CN113687961A - 基于云端的红外高光谱辐射传输快速并发计算系统及方法 - Google Patents
基于云端的红外高光谱辐射传输快速并发计算系统及方法 Download PDFInfo
- Publication number
- CN113687961A CN113687961A CN202110948318.2A CN202110948318A CN113687961A CN 113687961 A CN113687961 A CN 113687961A CN 202110948318 A CN202110948318 A CN 202110948318A CN 113687961 A CN113687961 A CN 113687961A
- Authority
- CN
- China
- Prior art keywords
- profile data
- infrared hyperspectral
- data
- service module
- cloud
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/545—Interprogram communication where tasks reside in different layers, e.g. user- and kernel-space
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
Abstract
一种基于云端的红外高光谱辐射传输快速并发计算方法,包括以下步骤:1)利用数值预报模型,将地球环境参数生成地球和空间环境模拟数据;2)将所述地球和空间环境模拟数据生成标准化的大气廓线数据;3)将所述大气廓线数据以KEY‑VALUE存储方式写入内存数据库,并将KEY写入消息队列;4)通过辐射传输模型对所述大气廓线数据进行模拟,获取载荷红外高光谱探测的物理量;5)获取各扫描区域的大气廓线数据与模拟亮温,并进行合并。本发明还提供一种基于云端的红外高光谱辐射传输快速并发计算系统,实现了红外高光谱辐射亮温的快速计算,可以满足数千通道的红外高光谱数据快速计算的需求,计算速度和运行效率大步提高。
Description
技术领域
本发明涉及气象数据处理技术领域,尤其涉及一种基于云端的红外高光谱辐射传输快速并发计算系统及方法。
背景技术
经过半个世纪努力,我国已成功发射了18颗气象卫星,目前在轨运行8颗,形成了兼顾成像、探测,覆盖可见、红外、微波等谱段的综合对地观测能力,成为全球同时具有极轨和静止两个系列业务气象卫星的少数几个国家之一。我国第二代极轨风云气象卫星——风云三号上搭载了红外高光谱大气垂直探测仪(High Spectral Infrared AtmosphericSounder,HIRAS)。作为我国独立自主生产的遥感仪器,风云三号D星上的HIRAS已具有2275个通道,其数据产品经过偏差订正后,已得到国内外同行的广泛认可,认为其数据质量已达到国外同类仪器水准,相关数据已经在中国气象局数值天气预报中心、欧洲中尺度天气预报中心(ECMWF)、英国气象局等全球主要的数值预报中心得到了业务同化应用。
未来即将发射的风云三号E星,作为风云三号03批的首发星,其上搭载的HIRAS II型通道数据将有望达到3041个,仪器创新发展速度非常迅速,而需要精确评估HIRAS探测资料的长期稳定性,即需要以数值天气预报模式数据作为输入,利用快速辐射传输模式(如RTTOV、CRTM等)计算得到背景亮温的正演模拟数据,而由于通道多,且生成频次高(每5分钟生成一个数据文件),业务应用要求所有数据处理需要在5分钟内完成,这就对高光谱数据正演计算的效率提出了更高的要求。
国家卫星气象中心从风云三号卫星建设初期已经开始红外高光谱正演快速计算方法的研究,根据HIRAS仪器的特点,利用单个10核2.3GHz的intel至强处理器计算一个5分钟块数据需要17分钟。传统上,可以采用刀片集群与共享盘阵的系统架构,利用MPI加上OPENMP技术,实现并发处理,进而提高计算效率。MPI是一个跨语言的通讯协议,作为一个信息传递应用程序接口,包括协议和语义说明,具有实现高性能,大规模性、可移植性等特点。而OpenMP(Open Multi-Processing),是一个诸多编译器支持的框架可用不需要任何配置,在Visual Studio或者gcc中使用。OpenMP提供一种简单的方式实现多线程化,可以通过插入pragma指令和函数来让编译器自动实现并行运行。
实际应用中,HIRAS的计算对计算能力以及输入输出能力的要求非常高。一方面,需要基于不同的输入和模式计算多组数据。数值天气预报模式提供的背景场是快速辐射传输模型的重要输入,由于不同数值天气预报模式资料存在一定的差异,因而实际应用中,往往需要参考不同的数值天气预报模式数据作为背景场。同时,需要采取不同的正演方案对仪器进行模拟,以判断仪器误差的一致性问题;另一方面,红外高光谱HIRAS载荷包含本身2275个通道,每5分钟一个数据,一天生成288个文件,这就使得以上计算过程具有输入输出(IO)密集型与计算密集性的特点。
发明内容
为了解决现有技术存在的不足,本发明的目的在于提供一种基于云端的红外高光谱辐射传输快速并发计算系统及方法,基于Redis云端框架,实现红外高光谱辐射亮温的快速计算,满足数千通道的红外高光谱数据快速计算的需求,提高计算效率。
为实现上述目的,本发明提供的基于云端的红外高光谱辐射传输快速并发计算方法,包括以下步骤:
1)利用数值预报模型,将地球环境参数生成地球和空间环境模拟数据;
