CN116597319B - 一种海冰日数据综合处理方法、装置及计算设备 - Google Patents
一种海冰日数据综合处理方法、装置及计算设备 Download PDFInfo
- Publication number
- CN116597319B CN116597319B CN202310421658.9A CN202310421658A CN116597319B CN 116597319 B CN116597319 B CN 116597319B CN 202310421658 A CN202310421658 A CN 202310421658A CN 116597319 B CN116597319 B CN 116597319B
- Authority
- CN
- China
- Prior art keywords
- sea ice
- area
- grid
- ice
- sea
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000000295 complement effect Effects 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 239000013535 sea water Substances 0.000 claims description 12
- 238000002844 melting Methods 0.000 claims description 11
- 230000008018 melting Effects 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 7
- 238000007710 freezing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
本发明提供一种海冰日数据综合处理方法、装置及计算设备,所述方法包括:获取检测区域内的遥感影像;从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;获取所述海冰覆盖区域对应的气象数据;对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集。本发明通过收集遥感数据,并结合气象数据,实现对海冰空间分布的精确重建,从而能够生成海冰空间分布连续日数据集,提高了海冰监测的准确性和效率。
Description
技术领域
本发明涉及遥感图像智能识别技术领域,特别是指一种海冰日数据综合处理方法、装置及计算设备。
背景技术
获取冰情参数对海冰灾害的防灾减灾、渤海海冰资源储量估算与利用以及渤海气候变化研究均具有重要意义。目前,各种卫星遥感技术已被广泛应用于海冰冰情参数观测,尤其是地球观测系统中分辨率成像光谱辐射计(MODIS)、国家海洋和大气管理局高级甚高分辨率辐射计(AVHRR)等极地轨道卫星。
目前,常用的海冰监测方法主要是通过遥感手段获取海冰信息。然而,传统的遥感方法容易受到云层遮挡、光照变化等因素的干扰,导致在海冰面积估算等方面存在许多误差,进而无法获取海冰冰情指标长时序连续日数据。
发明内容
本发明要解决的技术问题是提供一种海冰日数据综合处理方法、装置及计算设备,通过收集遥感数据,并结合气象数据,实现对海冰空间分布的精确重建,从而能够生成海冰空间分布连续日数据集,提高了海冰监测的准确性和效率。
为解决上述技术问题,本发明的技术方案如下:
第一方面,一种海冰日数据综合处理方法,所述方法包括:
获取检测区域内的遥感影像;
从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;
获取所述海冰覆盖区域对应的气象数据;
对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;
根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集。
进一步的,从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域,包括:
获取海冰、海水和陆地之间反射率和表面温度的差异;根据海冰、海水和陆地之间反射率和表面温度的差异,并结合所述遥感影像中的绿色波段和近红外波段提取遥感影像中的海冰覆盖区域;或者
获取代表海冰和非海冰区域的样本;对所述样本进行特征提取,并根据特征建立分类模型;根据所述分类模型对所述遥感影像进行分类,以得到海冰覆盖区域。
进一步的,获取所述海冰覆盖区域对应的气象数据,包括:
获取所述海冰覆盖区域内的累积冻冰度日和累积融冰度日,其中,
所述累积冻冰度日的计算公式为:
所述累积融冰度日的计算公式为:
其中,Tf为检测区域的海洋冰冻温度,Ta为日平均气温,t为冰期天数,ds和de分别为开始和结束的日期。
进一步的,对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据,包括:
对所述海冰覆盖区域对应的遥感影像进行处理,以形成海冰面积格栅;
将所述气象数据插入至所述海冰面积格栅中,以形成与所述海冰面积栅格相对应的气象栅格。
进一步的,根据所述补全数据构建海冰空间补全模型,包括:
根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型。
进一步的,根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型,包括:
选取至少一个与海冰覆盖区域相关性高的气象指标,以及缺失日期前后两日的待补栅格;
根据所述待补栅格的气象指标的相似度赋予权重,计算所述待补栅格的面积,其中,所述待补栅格的面积计算公式为:
其中,i为待补栅格前后两天相近日期、相邻的18个栅格的位置序号,j为4个气象相关的指标,分别是平均气温、前后两天温差、累计冻冰度日和累计融冰度日,ηj为气象相关的指标与海冰面积的相关系数,为ηj的归一化结果,ΔTi j为待补日期前后最近天第i位置的j温度指标,/>为待补位置的j温度指标,/>为待补位置的j温度指标与待补日期前最近一天第i位置的j温度指标之差,/>为Tj最大值与最小值之差,Si为待补日期前后最近一天第i位置的海冰面积;S为待补位置的海冰面积。
进一步的,在构建海冰空间补全模型后,还包括:
对所述海冰空间补全模型进行检验,以得到所述海冰空间补全模型的正确率,其中,所述海冰空间补全模型的正确率的计算公式为:
其中,N为海冰面积数据栅格化后的栅格总数,Si,为用海冰空间补全模型计算出来的第i个栅格内海冰面积,Si为用遥感影像提取出来的第i个栅格内海冰面积,P为海冰空间补全模型的正确率。
第二方面,一种海冰日数据综合处理装置,包括:
获取模块,用于获取检测区域内的遥感影像;从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;获取所述海冰覆盖区域对应的气象数据;
处理模块,用于对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集。
第三方面,一种计算设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的方法。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过收集遥感数据,并结合气象数据,实现对海冰空间分布的精确重建,从而能够生成海冰空间分布连续日数据集,提高了海冰监测的准确性和效率。
附图说明
图1是本发明的实施例提供的海冰日数据综合处理方法的流程示意图。
图2是本发明的实施例提供的海冰日数据综合处理方法的1987-2014年海冰空间补全模型均方误差示意图。
图3是本发明的实施例提供的海冰日数据综合处理方法的1987-2014年遥感影像年缺失率示意图。
图4是本发明的实施例提供的海冰日数据综合处理装置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种海冰日数据综合处理方法,所述方法包括以下步骤:
步骤11,获取检测区域内的遥感影像;
步骤12,从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;
步骤13,获取所述海冰覆盖区域对应的气象数据;
步骤14,对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;
步骤15,根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集。
具体地说,在步骤11中,该步骤是通过遥感卫星等手段,获取指定区域的图像数据。这些数据通常包括可见光、红外线、雷达等波段的图像,用于观测海洋、地表、大气等自然环境的变化情况。在步骤12中,从遥感影像中提取海冰面积,通过对步骤11获取的遥感影像进行处理,识别出其中的海冰特征,并计算出海冰面积和分布情况。在步骤13中,该步骤是获取与海冰形成和演化有关的气象数据,如温度、湿度、风向风速等。这些数据可以帮助我们了解海冰形成和消融的条件,为后续模型的构建提供数据基础。在步骤14中,通过对海冰覆盖区域和气象数据进行预处理,以获得补全数据,其中,预处理的方法包括缺失值填充、异常值处理、数据平滑等。预处理的目的是为了消除数据噪声,增加数据的可靠性和精度,使得后续模型构建能够更准确地反映实际情况。在步骤15中,该步骤是利用处理好的数据,通过建立海冰空间补全模型,进而推算出未来的海冰空间分布情况,可以实现更好地了解海冰变化规律,为海洋资源开发、气象预报等提供重要参考,因此,通过收集遥感数据,并结合气象数据,实现对海冰空间分布的精确重建,从而能够生成海冰空间分布连续日数据集,提高了海冰监测的准确性和效率。
需要说明的是,在本发明实施例中,所研究的区域为渤海,其中,渤海位于37°~41°N,117°~123°E之间,是中国唯一的内海,每年冬季都会结冰,是北半球纬度最低的有冰海域。海冰的形成和分布是区域气象因素和海洋动力因素共同作用的结果,具有明显的区域差异。渤海海冰每年冰期长短、分布范围大小、厚度、表面堆积程度等因素差异较大,年内和年际变化明显,海冰灾害时有发生,造成了一定的区域社会经济等损失。渤海的面积约为77284km2,其东西向长约187n mile,东北西南向长约300n mile,平均水深18m,最大水深85m。
其中,多源遥感数据来源于美国国家海洋和大气管理局(NOAA)系列气象卫星上搭载的多光谱通道高分辨率辐射扫描仪(AdvancedVery High Resolution Radiometer,AVHRR)和美国宇航局大型空间遥感仪器中分辨率成像光谱仪(Moderate-resolutionImaging Spectroradiometer,MODIS),分别使用了1988年1月至2000年3月期间累计283幅AVHRR影像,以及2000年12月至2015年3月期间累计388幅MODIS影像。气象数据来源于中国地面国际交换站气候日数据集,可从中国气象数据服务中心网站下载,包括渤海沿岸的18个气象站点(营口、熊岳、大连、绥中、瓦房店、兴城、黄骅、秦皇岛、乐亭、唐山、天津、塘沽、东营、龙口、惠民、潍坊、长岛、大洼)1988年1月至2015年3月期间平均气温的观测数据。
