CN110378387B - 基于风云四号卫星和地基毫米波雷达的云底高度监测方法 - Google Patents

基于风云四号卫星和地基毫米波雷达的云底高度监测方法 Download PDF

Info

Publication number
CN110378387B
CN110378387B CN201910543506.XA CN201910543506A CN110378387B CN 110378387 B CN110378387 B CN 110378387B CN 201910543506 A CN201910543506 A CN 201910543506A CN 110378387 B CN110378387 B CN 110378387B
Authority
CN
China
Prior art keywords
cloud
millimeter wave
wave radar
wind
monitoring
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
Application number
CN201910543506.XA
Other languages
English (en)
Other versions
CN110378387A (zh
Inventor
余茁夫
胡雄
谭仲辉
胡申森
严卫
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910543506.XA priority Critical patent/CN110378387B/zh
Publication of CN110378387A publication Critical patent/CN110378387A/zh
Application granted granted Critical
Publication of CN110378387B publication Critical patent/CN110378387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于风云四号卫星和地基毫米波雷达的云底高度监测方法。该方法为：根据地基毫米波雷达对云的监测结果，将云分成不同的类型，据此整理风云四号气象卫星遥感产品和地基毫米波雷达资料，形成历史数据库；采用深度学习框架中的卷积神经网络对历史数据进行分析，利用地基毫米波雷达的监测结果修正风云四号气象卫星的监测结果，建立基于深度学习的云底高度监测模型；利用历史数据对监测模型进行验证，根据结果确定是否对模型进行调整；利用实时的风云四号气象卫星遥感产品和最终确定的云底高度监测模型对云底高度进行监测。本发明对云底高度监测的精度高、误差小、监测范围广，可用于开发卫星云底高度产品。