2)将所述地球和空间环境模拟数据生成标准化的大气廓线数据;
3)将所述大气廓线数据以KEY-VALUE存储方式写入内存数据库,并将KEY写入消息队列;
4)通过辐射传输模型对所述大气廓线数据进行模拟,获取载荷红外高光谱探测的物理量;
5)获取各扫描区域的大气廓线数据与模拟亮温,并进行合并。
进一步地,还包括,所述地球环境参数,包括,常规观测数据、卫星反演产品、数值预报数据、气候态数据。
进一步地,所述步骤1)还包括,利用数值预报模型,将地球环境参数生成与仪器观测时间相匹配的地球和空间环境模拟数据。
进一步地,所述步骤2)还包括,
将所述地球和空间环境模拟数据和仪器观测几何参数、扫描时间进行空间与时间上的匹配,生成与仪器观测相匹配的标准化的大气廓线数据。
更进一步地,所述步骤4)还包括,
从消息队列中,以FIFO的原则读取KEY;
利用所述KEY读取各扫描区域的大气廓线数据;
基于所述各扫描区域的大气廓线数据,通过辐射传输模型模拟出载荷红外高光谱探测的物理量。
为实现上述目的,本发明提供的基于云端的红外高光谱辐射传输快速并发计算系统,包括,地球环境参数模拟服务模块、仪器扫描空间参数模拟服务模块、大气廓线数据交互服务模块、内存数据库模块、红外高光谱通道数学物理模拟服务模块,以及数据格式服务模块,其中,
所述地球环境参数模拟服务模块,其利用数值预报模型,将地球环境参数生成与仪器观测时间相匹配的地球和空间环境模拟数据;
所述仪器扫描空间参数模拟服务模块,其将所述地球和空间环境模拟数据和仪器观测几何参数、扫描时间进行空间与时间上的匹配,生成与仪器观测相匹配的标准化的大气廓线数据。
所述大气廓线数据交互服务模块,其将所述标准化的大气廓线数据以KEY-VALUE存储方式写入所述内存数据库模块,并将KEY写入消息队列;
所述内存数据库模块,为Redis内存数据库,用于大气廓线数据的在线存储与消息队列的分发;
所述红外高光谱通道数学物理模拟服务模块,其通过辐射传输模型对所述大气廓线数据进行模拟,获取载荷红外高光谱探测的物理量;
所述数据格式服务模块,其通过所述大气廓线数据交互服务模块,获取各扫描区域的大气廓线数据与模拟亮温,并进行合并处理。
进一步地,所述大气廓线数据交互服务模块,还包括,
接受所述红外高光谱通道数学物理模拟服务模块的请求,从所述内存数据库模块中读取各扫描区域的大气廓线数据及消息队列,并转发给所述红外高光谱通道数学物理模拟服务模块。
进一步地,所述红外高光谱通道数学物理模拟服务模块,还包括,从消息队列中,以FIFO的原则读取KEY;利用所述KEY读取各扫描区域的大气廓线数据;基于所述各扫描区域的大气廓线数据,通过辐射传输模型模拟出载荷红外高光谱探测的物理量。
为实现上述目的,本发明还提供一种电子设备,包括,存储器和处理器,所述存储器上储存有在所述处理器上运行的计算机程序,所述处理器运行所述基于云端的红外高光谱辐射传输快速并发计算方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序运行时执行如上文所述的基于云端的红外高光谱辐射传输快速并发计算方法的步骤。
与现有技术相比较,本发明的基于云端的红外高光谱辐射传输快速并发计算系统及方法,具有以下有益效果:
1)采用分布式架构,提高存储的可用性和可扩展性:
在传统设计中,系统设计人员通常按系统资源需求的最大值来对系统进行配置,在资源的使用上,无法准确计算所需配置;新系统则通过可扩展特性,利用有限的资源配置满足高效计算的要求,提高计算资源的应用效率。
2)以扫描区域为单位,最大化集群处理能力:
在传统设计中,并行方面只是对观测区域简单切片,通过MPI对数值天气预报模式数据的某一层进行并发处理,并通过OpenMP进行通道间的线程并发。通过将扫描区域分配到不同的计算节点,可以最大限度地平衡计算能力,发挥集群处理的优势。
3)应用Redis框架,实现了红外高光谱辐射亮温的快速计算,能满足数千通道的红外高光谱数据快速计算的需求:
在采用10个计算节点的情况下,采用传统并行方案需要2分钟完成的计算,基于Redis框架的方案仅需要1分钟左右。不仅很好满足了现有风云三号系列卫星HIRAS红外高光谱正演计算的需要,同时也能够满足未来FY-3E更多通道数据的快速正演计算需求。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明的基于云端的红外高光谱辐射传输快速并发计算方法流程图;
图2为根据本发明的基于云端的红外高光谱辐射传输快速并发计算系统架构示意图;
图3为根据本发明的方法与传统方法CPU使用时间对比示意图;
图4为根据本发明的电子设备结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明的基于云端的红外高光谱辐射传输快速并发计算系统及方法,利用Redis作为内存数据库,用于大气廓线数据的在线存储与消息队列的分发。对于大气廓线数据,采用KEY-Value结构,将其存储于Redis内存数据库中,并将KEY写入到FIFO队列中。云端各节点从FIFO队列中,读取KEY,并从内存数据库中,取出廓线数据,进行正演,并将结果写入到内存数据库中。
Redis是现在最受欢迎的NoSQL数据库之一,Redis是一个使用ANSI C编写的开源、包含多种数据结构、支持网络、基于内存、可选持久性的键值对存储数据库,由于基于内存运行,具有更高的性能,其支持分布式与主从架构,理论上可以无限扩展;其单节点支持读的速度是110000次/s,写的速度是81000次/s,支持高速输入输出(IO)。开源的使用ANSI C语言编写、遵守BSD协议、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库,并提供多种语言的API。
