CN111610524A - 一种基于一维变分算法的冰云廓线反演方法及系统 - Google Patents
一种基于一维变分算法的冰云廓线反演方法及系统 Download PDFInfo
- Publication number
- CN111610524A CN111610524A CN202010387561.7A CN202010387561A CN111610524A CN 111610524 A CN111610524 A CN 111610524A CN 202010387561 A CN202010387561 A CN 202010387561A CN 111610524 A CN111610524 A CN 111610524A
- Authority
- CN
- China
- Prior art keywords
- ice
- profile
- inversion
- height
- cloud
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于一维变分算法的冰云廓线反演方法及系统,属于微波遥感及探测技术领域,包括:将冰粒子的高度范围划分为不同的高度类别,获得各高度类别对应的历史冰廓线和先验冰廓线,并获得历史霰廓线和先验霰廓线;利用一维变分算法从183GHz频段的冰云观测亮温T1反演霰廓线GWC;根据目标频段内冰云的观测亮温T2反演冰廓线的等效高度,以确定对应的高度类别C;将霰廓线GWC中高度类别C对应的霰廓线GWCC作为背景场,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演高度类别C对应的冰廓线IWC;以霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果。本发明能够有效提高冰云廓线的反演精度。
Description
技术领域
本发明属于微波遥感及探测技术领域,更具体地,涉及一种基于一维变分算法的冰云廓线反演方法及系统。
背景技术
冰云对地球能量循环和水汽循环都有着明显的影响,因此研究冰云粒子的物理结构特性,对大气辐射传输模式、气候气象云模式和灾害天气预报等研究领域都具有重要意义。从卫星观测资料中及时、准确的反演冰云廓线,是研究冰云粒子的一个非常重要的手段。
冰云中冰晶粒子尺寸主要集中在20-600微米,相较于微波只能探测较大尺寸粒子、红外频段只能探测较小尺寸粒子,太赫兹频段由于其波长范围与冰云粒子尺寸分布接近,使用被动遥感方式的星载太赫兹波辐射计在冰云探测上具有独特优势。太赫兹波辐射计的直接观测资料为微波亮温数据,在观测得到冰云的亮温数据后,需要使用数学反演算法从观测亮温数据中反演得到冰云廓线。
目前用于地球遥感的反演算法主要包括统计回归法、神经网络法、物理法这几种类型,这些太赫兹冰云探测研究通常将冰云视为仅由冰粒子构成,在从亮温数据反演冰云廓线时,也仅反演冰粒子参数。但是,冰云的冰相离子实际上除了固态的冰粒子(Ice)外,还存在由空气、液态水和固态冰混合构成的霰粒子(Graupel),这两种冰相离子的介电常数、粒径分布都有一定差异,因此,冰云中霰粒子对于观测亮温的影响是不同忽视的。现有的太赫兹冰云探测方法仅反演冰粒子参数,反演得到的冰云廓线与真实的冰云廓线存在一定的差异。此外,冰廓线垂直分布复杂,分布在不同高度上,而现有的冰云廓线反演方法并未考虑冰廓线垂直分布不均的问题,所反演得到的冰廓线数据的准确度不高。总的来说,现有的冰云廓线反演方法所反演得到的冰云廓线的准确度仍有待进一步提高。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于一维变分算法的冰云廓线反演方法及系统,其目的在于,提高冰云廓线的反演精度。
为实现上述目的,按照本发明的一个方面,提供了一种基于一维变分算法的冰云廓线反演方法,包括:
预先将冰云中冰粒子分布的高度范围划分为不同的高度类别;对于每一个高度类别,根据该高度类别所对应的历史冰云数据统计该高度类别对应的历史冰廓线,并反演得到该高度类别对应的先验冰廓线;
根据历史冰云数据统计历史霰廓线,并反演得到先验霰廓线;
根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC;
根据目标频段内冰云的观测亮温T2反演得到冰云中冰廓线的等效高度,以根据等效高度确定对应的高度类别C;
从反演得到的霰廓线GWC中提取高度类别C对应的霰廓线GWCC作为背景场,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演得到冰云中高度类别C对应的冰廓线IWC;
以霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果。