Description

基于风云四号卫星和地基毫米波雷达的云底高度监测方法
技术领域
本发明属于大气探测与遥感技术领域，特别是一种基于风云四号卫星和地基毫米波雷达的云底高度监测方法。
背景技术
云底高度是云的重要物理参数，与云的发展变化密切相关。在现代社会活动中，云底高度产生着重大的影响，它决定着飞机能否正常起飞降落、飞行航线如何选择，甚至武器装备的实际应用问题。因此，对云底高度进行准确的监测显得尤为重要。
目前主要是通过雷达来对云底高度进行监测。雷达向云层发射信号，信号在大气中传播时与云层发生作用，回波信号就会产生相应的变化，通过分析雷达接收到的回波信号，即可得到云层的信息，进而监测云底高度的变化。地基毫米波雷达对云底高度的监测效果较好，但是监测范围较小，不能对广大云区的云底高度进行监测。
相比于地基毫米波雷达，卫星的监测范围更广。因此，利用卫星来监测云底高度能够覆盖更广大的云区。卫星上可以搭载众多的仪器，最常用的是辐射成像仪。利用卫星辐射成像仪的遥感产品，如云顶高度、云粒子的有效尺度，云的光学厚度，可以间接地得到云底高度，其基本思路是根据云粒子的有效尺度和云的光学厚度计算出云层的厚度，然后用云顶高度减去云层厚度得到云底高度。但是在实际操作过程中，由于用到了很多经验公式，因此监测结果存在较大的误差。
发明内容
本发明的目的在于提供一种监测精度高、误差小、监测范围广的基于风云四号卫星和地基毫米波雷达的云底高度监测方法。
实现本发明目的的技术解决方案为：一种基于风云四号卫星和地基毫米波雷达的云底高度监测方法，包括以下步骤：
步骤1，根据地基毫米波雷达监测的云底高度，将云分为高云、中云和低云三种类型，并将其依次标记为1、2、3，作为模型训练的标签；根据地基毫米波雷达的监测时间、监测范围和监测得到的云的类型，找到对应的风云四号气象卫星遥感产品，形成历史数据集，将历史数据集随机分成训练集和测试集，并将其作为后续模型训练和验证的样本；
步骤2，通过深度学习的方法分析历史数据，利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型，从而根据地基毫米波雷达对云底高度的监测结果修正风云四号气象卫星对云底高度的监测结果；
步骤3，利用测试集的数据验证云底高度监测模型，如需要进行调整，则返回步骤2进行云底高度监测模型的调整；否则进入步骤4；
步骤4，根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测。
进一步地，步骤1中所述高云指地基毫米波雷达监测的云底高度大于6000m、中云指地基毫米波雷达监测的云底高度为2500m～6000m、低云指地基毫米波雷达监测的云底高度小于2500m。
进一步地，步骤1中所述的风云四号气象卫星遥感产品，包括一级产品和二级产品，其中一级产品包括辐射成像仪14个通道的反射率、亮温，二级产品包括云覆盖率产品、云相态产品、云检测产品、云顶高度产品、云顶气压产品、云顶温度产品、云微物理和光学性质产品。
进一步地，步骤1中所述将历史数据集随机分成训练集和测试集，具体为按照7:3的比例将历史数据集随机分成训练集和测试集。
进一步地，步骤2中所述，通过深度学习的方法分析历史数据，利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型，从而根据地基毫米波雷达对云底高度的监测结果修正风云四号气象卫星对云底高度的监测结果，具体过程如下：
分析历史数据时，采用深度学习方法中的卷积神经网络模型，网络模型结构依次为输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、Softmax层；其中第一卷积层的过滤器边长为3，深度为64；第一池化层采用最大池化层，第一池化层过滤器边长为2，移动步长为2；第二卷积层的过滤器边长为3，深度为128；第二池化层采用最大池化层，第二池化层过滤器边长为2，移动步长为2；
在训练集上，以风云四号气象卫星遥感产品作为网络的输入，以地基毫米波雷达监测的云类型标签作为真值，对网络进行训练；当训练集上的准确率达到98％时，训练停止，得到稳定的网络结构，即为云底高度监测模型。
进一步地，步骤3所述的，利用测试集的数据验证云底高度监测模型，如需要进行调整，则返回步骤2进行云底高度监测模型的调整；否则进入步骤4；具体如下：
