CN107491588A - 一种温压廓线的反演方法和系统 - Google Patents

一种温压廓线的反演方法和系统 Download PDF

Info

Publication number
CN107491588A
CN107491588A CN201710580002.6A CN201710580002A CN107491588A CN 107491588 A CN107491588 A CN 107491588A CN 201710580002 A CN201710580002 A CN 201710580002A CN 107491588 A CN107491588 A CN 107491588A
Authority
CN
China
Prior art keywords
training sample
observation
temperature
information
occultation
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
Application number
CN201710580002.6A
Other languages
English (en)
Other versions
CN107491588B (zh
Inventor
李小英
王雅鹏
王红梅
朱松岩
苗晶
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710580002.6A priority Critical patent/CN107491588B/zh
Publication of CN107491588A publication Critical patent/CN107491588A/zh
Application granted granted Critical
Publication of CN107491588B publication Critical patent/CN107491588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种温压廓线的反演方法和系统。所述方法包括：根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。本发明的温压廓线的反演方法，不仅适用于掩星观测几何的传感器，同时满足业务化运行系统时效性的要求。

Description

一种温压廓线的反演方法和系统
技术领域
本发明涉及气象探测技术领域，具体而言，本发明涉及一种温压廓线的反演方法和系统。
背景技术
现有的技术，温度和压力廓线是进行痕量气体反演所必备的大气参数。温压参数精度会影响大气成分反演的精度。目前，利用CO2的吸收通道进行温压反演是常规的做法。常见的，针对温压廓线，有基于统计的反演方法和基于物理的反演方法两种。
由于统计反演方法能够简化反演过程，加快反演速度，因此，适用于对大气参数反演有时效性要求的运行系统。具体地，统计反演方法包括基于特征向量的统计反演方法，以及基于神经网络的统计反演方法。目前这种统计反演方法在天底探测几何传感器上得以运用。但是若进行统计反演的对象是掩星观测几何的传感器，由于每景产品的切高位置与数目均不固定，因此，相应的训练样本对应的回归系统的维数也不相同。由于上述缺陷，使得统计反演方法的应用受到限制。
由于物理反演方法采用了正向辐射传输模型，从而使得物理反演方法有明确的物理意义，相应的反演精度较高。具体地，物理反演方法包括剥洋葱物理反演方法和最优物理反演方法。目前无论进行物理反演的对象是掩星观测几何的传感器，还是临边传感器，均采用上述物理反演方法进行反演。但是，上述物理反演方法也有不足之处：若进行物理反演的对象是高光谱掩星传感器，则相应的物理反演过程十分耗时。
因此，若进行反演的对象是掩星观测几何的传感器，则针对上述反演方法存在的缺陷，需要一种新的反演方法以解决上述现有的反演方法所存在的缺陷。
发明内容
本发明提供一种温压廓线的反演方法和系统，不仅适用于掩星观测几何的传感器，同时满足业务化运行系统时效性的要求。
第一方面，本发明实施例提供了一种温压廓线的反演方法，所述方法包括：
根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；
根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据所述回归系统、卫星观测光谱计算得到相应的温压廓线。
优选的，所述掩星观测信息包括以下一项或多项：
掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息。
优选的，所述选取调用的模型具体是正向辐射传输模型。
优选的，在所述根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，所述方法还包括：
获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
优选的，匹配出相应的训练样本集的公式具体为：
Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
优选的，生成模拟观测值的公式具体为：
Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
优选的，生成观测光谱的回归系数的公式具体为：
C＝XtrYtr(Ytr TYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
