CN105784624A - 一种水汽廓线的反演方法以及装置 - Google Patents

一种水汽廓线的反演方法以及装置 Download PDF

Info

Publication number
CN105784624A
CN105784624A CN201610125491.1A CN201610125491A CN105784624A CN 105784624 A CN105784624 A CN 105784624A CN 201610125491 A CN201610125491 A CN 201610125491A CN 105784624 A CN105784624 A CN 105784624A
Authority
CN
China
Prior art keywords
training sample
radiation value
profile
water vapor
data
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
CN201610125491.1A
Other languages
English (en)
Inventor
马鹏飞
王桥
厉青
王中挺
毛慧琴
周春艳
张丽娟
张玉环
陈辉
陈翠红
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.)
SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT
Original Assignee
SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT
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 SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT filed Critical SATELLITE ENVIRONMENT APPLICATION CENTER OF ENVIRONMENTAL PROTECTION DEPARTMENT
Priority to CN201610125491.1A priority Critical patent/CN105784624A/zh
Publication of CN105784624A publication Critical patent/CN105784624A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • 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
    • 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
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种水汽廓线的反演方法以及装置。其中，所述方法包括：获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括至少一个经验正交回归系数；以及根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。其中，利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，计算得到所述经验正交回归系数。本发明能够较为稳定地且快速地利用高光谱数据反演得到水汽廓线，为监测水汽分布提供一种重要的技术手段，适合于业务应用，进而为更深层次地理解和量化水汽对天气及气候系统的反馈作用提供数据产品支撑。

