一、欧洲空间局的METOP、MSG和ENVISAT计划(论文文献综述)
丁莹莹[1](2021)在《基于SAR图像的海面风和海浪的反演算法研究》文中研究表明20世纪70年代开始,合成孔径雷达(Synthetic Aperture Radar,SAR)就被应用到海洋要素的反演当中去,它发射的微波可以穿云透雾,不受白天黑夜地影响,可全天时、全天候对海面的物理动态过程进行成像,且成像的分辨率很高,能实现多极化、多角度、多波段的对物观测,提供大范围内有关海洋表面的实时动态信息。因此,本文便利用SAR的这些优点来进行海面风场和海浪参数的反演。在海面风场反演的章节中提出一种基于地球物理模型函数(Geophysical Model Function,GMF)C-SARMOD2的重新调谐算法。在这一章节中搜集了1万多张VV极化和HH极化的全极化条带(QPS)模式和波(WV)模式的GF-3 SAR图像,并将这些数据作为输入项,带入到C-SARMOD2算法当中,拟合出新的系数,调整的算法称作C-SARMOD-GF,然后结合其他三种算法C-SARMOD、C-SARMOD2和CMOD7进行风场反演,再分别与先进散射计(ASCAT)和国家数据浮标中心(NDBC)的风速数据比较。在VV极化下C-SARMOD-GF算法反演风速的均方根误差(RMSE)约为1.7m/s,其他三种算法反演的RMSE为1.86-2.35m/s;在HH极化下C-SARMOD-GF算法反演风速的均方根误差(RMSE)约为1.8m/s,其他三种算法反演的RMSE为1.93-2.28m/s。结果表明,C-SARMOD-GF算法的性能优于其他三种先进的算法,但是仅限于中低风速下,在强风条件下的有效性还有待验证。在海浪参数反演的章节中利用两种方法进行海浪参数的反演,第一种就是基于理论的海浪反演算法,将SAR强度谱反演为基于SAR波映射机制的波谱。在之前的研究中发现海浪反演算法初猜谱法(PFSM)适用于中低海况的C波段和X波段SAR。本文便研究了PFSM算法在气旋条件下应用于超宽测绘带(EW)和干涉宽测绘带(IW)模式下采集的双极化C波段Sentinel-1 SAR的性能。利用C波段交叉极化耦合参数海洋模式(C-3PO)对6幅VH极化Sentinel-1 SAR图像进行了强风反演,然后在VV极化Sentinel-1 SAR图像中得到的海浪参数,即有效波高(SWH)和平均波周期(MWP),将其与WAVEWATCH-III(WW3)模型的模拟结果进行了比较。验证表明,SWH的均方根误差(RMSE)为0.69 m,偏差为–0.01 m;MWP的均方根误差(RMSE)为0.62 s,偏差为–0.17 s。本研究证实了PFSM算法在气旋条件下海浪参数反演中的适用性。此外,在风浪直接影响较强的气旋眼右侧区域,反演结果的精度较低;而在风浪与涌浪相互作用较差的气旋眼左侧和后部区域,PFSM算法效果较好。第二种则是人工智能算法,本文利用在中国海域收集的GF-3 SAR图像资料,研究了台风条件下的海浪反演问题。用两种人工智能方法处理了与4个台风有关的6幅GF-3 SAR图像,并利用WW3数值模式模拟的有效波高和Jason-2高度计获得的有效波高数据对反演结果进行了验证,RMSE的结果分别为0.1m和0.61m,在可允许的误差范围内。结果表明该算法能较好地反演台风条件下的海浪参数。
文质彬,吴园涛,李琛,殷建平[2](2021)在《我国海洋卫星数据应用发展现状与思考》文中认为海洋科学是一门依赖于观测的学科,而卫星是海洋研究的重要观测平台之一,海洋卫星数据在海洋科学研究中具有重要的意义。21世纪初以来,我国陆续发射了多颗专门用于海洋观测的卫星,初步拥有自主海洋卫星全球观测网络。本文针对国内外海洋卫星资源基本情况,总结了我国海洋卫星数据应用发展现状,特别是海洋卫星数据接收、处理、管理、应用等方面的情况,并分析、探讨了我国海洋科学研究对卫星数据的需求,以及我国海洋卫星数据科学应用存在的问题和发展策略。
施建成,郭华东,董晓龙,梁顺林,陈镜明,宫鹏,杨晓峰,程洁,林明森,张鹏,张伟,居为民,刘毅,李增元,赵天杰[3](2021)在《中国空间地球科学发展现状及未来策略》文中提出空间地球科学是以空间对地观测为主要信息获取手段,研究地球系统的各圈层及之间的相互作用、过程与演变,对地球进行系统研究的综合性交叉学科.为纪念空间科学学会成立40周年,本文系统回顾了中国空间地球科学的发展历程,分析当前面临的机遇与挑战,进而提出中国空间地球科学未来发展的建议.
张晓东[4](2020)在《多源遥感协同下的全天候地表温度估算研究》文中认为地表温度是地球表面与大气之间界面的重要物理参量之一,不仅是气候变化的敏感指示因子,还是众多地气模型的直接输入参数,在许多领域有广泛的应用。相对于地面站点实测方式,卫星遥感在观测地表温度方面具有空间高密度覆盖、重复观测和低成本等突出优势,使得长时序大范围的地表温度观测成为可能。目前,全天候遥感地表温度,特别是中高空间分辨率(如1 km)的全天候地表温度已成为科学研究和相关行业领域的迫切需求。然而,由于物理机制所限,目前在估算地表温度中使用最广泛的热红外遥感在非晴空条件下受云影响,无法满足全天候地表温度获取的要求。协同(或集成)卫星热红外遥感和被动微波遥感观测以及协同卫星热红外遥感地表观测和再分析数据是估算全天候遥感地表温度的两种可行途径。然而,目前其理论方法均存在瓶颈:其中,热红外遥感和被动微波遥感的集成中主要存在“两者物理意义的不一致”、“两者的空间分辨率不一致”以及“两者集成的地表温度并非真正意义上的全天候”三个问题;而集成热红外遥感地表温度和再分析数据地表温度估算全天候地表温度的研究尚处于起步阶段,相关研究极为匮乏。本文针对上述问题进行了针对性的研究,发展了多种新的中高分辨率遥感全天候地表温度的估算方法,形成了一套多源遥感协同估算全天候地表温度的普适性方法论,为遥感全天候地表温度的估算和应用研究提供了基础理论和方法支撑。本文的特色与创新之处在于本文发展的全天候地表温度估算方法均为物理方法,与传统的经验/半经验方法完全不同,这些方法具有更好的普适性。本文主要研究工作及成果如下:(1)提出了一种基于热采样深度纠正的被动微波遥感地表温度估算方法(Thermal Sampling Depth Correction,称TSDC方法)。被动微波的热采样深度使其地表温度含有地下热信息,而并非与热红外遥感地表温度物理意义一致的地表皮肤温度(skin surface temperature;也称肤面温度、表皮温度),两者之间存在一定的系统偏差。然而,传统被动微波地表温度估算方法并未定量考虑这一影响使其精度和适用性在热采样深度较大的下垫面(如裸地)严重受限。在此背景下,TSDC方法面向裸地下垫面,通过定量引入热采样深度这一表征被动微波穿透性的重要因子,对被动微波地表温度进行了“纠正”,使其物理意义成为与热红外遥感地表温度相一致的地表皮肤温度。研究结果表明:经TSDC方法估算的被动微波遥感地表温度与热红外遥感地表温度的系统偏差较小。经地面实测数据验证的结果表明,TSDC估算的被动微波地表温度精度优于传统方法。因此,TSDC方法初步解决了裸土地区热红外与被动微波遥感地表温度物理意义不一致的问题。(2)提出了一种基于地表温度时间分解模型的集成热红外和被动微波遥感估算1 km全天候地表温度的方法(Temporal Component Decomposition,称TCD方法)。被动微波遥感地表温度的空间分辨率远低于热红外遥感地表温度,无法获得精细尺度上的地表温度分布信息。因此,需对被动微波遥感地表温度进行空间降尺度。然而,传统方法在降尺度中未考虑地表温度在时间维度的变化,使得估算的全天候地表温度在复杂下垫面的精度和适用性极易受限。