CN115980756B - 一种基于星载双频雷达的降水中水凝物种类识别方法 - Google Patents
一种基于星载双频雷达的降水中水凝物种类识别方法 Download PDFInfo
- Publication number
- CN115980756B CN115980756B CN202310261395.XA CN202310261395A CN115980756B CN 115980756 B CN115980756 B CN 115980756B CN 202310261395 A CN202310261395 A CN 202310261395A CN 115980756 B CN115980756 B CN 115980756B
- Authority
- CN
- China
- Prior art keywords
- condensate
- type
- inversion
- satellite
- dual
- 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
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于星载双频雷达的降水中水凝物种类识别方法:将地基双偏振天气雷达数据与星载Ku/Ka双频雷达数据进行时空匹配,建立星地雷达匹配数据集;利用双偏振天气雷达数据反演得到水凝物种类,将星载双频雷达三维观测物理量聚类得到相应的几何质心;根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离;确定欧氏距离最小的相应水凝物种类为该距离库的最优反演结果。最后基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条廓线反演结果。本发明利用星载双频雷达直接观测物理量快速有效识别水凝物种类,反演结果精细可靠。
Description
技术领域
本发明属于大气探测与遥感技术领域,特别是一种基于星载双频雷达的降水中水凝物种类识别方法。
背景技术
降水中水凝物种类的准确识别对雷达定量降水估计、云降水物理机制研究以及人工影响天气作业、灾害天气监测预警等方面具有重要的科学意义和应用价值。对降水中水凝物种类的识别探测手段主要分为直接探测和遥感反演两种。直接探测方式主要是通过飞机搭载仪器直接探测降水中水凝物种类;遥感反演手段是通过使用双偏振天气雷达、微波辐射计等仪器测量结果反演得到降水中水凝物种类。其中,机载探测结果最为准确,但是实施作业程序多、成本高,且时空分辨率低。由于偏振技术对于探测降水粒子形态的优势,双偏振天气雷达探测除了能连续获得高时空分辨率的测量数据,还可以基于模糊逻辑算法等方法准确反演得到降水中水凝物种类。目前,最常用的地基探测手段就是利用S波段双偏振天气雷达基于模糊逻辑算法对降水中水凝物种类进行反演。
相比地基探测而言,卫星观测覆盖面广泛,可以覆盖沙漠、海洋等无站点偏远地区,有效助力对全球和地区气候态研究。目前,可以有效探测降水中水凝物种类的在轨运行星载气象雷达仅有美国日本联合研究发射的GPM星载双频降水测量雷达,工作波段为Ka(35GHz)和Ku(13.6 GHz),无偏振功能。并且GPM官方产品中目前没有降水中水凝物种类产品,相关算法研究亟待填补空白。因此,开发一种基于星载双频雷达的降水中水凝物种类识别方法具有迫切的实际需求。
发明内容
本发明的目的在于提供一种反演结果精细可靠的基于星载双频雷达的降水中水凝物种类识别方法。包括以下步骤:
步骤1、将经过质控的地基双偏振天气雷达数据与星载Ku/Ka双频雷达数据进行时空匹配,建立星地雷达时空匹配数据集;
步骤2、利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类;
步骤3、将每类水凝物对应的星载双频雷达三维观测物理量分别聚类得到相应的粒子簇分布空间,并计算各自的几何质心;
步骤4、在开始反演时,根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离;
步骤5、确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果。最后基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果;
进一步地,步骤1中所述的将经过质控的地基双偏振天气雷达数据与星载双频雷达数据进行时空匹配,其中星载双频雷达是指星载Ku/Ka双频雷达,质控是指对地基双偏振天气雷达数据进地物杂波订正以及基于长期观测规律对Zdr观测量进行校正,时空匹配是首先将质控后的双偏振天气雷达数据栅格化插值处理成1km*1km*0.5km的三维数据,然后限制时间不超过5分钟与过境的星载双频雷达数据进行时间匹配,最后基于反距离权重插值算法将通过时间匹配的两类雷达数据进行数据融合建立星地时空匹配数据集。
进一步地,步骤2所述的利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类,是指使用隶属度函数,通过模糊逻辑算法反演得到水凝物种类,所述模糊逻辑算法包括模糊化、模糊规则、去模糊三部分;其中选择不对称T函数作为隶属度函数进行模糊化,公式如下:
其中P为隶属度,为阈值,t表示实际的输入参量,包括差分反射率因子Zdr、相关系数以及温度廓线数据,所述温度廓线数据来源于匹配数据集中的星载双频雷达数据;设置反演目标水凝物种类为毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹8种水凝物;模糊规则是指集合所有输入参量的隶属度通过采用不同权重计算相加求得对某类水凝物的识别累积概率;所述去模糊是指根据计算出的每个水凝物类型的累积概率结果,取最大概率值对应的水凝物作为模糊逻辑方法识别结果。
具体如下:
质心三维观测物理量为:式中,/>为某一类水凝物粒子簇分布空间的质心三维观测物理量,X表示为毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹8种水凝物中的一类,其中/>是在该类水凝物粒子簇分布空间的质心三维观测物理量坐标。