利用测试集的数据验证云底高度监测模型，验证的方法和训练方法相同，将风云四号气象卫星遥感产品输入卷积神经网络，以地基毫米波雷达监测的云类型标签作为真值，比较网络输出结果和云类型的标签真值，得到测试集的准确率；
将准确率作为是否需要调整模型的依据：
当准确率低于93％时，需要对模型进行调整，则返回步骤2进行云底高度监测模型的调整；调整针对卷积层过滤器的边长和深度，池化层过滤器的边长和移动步长，调整方法如下：(1)将第一卷积层过滤器边长改为5或7，深度改为128，同时第二卷积层的深度改为256；(2)将第一、第二池化层的边长改为3，移动步长改为3；(3)依次加入第三卷积层和第三池化层，卷积层过滤器的边长为3，深度为256，池化层过滤器边长为2，移动步长为2；上述三种调整方法可以同时实施，也可以实施一种或两种；
当准确率不低于93％时，则不需要调整，进入步骤4。
进一步地，步骤4所述的根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测，具体如下：
将实时的风云四号卫星遥感产品输入到云底高度监测模型中，得到云底高度的监测结果，并通过地基毫米波雷达验证卫星监测的结果。
本发明与现有技术相比，具有以下显著优点：(1)通过地基毫米波雷达对云底高度的监测结果来修正卫星辐射成像仪对云底高度的监测结果，减小了云底高度监测的误差，提高了云底高度监测的精度；(2)使用风云四号气象卫星对广大云区进行云底高度监测，增大了云底高度监测的范围。
附图说明
图1是本发明基于风云四号卫星和地基毫米波雷达的云底高度监测方法的流程图。
具体实施方式
本发明基于风云四号卫星和地基毫米波雷达的云底高度监测方法，包括以下步骤：
步骤1，根据地基毫米波雷达监测的云底高度，将云分为高云、中云和低云三种类型，并将其依次标记为1、2、3，作为模型训练的标签；根据地基毫米波雷达的监测时间、监测范围和监测得到的云的类型，找到对应的风云四号气象卫星遥感产品，形成历史数据集，将历史数据集随机分成训练集和测试集，并将其作为后续模型训练和验证的样本；
步骤2，通过深度学习的方法分析历史数据，利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型，从而根据地基毫米波雷达对云底高度的监测结果修正风云四号气象卫星对云底高度的监测结果；
步骤3，利用测试集的数据验证云底高度监测模型，如需要进行调整，则返回步骤2进行云底高度监测模型的调整；否则进入步骤4；
步骤4，根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测。
作为一种具体示例，步骤1中所述高云指地基毫米波雷达监测的云底高度大于6000m、中云指地基毫米波雷达监测的云底高度为2500m～6000m、低云指地基毫米波雷达监测的云底高度小于2500m。
作为一种具体示例，步骤1中所述的风云四号气象卫星遥感产品，包括一级产品和二级产品，其中一级产品包括辐射成像仪14个通道的反射率、亮温，二级产品包括云覆盖率产品、云相态产品、云检测产品、云顶高度产品、云顶气压产品、云顶温度产品、云微物理和光学性质产品。
作为一种具体示例，步骤1中所述将历史数据集随机分成训练集和测试集，具体为按照7:3的比例将历史数据集随机分成训练集和测试集。
进一步地，步骤2中所述，通过深度学习的方法分析历史数据，利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型，从而根据地基毫米波雷达对云底高度的监测结果修正风云四号气象卫星对云底高度的监测结果，具体过程如下：
分析历史数据时，采用深度学习方法中的卷积神经网络模型，网络模型结构依次为输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、Softmax层；其中第一卷积层的过滤器边长为3，深度为64；第一池化层采用最大池化层，第一池化层过滤器边长为2，移动步长为2；第二卷积层的过滤器边长为3，深度为128；第二池化层采用最大池化层，第二池化层过滤器边长为2，移动步长为2；
在训练集上，以风云四号气象卫星遥感产品作为网络的输入，以地基毫米波雷达监测的云类型标签作为真值，对网络进行训练；当训练集上的准确率达到98％时，训练停止，得到稳定的网络结构，即为云底高度监测模型。
作为一种具体示例，步骤3所述的，利用测试集的数据验证云底高度监测模型，如需要进行调整，则返回步骤2进行云底高度监测模型的调整；否则进入步骤4；具体如下：
