CN108871586B - 一种地基红外遥感地表温度的反演方法 - Google Patents
一种地基红外遥感地表温度的反演方法 Download PDFInfo
- Publication number
- CN108871586B CN108871586B CN201810835025.1A CN201810835025A CN108871586B CN 108871586 B CN108871586 B CN 108871586B CN 201810835025 A CN201810835025 A CN 201810835025A CN 108871586 B CN108871586 B CN 108871586B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- ground
- earth surface
- remote sensing
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims abstract description 58
- 230000005855 radiation Effects 0.000 claims abstract description 39
- 229910052697 platinum Inorganic materials 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000000523 sample Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000009529 body temperature measurement Methods 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 239000004568 cement Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种地基红外遥感地表温度的反演方法,包括步骤1.构建测量系统,并收集影响测量数据的因素,步骤2.通过步骤1中的测量系统,找出影响红外遥感地表温度的主要因素,并作为输入参量,步骤3.通过步骤1中测量的样本数据搭建BP神经网络,步骤4.利用测量台站的测量数据对步骤1中测量的数据进行修正,并通过铂电阻测量验证本方法的正确性。本发明提供地基红外遥感地表温度的反演方法,能够利用红外辐射原理对任何地表进行遥测,克服传统铂电阻测量存在的问题。
Description
技术领域
本发明属于温度测量领域,尤其涉及一种地基红外遥感地表温度的反演方法。
背景技术
目前,我国气象台站主要采用的铂电阻地表温度观测方式的局限性日益突显,存在受环境因素影响大、准确性差,对不同下垫面的适应性差,人工维护强度大等亟待解决的问题,并制约了自动化观测地表温度的方向的发展。
地表温度也称下垫面温度,包括土壤温度、雪面温度或草面温度等。地表温度的维持和变化受到入射的太阳辐射、大气长波辐射、地球表面出射的红外辐射、感热和潜热通量、以及地面的热通量等因子的影响。因此,地表温度是表征地表与大气之间的能量和水分平衡,地球资源环境动态变化,处理生物与大气圈之间物质和能量交换的一个重要参数。在农业、气候、生态、重大自然灾害预测和防灾减灾等许多领域的研究中具有重要的应用价值。
目前,观测地表温度的方法为遥感观测与接触式观测两大类,遥感观测有卫星遥感观测和地面辐射观测。《地面气象观测规范》中常规的接触式地表温度观测仪器有玻璃液体温度表和铂电阻地温传感器。玻璃液体温度表及其所用人工观测方法获取的地表温度资料的准确性、代表性、比较性等存在一些问题。
当前,铂电阻传感器是我国气象台站使用的地表温度测量的方式,测量时将温度表放置于土地表面呈水平状,感温部分一般埋进土壤中,另外一半直接放置于空气中。但用铂电阻测到的是土壤表面温度与其紧挨空气温度的平均值,所以不能真正表示地表温度。并且由它测量地表温度的过程中,需与被测物体接触,因而对测量结果产生影响的因素较多,测得的误差较大,还需要人工进行维护,不能满足新型自动气象站的需求。另外,现今气象观测中,铂电阻测地表温度仅限于裸露地面和草地。但裸露地表仅是地表的一种形式,由于地球上大于70%的表面为水面,因此观测水表面温度也是气象观测地表温度的一个重要需求,在城市、公路上的水泥、沥青、雪面等温度观测同样是重要的需求。
综上所述,测量地表温度的一种新型并且有效的方法是利用红外辐射原理制成的红外温度传感器进行遥感探测,该装置配置的地基红外遥感地表温度的反演方法是亟待研究的问题。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供地基红外遥感地表温度的反演方法,能够利用红外辐射原理对任何地表进行遥测,克服传统铂电阻测量存在的问题。
本发明采用如下技术方案:
步骤1.同区域,在不同地表构建地基红外遥感地表温度的测量装置系统。
基于大气同化资料收集具有代表性的大气温度、湿度轮廓线等数据,采用SCIATRAN大气辐射传输模式进行模拟计算。
优选的是,地基红外遥感地表温度的测量装置中包括一个探头垂直朝上观测的SI-111-6545红外温度传感器系统进行大气下行辐射的测量,用于消除大气环境辐射的影响,并修正红外遥感的地表亮温,三个探头垂直朝下的SI-111红外温度传感器系统,以及用于测量地表温度数据的铂电阻地表温度传感器系统。
