CN109580003B - 一种静止气象卫星热红外数据估算近地面大气温度方法 - Google Patents
一种静止气象卫星热红外数据估算近地面大气温度方法 Download PDFInfo
- Publication number
- CN109580003B CN109580003B CN201811550821.7A CN201811550821A CN109580003B CN 109580003 B CN109580003 B CN 109580003B CN 201811550821 A CN201811550821 A CN 201811550821A CN 109580003 B CN109580003 B CN 109580003B
- Authority
- CN
- China
- Prior art keywords
- data
- atmospheric temperature
- satellite
- thermal infrared
- 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 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 230000005855 radiation Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- TWXHOCQWENATIA-UHFFFAOYSA-N SNNS Chemical compound SNNS TWXHOCQWENATIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 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
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- 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
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于大气遥感技术领域，公开了一种静止气象卫星热红外数据估算近地面大气温度方法，利用卫星观测亮温、气象台站和数值预报模式资料，获取具有代表性的热红外观测亮温和近地面大气温度；利用卫星云检测产品，获取无云条件下的观测亮温、台站实测气温和辅助资料的匹配数据集；基于逐步回归方法分析卫星观测辐射亮温、大气压力、相对湿度、卫星观测角度、儒略日参数等与近地面大气温度的关系，确定用于估算大气温度的关键因子；利用神经网络技术构建近地面气温估算的反演模型；采用本发明的方法可实现在静止气象卫星热红外数据晴空条件下的反演近地面大气温度的目的。
Description
技术领域
本发明属于大气遥感技术领域，尤其涉及一种静止气象卫星热红外数据估算近地面大气温度方法。
背景技术
目前，业内常用的现有技术是这样的：近地面大气温度一般是使用高于地面2米的观测仪器测量的，其是描述环境状况的重要参数，也是气象观测站测量的一个重要数据。近地面大气温度对植物的光合作用、呼吸作用、和陆地表面蒸散过程等方面有重要作用，也对研究全球气候变化、陆地表面过程、植物生长状态等有重大意义。目前近地面大气温度反演主要研究方法有以下五种：单因子统计法，多因子统计法，人工神经网络法，温度—植被指数(TVX)法，地表能量平衡法。单因子统计法直接建立单个时相热红外传感器反演得到的地表温度与近地面大气温度之间的线性或非线性相关关系。多因子统计法在反演近地面大气温度的模型中，考虑的影响因子比单因子统计法更多。人工神经网络法可以方便处理一些不好明确建模的问题，能够表达地表温度与近地面大气温度之间的非线性关系。温度—植被指数(TVX)法基于遥感图像构建的植被指数与地表温度之间线性相关，以及公里级空间尺度上遥感反演的浓密植被温度与近地面大气温度近似相等的理论来获取近地面大气温度，TVX算法仅适用于高植被覆盖度地区的近地面大气温度估算，不适用于低植被覆盖度和裸地区域的近地面大气温度估算。地表能量平衡法是基于地表能量平衡原理进行近地面大气温度估算，这一类算法需要大量的辅助数据，这极大限制了其应用范围。总之，目前已有研究的卫星热红外数据近地面大气温度估算主要利用二级地表温度产品和其他辅助参数确定近地面大气温度，这就要求气象卫星具有高精度的业务化地表温度产品可用。