Description

一种水汽廓线的反演方法以及装置
技术领域
本发明涉及卫星遥感数据的水汽廓线反演领域，具体地，涉及一种水汽廓线的反演方法以及装置。
背景技术
水汽是地球大气中一种非常重要的微量气体，其分布在时间和空间尺度上变化较大。水汽在全球辐射平衡和大气能量传输机制以及光化学过程中起着重要作用，它在整个长波范围内能够吸收和发射辐射，使其成为大气中一种调节地球气候系统的重要温室气体。分布于对流层上层的水汽含量较少，根据模式研究显示，平流层的水汽同样在地球辐射平衡中起着重要作用，既吸收太阳短波辐射，又向外发射长波辐射，是控制能量平衡的一个重要因子，进而影响气候系统。除此之外，水汽在平流层通过提供奇数氢破坏臭氧；通过一些微物理过程等间接影响辐射平衡，例如，参与形成极地平流层云；对气溶胶粒子的大小、形状以及化学组分产生影响，从而间接改变云和气溶胶的辐射强迫。因此，需要监测水汽的垂直分布及其时空分布，以减少我们在定量描述水汽对天气及气候系统的反馈作用的不确定性。
目前，利用红外高光谱卫星数据反演水汽廓线的方法主要有：
1、物理反演法
通过构建目标函数和选择寻优策略，经过多次迭代后，使代价函数最小的同时逐步逼近真值。该方法在确定一个目标函数后，用先验条件把解约束在一定范围内，然后用牛顿迭代逐步逼近真解的最大似然估计。迭代公式如下：
X n + 1 = X 0 + ( S x - 1 + K n T S ϵ - 1 K n ) - 1 K n T S ϵ - 1 [ ( Y - Y n ) - K n ( X 0 - X n ) ] ,
其中，Xn+1是反演得到的水汽廓线，Xn为前一次迭代得到的反演结果，K是Y对X的一阶导数矩阵，也就是雅各比矩阵,X0为初始廓线，Sx是先验误差协方差矩阵，Sε是观测协方差矩阵，Y为卫星观测值，Yn为模拟辐射值。
2、神经网络法
人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。系统通过对多个样本的学习，获取样本的知识并将其分布存贮于网络中，从而无限逼近高度复杂的非线性关系。该方法不依赖于辐射传输模型，具有高效计算和容错的特征。
现有方法的缺点：
1、物理反演法，直接求解大气辐射传输方程，结果不稳定，反演精度依赖于所选初始廓线精度以及先验协方差矩阵的建立方法，且反演过程比较费时，不适合业务应用。
2、神经网络法的反演结果对于训练资料的选取非常敏感。其中，隐含层神经元数目对整个神经网络的正常工作至关重要，如果过多，则无法接受新的模式，且会因为样本训练而耗费大量的时间和内存，这种过拟合现象会导致整个网络适应性变差，反演精度下降。
发明内容
本发明的目的是提供一种水汽廓线的反演方法以及装置。其中，所述方法能够较为稳定地且快速地利用高光谱数据反演得到水汽廓线，为监测水汽分布提供一种重要的技术手段，适合于业务应用，进而为更深层次地理解和量化水汽对天气及气候系统的反馈作用提供数据产品支撑。
为了实现上述目的，本发明提供一种水汽廓线的反演方法。所述方法包括：获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括经验正交回归系数；以及根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。
其中，在获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据之前，所述方法还包括：获取所述水汽廓线的训练样本，所述训练样本包括水汽样本廓线；根据所述训练样本获得训练样本模拟辐射值；根据所述训练样本模拟辐射值计算得到训练样本模拟辐射值的偏差协方差矩阵；根据所述训练样本计算得到水汽样本廓线的偏差协方差矩阵；利用主成分分析方法对训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵分别进行经验正交展开，并取训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵的有限个主成分分量分别组成经验正交展开矩阵；以及利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，从而计算得到所述经验正交回归系数。
其中，所述根据所述训练样本获得训练样本模拟辐射值，具体包括：将所述训练样本输入通用辐射传输模型CRTM，模拟得到不同扫描角下的训练样本模拟辐射值；以及将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值。
其中，所述将所述训练样本输入通用辐射传输模型，模拟得到不同扫描角下的训练样本模拟辐射值之前，所述方法还包括：对所述扫描角进行分类，从0-50°分为11类。
其中，所述将所述训练样本模拟辐射值加上仪器观测噪声引，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值，具体包括：将所述训练样本模拟辐射值加上仪器观测噪声后转化为亮温值，根据大气窗区波数910±5cm-1总共11个波段的亮温均值，并结合土地类型进行分类，得到分类后的训练样本模拟辐射值。
相应地，本发明还提供一种水汽廓线的反演装置。所述装置包括：获取单元，用于获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；查找单元，用于根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括经验正交回归系数；以及反演单元，用于根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。
其中，所述装置还包括：计算单元，用于获取所述水汽廓线的训练样本，所述训练样本包括水汽样本廓线；根据所述训练样本获得训练样本模拟辐射值；根据所述训练样本模拟辐射值计算得到训练样本模拟辐射值的偏差协方差矩阵；根据所述训练样本计算得到水汽样本廓线的偏差协方差矩阵；利用主成分分析方法对训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵分别进行经验正交展开，并取训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵的有限个主成分分量分别组成经验正交展开矩阵；以及利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，从而计算得到所述经验正交回归系数。
