CN107356554B - 一种基于神经网络的反演大气可降水量的modis模型改进方法 - Google Patents
一种基于神经网络的反演大气可降水量的modis模型改进方法 Download PDFInfo
- Publication number
- CN107356554B CN107356554B CN201710468481.2A CN201710468481A CN107356554B CN 107356554 B CN107356554 B CN 107356554B CN 201710468481 A CN201710468481 A CN 201710468481A CN 107356554 B CN107356554 B CN 107356554B
- Authority
- CN
- China
- Prior art keywords
- modis
- pwv
- neural network
- inverting
- precipitable water
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 101100424858 Arabidopsis thaliana TEN1 gene Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000372132 Hydrometridae Species 0.000 description 1
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Hydrology & Water Resources (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于神经网络的反演大气可降水量的MODIS模型改进方法，包括以下步骤：S1：利用MODIS三通道比值法反演大气可降水量PWV，记为PWVMODIS；S2：利用BP神经网络建立测站处的纬度φ、测站处的高程h、年积日doy、PWVMODIS与测站GPS/MODIS反演的PWV残差RES之间的非线性关系；S3：对BP神经网络模型进行训练；S4：将φ、h、doy以及PWVMODIS作为输入参数代入BP神经网络模型，并计算出GPS测站处PWV残差RESBP；S5：利用RESBP补偿PWVMODIS，获得大气可降水量PWV＝PWVMODIS+RESBP。本发明有效提高了建模精度。
Description
技术领域
本发明涉及全球导航系统领域，特别是涉及一种基于神经网络的反演大气可降水量的MODIS模型改进方法。
背景技术
大气可降水量(precipitable water vapor)，通常缩写为PW/PWV/IPW，表示单位面积垂直空气柱内水汽总量全部转化为降水的量，与单位面积水柱高度等效。在GPS应用中，大气可降水量是影响GNSS对流层湿延迟的主要因素。目前反演大气可降水量的方法主要有地基GPS反演大气可降水量和MODIS近红外反演大气可降水量。GPS观测反演大气可降水量精度很高，精度和大气可降水量辐射计及探空数据计算的结果相当，但仅可以提供离散点的大气可降水量值，空间分辨率不高。MODIS数据的空间分辨率高，能通过卫星反演获得地球上任意地点的大气可降水量，但MODIS大气可降水量反演精度不够，使其不能满足气象预报、数值天气预报等各种气象学领域的精度标准。国内外对GPS-PWV与MODIS-PWV结合建模研究大多是进行二者的对比验证，模型比较单一，精度不高，因此建立更好的模型来获得高时间分辨率、高空间分辨率且准确的大气可降水量对提高GNSS定位精度等具有重要意义。
虽然使用加权平均三通道比值法反演MODIS大气可降水量精度比单独运用单一通道的MODIS模型反演大气可降水量的精度有所提高，但仍与GPS 1mm左右的反演精度有很大差距，故仍不能满足数值天气预报和导航定位等的需要。
发明内容
发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于神经网络的反演大气可降水量的MODIS模型改进方法。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的XX
有益效果：本发明公开了一种基于神经网络的反演大气可降水量的MODIS模型改进方法，选用合理输入输出参数建立BP神经网络，并用高精度的GPS反演大气可降水量PWV数据产品对其进行训练，使得本发明计算出来的大气可降水量PWV相比加权平均三通道模型，精度上有了显著地提高。
附图说明
图1为本发明具体实施方式的MODIS三通道模型误差的神经网络设计图；
图2为本发明具体实施方式的建模和测试的GPS站分布图；
图2(a)为本发明具体实施方式的建模的GPS站的分布图；
图2(b)为本发明具体实施方式的测试的GPS站的分布图；
图3为本发明具体实施方式的4个GPS站上不同模型的误差图；
图3(a)为本发明具体实施方式的MDO1站上不同模型的误差图；
图3(b)为本发明具体实施方式的TXCO站上不同模型的误差图；
图3(c)为本发明具体实施方式的TXAN站上不同模型的误差图；
图3(d)为本发明具体实施方式的TXHO站上不同模型的误差图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于神经网络的反演大气可降水量的MODIS模型改进方法，包括以下步骤：
