CN113935228A - 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 - Google Patents

一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 Download PDF

Info

Publication number
CN113935228A
CN113935228A CN202110813394.2A CN202110813394A CN113935228A CN 113935228 A CN113935228 A CN 113935228A CN 202110813394 A CN202110813394 A CN 202110813394A CN 113935228 A CN113935228 A CN 113935228A
Authority
CN
China
Prior art keywords
sea surface
data
surface radiation
wind speed
radiation brightness
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.)
Pending
Application number
CN202110813394.2A
Other languages
English (en)
Inventor
杨峰
张兰杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhongke Inverse Entropy Technology Co ltd
Original Assignee
Nanjing Zhongke Inverse Entropy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhongke Inverse Entropy Technology Co ltd filed Critical Nanjing Zhongke Inverse Entropy Technology Co ltd
Priority to CN202110813394.2A priority Critical patent/CN113935228A/zh
Publication of CN113935228A publication Critical patent/CN113935228A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明提出一种基于机器学习的L波段粗糙海面辐射亮温模拟方法，所述方法包括：基于多源卫星观测数据和再分析数据，建立匹配数据集；建立基于深度神经网络模型的低风速海面辐射亮温模型以及基于小样本学习方法的高风速海面辐射亮温模型；利用交叉验证方法，确定可能影响盐度反演精度的不同海气参数组合；将现场观测数据输入最终的辐射亮温模型获得辐射亮温结果。本发明具有计算速度快、精度高的优势；将机器学习方法引入到L波段粗糙海面辐射亮温模拟中，提高了海面盐度反演精度。