在此背景下,本研究提出的TCD方法在时间和空间双维度上对热红外和被动微波遥感地表温度进行集成。结果表明:TCD方法克服了传统方法由于降尺度不充分导致的全天候地表温度适用性受限和易产生斑块效应的问题。经地面实测数据验证表明,TCD全天候地表温度的精度可达1.29~1.71 K,比传统方法的精度高1.39~3.17 K。因此,TCD方法有效地解决了热红外与被动微波遥感地表温度空间分辨率不一致的问题。(3)提出了一种基于被动微波亮温重构的集成热红外与被动微波遥感估算1km全天候地表温度的方法(Reconstruction of Brightness Temperature,称RBT方法)。由于极轨被动微波传感器的微波亮温存在时间断档缺失和轨道间隙缺失,目前热红外-被动微波集成的全天候地表温度时空连续性受到严重削弱,并未达到严格意义上的“全天候”。在此背景下,本研究提出的RBT方法基于奇异谱分析和时间标定等理论,重构了无缺失的被动微波亮温。在此基础上,通过机器学习方法将重构后的被动微波亮温与热红外遥感地表温度进行集成,得到了真正意义上空间无缝的全天候的地表温度。研究结果表明:所重构的微波亮温具有良好的时空连续性,重构亮温的精度可达0.89~2.61 K;所得RBT地表温度是真正空间无缝的全天候地表温度,经地面数据验证下其精度为1.45~3.36 K。因此,RBT方法有效地解决了由于被动微波亮温缺失导致的热红外与被动微波遥感集成的地表温度并非“全天候”的问题。(4)提出了一种基于新地表温度时间分解模型的集成热红外遥感与再分析数据估算1 km全天候地表温度的方法(Reanalysis and Thermal Infrared Remote Sensing Merging,称RTM方法)。集成热红外遥感和再分析数据是估算中高分辨率全天候地表温度的另一种途径。然而,关于集成热红外遥感和再分析数据估算全天候地表温度的研究甚少。在此背景下,本研究对研究二的地表温度时间分解模型进行了改进,从时间和空间双重维度上对热红外遥感地表温度和再分析数据的地表温度进行集成。经地面实测数据的验证结果表明,RTM地表温度在全天候条件下的精度为2.03~3.98 K。此外,得益于再分析数据高度的空间完整性,RTM全天候地表温度也是空间无缝(即真正意义全天候)的。进一步地,与前人方法相比,因不受热红外遥感地表温度数据样本量的限制,RTM地表温度的有效值比例比前者高10%~17%,故RTM方法具有良好的普适性和泛化能力,是一种有效的集成热红外遥感与再分析数据的全天候地表温度估算方法。
姜立鹏[5](2021)在《基于4DEnVar的全球地面观测资料陆气协同同化研究》文中研究指明近地面气象状况与人类活动息息相关,对人们生产生活具有重要影响,是天气预报的重点。全球在世界气象组织(World Meteorological Organization,WMO)的协调下建立了完善的地面观测网络和观测资料交换系统,每天可获取10000个天气报及5000个机场报站点观测。开展地面观测资料在全球数值模式中的同化应用研究,具有重要的科学和应用价值。然而,地面观测资料在全球数值预报业务中的同化应用还不充分,全球大气同化系统一般只同化气压观测资料,气温、湿度等观测资料则通过陆面同化系统间接使用(如欧洲中期天气预报中心,ECMWF),只有少数数值预报中心(如英国气象局,UKMO)在其全球大气同化系统中使用地面气温、湿度和风场观测。UKMO和ECMWF的地面观测资料业务应用经验来看,大气和陆面的协同同化是地面资料同化的关键。本论文以GFS/GSI全球循环同化系统为基础,提出了“全球近地面同化+全球陆面同化+全球大气同化”的地面观测资料大气和陆面协同同化方案。该方案主要包括三个步骤:1)利用LETKF集合同化技术,将大气模式输出的近地面气温、湿度和风场与观测资料进行融合,获得全球近地面气象分析场;2)利用全球近地面气象分析场驱动全球陆面模式,并利用En OI技术实现对土壤湿度观测资料的同化,获得全球陆面分析场;3)将全球近地面观测增量应用于大气模式最底层,基于四维集合变分混合同化(Hybrid-4DEn Var)技术开展全球大气同化,获得全球大气分析场。基于该方案,论文建立了全球大气和陆面弱耦合同化系统,实现了对地面观测资料的大气和陆面协同同化。与地面观测资料大气和陆面协同同化方案三个步骤相对应,该弱耦合同化系统由以下三部分组成:(1)基于LETKF集合同化算法建立了考虑近地面气象要素“流依赖”特征的近地面分析系统,通过融合地面气温、湿度和风场观测资料,使近地面气象要素分析场偏差减小50%以上,均方根误差降低25%以上。(2)在对土壤湿度空间相关性深入研究的基础上,发展了土壤湿度地面站点观测资料的二维En OI融合系统。利用近地面气象要素分析场驱动全球陆面模式,并通过2D-En OI融合土壤湿度地面观测资料,进一步优化土壤湿度质量,获得与地面观测资料更加接近的全球陆面初始场。2016年5-9月的长序列同化试验表明,同化土壤湿度地面观测资料可以显着改进陆面模式土壤湿度模拟偏差和均方根误差。(3)提出了将近地面观测增量应用于大气模式最底层,通过四维集合变分混合同化技术将地面观测资料同化应用于大气模式的技术思路,基于GSI系统实现了地面观测资料的Hybrid-4DEn Var同化。单点观测同化试验表明,Hybrid-4DEn Var的同化增量在水平和垂直结构上比3DVar更合理,且更具有“流依赖”特性。利用发展的全球地面观测资料大气和陆面弱耦合同化系统和真实观测资料,开展了10天以上循环同化对比试验。结果显示地面观测气温、湿度和风场等资料的同化,能够显着改进近地面气温、湿度和风场的0h预报质量,全球平均气温、湿度和风场RMSE误差降幅分别达17.4%、25.5%和17.6%。对12h预报而言,气温和湿度能够较好保持明显的误差降低,RMSE误差降低分别约3.2%和10.2%。随着预报时效的增加,风场误差预报误差降幅越来越小,12h预报风场误差降幅约在1%左右。研究发现,地面观测资料同化对500h Pa以下气温廓线短期预报有改进。本论文基于GFS/GSI全球同化系统建立了具备地面气温、湿度和风场等观测资料同化能力的全球大气和陆面弱耦合同化系统,并开展一系列数值同化试验,在地面观测资料同化领域取得的研究成果对改进全球数值模式预报和资料再分析水平具有重要意义。
尹聪[6](2019)在《基于导航卫星反射信号的土壤湿度研究》文中进行了进一步梳理尽管土壤中的水分在全球水系统中所占的比例很少,然而,土壤湿度在全球能量循环和水循环系统中仍然占据重要位置,它通过改变地表的反照率,影响地表和大气之间的水分和热量输送等影响气候。目前,一些遥感和实地测量技术已被用于土壤水分监测。然而,如何提高土壤水分反演的精确度,以及土壤水分观测的空间、时间分辨率仍然是现阶段研究的主要难题。本文主要研究了利用全球导航卫星(Global Navigation Satellite Systems,GNSS)的反射信号进行土壤湿度遥感的技术,这个观测系统又称为全球导航卫星反射计(Global Navigation Satellite Systems-Reflectometry,GNSS-R)。在过去20年中,GNSS-R遥感技术由于它独有的优势,得到了越来越多的关注。目前GNSS-R遥感研究主要集中在左旋圆极化反射信号随土壤湿度变化,对于观测角度的影响,右旋圆极化对土壤湿度的响应研究还很少,本文在地基和机载试验中,均加入了右旋圆极化反射信号的采集,并针对双极化的信号进行了模型反演研究。具体从以下几方面开展了研究:本研究在西班牙的SMOS地面验证站点Valencia Anchor Station设计了一次地基GNSS-R与ELBARA L波段微波辐射计的联合观测试验SOMOSTA(Soil Moisture Monitoring Station)。