在本发明优选的实施例中,上述步骤12,可以包括:
步骤121,获取海冰、海水和陆地之间反射率和表面温度的差异;根据海冰、海水和陆地之间反射率和表面温度的差异,并结合所述遥感影像中的绿色波段和近红外波段提取遥感影像中的海冰覆盖区域;或者
步骤122,获取代表海冰和非海冰区域的样本;对所述样本进行特征提取,并根据特征建立分类模型;根据所述分类模型对所述遥感影像进行分类,以得到海冰覆盖区域。
该实施例中,基于AVHRR遥感影像提取海冰面积,主要利用海冰、海水和陆地之间反射率和表面温度的差异,通过结合遥感影像中的波段2和波段4来提取海冰区域,波段2和波段4对应于可见光和近红外波段,海冰和海水在这两个波段的亮度和反射率有所不同,因此,可以通过波段2和波段4的比值或者百分数指数计算出海冰指数,然后将其阈值化即可提取海冰覆盖区域;对于MODIS遥感影像,采用基于样本的面向对象分类方法,先选取一定数量的代表海冰、海水和陆地的样本区域,然后通过计算这些区域的多维特征向量(如色调、纹理、几何等),利用机器学习算法进行分类,结合目视解译进一步校正,去除明显错分的海冰多边形,最终得到海冰覆盖区域。
在本发明优选的实施例中,上述步骤13,可以包括:
步骤131,获取所述海冰覆盖区域内的累积冻冰度日和累积融冰度日,其中,所述累积冻冰度日的计算公式为:
所述累积融冰度日的计算公式为:
其中,Tf为检测区域的海洋冰冻温度,Ta为日平均气温,t为冰期天数,ds和de分别为开始和结束的日期。
需要说明的是,所述累积冻冰度日(cumulative freezing degree days,CFDD)是指一定时间内,当平均地面气温低于海洋冰冻温度时日平均气温和海洋冰冻温度之差的总和,所述累积融冰度日(cumulative thawing degree days,CTDD)是指一定时间内,当平均气温高于海洋冰冻温度时海洋冰冻温度和每日平均气温之差的总和。通常将低于0℃的日平均气温累加值称为负积温,本发明将3d-1.8℃积温定义为连续的3d内低于-1.8℃的日平均气温之和,本发明将前后两日温差定义为当前日期的平均气温与其前一日的平均气温之差。
在本发明优选的实施例中,上述步骤14,可以包括:
步骤141,对所述海冰覆盖区域对应的遥感影像进行处理,以形成海冰面积格栅;
步骤142,将所述气象数据插入至所述海冰面积格栅中,以形成与所述海冰面积栅格相对应的气象栅格。
在本发明实施例中,在建立补全模型之前,先将提取好的海冰面积遥感数据栅格化,将渤海划分成分辨率为1km×1km的78000个栅格,因此可以将处理后的数据以栅格格式呈现,方便后续的数据分析和模型构建;相应地,将气象指标利用克里金插值法插值到渤海区域,将海冰面积信息和气象数据相结合,得到一个海冰覆盖区域内的完整数据集,插值操作可以提高数据空间分辨率以及减少局部波动,使数据更加连续和平滑,提高数据的可靠性和可视化效果。具体来说,根据每个栅格的位置信息,将对应时间段内的气象数据插入到相应的海冰面积栅格中,形成一个完整的气象栅格,这些数据包括温度、风速、湿度等气象参数,可以用于后续的数据分析和模型构建。
在本发明优选的实施例中,上述步骤15,可以包括:
步骤151,根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型。
在本发明实施例中,通过构建海冰空间补全模型,可以用于预测或评估未观测海冰区域的海冰属性,如海冰厚度、海冰体积等。通过海冰空间补全模型,可以获取更全面、更准确的海冰信息。
在本发明优选的实施例中,上述步骤151,可以括:
步骤1511,选取至少一个与海冰覆盖区域相关性高的气象指标,以及缺失日期前后两日的待补栅格,待补栅格周围包括本身为9×2个栅格,即K为18;
步骤1512,根据所述待补栅格的气象指标的相似度赋予权重,计算所述待补栅格的面积,其中,所述待补栅格的面积计算公式为:
其中,i为待补栅格前后两天相近日期、相邻的18个栅格的位置序号,j为4个气象相关的指标,分别是平均气温、前后两天温差、累计冻冰度日和累计融冰度日,ηj为气象相关的指标与海冰面积的相关系数,为ηj的归一化结果,ΔTi j为待补日期前后最近天第i位置的j温度指标,/>为待补位置的j温度指标,/>为待补位置的j温度指标与待补日期前最近一天第i位置的j温度指标之差,/>为Tj最大值与最小值之差,Si为待补日期前后最近一天第i位置的海冰面积;S为待补位置的海冰面积。
具体而言,可以通过统计分析或机器学习等方法,筛选出与海冰覆盖区域面积的变化具有较强相关性的气象指标,如温度、风速等,并将其作为海冰空间补全模型的输入数据。获取待补栅格的过程中,可以根据遥感影像数据和气象数据的生成时间,查询相应的未观测日期的海冰面积栅格以及与之对应的气象栅格数据,即为待补栅格。通过对待补栅格所属的区域进行划分,并根据区域内其他已有数据的气象指标值计算其与待补栅格的相似度,进而赋予不同权重,在权重加权的基础上,通过插值等方法计算得出待补栅格的面积。值得注意的是,在计算待补栅格的面积时,需要根据栅格像素大小、分辨率等参数进行相应计算,并结合地理坐标系统和投影等信息,确保计算结果的精度和可靠性。
在本发明另一实施例中,在上述步骤15之后,还包括:
步骤16,对所述海冰空间补全模型进行检验,以得到所述海冰空间补全模型的正确率,其中,所述海冰空间补全模型的正确率的计算公式为:
其中,N为海冰面积数据栅格化后的栅格总数,Si,为用海冰空间补全模型计算出来的第i个栅格内海冰面积,Si为用遥感影像提取出来的第i个栅格内海冰面积,P为海冰空间补全模型的正确率。
在本发明实施例中,通过对所述海冰空间补全模型进行检验,以得到所述海冰空间补全模型的正确率,可以实现对所述海冰空间补全模型的验证,从而保证所述海冰空间补全模型的正确率。
需要说明的是,由于自然界中海冰生消与天气、海水表面温度、潮汐、海洋动力等多种因素有关,规律及其复杂。因此,本发明基于非参数模型KNN最近邻算法(K-nearestNeighbor),来预测栅格的海冰面积。在空间上,相隔较近的海冰栅格结冰特征较为相似,即每个栅格的海冰面积也符合空间相关性定律;在时间上,将海冰面积视为一个时间序列,则时间上相隔较近的海冰栅格结冰特征也相似,且海冰面积数据缺失多数是由于遥感卫星故障、云层遮挡等原因导致的时间上随机缺失。因此,海冰面积空间补全模型首先同时考虑时间和空间上的邻近栅格。其次,气温因素是外界环境因素中对海冰生消影响最大的因素之一,在K个时间和空间相近的栅格中,各个温度指标越接近,其栅格海冰面积也越接近,因此可根据相似度的不同赋予不同的权重。
因此,本发明基于非参数模型KNN法,从时间和空间两个维度选取18个最近邻样本,根据4种气象相关指标的相似度赋予不同权重,来预测渤海1988-2015年间每个数据缺失日期的约7.8万个栅格海冰面积。
为了验证海冰面积对气象因子的响应,本发明选取了日平均温度、前后两日温差、3d-1.8℃积温、累积冻冰度日和累计融冰度日来分析渤海海冰冰情指标与气象因子的关系。
表1为1988-2015年平均海冰面积与5个气象因子相关系数
从表1中可以看出,除2000年外,在空间上海冰面积与日平均温度、3d-1.8℃积温、累计冻冰度日和累计融冰度日相关程度较高,且均通过显著性检验。因此,这4个气象指标可以指示海冰面积情况,其中,相关系数绝对值最大的气象指标影响最多,因此赋予的权重就越大,将这4个气象指标相关系数均归一化后的数值作为各自的权重,来计算栅格间气象相关的相似度。而2000年则选取日平均温度、前后两日温差、3d-1.8℃积温和累计冻冰度日作为评价的指标。
利用海冰空间补全模型,补全计算1988-2015年冰期内有值日期累计共671d的海冰空间分布与真实海冰空间分布的均方误差mse,如图2所示。
其中,所述均方差(Mean squared error,MSE)是预测数据和真实数据对应样本点的误差的平方和的均值,其值越小说明拟合效果越好。从图2中可以看出,1987a到2014a每一年补全模型的均方误差均小于0.12km2,其中除去1991年,其他年份的mse均小于0.05km2,模型28a平均的mse为0.03km2,说明该补全模型本身拟合效果较好。
由于云层遮挡等问题,导致实际可获取的遥感冰情数据集不连续。图3为1988-2015年海冰冰期内影像数据缺失率。可以看出,近28a海冰遥感影像缺失率均在50%以上,其中1991年的海冰遥感影像缺失率高达91%。计算海冰空间补全模型的均方误差与海冰遥感影像缺失率的相关系数为0.521,且通过显著性检验。因此,在实际应用的过程中,使用尽量多的影像输入到补全模型中,会使得海冰空间补全的更为准确。目前,海冰空间补全模型的均方误差值较小,具有一定的渤海海冰空间分布范围补全价值,可以用于海冰面积空间分布缺失日的数据补全。
在海冰面积目视解译阶段,通常将海冰占比多于一半的1km×1km的栅格划分为有冰栅格。因此,在模型计算出的0-1km2区间的海冰面积分两类:大于等于0.5km2的为有冰栅格,小于0.5km2的为无冰栅格,判断模型计算出的分类与真实分布的分类是否一致,则补全模型的正确率为分类正确的栅格数与总栅格数之比,而每年平均每日分类错误的栅格数为年分类错误栅格数与当年冰期内有值天数的比值。通过计算可以得到海冰补全模型正确率在87%-98%之间。其中正确率最高的年份是2014年,为97.71%;正确率最低的年份是2009年,为87.63%。由于冻冰期和融冰期海冰生消变化较迅速,日变化可能较大,导致海冰空间分布补全模型可能高估导致日正确率下降,进而影响年平均正确率。因此,该补全模型在盛冰期补全的结果较为准确,与真实值更为接近。
利用上述海冰空间分布补全模型计算得到了1988年1月至2015年3月冰期内缺失日期的海冰空间分布,累计共1601天的海冰空间分布,因此,1987-2014年的年平均海冰面积与最大海冰面积的变化趋势与冰情等级的变化趋势接近,分布计算年平均海冰面积和最大海冰面积与冰情等级的相关系数,分别为0.468和0.448,且均通过显著性检验。这也说明了海冰面积补全结果,具有一定的参考价值。
有上述计算可得,在空间上,渤海海冰面积与日平均温度、3d-1.8℃积温、累积冻冰度日和累计融冰度日均呈中度相关,可以据此开展海冰面积的补全重建工作。海冰面积空间补全模型的均方误差与海冰遥感影像数据缺失率呈中度正相关;提高输入数据完整率可以提高补全模型精度,缺失越少,补全效果越好。海冰面积空间补全模型的空间分辨率为1km×1km,模型均方误差为0.03km2且模型分类的正确率均在87%以上,28a平均正确率为91.87%;该模型补全速度快,在海冰灾害风险精细化管理方面具有一定的实用价值。
如图4所示,本发明的实施例还提供一种海冰日数据综合处理装置20,包括:
获取模块21,用于获取检测区域内的遥感影像;从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;获取所述海冰覆盖区域对应的气象数据;
