CN113341389A - 一种基于最大似然估计的微波散射计风场反演方法及系统 - Google Patents
一种基于最大似然估计的微波散射计风场反演方法及系统 Download PDFInfo
- Publication number
- CN113341389A CN113341389A CN202110516352.2A CN202110516352A CN113341389A CN 113341389 A CN113341389 A CN 113341389A CN 202110516352 A CN202110516352 A CN 202110516352A CN 113341389 A CN113341389 A CN 113341389A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind field
- fuzzy
- solution
- mle
- 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 40
- 238000007476 Maximum Likelihood Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003908 quality control method Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
- G01S13/422—Simultaneous measurement of distance and other co-ordinates sequential lobing, e.g. conical scan
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明涉及主动微波遥感技术领域,尤其涉及一种基于最大似然估计的微波散射计风场反演方法及系统,所述方法包括:获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和风场模糊解;基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;经过模糊去除和质量控制,得到L2B级风场数据产品。本发明提出了对刈幅不同位置的残差特性进行分析的新方法;针对刈幅不同位置观测信息的变化,提出了一种与刈幅位置相关的似然概率模型函数。
Description
技术领域
本发明涉及主动微波遥感技术领域,尤其涉及一种基于最大似然估计的微波散射计风场反演方法及系统。
背景技术
海面风场是海洋和大气科学研究与应用中的重要物理参数。星载微波散射计作为当前获取全球海面风场资料最主要的遥感仪器,其感测结果在数值天气预报,海洋灾害监测海洋环境数值预报、气象预报和气候研究等方面发挥了重要的作用。
散射计观测的风场对数值天气预报等定量化应用的影响程度取决于反演风场质量。因此,在海面风场的诸多应用中,风场质量的定量化描述尤为重要,通常用风场质量敏感因子来实现,其中最常用的一种质量敏感因子是风场反演的残差。由于卫星散射计海面风场反演最常用的算法是最大似然估计(MLE)法,风场反演的残差也称作MLE值,表示一组测量的后向散射系数(σ0)与地球物理模型函数(GMF)构成多维参考面之间的距离。通常情况下,散射计测量的海面后向散射系数与GMF之间的距离较小,反演的风场质量高、MLE值小。然而,当风单元中的雷达后向散射信号主要受到除风以外的其它地球物理条件的影响时,实际测量和GMF仿真得到的σ0值会有较大的差异,导致MLE值偏大,MLE是一个很好的风场质量指示标。另一方面,在风场去模糊处理过程中,MLE值越大、相应的模糊解被选中为“真实解”的可能性的就越小,反之亦然。因此,MLE值还包含模糊解为真实解的概率,广泛用于数据同化或者二维变分分析模糊去除(2D_Var)。
通过反演得到的模糊解要通过模糊去除选择一个模糊解作为真实解,模糊解被选为真实解的概率即模糊解似然概率,根据贝叶斯理论和最大似然估计,散射计反演的模糊风矢量是真实风矢量的概率可以表示为与MLE有关的似然概率模型函数,目前的概率模型函数大多是根据散射计扫描刈幅范围内的所有风单元计算得到的,没有考虑刈幅范围内不同列风单元的反演残差特性的差别。虽然微波散射计的扫描方式各有不同,但风场反演的原理都是一致的。
图1是CSCAT散射计观测几何示意图,CSCAT观测刈幅1000km,在垂直卫星飞行的方向上依据距离等分为42个风矢量单元(WVC)。将风矢量单元列数或节点数从刈幅最左端到最右端进行编号,1-5列和38-42列为刈幅远端,6-17和26-37为刈幅中间部分,18-25列为星下点区域,不同的列数代表观测刈幅的不同位置,每个风矢量单元大小为25km×25km,如图2所示。由于刈幅不同位置的观测角度和观测次数不同,所以不同刈幅位置的残差特性也不同。
发明内容