其中，所述计算单元，还用于将所述训练样本输入通用辐射传输模型CRTM，模拟得到不同扫描角下的训练样本模拟辐射值；以及将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值。
其中，所述计算单元，还用于对所述扫描角进行分类，从0-50°分为11类。
其中，所述计算单元，还用于将所述训练样本模拟辐射值加上仪器观测噪声后转化为亮温值，根据大气窗区波数910±5cm-1总共11个波段的亮温均值，并结合土地类型进行分类，得到分类后的训练样本模拟辐射值。
通过上述技术方案，获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；根据模式数据和高光谱卫星数据在数据库中查找与高光谱卫星数据匹配的经验正交回归系数；以及根据高光谱卫星数据和经验回归系数反演得到水汽廓线，能够准确、方便、稳定地实现水汽廓线的快速反演，适合于水汽反演的业务应用，也能够为更深层次的理解和量化水汽对天气及气候系统反馈作用提供数据产品支撑。
附图说明
图1是本发明提供的水汽廓线的反演方法的流程图；
图2是本发明提供的水汽廓线的反演装置的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明提供的水汽廓线的反演方法的流程图。如图1所示，本发明提供的水汽廓线的反演方法包括：在步骤S101中，获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据。具体地，NCEP(NationalCentersforEnvironmentalPrediction)表示美国国家环境预报中心，CrIS(Cross-trackInfraredSounder)表示交叉跟踪红外探测器，模式数据包括土地分类信息(陆地或海洋)，能够从模式数据提取得到土地分类信息。在具体的应用中，利用对地观测卫星S-NPP(国家极地轨道运行环境卫星系统)上搭载的交叉跟踪红外探测器(CrIS)来对地球大气进行数据测量，得到高光谱卫星数据，并从高光谱卫星数据中分别读取天顶角、辐射值。更为具体地，高光谱卫星数据提供了1305个光谱通道，覆盖了9.14-15.38um的长波红外、5.71-8.26um的中波红外和3.92-4.64um的短波红外，3个波段范围，其光谱分辨率分别为0.625cm-1，1.25cm-1和2.5cm-1，为天气和气候应用提供更加精确和详细的大气温度和湿度观测资料。
接着，在步骤S102中，根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括经验正交回归系数。具体地，根据土地分类信息、天顶角以及辐射值在数据库中查找与高光谱卫星数据匹配的经验正交回归系数。
最后，在步骤S103中，根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。
具体地，在获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据之前，所述方法还包括：在步骤S1中，获取所述水汽廓线的训练样本，所述训练样本包括水汽样本廓线。其中，所述水汽样本廓线为代表不同地区、季节的水汽样本廓线。在步骤S2中，根据所述训练样本获得训练样本模拟辐射值。在步骤S3中，根据所述训练样本模拟辐射值计算得到训练样本模拟辐射值的偏差协方差矩阵。在步骤S4中，根据所述训练样本计算得到水汽样本廓线的偏差协方差矩阵。在步骤S5中，利用主成分分析方法对训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵分别进行经验正交展开，并取训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵的有限个主成分分量分别组成经验正交展开矩阵。最后，在步骤S6中，利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，从而计算得到所述经验正交回归系数。
更为具体地，步骤S2具体包括：在步骤L1中，将所述训练样本输入通用辐射传输模型CRTM，模拟得到不同扫描角下的训练样本模拟辐射值。其中，训练样本模拟辐射值具体为目标通道的大气顶层出射辐亮度值，通用辐射传输模型(CRTM)能够快速、准确地模拟得到训练样本模拟辐射值。在具体的实施方式中，在执行步骤L1之前，对所述扫描角进行分类，从0-50°分为11类。最后，在步骤L2中，将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值。其中，仪器观测噪声为高斯噪声，训练样本模拟辐射值分别加上仪器观测噪声后能够模拟得到卫星传感器观测辐亮度值。在具体的应用中，将所述训练样本模拟辐射值加上仪器观测噪声后转化为亮温值，根据大气窗区波数910±5cm-1总共11个波段的亮温均值，并结合土地类型(陆地或海洋)进行分类，得到分类后的训练样本模拟辐射值。具体地，根据大气窗区亮温对每种扫描角下的训练样本模拟辐射值进行分类，进一步地，再根据土地类型进行分类。
相应地，本发明还提供一种水汽廓线的反演装置。图2是本发明提供的水汽廓线的反演装置的结构示意图。如图2所示，本发明提供的水汽廓线的反演装置包括：获取单元10，用于获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；查找单元20，用于根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括经验正交回归系数；以及反演单元30，用于根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。
其中，所述装置还包括：计算单元40，用于获取所述水汽廓线的训练样本，所述训练样本包括水汽样本廓线；根据所述训练样本获得训练样本模拟辐射值；根据所述训练样本模拟辐射值计算得到训练样本模拟辐射值的偏差协方差矩阵；根据所述训练样本计算得到水汽样本廓线的偏差协方差矩阵；利用主成分分析方法对训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵分别进行经验正交展开，并取训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵的有限个主成分分量分别组成经验正交展开矩阵；以及利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，从而计算得到所述经验正交回归系数。