综上所述，现有技术存在的问题是：目前已有研究的卫星热红外数据估算近地面大气温度主要利用二级地表温度产品和其他辅助参数确定近地面大气温度，这一类近地面大气温度算法精度直接取决于二级地表温度产品的精度。二级地表温度产品的精度受地表发射率、大气状态不确定性、仪器观测误差等因素的影响，在近地面大气温度估算过程中地表温度的误差会传递给近地面大气温度。此外，目前很多气象卫星(比如中国的FY-4A和日本的Himawari-8卫星)没有地表温度的业务化产品，因此基于地表温度的近地面大气温度估算方法无法适用于这些卫星观测数据。
解决上述技术问题的难度和意义：
针对无地表温度业务化产品的卫星数据，基于现有的算法无法开展近地面大气温度估算。因此，亟需发展一种直接基于卫星热红外观测亮温数据和辅助数据的近地面大气温度估算方法。基于卫星热红外观测亮温的近地面大气温度估算算法，直接构建卫星观测亮温和近地面大气温度的关系，可以解决算法对地表温度产品的依赖性，同时减少中间过程误差对近地面大气温度结果的影响。
发明内容
针对现有技术存在的问题，本发明提供了一种静止气象卫星热红外数据估算近地面大气温度方法。
本发明是这样实现的，一种静止气象卫星热红外数据估算近地面大气温度方法，所述静止气象卫星热红外数据估算近地面大气温度方法包括：利用卫星热红外观测亮温、气象台站和数值预报模式资料，获取具有代表性的热红外观测亮温和近地面大气温度；利用卫星云检测产品，获取无云条件下的热红外观测亮温、气象台站实测近地面大气温度和辅助资料的匹配数据集；基于逐步回归方法分析卫星热红外观测亮温、大气压力、相对湿度、卫星观测角度、儒略日参数与近地面大气温度的关系，确定用于估算近地面大气温度的关键因子；利用神经网络技术构建近地面大气温度估算的反演模型。
进一步，所述建立大气可降水量的反演模型和计算方法具体是指反演计算中利用卫星热红外观测亮温、气象台站和数值预报模式资料，获取具有代表性的热红外观测亮温、大气可降水量和近地面大气温度，通过神经网络理论构建大气可降水量的估算模型。利用卫星云检测产品，获取无云条件下的热红外观测亮温、气象台站实测近地面大气温度和辅助资料的匹配数据集，利用逐步回归方法对热红外观测亮温以及其他辅助因子进行选择，确定最佳近地面大气温度估算因子；通过神经网络理论，建立一个无云条件下近地面大气温度的物理反演模型。
进一步，所述静止气象卫星热红外数据估算近地面大气温度方法以下步骤：
(1)同步下载收集静止气象卫星的L1b热红外观测亮温、云掩膜和地理位置信息；
(2)收集与静止气象卫星时空匹配的气象台站、数值预报模式、归一化植被指数等数据，基于MATLAB获取时空匹配的近地面大气温度、静止气象卫星窗区通道热红外观测亮温、卫星观测角、大气可降水量、相对湿度、归一化植被指数和儒略日等参数；
(3)利用SPSS 20.0开展逐步线性回归分析，分析各预测因子在近地面大气温度估算模型中的贡献，开展近地面大气温度估算模型预测因子的选择；
(4)利用斯图加特神经网络工具箱，构建基于前向多层神经网络的近地面大气温度估算模型；
(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差等参数对模型的精度进行评估分析。
进一步，所述静止气象卫星热红外数据估算近地面大气温度方法具体包括：
(1)根据月份信息和目标地区的经纬度范围信息，下载收集静止气象卫星的L1b辐射产品、云掩膜产品和地理位置信息；基于遥感处理软件ENVI将静止卫星的L1b辐射产品进行预处理，将热红外通道辐射转换为通道热红外观测亮温，提取11μm和12μm通道的热红外观测亮温数据；利用云掩膜产品去除有云天气下的像元热红外观测亮温数据，同时读取对应的地理位置产品，获取晴空像元的经纬度和卫星观测角度信息，构建晴空环境下多像元的11μm和12μm通道的热红外观测亮温、对应的经纬度和卫星观测角数据集；
(2)收集与(1)得到的静止气象卫星数据集时空匹配的气象台站观测数据、美国国家环境预报中心全球预报系统GFS数据、MODIS的16天合成的MOD13A2归一化植被指数等辅助数据集；其中，气象台站辅助数据集主要使用相对湿度、近地面大气温度和风速；GFS产品则选取使用其大气可降水量、气压和相对湿度产品；基于wgrib和MATLAB对以上数据进行读取和时空匹配处理，获取与(1)数据时间和空间匹配的近地面大气温度、大气可降水量、相对湿度、归一化植被指数和儒略日等参数数据集；
(3)将(1)和(2)收集的数据集开展逐步线性回归分析，其中近地面大气温度是因变量，11μm和12μm通道热红外观测亮温、大气可降水量、相对湿度、归一化植被指数、儒略日、卫星观测经纬度和角度等参数是自变量，挑选出对近地面大气温度有显著影响的自变量。具体则是利用SPSS20.0开展逐步线性回归分析，将自变量逐个的引入到回归模型，每引入一个自变量时，对已经入选的自变量开展逐个的F检验；当已经入选的自变量因为其他变量的引入而不再显著时，从模型中进行剔除；反复进行以上过程，一直到既无显著的自变量可入选模型，同时也没有不显著的变量从回归模型中被剔除为止；根据逐步分析的中间过程分析各自变量在近地面大气温度估算模型中的贡献，进行近地面大气温度估算模型的预测因子选择；