实施例1
图1为根据本发明的基于云端的红外高光谱辐射传输快速并发计算方法流程图,下面将参考图1,对本发明的基于云端的红外高光谱辐射传输快速并发计算方法进行详细描述。
首先,在步骤101,利用数值预报模型,将地球环境参数生成地球和空间环境模拟数据。
本发明实施例中,利用数值预报模型,将取自真实的常规观测数据、卫星反演产品、数值预报数据、气候态数据等地球环境参数,生成与仪器观测时间相匹配的高时空分辨率的地球和空间环境模拟数据。其中,数值预报模型指的是WRF(The Weather Researchand Forecasting Model),是新一代的中初度天气预报模式,是气象行业广泛应用的开源气象模拟软件。
在步骤102,生成标准化的大气廓线数据。
本发明实施例中,读取仪器的观测几何参数(卫星天顶角、卫星方位角、仪器天顶角和仪器方位角)和卫星扫描时间,将步骤101生成的地球和空间环境模拟数据与仪器观测几何参数、扫描时间进行空间与时间上的匹配,对匹配参数设置阈值范围,在阈值范围内的可认为匹配成功,最终生成与仪器观测几何参数、扫描时间相匹配的标准化的大气廓线数据。
本发明实施例中,生成的标准化的大气廓线数据,包括,温度廓线、湿度廓线、地表参数、观测几何参数。
在步骤103,将标准化的大气廓线数据写入内存数据库。
本发明实施例中,将步骤102生成的标准化的大气廓线数据,以KEY-VALUE存储方式写入内存数据库,并将KEY写入消息队列。
在步骤104,根据大气廓线数据模拟载荷红外高光谱探测的物理量(模拟亮温)。
本发明实施例中,从消息队列中,以FIFO的原则读取KEY,并利用KEY读取各扫描区域的大气廓线数据;利用各扫描区域的大气廓线数据,通过辐射传输模型模拟载荷红外高光谱探测的物理量,即卫星观测入瞳处能量,可用亮温表示。其中辐射传输模型是基于分子光谱学和电磁波传播理论建立了模拟电磁辐射在大气中传播的过程,常用的辐射传输模型有RTTOV,MOTRAN等。
在步骤105,将获取的各扫描区域的大气廓线数据与模拟亮温进行合并处理。
本发明实施例中,获取各扫描区域的大气廓线数据与模拟亮温,进行合并,供用户使用。
实施例2
图2为根据本发明的基于云端的红外高光谱辐射传输快速并发计算系统架构示意图,如图2所示,本发明的基于云端的红外高光谱辐射传输快速并发计算系统,包括,地球环境参数模拟服务模块201、仪器扫描空间参数模拟服务模块202、大气廓线数据交互服务模块203、内存数据库模块204、红外高光谱通道数学物理模拟服务模块205,以及数据格式服务模块206,其中,
地球环境参数模拟服务模块201,利用数值预报模型,将取自真实的常规观测数据、卫星反演产品、数值预报数据、气候态数据等地球环境参数,生成与仪器观测时间相匹配的高时空分辨率的地球和空间环境模拟数据并发送给仪器扫描空间参数模拟服务模块202。
仪器扫描空间参数模拟服务模块202,将来自地球环境参数模拟服务模块201的地球和空间环境模拟数据和仪器观测几何参数、扫描时间进行空间与时间上的匹配,生成与仪器观测相匹配的标准化的大气廓线数据发送给大气廓线数据交互服务模块203。
大气廓线数据交互服务模块203,其将仪器扫描空间参数模拟服务模块202生成的标准化的大气廓线数据以KEY-VALUE存储方式写入内存数据库模块204,并将KEY写入消息队列;接受红外高光谱通道数学物理模拟服务模块205的请求,从内存数据库模块204中读取各扫描区域的大气廓线数据及消息队列,并转发给红外高光谱通道数学物理模拟服务模块205。
内存数据库模块204,为Redis内存数据库,用于大气廓线数据的在线存储与消息队列的分发。
红外高光谱通道数学物理模拟服务模块205,其部署于各运算节点,并从大气廓线数据交互服务模块203提供的消息队列中,以FIFO的原则读取KEY,并以此通过大气廓线数据交互服务模块203读取各扫描区域的大气廓线数据;同时基于各扫描区域的大气廓线数据,通过辐射传输模型模拟载荷红外高光谱探测的物理量(模拟亮温),即卫星观测入瞳处能量。
数据格式服务模块206,其通过大气廓线数据交互服务模块203,获取各扫描区域的大气廓线数据与模拟亮温,进行合并,供用户使用。
图3为根据本发明的方法与传统方法CPU使用时间对比示意图,如图3所示,采用10节点,共60个CPU核心。其中,左图为MPI+OpenMP架构系统,而右图为本发明的基于云端的红外高光谱辐射传输快速并发计算系统,更新后的系统,其CPU使用时间更均匀,而速度提高了近1倍,从2分钟缩短到1分钟左右。
实施例3
本发明的实施例还提供一种电子设备,图4为根据本发明的电子设备结构示意图,如图4所示,本发明的电子设备40,包括处理器401,以及存储器402,其中,
存储器402存储有计算机程序,计算机程序在被处理器401读取执行时,执行上述基于云端的红外高光谱辐射传输快速并发计算方法实施例中的步骤。
实施例4
本发明的实施例,还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述基于云端的红外高光谱辐射传输快速并发计算方法实施例中的步骤。
在本实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云端的红外高光谱辐射传输快速并发计算方法,包括以下步骤:
1)利用数值预报模型,将地球环境参数生成地球和空间环境模拟数据;