处理模块22,用于对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集。
可选的,从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域,包括:
获取海冰、海水和陆地之间反射率和表面温度的差异;根据海冰、海水和陆地之间反射率和表面温度的差异,并结合所述遥感影像中的绿色波段和近红外波段提取遥感影像中的海冰覆盖区域;或者
获取代表海冰和非海冰区域的样本;对所述样本进行特征提取,并根据特征建立分类模型;根据所述分类模型对所述遥感影像进行分类,以得到海冰覆盖区域。
可选的,获取所述海冰覆盖区域对应的气象数据,包括:
获取所述海冰覆盖区域内的累积冻冰度日和累积融冰度日,其中,
所述累积冻冰度日的计算公式为:
所述累积融冰度日的计算公式为:
其中,Tf为检测区域的海洋冰冻温度,Ta为日平均气温,t为冰期天数,ds和de分别为开始和结束的日期。
可选的,对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据,包括:
对所述海冰覆盖区域对应的遥感影像进行处理,以形成海冰面积格栅;
将所述气象数据插入至所述海冰面积格栅中,以形成与所述海冰面积栅格相对应的气象栅格。
可选的,根据所述补全数据构建海冰空间补全模型,包括:
根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型。
可选的,根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型,包括:
选取至少一个与海冰覆盖区域相关性高的气象指标,以及缺失日期前后两日的待补栅格;
根据所述待补栅格的气象指标的相似度赋予权重,计算所述待补栅格的面积,其中,所述待补栅格的面积计算公式为:
/>
其中,i为待补栅格前后两天相近日期、相邻的18个栅格的位置序号,j为4个气象相关的指标,分别是平均气温、前后两天温差、累计冻冰度日和累计融冰度日,ηj为气象相关的指标与海冰面积的相关系数,为ηj的归一化结果,ΔTi j为待补日期前后最近天第i位置的j温度指标,/>为待补位置的j温度指标,/>为待补位置的j温度指标与待补日期前最近一天第i位置的j温度指标之差,/>为Tj最大值与最小值之差,Si为待补日期前后最近一天第i位置的海冰面积;S为待补位置的海冰面积。
可选的,在构建海冰空间补全模型后,还包括:
对所述海冰空间补全模型进行检验,以得到所述海冰空间补全模型的正确率,其中,所述海冰空间补全模型的正确率的计算公式为:
其中,N为海冰面积数据栅格化后的栅格总数,Si’为用海冰空间补全模型计算出来的第i个栅格内海冰面积,Si为用遥感影像提取出来的第i个栅格内海冰面积,P为海冰空间补全模型的正确率。
需要说明的是,该装置是与上述方法相对应的装置,上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种海冰日数据综合处理方法,其特征在于,所述方法包括:
获取检测区域内的遥感影像;
从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;
获取所述海冰覆盖区域对应的气象数据;
对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;
根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集;
其中,对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据,包括:
对所述海冰覆盖区域对应的遥感影像进行处理,以形成海冰面积格栅;
将所述气象数据插入至所述海冰面积格栅中,以形成与所述海冰面积栅格相对应的气象栅格;
其中,根据所述补全数据构建海冰空间补全模型,包括:
根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型;
其中,根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型,包括:
选取至少一个与海冰覆盖区域相关性高的气象指标,以及缺失日期前后两日的待补栅格;
根据所述待补栅格的气象指标的相似度赋予权重,计算所述待补栅格的面积,其中,所述待补栅格的面积计算公式为:
其中,i为待补栅格前后两天相近日期、相邻的18个栅格的位置序号,j为4个气象相关的指标,分别是平均气温、前后两天温差、累计冻冰度日和累计融冰度日,ηj为气象相关的指标与海冰面积的相关系数,为ηj的归一化结果,ΔTi j为待补日期前后最近天第i位置的j温度指标,/>为待补位置的j温度指标,/>为待补位置的j温度指标与待补日期前最近一天第i位置的j温度指标之差,/>为Tj最大值与最小值之差,Si为待补日期前后最近一天第i位置的海冰面积;S为待补位置的海冰面积。
2.根据权利要求1所述的海冰日数据综合处理方法,其特征在于,从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域,包括:
获取海冰、海水和陆地之间反射率和表面温度的差异;根据海冰、海水和陆地之间反射率和表面温度的差异,并结合所述遥感影像中的绿色波段和近红外波段提取遥感影像中的海冰覆盖区域;或者
获取代表海冰和非海冰区域的样本;对所述样本进行特征提取,并根据特征建立分类模型;根据所述分类模型对所述遥感影像进行分类,以得到海冰覆盖区域。
