CN116757102B - 基于固有光学特性的表观光学特性剖面分布估算方法 - Google Patents
基于固有光学特性的表观光学特性剖面分布估算方法 Download PDFInfo
- Publication number
- CN116757102B CN116757102B CN202311047809.5A CN202311047809A CN116757102B CN 116757102 B CN116757102 B CN 116757102B CN 202311047809 A CN202311047809 A CN 202311047809A CN 116757102 B CN116757102 B CN 116757102B
- Authority
- CN
- China
- Prior art keywords
- optical characteristic
- apparent
- apparent optical
- characteristic parameters
- parameters
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 129
- 238000009826 distribution Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010521 absorption reaction Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000011160 research Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 239000013535 sea water Substances 0.000 abstract description 7
- 238000012937 correction Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012625 in-situ measurement Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
本发明公开了一种基于固有光学特性的表观光学特性剖面分布估算方法,该方法综合考虑固有光学特性参数与边界条件参数对表观光学特性参数的影响,利用高效机器学习算法,以获取海水多种表观光学特性参数为目标,以多角度体散射函数、吸收系数、对应剖面深度以及多种边界条件参数为输入特征参量,以多种表观光学特性参数为输出变量,构建基于固有光学特性参数与边界条件参数估算表观光学特性参数的机器学习模型。本发明使用起来方便简洁,可同时估算多个站点的表观光学特性参数,且估算的表观光学特性参数具有较高精度,是一种基于多角度体散射函数及吸收系数估算表观光学特性参数全新方法和思路。
Description
技术领域
本发明涉及海洋光学与海洋水色遥感领域,具体涉及一种基于固有光学特性的表观光学特性剖面分布估算方法及装置。
背景技术
海水固有光学特性和表观光学特性是海洋水体在光辐射作用下所表现出的物理性质。由固有光学特性参数以及边界条件参数共同决定的表观光学特性参数是研究水下光场分布、厘清海水透明度和真光层深度的重要基础性参数,是浮游植物光合作用及海洋生物化学循环研究以及海洋储碳能力评估的重要支撑信息,可为水下光伏发电、赤潮等海洋生态灾害预警以及海洋防御体系的构建等提供科学的数据支撑。
海水表观光学特性参数可根据辐射传输方程与固有光学特性参数联系起来,基于固有光学特性参数估算表观光学特性参数对水色遥感发展、海水透明度估算、海洋生物地球化学过程及水下光场分布等涉及光学海洋学及其他交叉学科的研究与应用具有重要意义。目前基于固有光学特性参数估算表观光学特性参数主要有估算表观光学特性参数的半分析算法或者基于不变嵌入法的辐射传输数值模拟软件Hydrolight。其中半分析算法通常使用、/>或者/>等固有光学特性参数估算表观光学特性参数,忽略了体散射函数角度分布对表观光学特性参数的影响;而基于不变嵌入法的辐射传输数值模拟软件Hydrolight虽然具有较高精度,但是该软件每次只能利用单个站点数据进行模拟,对于多个站点数据使用不方便。
随着计算机技术的飞速发展,机器学习算法由于其强鲁棒性、容错性以及能够充分逼近复杂的非线性关系逐渐进入各种前端及应用研究领域。近年来,随着海洋大数据的不断积累及计算机性能的不断提升,多种机器学习算法已在海洋水色遥感及其相关领域得到较多应用。高效、准确、便捷的机器学习算法的发展为基于固有光学特性参数研究表观光学特性参数提供了一种新思路。文献“基于体散射函数及吸收系数的南海水体漫射衰减系数研究”中作者利用高效机器学习算法提出了一种基于体散射函数与吸收系数的漫射衰减系数有效估算方法,该方法考虑到了体散射函数角度分布对表观光学特性参数的影响,但是没有考虑边界条件参数对于表观光学特性参数的影响,估算精度低,且只适用于海水准固有光学特性-漫射衰减系数的研究。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于固有光学特性的表观光学特性剖面分布估算方法及装置。
为实现上述目的,本发明的技术方案是:
第一方面,本发明提供一种基于固有光学特性的表观光学特性剖面分布估算方法所述方法包括:
获取研究海域测量数据,所述测量数据包括吸收系数、衰减系数的剖面分布测量数据以及多角度体散射函数剖面分布测量数据;
