CN115629388B - 一种基于红外和微波成像仪数据的雷达回波模拟方法 - Google Patents
一种基于红外和微波成像仪数据的雷达回波模拟方法 Download PDFInfo
- Publication number
- CN115629388B CN115629388B CN202211662948.4A CN202211662948A CN115629388B CN 115629388 B CN115629388 B CN 115629388B CN 202211662948 A CN202211662948 A CN 202211662948A CN 115629388 B CN115629388 B CN 115629388B
- Authority
- CN
- China
- Prior art keywords
- infrared
- image
- microwave
- multiband
- data
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
Abstract
本发明涉及一种基于红外和微波成像仪数据的雷达回波模拟方法，包括：步骤S1、将获取的数据输入到WRF预处理系统生成驱动WRF天气研究与预报模型的标准格式数据；步骤S2、计算出高时空分辨率的三维大气和地表状态参数；步骤S3、模拟计算出多波段红外图像和多波段被动微波图像以及雷达回波图像；步骤S4、生成时间和空间匹配的三种图像对应数据集；步骤S5、构建仿真模型，将实测的数据输入到模型中生成与红外和微波图像匹配的雷达回波图像。本发明将红外和被动微波图像输入到构建的对抗生成神经网络即可生成雷达回波图像。估算过程中使用了多波段红外和多波段被动微波图像的联合观测，因此获得的雷达回波仿真图像精度较高。
Description
技术领域
本发明涉及气象雷达探测技术领域，一种基于红外和微波成像仪数据的雷达回波模拟方法。
背景技术
强对流性天气对人们的生产、生活和出行造成严重的威胁，它的雷达反射率一般大于35dBZ，对这类灾害性天气监测的有效方式为地基天气雷达，然而在高原地区、地形复杂地区及远海地区，受到地理条件的限制，地基天气雷达的布设受到严重影响，从而导致在这类地区不能获取天气雷达回波反射率信息。天基卫星自上而下的观测方式决定了它可以获取地基雷达监测范围外或无雷达监测区域的天气目标信息，这些信息的获取可以间接地用来计算天气目标的反射率信息。例如，卫星携带的一些传感器提供红外亮度温度数据，可以探测到对流云的活动。卫星传感器还具有高空间和时间分辨率，使它们能够及时跟踪对流事件。此外，卫星观测的覆盖范围要远大于地基天气雷达，可以重建大范围的雷达反射率、降水等数据来监测强对流天气。
目前，一些传统的雷达回波模拟方法，例如基于后向散射模型和气象观测资料的功率谱构建方法，以及利用冷暖物理特性建立的云顶亮温与降水强度关系等方法。这些传统方法都存在一些缺点，例如功率谱构建方法是需要假设降水粒子的功率谱是高斯的，然而这一假设在实际降水系统中并不总是满足的。基于云顶亮温与降水强度关系的统计方法来模拟雷达回波，这种统计方法的模拟效果强烈依赖于统计特征，然而这种统计特征在不同的地区可能相差很大，故不适合大范围区域的雷达回波模拟。另外，因红外遥感数据仅仅只能反映降水云团外部信息，而降水系统内部的信息只能通过微波遥感的方式，因此仅仅利用红外遥感数据可能无法得到准确的雷达回波模拟效果。近年来，深度学习极大地加速了人工智能的发展，在气象行业取得了显著的进展。与传统算法相比，深度学习算法可以通过非线性激活函数的滤波功能来映射非线性过程。一些研究研究了基于深度学习和红外亮温数据的雷达回波模拟方法，然而这种方法的模拟效果却并不令人满意，特别是在中强降水回波的精细化结构和准确度等方面。
需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于红外和微波成像仪数据的雷达回波模拟方法，解决了现有技术存在的问题。
本发明的目的通过以下技术方案来实现：一种基于红外和微波成像仪数据的雷达回波模拟方法，所述模拟方法包括：
步骤S1、将获取的ERA5同化系统的数据和ATMS的微波辐射率与SRTM的高分辨率地形数据输入到WRF预处理系统生成驱动WRF天气研究与预报模型的标准格式数据；
步骤S2、根据步骤S1中获取数据资料的位置和时间信息，设置WRF模型的参数，并将标准格式数据输入到WRF模型，运行WRF模型模拟计算出高时空分辨率的三维大气和地表状态参数；
步骤S3、将WRF模型输出的三维大气和地表状态参数分别输入到通用辐射传输模型CRTM和云解析雷达仿真系统CR-SIM中，模拟计算出多波段红外图像和多波段被动微波图像以及雷达回波图像；
步骤S4、将步骤S3中获取的多波段红外图像、多波段被动微波图像与雷达回波图像进行空间和时间的匹配，生成时间和空间匹配的三种图像对应数据集；
步骤S5、根据模拟的多波段红外图像、多波段被动微波图像与雷达回波图像构建仿真模型，将实测的数据输入到模型中生成与红外和微波图像匹配的雷达回波图像。
所述步骤S1具体包括以下内容：
获取ERA5同化系统的地表温度、大气温度、大气湿度廓线、云和降水数据，获取ATMS的微波辐射率和SRTM的高分辨率地形数据；
将获取的ERA5、ATMS和SRTM数据输入到WRF的预处理系统，生成驱动WRF天气研究与预报模型的标准格式数据。
所述步骤S2中设置WRF模型的参数包括：WRF模型包括三重嵌套配置，最外层域的水平分辨率设置为N1，中间域的水平分辨率设置为N2，最内层域的水平分辨率设置为N3，且N1＞N2＞N3。
所述步骤S3具体包括以下内容：