创新性提出利用左旋和右旋两种圆极化天线对导航卫星反射信号进行采集,并利用一个校准箱,实现了直射、反射通道的校准,校准系数K均值约为1.03,平均绝对偏差为0.091,通过校准有效消除了通道差异影响,提升了观测信号稳定性。将地基GNSS-R观测的两种圆极化反射率与L波段辐射计观测的垂直、水平极化反射率进行了相关性分析,GNSS-R左旋圆极化与辐射计的垂直、水平线极化反射率之间有很高的相关性(0.83-0.91)。在河南郑州上街机场开展了一次机载GNSS-R土壤湿度观测试验,在试验中,通过双极化反射天线同时接收两种圆极化反射信号。试验结果发现,左旋反射信号与地基测量结果呈现相同的趋势,反射率与仰角负相关,与土壤湿度正相关;右旋反射信号对土壤湿度变化不敏感,但是,左旋右旋极化比在高仰角观测时,比单独左旋极化有更高的敏感性。为了消除反射信号受大气衰减等因素的影响,通过水面校准来保证机载反演的精度。在星载GNSS-R土壤湿度反演中,由于观测高度较高,接收机距离镜像反射点距离远,反射信号会受到大气衰减等影响,下垫面的复杂性也会对反射信号有一定影响,所以通过采取质量控制来提高星载反演的精度。对TDS-1和CYGNSS星载反射信号进行了分析,通过天线增益限制,采取提取质量控制码筛选数据的方式,提高了反演的精度。GNSS信号经陆面反射后,反射信号表现出的斑点噪声是反演误差的主要来源。斑点噪声可以通过进行大量的非相干累加来降低。本文通过对反射镜像点的空间分布进行分析,对于L波段,方位角对反射信号影响不明显,相同土壤湿度条件下,反射率随仰角变化趋势比较固定,在此基础上建立了反射率随土壤湿度和仰角变化的经验回归模型。经验模型与物理模型相比较,左旋反射率在20-70°仰角范围内呈现相同的趋势,随仰角升高而减小,随湿度增加而增大。神经网络对于复杂的回归关系,比传统的回归模型更能提供精确的反演结果。本研究建立了神经网络模型,将10个不同观测角度上的左旋反射率分别进行日平均,作为模型的输入项,结果表明神经网络较解析模型有更高的精确度,通过将右旋反射率经过同样处理加入模型,结果表明,多极化综合训练比单极化效果更好。经过粗糙度和植被参数的修正,进一步提高了反演的精确度。
钟惠[7](2019)在《卫星遥感大气CO2浓度变化与人为排放的关联分析研究》文中提出人为排放是引起大气CO2浓度升高的主要原因。然而我们对于人为碳排放对大气CO2浓度变化的影响还缺乏深入定量的分析。由大气CO2卫星遥感观测获取的大气CO2柱浓度(XCO2)的变化已被认为是评估区域人为排放的有效手段之一。本研究利用卫星观测反演的XCO2,应用剔除区域背景浓度的方法,结合大气动力输送过程模拟,定量分析区域高强度人为碳排放对大气CO2浓度升高的影响,揭示大气CO2浓度变化与人为碳排放的关系。论文利用由温室气体观测卫星GOSAT获取的2010年1月至2015年10月,以及OCO-2获取的2014年9月至2016年12月的XCO2数据,以同纬度带高人为排放区域的中国京津冀和美国东部城市密集区为研究对象区,结合位温气象数据和人为碳排放清单数据圈定出对比背景区,通过分析比较人为排放区与背景区的CO2柱浓度差值,评估人为排放对大气CO2柱浓度增量变化的影响。结果显示,GOSAT卫星在2010年至2014年期间检测出中国京津冀和美国东部城市密集区的大气CO2浓度比背景区分别平均升高1.8 ppm/yr和2.0 ppm/yr,且冬季均高于其余季节,分别为2.4±0.6 ppm和2.8±0.8 ppm;OCO-2检测出的增量在中国和美国分别为2.3 ppm/yr和1.2 ppm/yr,冬季分别为2.1±0.1 ppm和2.3±0.1 ppm。进一步分析月变化特征时,发现由GOSAT检测出中国京津冀地区在2014年11月亚太经合组织会议(APEC)期间的大气CO2浓度异常低于前年同期3.2 ppm,反应了会议期间政府实施的减排控制效果。针对GOSAT和OCO-2两颗卫星不同的传感器观测参数,本文对比分析了两卫星观测重叠时间段内(2014年9月至2015年7月)的大气CO2柱浓度数据,结果显示OCO-2观测的XCO2总体略高于GOSAT;两颗卫星检测的人为排放增量均在2.0 ppm左右波动,GOSAT检测的人为排放增量的波动大于OCO-2。同时期同区域的卫星观测结果的差异与卫星观测的区域观测点数、空间分辨率、传感器的性能以及XCO2反演算法等有关,GOSAT和OCO-2观测的差异还有待进一步分析。另外针对方法上研究背景区的选择,论文利用大气轨迹模拟模型(HYSPLIT)模拟分析了背景区是否受到外来排放影响。结果发现背景区特别是美国研究区受到上风向的排放源的影响,不能完全表征背景大气的平均状态,导致人为排放区与背景区的XCO2差值表征的人为排放所引起的CO2增量比实际值偏小。论文研究表明CO2卫星观测能够从区域大气CO2浓度的变化定量评估人为排放的影响,作为有效手段之一辅助于区域人为排放控制效果的评估。
吴浩[8](2019)在《大气CO2反演中云和气溶胶的影响及其校正方法》文中提出人类活动导致大气温室气体含量不断增加,由此引起全球变暖、极端恶劣气候频发等现象,正成为当今社会广泛关注的热点问题。CO2作为重要温室气体,探测其浓度分布及变化,是全球气候变化研究的基础。卫星大气CO2遥感具有全球范围内长时间序列和广空间范围的特点,有其它探测技术无法替代的优势。CO2是大气中长驻气体,浓度低、梯度小,只有高精度观测结果才能在气候研究中发挥作用,因此,卫星大气CO2遥感的关键在于高精度,反演是其中的关键技术。反演作为从遥感数据中提取CO2浓度信息的技术,面临着云污染、大气和地表参量具有不确定性等诸多因素的干扰,因此,目前反演中存在着精度难以提高和结果不够稳定的问题。本文就大气CO2反演面临的问题,分析和提出了克服云、气溶胶和地表等对反演影响的算法,并在此基础上完成了 CO2反演的完整流程。从统计结果上看,天空绝大部分被云所覆盖,在大气CO2反演中,被云所覆盖的遥感数据不能用于反演,因此,进行云筛选是提高反演效率、保障反演质量的基础工作。目前遥感数据云检测方法较多,各种方法均存在一定的优势和不足,本文在分析现有方法特点和所能利用数据信息的基础上,提出了多载荷协同筛选的方法,我们称之为 CGDC 算法(Combined GMI and DPC Cloud-screening)。这种方法将氧气在大气中高度均匀性与偏振光谱对云辐射敏感性相结合,以此提高温室气体反演中的云筛选效率。该算法应用于我国高分5号卫星温室气体探测仪GMI(Greenhouse-gases Monitoring Instrument)全球 1 6 天在轨实测数据,检测GMI观测点77581个,筛选出晴空观测点9508个,占比12.26%。利用融合后的MODIS云掩膜和卷云反射率数据集验证该算法云检测的正确率,在陆地上可以达到92.93%,海洋上可以达到81.91%。气溶胶和卷云改变了大气辐射过程的分布状态和传输路径,成为影响反演精度的重要因素。本文从影响机理出发,利用MODIS全球气溶胶模式和GHM卷云模型仿真GMI观测数据。分析在典型亮度地表情况下,主要模式气溶胶和卷云光学厚度不确定性引起的反演误差。并进一步研究了光学厚度垂直分布不同对反演结果的影响,指导着我们反演过程中对气溶胶廓线的选择与处理。针对气溶胶模式在反演过程中的重要影响,本文引入聚类分析技术,对全球气溶胶特性和分布进行总结与归类,构建了适用GMI全球反演的气溶胶模式数据库。服务于GMI的CO2反演,降低了 CO2反演误差、提高全球反演结果的可比性。地表反射辐射复杂性成为影响大气CO2反演精度的重要原因。