2)将所述地球和空间环境模拟数据生成标准化的大气廓线数据;
3)将所述大气廓线数据以KEY-VALUE存储方式写入内存数据库,并将KEY写入消息队列;
4)通过辐射传输模型对所述大气廓线数据进行模拟,获取载荷红外高光谱探测的物理量;
5)获取各扫描区域的大气廓线数据与模拟亮温,并进行合并。
2.根据权利要求1所述的基于云端的红外高光谱辐射传输快速并发计算方法,其特征在于,还包括,所述地球环境参数,包括,常规观测数据、卫星反演产品、数值预报数据、气候态数据。
3.根据权利要求1所述的基于云端的红外高光谱辐射传输快速并发计算方法,其特征在于,所述步骤1)还包括,利用数值预报模型,将地球环境参数生成与仪器观测时间相匹配的地球和空间环境模拟数据。
4.根据权利要求1所述的基于云端的红外高光谱辐射传输快速并发计算方法,其特征在于,所述步骤2)还包括,
将所述地球和空间环境模拟数据和仪器观测几何参数、扫描时间进行空间与时间上的匹配,生成与仪器观测相匹配的标准化的大气廓线数据。
5.根据权利要求1所述的基于云端的红外高光谱辐射传输快速并发计算方法,其特征在于,所述步骤4)还包括,
从消息队列中,以FIFO的原则读取KEY;
利用所述KEY读取各扫描区域的大气廓线数据;
基于所述各扫描区域的大气廓线数据,通过辐射传输模型模拟出载荷红外高光谱探测的物理量。
6.一种基于云端的红外高光谱辐射传输快速并发计算系统,其特征在于,包括,地球环境参数模拟服务模块、仪器扫描空间参数模拟服务模块、大气廓线数据交互服务模块、内存数据库模块、红外高光谱通道数学物理模拟服务模块,以及数据格式服务模块,其中,
所述地球环境参数模拟服务模块,其利用数值预报模型,将地球环境参数生成与仪器观测时间相匹配的地球和空间环境模拟数据;
所述仪器扫描空间参数模拟服务模块,其将所述地球和空间环境模拟数据和仪器观测几何参数、扫描时间进行空间与时间上的匹配,生成与仪器观测观测几何参数、扫描时间相匹配的标准化的大气廓线数据;
所述大气廓线数据交互服务模块,其将所述标准化的大气廓线数据以KEY-VALUE存储方式写入所述内存数据库模块,并将KEY写入消息队列;
所述内存数据库模块,为Redis内存数据库,用于大气廓线数据的在线存储与消息队列的分发;
所述红外高光谱通道数学物理模拟服务模块,其通过辐射传输模型对所述大气廓线数据进行模拟,获取载荷红外高光谱探测的物理量;
所述数据格式服务模块,其通过所述大气廓线数据交互服务模块,获取各扫描区域的大气廓线数据与模拟亮温,并进行合并处理。
7.根据权利要求1所述的基于云端的红外高光谱辐射传输快速并发计算系统,其特征在于,所述大气廓线数据交互服务模块,还包括,
接受所述红外高光谱通道数学物理模拟服务模块的请求,从所述内存数据库模块中读取各扫描区域的大气廓线数据及消息队列,并转发给所述红外高光谱通道数学物理模拟服务模块。
8.根据权利要求1所述的基于云端的红外高光谱辐射传输快速并发计算系统,其特征在于,所述红外高光谱通道数学物理模拟服务模块,还包括,从消息队列中,以FIFO的原则读取KEY;利用所述KEY读取各扫描区域的大气廓线数据;基于所述各扫描区域的大气廓线数据,通过辐射传输模型模拟出载荷红外高光谱探测的物理量。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上储存有在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行权利要求1至5任一项所述的基于云端的红外高光谱辐射传输快速并发计算方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序运行时执行权利要求1至5任一项所述的基于云端的红外高光谱辐射传输快速并发计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110948318.2A CN113687961B (zh) | 2021-08-18 | 2021-08-18 | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110948318.2A CN113687961B (zh) | 2021-08-18 | 2021-08-18 | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687961A true CN113687961A (zh) | 2021-11-23 |
CN113687961B CN113687961B (zh) | 2023-09-26 |
Family
ID=78580830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110948318.2A Active CN113687961B (zh) | 2021-08-18 | 2021-08-18 | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687961B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238514A (zh) * | 2022-08-02 | 2022-10-25 | 北京华云星地通科技有限公司 | 一种卫星载荷观测模拟数据的计算方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