优选的，生成温压廓线的公式具体为：
X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
第二方面，本发明实施例还提供了一种温压廓线的反演系统，所述系统包括：
训练样本库生成单元，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
匹配生成单元，根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；
计算单元，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据所述回归系统、卫星观测光谱计算得到相应的温压廓线。
优选的，所述匹配生成单元对应的所述掩星观测信息包括以下一项或多项：
掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息。
因此，本发明提供的温压廓线的反演方法，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演方法能够适用于掩星观测几何的传感器，解决了现有的统计反演方法的温压廓线回归系统的维数不具有普适性的缺陷。
此外，由于根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库，从而使得由此建立的训练样本库中的温压廓线能够随时间和空间的变化而变化，从而得到的回归系统更加精准。进一步地，基于该动态回归系统的温压廓线进行统计反演，简化了反演过程，加快了反演速度，从而满足业务化运行系统时效性的要求。
附图说明
图1是本发明实施例提供的温压廓线的反演方法的流程图；
图2是本发明具体实例中的掩星传感器温压廓线反演流程图；
图3是本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)，其中，数字1指示的曲线图示出了反演结果，数字2指示的曲线图示出了ACE-FTS官方温度廓线产品结果；
图4是本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)与ACE-FTS官方温度廓线之间的差值；
图5是本发明实施例提供的温压廓线的反演系统的结构框架图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
本发明实施例提供了温压廓线的反演方法，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演方法能够适用于掩星观测几何的传感器，解决了现有的统计反演方法的温压廓线回归系统的维数不具有普适性的缺陷。
图1是本发明实施例提供的温压廓线的反演方法的流程图。
下面根据图1，对本发明的温压廓线的反演方法进行描述，如图1所示，温压廓线的反演方法包括如下步骤：
步骤101，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库。
在实际应用中，例如，选择逐月的月份，纬度选择5°，从而将数据集根据不同的月份和经纬度分类入库，建立逐月的，5°纬度格网的训练样本库。这仅仅是个示例而已。
需要说明的是，为了得到包含更多客观、准确、多样数据的训练样本集，在根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，本发明的温压廓线的反演方法还包括：
获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
步骤102，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱。其中，匹配出相应的训练样本集的公式具体为：Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
在具体反演实例中，掩星观测信息可以为：掩星观测序列的观测时间信息，掩星观测信息或者为：掩星观测序列的经纬度信息，掩星观测信息也可以为：与观测光谱对应的观测切高信息。
由于掩星观测几何切高序列不固定的特点，每景观测数据都生成与之相对应的回归系统，从而改进了使用原有的统计回归方法反演温压廓线回归系统的维数不具有普适性的缺陷。
需要说明的是，选取调用的模型可以为：正向辐射传输模型。需要说明的是，正向模型是在给定某一大气状态的前提下，对掩星观测不同切高上的太阳透过率光谱进行计算。包括大气辐射传输方程和仪器特征两部分。本文采用德国布莱梅大学开发的SCIATRANv3.3作为正向辐射传输模式。该辐射传输模式可以应用于任何观测几何(天底、临边、掩星)和任何观测位置(空基、地基、星基、水下)的光谱模拟。
进而，根据匹配出的训练样本集和选取调用的正向辐射传输模型生成相应的模拟光谱。
需要说明的是，在模拟的过程中，假定其它大气成分是固定的，只有温度与压强廓线是随样本变化的，正向模型中的切高设置于观测的切高设置保持一致。
在具体反演实例中，参照通道的信噪比，从而确定出随机噪音。进而在调用正向辐射传输模型得到的模拟结果之后，在得到的模拟结果的基础上，加入随机噪音，生成与训练样本对应的模拟观测值。
具体地，生成模拟观测值的公式具体为：Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
正是通过上述步骤，获得了包含了温度与压强廓线，以及与训练样本集中的训练样本对应的模拟观测值的统计回归训练样本。
