTRAN模型。
优选地,该装置还包括第二计算模块和组合模块,其中,第二计算模块用于对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射。组合模块用于将第一长波下行辐射和第二长波下行辐射相组合,得到空间连续的长波下行辐射。
优选地,第二计算模块具体执行以下步骤:设定预设的晴空天气条件参数,利用MODTRAN辐射传输模型模拟生成大气层顶MODIS热红外波段辐射亮度以及对应的长波下行辐射,通过不断模拟建立模拟库;基于模拟库构建利用MODIS热红外波段直接反演晴空条件下长波下行辐射的多元非线性回归算法;将晴空条件下的MODIS热红外波段数据输入到所述多元非线性回归算法,得到第二长波下行辐射。
需要说明的是,上述装置或系统实施例属于优选实施例,所涉及的模块并不一定是本申请所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于本申请的装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种长波下行辐射的确定方法,其特征在于,包括:
根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值;
利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和所述第一参数的模拟量;
以所述长波下行辐射模拟量为输出量,以所述第一参数的模拟量为输入量,构建数学模型;以及
将确定的第一参数的值输入所述数学模型,得到第一长波下行辐射。
2.根据权利要求1所述的长波下行辐射的确定方法,其特征在于,第一参数包括云高度、云层温度和云层到地面的大气总水汽含量,根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值包括:
根据所述第一光学遥感数据确定云高度;
结合所述第一光学遥感数据和所述微波遥感数据确定云层温度;以及
根据所述微波遥感数据确定云层到地面的大气总水汽含量。
3.根据权利要求2所述的长波下行辐射的确定方法,其特征在于,以所述长波下行辐射模拟量为输出量,以所述第一参数的模拟量为输入量,构建数学模型包括:
以所述长波下行辐射模拟量为输出量、以云高度模拟量、云层温度模拟量、云层到地面的大气总水汽含量模拟量为输入量,构建神经网络模型。
4.根据权利要求1所述的长波下行辐射的确定方法,其特征在于,所述第一光学遥感数据为MODIS大气廓线和云产品,所述微波遥感数据为AMSU大气温度和湿度廓线数据。
5.根据权利要求1所述的长波下行辐射的确定方法,其特征在于,所述辐射传输模型为MODTRAN模型。
6.根据权利要求1至5中任一项所述的长波下行辐射的确定方法,其特征在于,所述方法还包括:
对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射;
将所述第一长波下行辐射和所述第二长波下行辐射相组合,得到空间连续的长波下行辐射。
7.根据权利要求6所述的长波下行辐射的确定方法,其特征在于,对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射包括:
设定预设的晴空天气条件参数,利用MODTRAN辐射传输模型模拟生成大气层顶MODIS热红外波段辐射亮度以及对应的长波下行辐射,通过不断模拟建立模拟库;
基于模拟库构建利用MODIS热红外波段直接反演晴空条件下长波下行辐射的多元非线性回归算法;
将晴空条件下的MODIS热红外波段数据输入到所述多元非线性回归算法,得到所述第二长波下行辐射。
8.一种长波下行辐射的确定装置,其特征在于,包括:
第一确定模块,用于根据微波遥感数据和有云条件下的第一光学遥感数据确定与长波下行辐射相关的第一参数的值;
生成模块,用于利用辐射传输模型模拟生成有云条件下的长波下行辐射模拟量和所述第一参数的模拟量;
构建模块,用于以所述长波下行辐射模拟量为输出量,以所述第一参数的模拟量为输入量,构建数学模型;以及
第一计算模块,用于将确定的第一参数的值输入所述数学模型,得到第一长波下行辐射。
9.根据权利要求8所述的长波下行辐射的确定装置,其特征在于,第一参数包括云高度、云层温度和云层到地面的大气总水汽含量,所述第一确定模块具体执行以下步骤:
根据所述第一光学遥感数据确定云高度;
结合所述第一光学遥感数据和所述微波遥感数据确定云层温度;以及
根据所述微波遥感数据确定云层到地面的大气总水汽含量。
10.根据权利要求8或9所述的长波下行辐射的确定装置,其特征在于,所述装置还包括:
第二计算模块,用于对晴空条件下的第二光学遥感数据进行反演得到第二长波下行辐射;
组合模块,用于将所述第一长波下行辐射和所述第二长波下行辐射相组合,得到空间连续的长波下行辐射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610001523.7A CN105652284B (zh) | 2016-01-05 | 2016-01-05 | 一种长波下行辐射的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610001523.7A CN105652284B (zh) | 2016-01-05 | 2016-01-05 | 一种长波下行辐射的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105652284A true CN105652284A (zh) | 2016-06-08 |
CN105652284B CN105652284B (zh) | 2017-12-15 |
Family
ID=56491409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610001523.7A Active CN105652284B (zh) | 2016-01-05 | 2016-01-05 | 一种长波下行辐射的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105652284B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748733A (zh) * | 2017-09-14 | 2018-03-02 | 南京信息工程大学 | 适用于云微物理特性连续变化的辐射传输计算方法 |
CN108875905A (zh) * | 2018-04-09 | 2018-11-23 | 华中科技大学 | 一种大气温湿廓线的可见度函数直接反演方法 |
CN110879923A (zh) * | 2019-12-04 | 2020-03-13 | 北京中科技达科技有限公司 | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 |
