CN115688356A - 一种基于月温度循环模型的极轨卫星地表温度月较差估算方法 - Google Patents
一种基于月温度循环模型的极轨卫星地表温度月较差估算方法 Download PDFInfo
- Publication number
- CN115688356A CN115688356A CN202210742267.2A CN202210742267A CN115688356A CN 115688356 A CN115688356 A CN 115688356A CN 202210742267 A CN202210742267 A CN 202210742267A CN 115688356 A CN115688356 A CN 115688356A
- Authority
- CN
- China
- Prior art keywords
- earth surface
- temperature
- monthly
- surface temperature
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000001556 precipitation Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 claims description 3
- 230000005271 beta minus decay Effects 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 description 18
- 238000004836 empirical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种基于月温度循环模型的极轨卫星地表温度月较差估算方法，包括：构建囊括各种气候背景和地表环境条件下的月温度循环模型及其降参策略和参数设定策略的查找表；获取研究区域极轨卫星过境时刻的瞬时地表温度数据、地表覆盖类型数据、高程数据以及降水量数据，并计算极轨卫星过境时刻的地表温度月均值；根据研究区域气候背景和地表环境条件，从查找表中选择匹配的月温度循环模型及其降参策略和参数设定策略，对模型进行降参处理，并设定模型参数的初始值和阈值；利用Levenberg‑Marquardt算法对模型参数进行求解；基于上述参数率定后的月温度循环模型，计算月均地表温度最大值和最小值，获取地表温度月较差。本发明提高了地表温度月较差估算精度。
Description
技术领域
本发明涉及地表温度循环模型和温度较差估算技术领域，特别是涉及一种基于月温度循环模型的极轨卫星地表温度月较差估算方法。
背景技术
地表温度较差是一段时间内地表最高温度与最低温度之差，它反映了地表温度的变化情况。地表温度月较差是一个月内，地表温度每日较差的平均值。它不仅是反映热环境和热舒适度的重要指标，还是气候系统的重要变量，准确地估算地表温度月较差对于充分了解地表能量收支、陆-气相互作用、城市热岛监测、地表模式评估和气候变化评估至关重要。
常见的基于气象站点观测数据得到的地表温度月较差虽然具有时间跨度长、记录较准确等优点，但气象站点稀疏、分布不均，难以反映地表温度月较差在区域及全球尺度上的分布趋势。极轨卫星遥感技术的发展为估算区域及全球尺度地表温度月较差提供了空间连续的地气参数，进而生成地表温度月较差的时空分布数据。然而，利用极轨卫星遥感技术估算地表温度月较差存在以下两个问题。
第一个问题：极轨卫星重复观测周期长，一颗卫星每天只能观测全球两次，为了估算地表温度月较差，研究学者假设极轨卫星下午星在一日内两次瞬时观测得到的地表温度为该日最大和最小地表温度，由此计算得到的地表温度日较差与真实的地表温度日较差存在一定的误差，进而导致地表温度月较差计算不准确。针对这个问题，国内外的研究通过构建地表温度日循环模型的方法，将时间稀疏的极轨卫星地表温度数据生成时间连续的地表温度数据，以准确地获取每日最大和最小地表温度。目前，构建地表温度日循环模型的方法主要分为统计方法、物理方法和半经验方法。统计方法力求以最小的回归误差拟合已知地表温度观测值，计算简单，但缺乏物理基础，精度相对较差；物理方法基于地表能量平衡方程，将地表温度循环模型与地表热惯量、地表长波辐射、感热通量和潜热通量结合在一起，通过一系列假设和参数化来推导地表温度循环模型，该方法精度很高，但需要包括地表几何、物理和气象参数在内的多种参数，这些参数通常不易获取；半经验方法是物理模型和经验模型的一种权衡，该方法以地表温度为关键变量，通过经验函数构建地表温度日循环模型。当前，国内外的研究中主要还是以半经验方法为主，因为它对每个参数具有明确的物理意义，输入数据要求相对有限，而且易于实现。然而，这种方法存在两个问题： (1)模型方程欠定，半经验方法的模型参数一般超过4个，它需要在一个日周期内观测5次或5次以上的地表温度才能获得稳定的解，目前，极轨卫星无法满足这一要求；(2)模型方法众多，单一模型只针对于特定气候背景和地表环境条件下的研究区域，适用性较差。