Description

一种基于机器学习的L波段粗糙海面辐射亮温模拟方法
技术领域
本发明属于微波遥感技术领域，具体为一种基于机器学习的L波段粗糙海面辐射亮温模拟方法。
背景技术
海面盐度对全球气候变化及其区域响应的研究，包括海洋热盐环流和热输运、全球海洋降水估计、海洋混合过程、陆海相互作用、全球水循环监测以及气候预报有着不可替代的作用。高精度的海面盐度遥感属于具有广阔发展前景的高新技术，是海洋学研究的前沿之一。卫星微波遥感技术以其覆盖范围广、空间分辨率高且可连续观测等优势，成为目前海面盐度全球密集探测的最主要手段。
真实的海面是不平静的，海表面辐射的总亮温主要取决于海面粗糙度，此外还与白冠、海气温差和海水介电常数等有关。研究表明，海绵风速、白冠、海绵温度，不同的海水介电常数都对亮温有所影响。相比于其他频段，作为卫星微波遥感盐度的重要载荷，L波段辐射亮温对海面盐度的敏感性较高。因此 L波段粗糙海面辐射亮温的模拟是海面盐度反演的关键。
目前，虽然L波段粗糙海面辐射亮温理论模型具有较强的推广性，但由于理论模型建模复杂且模型的有些关键参数尚无统一确定标准(如双尺度模型的临界波数)，因此在对其进行建模时，无法充分考虑海面粗糙度、白冠、海气温差、降雨等多种可能的影响因素。而研究表明，在进行L波段辐射亮温的建模时考虑海气温差或降雨的影响，有助于进一步改善模型精度。
发明内容
本发明的目的在于提出了一种基于机器学习的L波段粗糙海面辐射亮温模拟方法。
实现本发明目的的技术方案为：一种基于机器学习的L波段粗糙海面辐射亮温模拟方法，具体步骤为：
步骤1：基于多源卫星观测数据和再分析数据，利用数据处理方法和时空匹配原则建立稳定且有代表性的匹配数据集；
步骤2：建立基于深度神经网络模型的低风速海面辐射亮温模型以及基于小样本学习方法的高风速海面辐射亮温模型；
步骤3：结合交叉验证方法挖掘可能影响海面盐度反演精度的不同海气参数组合，将不同海气参数组合输入低风速、高风速海面辐射亮温模型，确定低风速海面辐射亮温模型和高风速海面辐射亮温模型的最终输入参数组合；
步骤4：通过三种训练方式分别对低风速和高风速下的模型进行训练和验证，确定最终的海面辐射亮温模型；三种训练方式分别为：第一种方式为利用全部低风速或者高风速匹配数据集对辐射亮温模型进行训练，第二种方式是使用每月的低风速或者高风速匹配数据对辐射亮温模型进行训练，第三种方式是将匹配数据集中的升轨数据和降轨数据分离，再分别利用第一、二种方式对辐射亮温模型进行训练；
步骤5：将现场观测数据输入最终的辐射亮温模型获得辐射亮温结果，测试模型的有效性。
优选地，所述多源卫星观测数据为Aquarius卫星在轨周期内的全部亮温数据。
优选地，所述再分析数据是指相应的辅助数据，即以时空匹配误差最小为原则，搜集的RSS V8.0版本的SSMIS或V7.0的WindSat风速，NOAA HDR 的H*wind风场、NCEP GDAS的风向、有效波高和海气温差，WOA13的海面盐度，Reynolds的海面温度以及CMOPRH的降雨。
优选地，建立的匹配数据集的具体方法为：
搜集卫星观测数据和再分析数据，根据质量控制标识剔除受污染的观测数据；
将剔除污染后的观测数据与搜集到的辅助数据进行匹配，生成匹配数据集，其中辅助数据作为输入，观测数据作为输出标签；
以设定风速为基准对匹配数据集进行二次划分，生成低风速匹配数据集和高风速匹配数据集，并分别对二次划分的两个匹配数据集进行随机抽取，生成相应的训练数据集和验证数据集。
优选地，所述深度神经网络隐藏层的前馈传播为：
Figure RE-GDA0003368027270000021
Figure RE-GDA0003368027270000022
Figure RE-GDA0003368027270000023
式中，m代表第m层隐藏层，zm和ym分别代表第m个隐藏层的输入和输出矢量，wm和bm分别代表第m个隐藏层的网络权重和偏置，
Figure RE-GDA0003368027270000031
代表第m+1 隐藏层在第i个节点的输出，rm是独立的伯努利随机变量，BN{}为归一化批处理变换函数，f代表激活函数。
优选地，高风速海面辐射亮温模型的工作过程为：
利用非线性映射将输入向量映射到高维特征空间；
在高维特征空间中寻找输入量和输出量之间的关系，利用优化理论构造最优决策函数，并利用核函数代替高维空间的点积运算，构造最优分类超平面，其中核函数为高斯径向基核：
Figure RE-GDA0003368027270000032
σ为可调参数，x为空间中的随机点，x’为核函数中心；；
决策函数为：
