CN113609757A - 基于随机森林回归的gnss掩星对流层参数的修正方法 - Google Patents
基于随机森林回归的gnss掩星对流层参数的修正方法 Download PDFInfo
- Publication number
- CN113609757A CN113609757A CN202110790319.9A CN202110790319A CN113609757A CN 113609757 A CN113609757 A CN 113609757A CN 202110790319 A CN202110790319 A CN 202110790319A CN 113609757 A CN113609757 A CN 113609757A
- Authority
- CN
- China
- Prior art keywords
- data
- random forest
- convective
- forest regression
- gnss
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 45
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000005436 troposphere Substances 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree 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
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气科学研究领域，尤其涉及基于随机森林回归的GNSS掩星对流层参数的修正方法，所述方法包括：接收GNSS掩星探测仪采集反演得到的对流层顶参数产品数据；对对流层顶参数产品数据进行预处理；将预处理后的数据输入预先建立和训练好的修正模型，得到修正后的对流层顶高度和对流层顶温度；所述修正模型采用随机森林回归模型。本发明利用随机森林回归方法修正GNSS掩星对流层顶参数产品，尤其对高纬地区误差改进效果最明显，模型简单，计算时间短，提高了GNSS掩星对流层顶参数产品质量。
Description
技术领域
本发明涉及大气科学研究领域，尤其涉及基于随机森林回归的GNSS掩星对流层参数的修正方法。
背景技术
对流层顶是大气气候研究中的热点区域。GNSS掩星探测技术具有高全球覆盖率、高垂直分辨率等特点，其最优探测区间为7-25km，契合对流层顶出现的高度，因此能得到高质量，高全球覆盖率的对流层顶产品。
对流层顶的判定方法通常使用根据世界气象组织WMO于1957年提出的对流层顶定义的温度递减率判定方法，即：最低的满足温度随高度升高递减率大于-2K/km的点，且该点至该点以上2km高度内任意一点间的温度递减率大于-2K/km。
目前，ECMWF业务档案库提供的四维变分数据是精度很高的模型数据，但是掩星温度廓线反演得到的对流层顶产品与模型廓线得到的结果在部分地区有较为明显的差异。
我国风云三号C星(FY3C)GNSS掩星探测仪(简称GNOS)正常业务运行已达7年，提供的大气温度廓线的数量为每天400-500个。FY3C卫星GNOS掩星数据反演得到的对流层顶高度在高纬度地区相较ECMWF四维变分数据结果具有较大的负偏差。
发明内容
本发明的目的在于克服现有技术缺陷，提出了一种基于随机森林回归的GNSS掩星对流层参数的修正方法。
为了实现上述目的，本发明提出了一种基于随机森林回归的GNSS掩星对流层参数的修正方法，所述方法包括：
接收GNSS掩星探测仪采集反演得到的对流层顶参数产品数据；
对对流层顶参数产品数据进行预处理；
将预处理后的数据输入预先建立和训练好的修正模型，得到修正后的对流层顶高度和对流层顶温度；
所述修正模型采用随机森林回归模型。
作为上述方法的一种改进，所述对流层顶参数产品数据包括由GNSS掩星干温廓线计算得到的对流层顶温度、对流层顶高度、廓线经纬度以及对应的采集日期和时间。
作为上述方法的一种改进，所述预处理具体包括：
对廓线经纬度以及对应的采集日期和时间进行归一化处理。
作为上述方法的一种改进，所述修正模型的输入为预处理后的对流层顶参数产品数据，输出为修正后的对流层顶高度和对流层顶温度，采用的随机森林回归模型包括100个二叉树学习器。
作为上述方法的一种改进，所述方法还包括修正模型的训练步骤，具体包括：
选取FY3C掩星数据与ECMWF业务档案库的温度廓线数据，按照时间、经度和纬度进行匹配，通过温度递减率算法计算匹配后温度廓线的对流层顶高度和对流层顶温度，得到原始样本集；