US7558673B1 (en) * | 2006-03-03 | 2009-07-07 | Itt Manufacturing Enterprises, Inc. | Method and system for determining atmospheric profiles using a physical retrieval algorithm |
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 |
CN105784624A (zh) * | 2016-03-04 | 2016-07-20 | 环境保护部卫星环境应用中心 | 一种水汽廓线的反演方法以及装置 |
CN107850690A (zh) * | 2016-06-16 | 2018-03-27 | I.M.系統集团公司 | 整合的天气预测系统、方法和设备 |
EP3376256A1 (de) * | 2017-03-15 | 2018-09-19 | MBDA Deutschland GmbH | Verfahren zur positionsbestimmung und radarsystem |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
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 |
CN112284687A (zh) * | 2020-09-21 | 2021-01-29 | 中国科学院上海技术物理研究所 | 一种适用于深空探测成像光谱仪的成像模拟系统和方法 |
-
2021
- 2021-08-18 CN CN202110948318.2A patent/CN113687961B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558673B1 (en) * | 2006-03-03 | 2009-07-07 | Itt Manufacturing Enterprises, Inc. | Method and system for determining atmospheric profiles using a physical retrieval algorithm |
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
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 |
CN105784624A (zh) * | 2016-03-04 | 2016-07-20 | 环境保护部卫星环境应用中心 | 一种水汽廓线的反演方法以及装置 |
CN107850690A (zh) * | 2016-06-16 | 2018-03-27 | I.M.系統集团公司 | 整合的天气预测系统、方法和设备 |
EP3376256A1 (de) * | 2017-03-15 | 2018-09-19 | MBDA Deutschland GmbH | Verfahren zur positionsbestimmung und radarsystem |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
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 |
CN112284687A (zh) * | 2020-09-21 | 2021-01-29 | 中国科学院上海技术物理研究所 | 一种适用于深空探测成像光谱仪的成像模拟系统和方法 |
Non-Patent Citations (2)
Title |
---|
官元红: "基于一维变分算法的红外高光谱卫星遥感大气温湿廓线研究", 大气科学学报, vol. 42, no. 4, pages 602 - 611 * |
白文广;张鹏;张文建;李俊;: "一种高效计算高光谱分辨率红外大气辐射传输的方法", 红外与毫米波学报, vol. 35, no. 01, pages 99 - 108 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238514A (zh) * | 2022-08-02 | 2022-10-25 | 北京华云星地通科技有限公司 | 一种卫星载荷观测模拟数据的计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113687961B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | 10M-core scalable fully-implicit solver for nonhydrostatic atmospheric dynamics | |
Bergé et al. | An ultra fast image generator (ufig) for wide-field astronomy | |
Partee et al. | Using machine learning at scale in numerical simulations with SmartSim: An application to ocean climate modeling | |
Romero-Gómez et al. | Gaia kinematics reveal a complex lopsided and twisted Galactic disc warp | |
Rodríguez et al. | Simulation of impulse response for indoor visible light communications using 3D CAD models | |
Ishiyama et al. | GreeM: massively parallel TreePM code for large cosmological N-body simulations | |
Ullrich et al. | MCore: A non-hydrostatic atmospheric dynamical core utilizing high-order finite-volume methods | |
Mielikainen et al. | GPU acceleration of the updated Goddard shortwave radiation scheme in the weather research and forecasting (WRF) model | |
Wang et al. | Stable climate simulations using a realistic general circulation model with neural network parameterizations for atmospheric moist physics and radiation processes | |
Price et al. | GPU-accelerated longwave radiation scheme of the rapid radiative transfer model for general circulation models (RRTMG) | |
Nakano et al. | Single precision in the dynamical core of a nonhydrostatic global atmospheric model: Evaluation using a baroclinic wave test case | |
Quan et al. | Probabilistic solar irradiance transposition models | |
Yokoi et al. | Application of cluster analysis to climate model performance metrics | |
Wang et al. | A hybrid MPI–OpenMP parallel algorithm and performance analysis for an ensemble square root filter designed for multiscale observations | |
CN110879776A (zh) | 一种测试用例的生成方法和装置 | |
Mielikainen et al. | GPU compute unified device architecture (CUDA)-based parallelization of the RRTMG shortwave rapid radiative transfer model | |
CN113687961B (zh) | 基于云端的红外高光谱辐射传输快速并发计算系统及方法 | |
Zhai et al. | Sample variance for supernovae distance measurements and the Hubble tension | |
Nagar et al. | Analytic systematics in next generation of effective-one-body gravitational waveform models for future observations | |
Wang et al. | Stable climate simulations using a realistic GCM with neural network parameterizations for atmospheric moist physics and radiation processes | |
CN110826279A (zh) | 一种固体目标光学特性的计算方法和装置 | |
Zhou et al. | A Parallel Scheme for Large‐scale Polygon Rasterization on CUDA‐enabled GPUs | |
Mu et al. | A radiative transfer deep learning model coupled into WRF with a generic fortran torch adaptor | |
Ollinaho et al. | Ensemble prediction using a new dataset of ECMWF initial states–OpenEnsemble 1.0 | |
Coleman et al. | Porting existing radiation code for GPU acceleration |
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 |