CN111060992B - 星载微波双氧探测通道等权重共轭的降水检测方法及系统 - Google Patents
星载微波双氧探测通道等权重共轭的降水检测方法及系统 Download PDFInfo
- Publication number
- CN111060992B CN111060992B CN201911377080.1A CN201911377080A CN111060992B CN 111060992 B CN111060992 B CN 111060992B CN 201911377080 A CN201911377080 A CN 201911377080A CN 111060992 B CN111060992 B CN 111060992B
- Authority
- CN
- China
- Prior art keywords
- channel
- temperature
- precipitation
- 60ghz
- channels
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了星载微波双氧探测通道等权重共轭的降水检测方法及系统,所述方法包括:将118GHz实际观测亮温、仪器扫描角度和地表高程输入预先训练的晴空亮温预报模型,分别输出50‑60GHz十三个通道的学习亮温;若在50‑60GHz十三个通道中,有一个通道的学习亮温和该通道的实际观测亮温之差大于该通道的降水判识阈值,则认为该通道观测象元上有降水云污染,否则,认为该通道没有受到降水影响。本发明的方法有效提高数据使用率,摆脱了温度观测数据应用过程中对窗区通道辐射的依赖,实现了卫星遥感温度探测资料在大气辐射传输意义上的逐通道降水检测,提高了微波温度计资料在大气温度廓线反演,数值天气预报系统中的同化应用准确性。
Description
技术领域
本发明涉及被动微波遥感领域,特别涉及星载微波双氧探测通道等权重共轭的降水检测方法及系统。
背景技术
微波温度计是一种被动微波遥感仪器,可以获取全天时、全天候的全球大气温度信息,在大气探测及海洋观测中具有重要作用。其探测资料可以广泛用于气象、农林、地质、海洋环境监测和军事条件预报等方面。
近十几年来,全球数值预报质量快速提高的最主要原因之一就是卫星资料同化对数值预报初始场的改进。其中,星载微波资料特别是微波温度探测资料的同化对数值预报精度贡献显著。微波探测具有“穿云透雨”的优势,随着星载被动微波遥感技术的多年发展,星载微波温度计在获取全球大气温度垂直分布信息方面的优势日益显现。国际最顶尖的数值预报中心欧洲中心(ECMWF)业务数值预报模式同化卫星资料后对预报结果的影响统计表明在模式中同化AMSU-A辐射率资料的贡献最为显著,也就是说星载微波温度探测资料的同化,会对数值预报水平的提高产生最重要影响。
降水检测是利用微波温度计资料进行大气温度廓线反演和数值天气预报同化应用的关键技术。以卫星资料同化为例,微波温度探测通道一般都设置在氧气吸收线上,以获得大气吸收发射信息,微波温度探测资料同化于数值天气预报系统时,受辐射传输模式对云雨区资料的模拟精度以及预报模式对云雨区预报精度的影响,当存在云和降水粒子时,卫星观测和辐射传输模拟产生的偏差很大,因此需要对受到降水粒子污染的象元进行剔除,保证微波资料的晴空同化应用。另一方面,被剔除的受云和降水粒子影响的卫星资料也包含着大量与天气系统发生发展密切相关的大气关键信息,科学家也致力于研究云雨区资料的同化技术。因此,对微波观测象元进行降水检测,是决定采用晴空辐射资料同化还是云雨区资料同化方法的关键环节,也是晴空廓线反演或云雨区廓线反演的关键之一。
典型的大气水凝物粒子尺度有:液态云滴0.01mm;毛毛雨和雨滴0.1mm到1mm;冰晶和雨滴尺度相似,但是和积云有关的雪花和冰聚合物的尺度可达到10mm。根据米散射理论,当观测波长比水凝物尺度长时,散射可忽略。对于大部分雨滴和冰晶水凝物来说,波长小于5mm(频率大于60GHz)时散射过程很重要。波长直到20mm(15GHz),吸收都很重要。对高频微波辐射而言,没有散射尺度水凝物时,小水凝物以吸收为主。有大粒子存在时,散射在50GHz就很重要。目前,卫星微波资料的降水检测主要有:SCATTERING INDEX方法,CROSBY降水检测算法,小雨检测,IAPP降水检测,通道匹配法。
