CN116258065A - 一种云天高时空分辨率近地面气温估算方法 - Google Patents
一种云天高时空分辨率近地面气温估算方法 Download PDFInfo
- Publication number
- CN116258065A CN116258065A CN202310053394.6A CN202310053394A CN116258065A CN 116258065 A CN116258065 A CN 116258065A CN 202310053394 A CN202310053394 A CN 202310053394A CN 116258065 A CN116258065 A CN 116258065A
- Authority
- CN
- China
- Prior art keywords
- air temperature
- resolution
- original
- cloud
- spatial
- 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.)
- Pending
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
本发明涉及一种云天高时空分辨率近地面气温估算方法,属于大气遥感技术领域,利用静止气象卫星空间分辨率的云顶高度和云顶温度、数值模式预报气温、高程、植被指数、纬度、经度和时间信息,基于神经网络模型构建静止气象卫星原始空间分辨率气温模型;假定高空间分辨率子像元与其所在的静止气象卫星原始空间分辨率像元的近地面气温差是由两像元的高程和归一化植被指数差引起的,构建气温差模型,在此基础上推导出云天高时空分辨率近地面气温估算模型;基于生成对抗神经网络构建云天条件下的高时空分辨率近地面气温估算模型,本发明可以获取比卫星观测更精细的高精度晴空条件下的近地面气温空间分布。
Description
技术领域
本发明属于大气遥感技术领域,尤其涉及一种云天高时空分辨率近地面气温估算方法。
背景技术
近地面气温(surface air temperature,Tair)通常指的是距离地面1.5-2.0米的百叶箱测的大气温度,是描述近地面大气环境的重要参数。它是气象台站的基本观测项目之一,在水文学、生态学、气候学、流行病学、环境科学、居民生活能耗等领域有着广泛的应用。近地面气温的变化受到多种因素如太阳辐射、经纬度、地表类型、土壤湿度、云量、海拔高度等影响,气温随时间和空间变化较大,并呈现空间异质性。高精度、高分辨率的近地面气温是众多陆面过程、气候模式的关键输入参数之一,也对更好地理解和模拟复杂的地表过程具有重要意义。
目前,近地面气温主要是依靠气象台站的常规观测获得,虽然台站观测可以提供高时间分辨率和高精度的气温,但是只能获取离散点的气温数据,所以无法很好地反映气温的空间异质性。虽然气温空间分布可以对站点数据进行空间插值得到,但其精度通常受制于气象站点的密度、地形和景观条件等影响。通常,难以获得较高精度的气温空间分布,尤其是站点较少的复杂地形区域。
与气象台站观测和卫星估算的气温不同,数值预报和同化模型可以提供空间完全分布的气温数据,对有云区域和无气象台站观测的区域提供了重要的气温信息。这些数据通常时间和空间分辨率比较粗(空间分辨率通常为0.25°–0.5°,时间分辨率通常为3小时),会给应用带来较大的的不确定性,尤其是地形复杂的一些区域。
与气象台站观测不同,数值预报和同化模型,比如全球预报系统(GlobalForecast System,GFS),欧洲中期天气预报中心第五代再分析资料(ERA5)、全球陆地数据同化系统(Global Land DataAssimilation System,GLDAS)和中国陆面数据同化系统(Chinese Land DataAssimilation System CLDAS)可以提供区域或者全球范围无缝隙/全覆盖的Tair数据。然而,这些数据通常时间和空间分辨率比较粗(比如,空间分辨率为0.25°–0.5°,时间分辨率为3小时)(Rao,Liang et al.2019)。这会给应用带来较大的不确定性,尤其是地形复杂的区域(Shuai,Zhu et al.2018)。
气象卫星可实现全球和大范围观测,比如单颗静止气象卫星可对全球近1/3的地表和大气进行连续观测。近十年来,气象卫星观测数据已被广泛应用于近地面气温估算(Pepin,Maeda et al.2016,Good,Ghent et al.2017)。卫星热红外传感器反演的地表温度和近地面大气具有很强的相关关系,因此,现有的晴空近地面气温的估算通常是基于卫星的地表温度和气温之间的关系开展的。
有云存在时,虽然卫星红外观测无法获取地表温度,但可以获取云顶温度和云顶高度。黎华嫔等(Li et al.2021)基于温度垂直递减率,利用VIIRS/NPP的CTH和CTT产品以及其他辅助数据开展了云天气温估算。结果表明,估算的气温RMSE小于2℃,利用卫星云产品估算云天条件下的气温是可行的。这给云天气温的估算提供了另外一种思路。