Figure RE-GDA0003368027270000033
Figure RE-GDA0003368027270000034
为拉格朗日乘子，xi为空间中的点，x为核函数中心，b 为阈值。
优选地，将不同海气参数组合输入低风速、高风速海面辐射亮温模型，确定低风速海面辐射亮温模型和高风速海面辐射亮温模型的最终输入参数组合的具体方法为：
将具有不同参数组合的验证数据输入低风速辐射亮温模型和高风速辐射亮温模型得到亮温数据，并将得到的亮温数据和卫星观测数据中的亮温数据真实值进行比较，由此计算性能指标，将性能指标最优的组合确定为最终输入参数组合。
优选地，所述性能指标为均方根误差。
优选地，对于低风速下的L波段粗糙海面辐射亮温模型，在数据输入到深度神经网络之前将借助零-均值规范化法对输入参数组合进行归一化处理，即：
Figure RE-GDA0003368027270000035
Figure RE-GDA0003368027270000036
式中，xi代表输入变量，
Figure RE-GDA0003368027270000037
代表变量均值，n代表变量个数。
本发明与现有技术相比，其显著优点为：本发明从粗糙海面辐射亮温的物理机制出发，结合深度神经网络和小样本学习的理论基础，充分考虑海面粗糙度、白冠、海气温差、降雨、有效波高、海面温度等多种因素对辐射亮温的影响，建立不同风速条件下的L波段粗糙海面辐射亮温模型，提升了L波段粗糙海面辐射亮温模型的精度；本发明具有计算速度快、精度高的优势；将机器学习方法引入到L波段粗糙海面辐射亮温模拟中，提高了海面盐度反演精度。
附图说明
图1为本发明在不同风速下的基于机器学习的L波段粗糙海面辐射亮温模模拟方法流程图。
图2为本发明中以Aquarius为例的亮温观测数据及辅助数据匹配流程图。
具体实施方式
L波段粗糙海面辐射亮温的精确模拟是海面盐度反演的关键，本发明结合构建的稳定且有代表性的匹配数据集，充分挖掘海面粗糙度、白冠、海气温差、降雨、有效波高、海面温度等多种可能因素对L波段粗糙海面辐射亮温的影响。
一种基于机器学习的L波段粗糙海面辐射亮温模拟方法，利用交叉验证方法确定影响粗糙海面辐射亮温模拟的输入参数组合，结合深度神经网络建立低风速下的L波段粗糙海面辐射亮温模型，结合小样本学习方法搭建高风速下的 L波段粗糙海面辐射亮温模型。拟合不同海气参数与L波段粗糙海面辐射亮温之间的量化关系，建立了不同风速条件下的L波段粗糙海面辐射亮温模型。
包括：
步骤1：基于多源卫星观测数据和高精度再分析数据，结合数据处理方法和时空匹配原则建立稳定且有代表性的匹配数据集。
为了测试所建立模型对不同载荷的有效性，本发明搜集国际上全部海洋盐度卫星(SMOS、Aquarius和SMAP)的亮温观测数据。
如图2所示，进一步的实施例中，所述多源卫星观测数据主要为Aquarius卫星在轨周期内(2012-2015年)的全部亮温数据；所述高精度再分析数据是指相应的辅助数据，具体地，以时空匹配误差最小为原则，搜集RSS V8.0版本的 SSMIS或V7.0的WindSat风速，NOAAHDR的H*wind风场、NCEP GDAS 的风向、有效波高和海气温差，WOA13的海面盐度，Reynolds的海面温度以及CMOPRH的降雨等。
进一步的实施例中，建立稳定且有代表性的匹配数据集的具体方法为：
搜集卫星观测数据和高精度再分析数据，根据质量控制标识剔除受污染的观测数据；
将剔除污染后的观测数据与搜集到的辅助数据进行匹配，生成匹配数据集，其中辅助数据作为输入，观测数据作为输出标签。以设定风速为基准对匹配数据集进行二次划分，生成低风速匹配数据集和高风速匹配数据集，并分别对二次划分的两个匹配数据集进行随机抽取，生成相应的训练数据集和验证数据集。
具体地，基于搜集到的卫星观测数据和高精度在分析数据，依据Aquarius 数据包中的质量控制标识剔除受污染的观测数据，以时间和空间分辨率分别小于 1h和25km或者0.5h和25km为原则，将剔除污染后的观测数据与搜集到的辅助数据进行匹配，生成2012到2015年的匹配数据集，其中2012-2013年的全部数据用于建立模型，2014-2015年的独立数据用于测试模型。最后，以15m/s风速为基准对2012-2013年的匹配数据集进行二次划分，生成低风速匹配数据集和高风速匹配数据集，并分别对二次划分的两个匹配数据集进行随机抽取，生成相应的训练数据集和验证数据集。
步骤2：考虑到低风速下的海面观测数据比较丰富，而高风速下的海面观测数据较少，结合深度学习算法的特性，建立基于深度神经网络模型的低风速下的 L波段粗糙海面辐射亮温模型；充分利用小样本学习可以快速从少量样本中学习的能力，建立基于小样本学习方法的高风速下的L波段粗糙海面辐射亮温模型。