步骤2.根据步骤1中的结果得到影响地表温度反演精度的主要因子,确定空气温度、各下垫面的地表发射率和太阳辐射值等参量作为神经网络模型的输入向量。
步骤3.利用步骤2中选择的关键输入向量与步骤1中测量装置系统同步观测的铂电阻地表温度的对应关系,训练和构建红外遥感地表温度的神经网络计算模型。
其中,步骤3又具体包括以下步骤:
步骤(1).构建结构为输入层、隐层和输出层三层,net=newff(inputn,outputn,5)的BP神经网络;
输入层inputn为M组6个输入向量组成的M×6维矩阵,6个输入向量分别为地表亮温的修正值、空气温度、3个下垫面的地表发射率和太阳辐射值。
隐层神经元的个数为5。
输出层outputn为M组1个输出向量组成的M×1维矩阵,输出向量为铂电阻地表温度值。
步骤(2).将样本数据进行归一化处理,[outputn,outputps]=mapminmax(output_train,0,1)。
步骤(3).将步骤(1)中的三层节点通过权重函数连接,每一个节点下一次的输出由当前输入、阈值及激活函数通过作用函数后输出,
其中,ωij为链接节点i、j的权重函数,θ为节点阈值。设置当前输入层及网络层的权值和阈值;
当前输入层权值inputWeights=net.IW{1,1},阈值inputbias=net.b{1};当前网络层权值layerWeights=net.LW{2,1},阈值layerbias=net.b{2};
步骤(4).设置网络参数
训练目标误差net.trainParam.goal=1e-4
训练步数net.trainParam.epochs=1000
学习速率net.trainParam.lr=0.05
步骤(5)调用函数train对BP神经网络进行训练[net,tr]=train(net,inputn,outputn),构建BP神经网络。
步骤4.利用气象台站红外遥感地表亮温的修正值、空气温度、太阳辐射值等数据,作为步骤3中神经网络模型的输入向量,反演计算出地基红外遥感的地表温度,并利用气象台站实测的铂电阻地表温度数据对地表温度反演精度进行评估。
其中,步骤4包括以下步骤,
步骤(1).对输入测试数据进行归一化处理
inputn_test=mapminmax('apply',input_test,inputps);
步骤(2).BP神经网络进行反演计算
an=sim(net,inputn_test);
步骤(3).地表温度的反演数据的反归一化处理BPoutput=mapminmax('reverse',an,outputps),最终实现地基红外遥感地表温度的反演。
本发明的有益效果:
1.地基红外遥感地表温度的反演方法利用物体表面热辐射强度与温度的关系遥测物体表面温度,具有非接触、感应快、测量精度高等诸多优点,测量到的是地表的平均温度,被广泛应用在表面温度测量上。
2.随着技术的发展,红外测温传感器在测量低温段的精度越来越高,推广使用红外地表辐射测温技术方案是非常必要的,具有重要的应用价值。
3.气象观测业务中铂电阻测量地表温度仅限于裸露土地和草面温度,对水面、雪面、水泥地面、沥青地面等均未观测,随着气象服务的扩展,亟待寻求一种更有效、更精确的测量方法和手段来测量不同下垫面的地表温度。
4.本发明针对地基红外地表温度测量的气象业务需求,提出了红外地表温度反演的方法,实现了地基红外遥感地表温度的快速、精确反演。
附图说明
图1为本发明红外遥感地表温度的反演技术路线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
地基红外遥感地表温度的反演方法其方案是:
步骤1.同区域在不同地表构建地基红外遥感地表温度的测量装置系统,基于大气同化资料收集具有代表性的大气温度、湿度轮廓线等数据,采用SCIATRAN大气辐射传输模式进行模拟计算。
垂直向下探测地表温度的红外温度传感器SI-111接收到的红外辐射包含下垫面的热辐射和整层大气下行辐射的反射两部分,因此测量地表的温度需要去除整层大气下层辐射的反射部分。
又因为整层大气下行辐射的反射与天气的变化密切相关,因此需要在去除整层大气下层辐射的反射部分时,需要考虑晴空、雾、沙尘等不同大气情况下大气下层辐射对红外地表温度测量精度产生的影响。
基于大气同化资料收集具有代表性的大气温度、湿度轮廓线等数据,采用SCIATRAN大气辐射传输模式进行模拟计算,目的也是研究大气下行辐射对红外地表温度测量的影响。
优选的是,地基红外遥感地表温度的测量装置中包括一个探头垂直朝上观测的SI-111-6545红外温度传感器进行大气下行辐射的测量,用于消除大气环境辐射的影响,并修正红外遥感的地表亮温,三个探头垂直朝下的SI-111红外温度传感器系统,以及用于测量地表温度数据的铂电阻地表温度传感器系统。
步骤2.根据步骤1中的结果得到影响地表温度反演精度的主要因子,确定空气温度、各下垫面的地表发射率和太阳辐射值等参量作为神经网络模型的输入向量。
这是由于红外地表温度传感器接收的辐射量与下垫面地表温度、大气下行辐射的反射、发射率等因素有关。
步骤3.利用步骤2中选择的关键输入向量与步骤1中测量装置系统同步观测的铂电阻地表温度的对应关系,训练和构建红外遥感地表温度的神经网络计算模型。
其中,步骤3又具体包括以下步骤:
步骤(1).构建结构为输入层、隐层和输出层三层,net=newff(inputn,outputn,5)的BP神经网络;
输入层inputn为M组6个输入向量组成的M×6维矩阵,6个输入向量分别为地表亮温的修正值、空气温度、3个下垫面的地表发射率和太阳辐射值。
隐层神经元的个数为5。