获取与所述研究海域测量数据相匹配的边界条件参数,边界条件至少包括海平面大气压、可降水量、相对湿度、风速、总云量、能见度及太阳天顶角;
获取研究海域多种表观光学特性参数,表观光学特性参数至少包括辐照度、辐亮度、辐照度反射比、漫射衰减系数;
将所获取的研究海域多种表观光学特性参数与多角度体散射函数、吸收系数以及边界条件参数进行匹配,得到匹配数据集,并将所述匹配数据集分为训练集与测试集;
利用机器学习算法以及所述训练集来构建基于固有光学特性参数与边界条件参数估算多种表观光学特性参数剖面分布的机器学习模型;所述机器学习模型的输出为研究海域的表观光学特性参数的估算结果。
第二方面,本发明提供一种基于固有光学特性的表观光学特性剖面分布估算装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明与现有技术相比,其有益效果在于:
本发明以多角度体散射函数、吸收系数、对应剖面深度以及多种边界条件参数为基础参数,综合考虑了体散射函数角度分布以及边界条件参数对表观光学特性参数的影响,利用高效机器学习算法,以获取海洋水体多种表观光学特性参数,从而实现研究水下光场剖面分布的目的,本发明估算的表观光学特性参数具有较高精度,与经典辐射传输模拟软件Hydrolight等相比,获取表观光学特性参数速度较快,使用起来方便简洁,是一种基于多角度体散射函数及吸收系数估算表观光学特性参数全新方法和思路。
附图说明
图1为本发明实施例1提供的基于固有光学特性的表观光学特性剖面分布估算方法的流程示意图;
图2为本发明实施例1中数据集的站点分布图;
图3-图5为本发明实施例1在测试集的精度评价图;
图6-图12为本发明实施例1估算的表观光学特性参数剖面分布结果图;
图13-图19为本发明实施例1估算的表观光学特性参数空间分布结果图;
图20为本发明实施例提供2的基于固有光学特性的表观光学特性剖面分布估算装置的组成示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1:
参阅图1所示,本实施例提供的基于固有光学特性的表观光学特性剖面分布估算方法,利用高效机器学习算法,基于固有光学特性参数与边界条件参数估算得到多种表观光学特性参数的剖面分布,从而实现研究水下光场剖面分布的目的。具体包括如下步骤:
步骤S1:基于吸收衰减系数测量仪ac-9、ac-s获取研究海域吸收系数与衰减系数的剖面分布数据,并对获取的数据进行依次进行温盐校正、散射校正、异常值剔除、数据插值、数据平滑,得到1m剖面分辨率下的吸收系数与衰减系数的原位测量数据。
步骤S2:利用广角体散射函数测量仪VSAM与吸收衰减系数测量仪同时同步测量得到如图2所示研究站点多角度体散射函数剖面分布数据,对获取的数据采取与吸收衰减系数同样的处理方法进行剔除异常值、数据插值与数据平滑,最终得到与吸收衰减系数同样的1m剖面分辨率下的多角度体散射函数的原位测量数据。
步骤S3:基于上述步骤中吸收衰减测量仪与VSAM测量仪观测时间地点,利用气象参数网站的再分析数据集,如中国气象局发布的全球大气再分析数据集(CRA)或者美国国家环境预报中心/美国国家大气研究中心(NECP/NCAR)提供的第一代再分析数据集(NCEP-NCAR Reanalysis 1)获取与多角度体散射函数、吸收系数、衰减系数相匹配的海平面大气压、可降水量、相对湿度、风速、总云量、能见度及太阳天顶角等边界条件参数。
步骤S4:利用Hydrolight软件工具,以上述步骤获取的固有光学特性参数原位测量数据集(吸收系数、衰减系数、多角度体散射函数)为基础参数,根据步骤S3获取的边界条件参数设置Hydrolight模拟时的海面及海底边界条件性质,获取研究海域多种表观光学特性参数(辐照度、辐亮度、辐照度反射比、漫射衰减系数)的剖面分布数据;
步骤S5:将步骤S4获取的多种表观光学特性参数与多角度体散射函数、吸收系数以及边界条件参数按照剖面深度进行匹配得到用来构建和验证估算表观光学特性参数剖面分布机器学习模型的数据集,将匹配数据集依据随机独立划分原则,将数据集的80%作为训练集,20%作为测试集。
步骤S6:利用高效机器学习算法以及步骤S5中的训练集构建基于固有光学特性参数与边界条件参数估算多种表观光学特性参数剖面分布的CatBoost、LightGBM和RF模型,在模型构建过程中,选取网格搜索法对每个机器学习模型进行超参数调优,以确定模型最佳参数,模型的输出为结果就是研究海域的表观光学特性参数的估算结果。
由此可见,本发明以多角度体散射函数、吸收系数、对应剖面深度以及多种边界条件参数为基础参数,综合考虑了体散射函数角度分布以及边界条件参数对表观光学特性参数的影响,利用高效机器学习算法,以获取海洋水体多种表观光学特性参数,从而实现研究水下光场剖面分布的目的。
作为本实施例的一种优选,上述方法还包括:
步骤S7:综合考虑、/>、/>三种评价指标以及模型估算值与Hydrolight模拟值的对比结果对构建的CatBoost、LightGBM和RF模型进行精度评价,精度评价结果如图3-图5所示,综合图3-图5以及CatBoost、LightGBM和RF模型估算结果与Hydrolight模拟结果的对比发现该具体实施例中CatBoost模型为估算研究海域表观光学特性参数的较优模型, 图6-图12和图13-图19是基于本实施例方案获取的下行辐照度、上行辐亮度/>、上行辐照度/>、辐照度反射比、漫射衰减系数/>的剖面分布与空间分布结果。