(4)将(3)选择的预测因子作为神经网络模型的输入，近地面大气温度作为神经网络的输出；利用斯图加特神经网络工具箱，构建基于前向多层神经网络的近地面大气温度估算模型；利用以上步骤构建的神经网络模型、模型的输入和输出数据集，对模型进行训练；
(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差等参数对模型的精度进行评估分析；判断误差是否满足精度要求，若满足精度需求则结束训练，否则继续调整各节点的权重进行训练；比较不同节点个数的各神经网络预测精度，选择最优网络作为估算模型；
(6)将卫星热红外数据和其他辅助数据作为神经网络的输入，基于(5)构建的最优网络实现近地面大气温度的估算。
本发明的另一目的在于提供一种应用所述静止气象卫星热红外数据估算近地面大气温度方法的利用合适方法处理高时间分辨率静止气象卫星热红外数据的系统。
本发明的另一目的在于提供一种应用所述静止气象卫星热红外数据估算近地面大气温度方法的适用于无地表温度业务产品的卫星热红外数据近地面大气温度估算系统。
综上所述，本发明的优点及积极效果为：本发明主要解决在无云条件下利用静止气象卫星热红外数据估算高时间分辨率近地面大气温度的方法。本发明提出的基于Himawari-8 AHI热红外观测亮温的神经网络模型的精度明显优于线性模型的结果，同时基于热红外观测亮温的神经网络模型结果也略优于基于MODIS地表温度产品的近地面大气温度估算模型，这表明本发明可以取得较好的近地面大气温度估算结果。相比传统算法，本发明适用无地表温度产品的卫星热红外数据的近地面大气温度估算，此外本发明仅需要卫星观测数据和数值预报参数来估算近地面大气温度，具有良好的适用性。
附图说明
图1是本发明实施例提供的静止气象卫星热红外数据估算近地面大气温度方法流程图。
图2是本发明实施例提供的神经网络模型训练技术路线图。
图3是本发明实施例提供的近地面大气温度估算技术路线图。
图4是本发明实施例提供的基于Himawari-8 AHI热红外观测亮温的线性(左图)和神经网络(右图)模型的估算近地面大气温度和气象台站实测近地面大气温度数据的二维直方分布图。
图5是本发明实施例提供的基于MODIS地表温度产品的线性(左图)和神经网络(右图)模型的估算近地面大气温度和气象台站实测近地面大气温度数据的二维直方分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明主要解决在无云条件下利用静止气象卫星热红外数据估算高时间分辨率近地面大气温度的方法。其适用无地表温度产品的卫星热红外数据的近地面大气温度估算。本发明仅需要卫星观测数据和数值预报参数来估算近地面大气温度。
如图1所示，本发明实施例提供的静止气象卫星热红外数据估算近地面大气温度方法包括以下步骤：
S101：利用卫星热红外观测亮温、气象台站和数值预报模式资料，获取具有代表性的热红外观测亮温和近地面大气温度；
S102：利用卫星云检测产品，获取无云条件下的热红外观测亮温、气象台站实测近地面大气温度和辅助资料的匹配数据集；
S103：基于逐步回归方法分析卫星热红外观测亮温、大气压力、相对湿度、卫星观测角度、儒略日参数等与近地面大气温度的关系，确定用于估算近地面大气温度的关键因子；
S104：利用神经网络技术构建近地面大气温度估算的反演模型。
本发明实施例提供的静止气象卫星热红外数据估算近地面大气温度方法具体包括以下步骤：
1、利用卫星热红外观测亮温、气象台站和数值预报模式资料，获取具有代表性的热红外观测亮温和近地面大气温度。
2、利用卫星云检测产品，获取无云条件下的热红外观测亮温、气象台站实测近地面大气温度和辅助资料的匹配数据集。
3、利用逐步回归方法分析热红外观测亮温、相对湿度、气压、风速、大气可降水、卫星观测角、太阳天顶角、儒略日等因子对近地面大气温度的影响。
4、利用选择的关键因子，基于神经网络技术训练关键因子与近地面大气温度的关系，构建高时间分辨率近地面大气温度估算模型。
5、利用日本的Himawari-8卫星热红外观测亮温和美国数值预报模式(GFS)提供的气压、相对湿度等关键因子数据输入神经网络来估算近地面大气温度，并利用气象台站的实测数据对近地面大气温度的估算精度进行评估。