第二个问题：极轨卫星瞬时地表温度存在较大的偶然性和随机性，使得地表温度日循环模型的精度降低，而且云和轨道缝隙的存在使得地表温度数据缺失，无法满足地表温度日循环模型构建的条件，导致地表温度日较差有效天数减少，由此计算得到的地表温度月较差存在较大的误差。
发明内容
本发明的目的是提供一种基于月温度循环模型的极轨卫星地表温度月较差估算方法，提高地表温度月较差估算精度。
为实现上述目的，本发明提供了如下方案：
一种基于月温度循环模型的极轨卫星地表温度月较差估算方法，包括如下步骤：
S1，构建囊括了各种气候背景和地表环境条件下的月温度循环模型及其降参策略和参数设定策略的查找表；
S2，获取研究区域极轨卫星过境时刻的瞬时地表温度数据、地表覆盖类型数据、高程数据以及降水量数据，并计算极轨卫星过境时刻的地表温度月均值；
S3，根据所述研究区域的气候背景和地表环境条件从查找表中选择匹配的月温度循环模型及其降参策略和参数设定策略，利用降参策略对所选模型进行降参处理，利用参数设定策略，得到模型降参处理后参数的初始值和阈值；
S4，利用Levenberg-Marquardt算法对经降参策略和参数设定策略处理后的月温度循环模型的参数进行求解；
S5，基于上述参数率定后的月温度循环模型，计算月均地表温度最大值和最小值，获取地表温度月较差。
进一步的，所述步骤S1中，所述气候背景和地表环境条件包括季节、地表温度、降水量、土地覆盖类型和高程。
进一步的，所述步骤S1中，所述月温度循环模型包括GOT-01模型、 GOT-09模型和INA-08模型；
所述GOT-01模型的具体公式为：
其中，
式中，Tday(t)为白天的地表温度，Tnight(t)为晚上的地表温度，T0为日出时刻的地表温度，Ta为温度变化的幅度，tm为最大温度时刻，ts为温度开始衰减时刻，δT为残余温度的日变化，t为观测时间，λ为纬度，δ为太阳倾角，ω为余弦半周期宽，k1为衰减系数，由公式(4)计算得到；
所述GOT-09模型的具体公式为：
其中，
θz＝arccos(sin(δ)sin(φ)+cos(δ)cos(φ)cos(θ)) (8)
式中，m为相对空气质量，RE为地球半径，H为大气标高；φ为纬度；θ为热时角；θz为太阳天顶角；θz,min为最小的太阳天顶角；θs为t＝ts时得热时角，由公式(7)计算得到；θzs为θ＝θs时的热时角，由公式(8)计算得到；τ为光学厚度；k2为衰减系数，由公式(10)计算得到；
所述INA-08模型的具体公式为：
式中，k1为衰减系数，由公式(4)计算得到。
进一步的，所述步骤S2中，极轨卫星过境时刻的瞬时地表温度数据包括搭载在不同极轨卫星上的同一传感器或多颗传感器组网每天四次观测的1km 空间分辨率地表温度数据；地表覆盖类型数据、高程数据和降水量数据包括与地表温度数据时间和空间相匹配的遥感、再分析或统计调查数据。
进一步的，所述步骤S2中，计算极轨卫星过境时刻的地表温度月均值，具体为：
使用ABO(Average by Observations)算法：
上式中，MMLSTi为极轨卫星在观测时刻i时的月均地表温度，i为极轨卫星的四个观测时间，n为极轨卫星i时刻月内的有效观测次数，LST为瞬时地表温度。
进一步的，所述步骤S3中，所述降参策略包括参数固定策略或借助辅助数据策略；
所述参数固定策略为将GOT-01模型、GOT-09模型和INA-08模型中的特定参数设置为常数，来减少模型参数数量；
所述借助辅助数据策略为借助静止卫星、被动微波传感器或极轨卫星混合像元邻域内多个像元的多时间、多角度地表温度数据增加方程个数。
进一步的，将GOT-01模型中的特定参数设置为常数，具体为：将残余温度的日变化δT设置为0的GOT-01-δT方法，即δT＝0，和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-01-ts方法，即ts＝tss-1；
将GOT-09模型中的特定参数设置为常数，具体为：将光学厚度τ设置为 0.01、残余温度的日变化δT设置为0的GOT-09-δT-τ方法，即τ＝0.01，δT＝0，将光学厚度τ设置为0.01、温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-09-τ-ts方法，即τ＝0.01，ts＝tss-1，将残余温度的日变化δT设置为0 和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-09-δT-ts方法，即δT＝0，ts＝tss-1；
将INA-08模型中的特定参数设置为常数，具体为：将残余温度的日变化δT设置为0的INA-08-δT方法，即δT＝0，和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的INA-08-ts方法，即ts＝tss-1。
进一步的，所述借助辅助数据策略为借助静止卫星、被动微波传感器或极轨卫星混合像元邻域内多个像元的多时间、多角度地表温度数据增加方程个数，具体包括：