输出层outputn为M组1个输出向量组成的M×1维矩阵,输出向量为铂电阻地表温度值。
步骤(2).将输入向量和输出向量步骤1中构建模型测量的样本数据进行归一化处理,[outputn,outputps]=mapminmax(output_train,0,1)。
步骤(3).将步骤(1)中的三层节点通过权重函数连接,每一个节点下一次的输出由当前输入、阈值及激活函数通过作用函数后输出.
其中,ωij为链接节点i、j的权重函数,θ为节点阈值。设置当前输入层及网络层的权值和阈值。
当前输入层权值inputWeights=net.IW{1,1},阈值inputbias=net.b{1};当前网络层权值layerWeights=net.LW{2,1},阈值layerbias=net.b{2};
步骤(4).设置网络参数
训练目标误差net.trainParam.goal=1e-4
训练步数net.trainParam.epochs=1000
学习速率net.trainParam.lr=0.05
步骤(5)调用函数train对BP神经网络进行训练[net,tr]=train(net,inputn,outputn),构建BP神经网络。
步骤4.利用气象台站红外遥感地表亮温的修正值、空气温度、太阳辐射值等数据,作为步骤3中神经网络模型的输入向量,反演计算出地基红外遥感的地表温度,并利用台站实测的铂电阻地表温度数据对地表温度反演精度进行评估。
其中,步骤4包括以下步骤,
步骤(1).对输入测试数据进行归一化处理
inputn_test=mapminmax('apply',input_test,inputps);
步骤(2).BP神经网络进行反演计算
an=sim(net,inputn_test);
步骤(3).地表温度的反演数据的反归一化处理BPoutput=mapminmax('reverse',an,outputps),最终实现地基红外遥感地表温度的反演。
利用红外遥感地表温度硬件平台系统于同一块测试场地、同时进行测试:
实施例1选取裸露地面的下垫面进行观测地表温度实验
在裸露地面的下垫面作为测试平台,将钢架下部安装稳定钢架的配重基座,钢架上安装有通过锁紧螺栓调整高度的横支架,横支架与钢架呈垂直状态,并保持横支架与裸露地表的距离为1m,将选用的红外温度传感器SI-111安装在横支架上,使红外温度传感器SI-111探头垂直朝下,并对应于裸露地面;并在横支架上安装一个探头朝上的用于测大气温度的SI-111-6545红外温度传感器,用于大气下行辐射的测量,用以消除大气环境辐射的影响,和修正测量温度,提高地基红外遥感地表温度测量的精确性;并且裸露地面的下垫面上安装PT100四线制铂电阻温度传感器,用于对地基红外遥感的地表温度测量温度进行评估,红外温度传感器均通过亚当模块数据采集器ADAM-4118模块向PC输入信号,PT100四线制铂电阻温度传感器向PC输入信号。
实施例2选取草地的下垫面进行观测地表温度实验
选取草地的下垫面进行观测地表温度试验,选用如实施例1中的钢架,基座,横支架,通过基座将钢架立于草地平台上,横支架通过锁紧螺栓安装在钢架上,横支架与钢架呈垂直状态,保持横支架与草地地表的距离为1m,将选用的红外温度传感器SI-111安装在横支架上,使红外温度传感器SI-111探头垂直朝下,并对应于草地地表,并且草地地面的下垫面上安装PT100四线制铂电阻温度传感器,用于对地基红外遥感的地表温度测量温度进行评估,红外温度传感器通过亚当模块数据采集器ADAM-4118模块向PC输入信号,PT100四线制铂电阻温度传感器向PC输入信号。
实施例3选取水泥地面的下垫面进行观测地表温度实验
选取水泥地面的下垫面为测试实验平台,如实施例1,在钢架下部安装稳定钢架的配重基座,钢架上安装有通过锁紧螺栓调整高度的横支架,横支架与钢架呈垂直状态,并保持横支架与裸露地表的距离为1m,将选用的红外温度传感器SI-111安装在横支架上,使红外温度传感器SI-111垂直朝下,并对应于安放在裸露地表的红外测温探头,并且水泥地面的下垫面上安装PT100四线制铂电阻温度传感器,用于对地基红外遥感的地表温度测量温度进行评估,红外温度传感器通过亚当模块数据采集ADAM-4118模块向PC输入信号,PT100四线制铂电阻温度传感器向PC输入信号。
以2017年5月,某台站观测的红外遥感地表亮温的修正值、空气温度、太阳辐射值,以及实施例1、实施例2、实施例3各下垫面的地表发射率作为输入向量,同步观测的铂电阻温度值作为输出向量,形成BP神经网络训练样本集,利用建立的BP神经网络反演模型。
利用5月建立的BP神经网络反演模型对2017年6月的实施例1、实施例2、实施例3三种下垫面的地表温度进行反演计算,并对反演算法进行验证,验证结果如下表:
表1各下垫面神经网络红外反演地表温度与铂电阻温度(℃)对比
结果表明,本发明构建的模型可以快速高精度地反演地表温度,地基红外遥感地表温度的原始采样数据时间分辨率达到1s,数据缺测率小于2%。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种地基红外遥感地表温度的反演方法,其特征在于,包括
步骤1.同区域,在不同地表构建地基红外遥感地表温度的测量装置系统,基于大气同化资料收集具有代表性的大气温度、湿度轮廓线数据,并进行大气辐射传输模式模拟计算;
地基红外遥感地表温度的测量装置系统,包括一个探头垂直朝上观测的红外温度传感器系统和3个探头垂直朝下的红外温度传感器系统以及用于测量地表温度数据的铂电阻地表温度传感器系统;
