基于多源微波辐射计数据的近海面气温反演研究
这是一篇关于近海面气温,最优插值算法,AMSR2,TMI,SSM/I的论文, 主要内容为微波辐射计具有穿云透雾、全天时、全天候的优点,现已广泛应用于大气、海洋和陆地微波遥感等众多领域。近海面气温是描述气象海洋环境的重要参数,也是气象观测资料中基本的观测项目之一。目前,对于近海面气温的反演,尚没有业务化的反演算法和产品。本文基于多源微波辐射计数据(AMSR2、TMI和SSM/I)、浮标实测数据和ECMWF再分析数据,利用多元回归算法和BP神经网络方法对近海面气温进行反演研究,并基于最优插值算法,对微波辐射计数据所反演的全球近海面气温结果进行融合,生成多源遥感近海面气温融合数据。本文主要研究内容和结论如下:(1)系统阐述了微波辐射传输方程的传输原理和具体公式,并对微波辐射的相关基础知识进行了简要的介绍。所用数据种类较多,有辐射计数据(AMSR2、SSM/I和TMI)、浮标数据(TAO、RAMA和PIRATA)、ECMWF再分析数据和红外-微波融合的SST产品,对数据来源、特性和预处理方法给出了详细说明。(2)近海面气温反演研究。基于线性回归方法,利用AMSR2、SSM/I和TMI数据,反演了全球近海面气温。并基于浮标实测数据进行了检验,结果表明:AMSR2平均偏差为0.025℃,均方根误差为1.22℃,相关系数为0.99;SSM/I平均偏差为0.24℃,均方根误差为1.19℃,相关系数为0.99;TMI平均偏差为-0.0054℃,均方根误差为0.70℃,相关系数为0.94。同时开展了基于BP神经网络算法的全球近海面气温反演研究,结果表明:AMSR2平均偏差为0.17℃,均方根误差为1.19℃,相关系数为0.99;SSM/I平均偏差为0.12℃,均方根误差为1.06℃,相关系数为0.99;TMI平均偏差为0.38℃,均方根误差为0.85℃,相关系数为0.92。两种方法反演结果,从均方根误差来看,基本一致;而从散点图的分布,BP神经网络算法优于线性回归方法,线性回归方法在低温时不能准确反演近海面气温。(3)近海面气温融合研究。采用最优插值算法对BP神经网络算法所反演近海面气温进行融合,生成了2013年的近海面气温融合产品。利用浮标数据对近海面气温融合结果进行检验,偏差为-0.05℃,均方根误差为0.39℃,相关系数为0.95。对2013年各月近海面气温融合结果分别进行误差统计分析,各月均方根误差均在0.40℃左右。
基于数字地形的天山山区积雪深度遥感反演研究
这是一篇关于积雪深度,SSM/I,站点数据,下垫面,天山山区的论文, 主要内容为近年来,积雪已经成为研究冰冻圈的主要内容。随着遥感技术不断发展,遥感数据成为积雪的主要数据来源。被动微波辐射数据由于其高时间分辨率、强穿透性以及以获取等优点,成为大尺度积雪深度研究的主要数据来源,尤其是对于地形复杂、站点布设不足、资料缺乏的山区,更是一种精度较高的数据来源。积雪深度水文模型中很重要的参数,是评估雪水资源的重要指标。为了了解天山山区积雪深度的分布情况,揭示天山山区积雪深度的时空变化规律,本文基于SSM/I数据开展了天山山区积雪深度遥感反演研究。本研究选用时间序列为1994年11月到2010年3月的天山山区32个气象站观测的地面日雪深数据以及对应时间序列的被动微波辐射SSM/I亮温数据。根据研究区的土地利用数据,结合研究区的不同下垫面的微波辐射特征,将下垫面划分为耕地、草地、林地、裸地四类,利用不同频率亮温差对雪深的敏感性差异,分别建立了这四种地物的积雪深度反演算法。并反演了天山山区的积雪深度,对天山山区积雪深度的时空变化进行了分析。并且结合研究区的高程、地势起伏度等地形信息,分析天山山区积雪深度的空间异质性。本研究得到的结论如下:(1)模型计算的误差呈正态分布,主要集中在±6 cm之间,其中草地的误差最小,仅为3.71 cm,林地的误差最大,为7.25 cm;积雪识别的准确度为84%;与标准算法相比,本文模型在天山山区具有更高的精度,但是在雪深较高的区间会存在一定程度的低估雪深。(2)在19942013年间,天山山区的积雪深度呈减小的趋势。以天山山脊线为界,在南北皆形成的高雪深区域,分别是天山中部的伊犁河谷区域和北坡的博尔塔拉地区。在天山东部和天山西南部的区域,主要是哈密地区和喀什地区,其雪深都很小。