S1：利用MODIS三通道比值法反演大气可降水量PWV，记为PWVMODIS，具体如下：
本具体实施方式采用2016年6月～9月期间研究区(29.0～35.0N，94.0～105.0W)共420组Terra MODIS数据进行研究分析，利用大气可降水量在MODIS的17(0.905μm)、18(0.936μm和19(0.94μm)三个通道附近对太阳辐射的吸收强度不一样，这一差异导致了三个吸收波段在同样的大气条件下有不同的灵敏度。其中大气可降水量在0.936μm附近对太阳辐射的吸收强度最大，是强吸收带，在干燥的大气环境下敏感度最高；而0.905μm是弱吸收带，在潮湿的大气环境下敏感度最高。
在某一大气环境下，三个不同通道得到的大气可降水量透过率不同也就导致得出的大气可降水量含量也存在差异，对其进行加权平均会更符合实际的大气可降水量值，由下式(1)可以求得平均大气可降水量含量W
W＝f17W17+f18W18+f19W19 (1)
上式(1)中W17、W18、W19分别是计算得到的MODIS的近红外17,18和19三个波段的大气可降水量，f17、f18、f19是与之对应的权重因子。因此权重因子是影响三通道比值法反演大气可降水量的主要因素。本发明采用预测误差平方和最小法组合预测模型对17,18,19三通道比值法的权重因子进行优化，改进研究区域数据大气可降水量反演模型，建立组合模型，et为组合模型的误差满足下面关系，如式(2)
上式中ωi为组合模型中第i种模型的权系数,eit为第i种方法在第t时刻的误差。由公式(3)得：
令J＝WTEW那么，组合模型的权系数可以由以下规划模型求得：
按照最小二乘法的原理，根据误差平方和最小即可确定出组合模型的最优权系数wi。本发明对2016年研究区内随机挑选的432组数据，用三通道比值法分别以17,18,19三个通道作为水汽吸收通道反演大气可降水量，获取对应站点处的PWV值，并与对应的PWVGPS进行比较，计算出误差。按照上面的原理计算出研究区内的一组最优权系数w(0.31,0.17,0.52)。将加权平均三通道比值法计算出的最优权系数w(0.31,0.17,0.52)，即f17＝0.31，f18＝0.17，f19＝0.52。根据公式(1)，可以推导出三通道加权比值法反演PWV的公式为(5)
其中，A＝(0.8·ρ2+0.2·ρ5)。
利用ENVI计算改进算法的值W，该值W为利用MODIS三通道比值法反演大气可降水量PWV，即为PWVMODIS。
S2：利用BP神经网络技术对三通道比值法反演MODIS-PWV模型进行误差补偿。
利用BP神经网络建立测站处的纬度φ、测站处的高程h、年积日doy、步骤S1计算得到的PWVMODIS与测站GPS/MODIS反演的PWV残差RES之间的非线性关系。该BP神经网络具体结构如图1所示，其中：测站的位置(测站的纬度φ、测站的高程h)、年积日doy和三通道比值法反演MODIS-PWV模型的大气可降水量PWVMODIS为该神经网络的输入参数，三通道比值法反演MODIS-PWV模型所计算的测站GPS/MODIS反演PWV残差RESBP为输出参数。
S3：使用Suominet网站提供的高精度PWVGPS数据以及相应的纬度φ、高程h、年积日doy对步骤S2建立的BP神经网络模型进行训练。
研究区域示意图如图2所示，选取Suominet GPS网11个GPS观测站点，覆盖美国整个德克萨斯州中部，西部，以及部分东部地区作为建模数据，各个GPS站具体名称和位置信息如表1。
表1研究区GPS测站信息
利用上述11个GPS观测站点的2016年6月1日到2016年9月1日180组数据对如图1所示设计的BP神经网络进行训练。
S4：将测站处的纬度φ、测站处的高程h、年积日doy以及步骤S1中计算得到的大气可降水量PWVMODIS作为输入参数代入步骤S3已经训练完毕的BP神经网络模型，并计算出GPS测站处PWV残差RESBP。
S5：计算修改后新模型的大气可降水量。
对三通道比值法反演MODIS-PWV模型进行误差补偿，即利用步骤S4中计算出来的GPS测站处PWV残差RESBP补偿步骤S1中MODIS三通道比值法反演大气可降水量PWVMODIS。因此，本发明的模型即基于神经网络的反演水汽的MODIS模型计算测站位置的大气可降水量应为：PWV＝PWVMODIS+RESBP。
本发明选择研究区域附近4个GPS站的PWV数据产品，如表2所示，然后分别计算出GPS/MODIS神经网络模型、加权平均三通道比值法MODIS模型并与Suominet提供的GPS-PWV进行比较。
表2检验站点信息
以平均偏差BIAS和中误差RMSE作为模型比较分析验证的基本标准，它们的计算式分别为：
其中，N是用于测试数据的数量；PWVMODIS为MODIS图像反演的大气可降水量值；PWVGPS为GPS计算的大气可降水量值，可当做真值，即Suominet网站所提供的PWV值。
图3分别是这4个GPS站上各个模型的误差图，单位为mm。而表3给出了这两种模型在4个GPS站上大气可降水量的偏差绝对值的平均值BIAS和中误差RMSE。
表3两种算法的精度比较
从表3和图3中可以看出加权平均三通道比值法在这四个GPS站的BIAS为4.56mm，且大多为正值，其中MDO1站BIAS最小，为3.94mm；GPS/MODIS神经网络模型在此四个站的BIAS为1.12mm，其中TXHO站BIAS最小，为0.97mm。在中误差上可以看出，两种模型在四个检验站的平均RMSE分别为±3.22，±1.07，精度依次提高。
