晴空条件FY-3C大气微波垂直探测资料变分同化研究

发布时间：2020-11-05 21:04

　　 国产自主极轨气象卫星FY-3C温度计MWTS-Ⅱ和湿度计MWHTS资料质量源优良且对数值天气预报的同化和模式预报有重要的意义。鉴于国内外针对此类卫星资料的同化现状,本文从提高陆地上空和低层微波垂直探测资料利用率出发,针对解决地表发射率精确计算、云检测等基础问题的需求,提出了基于小波分析的地表发射率去噪算法、基于小波数据集约束的动态地表发射率计算方法和基于高斯回归过程GPR(Gaussian Process Regression)智能学习温湿亮温关系函数的云检测算法等,解决了陆地上空低层及中高层通道地表发射率精确计算及探测资料同化等卫星资料的实际应用问题。陆表的复杂性导致很难有完美的物理模式去精确计算地表发射率,但卫星观测反演地表发射率不受这些大量陆面输入参数(如粗糙度、土壤湿度等)的限制。基于地表发射率发展变化缓慢的假定,可进行长期离线计算发展月平均地表发射率数据集。针对数据集本质上是一种图像矩阵且含有未知噪声源,提出了针对高级图像处理的小波方法对发射率数据集进行图像去噪,开发了适用于FY-3C卫星温度计的小波发射率数据集。在同化预报试验检验中,大大提高了陆地上空的同化资料量,改善了亮温模拟效果和分析场质量,也减小了预报误差。微波低层探测通道对地表更加敏感,因此,实质上是一种气候平均的、每日为固定值的发射率数据集显然不再适用于这些低层观测。本文基于实时像元动态发射率反演方案,同时以小波数据集作为约束集,对动态反演的发射率值进行约束以消除反演误差,设计优化了新的同化系统流程,实现微波低层探测通道的系统应用。同化预报试验结果表明,受益于地表发射率的改进,中低层通道的第一猜值残差有明显改善。相比于发射率数据集方案,中低层通道陆地观测数量可增长约6-8%左右,且大量新观测信息的加入并未对分析场产生不良影响,改进了短时预报效果。针对FY-3C载荷上50-60GHz和118.75GHz双氧通道特性,基于机器学习GPR方法发展了一种智能学习温度计亮温与湿度计亮温内在关系的新云检测方案。相比于线性回归算法,新GPR云检测方案提高约20%的云检测能力。设计了湿度计MWHTS的同化预报系统框架,构建了FY-3C微波辐射率资料直接同化应用平台,评估验证包括新增118.75GHz温湿联合探测通道的FY-3C资料对数值预报的应用价值和贡献潜力。
【学位单位】：国防科技大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TP18;TP722.6;P456
【部分图文】：

图 2.1 AMSU-A 的通道权重函数图如下[56]MSU-A 有 15 个光谱通道，频率范围为 23.8-89.0GHz，其中通道 1、2、区通道，通道 4-14（52.8-58GHz）为探测通道，视角为 3.3 度（AMS度），每个扫描带有 30 个视场点（AMSU-B 为 90 个），天顶扫描角可AMSU-A 目前作为有效载荷运行在不同的卫星平台上（NOAA-15/16/18 和 Metop-A/B 等)，各卫星具有不同的赤道过境时间且有 10 个频率在 60G对流层和平流层不同高度空间敏感的氧气吸收线通道，因此可以提供良空间覆盖，获取多种大气和地表条件下的观测信息。MSU-A 辐射率的直接同化对大气温度分析场有重要贡献，其中通道 10峰值在平流层，通道 9 的权重峰值在对流层顶，通道 5-8 的权重峰值在对些低峰值通道的观测包含有大量短时天气信息，对天气预报很重要，但敏感且卫星接收到的信号源有来自地表发射和反射分量，使得难以同化道在晴空条件下的辐射率同化首先要处理的就是复杂的地表贡献分量，面温度、地表发射率以及晴空云检测等因素。据上节权重函数的计算公式，图 2.2 给出了基于美国 1976 标准大气廓线

图 3.4 FY-3C 卫星 MWTS-II 通道 1 全球发射率数据集3.2.2 地表类型依赖全球地表发射率难以获取精确值的最大难点在于地表类型的多样性和复性。为了充分研究各种地表类型的发射率特征，首先要对全球地表进行分类，文主要基于 BATS 数据库数据集（Biosphere–Atmosphere Transfer Scheme）进全球主要的地表类型的分类，包括裸土、植被、水域等地表类型[79][80][81]。具体类如表 3.3 所示，全球地表类型分布图如图 3.5 所示。表 3.3 BATS 地表覆盖分类对照表代码 覆盖类型 备注1 Crops, Mixed Farming 绿洲农田2 Short Grass 短草3 Evergreen Needleleaf Trees 常绿针叶林4 Deciduous Needleleaf Trees 阔叶针叶林5 Deciduous Broadleaf Trees 阔叶阔叶林