将WRF模型输出的三维大气和地表状态参数输入到通用辐射传输模型CRTM，设置多波段红外和微波成像仪的观测几何与仪器特征参数，运行CRTM模型模拟计算出多波段红外图像和多波段被动微波图像；
将WRF输出的三维大气和地表状态参数输入到云解析雷达仿真系统CR-SIM，设置雷达的观测几何和仪器特征参数，运行CR-SIM模型模拟出雷达回波图像。
所述多波段红外、微波成像仪和雷达的观测几何与仪器特征参数包括：多波段红外、微波成像仪和雷达的观测角度、波长、仪器响应函数半宽、等效噪声温差、发射功率、极化方式以及脉冲宽度。
所述步骤S4具体包括以下内容：
以雷达图像为基准，循环提取雷达图像的单个像素的经度和纬度，将单个像素的经度和纬度减去红外和微波图像的经度和纬度矩阵，获取经度和纬度差值矩阵；
通过遍历循环获取经度和纬度差值最小时所对应的红外和微波图像像素位置，将该点作为与雷达图像匹配的红外和微波数据，生成时间和空间匹配的三种图像对应数据集。
所述步骤S5包括以下内容：
将模拟的多波段红外图像和多波段被动微波图像作为神经网络的输入，雷达回波图像作为神经网络的输出，通过对抗生成网络构建基于多波段红外和多波段被动微波图像的雷达回波图像仿真模型；
将实测的多波段红外图像和多波段被动微波图像进行时间和空间匹配，获取红外和微波逐个像素对应的红外和微波亮温数据集，将匹配的红外和微波数据输入到训练好的模型中，生成与红外和微波图像匹配的雷达回波图像。
本发明具有以下优点：一种基于红外和微波成像仪数据的雷达回波模拟方法，将红外和被动微波图像输入到构建的对抗生成神经网络即可生成雷达回波图像。估算过程中使用了多波段红外和多波段被动微波图像的联合观测，因此获得的雷达回波仿真图像精度较高。
附图说明
图1 为本发明的流程示意图；
图2 为多波段红外和多波段微波图像仿真实现流程示意图；
图3 为雷达回波图像仿真实现流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
本发明具体涉及一种基于红外和微波成像仪数据的雷达回波模拟方法，该方法包括：收集ERA5同化系统的地表参数和大气参数，将收集的ERA5数据输入到WRF的预处理系统，生成可以驱动WRF天气研究与预报模型的标准格式数据；设置参数化方案，利用WRF模型模拟计算出高时空分辨率的三维大气和地表状态参数；将WRF的三维大气和地表状态参数输入到大气辐射传输模型，同时设置多波段红外、微波成像仪和雷达的观测几何和仪器特征参数，利用通用辐射传输模型（CRTM）模拟计算出多波段红外图像和多波段被动微波图像,利用云解析雷达仿真系统（CR-SIM）模拟出雷达回波图像，生成时间和空间匹配的三种图像数据集；将模拟的多波段红外图像和多波段被动微波图像作为神经网络的输入，雷达回波图像作为神经网络的输出，利用对抗生成网络构建基于多波段红外和多波段被动微波图像的雷达回波图像仿真模型；将实测的多波段红外图像和多波段被动微波图像输入训练好的对抗生成网络，即可生成与红外和微波图像匹配的雷达回波图像。
如图1所示，具体包括以下内容：
步骤1：收集ERA5同化系统的地表温度、大气温度、大气湿度廓线、云和降水资料，收集ATMS的微波辐射率和SRTM的高分辨率地形资料，将所地收集的ERA5、ATMS和SRTM资料数据输入到WRF的预处理系统，生成可以驱动WRF天气研究与预报模型的标准格式数据。
步骤2：根据步骤1收集资料的位置和时间信息，设置WRF模型的参数化方案，采用三重嵌套配置，最外层域（D01）的水平分辨率为10 km，中间域（D02）的水平分辨率为4km，最内层域（D03）的水平分辨率为1 km，将步骤1获取的标准格式数据输入到WRF模型，运行WRF模型即可模拟计算出高时空分辨率的三维大气和地表状态参数。
步骤3：如图2和图3所示，将WRF输出的三维大气和地表状态参数输入到通用辐射传输模型（CRTM），并设置多波段红外和微波成像仪的观测几何和仪器特征参数，运行CRTM模型即可模拟计算出MODIS多波段红外图像和ATMS多波段被动微波图像。进一步将WRF输出的三维大气和地表状态参数输入到云解析雷达仿真系统（CR-SIM），同时设置雷达的观测几何和仪器特征参数，运行CR-SIM模型即可模拟出X波段雷达回波图像
进一步地，多波段红外、微波成像仪和雷达的观测几何和仪器特征参数主要指多波段MODIS红外、ATMS微波成像仪和X波段雷达的观测角度、波长、仪器响应函数半宽、等效噪声温差、发射功率、极化方式和脉冲宽度。
进一步地，多波段红外图像和多波段被动微波图像主要指MODIS和ATMS成像仪多个红外和微波波段的亮温图像。
进一步地，雷达回波图像指基于云解析雷达仿真系统（CR-SIM）模拟时所设定频率的X波段雷达回波强度图像。
步骤4：将步骤3获取的MODIS多波段红外图像、ATMS多波段被动微波图像和X波段雷达回波图像进行空间和时间的匹配。以X波段雷达图像为基准，循环提取雷达图像的单个像素的经度和纬度，将单个像素的经度和纬度减去红外和微波图像的经度和纬度矩阵，获取经度和纬度差值矩阵。通过遍历循环获取经度和纬度差值最小时所对应的红外和微波图像像素位置，将这一点作为与雷达图像匹配的红外和微波数据。通过雷达图像的行和列循环，生成时间和空间匹配的三种图像对应数据集。
步骤5：将模拟的MODIS多波段红外图像和ATMS多波段被动微波图像作为神经网络的输入，X波段雷达回波图像作为神经网络的输出，利用对抗生成网络构建基于多波段红外和多波段被动微波图像的X波段雷达回波图像仿真模型。
步骤6：将实测的MODIS多波段红外图像和ATMS多波段被动微波图像进行时间和空间匹配，获取红外和微波逐个像素对应的红外和微波亮温数据集，将匹配的红外和微波数据输入步骤5所训练好的对抗生成网络，即可生成与红外和微波图像匹配的X波段雷达回波图像。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述模拟方法包括：