微波散射计在对目标进行扫描观测时,由于刈幅不同位置的观测角度和观测次数的差别,反演的残差特性存在差异,本发明的目的在于克服上述技术缺陷,提出了一种基于最大似然估计的微波散射计风场反演方法。可以消除不同刈幅位置风场反演残差特性的差别带来的误差,以提高风场反演的风速和风向的准确度。
为了实现上述目的,本发明的实施例1提出了一种基于最大似然估计的微波散射计风场反演方法,所述方法包括:
获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;
基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和模糊风场解;
基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;
经过模糊去除和质量控制,得到L2B级风场数据产品。
作为上述方法的一种改进,所述对应的风矢量单元的风场反演残差MLE为:
作为上述方法的一种改进,所述仿真的后向散射系数通过地球物理模型计算得到。
作为上述方法的一种改进,所述方法还包括似然概率模型的建立步骤;具体包括:
对风场反演残差MLE进行归一化处理,得到归一化MLE值Rn为:
Rn=MLEn/<MLE>,
其中,n表示模糊风场解的阶数,MLEn表示反演得到的第n阶模糊解对应的MLE值,<MLE>表示MLE的数学期望,通过查表获得;
建立似然概率模型的函数表达式,第x列刈幅风单元的任一个风单元第n阶模糊风场解对应的归一化MLE值的似然概率p(Rxn)为:
其中,kx为第x列刈幅风单元的归一化因子,lx为待推导得到的第x列刈幅风单元的风矢量单元参数;并得到对应刈幅风单元的第一阶模糊风场解的似然概率p(Rx1)和第二阶模糊风场解的似然概率p(Rx2);
遍历每列刈幅风单元的所有风矢量单元,选择有两个模糊解的风矢量单元,根据下式计算第x列刈幅风单元的第一阶模糊风矢量解成为真实解的概率Px1为:
第x列刈幅风单元的第二阶模糊风矢量解成为真实解的概率Px2为:
根据(1)、(2)和(3)式,得到下式:
计算得到第x列刈幅风单元的风矢量单元参数lx,从而得到似然概率模型。
作为上述方法的一种改进,所述模糊去除包括采用二维变分分析模糊去除的方法。
本发明的实施例2提出了一种基于最大似然估计的微波散射计风场反演系统,所述系统包括:后向散射系数处理模块、风场反演残差及风场模糊解计算模块、模糊风场解计算模块和风场数据输出模块;其中,
所述后向散射系数处理模块,用于获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;
所述风场反演残差及风场模糊解计算模块,用于基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和风场模糊解;
所述模糊风场解计算模块,用于基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;
所述风场数据输出模块,用于经过模糊去除和质量控制,得到L2B级风场数据产品。
与现有技术相比,本发明的优势在于:
1、微波散射计在对目标进行扫描观测时,由于刈幅不同位置的观测角度和观测次数的差别,反演的残差特性存在差异,本发明提出了对刈幅不同位置的残差特性进行分析的新方法;
2、本发明的方法针对刈幅不同位置观测信息的变化,提出了一种与刈幅位置相关的似然概率模型函数。
附图说明
图1是现有技术的CSCAT散射计观测几何示意图;
图2是现有技术的CSCAT地面风单元划分;
图3是本发明的基于最大似然估计的微波散射计风场反演方法流程示意图;
图4是平均MLE值随风速和风单元列数的变化;
图5是MLE值标准差随风速和风单元列数的变化;
图6是CSCAT风速偏差相对于ECMWF风速风向的偏差随平均MLE变化的曲线;
图7是CSCAT风向偏差相对于ECMWF风速风向的偏差随平均MLE变化的曲线;
图8是CSCAT风速标准差相对于ECMWF风速风向的偏差随平均MLE变化的曲线;
图9是CSCAT风速标准差相对于ECMWF风速风向的偏差随平均MLE变化的曲线;
图10是似然概率模型函数的系数和指数随风单元列数的变化;
图11是标准的概率模型函数反演的CSCAT风速与浮标测量风速的对比;
图12是标准的概率模型函数反演的CSCAT风向与浮标测量风向的对比;
图13是改进的概率模型函数反演的CSCAT风速与浮标测量风速的对比;
图14是改进的概率模型函数反演的CSCAT风向与浮标测量风向的对比。
具体实施方式
本发明以中法海洋卫星(CFOSAT)为背景,以最大似然估计风场反演算法为基线,详细分析了中法海洋卫星微波散射计(CSCAT)海面风场反演代价函数的残差特性,重点研究了CSCAT观测几何下风场反演残差特性随刈幅位置的变化以及对风场质量的影响,并建立了与风单元位置相关的风场模糊解似然概率模型函数,图3是本文整体的技术路线。
提出一种与刈幅位置相关的概率模型函数,对风场反演的残差随风单元的变化、不同列数风单元的反演风速风向偏差和标准差随残差的变化进行了详细分析,以建立与风单元列数相关的似然概率模型函数,改进微波散射风场反演质量。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