最大积雪深度在博格达峰附近的区域,多在50 cm以上,最小积雪深度位于哈密地区,仅有10 cm。其中最大积雪深度出现在1月中旬,为51 cm。(3)通过对积雪季每月的积雪深度进行分析,积雪深度的变化时呈单峰状变化,11月刚进入积雪季,积雪深度不大,最大积雪深度只有24 cm;在12月份,天山山区进入降雪高频期,大面积降雪,积雪深度不断加深,最大积雪深度达到50 cm;到了次年1月份,积雪深度继续升高,最大积雪深度达到51 cm,1月也是积雪深度最大的月份;2月份的积雪分布较1月的变化不大,最大积雪深度为46 cm;3月已经是积雪的后期,虽然最大积雪深度为44 cm。(4)在高程小于4500 m时,积雪深度随着高程的增加,呈增长趋势。但是当高程继续升高,积雪深度并没有保持增长的状态。最大积雪深度位51.5 cm。当高程超过4500 m时,积雪深度反而随着高程的增加而呈现出减小的趋势。(5)地势起伏度与积雪深度呈负相关,地势起伏度越大,积雪深度越小,反之,地势起伏度越小,积雪深度越大。积雪深度分布与地形的情况密切相关。在地势起伏小的区域,多为平原、台地、丘陵等地形,这些区域地面平坦,有利于积雪的积累,因此这些区域的积雪深度较大。地势起伏较大的区域多为山地,这些区域地形复杂,坡面多样,不利于积雪的积累,因此,积雪深度较小。
基于SSM/I数据的神经网络方法反演海面风场
这是一篇关于海面风场,神经网络,SSM/I,辐射计测量的论文, 主要内容为本文使用 SSM/I 辐射计资料,通过建立神经网络模型的方法进行全球海面风场的实时反演。分别讨论了使用神经网络方法反演海面风速和海面风向。重点分析海面风速的神经网络反演方法,分别建立单参数、多参数和复合多参数神经网络模型反演海面风速。对神经网络的结构、传递函数及训练方法对反演风速的影响进行了分析。发展了分类神经网络方法、循环型神经网络和联合型神经网络三种新型的神经网络对海面风速进行反演。对海面风向的反演主要是通过建立多个单参数、多参数和复合多参数神经网络模型进行探讨。 神经网络的训练和检验使用由 TAO 浮标和 NDBC 浮标的实测值与 SSM/I 辐射计亮温值的匹配得到的样本数据。数据被分成不同类型以便考察神经网络在不同天气及风速状态下的反演表现。在进行风速及风向的反演过程中,讨论了SSM/I 辐射计的 85GHz H/V 极化亮温通道对结果的影响。同时,分析了风向对风速反演的影响。 通过比较,本文中的神经网络方法反演海面风速的精度高于与以往的各种SSM/I 辐射计资料反演海面实时风速算法的精度。由于 SSM/I 辐射计资料里的风向信息微弱,对使用神经网络反演海面风向仅做探讨型研究。
基于数字地形的天山山区积雪深度遥感反演研究
这是一篇关于积雪深度,SSM/I,站点数据,下垫面,天山山区的论文, 主要内容为近年来,积雪已经成为研究冰冻圈的主要内容。随着遥感技术不断发展,遥感数据成为积雪的主要数据来源。被动微波辐射数据由于其高时间分辨率、强穿透性以及以获取等优点,成为大尺度积雪深度研究的主要数据来源,尤其是对于地形复杂、站点布设不足、资料缺乏的山区,更是一种精度较高的数据来源。积雪深度水文模型中很重要的参数,是评估雪水资源的重要指标。为了了解天山山区积雪深度的分布情况,揭示天山山区积雪深度的时空变化规律,本文基于SSM/I数据开展了天山山区积雪深度遥感反演研究。本研究选用时间序列为1994年11月到2010年3月的天山山区32个气象站观测的地面日雪深数据以及对应时间序列的被动微波辐射SSM/I亮温数据。根据研究区的土地利用数据,结合研究区的不同下垫面的微波辐射特征,将下垫面划分为耕地、草地、林地、裸地四类,利用不同频率亮温差对雪深的敏感性差异,分别建立了这四种地物的积雪深度反演算法。并反演了天山山区的积雪深度,对天山山区积雪深度的时空变化进行了分析。并且结合研究区的高程、地势起伏度等地形信息,分析天山山区积雪深度的空间异质性。本研究得到的结论如下:(1)模型计算的误差呈正态分布,主要集中在±6 cm之间,其中草地的误差最小,仅为3.71 cm,林地的误差最大,为7.25 cm;积雪识别的准确度为84%;与标准算法相比,本文模型在天山山区具有更高的精度,但是在雪深较高的区间会存在一定程度的低估雪深。