质心三维观测物理量坐标计算:
进一步地,步骤4中所述的在开始反演时,根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离,具体如下:
进一步地,步骤5中所述的确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果,并基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果,所述优化处理是指根据目标的周围像素相态属性分布判断距离库的反演结果合理性,判断准则为一致性准则,并根据相邻像素相关性进行优化处理,即比如若周围像素相态均识别为雪,而目标像素相态识别为雨,则根据相邻像素具有相关性将其相态识别改正为雪。
本发明与现有技术相比,其显著优点在于:(1)可以避免雷达衰减订正的结果极大不确定性和繁琐程序,直接从测量信息中建立雷达观测物理量与水凝物种类之间的联系,快速有效识别水凝物类别;(2)可以反演获得整条降水廓线的水凝物种类,填补星载双频降水雷达相关产品空白;(3)使用卫星观测,时空分辨率高,覆盖范围广,对全球降水物理机制和气候态研究具有重要意义。
附图说明
图1是本发明基于星载双频雷达的降水中水凝物种类识别方法的流程示意图。
图2是本发明实施例中降水中水凝物种类识别的反演结果图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
本发明基于星载双频雷达的降水中水凝物种类识别方法,包括以下步骤:
步骤1、将经过质控的地基双偏振天气雷达数据与星载Ku/Ka双频雷达数据进行时空匹配,建立星地雷达时空匹配数据集;
步骤2、利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类;
步骤3、将每类水凝物对应的星载双频雷达三维观测物理量分别聚类得到相应的粒子簇分布空间,并计算各自的几何质心;
步骤4、在开始反演时,根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离;
步骤5、确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果。最后基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果;
进一步地,步骤1中所述的将经过质控的地基双偏振天气雷达数据与星载双频雷达数据进行时空匹配,其中星载双频雷达是指星载Ku/Ka双频雷达,质控是指对地基双偏振天气雷达数据进地物杂波订正以及基于长期观测规律对Zdr观测量进行校正,时空匹配是首先将质控后的双偏振天气雷达数据栅格化插值处理成1km*1km*0.5km的三维数据,然后限制时间不超过5分钟与过境的星载双频雷达数据进行时间匹配,最后基于反距离权重插值算法将通过时间匹配的两类雷达数据进行数据融合建立星地时空匹配数据集。
进一步地,步骤2所述的利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类,是指使用成熟可靠的隶属度函数,通过模糊逻辑算法反演得到水凝物种类,而其中需要用到的温度廓线数据是来源于匹配数据集中的星载双频雷达数据。反演得到的水凝物种类主要包括毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹等8种水凝物。
通过模糊逻辑算法反演得到水凝物种类,所述模糊逻辑算法包括模糊化、模糊规则、去模糊三部分;其中选择不对称T函数作为隶属度函数进行模糊化,公式如下:
其中P为隶属度,为阈值,t表示实际的输入参量,包括差分反射率因子Zdr、相关系数以及温度廓线数据,所述温度廓线数据来源于匹配数据集中的星载双频雷达数据;设置反演目标水凝物种类为毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹8种水凝物;模糊规则是指集合所有输入参量的隶属度通过采用不同权重计算相加求得对某类水凝物的识别累积概率;所述去模糊是指根据计算出的每个水凝物类型的累积概率结果,取最大概率值对应的水凝物作为模糊逻辑方法识别结果。
进一步地,步骤3中所述的星载双频雷达三维观测物理量分别聚类得到相应的粒子簇分布空间,并计算各自的几何质心,其中三维观测物理量分别是指Ku波段和Ka波段雷达反射率因子测量值以及双频反射率因子差()。具体如下:
质心三维观测物理量为:
质心三维观测物理量坐标计算:
进一步地,步骤4中所述的在开始反演时,根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离,具体如下:
进一步地,步骤5中所述的确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果,并基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果,所述优化处理是指根据目标的周围像素相态属性分布判断距离库的反演结果合理性,判断准则为一致性准则,并根据相邻像素相关性进行优化处理,即比如若周围像素相态均识别为雪,而目标像素相态识别为雨,则根据相邻像素具有相关性将其相态识别改正为雪。
下面结合附图及具体实施例对本发明作进一步详细说明。
实施例
结合图1,本发明基于星载双频雷达的降水中水凝物种类识别方法,实施如下:
(1)对地基双偏振天气雷达数据进地物杂波订正以及基于长期观测规律对Zdr观测量进行校正。将质控后的双偏振天气雷达数据栅格化插值处理成1km*1km*0.5km的三维数据,并限制时间不超过5分钟与过境的星载Ku/Ka双频雷达数据进行时间匹配。将通过时间匹配的两类雷达数据基于反距离权重插值算法进行数据融合,建立星地时空匹配数据集。
(2)基于使用成熟可靠的模糊逻辑算法利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类,其中需要用到的温度廓线数据是来源于匹配数据集中的星载双频雷达数据。反演得到的水凝物种类主要包括毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹等8种水凝物。