国防科技大学研究生院博士学位论文13 Bogs and Marshes 沼泽14 Inland Water 内陆水域15 Sea 海洋16 Evergreen Shrubs 常绿灌木17 Decidous Shrubs 阔叶灌木18 Mixed Forest 混交林地19 Interrupted Forest 不连续森林20 Water and Land Mixtures 水陆混合
【相似文献】

相关期刊论文 前10条

1 郑弦;;数据集采器在临床护理工作中的应用价值探讨[J];基层医学论坛;2017年12期

2 Long-xiang WANG;Xiao-she DONG;Xing-jun ZHANG;Yin-feng WANG;Tao JU;Guo-fu FENG;;TextGen:用于新型存储系统基准测试的真实文本数据集生成方法（英文）[J];Frontiers of Information Technology & Electronic Engineering;2016年10期

3 刘娟;朱翔鸥;刘文斌;;基于交互信息的数据集特征结构研究[J];模式识别与人工智能;2014年01期

4 沈雯漪;;大型数据集数据挖掘算法研究[J];计算机光盘软件与应用;2014年16期

5 职为梅;郭华平;范明;叶阳东;;非平衡数据集分类方法探讨[J];计算机科学;2012年S1期

6 吴克寿;曾志强;;非平衡数据集分类研究[J];计算机技术与发展;2011年09期

7 付优;;非平衡数据集的分类[J];电力学报;2010年04期

8 张缨;周红俊;李建军;刘根林;郑樱;郝春霞;王一吉;康海琼;卫波;;国际脊髓损伤数据集之核心数据集[J];中国康复理论与实践;2009年09期

9 高嘉伟;梁吉业;;非平衡数据集分类问题研究进展[J];计算机科学;2008年04期

10 苗卿;单立新;裘昱;;信息熵在数据集分割中的应用研究[J];电脑知识与技术(学术交流);2007年05期

相关博士学位论文 前10条

1 皇群博;晴空条件FY-3C大气微波垂直探测资料变分同化研究[D];国防科技大学;2018年

2 孙秀宝;基于CMA-LSAT v1.0数据集的近百年全球陆表气温变化研究[D];南京信息工程大学;2018年

3 陈迪;耕地数量与质量时空变化遥感监测研究[D];中国农业科学院;2019年

4 李星达;钢琴多音估计问题和音乐生成问题的深度学习方法[D];吉林大学;2019年

5 刘皓;基于深度学习的行人再识别问题研究[D];合肥工业大学;2017年

6 王建培;聚类有效性分析及其在电学层析成像中的应用[D];天津大学;2017年

7 杨勋;跨视域行人再识别若干问题研究[D];合肥工业大学;2017年

8 纳赛尔 阿里 穆罕默德 巴拉卡特;复杂化学数据的知识发现新型化学计量学算法研究[D];湖南大学;2005年

9 李宏;面向应用领域的分类方法研究[D];中南大学;2007年

10 余雳;虚拟可视鼠样品制备技术研究[D];华中科技大学;2006年

相关硕士学位论文 前10条

1 范晨雪;基于交通类数据集的我国政府开放数据分析[D];山西大学;2019年

2 闫东;大规模人脸数据集快速构建方法与人证比对算法研究[D];华北电力大学(北京);2019年

3 甘翔;基于深度学习和生成对抗网络的图标设计研究[D];华南理工大学;2019年

4 张腾;不平衡数据集均衡化方法研究及其应用[D];中国石油大学(北京);2018年

5 刘文斌;中式菜肴食材数据集的构建及其分类算法研究[D];武汉轻工大学;2019年

6 周听听;基于深度学习的医保异常检测研究[D];电子科技大学;2019年

7 陈远鹏;基于长时间可穿戴社交数据集的语音分割方法的研究[D];电子科技大学;2019年

8 顾岩;基于深度学习的人脸识别技术及在油田作业区的应用研究[D];电子科技大学;2019年

9 申磊;复杂环境下多目标快速检测的研究与应用[D];电子科技大学;2019年

10 杨腾佼;基于深度学习的文本情感分析研究及应用[D];电子科技大学;2019年

本文编号：2872184