借助多次观测的静止卫星地表温度数据，构建静止卫星温度循环模型，基于静止卫星和极轨卫星取得最高温度值的时间相同的先验知识；
借助多个被动微波传感器获取的地表温度数据，使地表温度的观测次数等于月温度循环模型的个数；
基于混合像元的月温度循环模型是各分量的月温度循环模型加权线性组合，借助多个像元的多时间、多角度地表温度观测数据，增加方程个数。
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：本发明提供的基于月温度循环模型的极轨卫星地表温度月较差估算方法，在估算地表温度月较差时使用月均地表温度构建的月温度循环模型代替瞬时温度构建的日温度循环模型，一方面，可以填充由于云或轨道缝隙影响缺失的地表温度数据，另一方面，解决了瞬时地表温度存在的偶然性和随机性问题，提高了数据在时间和空间上的一致性；本发明通过构建囊括各种气候背景和地表环境下的月温度循环模型及其降参策略和参数设定策略的查找表，不仅解决了月温度循环模型方程欠定的问题，还解决了月温度循环模型适用性差的问题，极大地提高了地表温度月较差估算的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于月温度循环模型的极轨卫星地表温度月较差估算方法的流程示意图。
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基于月温度循环模型的极轨卫星地表温度月较差估算方法，提高地表温度月较差估算精度。
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。
如图1所示，本发明提供的基于月温度循环模型的极轨卫星地表温度月较差估算方法，包括如下步骤：
S1，构建囊括了各种气候背景和地表环境条件下的月温度循环模型及其降参策略和参数设定策略的查找表；
S2，获取研究区域极轨卫星过境时刻的瞬时地表温度数据、地表覆盖类型数据、高程数据以及降水量数据，并计算极轨卫星过境时刻的地表温度月均值；
S3，根据所述研究区域的气候背景和地表环境条件从查找表中选择匹配的月温度循环模型及其降参策略和参数设定策略，利用降参策略对所选模型进行降参处理，利用参数设定策略，得到模型降参处理后参数的初始值和阈值；
S4，利用Levenberg-Marquardt算法对经降参策略和参数设定策略处理后的月温度循环模型的参数进行求解；
S5，基于上述参数率定后的月温度循环模型，计算月均地表温度最大值和最小值，获取地表温度月较差。
其中，所述步骤S1中，所述气候背景和地表环境条件包括季节、地表温度、降水量、土地覆盖类型和高程。
所述月温度循环模型包括精度较高的GOT-01、GOT-09和INA-08模型；
所述GOT-01模型的具体公式为：
其中，
式中，Tday(t)为白天的地表温度，Tnight(t)为晚上的地表温度，T0为日出时刻的地表温度，Ta为温度变化的幅度，tm为最大温度时刻，ts为温度开始衰减时刻，δT为残余温度的日变化，t为观测时间，λ为纬度，δ为太阳倾角，ω为余弦半周期宽，k1为衰减系数，由公式(4)计算得到；
所述GOT-09模型的具体公式为：
其中，
θz＝arccos(sin(δ)sin(φ)+cos(δ)cos(φ)cos(θ)) (8)
式中，m为相对空气质量，RE为地球半径，H为大气标高；φ为纬度；θ为热时角；θz为太阳天顶角；θz,min为最小的太阳天顶角；θs为t＝ts时得热时角，由公式(7)计算得到；θzs为θ＝θs时的热时角，由公式(8)计算得到；τ为光学厚度；k2为衰减系数，由公式(10)计算得到；
所述INA-08模型的具体公式为：
式中，k1为衰减系数，由公式(4)计算得到。
其中，所述步骤S2中，极轨卫星过境时刻的瞬时地表温度数据包括搭载在不同极轨卫星上的同一传感器或多颗传感器组网每天四次观测的1km空间分辨率地表温度数据；地表覆盖类型数据、高程数据和降水量数据包括与地表温度数据时间和空间相匹配的遥感、再分析或统计调查数据。
所述步骤S2中，计算极轨卫星过境时刻的地表温度月均值，具体为：
使用ABO(Average by Observations)算法：
上式中，MMLSTi为极轨卫星在观测时刻i时的月均地表温度，i为极轨卫星的四个观测时间，n为极轨卫星i时刻月内的有效观测次数，LST为瞬时地表温度。
所述步骤S3中，根据区域气候背景和地表环境条件从查找表中选择匹配的月温度循环模型及其降参策略和参数设定策略，其中降参策略用于减少模型参数数量，解决模型方程欠定的问题，参数设定策略用于得到模型参数的初始值和阈值。
所述降参策略包括参数固定策略或借助辅助数据策略；
所述参数固定策略为将GOT-01模型、GOT-09模型和INA-08模型中的特定参数设置为常数，来减少模型参数数量；
其中，将GOT-01模型中的特定参数设置为常数，具体为：将残余温度的日变化δT设置为0的GOT-01-δT方法，即δT＝0，和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-01-ts方法，即ts＝tss-1；
将GOT-09模型中的特定参数设置为常数，具体为：将光学厚度τ设置为0.01、残余温度的日变化δT设置为0的GOT-09-δT-τ方法，即τ＝0.01，δT＝0，将光学厚度τ设置为0.01、温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-09-τ-ts方法，即τ＝0.01，ts＝tss-1，将残余温度的日变化δT设置为0 和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-09-δT-ts方法，即δT＝0，ts＝tss-1；
将INA-08模型中的特定参数设置为常数，具体为：将残余温度的日变化δT设置为0的INA-08-δT方法，即δT＝0，和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的INA-08-ts方法，即ts＝tss-1；
所述借助辅助数据策略为借助静止卫星、被动微波传感器或极轨卫星混合像元邻域内多个像元的多时间、多角度地表温度数据增加方程个数，来解决月温度循环模型方程欠定的问题，具体包括：
借助多次观测的静止卫星地表温度数据，构建静止卫星温度循环模型，基于静止卫星和极轨卫星取得最高温度值的时间相同的先验知识；减少极轨卫星月温度循环模型参数，解决月温度循环模型方程欠定的问题。
借助多个被动微波传感器获取的地表温度数据，使地表温度的观测次数等于月温度循环模型的个数，解决月温度循环模型方程欠定的问题；
基于混合像元的月温度循环模型是各分量的月温度循环模型加权线性组合，它在相邻日期的日出前后是连续的，并且在邻域内是不变的理论，借助多个像元的多时间、多角度地表温度观测数据，增加方程个数，来解决月温度循环模型方程欠定的问题。
本发明提供的基于月温度循环模型的极轨卫星地表温度月较差估算方法，在估算地表温度月较差时使用月均地表温度构建的月温度循环模型代替瞬时温度构建的日温度循环模型，一方面，可以填充由于云或轨道缝隙影响缺失的地表温度数据，另一方面，解决了瞬时地表温度存在的偶然性和随机性问题，提高了数据在时间和空间上的一致性；本发明通过构建囊括各种气候背景和地表环境下的月温度循环模型及其降参策略和参数设定策略的查找表，不仅解决了月温度循环模型方程欠定的问题，还解决了月温度循环模型适用性差的问题，极大地提高了地表温度月较差估算的准确性。
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 (8)
1.一种基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，包括以下步骤：
S1，构建囊括了各种气候背景和地表环境条件下的月温度循环模型及其降参策略和参数设定策略的查找表；
S2，获取研究区域极轨卫星过境时刻的瞬时地表温度数据、地表覆盖类型数据、高程数据以及降水量数据，并计算极轨卫星过境时刻的地表温度月均值；
S3，根据所述研究区域的气候背景和地表环境条件从查找表中选择匹配的月温度循环模型及其降参策略和参数设定策略，利用降参策略对所选模型进行降参处理，利用参数设定策略，得到模型降参处理后参数的初始值和阈值；
S4，利用Levenberg-Marquardt算法对经降参策略和参数设定策略处理后的月温度循环模型的参数进行求解；
S5，基于上述参数率定后的月温度循环模型，计算月均地表温度最大值和最小值，获取地表温度月较差。
2.根据权利要求1所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，所述步骤S1中，所述气候背景和地表环境条件包括季节、地表温度、降水量、土地覆盖类型和高程。
3.根据权利要求1所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，所述步骤S1中，所述月温度循环模型包括GOT-01模型、GOT-09模型和INA-08模型；
所述GOT-01模型的具体公式为：
其中，
式中，Tday(t)为白天的地表温度，Tnight(t)为晚上的地表温度，T0为日出时刻的地表温度，Ta为温度变化的幅度，tm为最大温度时刻，ts为温度开始衰减时刻，δT为残余温度的日变化，t为观测时间，λ为纬度，δ为太阳倾角；ω为余弦半周期宽，k1为衰减系数，由公式(4)计算得到；
所述GOT-09模型的具体公式为：
其中，
θz＝arccos(sin(δ)sin(φ)+cos(δ)cos(φ)cos(θ))(8)
式中，m为相对空气质量，RE为地球半径，H为大气标高；φ为纬度；θ为热时角；θz为太阳天顶角；θz,min为最小的太阳天顶角；θs为t＝ts时得热时角，由公式(7)计算得到；θzs为θ＝θs时的热时角，由公式(8)计算得到；τ为光学厚度；k2为衰减系数，由公式(10)计算得到；
所述INA-08模型的具体公式为：
式中，k1为衰减系数，由公式(4)计算得到。
4.根据权利要求1所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，所述步骤S2中，极轨卫星过境时刻的瞬时地表温度数据包括搭载在不同极轨卫星上的同一传感器或多颗传感器组网每天四次观测的1km空间分辨率地表温度数据；地表覆盖类型数据、高程数据和降水量数据包括与地表温度数据时间和空间相匹配的遥感、再分析或统计调查数据。
5.根据权利要求1所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，所述步骤S2中，计算极轨卫星过境时刻的地表温度月均值，具体为：
使用ABO算法：
上式中，MMLSTi为极轨卫星在观测时刻i时的月均地表温度，i为极轨卫星的四个观测时间，n为极轨卫星i时刻月内的有效观测次数，LST为瞬时地表温度。
6.根据权利要求3所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，所述步骤S3中，所述降参策略包括参数固定策略或借助辅助数据策略；
所述参数固定策略为将GOT-01模型、GOT-09模型和INA-08模型中的特定参数设置为常数，来减少模型参数数量；
所述借助辅助数据策略为借助静止卫星、被动微波传感器或极轨卫星混合像元邻域内多个像元的多时间、多角度地表温度数据增加方程个数。
7.根据权利要求6所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，将GOT-01模型中的特定参数设置为常数，具体为：将残余温度的日变化δT设置为0的GOT-01-δT方法，即δT＝0，和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-01-ts方法，即ts＝tss-1；
将GOT-09模型中的特定参数设置为常数，具体为：将光学厚度τ设置为0.01、残余温度的日变化δT设置为0的GOT-09-δT-τ方法，即τ＝0.01，δT＝0，将光学厚度τ设置为0.01、温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-09-τ-ts方法，即τ＝0.01，ts＝tss-1，将残余温度的日变化δT设置为0和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的GOT-09-δT-ts方法，即δT＝0，ts＝tss-1；
将INA-08模型中的特定参数设置为常数，具体为：将残余温度的日变化δT设置为0的INA-08-δT方法，即δT＝0，和将温度开始衰减的时刻ts等于日落前的时刻tss减去一个小时的INA-08-ts方法，即ts＝tss-1。
8.根据权利要求6所述的基于月温度循环模型的极轨卫星地表温度月较差估算方法，其特征在于，所述借助辅助数据策略为借助静止卫星、被动微波传感器或极轨卫星混合像元邻域内多个像元的多时间、多角度地表温度数据增加方程个数，具体包括：
借助多次观测的静止卫星地表温度数据，构建静止卫星温度循环模型，基于静止卫星和极轨卫星取得最高温度值的时间相同的先验知识；
借助多个被动微波传感器获取的地表温度数据，使地表温度的观测次数等于月温度循环模型的个数；
基于混合像元的月温度循环模型是各分量的月温度循环模型加权线性组合，借助多个像元的多时间、多角度地表温度观测数据，增加方程个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210742267.2A CN115688356B (zh) | 2022-06-28 | 2022-06-28 | 基于月温度循环模型的极轨卫星地表温度月较差估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210742267.2A CN115688356B (zh) | 2022-06-28 | 2022-06-28 | 基于月温度循环模型的极轨卫星地表温度月较差估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115688356A true CN115688356A (zh) | 2023-02-03 |
| CN115688356B CN115688356B (zh) | 2023-05-12 |
Family
ID=85060354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210742267.2A Active CN115688356B (zh) | 2022-06-28 | 2022-06-28 | 基于月温度循环模型的极轨卫星地表温度月较差估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115688356B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216504A (zh) * | 2023-11-08 | 2023-12-12 | 中国农业科学院农业资源与农业区划研究所 | 一种极轨卫星日均地表温度遥感估算方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137506A (zh) * | 2015-10-09 | 2015-12-09 | 中国农业科学院农业资源与农业区划研究所 | 一种msg2-seviri数据估算地表温度日较差的方法 |
| CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
| WO2021073210A1 (zh) * | 2019-10-14 | 2021-04-22 | 广东省科学院广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、系统 |
-
2022
- 2022-06-28 CN CN202210742267.2A patent/CN115688356B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137506A (zh) * | 2015-10-09 | 2015-12-09 | 中国农业科学院农业资源与农业区划研究所 | 一种msg2-seviri数据估算地表温度日较差的方法 |
| WO2021073210A1 (zh) * | 2019-10-14 | 2021-04-22 | 广东省科学院广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、系统 |
| CN111652404A (zh) * | 2020-02-06 | 2020-09-11 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张霄羽;毕于运;李召良;: "遥感估算热惯量研究的回顾与展望", 地理科学进展 * |
| 扎西欧珠;边多;次珍;白玛央宗;牛晓俊;普布次仁;: "基于MODIS遥感数据和气象观测数据的藏北高原地表温度变化特征", 中国农学通报 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216504A (zh) * | 2023-11-08 | 2023-12-12 | 中国农业科学院农业资源与农业区划研究所 | 一种极轨卫星日均地表温度遥感估算方法 |
| CN117216504B (zh) * | 2023-11-08 | 2024-02-13 | 中国农业科学院农业资源与农业区划研究所 | 一种极轨卫星日均地表温度遥感估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115688356B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | China land soil moisture EnKF data assimilation based on satellite remote sensing data | |
| Sun et al. | An ERA5‐based model for estimating tropospheric delay and weighted mean temperature over China with improved spatiotemporal resolutions | |
| Ghil | Meteorological data assimilation for oceanographers. Part I: Description and theoretical framework | |
| CN107655574B (zh) | 时序热红外遥感地表温度/发射率同时反演的方法及系统 | |
| Jin et al. | A generalized algorithm for retrieving cloudy sky skin temperature from satellite thermal infrared radiances | |
| Killinger et al. | Projection of power generation between differently-oriented PV systems | |
| KR20200059085A (ko) | 해양 표층 표류부이 관측 수온자료와 인공위성 적외영상자료를 활용한 해양 표층 해수면온도 산출 방법 | |
| Chou et al. | Estimation and model validation of surface solar radiation and cloud radiative forcing using TOGA COARE measurements | |
| Rahimi et al. | Calibration of Angstrom equation for estimating solar radiation using meta-heuristic harmony search algorithm (case study: Mashhad-East of Iran) | |
| Korany et al. | A database of multi-year (2004–2010) quality-assured surface solar hourly irradiation measurements for the Egyptian territory | |
| CN115688356B (zh) | 基于月温度循环模型的极轨卫星地表温度月较差估算方法 | |
| Rincón et al. | Bias correction of global irradiance modelled with weather and research forecasting model over Paraguay | |
| Leroy et al. | Mapping GPS radio occultation data by Bayesian interpolation | |
| Yildiz et al. | A comparison of two solar radiation models using artificial neural networks and remote sensing in Turkey | |
| Zhang et al. | Local adaptive calibration of the satellite-derived surface incident shortwave radiation product using smoothing spline | |
| Padmanabhan et al. | Retrieval of atmospheric water vapor density with fine spatial resolution using three-dimensional tomographic inversion of microwave brightness temperatures measured by a network of scanning compact radiometers | |
| Silva et al. | Evaluation of the dusk and early nighttime Total Electron Content modeling over the eastern Brazilian region during a solar maximum period | |
| Mboumboue et al. | On the applicability of several conventional regression models for the estimation of solar global radiation component in Cameroon and Senegal sub-Saharan tropical regions | |
| Chen et al. | A general empirical model for estimation of solar radiation in Yangtze River basin. | |
| Zhu et al. | A remote sensing model to estimate sunshine duration in the Ningxia Hui Autonomous Region, China | |
| Shen et al. | An estimate of the sampling error variance of the gridded GHCN monthly surface air temperature data | |
| CN114722350A (zh) | 一种fy-3d被动微波数据云下地表温度反演与验证方法 | |
| Soler-Bientz et al. | Preliminary study of the offshore wind and temperature profiles at the North of the Yucatán Peninsula | |
| Amou et al. | Modeling of the solar potential of Lomé, Atakpamé and mango from weather data in Togo | |
| Hejase et al. | Estimation of global and diffuse horizontal irradiance in Abu Dhabi, United Arab Emirates |
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 |