结合上表可以得到以下结论：
GPS/MODIS神经网络模型精度高于三通道加权比值反演MODIS-PWV模型，检验四个GPS站可以看出中误差由±3.22mm提高到±1.07mm，精度提高66.7％，提高效果显著。
因此，神经网络能更好的拟合GPS与MODIS反演大气可降水量关系。
Claims (3)
1.一种基于神经网络的反演大气可降水量的MODIS模型改进方法，其特征在于：包括以下步骤：
S1：利用MODIS三通道比值法反演大气可降水量PWV，记为PWVMODIS；
S2：利用BP神经网络建立测站处的纬度φ、测站处的高程h、年积日doy、步骤S1计算得到的PWVMODIS与测站GPS/MODIS反演的PWV残差RES之间的非线性关系；
S3：利用Suominet网站提供的高精度PWVGPS数据以及相应的纬度φ、高程h、年积日doy对步骤S2建立的BP神经网络模型进行训练；
S4：将测站处的纬度φ、测站处的高程h、年积日doy以及步骤S1中计算得到的大气可降水量PWVMODIS作为输入参数代入步骤S3已经训练完毕的BP神经网络模型，并计算出GPS测站处PWV残差RESBP；
S5：利用步骤S4中计算出的GPS测站处PWV残差RESBP补偿步骤S1中MODIS三通道比值法反演大气可降水量PWVMODIS，最终获得大气可降水量PWV＝PWVMODIS+RESBP。
2.根据权利要求1所述的基于神经网络的反演大气可降水量的MODIS模型改进方法，其特征在于：所述步骤S1中，MODIS模型三通道加权比值法反演PWVMODIS如式(1)所示：
其中，ρ17、ρ18、ρ19分别为17、18、19通道计算的表观反射率，A＝(0.8·ρ2+0.2·ρ5)，ρ2、ρ5分别为2通道、5通道计算的表观反射率；
将加权平均三通道比值法计算出的最优权系数f17＝0.31、f18＝0.17、f19＝0.52带入上式，得出下面计算公式(2)：
3.根据权利要求1所述的基于神经网络的反演大气可降水量的MODIS模型改进方法，其特征在于：BP神经网络的输入端与输出端之间设置有隐含层且每个隐含层的节点为25个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710468481.2A CN107356554B (zh) | 2017-06-20 | 2017-06-20 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710468481.2A CN107356554B (zh) | 2017-06-20 | 2017-06-20 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107356554A CN107356554A (zh) | 2017-11-17 |
| CN107356554B true CN107356554B (zh) | 2019-08-20 |
Family
ID=60272288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710468481.2A Active CN107356554B (zh) | 2017-06-20 | 2017-06-20 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107356554B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108874734B (zh) * | 2018-04-25 | 2022-03-08 | 中国科学院国家空间科学中心 | 一种全球陆地降水反演方法 |
| CN108897074B (zh) * | 2018-04-25 | 2020-08-04 | 中国科学院国家空间科学中心 | 一种全球海洋降水反演方法 |
| CN108897073A (zh) * | 2018-06-20 | 2018-11-27 | 西安电子科技大学 | 基于北斗信号及地面无线信号的天气预测方法 |
| CN109709558B (zh) * | 2019-03-06 | 2022-12-06 | 成都信息工程大学 | 一种星载微波遥感陆地上空pwv的物理反演方法 |
| JP7280947B2 (ja) * | 2019-05-13 | 2023-05-24 | 古野電気株式会社 | 水蒸気観測システム及び水蒸気観測方法 |
| CN111983732B (zh) * | 2020-07-27 | 2022-08-05 | 南京信息工程大学 | 一种基于深度学习的降水强度估计方法 |
| CN112882129A (zh) * | 2021-01-08 | 2021-06-01 | 中国矿业大学 | 基于gnss水汽反演技术的台风运动状态监测方法 |
| CN112632473B (zh) * | 2021-03-09 | 2021-05-25 | 长江空间信息技术工程有限公司(武汉) | 一种融合地基和空基gnss大气可降水量的计算方法 |
| CN113486590A (zh) * | 2021-07-13 | 2021-10-08 | 上海眼控科技股份有限公司 | 一种数据处理方法、设备和存储介质 |