步骤2.根据步骤1中的计算结果得到影响地表温度反演精度的主要因子,确定空气温度、各下垫面的地表发射率和太阳辐射值参量作为神经网络计算模型的输入向量;
步骤3.利用步骤2中选择的输入向量与步骤1测量装置系统中同步观测的铂电阻地表温度的对应关系,训练和构建红外遥感地表温度的神经网络计算模型;
步骤4.利用红外遥感地表亮温的修正值、空气温度、太阳辐射值数据,作为步骤3中神经网络计算模型的输入向量,反演计算出地基红外遥感的地表温度,并利用实测的铂电阻地表温度数据对地表温度反演精度进行评估。
2.根据权利要求1所述的一种地基红外遥感地表温度的反演方法,其特征在于,其中,步骤3又具体包括以下步骤:
步骤(1).构建结构为输入层、隐层和输出层三层,net=newff(inputn,outputn,5)的BP神经网络;
输入层inputn为M组6个输入向量组成的M×6维矩阵,6个输入向量分别为地表亮温的修正值、空气温度、3个下垫面的地表发射率和太阳辐射值;
隐层神经元的个数为5;
输出层outputn为M组1个输出向量组成的M×1维矩阵,输出向量为铂电阻地表温度值;
步骤(2).将样本数据进行归一化处理,[outputn,outputps]=mapminmax(output_train,0,1);
步骤(3).将步骤(1)中的三层节点通过权重函数连接,每一个节点下一次的输出由当前输入、阈值及激活函数通过作用函数后输出,
其中,ωij为链接节点i、j的权重函数,θ为节点阈值,设置当前输入层及网络层的权值和阈值;
当前输入层权值inputWeights=net.IW{1,1},阈值inputbias=net.b{1};当前网络层权值layerWeights=net.LW{2,1},阈值layerbias=net.b{2};
步骤(4).设置网络参数
训练目标误差net.trainParam.goal=1e-4
训练步数net.trainParam.epochs=1000
学习速率net.trainParam.lr=0.05
步骤(5)调用函数train对BP神经网络进行训练[net,tr]=train(net,inputn,outputn),构建BP神经网络。
3.根据权利要求1所述的一种地基红外遥感地表温度的反演方法,其特征在于,其中,步骤4包括以下步骤,
步骤(1).对输入测试数据进行归一化处理
inputn_test=mapminmax('apply',input_test,inputps);
步骤(2).BP神经网络进行反演计算
an=sim(net,inputn_test);
步骤(3).地表温度的反演数据的反归一化处理BPoutput=mapminmax('reverse',an,outputps),最终实现地基红外遥感地表温度的反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810835025.1A CN108871586B (zh) | 2018-07-26 | 2018-07-26 | 一种地基红外遥感地表温度的反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810835025.1A CN108871586B (zh) | 2018-07-26 | 2018-07-26 | 一种地基红外遥感地表温度的反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108871586A CN108871586A (zh) | 2018-11-23 |
CN108871586B true CN108871586B (zh) | 2020-08-18 |
Family
ID=64305308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810835025.1A Active CN108871586B (zh) | 2018-07-26 | 2018-07-26 | 一种地基红外遥感地表温度的反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108871586B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985608B (zh) * | 2021-02-01 | 2022-08-02 | 河北工业大学 | 一种沥青运料过程温度监测方法及系统 |
CN113405671A (zh) * | 2021-06-18 | 2021-09-17 | 成都信息工程大学 | 一种红外地表温度观测系统及其观测方法 |
CN113340438B (zh) * | 2021-07-08 | 2022-05-03 | 电子科技大学 | 一种航空发动机热端部件非接触温度场距离误差校准方法 |
CN113945282A (zh) * | 2021-09-03 | 2022-01-18 | 中国空间技术研究院 | 红外遥感卫星温度反演精度指标分配系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5777481A (en) * | 1996-04-01 | 1998-07-07 | University Corporation For Atmospheric Research | Ice detection using radiometers |