地表反射辐射的复杂性表现为辐射空间分布不同和地气耦合差异,由此改变辐射传输过程,进而影响着大气C02反演精度,因此地表不同方向反射特性的准确描述成为提高CO2反演精度的重要手段。鉴于全球范围研究的巨大工作量,本文以京津冀地区为例开展相关研究。京津冀地区地表类型丰富,气溶胶时空分布复杂,属于人类强活动影响下的气溶胶高值区域,因此,在地表、大气和CO2源等方面具有代表性。本文针对研究对象的差异,研究区域分为城区和非城区。城区以北京城市为例,利用2011到2016五年的MODIS地表二向反射分布函数BRDF数据,构建了适合利用单次观测数据反演的地表模型,并提出一种同时反演地表BRDF参数和大气CO2含量的算法。结果表明在气溶胶光学厚度小于0.4时,大部分GMI模拟数据的反演误差控制在0.5%(约2 ppm)内。利用GMI光谱带宽截断的GOSAT数据反演结果与修正后的GOSATNIES反演结果进行对比,其平均误差为1.25 ppm,相关性达到0.85。对于非城市区域,利用RPV模型代替Lambertian模型,反演了气溶胶光学厚度小于0.4的观测点,结果相关性为0.788,平均误差为1.50 ppm。区域性反演方法精细化满足了 GMI数据在京津冀区域高精度C02反演的需求,并使得反演气溶胶高值区域成为可能,提高了 GMI观测数据的利用率。本文提出了 PPDF因子从O2-A带到CO2-1带的转化和数据后筛选方法,并完整地构建了适合GMI数据的三层PPDF模型反演算法。反演2018年9月GMI的观测数据,与OCO-2、GOSAT卫星产品和TCCON地面测量结果进行对比。结果表明,PPDF算法反演值整体略高于GOSAT,其中和GOSAT产品的平均偏差为1.72ppm,相关性为0.926;PPDF算法反演值和OCO-2产品交叉对比的平均偏差为-2.25 ppm,误差较大的区域集中在高纬度地区,总体相关性为0.911。与高精度地基观测站TCCON站对比的结果表明,GMI反演结果与6个TCCON站的相关性为0.741,平均偏差为-0.85 ppm,反演结果和在北极圈附近的Sodankyla站点数据相差较大,在对比中剔除该站点,GMI整体反演结果和TCCON的相关性上升为0.869,平均偏差降低为-0.3 ppm。整体上,三层PPDF算法在GMI数据上的反演结果稳定,与国际上同类传感器的反演结果相关性高。在纬度大于60°后,由于GMI载荷的信噪比降低,反演结果与TCCON实测结果偏差略大,表明随着未来遥感探测技术的提高,该反演方法的应用能力有望进一步提高。
张康宇[9](2019)在《基于C波段SAR的海面风场反演方法与近海风能资源评估》文中指出星载合成孔径雷达(Synthetic Aperture Radar,SAR)具有提供高空间分辨率海面风场的能力,然而目前C波段SAR风速反演研究中还存在着以下问题:常用的VV极化风场反演模型对Sentinel-1 VV极化影像的适用性有待评估;现有的交叉极化风速反演模型不适用于Sentinel-1交叉极化影像的风速反演;SAR风场反演的空间尺度效应鲜有研究。为此,本文重点围绕着以上问题展开研究。最后以浙江和福建省近海作为研究区,评估利用SAR影像进行中国近海风能资源调查的可行性。本文的主要研究内容和结论如下:(1)同极化SAR风速反演模式函数的优选。本文基于710景Sentinel-1干涉宽幅(Interferometric Wide-swath,IW)模式垂直发射垂直接收(Vertical Transmitting and Vertical Receiving,VV)极化影像,对比了 CMOD4、CMOD-IFR2、CMOD5 和 CMOD5.N 等 C 波段模式函数(C-band Model,CMOD)的性能,结果表明在0~25m/s风速区间内,CMOD5.N为较优的风速反演模型,反演风速的均方根误差(RMSE)为1.40m/s;基于76景Sentinel-1IW 模式水平发射水平接收(Horizontal Transmitting and Horizontal Receiving,HH)极化影像,对比了 32种CMOD+极化比模型的组合模型以及1种与风向无关的HH极化风速反演模型的性能,结果表明对于Sentinel-1 HH极化影像,CMOD4结合Mouche等在2005年提出的同时考虑风向和入射角的极化比模型为较优的HH极化风速反演方法,反演风速的 RMSE 为 1.45m/s。(2)构建适用于Sentinel-1 IW模式交叉极化影像的风速反演模型。IW模式为Sentinel-1系列卫星的默认运行模式,然而由于IW模式影像的噪声等效后向散射系数(Noise EquivalentSigmaZero,NESZ)较高,并且3个子刈幅的平均NESZ不同,导致目前已有的交叉极化风速反演模型不适用于Sentinel-1 IW模式交叉极化影像的风速反演。本文基于728 景减去了 NESZ 的 Sentinel-1 IW 模式垂直发射水平接收(Vertical Transmitting and Horizontal Receiving,VH)极化影像,构建了基于子刈幅的C波段交叉极化海洋模型(Subswath-based C-band Cross-polarization Ocean Model,S-C2PO)。与浮标观测风速对比,本文提出的S-C2PO模型反演得到的Sentinel-1 VH极化影像风速的RMSE为2.08m/s,优于前人提出的交叉极化风速反演模型用于Sentinel-1 VH极化影像的风速反演。在风速大于1Om/s的条件下,S-C2PO模型反演风速的RMSE小于1.6m/s。此外,本文发现当风速小于10m/s时,随着入射角变化的NESZ会对Sentinel-1 VH极化后向散射系数产生较大的影响,导致VH极化后向散射系数随着入射角的变化呈现出类似于NESZ随着入射角变化的趋势,然而随着风速逐渐增大,NESZ对VH极化后向散射系数的影响逐渐减小,从而VH极化后向散射系数不再随着入射角变化。(3)探讨同极化SAR风场反演的空间尺度效应。本文将Sentinel-1 IW模式的VV极化影像和HH极化影像重采样到不同的空间分辨率,然后绘制不同空间分辨率的同极化影像反演风速的决定系数(R2)、相关系数(Corr)、均方根误差(RMSE)、标准差(STD)和偏差(Bias)等精度评价指标随着空间分辨率降低的变化趋势,结果表明当VV极化影像和HH极化影像的空间分辨率从100m降到1km时,反演风速的精度能够迅速提升;从1km到5km时,反演风速的精度提升趋于平缓。其中,当空间分辨率从100m降到1km时,VV极化影像风速的RMSE可降低19.4%,HH极化影像风速的RMSE可降低42.4%。(4)探讨交叉极化SAR风场反演的尺度效应。本文将RADARSAT-2精细全极化模式VH极化影像重采样到不同的空间分辨率,绘制了不同空间分辨率的VH极化影像反演风速的R2、Corr、RMSE、STD和Bias等精度评价指标随着空间分辨率降低的变化趋势,结果表明VH极化影像反演风速的精度随空间分辨率的变化的趋势与同极化的相似,当空间分辨率从100m降到1km时,反演的风速的RMSE降低了 41.5%,当空间分辨率从1km降到5km时,反演风速的精度的提升趋于平缓。结合空间尺度对同极化SAR影像的风速反演精度影响的分析结果,可认为将SAR影像重采样到1km空间分辨率是同时兼顾高空间分辨率和高反演风速精度的较优选择。(5)评估利用SAR影像进行中国近海风能资源调查的可行性。以浙江省和福建省近海为研究区,利用 Sentinel-1A、Sentinel-1 B 和 ENVISAT ASAR 的一共 2749 景 SAR 影像进行风功率密度分布制图,以中国近海的5个浮标站点计算得到的风能参数作为参考,SAR计算的平均风速和Weibull尺度因子A的相对误差均在5%以内,形状因子k在6%以内,风功率密度E在10%以内,表明了利用SAR影像进行中国近海风能资源评估的可行性,并对近海50m水深内的风能资源做了分析和评估,为未来近海风电站的选址的提供参考依据。