SCATTERING INDEX方法是针对NOAA系列卫星上的微波温度计AMSUA的降水检测。该方法认为,雨滴和冰在AMSUA通道1到14(24到57GHz)以吸收为主,通道15(89GHz)以散射为主。根据这些特性欧洲NWP SAF(Satellite Application Facility for NumericalWeather Prediction)的AAPP(ATOVS and AVHRR Pre-processing Package)里给出了针对AMSUA的SCATTERING INDEX降水检测方法:假设没有散射粒子时,利用AMSUA通道1(23.8GHz),通道2(31.4GHz)和通道3(50.3GHz)来估算通道15(89GHz)的亮温,再和通道15的实际观测亮温比较。当没有散射粒子时,估算和实际观测的亮温差在5K以内。当散射粒子数量增加时,高频通道的上行观测辐射变低,实际观测和估算的亮温差异增大。观测和估算的亮温差就定义为散射因子,它是用来检测散射水凝物的一个简单阈值。这也是目前中国气象局数值预报中心同化AMSUA资料时进行降水检测的方法。CROSBY降水检测算法,小雨检测,卷云检测等方法也都是利用了AMSU通道1(23.8GHz),通道2(31.4GHz)和通道15(89GHz)的观测亮温进行降水判识。2000年,IAPP(International Advanced TIROS OperationalVertical Sounder(ATOVS)Processing Package)利用AMUS资料反演温湿廓线时,利用AMSU-A的通道1,2和15的亮温进行降水检测。
目前星载微波温度计降水检测方法都是基于仪器上的窗区通道观测亮温之间的差异来进行,并且认为云和降水基本上只存在于对流层中,当检测认为大气中存在云和降水粒子时,剔除权重函数峰值高度在对流层的通道(AMSU-A的4~8通道,MWTS的3~7通道),以免受云和降水粒子影响的观测进入同化过程降低分析质量。这些降水检测方法有两点不足:
第一,参与同化和廓线反演的通道都是设置在吸收线上的温度探测通道,由于频率的差异导致吸收通道和窗区通道之间对云雨大气中的降水粒子响应是完全不同的,因此传统的降水检测方法借助于窗区通道的观测辐射来进行在物理上存在缺陷;
第二,对于没有设置窗区通道的星载微波温度计而言(风云三号极轨气象卫星上的微波温度计),无法利用传统方法进行降水检测,从而影响数据的定量应用。
发明内容
本发明的目的在于克服上述传统降水检测方法只利用窗区通道观测辐射进行降水判识而产生的问题,提出一种基于温度探测通道本身辐射特性的星载微波温度计降水检测方法。
为了实现上述目的,本发明提供一种星载微波双氧探测通道等权重共轭的降水检测方法,该方法为针对50-60GHz星载微波辐射计逐通道观测象元是否存在降水的判识方法,所述方法包括:
将118GHz实际观测亮温、仪器扫描角度和地表高程输入预先训练的晴空亮温预报模型,分别输出50-60GHz十三个通道的学习亮温;
若在50-60GHz十三个通道中,有一个通道的学习亮温和该通道的实际观测亮温之差大于该通道的降水判识阈值,则认为该通道观测象元上有降水云污染,否则,认为该通道没有降水云污染。
作为上述方法的一种改进,所述方法还包括构建晴空亮温预报模型的步骤,具体包括:
所述晴空亮温预报模型的输入向量X0为:
X0=[x01 x02, … x0a]T
其中,x01为仪器扫描角度,x02为地表高程;根据50-60GHz十三个通道和118GHz八个通道权重函数分布的特征,对于每一个50-60GHz通道,其权重函数包络的118GHz通道数都被选为预报通道,预报通道的个数为a-2;则x0i为预报通道的模拟亮温,3≤i≤a;
根据50-60GHz十三个通道的自身辐射特性,设置隐含层的层数和节点数,隐含层的激活函数采用softplus,输出层采用的激活函数为selu:
其中softplus的函数形式为:
f(x)=log(1+ex)
selu函数的表达式为:
Y=[y1 y2, … y13]T
目标数据Y为50-60GHz十三个通道独自的模拟亮温。
作为上述方法的一种改进,所述方法还包括训练晴空亮温预报模型的步骤,具体包括:
基于大气-辐射模拟基础数据库,建立训练集;
指定损失函数计算目标也预测之间的交叉熵,训练过程中通过梯度下降对损失进行最小化,训练得到晴空亮温预报模型的参数,然后选择优化器做梯度最速下降来评估模型。
作为上述方法的一种改进,所述阈值为3δ,其中δ为50-60GHz模拟亮温和预报亮温偏差标准差。
本发明还提供了一种星载微波双氧探测通道等权重共轭的降水检测方法系统,所述系统包括:晴空亮温预报模型、50-60GHz学习亮温输出模块和降水检测模块;
所述50-60GHz学习亮温输出模块,用于将118GHz实际观测亮温、仪器扫描角度和地表高程输入所述晴空亮温预报模型,分别输出50-60GHz十三个通道的学习亮温;
所述降水检测模块,用于检测降水是否对通道上行辐射亮温产生影响:若在50-60GHz十三个通道中,有一个通道的学习亮温和该通道的实际观测亮温之差大于该通道的降水判识阈值,则认为该通道观测象元上有降水云污染,否则,认为该通道没有降水云污染。
作为上述系统的一种改进,所述晴空亮温预报模型为:
所述晴空亮温预报模型的输入向量X0为:
X0=[x01 x02, … x0a]T
其中,x01为仪器扫描角度,x02为地表高程;根据50-60GHz十三个通道和118GHz八个通道权重函数分布的特征,对于每一个50-60GHz通道,其权重函数包络的118GHz通道数都被选为预报通道,预报通道的个数为a-2;则x0i为预报通道的模拟亮温,3≤i≤a;
根据50-60GHz十三个通道的自身辐射特性,设置隐含层的层数和节点数,隐含层的激活函数采用softplus,输出层采用的激活函数为selu:
其中softplus的函数形式为:
f(x)=log(1+ex)
selu函数的表达式为:
Y=[y1 y2, … y13]T
目标数据Y为50-60GHz十三个通道独自的模拟亮温。
作为上述系统的一种改进,所述晴空亮温预报模型的训练过程,具体包括:
基于大气-辐射模拟基础数据库,建立训练集;
指定损失函数计算目标也预测之间的交叉熵,训练过程中通过梯度下降对损失进行最小化,训练得到晴空亮温预报模型的参数,然后选择优化器做梯度最速下降来评估模型。
作为上述系统的一种改进,所述阈值为3δ,其中δ为50-60GHz模拟亮温和预报亮温偏差标准差。
本发明的优势在于:
1、本发明的方法打破传统利用窗区通道降水检测在同化应用中的内在物理缺陷,其显著优点在于不认为窗区通道的降水检测结果可以直接用于探测通道,充分考虑直接参与同化与温度廓线反演的通道自身辐射观测,即便有降水的存在,仍然可以利用没有被“污染”的高层探测通道进行数据同化和反演;从而克服了没有设置窗区通道的星载微波温度计的降水检测无法实现的问题,实现了辐射传输意义上的降水检测方法;
2、本发明的降水检测方法能够从温度探测通道本身的观测辐射出发,逐通道判识是否存在降水,在有降水存在的情况下,仍然可以保证没有被“污染”的温度探测通道观测数据的定量应用,有效提高数据使用率;摆脱了温度观测数据应用过程中对窗区通道辐射的依赖,实现了卫星遥感温度探测资料在大气辐射传输意义上得降水检测,提高了微波温度计资料在大气温度廓线反演,数值天气预报系统中的同化应用准确性等。
附图说明
图1是标准大气1-1000GHz天底不透明度图;
图2是微波波段降雨粒子消光特性图;
图3是SeeBor5.0版本大气廓线库15704条廓线的地理位置分布图;
图4是SeeBor5.0版本廓线库15704条大气温湿度廓线图;
图5是50-60GHz辐射-大气基础数据库中亮温分布图;
图6是118GHz辐射-大气基础数据库中亮温分布图;
图7是TensorFlow进行机器学习的示意图;
图8(a)是50-60GHz第一通道和118GHz通道权重函数包络图;
图8(b)是50-60GHz第二通道和118GHz通道权重函数包络图;
图8(c)是50-60GHz第三通道和118GHz通道权重函数包络图;
图8(d)是50-60GHz第四通道和118GHz通道权重函数包络图;
图8(e)是50-60GHz第五通道和118GHz通道权重函数包络图;
图8(f)是50-60GHz第六通道和118GHz通道权重函数包络图;
图8(g)是50-60GHz第七通道和118GHz通道权重函数包络图;
图8(h)是50-60GHz第八通道和118GHz通道权重函数包络图;
图8(i)是50-60GHz第九通道和118GHz通道权重函数包络图;
图8(j)是50-60GHz第十通道和118GHz通道权重函数包络图;
图8(k)是50-60GHz第十一通道和118GHz通道权重函数包络图;
图8(l)是50-60GHz第十二通道和118GHz通道权重函数包络图;
图8(m)是50-60GHz第十三通道和118GHz通道权重函数包络图;
图9是本发明的降水检测方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细的说明。
本发明提供一种星载微波双氧探测通道等权重共轭的降水检测方法,该降水检测方法基于双氧通道权重函数等共轭分析思想构建晴空情况下的亮温预报模型,如果实际观测亮温大于模型误差的3倍则认为观测象元有降水发生,即利用亮温预报模型和118GHz通道亮温计算得到50-60GHz晴空预报亮温,再与50-60GHz实际观测亮温比较,如果预报亮温和实际亮温差大于亮温预报模型误差3倍时,则认为50-60GHz观测象元上有降水存在。此方法不仅解决了没有窗区通道观测时微波温度计的降水检测问题以保证卫星资料同化应用及廓线反演,而且打破传统利用窗区通道观测进行降水检测在同化和廓线反演应用中的内在物理缺陷,从直接参与同化和反演的通道自身辐射观测出发,可以实现辐射传输意义上的降水检测,为微波温度计资料定量应用过程中“逐层降水检测”奠定基础。其结果还能用于50-60GHz资料在同化应用中的通道选择。