由此可见,本发明估算的表观光学特性参数具有较高精度,与经典辐射传输模拟软件Hydrolight等相比,获取表观光学特性参数速度较快,使用起来方便简洁,是一种基于多角度体散射函数及吸收系数估算表观光学特性参数全新方法和思路。
在一具体实施例中,上述步骤S1包括如下步骤:
步骤S11:基于ac-9、ac-s原位测量仪获取如图2所示研究站点吸收系数与衰减系数的剖面分布数据;
步骤S12:将获取的吸收衰减系数原位测量数据与同步采集的CTD数据根据采样时间进行融合,利用融合的CTD数据对吸收衰减系数进行温盐校正;
步骤S13:将经过温盐校正后的吸收系数扣减红外波段处吸收测量值对吸收系数进行散射校正;
步骤S14:对经过温盐校正以及散射校正的吸收衰减系数剔除小于0的异常值以及明显偏离站点剖面分布曲线的非零异常值;
步骤S15:最后采取一定的措施对剔除异常值后的吸收衰减系数进行数据插值与数据平滑处理,得到1m剖面分辨率下的吸收与衰减系数。
实施例2:
参阅图20所示,本实施例提供的基于固有光学特性的表观光学特性剖面分布估算装置包括处理器201、存储器202以及存储在该存储器202中并可在所述处理器201上运行的计算机程序203,例如基于固有光学特性的表观光学特性剖面分布估算程序。该处理器201执行所述计算机程序203时实现上述实施例1步骤,例如图1所示的步骤。
示例性的,所述计算机程序203可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器202中,并由所述处理器201执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序203在所述基于固有光学特性的表观光学特性剖面分布估算装置中的执行过程。
所述基于固有光学特性的表观光学特性剖面分布估算装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于固有光学特性的表观光学特性剖面分布估算装置可包括,但不仅限于,处理器201、存储器202。本领域技术人员可以理解,图20仅仅是基于固有光学特性的表观光学特性剖面分布估算装置的示例,并不构成基于固有光学特性的表观光学特性剖面分布估算装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于固有光学特性的表观光学特性剖面分布估算装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器201可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC) 、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器202可以是所述基于固有光学特性的表观光学特性剖面分布估算装置的内部存储元,例如基于固有光学特性的表观光学特性剖面分布估算装置的硬盘或内存。所述存储器202也可以是所述基于固有光学特性的表观光学特性剖面分布估算装置的外部存储设备,例如所述基于固有光学特性的表观光学特性剖面分布估算装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器202还可以既包括所述基于固有光学特性的表观光学特性剖面分布估算装置的内部存储单元也包括外部存储设备。所述存储器202用于存储所述计算机程序以及所述基于固有光学特性的表观光学特性剖面分布估算装置所需的其他程序和数据。所述存储器202还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3:
本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
所示计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理再以电子方式获得所述程序,然后将其存储在计算机存储器中。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述方法包括:
获取研究海域测量数据,所述测量数据包括吸收系数、衰减系数以及多角度体散射函数;
获取与所述研究海域测量数据相匹配的边界条件参数,所述边界条件至少包括海平面大气压、可降水量、相对湿度、风速、总云量、能见度及太阳天顶角;
获取研究海域多种表观光学特性参数;
将所获取的研究海域多种表观光学特性参数与多角度体散射函数、吸收系数以及边界条件参数进行匹配,得到匹配数据集,并将所述匹配数据集分为训练集与测试集;
利用机器学习算法以及所述训练集来构建基于固有光学特性参数与边界条件参数估算多种表观光学特性参数剖面分布的机器学习模型;
所述机器学习模型的输出为研究海域的表观光学特性参数的估算结果。
2.如权利要求1所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述方法还包括:
综合考虑、/>、/>三种评价指标以及模型估算值与海洋光学剖面仪实测值或者Hydrolight模拟值的对比结果对构建的机器学习模型进行精度评价。
3.如权利要求1所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述吸收系数和衰减系数通过如下方式获得:
利用吸收衰减测量仪来采集获取研究海域吸收系数、衰减系数的剖面分布测量数据,并对所采集测量到的数据进行预处理,得到目标剖面分辨率的吸收系数和衰减系数。