对原始样本集的数据进行筛选，剔除由于温度廓线无法判定对流层顶的无效数据，再基于采样算法和归一化算法进行预处理，根据一定比例将预处理后的样本集数据随机分配到训练集和测试集中；
对于具有N个样本的训练集，依次通过有放回抽样得到子样本集x1，x2，…，xn，分别送入学习器M1，M2，…，Mn，每个学习器为一个二叉树结构的决策回归树，随机选取f1，f2，…fn个特征，训练得到回归结果y1，y2，…，yn，并由回归结果的平均值得到最终的回归结果y，其中对于每个学习器的训练为不断将输入特征划分成两个单元，随即确定每个划分单元对应的输出，进而生成叶结点，当满足停止条件时划分终止，确定该叶结点，当全部叶结点均确定，则该学习器训练完毕，当所有学习器训练完毕，则得到预训练好的修正模型；
将测试集数据依次输入预训练好的修正模型，判断输出结果是否达到评估要求，判断为否，重新训练；判断为是，得到训练好的修正模型。
作为上述方法的一种改进，所述训练集和测试集的数据纬度分布保持一致。
一种基于随机森林回归的GNSS掩星对流层参数的修正系统，所述系统包括：修正模型、接收模块、预处理模块和输出模块；其中，
所述接收模块，用于接收GNSS掩星探测仪采集反演得到的对流层顶参数产品数据；
所述预处理模块，用于对对流层顶参数产品数据进行预处理；
所述输出模块，用于将预处理后的数据输入预先建立和训练好的修正模型，得到修正后的对流层顶高度和对流层顶温度；
所述修正模型采用随机森林回归模型。
与现有技术相比，本发明的优势在于：
本发明利用随机森林回归方法修正GNSS掩星对流层顶参数产品，尤其对高纬地区误差改进效果最明显，模型简单，计算时间短，提高了GNSS掩星对流层顶参数产品质量。
附图说明
图1是本发明的基于随机森林回归模型的GNSS掩星对流层参数的修正方法总体流程图；
图2是本发明的随机森林回归模型示意图；
图3是训练集和测试集数据示例，包括纬度和季节分布；
图4是采用本发明方法的修正效果图，其中图4(a)是对流层顶高度修正效果，图4(b)表示对流层顶温度修正效果。
具体实施方式
经过调研，FY3C等卫星GNSS掩星数据反演得到的对流层参数有较大偏差，尤其GNSS掩星数据反演的对流层顶高度在高纬度地区相较ECMWF四维变分数据结果具有较大的负偏差，因此尝试对GNSS对流层顶参数产品的高纬度地区负偏差进行修正，以达到提高产品精度的目的。
由于对流层顶产品多为格点平均或纬度平均，是统计结果。对此，选择使用随机森林机器学习方法对GNSS掩星对流层顶参数产品进行修正。
本发明的目的在于提供一种基于随机森林回归的GNSS掩星对流层顶参数修正方法,具备计算效率高，回归修正效果好的优点，能够有效提高GNSS掩星对流层顶参数产品的质量，特别是有负偏差的高纬度地区参数产品的质量。
本发明的目的是通过以下技术方案实现的：利用随机森林回归算法提高GNSS掩星对流层顶参数产品精度，主要包括以下步骤，如图1所示：
第一步：原始数据样本集构建。选取大量的GNSS掩星温度廓线数据和ECMWF四维变分模型温度廓线数据进行时空匹配，计算时空匹配的GNSS掩星产品与ECMWF数据各自的对流层顶高度与温度，得到原始样本；
第二步：生成训练集和测试集。首先对原始样本数据进行筛选，剔除一些由于温度廓线无法判定对流层顶而导致的无效值；筛选后，基于采样算法和归一化算法解决数据集分布不均匀、量纲不一致的问题，再按照6.5：3.5将预处理后的样本集切分成训练集和测试集；
第三步：构建随机森林回归模型。其中首先确定模型内包含的二叉树模型的数量，再根据不断试验分别确定树最大深度以及最大叶结点数目，从而构建以GNSS掩星对流层顶高度，温度以及归一化后的时间，日期，经度，纬度为输入参数，对应的ECMWF对流层顶高度与温度为目标参数的随机森林回归模型；
第四步：训练随机森林模型。如图2所示，随机森林回归的训练会将样本随机划分为包含不同个特征的n个子样本，送给对应数目的二叉树模型。每个二叉树模型在所有输入特征中随机选择某一特征进行计算，直到选择到最优特征，在得到最优特征后，以该特征为结点分裂从而将输入特征分为两个单元，继续寻找最优特征，直到得到全部叶结点。最后随机森林整合全部二叉树的结果得到最终结果；
第五步：对流层顶参数修正。利用训练好的随机森林模型计算修正后的对流层顶高度和温度参数，评价修正效果。
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
本发明的实施例1提出了基于随机森林回归的GNSS掩星对流层参数的修正方法。
