CN111832176B - 降雨条件下全极化微波辐射计海面风场反演方法及系统 - Google Patents
降雨条件下全极化微波辐射计海面风场反演方法及系统 Download PDFInfo
- Publication number
- CN111832176B CN111832176B CN202010676835.4A CN202010676835A CN111832176B CN 111832176 B CN111832176 B CN 111832176B CN 202010676835 A CN202010676835 A CN 202010676835A CN 111832176 B CN111832176 B CN 111832176B
- Authority
- CN
- China
- Prior art keywords
- wind field
- windsat
- data
- sea surface
- wind
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明公开了一种降雨条件下全极化微波辐射计海面风场反演方法及系统,涉及海洋遥感与应用领域,包括以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;获取当前WindSat风场数据和当前降雨率;将当前WindSat风场数据和当前降雨率输入到海面风场修正模型以确定风场反演数据,并将风场反演数据确定为WindSat风场结果。本发明在降雨条件下构建海面风场修正模型,以修正WindSat风场结果,从而提高海面风场反演精度。
Description
技术领域
本发明涉及海洋遥感与应用领域,特别是涉及一种降雨条件下全极化微波辐射计海面风场反演方法及系统。
背景技术
微波辐射计因其在轨数量多、时间序列长,在遥感海面风场方面有着极大优势,但是降雨严重影响全极化微波辐射计海面风场反演精度,主要体现在以下三个方面:一是信号衰减严重;降雨严重衰减全极化微波辐射计接收到的微波信号,频率越高衰减越严重;二是海面风场建模困难;降雨条件下简单的Rayleigh近似方法不再适用海面风场精确建模;三是雨风难以区分;雨和风的亮温信息非常相似,常规风速反演算法将降雨的增加等同于风速的增加,这是不符合实际的。
Meissner等人利用亮温测量数据构建了降雨条件下微波辐射计海面风速统计反演模型,小雨时风速反演误差为2m/s,大雨时风速反演误差为4m/s,但未给出小雨和大雨的区分标准。Yin等人针对20m/s以上的海面风速情况,利用17个热带气旋观测数据构建了新的反演模型,风速反演误差3.1m/s,风向反演误差24.2°。王蕊等人将亮温测量数据与台风区域海面风场分布特征结合分析,验证了全极化微波辐射计具有在台风等恶劣天气条件下进行海面风场观测的能力。Yao等人分析了降雨对微波辐射计的影响。Wang等人研究了降雨对海洋二号微波辐射计的影响,分析发现了2个对降雨不敏感的亮温通道。Huang等人利用现场观测资料系统分析了海洋二号微波辐射计的反演精度。
上述研究多数集中在对微波辐射计亮温测量值的研究和个例分析。
发明内容
本发明的目的是提供一种降雨条件下全极化微波辐射计海面风场反演方法及系统,以符合实际需求,提高海面风场反演精度。
为实现上述目的,本发明提供了如下方案:
一种降雨条件下全极化微波辐射计海面风场反演方法,包括:
以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;
获取当前WindSat风场数据和当前降雨率;
将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果。
可选的,所述历史WindSat风场数据、所述历史降雨率和所述历史NDBC浮标数据为时空相匹配的数据。
可选的,所述以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型,具体包括:
第一步,将历史WindSat风场数据与历史降雨率组成的向量p和历史NDBC浮标数据组成的向量y代入函数χ2(p)中;其中,所述函数χ2(p)为权重矩阵W为观测误差协方差矩阵;pk为迭代次数为k时的向量;
第二步,计算一阶导数得到迭代方向hgd;其中,所述一阶导数为/>所述迭代方向hgd为/>
第三步,判断所述一阶导数是否小于给定极小值ε;若是则输出海面风场修正模型的目标函数/>并终止迭代;若否则计算/>得到迭代步长hgn,并令pk+1=pk+hgn*hgd,返回第二步。
可选的,所述当前WindSat风场数据包括WindSat风速和WindSat风向。