利用测试集的数据验证云底高度监测模型，验证的方法和训练方法相同，将风云四号气象卫星遥感产品输入卷积神经网络，以地基毫米波雷达监测的云类型标签作为真值，比较网络输出结果和云类型的标签真值，得到测试集的准确率；
将准确率作为是否需要调整模型的依据：
当准确率低于93％时，需要对模型进行调整，则返回步骤2进行云底高度监测模型的调整；调整针对卷积层过滤器的边长和深度，池化层过滤器的边长和移动步长，调整方法如下：(1)将第一卷积层过滤器边长改为5或7，深度改为128，同时第二卷积层的深度改为256；(2)将第一、第二池化层的边长改为3，移动步长改为3；(3)依次加入第三卷积层和第三池化层，卷积层过滤器的边长为3，深度为256，池化层过滤器边长为2，移动步长为2；上述三种调整方法可以同时实施，也可以实施一种或两种；
当准确率不低于93％时，则不需要调整，进入步骤4。
作为一种具体示例，步骤4所述的根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测，具体如下：
将实时的风云四号卫星遥感产品输入到云底高度监测模型中，得到云底高度的监测结果，并通过地基毫米波雷达验证卫星监测的结果。
下面结合附图和具体实施方式对本发明作进一步详细说明。
实施例
结合图1，本发明基于风云四号卫星和地基毫米波雷达的云底高度监测方法，包括以下步骤：
步骤1，根据地基毫米波雷达监测的云底高度，将云分为高云(地基毫米波雷达监测的云底高度大于6000m)、中云(地基毫米波雷达监测的云底高度大于2500m小于6000m)和低云(地基毫米波雷达监测的云底高度小于2500m)三种类型，并将其依次标记为1，2，3，作为模型训练的标签。根据地基毫米波雷达的监测时间、监测范围和监测得到的云的类型，找到对应的风云四号气象卫星遥感产品(包括14个通道的一级数据，云覆盖率产品、云相态产品、云检测产品、云顶高度产品、云顶气压产品、云顶温度产品、云微物理和光学性质产品)，形成历史数据集。
步骤2，按照7:3的比例将历史数据集随机分成训练集和测试集，并将其作为后续模型训练和验证的样本。通过深度学习的方法分析历史数据，分析时，采用深度学习方法中的卷积神经网络模型。网络模型结构依次为输入层、卷积层(卷积层过滤器边长为3，深度为64)、池化层(采用最大池化层，池化层过滤器边长为2，移动步长为2)、卷积层(卷积层过滤器边长为3，深度为128)、池化层(采用最大池化层，池化层过滤器边长为2，移动步长为2)、全连接层、Softmax层。以步骤1中的风云四号气象卫星遥感产品作为网络的输入，以地基毫米波雷达监测的云类型标签作为真值，对训练集的数据进行训练。当训练的准确率达到98％，训练停止。
利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型，达到根据地基毫米波雷达对云底高度的监测结果修正风云四号气象卫星对云底高度的监测结果的目的。
步骤3，利用测试集的数据验证云底高度监测模型，验证的方法和训练方法相同，将风云四号气象卫星遥感产品输入卷积神经网络，以地基毫米波雷达监测的云类型标签作为真值，比较网络输出结果和云类型的标签真值，得到验证集的准确率。
将准确率作为是否需要调整模型的依据：
当准确率低于93％时，需要对模型进行调整。如需要进行调整，则返回步骤2进行云底高度监测模型的调整。调整主要是针对卷积层过滤器的边长和深度，池化层过滤器的边长和移动步长。调整方案如下：(1)将第一层卷积层过滤器边长改为5或7，深度改为128，同时第二层卷积层的深度改为256；(2)将池化层的边长改为3，移动步长改为3；(3)依次加入第三个卷积层和池化层，卷积层和池化层的参数同步骤2。
当准确率不低于93％时，则进入步骤4；
步骤4，根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测。
将实时卫星遥感产品输入到监测模型中，得到云底高度的监测结果。对于卫星监测范围内的某些云区，如果在该地有地基毫米波雷达，可以利用地基毫米波雷达对该云区的云底高度进行监测，以此来验证卫星监测的结果。
本发明通过地基毫米波雷达对云底高度的监测结果来修正卫星辐射成像仪对云底高度的监测结果，减小了云底高度监测的误差，提高了云底高度监测的精度；使用风云四号气象卫星对广大云区进行云底高度监测，增大了云底高度监测的范围。