利用FY3C卫星上GNSS掩星探测仪(简称GNOS)的掩星观测数据，采用本发明的基于BP神经网络方法修正FY3C星GNSS掩星高纬度地区对流层顶参数对数据进行修正。FY3C卫星发射于2013年9月，是太阳同步轨道卫星，其轨道倾角98.8°，平均海拔836km，轨道周期为101.5分钟。其搭载的GNSS掩星接收机GNOS可以同时兼容北斗导航卫星系统(BDS)的信号与全球定位系统(GPS)的信号。FY3C GNOS正常业务运行期间提供的大气温度廓线的数量为每天400-500个。
第一步原始数据样本构建：FY3C掩星数据与ECMWF数据进行时空匹配。本实例使用了2017年12-2018年2月(DJF)以及2018年6月-2018年8月(JJA)的两季的FY3C掩星数据与ECMWF业务档案库的温度廓线数据，按照时间、经度、纬度进行匹配，通过温度递减率算法计算匹配后温度廓线的对流层顶高度与温度，得到原始样本集。训练集39448组数据，其中2017.12-2018.2.时间段19261组数据，2018.6-2018.8时间段内20187组数据，测试集21242组数据，其中DJF10444组数据，JJA10798组数据。
第二步生成训练集和测试集：对原始样本集进行筛选，剔除由于温度廓线无法判定对流层顶的无效数据，随机选取65％作为训练集，剩余35％作为测试集，保证两季训练集，测试集数据的纬度分布一致，具体纬度分布见图3。
第三步随机森林回归模型搭建：随机森林内包含100个二叉树学习器，不设置树最大深度与最大叶结点数目，损失函数选择MSE函数，接着选定模型的评价指标为均方根误差RMSE，就此搭建了以修正前FY3C掩星对流层顶参数为输入，修正后FY3C掩星对流层顶参数为输出的随机森林回归模型。
第四步随机森林回归模型训练：假定具有N个样本的样本集
其中每个样本的输入特征向量有p个特征。依次通过有放回抽样得到子样本集x1，x2，…，xn，送入学习器，即决策树M1，M2，…，Mn，每个决策回归树随机选取f1，f2，…fn个特征，训练得到回归结果y1，y2，…，yn，并由他们的平均值得到最终的回归结果y。其中每个学习器为为二叉树结构，每个结点对应一个特定的输出，当测试数据按照其特征落到某个结点上时，则得到该结点对应的输出值。训练一个分类回归树即是不断将输入特征划分成两个单元，随即确定每个划分单元对应的输出，即生成结点。当满足停止条件时划分终止，确定该最终单元的输出后，即该叶结点被确定，当全部叶结点都被确定时，整个分类回归树训练完毕。
第五步对流层顶参数修正：将待测的数据输入随机森林回归对流层顶参数修正模型中，获得修正后的对流层顶高度和温度参数，评估模型对于FY3C掩星对流层顶参数的修正情况。整体上，该方法明显的降低了FY3C掩星对流层顶参数与ECMWF结果的偏差，具体修正情况如图4。图4为修正前后FY3C星GNSS掩星数据产品与ECMWF模式数据在各地理网格中误差绝对值的减小值(标倒三角的网格代表误差增加)，图4(a)表示对流层顶高度修正效果，图4(b)表示对流层顶温度修正效果。相比修正前，全球大部分高纬度地区修正后的对流层顶高度与对流层顶温度与ECMWF结果的误差绝对值分别降低了0～0.5km与0～1K。
本发明基于随机森林回归模型，以目前权威数据ECMWF四维变分模型温度廓线数据为真值，修正了高纬度地区GNSS掩星对流层顶参数的误差，提高了GNSS掩星对流层顶参数产品的质量。相比修正前，全球大部分高纬度地区修正后的对流层顶高度与对流层顶温度与ECMWF结果的误差绝对值分别降低了0～0.5km与0～1K。
实施例2
本发明的实施例2提出了一种基于随机森林回归的GNSS掩星对流层参数的修正系统，基于实施例1的方法实现，所述系统包括：修正模型、接收模块、预处理模块和输出模块；其中，
所述接收模块，用于接收GNSS掩星探测仪采集反演得到的对流层顶参数产品数据；
所述预处理模块，用于对对流层顶参数产品数据进行预处理；
所述输出模块，用于将预处理后的数据输入预先建立和训练好的修正模型，得到修正后的对流层顶高度和对流层顶温度；
所述修正模型采用随机森林回归模型。
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 (7)
1.一种基于随机森林回归的GNSS掩星对流层参数的修正方法，所述方法包括：
接收GNSS掩星探测仪采集反演得到的对流层顶参数产品数据；
对对流层顶参数产品数据进行预处理；
将预处理后的数据输入预先建立和训练好的修正模型，得到修正后的对流层顶高度和对流层顶温度；
所述修正模型采用随机森林回归模型。
2.根据权利要求1所述的基于随机森林回归的GNSS掩星对流层参数的修正方法，其特征在于，所述对流层顶参数产品数据包括由GNSS掩星干温廓线计算得到的对流层顶温度、对流层顶高度、廓线经纬度以及对应的采集日期和时间。