进一步的实施例中，所述深度神经网络隐藏层的前馈传播为：
Figure RE-GDA0003368027270000061
Figure RE-GDA0003368027270000062
Figure RE-GDA0003368027270000063
式中，m代表第m层隐藏层，zm和ym分别代表第m个隐藏层的输入和输出矢量， wm和bm分别代表第m个隐藏层的网络权重和偏置，
Figure RE-GDA0003368027270000064
代表第m+1隐藏层在第i个节点的输出。rm是独立的伯努利随机变量，该变量为1和0的概率分别为p 和1-p，BN{}为归一化批处理变换函数，f代表激活函数。
对于高风速下的L波段粗糙海面辐射亮温模型，拟采用小样本学习的方法进行建立，主要思想是通过将分类边界最大化、VC维最小化，保证经验风险最小化然后最小化置信范围，最终达到结构风险的最小化。
高风速下的L波段粗糙海面辐射亮温模型的具体处理过程为：利用非线性映射将输入向量映射到高维特征空间，然后在该空间中寻找输入量和输出量之间的关系，利用优化理论构造最优决策函数，并利用核函数代替高维空间的点积运算，构造最优分类超平面，其中核函数选择为高斯径向基核：
Figure RE-GDA0003368027270000065
该核函数能有效地将输入空间转化为高维特征空间，在处理复杂非线性样本时具有较好的效果。其中可调参数σ对核函数的性能有重大影响，参数调节不恰当产生过学习或欠学习，则将失去非线性能力或对训练数据的噪声不敏感。
决策函数为：
Figure RE-GDA0003368027270000066
步骤3：结合交叉验证方法挖掘可能影响海面盐度反演精度的不同海气参数组合，将不同海气参数组合输入到基于深度神经网络模型的低风速下的L波段粗糙海面辐射亮温模型，以及基于小样本学习方法的高风速下的L波段粗糙海面辐射亮温模型，从而确定低风速辐射亮温模型和高风速辐射亮温模型的最终输入参数组合。
为挖掘可能影响海面盐度反演精度的不同海气参数组合，将不同参数输入分为多个组合，例如：
组合1：海面风速，海面粗糙度。
组合2：海面风速，海面粗糙度，降雨。
组合3：海面风速，海面粗糙度，白冠。
组合4：海面风速，海面粗糙度，海气温差。
组合5：海面风速，海面粗糙度，有效波高。
组合6：海面风速，海面粗糙度，降雨，白冠。
...
将具有不同参数组合的验证数据输入低风速辐射亮温模型和高风速辐射亮温模型得到亮温数据，并将得到的亮温数据和卫星观测数据中的亮温数据真实值进行比较，由此计算性能指标，如均方根误差；相关系数等。将性能指标最优的组合确定为最终输入参数。
进一步的实施例中，对于低风速下的L波段粗糙海面辐射亮温模型，在数据输入到深度神经网络之前将借助零-均值规范化法对输入参数组合进行归一化处理，即：
Figure RE-GDA0003368027270000071
Figure RE-GDA0003368027270000072
步骤4：为了提高模型最终的精度，通过三种训练方式分别对低风速和高风速下的模型进行训练和验证，确定最终的辐射亮温模型。
第一种方式是使用2012-2013年的全部低风速或者高风速匹配数据集对辐射亮温模型进行训练，第二种方式是使用2012-2013年中每月的低风速或者高风速匹配数据队辐射亮温模型进行训练，第三种方式是将匹配数据集中的升轨数据和降轨数据分离，再分别利用第一、二种方式对辐射亮温模型进行训练。之后基于三种方式获得的模型，分别从10天的匹配数据集中随机抽取1天作为二次验证数据集，用于对三种操作方式下获得的模型精度进行二次验证，以确定最终的L 波段粗糙海面辐射亮温模型。最终确定的L波段粗糙海面辐射亮温模型为正演模型，是将海面粗糙度、白冠、海气温差、降雨、有效波高、海面温度等多种参数作为输入数据输入模型，最终通过正演得到辐射亮温的过程。
本发明可以将本步骤得到的L波段粗糙海面辐射亮温模型结合独立的测试数据集，评估其稳定性和鲁棒性。构建的2014-2015年匹配数据集不用于模型的训练和验证，因此能够对建立的L波段粗糙海面辐射亮温模型的性能进行客观评估，并能对模型的鲁棒性进行测试。基于建立的L波段粗糙海面辐射亮温模型，将2014-2015年匹配数据集中的海气参数作为模型的输入，来预测 2014-2015年的模拟亮温，并与匹配数据集中的实测亮温数据进行对比分析，测试模型的性能和鲁棒性。
步骤5：将现场观测数据输入最终的辐射亮温模型获得辐射亮温结果。

Claims (9)

1.一种基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，具体步骤为：
步骤1：基于多源卫星观测数据和再分析数据，利用数据处理方法和时空匹配原则建立稳定且有代表性的匹配数据集；
步骤2：建立基于深度神经网络模型的低风速海面辐射亮温模型以及基于小样本学习方法的高风速海面辐射亮温模型；
步骤3：结合交叉验证方法挖掘可能影响海面盐度反演精度的不同海气参数组合，将不同海气参数组合输入低风速、高风速海面辐射亮温模型，确定低风速海面辐射亮温模型和高风速海面辐射亮温模型的最终输入参数组合；
步骤4：通过三种训练方式分别对低风速和高风速下的模型进行训练和验证，确定最终的海面辐射亮温模型；三种训练方式分别为：第一种方式为利用全部低风速或者高风速匹配数据集对辐射亮温模型进行训练，第二种方式是使用每月的低风速或者高风速匹配数据对辐射亮温模型进行训练，第三种方式是将匹配数据集中的升轨数据和降轨数据分离，再分别利用第一、二种方式对辐射亮温模型进行训练；
步骤5：将现场观测数据输入最终的辐射亮温模型获得辐射亮温结果，测试模型的有效性。
2.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，所述多源卫星观测数据为Aquarius卫星在轨周期内的全部亮温数据。
3.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，所述再分析数据是指相应的辅助数据，即以时空匹配误差最小为原则，搜集的RSS V8.0版本的SSMIS或V7.0的WindSat风速，NOAA HDR的H*wind风场、NCEP GDAS的风向、有效波高和海气温差，WOA13的海面盐度，Reynolds的海面温度以及CMOPRH的降雨。
4.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，建立的匹配数据集的具体方法为：
搜集卫星观测数据和再分析数据，根据质量控制标识剔除受污染的观测数据；
将剔除污染后的观测数据与搜集到的辅助数据进行匹配，生成匹配数据集，其中辅助数据作为输入，观测数据作为输出标签；
以设定风速为基准对匹配数据集进行二次划分，生成低风速匹配数据集和高风速匹配数据集，并分别对二次划分的两个匹配数据集进行随机抽取，生成相应的训练数据集和验证数据集。
5.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，所述深度神经网络隐藏层的前馈传播为：
Figure FDA0003169042690000021
Figure FDA0003169042690000022
Figure FDA0003169042690000023
式中，m代表第m层隐藏层，zm和ym分别代表第m个隐藏层的输入和输出矢量，wm和bm分别代表第m个隐藏层的网络权重和偏置，
Figure FDA0003169042690000024
代表第m+1隐藏层在第i个节点的输出，rm是独立的伯努利随机变量，BN{}为归一化批处理变换函数，f代表激活函数。
6.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，高风速海面辐射亮温模型的工作过程为：
利用非线性映射将输入向量映射到高维特征空间；
在高维特征空间中寻找输入量和输出量之间的关系，利用优化理论构造最优决策函数，并利用核函数代替高维空间的点积运算，构造最优分类超平面，其中核函数为高斯径向基核：
Figure FDA0003169042690000025
σ为可调参数，x为空间中的随机点，x’为核函数中心；
决策函数为：
Figure FDA0003169042690000026
Figure FDA0003169042690000031
为拉格朗日乘子，xi为空间中的点，x为核函数中心，b为阈值。
7.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，将不同海气参数组合输入低风速、高风速海面辐射亮温模型，确定低风速海面辐射亮温模型和高风速海面辐射亮温模型的最终输入参数组合的具体方法为：
将具有不同参数组合的验证数据输入低风速辐射亮温模型和高风速辐射亮温模型得到亮温数据，并将得到的亮温数据和卫星观测数据中的亮温数据真实值进行比较，由此计算性能指标，将性能指标最优的组合确定为最终输入参数组合。
8.根据权利要求7所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，所述性能指标为均方根误差。
9.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法，其特征在于，对于低风速下的L波段粗糙海面辐射亮温模型，在数据输入到深度神经网络之前将借助零-均值规范化法对输入参数组合进行归一化处理，即：
Figure FDA0003169042690000032
式中，xi代表输入变量，
Figure FDA0003169042690000033
代表变量均值，n代表变量个数。
CN202110813394.2A 2021-07-19 2021-07-19 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 Pending CN113935228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110813394.2A CN113935228A (zh) 2021-07-19 2021-07-19 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110813394.2A CN113935228A (zh) 2021-07-19 2021-07-19 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法

Publications (1)

Publication Number Publication Date
CN113935228A true CN113935228A (zh) 2022-01-14

Family

ID=79274512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110813394.2A Pending CN113935228A (zh) 2021-07-19 2021-07-19 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法

Country Status (1)

Country Link
CN (1) CN113935228A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114624257A (zh) * 2022-05-12 2022-06-14 自然资源部第二海洋研究所 一种基于海面泡沫发射率的卫星观测数据修正方法
CN117390593A (zh) * 2023-12-12 2024-01-12 国家卫星海洋应用中心 一种基于辐射计数据的海表参量确定方法以及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114624257A (zh) * 2022-05-12 2022-06-14 自然资源部第二海洋研究所 一种基于海面泡沫发射率的卫星观测数据修正方法
CN114624257B (zh) * 2022-05-12 2022-10-04 自然资源部第二海洋研究所 一种基于海面泡沫发射率的卫星观测数据修正方法
CN117390593A (zh) * 2023-12-12 2024-01-12 国家卫星海洋应用中心 一种基于辐射计数据的海表参量确定方法以及设备
CN117390593B (zh) * 2023-12-12 2024-03-22 国家卫星海洋应用中心 一种基于辐射计数据的海表参量确定方法以及设备

Similar Documents

Publication Publication Date Title
Zhou et al. Maximum nighttime urban heat island (UHI) intensity simulation by integrating remotely sensed data and meteorological observations
Cherkassky et al. Computational intelligence in earth sciences and environmental applications: Issues and challenges
CN113935228A (zh) 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法
CN110888186A (zh) 基于gbdt+lr模型的冰雹和短时强降水预报方法
CN112099110A (zh) 基于机器学习和遥感数据的海洋内波预报方法
Joseph et al. Rainfall prediction using data mining techniques
Vassallo et al. Decreasing wind speed extrapolation error via domain-specific feature extraction and selection
CN106355243A (zh) 一种基于神经网络的水平面太阳直射散射计算系统及方法
CN116805439A (zh) 一种基于人工智能和大气环流机制的干旱预报方法及系统
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
Chen et al. Proactive quality control: Observing system simulation experiments with the Lorenz’96 model
CN115204032A (zh) 一种基于多通道智能模型的enso预测方法及装置
CN112560270A (zh) 一种化学危害同化系统
CN117194957A (zh) 一种基于卫星反演辐射数据技术的超短期预测方法
CN117933095B (zh) 一种基于机器学习的地表发射率实时反演及同化方法
CN115081557A (zh) 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统
CN114676779A (zh) 基于鲁棒宽度网络的大气质量监测数据校准方法及系统
Rojas-Campos et al. Postprocessing of NWP precipitation forecasts using deep learning
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
CN111289991B (zh) 一种基于多场景的激光测距方法及装置
CN117131654A (zh) 基于预分析初猜值条件非线性最优扰动的目标观测方法
Ahmadi et al. Identification of dominant sources of sea level pressure for precipitation forecasting over Wales
CN116702588A (zh) 一种基于多源数据的风电场关键气象因子预报方法及系统
CN112767543B (zh) 基于逻辑回归的fy-3d红外高光谱云检测方法
CN114998719A (zh) 一种基于深度学习和多源遥感数据的林火预测方法

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