段博恒[10](2018)在《台风强对流天气卫星风资料同化相关问题研究》文中认为台风的准确预报可以减少由于台风破坏和人员疏散造成的损失,对于沿海城市的防灾减灾具有重要意义。海表风矢量是台风模拟和预报的不可或缺的参数,而卫星遥感得到的海表风观测的有效同化对于改善台风路径预报和强度预报具有重要作用。然而受限于目前资料同化的处理流程,大量风场观测在台风强对流天气条件下并没有被很好地利用起来。此外,不精确的背景场,缺乏流依赖信息的背景误差协方差,高风速风场观测误差的不准确描述都会影响同化分析场的结果。本文从卫星遥感风观测的同化技术出发,针对台风强对流天气风资料同化的典型问题,详细分析了目前风资料同化流程中所存在的问题,从风资料同化的稀疏化、质量控制、观测误差定义和同化方案的选择等过程做了详细地探讨并提出了相应地改进方案,提高了台风强对流天气海表风场观测的利用率,并有效地改善了台风的路径预报和强度预报。对于台风强对流天气而言,常规的稀疏化手段会造成大量关键区域如台风涡旋区域观测的丢失,对于能观测到台风精细结构的SAR风场而言,常规稀疏化会造成SAR风场大量台风结构信息被剔除,从而降低SAR风场观测的价值。本文针对台风强对流天气过程常规稀疏化的这种缺陷,提出了一种考虑风场结构的特征稀疏化方法。在此基础上,我们改进了常规超观测方案,提出一种基于特征盒的超观测方法。在台风数值模拟同化实验中,新方法都在一定程度上改进了台风的预报精度。虽然目前获取台风区域高风的观测手段很多,但是受限于不精确的背景场以及资料同化质量控制手段,导致台风强对流天气过程中大量的风场观测因与背景场有较大背离而被剔除,大量台风关键区的风场观测无法有效地利用起来。本文引入并对比了两种适用于台风强对流天气的风场质量控制方案:基于Huber模分布的质量控制方案和一种自适应的质量控制方案。两种方法都能确保高风区域的观测能很好地利用起来,又确保了同化极小过程的稳定性。相比基于Huber模分布的质量控制方案,自适应的质量控制方案能让新息量较大的观测有更小的权重,避免过大的分析增量对模式产生较大的冲击,对台风强度预报改进效果更明显。三维变分同化由于采用气候态的背景误差协方差,无法体现台风等强对流天气过程误差迅速演变的信息。短期的集合预报能为同化提供流依赖的背景误差协方差信息,且能在一定程度上调整背景场,但是集合同化需要一段时间同化调整,单次的集合同化无法保证分析场满足协调性的要求。本文基于WRFDA同化框架,设计实现了一套完整的基于Hybrid的台风强对流天气风资料同化系统,并探讨了变分同化、集合同化与混合同化对于台风天气过程影响。在此基础上,针对目前风分量观测误差独立性假设所存在的问题,本文引入误差传播定律,重新定义了风分量的误差以及误差协方差,设计并实现了基于误差相关的风分量的直接同化。台风数值实验验证了本方法的有效性,相比于传统的风分量观测误差独立性假设,新方案对于台风24小时的最低气压和最大风速预报分别改善约14%和17%。
二、欧洲空间局的METOP、MSG和ENVISAT计划(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、欧洲空间局的METOP、MSG和ENVISAT计划(论文提纲范文)
(1)基于SAR图像的海面风和海浪的反演算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究进展 |
1.2.1 SAR的发展状况 |
1.2.2 基于SAR进行海面风场反演的算法的研究进展 |
1.2.3 基于SAR进行海浪反演的算法的研究进展 |
1.3 研究内容与章节安排 |
1.4 文章创新点 |
第二章 SAR的基本概念和海浪成像的原理 |
2.1 SAR的基本概念 |
2.1.1 SAR成像几何关系 |
2.1.2 SAR系统参数 |
2.2 SAR中海浪成像的原理 |
第三章 基于SAR图像的海面风场反演算法研究 |
3.1 数据集 |
3.2 反演算法 |
3.3 反演结果验证和讨论 |
3.4 本章小结 |
第四章 基于SAR图像海浪反演的PFSM算法的研究 |
4.1 数据集 |
4.2 反演算法 |
4.2.1 C-3PO模型 |
4.2.2 PFSM算法 |
4.2.3 WW3 模型设置 |
4.3 反演结果验证和讨论 |
4.3.1 风速反演结果验证 |
4.3.2 海浪参数的反演结果验证 |
4.3.3 讨论 |
4.4 本章小结 |
第五章 基于SAR图像海浪反演的人工智能算法的研究 |
5.1 数据集 |
5.2 反演算法 |
5.2.1 决策树算法 |
5.2.2 随机森林算法 |
5.3 反演结果的对比验证 |
5.3.1 两种算法反演的有效波高的对比分析 |
5.3.2 验证 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
在读期间发表的学术论文及研究成果 |
(2)我国海洋卫星数据应用发展现状与思考(论文提纲范文)
1 国内外海洋卫星资源基本情况 |
1.1 海洋卫星主要类别 |
1.2 国外海洋卫星发展现状 |
1.3 我国海洋卫星发展现状 |
2 我国海洋卫星数据应用发展现状 |
2.1 海洋卫星数据接收、处理与管理 |
2.2 海洋卫星数据应用 |
2.3 海洋科学研究对卫星数据的需求 |
3 我国海洋卫星数据应用发展存在的主要问题 |
3.1 海洋卫星发展起步较晚 |
3.2 海洋卫星数据及其处理过程的开放度尚需加强 |
3.3 海洋卫星数据处理方面投入明显不足 |
4 我国海洋卫星数据应用发展建议 |
(3)中国空间地球科学发展现状及未来策略(论文提纲范文)
0 引言 |
1 中国空间对地观测卫星发展历程 |
1.1 风云系列气象卫星 |
1.2 海洋系列卫星 |
1.3 资源、环境与测绘系列卫星 |
1.4 高分专项卫星系列 |
1.5 载人航天工程中的空间对地观测 |
1.6 空间地球科学实验卫星 |
1.6.1 碳卫星 |
1.6.2 中法海洋卫星 |
1.6.3 广目地球科学卫星 |
1.6.4 电磁监测试验卫星 |
1.6.5 陆地碳卫星 |
1.6.6 中法水卫星 |
2 空间地球科学研究主要进展 |
2.1 能量平衡 |
2.1.1 大气层顶能量平衡 |
2.1.2 地表能量平衡 |
2.1.3 面临的问题 |
2.2 水循环 |
2.3 陆地生态系统碳循环 |
2.3.1 陆地生态系统结构与生化参数提取及碳循环模拟 |
2.3.2 全球碳同化系统 |
2.4 人类活动 |
2.4.1 城市化进程 |
2.4.2 农地遥感制图 |
2.4.3 面临的问题 |
3 空间地球科学发展面临的机遇与挑战 |
3.1 国际发展趋势 |
3.2 中国空间地球科学未来发展策略 |
3.2.1 发展中国的空间地球科学系列卫星计划 |
3.2.2 建设支撑地球系统科学的大科学装置 |
3.2.3 深化空间地球科学的国际合作 |
4 结语 |
(4)多源遥感协同下的全天候地表温度估算研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状和存在的问题 |
1.2.1 热红外和被动微波遥感协同下的全天候地表温度估算 |
1.2.2 热红外遥感和再分析数据协同下的全天候地表温度估算 |
1.3 研究目标与研究内容 |
1.4 本文的结构安排 |
第二章 基于热采样深度纠正模型估算被动微波遥感地表温度 |