3.根据权利要求2所述的海冰日数据综合处理方法,其特征在于,获取所述海冰覆盖区域对应的气象数据,包括:
获取所述海冰覆盖区域内的累积冻冰度日和累积融冰度日,其中,
所述累积冻冰度日的计算公式为:
所述累积融冰度日的计算公式为:
其中,Tf为检测区域的海洋冰冻温度,Ta为日平均气温,t为冰期天数,ds和de分别为开始和结束的日期。
4.根据权利要求1所述的海冰日数据综合处理方法,其特征在于,在构建海冰空间补全模型后,还包括:
对所述海冰空间补全模型进行检验,以得到所述海冰空间补全模型的正确率,其中,所述海冰空间补全模型的正确率的计算公式为:
其中,N为海冰面积数据栅格化后的栅格总数,Si′为用海冰空间补全模型计算出来的第i个栅格内海冰面积,Si为用遥感影像提取出来的第i个栅格内海冰面积,P为海冰空间补全模型的正确率。
5.一种海冰日数据综合处理装置,其特征在于,包括:
获取模块,用于获取检测区域内的遥感影像;从所述遥感影像中提取海冰面积的遥感影像,以得到海冰覆盖区域;获取所述海冰覆盖区域对应的气象数据;
处理模块,用于对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据;根据所述补全数据构建海冰空间补全模型,并基于所述海冰空间补全模型生成海冰空间分布连续日数据集;
其中,对所述海冰覆盖区域以及所述海冰覆盖区域对应的气象数据进行预处理,以得到补全数据,包括:
对所述海冰覆盖区域对应的遥感影像进行处理,以形成海冰面积格栅;
将所述气象数据插入至所述海冰面积格栅中,以形成与所述海冰面积栅格相对应的气象栅格;
其中,根据所述补全数据构建海冰空间补全模型,包括:
根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型;
其中,根据所述海冰面积栅格,以及与所述海冰面积栅格相对应的气象栅格构建海冰空间补全模型,包括:
选取至少一个与海冰覆盖区域相关性高的气象指标,以及缺失日期前后两日的待补栅格;
根据所述待补栅格的气象指标的相似度赋予权重,计算所述待补栅格的面积,其中,所述待补栅格的面积计算公式为:
其中,i为待补栅格前后两天相近日期、相邻的18个栅格的位置序号,j为4个气象相关的指标,分别是平均气温、前后两天温差、累计冻冰度日和累计融冰度日,ηj为气象相关的指标与海冰面积的相关系数,为ηj的归一化结果,ΔTi j为待补日期前后最近天第i位置的j温度指标,/>为待补位置的j温度指标,/>为待补位置的j温度指标与待补日期前最近一天第i位置的j温度指标之差,/>为Tj最大值与最小值之差,Si为待补日期前后最近一天第i位置的海冰面积;S为待补位置的海冰面积。
6.一种计算设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421658.9A CN116597319B (zh) | 2023-04-19 | 2023-04-19 | 一种海冰日数据综合处理方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421658.9A CN116597319B (zh) | 2023-04-19 | 2023-04-19 | 一种海冰日数据综合处理方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597319A CN116597319A (zh) | 2023-08-15 |
CN116597319B true CN116597319B (zh) | 2024-02-02 |
Family
ID=87603505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310421658.9A Active CN116597319B (zh) | 2023-04-19 | 2023-04-19 | 一种海冰日数据综合处理方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597319B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007443A (zh) * | 2014-04-24 | 2014-08-27 | 南京大学 | 一种利用光谱特征提取极地海冰融池的方法 |
KR20190049114A (ko) * | 2017-11-01 | 2019-05-09 | 한국해양과학기술원 | 극지해역의 해빙영역 탐지방법 및 이를 위한 탐지시스템 |
CN110849311A (zh) * | 2019-11-19 | 2020-02-28 | 中国科学院海洋研究所 | 一种极地关键通道海冰输出面积通量的估算方法 |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
CN112633171A (zh) * | 2020-12-23 | 2021-04-09 | 北京恒达时讯科技股份有限公司 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
CN112712553A (zh) * | 2020-12-30 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种浒苔抵岸量估算方法 |
CN113407524A (zh) * | 2021-06-30 | 2021-09-17 | 国家气候中心 | 气候系统模式多圈层耦合资料同化系统 |
