CN110823837A - 海洋一类水体离水辐射量的模拟方法及装置 - Google Patents
海洋一类水体离水辐射量的模拟方法及装置 Download PDFInfo
- Publication number
- CN110823837A CN110823837A CN201911137256.6A CN201911137256A CN110823837A CN 110823837 A CN110823837 A CN 110823837A CN 201911137256 A CN201911137256 A CN 201911137256A CN 110823837 A CN110823837 A CN 110823837A
- Authority
- CN
- China
- Prior art keywords
- water
- neural network
- training
- data
- radiation
- 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.)
- Pending
Links
Images
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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4704—Angular selective
- G01N2021/4709—Backscatter
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4792—Polarisation of scatter light
Abstract
本发明提供了一种海洋一类水体离水辐射量的模拟方法及装置。所述方法包括:将水质观测输入数据输入至辐射传输物理模型中,获取到对应的离水辐射量输出数据;将水质观测输入数据及离水辐射量输出数据组成训练数据;对训练数据进行主成分分析,以在保证重构精度的前提下完成训练数据的降维处理;利用经过降维处理的训练数据对神经网络模型进行训练,以得到对离水辐射量进行模拟的神经网络模型。本发明提供的海洋一类水体离水辐射量的模拟方法及装置利用神经网络替换物理模型来模拟海洋一类水体的离水辐射量,快速计算,多波长下模拟,进而达到提高卫星反演业务化计算效率地目的。
Description
技术领域
本发明涉及遥感数据处理技术领域,特别是涉及一种海洋一类水体离水辐射量的模拟方法及装置。
背景技术
海洋离水辐射量是指离水辐射与估在海面上入射总辐照度之比,它是水体表观光学特性的主要参数,也是反映大气-海洋耦合体系里海洋对辐射传输贡献的一个重要物理量,它与海水成分吸收系数的相关性的著名应用是观测叶绿素浓度和计算海洋初级生产力,进而可以分析出海洋通量和海洋动力。近些年,随着卫星遥感的快速发展,海洋离水辐射量的模拟在水色遥感,大气辐射、海洋环境监测等领域的应用中都具有重要参考价值。不受来自于河流、海滨或者其他外部流入及海底再悬浮的各种物质的影响,该水体被称作一类水体。目前,行业内流行且计算准确的海洋一类水体离水辐射量是由Chowdhary提出的基于叶绿素含量的单一参数的海洋光学物理模型(Chowdhary et al.,2006;Chowdhary etal.,2012)(如下图1)。
该模型将海洋看作是由海水和颗粒物组成的混合体系,海水的散射吸收特性可根据(Smith and Baker,1981)得到,而颗粒物则由碎屑-浮游植物(D-P)模型来描述(公式如下)。通过叶绿素含量和观测几何可以计算得到海洋的单次散射反照率和散射相函数等光学特性。
qp=0.002+0.01{0.05-0.25log10Chl}
Chl指叶绿素含量,σplk、σdet分别指浮游植物和碎屑的散射截面,Fplk、Fdet分别指浮游植物和碎屑的散射相函数,在模型计算中为已知量。qp指颗粒物的后向散射效率,fdet指碎屑在颗粒物中所占的比例,Fp为颗粒物的散射相函数,这些参量在模型计算中为待求量。
该物理模型虽然计算准确但在卫星反演迭代计算的运用中具有十分耗时的特点,很难运用到遥感算法的业务化计算中。目前离水辐射量的业务化计算采用的是查找表方法(Hasekamp et al.,2011)。查找表方法是根据物理模型将预先计算好的物理量存储起来,在使用过程中再对查找表进行插值求解,这样可以在一定程度上提高计算的速度。但前期查找表的建立比较耗时,且预先计算的查找表波长范围有限,在实际运用中查找表加载后占据的内存较大,也会使得计算效率较低。前向神经网络模型可以逼近任意精度的连续函数,这使得他们很适合于辐射传输模型的近似求解问题。多项研究(Chevallier et al.,1998;Chevallier et al.,2000;Cornford et al.,2001;Krasnopolsky,2007)将神经网络用于辐射传输模型的仿真,并在最近重新引起遥感界的关注(Bue et al.,2019;Nanda etal.,2019;Stamnes et al.,2018)。因此,本发明综合国际前沿的技术发展方向,结合机器学习的高效快速的特点,提出了一种基于神经网络的海洋一类水体离水辐射量模拟的方法。
1、传统的物理模型计算相对准确但是在迭代计算的过程由于需要反复计算求解不同叶绿素浓度下对应的离水辐射量而非常耗时,不适用于算法的业务化运行。
2、查找表方法虽然可一定程度上提高计算速度,但是前期查找表的构建过程中比较耗时,且所计算的波长范围有限,算法不具有可移植性。在实际运行计算中,查找表的加载占据一定的内存空间,也会使得运行处理效率较低。