冰云在183GHz频段的亮温仅受霰粒子的散射影响;本发明充分利用不同频段亮温对冰、霰粒子的辐射特性不同的特性,从183GHz冰云的观测亮温能够准确反演得到霰廓线,更高频段亮温受到霰和冰的同时影响,然后以反演得到的霰廓线作为背景场,进行反演,等同于在已知霰廓线的基础上对冰廓线进行反演,能够消除霰粒子散射对亮温的影响,提高反演得到的冰廓线的准确度;本发明在反演冰廓线时,按照背景廓线(即先验廓线)的分布高度经分类,利用对应高度类别中的背景廓线数据完成冰廓线的反演,能够进一步提高反演得到的冰廓线的准确度。总的来说,本发明对冰云中的冰、霰粒子分别进行反演,并在反演冰廓线时,利用对应高度类别中的背景廓线数据完成冰廓线的反演,有效提高了冰云廓线反演的精度。
进一步地,目标频段为234-874GHz。
本发明以234-874GHz为反演冰廓线的目标频段,能够进一步提高冰廓线的反演精度,从而提高冰云廓线反演的精度。
进一步地,根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频点的冰云观测亮温T1反演得到冰云中的霰廓线GWC,包括:
计算历史霰廓线和先验霰廓线之间的协方差矩阵,作为背景误差协方差矩阵BGWC;
根据先验霰廓线正演得到正演亮温TGWC,并计算观测亮温T1与正演亮温TGWC之间的协方差矩阵,作为观测误差协方差矩阵RGWC;
利用大气参数以及先验霰廓线构成背景廓线数据PGWC;
以观测亮温T1、背景误差协方差矩阵BGWC、观测误差协方差矩阵RGWC以及背景廓线数据PGWC为输入,利用一维变分算法反演得到冰云中的霰廓线GWC。
进一步地,在利用一维变分算法反演冰云中的霰廓线GWC时,迭代目标设定为:根据迭代后的霰廓线正演得到的亮温与观测亮温T1之间的差值小于观测噪声。
进一步地,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演得到冰云中高度类别C对应的冰廓线IWC,包括:
计算高度类别C对应的历史冰廓线和先验冰廓线之间的协方差矩阵,作为背景误差协方差矩阵BIWC;
根据高度类别C对应的霰廓线GWCC和先验冰廓线正演得到正演亮温TIWC,并计算观测亮温T2和正演亮温TIWC之间的协方差矩阵,作为观测误差协方差矩阵RIWC;
利用高度类别C对应的大气参数、霰廓线GWCC以及先验冰廓线构成背景廓线数据PIWC;
以观测亮温T2、背景误差协方差矩阵BIWC、观测误差协方差矩阵RIWC以及背景廓线数据PIWC为输入,利用一维变分算法反演得到冰云中高度类别C对应的冰廓线IWC。
进一步地,在利用一维变分算法反演冰云中高度类别C对应的冰廓线IWC时,迭代目标设定为:根据迭代后的冰廓线正演得到的亮温与观测亮温T2之间的差值小于观测噪声。
进一步地,在利用一维变分算法反演霰廓线或冰廓线时,使用Bfgs校正法迭代。
按照本发明的另一个方面,提供了一种基于一维变分算法的冰云廓线反演系统,包括:预处理模块、霰廓线反演模块、冰廓线等效高度反演模块、冰廓线反演模块以及综合模块;
预处理模块,用于预先将冰云中冰粒子分布的高度范围划分为不同的高度类别;
预处理模块,还用于对于每一个高度类别,根据该高度类别所对应的历史冰云数据统计该高度类别对应的历史冰廓线,并反演得到该高度类别对应的先验冰廓线;
预处理模块,还用于根据历史冰云数据统计历史霰廓线,并反演得到先验霰廓线;
霰廓线反演模块,用于根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC;
冰廓线等效高度反演模块,用于根据目标频段内冰云的观测亮温T2反演得到冰云中冰廓线的等效高度,以根据等效高度确定对应的高度类别C;
冰廓线反演模块,用于从霰廓线反演模块反演得到的霰廓线GWC中提取高度类别C对应的霰廓线GWCC作为背景场,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演得到冰云中高度类别C对应的冰廓线IWC;
综合模块,用于综合霰廓线反演模块和冰廓线反演模块的反演结果,以霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明对冰云中的冰、霰粒子分别进行反演,具体地,从183GHz频段的冰云观测亮温能够准确反演得到霰廓线,然后以反演得到的霰廓线作为背景场,并利用对应高度类别中的背景廓线数据完成冰廓线的反演,能够准确反演得到冰廓线,最后以反演得到的霰廓线和冰廓线共同作为冰云廓线反演的结果,有效提高了冰云廓线反演的精度。
(2)本发明以234-874GHz为反演冰廓线的目标频段,能够进一步提高冰廓线的反演精度,从而提高冰云廓线反演的精度。
附图说明
图1为本发明实施例提供的基于一维变分算法的冰云廓线反演方法示意图;
图2为本发明实施例提供的100~1000GHz冰云亮温数据;
图3为本发明实施例提供的霰廓线GWC的背景廓线误差和经过一维变分反演后廓线误差;
