CN114490905B - 一种晴空地表净长波辐射一体化反演方法及系统 - Google Patents

一种晴空地表净长波辐射一体化反演方法及系统 Download PDF

Info

Publication number
CN114490905B
CN114490905B CN202210079356.3A CN202210079356A CN114490905B CN 114490905 B CN114490905 B CN 114490905B CN 202210079356 A CN202210079356 A CN 202210079356A CN 114490905 B CN114490905 B CN 114490905B
Authority
CN
China
Prior art keywords
data set
latitude
actual measurement
model
modis
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.)
Active
Application number
CN202210079356.3A
Other languages
English (en)
Other versions
CN114490905A (zh
Inventor
程洁
曾琪
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202210079356.3A priority Critical patent/CN114490905B/zh
Publication of CN114490905A publication Critical patent/CN114490905A/zh
Application granted granted Critical
Publication of CN114490905B publication Critical patent/CN114490905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明涉及一种晴空地表净长波辐射一体化反演方法及系统，先对MODIS长时间序列数据集和多个实测站点中每一实测站点的地表长波辐射实测数据集进行处理，以构建总数据集。再根据数据集对初始反演模型进行训练，得到反演模型。最后以待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为反演模型的输入，反演得到晴空地表净长波辐射，进而能够对晴空地表净长波辐射进行一体化反演，无需分别反演地表上行长波辐射和地表下行长波辐射后再计算晴空地表净长波辐射，能够显著提高晴空地表净长波辐射的反演精度。

Description

一种晴空地表净长波辐射一体化反演方法及系统
技术领域
本发明涉及晴空地表净长波辐射测量技术领域，特别是涉及一种晴空地表净长波辐射一体化反演方法及系统。
背景技术
地表净长波辐射是地表辐射收支的关键组成部分，是气候变化的驱动力。地表净长波辐射是地表下行长波辐射与地表上行长波辐射之差，地表下行长波辐射以近地表大气发出的辐射为主导，而地表上行长波辐射主要由地表温度决定。地表净长波辐射主导着夜间地表净辐射，地表下行长波辐射和地表上行长波辐射是评估气候、水文和农业模型中地表过程的相关参数。
一般地，晴空地表净长波辐射采用分量算法计算，目前常使用的分量算法为：先利用卫星数据分别反演地表下行长波辐射和地表上行长波辐射，再利用地表下行长波辐射减去地表上行长波辐射得到晴空地表净长波辐射，但利用卫星数据反演地表下行长波辐射和地表上行长波辐射的算法存在一定的不确定性，这些不确定性会不可避免的传入到地表净长波辐射中，容易在反演过程中出现较大的误差。
基于此，亟需一种能够提高晴空地表净长波辐射的反演精度的反演方法及系统。
发明内容
本发明的目的是提供一种晴空地表净长波辐射一体化反演方法及系统，综合地表上行长波辐射和地表下行长波辐射的相关特征变量来对晴空地表净长波辐射进行一体化反演，提升晴空地表净长波辐射的反演精度。
为实现上述目的，本发明提供了如下方案：
一种晴空地表净长波辐射一体化反演方法，所述一体化反演方法包括：
获取MODIS长时间序列数据集和多个实测站点中每一所述实测站点的地表长波辐射实测数据集；所述MODIS长时间序列数据集包括多个时刻的MODIS数据；所述地表长波辐射实测数据集包括多个时刻的地表净长波辐射实测值；所述MODIS数据和所述地表净长波辐射实测值时刻一一对应；所述MODIS数据包括多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
对于每一所述实测站点，将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；根据所述晴空标识参量确定所述实测站点的晴空时刻；所述晴空时刻为所述实测站点所在位置为晴天的时刻；
根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集；
根据所述实测站点的纬度将所述总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集；
分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型；
根据待反演位置的纬度选用所述高纬度反演模型、所述中纬度反演模型或所述低纬度反演模型作为实际反演模型，以所述待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为所述实际反演模型的输入，反演得到晴空地表净长波辐射。
一种晴空地表净长波辐射一体化反演系统，所述一体化反演系统包括：