2.1 引言 |
2.2 研究区与数据 |
2.2.1 研究区 |
2.2.2 遥感数据 |
2.2.3 再分析数据 |
2.2.4 地面站点数据 |
2.3 TSDC方法 |
2.3.1 微波辐射平衡方程 |
2.3.2 微波辐射平衡方程和土壤热传导方程的耦合 |
2.3.3 方法实现 |
2.3.4 方法评估方案 |
2.4 结果 |
2.4.1 NCWM研究区 |
2.4.2 WN研究区 |
2.4.3 敏感性分析 |
2.5 讨论 |
2.5.1 方法蕴含的意义及潜在应用 |
2.5.2 土壤热传导方程的模拟对结果的影响 |
2.6 本章小结 |
第三章 基于温度时间分解模型估算热红外-被动微波遥感全天候地表温度 |
3.1 引言 |
3.2 研究区与数据 |
3.2.1 研究区 |
3.2.2 遥感数据 |
3.2.3 再分析数据 |
3.2.4 地面站点数据 |
3.3 TCD方法 |
3.3.1 地表温度时间分量的参数化 |
3.3.2 方法实现 |
3.3.3 方法评估方案 |
3.4 结果 |
3.4.1 地表温度的时间分量 |
3.4.2 TCD全天候地表温度的精度 |
3.4.3 TCD全天候地表温度的图像质量 |
3.5 讨论 |
3.5.1 1km被动微波遥感地表温度的估算 |
3.5.2 TCD全天候地表温度估算中的不确定性 |
3.5.3 方法蕴含的意义及潜在应用 |
3.6 本章小结 |
第四章 基于无缺失微波亮温重构估算热红外-被动微波遥感全天候地表温度 |
4.1 引言 |
4.2 研究区与数据 |
4.2.1 研究区 |
4.2.2 热红外遥感数据 |
4.2.3 被动微波遥感数据 |
4.2.4 辅助遥感数据 |
4.2.5 再分析数据 |
4.2.6 地面站点数据 |
4.3 RBT方法 |
4.3.1 基于SSA的无缺失MWRI亮温重构 |
4.3.2 重构MWRI亮温的时间标定 |
4.3.3 基于偏差纠正的AMSR-E/2无缺失亮温重构 |
4.3.4 无缺失全天候地表温度生成 |
4.3.5 方法实现 |
4.3.6 方法评估方案 |
4.4 结果与讨论 |
4.4.1 重构后的无缺失AMSR-E/2亮温 |
4.4.2 RBT全天候地表温度 |
4.4.3 亮温重构和RBT全天候地表温度估算中的不确定性 |
4.4.4 方法的潜在应用 |
4.5 本章小结 |
第五章 基于温度时间分解模型估算再分析数据-热红外遥感全天候地表温度 |
5.1 引言 |
5.2 研究区与数据 |
5.2.1 研究区 |
5.2.2 遥感数据 |
5.2.3 再分析数据 |
5.2.4 地面站点数据 |
5.3 RTM方法 |
5.3.1 地表温度的新时间分解模型 |
5.3.2 低频时间分量LFC的参数化 |
5.3.3 晴空高频时间分量HFC的参数化 |
5.3.4 非晴空高频时间分量HFC_(cld)的参数化 |
5.3.5 方法实现 |
5.3.6 方法评估方案 |
5.4 结果与讨论 |
5.4.1 RTM方法应用前后的地表温度 |
5.4.2 与热红外遥感地表温度比较下RTM地表温度的精度 |
5.4.3 以实测地表温度验证下RTM地表温度的精度 |
5.4.4 RTM地表温度与TCD地表温度的比较 |
5.4.5 RTM地表温度与ESTARFM地表温度的比较 |
5.4.6 方法蕴含的意义和潜在应用 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 研究总结与主要创新点 |
6.2 后续工作展望 |
致谢 |
参考文献 |
附录A 量化裸土土壤层辐射通量的贡献率密度函数形式 |
攻读博士学位期间取得的学术成果 |
(5)基于4DEnVar的全球地面观测资料陆气协同同化研究(论文提纲范文)
摘要 |
Abstract |
主要专有名词和缩写词列表 |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外相关研究进展 |
1.2.1 资料同化方法研究进展 |
1.2.2 全球数值预报业务中地面资料同化进展 |
1.2.3 全球大气再分析中地面资料同化 |
1.2.4 地面资料同化方法研究进展 |
1.3 论文研究内容 |
1.3.1 拟研究的问题 |
1.3.2 论文章节安排 |
第二章 全球大气和陆面弱耦合同化系统构建 |
2.1 引言 |
2.2 GFS/GSI全球同化系统介绍 |
2.2.1 GSM全球大气预报模型介绍 |
2.2.2 GSI同化系统介绍 |
2.2.3 En KF集合同化系统介绍 |
2.3 地面观测资料的大气和陆面协同同化方案 |
2.3.1 美国GSI区域系统地面资料同化方案 |
2.3.2 英国气象局全球地面观测资料同化方案 |
2.3.3 本论文地面观测资料的大气和陆面协同同化方案 |
2.4 全球大气和陆面弱耦合同化系统构建 |
2.5 小结 |
第三章 全球近地面气温、湿度和风同化系统构建与数值试验 |
3.1 引言 |
3.2 LETKF同化算法 |
3.3 局地化方案 |
3.3.1 观测空间局地化 |
3.3.2 状态变量局地化 |
3.4 集合样本产生策略 |
3.5 系统构建与数值试验 |
3.5.1 系统构建与试验设计 |
3.5.2 观测资料同化反馈数据分析 |
3.5.3 基于交叉验证方法进行独立评估 |
3.6 小结 |
第四章 全球陆面数据同化系统构建与数值试验 |
4.1 引言 |
4.2 陆面模式与驱动数据 |
4.3 基于2D-EnOI的土壤湿度分析 |
4.4 数值试验与结果分析 |
4.4.1 相关长度的确定 |
4.4.2 集合样本选取策略 |
4.4.3 试验设计与评估 |
4.5 小结 |
第五章 基于GSI的地面观测资料大气同化方法与数值试验 |
5.1 引言 |
5.2 GSI同化算法 |
5.2.1 三维变分(3D-Var) |
5.2.2 三维集合变分混合同化(Hybrid-3DEnVar) |
5.2.3 四维集合变分混合同化(Hybrid-4DEnVar) |
5.3 地面气温、湿度和风场观测资料同化模块构建 |
5.4 地面资料大气同化的数值评估试验 |
5.4.1 试验设计 |
5.4.2 试验结果 |
5.5 小结 |
第六章 全球地面资料陆气协同同化试验及结果分析 |
6.1 试验设计 |
6.2 观测资料 |
6.3 对近地面气温0h与12h预报场影响分析 |
6.3.1 近地面气温0h与12h预报场 |
6.3.2 近地面湿度0h与12h预报场 |
6.3.3 近地面U风0h与12h预报场 |
6.3.4 近地面V风0h与12h预报场 |
6.4 对大气分析场与背景场的影响 |
6.5 小结 |
第七章 结论与展望 |
7.1 本文主要结论 |
7.2 本文的创新点 |
7.3 讨论与展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究结果 |
(6)基于导航卫星反射信号的土壤湿度研究(论文提纲范文)
摘要 |
abstract |
缩略语(英文和中文对照) |
第一章 前言 |
1.1 土壤水分研究的意义 |
1.2 土壤水分的遥感现状 |
1.2.1 主动式土壤水分遥感 |
1.2.2 被动式土壤水分遥感 |
1.2.3 外源助动式土壤水分遥感(GNSS-R) |
1.3 研究内容 |
1.3.1 研究内容(技术路线图) |
1.3.2 章节安排 |
第二章 全球卫星导航系统遥感方法与模型 |
2.1 GNSS信号源与信号结构 |
2.1.1 全球卫星导航系统 |
2.1.2 GNSS信号结构 |
2.2 GNSS反射信号测量原理 |