图4为本发明实施例提供的冰廓线IWC不同高度分类的背景廓线误差和经过一维变分反演后廓线误差;其中的(a)~(e)分别为5个高度类别对应的背景廓线误差和经过一维变分反演后的廓线误差。
图5为本发明实施例提供的不同高度类别的样本总体统计的误差。
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,以下结合附图及实施例,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
一维变分算法是一种最优化方法,利用一维变分算法反演冰云廓线的思路可归纳为:首先构建一个包含待反演大气参数的合理目标函数,然后使用一种寻优策略进行搜索,当目标函数取得最小值时就得到了大气参数的最优解。通俗地来说,最优化方法就是求一个多元目标函数在某个给定集合上的极值问题。以下实施例使用一维变分算法从183GHz-874GHz多频段太赫兹亮温数据中反演得到冰、霰两种粒子的密度廓线。
一维变分算法的输入为具有M个通道(对应亮温频率通道数)的亮温数据、M*M大小的观测误差协方差矩阵R、N*N大小的背景误差协方差矩阵B、背景廓线数据,输出为具有N个通道(对应廓线分层)的冰云廓线数据,且每个通道的亮温与廓线网格尺寸相等。
在利用一维变分算法反演冰云廓线之前,需要设置一维变分算法参数,具体包括目标函数、迭代算法、最大迭代次数、迭代停止条件等,满足最大迭代次数或迭代停止条件则输出反演结果。
为了提高冰云廓线的反演精度,在本发明的一个实施例中,提供了一种基于一维变分算法的冰云廓线反演方法,如图1所示,包括:
预先将冰云中冰粒子分布的高度范围划分为不同的高度类别;对于每一个高度类别,根据该高度类别所对应的历史冰云数据统计该高度类别对应的历史冰廓线,并反演得到该高度类别对应的先验冰廓线;
根据历史冰云数据统计历史霰廓线,并反演得到先验霰廓线;
根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC;
根据目标频段内冰云的观测亮温T2反演得到冰云中冰廓线的等效高度,以根据等效高度确定对应的高度类别C;
从反演得到的霰廓线GWC中提取高度类别C对应的霰廓线GWCC作为背景场,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演得到冰云中高度类别C对应的冰廓线IWC;
以霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果。
本实施例中,根据各高度类别所对应的历史冰云数据反演该高度类别对应的先验冰廓线,以及根据历史冰云数据反演先验霰廓线的方法,可采用计回归法、神经网络法等现有的任意一种反演算法。
在本实施例中,目标频段为234-874GHz,经过多次验证,以234-874GHz为反演冰廓线的目标频段,能够进一步提高冰廓线的反演精度,从而提高冰云廓线反演的精度。
本实施例中,根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC,包括:
计算历史霰廓线和先验霰廓线之间的协方差矩阵,作为背景误差协方差矩阵BGWC;
根据先验霰廓线正演得到正演亮温TGWC,并计算观测亮温T1与正演亮温TGWC之间的协方差矩阵,作为观测误差协方差矩阵RGWC;具体可利用RT模型根据先验霰廓线(冰廓线对应的数据为0)计算正演亮温TGWC;
利用大气参数以及先验霰廓线构成背景廓线数据PGWC;
以观测亮温T1、背景误差协方差矩阵BGWC、观测误差协方差矩阵RGWC以及背景廓线数据PGWC为输入,利用一维变分算法反演得到冰云中的霰廓线GWC;
在利用一维变分算法反演冰云中的霰廓线GWC时,迭代目标设定为:根据迭代后的霰廓线正演得到的亮温与观测亮温T1之间的差值小于观测噪声;
在反演时,使用Bfgs校正法迭代。
考虑到冰粒子主要分布在7~15km高度范围内,且不同样本冰密度廓线的高度分布差异很大,如果直接统计背景误差协方差矩阵B进行反演,反演时廓线高度分布和背景误差协方差矩阵B是不匹配的,反演迭代过程中会在本没有冰分布的高度引入相当大的误差,本实施例中,具体以1km为间隔,将冰粒子分布的高度范围划分为不同的类别。应当理解的是,此处仅为示例性描述,不应理解为对本发明的唯一限定;只要能够保证在同一个高度类别下,廓线高度分布和背景误差协方差矩阵B是相匹配的,按照其他的高度间隔进行分类,或采用其他的标准进行高度分类的方法,也可以应用于本发明;完成高度类别的划分后,根据反演得到的廓线等效高度,即可确定所反演的廓线对应的高度类别,进而确定与反演的廓线高度分布相匹配的背景误差协方差矩阵B。
本实施例中,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演得到冰云中高度类别C对应的冰廓线IWC,包括:
计算高度类别C对应的历史冰廓线和先验冰廓线之间的协方差矩阵,作为背景误差协方差矩阵BIWC;
根据高度类别C对应的霰廓线GWCC和先验冰廓线正演得到正演亮温TIWC,并计算观测亮温T2和正演亮温TIWC之间的协方差矩阵,作为观测误差协方差矩阵RIWC;具体可利用RT模型根据高度类别C对应的霰廓线GWCC和先验冰廓线计算正演亮温TIWC;
利用高度类别C对应的大气参数、霰廓线GWCC以及先验冰廓线构成背景廓线数据PIWC;
以观测亮温T2、背景误差协方差矩阵BIWC、观测误差协方差矩阵RIWC以及背景廓线数据PIWC为输入,利用一维变分算法反演得到冰云中高度类别C对应的冰廓线IWC;
在利用一维变分算法反演冰云中高度类别C对应的冰廓线IWC时,迭代目标设定为:根据迭代后的冰廓线正演得到的亮温与观测亮温T2之间的差值小于观测噪声;
反演时,使用Bfgs校正法迭代。
为了进一步验证上述方法实施例的有益效果,以下以中国南海某一区域的冰云廓线反演为例,用MATLAB实现一维变分算法,并利用仿真得到的观测亮温反演冰霰廓线数据,具体过程如下:
第一步,生成冰云廓线数据,模拟观测亮温。
下载gfs历史再分析资料,选择中国南海预设时段内ATMS(Advanced TechnologyMicrowave Sounder)载荷观测到的台风场景,将之输入WRF(Weather Research andForecast Model)数值预报模式计算得到大气状态参数,包括温度、湿度、大气压强、水汽、冰、霰、雪、雨、云水等,验证过程中设置区域网格大小为300*300,网格分辨率为13km*13km,大气廓线垂直分层为59。
将WRF输出的大气参数按照ATMS观测场景经纬度和网格大小进行匹配,转换成96*180大小的网格,构成本发明实施例的冰云大气数据库。
将冰云大气数据库的大气参数输入DOTLRT辐射传输模型中,设置仿真中心频率为183.31GHz、243.2GHz、325.15GHz、448.0GHz、664.0GHz、874.38GHz,得到模拟亮温TB,如图2所示,其中灰色竖线分别对应183GHz、243GHz、325GHz、448GHz、664GHz、874GHz频段的亮温。加入模拟的观测噪声,最终得到接近真实观测亮温的模拟亮温TA。
第二步,一维变分反演霰廓线。
背景误差协方差矩阵B按照真实霰廓线(即历史霰廓线)和先验霰廓线统计;观测误差协方差矩阵R根据真实观测亮温和模式正演亮温计算,由于仿真试验中的观测亮温也是模拟的,和正演亮温之间的差别就是有无噪声,因此,这里的观测误差协方差矩阵R根据183GHz频率对应噪声灵敏度确定,设定目标函数后需要使用迭代算法进行求解,本例中使用Bfgs校正法,最大迭代次数设为50,迭代目标设定为:迭代后的霰廓线计算的亮温和观测亮温之间的差值小于观测噪声,当迭代次数达到最大或者满足迭代目标后,则完成迭代,此时的廓线即为输出的反演霰廓线。
一维变分算法就是把求解大气廓线问题变成数学上的使目标函数最小化问题。根据贝叶斯理论P(x|y0)=P(y0|x)P(x)/P(y0),x代表待反演参数,y0代表观测亮温,当x=x*时P(x|y0)最大,x*就是观测到y0时最可能的冰云廓线值。将贝叶斯公式转换成目标函数公式:
xb表示x的先验值,H是RT模式正向算子,H(x)表示RT模式计算的亮温,目标函数第一项对应P(x),第二项对应P(y0|x),观测亮温已知,因此P(y0)=1,P(x|y0)概率最大等效于目标函数J(x)最小。
第三步,一维变分反演冰廓线。
对于冰廓线IWC,冰粒子主要分布在7~15km高度范围内,且不同样本冰密度廓线的高度分布差异很大,如果直接统计背景误差协方差矩阵B进行反演,反演时廓线高度分布和背景误差协方差矩阵B是不匹配的,反演迭代过程中会在本没有冰分布的高度引入相当大的误差,因此需要先将冰背景廓线按照分布高度进行分类,分类后统计不同分布高度的冰背景误差协方差矩阵B,再采用一维变分算法反演每个分类的冰廓线。
背景误差协方差矩阵B按照当前高度类别对应的真实冰廓线(即历史冰廓线)和先验冰廓线统计;观测误差协方差矩阵R根据243-874GHz频率对应噪声灵敏度确定,背景场中的霰来自183GHz反演,设定目标函数后使用Bfgs校正法迭代,最大迭代次数设为50,迭代目标设定为:迭代后的冰廓线计算的亮温和观测亮温之间的差值小于观测噪声,当迭代次数达到最大或者满足迭代目标后,则完成迭代,此时的廓线即为输出的反演冰廓线。
第四步,验证反演精度。
将测试亮温输入一维变分程序中,将反演输出的冰云廓线同真实冰云廓线对比,计算二者在每一层的RMSE。图3为霰廓线GWC的背景误差和经一维变分反演后的误差,横坐标为霰含量,纵坐标为大气分层压强,其中实线为霰廓线背景误差,即历史霰廓线与先验霰廓线之间的误差,虚线为霰廓线一维变分反演误差,即利用一维变分算法反演得到的霰廓线与历史霰廓线之间的误差;
以1km为间隔,将10~15km的高度范围划分为5个类别,分别为10~11km、11~12km、12~13km、13~14km和14~15km,各高度类别对应的背景误差和经一维变分反演后的误差,分别如图4中的(a)~(e)所示,不同高度类别的样本总体统计的误差如图5所示;图4和图5中,横坐标为冰含量,纵坐标为大气分层压强,其中实线为冰廓线背景误差,即历史冰廓线与先验冰廓线之间的误差,虚线为冰廓线一维变分反演误差,即经过一维变分算法反演得到的冰廓线与历史冰廓线之间的误差;
根据图3~5可知,相比背景廓线误差,一维变分后的反演结果误差精度均有所提升,具有实用价值,这也说明了本发明可以有效提高冰云廓线的反演精度。
在本发明的另一个实施例中,提供了基于一维变分算法的冰云廓线反演系统,包括:预处理模块、霰廓线反演模块、冰廓线等效高度反演模块、冰廓线反演模块以及综合模块;
预处理模块,用于预先将冰云中冰粒子分布的高度范围划分为不同的高度类别;
预处理模块,还用于对于每一个高度类别,根据该高度类别所对应的历史冰云数据统计该高度类别对应的历史冰廓线,并反演得到该高度类别对应的先验冰廓线;
预处理模块,还用于根据历史冰云数据统计历史霰廓线,并反演得到先验霰廓线;
霰廓线反演模块,用于根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC;
冰廓线等效高度反演模块,用于根据目标频段内冰云的观测亮温T2反演得到冰云中冰廓线的等效高度,以根据等效高度确定对应的高度类别C;
冰廓线反演模块,用于从霰廓线反演模块反演得到的霰廓线GWC中提取高度类别C对应的霰廓线GWCC作为背景场,根据高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从观测亮温T2中反演得到冰云中高度类别C对应的冰廓线IWC;
综合模块,用于综合霰廓线反演模块和冰廓线反演模块的反演结果,以霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果;
本发明实施例中,各模块的具体实施方式,可参考上述方法实施例中的描述,在此将不作复述。
本领域的技术人员容易理解,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 (8)
1.一种基于一维变分算法的冰云廓线反演方法,其特征在于,包括:
预先将冰云中冰粒子分布的高度范围划分为不同的高度类别;对于每一个高度类别,根据该高度类别所对应的历史冰云数据统计该高度类别对应的历史冰廓线,并反演得到该高度类别对应的先验冰廓线;
根据历史冰云数据统计历史霰廓线,并反演得到先验霰廓线;
根据所述历史霰廓线和所述先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC;
根据目标频段内冰云的观测亮温T2反演得到冰云中冰廓线的等效高度,以根据等效高度确定对应的高度类别C;
从反演得到的所述霰廓线GWC中提取所述高度类别C对应的霰廓线GWCC作为背景场,根据所述高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从所述观测亮温T2中反演得到冰云中所述高度类别C对应的冰廓线IWC;
以所述霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果。
2.如权利要求1所述的基于一维变分算法的冰云廓线反演方法,其特征在于,所述目标频段为234-874GHz。
3.如权利要求1所述的基于一维变分算法的冰云廓线反演方法,其特征在于,根据历史霰廓线和先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC,包括:
计算所述历史霰廓线和所述先验霰廓线之间的协方差矩阵,作为背景误差协方差矩阵BGWC;
根据所述先验霰廓线正演得到正演亮温TGWC,并计算所述观测亮温T1与所述正演亮温TGWC之间的协方差矩阵,作为观测误差协方差矩阵RGWC;
利用大气参数以及所述先验霰廓线构成背景廓线数据PGWC;
以所述观测亮温T1、所述背景误差协方差矩阵BGWC、所述观测误差协方差矩阵RGWC以及所述背景廓线数据PGWC为输入,利用一维变分算法反演得到冰云中的霰廓线GWC。
4.如权利要求3所述的基于一维变分算法的冰云廓线反演方法,其特征在于,在利用一维变分算法反演冰云中的霰廓线GWC时,迭代目标设定为:根据迭代后的霰廓线正演得到的亮温与所述观测亮温T1之间的差值小于观测噪声。
5.如权利要求1所述的基于一维变分算法的冰云廓线反演方法,其特征在于,根据所述高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从所述观测亮温T2中反演得到冰云中所述高度类别C对应的冰廓线IWC,包括:
计算所述高度类别C对应的历史冰廓线和先验冰廓线之间的协方差矩阵,作为背景误差协方差矩阵BIWC;