Claims (7)

1.一种基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，包括以下步骤：
步骤1，根据地基毫米波雷达监测的云底高度，将云分为高云、中云和低云三种类型，并将其依次标记为1、2、3，作为模型训练的标签；根据地基毫米波雷达的监测时间、监测范围和监测得到的云的类型，找到对应的风云四号气象卫星遥感产品，形成历史数据集，将历史数据集随机分成训练集和测试集，并将其作为后续模型训练和验证的样本；
步骤2，通过深度学习的方法分析历史数据，利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型；
步骤3，利用测试集的数据验证云底高度监测模型，如需要进行调整，则返回步骤2进行云底高度监测模型的调整；否则进入步骤4；
步骤4，根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测。
2.根据权利要求1所述的基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，步骤1中所述高云指地基毫米波雷达监测的云底高度大于6000m、中云指地基毫米波雷达监测的云底高度为2500m～6000m、低云指地基毫米波雷达监测的云底高度小于2500m。
3.根据权利要求1所述的基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，步骤1中所述的风云四号气象卫星遥感产品，包括一级产品和二级产品，其中一级产品包括辐射成像仪14个通道的反射率、亮温，二级产品包括云覆盖率产品、云相态产品、云检测产品、云顶高度产品、云顶气压产品、云顶温度产品、云微物理和光学性质产品。
4.根据权利要求1所述的基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，步骤1中所述将历史数据集随机分成训练集和测试集，具体为按照7:3的比例将历史数据集随机分成训练集和测试集。
5.根据权利要求1、2、3或4所述的基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，步骤2中所述，通过深度学习的方法分析历史数据，利用风云四号气象卫星遥感产品和地基毫米波雷达资料训练卷积神经网络，通过这种方式，得到基于卷积神经网络的云底高度监测模型，具体过程如下：
分析历史数据时，采用深度学习方法中的卷积神经网络模型，网络模型结构依次为输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、Softmax层；其中第一卷积层的过滤器边长为3，深度为64；第一池化层采用最大池化层，第一池化层过滤器边长为2，移动步长为2；第二卷积层的过滤器边长为3，深度为128；第二池化层采用最大池化层，第二池化层过滤器边长为2，移动步长为2；
在训练集上，以风云四号气象卫星遥感产品作为网络的输入，以地基毫米波雷达监测的云类型标签作为真值，对网络进行训练；当训练集上的准确率达到98％时，训练停止，得到稳定的网络结构，即为云底高度监测模型。
6.根据权利要求5所述的基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，步骤3所述的，利用测试集的数据验证云底高度监测模型，如需要进行调整，则返回步骤2进行云底高度监测模型的调整；否则进入步骤4；具体如下：
利用测试集的数据验证云底高度监测模型，验证的方法和训练方法相同，将风云四号气象卫星遥感产品输入卷积神经网络，以地基毫米波雷达监测的云类型标签作为真值，比较网络输出结果和云类型的标签真值，得到测试集的准确率；
将准确率作为是否需要调整模型的依据：
当准确率低于93％时，需要对模型进行调整，则返回步骤2进行云底高度监测模型的调整；调整针对卷积层过滤器的边长和深度，池化层过滤器的边长和移动步长，调整方法如下：(1)将第一卷积层过滤器边长改为5或7，深度改为128，同时第二卷积层的深度改为256；(2)将第一、第二池化层的边长改为3，移动步长改为3；(3)依次加入第三卷积层和第三池化层，卷积层过滤器的边长为3，深度为256，池化层过滤器边长为2，移动步长为2；上述三种调整方法可以同时实施，也可以实施一种或两种；
当准确率不低于93％时，则不需要调整，进入步骤4。
7.根据权利要求5所述的基于风云四号卫星和地基毫米波雷达的云底高度监测方法，其特征在于，步骤4所述的根据云底高度监测模型，利用实时的风云四号卫星遥感产品对云底高度进行监测，具体如下：
将实时的风云四号卫星遥感产品输入到云底高度监测模型中，得到云底高度的监测结果，并通过地基毫米波雷达验证卫星监测的结果。
CN201910543506.XA 2019-06-21 2019-06-21 基于风云四号卫星和地基毫米波雷达的云底高度监测方法 Active CN110378387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910543506.XA CN110378387B (zh) 2019-06-21 2019-06-21 基于风云四号卫星和地基毫米波雷达的云底高度监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910543506.XA CN110378387B (zh) 2019-06-21 2019-06-21 基于风云四号卫星和地基毫米波雷达的云底高度监测方法

Publications (2)

Publication Number Publication Date
CN110378387A CN110378387A (zh) 2019-10-25
CN110378387B true CN110378387B (zh) 2021-03-26

Family

ID=68250635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910543506.XA Active CN110378387B (zh) 2019-06-21 2019-06-21 基于风云四号卫星和地基毫米波雷达的云底高度监测方法

Country Status (1)