步骤103，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。
具体地，将Xtr，Ytr带入统计回归模型，可求的对应目标观测光谱的回归系统C。其中，生成观测光谱的回归系数的公式具体为：C＝XtrYtr(Ytr TYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
进一步地，在得到观测光谱的回归系统C之后，将该得到的回归系统C带入生成温压廓线的公式中，可求的与观测光谱相对应的温压廓线。
具体地，生成温压廓线的公式具体为：X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
在本发明的具体应用场景下，为了获得更加准确的温压廓线，对于每景掩星观测数据，重复步骤102中的根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，以及步骤103中的根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。
图2是本发明具体实例中的掩星传感器温压廓线反演流程图。以ACE-FTS掩星传感器的1景观测光谱sr38154(2010-09-13，纬度63°N，经度287°)为例，说明上述过程，并将反演结果与官方产品相对比。其流程图如2所示。
结合图2对相应的步骤进行说明。
步骤1：数据集的选择。
具体地，本发明选用ACE-FTS Level2 v3.5廓线产品，时间跨度为2004年2月～2013年6月，整个廓线样本集共32025个样本，地理位置覆盖从北纬85度到南纬85度的全球大部分区域，时间分布上含盖了不同季节的数据，所有的大气成分廓线样本都插值处理1km间隔的0.5～149.5km的高度格网上。
步骤2：将数据集根据不同的月份和经纬度分类入库，建立逐月的，5°纬度平均的训练样本库。
步骤3：根据sr38154的观测时间与经纬度信息，匹配到训练样本库中9月份，65°N的纬向月平均训练样本集，共182条廓线Xtr。
步骤4：在正向模型SIATRAN中，输入sr38154的观测切高(98.91km、93.11km、87.28km、81.41km、75.53km、69.62km、63.67km、57.71km、51.72km、45.65km、39.78km、34.35km、29.53km、21.29km、18.14km、15.61km、13.46km、12.19km)，逐次代入182条训练样本廓线，得到模拟光谱Ytr。
步骤5：将训练样本集Xtr与模拟光谱Ytr带入统计回归模型求的回归系数。
步骤6：利用回归系数与卫星观测光谱求的相对应的温压廓线。
进一步地，为了更好地说明如图2所示的反演结果，图3示出了本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)，其中，数字1指示的曲线图示出了反演结果，数字2指示的曲线图示出了ACE-FTS官方温度廓线产品结果。
从图3可以看出，使用本申请的反演算法，反演结果与官方产品的一致性较好。进而，能够根据不同高度层上的光谱特征，反映温度变化趋势。
进一步地，图4示出了本发明具体实例中的sr38154温度廓线(纬度63°N，经度287°)与ACE-FTS官方温度廓线之间的差值所形成的曲线。
从图4可以看出，本申请的反演结果与官方产品的相对误差较小。在70km以下，差值在±2K以内，70km以上。随高度的增加，相对误差幅度变大，差值在4K-6k之间。
本发明提供的温压廓线的反演方法，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演方法能够适用于掩星观测几何的传感器，解决了现有的统计反演方法的温压廓线回归系统的维数不具有普适性的缺陷。
进一步地，由于根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库，从而使得由此建立的训练样本库中的温压廓线能够随时间和空间的变化而变化，从而得到的回归系统更加精准。进一步地，基于该动态回归系统的温压廓线进行统计反演，简化了反演过程，加快了反演速度，从而满足业务化运行系统时效性的要求。
图5是本发明实施例提供的温压廓线的反演系统的结构框架图。
相应的，本发明实施例还提供了一种温压廓线的反演系统，用以实现本发明实施例提供的温压廓线的反演方法。图5是本发明实施例提供的温压廓线的反演系统的结构框架图。
以下结合图5，对本发明提供的温压廓线的反演系统进行描述。如图5所示，该温压廓线的反演系统包括：训练样本库生成单元501，匹配生成单元502和计算单元503。
具体地，训练样本库生成单元501，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库。
此外，为了得到包含更多客观、准确、多样数据的训练样本集，本发明实施例提供的温压廓线的反演系统还包括：数据采集及数据集生成单元(在图5中未示出)。
具体地，数据采集及数据集生成单元，在根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
匹配生成单元502，根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱。
其中，匹配生成单元502对应的掩星观测信息可以为：掩星观测序列的观测时间信息，或者为：掩星观测序列的经纬度信息，还可以为：与观测光谱对应的观测切高信息。