4.如权利要求1所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述多角度体散射函数通过如下方式获得:
利用广角体散射函数测量仪VSAM与吸收衰减测量仪同时同步测量采集,获取研究海域多个角度体散射函数的剖面分布 ,并对所采集到的数据进行预处理,得到目标剖面分辨率的多角度体散射函数。
5.如权利要求1所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述获取与所述研究海域测量数据相匹配的边界条件参数包括:
基于吸收衰减测量仪与VSAM测量仪观测时间地点,利用气象参数网站的再分析数据集获取与吸收系数、衰减系数、多角度体散射函数相匹配的边界条件参数。
6.如权利要求1所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述研究海域多种表观光学特性参数通过如下方式获取:
利用海洋光学剖面仪与广角体散射函数测量仪VSAM、吸收衰减测量仪同时同步测量,或者利用Hydrolight软件,基于所获取的吸收系数、衰减系数、多角度体散射函数测量数据以及边界条件参数,获取研究海域多种表观特性参数。
7.如权利要求2所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述综合考虑、/>、/>三种评价指标以及模型估算值与海洋光学剖面仪实测值或者Hydrolight模拟值的对比结果对构建的机器学习模型进行精度评价包括:
计算所划分的测试集的、/>、/>,对构建的机器学习模型进行精度评价,使用的评价指标的表达式如下:
(1)
(2)
(3)
式中,表示真实值,/>表示估计值,/>为真实值的平均值,/>为样本个数,其中,当越接近1,RMSE与MAPE越接近0时,表明模型的精度越高;
将多种表观光学特性参数的机器学习模型估算结果与海洋光学剖面仪实测值或者Hydrolight模拟值进行对比。
8.如权利要求1所述的基于固有光学特性的表观光学特性剖面分布估算方法,其特征在于,所述表观光学特性参数至少包括辐照度、辐亮度、辐照度反射比、漫射衰减系数。
9.一种基于固有光学特性的表观光学特性剖面分布估算装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047809.5A CN116757102B (zh) | 2023-08-21 | 2023-08-21 | 基于固有光学特性的表观光学特性剖面分布估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047809.5A CN116757102B (zh) | 2023-08-21 | 2023-08-21 | 基于固有光学特性的表观光学特性剖面分布估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757102A CN116757102A (zh) | 2023-09-15 |
CN116757102B true CN116757102B (zh) | 2024-02-02 |
Family
ID=87948308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311047809.5A Active CN116757102B (zh) | 2023-08-21 | 2023-08-21 | 基于固有光学特性的表观光学特性剖面分布估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757102B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053394A (zh) * | 2016-07-20 | 2016-10-26 | 山东省科学院海洋仪器仪表研究所 | 一种利用固有光学参数反演水体透明度的方法 |
CN113591381A (zh) * | 2021-07-30 | 2021-11-02 | 江南大学 | 确定多层浑浊介质光学特性参数及层厚度的方法及系统 |
CN114139444A (zh) * | 2021-11-24 | 2022-03-04 | 大连海事大学 | 一种基于机器学习的近海海表温度反演方法 |
CN115327518A (zh) * | 2022-09-07 | 2022-11-11 | 浙江大学 | 一种基于解析模型的海洋激光雷达多次散射衰减校正方法 |
CN115358150A (zh) * | 2022-08-24 | 2022-11-18 | 中国海洋大学 | 一种基于机器学习的Stokes漂流反演方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230017695A1 (en) * | 2021-06-29 | 2023-01-19 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Bayesian Optimal Model System (BOMS) for Predicting Equilibrium Ripple Geometry and Evolution |
-
2023