所述静止气象卫星热红外数据估算近地面大气温度方法包括：(1)根据月份信息和目标地区的经纬度范围信息，下载收集静止气象卫星的L1b辐射产品、云掩膜(cloudmask)产品和地理位置信息。基于遥感处理软件ENVI将静止卫星的L1b辐射产品进行预处理，将热红外通道辐射转换为通道热红外观测亮温，提取11μm和12μm通道的热红外观测亮温数据。进一步利用云掩膜产品去除有云天气下的像元热红外观测亮温数据，同时读取对应的地理位置产品，获取晴空像元的经纬度和卫星观测角度信息，构建晴空环境下多像元的11μm和12μm通道的热红外观测亮温、对应的经纬度和卫星观测角数据集。(2)收集与步骤(1)得到的静止气象卫星数据集时空匹配的气象台站观测数据、美国国家环境预报中心全球预报系统(GFS)数据、MODIS的16天合成的MOD13A2归一化植被指数等辅助数据集。其中，气象台站辅助数据集主要使用近地面大气温度、相对湿度、近地面大气温度和风速。GFS产品则选取使用其大气可降水量、气压和相对湿度产品。基于wgrib和MATLAB对以上数据进行读取和时空匹配处理，进而获取与步骤(1)数据时间和空间匹配的近地面大气温度、大气可降水量、相对湿度、归一化植被指数和儒略日等参数数据集。(3)将步骤(1)和(2)收集的数据集开展逐步线性回归分析，其中近地面大气温度是因变量，11μm和12μm通道热红外观测亮温、大气可降水量、相对湿度、归一化植被指数、儒略日、卫星观测经纬度和角度等参数是自变量，挑选出对近地面大气温度有显著影响的自变量。具体则是利用SPSS 20.0(Statistical Product and Service Solutions)开展逐步线性回归分析，将前面提到的自变量逐个的引入到回归模型，每引入一个自变量时，就对已经入选的自变量开展逐个的F检验。当已经入选的自变量因为其他变量的引入而不再显著时，将其从模型中进行剔除。反复进行以上过程，一直到既无显著的自变量可入选模型，同时也没有不显著的变量从回归模型中被剔除为止。根据逐步分析的中间过程分析各自变量(预测因子)在近地面大气温度估算模型中的贡献，进行近地面大气温度估算模型的预测因子选择。(4)将步骤(3)选择的预测因子作为神经网络模型的输入，近地面大气温度作为神经网络的输出。利用斯图加特神经网络工具箱(Stuttgart Neural Network Simulator，SNNS)，构建基于前向多层神经网络的近地面大气温度估算模型。利用以上步骤构建的神经网络模型、模型的输入和输出数据集，对模型进行训练。(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差等参数对模型的精度进行评估分析。判断误差是否满足精度要求，若满足精度需求则结束训练，否则继续调整各节点的权重进行训练。比较不同节点个数的各神经网络预测精度，选择最优网络作为估算模型。(6)将卫星热红外数据和其他辅助数据作为神经网络的输入，基于步骤(5)构建的最优网络实现近地面大气温度的估算。
下面结合具体实施例对本发明的应用原理作进一步的描述。
收集了2016年中国区域180个气象台站的近地面大气温度实测数据，并同步收集了Himawari-8 AHI卫星同步观测的热红外观测亮温数据、美国数值预报(GFS)的地表气压、相对湿度和可降水量。由于热红外观测无法获取云区下的近地面大气温度，因此同步获取了Himawari-8云检测产品来进行云剔除。利用逐步回归分析方法分析AHI热红外观测亮温数据、像元经纬度、观测角、大气湿度、地表气压、大气可降水量、儒略日、风速和NDVI等因素对近地面大气温度估算的影响，确定有利于提高近地面大气温度估算精度的关键因子。表1给出了通过逐步回归分析确定的主要影响因子。基于上一步骤确定的关键因子和气象台站的实测近地面大气温度信息，利用多层神经网络模型对输入、输出数据进行训练，构建多层神经网络近地面大气温度估算模型。针对构建的神经网络模型，选择2017年的Himawari-8AHI卫星同步观测的热红外观测亮温数据、美国数值预报(GFS)的地表气压、相对湿度和可降水量等数据对算法进行了验证，结果表明本发明的神经网络模型精度明显优于线性模型的结果，AHI热红外观测亮温的神经网络模型精度也优于MODIS地表温度的神经网络模型结果。综上所述，本发明构建的模型可以快速估算高精度的近地面大气温度信息，克服了已有模型需要利用地表温度做为估算因子的缺点。
表1神经网络模型的主要输入参数的信息
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种静止气象卫星热红外数据估算近地面大气温度方法，其特征在于，所述静止气象卫星热红外数据估算近地面大气温度方法包括以下步骤：
(1)同步下载收集静止气象卫星的L1b热红外观测亮温、云掩膜和地理位置信息，利用云掩膜得到无云天气下的像元热红外观测亮温数据；
(2)收集与静止气象卫星时空匹配的气象台站数据、数值预报模式资料和归一化植被指数数据，基于MATLAB获取时空匹配的近地面大气温度、静止气象卫星窗区通道热红外观测亮温、卫星观测角、大气可降水量、相对湿度、归一化植被指数和儒略日参数；
(3)利用SPSS20.0开展逐步线性回归分析，分析各预测因子在近地面大气温度估算模型中的贡献，开展近地面大气温度估算模型预测因子的选择；