获取模块，用于获取MODIS长时间序列数据集和多个实测站点中每一所述实测站点的地表长波辐射实测数据集；所述MODIS长时间序列数据集包括多个时刻的MODIS数据；所述地表长波辐射实测数据集包括多个时刻的地表净长波辐射实测值；所述MODIS数据和所述地表净长波辐射实测值时刻一一对应；所述MODIS数据包括多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
筛选模块，用于对于每一所述实测站点，将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；根据所述晴空标识参量确定所述实测站点的晴空时刻；所述晴空时刻为所述实测站点所在位置为晴天的时刻；
总数据集构建模块，用于根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集；
划分模块，用于根据所述实测站点的纬度将所述总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集；
训练模块，用于分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型；
反演模块，用于根据待反演位置的纬度选用所述高纬度反演模型、所述中纬度反演模型或所述低纬度反演模型作为实际反演模型，以所述待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为所述实际反演模型的输入，反演得到晴空地表净长波辐射。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种晴空地表净长波辐射一体化反演方法及系统，先获取MODIS长时间序列数据集和多个实测站点中每一实测站点的地表长波辐射实测数据集，然后对于每一实测站点，将实测站点的经纬度与地理位置进行匹配，并根据晴空标识参量确定实测站点的晴空时刻，以根据所有实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集。再根据实测站点的纬度将总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集，分别以高纬度数据集、中纬度数据集和低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型。最后根据待反演位置的纬度选用高纬度反演模型、中纬度反演模型或低纬度反演模型作为实际反演模型，以待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为实际反演模型的输入，反演得到晴空地表净长波辐射，进而能够对晴空地表净长波辐射进行一体化反演，无需分别反演地表上行长波辐射和地表下行长波辐射后再计算晴空地表净长波辐射，能够显著提高晴空地表净长波辐射的反演精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的一体化反演方法的方法流程图；
图2为本发明实施例2所提供的一体化反演系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种晴空地表净长波辐射一体化反演方法及系统，综合地表上行长波辐射和地表下行长波辐射的相关特征变量来对晴空地表净长波辐射进行一体化反演，提升晴空地表净长波辐射的反演精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
晴空地表净长波辐射采用分量算法计算，分量算法是指先分别反演地表下行长波辐射和地表上行长波辐射，再利用地表下行长波辐射减去地表上行长波辐射得到晴空地表净长波辐射。目前主要有三种方法来反演计算地表上行、下行长波辐射：(1)地面站点测量，虽然这种方法目前被认为是获得地表下行长波辐射和地表上行长波辐射的最准确的方法，但是地面观测站点极其有限，不是所有站点都具有这两个变量，并且地面观测站点在全球分布不均匀；(2)卫星反演方式，其是目前可以估算全球地表上、下行长波辐射的唯一手段，近几十年来，已经提出了许多严格的方法来估计地表下行长波辐射，如基于廓线的物理方法、块体公式、晴空混合方法等，对于地表上行长波辐射，一般采用温度-发射率方法和晴空混合方法计算；(3)模型模拟方式，大气环流模型(GCM)可以输出粗分辨率的地表长波辐射，例如，耦合模型比对项目第5阶段(CMIP5)的最先进GCM中的模拟地表能量平衡分量结合地面测量已被用于计算全球地表能量平衡。然而，CMIP5中40个最先进的GCM模拟的地表长波分量之间存在较大差异。因此，使用卫星数据分步反演地表净长波辐射的方式最常被采用。但利用卫星数据反演地表下行长波辐射和地表上行长波辐射的算法存在一定的不确定性，这些不确定性会不可避免的传入到地表净长波辐射中，容易在反演过程中出现较大的误差。
针对这一问题，本实施例用于提供一种晴空地表净长波辐射一体化反演方法，如图1所示，该一体化反演方法包括：
S1：获取MODIS长时间序列数据集和多个实测站点中每一所述实测站点的地表长波辐射实测数据集；所述MODIS长时间序列数据集包括多个时刻的MODIS数据；所述地表长波辐射实测数据集包括多个时刻的地表净长波辐射实测值；所述MODIS数据和所述地表净长波辐射实测值时刻一一对应；所述MODIS数据包括多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
S1中，获取MODIS长时间序列数据集可以包括：
(1)分别获取MOD02_L2/MYD02_L2数据集、MOD05_L2/MYD05_L2数据集、MOD03_L2/MYD03_L2数据集和MOD11_L2/MYD11_L2数据集；MOD02_L2/MYD02_L2数据集包括多个时刻的MODIS第29、31、32波段的大气顶幅亮度矩阵；MOD05_L2/MYD05_L2数据集包括多个时刻的柱水汽含量矩阵；MOD03_L2/MYD03_L2数据集包括多个时刻的地理位置矩阵；MOD11_L2/MYD11_L2数据集包括多个时刻的晴空标识参量矩阵；
需要说明的是，MODIS第29、31、32波段的大气顶幅亮度矩阵、柱水汽含量矩阵、地理位置矩阵和晴空标识参量矩阵时刻一一对应，地理位置即指经纬度坐标，晴空标识参量的值根据地表温度和辐射率的质量控制标识所确定，晴空标识参量用于确定当前时刻地理位置是晴天还是云天。
(2)对于每一时刻，将MODIS第29、31、32波段的大气顶幅亮度矩阵、柱水汽含量矩阵和晴空标识参量矩阵均进行重采样，使重采样后的矩阵大小与地理位置矩阵的大小相同，从而四个矩阵的元素一一对应，以得到多个地理位置以及每一地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量，即得到每一时刻的MODIS数据，所有时刻的MODIS数据组成MODIS长时间序列数据集。
S1中，获取多个实测站点中每一实测站点的地表长波辐射实测数据集可以包括：
(1)对于每一实测站点，获取该实测站点的地表上行长波辐射实测数据集和地表下行长波辐射实测数据集；地表上行长波辐射实测数据集包括多个时刻的地表上行长波辐射实测值，地表下行长波辐射实测数据集包括多个时刻的地表下行长波辐射实测值。地表上行长波辐射实测值与地表下行长波辐射实测值时刻一一对应。
(2)对于每一时刻，计算地表上行长波辐射实测值和地表下行长波辐射实测值的差值，具体令地表下行长波辐射实测值减去地表上行长波辐射实测值，得到地表净长波辐射实测值；所有时刻的地表净长波辐射实测值组成实测站点的地表长波辐射实测数据集。
S2：对于每一所述实测站点，将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；根据所述晴空标识参量确定所述实测站点的晴空时刻；所述晴空时刻为所述实测站点所在位置为晴天的时刻；
S2中，将实测站点的经纬度与地理位置进行匹配可以包括：计算实测站点的经纬度与地理位置矩阵的距离，确定实测站点在地理位置矩阵上的行列号，根据行列号确定与实测站点的经纬度相匹配的地理位置，将与实测站点的经纬度相匹配的地理位置每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量赋予实测站点，即可得到实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量。具体的，将实测站点经纬度与MOD03_L2/MYD03_L2地理位置相匹配，匹配的标准是根据实测站点经纬度计算与MOD03_L2/MYD03_L2地理位置矩阵的球面距离，若球面距离小于2000m，则匹配成功，再找出实测站点经纬度在MOD03_L2/MYD03_L2地理位置矩阵的位置，即确定实测站点在地理位置矩阵的行列号，若存在该行列号，则匹配成功。具体操作如下：①首先读取MOD03_L2/MYD03_L2经纬度参数，获取地理位置矩阵大小，通过计算实测站点经纬度与MOD03_L2/MYD03_L2地理位置矩阵的距离，找到实测站点在MOD03_L2/MYD03_L2地理位置矩阵上对应的像元位置，即确定行列号②根据该行列号，找到与实测站点相匹配的地理位置，以该地理位置对应的数据作为该实测站点对应的数据，达到提取数据的目的，获取实测站点对应的MODIS第29，31和32波段大气顶辐亮度、柱水汽含量以及晴空标识参量。
进行匹配后，可以建立如下三种对应关系：①建立地表上行长波辐射与MODIS第29，31和32波段大气顶辐亮度的对应关系；②建立地表下行长波辐射、地表上行长波辐射、MODIS第29波段大气顶辐亮度以及柱水汽含量之间的关系；③建立地表净长波辐射与MODIS第29，31和32波段大气顶辐亮度、柱水汽含量之间的对应关系。
S2中，根据晴空标识参量确定实测站点的晴空时刻可以包括：对于每一时刻，根据该时刻的晴空标识参量确定该时刻是否为晴空时刻，若该时刻实测站点位置对应的像元是晴天像元，就认为该时刻为晴空时刻，提取实测站点在晴空时刻下的像元数据值，即提取第29、31和32波段大气顶辐亮度以及柱水汽含量。
S3：根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集；
具体的，S3可以包括：
(1)对于每一实测站点的每一晴空时刻，根据晴空时刻的柱水汽含量计算第一特征变量和第二特征变量；
通过分析地表下行长波辐射与柱水汽含量的关系可知，地表下行长波辐射与柱水汽含量存在指数关系，故本实施例引入第一特征变量和第二特征变量。第一特征变量为log(1+CWV)，其中，CWV为柱水汽含量；第二特征变量为log2(1+CWV)。
(2)以MODIS第29、31、32波段的大气顶幅亮度、第一特征变量、第二特征变量和地表净长波辐射实测值作为晴空时刻对应的数据，所有晴空时刻对应的数据组成总数据集。
S4：根据所述实测站点的纬度将所述总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集；
本实施例的高纬度是指60°-90°N，60°-90°S；中纬度是指30°-60°N，30°-60°S；低纬度是指0°-30°N，0°-30°S。当然，上述划分区间仅是一种示例，本领域技术人员也可以根据实际需求确定高、中、低纬度的划分区间。在上述示例下，根据实测站点纬度将总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集可以包括：判断实测站点的纬度处于哪一纬度范围内，若实测站点的纬度处于60°-90°N，60°-90°S，则该实测站点对应的所有数据被归入高纬度数据集；若实测站点的纬度处于30°-60°N，30°-60°S，则该实测站点对应的所有数据被归入中纬度数据集；若实测站点的纬度处于0°-30°N，0°-30°S，则该实测站点对应的所有数据被归入低纬度数据集。对所有实测站点的纬度数据进行判断后，即可将总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集。
S5：分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型；
在S5之前，本实施例的一体化反演方法还包括：基于三倍标准差准则分别对高纬度数据集、中纬度数据集和低纬度数据集进行异常数据剔除，得到处理后高纬度数据集、处理后中纬度数据集和处理后低纬度数据集，并将处理后高纬度数据集作为新的高纬度数据集，将处理后中纬度数据集作为新的中纬度数据集，将处理后低纬度数据集作为新的低纬度数据集，执行S5。
其中，三倍标准差准则是指对于每一类数据，计算该类数据的均值和标准差，该类数据中数据值大于均值与3倍标准差的和或者小于均值与3倍标准差的差都需要被剔除，以去除异常数据，保证数据集的质量。每一类数据包括MODIS第29波段的大气顶幅亮度、MODIS第31波段的大气顶幅亮度、MODIS第32波段的大气顶幅亮度、第一特征变量、第二特征变量和地表净长波辐射实测值。
本实施例的初始反演模型包括多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型、极端梯度提升树模型和堆叠模型。具体的，对各个初始反演模型的训练方式包括：
对于多元线性回归模型和Lasso回归模型，分别以高纬度数据集、中纬度数据集和低纬度数据集作为输入，基于十折交叉验证方法获取利用两个回归模型估算晴空地表净长波辐射的模型系数，回归模型形式如下：
SNLR＝a0+a1L29+a2L31+a3L32+a4 log(1+CWV)+a5 log2(1+CWV)；
其中，SNLR为晴空地表净长波辐射；a0、a1、a2、a3、a4和a5均为模型系数；L29，L31和L32分别为MODIS第29、31和32波段的大气顶辐亮度；CWV为柱水汽含量。
对于弹性网络(EN)模型、梯度提升树(GBRT)模型、随机森林(RF)模型和极端梯度提升树(XGBoost)模型这4个机器学习模型，分别以高纬度数据集、中纬度数据集和低纬度数据集作为输入，基于十折交叉网格方法调整各模型的超参数，获取反演晴空地表净长波辐射的最佳超参数，以得到训练好模型。在输入特征变量时，依据该训练好模型能够预测出晴空地表净长波辐射。
对于堆叠模型这一机器学习模型，基于多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型和极端梯度提升树模型反演的晴空地表净长波辐射，分别用于构建高纬度、中纬度和低纬度的堆叠模型(Stacking model)所用的训练集，基于十折交叉网格方法获取堆叠模型中RF模型的最佳超参数，从而估算晴空地表净长波辐射。
通过以上方式，能够训练出7个高纬度反演模型、7个中纬度反演模型和7个低纬度反演模型。在后续进行反演时，可以任意选择一种高纬度反演模型、一种中纬度反演模型或一种低纬度反演模型作为实际反演模型。
优选的，S5还可以包括：
(1)将高纬度数据集划分为高纬度训练集和高纬度验证集。以高纬度训练集作为输入，分别对多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型、极端梯度提升树模型和堆叠模型进行训练，训练方式如上所示。再以高纬度验证集作为输入，计算训练后多元线性回归模型、训练后Lasso回归模型、训练后弹性网络模型、训练后梯度提升树模型、训练后随机森林模型、训练后极端梯度提升树模型和训练后堆叠模型的反演精度，并选取反演精度最高的模型作为高纬度反演模型。
(2)将中纬度数据集划分为中纬度训练集和中纬度验证集。以中纬度训练集作为输入，分别对多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型、极端梯度提升树模型和堆叠模型进行训练，训练方式如上所示。再以中纬度验证集作为输入，计算训练后多元线性回归模型、训练后Lasso回归模型、训练后弹性网络模型、训练后梯度提升树模型、训练后随机森林模型、训练后极端梯度提升树模型和训练后堆叠模型的反演精度，并选取反演精度最高的模型作为中纬度反演模型。
(3)将低纬度数据集划分为低纬度训练集和低纬度验证集。以低纬度训练集作为输入，分别对多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型、极端梯度提升树模型和堆叠模型进行训练，训练方式如上所示。再以低纬度验证集作为输入，计算训练后多元线性回归模型、训练后Lasso回归模型、训练后弹性网络模型、训练后梯度提升树模型、训练后随机森林模型、训练后极端梯度提升树模型和训练后堆叠模型的反演精度，并选取反演精度最高的模型作为低纬度反演模型。
其中，可分别将高纬度数据集、中纬度数据集和低纬度数据集随机分为80％和20％，80％的数据作为训练集，20％的数据作为验证集。
S6：根据待反演位置的纬度选用所述高纬度反演模型、所述中纬度反演模型或所述低纬度反演模型作为实际反演模型，以所述待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为所述实际反演模型的输入，反演得到晴空地表净长波辐射。
为证明本实施例所用的一体化反演方法的精度，本实施例做以下验证：
基于S4获取的高纬度数据集、中纬度数据集和低纬度训练集，估算晴空地表上行长波辐射，具体算法如下：
SNUR＝b0+b1L29+b2L31+b3L32；
其中，SNUR为晴空地表上行长波辐射；b0、b1、b2和b3为模型系数。
基于S4获取的高纬度数据集、中纬度数据集和低纬度数据集，估算晴空地表下行长波辐射，具体算法如下：
SNDR＝c0+c1SNUR+c2log(1+CWV)+c3 log2(1+CWV)+c4L29；
其中，SNDR为晴空地表下行长波辐射；c0、c1、c2和c3为模型系数。
根据利用上述方法分步反演所得到的地表上行长波辐射和地表下行长波辐射，计算晴空地表净长波辐射，具体计算公式如下：
SNLR＝SNDR-SNUR。
验证上述分量反演算法的精度，比较分量反演与一体化反演两种算法反演地表净长波辐射的精度，可以明显体现一体化反演晴空地表净长波辐射的优势，反演精度得到显著提高。
本实施例还可根据S5得到的最优反演模型，验证该模型在不同网络站点条件下、不同地表类型条件下、不同气候类型条件下、不同高程条件下、不同季节条件下以及不同网络站点的不同时间分辨率条件下的精度，突出一体化反演模型的普适性。
本实施例所用的一体化反演方法的优点如下：
优点1：基于MODIS卫星数据的地表净长波辐射一体化反演算法可用于反演全球范围的晴空地表净长波辐射，空间分辨高
目前存在的长波辐射产品主要有国际卫星云气候学项目-通量数据(ISCCP-FD)，云和地球辐射能系统网格辐射通量和云(CERES-SYN)、全球能源和水循环实验-地表辐射收支(GEWEX-SRB)，空间分辨率为100～280km，而本实施例使用MODIS卫星数据反演的晴空地表净长波辐射的空间分辨率为1km。
优点2：基于晴空一体化地表净长波辐射反演算法的精度比分量反演算法精度高
一般地，地表净长波辐射由地表下行长波辐射减去地表上行长波辐射计算得到，需要分别反演地表下行长波辐射和地表上行长波辐射，称为分量反演算法，然而这种方式反演的地表下行长波辐射和地表上行长波辐射不可避免地包含不确定性，这些不确定性会积累并传播到分量算法计算的晴空地表净长波辐射中。而本实施例提出的一体化反演算法直接使用与晴空地表上下行长波辐射相关的特征变量构建模型，将MODIS通道29、31和32波段的大气顶辐亮度和柱状水汽含量联系起来一体化反演净长波辐射，避免误差传递，并且经验证，基于晴空一体化地表净长波辐射反演算法的精度比分量反演算法精度高。
优点3：基于MODIS卫星数据晴空地表长波辐射一体化反演算法普适性强
验证了晴空地表长波辐射一体化反演算法在不同网络站点条件下、不同地表类型条件下、不同气候类型条件下、不同高程条件下、不同季节条件下以及不同网络站点的不同时间分辨率条件下的精度，其表现良好，突出了一体化反演模型的普适性。
本实施例提出了一种反演晴天地表净长波辐射的一体化反演方法，该方法将晴空地表净长波辐射与MODIS通道第29、31和32波段的大气顶辐亮度和柱状水汽含量联系起来，直接构建晴空地表净长波辐射反演模型，避免了因分别反演地表上行长波辐射和下行长波辐射来获取地表净长波辐射而导致的误差传递，显著提高反演精度。反演步骤包括：通过搜集全球156个长波辐射网络站点数据，提取晴空条件下MODIS通道29、31和32波段的大气顶辐亮度和柱状水汽含量的像元数据(即特征参量)，构建待反演全球晴空地表净长波辐射一体化反演模型。通过对搜集的基础特征数据进行综合处理，分别得到各反演模型的最优回归系数或者最优模型参量，使得各反演模型能够更好地呈现晴天地表净长波辐射的反演效果。通过比较不同反演模型在不同的站点网络、土地覆盖、气候、地表高程、季节和站点测量时间间隔下的验证结果，用以说明一体化算法有望用于全球晴空地表长波净辐射的生产。
实施例2：
本实施例用于提供一种晴空地表净长波辐射一体化反演系统，如图2所示，所述一体化反演系统包括：
获取模块M1，用于获取MODIS长时间序列数据集和多个实测站点中每一所述实测站点的地表长波辐射实测数据集；所述MODIS长时间序列数据集包括多个时刻的MODIS数据；所述地表长波辐射实测数据集包括多个时刻的地表净长波辐射实测值；所述MODIS数据和所述地表净长波辐射实测值时刻一一对应；所述MODIS数据包括多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
筛选模块M2，用于对于每一所述实测站点，将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；根据所述晴空标识参量确定所述实测站点的晴空时刻；所述晴空时刻为所述实测站点所在位置为晴天的时刻；
总数据集构建模块M3，用于根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集；
划分模块M4，用于根据所述实测站点的纬度将所述总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集；
训练模块M5，用于分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型；
反演模块M6，用于根据待反演位置的纬度选用所述高纬度反演模型、所述中纬度反演模型或所述低纬度反演模型作为实际反演模型，以所述待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为所述实际反演模型的输入，反演得到晴空地表净长波辐射。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种晴空地表净长波辐射一体化反演方法，其特征在于，所述一体化反演方法包括：
获取MODIS长时间序列数据集和多个实测站点中每一所述实测站点的地表长波辐射实测数据集；所述MODIS长时间序列数据集包括多个时刻的MODIS数据；所述地表长波辐射实测数据集包括多个时刻的地表净长波辐射实测值；所述MODIS数据和所述地表净长波辐射实测值时刻一一对应；所述MODIS数据包括多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
对于每一所述实测站点，将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；根据所述晴空标识参量确定所述实测站点的晴空时刻；所述晴空时刻为所述实测站点所在位置为晴天的时刻；
根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集；
根据所述实测站点的纬度将所述总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集；
分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型；
根据待反演位置的纬度选用所述高纬度反演模型、所述中纬度反演模型或所述低纬度反演模型作为实际反演模型，以所述待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为所述实际反演模型的输入，反演得到晴空地表净长波辐射；
所述获取MODIS长时间序列数据集具体包括：
分别获取MOD02_L2/MYD02_L2数据集、MOD05_L2/MYD05_L2数据集、MOD03_L2/MYD03_L2数据集和MOD11_L2/MYD11_L2数据集；所述MOD02_L2/MYD02_L2数据集包括多个时刻的MODIS第29、31、32波段的大气顶幅亮度矩阵；所述MOD05_L2/MYD05_L2数据集包括多个时刻的柱水汽含量矩阵；所述MOD03_L2/MYD03_L2数据集包括多个时刻的地理位置矩阵；所述MOD11_L2/MYD11_L2数据集包括多个时刻的晴空标识参量矩阵；
对于每一所述时刻，将所述MODIS第29、31、32波段的大气顶幅亮度矩阵、所述柱水汽含量矩阵和所述晴空标识参量矩阵均重采样至与所述地理位置矩阵的大小相同，得到多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量，组成MODIS长时间序列数据集；
所述获取多个实测站点中每一所述实测站点的地表长波辐射实测数据集具体包括：
对于每一实测站点，获取所述实测站点的地表上行长波辐射实测数据集和地表下行长波辐射实测数据集；所述地表上行长波辐射实测数据集包括多个时刻的地表上行长波辐射实测值；所述地表下行长波辐射实测数据集包括多个时刻的地表下行长波辐射实测值；
对于每一所述时刻，计算所述地表上行长波辐射实测值和所述地表下行长波辐射实测值的差值，得到地表净长波辐射实测值；所有所述时刻的地表净长波辐射实测值组成所述实测站点的地表长波辐射实测数据集；
所述将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量，具体包括：
所述MODIS第29、31、32波段的大气顶幅亮度矩阵、所述柱水汽含量矩阵、所述地理位置矩阵和所述晴空标识参量矩阵时刻一一对应；计算所述实测站点的经纬度与所述地理位置矩阵的距离，确定所述实测站点在所述地理位置矩阵上的行列号；根据所述行列号确定与所述实测站点的经纬度相匹配的地理位置，将与所述实测站点的经纬度相匹配的地理位置每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量赋予所述实测站点，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
所述根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集具体包括：
对于每一所述实测站点的每一所述晴空时刻，根据所述晴空时刻的柱水汽含量计算第一特征变量和第二特征变量；所述第一特征变量为log(1+CWV)，所述第二特征变量为log2(1+CWV)，其中，CWV为柱水汽含量；
以所述MODIS第29、31、32波段的大气顶幅亮度、所述第一特征变量、所述第二特征变量和所述地表净长波辐射实测值作为所述晴空时刻对应的数据，所有所述晴空时刻对应的数据组成总数据集；
所述初始反演模型为多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型、极端梯度提升树模型或堆叠模型。
2.根据权利要求1所述的一体化反演方法，其特征在于，根据地表温度和辐射率的质量控制标识确定所述晴空标识参量的值；所述晴空标识参量用于确定当前时刻所述地理位置是晴天还是云天。
3.根据权利要求1所述的一体化反演方法，其特征在于，在分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练之前，所述一体化反演方法还包括：
基于三倍标准差准则分别对所述高纬度数据集、所述中纬度数据集和所述低纬度数据集进行异常数据剔除，得到处理后高纬度数据集、处理后中纬度数据集和处理后低纬度数据集，并将所述处理后高纬度数据集作为新的高纬度数据集，将所述处理后中纬度数据集作为新的中纬度数据集，将所述处理后低纬度数据集作为新的低纬度数据集。
4.根据权利要求1所述的一体化反演方法，其特征在于，所述分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型具体包括：
将所述高纬度数据集划分为高纬度训练集和高纬度验证集；以所述高纬度训练集作为输入，分别对所述多元线性回归模型、所述Lasso回归模型、所述弹性网络模型、所述梯度提升树模型、所述随机森林模型、所述极端梯度提升树模型和所述堆叠模型进行训练；以所述高纬度验证集作为输入，计算训练后多元线性回归模型、训练后Lasso回归模型、训练后弹性网络模型、训练后梯度提升树模型、训练后随机森林模型、训练后极端梯度提升树模型和训练后堆叠模型的反演精度，并选取反演精度最高的模型作为高纬度反演模型；
将所述中纬度数据集划分为中纬度训练集和中纬度验证集；以所述中纬度训练集作为输入，分别对所述多元线性回归模型、所述Lasso回归模型、所述弹性网络模型、所述梯度提升树模型、所述随机森林模型、所述极端梯度提升树模型和所述堆叠模型进行训练；以所述中纬度验证集作为输入，计算训练后多元线性回归模型、训练后Lasso回归模型、训练后弹性网络模型、训练后梯度提升树模型、训练后随机森林模型、训练后极端梯度提升树模型和训练后堆叠模型的反演精度，并选取反演精度最高的模型作为中纬度反演模型；
将所述低纬度数据集划分为低纬度训练集和低纬度验证集；以所述低纬度训练集作为输入，分别对所述多元线性回归模型、所述Lasso回归模型、所述弹性网络模型、所述梯度提升树模型、所述随机森林模型、所述极端梯度提升树模型和所述堆叠模型进行训练；以所述低纬度验证集作为输入，计算训练后多元线性回归模型、训练后Lasso回归模型、训练后弹性网络模型、训练后梯度提升树模型、训练后随机森林模型、训练后极端梯度提升树模型和训练后堆叠模型的反演精度，并选取反演精度最高的模型作为低纬度反演模型。
5.一种晴空地表净长波辐射一体化反演系统，其特征在于，所述一体化反演系统包括：
获取模块，用于获取MODIS长时间序列数据集和多个实测站点中每一所述实测站点的地表长波辐射实测数据集；所述MODIS长时间序列数据集包括多个时刻的MODIS数据；所述地表长波辐射实测数据集包括多个时刻的地表净长波辐射实测值；所述MODIS数据和所述地表净长波辐射实测值时刻一一对应；所述MODIS数据包括多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
筛选模块，用于对于每一所述实测站点，将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；根据所述晴空标识参量确定所述实测站点的晴空时刻；所述晴空时刻为所述实测站点所在位置为晴天的时刻；
总数据集构建模块，用于根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集；
划分模块，用于根据所述实测站点的纬度将所述总数据集划分为高纬度数据集、中纬度数据集和低纬度数据集；
训练模块，用于分别以所述高纬度数据集、所述中纬度数据集和所述低纬度数据集作为输入，对初始反演模型进行训练，得到高纬度反演模型、中纬度反演模型和低纬度反演模型；
反演模块，用于根据待反演位置的纬度选用所述高纬度反演模型、所述中纬度反演模型或所述低纬度反演模型作为实际反演模型，以所述待反演位置的MODIS第29、31、32波段的大气顶幅亮度和柱水汽含量作为所述实际反演模型的输入，反演得到晴空地表净长波辐射；
所述获取MODIS长时间序列数据集具体包括：
分别获取MOD02_L2/MYD02_L2数据集、MOD05_L2/MYD05_L2数据集、MOD03_L2/MYD03_L2数据集和MOD11_L2/MYD11_L2数据集；所述MOD02_L2/MYD02_L2数据集包括多个时刻的MODIS第29、31、32波段的大气顶幅亮度矩阵；所述MOD05_L2/MYD05_L2数据集包括多个时刻的柱水汽含量矩阵；所述MOD03_L2/MYD03_L2数据集包括多个时刻的地理位置矩阵；所述MOD11_L2/MYD11_L2数据集包括多个时刻的晴空标识参量矩阵；
对于每一所述时刻，将所述MODIS第29、31、32波段的大气顶幅亮度矩阵、所述柱水汽含量矩阵和所述晴空标识参量矩阵均重采样至与所述地理位置矩阵的大小相同，得到多个地理位置以及每一所述地理位置对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量，组成MODIS长时间序列数据集；
所述获取多个实测站点中每一所述实测站点的地表长波辐射实测数据集具体包括：
对于每一实测站点，获取所述实测站点的地表上行长波辐射实测数据集和地表下行长波辐射实测数据集；所述地表上行长波辐射实测数据集包括多个时刻的地表上行长波辐射实测值；所述地表下行长波辐射实测数据集包括多个时刻的地表下行长波辐射实测值；
对于每一所述时刻，计算所述地表上行长波辐射实测值和所述地表下行长波辐射实测值的差值，得到地表净长波辐射实测值；所有所述时刻的地表净长波辐射实测值组成所述实测站点的地表长波辐射实测数据集；
所述将所述实测站点的经纬度与所述地理位置进行匹配，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量，具体包括：
所述MODIS第29、31、32波段的大气顶幅亮度矩阵、所述柱水汽含量矩阵、所述地理位置矩阵和所述晴空标识参量矩阵时刻一一对应；计算所述实测站点的经纬度与所述地理位置矩阵的距离，确定所述实测站点在所述地理位置矩阵上的行列号；根据所述行列号确定与所述实测站点的经纬度相匹配的地理位置，将与所述实测站点的经纬度相匹配的地理位置每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量赋予所述实测站点，得到所述实测站点在每一时刻对应的MODIS第29、31、32波段的大气顶幅亮度，柱水汽含量以及晴空标识参量；
所述根据所有所述实测站点的晴空时刻的MODIS第29、31、32波段的大气顶幅亮度、柱水汽含量以及地表净长波辐射实测值构建总数据集具体包括：
对于每一所述实测站点的每一所述晴空时刻，根据所述晴空时刻的柱水汽含量计算第一特征变量和第二特征变量；所述第一特征变量为log(1+CWV)，所述第二特征变量为log2(1+CWV)，其中，CWV为柱水汽含量；
以所述MODIS第29、31、32波段的大气顶幅亮度、所述第一特征变量、所述第二特征变量和所述地表净长波辐射实测值作为所述晴空时刻对应的数据，所有所述晴空时刻对应的数据组成总数据集；
所述初始反演模型为多元线性回归模型、Lasso回归模型、弹性网络模型、梯度提升树模型、随机森林模型、极端梯度提升树模型或堆叠模型。
CN202210079356.3A 2022-01-24 2022-01-24 一种晴空地表净长波辐射一体化反演方法及系统 Active CN114490905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210079356.3A CN114490905B (zh) 2022-01-24 2022-01-24 一种晴空地表净长波辐射一体化反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210079356.3A CN114490905B (zh) 2022-01-24 2022-01-24 一种晴空地表净长波辐射一体化反演方法及系统

Publications (2)

Publication Number Publication Date
CN114490905A CN114490905A (zh) 2022-05-13
CN114490905B true CN114490905B (zh) 2024-02-09

Family

ID=81474859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210079356.3A Active CN114490905B (zh) 2022-01-24 2022-01-24 一种晴空地表净长波辐射一体化反演方法及系统

Country Status (1)

Country Link
CN (1) CN114490905B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781655B (zh) * 2022-06-16 2022-09-13 航天宏图信息技术股份有限公司 一种地表下行长波辐射通量的计算方法和装置
CN117540634B (zh) * 2023-11-13 2024-04-12 北京师范大学 一种静止卫星全天候地表上行长波辐射反演方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102338869A (zh) * 2011-06-20 2012-02-01 北京师范大学 下行短波辐射和光合有效辐射数据的反演方法及系统
CN105572677A (zh) * 2016-03-23 2016-05-11 中国科学院遥感与数字地球研究所 利用短波辐射估算长波净辐射和下行辐射的方法和装置
CN105652284A (zh) * 2016-01-05 2016-06-08 中国科学院遥感与数字地球研究所 一种长波下行辐射的确定方法和装置
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精确反演方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884664B (zh) * 2019-01-14 2022-12-02 武汉大学 一种城市地上生物量光学微波协同反演方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102338869A (zh) * 2011-06-20 2012-02-01 北京师范大学 下行短波辐射和光合有效辐射数据的反演方法及系统
CN105652284A (zh) * 2016-01-05 2016-06-08 中国科学院遥感与数字地球研究所 一种长波下行辐射的确定方法和装置
CN105572677A (zh) * 2016-03-23 2016-05-11 中国科学院遥感与数字地球研究所 利用短波辐射估算长波净辐射和下行辐射的方法和装置
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精确反演方法

Also Published As

Publication number Publication date
CN114490905A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114490905B (zh) 一种晴空地表净长波辐射一体化反演方法及系统
US11190131B2 (en) Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters
CN106569186B (zh) 一种星载微波辐射计的偏差校正方法
Liu et al. The potential of high‐density observations for numerical weather prediction: A study with simulated observations
CN110650436B (zh) 基于WiFi数据的位置指纹库建立与拟合方法
CN110287457B (zh) 基于卫星雷达遥感数据的玉米生物量反演测算方法
CN102324098B (zh) 一种结合实验室定标和均匀景统计的相对辐射定标方法
CN111737913B (zh) 一种基于云水含量反演的mwhts晴空观测亮温选择方法
CN114019579B (zh) 高时空分辨率近地表空气温度重构方法、系统、设备
KR101856042B1 (ko) 혼합분포형을 이용한 지구 기후 모델의 극치 강수자료의 오차 보정방법
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
CN114049570B (zh) 基于神经网络的星载遥感水汽空间反演方法及系统
CN110705182B (zh) 耦合作物模型和机器学习的作物育种适应时间预测方法
CN108537679B (zh) 遥感与作物模型融合的区域尺度作物出苗日期估算方法
CN115358151A (zh) 一种数值天气预报近地层风速产品的订正方法
CN114417728A (zh) 基于温度和发射率及深度学习的近地表空气温度反演方法
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN110736704A (zh) 土壤水与蒸发比耦合模拟及相互转化的方法
CN114065931B (zh) 基于物理模型和神经网络融合的陆地水汽反演方法及系统
CN107656905A (zh) 一种利用误差传递的空气质量数据实时校准方法
CN108415101B (zh) 秒级探空资料的稀疏化方法
CN112529233A (zh) 一种预测草坪参考作物蒸发蒸腾量的方法
CN113608239B (zh) 基于bp神经网络的gnss掩星对流层参数的修正方法
CN114819264A (zh) 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN109406911B (zh) 星载微波传感器低频通道无线电频率干扰检测及校正方法

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