- 2023-08-21 CN CN202311047809.5A patent/CN116757102B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053394A (zh) * | 2016-07-20 | 2016-10-26 | 山东省科学院海洋仪器仪表研究所 | 一种利用固有光学参数反演水体透明度的方法 |
CN113591381A (zh) * | 2021-07-30 | 2021-11-02 | 江南大学 | 确定多层浑浊介质光学特性参数及层厚度的方法及系统 |
CN114139444A (zh) * | 2021-11-24 | 2022-03-04 | 大连海事大学 | 一种基于机器学习的近海海表温度反演方法 |
CN115358150A (zh) * | 2022-08-24 | 2022-11-18 | 中国海洋大学 | 一种基于机器学习的Stokes漂流反演方法及系统 |
CN115327518A (zh) * | 2022-09-07 | 2022-11-11 | 浙江大学 | 一种基于解析模型的海洋激光雷达多次散射衰减校正方法 |
Non-Patent Citations (2)
Title |
---|
AI & ML based Implementation of the Underwater Channel Model in the Tropical Littoral Waters of the Indian Ocean Region (IOR);Rishabh Patra等;《OCEANS 2022 - Chennai》;第1-8页 * |
基于体散射函数及吸收系数的南海水体漫射衰减系数研究;张现清等;《热带海洋学报》;第42卷(第03期);第86-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116757102A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101852722B (zh) | 一种实现水体叶绿素a遥感反演精度评估方法 | |
CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
CN104820250B (zh) | 一种极轨气象卫星virr海洋上云检测的处理方法 | |
CN111538940B (zh) | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
Charusombat et al. | Evaluating and improving modeled turbulent heat fluxes across the North American Great Lakes | |
Tao et al. | A Landsat-derived annual inland water clarity dataset of China between 1984 and 2018 | |
CN114781576B (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
CN110823190A (zh) | 基于随机森林的岛礁浅海水深预测方法 | |
CN110849334B (zh) | 基于分类与回归树的岛礁浅海水深预测方法 | |
CN116757102B (zh) | 基于固有光学特性的表观光学特性剖面分布估算方法 | |
Byna et al. | Detecting atmospheric rivers in large climate datasets | |
CN115436570B (zh) | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 | |
CN111951204A (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
Petrov et al. | Maximum entropy estimates of extreme significant wave heights from satellite altimeter data | |
CN114494501B (zh) | 一种水体叶绿素a的重构方法及装置 | |
CN113836731B (zh) | 陆表稳定目标大气层顶反射率模型的构建方法和装置 | |
CN114781148A (zh) | 一种热红外遥感云覆盖像元的地表温度反演方法及系统 | |
CN114663883A (zh) | 一种点云数据的修正方法、装置、电子设备及存储介质 | |
CN111044489B (zh) | 一种基于多波长测量获得大气折射率高度分布剖面的方法 | |
CN111752976A (zh) | 气象数据处理方法、装置、计算机设备及可读存储介质 | |
Zeri et al. | Estimating buoyancy heat flux using the surface renewal technique over four Amazonian forest sites in Brazil | |
CN116595381B (zh) | 一种水库分层水温模拟方法及系统 |
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 |