CN113108918B - 一种极轨气象卫星热红外遥感数据反演气温方法 - Google Patents
一种极轨气象卫星热红外遥感数据反演气温方法 Download PDFInfo
- Publication number
- CN113108918B CN113108918B CN202110373988.6A CN202110373988A CN113108918B CN 113108918 B CN113108918 B CN 113108918B CN 202110373988 A CN202110373988 A CN 202110373988A CN 113108918 B CN113108918 B CN 113108918B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- air temperature
- cloud
- inversion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种极轨气象卫星热红外遥感数据反演气温方法，包括以下步骤：步骤一：获取极轨卫星观测数据，匹配形成数据集；步骤二、将所述数据集分成有云的数据和晴空的数据；步骤三：利用逐步线性回归方法对所述有云的数据和晴空的数据中的变量进行变量分析，以筛选出影响气温模型构建的重要变量来作为气温反演模型的输入变量；步骤四：采用极端梯度提升算法，将筛选出的有云的数据作为云天的数据集构建云天反演模型；将筛选出的晴空的数据作为晴天的数据集构建晴空反演模型。本发明构建的模型可以快速估算高精度的有云和晴空条件下的近地面大气温度信息，且具有较高的空间分辨率。
Description
技术领域
本发明涉及卫星气象技术技术领域，尤其涉及一种极轨气象卫星热红外遥感数据反演气温方法。
背景技术
目前，基于极轨卫星热红外数据遥感反演气温主要是在晴空条件下进行。根据相关文献表明卷云全球覆盖率大约为20％-30％，热带地区卷云覆盖率甚至高于70％。在有云的条件下，云的吸收、散射以及粒子微物理特性等会对卫星观测的辐射产生影响。因此在大气辐射传输物理过程中须考虑云的影响，以减小给卫星遥感物理反演气温的结果带来的误差。
极轨卫星提供的高空间分辨率的卫星数据能够用于近地面的气温反演，同时也能提供较高空间分辨率的气温产品。但是，由于极轨卫星通常对于同一地点的观测一天只有2次且观测区域不固定，同时极轨卫星资料的高分辨率数据量大。这些问题会给气温反演带来了一些困难。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种能够利用极轨卫星提供的高空间分辨率辐射数据，进行有云条件下的气温反演，为极轨卫星云天的气温反演提供新的方法。
一种极轨气象卫星热红外遥感数据反演气温方法，包括以下步骤：
步骤一：获取极轨卫星观测数据，匹配形成数据集；
步骤二、将所述数据集分成有云的数据和晴空的数据；
步骤三：利用逐步线性回归方法对所述有云的数据和晴空的数据中的变量进行变量分析，以筛选出影响气温模型构建的重要变量来作为气温反演模型的输入变量；
步骤四：采用极端梯度提升算法，将筛选出的有云的数据作为云天的数据集构建云天反演模型；将筛选出的晴空的数据作为晴天的数据集构建晴空反演模型；
步骤五：利用所述云天反演模型或晴空反演模型获得极轨气象卫星反演气温的估算结果；
步骤六：对所述估算结果的精度进行评估；
步骤七：根据评估结果确定极轨气象卫星反演的气温。
进一步地，如上所述的极轨气象卫星热红外遥感数据反演气温方法，所述极轨卫星观测数据包括：
极轨卫星观测热红外亮温、数值预报模式资料、数字高程模型、台站气温数据、和台站高度数据。
进一步地，如上所述的极轨气象卫星热红外遥感数据反演气温方法，所述数值预报模式资料包括：如GFS预报气温和高度数据。
进一步地，如上所述的极轨气象卫星热红外遥感数据反演气温方法，步骤二中所述将所述数据集分成有云的数据和晴空的数据包括：将所述数据集通过L2云检测，建立近地面气温反演数据集，该数据集包括云的数据和晴空的数据。
进一步地，如上所述的极轨气象卫星热红外遥感数据反演气温方法，所述步骤三包括：
将所述数据集作为机器学习模型的输入变量，将实际台站气温作为输出变量，分别建立训练集、验证集和测试数据集；
所述训练集用于建立云天反演模型或晴空反演模型；所述验证集评估模型的性能和调整模型参数；所述测试数据集用于评估模型的精度。
进一步地，如上所述的极轨气象卫星热红外遥感数据反演气温方法，所述评估模型的精度包括：
利用模型估算的气温与相同时间实际台站测得的气温进行对比，计算误差对模型进行精度评估：
Ta是模型反演的气温值，Tsta是气象台站实测得的气温，N是所选用的样本个数，RMSE为均方根误差，其能够反映出反演的台站气温的精确度。
有益效果：
本发明构建的模型可以快速估算高精度的有云和晴空条件下的近地面大气温度信息，且具有较高的空间分辨率。我国自主研发的极轨卫星FY-3D具有250m的空间分辨率的探测能力，能够获得极高空间分辨率的卫星热红外亮温数据，而数值预报本身能够预测气温但是空间分辨率通常高达20km以上，而机器学习能够学习不同数据的特征。因此，我们通过机器学习算法将热红外亮温卫星数据以及数值预报数据作为输入数据，采用机器学习算法，建立有云和晴空条件下气温反演模型，从而快速获得高精度的有云和晴空条件下的近地面大气温度信息。
附图说明
图1是XGB模型训练路线图；
图2是基于本发明算法FY-3D MERSI热红外数据气温估算与气象台站实测数据的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本发明首要解决的问题是如何对极轨卫星观测资料进行时间和区域的固定，以及对大量的卫星数据进行去噪，去异常值等预处理。本发明将极轨卫星资料通过数据选择，数据清洗以及观测区域订正后进行下一步的气温反演工作。
在有云条件下，热红外通道的辐射会受到云层的吸收、散射等的影响，从而会对云天气温反演增加复杂度和困难度。本发明通过如下三个步骤进行有云条件下的气温反演研究。
(1)利用极轨卫星观测亮温(如FY-3D)、气象台站观测资料、数值预报模式资料(如GFS)以及数字高程模型(DEM)，匹配形成数据集，再通过L2云检测，建立近地面气温反演数据集；
(2)利用逐步线性回归方法对反演数据集的变量进行变量分析，例如辐射亮温变量及其他要素等不同变量对近地面气温的影响程度进行分析，了解各个变量对于模型本身的重要性，筛选出影响气温模型构建的重要变量，从而作为气温反演模型的输入变量，这能够提高构建的气温反演模型的效率和有效性；
(3)利用极端梯度提升算法(eXtreme Gradient Boosting，缩写为XGB)建立气温反演模型。基于(2)步骤确定的极轨卫星观测热红外亮温(如FY-3D)、数值预报模式资料(如GFS预报气温和高度数据)，数字高程模型(DEM)和台站高度数据等关键因子和气象台站的实测近地面大气温度信息。将极轨卫星观测热红外亮温(如FY-3D)、数值预报模式资料(如GFS预报气温和高度数据)，数字高程模型(DEM)，台站海拔高度作为机器学习模型的输入变量，将实际台站气温作为输出变量，分别建立3种数据集，即训练集、验证集(通常将原始数据80％划分为训练集，20％为验证集)和测试数据集(未被训练和验证过程使用的数据)。机器学习算法会在训练集上训练XGB模型，建立基于极轨气象卫星热红外亮温数据反演云天条件和晴空下的近地面气温模型。在验证集上评估模型性能和调整参数。调整到最优的参数后就在测试集上最后测试，评估XGB模型精度。极端梯度提升(XGB)算法是为每一个样本赋上一个权重值，通过每一步训练中得到的模型会对该节点数据进行估计，使得数据点的估计有对有错，估计后会增加分错的点的权重，减少分对点的权重，这样使得某些经常被分错的点会被赋上一个非常高的权重。然后进行n次迭代得到n个简单的分类器，加入正则项来控制模型的复杂度，防止过拟合，最后将它们组合起来得到一个最终的XGB模型。
通过云检测，将极轨气象卫星热红外亮温数据分成有云的数据和晴空的数据，采用极端梯度提升(XGB)算法，将有云的数据作为云天的数据集构建反演模型；如果判别晴空，则将识别为晴空的数据用来构建晴空反演模型，从而分别得到云天条件和晴空下的近地面气温2个模型。
(4)利用(3)步骤建立的气温反演模型和验证集，通过极轨卫星观测热红外亮温(如FY-3D)、数值预报模式资料(如GFS预报气温和高度数据)、数字高程模型(DEM)和台站海拔高度作为机器学习模型的输入变量，获得有云条件下极轨气象卫星反演气温的估算结果。利用模型估算的气温与相同时间实际台站测得的气温进行对比，计算误差对模型进行精度评估。精度评估主要通过计算统计参数进行评估，如均方根误差(RMSE)。
Ta是模型反演的气温值，Tsta是气象台站实测得的气温，N是所选用的样本个数。RMSE能够反映出反演的台站气温的精确度，较低的RMSE表示反演的台站气温与实际台站气温的差异较小，即表示反演气温的精度较高。
实施例说明
收集了2019年湖南区域97个气象台站的近地面大气温度实测数据，并同步收集了FY-3DMERSI卫星同步观测的热红外亮温数据、美国数值预报(GFS)的气温数据。
利用线性回归和随机森林分析方法分析MERSI热红外亮温数据、像元经纬度、观测角、GFS气温数据等因素对近地面大气温度估算的影响，选择气温估算精度的关键因子并评估了各个因子对整个模型性能的影响程度。表1给出了通过逐步回归分析确定的主要影响因子。
基于上一步骤确定的关键因子和气象台站的实测近地面大气温度信息，对输入、输出数据构建形成训练数据集，利用XGB算法构建有云条件下的近地面大气温度估算模型，整个气温估算流程如图1所示，极轨卫星观测热红外亮温(如FY-3D)、数值预报模式资料(如GFS预报气温和高度数据)，数字高程模型(DEM)和台站高度数据作为输入数据，输出数据是反演的气象台站的近地面温度信息，通过云检测进行了数据晴空和云天数据集的分类，分别构建了晴空和云天的基于XGB算法的气温反演模型，两个模型，在模型训练和测试的时候，输入的数据和输出的数据都是一样的。最后选择2020年7月3日的FY-3DMERSI卫星同步观测的热红外亮温数据、美国数值预报(GFS)的气温等数据对算法进行了测试。测试结果表明本发明构建的模型可以快速估算高精度的有云和晴空条件下的近地面大气温度信息，且空间分辨率能够达到250m，如图2所示。
表1 XGB算法训练相关主要参数的信息
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种极轨气象卫星热红外遥感数据反演气温方法，其特征在于，包括以下步骤：
步骤一：获取极轨卫星观测数据，匹配形成数据集；
步骤二、将所述数据集分成有云的数据和晴空的数据；
步骤三：利用逐步线性回归方法对所述有云的数据和晴空的数据中的变量进行变量分析，以筛选出影响气温模型构建的重要变量来作为气温反演模型的输入变量；
步骤四：采用极端梯度提升算法，将筛选出的有云的数据作为云天的数据集构建云天反演模型；将筛选出的晴空的数据作为晴天的数据集构建晴空反演模型；
步骤五：利用所述云天反演模型或晴空反演模型获得极轨气象卫星反演气温的估算结果；
步骤六：对所述估算结果的精度进行评估；
步骤七：根据评估结果确定极轨气象卫星反演的气温；
所述步骤四包括：利用极端梯度提升算法建立气温反演模型依赖于极轨卫星观测热红外亮温、数值预报模式资料，将极轨卫星观测热红外亮温、数值预报模式资料，数字高程模型，台站海拔高度作为机器学习模型的输入变量，将实际台站气温作为输出变量，分别建立3种数据集，即训练集、验证集和测试数据集；机器学习算法会在训练集上训练XGB模型，建立基于极轨气象卫星热红外亮温数据反演云天条件和晴空下的近地面气温模型。