(4)利用斯图加特神经网络工具箱，构建基于前向多层神经网络的近地面大气温度估算模型；
(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差参数对模型的精度进行评估分析。
2.如权利要求1所述的静止气象卫星热红外数据估算近地面大气温度方法，其特征在于，所述静止气象卫星热红外数据估算近地面大气温度方法具体包括：
(1)根据月份信息和目标地区的经纬度范围信息，下载收集静止气象卫星的L1b辐射产品、云掩膜产品和地理位置信息；基于遥感处理软件ENVI将静止卫星的L1b辐射产品进行预处理，将热红外通道辐射转换为通道热红外观测亮温，提取11μm和12μm通道的热红外观测亮温数据；利用云掩膜产品得到无云天气下的像元热红外观测亮温数据，同时读取对应的地理位置产品，获取晴空像元的经纬度和卫星观测角度信息，构建晴空环境下多像元的11μm和12μm通道的热红外观测亮温、对应的经纬度和卫星观测角数据集；
(2)收集与步骤(1)得到的静止气象卫星数据集时空匹配的气象台站观测数据、美国国家环境预报中心全球预报系统GFS数据、MODIS的16天合成的MOD13A2归一化植被指数的辅助数据集；其中，气象台站观测数据包括近地面大气温度、相对湿度和风速；GFS数据则选取使用其大气可降水量、气压和相对湿度数据；基于wgrib和MATLAB对以上数据进行读取和时空匹配处理，获取与步骤(1)数据时间和空间匹配的近地面大气温度、大气可降水量、相对湿度、归一化植被指数和儒略日的参数数据集；
(3)将步骤(1)和步骤(2)收集的数据集开展逐步线性回归分析，其中近地面大气温度是因变量，11μm和12μm通道热红外观测亮温、大气可降水量、相对湿度、归一化植被指数、儒略日、卫星观测经纬度和卫星观测角是自变量，挑选出对近地面大气温度有显著影响的自变量；具体则是利用SPSS 20.0开展逐步线性回归分析，将自变量逐个的引入到回归模型，每引入一个自变量时，对已经入选的自变量开展逐个的F检验；当已经入选的自变量因为其他变量的引入而不再显著时，从模型中进行剔除；反复进行以上过程，一直到既无显著的自变量可入选模型，同时也没有不显著的变量从回归模型中被剔除为止；根据逐步分析的中间过程分析各自变量在近地面大气温度估算模型中的贡献，进行近地面大气温度估算模型的预测因子选择；
(4)将步骤(3)选择的预测因子作为神经网络模型的输入，近地面大气温度作为神经网络的输出；利用斯图加特神经网络工具箱，构建基于前向多层神经网络的近地面大气温度估算模型；利用以上步骤构建的神经网络模型、模型的输入和输出数据集，对模型进行训练；
(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差参数对模型的精度进行评估分析；判断误差是否满足精度要求，若满足精度需求则结束训练，否则继续调整各节点的权重进行训练；比较不同节点个数的各神经网络预测精度，选择最优网络作为估算模型；
(6)将卫星热红外数据和辅助数据作为神经网络的输入，基于步骤(5)构建的最优网络实现近地面大气温度的估算。
3.一种处理高时间分辨率静止气象卫星热红外数据的装置，所述装置采用如权利要求1或2所述的静止气象卫星热红外数据估算近地面大气温度方法处理高时间分辨率静止气象卫星热红外数据。
4.一种静止气象卫星热红外数据估算近地面大气温度的装置，所述装置采用如权利要求1或2所述的静止气象卫星热红外数据估算近地面大气温度方法估算近地面大气温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811550821.7A CN109580003B (zh) | 2018-12-18 | 2018-12-18 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811550821.7A CN109580003B (zh) | 2018-12-18 | 2018-12-18 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109580003A CN109580003A (zh) | 2019-04-05 |
| CN109580003B true CN109580003B (zh) | 2021-01-12 |
Family
ID=65930878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811550821.7A Active CN109580003B (zh) | 2018-12-18 | 2018-12-18 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109580003B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110749942B (zh) * | 2019-11-12 | 2021-05-18 | 江苏省气象科学研究所 | 适用于静止卫星资料同化的晴空通道检测质量控制方法 |