图1是标准大气1-1000GHz天底不透明度图。如图1所示,在50-60GHz和118GHz氧气吸收线上存在等权重吸收的频点。在晴空情况下,可以通过118GHz通道的观测亮温预报得到50-60GHz亮温。
图2是微波波段降水粒子的消光特性图,不同颜色的线表示不同的粒子有效半径。50-60GHz和118GHz的消光特性和单词散射反照率在不同降水粒子半径下都有明显差异,也就是说降水粒子的存在会打破晴空情况下50-60GHz和118GHz间的亮温预报关系,从而检测出降水粒子的存在。
图3是本发明所用全球大气廓线库为SeeBor5.0版本在全球的分布情况图。该大气廓线库包含了晴空条件下15704条101层全球大气温湿廓线和臭氧廓线。这些廓线是整合了NOAA Chris Barnet的NOAA-88(6137条大气廓线),欧洲中心的ECMWF60层训练数据集(6015条大气廓线),法国动力气象实验室的TIGR-3(1387条大气廓线),NOAA气候监测和诊断实验室的站点资料(1595条大气廓线)和撒哈拉沙漠探空资料(570条大气廓线)得到。图4是SeeBor5.0版本廓线库15704条大气温湿度廓线图。
图5和图6分别是50-60GHz和118GHz辐射-大气基础数据库中亮温分布图。以全球大气廓线库为SeeBor5.0版为基础,利用CRTM模拟得到晴空情况下FY3C-MWHS II 118GHz八个通道上行辐射亮温和FY3C-MWTS II十三个通道上行辐射亮温。该亮温数据库是建立晴空预报模型的基础输入库。
图7是本发明中所用机器学习系统TensorFlow利用简单的回归模型进行机器学习的示意图。TensorFlow系统中的数据用张量(tensor)表示,数学操作用节点(Nodes)表示,计算任务图中的节点可获得0个或多个张量。系统计算过程用计算图表示,用会话Session来提交计算图,输入训练所用张量数据以后,系统可增加计算操作单元进行训练模型构建,调整调整优化模型参数后完成机器学习任务。
图8(a)-图8(m)是50-60GHz十三个通道和118GHz通道权重函数包络图。本发明在建立118GHz上行辐射亮温到50-60GHz亮温的晴空预报模型过程中,需要挑选合适的118GHz通道来建立和50-60GHz通道的关系。根据图8中两组温度探测通道的权重分布的特征,选择匹配的通道号以确定机器学习的训练因子。通道权重函数峰值对应的气压高度层上大气状态是决定该通道上行辐射亮温的主要因素,然而由于权重函数分布有一定范围,在权重函数包络的气压层上的大气状态变化都会对通道亮温产生一定影响。图中黑色的粗实线代表了50-60GHz某一个通道的权重函数分布,同时用彩色实线给出了118GHz所有通道权重函数分布情况,通过黑实线包络的彩线情况来确定MWHS II通道对MWTS II通道的训练因子,即图7中的x。
如图9所示,本发明的星载微波双氧探测通道等权重共轭的降水检测方法,具体包括:
1)构建晴空亮温预报模型,具体步骤如下:
(1-1)晴空无散射条件下,微波单色大气辐射传输方程忽略太阳辐射作用,离散化表示为:
上述方程中,Rv表示大气顶观测辐亮度,v表示频率,Bv,i表示第i层大气普朗克函数,εvs为地表发射率,Tv,N为整层大气透射率,Tv,i和分别为大气顶以及地表到第i层大气透射率,N为大气分层数(第一层为大气顶,第N层为大气底层。)。对于卫星遥感,在上述公式开展辐射传输正演模拟的同时,还需要计算大气辐射对变量的变率(雅克比)。
已知全球大气参数和地表参数时,基于辐射传输方程开发的正演辐射传输模式CRTM(Community Radiative Transfer Model),可以进行星载微波温度计上行观测亮温模拟。由此,利用晴空全球大气廓线库SeeBor和CRTM对50-60GHz十三个温度探测通道和118GHz八个温度探测通道进行晴空情况下的正演辐射传输模拟计算,得到微波温度计晴空全球辐射-大气参数基础数据集。
(1-2)卫星探测仪器的通道权重函数曲线可以反映大气中各个气压层的辐射对探测器接收到的来自整层大气的辐射的贡献大小,即大气向上的辐射主要是由哪一部分(大气层)引起的,权重函数曲线的每一个峰值代表大气对向上的辐射贡献最大的部分。
定义中心波数为ν*的权重函数为:
τ(ν*,p,θ)=exp(-u)
其中W是权重函数,τ(ν*,p,θ)是中心波数为ν*的通道透过率,p是气压,θ是天顶角,u是光学厚度。
为构建118GHz上行辐射亮温到50-60GHz亮温的晴空预报模型,需要挑选合适的118GHz通道来建立和50-60GHz通道的关系。利用CRTM计算得到50-60GHz和118GHz通道权重函数,根据50-60GHz某一个通道的权重函数包络的气压层挑选出对应的118GHz温度探测通道号,由此得到可用于预报50-60GHz通道亮温的118GHz通道。