3、查找表的运用过程中的插值计算比较复杂,且不同的插值方法会得到不同的计算结果,算法不具有稳定性。
发明内容
本发明要解决的技术问题是提供一种海洋一类水体离水辐射量的模拟方法及装置,利用神经网络替换物理模型或查找表来模拟海洋一类水体的离水辐射量,快速计算,多波长下模拟,进而达到提高卫星反演计算效率地目的。
为解决上述技术问题,本发明提供了一种海洋一类水体离水辐射量的模拟方法,所述方法包括:将水质观测输入数据输入至辐射传输物理模型中,获取到对应的离水辐射量输出数据;将水质观测输入数据及离水辐射量输出数据组成训练数据;对训练数据进行主成分分析,以在保证重构精度的前提下完成训练数据的降维处理;利用经过降维处理的训练数据对神经网络模型进行训练,以得到对离水辐射量进行模拟的神经网络模型。
在一些实施方式中,辐射传输物理模型由如下公式给出:
qp=0.002+0.01{0.05-0.25log10Chl}
其中,Chl指叶绿素含量,σplk、σdet分别指浮游植物和碎屑的散射截面,Fplk、Fdet分别指浮游植物和碎屑的散射相函数,qp指颗粒物的后向散射效率,fdet指碎屑在颗粒物中所占的比例,Fp为颗粒物的散射相函数。
在一些实施方式中,水质观测输入数据包括:不同波长范围的叶绿素含量、太阳入射角、卫星观测角度,波长范围设置为350nm-800nm,每间隔5nm取一个值,叶绿素含量取值从0.001-10mg/m3。
在一些实施方式中,离水辐射量输出数据包括:离水辐射量的强度和偏振信息。
在一些实施方式中,离水辐射量输出数据在相对方位角上进行展开,选取8个傅里叶系数来表示。
在一些实施方式中,对训练数据进行主成分分析,以完成训练数据的降维处理,包括:对训练数据进行主成分分析并计算重构误差;在保证强度分量的平均相对误差小于0.1%的情况下,提取前100个主成分分量。
在一些实施方式中,利用经过降维处理的训练数据对神经网络模型进行训练,包括:选取训练样本集的80%数据量用于神经网络的训练;选取训练样本集的20%的数据量用于训练后的神经网络精度的验证;根据验证结果,选择输出数据精度最高的神经网络作为进行模拟的神经网络模型。
在一些实施方式中,选择出的输出数据精度最高的神经网络各层的神经元数量分别为:3、20、30、20、100。
在一些实施方式中,还包括:在利用经过降维处理的训练数据对神经网络模型进行训练之前,对训练数据进行归一化。
此外,本发明还提供了一种海洋一类水体离水辐射量的模拟装置,所述装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的海洋一类水体离水辐射量的模拟方法。
采用这样的设计后,本发明至少具有以下优点:
1、实现了离水辐射量的快速模拟。在确定的观测几何、叶绿素含量的情况下,可以迅速的计算得到离水辐射量的强度和偏振信息。
2、可灵活获取多波段下的离水辐射量。相比传统的查找表方法,基于神经网络的离水辐射量模拟可以灵活计算得到各种波段情况下的离水辐射量信息。
3、方法可移植性较强。基于神经网络的离水辐射量模拟方法不依赖于传感器的参数设置,可以迅速耦合到大气-海洋的辐射传输系统,进行大气与海洋参数的快速反演。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是现有技术提供的辐射量物理模型的原理示意图;
图2是本发明提供的神经网络的原理图;
图3是本发明提供的海洋一类水体离水辐射量的模拟方法的处理流程示意图;
图4是本发明提供的主成分重构误差分析的结果图;
图5是本发明提供的神经网络训练误差分析的结果图;
图6是本发明提供的神经网络与物理模型在9个角度下的结果对比图;
图7是本发明提供的1000个随机样本模拟计算的气溶胶光学厚度与真值的散点图;
图8是本发明提供的神经网络案例计算中在不同气溶胶光学厚度情况下的200个像元统计平均耗时分布图;
图9是本发明提供的海洋一类水体离水辐射量的模拟装置的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
神经网络运用到遥感图像处理通常是图像分类,目标识别等领域,而本发明创新地利用神经网络替换物理模型或查找表来模拟海洋一类水体的离水辐射量,快速计算,多波长下模拟,进而达到提高卫星反演计算效率地目的。
本发明的流程图如图3所示。首先随机生成大量的输入样本数据,利用计算准确的物理模型模拟得到离水辐射量,然后对输出数据进行主成分分析,在保证重构误差精度的情况下,对输出数据进行降维处理,从而简化神经网络输出层的节点数。最后对训练样本的输入和输出数据进行归一化,用于神经网络的训练。
为了模拟更丰富的波长条件下的离水辐射量,波长范围设置为350nm-800nm,每间隔5nm取一个值,在特定波长情况下,叶绿素含量取值从0.001-10mg/m3,太阳入射角度和卫星观测角度的正弦取值0-1。结合传统的物理模型计算出2×106个样本。它们的离水辐射量在相对方位角上进行展开,选取8个傅里叶系数来表示。因此,对于91个波长一共将有728个傅里叶系数。
1)主成分分析,是一种通过正交变化将一组可能存在相关性的变量转换为一组线性不相关的变量的统计方法,然后根据实际需要从中选取出较少的综合变量尽可能多地反映原来变量的信息,从而达到降维的目的。在本发明中,原本728个输出傅里叶系数,这对于神经网络的训练将具有一定的挑战性,于是我们结合主成分分析并计算重构误差,在保证强度分量的平均相对误差小于0.1%的情况下,如图4所示,提取前100个主成分分量,作为神经网络的输出参数,从而简化了对于神经网络的训练规模。
2)归一化处理是一种无量纲处理手段,使物理系数值的绝对值变成某种相对值关系,用于简化计算,缩小量值的有效办法。在本发明中,神经网络训练样本的输入数据包括,归一化的叶绿素含量、太阳入射角、卫星观测角度这三个物理量。归一化方法如下式:
ymin=kxmin+b
ymax=kxmax+b
其中y的最大最小值为1、0。按照此公式计算得到的归一化系数可用于将训练样本数据集的每一个物理量归一化到0-1的范围。需要将这些归一化系数存储下来,便于保持后续神经网络计算中归一化的一致性。
3)神经网络的训练与选取。神经网络的训练依据后向误差传播模型,对比测试了十多种不同隐藏层、不同神经元节点的拓扑结构下的训练误差。选取训练样本集的80%数据量用于神经网络的训练,20%的数据量用于训练后的神经网络精度的验证。训练次数设置为1000,且每隔250次学习率减半,从而到达高效训练神经网络的目的。通过对训练及验证误差结果的对比分析,最终选择3-20-30-20-100这一拓扑结构的神经网络作为本研究的神经网络模型,如图5所示。
4)神经网络的结果对比。最后将神经网络模拟结果与物理模型计算结果进行对比,如图6所示。分别选取了-56°,-42°,-28°,-14°,0°,14°,28°,42°,56°这9个不同观测角度,来进行对比分析。可见神经网络的模拟结果和准确的物理模型具有高度的一致性。
基于神经网络的海洋上空气溶胶偏振遥感,即采用本发明的方法快速模拟海洋一类水体离水辐射量的强度和偏振信息,并用于大气-海洋的解耦计算中,从而反演得到海洋上空的大气气溶胶光学厚度。在此展示模拟数据在查找表所计算的波长情况下的反演结果对比图,如图7所示。对于神经网络和查找表两种方法计算得到的海洋上空气溶胶光学厚度,均方根误差分别为0.0077和0.0069,反演误差分别为0.0029和0.0016,相关系数都能达到0.9995的高精度。在精度方面,由于所对比的波长为查找表计算时对应的波长,所以此对比结果也可看作是与物理模型准确计算的对比结果。相同的相关系数和可接受的误差范围,表明神经网络在遥感反演计算中的离水辐射量的模拟中与物理模型具有很好的一致性。在计算效率方面,对于不同大气情况下的200个像元统计平均耗时分布图,如图8所示,查找表方法单一像元计算需要数分钟,而目前采用神经网络这一高效方法,单一像元的计算时间已缩短为数秒。
图9是本发明海洋一类水体离水辐射量的模拟装置的结构图。参见图9,海洋一类水体离水辐射量的模拟装置包括:中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统操作所需的各种程序和数据。CPU 901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本发明技术方案相对于现有技术有如下技术效果:
1、实现了离水辐射量的快速模拟。在确定的观测几何、叶绿素含量的情况下,可以迅速的计算得到离水辐射量的强度和偏振信息。
2、可灵活获取多波段下的离水辐射量。相比传统的查找表方法,基于神经网络的离水辐射量模拟可以灵活计算得到各种波段情况下的离水辐射量信息。
3、方法可移植性较强。基于神经网络的离水辐射量模拟方法不依赖于传感器的参数设置,可适用于不同的卫星传感器,可以迅速耦合到大气-海洋的辐射传输系统,进行大气与海洋参数的快速反演。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种海洋一类水体离水辐射量的模拟方法,其特征在于,包括:
将水质观测输入数据输入至辐射传输物理模型中,获取到对应的离水辐射量输出数据;
将水质观测输入数据及离水辐射量输出数据组成训练数据;
对训练数据进行主成分分析,以在保证重构精度的前提下完成训练数据的降维处理;
利用经过降维处理的训练数据对神经网络模型进行训练,以得到对离水辐射量进行模拟的神经网络模型。
3.根据权利要求1所述的海洋一类水体离水辐射量的模拟方法,其特征在于,水质观测输入数据包括:不同波长范围的叶绿素含量、太阳入射角、卫星观测角度,波长范围设置为350nm-800nm,每间隔5nm取一个值,叶绿素含量取值从0.001-10mg/m3。
4.根据权利要求1所述的海洋一类水体离水辐射量的模拟方法,其特征在于,离水辐射量输出数据包括:离水辐射量的强度和偏振信息。
5.根据权利要求4所述的海洋一类水体离水辐射量的模拟方法,其特征在于,离水辐射量输出数据在相对方位角上进行展开,选取8个傅里叶系数来表示。
6.根据权利要求1所述的海洋一类水体离水辐射量的模拟方法,其特征在于,对训练数据进行主成分分析,以完成训练数据的降维处理,包括:
对训练数据进行主成分分析并计算重构误差;
在保证强度分量的平均相对误差小于0.1%的情况下,提取前100个主成分分量。
7.根据权利要求1所述的海洋一类水体离水辐射量的模拟方法,其特征在于,利用经过降维处理的训练数据对神经网络模型进行训练,包括:
选取训练样本集的80%数据量用于神经网络的训练;
选取训练样本集的20%的数据量用于训练后的神经网络精度的验证;
根据验证结果,选择输出数据精度最高的神经网络作为进行模拟的神经网络模型。
8.根据权利要求7所述的海洋一类水体离水辐射量的模拟方法,其特征在于,选择出的输出数据精度最高的神经网络各层的神经元数量分别为:3、20、30、20、100。
9.根据权利要求1所述的海洋一类水体离水辐射量的模拟方法,其特征在于,还包括:
在利用经过降维处理的训练数据对神经网络模型进行训练之前,对训练数据进行归一化。