优选地，所述计算单元40，还用于将所述训练样本输入通用辐射传输模型CRTM，模拟得到不同扫描角下的训练样本模拟辐射值；以及将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值。
在具体的应用中，所述计算单元40，还用于对所述扫描角进行分类，从0-50°分为11类。
在具体的实施方式中，所述计算单元40，还用于将所述训练样本模拟辐射值加上仪器观测噪声后转化为亮温值，根据大气窗区波数910±5cm-1总共11个波段的亮温均值，并结合土地类型进行分类，得到分类后的训练样本模拟辐射值。
需要说明的是，对于本发明提供的水汽廓线的反演装置还涉及的具体细节已在本发明提供的水汽廓线的反演方法中作了详细的说明，在此不在赘述。
本发明提供的方法针对高光谱卫星数据，采用经验正交反演法，能够快速、方便、稳定地实现水汽廓线快速反演，适合于水汽反演的业务应用，也能够为更深层次的理解和量化水汽对天气及气候系统反馈作用提供必要的前提。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种水汽廓线的反演方法，其特征在于，所述方法包括：
获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；
根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括经验正交回归系数；以及
根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。
2.根据权利要求1所述的水汽廓线的反演方法，其特征在于，在获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据之前，所述方法还包括：
获取所述水汽廓线的训练样本，所述训练样本包括水汽样本廓线；
根据所述训练样本获得训练样本模拟辐射值；
根据所述训练样本模拟辐射值计算得到训练样本模拟辐射值的偏差协方差矩阵；
根据所述训练样本计算得到水汽样本廓线的偏差协方差矩阵；
利用主成分分析方法对训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵分别进行经验正交展开，并取训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵的有限个主成分分量分别组成经验正交展开矩阵；以及
利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，从而计算得到所述经验正交回归系数。
3.根据权利要求2所述的水汽廓线的反演方法，其特征在于，所述根据所述训练样本获得训练样本模拟辐射值，具体包括：
将所述训练样本输入通用辐射传输模型CRTM，模拟得到不同扫描角下的训练样本模拟辐射值；以及
将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值。
4.根据权利要求3所述的水汽廓线的反演方法，其特征在于，所述将所述训练样本输入通用辐射传输模型，模拟得到不同扫描角下的训练样本模拟辐射值之前，所述方法还包括：
对所述扫描角进行分类，从0-50°分为11类。
5.根据权利要求3所述的水汽廓线的反演方法，其特征在于，所述将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值，具体包括：
将所述训练样本模拟辐射值加上仪器观测噪声后转化为亮温值，根据大气窗区波数910±5cm-1总共11个波段的亮温均值，并结合土地类型进行分类，得到分类后的训练样本模拟辐射值。
6.一种水汽廓线的反演装置，其特征在于，所述装置包括：
获取单元，用于获取来自NCEP的模式数据和来自CrIS的高光谱卫星数据；
查找单元，用于根据所述模式数据和所述高光谱卫星数据在数据库中查找与所述高光谱卫星数据匹配的经验正交回归系数，所述数据库包括经验正交回归系数；以及
反演单元，用于根据所述高光谱卫星数据和所述经验回归系数反演得到所述水汽廓线。
7.根据权利要求6所述的水汽廓线的反演装置，其特征在于，所述装置还包括：
计算单元，用于获取所述水汽廓线的训练样本，所述训练样本包括水汽样本廓线；根据所述训练样本获得训练样本模拟辐射值；根据所述训练样本模拟辐射值计算得到训练样本模拟辐射值的偏差协方差矩阵；根据所述训练样本计算得到水汽样本廓线的偏差协方差矩阵；利用主成分分析方法对训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵分别进行经验正交展开，并取训练样本模拟辐射值和水汽样本廓线的偏差协方差矩阵的有限个主成分分量分别组成经验正交展开矩阵；以及利用最小二乘法对训练样本模拟辐射值和水汽样本廓线的经验正交展开矩阵进行拟合，从而计算得到所述经验正交回归系数。
8.根据权利要求7所述的水汽廓线的反演装置，其特征在于，所述计算单元，还用于将所述训练样本输入通用辐射传输模型CRTM，模拟得到不同扫描角下的训练样本模拟辐射值；以及将所述训练样本模拟辐射值加上仪器观测噪声，并根据大气窗区亮温和土地类型进行分类，得到分类后的训练样本模拟辐射值。
9.根据权利要求8所述的水汽廓线的反演装置，其特征在于，所述计算单元，还用于对所述扫描角进行分类，从0-50°分为11类。
10.根据权利要求8所述的水汽廓线的反演装置，其特征在于，所述计算单元，还用于将所述训练样本模拟辐射值加上仪器观测噪声后转化为亮温值，根据大气窗区波数910±5cm-1总共11个波段的亮温均值，并结合土地类型进行分类，得到分类后的训练样本模拟辐射值。
CN201610125491.1A 2016-03-04 2016-03-04 一种水汽廓线的反演方法以及装置 Pending CN105784624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610125491.1A CN105784624A (zh) 2016-03-04 2016-03-04 一种水汽廓线的反演方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610125491.1A CN105784624A (zh) 2016-03-04 2016-03-04 一种水汽廓线的反演方法以及装置