| CN111178384B (zh) * | 2019-12-01 | 2023-05-05 | 国家卫星气象中心 | 一种气象卫星动力对流层顶高度反演方法、装置、存储介质及计算机设备 |
| CN111737912B (zh) * | 2020-06-15 | 2024-01-23 | 洛阳师范学院 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
| CN111723524B (zh) * | 2020-06-23 | 2024-01-30 | 南通大学 | 一种基于日变化约束的pm2.5卫星遥感反演方法 |
| CN111982294B (zh) * | 2020-07-21 | 2022-06-03 | 电子科技大学 | 集成热红外与再分析资料的全天候地表温度生成方法 |
| CN112254866B (zh) * | 2020-10-15 | 2022-08-02 | 洛阳师范学院 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
| 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 |
| CN112834040A (zh) * | 2020-12-24 | 2021-05-25 | 合肥冬行信息科技有限公司 | 基于静止卫星的地面热异常识别算法 |
| CN112734017B (zh) * | 2021-04-01 | 2021-07-02 | 成都信息工程大学 | 一种降水量预测模型的建立方法 |
| CN113108918B (zh) * | 2021-04-07 | 2022-06-21 | 成都信息工程大学 | 一种极轨气象卫星热红外遥感数据反演气温方法 |
| CN113532652A (zh) * | 2021-05-20 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于浮标和大气再分析数据的红外遥感传感器绝对定标方法 |
| CN113408111B (zh) * | 2021-06-01 | 2023-10-20 | 国家卫星气象中心(国家空间天气监测预警中心) | 大气可降水量反演方法及系统、电子设备和存储介质 |
| CN114184280B (zh) * | 2021-12-07 | 2024-03-19 | 自然资源部国土卫星遥感应用中心 | 一种基于热量平衡的地表温度时间归一化方法 |
| CN114357770B (zh) * | 2022-01-04 | 2022-10-11 | 中南大学 | 一种对流层层析方法 |
| CN114323291B (zh) * | 2022-01-06 | 2023-06-13 | 中国地质大学（北京） | 一种卫星观测城市地表温度角度效应的计算方法 |
| CN114838827A (zh) * | 2022-05-23 | 2022-08-02 | 河北地质大学 | 一种基于mersi-ⅱ遥感数据的地表温度反演通道选择方法 |
| CN116341352B (zh) * | 2022-07-27 | 2023-10-24 | 南京气象科技创新研究院 | 地表温度观测信息约束的静止卫星陆上红外亮温模拟方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
| CN101634711A (zh) * | 2009-08-24 | 2010-01-27 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据估算近地表空气温度方法 |
| CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
| CN106503480A (zh) * | 2016-12-14 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种静止卫星火灾遥感监测方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103398780B (zh) * | 2013-06-26 | 2015-08-12 | 北京师范大学 | 基于fy-2c热红外波段的近地面气温反演方法 |
-
2018
- 2018-12-18 CN CN201811550821.7A patent/CN109580003B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
| CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
| CN101634711A (zh) * | 2009-08-24 | 2010-01-27 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据估算近地表空气温度方法 |
| CN106503480A (zh) * | 2016-12-14 | 2017-03-15 | 中国科学院遥感与数字地球研究所 | 一种静止卫星火灾遥感监测方法 |
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Non-Patent Citations (1)
| Title |
|---|
| Neural network estimation of air temperatures from AVHRR data;J.-D. Jang et al.;《International Journal of Remote Sensing》;20041110;第25卷(第21期);第4541-4554页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109580003A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
| US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| CN112684520B (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
| CN111551964B (zh) | 一种基于导航卫星系统的水汽观测方法 | |
| CN111257241B (zh) | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 | |
| CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
| CN104636608A (zh) | 一种modis卫星数据的直接同化方法 | |
| CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
| CN110389087B (zh) | 一种污染天气下的pm2.5浓度卫星遥感估算方法 | |
| CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| CN114219994A (zh) | 一种基于空海协同观测的海洋光学卫星辐射定标方法 | |
| 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 | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| CN117933095B (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
| CN116519913A (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
| CN116822141A (zh) | 利用卫星微光遥感反演夜间大气气溶胶光学厚度的方法 | |
| CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 | |
| Ma et al. | Improving the accuracy and spatial resolution of precipitable water vapor dataset using a neural network-based downscaling method | |
| CN116699729A (zh) | 地基微波辐射计资料的直接同化方法及装置 | |
| CN114169215B (zh) | 一种耦合遥感与区域气象模式的地表温度反演方法 | |
| CN115855272A (zh) | 一种生成近实时逐小时全天候地表温度的方法 | |
| CN113836731B (zh) | 陆表稳定目标大气层顶反射率模型的构建方法和装置 |
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 |