| CN114065931B (zh) * | 2022-01-11 | 2022-05-03 | 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007085875A2 (en) * | 2006-01-25 | 2007-08-02 | Arkex Limited | A method of terrain correction for a geophysical survey |
| 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 |
| CN103455702A (zh) * | 2012-11-28 | 2013-12-18 | 东南大学 | 一种确定区域电离层延迟的方法 |
| CN103529439A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 一种神经网络系统的植被参数遥感反演方法和装置 |
| CN104376361A (zh) * | 2014-10-15 | 2015-02-25 | 南京航空航天大学 | 一种基于bp神经网络算法的核事故源项反演方法 |
| CN105182366A (zh) * | 2015-09-02 | 2015-12-23 | 东南大学 | 一种基于实测气象参数的对流层天顶延迟改正方法 |
| CN105787556A (zh) * | 2016-02-23 | 2016-07-20 | 东南大学 | 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法 |
| CN106022470A (zh) * | 2016-04-29 | 2016-10-12 | 东南大学 | 一种基于bp-egnos融合模型的对流层延迟改正方法 |
-
2017
- 2017-06-20 CN CN201710468481.2A patent/CN107356554B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007085875A2 (en) * | 2006-01-25 | 2007-08-02 | Arkex Limited | A method of terrain correction for a geophysical survey |
| 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 |
| CN103455702A (zh) * | 2012-11-28 | 2013-12-18 | 东南大学 | 一种确定区域电离层延迟的方法 |
| CN103529439A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 一种神经网络系统的植被参数遥感反演方法和装置 |
| CN104376361A (zh) * | 2014-10-15 | 2015-02-25 | 南京航空航天大学 | 一种基于bp神经网络算法的核事故源项反演方法 |
| CN105182366A (zh) * | 2015-09-02 | 2015-12-23 | 东南大学 | 一种基于实测气象参数的对流层天顶延迟改正方法 |
| CN105787556A (zh) * | 2016-02-23 | 2016-07-20 | 东南大学 | 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法 |
| CN106022470A (zh) * | 2016-04-29 | 2016-10-12 | 东南大学 | 一种基于bp-egnos融合模型的对流层延迟改正方法 |
Non-Patent Citations (3)
| Title |
|---|
| Neural network based method for compensating model error;Hu Wu SHENG;《JOURNAL OF SOUTHEAST UNIVERSITY》;20090930;全文 |
| 基于 BP 神经网络算法的对流层湿延迟计算;李剑锋等;《东南大学学报》;20131130;第43卷;全文 |
| 针对 ＭＯＤＩＳ近红外数据反演大气水汽含量研究;姜立鹏等;《国土资源遥感》;20060915(第3期);全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107356554A (zh) | 2017-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107356554B (zh) | 一种基于神经网络的反演大气可降水量的modis模型改进方法 | |
| Bao et al. | Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model | |
| Blacutt et al. | Precipitation comparison for the CFSR, MERRA, TRMM3B42 and Combined Scheme datasets in Bolivia | |