Country Link
CN (1) CN110378387B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191594B (zh) * 2019-12-30 2022-09-27 华中科技大学 一种基于多源卫星数据的云底高度反演方法及系统
CN112213703B (zh) * 2020-08-18 2023-07-18 成都信息工程大学 一种利用毫米波云雷达反演云参数的方法及装置
CN112816071B (zh) * 2021-01-06 2021-12-28 国家卫星气象中心(国家空间天气监测预警中心) 一种基于云顶高度算法的红外通道辐射稳定性监测方法
CN114111705A (zh) * 2021-10-20 2022-03-01 国家卫星气象中心(国家空间天气监测预警中心) 一种利用气象卫星资料计算云底高度的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101566692A (zh) * 2009-05-26 2009-10-28 吉林大学 利用卫星遥感数据中的云影信息检测云高的方法
CN102183237A (zh) * 2011-03-04 2011-09-14 中国气象局气象探测中心 一种地基双波段云高测量的装置和方法
CN102540277A (zh) * 2012-01-16 2012-07-04 武汉大学 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN103453882A (zh) * 2013-09-27 2013-12-18 中国人民解放军理工大学 一种基于飞行器的云层高度测量系统及云层高度测量方法
CN203479295U (zh) * 2013-09-27 2014-03-12 中国人民解放军理工大学 一种基于飞行器的云层高度测量系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127725B (zh) * 2016-05-16 2019-01-22 北京工业大学 一种基于多分辨率cnn的毫米波雷达云图分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101566692A (zh) * 2009-05-26 2009-10-28 吉林大学 利用卫星遥感数据中的云影信息检测云高的方法
CN102183237A (zh) * 2011-03-04 2011-09-14 中国气象局气象探测中心 一种地基双波段云高测量的装置和方法
CN102540277A (zh) * 2012-01-16 2012-07-04 武汉大学 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN103453882A (zh) * 2013-09-27 2013-12-18 中国人民解放军理工大学 一种基于飞行器的云层高度测量系统及云层高度测量方法
CN203479295U (zh) * 2013-09-27 2014-03-12 中国人民解放军理工大学 一种基于飞行器的云层高度测量系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CloudSat云底高度外推估计的可行性分析;王帅辉;《气象》;20120229;第38卷(第2期);全文 *
基于COSMIC掩星资料的中国及周边地区云垂直结构特征研究;韩丁;《地球物理学进展》;20130228;第28卷(第1期);全文 *
基于支持向量机的 CloudSat 卫星云分类算法;韩丁;《大气科学学报》;20111031;第34卷(第5期);全文 *
毫米波云雷达与探空测云数据对比分析;赵静;《气象》;20170131;第43卷(第1期);全文 *
联合星载毫米波雷达和中分辨率光谱成像仪的云底高度反演;高顶;《气象科学》;20181231;第38卷(第6期);全文 *
联合星载毫米波雷达和激光雷达资料的云相态识别技术;严卫;《红外与毫米波学报》;20110228;第30卷(第1期);全文 *

Also Published As

Publication number Publication date
CN110378387A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110378387B (zh) 基于风云四号卫星和地基毫米波雷达的云底高度监测方法
US10830743B2 (en) Determining the net emissions of air pollutants
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
US6868339B2 (en) Systems and methods for time corrected lightning detection
CN115187527B (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
CA2977771A1 (en) Iterative ray-tracing for autoscaling of oblique ionograms
US20200264313A1 (en) Lidar-based turbulence intensity error reduction
Sideris et al. The CombiPrecip experience: development and operation of a real-time radar-raingauge combination scheme in Switzerland
CN113791415A (zh) 一种基于深度学习的雷达定量降水估计方法
CN110880071A (zh) 基于算子的无源雷达作战效能柔性评估建模方法
CN108256546A (zh) 一种非降水条件下大气边界层高度探测方法和系统
CN110147827A (zh) 一种基于iaalo-svm与相似性度量的故障预测方法
CN114490905B (zh) 一种晴空地表净长波辐射一体化反演方法及系统
CN109543911B (zh) 一种日照辐射预测方法及系统
CN116297058A (zh) 基于遥感数据的10分钟级大气颗粒物监测方法及系统
CN114371519B (zh) 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法
CN113108949B (zh) 一种基于模型融合的探空仪温度传感器误差预测方法
CN115755020A (zh) 一种机械扫描雷达天线扫描位置的跟踪方法
CN114415136B (zh) 连续波天气雷达在线标定回波强度的方法及标定系统
CN114486820A (zh) 一种机载微波辐射计云中过冷水的反演方法
CN113687324A (zh) 一种相控阵天气雷达标定机外验证系统
CN113311509A (zh) 一种基于神经网络的mwhts对海面气压的敏感性测试方法
KR20200087731A (ko) 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치
US20230221219A1 (en) Apparatuses, systems, and methods for determining gas emssion rate detection sensitivity and gas flow speed using remote gas concentration measurements
CN115952690B (zh) 一种长重现期台风风场的构建方法及系统

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