通过模糊逻辑算法反演得到水凝物种类,所述模糊逻辑算法包括模糊化、模糊规则、去模糊三部分;其中选择不对称T函数作为隶属度函数进行模糊化,公式如下:
其中P为隶属度,为阈值,t表示实际的输入参量,包括差分反射率因子Zdr、相关系数以及温度廓线数据,所述温度廓线数据来源于匹配数据集中的星载双频雷达数据;设置反演目标水凝物种类为毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹8种水凝物;模糊规则是指集合所有输入参量的隶属度通过采用不同权重计算相加求得对某类水凝物的识别累积概率;所述去模糊是指根据计算出的每个水凝物类型的累积概率结果,取最大概率值对应的水凝物作为模糊逻辑方法识别结果。
(3)将每类水凝物对应的星载双频雷达三维观测物理量分别聚类得到相应的粒子簇分布空间,并计算各自的几何质心,其中三维观测物理量分别是指Ku波段和Ka波段雷达反射率因子测量值以及双频反射率因子差()。具体如下:
质心三维观测物理量为:
质心三维观测物理量坐标计算:
(4)在开始反演时,根据零度层的相对位置预分出纯降水类型廓线,主要包括纯降雨廓线和纯降雪廓线。在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离,具体如下:
随后,确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果
(5)根据目标距离库的周围相态属性分布判断该距离库的反演结果是否合理,并根据相邻像素相关性进行适当优化处理,优化处理是指根据目标的周围像素相态属性分布判断距离库的反演结果合理性,判断准则为一致性准则,并根据相邻像素相关性进行优化处理,即比如若周围像素相态均识别为雪,而目标像素相态识别为雨,则根据相邻像素具有相关性将其相态识别改正为雪。比如上下距离库被识别为雪,该目标库就很可能不是雨,而可能是固态或混合态水凝物。最后基于邻域相关性对每个降水距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果。
如图2所示为本发明用于GPM星载双频降水雷达的反演结果。
本发明充分考虑目前雷达探测降水雷达衰减订正结果的极大不确定性和繁琐程序,以地基双偏振天气雷达识别水凝物种类为先验真值,设计基于星载双频雷达的降水中水凝物种类识别方法,直接从测量信息中建立雷达观测物理量与水凝物种类之间的联系,快速有效识别水凝物类别,可用于填补星载双频降水雷达相关产品研究空白和未来开发国产风云气象卫星双频降水雷达反演算法。
Claims (4)
1.一种基于星载双频雷达的降水中水凝物种类识别方法,其特征在于,包括以下步骤:
步骤1、将经过质控的地基双偏振天气雷达数据与星载Ku/Ka双频雷达数据进行时空匹配,建立星地雷达时空匹配数据集;
步骤2、利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类;
步骤3、将每类水凝物对应的星载双频雷达三维观测物理量分别聚类得到相应的粒子簇分布空间,并计算各自的几何质心;
步骤4、在开始反演时,根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离;
步骤5、确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果;基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果;
其中,步骤3中所述三维观测物理量为Ku波段和Ka波段雷达反射率因子测量值以及双频反射率因子差ZKum,ZKam,DFRm,具体如下:
质心三维观测物理量为:
质心三维观测物理量坐标计算:
步骤4中所述的在开始反演时,根据零度层的相对位置预分出纯降水类型廓线;在逐库反演时,将星载双频雷达三维观测物理量分别与每类水凝物对应的几何质心计算欧式距离,具体如下:
2.根据权利要求1所述的基于星载双频雷达的降水中水凝物种类识别方法,其特征在于,步骤1中所述星载双频雷达为星载Ku/Ka双频雷达,所述质控为对地基双偏振天气雷达数据进地物杂波订正以及基于长期观测规律对差分反射率因子Zdr进行校正,时空匹配包括:首先将质控后的双偏振天气雷达数据栅格化插值处理成1km×1km×0.5km的三维数据,然后限制时间不超过5min与过境的星载双频雷达数据进行时间匹配,最后基于反距离权重插值算法将通过时间匹配的两类雷达数据进行数据融合建立星地时空匹配数据集。
3.根据权利要求1所述的基于星载双频雷达的降水中水凝物种类识别方法,其特征在于,步骤2所述的利用匹配数据集中的双偏振天气雷达数据反演得到水凝物种类,包括:通过模糊逻辑算法反演得到水凝物种类,所述模糊逻辑算法包括模糊化、模糊规则、去模糊三部分;其中选择不对称T函数作为隶属度函数进行模糊化,公式如下:
其中P为隶属度,Ti(i=1,2,3,4)为阈值,t表示实际的输入参量,包括差分反射率因子Zdr、相关系数以及温度廓线数据,所述温度廓线数据来源于匹配数据集中的星载双频雷达数据;设置反演目标水凝物种类为毛毛雨、小雨滴、大雨滴、干雪、湿雪、冰晶、霰、冰雹8种水凝物;模糊规则是指集合所有输入参量的隶属度通过采用不同权重计算相加求得对某类水凝物的识别累积概率;所述去模糊是指根据计算出的每个水凝物类型的累积概率结果,取最大概率值对应的水凝物作为模糊逻辑方法识别结果。
4.根据权利要求1所述的基于星载双频雷达的降水中水凝物种类识别方法,其特征在于,步骤5中所述的确定欧氏距离最小的对应水凝物种类为该距离库的最优反演结果,并基于邻域相关性对各个距离库的反演结果进行优化处理,得到整条降水廓线的水凝物种类反演结果,所述优化处理是指根据目标的周围像素相态属性分布判断距离库的反演结果合理性,判断准则为一致性准则,并根据相邻像素相关性进行优化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261395.XA CN115980756B (zh) | 2023-03-17 | 2023-03-17 | 一种基于星载双频雷达的降水中水凝物种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261395.XA CN115980756B (zh) | 2023-03-17 | 2023-03-17 | 一种基于星载双频雷达的降水中水凝物种类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115980756A CN115980756A (zh) | 2023-04-18 |
CN115980756B true CN115980756B (zh) | 2023-07-04 |
Family
ID=85968528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310261395.XA Active CN115980756B (zh) | 2023-03-17 | 2023-03-17 | 一种基于星载双频雷达的降水中水凝物种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980756B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452360A (zh) * | 2023-09-26 | 2024-01-26 | 北京华云星地通科技有限公司 | 一种星载雷达与地基雷达数据的匹配方法及系统 |
CN117706512B (zh) * | 2023-12-13 | 2024-05-10 | 安徽省气象台 | 一种融合温度判定与背景依赖的水凝物反演方法和系统 |
CN117761698B (zh) * | 2023-12-22 | 2024-09-20 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种适用于gpm dpr的三维降水检测方法及系统 |
CN117706559B (zh) * | 2024-02-05 | 2024-05-03 | 南京信息工程大学 | 一种基于双偏振雷达资料的水凝物和水汽反演方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7231300B1 (en) * | 2004-12-22 | 2007-06-12 | The Weather Channel, Inc. | Producing high-resolution, real-time synthetic meteorological conditions from radar data |
CN111366931A (zh) * | 2020-05-19 | 2020-07-03 | 范思睿 | 一种基于云雷达的云降水精细化反演方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2278353B1 (en) * | 2009-07-24 | 2018-02-14 | Kabushiki Kaisha Toshiba | Weather radar apparatus and rainfall rate calculation method |
KR101029175B1 (ko) * | 2009-09-09 | 2011-04-12 | 영남대학교 산학협력단 | 다항식과 가우시안 기저 함수를 이용하는 장거리 역합성 개구면 레이더 영상 생성 방법 및 그 장치 |
KR101431707B1 (ko) * | 2013-11-26 | 2014-09-22 | 한국건설기술연구원 | 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법 |
CN106054194B (zh) * | 2016-05-10 | 2018-04-03 | 南京信息工程大学 | 一种星载雷达和地基雷达反射率因子数据三维融合方法 |
CN106646476A (zh) * | 2016-12-02 | 2017-05-10 | 上海无线电设备研究所 | 一种液态云微物理参数的反演方法 |
CN106872981A (zh) * | 2017-02-17 | 2017-06-20 | 水利部南京水利水文自动化研究所 | 雨量雷达的降水强中心跟踪与预报方法 |
CN110361742B (zh) * | 2019-06-21 | 2021-03-26 | 中国人民解放军国防科技大学 | 一种基于星载三频毫米波雷达的云雨微物理参数反演方法 |
KR102194427B1 (ko) * | 2020-06-09 | 2020-12-23 | 대한민국 | 기상 레이더의 관측 정보를 위한 노이즈 제거 장치 및 방법 |
CN112085060A (zh) * | 2020-08-07 | 2020-12-15 | 中国民航大学 | 基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置 |
CN113420489B (zh) * | 2021-05-25 | 2023-05-09 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
CN114924241B (zh) * | 2022-04-15 | 2024-09-17 | 国家卫星气象中心(国家空间天气监测预警中心) | 星载降水测量雷达和地基天气雷达的频率修正方法及系统 |
CN115236615B (zh) * | 2022-07-20 | 2024-08-09 | 中国民航大学 | 基于t矩阵法的机载极化气象雷达降水粒子回波仿真方法 |
-
2023
- 2023-03-17 CN CN202310261395.XA patent/CN115980756B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7231300B1 (en) * | 2004-12-22 | 2007-06-12 | The Weather Channel, Inc. | Producing high-resolution, real-time synthetic meteorological conditions from radar data |
CN111366931A (zh) * | 2020-05-19 | 2020-07-03 | 范思睿 | 一种基于云雷达的云降水精细化反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115980756A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115980756B (zh) | 一种基于星载双频雷达的降水中水凝物种类识别方法 | |
CN112213727B (zh) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 | |
CN110596787A (zh) | 一种基于x波段全固态双偏振雨量雷达的降水估测方法 | |
KR101531224B1 (ko) | 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법 | |
Meneghini et al. | A hybrid surface reference technique and its application to the TRMM precipitation radar | |
Zhang et al. | Radar quality index (RQI)—A combined measure of beam blockage and VPR effects in a national network | |
CN110263838B (zh) | 一种多传感器降水估计融合方法 | |
Hirose et al. | High temporal rainfall estimations from Himawari-8 multiband observations using the random-forest machine-learning method | |
Guo et al. | GNSS-R wind speed retrieval of sea surface based on particle swarm optimization algorithm | |
EP3951439B1 (en) | Advection fog forecasting system and forecasting method | |
Chandrasekar et al. | Concepts and principles of rainfall estimation from radar: Multi sensor environment and data fusion | |
CN110488297B (zh) | 一种复杂地形区域雹暴的预警方法 | |
WO2018168165A1 (ja) | 気象予測装置、気象予測方法、およびプログラム | |
US20100283667A1 (en) | Radar imaging system and method using second moment spatial variance | |
Guilloteau et al. | Beyond the pixel: Using patterns and multiscale spatial information to improve the retrieval of precipitation from spaceborne passive microwave imagers | |
CN116224339A (zh) | 一种s、c和x波段雷达降水组网融合方法 | |
CN114415184A (zh) | 极化-多普勒气象雷达的降雨信号恢复方法及装置 | |
CN111540007B (zh) | 一种利用sar图像估算油罐存储量的方法 | |
Picciotti et al. | Coupling X-band dual-polarized mini-radars and hydro-meteorological forecast models: the HYDRORAD project | |
Wang et al. | A rapid identification and warning method for severe weather via Doppler radar based on an improved TITAN algorithm | |
Kabeche et al. | Quantitative precipitation estimation (QPE) in the French Alps with a dense network of polarimetric X-band radars | |
Dufton | Quantifying uncertainty in radar rainfall estimates using an X-band dual polarisation weather radar | |
Zhu et al. | A Real-time Bright Band Vertical Profile of Reflectivity Correction Using Multi-tilts of Reflectivity Data | |
CN118294953B (zh) | 一种异质性地表条件下的高分辨率植被光学厚度反演方法 | |
Chen et al. | Notice of Retraction: Short-term and local rainfall probability prediction based on a dislocation support vector machine model using satellite and in-situ observational data |
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 |