CN115144835B - 一种基于神经网络的卫星反演天气雷达反射率的方法 - Google Patents
一种基于神经网络的卫星反演天气雷达反射率的方法 Download PDFInfo
- Publication number
- CN115144835B CN115144835B CN202211069438.6A CN202211069438A CN115144835B CN 115144835 B CN115144835 B CN 115144835B CN 202211069438 A CN202211069438 A CN 202211069438A CN 115144835 B CN115144835 B CN 115144835B
- Authority
- CN
- China
- Prior art keywords
- data
- satellite
- reflectivity
- radar
- neural network
- 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
Links
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
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于神经网络的卫星反演天气雷达反射率的方法。该方法包括读取卫星多通道数据,将气象卫星的6.5um和7.1um通道数据辐射定标,将8.5um、10.8um、12um和13.5um通道数据辐射定标后计算对应通道的亮度温度,并获取卫星云掩膜数据,将组合反射率中的多层基本反射率投影到笛卡尔坐标系上,提取多层基本反射率的最大值作为空间分辨率为0.01°×0.01°格网的数值,将上述数据通过投影变换与空间插值到0.01°×0.01°的格网上,读取SRTM_DEM数据,并将其空间分辨率插值到上述格网上,然后数据匹配到雷达反射率覆盖的空间范围。本发明相对于传统的线性拟合方法能够有更好的效果。
Description
技术领域
本发明涉及气象监测技术领域,具体涉及一种基于神经网络的卫星反演天气雷达反射率的方法。
背景技术
现有雷达观测范围有限,在雷达部署比较稀疏的西部地区,雷达组网直接存在很大的间隙。同时雷达在海上的观测范围有限,只能覆盖近海地区。目前弥补雷达组网间隙以及海上观测不足的技术使用并不广泛,现有的算法可以大致分为两类:基于反向传播(BP)神经网络的机器学习算法和基于反演降水的雷达回波反演算法。然而这两种算法均有一定的局限性。
基于反向传播(BP)神经网络的机器学习算法以对应坐标的卫星和雷达组合反射率数据为样本,进行模型训练。反向传播(BP)神经网络是目前应用最广泛、成效显著、算法较成熟的一种。BP神经网络通过使用预测因子(卫星亮温数据)和预测对象(雷达组合反射率)以前的历史资料,求解预测因子与预测对象之间的关系,从而构建预报模型。BP神经网络的输入层接收来自外界的输入信息,并传递给中间层各神经元;中间层负责信息变换;最后传递到输出层向外界输出信息处理结果;当实际输出与期望输出不符时,进入误差的反向传播阶段,修正各层权值,逐层反传,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。神经网络是非线性系统,具有自学习、容错性强等特点,适用于具有多因素性、不确定性、随机性特点的研究对象;然而该方法存在一些不足之处,首先该方法首先通过坐标换算,将卫星数据和雷达格点数据进行点对点的一一对应。然而实际上雷达观测可能会存在位置偏移,卫星数据进行投影转换时同样可能出现位置上的误差,可能会造成格点数据不能完全对应上,造成结果存在误差;其次由于该方法只是进行点对点的对应,不能够将对流云团看作一个整体;最后由于卫星观测的穿透能力有限,对深厚的对流云团容易出现探测能力不足,导致对强对流的雷达回波反演偏弱;
基于反演降水的雷达回波反演算法通过降水作为中间变量。首先根据卫星观测反演降水强度,然后根据降水强度和雷达回波直接的z-r关系,计算伪雷达回波强度。使用卫星反演降水主要有可见光/红外(VIS/IR)降水反演法、被动微波((PM4v)降水反演法。其中可见光/红外降水反演法主要使用静止卫星数据,计算降水指数GP工。该方法原理简单但结果误差较大,且可见光在夜晚无数据。而微波辐射计目前仅安装在极轨卫星上,极轨卫星的重复周期通常要1天,无法得到高时间分辨率的降水数据。并且该方法引入了降水强度作为中间变量,分别建立卫星观测和降水以及雷达回波和降水之间的关系式,增加了不确定性因素,导致结果准确度下降。
申请号为201810199839.0的中国专利提出了一种雷达回波的反演和融合方法。具体内容为:将葵花8号静止卫星的B08,B10,B13,B15共4个波段的圆盘投影数据进行投影换算并插值到0.02°×0.02°的空间网格点上;闪电资料及处理;雷达资料及雷达数据组网;土地使用类型资料及处理;模型训练。反演阶段包括:数据预处理;对实时观测得到的葵花8号静止卫星资料、闪电资料做和训练阶段相同的处理,土地使用类型资料使用训练阶段处理后的资料;雷达资料组网:将实时观测的雷达基数据资料按照训练阶段的组网步骤进行组网,计算组合发射率;雷达回波反演;卫星雷达数据融合。上述专利反演雷达反射率的方法要求的数据类型较多,操作过程复杂,还需要实时的雷达反射率观测资料做补充,并没有做到只利用卫星数据反演雷达反射率的效果。
发明内容
本发明的目的是针对现有技术存在的不足,提供一种基于神经网络的卫星反演天气雷达反射率的方法。
为实现上述目的,本发明提供了一种基于神经网络的卫星反演天气雷达反射率的方法,包括:
步骤1、读取卫星多通道数据,将气象卫星的6.5um和7.1um通道数据辐射定标,将8.5um、10.8um、12um和13.5um通道数据辐射定标后计算对应通道的亮度温度,并获取卫星云掩膜数据;
步骤2、读取雷达反射率数据,并从中选取天气雷达的组合反射率,将所述组合反射率中的多层基本反射率投影到笛卡尔坐标系上提取多层基本反射率的最大值作为空间分辨率为0.01°×0.01°格网的数值;
步骤3、将所述6.5um和7.1um通道辐射定标后的数据、8.5um、10.8um、12um和13.5um通道的亮度温度以及卫星云掩膜数据通过投影变换与空间插值到0.01°×0.01°的格网上,以将卫星数据的行列号转换为经纬度;
步骤4、读取SRTM_DEM数据,并将其空间分辨率插值到0.01°×0.01°格网上;
步骤5、将步骤3得到的经过投影变换和空间插值后的数据与步骤4得到的经过空间插值后的SRTM_DEM数据匹配到雷达反射率覆盖的空间范围;
步骤6、将所述空间范围内的每个格点处理成具有9个特征要素的编码结构,所述编码结构为[B6.5um,B7.1um、TB8.5um,TB10.8um,TB12um,TB13.5um, TB10.8um=8.5um,TB13.5um =12um,DEM],其中,B6.5um和B7.1um分别为步骤3中的经过投影变换和空间插值到0.01°×0.01°的格网上的6.5um、 7.1um通道辐射定标后的数据,TB8.5um、TB10.8um、TB12um、TB13.5um依次为8.5um、10.8um、12um和13.5um通道数据的亮度温度,TB10.8um=8.5um、TB13.5um =12um分别为8.5um与10.8um和12um与13.5um通道数据的亮度温度差,DEM为SRTM_DEM数据,将上述9个特征要素输入至训练合格的反演模型中,以获得反演的雷达反射率,再通过所述云掩膜数据过滤掉非云的格点,得到最终的反演的雷达反射率。
进一步的,所述将卫星数据的行列号转换为经纬度的方式如下:
其中,为地理经度,为地理纬度,为行号,为列号,为圆周率,ea为
地球的长半轴,eb为地球的短半轴,h为地心到卫星质心的距离,为卫星星下点所在经
度,COFF为列偏移,CFAC为列比例因子,LOFF为行偏移,LFAC为行比例因子。
进一步的,所述辐射定标的方式如下:
Lambda为经过辐射定标的卫星通道辐射率,单位为W/m2/m/sr,ref为卫星通道反射率,单位为W/m2/m/sr,bias和offset均为定标系数。
进一步的,所述亮度温度的计算方式如下:
其中,Tbright为计算出的亮度温度,单位为K,wavel为卫星通道的中心波长,单位为m,c为光速,值为2.99792458×108m/s,H为普朗克常数,值为6.62606876×10-34Js,kb为玻尔兹曼常数,值为1.3806503×10-23J/K。
进一步的,所述反演模型的构建方式如下:
基于深度学习框架构建多层神经网络,每层神经网络设置多个神经元对应训练数据的9个特征,输入数据大小为9*n的矩阵,激活函数选择tanh,神经网络输出层为1*n的矩阵,设置最大权重函数,输出层中最大权重数值为反演值,优化器选择随机梯度下降法。
进一步的,所述反演模型通过构建的数据集训练至合格,所述数据集构建方式如下:
利用步骤1至步骤6的方式获得具有9个特征要素的编码结构;
将上述9个要素对应格点上的雷达反射率数据编码为[REF],REF表示雷达组合反射率,单位dBz;
选取雷达组合反射率值大于0的格点作为训练数据。
进一步的,还包括:
以雷达站点为中心,选取半径在50到150公里范围内环状区域的雷达反射率0值的格点补充至训练数据。
有益效果:本发明基于深度学习的卫星反演雷达反射率模型,通过构建神经网络,将卫星数据的多通道与数字高程模型组合,较好的体现了卫星数据在表征云特性方面的差异性,简化了卫星反演雷达反射率的流程,改善了地形要素的影响,相对于传统的线性拟合方法能够有更好的效果。
附图说明
图1是基于神经网络的卫星反演天气雷达反射率的方法的流程示意图;
图2是通过基于神经网络的卫星反演天气雷达反射率的方法反演得到的反射率的示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,本实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示,本发明实施例提供了一种基于神经网络的卫星反演天气雷达反射率的方法,包括:
步骤1、读取卫星多通道数据,将气象卫星的6.5um和7.1um通道数据辐射定标,将8.5um、10.8um、12um和13.5um通道数据辐射定标后计算对应通道的亮度温度,并获取卫星云掩膜数据。具体的,云掩膜数据可以是卫星原始影像计算得到,有云的格点标记为1,无云的格点标记为0。上述辐射定标的方式如下:
Lambda为经过辐射定标的卫星通道辐射率,单位为W/m2/m/sr,ref为卫星通道反射率,单位为W/m2/m/sr,bias和offset均为定标系数。
上述亮度温度的计算方式如下:
其中,Tbright为计算出的亮度温度,单位为K,wavel为卫星通道的中心波长,单位为m,c为光速,值为2.99792458×108m/s,H为普朗克常数,值为6.62606876×10-34Js,kb为玻尔兹曼常数,值为1.3806503×10-23J/K。
步骤2、读取雷达反射率数据,并从中选取天气雷达的组合反射率,将组合反射率中的多层基本反射率投影到笛卡尔坐标系上提取多层基本反射率的最大值作为空间分辨率为0.01°×0.01°格网的数值。上述天气雷达包括但不限于多普勒天气雷达。上述读取卫星多通道数据的时长不小于1天,雷达组合反射率数据选择时长与卫星数据时长相同且二者数据获取时间相差不超过2分钟。
步骤3、将6.5um和7.1um通道辐射定标后的数据、8.5um、10.8um、12um和13.5um通道的亮度温度以及卫星云掩膜数据通过投影变换与空间插值到0.01°×0.01°的格网上,以将卫星数据的行列号转换为经纬度,并与雷达反射率数据的空间分辨率保持一致。上述将卫星数据的行列号转换为经纬度的方式具体如下:
其中,为地理经度,为地理纬度,为行号,为列号,为圆周率,ea为
地球的长半轴,eb为地球的短半轴,h为地心到卫星质心的距离,为卫星星下点所在经
度,COFF为列偏移,CFAC为列比例因子,LOFF为行偏移,LFAC为行比例因子。
步骤4、读取SRTM_DEM数据,并将其空间分辨率插值到0.01°×0.01°格网上。由于雷达反射率的高低与云顶温度及云高有很大的影响,当地的海拔高度影响了云的相对高度,所以需要加上海拔因素,
步骤5、将步骤3得到的经过投影变换和空间插值后的数据与步骤4得到的经过空间插值后的SRTM_DEM数据匹配到雷达反射率覆盖的空间范围。
步骤6、将上述空间范围内的每个格点处理成具有9个特征要素的编码结构,上述编码结构为[B6.5um,B7.1um、TB8.5um,TB10.8um,TB12um,TB13.5um, TB10.8um=8.5um,TB13.5um =12um,DEM],其中,B6.5um和B7.1um分别为步骤3中的经过投影变换和空间插值到0.01°×0.01°的格网上的6.5um、 7.1um通道辐射定标后的数据,TB8.5um、TB10.8um、TB12um、TB13.5um依次为8.5um、10.8um、12um和13.5um通道数据的亮度温度,TB10.8um=8.5um、TB13.5um =12um分别为8.5um与10.8um和12um与13.5um通道数据的亮度温度差,DEM为SRTM_DEM数据,将上述9个特征要素输入至训练合格的反演模型中,以获得反演的雷达反射率,再通过所述云掩膜数据过滤掉非云的格点,得到最终的反演的雷达反射率,反演后的反射率可参见图2。
上述反演模型的构建方式如下:
基于开源深度学习框架构建神经网络模型,使用Dense层构建基本的神经网络单元,每层神经网络设置多个神经元对应训练数据的9个特征,输入数据大小为9*n的矩阵,每个神经网络层后使用tanh激活函数,每个Dense层之间使用Dropout减少网络复杂度,神经网络输出层为1*n的矩阵,设置最大权重函数,输出层中最大权重数值为反演值,优化器选择随机梯度下降法。以单个Dense层的神经网络结构样例为例:
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
model = Sequential() # 顺序模型
# 输入层
model.add(Dense(7, input_shape=(4,))) # Dense作第一层要写input_shape
model.add(Activation('tanh')) # 激活函数
# 隐层
model.add(Dense(13)) # Dense层为中间层
model.add(Activation(' tanh ')) # 激活函数
# 输出层
model.add(Dense(5))
model.add(Activation(' tanh '))
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=["accuracy"])
model.summary()
另外,神经网络模型中的optimizer优化器可更改为深度学习框架的内置优化器。Loss损失函数可改为深度学习框架的内置损失函数。
上述反演模型通过构建的数据集训练至合格,为了使神经网络能够更好的学习到不同雷达反射率对应的卫星通道数据的差异,充分利用神经网络对多元数据的拟合能力,数据集构建方式如下:
利用步骤1至步骤6的方式获得具有9个特征要素的编码结构;
将上述9个要素对应格点上的雷达反射率数据编码为[REF],REF表示雷达组合反射率,单位dBz;
选取雷达组合反射率值大于0的格点作为训练数据。还可以以雷达站点为中心,选取半径在50到150公里范围内环状区域的雷达反射率0值的格点补充至训练数据。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,其它未具体描述的部分,属于现有技术或公知常识。在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于神经网络的卫星反演天气雷达反射率的方法,其特征在于,包括:
步骤1、读取卫星多通道数据,将气象卫星的6.5um和7.1um通道数据辐射定标,将8.5um、10.8um、12um和13.5um通道数据辐射定标后计算对应通道的亮度温度,并获取卫星云掩膜数据;
步骤2、读取雷达反射率数据,并从中选取天气雷达的组合反射率,将所述组合反射率中的多层基本反射率投影到笛卡尔坐标系上提取多层基本反射率的最大值作为空间分辨率为0.01°×0.01°格网的数值;
步骤3、将所述6.5um和7.1um通道辐射定标后的数据、8.5um、10.8um、12um和13.5um通道的亮度温度以及卫星云掩膜数据通过投影变换与空间插值到0.01°×0.01°的格网上,以将卫星数据的行列号转换为经纬度;
步骤4、读取SRTM_DEM数据,并将其空间分辨率插值到0.01°×0.01°格网上;
步骤5、将步骤3得到的经过投影变换和空间插值后的数据与步骤4得到的经过空间插值后的SRTM_DEM数据匹配到雷达反射率覆盖的空间范围;
步骤6、将所述空间范围内的每个格点处理成具有9个特征要素的编码结构,所述编码结构为[B6.5um,B7.1um、TB8.5um,TB10.8um,TB12um,TB13.5um, TB10.8um=8.5um,TB13.5um =12um,DEM],其中,B6.5um和B7.1um分别为步骤3中的经过投影变换和空间插值到0.01°×0.01°的格网上的6.5um、 7.1um通道辐射定标后的数据,TB8.5um、TB10.8um、TB12um、TB13.5um依次为8.5um、10.8um、12um和13.5um通道数据的亮度温度,TB10.8um=8.5um、TB13.5um =12um分别为8.5um与10.8um和12um与13.5um通道数据的亮度温度差,DEM为SRTM_DEM数据,将上述9个特征要素输入至训练合格的反演模型中,以获得反演的雷达反射率,再通过所述云掩膜数据过滤掉非云的格点,得到最终的反演的雷达反射率;
所述反演模型的构建方式如下:
基于深度学习框架构建多层神经网络,每层神经网络设置多个神经元对应训练数据的9个特征,输入数据大小为9*n的矩阵,激活函数选择tanh,神经网络输出层为1*n的矩阵,设置最大权重函数,输出层中最大权重数值为反演值,优化器选择随机梯度下降法;
所述反演模型通过构建的数据集训练至合格,所述数据集构建方式如下:
利用步骤1至步骤6的方式获得具有9个特征要素的编码结构;
将上述9个要素对应格点上的雷达反射率数据编码为[REF],REF表示雷达组合反射率,单位dBz;
选取雷达组合反射率值大于0的格点作为训练数据。
5.根据权利要求1所述的一种基于神经网络的卫星反演天气雷达反射率的方法,其特征在于,还包括:
以雷达站点为中心,选取半径在50到150公里范围内环状区域的雷达反射率0值的格点补充至训练数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211069438.6A CN115144835B (zh) | 2022-09-02 | 2022-09-02 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211069438.6A CN115144835B (zh) | 2022-09-02 | 2022-09-02 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115144835A CN115144835A (zh) | 2022-10-04 |
CN115144835B true CN115144835B (zh) | 2023-01-03 |
Family
ID=83415827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211069438.6A Active CN115144835B (zh) | 2022-09-02 | 2022-09-02 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115144835B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629388B (zh) * | 2022-12-23 | 2023-02-28 | 成都远望探测技术有限公司 | 一种基于红外和微波成像仪数据的雷达回波模拟方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445464A (zh) * | 2018-03-12 | 2018-08-24 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的卫星雷达反演融合方法 |
CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998026306A1 (en) * | 1996-12-09 | 1998-06-18 | Miller Richard L | 3-d weather display and weathercast system |
US7353690B2 (en) * | 2005-01-24 | 2008-04-08 | Radiometrics Corporation | Atmospheric refractivity profiling apparatus and methods |
CN101598543B (zh) * | 2009-07-29 | 2011-01-19 | 中国科学院对地观测与数字地球科学中心 | 一种实用的遥感影像大气校正方法 |
CN101915569B (zh) * | 2010-07-07 | 2012-09-26 | 南京信息工程大学 | 风浪要素数值实景监测系统及其监测方法 |
CN105445816B (zh) * | 2015-12-14 | 2017-10-03 | 中国气象局气象探测中心 | 一种云雷达与卫星探测数据融合方法及系统 |
US20170343485A1 (en) * | 2016-05-10 | 2017-11-30 | Purdue Research Foundation | Retrieval of p-band soil reflectivity from signals of opportunity |
EP3475729B1 (en) * | 2016-06-24 | 2024-01-17 | The Tomorrow Companies Inc. | Real-time precipitation forecasting system |
KR20180044537A (ko) * | 2016-10-24 | 2018-05-03 | 대한민국(기상청장) | 에어로졸, 구름 및 강우 통합 관측 시스템 및 방법 |
RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
CN111474529B (zh) * | 2020-06-10 | 2023-07-07 | 浙江省气象台 | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 |
CN112198483A (zh) * | 2020-09-28 | 2021-01-08 | 上海眼控科技股份有限公司 | 卫星反演雷达的数据处理方法、装置、设备及存储介质 |
CN112487718B (zh) * | 2020-11-27 | 2024-04-16 | 江苏省气象服务中心 | 一种基于深度学习的卫星图像反演雷达组合反射率方法 |
CN112580779A (zh) * | 2020-12-11 | 2021-03-30 | 上海眼控科技股份有限公司 | 一种雷达数据生成方法、装置、设备及存储介质 |
CN114298162A (zh) * | 2021-12-09 | 2022-04-08 | 湖北省气象信息与技术保障中心 | 融合卫星雷达多源数据的降水质量控制与评估方法及应用 |
CN114861840B (zh) * | 2022-07-07 | 2022-10-04 | 河海大学 | 一种多源降水数据融合方法 |
-
2022
- 2022-09-02 CN CN202211069438.6A patent/CN115144835B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445464A (zh) * | 2018-03-12 | 2018-08-24 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的卫星雷达反演融合方法 |
CN113534158A (zh) * | 2021-06-10 | 2021-10-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 |
Non-Patent Citations (1)
Title |
---|
Sensitivity of CyGNSS Bistatic Reflectivity and SMAP Microwave Radiometry Brightness Temperature to Geophysical Parameters Over Land Surfaces;Hugo Carreno-Luengo等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20190131;第12卷(第1期);107-122 * |
Also Published As
Publication number | Publication date |
---|---|
CN115144835A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445464B (zh) | 基于机器学习的卫星雷达反演融合方法 | |
De Keukelaere et al. | Atmospheric correction of Landsat-8/OLI and Sentinel-2/MSI data using iCOR algorithm: validation for coastal and inland waters | |
Hilburn et al. | Development and interpretation of a neural-network-based synthetic radar reflectivity estimator using GOES-R satellite observations | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN106054194B (zh) | 一种星载雷达和地基雷达反射率因子数据三维融合方法 | |
Liu et al. | Deriving bathymetry from optical images with a localized neural network algorithm | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
Li et al. | Atmospheric correction of geostationary satellite ocean color data under high solar zenith angles in open oceans | |
CN109635249B (zh) | 水体浊度反演模型建立方法、检测方法及装置 | |
CN115144835B (zh) | 一种基于神经网络的卫星反演天气雷达反射率的方法 | |
CN103728609A (zh) | 星载多光谱红外传感器交叉辐射定标方法 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN108256186A (zh) | 一种在线计算查找表的逐像元大气校正方法 | |
CN115267941B (zh) | 一种高解析度真彩可见光模型生成、反演方法及其系统 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN114297938B (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
WO2024036739A1 (zh) | 水库水储量反演方法和装置 | |
CN111046120B (zh) | 一种极端气温语义反距离权重插值方法 | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
CN116822141A (zh) | 利用卫星微光遥感反演夜间大气气溶胶光学厚度的方法 | |
Pauthenet et al. | Four-dimensional temperature, salinity and mixed-layer depth in the Gulf Stream, reconstructed from remote-sensing and in situ observations with neural networks | |
CN115082309A (zh) | 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 | |
CN117148360B (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
CN115690598A (zh) | 基于卫星数据和随机森林模型室外环境温度遥感反演方法 | |
CN115222837A (zh) | 真彩云图生成方法、装置、电子设备及存储介质 |
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 |