(1-3)由于通道观测亮温受到观测角度和下垫面海拔高度的影响,挑选扫描角度和地表高程也作为50-60GHz各通道的预报因子。
(1-4)利用谷歌开发的第二代机器学习系统TensorFlow建立晴空条件下118GHz亮温对50-60GHz亮温的亮温预报模型,TensorFlow的机器学习过程如下向量所示:
所述晴空亮温预报模型:
其中,X0为模型输入向量,X1 X2 … Xn是隐含层神经元向量,x和y表示向量元素,a1a2 … an为神经元个数,m为预报通道个数,ω为权重矩阵系数,b为偏置向量,Y为模型输出向量,f为隐含层的激活函数,g为输出层的激活函数,n代表隐含层层数,k代表第几个节点。
根据50-60GHz十三个通道的自身辐射特性,设置隐含层的层数和节点数,隐含层的激活函数采用softplus,输出层采用的激活函数为selu。
其中softplus的函数形式为:
f(x)=log(1+ex)
selu函数的表达式为:
基于50-60GHz十三个通道和118GHz八个通道权重函数分布的特征,对于每一个50-60GHz通道而言,其权重函数包络的118GHz通道数都被选为预报通道,预报通道的模拟亮温作为输入X0,由于通道观测亮温受到观测角度和下垫面海拔高度的影响,仪器扫描角度和地表高程也作为输入X0的元素;50-60GHz十三个通道独自的模拟亮温作为目标数据Y。
建立训练模型以后,可以指定损失函数来计算目标也预测之间的交叉熵,训练过程中通过地图下降对损失进行最小化。训练得到预测模型以后,可以选择优化器做梯度最速下降来评估模型。
(1-5)全球辐射-大气参数基础数据集中50-60GHz的模拟亮温作为目标数据y;118GHz通道的模拟亮温作为训练数据x;另一方面,观测角度和下垫面海拔高度的不同也会造成上行辐射亮温的差异。因此,各通道的预报因子中也同时考虑扫描角度和地表高程。隐含层神经元节点数和权重分别为n_hidden和weight,利用敏感性试验得到各通道不同的神经元节点数和权重;输出层采用回归函数softplus或selu进行回归,得到晴空情况下118GHz对50-60GHz各通道独立的亮温预报模型。
其中softplus的函数形式为:
f(x)=log(1+ex)
selu函数的表达式为:
2)降水检测方法实现,具体步骤如下:
(2-1)定义50-60GHz模拟亮温和预报亮温偏差标准差δ为该亮温预报模型精度。
(2-2)118GHz实际观测亮温作为晴空预报模型的输入,得到50-60GHz通道的学习亮温。
(2-3)50-60GHz通道的学习亮温和实际观测亮温之差大于三倍δ时,认为该通道观测象元上有降水云污染。针对50-60GHz各通道分别进行降水检测,得到逐通道独立的降水检测结果。
本发明的降水检测方法,能够用直接参与同化与温度廓线反演的通道自身辐射观测和双氧通道权重函数共轭分析确保星载微波温度计降水检测的正确性。其中晴空预报模型的构建基于大气-辐射模拟基础数据库,可以根据大气廓线数据集的完备性定期优化该预报模型,用于后期的降水检测。
本发明的降水检测方法能够在没有窗区通道的观测辐射下,基于通道自身的辐射特性,保证每个通道独立的降水检测结果,该方法通过利用50-60GHz和118GHz的观测亮温差异来实现降水检测,而这两组通道设置在不同卫星载荷上,因此会涉设计到不同在和不同星的之间观测象元匹配问题,需对匹配原则进行规范。鉴于天气系统的变化迅速,两组通道间的观测时间差不大于20分钟。
本发明还提供了一种星载微波双氧探测通道等权重共轭的降水检测方法系统,所述系统包括:晴空亮温预报模型、50-60GHz学习亮温输出模块和降水检测模块;
所述50-60GHz学习亮温输出模块,用于将118GHz实际观测亮温、仪器扫描角度和地表高程输入所述晴空亮温预报模型,分别输出50-60GHz十三个通道的学习亮温;
所述降水检测模块,用于检测降水是否对通道上行辐射亮温产生影响:若在50-60GHz十三个通道中,有一个通道的学习亮温和该通道的实际观测亮温之差大于该通道的降水判识阈值,则认为该通道观测象元上有降水云污染,否则,认为该通道没有降水云污染。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种星载微波双氧探测通道等权重共轭的降水检测方法,该方法为针对50-60GHz星载微波辐射计逐通道观测象元是否存在降水的判识方法,所述方法包括:
将118GHz实际观测亮温、仪器扫描角度和地表高程输入预先训练的晴空亮温预报模型,分别输出50-60GHz十三个通道的学习亮温;
若在50-60GHz十三个通道中,有一个通道的学习亮温和该通道的实际观测亮温之差大于该通道的降水判识阈值,则认为该通道观测象元上有降水云污染,否则,认为该通道没有降水云污染;
所述方法还包括构建晴空亮温预报模型的步骤,具体包括:
所述晴空亮温预报模型的输入向量X0为:
X0=[x01 x02,… xoa]T
其中,x01为仪器扫描角度,x02为地表高程;根据50-60GHz十三个通道和118GHz八个通道权重函数分布的特征,对于每一个50-60GHz通道,其权重函数包络的118GHz通道数都被选为预报通道,预报通道的个数为a-2;则x0i为预报通道的模拟亮温,3≤i≤a;
根据50-60GHz十三个通道的自身辐射特性,设置隐含层的层数和节点数,隐含层的激活函数采用softplus,输出层采用的激活函数为selu:
其中softplus的函数形式为:
f(x)=log(1+ex)
selu函数的表达式为:
其中,x为自变量,b为常数;
Y=[y1y2,…y13]T
目标数据Y为50-60GHz十三个通道独自的模拟亮温。
2.根据权利要求1所述的星载微波双氧探测通道等权重共轭的降水检测方法,其特征在于,所述方法还包括训练晴空亮温预报模型的步骤,具体包括:
基于大气-辐射模拟基础数据库,建立训练集;
指定损失函数计算目标预测之间的交叉熵,训练过程中通过梯度下降对损失进行最小化,训练得到晴空亮温预报模型的参数,然后选择优化器做梯度最速下降来评估模型。
3.根据权利要求2所述的星载微波双氧探测通道等权重共轭的降水检测方法,其特征在于,所述阈值为3δ,其中δ为50-60GHz模拟亮温和预报亮温偏差标准差。
4.一种星载微波双氧探测通道等权重共轭的降水检测系统,其特征在于,所述系统包括:晴空亮温预报模型、50-60GHz学习亮温输出模块和降水检测模块;
所述50-60GHz学习亮温输出模块,用于将118GHz实际观测亮温、仪器扫描角度和地表高程输入所述晴空亮温预报模型,分别输出50-60GHz十三个通道的学习亮温;
所述降水检测模块,用于检测降水是否对通道上行辐射亮温产生影响:若在50-60GHz十三个通道中,有一个通道的学习亮温和该通道的实际观测亮温之差大于该通道的降水判识阈值,则认为该通道观测象元上有降水云污染,否则,认为该通道没有降水云污染;
所述晴空亮温预报模型为:
所述晴空亮温预报模型的输入向量X0为:
X0=[x01 x02,… x0a]T
其中,x01为仪器扫描角度,x02为地表高程;根据50-60GHz十三个通道和118GHz八个通道权重函数分布的特征,对于每一个50-60GHz通道,其权重函数包络的118GHz通道数都被选为预报通道,预报通道的个数为a-2;则x0i为预报通道的模拟亮温,3≤i≤a;
根据50-60GHz十三个通道的自身辐射特性,设置隐含层的层数和节点数,隐含层的激活函数采用softplus,输出层采用的激活函数为selu:
其中softplus的函数形式为:
f(x)=log(1+ex)
selu函数的表达式为:
其中,x为自变量,b为常数;
Y=[y1y2,…y13]T
目标数据Y为50-60GHz十三个通道独自的模拟亮温。
5.根据权利要求4所述的星载微波双氧探测通道等权重共轭的降水检测系统,其特征在于,所述晴空亮温预报模型的训练过程,具体包括:
基于大气-辐射模拟基础数据库,建立训练集;
指定损失函数计算目标预测之间的交叉熵,训练过程中通过梯度下降对损失进行最小化,训练得到晴空亮温预报模型的参数,然后选择优化器做梯度最速下降来评估模型。
6.根据权利要求5所述的星载微波双氧探测通道等权重共轭的降水检测系统,其特征在于,所述阈值为3δ,其中δ为50-60GHz模拟亮温和预报亮温偏差标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377080.1A CN111060992B (zh) | 2019-12-27 | 2019-12-27 | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377080.1A CN111060992B (zh) | 2019-12-27 | 2019-12-27 | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060992A CN111060992A (zh) | 2020-04-24 |
CN111060992B true CN111060992B (zh) | 2021-09-10 |
Family