根据所述高度类别C对应的霰廓线GWCC和先验冰廓线正演得到正演亮温TIWC,并计算所述观测亮温T2和所述正演亮温TIWC之间的协方差矩阵,作为观测误差协方差矩阵RIWC;
利用所述高度类别C对应的大气参数、霰廓线GWCC以及先验冰廓线构成背景廓线数据PIWC;
以所述观测亮温T2、所述背景误差协方差矩阵BIWC、所述观测误差协方差矩阵RIWC以及所述背景廓线数据PIWC为输入,利用一维变分算法反演得到冰云中所述高度类别C对应的冰廓线IWC。
6.如权利要求5所述的基于一维变分算法的冰云廓线反演方法,其特征在于,在利用一维变分算法反演冰云中所述高度类别C对应的冰廓线IWC时,迭代目标设定为:根据迭代后的冰廓线正演得到的亮温与所述观测亮温T2之间的差值小于观测噪声。
7.如权利要求3或5所述的基于一维变分算法的冰云廓线反演方法,其特征在于,在利用一维变分算法反演霰廓线或冰廓线时,使用Bfgs校正法迭代。
8.一种基于一维变分算法的冰云廓线反演系统,其特征在于,包括:预处理模块、霰廓线反演模块、冰廓线等效高度反演模块、冰廓线反演模块以及综合模块;
所述预处理模块,用于预先将冰云中冰粒子分布的高度范围划分为不同的高度类别;
所述预处理模块,还用于对于每一个高度类别,根据该高度类别所对应的历史冰云数据统计该高度类别对应的历史冰廓线,并反演得到该高度类别对应的先验冰廓线;
所述预处理模块,还用于根据历史冰云数据统计历史霰廓线,并反演得到先验霰廓线;
所述霰廓线反演模块,用于根据所述历史霰廓线和所述先验霰廓线,利用一维变分算法从183GHz频段的冰云观测亮温T1反演得到冰云中的霰廓线GWC;
所述冰廓线等效高度反演模块,用于根据目标频段内冰云的观测亮温T2反演得到冰云中冰廓线的等效高度,以根据等效高度确定对应的高度类别C;
所述冰廓线反演模块,用于从所述霰廓线反演模块反演得到的所述霰廓线GWC中提取所述高度类别C对应的霰廓线GWCC作为背景场,根据所述高度类别C对应的历史冰廓线和先验冰廓线,利用一维变分算法从所述观测亮温T2中反演得到冰云中所述高度类别C对应的冰廓线IWC;
所述综合模块,用于综合所述霰廓线反演模块和所述冰廓线反演模块的反演结果,以所述霰廓线GWC和所有高度类别对应的冰廓线共同作为冰云廓线的反演结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387561.7A CN111610524B (zh) | 2020-05-09 | 2020-05-09 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387561.7A CN111610524B (zh) | 2020-05-09 | 2020-05-09 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111610524A true CN111610524A (zh) | 2020-09-01 |
CN111610524B CN111610524B (zh) | 2022-07-12 |
Family
ID=72204444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387561.7A Active CN111610524B (zh) | 2020-05-09 | 2020-05-09 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610524B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285130A (zh) * | 2020-10-19 | 2021-01-29 | 中国气象科学研究院 | 大气热力结构的反演方法、装置、设备以及存储介质 |
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 |
CN112730313A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于冰云探测的多频太赫兹探测仪通道选取方法及装置 |
CN112965144A (zh) * | 2021-02-09 | 2021-06-15 | 洛阳师范学院 | 一种提高一维变分算法反演大气温湿廓线精度的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997037213A1 (en) * | 1996-04-01 | 1997-10-09 | University Corporation For Atmospheric Research | Ice detection using radiometers |