2.根据权利要求1所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述极轨卫星观测数据包括：
极轨卫星观测热红外亮温、数值预报模式资料、数字高程模型、台站气温数据、和台站高度数据。
3.根据权利要求2所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述数值预报模式资料包括：如数值预报模式资料预报气温和高度数据。
4.根据权利要求1所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，
步骤二中所述将所述数据集分成有云的数据和晴空的数据包括：将所述数据集通过L2云检测，建立近地面气温反演数据集，该数据集包括云的数据和晴空的数据。
5.根据权利要求1所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述步骤四包括：
将所述数据集作为机器学习模型的输入变量，将实际台站气温作为输出变量，分别建立训练集、验证集和测试数据集；
所述训练集用于建立云天反演模型或晴空反演模型；所述验证集评估模型的性能和调整模型参数；所述测试数据集用于评估模型的精度。
6.根据权利要求5所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述评估模型的精度包括：
利用模型估算的气温与相同时间实际台站测得的气温进行对比，计算误差对模型进行精度评估：
Ta是模型反演的气温值，Tsta是气象台站实测得的气温，N是所选用的样本个数；RMSE为均方根误差，其能够反映出反演的台站气温的精确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110373988.6A CN113108918B (zh) | 2021-04-07 | 2021-04-07 | 一种极轨气象卫星热红外遥感数据反演气温方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110373988.6A CN113108918B (zh) | 2021-04-07 | 2021-04-07 | 一种极轨气象卫星热红外遥感数据反演气温方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113108918A CN113108918A (zh) | 2021-07-13 |
| CN113108918B true CN113108918B (zh) | 2022-06-21 |
Family
ID=76714539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110373988.6A Active CN113108918B (zh) | 2021-04-07 | 2021-04-07 | 一种极轨气象卫星热红外遥感数据反演气温方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113108918B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114354510B (zh) * | 2022-01-12 | 2024-06-04 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于极轨气象卫星mersi的白天云相态反演方法 |
| CN115032720A (zh) * | 2022-07-15 | 2022-09-09 | 国网上海市电力公司 | 基于随机森林的多模式集成预报在地面气温预报中的应用 |
| CN116450700B (zh) * | 2023-03-09 | 2024-02-13 | 中国农业科学院农业资源与农业区划研究所 | 极轨卫星地表温度时间归一化方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102830448A (zh) * | 2012-08-21 | 2012-12-19 | 北京琨奇电子系统有限公司 | 一种微波高光谱晴空定标方法、装置及系统 |
| CN103293084A (zh) * | 2013-05-08 | 2013-09-11 | 南京大学 | 基于多光谱气象卫星信息的海雾全天时全天候反演方法 |
| CN104820250A (zh) * | 2015-04-14 | 2015-08-05 | 国家卫星气象中心 | 一种极轨气象卫星virr海洋上云检测的处理方法 |
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| 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 |
| CN109871637A (zh) * | 2019-03-06 | 2019-06-11 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
| CN110688606A (zh) * | 2019-08-30 | 2020-01-14 | 中国科学院遥感与数字地球研究所 | 一种热红外遥感反演云微物理参数的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106019314B (zh) * | 2016-08-05 | 2018-11-02 | 成都信息工程大学 | 一种卷云条件下短波红外卫星遥感二氧化碳的方法 |
| CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2021
- 2021-04-07 CN CN202110373988.6A patent/CN113108918B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102830448A (zh) * | 2012-08-21 | 2012-12-19 | 北京琨奇电子系统有限公司 | 一种微波高光谱晴空定标方法、装置及系统 |
| CN103293084A (zh) * | 2013-05-08 | 2013-09-11 | 南京大学 | 基于多光谱气象卫星信息的海雾全天时全天候反演方法 |
| CN104820250A (zh) * | 2015-04-14 | 2015-08-05 | 国家卫星气象中心 | 一种极轨气象卫星virr海洋上云检测的处理方法 |
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| 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 |
| CN109871637A (zh) * | 2019-03-06 | 2019-06-11 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
| CN110688606A (zh) * | 2019-08-30 | 2020-01-14 | 中国科学院遥感与数字地球研究所 | 一种热红外遥感反演云微物理参数的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Retrieval of Total Precipitable Water from Himawari-8 AHI Data: A Comparison of Random Forest, Extreme Gradient Boosting, and Deep Neural Network;Yeonjin Lee 等;《remote sensing》;20190724;全文 * |
| 基于FY-3C MWHTS的台风降水反演算法研究;李娜 等;《遥感技术与应用》;20191031;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113108918A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| CN111651941B (zh) | 一种全球电离层电子总含量预测的算法 | |
| CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
| CN110058328B (zh) | 东北夏季降水多模式组合降尺度预测方法 | |
| CN109784552B (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
| WO2020043027A1 (zh) | 一种大气污染预测中对区域边界优化的方法 | |
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| CN108875254A (zh) | 一种大气温湿廓线的一维变分反演方法 | |
| CN113348471B (zh) | 一种大气污染预测中对区域边界优化的方法 | |
| CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
| CN111797131A (zh) | 一种基于遥感降水产品的极端降水区域频率分析方法 | |
| CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
| CN111091082A (zh) | 一种基于高分辨率遥感数据的流域污染溯源方法 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| CN113468799A (zh) | 一种静止气象卫星观测中获取近地面pm2.5浓度的方法及系统 | |
| Ruiz-Arias et al. | Direct normal irradiance modeling: Evaluating the impact on accuracy of worldwide gridded aerosol databases | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| Chen et al. | Proactive quality control: Observing system simulation experiments with the Lorenz’96 model | |
| CN112560270A (zh) | 一种化学危害同化系统 | |
| CN117409334B (zh) | 一种基于静止卫星遥感数据的气溶胶类型识别方法 | |
| CN116432032A (zh) | 基于多源数据和机器学习的气象数据异常事件识别方法 | |
| CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
| CN110222301B (zh) | 一种雾霾条件下地表太阳短波辐射计算方法 |
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 |