10.一种海洋一类水体离水辐射量的模拟装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的海洋一类水体离水辐射量的模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137256.6A CN110823837A (zh) | 2019-11-19 | 2019-11-19 | 海洋一类水体离水辐射量的模拟方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137256.6A CN110823837A (zh) | 2019-11-19 | 2019-11-19 | 海洋一类水体离水辐射量的模拟方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110823837A true CN110823837A (zh) | 2020-02-21 |
Family
ID=69556977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137256.6A Pending CN110823837A (zh) | 2019-11-19 | 2019-11-19 | 海洋一类水体离水辐射量的模拟方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110823837A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308215A (zh) * | 2008-06-11 | 2008-11-19 | 武汉大学 | 一种ⅱ类水体离水辐亮度反演方法 |
JP2013239427A (ja) * | 2012-05-15 | 2013-11-28 | Quantrill Estate Inc | 供給源から目標まで放射を伝達する多目的装置 |
HK1204850A2 (zh) * | 2015-06-22 | 2015-12-04 | 毛克彪 號 王道龍 號 張立新 號 任天志 號 李三妹 號 高懋芳 號 | 數據估算近地表空氣溫度方法 |
CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN106845343A (zh) * | 2016-12-15 | 2017-06-13 | 中国科学院电子学研究所苏州研究院 | 一种光学遥感图像海上平台自动检测方法 |
CN110031406A (zh) * | 2019-03-21 | 2019-07-19 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
-
2019
- 2019-11-19 CN CN201911137256.6A patent/CN110823837A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308215A (zh) * | 2008-06-11 | 2008-11-19 | 武汉大学 | 一种ⅱ类水体离水辐亮度反演方法 |
JP2013239427A (ja) * | 2012-05-15 | 2013-11-28 | Quantrill Estate Inc | 供給源から目標まで放射を伝達する多目的装置 |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
HK1204850A2 (zh) * | 2015-06-22 | 2015-12-04 | 毛克彪 號 王道龍 號 張立新 號 任天志 號 李三妹 號 高懋芳 號 | 數據估算近地表空氣溫度方法 |
CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
CN106845343A (zh) * | 2016-12-15 | 2017-06-13 | 中国科学院电子学研究所苏州研究院 | 一种光学遥感图像海上平台自动检测方法 |
CN110031406A (zh) * | 2019-03-21 | 2019-07-19 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
Non-Patent Citations (6)
Title |
---|
BRIAN D. BUE等: "Neural network radiative transfer for imaging spectroscopy", 《ATMOS. MEAS. TECH》 * |
JACEK CHOWDHARY等: "Contribution of water-leaving radiances to multiangle, multispectral polarimetric observations over the open ocean: bio-optical model results for case 1 waters", 《APPLIED OPTICS》 * |
TINGLU ZHANG等: "Evaluating the performance of artificial neural network techniques for pigment retrieval from ocean color in Case I waters", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
丘仲锋: "东海赤潮高发区水色遥感算法及赤潮遥感监测研究", 《中国博士学位论文全文数据库 工程科技I辑》 * |
周莉等: "基于辐射传输优化模型的二类水体大气校正", 《光学学报》 * |
