CN112462369A - 一种用于微波成像仪反演海上大气可降水的方法及装置 - Google Patents
一种用于微波成像仪反演海上大气可降水的方法及装置 Download PDFInfo
- Publication number
- CN112462369A CN112462369A CN202011194730.1A CN202011194730A CN112462369A CN 112462369 A CN112462369 A CN 112462369A CN 202011194730 A CN202011194730 A CN 202011194730A CN 112462369 A CN112462369 A CN 112462369A
- Authority
- CN
- China
- Prior art keywords
- nonlinear regression
- regression equation
- data
- inversion
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 239000005442 atmospheric precipitation Substances 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009396 hybridization Methods 0.000 claims description 2
- 238000012896 Statistical algorithm Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
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
- G01S13/958—Theoretical aspects
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于微波成像仪反演海上大气可降水的方法及装置。该方法包括如下步骤：获得待反演卫星观测亮温数据，并进行预处理；使用演化算法建立最优非线性回归方程；将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到预设区域的水汽总量。该方法基于卫星观测亮温数据和无线电探空的水汽总量，利用演化算法自动的确定最优非线性回归方程，解决目前统计类算法需要通过大量的探索后经验性的给出回归方程的方程形式的问题。
Description
技术领域
本发明涉及一种用于微波成像仪反演海上大气可降水的方法，同时也涉及相应的反演海上大气可降水装置，属于卫星遥感技术领域。
背景技术
水汽在地气系统的能量和水分循环中扮演着重要角色，水汽通过其在大气中不同相态间的变化来进行能量的输送和转移。大气中水汽场的分布及其变化与各种天气系统的更替变化息息相关。水汽是大气中长波辐射和长波吸收的主要物质，也是大气中主要的温室气体之一，水汽对气候扰动的反馈作用非常明显，大气中水汽含量的分布和变化对地气系统的辐射收支及气候变化起到至关重要的作用。因此，对水汽的全球分布情况进行观测和研究对于灾害性天气的研究和预报、气候变化的研究以及认识地气系统的能量和水分循环均具有重要的科学意义。
大气可降水产品可以用于模式同化改善数值天气预报精度。水汽是降水的基本条件，在中尺度暴雨过程中，通过同化大气可降水数据，可以改善模式初始湿度场，提高暴雨模拟与预报效果。研究表明，使用大气可降水产品调整初始湿度场后能模拟出与实况更接近的低层湿度场结构，对暴雨的落区与强度也有一定的改善。由于微波具有一定的穿透能力，受云的影响相对较小，因此微波的大气可降水产品具有明显的优势。目前，卫星微波遥感大气可降水多数应用于海洋上空。
目前为获得大气可降水产品，通常采用的大气可降水的反演方法主要包括经验统计类反演方法和物理统计类反演方法两种。这两种反演方法在实际应用中需要预先确定回归方程的方程形式(比如线性，对数，平方等)，并且无法保证利用该回归方程获得的反演的大气可降水的精度可以达到所需要求。
发明内容
本发明所要解决的首要技术问题在于提供一种用于微波成像仪反演海上大气可降水的方法。
本发明所要解决的另一技术问题在于提供一种用于微波成像仪反演海上大气可降水的装置。
为了实现上述目的，本发明采用下述技术方案：
根据本发明实施例的第一方面，提供一种用于微波成像仪反演海上大气可降水的方法，包括如下步骤：
步骤S1、获得待反演卫星观测亮温数据，并进行预处理；
步骤S2、使用演化算法建立最优非线性回归方程；
步骤S3、将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到预设区域的水汽总量。
其中较优地，获得气象卫星上携带的微波成像仪待反演的各个通道的卫星观测亮温数据，并对所述卫星观测亮温数据进行预处理时剔除所述观测亮温数据中质量差的数据，得到位于海上区域的卫星观测亮温数据。
其中较优地，使用演化算法建立最优非线性回归方程，包括如下步骤：
步骤S21、设置初等函数集，并建立预设数量的满足第一反演精度的非线性回归方程；
步骤S22、对满足第一反演精度的非线性回归方程进行演化操作，得到满足第二反演精度的非线性回归方程；
步骤S23、对满足第二反演精度的非线性回归方程继续进行演化操作，以此类推，直到得到满足最终反演精度的非线性回归方程，并从中选择反演精度最高的非线性回归方程作为最优非线性回归方程。
其中较优地，建立预设数量的满足所述第一反演精度的非线性回归方程，包括如下步骤：
步骤S210、获得原始观测数据，包括长时间序列的微波成像仪的卫星观测亮温数据和无线电探空站点的观测数据；
步骤S211、对所述原始观测数据进行预处理后，再进行时空匹配，得到基础数据集；
步骤S212、设置初等函数集，利用所述基础数据集中预设比例的数据随机生成一定数量的非线性回归方程；
步骤S213、利用所述基础数据集中的预设比例的数据测试随机生成的非线性回归方程的反演精度，并筛选出满足所述第一反演精度的非线性回归方程；
步骤S214、当所筛选出的满足所述第一反演精度的非线性回归方程的数量未达到要求，则根据所述初等函数集利用所述基础数据集中预设比例的数据继续随机生成一定数量的非线性回归方程，并执行步骤S213。
其中较优地，对所述原始观测数据进行预处理时，剔除观测亮温数据和无线电探空站点的观测数据中质量差的数据，得到位于海上区域的卫星观测亮温数据和无线电探空站点的观测数据。
其中较优地，根据位于海上区域的无线电探空站点的观测数据，基于探空廓线积分公式计算海上区域的水汽总量，并将所述海上区域的水汽总量和卫星观测亮温数据按照预设时间和空间要求进行时空匹配，得到基础数据集。
其中较优地，得到满足最终反演精度的非线性回归方程，包括如下步骤：
对满足相应的反演精度的非线性回归方程进行演化操作时，对所述非线性回归方程进行杂交或变异，得到新的非线性回归方程；
利用基础数据集中的预设比例的数据测试所生成的新的非线性回归方程的反演精度，并筛选出满足相应的反演精度的非线性回归方程。
根据本发明实施例的第二方面，提供一种用于微波成像仪反演海上大气可降水的装置，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序或指令，用于执行以下操作：
步骤S1、获得待反演卫星观测亮温数据，并进行预处理；
步骤S2、使用演化算法建立最优非线性回归方程；
步骤S3、将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到预设区域的水汽总量。
本发明所提供的用于微波成像仪反演海上大气可降水的方法及装置基于卫星观测亮温数据和无线电探空的水汽总量，利用演化算法自动的确定最优非线性回归方程，并用于大气可降水的反演，得到满足反演精度要求的大气可降水，解决目前统计类算法需要通过大量的探索后经验性的给出回归方程的方程形式的问题。
附图说明
图1为发明提供的用于微波成像仪反演海上大气可降水的方法流程图；
图2为基于演化算法的大气可降水反演试验结果示意图；
图3为本发明提供的用于微波成像仪反演海上大气可降水的装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。
气象卫星上携带的微波成像仪可以实现对大气可降水的监测，为了获得高精度的大气可降水(也称水汽总量)，如图1所示，本发明实施例提供了一种用于微波成像仪反演海上大气可降水的方法，包括如下步骤：
步骤S1、获得待反演卫星观测亮温数据，并对其进行预处理。
获得气象卫星上携带的微波成像仪待反演的各个通道的卫星观测亮温数据；其中，微波成像仪每个频段对应于水平和垂直极化两个通道。例如，需要对2019年的气象卫星上携带的微波成像仪的卫星观测亮温数据进行反演，则获得2019年的气象卫星上携带的微波成像仪的十个通道的卫星观测亮温数据；其中，微波成像仪的十个通道由频段10.65GHz、18.7GHz、23.6GHz，36.5GHz和89GHz水平和垂直极化各两个通道组成。
对获得的微波成像仪的多个通道的卫星观测亮温数据进行预处理时剔除观测亮温数据中质量较差的数据，得到位于海上区域的较优卫星观测亮温数据。例如剔除卫星观测亮温异常值、存在降水、海冰时的数据，从而实现对待反演卫星观测亮温数据必要的质量控制。
步骤S2、使用演化算法建立最优非线性回归方程。
演化算法是借鉴生物自然选择和自然遗传机制发展起来的一类求解问题的策略和方法。由于演化算法采用群体的方式组织搜索，使得它可以同时在解空间内的不同区域进行搜索，特别适用于大规模并行计算。它不受搜索空间的限制条件，如是否连续、可微分、峰值等，也不需要其他辅助信息，这使得该演化算法具有搜索效率高、简单且易于操作、程序通用性较强等特点。为了确定适合大气可降水反演的最优非线性回归方程和回归系数，本发明利用演化算法来建立最优非线性回归方程，包括如下步骤：
步骤S21、设置初等函数集，并建立预设数量的满足第一反演精度的非线性回归方程。
该步骤包括如下子步骤：
步骤S210、获得原始观测数据，包括长时间序列的微波成像仪的卫星观测亮温数据和无线电探空站点的观测数据。
获得长时间序列(比如3年以上)气象卫星上携带的微波成像仪待反演的各个通道的卫星观测亮温数据和无线电探空站点的观测数据。
步骤S211、对原始观测数据进行预处理后，再进行时空匹配，得到基础数据集。
对获得的长时间序列的微波成像仪的多个通道的卫星观测亮温数据和无线电探空站点的观测数据进行预处理时，剔除观测亮温数据和无线电探空站点的观测数据中质量较差的数据，得到位于海上区域的较优卫星观测亮温数据和无线电探空站点的观测数据。例如剔除观测亮温数据中卫星观测亮温异常值、存在降水、海冰时的数据，剔除无线电探空站点的观测数据中探空廓线低于50hpa的数据和存在地面降水的数据，从而实现对待反演卫星观测亮温数据必要的质量控制。
此外，根据得到的海上区域的无线电探空站点的观测数据，并基于探空廓线积分公式(1)计算海上区域的水汽总量W(单位是mm)。
上式中，pi表示观测时刻为i时对应的气压，pi+1为观测时刻为i+1时对应的气压，单位为pa；g表示重力加速度；qi表示观测时刻为i时对应的比湿，qi+1为观测时刻为i+1时对应的比湿；其中，某一观测时刻对应的比湿q根据如下公式得到。
其中，e表示饱和水气压，p为某一观测时刻对应的气压。e和P都从海上区域的无线电探空站点的观测数据中获取。
将海上区域的卫星观测亮温数据和水汽总量按照预设时间和空间要求进行时空匹配，得到一套基础数据集。例如，将海上区域的卫星观测亮温数据和水汽总量按照时间在2小时以内，空间小于0.1度的要求进行时空匹配，得到一套基础数据集。
步骤S212、设置初等函数集，利用基础数据集中预设比例的数据随机生成一定数量的非线性回归方程。
根据反演大气可降水所需的非线性回归方程的多种方程形式，设置初等函数集，该初等函数集包括加、减、乘、除、三角函数、指数函数、对数函数、幂函数等若干形式的函数。
以利用基础数据集中百分之八十的数据随机生成1000个非线性回归方程为例，由于步骤S211的基础数据集中百分之八十的数据也是由进行时空匹配后的海上区域的卫星观测亮温数据和水汽总量组成，因此，以基础数据集中百分之八十的数据的海上区域的水汽总量为应变量Y，以海上区域的卫星观测亮温数据为自变量X，将基础数据集中百分之八十的数据分别带入到初等函数集中的每个函数中，得到相应的回归系数，根据该回归系数可以随机生成1000个非线性回归方程。
步骤S213、利用基础数据集中的预设比例的数据测试随机生成的非线性回归方程的反演精度，并筛选出满足第一反演精度的非线性回归方程。
假设第一反演精度为20％，由于步骤S212中利用基础数据集中百分之八十的数据随机生成1000个非线性回归方程，那么以基础数据集中剩下的百分之二十数据测试随机生成的1000个非线性回归方程的反演精度，若非线性回归方程的反演精度小于第一反演精度，则保留；若非线性回归方程的反演精度大于第一反演精度，则剔除。
步骤S214、当所筛选出的满足第一反演精度的非线性回归方程的数量未达到要求，则根据初等函数集利用基础数据集中预设比例的数据继续随机生成一定数量的非线性回归方程，并执行步骤S213。
假设需要筛选出800个满足第一反演精度的非线性回归方程，若通过测试随机生成的1000个非线性回归方程的反演精度，得到了600个满足第一反演精度的非线性回归方程，则继续以基础数据集中百分之八十的数据的海上区域的水汽总量为应变量Y，以海上区域的卫星观测亮温数据为自变量X，将基础数据集中百分之八十的数据分别带入到初等函数集中的每个函数中，随机生成组成500个非线性回归方程，并采用步骤S213的方法筛选出满足第一反演精度的非线性回归方程，直到所筛选出的满足第一反演精度的非线性回归方程的数量达到要求。
步骤S22、对满足第一反演精度的非线性回归方程进行演化操作，得到满足第二反演精度的非线性回归方程。
将所筛选出的800个满足第一反演精度的非线性回归方程进行杂交或变异，得到新的非线性回归方程。
针对所筛选出的800个满足第一反演精度的非线性回归方程，对每个非线性回归方程进行杂交时，通过改变非线性回归方程中的某一项实现；例如，将某一个非线性回归方程的3X变成X-3，即可得到一个新的非线性回归方程。
针对所筛选出的800个满足第一反演精度的非线性回归方程，对每个非线性回归方程进行变异时，通过将从满足第一反演精度的非线性回归方程中选取的任意一个非线性回归方程的某一项替代需要变异的非线性回归方程的某一项实现。
例如，将从满足第一反演精度的非线性回归方程中选取的非线性回归方程中的exp(x)替代需要变异的非线性回归方程的3X，即可得到一个新的非线性回归方程。
利用基础数据集中的预设比例的数据测试所生成的新的非线性回归方程的反演精度，并筛选出满足第二反演精度的非线性回归方程。假设第二反演精度为15％，以基础数据集中剩下的百分之二十数据测试所生成的新的非线性回归方程的反演精度，若非线性回归方程的反演精度小于第二反演精度，则保留；若非线性回归方程的反演精度大于第二反演精度，则剔除。
步骤S23、对满足第二反演精度的非线性回归方程继续进行演化操作，以此类推，直到得到满足最终反演精度的非线性回归方程，并从中选择反演精度最高的非线性回归方程作为最优非线性回归方程。
假设最终反演精度为10％，那么采用步骤S22的方法对满足第二反演精度的非线性回归方程继续进行演化操作，直到得到满足最终反演精度的非线性回归方程，并从中选择反演精度最高的非线性回归方程作为最优非线性回归方程。
步骤S3、将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到海上区域的水汽总量。
根据获得的2013-2014这两年的卫星观测亮温数据和海上的无线电探空数据，并采用步骤S2的方法建立最优非线性回归方程，将2015年的卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到海上区域的水汽总量，如图2所示。从初步的结果上来看，反演值和探空观测值之间的相关系数达到0.96以上，散点比较好的集中在拟合直线两侧，表明演化算法确实可以应用于大气可降水的反演，能够获取较高精度的反演数据。并且，初步的研究表明，演化算法的反演结果要优于神经网络的反演结果，因为神经网络的反演精度和事先给定的初值有关，而且往往局限于局部最优，而不是全局最优，但演化算法完全是自由搜索，因此是全局最优。
进一步地，如图3所示，本发明还提供一种用于微波成像仪反演海上大气可降水的装置，包括处理器32和存储器31，还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中，存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器32连接。前已述及，存储器31可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等；处理器可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能手机中的通用部件实现，在此就不具体说明了。
另一方面，在用于微波成像仪反演海上大气可降水的装置中，处理器32读取存储器31中的计算机程序或指令，用于执行以下操作：
获得待反演卫星观测亮温数据，并对其进行预处理。
使用演化算法建立最优非线性回归方程。
将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到预设区域的水汽总量。
本发明所提供的用于微波成像仪反演海上大气可降水的方法及装置基于卫星观测亮温数据和无线电探空的水汽总量，利用演化算法自动的确定最优非线性回归方程，并用于大气可降水的反演，得到满足反演精度要求的大气可降水，解决目前统计类算法需要通过大量的探索后经验性的给出回归方程的方程形式的问题。
以上对本发明所提供的用于微波成像仪反演海上大气可降水的方法及装置进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将属于本发明专利权的保护范围。
Claims (8)
1.一种用于微波成像仪反演海上大气可降水的方法，其特征在于包括如下步骤：
步骤S1、获得待反演卫星观测亮温数据，并进行预处理；
步骤S2、使用演化算法建立最优非线性回归方程；
步骤S3、将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到预设区域的水汽总量。
2.如权利要求1所述的用于微波成像仪反演海上大气可降水的方法，其特征在于：
获得气象卫星上携带的微波成像仪待反演的各个通道的卫星观测亮温数据，并对所述卫星观测亮温数据进行预处理时剔除所述观测亮温数据中质量差的数据，得到位于海上区域的卫星观测亮温数据。
3.如权利要求1所述的用于微波成像仪反演海上大气可降水的方法，其特征在于：
使用演化算法建立最优非线性回归方程，包括如下步骤：
步骤S21、设置初等函数集，并建立预设数量的满足第一反演精度的非线性回归方程；
步骤S22、对满足第一反演精度的非线性回归方程进行演化操作，得到满足第二反演精度的非线性回归方程；
步骤S23、对满足第二反演精度的非线性回归方程继续进行演化操作，以此类推，直到得到满足最终反演精度的非线性回归方程，并从中选择反演精度最高的非线性回归方程作为最优非线性回归方程。
4.如权利要求3所述的用于微波成像仪反演海上大气可降水的方法，其特征在于：
建立预设数量的满足所述第一反演精度的非线性回归方程，包括如下步骤：
步骤S210、获得原始观测数据，包括长时间序列的微波成像仪的卫星观测亮温数据和无线电探空站点的观测数据；
步骤S211、对所述原始观测数据进行预处理后，再进行时空匹配，得到基础数据集；
步骤S212、设置初等函数集，利用所述基础数据集中预设比例的数据随机生成一定数量的非线性回归方程；
步骤S213、利用所述基础数据集中的预设比例的数据测试随机生成的非线性回归方程的反演精度，并筛选出满足所述第一反演精度的非线性回归方程；
步骤S214、当所筛选出的满足所述第一反演精度的非线性回归方程的数量未达到要求，则根据所述初等函数集利用所述基础数据集中预设比例的数据继续随机生成一定数量的非线性回归方程，并执行步骤S213。
5.如权利要求4所述的用于微波成像仪反演海上大气可降水的方法，其特征在于：
对所述原始观测数据进行预处理时，剔除观测亮温数据和无线电探空站点的观测数据中质量差的数据，得到位于海上区域的卫星观测亮温数据和无线电探空站点的观测数据。
6.如权利要求5所述的用于微波成像仪反演海上大气可降水的方法，其特征在于：
根据位于海上区域的无线电探空站点的观测数据，基于探空廓线积分公式计算海上区域的水汽总量，并将所述海上区域的水汽总量和卫星观测亮温数据按照预设时间和空间要求进行时空匹配，得到基础数据集。
7.如权利要求3所述的用于微波成像仪反演海上大气可降水的方法，其特征在于：
得到满足最终反演精度的非线性回归方程，包括如下步骤：
对满足相应的反演精度的非线性回归方程进行演化操作时，对所述非线性回归方程进行杂交或变异，得到新的非线性回归方程；
利用基础数据集中的预设比例的数据测试所生成的新的非线性回归方程的反演精度，并筛选出满足相应的反演精度的非线性回归方程。
8.一种用于微波成像仪反演海上大气可降水的装置，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序或指令，用于执行以下操作：
步骤S1、获得待反演卫星观测亮温数据，并进行预处理；
步骤S2、使用演化算法建立最优非线性回归方程；
步骤S3、将预处理后的待反演卫星观测亮温数据输入到最优非线性回归方程中进行反演，得到预设区域的水汽总量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011194730.1A CN112462369A (zh) | 2020-10-30 | 2020-10-30 | 一种用于微波成像仪反演海上大气可降水的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011194730.1A CN112462369A (zh) | 2020-10-30 | 2020-10-30 | 一种用于微波成像仪反演海上大气可降水的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112462369A true CN112462369A (zh) | 2021-03-09 |
Family
ID=74834351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011194730.1A Pending CN112462369A (zh) | 2020-10-30 | 2020-10-30 | 一种用于微波成像仪反演海上大气可降水的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112462369A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022239416A1 (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、推定方法及び推定装置 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060064279A1 (en) * | 2004-09-17 | 2006-03-23 | Eric Baum | Algorithm for retrieval of ocean surface temperature, wind speed and wind direction from remote microwave radiometric measurements |
| EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
| US20110218734A1 (en) * | 2010-03-08 | 2011-09-08 | Radiometrics Corporation | Methods and apparatus for passive tropospheric measurments utilizing a single band of frequencies adjacent to a selected millimeter wave water vapor line |
| CN102789004A (zh) * | 2012-07-20 | 2012-11-21 | 南京大学 | 夜间降雨率的卫星反演方法 |
| CN103398780A (zh) * | 2013-06-26 | 2013-11-20 | 北京师范大学 | 基于fy-2c热红外波段的近地面气温反演方法 |
| CN104155705A (zh) * | 2014-08-13 | 2014-11-19 | 中国人民解放军理工大学 | 一种利用地基红外测云仪间接测量大气可降水量的方法 |
| CN104698460A (zh) * | 2015-02-26 | 2015-06-10 | 中国人民解放军理工大学 | 一种双频共面合成孔径雷达海面风场反演方法 |
| CN105784624A (zh) * | 2016-03-04 | 2016-07-20 | 环境保护部卫星环境应用中心 | 一种水汽廓线的反演方法以及装置 |
| CN108051872A (zh) * | 2017-12-13 | 2018-05-18 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于地基微波辐射计反演云中水汽相变过程的方法和装置 |
| 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 |
| CN108874734A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院国家空间科学中心 | 一种全球陆地降水反演方法 |
| CN108982548A (zh) * | 2018-07-20 | 2018-12-11 | 浙江大学 | 一种基于被动微波遥感数据的地表土壤水分反演方法 |
| CN109580003A (zh) * | 2018-12-18 | 2019-04-05 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
| KR20190037855A (ko) * | 2017-09-29 | 2019-04-08 | 한국전자통신연구원 | 수증기 채널 및 적외 채널을 이용한 상향 장파 복사 산출 방법 |
| CN109683212A (zh) * | 2017-10-18 | 2019-04-26 | 张萍 | 一种静止气象卫星与极轨气象卫星降水产品集成方法 |
| CN109709558A (zh) * | 2019-03-06 | 2019-05-03 | 成都信息工程大学 | 一种星载微波遥感陆地上空pwv的物理反演算法 |
| CN109782374A (zh) * | 2019-01-15 | 2019-05-21 | 北京华云星地通科技有限公司 | 通过同化反演的水汽含量优化数值天气预报的方法及装置 |
| CN111060992A (zh) * | 2019-12-27 | 2020-04-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 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 |
| CN111178384A (zh) * | 2019-12-01 | 2020-05-19 | 国家卫星气象中心 | 一种气象卫星动力对流层顶高度反演方法、装置、存储介质及计算机设备 |
| CN111610524A (zh) * | 2020-05-09 | 2020-09-01 | 华中科技大学 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
| CN111797366A (zh) * | 2020-07-06 | 2020-10-20 | 丁思哲 | 一种提高降水数据空间分辨率的方法 |
-
2020
- 2020-10-30 CN CN202011194730.1A patent/CN112462369A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060064279A1 (en) * | 2004-09-17 | 2006-03-23 | Eric Baum | Algorithm for retrieval of ocean surface temperature, wind speed and wind direction from remote microwave radiometric measurements |
| EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
| US20110218734A1 (en) * | 2010-03-08 | 2011-09-08 | Radiometrics Corporation | Methods and apparatus for passive tropospheric measurments utilizing a single band of frequencies adjacent to a selected millimeter wave water vapor line |
| CN102789004A (zh) * | 2012-07-20 | 2012-11-21 | 南京大学 | 夜间降雨率的卫星反演方法 |
| CN103398780A (zh) * | 2013-06-26 | 2013-11-20 | 北京师范大学 | 基于fy-2c热红外波段的近地面气温反演方法 |
| CN104155705A (zh) * | 2014-08-13 | 2014-11-19 | 中国人民解放军理工大学 | 一种利用地基红外测云仪间接测量大气可降水量的方法 |
| CN104698460A (zh) * | 2015-02-26 | 2015-06-10 | 中国人民解放军理工大学 | 一种双频共面合成孔径雷达海面风场反演方法 |
| CN105784624A (zh) * | 2016-03-04 | 2016-07-20 | 环境保护部卫星环境应用中心 | 一种水汽廓线的反演方法以及装置 |
| KR20190037855A (ko) * | 2017-09-29 | 2019-04-08 | 한국전자통신연구원 | 수증기 채널 및 적외 채널을 이용한 상향 장파 복사 산출 방법 |
| CN109683212A (zh) * | 2017-10-18 | 2019-04-26 | 张萍 | 一种静止气象卫星与极轨气象卫星降水产品集成方法 |
| CN108051872A (zh) * | 2017-12-13 | 2018-05-18 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于地基微波辐射计反演云中水汽相变过程的方法和装置 |
| 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 |
| CN108874734A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院国家空间科学中心 | 一种全球陆地降水反演方法 |
| CN108982548A (zh) * | 2018-07-20 | 2018-12-11 | 浙江大学 | 一种基于被动微波遥感数据的地表土壤水分反演方法 |
| CN109580003A (zh) * | 2018-12-18 | 2019-04-05 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
| CN109782374A (zh) * | 2019-01-15 | 2019-05-21 | 北京华云星地通科技有限公司 | 通过同化反演的水汽含量优化数值天气预报的方法及装置 |
| CN109709558A (zh) * | 2019-03-06 | 2019-05-03 | 成都信息工程大学 | 一种星载微波遥感陆地上空pwv的物理反演算法 |
| CN111178384A (zh) * | 2019-12-01 | 2020-05-19 | 国家卫星气象中心 | 一种气象卫星动力对流层顶高度反演方法、装置、存储介质及计算机设备 |
| CN111060992A (zh) * | 2019-12-27 | 2020-04-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 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 |
| CN111610524A (zh) * | 2020-05-09 | 2020-09-01 | 华中科技大学 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
| CN111797366A (zh) * | 2020-07-06 | 2020-10-20 | 丁思哲 | 一种提高降水数据空间分辨率的方法 |
Non-Patent Citations (12)
| Title |
|---|
| ATUL KUMAR VARMA等: "Rain Rate Estimation From Nadir-Looking TOPEX/POSEIDON Microwave Radiometer (TMR) for Correction of Radar Altimetric Measurements", 《TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 37, no. 5, 30 September 1999 (1999-09-30), pages 2556 - 2568, XP011021392 * |
| GAIL M等: "Nonlinear Statistical Retrievals of Ice Content and Rain Rate from Passive Microwave Observations of a Simulated Convective Storm", 《TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 33, no. 4, 30 June 1995 (1995-06-30), pages 957 - 970 * |
| JOHN C等: "Detennination of Oceanic Total Precipitable Water From the SSM/I", 《TRANSACTIOL\\S ON GEOSCIENCE A:\'LD REMOTE SENSING》, vol. 28, no. 5, 30 September 1990 (1990-09-30), pages 811 - 816 * |
| 单九生等: "GPS_MET水汽反演中Tm模型的本地化研究", 《气象与减灾研究》, vol. 35, no. 1, 31 March 2012 (2012-03-31), pages 42 - 46 * |
| 吴琼: "FY-3C微波成像仪海上大气可降水产品质量检验", 《气象》, vol. 46, no. 1, 31 January 2020 (2020-01-31), pages 73 - 79 * |
| 师春香: "卫星多通道红外信息反演大气可降水业务方法", 《红外与毫米波学报》, vol. 24, no. 4, 31 August 2005 (2005-08-31), pages 304 - 308 * |
| 张北斗等: "地基12通道微波辐射计反演大气温湿廓线及估 雷达路径积分衰减", 《兰州大学学报（自然科学版）》, vol. 51, no. 2, 30 April 2015 (2015-04-30), pages 193 - 201 * |
| 张曦: "地基微波辐射计遥感阳江大气温湿廓线的研究", 《中国优秀硕士学位论文全文数据库》, no. 9, 15 September 2019 (2019-09-15), pages 009 - 207 * |
| 杨虎等: "风云三号微波成像仪定标精度评价及业务产品介绍", 《气象科技进展》, vol. 3, no. 2, 30 June 2013 (2013-06-30), pages 136 - 143 * |
| 王波: "双通道微波辐射计反演大气剖面的改进算法", 《电波科学学报》, vol. 22, no. 6, 31 December 2007 (2007-12-31), pages 982 - 985 * |
| 范士杰: "GPS海洋水汽信息反演及三维层析研究", 《中国博士学位论文全文数据库》, no. 7, 15 July 2014 (2014-07-15), pages 010 - 1 * |
| 谷晓平: "GPS水汽反演及降雨预报方法研究", 《中国博士学位论文全文数据库》, no. 3, 15 March 2004 (2004-03-15), pages 009 - 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022239416A1 (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、推定方法及び推定装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sturaro | A closer look at the climatological discontinuities present in the NCEP/NCAR reanalysis temperature due to the introduction of satellite data | |
| Lorite et al. | Using weather forecast data for irrigation scheduling under semi-arid conditions | |
| CN104992071B (zh) | 一种基于集合资料同化技术的初始扰动方法 | |
| Zupanski et al. | A prototype WRF-based ensemble data assimilation system for dynamically downscaling satellite precipitation observations | |
| CN112462369A (zh) | 一种用于微波成像仪反演海上大气可降水的方法及装置 | |
| Zapotocny et al. | A two-season impact study of satellite and in situ data in the NCEP Global Data Assimilation System | |
| Li et al. | Evaluation of 10 year AQUA/MODIS land surface temperature with SURFRAD observations | |
| 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 | |
| CN111610524B (zh) | 一种基于一维变分算法的冰云廓线反演方法及系统 | |
| Shao et al. | Wave retrieval under typhoon conditions using a machine learning method applied to Gaofen-3 SAR imagery | |
| Luo et al. | Modelling the response of wheat grain yield to climate change: a sensitivity analysis | |
| CN105784624A (zh) | 一种水汽廓线的反演方法以及装置 | |
| Liu et al. | Estimation of Summer Air Temperature over China Using Himawari‐8 AHI and Numerical Weather Prediction Data | |
| CN110968926A (zh) | 一种基于改进背景误差协方差矩阵预测大气参数的方法 | |
| CN115099064A (zh) | 一种积雪深度的反演方法及装置 | |
| CN115877345A (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
| Tran et al. | Analysing Drought Intensity in the Mekong River Delta using Time Series Analysis and Google Earth Engine. | |
| Georgakakos et al. | Statistical‐microphysical causes of rainfall variability in the tropics | |
| CN114943188A (zh) | 基于随机森林模型的积雪深度反演方法及装置 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| KR102570099B1 (ko) | 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치 | |
| CN105572677B (zh) | 利用短波辐射估算长波净辐射和下行辐射的方法和装置 | |
| Bellerby | Satellite rainfall uncertainty estimation using an artificial neural network | |
| Wang et al. | A feasibility study for the construction of an atmospheric precipitable water vapor model based on the neural network technology | |
| Remsberg | On the observed changes in upper stratospheric and mesospheric temperatures from UARS HALOE |
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 |