3.根据权利要求1所述的基于随机森林回归的GNSS掩星对流层参数的修正方法，其特征在于，所述预处理具体包括：
对廓线经纬度以及对应的采集日期和时间进行归一化处理。
4.根据权利要求1所述的基于随机森林回归的GNSS掩星对流层参数的修正方法，其特征在于，所述修正模型的输入为预处理后的对流层顶参数产品数据，输出为修正后的对流层顶高度和对流层顶温度，采用的随机森林回归模型包括100个二叉树学习器。
5.根据权利要求2所述的基于随机森林回归的GNSS掩星对流层参数的修正方法，其特征在于，所述方法还包括修正模型的训练步骤，具体包括：
选取FY3C掩星数据与ECMWF业务档案库的温度廓线数据，按照时间、经度和纬度进行匹配，通过温度递减率算法计算匹配后温度廓线的对流层顶高度和对流层顶温度，得到原始样本集；
对原始样本集的数据进行筛选，剔除由于温度廓线无法判定对流层顶的无效数据，再基于采样算法和归一化算法进行预处理，根据一定比例将预处理后的样本集数据随机分配到训练集和测试集中；
对于具有N个样本的训练集，依次通过有放回抽样得到子样本集x1，x2，…，xn，分别送入学习器M1，M2，…，Mn，每个学习器为一个二叉树结构的决策回归树，随机选取f1，f2，…fn个特征，训练得到回归结果y1，y2，…，yn，并由回归结果的平均值得到最终的回归结果y，其中对于每个学习器的训练为不断将输入特征划分成两个单元，随即确定每个划分单元对应的输出，进而生成叶结点，当满足停止条件时划分终止，确定该叶结点，当全部叶结点均确定，则该学习器训练完毕，当所有学习器训练完毕，则得到预训练好的修正模型；
将测试集数据依次输入预训练好的修正模型，判断输出结果是否达到评估要求，判断为否，重新训练；判断为是，得到训练好的修正模型。
6.根据权利要求3所述的基于随机森林回归的GNSS掩星对流层参数的修正方法，其特征在于，所述训练集和测试集的数据纬度分布保持一致。
7.一种基于随机森林回归的GNSS掩星对流层参数的修正系统，其特征在于，所述系统包括：修正模型、接收模块、预处理模块和输出模块；其中，
所述接收模块，用于接收GNSS掩星探测仪采集反演得到的对流层顶参数产品数据；
所述预处理模块，用于对对流层顶参数产品数据进行预处理；
所述输出模块，用于将预处理后的数据输入预先建立和训练好的修正模型，得到修正后的对流层顶高度和对流层顶温度；
所述修正模型采用随机森林回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110790319.9A CN113609757B (zh) | 2021-07-13 | 2021-07-13 | 基于随机森林回归的gnss掩星对流层参数的修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110790319.9A CN113609757B (zh) | 2021-07-13 | 2021-07-13 | 基于随机森林回归的gnss掩星对流层参数的修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609757A true CN113609757A (zh) | 2021-11-05 |
| CN113609757B CN113609757B (zh) | 2024-03-08 |
Family
ID=78337493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110790319.9A Active CN113609757B (zh) | 2021-07-13 | 2021-07-13 | 基于随机森林回归的gnss掩星对流层参数的修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609757B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105182366A (zh) * | 2015-09-02 | 2015-12-23 | 东南大学 | 一种基于实测气象参数的对流层天顶延迟改正方法 |
| CN106054283A (zh) * | 2016-05-27 | 2016-10-26 | 中国科学技术大学 | 一种反演上对流层与下平流层风场的方法及装置 |
| CN109738926A (zh) * | 2019-04-01 | 2019-05-10 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