WO2016151247A1 (fr) * | 2015-03-23 | 2016-09-29 | Zodiac Aerotechnics | Procédé de détermination de la teneur en eau dans l'atmosphère, procédé de détection de conditions givrantes et programmes d'ordinateur |
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
CN109543353A (zh) * | 2018-12-29 | 2019-03-29 | 广东电网有限责任公司 | 三维水汽反演方法、装置、设备和计算机可读存储介质 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及系统 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
-
2020
- 2020-05-09 CN CN202010387561.7A patent/CN111610524B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997037213A1 (en) * | 1996-04-01 | 1997-10-09 | University Corporation For Atmospheric Research | Ice detection using radiometers |
WO2016151247A1 (fr) * | 2015-03-23 | 2016-09-29 | Zodiac Aerotechnics | Procédé de détermination de la teneur en eau dans l'atmosphère, procédé de détection de conditions givrantes et programmes d'ordinateur |
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
CN109543353A (zh) * | 2018-12-29 | 2019-03-29 | 广东电网有限责任公司 | 三维水汽反演方法、装置、设备和计算机可读存储介质 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及系统 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
Non-Patent Citations (8)
Title |
---|
L.LI等: "Microwave radiometric technique to retrieve vapor, liquid and ice. I. Development of a neural network-based inversion method", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
YU WANG等: "Estimating_Ice_Water_Path_in_Tropical_Cyclones_With_Multispectral_Microwave_Data_From_the_FY-3B_Satellite", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
何杰颖等: "亚毫米波冰云成像仪通道选择", 《太赫兹科学与电子信息学报》 * |
吴琼等: "星载双频云雷达的云微物理参数反演算法研究", 《气象学报》 * |
李书磊等: "基于多重查找表的太赫兹波段卷云微物理参数的反演方法", 《物理学报》 * |
毕研盟等: "应用一维变分法反演GPS掩星大气温湿廓线", 《物理学报》 * |
王曦等: "用AMSU资料反演西北太平洋海域大气湿度廓线的研究", 《北京大学学报(自然科学版)》 * |
马舒庆等: "发展中的地基大气廓线探测", 《气象科技进展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285130A (zh) * | 2020-10-19 | 2021-01-29 | 中国气象科学研究院 | 大气热力结构的反演方法、装置、设备以及存储介质 |
CN112285130B (zh) * | 2020-10-19 | 2021-11-23 | 中国气象科学研究院 | 大气热力结构的反演方法、装置、设备以及存储介质 |
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 |