2.3 地表散射的物理机制和模型 |
2.3.1 土壤介电模型 |
2.3.2 菲涅尔模型 |
2.3.3 随机粗糙表面散射模型 |
2.3.4 植被覆盖微波遥感模型 |
第三章 地基GNSS-R土壤湿度试验(SOMOSTA) |
3.1 试验概况 |
3.2 接收机与天线 |
3.2.1 SAM软件接收机 |
3.2.2 GNSS-R天线 |
3.3 对比数据观测 |
3.3.1 Theta Probe土壤湿度计 |
3.3.2 ELBARA-II辐射计 |
3.4 Oceanpal数据观测 |
3.5 数据分析 |
3.5.1 单次观测波形分析 |
3.5.2 反射信号随湿度和仰角变化分析 |
3.5.3 GNSS-R与 ELBARA微波辐射计观测相关性分析 |
第四章 机载GNSS-R试验 |
4.1 试验概况 |
4.1.1 设备安装 |
4.1.2 数据采集 |
4.2 数据分析 |
4.3 土壤湿度计算与结果对比 |
第五章 星载GNSS-R土壤湿度反演 |
5.1 星载硬件接收机 |
5.2 星载低轨小卫星项目 |
5.2.1 Tech Demo Sat-1 |
5.2.2 CYGNSS |
5.3 数据处理 |
5.3.1 DDM信噪比计算 |
5.3.2 质量控制与校准 |
5.4 模型精度分析 |
第六章 基于神经网络的地基GNSS-R土壤湿度反演 |
6.1 基于神经网络的GNSS-R土壤湿度反演模型构建 |
6.1.1 数据预处理 |
6.1.2 NEU NETWORK模型建立 |
6.1.3 拟合结果 |
6.2 模型精度对比与验证分析 |
6.2.1 与解析物理模型反演土壤湿度的对比 |
6.2.2 与回归拟合经验模型反演土壤湿度的对比 |
6.2.3 与实测土壤水分数据的对比 |
第七章 总结与展望 |
7.1 论文总结 |
7.2 论文特色与创新 |
7.3 后续工作展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
作者简介 |
(7)卫星遥感大气CO2浓度变化与人为排放的关联分析研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 大气CO_2遥感观测卫星发展 |
1.2.2 基于遥感卫星的人为CO_2排放监测 |
1.2.3 遥感卫星应用于人为 CO_2 排放监测的问题点 |
1.3 研究内容 |
1.4 技术路线 |
1.5 论文结构 |
第2章 数据与方法 |
2.1 数据收集概况 |
2.2 CO_2卫星观测数据 |
2.2.1 GOSAT数据 |
2.2.2 OCO-2数据 |
2.3 通量数据 |
2.3.1 CDIAC地面排放清单数据 |
2.4 其他辅助数据 |
2.5 研究方法 |
2.5.1 研究对比区的选择 |
2.5.2 基于模型的不确定性分析 |
2.6 本章小结 |
第3章 卫星遥感大气CO_2浓度变化与人为排放的关联 |
3.1 对比区大气CO_2柱浓度时空特征 |
3.2 人为排放引起的大气CO_2柱浓度变化量分析 |
3.2.1 大气CO_2柱浓度对人为排放变化的敏感性分析 |
3.2.2 大气CO_2柱浓度季节变化对人为排放的响应 |
3.3 本章小结 |
第4章 卫星遥感检测人为排放变化的不确定性 |
4.1 卫星观测尺度效应对人为排放检测的影响 |
4.2 大气传输对人为排放检测的影响 |
4.3 本章小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 创新点 |
5.3 展望 |
参考文献 |
致谢 |
作者简历及在学期间发表论文与研究成果 |
(8)大气CO2反演中云和气溶胶的影响及其校正方法(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 温室效应与大气CO_2 |
1.1.2 卫星监测大气CO_2 |
1.2 温室气体卫星载荷的发展现状 |
1.2.1 热红外高光谱传感器发展 |
1.2.2 短波近红外高光谱传感器发展 |
1.2.3 主动激光雷达传感器发展 |
1.3 短波近红外反演算法的发展现状 |
1.3.1 经验统计算法 |
1.3.2 物理反演方法 |
1.3.3 反演中云和气溶胶的影响 |
1.4 研究内容和意义 |
1.4.1 研究方法和意义 |
1.4.2 主要完成的工作 |
第2章 大气辐射传输理论基础 |
2.1 大气分层 |
2.2 大气中气体吸收理论 |
2.2.1 大气O_2分子吸收 |
2.2.2 大气CO_2分子吸收 |
2.3 大气中散射理论 |
2.3.1 瑞利散射 |
2.3.2 洛伦兹-米散射 |
2.3.3 几何光学散射计算 |
2.4 云和气溶胶相关理论 |
2.4.1 云和气溶胶概述 |
2.4.2 云物理特性 |
2.4.3 气溶胶物理特性 |
2.5 前向模型与仿真 |
第3章 协同云检测方法研究 |
3.1 GMI观测点的指向配准 |
3.1.1 海岸线数据提取 |
3.1.2 GMI指向配准算法 |
3.1.3 海陆阈值与校正结果 |
3.1.4 多源数据时空匹配 |
3.2 协同云筛选算法 |
3.3 云检测结果与检验 |
3.4 本章小结 |
第4章 大气CO_2反演参数敏感性分析 |
4.1 卷云和气溶胶参数敏感性分析 |
4.1.1 光学厚度敏感性分析 |
4.1.2 垂直分布敏感性分析 |
4.2 全球气溶胶模式设定和误差分析 |
4.3 地表反射影响 |
4.3.1 研究区概况 |
4.3.2 地表反射率模型 |
4.3.3 京津冀地表BRDF模型 |
4.3.4 反演误差分析 |
4.4 本章小结 |
第5章 大气CO_2反演算法和结果验证 |
5.1 概述 |
5.2 物理反演算法中的地表模型优化 |
5.2.1 物理反演方法 |
5.2.2 状态向量的先验值和预处理 |
5.2.3 先验协方差矩阵构建 |
5.2.4 反演中地表反射率模型优化 |
5.3 卷云和气溶胶散射校正 |
5.3.1 三层PPDF模型构建 |
5.3.2 O_2-A通道反演PPDF参数 |
5.3.3 模型散射校正有效性评估 |
5.3.4 大气CO_2含量反演 |
5.3.5 反演结果检验 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 主要研究内容和结论 |
6.2 论文创新点 |
6.3 存在的问题和展望 |
参考文献 |
附录 |
致谢 |
在读期间发表的学术论文与取得的其他研究成果 |
(9)基于C波段SAR的海面风场反演方法与近海风能资源评估(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 SAR海面风场反演研究进展与不足 |
1.2.1 同极化SAR的海面风场反演研究进展 |
1.2.1.1 基于VV极化SAR的海面风场反演研究进展 |
1.2.1.2 基于HH极化SAR的海面风场反演研究进展 |
1.2.2 交叉极化SAR风场反演研究进展 |
1.2.3 现有SAR风场反演研究中的不足 |
1.3 SAR近海风能资源评估进展与不足 |
1.4 研究内容 |
1.4.1 拟解决关键问题 |
1.4.2 主要内容与论文组织构架 |
1.5 数据资料及其预处理 |
1.5.1 浮标观测数据与预处理 |
1.5.2 SAR影像数据与预处理 |
1.5.2.1 Sentinel-1数据 |
1.5.2.2 RADARSAT-2数据 |
1.5.2.3 ENVISAT ASAR数据 |
1.5.2.4 SAR数据的预处理 |
1.5.3 CCMP 2.0数据与预处理 |