CN114092794A (zh) * | 2021-11-22 | 2022-02-25 | 上海海洋大学 | 一种海冰图像分类方法、系统、介质、设备及处理终端 |
CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
CN216593798U (zh) * | 2021-08-30 | 2022-05-24 | 中国极地研究中心(中国极地研究所) | 一种海冰表面温度测量装置及测量设备 |
CN114724019A (zh) * | 2022-03-31 | 2022-07-08 | 湘潭大学 | 一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法 |
-
2023
- 2023-04-19 CN CN202310421658.9A patent/CN116597319B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007443A (zh) * | 2014-04-24 | 2014-08-27 | 南京大学 | 一种利用光谱特征提取极地海冰融池的方法 |
KR20190049114A (ko) * | 2017-11-01 | 2019-05-09 | 한국해양과학기술원 | 극지해역의 해빙영역 탐지방법 및 이를 위한 탐지시스템 |
CN110849311A (zh) * | 2019-11-19 | 2020-02-28 | 中国科学院海洋研究所 | 一种极地关键通道海冰输出面积通量的估算方法 |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
CN112633171A (zh) * | 2020-12-23 | 2021-04-09 | 北京恒达时讯科技股份有限公司 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
CN112712553A (zh) * | 2020-12-30 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种浒苔抵岸量估算方法 |
CN113407524A (zh) * | 2021-06-30 | 2021-09-17 | 国家气候中心 | 气候系统模式多圈层耦合资料同化系统 |
CN216593798U (zh) * | 2021-08-30 | 2022-05-24 | 中国极地研究中心(中国极地研究所) | 一种海冰表面温度测量装置及测量设备 |
CN114092794A (zh) * | 2021-11-22 | 2022-02-25 | 上海海洋大学 | 一种海冰图像分类方法、系统、介质、设备及处理终端 |
CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
CN114724019A (zh) * | 2022-03-31 | 2022-07-08 | 湘潭大学 | 一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法 |
Non-Patent Citations (3)
Title |
---|
Monitoring the Spatiotemporal Evolution of Sea Ice in the Bohai Sea in the 2009–2010 Winter Combining MODIS and Meteorological Data;Hua Su 等;《Estuaries and Coasts (2012)》;281–291 * |
基于卫星遥感数据的海冰反演算法研究;王凌云;《中国优秀硕士学位论文全文数据库 基础科学辑》;A010-51 * |
基于遥感和气象数据对辽东湾海冰变化预测研究;庞海洋 等;《海洋与湖沼》;第第49卷卷(第第4期期);725-733 * |
Also Published As
Publication number | Publication date |
---|---|
CN116597319A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wick et al. | Description and validation of an automated objective technique for identification and characterization of the integrated water vapor signature of atmospheric rivers | |
Diagne et al. | Solar irradiation forecasting: state-of-the-art and proposition for future developments for small-scale insular grids | |
Ayet et al. | Nowcasting solar irradiance using an analog method and geostationary satellite images | |