Publications (1)

Publication Number Publication Date
CN105784624A true CN105784624A (zh) 2016-07-20

Family

ID=56387506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610125491.1A Pending CN105784624A (zh) 2016-03-04 2016-03-04 一种水汽廓线的反演方法以及装置

Country Status (1)

Country Link
CN (1) CN105784624A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491588A (zh) * 2017-07-17 2017-12-19 中国科学院遥感与数字地球研究所 一种温压廓线的反演方法和系统
CN107703554A (zh) * 2017-08-24 2018-02-16 安徽四创电子股份有限公司 多通道毫米波辐射计温湿廓线反演系统及其反演方法
CN107908838A (zh) * 2017-11-01 2018-04-13 环境保护部卫星环境应用中心 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置
CN112462369A (zh) * 2020-10-30 2021-03-09 国家卫星气象中心(国家空间天气监测预警中心) 一种用于微波成像仪反演海上大气可降水的方法及装置
CN113687961A (zh) * 2021-08-18 2021-11-23 国家卫星气象中心(国家空间天气监测预警中心) 基于云端的红外高光谱辐射传输快速并发计算系统及方法
CN114065931A (zh) * 2022-01-11 2022-02-18 山东大学 基于物理模型和神经网络融合的陆地水汽反演方法及系统
CN115525854A (zh) * 2022-09-01 2022-12-27 国家卫星气象中心(国家空间天气监测预警中心) 一种静止气象卫星的水汽总量与分层水汽产品的生产方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101936877A (zh) * 2010-03-05 2011-01-05 中国农业科学院农业资源与农业区划研究所 从modis数据反演大气水汽含量方法
CN103675792A (zh) * 2013-12-06 2014-03-26 中国科学院遥感与数字地球研究所 CrIS超光谱数据的臭氧廓线快速反演方法
CN104793216A (zh) * 2014-01-22 2015-07-22 中国科学院空间科学与应用研究中心 一种基于气象探测的地基多通道微波辐射计

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101936877A (zh) * 2010-03-05 2011-01-05 中国农业科学院农业资源与农业区划研究所 从modis数据反演大气水汽含量方法
CN103675792A (zh) * 2013-12-06 2014-03-26 中国科学院遥感与数字地球研究所 CrIS超光谱数据的臭氧廓线快速反演方法
CN104793216A (zh) * 2014-01-22 2015-07-22 中国科学院空间科学与应用研究中心 一种基于气象探测的地基多通道微波辐射计

