CN113311510A - 一种基于模拟亮温的mwhts观测亮温的分类方法 - Google Patents
一种基于模拟亮温的mwhts观测亮温的分类方法 Download PDFInfo
- Publication number
- CN113311510A CN113311510A CN202110508746.3A CN202110508746A CN113311510A CN 113311510 A CN113311510 A CN 113311510A CN 202110508746 A CN202110508746 A CN 202110508746A CN 113311510 A CN113311510 A CN 113311510A
- Authority
- CN
- China
- Prior art keywords
- mwhts
- bright temperature
- temperature
- bright
- data set
- 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 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 description 17
- 238000001514 detection method Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004291 sulphur dioxide Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- G01J5/60—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature
-
- 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
- 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
一种基于模拟亮温的MWHTS观测亮温的分类方法,属于微波遥感技术领域。针对我国风云三号C星和D星搭载的重要载荷——微波湿温探测仪(MWHTS),本发明提供一种基于模拟亮温的MWHTS观测亮温的分类方法,所述方法包括建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集;以大气参数中的云水总含量为参考值,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集;求解MWHTS模拟亮温与MWHTS观测亮温之间的亮温差值的绝对值,获得亮温差值绝对值;以参考晴空数据集和参考雨天数据集中的数据量为参考,分别建立基于亮温差值绝对值的晴空阈值和雨天阈值,进而获得MWHTS晴空观测亮温、MWHTS云天观测亮温和MWHTS雨天观测亮温。
Description
技术领域
本发明涉及微波遥感技术领域,尤其涉及一种基于模拟亮温的MWHTS观测亮温的分类方法。
背景技术
微波辐射计可探测大气温度、湿度、云水信息以及雨水信息等大气参数,微波辐射计观测亮温与大气参数之间的映射关系可用微波辐射传输方程表示。当微波辐射计对不同大气条件下的大气参数进行探测时,相应的微波辐射传输方程的非线性强度有很大不同。在晴空大气中,微波辐射计主要探测的是大气的温度和湿度信息,其观测亮温与大气温度和湿度之间的映射关系相对简单,然而一旦有云出现在探测路径中,云的吸收和散射效应会使微波辐射传输方程的非线性增强,而当探测路径中有降雨存在时,微波辐射传输方程的非线性会进一步增强。微波辐射计观测亮温的应用分为反演应用和正演应用,当使用微波辐射计观测亮温反演各种大气参数时,如果能对观测亮温按照不同的大气条件进行分类,便能更加准确的描述不同大气参数与观测亮温之间的映射关系,进而获得更高的大气参数的反演精度。对于正演应用来说,对微波辐射计观测亮温进行分类处理,尤其晴空观测亮温的选择,对于微波辐射计通道的探测能力评估、数据质量评价以及硬件开发具有重要的理论指导意义。
目前,对于微波辐射计的反演应用来说,只能使用微波辐射计观测亮温本身的数据特征进行分类,微波辐射计的反演应用才能工程实现。然而,对于微波辐射计的正演应用来说,微波辐射计的观测亮温分类是使用第三方数据源来实现的,如红外云产品、气候学数据集中的云量参数或者云水总含量等。对于使用第三方数据源进行微波辐射计观测亮温分类存在两个弊端:第一个弊端是第三方数据源本身存在一定的误差,影响分类的准确性;第二个弊端是对于采用交轨扫描方式的微波辐射计而言,其探测路径是倾斜的,而气候学数据集中的云量参数以及云水总量都是垂直方向的积分含量,因此,以气候学数据集中的大气参数进行微波辐射计观测亮温的分类,分类效果较差。
微波湿温探测仪(MWHTS)是风云三号C星D星上的重要载荷,采用对地张角±53.35°的交轨扫描方式进行大气探测,在数值天气预报、气候学研究以及极端天气预测与分析等领域发挥了重要作用。MWHTS 98%以上的观测亮温均是对倾斜路径上的大气信息的探测,因此使用气候学数据集中的大气参数进行MWHTS观测亮温的分类的准确性差。在MWHTS观测亮温的正演应用中,MWHTS观测亮温的分类效果是使用辐射传输模型对模拟亮温的计算精度来评价的,对于分类后晴空和云天条件下的辐射计观测亮温,如果微波辐射传输模型的模拟亮温的计算精度越高,分类效果越好。而对于雨天条件下的MWHTS观测亮温,由于辐射传输模型在计算模拟亮温时忽略了雨的散射效应,那么模拟亮温的计算精度越差则表示该组模拟亮温对应的观测亮温越有可能是雨天观测亮温,因此微波辐射传输模型的模拟亮温计算精度越差,则表示雨天观测亮温分类效果越好。从MWHTS观测亮温的分类效果评价的角度出发,可对MWHTS观测亮温进行MWHTS模拟亮温的计算,基于MWHTS观测亮温与模拟亮温之间的亮温差值设置MWHTS观测亮温的在不同大气条件下的分类阈值。
发明内容
为解决上述技术问题,本发明提供一种基于模拟亮温的MWHTS观测亮温的分类方法,使用MWHTS模拟亮温对不同大气条件下的MWHTS观测亮温进行分类。首先,建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集;其次,以匹配数据集中的大气参数中的云水总含量为参考值,建立MWHTS观测亮温的参考晴空数据集和参考雨天数据集;然后,求解MWHTS模拟亮温与MWHTS观测亮温之间的差值的绝对值,获得亮温差值绝对值;最后,以参考晴空数据集和参考雨天数据集中的数据量为参考,分别建立基于亮温差值绝对值的晴空阈值和雨天阈值,实现MWHTS观测亮温在晴空、云天和雨天条件下的数据分类,分类效果好且方法操作简单易行。
为实现上述技术目的,一种基于模拟亮温的MWHTS观测亮温的分类方法,包括以下步骤:
步骤一: 建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集;
步骤二:以匹配数据集中的大气参数中的云水总含量为分类参考值,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集;
步骤三:求解MWHTS模拟亮温与MWHTS观测亮温之间的差值的绝对值,获得亮温差值绝对值;
步骤四:以参考晴空数据集和参考雨天数据集中的数据量为参考,分别建立晴空阈值和雨天阈值,当匹配数据集中每组亮温差值绝对值的最大值小于或等于晴空阈值时,选择该组MWHTS观测亮温为MWHTS晴空观测亮温,当匹配数据集中每组亮温差值绝对值的最大值大于雨天阈值时,选择该组MWHTS观测亮温为MWHTS雨天观测亮温,剩下的MWHTS观测亮温即为MWHTS云天观测亮温。
所述步骤一,具体包括:
首先在气候学数据集中选择温度廓线、湿度廓线、云水廓线、云量廓线、表面压强、2m温度、2m湿度、皮肤温度、10m风速、云水总含量作为一组大气参数;然后把大气参数与MWHTS观测亮温按照时间差小于10分钟且经纬度误差小于0.5°的标准进行匹配;最后把匹配到的大气参数输入到微波辐射传输模型,计算MWHTS所有15个通道的模拟亮温,建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集。
所述步骤二,具体包括:
以步骤一中建立的匹配数据集中大气参数中的云水总含量作为MWHTS观测亮温的分类参考值,对匹配数据集中的MWHTS观测亮温进行分类,分类标准具体为:当一组匹配数据中的云水总含量为0mm时,该组匹配数据中的MWHTS观测亮温为晴空观测亮温;当一组匹配数据中的云水总含量大于0mm且小于0.4mm时,该组匹配数据中的MWHTS观测亮温为云天观测亮温;当一组匹配数据中的云水总含量大于且等于0.4mm时,该组匹配数据中的MWHTS观测亮温为雨天观测亮温,按照以上分类标准,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集。
所述步骤三,具体包括:
把匹配数据集中的每组MWHTS所有15个通道的模拟亮温减去MWHTS所有15个通道的观测亮温,作为一组亮温差值,对亮温差值进行绝对值求解,获得一组亮温差值绝对值,那么匹配数据集中每组MWHTS观测亮温均对应一组亮温差值绝对值。
所述步骤四,具体包括:
以步骤二中MWHTS观测亮温的参考晴空数据集的数据量为参考,建立晴空阈值,当匹配数据集中每组亮温差值绝对值的最大值小于或等于晴空阈值时,那么该组MWHTS观测亮温为MWHTS晴空观测亮温,同时,晴空阈值的取值需满足的条件是:该晴空阈值选择出来的MWHTS晴空观测亮温的数据量与参考晴空数据集的数据量相当;以步骤二中MWHTS观测亮温的参考雨天数据集的数据量为参考,建立雨天阈值,当匹配数据集中每组亮温差值绝对值的最大值大于雨天阈值时,那么该组MWHTS观测亮温为MWHTS雨天观测亮温,同时,雨天阈值的取值需满足的条件是:该雨天阈值选择出来的MWHTS雨天观测亮温的数据量与参考雨天数据集的数据量相当;在匹配数据集中,分别根据已建立的晴空阈值和雨天阈值,进行MWHTS晴空观测亮温的选择和MWHTS雨天观测亮温的选择,剩下的MWHTS观测亮温即为MWHTS云天观测亮温。
本发明有益效果是:本发明针对MWHTS观测亮温在不同大气条件下的分类,为了避免了使用第三方数据源本身误差引入的不利影响,同时也为了避免使用气候学数据集中大气参数的垂直路径与MWHTS观测亮温是探测倾斜路径的不匹配问题,使用MWHTS模拟亮温与MWHTS观测亮温之间的亮温差值绝对值进行MWHTS观测亮温在不同大气条件下的分类,分类效果好且操作简单易行,对于MWHTS观测亮温的正演应用具有重要意义。
附图说明
图1是本发明的流程图;
图2是本发明方法和传统分类方法对MWHTS晴空观测亮温分类效果对比图;
图3是本发明方法和传统分类方法对MWHTS云天观测亮温分类效果对比图;
图4是本发明方法和传统分类方法对MWHTS雨天观测亮温分类效果对比图。
具体实施方式
下面结合实例及附图对本发明作进一步的描述,需要说明的是,实施例并不限定本发明要求保护的范围。
一种基于模拟亮温的MWHTS观测亮温的分类方法,包括以下步骤:
步骤一: 建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集;
步骤二:以匹配数据集中的大气参数中的云水总含量为分类参考值,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集;
步骤三:求解MWHTS模拟亮温与MWHTS观测亮温之间的差值的绝对值,获得亮温差值绝对值;
步骤四:以参考晴空数据集和参考雨天数据集中的数据量为参考,分别建立晴空阈值和雨天阈值,当匹配数据集中每组亮温差值绝对值的最大值小于或等于晴空阈值时,选择该组MWHTS观测亮温为MWHTS晴空观测亮温,当匹配数据集中每组亮温差值绝对值的最大值大于雨天阈值时,选择该组MWHTS观测亮温为MWHTS雨天观测亮温,剩下的MWHTS观测亮温即为MWHTS云天观测亮温。
所述步骤一具体包括:
首先在气候学数据集中选择温度廓线、湿度廓线、云水廓线、云量廓线、表面压强、2m温度、2m湿度、皮肤温度、10m风速、云水总含量作为一组大气参数;然后把大气参数与MWHTS观测亮温按照时间差小于10分钟且经纬度误差小于0.5°的标准进行匹配;最后把匹配到的大气参数输入到微波辐射传输模型,计算MWHTS所有15个通道的模拟亮温,建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集。
所述步骤二具体包括:
以步骤一中建立的匹配数据集中大气参数中的云水总含量作为MWHTS观测亮温的分类参考值,对匹配数据集中的MWHTS观测亮温进行分类,分类标准具体为:当一组匹配数据中的云水总含量为0mm时,该组匹配数据中的MWHTS观测亮温为晴空观测亮温;当一组匹配数据中的云水总含量大于0mm且小于0.4mm时,该组匹配数据中的MWHTS观测亮温为云天观测亮温;当一组匹配数据中的云水总含量大于且等于0.4mm时,该组匹配数据中的MWHTS观测亮温为雨天观测亮温,按照以上分类标准,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集。
所述步骤三具体包括:
把匹配数据集中的每组MWHTS所有15个通道的模拟亮温减去MWHTS所有15个通道的观测亮温,作为一组亮温差值,对亮温差值进行绝对值求解,获得一组亮温差值绝对值,那么匹配数据集中每组MWHTS观测亮温均对应一组亮温差值绝对值。
所述步骤四具体包括:
以步骤二中MWHTS观测亮温的参考晴空数据集的数据量为参考,建立晴空阈值,当匹配数据集中每组亮温差值绝对值的最大值小于或等于晴空阈值时,那么该组MWHTS观测亮温为MWHTS晴空观测亮温,同时,晴空阈值的取值需满足的条件是:该晴空阈值选择出来的MWHTS晴空观测亮温的数据量与参考晴空数据集的数据量相当;以步骤二中MWHTS观测亮温的参考雨天数据集的数据量为参考,建立雨天阈值,当匹配数据集中每组亮温差值绝对值的最大值大于雨天阈值时,那么该组MWHTS观测亮温为MWHTS雨天观测亮温,同时,雨天阈值的取值需满足的条件是:该雨天阈值选择出来的MWHTS雨天观测亮温的数据量与参考雨天数据集的数据量相当;在匹配数据集中,分别根据已建立的晴空阈值和雨天阈值,进行MWHTS晴空观测亮温的选择和MWHTS雨天观测亮温的选择,剩下的MWHTS观测亮温即为MWHTS云天观测亮温。
实施例1
选择风云三号D星MWHTS观测亮温进行晴空、云天和雨天数据的分类。使用MWHTS观测亮温的时间范围是2019年2月至2019年7月,地理范围为(25°N—45°N,160°E—220°E)。气候学数据集选择欧洲中期天气预报中心(ECMWF)ERA Interim再分析数据集。从ERAInterim再分析数据集中选择温度廓线、湿度廓线、云水廓线、云量廓线、表面压强、2m温度、2m湿度、皮肤温度、10m风速、云水总含量作为一组大气参数。把大气参数与MWHTS观测亮温按照时间差小于10分钟且经纬度误差小于0.5°的标准进行匹配;把匹配到的大气参数输入到微波辐射传输模型RTTOV,计算MWHTS所有15个通道的模拟亮温,最终建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集,共包括530081组匹配数据。
以匹配数据集中大气参数中的云水总含量作为MWHTS观测亮温的分类参考值,对匹配数据集中的MWHTS观测亮温进行分类,分类标准具体为:当一组匹配数据中的云水总含量为0mm时,该组匹配数据中的MWHTS观测亮温为晴空观测亮温;当一组匹配数据中的云水总含量大于0mm且小于0.4mm时,该组匹配数据中的MWHTS观测亮温为云天观测亮温;当一组匹配数据中的云水总含量大于且等于0.4mm时,该组匹配数据中的MWHTS观测亮温为雨天观测亮温。按照以上分类标准,建立MWHTS观测亮温的参考晴空数据集(共计2915组数据)、参考云天数据集(共计504720组数据)和参考雨天数据集(22446组数据)。
把匹配数据集中的每组MWHTS所有15个通道的模拟亮温减去MWHTS所有15个通道的观测亮温,作为一组亮温差值,对该组亮温差值进行绝对值求解,获得一组亮温差值绝对值,那么匹配数据集中每组MWHTS观测亮温均对应一组亮温差值绝对值。
以MWHTS观测亮温的参考晴空数据集的数据量为参考,建立晴空阈值为2.948K,当匹配数据集中每组亮温差值绝对值的最大值小于或等于2.948K时,那么该组MWHTS观测亮温为MWHTS晴空观测亮温。晴空阈值的取值为2.948K时,选择出来的MWHTS晴空观测亮温的数据量为2912组,与参考晴空数据集的2915组的数据量相当。以MWHTS观测亮温的参考雨天数据集的数据量为参考,建立雨天阈值为20.899K,当匹配数据集中每组亮温差值绝对值的最大值大于或等于20.899K时,那么该组MWHTS观测亮温为MWHTS雨天观测亮温。雨天阈值的取值为20.899K时,选择出来的MWHTS雨天观测亮温的数据量为22495组,与参考雨天数据集的22446组的数据量相当;在匹配数据集中,分别根据已建立的晴空阈值和雨天阈值,进行MWHTS晴空观测亮温的选择和MWHTS雨天观测亮温的选择,那么剩下的504674组MWHTS观测亮温即为MWHTS云天观测亮温。
MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集是按照传统分类方法进行分类的,即使用气候学数据集中的云水总含量进行分类的。为了对比本发明方法与传统分类方法对MWHTS观测亮温的分类效果,以辐射传输模型RTTOV计算MWHTS模拟亮温的精度作为分类效果的评判标准,分别对比RTTOV对本发明方法选择的MWHTS晴空观测亮温的模拟亮温的计算精度和RTTOV对MWHTS观测亮温的参考晴空数据集的模拟亮温的计算精度,对比RTTOV对本发明方法选择的MWHTS云天观测亮温的模拟亮温的计算精度和RTTOV对MWHTS观测亮温的参考云天数据集的模拟亮温的计算精度,对比RTTOV对本发明方法选择的MWHTS雨天观测亮温的模拟亮温的计算精度和RTTOV对MWHTS观测亮温的参考雨天数据集的模拟亮温的计算精度,对比结果分别如图2,图3和图4所示。从图2和图3可以看出,RTTOV对本发明方法分类的MWHTS晴空观测亮温和MWHTS云天观测亮温的模拟亮温计算精度更高,因此分类效果更好。从图4可以看出,RTTOV对本发明方法分类的MWHTS雨天观测亮温的模拟亮温的计算精度更差,即本发明方法可滤除出受雨影响的观测亮温,同样也说明了本发明方法更好的分类效果。
Claims (5)
1.一种基于模拟亮温的MWHTS观测亮温的分类方法,其特征在于,包括以下步骤:
步骤一: 建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集;
步骤二:以匹配数据集中的大气参数中的云水总含量为分类参考值,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集;
步骤三:求解MWHTS模拟亮温与MWHTS观测亮温之间的差值的绝对值,获得亮温差值绝对值;
步骤四:以参考晴空数据集和参考雨天数据集中的数据量为参考,分别建立晴空阈值和雨天阈值,当匹配数据集中每组亮温差值绝对值的最大值小于或等于晴空阈值时,选择该组MWHTS观测亮温为MWHTS晴空观测亮温,当匹配数据集中每组亮温差值绝对值的最大值大于雨天阈值时,选择该组MWHTS观测亮温为MWHTS雨天观测亮温,剩下的MWHTS观测亮温即为MWHTS云天观测亮温。
2.根据权利要求1所述的一种基于模拟亮温的MWHTS观测亮温的分类方法,其特征在于,所述步骤一具体包括:
首先在气候学数据集中选择温度廓线、湿度廓线、云水廓线、云量廓线、表面压强、2m温度、2m湿度、皮肤温度、10m风速、云水总含量作为一组大气参数;然后把大气参数与MWHTS观测亮温按照时间差小于10分钟且经纬度误差小于0.5°的标准进行匹配;最后把匹配到的大气参数输入到微波辐射传输模型,计算MWHTS所有15个通道的模拟亮温,建立包含MWHTS观测亮温、MWHTS模拟亮温和大气参数的匹配数据集。
3.根据权利要求1所述的一种基于模拟亮温的MWHTS观测亮温的分类方法,其特征在于,所述步骤二具体包括:
以步骤一中建立的匹配数据集中大气参数中的云水总含量作为MWHTS观测亮温的分类参考值,对匹配数据集中的MWHTS观测亮温进行分类,分类标准具体为:当一组匹配数据中的云水总含量为0mm时,该组匹配数据中的MWHTS观测亮温为晴空观测亮温;当一组匹配数据中的云水总含量大于0mm且小于0.4mm时,该组匹配数据中的MWHTS观测亮温为云天观测亮温;当一组匹配数据中的云水总含量大于且等于0.4mm时,该组匹配数据中的MWHTS观测亮温为雨天观测亮温,按照以上分类标准,建立MWHTS观测亮温的参考晴空数据集、参考云天数据集和参考雨天数据集。
4.根据权利要求1所述的一种基于模拟亮温的MWHTS观测亮温的分类方法,其特征在于,所述步骤三具体包括:
把匹配数据集中的每组MWHTS所有15个通道的模拟亮温减去MWHTS所有15个通道的观测亮温,作为一组亮温差值,对亮温差值进行绝对值求解,获得一组亮温差值绝对值,那么匹配数据集中每组MWHTS观测亮温均对应一组亮温差值绝对值。
5.根据权利要求1所述的一种基于模拟亮温的MWHTS观测亮温的分类方法,其特征在于,所述步骤四具体包括:
以步骤二中MWHTS观测亮温的参考晴空数据集的数据量为参考,建立晴空阈值,当匹配数据集中每组亮温差值绝对值的最大值小于或等于晴空阈值时,那么该组MWHTS观测亮温为MWHTS晴空观测亮温,同时,晴空阈值的取值需满足的条件是:该晴空阈值选择出来的MWHTS晴空观测亮温的数据量与参考晴空数据集的数据量相当;以步骤二中MWHTS观测亮温的参考雨天数据集的数据量为参考,建立雨天阈值,当匹配数据集中每组亮温差值绝对值的最大值大于雨天阈值时,那么该组MWHTS观测亮温为MWHTS雨天观测亮温,同时,雨天阈值的取值需满足的条件是:该雨天阈值选择出来的MWHTS雨天观测亮温的数据量与参考雨天数据集的数据量相当;在匹配数据集中,分别根据已建立的晴空阈值和雨天阈值,进行MWHTS晴空观测亮温的选择和MWHTS雨天观测亮温的选择,剩下的MWHTS观测亮温即为MWHTS云天观测亮温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110508746.3A CN113311510B (zh) | 2021-05-11 | 2021-05-11 | 一种基于模拟亮温的mwhts观测亮温的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110508746.3A CN113311510B (zh) | 2021-05-11 | 2021-05-11 | 一种基于模拟亮温的mwhts观测亮温的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311510A true CN113311510A (zh) | 2021-08-27 |
CN113311510B CN113311510B (zh) | 2023-07-25 |
Family
ID=77372978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110508746.3A Active CN113311510B (zh) | 2021-05-11 | 2021-05-11 | 一种基于模拟亮温的mwhts观测亮温的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311510B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737912A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
CN111766644A (zh) * | 2020-06-29 | 2020-10-13 | 北京华云星地通科技有限公司 | 基于rest服务的多源卫星数据接收处理方法 |
CN112197865A (zh) * | 2020-09-02 | 2021-01-08 | 华中科技大学 | 一种星载微波辐射计观测亮温数据误差的估计方法及系统 |
-
2021
- 2021-05-11 CN CN202110508746.3A patent/CN113311510B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737912A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于深度神经网络的mwhts模拟亮温计算方法 |
CN111766644A (zh) * | 2020-06-29 | 2020-10-13 | 北京华云星地通科技有限公司 | 基于rest服务的多源卫星数据接收处理方法 |
CN112197865A (zh) * | 2020-09-02 | 2021-01-08 | 华中科技大学 | 一种星载微波辐射计观测亮温数据误差的估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113311510B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109596594B (zh) | 基于拉曼-米散射激光雷达的气溶胶消光系数反演方法 | |
CN111737912B (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
Chang et al. | Characteristics of the raindrop size distribution and drop shape relation in typhoon systems in the western Pacific from the 2D video disdrometer and NCU C-band polarimetric radar | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
CN106407656A (zh) | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 | |
CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
CN104820250A (zh) | 一种极轨气象卫星virr海洋上云检测的处理方法 | |
CN115062527B (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
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 | |
CN110632032A (zh) | 一种基于地表反射率库的沙尘暴监测方法 | |
CN111191380B (zh) | 一种基于地基光谱仪测量数据的大气气溶胶光学厚度估算方法和装置 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
CN112131789A (zh) | 一种基于随机森林算法的多光谱降水检测系统及方法 | |
WO2023060734A1 (zh) | 一种基于时分长期演进网络的晴雨区分方法 | |
Ionescu et al. | DeePS at: A deep learning model for prediction of satellite images for nowcasting purposes | |
Pu et al. | Water vapor retrieval using commercial microwave links based on the LSTM network | |
CN113311510A (zh) | 一种基于模拟亮温的mwhts观测亮温的分类方法 | |
CN111665218B (zh) | 一种提高二氧化碳差分吸收激光雷达反演精度的方法 | |
CN113484918B (zh) | 一种提高微波辐射计在云、雨天气条件下测量精度的方法 | |
He et al. | Modis aerosol optical thickness product algorithm verification and analysis | |
CN108414997B (zh) | 一种基于粒子特性差异的边界层高度反演方法 | |
Nakagawa et al. | An application of random forest regression for rainfall intensity estimation using GNSS receiver | |
CN109001119A (zh) | 一种评价植被生长状态的遥感技术 |
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 |