(2)在19942013年间,天山山区的积雪深度呈减小的趋势。以天山山脊线为界,在南北皆形成的高雪深区域,分别是天山中部的伊犁河谷区域和北坡的博尔塔拉地区。在天山东部和天山西南部的区域,主要是哈密地区和喀什地区,其雪深都很小。最大积雪深度在博格达峰附近的区域,多在50 cm以上,最小积雪深度位于哈密地区,仅有10 cm。其中最大积雪深度出现在1月中旬,为51 cm。(3)通过对积雪季每月的积雪深度进行分析,积雪深度的变化时呈单峰状变化,11月刚进入积雪季,积雪深度不大,最大积雪深度只有24 cm;在12月份,天山山区进入降雪高频期,大面积降雪,积雪深度不断加深,最大积雪深度达到50 cm;到了次年1月份,积雪深度继续升高,最大积雪深度达到51 cm,1月也是积雪深度最大的月份;2月份的积雪分布较1月的变化不大,最大积雪深度为46 cm;3月已经是积雪的后期,虽然最大积雪深度为44 cm。(4)在高程小于4500 m时,积雪深度随着高程的增加,呈增长趋势。但是当高程继续升高,积雪深度并没有保持增长的状态。最大积雪深度位51.5 cm。当高程超过4500 m时,积雪深度反而随着高程的增加而呈现出减小的趋势。(5)地势起伏度与积雪深度呈负相关,地势起伏度越大,积雪深度越小,反之,地势起伏度越小,积雪深度越大。积雪深度分布与地形的情况密切相关。在地势起伏小的区域,多为平原、台地、丘陵等地形,这些区域地面平坦,有利于积雪的积累,因此这些区域的积雪深度较大。地势起伏较大的区域多为山地,这些区域地形复杂,坡面多样,不利于积雪的积累,因此,积雪深度较小。
云水污染的卫星微波资料变分同化技术
这是一篇关于一维变分同化,四维变分同化,总水汽柱,SSM/I的论文, 主要内容为云和降水中包含了大量与天气系统发生发展密切相关的大气信息,改进云水区的初始条件对提高数值预报技巧非常重要。微波遥感具有穿透云和降水的特点,特别是微波成像仪的飞速发展,提供了更加丰富的云水区信息。但是,目前数值预报中的卫星资料同化仍然主要集中于晴空大气,大量云和降水污染的卫星资料被丢弃不用。本文正是在这一背景下开展了对云水污染的卫星微波图像资料的同化研究工作。 本文认真研究了一维加四维变分同化(1D+4D-Var)两步法的基本原理,设计了一个新的一维+四维变分同化系统的流程,并将其应用于云水污染的特种微波成像仪(Special Sensor Microwave/Imager, SSM/I)资料的同化。首先,将云水污染的SSM/I观测用于约束一维变分资料同化(One-dimensional Variational Data Assimilation, 1D-Var)系统反演出总水汽柱(Total Column Water Vapour, TCWV),然后在四维变分资料同化(Four-dimensional Variational Data Assimilation, 4D-Var)系统中将TCWV作为假观测和其它观测资料一起同化得到大气分析场。在一维变分同化系统中,本论文主要作了以下工作:分析了SSM/I资料库的偏差;应用大尺度凝结降水和对流参数化作为湿物理算子;应用了辐射传输模式RTTOV10模拟微波辐射率的新特性;设计并提出了一个关于云量、液态水量、冰水量的背景场以及计算误差协方差的方法;设计了TCWV观测算子,并将其融入到增量方法的四维变分系统中。对于SSM/I资料库的偏差订正,19v、19h和22v三个低层通道的偏差订正效果最好,服从高斯分布,因此,可以将这三个低层通道反演的TCWV信息传递到四维变分系统中。一维变分同化实验结果表明,1D-Var系统的反演性能比较好。在四维变分系统中,通过两组实验进行对比,其中控制实验未使用云水污染的SSM/I观测,而RAIN实验加入了云水污染的SSM/I观测,经过检验,RAIN实验的结果要明显好于控制实验的结果,并且RAIN实验中TCWV的1D-Var增量和4D-Var增量强相关,分析场的相关性要明显好于第一猜值场的相关性,这充分说明1D+4D-Var系统运行的较好。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站 ，原文地址：https://m.bishedaima.com/lunwen/54057.html