CN114490905A (zh) * | 2022-01-24 | 2022-05-13 | 北京师范大学 | 一种晴空地表净长波辐射一体化反演方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645295A (zh) * | 2013-12-03 | 2014-03-19 | 中国科学院遥感与数字地球研究所 | 一种多层土壤水分模拟方法和系统 |
CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
-
2016
- 2016-01-05 CN CN201610001523.7A patent/CN105652284B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645295A (zh) * | 2013-12-03 | 2014-03-19 | 中国科学院遥感与数字地球研究所 | 一种多层土壤水分模拟方法和系统 |
CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
王介民 等: ""关于地表反照率遥感反演的几个问题"", 《遥感技术与应用》 * |
矫京均 等: ""HJ-1卫星数据估算地表能量平衡"", 《遥感学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748733A (zh) * | 2017-09-14 | 2018-03-02 | 南京信息工程大学 | 适用于云微物理特性连续变化的辐射传输计算方法 |
CN107748733B (zh) * | 2017-09-14 | 2021-02-09 | 南京信息工程大学 | 适用于云微物理特性连续变化的辐射传输计算方法 |
CN108875905A (zh) * | 2018-04-09 | 2018-11-23 | 华中科技大学 | 一种大气温湿廓线的可见度函数直接反演方法 |
CN108875905B (zh) * | 2018-04-09 | 2021-04-20 | 华中科技大学 | 一种大气温湿廓线的可见度函数直接反演方法 |
CN110879923A (zh) * | 2019-12-04 | 2020-03-13 | 北京中科技达科技有限公司 | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 |
CN110879923B (zh) * | 2019-12-04 | 2023-08-11 | 北京中科技达科技有限公司 | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 |
CN114490905A (zh) * | 2022-01-24 | 2022-05-13 | 北京师范大学 | 一种晴空地表净长波辐射一体化反演方法及系统 |
CN114490905B (zh) * | 2022-01-24 | 2024-02-09 | 北京师范大学 | 一种晴空地表净长波辐射一体化反演方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105652284B (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288875B (zh) | 一种面向无人机矿山巡检场景的快速三维重建方法 | |
CN103150708B (zh) | 基于黑色通道的图像快速去雾优化方法 | |
CN105652284A (zh) | 一种长波下行辐射的确定方法和装置 | |
CN114324780B (zh) | 大气污染物排放通量处理方法、存储介质以及计算机终端 | |
CN103529439B (zh) | 一种神经网络系统的植被参数遥感反演方法和装置 | |
CN102338869B (zh) | 下行短波辐射和光合有效辐射数据的反演方法及系统 | |
CN103810387A (zh) | 基于modis数据的地表蒸散发全遥感反演方法及系统 | |
Kurtz et al. | A virtual sky imager testbed for solar energy forecasting | |
CN107767448A (zh) | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 | |
CN103198447A (zh) | 一种基于卫星云图的风矢场实时度量方法 | |
WO2013121340A1 (en) | Digital elevation model | |
CN110879923B (zh) | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 | |
Van Den Berg et al. | A mass balance model for the Eurasian Ice Sheet for the last 120,000 years | |
CN107909000B (zh) | 基于特征优选和支持向量机的不透水面覆盖度估算方法 | |
CN115482346A (zh) | 一种红外场景仿真系统及方法 | |
CN102054294B (zh) | 基于曲面论和优化控制理论的曲面建模方法 | |
CN111652126A (zh) | 一种基于卫星云图的反演辐射方法 | |
Dias-Junior et al. | A large eddy simulation model applied to analyze the turbulent flow above Amazon forest | |
Pahlevan et al. | Integrating Landsat-7 imagery with physics-based models for quantitative mapping of coastal waters near river discharges | |
CN105572677B (zh) | 利用短波辐射估算长波净辐射和下行辐射的方法和装置 | |
CN107632327A (zh) | 地表太阳短波辐射的确定方法和装置 | |
CN105321157B (zh) | 被动微波亮温数据降尺度方法和系统 | |
CN116699729A (zh) | 地基微波辐射计资料的直接同化方法及装置 | |
CN114781148A (zh) | 一种热红外遥感云覆盖像元的地表温度反演方法及系统 | |
CN105894447B (zh) | 一种获取不同天气条件下的红外图像的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |