CN113127794B - 一种北极海冰密集度的计算方法 - Google Patents
一种北极海冰密集度的计算方法 Download PDFInfo
- Publication number
- CN113127794B CN113127794B CN202110371377.8A CN202110371377A CN113127794B CN 113127794 B CN113127794 B CN 113127794B CN 202110371377 A CN202110371377 A CN 202110371377A CN 113127794 B CN113127794 B CN 113127794B
- Authority
- CN
- China
- Prior art keywords
- data
- sea ice
- ice
- density
- 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
Images
Classifications
-
- 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
-
- 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)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种北极海冰密集度的计算方法,方法包括:经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果。本发明能够提高海冰密集度反演精度,为提高和促进国产风云卫星在极地环境监测的应用提供有效的支持和保障,可广泛应用于数据处理技术领域。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种北极海冰密集度的计算方法。
背景技术
FY-3MWRI(风云3卫星)是我国自主研发的新一代极轨气象卫星。随着近几年我国航天事业的飞速发展,我国发射的遥感卫星越来越多,其中比较典型的如风云系列、高分系列、环境系列等。但就目前来看,有一个很突出的弊端就是,国产风云卫星海冰密集度反演精度不高。
现有技术的缺点:低频亮温的空间分辨率低,高频亮温则受大气的影响。
发明内容
有鉴于此,本发明实施例提供一种北极海冰密集度的计算方法,进而提高海冰密集度反演精度。
本发明的一方面提供了一种北极海冰密集度的计算方法,包括:
经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果。
可选地,所述经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果,包括:
获取待处理数据;其中,所述待处理数据包括FY-3MWRI数据以及ECMWF ERA5数据;
获取极化梯度比和光谱梯度比,通过NT算法对所述待处理数据进行初始密集度反演,得到一年冰密集度和多年冰密集度;
其中,所述极化梯度比的表达式为:
PR=(TB19V-TB19H)/(TB19V+TB19H)
所述光谱梯度比的表达式为:
GR=(TB37V-TB19H)/(TB37V+TB19H)
PR代表极化梯度比;TB19V代表18.7GHz通道垂直极化下观测亮温;TB19H代表18.7GHz 通道水平极化下观测亮温;GR代表光谱梯度比;TB37V代表36.5GHz通道垂直极化下观测亮温;
所述一年冰密集度的表达式为:
CFY=(a0+a1PR+a2GR+a3PR·GR)/D
所述多年冰密集度的表达式为:
CMY=(b0+b1PR+b2GR+b3PR·GR)/D
其中,CFY代表通过NT算法反演得到的一年冰密集度;CMY代表通过NT算法反演得到的多年冰密集度;D=c0+c1PR+c2GR+c3PR·GR;系数ai,bi和ci(i=0,3)是一组九个亮温的函数;
对所述待处理数据中的FY-3MWRI数据以及ECMWF ERA5数据进行时空匹配,得到时间索引表和空间索引表;所述时间索引表和所述空间索引表用于确定每个像元对应时空位置的地球物理参数;
基于辐射传输模型对所述待处理数据进行大气校正;
基于所述大气校正后的数据进行海冰密集度反演,得到海冰密集度计算结果。
可选地,所述经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果,还包括:
根据第一天气滤波器和第二天气滤波器,通过NT算法对密集度反演过程中的天气影响因素进行过滤处理。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例在经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果。本发明能够提高海冰密集度反演精度,为提高和促进国产风云卫星在极地环境监测的应用提供有效的支持和保障。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,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为本发明实施例提供的整体步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
针对现有技术存在的问题,本发明实施例提供了一种北极海冰密集度的计算方法,包括:
经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果。
可选地,所述经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果,包括:
获取待处理数据;其中,所述待处理数据包括FY-3MWRI数据以及ECMWF ERA5数据;
获取极化梯度比和光谱梯度比,通过NT算法对所述待处理数据进行初始密集度反演,得到一年冰密集度和多年冰密集度;
其中,所述极化梯度比的表达式为:
PR=(TB19V-TB19H)/(TB19V+TB19H)
所述光谱梯度比的表达式为:
GR=(TB37V-TB19H)/(TB37V+TB19H)
PR代表极化梯度比;TB19V代表18.7GHz通道垂直极化下观测亮温;TB19H代表18.7GHz 通道水平极化下观测亮温;GR代表光谱梯度比;TB37V代表36.5GHz通道垂直极化下观测亮温;
所述一年冰密集度的表达式为:
CFY=(a0+a1PR+a2GR+a3PR·GR)/D
所述多年冰密集度的表达式为:
CMY=(b0+b1PR+b2GR+b3PR·GR)/D
其中,CFY代表通过NT算法反演得到的一年冰密集度;CMY代表通过NT算法反演得到的多年冰密集度;D=c0+c1PR+c2GR+c3PR·GR;系数ai,bi和ci(i=0,3)是一组九个亮温的函数;
对所述待处理数据中的FY-3MWRI数据以及ECMWF ERA5数据进行时空匹配,得到时间索引表和空间索引表;所述时间索引表和所述空间索引表用于确定每个像元对应时空位置的地球物理参数;
基于辐射传输模型对所述待处理数据进行大气校正;
基于所述大气校正后的数据进行海冰密集度反演,得到海冰密集度计算结果。
可选地,所述经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果,还包括:
根据第一天气滤波器和第二天气滤波器,通过NT算法对密集度反演过程中的天气影响因素进行过滤处理。
下面结合说明书附图,对本发明的北极海冰密集度的计算方法进行详细说明:
本发明要解决国产风云卫星海冰密集度反演精度不高的问题,实现微波辐射计与热红外遥感数据相结合的高精度海冰密集度反演。本发明采用风云三号卫星微波辐射计(FY-3MWRI) 与热红外数据(FY-3MERSI),力图克服FY-3MWRI高频波段(89GHz)易受大气影响的缺陷,利用热红外遥感数据空间分辨率较高的优势,形成一套适用于国产风云三号卫星数据的海冰密集度反演方法,产出一系列高精度的海冰密集度数据产品,为提高和促进国产风云卫星在极地环境监测的应用提供有效的支持和保障
如图1所示,适用于国产风云卫星的海冰密集度反演方法包括三个步骤,分别为:经过大气校正的海冰密集度反演。
(1)经过大气校正的海冰密集度反演
针对微波辐射计高频波段易受大气影响的问题,本发明利用辐射传输模型分别模拟理想大气条件(即不考虑大气因素带来的影响)和实际大气条件下的亮温,得到大气对亮温的影响。结合模拟得到的大气对亮温的影响和FY-3MWRI观测的亮温,获得经过大气校正的亮温,最终利用ASI算法反演得到经过大气校正的海冰密集度。
利用辐射传输模型模拟亮温,需要用地球物理参数和初始的海冰密集度,其中地球物理参数来自于欧洲中尺度天气预报中心(ECMWF)ERA5再分析数据,初始的海冰密集度通过NASA Team(NT)算法获取。
具体的步骤如下:
A.数据准备
批量下载FY-3 MWRI条带数据与对应当天的ECMWF ERA5再分析数据。
B.使用NT算法进行初始海冰密集度反演
使用FY-318.7GHz垂直和水平方向极化、以及36.5GHz垂直方向极化的亮温,通过NT 算法反演初始的多年冰、一年冰和开放水域密集度。
NT算法中用到两个独立变量:极化梯度比PR(Polarization Gradient Ratio)和光谱梯度比GR(Spectral Gradient Ratio)。定义如下:
PR=(TB19V-TB19H)/(TB19V+TB19H)
GR=(TB37V-TB19H)/(TB37V+TB19H)
其中,TB为特定频率和极化下的观测亮温,V和H分别代表垂直极化和水平极化。根据这两个参数,就能够得到一年冰密集度CFY和多年冰密集度CMY:
CFY=(a0+a1PR+a2GR+a3PR·GR)/D
CMY=(b0+b1PR+b2GR+b3PR·GR)/D
其中,D=c0+c1PR+c2GR+c3PR·GR
系数ai,bi和ci(i=0,3)是一组九个亮温的函数,具体定义如下:
a0=M0N2-M2N0 b0=M4N0-M0N4 c0=M4N2-M2N4
a1=M1N2-M3N0 b1=M5N0-M1N4 c1=M5N2-M3N4
a2=M0N3-M2N1 b2=M4N1-M0N5 c2=M4N3-M2N5
a3=M1N3-M3N1 b3=M5N1-M1N5 c3=M5N3-M3N5
其中,
M0=-TBOW,19V+TBOW,19H N0=-TBOW,37V+TBOW,19V
M1=TBOW,19V+TBOW,19H N1=TBOW,37V+TBOW,19V
M2=TBMY,19V-TBMY,19H+M0 N2=TBMY,37V-TBMY,19V+N0
M3=-TBMY,19V-TBMY,19H+M1 N3=-TBMY,37V-TBMY,19V+N1
M4=TBFY,19V-TBMY,19H+M0 N4=TBFY,37V-TBMY,19V+N0
M5=-TBFY,19V-TBFY,19H+M1 N5=-TBFY,37V-TBFY,19V+N1
其中,M0-M5,N0-N5代表9个亮温温度的代数式。
针对北纬60°以北的北冰洋海域,本发明实施例选取2019年的数据进行开放水域(Open water,OW)、一年冰(First year,FY)和多年冰(Multi-year,MY)样本点的选取。利用综合公开的海冰类型、海冰年龄与海冰密集度数据产品,通过重复验证,选取时间和空间上均匀分布的固定时间间隔当日高概率为均质表面(开放水域、一年冰和多年冰)的样本点。取全年均质表面样本点的亮温平均值来确定开放水域、一年冰和多年冰在18.7V,18.7H和36.5V波段的亮温。这些亮温被称为算法的系点(tie point),是开放水域、一年冰和多年冰在18.7V,18.7H和36.5V波段的典型特征亮温值。以此方法得到的典型特征亮温值见表 1。
表1
19V | 19H | 37V | |
OW | 180.69 | 113.54 | 204.80 |
FYI | 251.13 | 235.82 | 245.57 |
MYI | 230.36 | 211.18 | 199.02 |
具体地,上述表1中代表了开放水域、一年冰和多年冰的典型特征亮温值,其中OW代表开放水域,FYI代表一年冰,MYI代表多年冰。
此外,NT算法使用了两种天气滤波器,用于去除天气因素对密集度反演的影响:
GR(37/19)=(TB37V-TB19V)/(TB37V+TB19V)
GR(23/19)=(TB23V-TB19V)/(TB23V+TB19V)
如果GR(37/19)>0.05,则海冰密集度设置为0,主要去除云中液态水的影响。
如果GR(23/19)>0.045,则海冰密集度设置为0;主要去除开阔水域上空水蒸气的影响。
C.时空匹配
由于FY-3MWRI与ERA5数据的时空分辨率存在巨大差异,需要对两者进行时空匹配。具体步骤为:将FY-3MWRI每个条带成像的时间与ERA5数据的时间进行匹配,得到时间的索引表,将FY-3MWRI每个像元的地理位置数据与ERA5的地理位置数据进行匹配,得到空间的索引表,利用时间与空间的索引表得到每个像元对应时空位置的地球物理参数。ERA5数据的时间分辨率为1h,空间分辨率为0.25°×0.25°,因此匹配结果的时间误差小于0.5h,空间误差小于0.125°×0.125°。
D.基于辐射传输模型的大气校正
大气校正是通过模拟大气水分吸收/排放和海洋表面风引起海面粗糙化引起的亮温变化来进行的。水蒸气、云中液态水等大气参数是辐射传输模型的输入参数,用于模拟大气的总不透明度。海面温度和风速是海面发射率模型的输入参数,用于计算来自海面的辐射。冰表面温度、两种海冰的密集度及其发射率则用于模拟海冰的辐射。基于以上模拟,可将大气顶部亮温转换为近表面亮温。
利用以上模型,模拟以下两种情况下的亮温:
(1)TBM0:理想大气条件下,即不考虑大气因素带来的影响。假设海洋的表面温度为271.15K,海冰的表面温度为250K。水蒸气,云中液体水,海洋表面风速均设置为0。
(2)TBMA:实际大气条件下,使用步骤C中经过时空匹配得到的地球物理参数。
这两个模拟亮温之间的差异是由于大气影响带来的。由于模型的不确定性,直接使用 TBMA可能会导致潜在的系统偏差。为了防止这种情况,通过从卫星观测得到的亮温TBSAT减去大气带来的影响(TBMA-TBM0)得到经过大气校正后的亮温TBC:
TBC=TBSAT-(TBMA-TBM0)
E.海冰密集度反演
基于大气校正后的亮温,利用ASI算法进行海冰密集度反演。ASI算法利用89GHz下海冰开放水域极化差PD的巨大差异来进行海冰密集度的反演。
PD=TB89V-TB89H
TB89V,TB89H分别为89GHz下垂直极化和水平极化下的亮温温度。
针对北极圈以内的海域,选取2019年的数据进行样本点的选取。利用综合公开的海冰类型与海冰密集度数据产品,通过重复验证,选取时间和空间上均匀分布的固定时间间隔当日高概率为均质表面(纯水和纯冰)的样本点。通过步骤C得到每个样本点对应的地球物理参数,再通过步骤D对样本点进行大气校正。取样本点极化差异值的平均值来确定纯水与纯冰的系点值;分别记为P0(纯水)、P1(纯冰)。以此方法得到的纯水与纯冰的系点值为P0=86.77K,P1=10.08K。
P0=TBOW,89V-TBOW,89H
P1=TBSI,89V-TBSI,89H
TBOW,89V,TBOW,89H分别为纯水样本点的垂直极化和水平极化下的亮温;
TBSI,89V,TBSI,89H分别为纯冰样本点的垂直极化和水平极化下的亮温。
利用下面的四元一次方程组计算得到d0、d1、d2、d3
利用三阶多项式来拟合海冰密集度CASI
CASI=d3PD3+d2PD2+d1PD+d0
综上所述,本发明提高了海冰密集度反演精度,为提高和促进国产风云卫星在极地环境监测的应用提供有效的支持和保障。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (2)
1.一种北极海冰密集度的计算方法,其特征在于,包括:
获取待处理数据;其中,所述待处理数据包括FY-3MWRI数据以及ECMWF ERA5数据;
获取极化梯度比和光谱梯度比,通过NT算法对所述待处理数据进行初始密集度反演,得到一年冰密集度和多年冰密集度;
其中,所述极化梯度比的表达式为:
PR=(TB19V-TB19H)/(TB19V+TB19H)
所述光谱梯度比的表达式为:
GR=(TB37V-TB19H)/(TB37V+TB19H)
PR代表极化梯度比;TB19V代表18.7GHz通道垂直极化下观测亮温;TB19H代表18.7GHz通道水平极化下观测亮温;GR代表光谱梯度比;TB37V代表36.5GHz通道垂直极化下观测亮温;
所述一年冰密集度的表达式为:
CFY=(a0+a1PR+a2GR+a3PR·GR)/D
所述多年冰密集度的表达式为:
CMY=(b0+b1PR+b2GR+b3PR·GR)/D
其中,CFY代表通过NT算法反演得到的一年冰密集度;CMY代表通过NT算法反演得到的多年冰密集度;D=c0+c1PR+c2GR+c3PR·GR;系数ai,bi和ci(i=0,3)是一组九个亮温的函数;
对所述待处理数据中的FY-3MWRI数据以及ECMWF ERA5数据进行时空匹配,得到时间索引表和空间索引表;所述时间索引表和所述空间索引表用于确定每个像元对应时空位置的地球物理参数;
根据理想大气条件下的海冰表面亮温、实际大气条件下的海冰表面亮温以及卫星观测得到的海冰表面亮温,并基于辐射传输模型对所述待处理数据进行大气校正;
基于所述大气校正后的数据进行海冰密集度反演,得到海冰密集度计算结果。
2.根据权利要求1所述的一种北极海冰密集度的计算方法,其特征在于,经过大气校正处理后进行海冰密集度反演,得到海冰密集度计算结果,还包括:
根据第一天气滤波器和第二天气滤波器,通过NT算法对密集度反演过程中的天气影响因素进行过滤处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371377.8A CN113127794B (zh) | 2021-04-07 | 2021-04-07 | 一种北极海冰密集度的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371377.8A CN113127794B (zh) | 2021-04-07 | 2021-04-07 | 一种北极海冰密集度的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113127794A CN113127794A (zh) | 2021-07-16 |
CN113127794B true CN113127794B (zh) | 2023-02-03 |
Family
ID=76775107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371377.8A Active CN113127794B (zh) | 2021-04-07 | 2021-04-07 | 一种北极海冰密集度的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127794B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037023B (zh) * | 2021-12-20 | 2024-05-10 | 中国石油大学(华东) | 海洋卫星校正微波辐射计极地异常水汽数据的校正方法 |
CN116541391B (zh) * | 2023-07-06 | 2023-12-12 | 国家气象信息中心(中国气象局气象数据中心) | 北半球海冰密集度数据实时快速生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198052A (zh) * | 2014-09-25 | 2014-12-10 | 国家卫星海洋应用中心 | 基于海洋二号卫星扫描微波辐射计的海冰密集度获取方法 |
CN107886473A (zh) * | 2017-11-09 | 2018-04-06 | 河南工业大学 | 从fy‑3mwri数据反演北极海冰密集度的方法 |
CN107894964A (zh) * | 2017-11-09 | 2018-04-10 | 河南工业大学 | 一种改进的asi海冰密集度反演算法 |
CN111563318A (zh) * | 2020-04-15 | 2020-08-21 | 中国科学院国家空间科学中心 | 利用89GHz单频多入射角亮温差反演海冰密集度的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106734B (zh) * | 2017-12-07 | 2019-08-02 | 中国科学院海洋研究所 | 一种面向idl语言海冰密集度求算优化算法 |
CN111103262B (zh) * | 2019-12-20 | 2022-09-27 | 中国科学院海洋研究所 | 一种基于散射计数据的北极多年冰密集度反演方法 |
-
2021
- 2021-04-07 CN CN202110371377.8A patent/CN113127794B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198052A (zh) * | 2014-09-25 | 2014-12-10 | 国家卫星海洋应用中心 | 基于海洋二号卫星扫描微波辐射计的海冰密集度获取方法 |
CN107886473A (zh) * | 2017-11-09 | 2018-04-06 | 河南工业大学 | 从fy‑3mwri数据反演北极海冰密集度的方法 |
CN107894964A (zh) * | 2017-11-09 | 2018-04-10 | 河南工业大学 | 一种改进的asi海冰密集度反演算法 |
CN111563318A (zh) * | 2020-04-15 | 2020-08-21 | 中国科学院国家空间科学中心 | 利用89GHz单频多入射角亮温差反演海冰密集度的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113127794A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Evaluation of precipitable water vapor from four satellite products and four reanalysis datasets against GPS measurements on the Southern Tibetan Plateau | |
De Lannoy et al. | Global assimilation of multiangle and multipolarization SMOS brightness temperature observations into the GEOS-5 catchment land surface model for soil moisture estimation | |
Xiong et al. | Methane plume over south Asia during the monsoon season: satellite observation and model simulation | |
Carvalho et al. | A satellite method to identify structural properties of mesoscale convective systems based on the maximum spatial correlation tracking technique (MASCOTTE) | |
CN113127794B (zh) | 一种北极海冰密集度的计算方法 | |
Grodsky et al. | Tropical Atlantic biases in CCSM4 | |
Zupanski et al. | A prototype WRF-based ensemble data assimilation system for dynamically downscaling satellite precipitation observations | |
CN111257241B (zh) | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 | |
Drusch et al. | Comparing ERA-40-based L-band brightness temperatures with Skylab observations: A calibration/validation study using the Community Microwave Emission Model | |
Yang et al. | Evaluating the impact of the COSMIC RO bending angle data on predicting the heavy precipitation episode on 16 June 2008 during SoWMEX-IOP8 | |
Liu et al. | One-dimensional variational retrieval algorithm of temperature, water vapor, and cloud water profiles from advanced microwave sounding unit (AMSU) | |
Engelen et al. | Characterization of water‐vapour retrievals from TOVS/HIRS and SSM/T‐2 measurements | |
Reale et al. | Impact of adaptively thinned AIRS cloud-cleared radiances on tropical cyclone representation in a global data assimilation and forecast system | |
CN112749494B (zh) | 一种动态积雪深度的获取方法 | |
Chan et al. | Potential impacts of assimilating all-sky satellite infrared radiances on convection-permitting analysis and prediction of tropical convection | |
Bao et al. | Spatiotemporal distributions of cloud parameters and their response to meteorological factors over the Tibetan Plateau during 2003–2015 based on MODIS data | |
Ji et al. | Water vapor retrieval over cloud cover area on land using AMSR-E and MODIS | |
Li et al. | An alternative bias correction scheme for CrIS data assimilation in a regional model | |
CN107894964B (zh) | 一种改进的asi海冰密集度反演算法 | |
Kidwell et al. | Characterization of the variability of the South Pacific convergence zone using satellite and reanalysis wind products | |
Hong et al. | Assimilating Fengyun-4A observations to improve WRF-Chem PM2. 5 predictions in China | |
Shi et al. | Atmospheric influences analysis in passive microwave remote sensing | |
Shen et al. | Assimilation of Himawari-8 imager radiance data with the WRF-3DVAR system for the prediction of Typhoon Soudelor | |
Ling et al. | Interannual meridional displacement of the upper-tropospheric westerly jet over Western East Asia in summer | |
Li et al. | Effects of spatio-temporal landscape patterns on land surface temperature: a case study of Xi’an city, China |
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 |