可选的,所述将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果,具体包括:
判断所述WindSat风速是否小于设定阈值;
若是,则将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果;
若否,则将所述当前WindSat风场数据确定为WindSat风场结果。
一种降雨条件下全极化微波辐射计海面风场反演系统,包括:
海面风场修正模型构建模块,用于以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;
数据获取模块,用于获取当前WindSat风场数据和当前降雨率;
WindSat风场结果确定模块,用于将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果。
可选的,所述海面风场修正模型构建模块中历史WindSat风场数据、所述历史降雨率和所述历史NDBC浮标数据为时空相匹配的数据。
可选的,所述海面风场修正模型构建模块,具体包括:
数据输入单元,用于将历史WindSat风场数据与历史降雨率组成的向量p和历史NDBC浮标数据组成的向量y代入函数χ2(p)中;其中,所述函数χ2(p)为权重矩阵W为观测误差协方差矩阵;pk为迭代次数为k时的向量;
迭代方向计算单元,用于计算一阶导数得到迭代方向hgd;其中,所述一阶导数/>为/>所述迭代方向hgd为/>
判断单元,用于判断所述一阶导数是否小于给定极小值ε;
目标函数确定单元,用于当所述一阶导数小于给定极小值ε时,输出海面风场修正模型的目标函数/>并终止迭代;
返回单元,用于当所述一阶导数大于或者等于给定极小值ε时,计算得到迭代步长hgn,并令pk+1=pk+hgn*hgd,返回所述迭代方向计算单元。
可选的,所述数据获取模块中当前WindSat风场数据包括WindSat风速和WindSat风向。
可选的,所述WindSat风场结果确定模块,具体包括:
判断单元,用于判断所述WindSat风速是否小于设定阈值;
WindSat风场结果第一确定单元,用于当所述WindSat风速小于设定阈值时,将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果;
WindSat风场结果第二确定单元,用于当所述WindSat风速大于或者等于设定阈值,将所述当前WindSat风场数据确定为WindSat风场结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种降雨条件下全极化微波辐射计海面风场反演方法及系统,包括以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;获取当前WindSat风场数据和当前降雨率,将当前WindSat风场数据和当前降雨率输入到海面风场修正模型以确定风场反演数据,并将风场反演数据确定为WindSat风场结果。本发明在降雨条件下构建海面风场修正模型,以修正WindSat风场结果,从而提高海面风场反演精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明降雨条件下全极化微波辐射计海面风场反演方法的流程示意图;
图2为本发明海面风场修正模型计算流程图;
图3为本发明不同DNBC浮标风速条件下样本量示意图;
图4为本发明不同DNBC浮标风速情况下WindSat风速均值示意图;
图5为本发明不同DNBC浮标风速情况下WindSat风速误差示意图;
图6为本发明不同DNBC浮标风速情况下WindSat风向误差示意图;
图7为本发明不同降雨率条件下的样本量示意图一;
图8为本发明不同降雨率条件下WindSat风速均值示意图;
图9为本发明不同降雨率条件下WindSat风速误差示意图;
图10为本发明不同降雨率条件下WindSat风向误差示意图;
图11为本发明不同DNBC浮标风速条件下样本量示意图;
图12为本发明WindSat风速误差和修正后的风速误差对比示意图;
图13为本发明WindSat风向误差和修正后的风向误差对比示意图;
图14为本发明不同降雨率条件下样本量示意图二;
图15为本发明不同降雨率条件下WindSat风速误差和修正后的风速误差对比示意图;
图16为本发明不同降雨率条件下WindSat风向误差和修正后的风向误差对比示意图;
图17为本发明降雨条件下全极化微波辐射计海面风场反演系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种降雨条件下全极化微波辐射计海面风场反演方法及系统,以符合实际需求,提高海面风场反演精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供了一种降雨条件下全极化微波辐射计海面风场反演方法,具体包括以下步骤。
步骤101:以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型。其中,历史WindSat风场数据、历史降雨率和历史NDBC浮标数据为时空相匹配的数据。
海面风场修正模型计算流程图见图2所示。
海面风场修正模型的目标函数为令函数/>中的向量p为迭代过程中的历史WindSat风场数据与历史降雨率组成的矢量,p0为迭代初值,向量y为m组历史NDBC浮标数据。
第一步,将历史WindSat风场数据与历史降雨率组成的向量p和历史NDBC浮标数据组成的向量y代入函数χ2(p)中。
其中,权重矩阵W为观测误差协方差矩阵。
本实施例用NDBC浮标数据与目标函数之间的误差平方和的最小来求解。如果目标函数/>相对于参数p是非线性的,那么χ2的极小可通过迭代得出。每次迭代的目的是找出参数p的摄动量h以使得χ2减小。
第二步,计算一阶导数得到迭代方向hgd。
其中,亚各比矩阵代表了相对于参数pk目标函数/>的局部敏感性。令J为的反方向就是梯度下降最快的方向(用hgd表示)即
第三步,判断一阶导数是否小于给定极小值ε,如果是,则输出/>即海面风场修正模型的目标函数,终止迭代;如果否,则进入第四步。
第四步,计算得到迭代步长hgn,并令pk+1=pk+hgn*hgd,返回第二步。
步骤102:获取当前WindSat风场数据和当前降雨率。其中,当前WindSat风场数据包括WindSat风速和WindSat风向。
步骤103:将当前WindSat风场数据和当前降雨率输入到海面风场修正模型以确定风场反演数据,并将风场反演数据确定为WindSat风场结果。具体包括:
判断WindSat风速是否小于设定阈值。
若是,则将执行步骤103。
若否,则将当前WindSat风场数据确定为WindSat风场结果。
实施例二
为实现上述目的,本实施例提供了一种降雨条件下全极化微波辐射计海面风场反演方法,具体操作步骤如下。
步骤一,数据收集与预处理
首先,收集美国遥感系统(网址为www.remss.com)2003年2月5日到2019年5月31日全极化微波辐射计数据(简称WindSat风场数据)和与WindSat风场数据时间匹配的美国国家数据浮标中心(National Data Buoy Center,NDBC)浮标数据(简称NDBC浮标数据)。
其次,对NDBC浮标数据和WindSat风场数据进行时空匹配。其中,NDBC浮标数据给海面风场修正模型的构建以及后续的误差分析提供真值。
时空匹配:让NDBC浮标数据中浮标的空间位置和时间点,分别与WindSat风场数据中全极化微波辐射计观测的空间位置和时间点匹配。
鉴于WindSat风场数据为25km,为保证同一NDBC浮标数据在空间上两次或者两次以上落入同一WindSat格点,空间窗口为时间窗口为30min。
接着,对NDBC浮标数据中的风速(简称DNBC浮标风速)进行空间转换。NDBC浮标上的风速仪往往不是距离海面10米的,本实施例采用一个指数变化风廓线将NDBC风速转换到海面10米,其转换公式如下:
zm为NDBC浮标距离海面的高度,V(zm)为NDBC浮标上的风速仪观测到的风速,V(z)为NDBC浮标转换为距离海面高度z时风速仪观测到的风速,z0是摩擦长度,z0=1.52×10-4。
经上述数据收集与预处理后,得出所有降雨条件下的数据样本共有18996对,每对数据均包含风速(DNBC浮标风速和WindSat风速)、风向(NDBC浮标风向和WindSat风向)和降雨率。由于在反演风向过程中存在180°模糊和90°模糊,该模糊将导致精度评估过程中误差意外攀升,原因在于在计算均方根误差时90°至180°的误差比重远远大于90°以内的误差比重,所以要提前进行模糊去除,并在计算过程中排除90°以上的误差比重(7%)。
在数据预处理过程中不同风速和不同降雨率的取值方案如下:
第i点风速的样本量为第i-0.5到第i+0.5所有风速样本量Si之和,第i点降雨率的样本量为第i-0.5到第i+0.5所有降雨率样本量Si之和。该取值方案适用于以下各图自变量的取值方案。
本实施例将2003年2月5日到2014年12月31日共计13363组数据确定为训练样本集,2015年1月1日至2019年5月31日共计5633组数据确定为测试样本集。
图3为不同DNBC浮标风速条件下样本量,多数样本分布于1m/s到15m/s之间,随着浮标风速的增大,样本量逐渐减小,直至为0。浮标风速越大样本量越少的原因有两个方面,一是高风速天气条件相对较少,二是高风速天气条件下海面常常伴有降雨、白沫等严重影响反演精度的环境,导致亮温信号在反演过程中被当做无效值而剔除掉。
图4为不同DNBC浮标风速情况下WindSat风速均值。WindSat风速整体大于DNBC浮标风速,明显存在系统性偏差,原因在于降雨对全极化微波辐射计信号的衰减。由于反演算法误差并未区分是降雨导致的信号衰减还是高风速导致的信号衰减,直接将所有信号衰减归因于风速,导致反演结果偏高。尤其DNBC浮标风速在1m/s至6m/s区间,WindSat风速明显偏高,最大误差可达6.3m/s,一方面是由于降雨引起的衰减,另一方面是由于该风速段全极化微波辐射计接收到的微波信号本身就很弱,信噪比很低。WindSat风速的均方根误差亦呈现出低风速段大(见图5),逐渐减小,随后小幅波动的情况。由于当DNBC浮标风速为18m/s时样本量仅为6个,所以该点的误差特性不具代表性。
图6为不同DNBC浮标风速情况下WindSat风向误差。当DNBC浮标风速为1m/s时,WindSat风向误差为43°,随着DNBC浮标风速的增大,WindSat风向误差逐渐减小,随后小幅波动。所以随着DNBC浮标风速的增加,全极化微波辐射计接收到的信号越来越能更好的体现出WindSat风向特征,更利于WindSat风向反演。
不同降雨率条件下的样本量见图7。降雨率为1mm/h时,样本量为4683个,随着降雨率的增大,样本量呈指数型递减,当降雨率为10mm/h时,样本量为45个。
不同降雨率条件下WindSat风速均值见图8。随着降雨率的增加,WindSat平均风速变化不大,两者关联性不大。不同降雨率条件下WindSat风速误差见图9,WindSat风速误差约为3.8m/s,随着降雨率的增大略有升高,但幅度不明显,这说明无论降雨率有多大,WindSat风速反演误差均为3.8m/s左右。
不同降雨率条件下WindSat风向误差见图10。当降雨率为1mm/h时,WindSat风向误差为28°。随着降雨率的增大,WindSat风向误差明显逐渐攀升。当降雨率为9mm/h时,WindSat风向误差突破了43°。所以降雨率的增大直接导致的WindSat风向误差的增大。由于降雨率为10mm/h时样本量仅为45个,所以代表性不强。
步骤二,海面风场修正模型反演精度分析
将训练样本集代入本实施例建立的海面风场修正模型(详细参见实施例一中的海面风场修正模型),并利用测试样本集进行误差分析。WindSat风速误差为3.0m/s,WindSat风向误差为27°,经海面风场修正模型计算后,WindSat风速误差为2.0m/s,有较大提升,WindSat风向误差为27°,提升效果不明显。
不同DNBC浮标风速条件下样本量见图11。样本量最大值出现在DNBC浮标风速为7m/s处。NDBC浮标风速为15m/s时样本量降至0。WindSat风速误差和修正后的风速误差对比见图12。随着NDBC浮标风速的增大,WindSat风速误差逐渐减小,然而修正后的风速误差减小后逐渐增大。由于本实施例采用的海面风场修正模型为统计反演模型,精度严重依赖样本量,高风速样本量缺少的情况下,反演精度自然会有所下降。
WindSat风向误差和修正后的风向误差对比见图13。随着DNBC浮标风速的增大,WindSat风向误差和修正后的风向误差均呈先增大后逐渐减小趋势,两者误差十分接近,修正效果不明显。NDBC浮标风速小时,WindSat风向误差和修正后的风向误差均较大。
不同降雨率条件下样本量见图14。样本量随着降雨率的增加逐渐减少,当降雨率大于5mm/h时,样本量低于50个。不同降雨率条件下WindSat风速误差和修正后的风速误差对比见图15,和图9类似,当降雨率小于6mm/h时,风速误差较小,降雨率大于6mm/h时风速误差相对较大。修正后的风速误差明显低于WindSat风速误差,尤其在降雨率大于6mm/h时表现更为突出。另外,修正后的风速误差和WindSat风速误差趋势相似,表明海面风场修正模型实现过程中WindSat风速依旧对修正后的风速误差有重要影响。
不同降雨率条件下WindSat风向误差和修正后的风向误差对比见图16。随着降雨率的增大,风向误差逐渐增大,可能由于样本量偏少,当降雨率为8mm/h时风向误差有一个低谷。从图16中可见,修正后的风向误差较WindSat风向误差略有改善。
本发明利用2003年2月5日到2019年5月31日共计十六年多的全极化微波辐射计WindSat风场产品资料以及相互匹配的浮标资料,开展了两个方面的研究工作:一是利用全极化微波辐射计同步观测的降雨率和海面风场等参数,分析研究不同降雨条件下全极化微波辐射计海面风场误差规律。分析表明,由于低风速微波信号本身很弱且降雨引起的信号衰减,NDBC浮标风速小于6m/s时,WindSat风速反演值明显偏大,最大误差可达6.3m/s,随着NDBC浮标风速的增大,均值偏差逐渐变小,但整体上均值大于NDBC浮标风速。当NDBC浮标风速为1m/s时,WindSat风向误差接近于44°,随着NDBC浮标风速的增大,WindSat风向误差逐渐减小。二是探索研究了不同降雨条件下全极化微波辐射计海面风场修正模型,以提高降雨条件下全极化微波辐射计风场反演精度,提出了利用海面风场修正模型对降雨条件下的海面风场结果进行修正。试验表明,训练样本集风速误差为3.0m/s,风向误差为27°,经海面风场修正模型修正后,风速误差降到2.0m/s,大大提高了风场反演精度,风向精度略有改进,但效果不明显。
考虑到当风速大于10m/s后,WindSat风速误差反而小于修正后的风速误差(图12),所以在实际应用过程中建议当风速小于10m/s时,采用本实施例的海面风场修正模型对WindSat风场进行修正,当风速大于10m/s时,直接采用WindSat风场结果。
为提高降雨条件下全极化微波辐射计风场精度,本发明从全极化微波辐射计风场产品和降雨率产品出发,分析不同降雨率和海面风速情况下误差特性,然后构建海面风场修正模型,最后对海面风场修正模型的反演精度进行试验分析,最终给出了模型局部适用的结论。
实施例三
为实现上述目的,如图17所示,本实施例还提供了一种降雨条件下全极化微波辐射计海面风场反演系统,包括:
海面风场修正模型构建模块201,用于以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;所述海面风场修正模型构建模块201中历史WindSat风场数据、所述历史降雨率和所述历史NDBC浮标数据为时空相匹配的数据。
数据获取模块202,用于获取当前WindSat风场数据和当前降雨率。
WindSat风场结果确定模块203,用于将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果。
所述海面风场修正模型构建模块201,具体包括:
数据输入单元,用于将历史WindSat风场数据与历史降雨率组成的向量p和历史NDBC浮标数据组成的向量y代入函数χ2(p)中;其中,所述函数χ2(p)为权重矩阵W为观测误差协方差矩阵;pk为迭代次数为k时的向量。
迭代方向计算单元,用于计算一阶导数得到迭代方向hgd;其中,所述一阶导数/>为/>所述迭代方向hgd为/>
判断单元,用于判断所述一阶导数是否小于给定极小值ε。
目标函数确定单元,用于当所述一阶导数小于给定极小值ε时,输出海面风场修正模型的目标函数/>并终止迭代。
返回单元,用于当所述一阶导数大于或者等于给定极小值ε时,计算得到迭代步长hgn,并令pk+1=pk+hgn*hgd,返回所述迭代方向计算单元。
所述数据获取模块202中当前WindSat风场数据包括WindSat风速和WindSat风向。
所述WindSat风场结果确定模块203,具体包括:
判断单元,用于判断所述WindSat风速是否小于设定阈值。
WindSat风场结果第一确定单元,用于当所述WindSat风速小于设定阈值时,将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果。
WindSat风场结果第二确定单元,用于当所述WindSat风速大于或者等于设定阈值,将所述当前WindSat风场数据确定为WindSat风场结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种降雨条件下全极化微波辐射计海面风场反演方法,其特征在于,包括:
以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;
获取当前WindSat风场数据和当前降雨率;
将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果;
所述以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型,具体包括:
第一步,将历史WindSat风场数据与历史降雨率组成的向量p和历史NDBC浮标数据组成的向量y代入函数χ2(p)中;其中,所述函数χ2(p)为权重矩阵W为观测误差协方差矩阵;pk为迭代次数为k时的向量;
第二步,计算一阶导数得到迭代方向hgd;其中,所述一阶导数/>为所述迭代方向hgd为/>
第三步,判断所述一阶导数是否小于给定极小值ε;若是则输出海面风场修正模型的目标函数/>并终止迭代;若否则计算/>得到迭代步长hgn,并令pk+1=pk+hgn*hgd,返回第二步。
2.根据权利要求1所述的一种降雨条件下全极化微波辐射计海面风场反演方法,其特征在于,所述历史WindSat风场数据、所述历史降雨率和所述历史NDBC浮标数据为时空相匹配的数据。
3.根据权利要求1所述的一种降雨条件下全极化微波辐射计海面风场反演方法,其特征在于,所述当前WindSat风场数据包括WindSat风速和WindSat风向。
4.根据权利要求3所述的一种降雨条件下全极化微波辐射计海面风场反演方法,其特征在于,所述将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果,具体包括:
判断所述WindSat风速是否小于设定阈值;
若是,则将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果;
若否,则将所述当前WindSat风场数据确定为WindSat风场结果。
5.一种降雨条件下全极化微波辐射计海面风场反演系统,其特征在于,包括:
海面风场修正模型构建模块,用于以历史WindSat风场数据与历史降雨率为输入量,历史NDBC浮标数据为输出量,构建海面风场修正模型;
数据获取模块,用于获取当前WindSat风场数据和当前降雨率;
WindSat风场结果确定模块,用于将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果;
所述海面风场修正模型构建模块,具体包括:
数据输入单元,用于将历史WindSat风场数据与历史降雨率组成的向量p和历史NDBC浮标数据组成的向量y代入函数χ2(p)中;其中,所述函数χ2(p)为权重矩阵W为观测误差协方差矩阵;pk为迭代次数为k时的向量;
迭代方向计算单元,用于计算一阶导数得到迭代方向hgd;其中,所述一阶导数/>为/>所述迭代方向hgd为
判断单元,用于判断所述一阶导数是否小于给定极小值ε;
目标函数确定单元,用于当所述一阶导数小于给定极小值ε时,输出海面风场修正模型的目标函数/>并终止迭代;
返回单元,用于当所述一阶导数大于或者等于给定极小值ε时,计算得到迭代步长hgn,并令pk+1=pk+hgn*hgd,返回所述迭代方向计算单元。
6.根据权利要求5所述的一种降雨条件下全极化微波辐射计海面风场反演系统,其特征在于,所述海面风场修正模型构建模块中历史WindSat风场数据、所述历史降雨率和所述历史NDBC浮标数据为时空相匹配的数据。
7.根据权利要求5所述的一种降雨条件下全极化微波辐射计海面风场反演系统,其特征在于,所述数据获取模块中当前WindSat风场数据包括WindSat风速和WindSat风向。
8.根据权利要求7所述的一种降雨条件下全极化微波辐射计海面风场反演系统,其特征在于,所述WindSat风场结果确定模块,具体包括:
判断单元,用于判断所述WindSat风速是否小于设定阈值;
WindSat风场结果第一确定单元,用于当所述WindSat风速小于设定阈值时,将所述当前WindSat风场数据和所述当前降雨率输入到所述海面风场修正模型以确定风场反演数据,并将所述风场反演数据确定为WindSat风场结果;
WindSat风场结果第二确定单元,用于当所述WindSat风速大于或者等于设定阈值,将所述当前WindSat风场数据确定为WindSat风场结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676835.4A CN111832176B (zh) | 2020-07-14 | 2020-07-14 | 降雨条件下全极化微波辐射计海面风场反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676835.4A CN111832176B (zh) | 2020-07-14 | 2020-07-14 | 降雨条件下全极化微波辐射计海面风场反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832176A CN111832176A (zh) | 2020-10-27 |
CN111832176B true CN111832176B (zh) | 2023-08-29 |
Family
ID=72923270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676835.4A Active CN111832176B (zh) | 2020-07-14 | 2020-07-14 | 降雨条件下全极化微波辐射计海面风场反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832176B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341389B (zh) * | 2021-05-12 | 2023-03-24 | 中国科学院国家空间科学中心 | 一种基于最大似然估计的微波散射计风场反演方法及系统 |
CN115392073A (zh) * | 2022-08-09 | 2022-11-25 | 湖南国天电子科技有限公司 | 一种非对称热带气旋海面风场的构造方法 |
CN117077442B (zh) * | 2023-10-16 | 2024-02-09 | 浙江省气象科学研究所 | 基于地形的热带气旋降水修正方法、终端及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
CN109725316A (zh) * | 2018-12-18 | 2019-05-07 | 中国人民解放军国防科技大学 | 一种基于一维综合孔径微波辐射计海面温度物理反演方法 |
-
2020
- 2020-07-14 CN CN202010676835.4A patent/CN111832176B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
CN109725316A (zh) * | 2018-12-18 | 2019-05-07 | 中国人民解放军国防科技大学 | 一种基于一维综合孔径微波辐射计海面温度物理反演方法 |
Non-Patent Citations (1)
Title |
---|
高度计风速与辐射计风速的变分融合研究;姜祝辉 等;《物理学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832176A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832176B (zh) | 降雨条件下全极化微波辐射计海面风场反演方法及系统 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN110336534B (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
CN110676940B (zh) | 一种提高参数辨识精度的配电网pmu配置方法及系统 | |
CN110441374B (zh) | 一种基于sa-bp神经网络的溶氧传感器补偿方法 | |
CN105825040A (zh) | 短期电力负荷预测方法 | |
CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN112733394A (zh) | 一种大气参数反演方法及装置 | |
CN113505938A (zh) | 一种超短期风电功率组合预测方法及系统 | |
CN108876172B (zh) | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 | |
CN111181634B (zh) | 一种分布式光纤振动信号快速定位方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、系统及装置 | |
CN110751213B (zh) | 一种测风塔异常风速数据识别与补齐的方法 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
Darmawan et al. | Realtime Weather Prediction System Using GRU with Daily Surface Observation Data from IoT Sensors | |
CN114691661B (zh) | 一种基于同化的云导风、温湿廓线预处理分析方法及系统 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN114611415B (zh) | 一种基于SL-TrellisNets网络的超视距传播损耗预测方法 | |
CN110705924B (zh) | 一种基于风向扇区的测风塔测风数据处理方法及装置 | |
CN115575737A (zh) | 一种载流量检测方法及系统 | |
CN114462684A (zh) | 耦合数值天气预报与实测数据的风速多点同步预测方法 | |
CN114707689A (zh) | 一种参数化的水文气象极值序列的趋势检测方法 | |
CN110531308A (zh) | 一种电能表检定环境温度变化的计量误差及其温漂修正有效性检验方法 |
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 |