ID=70303094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911377080.1A Active CN111060992B (zh) | 2019-12-27 | 2019-12-27 | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060992B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737913B (zh) * | 2020-06-15 | 2023-08-15 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN112213727B (zh) * | 2020-10-15 | 2024-01-02 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 |
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 |
WO2022239417A1 (ja) * | 2021-05-11 | 2022-11-17 | 古野電気株式会社 | 学習モデルの生成方法、コンピュータプログラム、マイクロ波放射計及び推定方法 |
JPWO2022239416A1 (zh) * | 2021-05-11 | 2022-11-17 | ||
CN114089444B (zh) * | 2021-11-23 | 2024-04-12 | 上海航天测控通信研究所 | 一种星载探测数据全球陆地降雨类型判别装置及方法 |
CN115267786A (zh) * | 2022-07-29 | 2022-11-01 | 北京彩彻区明科技有限公司 | 融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102789004A (zh) * | 2012-07-20 | 2012-11-21 | 南京大学 | 夜间降雨率的卫星反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2237267C2 (ru) * | 2001-11-26 | 2004-09-27 | Волков Леонид Викторович | Способ формирования изображений в миллиметровом и субмиллиметровом диапазоне волн (варианты) и система формирования изображений в миллиметровом и субмиллиметровом диапазоне волн |
US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
-
2019
- 2019-12-27 CN CN201911377080.1A patent/CN111060992B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102789004A (zh) * | 2012-07-20 | 2012-11-21 | 南京大学 | 夜间降雨率的卫星反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111060992A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060992B (zh) | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 | |
Johnson et al. | Sounding-based thermodynamic budgets for DYNAMO | |
US7353690B2 (en) | Atmospheric refractivity profiling apparatus and methods | |
Berg et al. | Differences between east and west Pacific rainfall systems | |
CN109709558B (zh) | 一种星载微波遥感陆地上空pwv的物理反演方法 | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
Zou et al. | Improved quantitative precipitation forecasts by MHS radiance data assimilation with a newly added cloud detection algorithm | |
CN108874734B (zh) | 一种全球陆地降水反演方法 | |
CN108827878B (zh) | 一种地表气压的被动微波遥感探测方法 | |
CN114581791A (zh) | 基于modis数据大气水汽含量反演方法及系统 | |