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘旸 等: "AIＲS 红外高光谱资料反演大气水汽廓线研究进展", 《地球科学进展》 *
王曦 等: "用AMSU 资料反演西北太平洋海域大气湿度廓线的研究", 《北京大学学报(自然科学版)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491588A (zh) * 2017-07-17 2017-12-19 中国科学院遥感与数字地球研究所 一种温压廓线的反演方法和系统
CN107491588B (zh) * 2017-07-17 2020-04-28 中国科学院遥感与数字地球研究所 一种温压廓线的反演方法和系统
CN107703554A (zh) * 2017-08-24 2018-02-16 安徽四创电子股份有限公司 多通道毫米波辐射计温湿廓线反演系统及其反演方法
CN107703554B (zh) * 2017-08-24 2020-04-14 安徽四创电子股份有限公司 多通道毫米波辐射计温湿廓线反演系统及其反演方法
CN107908838A (zh) * 2017-11-01 2018-04-13 环境保护部卫星环境应用中心 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置
CN107908838B (zh) * 2017-11-01 2021-05-25 环境保护部卫星环境应用中心 高光谱卫星数据反演氧化亚氮廓线的通道选取方法及装置
CN112462369A (zh) * 2020-10-30 2021-03-09 国家卫星气象中心(国家空间天气监测预警中心) 一种用于微波成像仪反演海上大气可降水的方法及装置
CN113687961A (zh) * 2021-08-18 2021-11-23 国家卫星气象中心(国家空间天气监测预警中心) 基于云端的红外高光谱辐射传输快速并发计算系统及方法
CN113687961B (zh) * 2021-08-18 2023-09-26 国家卫星气象中心(国家空间天气监测预警中心) 基于云端的红外高光谱辐射传输快速并发计算系统及方法
CN114065931A (zh) * 2022-01-11 2022-02-18 山东大学 基于物理模型和神经网络融合的陆地水汽反演方法及系统
CN115525854A (zh) * 2022-09-01 2022-12-27 国家卫星气象中心(国家空间天气监测预警中心) 一种静止气象卫星的水汽总量与分层水汽产品的生产方法
CN115525854B (zh) * 2022-09-01 2023-05-12 国家卫星气象中心(国家空间天气监测预警中心) 一种静止气象卫星的水汽总量与分层水汽产品的生产方法

Similar Documents

Publication Publication Date Title
CN105784624A (zh) 一种水汽廓线的反演方法以及装置
Ridler et al. Assimilation of SMOS‐derived soil moisture in a fully integrated hydrological and soil‐vegetation‐atmosphere transfer model in W estern D enmark
Wang et al. A coupled energy transport and hydrological model for urban canopies evaluated using a wireless sensor network
Chen et al. Effects of foliage clumping on the estimation of global terrestrial gross primary productivity
Verhoest et al. Copula-based downscaling of coarse-scale soil moisture observations with implicit bias correction
Pan et al. The potential of CO2 satellite monitoring for climate governance: A review
Flaounas et al. Sensitivity of the WRF-Chem (V3. 6.1) model to different dust emission parametrisation: assessment in the broader Mediterranean region
CN105988146A (zh) 一种星载微波辐射计的应用数据处理方法
CN101295022A (zh) 从遥感数据aster反演地表温度和发射率的方法
CN103675792A (zh) CrIS超光谱数据的臭氧廓线快速反演方法
Lu et al. Prediction of diffuse solar radiation by integrating radiative transfer model and machine-learning techniques
Gündoğdu et al. Application of feed forward and cascade forward neural network models for prediction of hourly ambient air temperature based on MERRA-2 reanalysis data in a coastal area of Turkey
Park et al. Sensitivity analysis of a 3D convective storm: Implications for variational data assimilation and forecast error
Tehrani et al. Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking
Foret et al. Ozone pollution: What can we see from space? A case study
Hwang et al. Evaluating co-relationship between OCO-2 XCO 2 and in situ CO 2 measured with portable equipment in Seoul
Ali et al. Enhancement of OMI aerosol optical depth data assimilation using artificial neural network
Castellanos et al. A neural network correction to the scalar approximation in radiative transfer
CN116699729A (zh) 地基微波辐射计资料的直接同化方法及装置
Mile et al. Assimilation of Aeolus Rayleigh‐Clear Winds Using a Footprint Operator in AROME‐Arctic Mesoscale Model
Lee et al. Assessment of cloud retrieval for IASI 1D-Var cloudy-sky assimilation and improvement with an ANN approach
Eremenko et al. Tropospheric ozone retrieval from thermal infrared nadir satellite measurements: Towards more adaptability of the constraint using a self-adapting regularization
Navari et al. Reanalysis surface mass balance of the Greenland ice sheet along K‐transect (2000–2014)
Yoon et al. Improving the Asian dust storm prediction using WRF-Chem through combinational optimization of physical parameterization schemes
Qiu et al. Forecasting solar irradiation based on influencing factors determined by linear correlation and stepwise regression

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160720