| CN103994976B (zh) | 基于modis数据的农业旱情遥感监测方法 | |
| He et al. | A new voxel-based model for the determination of atmospheric weighted mean temperature in GPS atmospheric sounding | |
| Luo et al. | Refined estimation of lake water level and storage changes on the Tibetan Plateau from ICESat/ICESat-2 | |
| Wilgan et al. | Multi-observation meteorological and GNSS data comparison with Numerical Weather Prediction model | |
| Zhong et al. | Estimation of hourly land surface heat fluxes over the Tibetan Plateau by the combined use of geostationary and polar-orbiting satellites | |
| CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
| Li et al. | Estimating monthly average temperature by remote sensing in China | |
| CN110389087B (zh) | 一种污染天气下的pm2.5浓度卫星遥感估算方法 | |
| CN108345009A (zh) | 无先验信息约束的gps三维水汽层析方法和装置 | |
| Chen et al. | Assessing the performance of troposphere tomographic modeling using multi-source water vapor data during Hong Kong's rainy season from May to October 2013 | |
| CN114817825A (zh) | 一种基于超光谱遥感的排放源co2快速成像方法 | |
| Shangguan et al. | GPS tomography: validation of reconstructed 3-D humidity fields with radiosonde profiles | |
| CN108981616A (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
| Pyankov et al. | A GIS-based modeling of snow accumulation and melt processes in the Votkinsk reservoir basin | |
| Zhao et al. | Precipitable water vapor fusion method based on artificial neural network | |
| Zhao et al. | Retrieval of a high-precision drought monitoring index by using GNSS-derived ZTD and temperature | |
| Ziemke et al. | Ozone mixing ratios inside tropical deep convective clouds from OMI satellite measurements | |
| Chen et al. | Variation of atmospheric aerosol optical depth and its relationship with climate change in China east of 100 E over the last 50 years | |
| Li et al. | Long-term observations of NO2 using GEMS in China: Validations and regional transport | |
| Yu et al. | Estimation of clear-sky longwave downward radiation from HJ-1B thermal data | |
| Nourani et al. | Implication of remotely sensed data to incorporate land cover effect into a linear reservoir-based rainfall–runoff model | |
| Yang et al. | A global grid model for calibration of zenith hydrostatic delay |
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 |