新一代静止气象卫星,比如GOES-R、Himawari-8/9和FY-4A/B可以提供高时间分辨率的地球陆地、海洋和大气的观测,但其空间分辨率较差,仅可以提供2-4km的地表温度、云顶高度和云顶温度的观测。随着城市热岛研究、气候模型精细化等相关科研和业务应用的需求,对气温的空间分辨率提出了更高的要求,如何获得具有高时空分辨率全天候近地面气温数据已成为关注焦点。目前,还没有利用静止气象卫星数据开展云天情况下的高时空分辨率的近地面气温估算的研究。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种云天高时空分辨率近地面气温估算方法。具体将利用静止气象卫星空间分辨率的云顶高度和云顶温度、数值模式预报气温、高程、植被指数、纬度、经度和时间信息,基于神经网络模型构建静止气象卫星原始空间分辨率云天气温模型。假定高空间分辨率子像元与其所在的静止气象卫星原始空间分辨率像元的近地面气温差是由两像元的高程和归一化植被指数差引起的,构建高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型。基于构建的两个模型推导出云天高时空分辨率近地面气温估算模型,利用生成对抗神经网络构建云天条件下的高时空分辨率近地面气温估算模型,本发明可以获取比卫星观测更精细的高精度晴空条件下的近地面气温空间分布。
本发明主要解决云天情况下利用静止气象卫星云顶高度和云顶温度数据估算高时空分辨率近地面气温的问题。
一种云天高时空分辨率近地面气温估算方法,包括以下步骤:
步骤1.收集气象观测站气温、静止气象卫星的云顶高度和云顶温度、GFS预报气温、高空间分辨率的高程、归一化植被指数和其他辅助数据。
所述其他辅助数据包括:静止气象卫星的像元的纬度、经度、儒略日和观测时间信息。
步骤2.根据气象观测站的经纬度和时间信息对收集的数据进行时空匹配,获取时间和空间匹配的气象观测站气温、云顶高度和云顶温度、GFS预报气温、两种高空间分辨率的高程(静止气象卫星原始空间分辨率和高空间分辨率)、归一化植被指数和其他辅助数据。
所述时间和空间匹配包括:根据气象观测站的测量时间信息,选择与其观测最邻近的卫星观测数据。进一步,利用气象观测站的位置信息提取与其最邻近气象卫星像元的云顶高度、云顶温度和经纬度信息。对高空间分辨率的高程和归一化植被指数进行空间平均,获取最邻近静止气象卫星像元的较低空间分辨率高程和归一化植被指数。
步骤3.利用静止气象卫星空间分辨率的云顶高度和云顶温度、数值模式预报气温、高程、归一化植被指数、纬度、经度和时间信息,基于神经网络模型构建静止气象卫星原始空间分辨率气温模型。
步骤4.假定高空间分辨率子像元与其所在的静止气象卫星原始空间分辨率像元的近地面气温差是由两像元的高程和归一化植被指数差引起的,构建高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型。
步骤5.在静止气象卫星原始空间分辨率气温模型、高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型的基础上,推导出云天高时空分辨率近地面气温估算模型。
步骤6.基于云天高时空分辨率近地面气温估算模型和时空匹配的气象观测站、卫星云顶温度和云顶高度、GFS预报气温、两种空间分辨率的高程和归一化植被指数和其他辅助数据,基于生成对抗神经网络构建云天高时空分辨率近地面气温估算模型。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤1的高空间分辨率高程和归一化植被指数分别来自于SRTM的30米高程和MODIS的250m植被指数。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤2的两种空间分辨率的高程和归一化植被指数包括:与静止气象卫星观测像元所对应的原始空间分辨率高程和归一化植被指数;与气象台站空间匹配的250m高空间分辨率的高程和归一化植被指数。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤3静止气象卫星原始空间分辨率近地面气温模型包括以下内容:
Tair,原始=f1(CTH,CTT,DEM,NDVI,TGFS,a,LAT,LON,JD,hour) (1)
其中Tair,低为静止气象卫星原始空间分辨率的近地面气温,CTT,CTH,DEM,VDVI,TGFS,a,LAT,LON,JD,hour分别为静止气象卫星原始空间分辨率的云顶温度、云顶高度、高程、归一化植被指数、GFS预报气温、纬度、经度、儒略日和小时。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤4高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型包括以下内容:
ΔTair=Tair,原始-Tair,高=f2(DEM原始,DEM高,NDVI原始,NDVI高) (2)
其中,ΔTair是高空间分辨率与所在的静止气象卫星原始空间分辨像元气温差,Tair,原始和Tair,高分别为静止气象卫星原始空间分辨率、高分辨率的气温,DEM原始和DEM高分别为静止气象卫星原始空间分辨率、高分辨率的高程,NDVI原始和NDVI高分别为静止气象卫星原始空间分辨率、高分辨率的植被指数。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤5推导出云天高时空分辨率近地面气温估算模型包括以下内容:
所述云天高时空分辨率气温估算模型包括:根据公式(2)可知,
Tair,高=Tair,原始-f2(DEM低,DEM高,NDVI低,NDVI高) (3)
将公式(1)代入公式(3),云天高时空分辨率气温可表述为:
Tair,高=f1(CTH,CTT,DEM,NDVI,TGFS,a,LAT,LON,JD,hour)-f2(DEM原始,DEM高,NDVI原始,NDVI高) (4)
考虑到上述模型均是非线性估算函数,云天高时空分辨率气温估算模型可直接表示为:
Tair,高=f(CTH,CTT,DEM原始,DEM高,NDVI原始,NDVI高,TGFS,a,LAT,LON,JD,hour) (5)
这一云天高时空分辨率气温估算模型可利用神经网络实现。
本发明的有益效果:
现有静止气象卫星的云顶高度和云顶温度数据高空间分辨率是2-4km,这使得基于静止气象卫星云天近地面气温的空间分辨率也限制在2-4km范围内,无法满足高时空分辨率近地面气温的需求。
本发明提出的基于高空间分辨率高程和归一化植被指数数据的高空间分辨率估算模型,通过在模型中引入静止气象卫星原始空间分辨率、高分辨率的高程和归一化植被指数,可将估算的近地面气温空间分辨率由2-4km提升至250m。
本发明直接通过一个模型直接实现高空间分辨率近地面气温的估算,这有效降低了模型误差的传递。此外,本发明也适用于极轨气象卫星的云天情况下的高空间分辨率近地面气温。
附图说明
图1为本发明实施例提供的云天高时空分辨率近地面气温估算方法流程图;
图2为本发明实施例估算的气温与台站气温的二维直方分布图;
图3为本发明实施例台站的均方根误差空间分布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
如图1所示,本发明主要解决基于静止气象卫星数据云天高时空分辨率近地面气温估算。本发明实施例以FY-4A卫星成像仪(AGRI)的云顶高度和云顶温度数据为基础,开展安徽地区的云天高时空分辨率近地面气温估算。本发明实施例提供的云天高时空分辨率近地面气温估算包括以下步骤:
步骤1.收集安徽地区气象观测站气温、FY-4A卫星成像仪(AGRI)的原始空间分辨率的云顶高度和云顶温度、GFS预报气温、高空间分辨率的高程和归一化植被指数和其他辅助数据。
所述其他辅助数据包括:FY-4A卫星观测点的纬度、经度、儒略日和观测时间信息。
步骤2.根据气象观测站的经纬度和时间信息对收集的数据进行时空匹配,获取时间和空间匹配的气象观测站气温、FY-4A卫星成像仪云顶高度和云顶温度、GFS预报气温、两种空间分辨率的高程、归一化植被指数和其他辅助数据。
所述时间和空间匹配包括:根据气象观测站的测量时间信息,选择与其观测最邻近的FY-4A卫星观测数据。进一步,利用气象观测站的位置信息提取与其最邻近FY-4A卫星像元的云顶高度、云顶温度和经纬度信息。对高空间分辨率的高程和归一化植被指数进行空间平均,获取最邻近FY-4A卫星像元的较低空间分辨率高程和归一化植被指数。
步骤3.利用FY-4A卫星空间分辨率的云顶高度和云顶温度、GFS数值模式预报气温、高程、归一化植被指数、纬度、经度和时间信息,基于神经网络模型构建FY-4A卫星原始空间分辨率气温模型。
步骤4.假定高空间分辨率(250m)子像元与其所在的FY-4A卫星原始空间分辨率像元的近地面气温差是由两像元的高程和归一化植被指数差引起的,构建高空间分辨率子像元与FY-4A卫星原始空间分辨率气温差模型。
步骤5.在FY-4A卫星原始空间分辨率气温模型、高空间分辨率(250m)子像元与FY-4A卫星原始空间分辨率气温差模型的基础上,推导出云天高时空分辨率近地面气温估算模型。
步骤6.基于云天高时空分辨率近地面气温估算模型和时空匹配的气象观测站、FY-4A卫星云顶温度和云顶高度、GFS预报气温、两种空间分辨率的高程和归一化植被指数和其他辅助数据,基于生成对抗神经网络构建云天高时空分辨率近地面气温估算模型。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤1的高空间分辨率高程和归一化植被指数分别来自于SRTM的30米高程和MODIS的250m植被指数。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤2的两种空间分辨率的高程和归一化植被指数包括:与FY-4A卫星观测像元所对应的原始空间分辨率高程和归一化植被指数;与气象台站空间匹配的250m高空间分辨率的高程和归一化植被指数。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤3的FY-4A卫星原始空间分辨率近地面气温模型包括以下内容:
Tair,原始=f1(CTH,CTT,DEM,NDVI,TGFS,a,LAT,LON,JD,hour) (1)
其中Tair,低静止气象卫星原始空间分辨率的近地面气温,CTT,CTH,DEM,NDVI,TGFS,a,LAT,LON,JD,hour分别为FY-4A卫星原始空间分辨率的云顶温度、云顶高度、高程、归一化植被指数、GFS预报气温、纬度、经度、儒略日和小时。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤4高空间分辨率子像元与FY-4A卫星原始空间分辨率气温差模型包括以下内容:
ΔTair=Tair,原始-Tair,高=f2(DEM原始,DEM高,NDVI原始,NDVI高) (2)
其中,ΔTair是高空间分辨率与所在的FY-4A卫星原始空间分辨像元气温差,Tair,原始和Tair,高分别为FY-4A卫星原始空间分辨率、高分辨率的气温,DEM原始和DEM高分别为FY-4A卫星原始空间分辨率、高分辨率的高程,NDVI原始和NDVI高分别为FY-4A卫星原始空间分辨率、高分辨率的植被指数。
进一步地,如上所述的云天高时空分辨率近地面气温估算方法,步骤5推导出云天高时空分辨率近地面气温估算模型包括以下内容:
所述云天高时空分辨率气温估算模型包括:根据公式(2)可知,
Tair,高=Tair,原始-f2(DEM低,DEM高,NDVI低,NDVI高) (3)
将公式(1)代入公式(3),云天高时空分辨率气温可表述为:
Tair,高=f1(CTH,CTT,DEM,NDVI,TGFS,a,LAT,LON,JD,hour)-f2(DEM原始,DEM高,NDVI原始,NDVI高) (4)
考虑到上述模型均是非线性估算函数,云天高时空分辨率气温估算模型可直接表示为:
Tair,高=f(CTH,CTT,DEM原始,DEM高,NDVI原始,NDVI高,TGFS,a,LAT,LON,JD,hour) (5)
这一云天高时空分辨率气温估算模型由生成对抗神经网络实现。
如图2所示,AGRI估算的气温与气象台站观测的均方根误差小于1.45℃,这一结果好于现有的文献报道精度。如图3所示,可以看出估算的结果展现了良好的气温变化细节,这说明了算法的良好适用性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种云天高时空分辨率近地面气温估算方法,其特征在于,所述方法包括:
步骤1.收集气象观测站气温、静止气象卫星的云顶高度和云顶温度、GFS预报气温、高空间分辨率的高程、归一化植被指数和其他辅助数据;
所述其他辅助数据包括:静止气象卫星的像元的纬度、经度、儒略日和观测时间信息;
步骤2.根据气象观测站的经纬度和时间信息对收集的数据进行时空匹配,获取时间和空间匹配的气象观测站气温、云顶高度和云顶温度、GFS预报气温、两种空间分辨率的高程、归一化植被指数和其他辅助数据;
所述时间和空间匹配包括:根据气象观测站的测量时间信息,选择与其观测最邻近的卫星观测数据,利用气象观测站的位置信息提取与其最邻近气象卫星像元的云顶高度、云顶温度和经纬度信息,对高空间分辨率的高程和归一化植被指数进行空间平均,获取最邻近静止气象卫星像元的较低空间分辨率高程和归一化植被指数;
步骤3.利用静止气象卫星空间分辨率的云顶高度和云顶温度、数值模式预报气温、高程、归一化植被指数、纬度、经度和时间信息,基于神经网络模型构建静止气象卫星原始空间分辨率近地面气温模型;
步骤4.假定高空间分辨率子像元与其所在的静止气象卫星原始空间分辨率像元的近地面气温差是由两像元的高程和归一化植被指数差引起的,构建高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型;
步骤5.在静止气象卫星原始空间分辨率气温模型、高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型的基础上,推导出云天高时空分辨率近地面气温估算模型;
步骤6.基于云天高时空分辨率近地面气温估算模型和时空匹配的气象观测站、卫星云顶温度和云顶高度、GFS预报气温、两种空间分辨率的高程和归一化植被指数和其他辅助数据,基于生成对抗神经网络构建云天高时空分辨率近地面气温估算模型。
2.根据权利要求1所述的一种云天高时空分辨率近地面气温估算方法,其特征在于:所述步骤1的高空间分辨率高程和归一化植被指数分别来自于SRTM的30米高程和MODIS的250m植被指数。
3.根据权利要求1所述的一种云天高时空分辨率近地面气温估算方法,其特征在于:所述步骤2的两种空间分辨率的高程和归一化植被指数分别为:与静止气象卫星观测像元所对应的原始空间分辨率高程和归一化植被指数;与气象台站空间匹配的250m高空间分辨率的高程和归一化植被指数。
4.根据权利要求1所述的一种云天高时空分辨率近地面气温估算方法,其特征在于:所述步骤3静止气象卫星原始空间分辨率近地面气温模型为:
Tair,原始=f1(CTH,CTT,DEM,NDVI,TGFS,q,LAT,LON,JD,hour) (1)
其中,Tair,低为静止气象卫星原始空间分辨率的近地面气温,CTT,CTH,DEM,NDVI,TGFS,a,LAT,LON,JD,hour分别为静止气象卫星原始空间分辨率的云顶温度、云顶高度、高程、归一化植被指数、GFS预报气温、纬度、经度、儒略日和小时。
5.根据权利要求4所述的一种云天高时空分辨率近地面气温估算方法,其特征在于:所述步骤4高空间分辨率子像元与静止气象卫星原始空间分辨率气温差模型为:
ΔTair=Tair,原始-Tair,高=f2(DEM原始,DEM高,NDVI原始,NDVI高) (2)
其中,ΔTair是高空间分辨率与所在的静止气象卫星原始空间分辨像元气温差,Tair,原始和Tair,高分别为静止气象卫星原始空间分辨率、高分辨率的气温,DEM原始和DEM高分别为静止气象卫星原始空间分辨率、高分辨率的高程,NDVI原始和NDVI高分别为静止气象卫星原始空间分辨率、高分辨率的植被指数。
6.根据权利要求5所述的一种云天高时空分辨率近地面气温估算方法,其特征在于:所述步骤5推导出云天高时空分辨率近地面气温估算模型为:
所述云天高时空分辨率气温估算模型包括:根据所述公式(2)知,
Tair,高=Tair,原始-f2(DEM低,DEM高,NDVI低,NDVI高) (3)
将公式(1)代入公式(3),云天高时空分辨率气温表述为:
Tair,高=f1(CTH,CTT,DEM,NDVI,TGFS,a,LAR,LON,JD,hour)-f2(DEM原始,DEM高,NDVI原始,NDVI高) (4)
考虑到上述模型均是非线性估算函数,云天高时空分辨率气温估算模型直接表示为:
Tair,高=f(CTH,CTT,DEM原始,DEM高,NDVI原始,NDVI高,TGFS,a,LAT,LON,JD,hour) (5)
这一估算模型利用神经网络实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053394.6A CN116258065A (zh) | 2023-01-31 | 2023-01-31 | 一种云天高时空分辨率近地面气温估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053394.6A CN116258065A (zh) | 2023-01-31 | 2023-01-31 | 一种云天高时空分辨率近地面气温估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258065A true CN116258065A (zh) | 2023-06-13 |
Family
ID=86678696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310053394.6A Pending CN116258065A (zh) | 2023-01-31 | 2023-01-31 | 一种云天高时空分辨率近地面气温估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258065A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933664A (zh) * | 2023-09-15 | 2023-10-24 | 航天宏图信息技术股份有限公司 | 地表温度数据重构模型构建方法及地表温度数据重构方法 |
-
2023
- 2023-01-31 CN CN202310053394.6A patent/CN116258065A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933664A (zh) * | 2023-09-15 | 2023-10-24 | 航天宏图信息技术股份有限公司 | 地表温度数据重构模型构建方法及地表温度数据重构方法 |
CN116933664B (zh) * | 2023-09-15 | 2024-01-05 | 航天宏图信息技术股份有限公司 | 地表温度数据重构模型构建方法及地表温度数据重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Girotto et al. | Multi-sensor assimilation of SMOS brightness temperature and GRACE terrestrial water storage observations for soil moisture and shallow groundwater estimation | |
Singh et al. | Assessment of land use/land cover using Geospatial Techniques in a semi-arid region of Madhya Pradesh, India | |
Li et al. | Estimation of all-sky 1 km land surface temperature over the conterminous United States | |
Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
CN111652404B (zh) | 一种全天气地表温度反演方法和系统 | |
Ma et al. | Generating gapless land surface temperature with a high spatio-temporal resolution by fusing multi-source satellite-observed and model-simulated data | |
Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
Zhu et al. | Retrieval of land surface temperature with topographic effect correction from Landsat 8 thermal infrared data in mountainous areas | |
Xie et al. | Development of a topographic-corrected temperature and greenness model (TG) for improving GPP estimation over mountainous areas | |
CN115795399B (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
CN114417646B (zh) | 一种高维异构降水数据融合方法及系统 | |
Huang et al. | A novel fusion method for generating surface soil moisture data with high accuracy, high spatial resolution, and high spatio‐temporal Continuity | |
Sun et al. | Microwave and meteorological fusion: A method of spatial downscaling of remotely sensed soil moisture | |
Ma et al. | Retrieval of high spatial resolution precipitable water vapor maps using heterogeneous earth observation data | |
CN116258065A (zh) | 一种云天高时空分辨率近地面气温估算方法 | |
Wu et al. | Evaluation of winter wheat yield simulation based on assimilating LAI retrieved from networked optical and SAR remotely sensed images into the WOFOST model | |
Qiu et al. | Exploring spatiotemporal patterns and physical controls of soil moisture at various spatial scales | |
CN116051620B (zh) | 基于InSAR技术冻土区活动层厚度估计方法和系统 | |
Duan et al. | Improving monthly mean land surface temperature estimation by merging four products using the generalized three-cornered hat method and maximum likelihood estimation | |
Li et al. | Adjustment from temperature annual dynamics for reconstructing land surface temperature based on downscaled microwave observations | |
Chen et al. | A high spatiotemporal resolution land surface temperature research over Qinghai-Tibet Plateau for 2000–2020 | |
CN116310857A (zh) | 一种晴空条件下的高空间分辨率近地面气温估算方法 | |
Wang et al. | Remote-Sensing inversion method for evapotranspiration by fusing knowledge and multisource data | |
Wang et al. | Spatial Downscaling of Remote Sensing Precipitation Data in the Beijing-Tianjin-Hebei Region | |
Bytheway et al. | Demonstrating a probabilistic quantitative precipitation estimate for evaluating precipitation forecasts in complex terrain |
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 |