CN112730313A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于冰云探测的多频太赫兹探测仪通道选取方法及装置 |
CN112965144A (zh) * | 2021-02-09 | 2021-06-15 | 洛阳师范学院 | 一种提高一维变分算法反演大气温湿廓线精度的方法 |
CN112965144B (zh) * | 2021-02-09 | 2022-08-23 | 洛阳师范学院 | 一种提高一维变分算法反演大气温湿廓线精度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111610524B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111610524B (zh) | 一种基于一维变分算法的冰云廓线反演方法及系统 | |
CN108875905B (zh) | 一种大气温湿廓线的可见度函数直接反演方法 | |
Veldkamp et al. | Statistical postprocessing of wind speed forecasts using convolutional neural networks | |
CN110826693B (zh) | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 | |
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 | |
CN109447936A (zh) | 一种红外和可见光图像融合方法 | |
CN105389591A (zh) | 一种红外成像传感器典型效应仿真的验证方法 | |
CN109946235A (zh) | 风云4a气象卫星多通道扫描成像辐射计的多层云反演方法 | |
CN110632599A (zh) | 一种大气温度廓线直接反演方法及系统 | |
Ben-Bouallegue et al. | The rise of data-driven weather forecasting | |
CN112906310A (zh) | 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 | |
CN114966899B (zh) | 一种基于多源多元遥感技术协同的区域能见度预测方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
Mahale et al. | Variational retrieval of rain microphysics and related parameters from polarimetric radar data with a parameterized operator | |
Ran et al. | Precipitation cloud identification based on faster-RCNN for Doppler weather radar | |
CN114973019A (zh) | 一种基于深度学习的地理空间信息变化检测分类方法及系统 | |
CN111651934B (zh) | 一种冰云廓线反演方法 | |
CN110969609B (zh) | 一种微波遥感亮温图像云检测方法 | |
CN113096122A (zh) | 流星检测方法、装置及电子设备 | |
Kida et al. | Improvement of rain/no-rain classification methods for microwave radiometer observations over the ocean using a 37 GHz emission signature | |
CN110826526A (zh) | 一种测云雷达识别云类的方法 | |
CN117077353A (zh) | 基于多变量bp神经网络的碳排放测算建模、方法及装置 | |
Dong et al. | A Novel Ice Cloud Retrieval Algorithm for Sub-millimeter Wave Radiometers: Simulations and Application to an Airborne Experiment | |
Brenowitz et al. | A Practical Probabilistic Benchmark for AI Weather Models | |
CN110489797B (zh) | 一种适用于外辐射源雷达的电磁环境辨识方法 |
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 |