1.5.3.1 CCMP 2.0数据风向插值处理 |
1.5.3.2 CCMP 2.0数据风速插值处理 |
2 SAR测风基本原理 |
2.1 后向散射系数 |
2.2 海面后向散射系数的影响因素 |
2.3 同极化SAR风场反演原理 |
2.4 交叉极化SAR风场反演原理 |
3 Sentinel-1同极化SAR海面风场反演模型研究 |
3.1 常用同极化SAR海面风场反演模型 |
3.1.1 常用的VV极化海面风场反演模型 |
3.1.1.1 CMOD4模式函数 |
3.1.1.2 CMOD-IFR2模式函数 |
3.1.1.3 CMOD5模式函数 |
3.1.1.4 CMOD5.N模式函数 |
3.1.2 常用的HH极化海面风场反演模型 |
3.2 VV极化SAR海面风场反演模型比较 |
3.3 HH极化SAR海面风场反演模型比较 |
3.4 本章小结 |
4 Sentinel-1交叉极化SAR海面风场反演模型构建 |
4.1 Sentinel-1交叉极化影像风场反演模型的构建 |
4.1.1 等效后向散射系数(NESZ)的去除 |
4.1.2 建模参考风速的构建 |
4.1.3 基于Sentinel-1子刈幅的交叉极化风场反演模型 |
4.2 Sentinel-1交叉极化影像风场反演精度验证 |
4.3 入射角对交叉极化后向散射系数影响的原因分析 |
4.4 本章小结 |
5 SAR海面风场反演空间尺度效应研究 |
5.1 同极化SAR风场反演空间尺度效应研究 |
5.1.1 VV极化SAR风场反演的空间尺度效应 |
5.1.2 HH极化SAR风场反演的空间尺度效应 |
5.2 交叉化SAR风场反演空间尺度效应研究 |
5.2.1 C波段交叉极化海洋(C-2PO)模型的优选 |
5.2.2 空间尺度效应研究参考风速的构建 |
5.2.3 交叉极化SAR风场反演的空间尺度效应 |
5.3 本章小结 |
6 基于SAR的近海风能资源评估的可行性分析 |
6.1 研究区域与数据分布 |
6.2 近海风能资源评估方法 |
6.3 近海ENVISAT ASAR影像风场反演模型的优选 |
6.4 SAR计算的风能参数精度验证 |
6.5 基于SAR的近海风功率密度分布制图 |
6.6 本章小结 |
7 总结与展望 |
7.1 主要研究结论 |
7.2 主要创新点 |
7.3 不足与展望 |
参考文献 |
博士期间发表论文 |
(10)台风强对流天气卫星风资料同化相关问题研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景 |
1.2 台风强对流天气风资料同化相关问题的研究现状 |
1.2.1 卫星观测稀疏化方法的研究现状 |
1.2.2 卫星观测资料质量控制的研究现状 |
1.2.3 具有流依赖特性的同化方法研究现状 |
1.2.4 考虑观测误差协相关的同化研究现状 |
1.3 论文的主要工作与创新 |
1.4 论文结构 |
第二章 台风强对流区测风观测 |
2.1 常规测风手段 |
2.1.1 下投式探空仪 |
2.1.2 步进式频率微波辐射计 |
2.2 遥感卫星测风 |
2.2.1 微波散射计 |
2.2.2 微波辐射计 |
2.2.3 星载合成孔径雷达 |
2.2.4 微波高度计 |
2.2.5 CYGNSS |
2.2.6 星载激光雷达 |
2.2.7 卫星导风 |
2.2.8 AMSU风场 |
2.3 多源融合风场 |
2.3.1 CCMP |
2.3.2 MTCSWA |
2.4 台风强对流天气测风所面临的挑战 |
2.4.1 高风条件下散射信号饱和问题 |
2.4.2 强降水对风速反演的影响 |
2.4.3 多源测风观测的标定问题 |
2.5 本章小结 |
第三章 台风强对流区风场稀疏化技术 |
3.1 基于风场结构特征的稀疏化 |
3.1.1 SAR风场同化实验 |
3.2 基于风场增量特征的稀疏化 |
3.2.1 超观测 |
3.2.2 基于特征盒的超观测 |
3.2.3 基于特征盒超观测的误差特性 |
3.2.4 ASCAT风场同化实验 |
3.3 本章小结 |
第四章 台风强对流区风资料同化的质量控制 |
4.1 基于高斯分布的质量控制方案的局限性 |
4.1.1 风矢量常规质量控制方案的局限性 |
4.1.2 台风强对流区风场质量控制的局限性 |
4.2 基于Huber模的质量控制方案 |
4.2.1 Huber模的定义 |
4.2.2 最优转点的计算 |
4.2.3 观测资料权重调整 |
4.3 自适应质量控制方案 |
4.3.1 观测新息量的组成成分 |
4.3.2 自适应观测误差调整方案 |
4.4 同化结果比较 |
4.4.1 实验设置 |
4.4.2 实验结果 |
4.5 本章小结 |
第五章 基于Hybrid的台风强对流天气风资料同化 |
5.1 变分同化框架 |
5.1.1 变分同化的优势 |
5.1.2 变分同化的局限性 |
5.1.3 WRFDA平台介绍 |
5.2 集合卡尔曼滤波框架 |
5.2.1 集合同化的优势 |
5.2.2 集合同化的局限性 |
5.2.3 DART平台介绍 |
5.3 基于Hybrid的台风强对流天气风资料同化系统设计 |
5.3.1 基于ETKF-3DVAR的 Hybrid同化框架 |
5.3.2 混合资料同化系统设计 |
5.4 同化结果比较 |
5.4.1 实验设置 |
5.4.2 实验结果 |
5.5 本章小结 |
第六章 考虑风分量观测误差自相关的直接同化 |
6.1 u,v分量的观测误差特性 |
6.1.1 u,v分量观测误差的另一种解读 |
6.1.2 u,v分量观测误差协相关 |
6.2 基于误差相关的风分量的直接同化 |
6.2.1 基于误差相关风分量直接同化的代价函数 |
6.2.2 误差膨胀方案 |
6.3 ASCAT风场同化实验 |
6.3.1 ASCAT风场数据 |
6.3.2 实验设置 |
6.3.3 实验结果 |
6.4 本章小结 |
第七章 结论与展望 |
7.1 主要研究工作及结果 |
7.2 研究展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
四、欧洲空间局的METOP、MSG和ENVISAT计划(论文参考文献)
- [1]基于SAR图像的海面风和海浪的反演算法研究[D]. 丁莹莹. 浙江海洋大学, 2021(02)
- [2]我国海洋卫星数据应用发展现状与思考[J]. 文质彬,吴园涛,李琛,殷建平. 热带海洋学报, 2021(06)
- [3]中国空间地球科学发展现状及未来策略[J]. 施建成,郭华东,董晓龙,梁顺林,陈镜明,宫鹏,杨晓峰,程洁,林明森,张鹏,张伟,居为民,刘毅,李增元,赵天杰. 空间科学学报, 2021(01)
- [4]多源遥感协同下的全天候地表温度估算研究[D]. 张晓东. 电子科技大学, 2020
- [5]基于4DEnVar的全球地面观测资料陆气协同同化研究[D]. 姜立鹏. 南京信息工程大学, 2021(01)
- [6]基于导航卫星反射信号的土壤湿度研究[D]. 尹聪. 南京信息工程大学, 2019(01)
- [7]卫星遥感大气CO2浓度变化与人为排放的关联分析研究[D]. 钟惠. 中国科学院大学(中国科学院遥感与数字地球研究所), 2019(06)
- [8]大气CO2反演中云和气溶胶的影响及其校正方法[D]. 吴浩. 中国科学技术大学, 2019(08)
- [9]基于C波段SAR的海面风场反演方法与近海风能资源评估[D]. 张康宇. 浙江大学, 2019(04)
- [10]台风强对流天气卫星风资料同化相关问题研究[D]. 段博恒. 国防科技大学, 2018(01)