Xian et al. | All‐sky assimilation of the MWHS‐2 observations and evaluation the impacts on the analyses and forecasts of binary typhoons | |
CN113340836A (zh) | 一种针对高纬复杂下垫面的大气温湿廓线反演方法 | |
Bao et al. | Assessing the impact of Chinese FY-3/MERSI AOD data assimilation on air quality forecasts: Sand dust events in northeast China | |
Li et al. | Aerosol solar radiative forcing near the Taklimakan Desert based on radiative transfer and regional meteorological simulations during the Dust Aerosol Observation-Kashi campaign | |
Brogniez et al. | Validation of upper-tropospheric humidity from SAPHIR on board Megha-Tropiques using tropical soundings | |
Feng et al. | Performance of the improved two-source energy balance model for estimating evapotranspiration over the heterogeneous surface | |
Wan et al. | Accuracy Evaluation and Parameter Analysis of Land Surface Temperature Inversion Algorithm for Landsat‐8 Data | |
Li et al. | Forecasting and nowcasting improvement in cloudy regions with high temporal GOES sounder infrared radiance measurements | |
Xu et al. | A daily 5-km all-sky sea-surface longwave radiation product based on statistically modified deep neural network and spatiotemporal analysis for 1981–2018 | |
CN115438562A (zh) | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 | |
Zhao et al. | An operational land surface temperature retrieval methodology for Chinese second-generation Huanjing disaster monitoring satellite data | |
Han et al. | Evaluation of the in-orbit performance of the microwave temperature sounder onboard the FY-3D satellite using different radiative transfer models | |
Martin et al. | Tropospheric water and temperature retrieval for ASMUWARA | |
Zabolotskikh et al. | An Advanced Algorithm to Retrieve Total Atmospheric Water Vapor Content From the Advanced Microwave Scanning Radiometer Data Over Sea Ice and Sea Water Surfaces in the Arctic | |
Zhu et al. | Estimate of cloudy-sky surface emissivity from passive microwave satellite data using machine learning |
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 |