| CN110275183A (zh) * | 2019-06-18 | 2019-09-24 | 中国科学院国家空间科学中心 | 基于电离层电子密度的gnss掩星电离层残差修正方法及系统 |
| CN110516840A (zh) * | 2019-07-15 | 2019-11-29 | 国网甘肃省电力公司电力科学研究院 | 基于改进随机森林方法的风光发电出力的短期预测方法 |
| US20200049837A1 (en) * | 2018-08-09 | 2020-02-13 | Apple Inc. | Machine learning assisted satellite based positioning |
| CN111241698A (zh) * | 2020-01-17 | 2020-06-05 | 国家卫星气象中心 | 对流层顶风场反演方法、装置、存储介质及计算机设备 |
| CN111323797A (zh) * | 2020-03-17 | 2020-06-23 | 中国科学院国家空间科学中心 | 一种利用gnss大气掩星弯曲角数据反演对流层顶参数的方法 |
| CN111382507A (zh) * | 2020-03-04 | 2020-07-07 | 山东大学 | 一种基于深度学习的全球对流层延迟建模方法 |
| CN112232554A (zh) * | 2020-09-28 | 2021-01-15 | 中国科学院空天信息创新研究院 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
| CN112904384A (zh) * | 2021-01-22 | 2021-06-04 | 上海航天测控通信研究所 | 基于机器学习的星载gnss-r高度要素探测装置及方法 |
-
2021
- 2021-07-13 CN CN202110790319.9A patent/CN113609757B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105182366A (zh) * | 2015-09-02 | 2015-12-23 | 东南大学 | 一种基于实测气象参数的对流层天顶延迟改正方法 |
| CN106054283A (zh) * | 2016-05-27 | 2016-10-26 | 中国科学技术大学 | 一种反演上对流层与下平流层风场的方法及装置 |
| US20200049837A1 (en) * | 2018-08-09 | 2020-02-13 | Apple Inc. | Machine learning assisted satellite based positioning |
| CN109738926A (zh) * | 2019-04-01 | 2019-05-10 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
| CN110275183A (zh) * | 2019-06-18 | 2019-09-24 | 中国科学院国家空间科学中心 | 基于电离层电子密度的gnss掩星电离层残差修正方法及系统 |
| CN110516840A (zh) * | 2019-07-15 | 2019-11-29 | 国网甘肃省电力公司电力科学研究院 | 基于改进随机森林方法的风光发电出力的短期预测方法 |
| CN111241698A (zh) * | 2020-01-17 | 2020-06-05 | 国家卫星气象中心 | 对流层顶风场反演方法、装置、存储介质及计算机设备 |
| CN111382507A (zh) * | 2020-03-04 | 2020-07-07 | 山东大学 | 一种基于深度学习的全球对流层延迟建模方法 |
| CN111323797A (zh) * | 2020-03-17 | 2020-06-23 | 中国科学院国家空间科学中心 | 一种利用gnss大气掩星弯曲角数据反演对流层顶参数的方法 |
| CN112232554A (zh) * | 2020-09-28 | 2021-01-15 | 中国科学院空天信息创新研究院 | 一种基于bp神经网络的局域短临降水预报模型的构建方法 |
| CN112904384A (zh) * | 2021-01-22 | 2021-06-04 | 上海航天测控通信研究所 | 基于机器学习的星载gnss-r高度要素探测装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZIYAN LIU等: "Validation of Preliminary Results of thermal Tropopause Derived from FY-3C GNOS Data", 《REMOTE SENSING》, vol. 11, no. 9, pages 1 - 20 * |
| 刘梓琰: "基于FY3CGNSS掩星探测的大气对流层顶产品研究", 《中国优秀博士学位论文全文数据库》, no. 1, pages 008 - 34 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609757B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yagli et al. | Can we justify producing univariate machine-learning forecasts with satellite-derived solar irradiance? | |
| CN109344865B (zh) | 一种多数据源的数据融合方法 | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| Jin et al. | Machine learning for observation bias correction with application to dust storm data assimilation | |
| CN111487216B (zh) | 一种二氧化碳通量反演方法、系统 | |
| CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
| CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
| CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
| CN113791415A (zh) | 一种基于深度学习的雷达定量降水估计方法 | |
| CN112949158B (zh) | 一种提高地下水位变化量的空间分辨率及精度的方法 | |
| Liu et al. | Estimating surface carbon fluxes based on a local ensemble transform Kalman filter with a short assimilation window and a long observation window: an observing system simulation experiment test in GEOS-Chem 10.1 | |
| CN114974453A (zh) | 一种大气二氧化碳柱浓度高覆盖度重建方法 | |
| CN113340836A (zh) | 一种针对高纬复杂下垫面的大气温湿廓线反演方法 | |
| 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 | |
| CN114648705A (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
| CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
| CN110502526B (zh) | 一种适用于结冰现象的资料序列插补的方法 | |
| CN115876948A (zh) | 基于卫星柱浓度和4d-letkf混合同化算法的碳卫星同化系统及其构建方法 | |
| CN115618993A (zh) | 一种基于时序数据预测技术的光伏发电功率智能预测方法 | |
| CN113608239B (zh) | 基于bp神经网络的gnss掩星对流层参数的修正方法 | |
| CN114490905A (zh) | 一种晴空地表净长波辐射一体化反演方法及系统 | |
| CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
| CN113609757A (zh) | 基于随机森林回归的gnss掩星对流层参数的修正方法 | |
| CN114357885B (zh) | 一种融合多源数据的光合有效辐射散射比例预测方法 |
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 |