國產自主極軌氣象衛(wèi)星FY-3C溫度計MWTS-Ⅱ和濕度計MWHTS資料質量源優(yōu)良且對數值天氣預報的同化和模式預報有重要的意義。鑒于國內外針對此類衛(wèi)星資料的同化現狀,本文從提高陸地上空和低層微波垂直探測資料利用率出發(fā),針對解決地表發(fā)射率精確計算、云檢測等基礎問題的需求,提出了基于小波分析的地表發(fā)射率去噪算法、基于小波數據集約束的動態(tài)地表發(fā)射率計算方法和基于高斯回歸過程GPR(Gaussian Process Regression)智能學習溫濕亮溫關系函數的云檢測算法等,解決了陸地上空低層及中高層通道地表發(fā)射率精確計算及探測資料同化等衛(wèi)星資料的實際應用問題。陸表的復雜性導致很難有完美的物理模式去精確計算地表發(fā)射率,但衛(wèi)星觀測反演地表發(fā)射率不受這些大量陸面輸入參數(如粗糙度、土壤濕度等)的限制�；诘乇戆l(fā)射率發(fā)展變化緩慢的假定,可進行長期離線計算發(fā)展月平均地表發(fā)射率數據集。針對數據集本質上是一種圖像矩陣且含有未知噪聲源,提出了針對高級圖像處理的小波方法對發(fā)射率數據集進行圖像去噪,開發(fā)了適用于FY-3C衛(wèi)星溫度計的小波發(fā)射率數據集。在同化預報試驗檢驗中,大大提高了陸地上空的同化資料量,改善了亮溫模擬效果和分析場質量,也減小了預報誤差。微波低層探測通道對地表更加敏感,因此,實質上是一種氣候平均的、每日為固定值的發(fā)射率數據集顯然不再適用于這些低層觀測。本文基于實時像元動態(tài)發(fā)射率反演方案,同時以小波數據集作為約束集,對動態(tài)反演的發(fā)射率值進行約束以消除反演誤差,設計優(yōu)化了新的同化系統(tǒng)流程,實現微波低層探測通道的系統(tǒng)應用。同化預報試驗結果表明,受益于地表發(fā)射率的改進,中低層通道的第一猜值殘差有明顯改善。相比于發(fā)射率數據集方案,中低層通道陸地觀測數量可增長約6-8%左右,且大量新觀測信息的加入并未對分析場產生不良影響,改進了短時預報效果。針對FY-3C載荷上50-60GHz和118.75GHz雙氧通道特性,基于機器學習GPR方法發(fā)展了一種智能學習溫度計亮溫與濕度計亮溫內在關系的新云檢測方案。相比于線性回歸算法,新GPR云檢測方案提高約20%的云檢測能力。設計了濕度計MWHTS的同化預報系統(tǒng)框架,構建了FY-3C微波輻射率資料直接同化應用平臺,評估驗證包括新增118.75GHz溫濕聯合探測通道的FY-3C資料對數值預報的應用價值和貢獻潛力。
【學位單位】：國防科技大學
【學位級別】：博士
【學位年份】：2018
【中圖分類】：TP18;TP722.6;P456
【部分圖文】：

圖 2.1 AMSU-A 的通道權重函數圖如下[56]MSU-A 有 15 個光譜通道，頻率范圍為 23.8-89.0GHz，其中通道 1、2、區(qū)通道，通道 4-14（52.8-58GHz）為探測通道，視角為 3.3 度（AMS度），每個掃描帶有 30 個視場點（AMSU-B 為 90 個），天頂掃描角可AMSU-A 目前作為有效載荷運行在不同的衛(wèi)星平臺上（NOAA-15/16/18 和 Metop-A/B 等)，各衛(wèi)星具有不同的赤道過境時間且有 10 個頻率在 60G對流層和平流層不同高度空間敏感的氧氣吸收線通道，因此可以提供良空間覆蓋，獲取多種大氣和地表條件下的觀測信息。MSU-A 輻射率的直接同化對大氣溫度分析場有重要貢獻，其中通道 10峰值在平流層，通道 9 的權重峰值在對流層頂，通道 5-8 的權重峰值在對些低峰值通道的觀測包含有大量短時天氣信息，對天氣預報很重要，但敏感且衛(wèi)星接收到的信號源有來自地表發(fā)射和反射分量，使得難以同化道在晴空條件下的輻射率同化首先要處理的就是復雜的地表貢獻分量，面溫度、地表發(fā)射率以及晴空云檢測等因素。據上節(jié)權重函數的計算公式，圖 2.2 給出了基于美國 1976 標準大氣廓線