CN102915445B (zh) * | 2012-09-17 | 2015-08-19 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN105841819B (zh) * | 2016-03-23 | 2018-06-08 | 中国科学院遥感与数字地球研究所 | 一种有云条件下的地表温度的估算方法和装置 |
CN105930664B (zh) * | 2016-04-26 | 2018-07-27 | 中国科学院地理科学与资源研究所 | 一种从被动微波数据估算瞬时地表发射率的方法 |
CN107192459A (zh) * | 2017-06-19 | 2017-09-22 | 中国科学院南海海洋研究所 | 一种卫星热红外遥感在轨定标及卫星遥感温度产品现场验证的方法 |
-
2018
- 2018-07-26 CN CN201810835025.1A patent/CN108871586B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108871586A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108871586B (zh) | 一种地基红外遥感地表温度的反演方法 | |
Lelovics et al. | Design of an urban monitoring network based on Local Climate Zone mapping and temperature pattern modelling | |
Xu et al. | Assessment of the energy balance closure under advective conditions and its impact using remote sensing data | |
CN109709577A (zh) | 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法 | |
CN107390298A (zh) | 一种复杂山地下垫面大风的模拟方法及装置 | |
Andre et al. | Evaporation over land-surfaces: First results from HAPEX-MOBILHY special observing period | |
Pielke Sr et al. | Documentation of uncertainties and biases associated with surface temperature measurement sites for climate change assessment | |
CN102183237B (zh) | 一种地基双波段云高测量的装置和方法 | |
Oke | Siting and exposure of meteorological instruments at urban sites | |
Whelan et al. | Modelling spatial patterns of throughfall and interception loss in a Norway spruce (Picea abies) plantation at the plot scale | |
Fitzjarrald et al. | Growing season boundary layer climate and surface exchanges in a subarctic lichen woodland | |
CN108874734B (zh) | 一种全球陆地降水反演方法 | |
CN105891833A (zh) | 基于多普勒雷达信息识别暖云降水率的方法 | |
CN105069295A (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
CN111366195A (zh) | 一种地表水热通量的多尺度观测方法 | |
CN114077798B (zh) | 估算小尺度区域大气污染物网格浓度的方法 | |
Liu et al. | Microclimatic measurements in tropical cities: Systematic review and proposed guidelines | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
Romanov | Urban influence on cloud cover estimated from satellite data | |
CN112948352A (zh) | 一种构建大气光学湍流时空特征及概率化数据库的方法 | |
CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
CN108594335B (zh) | 一种全球降水检测方法 | |
Joyce et al. | Standardisation of temperature observed by automatic weather stations | |
CN103424782A (zh) | 一种中层径向辐合的自动识别方法 |
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 |