Pincus et al. | Albedo bias and the horizontal variability of clouds in subtropical marine boundary layers: Observations from ships and satellites | |
Karvonen et al. | A method for sea ice thickness and concentration analysis based on SAR data and a thermodynamic model | |
Van Niekerk et al. | Input variable selection for interpolating high-resolution climate surfaces for the Western Cape | |
Heinemann et al. | The Eumetsat multi-sensor precipitation estimate (MPE) | |
CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
Yang et al. | Evaluating WRF-Solar EPS cloud mask forecast using the NSRDB | |
US20240094436A1 (en) | High-resolution standardized precipitation evapotranspiration index dataset development method based on random forest regression model | |
Hong et al. | 15 Global Precipitation Estimation and Applications | |
CN116597319B (zh) | 一种海冰日数据综合处理方法、装置及计算设备 | |
Wang et al. | Monitoring sea ice in Liaodong Bay of Bohai Sea during the freezing period of 2017/2018 using Sentinel-2 remote sensing data | |
Carpentieri et al. | Intraday probabilistic forecasts of surface solar radiation with cloud scale-dependent autoregressive advection | |
Kim et al. | Multi-source deep data fusion and super-resolution for downscaling sea surface temperature guided by Generative Adversarial Network-based spatiotemporal dependency learning | |
Tsay et al. | Deep learning for satellite rainfall retrieval using Himawari-8 multiple spectral channels | |
Huang et al. | Hybrid Intra-hour Solar PV Power Forecasting using Statistical and Skycam-based Methods | |
Ebert et al. | Incorporating satellite observations of “no rain” in an Australian daily rainfall analysis | |
Deb et al. | Multiplet based technique to derive atmospheric winds from Kalpana-1 | |
Bankert et al. | Remote cloud ceiling assessment using data-mining methods | |
Zhang et al. | Tropical cyclone rain retrievals from FY-3B MWRI brightness temperatures using the goddard profiling algorithm (GPROF) | |
Lee et al. | Validating GOES radar estimation via machine learning to inform NWP (GREMLIN) product over CONUS | |
Trémenbert et al. | PyPVRoof: a Python package for extracting the characteristics of rooftop PV installations using remote sensing data | |
Bolla et al. | The tracking and prediction of high intensity rainstorms | |
Massons et al. | Seasonal cycle of cloud cover analyzed using Meteosat images |
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 |