其中，匹配生成单元502选取调用的模型具体可以为：正向辐射传输模型。
进一步地，匹配生成单元502用于匹配出相应的训练样本集的公式具体为：Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
进一步地，匹配生成单元502用于生成模拟观测值的公式具体为：Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
计算单元503，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据回归系统、卫星观测光谱计算得到相应的温压廓线。
具体地，计算单元503用于生成观测光谱的回归系数的公式具体为：
C＝XtrYtr(Ytr TYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
进一步地，计算单元503用于生成温压廓线的公式具体为：X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
因此，本发明提供的温压廓线的反演系统，匹配生成单元根据掩星观测信息，从训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱，进而结合选取的统计回归模型，计算得到相应的观测光谱的回归系数，从而使得本发明提供的温压廓线的反演系统能够适用于掩星观测几何的传感器，解决了现有的统计反演系统的温压廓线回归系统的维数不具有普适性的缺陷。
此外，本发明提供的温压廓线的反演系统，由于训练样本库生成单元根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库，从而使得由此建立的训练样本库中的温压廓线能够随时间和空间的变化而变化，从而得到的回归系统更加精准。进一步地，基于该动态回归系统的温压廓线进行统计反演，简化了反演过程，加快了反演速度，从而满足业务化运行系统时效性的要求。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种温压廓线的反演方法，其特征在于，所述方法包括：
根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；
根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据所述回归系统、卫星观测光谱计算得到相应的温压廓线。
2.根据权利要求1所述的方法，其特征在于，所述掩星观测信息包括以下一项或多项：
掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息。
3.根据权利要求1所述的方法，其特征在于，所述选取调用的模型具体是正向辐射传输模型。
4.根据权利要求1所述的方法，其特征在于，在所述根据选取的月份信息和经纬度信息，从数据集中调取相应的数据之前，所述方法还包括：
获取与进行反演运算相关的数据，并将相关数据形成相应的数据集。
5.根据权利要求1所述的方法，其特征在于，匹配出相应的训练样本集的公式具体为：
Xtr为[l×n]维矩阵，其中，l为大气层数，n为样本数，Xtr为匹配出的训练样本集。
6.根据权利要求1所述的方法，其特征在于，生成模拟观测值的公式具体为：
Ytr为[m×n]维矩阵，其中，m为对待反演的通道数与切高数进行乘法运算所得到的数值，n为样本数，Ytr为与训练样本集中的训练样本对应的模拟观测值。
7.根据权利要求1所述的方法，其特征在于，生成观测光谱的回归系数的公式具体为：
C＝XtrYtr(Ytr TYtr)-1，其中，C为观测光谱的回归系数，Xtr为匹配出的训练样本集，Ytr为与训练样本集中的训练样本对应的模拟观测值，下标tr表示训练样本，上标T代表矩阵的转置。
8.根据权利要求1所述的方法，其特征在于，生成温压廓线的公式具体为：
X＝CYT，其中，X为大气温压廓线，Y为卫星观测数据，C为观测光谱的回归系数，上标T代表矩阵的转置。
9.一种温压廓线的反演系统，其特征在于，所述系统包括：
训练样本库生成单元，根据选取的月份信息和经纬度信息，从数据集中调取相应的数据，并将调取到的数据分类入库，以得到相应的训练样本库；
匹配生成单元，根据掩星观测信息，从所述训练样本库中匹配出相应的训练样本集，以及根据匹配出的训练样本集和选取调用的模型生成相应的模拟光谱；
计算单元，根据匹配出的训练样本集、相应的模拟光谱和选取的统计回归模型，计算得到相应的观测光谱的回归系数，以及根据所述回归系统、卫星观测光谱计算得到相应的温压廓线。
10.根据权利要求9所述的系统，其特征在于，所述匹配生成单元对应的所述掩星观测信息包括以下一项或多项：
掩星观测序列的观测时间信息、掩星观测序列的经纬度信息以及与观测光谱对应的观测切高信息。
CN201710580002.6A 2017-07-17 2017-07-17 一种温压廓线的反演方法和系统 Active CN107491588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710580002.6A CN107491588B (zh) 2017-07-17 2017-07-17 一种温压廓线的反演方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710580002.6A CN107491588B (zh) 2017-07-17 2017-07-17 一种温压廓线的反演方法和系统

