CN113128058A - 温度廓线的反演方法、装置、可读存储介质和电子设备 - Google Patents
温度廓线的反演方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN113128058A CN113128058A CN202110438598.2A CN202110438598A CN113128058A CN 113128058 A CN113128058 A CN 113128058A CN 202110438598 A CN202110438598 A CN 202110438598A CN 113128058 A CN113128058 A CN 113128058A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- temperature profile
- target
- occultation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001228 spectrum Methods 0.000 claims abstract description 252
- 238000004088 simulation Methods 0.000 claims abstract description 77
- 230000003595 spectral effect Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000002834 transmittance Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 230000017105 transposition Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 1
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本申请涉及气象探测技术领域，提供了一种温度廓线的反演方法、装置、计算机可读存储介质和电子设备，该方法包括：获取掩星观测信息对应的温度廓线样本、温度廓线样本对应的模拟光谱样本和模拟光谱样本对应的温度反演波数；根据模拟光谱样本，确定温度反演波数对应的目标模拟光谱样本；确定目标模拟光谱样本对应的主成分分量；根据温度廓线样本和目标模拟光谱样本对应的主成分分量，确定目标模拟光谱样本对应的回归系数；根据温度廓线样本、目标模拟光谱样本、目标模拟光谱样本对应的回归系数和掩星观测信息中的掩星观测光谱，确定掩星观测光谱对应的温度廓线。通过本申请实施例的技术方案，可降低反演时长，提高反演效率。
Description
技术领域
本申请涉及气象探测技术领域，尤其涉及温度廓线的反演方法、装置、可读存储介质和电子设备。
背景技术
温度廓线是大气热力状态的重要参数，准确高效地获取其时空分布信息是天气预报和气候变化研究的前提。温度廓线也是进行痕量气体反演的基础，温度廓线参数精度会对大气成分反演的精度有直接影响。因此，通常需要对温度廓线进行反演。
目前，主要通过采用了正向辐射传输模型的物理反演方法进行温度廓线的反演。
但是，若进行温度廓线反演的对象是高光谱掩星传感器，则上述采用了正向辐射传输模型的物理反演方法的反演时长相对较长。
发明内容
本申请提供了一种温度廓线的反演方法、装置、计算机可读存储介质和电子设备，可依据主成分分析原理，得到模拟光谱样本对应的主成分分量，从而降低温度反演过程中的数据冗余，降低反演时长，提高反演效率；同时，基于温度反演波数进行温度廓线反演，从而使得反演结果更加精准。
第一方面，本申请实施例提供了一种温度廓线的反演方法，包括：
获取掩星观测信息对应的温度廓线样本、所述温度廓线样本对应的模拟光谱样本和所述模拟光谱样本对应的温度反演波数，所述温度反演波数用于降低温度廓线反演误差；
根据所述模拟光谱样本，确定所述温度反演波数对应的目标模拟光谱样本；
确定所述目标模拟光谱样本对应的主成分分量；
根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数；
根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线。
本申请实施例中，一方面通过主成分分析原理，得到模拟光谱样本对应的主成分分量，从而降低温度廓线反演过程中的数据冗余，降低反演时长，提高反演效率；另一方面，基于温度反演波数进行温度廓线反演，从而使得反演结果更加精准。
在一种可能的实施方式中，所述获取所述模拟光谱样本对应的温度反演波数，包括：
获取所述掩星观测信息对应的掩星模拟光谱；
根据所述掩星观测光谱和所述掩星模拟光谱之间的差异信息，确定所述模拟光谱样本对应的温度反演波数。
在该实施方式中，依据掩星观测光谱与掩星模拟光谱之间的差异，确定用于降低温度反演误差的温度反演波数，从而使得温度廓线的反演结果更加精准。
在一种可能的实施方式中，所述差异信息包括所述掩星观测光谱和所述掩星模拟光谱在相同波数处的透过率差值；
所述温度反演波数对应的透过率差值不大于透过率阈值。
在该实施方式中，依据掩星观测光谱与掩星模拟光谱之间的差异，选取差异值较小的波数作为温度反演波数，从而降低掩星观测光谱中的仪器误差和外界环境误差影响对温度廓线反演结果的影响，使得温度廓线反演结果更加精准。
在一种可能的实施方式中，所述掩星模拟光谱基于所述掩星观测信息、所述掩星观测信息对应的当前大气状态和正向辐射传输模型确定。
在该实施方式中，基于掩星观测信息及其当天的大气状态确定出掩星模拟光谱，从而使得得到的掩星模拟光谱能够较好的贴合实际大气情况，具有相对较高的参考价值。
在一种可能的实施方式中，所述目标模拟光谱样本为从所述模拟光谱样本中提取出的所述温度反演波数对应的光谱数据。
在一种可能的实施方式中，所述确定所述目标模拟光谱样本对应的主成分分量，包括：
通过如下第一公式确定所述目标模拟光谱样本对应的主成分分量；其中，所述第一公式包括：
其中，Z表征所述目标模拟光谱样本对应的主成分分量；Y表征所述目标模拟光谱样本；
表征所述目标模拟光谱样本的中心；U表征所述目标模拟光谱样本正交变换后对应的特征向量；Y为[n×m×h]维矩阵，其中，n表征样本数，h表征切高个数，m表征温度反演波数的个数。
在一种可能的实施方式中，所述根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线，包括：
通过如下第二公式确定所述掩星观测光谱对应的温度廓线；其中，所述第二公式包括：
其中，x表征所述掩星观测光谱对应的温度廓线；
表征所述温度廓线样本的中心；A表征所述目标模拟光谱样本对应的回归系数；U表征所述目标模拟光谱样本正交变换后对应的特征向量；y表征所述掩星观测光谱；
表征所述目标模拟光谱样本的中心；上标T表征矩阵的转置。
在一种可能的实施方式中，所述根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数，包括：
通过如下第三公式确定所述目标模拟光谱样本对应的回归系数；其中，所述第三公式包括：
其中，A表征所述目标模拟光谱样本对应的回归系数；X表征所述温度廓线样本；
表征所述温度廓线样本的中心；Z表征所述目标模拟光谱样本的主成分分量；上标T表征矩阵的转置；上标-1表征矩阵的倒数；X为[n×h]维矩阵，其中，n表征样本数，h表征切高个数。
在一种可能的实施方式中，所述获取掩星观测信息中切高对应的温度廓线样本和模拟光谱样本，包括：
根据选取的月份信息和经纬度信息，对其他传感器大气廓线产品整理得到廓线数据集；
根据掩星观测信息、所述廓线数据集以及正向辐射传播模型，确定所述廓线数据集对应的模拟光谱数据集；
根据掩星观测信息，从所述廓线数据集中确定所述掩星观测光谱对应的温度廓线样本，从所述模拟光谱数据集中确定所述温度廓线样本对应的模拟光谱样本。
在该实施方式中，根据掩星观测信息，从廓线数据集和模拟光谱数据集筛选出符合条件的温度廓线样本和模拟光谱样本，提高样本的参考价值。
第二方面，本申请实施例提供了一种温度廓线的反演装置，包括至少一个处理器，所述处理器用于执行存储器中存储的指令，以实现如第一方面中任一所述的方法。
第三方面，本申请实施例提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
第四方面，本申请实施例提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
附图说明
为了更清楚地说明本申请实施例或现有的技术方案，下面将对实施例或现有技术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中记载的一些实施例，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为本申请一实施例提供的一种温度廓线的反演方法的流程示意图；
图2为本申请一实施例提供的另一种温度廓线的反演方法的流程示意图一；
图3为本申请一实施例提供的一种温度廓线的反演装置的结构示意图；
图4为本申请一实施例提供的另一种温度廓线的反演装置的结构示意图；
图5为本申请一实施例提供的另一种温度廓线的反演方法的流程示意图二；
图6是本申请一实施例中的008717轨的温度廓线(纬度64°S，经度102°E)与MLS官方二级产品的温度廓线的对比示意图；
图7是本申请一实施例中的08717轨温度廓线(纬度64°S，经度102°E)与MLS官方二级产品的温度廓线之间的差值示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1所示，为本申请实施例提供的一种温度廓线的反演方法。该方法可应用在电子设备上，电子设备可以是服务器或一般计算机上。本申请实施例中，所述方法具体包括以下步骤：
步骤101、获取掩星观测信息对应的温度廓线样本、所述温度廓线样本对应的模拟光谱样本和所述模拟光谱样本对应的温度反演波数，所述温度反演波数用于降低温度廓线反演误差。
其中，掩星观测信息包括观测时间、观测时间对应的经纬度、观测时间对应的观测几何、观测时间对应的掩星观测光谱，掩星观测光谱包括多个切高各自对应的光谱数据，对应一条温度廓线。
其中，温度廓线样本可以理解为用于进行温度廓线反演的温度廓线，包括掩星观测信息中多个切高各自对应的温度数据样本，描述温度垂直分布情况。温度廓线样本表述为X，X为[n×h]维矩阵，其中，n表征样本数，h表征切高个数；模拟光谱样本可以理解为用于进行温度廓线反演的温度廓线对应的模拟光谱，包括掩星观测信息中多个切高各自对应的光谱数据样本，描述温度垂直分布的光谱情况。模拟光谱样本表述为Y0，Y0为[n×m×h]维矩阵，其中，n表征样本数，h表征切高个数，m表征模拟光谱样本的波数个数。其中，n表征的样本数具体理解为温度廓线样本中包括的温度廓线的数量。应当理解的，切高个数可以理解为大气层数，每个切高指示一个大气层。
在第一种可行的实施方式中，所述获取掩星观测信息中切高对应的温度廓线样本和模拟光谱样本，包括：
根据选取的月份信息和经纬度信息，对其他传感器大气廓线产品整理得到廓线数据集；
根据掩星观测信息、所述廓线数据集以及正向辐射传播模型，确定所述廓线数据集对应的模拟光谱数据集；
根据掩星观测信息，从所述廓线数据集中确定所述掩星观测光谱对应的温度廓线样本，从所述模拟光谱数据集中确定所述温度廓线样本对应的模拟光谱样本。
具体的，根据月份、纬度间隔和经度间隔，对其他传感器采集的大气廓线数据进行整理，从而将大气廓线数据根据不同的月份和经纬度分类入库，得到廓线数据集；作为一个示例，根据月份信息，纬度间隔为5°，经度间隔为30°，将样本掩星观测信息对应的廓线数据集进行整理，得到逐月，5°纬度格网，30°经度格网的廓线数据集；然后，依据掩星观测信息、廓线数据集和正向辐射传输模型，生成廓线数据集对应的模拟光谱数据集；其中，正向辐射传输模型是在给定某一大气状态的前提下，对掩星观测不同切高上的太阳透过率光谱进行计算。本文采用RFM作为正向辐射传输模型。该辐射传输模型可以应用于任何观测几何(天底、临边、掩星)和任何观测位置(空基、地基、星基、水下)的光谱模拟。需要说明的是，正向辐射传输模型中的切高与掩星观测信息中的切高保持一致。之后，考虑到由于不同掩星观测信息中的切高具有变化性，因此，根据掩星观测信息中的月份、经纬度和切高，筛选出与掩星观测信息中位于相同切高、月份及经纬度的温度廓线样本和模拟光谱样本，使其适用于掩星观测信息，提高样本的参考价值。需要说明的是，为了得到包含更多客观、准确、多样数据的廓线数据集，本申请实施例中的廓线数据集是经过质量筛选的，从而使得廓线数据集中的廓线数据可靠性较高；比如，可以得到每一条大气廓线的描述信息以及每条大气廓线对应的质量参考的描述信息，基于对描述信息之间的比对实现对大气廓线的筛选。
应当理解的，廓线数据集可以包括所有的大气廓线，也可以仅仅包括温度廓线，还可以包括温度廓线以及和温度廓线关系较为密切的其他大气廓线，本申请实施例对此不做具体限定，具体需要结合实际需求确定。其中，大气廓线是描述大气中风向、风速、温度、湿度诸气象要素或污染物浓度垂直分布的曲线或函数。根据大气中成分的分类，大气廓线可以包含：温度廓线，风廓线，湿度廓线，臭氧廓线，二氧化碳廓线，一氧化碳廓线，氯化氢廓线，HF廓线，HNO3廓线等。
需要说明的是，针对不同掩星观测信息，每次均需要从廓线数据集和模拟光谱数据集中进行筛选，确保温度廓线样本和模拟光谱样本的参考价值，同时，确定样本的过程仅仅涉及到了筛选过程，能够确保反演效率。
具体的，其他传感器指的是采集掩星观测信息的传感器之外的，用于采集大气廓线的传感器。
在第二种可行的实施方式中，所述获取掩星观测信息中切高对应的温度廓线样本和模拟光谱样本，包括：
根据选取的月份信息和经纬度信息，对其他传感器大气廓线产品整理得到廓线数据集；
根据掩星观测信息，从所述廓线数据集中确定所述掩星观测光谱对应的温度廓线样本；
根据掩星观测信息、所述温度廓线样本以及正向辐射传播模型，确定所述温度廓线样本对应的模拟光谱样本。
该实施方式中，根据掩星观测信息，从廓线数据集中筛选出符合条件的温度廓线样本，对符合条件的温度廓线样本进行光谱模拟，得到符合条件的模拟光谱样本，使其适用于掩星观测数据。应当理解，针对不同掩星观测信息，每次均需要从廓线数据集进行筛选计算，由于确定模拟光谱样本的过程涉及到了筛选计算，其反演效率低于前述第一种实施方式。
在一种可能的实施方式中，所述获取掩星观测信息对应的温度反演波数，包括：
获取所述掩星观测信息对应的掩星模拟光谱；
根据所述掩星观测光谱和所述掩星模拟光谱之间的差异信息，确定温度反演波数。
其中，掩星模拟光谱指示了对掩星观测信息对应的温度廓线进行光谱模拟得到的模拟光谱。可选地，根据所述掩星观测信息、所述掩星观测信息对应的当前大气状态和正向辐射传输模型，获取掩星模拟光谱。具体的，当前大气状态包括所有的当前大气廓线，则根据正向辐射传输模型、掩星观测信息中的所有切高以及掩星观测信息对应的多个当前大气廓线，得到掩星观测信息对应的掩星模拟光谱，掩星模拟光谱包括多个切高各自对应的光谱数据。需要说明的是，当前大气廓线可以实测得到，也可以获取已经公开的测量好的大气廓线，本申请实施例对此不做具体限定。
在得到掩星模拟光谱之后，根据掩星观测光谱和掩星模拟光谱之间的差异信息，得到用于降低温度廓线反演误差的若干个温度反演波数。其中，差异信息包括掩星观测光谱和掩星模拟光谱在相同波数处的透过率差值，应当理解，差异信息包括多个透过率差值，不同透过率差值对应不同的波数；对应的，每个温度反演波数各自对应的透过率差值均不大于透过率阈值；可选地，透过率阈值可以人为提前设定，也可以通过人工智能算法训练得到；其中，人工智能算法基于透过率阈值预测温度廓线，并确定预测的温度廓线和标准的温度廓线之间的误差，然后最小化该误差，从而得到透过率阈值。需要说明的是，温度反演波数有多个，包括所有切高各自对应的若干个温度反演波数。
步骤102、根据所述模拟光谱样本，确定所述温度反演波数对应的目标模拟光谱样本。
本申请实施例在得到了温度反演波数后，从模拟光谱样本中提取出温度反演波数对应的光谱数据，并将其确定为温度反演波数对应的目标模拟光谱样本。其中，目标模拟光谱样本表述为Y，Y为[n×m×h]维矩阵，其中，n表征样本数，h表征切高个数，m表征温度反演波数的个数。应当理解的，不同切高对应的温度反演波数的个数可能不同。
步骤103、确定所述目标模拟光谱样本对应的主成分分量。
本申请实施例中，可通过如下公式(1)计算目标模拟光谱样本对应的主成分分量：
其中，Z表征目标模拟光谱样本对应的主成分分量；Y表征目标模拟光谱样本；
表征目标模拟光谱样本的中心；U表征目标模拟光谱样本正交变换后对应的特征向量。这里，
指的是目标模拟光谱样本Y中各切高各自对应的光谱数据的平均值。
具体的，特征向量的实现方法如下：计算Yi的协方差矩阵R；解特征方程|λYi-R|＝0，得到特征值，并使特征值按照大小顺序排列，即λ1≥λ2≥…≥λp≥0，然后求出对应于特征值λi的特征向量ei(i＝1，2，...，p)；用特征值累积贡献率85％来作为选择标准在已经确定的多个主成分中，合理选取前a个主成分，U为由λ1，λ2，...，λa各自对应的特征向量形成的矩阵，应当理解，累积贡献率达到一定的数值，保证特征提取的主成分中包含Y中的绝大多数信息。
需要说明的是，主成分分析方法为现有技术，上述仅仅示出了一种主成分分析方法，任何现有技术中的主成分分析方法皆可。
在实际应用中，可通过如下公式(2)确定掩星观测光谱中每个切高各自对应的主成分分量：
其中，Zi表征第i个切高对应在目标模拟光谱样本的主成分分量；Yi表征第i个切高对应在目标模拟光谱样本的光谱数据；
表征第i个切高对应在目标模拟光谱样本的光谱数据的中心；Ui表征第i个切高正交变换后对应的特征向量。这里，
指的是第i个切高对应在目标模拟光谱样本的光谱数据的平均值。其中，Yi为[n×q(h)]维矩阵，其中，n为样本数，q(h)为第i个切高的温度反演波数的个数，则Yi包括第i个切高对应在n个样本上的光谱数据，下文以Yi作为第i个切高对应在目标模拟光谱样本的光谱数据进行描述。Ui为第i个切高对应在λ1，λ2，...，λa的特征向量。
然后，根据每个切高各自对应的主成分分量，确定目标模拟光谱样本Y对应的主成分分量Z。
步骤104、根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数。
本申请实施例可通过如下公式(3)计算目标模拟光谱样本对应的主成分分量：
其中，A表征目标模拟光谱样本对应的回归系数；
表征温度廓线样本的中心；Z表征目标模拟光谱样本的主成分分量；上标T表征矩阵的转置；上标-1表征矩阵的倒数。
在实际应用中，可以通过如下公式(4)确定掩星观测光谱中每个切高各自对应的回归系数：
其中，Ai表征第i个切高对应的回归系数；Xi表征第i个切高对应在温度廓线样本的温度数据；
表征第i个切高对应在温度廓线样本的温度数据的中心；Zi表征第i个切高对应在目标模拟光谱样本的主成分分量；上标T表征矩阵的转置；上标-1表征矩阵的倒数。这里，
指的是第i个切高对应的Xi的平均值；Xi包括第i个切高对应在n个样本上的温度数据，下文以Xi表示第i个切高对应在温度廓线样本的温度数据进行描述。
然后，根据掩星观测光谱中每个切高各自对应的回归系数，确定目标模拟光谱样本Y对应的回归系数A。
步骤105、根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线。
本申请实施例中可通过如下公式(5)计算掩星观测信息对应的温度廓线：
其中，x表征温度廓线；
表征温度廓线样本的中心；A表征目标模拟光谱样本对应的回归系数；U表征目标模拟光谱样本正交变换后对应的特征向量；y表征掩星观测光谱；
表征目标模拟光谱样本的中心。
在实际应用中，具体可通过如下公式(6)确定掩星观测光谱中每个切高各自对应的温度值：
其中，xi表征第i个切高对应的温度值；
表征第i个切高对应在温度廓线样本的温度数据的中心；Ai表征第i个切高对应的回归系数；yi表征第i个切高对应在掩星观测光谱的光谱数据；
表征第i个切高对应在目标模拟光谱样本的光谱数据的中心；上标T表征矩阵的转置。
参见上文描述。
在获取到掩星观测信息中每个切高各自对应的温度值之后，根据切高及其对应的温度值绘制折线图，从而得到掩星观测信息对应的温度廓线。
通过以上技术方案可知，本实施例存在的有益效果是：
一方面，通过主成分分析原理，得到模拟光谱样本对应的主成分分量，从而降低温度廓线反演过程中的数据冗余，降低反演时长，提高反演效率；
另一方面，基于温度反演波数进行温度廓线模拟，从而使得反演结果更加精准。
图1所示仅为本申请所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本申请所述温度廓线的反演方法的另一个具体实施例。本实施例在前述实施例的基础上，以AIUS掩星传感器的一轨观测光谱008417(纬度64°S，经度102°E)为例，结合图5进行具体描述，并将温度反演的结果与MLS V4.2官方温度产品相对比。所述方法具体包括以下步骤：
步骤201、根据选取的月份信息和经纬度信息，对其他传感器大气廓线产品整理得到廓线数据集；根据掩星观测信息、所述廓线数据集以及正向辐射传播模型，确定所述廓线数据集对应的模拟光谱数据集。
选用MLS Level2 v4.2廓线产品，整个数据共1243182个廓线样本，时间范围为2019年1月-2019年12月，空间范围从北纬82度-南纬82度，并依据MLS Level2产品说明对大气廓线数据进行数据-筛选。根据掩星观测信息中的切高、观测几何、正向模型(正向辐射传输模型)和廓线数据集，得到廓线数据集对应的模拟光谱数据集；整理得到逐月的，5°纬度间隔，30°经度间隔存储后的廓线数据集和模拟光谱数据集。
步骤202、根据掩星观测信息，从所述廓线数据集中确定所述掩星观测光谱对应的温度廓线样本，从所述模拟光谱数据集中确定所述温度廓线样本对应的模拟光谱样本。
由于不同掩星观测数据的切高具有变化性，因此，根据掩星观测信息中的观测时间、经纬度和切高，筛选出与掩星观测信息的切高、月份和经纬度相同的温度廓线样本X和模拟光谱样本Y0，温度廓线样本X和模拟光谱样本Y0所包含的样本数相同，均为120。由温度廓线样本X和模拟光谱样本Y0共同组成训练集。
步骤203、根据所述掩星观测信息、所述掩星观测信息对应的当前大气状态和正向辐射传输模型，获取所述掩星观测信息对应的掩星模拟光谱。
在RFM中输入008417轨的切高(11.4km、12.7km、17.4km、18.1km、18.8km、22.9km、27.5km、31.3km、35.7km、40.9km、46.5km、52.5km、58.1km、63.7km、69.3km、74.9km、80.5km、86.1km)以及当天大气状态，得到008417轨对应的掩星模拟光谱。
步骤204、根据所述掩星观测信息中的掩星观测光谱和所述掩星模拟光谱之间的差异信息，确定所述模拟光谱样本对应的温度反演波数，所述温度反演波数用于降低温度廓线反演误差。
对掩星观测光谱与掩星模拟光谱对应在同一波数处的透过率进行作差，得到多个透过率差值；当掩星观测光谱中的切高低于40km时，若波数对应的透过率差值小于0.005，则将该透过率差值对应的波数确定为温度反演波数；当掩星观测光谱中的切高大于40km，若波数对应的透过率差值小于0.003，则将该透过率差值对应的波数确定为温度反演波数；从而得到每个切高各自对应的多个温度反演波数，实现温度反演波数选择。
步骤205、从所述模拟光谱样本中提取出所述温度反演波数对应的光谱数据，以确定所述温度反演波数对应的目标模拟光谱样本；对所述目标模拟光谱样本进行主成分分析，以确定所述目标模拟光谱样本的主成分分量。
提取模拟光谱样本上温度反演波数对应的光谱数据，将多个温度反演波数各自对应的光谱数据，确定为目标模拟光谱样本Y。根据上述公式(2)计算得到每个切高各自对应在目标模拟光谱样本的主成分分量，实现对目标模拟光谱样本的主成分分析，以确定目标模拟光谱的主成分分量。
步骤206、根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数。
根据上述公式(4)计算得到每个切高各自对应的回归系数，从而得到目标模拟光谱对应的回归系数。
在实际应用中，会先对温度廓线样本进行中心化，得到第i个切高各自对应的中心化后的廓线样本：
然后基于每个切高各自对应的中心化后的廓线样本和目标模拟光谱样本的主成分分量，得到每个切高各自对应的回归系数，从而得到目标模拟光谱样本对应的回归系数。
步骤207、根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线。
将卫星观测光谱(即本申请实施例中的掩星观测光谱)和目标模拟光谱样本对应的回归系数带入上述公式(6)计算得到每个切高各自对应的温度值。然后，绘制切高-温度折线图，从而得到掩星观测信息对应的温度廓线。图6是本申请一实施例中的008717轨的温度廓线(纬度64°S，经度102°E)与MLS官方二级产品的温度廓线的对比示意图，数字1表示表示MLS官方二级产品的温度廓线产品结果，数据2表示温度廓线的反演结果，Altitude表示切高，Temperature表示温度。从图6可以看出，使用本申请的反演算法，反演结果与MLS官方二级产品的温度廓线一致性较好，进而能够根据不同高度层上的光谱特征，反映温度变化趋势。
进一步地，图7是本申请一实施例中的08717轨温度廓线(纬度64°S，经度102°E)与MLS官方二级产品的温度廓线之间的差值示意图。
从图7可以看出，本申请的温度廓线的反演结果与官方产品的相对误差较小，在70km以下，温度差值在[-1,2]之间，随着高度的增加，误差幅度增大。
本申请实施例依据掩星观测光谱与掩星模拟光谱之间的差异，选取差异值较小的波数作为温度反演波数，从而降低掩星观测光谱中的仪器误差和外界环境误差影响对温度廓线反演结果的影响，使得的反演结果更加精准；依据主成分分析原理，得到温度反演波数的目标模拟光谱样本的主成分分量，从而降低温度反演过程中的数据冗余，降低反演时长，提高反演效率。
上文详细介绍了本申请提供的一种温度廓线的反演方法的示例。可以理解的是，温度廓线的反演装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请可以根据上述方法示例对检测装置进行功能单元的划分，例如，可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
例如，图3所示的温度廓线的反演装置300中包括处理单元301。
在一种可能的实施方式中，处理单元301，用于获取掩星观测信息对应的温度廓线样本、所述温度廓线样本对应的模拟光谱样本和所述模拟光谱样本对应的温度反演波数，所述温度反演波数用于降低温度廓线反演误差；根据所述模拟光谱样本，确定所述温度反演波数对应的目标模拟光谱样本；确定所述目标模拟光谱样本对应的主成分分量；根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数；根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线。
在一种可能的实施方式中，处理单元301用于获取所述掩星观测信息对应的掩星模拟光谱；根据所述掩星观测光谱和所述掩星模拟光谱之间的差异信息，确定温度反演波数。
在一种可能的实施方式中，所述差异信息包括所述掩星观测光谱和所述掩星模拟光谱在相同波数处的透过率差值；所述温度反演波数对应的透过率差值不大于透过率阈值；所述掩星模拟光谱基于所述掩星观测信息、所述掩星观测信息对应的当前大气状态和正向辐射传输模型确定；所述目标模拟光谱样本为从所述模拟光谱样本中提取出的所述温度反演波数对应的光谱数据。
在一种可能的实施方式中，处理单元301用于通过如下第一公式确定所述目标模拟光谱样本对应的主成分分量；其中，所述第一公式包括：
其中，Z表征所述目标模拟光谱样本对应的主成分分量；Y表征所述目标模拟光谱样本；
表征所述目标模拟光谱样本的中心；U表征所述目标模拟光谱样本正交变换后对应的特征向量；Y为[n×m×h]维矩阵，其中，n表征样本数，h表征切高个数，m表征温度反演波数的个数。
在一种可能的实施方式中，处理单元301用于通过如下第二公式确定所述掩星观测光谱对应的温度廓线；其中，所述第二公式包括：
其中，x表征所述掩星观测光谱对应的温度廓线；
表征所述温度廓线样本的中心；A表征所述目标模拟光谱样本对应的回归系数；U表征所述目标模拟光谱样本正交变换后对应的特征向量；y表征所述掩星观测光谱；
表征所述目标模拟光谱样本的中心；上标T表征矩阵的转置。
在一种可能的实施方式中，处理单元301用于通过如下第三公式确定所述目标模拟光谱样本对应的回归系数；其中，所述第三公式包括：
其中，A表征所述目标模拟光谱样本对应的回归系数；X表征所述温度廓线样本；
表征所述温度廓线样本的中心；Z表征所述目标模拟光谱样本的主成分分量；上标T表征矩阵的转置；上标-1表征矩阵的倒数；X为[n×h]维矩阵，其中，n表征样本数，h表征切高个数。
在一种可能的实施方式中，处理单元301用于根据选取的月份信息和经纬度信息，对其他传感器大气廓线产品整理得到廓线数据集；根据掩星观测信息、所述廓线数据集以及正向辐射传播模型，确定所述廓线数据集对应的模拟光谱数据集；根据掩星观测信息，从所述廓线数据集中确定所述掩星观测光谱对应的温度廓线样本，从所述模拟光谱数据集中确定所述温度廓线样本对应的模拟光谱样本。
图4示出了本申请实施例提供的另一种温度廓线的反演装置400的结构示意图。温度廓线的反演装置400可用于实现上述方法实施例中描述的一种温度廓线的反演方法。温度廓线的反演装置400可以是芯片、终端、服务器或者能够进行数据处理的设备等。
温度廓线的反演装置400包括一个或多个处理器401，该一个或多个处理器401可支持温度廓线的反演装置实现本申请实施例中所述的温度廓线的反演方法，例如图1或图2所示的方法。处理器401执行存储器所存放的执行指令，以通过执行的执行指令实现本申请任一实施例中提供的一种温度廓线的反演方法。
可选地，温度廓线的反演装置400中可以包括一个或多个存储器402，其上存有程序(也可以是指令或者代码)，程序可被处理器401运行，使得处理器401执行上述方法实施例中描述的方法。可选地，存储器402中还可以存储有数据。可选地，处理器401还可以读取存储器402中存储的数据(例如，预定义的信息)，该数据可以与程序存储在相同的存储地址，该数据也可以与程序存储在不同的存储地址。处理器401和存储器402可以单独设置，也可以集成在一起，例如，集成在单板或者系统级芯片(system on chip，SOC)上。存储器402可能包含内存4021，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等。当处理器401执行存储器402存储的执行指令时，处理器401执行本申请任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
可选地，温度廓线的反演装置400还包括内部总线403以及网络接口404。其中，处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该反演装置400还可能包括其他业务所需要的硬件。
应理解，上述方法实施例的各步骤可以通过处理器401中的硬件形式的逻辑电路或者软件形式的指令完成。处理器401可以是CPU、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其它可编程逻辑器件，例如，分立门、晶体管逻辑器件或分立硬件组件。
本领域内的技术人员应明白，本申请的实施例可提供为方法或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种温度廓线的反演方法，其特征在于，包括：
获取掩星观测信息对应的温度廓线样本、所述温度廓线样本对应的模拟光谱样本和所述模拟光谱样本对应的温度反演波数，所述温度反演波数用于降低温度廓线反演误差；
根据所述模拟光谱样本，确定所述温度反演波数对应的目标模拟光谱样本；
确定所述目标模拟光谱样本对应的主成分分量；
根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数；
根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线。
2.根据权利要求1所述的方法，其特征在于，所述获取所述模拟光谱样本对应的温度反演波数，包括：
获取所述掩星观测信息对应的掩星模拟光谱；
根据所述掩星观测光谱和所述掩星模拟光谱之间的差异信息，确定所述模拟光谱样本对应的温度反演波数。
3.根据权利要求2所述的方法，其特征在于，所述差异信息包括所述掩星观测光谱和所述掩星模拟光谱在相同波数处的透过率差值；
所述温度反演波数对应的透过率差值不大于透过率阈值；
所述掩星模拟光谱基于所述掩星观测信息、所述掩星观测信息对应的当前大气状态和正向辐射传输模型确定；
所述目标模拟光谱样本为从所述模拟光谱样本中提取出的所述温度反演波数对应的光谱数据。
4.根据权利要求1所述的方法，其特征在于，所述确定所述目标模拟光谱样本对应的主成分分量，包括：
通过如下第一公式确定所述目标模拟光谱样本对应的主成分分量；其中，所述第一公式包括：
其中，Z表征所述目标模拟光谱样本对应的主成分分量；Y表征所述目标模拟光谱样本；
表征所述目标模拟光谱样本的中心；U表征所述目标模拟光谱样本正交变换后对应的特征向量；Y为[n×m×h]维矩阵，其中，n表征样本数，h表征切高个数，m表征温度反演波数的个数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述温度廓线样本、所述目标模拟光谱样本、所述目标模拟光谱样本对应的回归系数和所述掩星观测信息中的掩星观测光谱，确定所述掩星观测光谱对应的温度廓线，包括：
通过如下第二公式确定所述掩星观测光谱对应的温度廓线；其中，所述第二公式包括：
其中，x表征所述掩星观测光谱对应的温度廓线；
表征所述温度廓线样本的中心；A表征所述目标模拟光谱样本对应的回归系数；U表征所述目标模拟光谱样本正交变换后对应的特征向量；y表征所述掩星观测光谱；
表征所述目标模拟光谱样本的中心；上标T表征矩阵的转置。
6.根据权利要求1所述的方法，其特征在于，所述根据所述温度廓线样本和所述目标模拟光谱样本对应的主成分分量，确定所述目标模拟光谱样本对应的回归系数，包括：
通过如下第三公式确定所述目标模拟光谱样本对应的回归系数；其中，所述第三公式包括：
其中，A表征所述目标模拟光谱样本对应的回归系数；X表征所述温度廓线样本；
表征所述温度廓线样本的中心；Z表征所述目标模拟光谱样本的主成分分量；上标T表征矩阵的转置；上标-1表征矩阵的倒数；X为[n×h]维矩阵，其中，n表征样本数，h表征切高个数。
7.根据权利要求1所述的方法，其特征在于，所述获取掩星观测信息对应的温度廓线样本、所述温度廓线样本对应的模拟光谱样本，包括：
根据选取的月份信息和经纬度信息，对其他传感器大气廓线产品整理得到廓线数据集；
根据掩星观测信息、所述廓线数据集以及正向辐射传播模型，确定所述廓线数据集对应的模拟光谱数据集；
根据掩星观测信息，从所述廓线数据集中确定所述掩星观测光谱对应的温度廓线样本，从所述模拟光谱数据集中确定所述温度廓线样本对应的模拟光谱样本。
8.一种温度廓线的反演装置，其特征在于，包括至少一个处理器，所述处理器用于执行存储器中存储的执行指令，以实现权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行权利要求1-7中任一项的所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110438598.2A CN113128058B (zh) | 2021-04-22 | 2021-04-22 | 温度廓线的反演方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110438598.2A CN113128058B (zh) | 2021-04-22 | 2021-04-22 | 温度廓线的反演方法、装置、可读存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113128058A true CN113128058A (zh) | 2021-07-16 |
| CN113128058B CN113128058B (zh) | 2024-06-21 |
Family
ID=76779417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110438598.2A Active CN113128058B (zh) | 2021-04-22 | 2021-04-22 | 温度廓线的反演方法、装置、可读存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128058B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117269996A (zh) * | 2023-08-24 | 2023-12-22 | 中国科学院国家空间科学中心 | 掩星接收机的基带处理电路、掩星接收机、数据处理方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6850862B1 (en) * | 1999-10-22 | 2005-02-01 | Meta Instruments Srl | Methods and equipment for the measurement of the three-dimensional distribution of the temperatures within dielectric means |
| CN103577651A (zh) * | 2013-11-18 | 2014-02-12 | 河海大学 | 一种智能化的批量生成及处理任意形状截面等值线云图的方法 |
| CN103675792A (zh) * | 2013-12-06 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | CrIS超光谱数据的臭氧廓线快速反演方法 |
| CN103901475A (zh) * | 2014-03-31 | 2014-07-02 | 中国石油天然气股份有限公司 | 一种属性等值线图绘制方法及装置 |
| CN107491588A (zh) * | 2017-07-17 | 2017-12-19 | 中国科学院遥感与数字地球研究所 | 一种温压廓线的反演方法和系统 |
| CN107505632A (zh) * | 2017-08-18 | 2017-12-22 | 中国科学院遥感与数字地球研究所 | 一种温压廓线与切高联合反演方法 |
| CN109063317A (zh) * | 2018-07-27 | 2018-12-21 | 燕山大学 | 一种冷轧带材板形在线云图绘制方法 |
| US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
| CN109387487A (zh) * | 2018-12-18 | 2019-02-26 | 成都信息工程大学 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
| CN110210006A (zh) * | 2019-06-11 | 2019-09-06 | 秒针信息技术有限公司 | 一种数据筛选方法及数据筛选装置 |
| 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 |
| CN111398179A (zh) * | 2020-04-07 | 2020-07-10 | 中国科学院空天信息创新研究院 | 针对gf-aius掩星探测基于查找表的切高校正方法 |
-
2021
- 2021-04-22 CN CN202110438598.2A patent/CN113128058B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6850862B1 (en) * | 1999-10-22 | 2005-02-01 | Meta Instruments Srl | Methods and equipment for the measurement of the three-dimensional distribution of the temperatures within dielectric means |
| CN103577651A (zh) * | 2013-11-18 | 2014-02-12 | 河海大学 | 一种智能化的批量生成及处理任意形状截面等值线云图的方法 |
| CN103675792A (zh) * | 2013-12-06 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | CrIS超光谱数据的臭氧廓线快速反演方法 |
| CN103901475A (zh) * | 2014-03-31 | 2014-07-02 | 中国石油天然气股份有限公司 | 一种属性等值线图绘制方法及装置 |
| US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
| CN107491588A (zh) * | 2017-07-17 | 2017-12-19 | 中国科学院遥感与数字地球研究所 | 一种温压廓线的反演方法和系统 |
| CN107505632A (zh) * | 2017-08-18 | 2017-12-22 | 中国科学院遥感与数字地球研究所 | 一种温压廓线与切高联合反演方法 |
| CN109063317A (zh) * | 2018-07-27 | 2018-12-21 | 燕山大学 | 一种冷轧带材板形在线云图绘制方法 |
| CN109387487A (zh) * | 2018-12-18 | 2019-02-26 | 成都信息工程大学 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
| CN110210006A (zh) * | 2019-06-11 | 2019-09-06 | 秒针信息技术有限公司 | 一种数据筛选方法及数据筛选装置 |
| 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 |
| CN111398179A (zh) * | 2020-04-07 | 2020-07-10 | 中国科学院空天信息创新研究院 | 针对gf-aius掩星探测基于查找表的切高校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹西凤等: "星载红外高光谱传感器温度廓线反演综述", 《遥感学报》, pages 577 - 598 * |
| 胡馨月等: "基于主成分回归的温度分布反演研究", 《光谱学与光谱分析》, pages 2789 - 2793 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117269996A (zh) * | 2023-08-24 | 2023-12-22 | 中国科学院国家空间科学中心 | 掩星接收机的基带处理电路、掩星接收机、数据处理方法 |
| CN117269996B (zh) * | 2023-08-24 | 2024-04-26 | 中国科学院国家空间科学中心 | 掩星接收机的基带处理电路、掩星接收机、数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113128058B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmed et al. | Selection of multi-model ensemble of general circulation models for the simulation of precipitation and maximum and minimum temperature based on spatial assessment metrics | |
| CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
| US11488069B2 (en) | Method for predicting air quality with aid of machine learning models | |
| Pereira et al. | Development of an ANN based corrective algorithm of the operational ECMWF global horizontal irradiation forecasts | |
| Huang et al. | Assessing model performance of daily solar irradiance forecasts over Australia | |
| Raeder et al. | DART/CAM: An ensemble data assimilation system for CESM atmospheric models | |
| Torrielli et al. | Extreme wind speeds from long-term synthetic records | |
| Slamova et al. | Mapping atmospheric corrosion in coastal regions: methods and results | |
| Carrier et al. | Impact of assimilating ocean velocity observations inferred from Lagrangian drifter data using the NCOM-4DVAR | |
| Huang et al. | Assessing the value of simulated regional weather variability in solar forecasting using numerical weather prediction | |
| Kunii et al. | Estimating the impact of real observations in regional numerical weather prediction using an ensemble Kalman filter | |
| Van de Boer et al. | Detection of entrainment influences on surface-layer measurements and extension of Monin–Obukhov similarity theory | |
| CN110458338B (zh) | 一种基于再分析资料的海面高度中长期统计预测方法 | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| Jia et al. | Diagnosis of multiyear predictability on continental scales | |
| Guan et al. | Development of verification methodology for extreme weather forecasts | |
| CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| CN113128058B (zh) | 温度廓线的反演方法、装置、可读存储介质和电子设备 | |
| Yano et al. | Estimations of mass fluxes for cumulus parameterizations from high-resolution spatial data | |
| Ballav et al. | Assessment of spatio-temporal distribution of CO 2 over greater Asia using the WRF–CO 2 model | |
| CN103499846A (zh) | 对天气状况进行预测的方法和设备 | |
| CN117473752A (zh) | 一种大气廓线构建方法、系统及介质 | |
| KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
| Liu et al. | Gridded statistical downscaling based on interpolation of parameters and predictor locations for summer daily precipitation in North 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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221010 Address after: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences Applicant after: NATIONAL SATELLITE METEOROLOGICAL CENTER Address before: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing Applicant before: Aerospace Information Research Institute,Chinese Academy of Sciences |
|
| GR01 | Patent grant |