步骤S1、将获取的ERA5同化系统的数据和ATMS的微波辐射率与SRTM的高分辨率地形数据输入到WRF预处理系统生成驱动WRF天气研究与预报模型的标准格式数据；
步骤S2、根据步骤S1中获取数据资料的位置和时间信息，设置WRF模型的参数，并将标准格式数据输入到WRF模型，运行WRF模型模拟计算出高时空分辨率的三维大气和地表状态参数；
步骤S3、将WRF模型输出的三维大气和地表状态参数分别输入到通用辐射传输模型CRTM和云解析雷达仿真系统CR-SIM中，模拟计算出多波段红外图像和多波段被动微波图像以及雷达回波图像；
步骤S4、将步骤S3中获取的多波段红外图像、多波段被动微波图像与雷达回波图像进行空间和时间的匹配，生成时间和空间匹配的三种图像对应数据集；
步骤S5、根据模拟的多波段红外图像、多波段被动微波图像与雷达回波图像构建仿真模型，将实测的数据输入到模型中生成与红外和微波图像匹配的雷达回波图像。
2.根据权利要求1所述的一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述步骤S1具体包括以下内容：
获取ERA5同化系统的地表温度、大气温度、大气湿度廓线、云和降水数据，获取ATMS的微波辐射率和SRTM的高分辨率地形数据；
将获取的ERA5、ATMS和SRTM数据输入到WRF的预处理系统，生成驱动WRF天气研究与预报模型的标准格式数据。
3.根据权利要求1所述的一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述步骤S2中设置WRF模型的参数包括：WRF模型包括三重嵌套配置，最外层域的水平分辨率设置为N1，中间域的水平分辨率设置为N2，最内层域的水平分辨率设置为N3，且N1＞N2＞N3。
4.根据权利要求1所述的一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述步骤S3具体包括以下内容：
将WRF模型输出的三维大气和地表状态参数输入到通用辐射传输模型CRTM，设置多波段红外和微波成像仪的观测几何与仪器特征参数，运行CRTM模型模拟计算出多波段红外图像和多波段被动微波图像；
将WRF输出的三维大气和地表状态参数输入到云解析雷达仿真系统CR-SIM，设置雷达的观测几何和仪器特征参数，运行CR-SIM模型模拟出雷达回波图像。
5.根据权利要求4所述的一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述多波段红外、微波成像仪和雷达的观测几何与仪器特征参数包括：多波段红外、微波成像仪和雷达的观测角度、波长、仪器响应函数半宽、等效噪声温差、发射功率、极化方式以及脉冲宽度。
6.根据权利要求1所述的一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述步骤S4具体包括以下内容：
以雷达图像为基准，循环提取雷达图像的单个像素的经度和纬度，将单个像素的经度和纬度减去红外和微波图像的经度和纬度矩阵，获取经度和纬度差值矩阵；
通过遍历循环获取经度和纬度差值最小时所对应的红外和微波图像像素位置，将该点作为与雷达图像匹配的红外和微波数据，生成时间和空间匹配的三种图像对应数据集。
7.根据权利要求1所述的一种基于红外和微波成像仪数据的雷达回波模拟方法，其特征在于：所述步骤S5包括以下内容：
将模拟的多波段红外图像和多波段被动微波图像作为神经网络的输入，雷达回波图像作为神经网络的输出，通过对抗生成网络构建基于多波段红外和多波段被动微波图像的雷达回波图像仿真模型；
将实测的多波段红外图像和多波段被动微波图像进行时间和空间匹配，获取红外和微波逐个像素对应的红外和微波亮温数据集，将匹配的红外和微波数据输入到训练好的模型中，生成与红外和微波图像匹配的雷达回波图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211662948.4A CN115629388B (zh) | 2022-12-23 | 2022-12-23 | 一种基于红外和微波成像仪数据的雷达回波模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211662948.4A CN115629388B (zh) | 2022-12-23 | 2022-12-23 | 一种基于红外和微波成像仪数据的雷达回波模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115629388A CN115629388A (zh) | 2023-01-20 |
| CN115629388B true CN115629388B (zh) | 2023-02-28 |
Family
ID=84910735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211662948.4A Active CN115629388B (zh) | 2022-12-23 | 2022-12-23 | 一种基于红外和微波成像仪数据的雷达回波模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115629388B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449331B (zh) * | 2023-06-20 | 2023-08-15 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
| CN116482631A (zh) * | 2023-06-26 | 2023-07-25 | 四川天中星航空科技有限公司 | 一种基于雷达回波信号的目标模拟方法 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000000842A1 (de) * | 1998-06-27 | 2000-01-06 | Dornier Gmbh | Verfahren zur simulation von echosignalen für doppler-radar-systeme |
| CN103048651B (zh) * | 2013-01-10 | 2014-06-11 | 成都信息工程学院 | 多参数模拟气象雷达回波发生装置及发生方法 |
| WO2014108889A1 (en) * | 2013-01-14 | 2014-07-17 | Mantissa Ltd. | A method for mitigating rain clutter interference in millimeter-wave radar detection |
| CN204515123U (zh) * | 2015-01-20 | 2015-07-29 | 成都远望科技有限责任公司 | 一种毫米波雷达的回波信号采集装置 |
| US20190391253A1 (en) * | 2015-06-23 | 2019-12-26 | Harold Szu | Thermal Biomarker System |
| KR101620328B1 (ko) * | 2015-09-23 | 2016-05-12 | 대한민국(기상청장) | 레이더와 수동마이크로파 관측값을 이용한 모의 구름-복사 데이터베이스 최적화 방법 |
| US11675070B2 (en) * | 2016-12-23 | 2023-06-13 | Iee International Electronics & Engineering S.A. | High-resolution 3D radar wave imaging device |
| FR3062484B1 (fr) * | 2017-01-30 | 2020-10-09 | Extreme Wheather Expertises Exwexs | Procede et dispositif de meteorologie et produit programme d'ordinateur associe |
| US20190164445A1 (en) * | 2017-11-27 | 2019-05-30 | Cae Inc. | Method and system for simulating a radar image |
| KR101924792B1 (ko) * | 2018-04-24 | 2018-12-04 | 대한민국 | 레이더 관측망 구성을 위한 설치 위치 선정 장치 및 그 방법 |
| CN109581382A (zh) * | 2018-12-11 | 2019-04-05 | 南京信息工程大学 | 一种基于C#与Fortran混编技术的球形云及降水粒子群散射仿真方法 |
| CN109782241B (zh) * | 2019-03-29 | 2021-01-29 | 北京润科通用技术有限公司 | 一种气象雷达回波模拟方法及系统 |
| CN110515079B (zh) * | 2019-06-04 | 2022-02-08 | 沈阳瑞初科技有限公司 | 融合sar雷达与红外成像技术的可视化融合方法 |
| US11493625B2 (en) * | 2020-03-16 | 2022-11-08 | Nio Technology (Anhui) Co., Ltd. | Simulated LiDAR devices and systems |
| CN112133050A (zh) * | 2020-09-15 | 2020-12-25 | 朱新培 | 基于微波雷达的周界报警装置及其方法 |
| CN113325422B (zh) * | 2021-04-23 | 2022-07-29 | 上海卫星工程研究所 | 天基测雨雷达目标定位及降雨信息三维处理方法和系统 |
| CN113222017A (zh) * | 2021-05-12 | 2021-08-06 | 中国科学院空天信息创新研究院 | 探地雷达数据生成方法、控制装置、系统及存储介质 |
| CN114384518A (zh) * | 2022-01-17 | 2022-04-22 | 北京环境特性研究所 | 一种基于Ku波段实测数据的海面SAR图像仿真方法和装置 |
| CN115144835B (zh) * | 2022-09-02 | 2023-01-03 | 南京信大气象科学技术研究院有限公司 | 一种基于神经网络的卫星反演天气雷达反射率的方法 |
| CN115469313B (zh) * | 2022-11-15 | 2023-03-24 | 成都远望探测技术有限公司 | 用于海上船载气象雷达的波束控制方法 |
-
2022
- 2022-12-23 CN CN202211662948.4A patent/CN115629388B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115629388A (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115629388B (zh) | 一种基于红外和微波成像仪数据的雷达回波模拟方法 | |
| Duveiller et al. | A conceptual framework to define the spatial resolution requirements for agricultural monitoring using remote sensing | |
| CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
| Hilburn et al. | Development and interpretation of a neural-network-based synthetic radar reflectivity estimator using GOES-R satellite observations | |
| Kuc et al. | Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas | |
| Wicaksono et al. | Dark target effectiveness for dark‐object subtraction atmospheric correction method on mangrove above‐ground carbon stock mapping | |
| Jiang et al. | Assessment of the radiometric performance of Chinese HJ-1 satellite CCD instruments | |
| CN112906310A (zh) | 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 | |
| CN113447137B (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
| CN115479960B (zh) | 联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法 | |
| Lei et al. | Detection of forest disturbance with spaceborne repeat-pass SAR interferometry | |
| CN108764326A (zh) | 基于深度置信网络的城市不透水层提取方法 | |
| CN111666896A (zh) | 一种基于线性融合模型的遥感影像时空融合方法 | |
| Kseneman et al. | Soil-moisture estimation from TerraSAR-X data using neural networks | |
| Singh et al. | Soil moisture retrieval using SMAP L-band radiometer and RISAT-1 C-band SAR data in the paddy dominated tropical region of India | |
| Teng et al. | A practical method for angular normalization on land surface temperature using space between thermal radiance and fraction of vegetation cover | |
| He et al. | Direct estimation of land surface albedo from simultaneous MISR data | |
| Basurto-Lozada et al. | Dynamics of soil surface temperature with unmanned aerial systems | |
| Stamenković et al. | Joining a discrete radiative transfer model and a kernel retrieval algorithm for soil moisture estimation from SAR data | |
| CN116609857A (zh) | 一种基于可见光、红外和微波图像的云垂直结构参数估算方法 | |
| CN114296061B (zh) | 基于多元变量检测和不同辐射传输模型的交叉定标方法 | |
| Chandrasekar et al. | Rainfall estimation from spaceborne and ground based radars using neural networks | |
| Wang et al. | Removing temperature drift and temporal variation in thermal infrared images of a UAV uncooled thermal infrared imager | |
| Zhou et al. | Synthetic aperture radar radiometric cross calibration based on distributed targets | |
| Kussul et al. | SDG indicator 11.3. 1 within horizon-2020 smurbs |
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 |