圖 3.4 FY-3C 衛(wèi)星 MWTS-II 通道 1 全球發(fā)射率數據集3.2.2 地表類型依賴全球地表發(fā)射率難以獲取精確值的最大難點在于地表類型的多樣性和復性。為了充分研究各種地表類型的發(fā)射率特征，首先要對全球地表進行分類，文主要基于 BATS 數據庫數據集（Biosphere–Atmosphere Transfer Scheme）進全球主要的地表類型的分類，包括裸土、植被、水域等地表類型[79][80][81]。具體類如表 3.3 所示，全球地表類型分布圖如圖 3.5 所示。表 3.3 BATS 地表覆蓋分類對照表代碼 覆蓋類型 備注1 Crops, Mixed Farming 綠洲農田2 Short Grass 短草3 Evergreen Needleleaf Trees 常綠針葉林4 Deciduous Needleleaf Trees 闊葉針葉林5 Deciduous Broadleaf Trees 闊葉闊葉林

國防科技大學研究生院博士學位論文13 Bogs and Marshes 沼澤14 Inland Water 內陸水域15 Sea 海洋16 Evergreen Shrubs 常綠灌木17 Decidous Shrubs 闊葉灌木18 Mixed Forest 混交林地19 Interrupted Forest 不連續(xù)森林20 Water and Land Mixtures 水陸混合
【相似文獻】

相關期刊論文 前10條

1 鄭弦;;數據集采器在臨床護理工作中的應用價值探討[J];基層醫(yī)學論壇;2017年12期

2 Long-xiang WANG;Xiao-she DONG;Xing-jun ZHANG;Yin-feng WANG;Tao JU;Guo-fu FENG;;TextGen:用于新型存儲系統(tǒng)基準測試的真實文本數據集生成方法（英文）[J];Frontiers of Information Technology & Electronic Engineering;2016年10期

3 劉娟;朱翔鷗;劉文斌;;基于交互信息的數據集特征結構研究[J];模式識別與人工智能;2014年01期

4 沈雯漪;;大型數據集數據挖掘算法研究[J];計算機光盤軟件與應用;2014年16期

5 職為梅;郭華平;范明;葉陽東;;非平衡數據集分類方法探討[J];計算機科學;2012年S1期

6 吳克壽;曾志強;;非平衡數據集分類研究[J];計算機技術與發(fā)展;2011年09期

7 付優(yōu);;非平衡數據集的分類[J];電力學報;2010年04期

8 張纓;周紅俊;李建軍;劉根林;鄭櫻;郝春霞;王一吉;康海瓊;衛(wèi)波;;國際脊髓損傷數據集之核心數據集[J];中國康復理論與實踐;2009年09期

9 高嘉偉;梁吉業(yè);;非平衡數據集分類問題研究進展[J];計算機科學;2008年04期

10 苗卿;單立新;裘昱;;信息熵在數據集分割中的應用研究[J];電腦知識與技術(學術交流);2007年05期

相關博士學位論文 前10條

1 皇群博;晴空條件FY-3C大氣微波垂直探測資料變分同化研究[D];國防科技大學;2018年

2 孫秀寶;基于CMA-LSAT v1.0數據集的近百年全球陸表氣溫變化研究[D];南京信息工程大學;2018年

3 陳迪;耕地數量與質量時空變化遙感監(jiān)測研究[D];中國農業(yè)科學院;2019年

4 李星達;鋼琴多音估計問題和音樂生成問題的深度學習方法[D];吉林大學;2019年

5 劉皓;基于深度學習的行人再識別問題研究[D];合肥工業(yè)大學;2017年

6 王建培;聚類有效性分析及其在電學層析成像中的應用[D];天津大學;2017年

7 楊勛;跨視域行人再識別若干問題研究[D];合肥工業(yè)大學;2017年

8 納賽爾 阿里 穆罕默德 巴拉卡特;復雜化學數據的知識發(fā)現新型化學計量學算法研究[D];湖南大學;2005年

9 李宏;面向應用領域的分類方法研究[D];中南大學;2007年

10 余靂;虛擬可視鼠樣品制備技術研究[D];華中科技大學;2006年

相關碩士學位論文 前10條

1 范晨雪;基于交通類數據集的我國政府開放數據分析[D];山西大學;2019年

2 閆東;大規(guī)模人臉數據集快速構建方法與人證比對算法研究[D];華北電力大學(北京);2019年

3 甘翔;基于深度學習和生成對抗網絡的圖標設計研究[D];華南理工大學;2019年

4 張騰;不平衡數據集均衡化方法研究及其應用[D];中國石油大學(北京);2018年

5 劉文斌;中式菜肴食材數據集的構建及其分類算法研究[D];武漢輕工大學;2019年

6 周聽聽;基于深度學習的醫(yī)保異常檢測研究[D];電子科技大學;2019年

7 陳遠鵬;基于長時間可穿戴社交數據集的語音分割方法的研究[D];電子科技大學;2019年

8 顧巖;基于深度學習的人臉識別技術及在油田作業(yè)區(qū)的應用研究[D];電子科技大學;2019年

9 申磊;復雜環(huán)境下多目標快速檢測的研究與應用[D];電子科技大學;2019年

10 楊騰佼;基于深度學習的文本情感分析研究及應用[D];電子科技大學;2019年

本文編號：2872184