如图3所示,本发明的实施例1提出了一种基于最大似然估计的微波散射计风场反演方法。具体包括:
获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;
基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和风场模糊解;
基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;
经过模糊去除和质量控制,得到L2B级风场数据产品。
1、风场反演模型
随着近来散射计技术的不断发展和完善,形成了多种风场反演方法,其中最常用的是最大似然估计,CSCAT最大似然估计的代价函数定义为:
其中N是独立观测的次数,i是独立观测的序号,和分别表示第i视观测的后向散射系数和仿真的后向散射系数。Kpi是后向散射测量的归一化标准差,通过最大似然估计一般可以得到风矢量单元的2~4个局部最小MLE值,对应风矢量单元的2~4个模糊风场解。
2、CSCAT的残差分别特性
收集CSCAT的L2B风场数据,并根据卫星数据产品的质量标识符,剔除了陆地,海冰区域以及其它质量不合格的风矢量单元数据。然后计算相同节点相同风速下所有被选中MLE值的平均值和标准差,结果如图4,图5所示:
从图中可以明显看出MLE的分布与风速有很强的相关性,由于CSCAT的观测几何随着节点数变化较快,不同列的MLE的分布也有不同,随着节点位置距离星下点的距离增加,平均MLE表面略有增加,原因是CSCAT的风速质量随着离星下点距离的增加而变化,这也验证了MLE是一个很好的风场质量指示标志。
图6,图7,图8,图9是同一时间段内不同节点下CSCAT风速风向相对于ECMWF风速风向的偏差,标准差随平均MLE变化的曲线,不同线型的曲线代表不同的风单元列数。对比偏差和标准差可以明显看出不同节点的风速风向偏差存在明显差异,MLE值较大时,不同节点的风速差异可达到0.2m/s。风速风向的标准差随MLE的增大呈上升趋势,不同节点之间略有不同,所以要区分不同的节点研究反演的残差特性。
3、似然概率模型函数
散射计反演的模糊风矢量是真实风矢量的概率,可以表示为与MLE有关的函数:
其中v表示“真实”风速,σ0表示一系列散射计后向散射系数测量值,k是标准化比例因子。因此该概率函数理论上是一个和MLE相关的指数函数关系。从上式可以看出MLE值越小,模糊解成为真实解的概率越大。模糊风矢量越接近真实风矢量,MLE值越小,由公式得到的概率值就越大。概率值较大的模糊风矢量也越接近真实风矢量,因此概率函数模型是与MLE值的含义一致的。在实际应用中,由于存在一些观测误差,指数函数的形状可能与理论值不同。Portabella等人通过统计分析得出QuikSCAT的概率模型函数表达式为:
ps(x)=e-x/1.4
其中x代表归一化残差。
目前业务化运行的CSCAT散射计采用的概率模型函数是QuikSCAT的概率模型函数,本文研究中,设似然概率模型函数表达式为:
其中,kx为第x列刈幅风单元的归一化因子,lx为要根据经验推导的第x列风矢量单元参数,Rn是归一化的残差,n表示通过最大似然估计得到的模糊解序列号。
为了获得与列数相关的经验概率模型函数的具体形式,假设:存在一个函数关系Ps(x),对于某一风矢量单元,如果模糊解的个数为N,对应的模糊风矢量为vi,模糊风矢量对应的归一化最大似然值Ri,则其中第j个风矢量最接近真实风矢量的概率可以表示为:
其中,等式左边表示第j个风矢量成为真实风矢量的概率,为了得到Ps(x)函数的具体形式,本文对2019年3月份的CSCAT数据进行了分析,研究只有两个模糊解的风矢量单元。选择与ECMWF风场最接近的模糊解作为选择解。统计每一阶的模糊解作为选择解的个数,可以得到每阶模糊解为真实风解的概率。在公式中令N=2,即风矢量单元中存在两个模糊风矢量解,那么第一阶模糊解成为真实解的概率是:
通过对上述公式的运算可以得到每阶模糊解成为真实解的概率,进而得到lx的估计值。
根据刈幅风单元列数不同区域位置的残差,可以得到每一列指数拟合的系数和指数,结果如图10所示。刈幅不同区域的概率函数差别较大,整体呈现一定的对称性,指数l分布范围较大,有一定的对称性。图10是每一列风单元系数的值。
仿真验证
为了验证之前的假设是否正确,能否推广到多个解的情况,对2019年5月份的150轨CSCAT散射计L2B数据进行了分析,并推广到多个解的情况,统计每一级模糊解成为真解的预测概率。表1,表2,表3分别对不同区域每一级模糊解的预测概率和观测概率进行的对比,表中第一行表示在所有研究数据中风矢量单元模糊解个数为2,3,4的风矢量单元的总数。第二至五行中左侧数据表示每一阶的所有模糊解概率值的平均值,即预测概率。右侧数据表示统计每一阶模糊解是真解(最接近ECMWF风场)的个数占所有模糊解个数的百分比,即实际观测概率。通过对比每一列的预测概率和观测概率可以看出明显的相关性,刈幅远端和中间区域存在微小差别,这是因为前文拟合曲线时,曲线本身是有波动的,但是总体对比表明一致性很显著。星下点差别较大,这是因为星下点进行拟合时不是标准的指数关系。因此,可以证明之前的假设是正确的,拟合的与风单元位置相关的概率模型函数可以用来计算某一模糊解为真实风矢量的概率。
表1预测概率/实际观测概率的分布对比(刈幅远端)
2个模糊解 | 3个模糊解 | 4个模糊解 | 所有模糊解 | |
风单元个数 | 267607 | 117849 | 458349 | 472138 |
第1模糊解 | 84/81 | 82/79 | 83/80 | 83/80 |
第2模糊解 | 16/19 | 13/16 | 10/13 | 14/17 |
第3模糊解 | - | 5/5 | 4/4 | 2/2 |
第4模糊解 | - | 3/3 | 0/0 |
表2预测概率/实际观测概率的分布对比(刈幅中间区域)
2个模糊解 | 3个模糊解 | 4个模糊解 | 所有模糊解 | |
风单元个数 | 514639 | 345693 | 273984 | 1134316 |
第1模糊解 | 90/88 | 78/82 | 80/83 | 84/85 |
第2模糊解 | 10/12 | 16/14 | 14/13 | 13/13 |
第3模糊解 | - | 6/4 | 4/3 | 3/2 |
第4模糊解 | - | 2/1 | 0/0 |
表3预测概率/实际观测概率的分布对比(星下点区域)
2个模糊解 | 3个模糊解 | 4个模糊解 | 所有模糊解 | |
风单元个数 | 162112 | 144373 | 40206 | 346691 |
第1模糊解 | 78/78 | 56/66 | 45/56 | 65/71 |
第2模糊解 | 22/22 | 28/22 | 23/21 | 25/22 |
第3模糊解 | - | 16/11 | 17/13 | 9/6 |
第4模糊解 | - | 12/10 | 1/1 |
为了验证与刈幅位置相关的概率模型函数对风场反演的改进效果,分别采用与风单元位置相关的概率模型函数与原来笔形波束的概率模型函数进行风场反演,得到相应的风产品,并收集美国浮标数据中心的浮标数据与反演风场进行对比。图11、图12、图13,图14是两种概率模型函数反演的风场与浮标风场的散点图对比结果。其中标准的概率模型函数反演的CSCAT风场表示:用目前CSCAT标准风场反演采用的笔形波束散射计的概率模型函数反演的风场,改进的风场表示采用本文拟合得到的概率模型函数,可以看出采用与列数相关的概率模型函数反演的风场偏差减小了0.03m/s,而标准差未发生变化,表明风速的离散度未发生变化,而风速的准确性有提高。对比风向变化可以发现风向偏差未发生变化但风向偏差减小了0.2°,风向标准差减小了0.5°,表明改进的概率模型函数反演的风场精度有明显的提高。
实施例2
本发明的实施例2提出了一种基于最大似然估计的微波散射计风场反演系统,所述系统包括:后向散射系数处理模块、风场反演残差及风场模糊解计算模块、模糊风场解计算模块和风场数据输出模块;其中,
所述后向散射系数处理模块,用于获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;
所述风场反演残差及风场模糊解计算模块,用于基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和风场模糊解;
所述模糊风场解计算模块,用于基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;
所述风场数据输出模块,用于经过模糊去除和质量控制,得到L2B级风场数据产品。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于最大似然估计的微波散射计风场反演方法,所述方法包括:
获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;
基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和风场模糊解;
基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;
经过模糊去除和质量控制,得到L2B级风场数据产品。
3.根据权利要求2所述的基于最大似然估计的微波散射计风场反演方法,其特征在于,所述仿真的后向散射系数通过地球物理模型计算得到。
4.根据权利要求2所述的基于最大似然估计的微波散射计风场反演方法,其特征在于,所述方法还包括似然概率模型的建立步骤;具体包括:
对风场反演残差MLE进行归一化处理,得到归一化MLE值Rn为:
Rn=MLEn/<MLE>,
其中,n表示模糊风场解的阶数,MLEn表示反演得到的第n阶模糊解对应的MLE值,<MLE>表示MLE的数学期望,通过查表获得;
建立似然概率模型的函数表达式,第x列刈幅风单元的任一个风单元第n阶模糊风场解对应的归一化MLE值的似然概率p(Rxn)为:
其中,kx为第x列刈幅风单元的归一化因子,lx为待推导得到的第x列刈幅风单元的风矢量单元参数;并得到对应刈幅风单元的第一阶模糊风场解的似然概率p(Rx1)和第二阶模糊风场解的似然概率p(Rx2);
遍历每列刈幅风单元的所有风矢量单元,选择有两个模糊解的风矢量单元,根据下式计算第x列刈幅风单元的第一阶模糊风矢量解成为真实解的概率Px1为:
第x列刈幅风单元的第二阶模糊风矢量解成为真实解的概率Px2为:
根据(1)、(2)和(3)式,得到下式:
计算得到第x列刈幅风单元的风矢量单元参数lx,从而得到似然概率模型。
5.根据权利要求2所述的基于最大似然估计的微波散射计风场反演方法,其特征在于,所述模糊去除包括采用二维变分分析模糊去除的方法。
6.一种基于最大似然估计的微波散射计风场反演系统,其特征在于,所述系统包括:后向散射系数处理模块、风场反演残差及风场模糊解计算模块、模糊风场解计算模块和风场数据输出模块;其中,
所述后向散射系数处理模块,用于获取微波散射计接收的后向散射回波信号,经处理得到后向散射系数;
所述风场反演残差及风场模糊解计算模块,用于基于最大似然估计法结合地球物理模型函数,由后向散射系数计算得到对应的风矢量单元的风场反演残差和风场模糊解;
所述模糊风场解计算模块,用于基于风矢量单元的风场反演残差,遍历预先建立的似然概率模型,得到对应的风矢量单元的模糊风场解的似然概率;
所述风场数据输出模块,用于经过模糊去除和质量控制,得到L2B级风场数据产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516352.2A CN113341389B (zh) | 2021-05-12 | 2021-05-12 | 一种基于最大似然估计的微波散射计风场反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516352.2A CN113341389B (zh) | 2021-05-12 | 2021-05-12 | 一种基于最大似然估计的微波散射计风场反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341389A true CN113341389A (zh) | 2021-09-03 |
CN113341389B CN113341389B (zh) | 2023-03-24 |
Family
ID=77468266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110516352.2A Active CN113341389B (zh) | 2021-05-12 | 2021-05-12 | 一种基于最大似然估计的微波散射计风场反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341389B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200455A (zh) * | 2021-11-24 | 2022-03-18 | 中国科学院国家空间科学中心 | 微波散射计获取海面风场针对降水影响的质量控制方法 |
CN114518563A (zh) * | 2022-03-01 | 2022-05-20 | 国家卫星海洋应用中心 | 卫星微波散射计雷达后向散射系数获取方法及相应的装置 |
CN114942076A (zh) * | 2022-07-25 | 2022-08-26 | 国家卫星海洋应用中心 | 一种海面温度的校正方法及装置 |
CN115144411A (zh) * | 2022-09-05 | 2022-10-04 | 国家卫星海洋应用中心 | 基于卫星散射计的海冰检测的方法、装置、设备和介质 |
CN116699666A (zh) * | 2023-08-03 | 2023-09-05 | 北京航空航天大学 | 星下点观测的星载gnss-r海面风场反演方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080169975A1 (en) * | 2007-01-12 | 2008-07-17 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
CN101853335A (zh) * | 2010-06-01 | 2010-10-06 | 国家卫星海洋应用中心 | 一种海面风场反演的点方式反演方法 |
CN103698750A (zh) * | 2014-01-07 | 2014-04-02 | 国家卫星海洋应用中心 | 海洋二号卫星散射计海面风场反演方法和装置 |
CN106610491A (zh) * | 2016-12-21 | 2017-05-03 | 广州市气象台 | 星载sar后向散射系数的检验方法及装置 |
DE202018105460U1 (de) * | 2018-09-21 | 2018-10-01 | Dongxiang Zhang | Ein Ozean-Satelliten-Windfeld-Echtheitstestgerät |
CN111175720A (zh) * | 2020-01-15 | 2020-05-19 | 中国科学院国家空间科学中心 | 一种海面风场星上快速反演方法及系统 |
CN111832176A (zh) * | 2020-07-14 | 2020-10-27 | 中国人民解放军61540部队 | 降雨条件下全极化微波辐射计海面风场反演方法及系统 |
CN112433233A (zh) * | 2020-11-19 | 2021-03-02 | 武汉大学 | 一种基于粒子群算法的gnss-r海面风速反演方法及系统 |
-
2021
- 2021-05-12 CN CN202110516352.2A patent/CN113341389B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080169975A1 (en) * | 2007-01-12 | 2008-07-17 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
CN101853335A (zh) * | 2010-06-01 | 2010-10-06 | 国家卫星海洋应用中心 | 一种海面风场反演的点方式反演方法 |
CN103698750A (zh) * | 2014-01-07 | 2014-04-02 | 国家卫星海洋应用中心 | 海洋二号卫星散射计海面风场反演方法和装置 |
CN106610491A (zh) * | 2016-12-21 | 2017-05-03 | 广州市气象台 | 星载sar后向散射系数的检验方法及装置 |
DE202018105460U1 (de) * | 2018-09-21 | 2018-10-01 | Dongxiang Zhang | Ein Ozean-Satelliten-Windfeld-Echtheitstestgerät |
CN111175720A (zh) * | 2020-01-15 | 2020-05-19 | 中国科学院国家空间科学中心 | 一种海面风场星上快速反演方法及系统 |
CN111832176A (zh) * | 2020-07-14 | 2020-10-27 | 中国人民解放军61540部队 | 降雨条件下全极化微波辐射计海面风场反演方法及系统 |
CN112433233A (zh) * | 2020-11-19 | 2021-03-02 | 武汉大学 | 一种基于粒子群算法的gnss-r海面风速反演方法及系统 |
Non-Patent Citations (3)
Title |
---|
A. STOFFELEN等: "On Bayesian Scatterometer Wind Inversion", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
林明森等: "HY-2A微波散射计风场反演算法", 《中国工程科学》 * |
解学通等: "基于最大似然估计的海面风场反演算法研究", 《地理与地理信息科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200455A (zh) * | 2021-11-24 | 2022-03-18 | 中国科学院国家空间科学中心 | 微波散射计获取海面风场针对降水影响的质量控制方法 |
CN114200455B (zh) * | 2021-11-24 | 2024-05-28 | 中国科学院国家空间科学中心 | 微波散射计获取海面风场针对降水影响的质量控制方法 |
CN114518563A (zh) * | 2022-03-01 | 2022-05-20 | 国家卫星海洋应用中心 | 卫星微波散射计雷达后向散射系数获取方法及相应的装置 |
CN114518563B (zh) * | 2022-03-01 | 2022-09-09 | 国家卫星海洋应用中心 | 卫星微波散射计雷达后向散射系数获取方法及相应的装置 |
CN114942076A (zh) * | 2022-07-25 | 2022-08-26 | 国家卫星海洋应用中心 | 一种海面温度的校正方法及装置 |
CN114942076B (zh) * | 2022-07-25 | 2022-10-11 | 国家卫星海洋应用中心 | 一种海面温度的校正方法及装置 |
CN115144411A (zh) * | 2022-09-05 | 2022-10-04 | 国家卫星海洋应用中心 | 基于卫星散射计的海冰检测的方法、装置、设备和介质 |
CN116699666A (zh) * | 2023-08-03 | 2023-09-05 | 北京航空航天大学 | 星下点观测的星载gnss-r海面风场反演方法及系统 |
CN116699666B (zh) * | 2023-08-03 | 2023-10-31 | 北京航空航天大学 | 星下点观测的星载gnss-r海面风场反演方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113341389B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113341389B (zh) | 一种基于最大似然估计的微波散射计风场反演方法及系统 | |
Gubareva et al. | Estimating distribution parameters of extreme hydrometeorological characteristics by L-moments method | |
US6577265B2 (en) | Multi-stage processing for efficient and accurate spectral moment estimation | |
CN104749564B (zh) | 海杂波Weibull幅度分布参数的多分位点估计方法 | |
Portabella et al. | A probabilistic approach for SeaWinds data assimilation | |
Zhao et al. | Theoretical analysis and numerical experiments of variational adjoint approach for refractivity estimation | |
Steinacker et al. | Data quality control based on self-consistency | |
Pena et al. | Consolidation of multimodel forecasts by ridge regression: Application to Pacific sea surface temperature | |
CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN111611731B (zh) | 卫星数据融合方法、装置及电子设备 | |
CN113740934B (zh) | 一种基于s波段双偏振天气雷达降水估测方法 | |
CN112346081A (zh) | 一种太赫兹与毫米波云雷达的数据联合反演方法 | |
CN110389971A (zh) | 一种基于云计算的多传感器数据融合方法 | |
CN111756353B (zh) | 一种基于非线性融合滤波的液位仪噪声优化方法 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
Meissner et al. | SMAP salinity retrievals near the sea-ice edge using multi-channel AMSR2 brightness temperatures | |
CN113687324B (zh) | 一种相控阵天气雷达标定机外验证系统 | |
CN105046707A (zh) | 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法 | |
CN111832175B (zh) | 一种降雨条件下散射计海面风速测量方法及系统 | |
Mejia et al. | Determination of the geophysical model function of NSCAT and its corresponding variance by the use of neural networks | |
Rieutord et al. | Mixing height derivation from aerosol lidar using machine learning: KABL and ADABL algorithms | |
CN116821694B (zh) | 基于多分支神经网络与分段式模型的土壤湿度反演方法 | |
Nielsen et al. | GLUE based marine X-band weather radar data calibration and uncertainty estimation | |
Tadesse et al. | A statistical approach to ground radar-rainfall estimation | |
Maity et al. | Alternative approach for estimation of precipitation using Doppler weather radar data |
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 |