Publications (2)

Publication Number Publication Date
CN107491588A true CN107491588A (zh) 2017-12-19
CN107491588B CN107491588B (zh) 2020-04-28

Family

ID=60644468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710580002.6A Active CN107491588B (zh) 2017-07-17 2017-07-17 一种温压廓线的反演方法和系统

Country Status (1)

Country Link
CN (1) CN107491588B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110275182A (zh) * 2019-06-25 2019-09-24 中国科学院国家空间科学中心 一种临近空间大气温度和压强廓线探测系统
CN112730300A (zh) * 2020-10-13 2021-04-30 中国人民解放军国防科技大学 一种基于香农熵的giirs观测区大气廓线集采样方法
CN113128058A (zh) * 2021-04-22 2021-07-16 中国科学院空天信息创新研究院 温度廓线的反演方法、装置、可读存储介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103744069A (zh) * 2013-12-31 2014-04-23 中国科学院遥感与数字地球研究所 一种针对airs超光谱卫星数据的甲烷廓线正交反演方法
CN105784624A (zh) * 2016-03-04 2016-07-20 环境保护部卫星环境应用中心 一种水汽廓线的反演方法以及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103744069A (zh) * 2013-12-31 2014-04-23 中国科学院遥感与数字地球研究所 一种针对airs超光谱卫星数据的甲烷廓线正交反演方法
CN105784624A (zh) * 2016-03-04 2016-07-20 环境保护部卫星环境应用中心 一种水汽廓线的反演方法以及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110275182A (zh) * 2019-06-25 2019-09-24 中国科学院国家空间科学中心 一种临近空间大气温度和压强廓线探测系统
CN112730300A (zh) * 2020-10-13 2021-04-30 中国人民解放军国防科技大学 一种基于香农熵的giirs观测区大气廓线集采样方法
CN112730300B (zh) * 2020-10-13 2024-06-07 中国人民解放军国防科技大学 一种基于香农熵的giirs观测区大气廓线集采样方法
CN113128058A (zh) * 2021-04-22 2021-07-16 中国科学院空天信息创新研究院 温度廓线的反演方法、装置、可读存储介质和电子设备
CN113128058B (zh) * 2021-04-22 2024-06-21 中国科学院空天信息创新研究院 温度廓线的反演方法、装置、可读存储介质和电子设备

Also Published As

Publication number Publication date
CN107491588B (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
Paik et al. Determining the anthropogenic greenhouse gas contribution to the observed intensification of extreme precipitation
Sterl et al. When can we expect extremely high surface temperatures?
Houweling et al. An intercomparison of inverse models for estimating sources and sinks of CO2 using GOSAT measurements
Wang et al. NAO and its relationship with the Northern Hemisphere mean surface temperature in CMIP5 simulations
Wargan et al. The global structure of upper troposphere‐lower stratosphere ozone in GEOS‐5: A multiyear assimilation of EOS Aura data
Hazeleger et al. Multiyear climate predictions using two initialization strategies
Baker et al. Variational data assimilation for atmospheric CO2
Seviour Weakening and shift of the Arctic stratospheric polar vortex: Internal variability or forced response?
Anderson Localization and sampling error correction in ensemble Kalman filter data assimilation
Lorenz et al. Orbitally driven insolation forcing on Holocene climate trends: Evidence from alkenone data and climate modeling
Mikaloff Fletcher et al. CH4 sources estimated from atmospheric observations of CH4 and its 13C/12C isotopic ratios: 2. Inverse modeling of CH4 fluxes from geographical regions
Law et al. TransCom model simulations of hourly atmospheric CO2: Experimental overview and diurnal cycle results for 2002
Dayon et al. Transferability in the future climate of a statistical downscaling method for precipitation in France
Da‐Allada et al. Seasonal mixed‐layer salinity balance in the tropical Atlantic Ocean: Mean state and seasonal cycle
Timmermans et al. Impact of tropical cyclones on modeled extreme wind‐wave climate
Hoffmann et al. Bias and variance correction of sea surface temperatures used for dynamical downscaling
Voigt et al. Holocene shifts of the southern westerlies across the South Atlantic
Gao et al. Atmospheric volcanic loading derived from bipolar ice cores: Accounting for the spatial distribution of volcanic deposition
Pedatella et al. Ensemble data assimilation in the whole atmosphere community climate model
Cummings et al. Ocean data impacts in global HYCOM
Peters et al. Toward regional‐scale modeling using the two‐way nested global model TM5: Characterization of transport using SF6
Niwa et al. A three-dimensional icosahedral grid advection scheme preserving monotonicity and consistency with continuity for atmospheric tracer transport
Strahan et al. Chemical and dynamical impacts of stratospheric sudden warmings on Arctic ozone variability
Chevallier Impact of correlated observation errors on inverted CO2 surface fluxes from OCO measurements
Chen et al. Atmospheric modeling of high‐and low‐frequency methane observations: Importance of interannually varying transport

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