杨曦光: "黄海叶绿素及初级生产力的遥感估算", 《中国博士学位论文全文数据库 基础科学辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fluri et al. | Cosmological constraints from noisy convergence maps through deep learning | |
CN109902745A (zh) | 一种基于cnn的低精度训练与8位整型量化推理方法 | |
Szunyogh et al. | Assessing a local ensemble Kalman filter: Perfect model experiments with the National Centers for Environmental Prediction global model | |
Ota et al. | Matrix formulations of radiative transfer including the polarization effect in a coupled atmosphere–ocean system | |
Nouguier et al. | Scattering from nonlinear gravity waves: The “choppy wave” model | |
Feng et al. | The application of nonlinear local Lyapunov vectors to ensemble predictions in Lorenz systems | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
Smith | Cluster ensemble Kalman filter | |
Mdrafi et al. | Joint learning of measurement matrix and signal reconstruction via deep learning | |
Fluri et al. | Cosmological parameter estimation and inference using deep summaries | |
Amram et al. | Denoising diffusion models with geometry adaptation for high fidelity calorimeter simulation | |
Cartwright et al. | Emulation of greenhouse‐gas sensitivities using variational autoencoders | |
Fannjiang | Self-averaging scaling limits for random parabolic waves | |
CN110823837A (zh) | 海洋一类水体离水辐射量的模拟方法及装置 | |
Mu et al. | The optimal precursors for ENSO events depicted using the gradient-definition-based method in an intermediate coupled model | |
Azaïs et al. | Integral estimation based on Markovian design | |
You et al. | Low-rank subspace unmixing of remotely sensed hyperspectral image | |
Tian et al. | Residual-connected physics-informed neural network for anti-noise wind field reconstruction | |
Gebhard et al. | Inferring Atmospheric Properties of Exoplanets with Flow Matching and Neural Importance Sampling | |
Fu et al. | Remote sensing inversion modeling of chlorophyll-a concentration in Wuliangsuhai Lake based on BP neural network | |
Luo et al. | A multi-condition denoising diffusion probabilistic model controls the reconstruction of 3D digital rocks | |
CN116151136B (zh) | 基于概率误差补偿的全球表层海水pH反演方法及系统 | |
Yan et al. | An Inversion Method for Coupled Typical Error Sources based on Remote Sensing Image. | |
Bister et al. | Inference of astrophysical parameters with a conditional invertible neural network | |
Blancard et al. | ${\rm S {\scriptsize IM} BIG} $: Galaxy Clustering Analysis with the Wavelet Scattering Transform |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |