一种Ku波段微波散射计风速、降水同时反演方法技术

本发明专利技术涉及卫星遥感、海洋遥感、气象技术领域，尤其涉及一种Ku波段微波散射计风速、降水同时反演方法。所述方法包括：选取Ku波段散射计观测风单元满足质量控制的相关参量，输入预先建立和训练好的针对Ku波段散射计的风速和降水同时反演特定模型，实现设定条件下的风速和降水同时估计，所述设定条件为风速小于14米/秒并且降水量小于10毫米/小时。本发明专利技术基于支持向量机的普适方法，建立针对Ku波段散射计降水影响区域识别、风速的降水影响去除和降水信息的定量估计的特定模型，实现14m/s(米/秒)和10mm/h(毫米/小时)降水量以下的风速和降水同时估计。同时估计。同时估计。

【技术实现步骤摘要】
一种Ku波段微波散射计风速、降水同时反演方法


[0001]本专利技术涉及卫星遥感、海洋遥感、气象
，尤其涉及一种Ku波段微波散射计风速、降水同时反演方法。

技术介绍

[0002]作为能高效获取海面风场的遥感传感器，星载微波散射计提供的观测进行海面风场反演的技术经过40余年的长足发展。洋面风测量的微波散射计大多工作在C或者Ku波段，在降水或者降水云存在时，会对风生海面的回波造成影响，从而影响风场的反演结果，对波长较短的Ku波段影响是C波段的10倍左右。在目前的常规处理流程中，使用质量控制的方法剔除反演结果与模型描述的海面场景偏离较远的数据，其中也包括降水影响的数据。已有研究表明，降水虽然具有较为复杂特性，能对风场的反演结果造成影响，但另一方面，对风场测量造成的影响中也包含了降水信息。对该信息的定量，能有助于风场信息的修正和降水信息的提取。目前常用的方法是借助数值预报模型提供的降水和风场信息，使用基于电磁散射的物理模型或者基于贝叶斯理论进行估算。但由于数值模型的时空尺度与散射计观测存在差异，获得的结果也存在同样的特点。目前尚无针对观测本身进行降水区域识别、降水影响的风速修正和降水估算的方法。

技术实现思路

[0003]本专利技术的目的在于克服现有技术缺陷，提出了一种Ku波段微波散射计风速、降水同时反演方法。
[0004]为了实现上述目的，本专利技术提出了一种Ku波段微波散射计风速、降水同时反演方法，所述方法包括：
[0005]选取Ku波段散射计观测风单元满足质量控制的相关参量，输入预先建立和训练好的针对Ku波段散射计的风速和降水同时反演特定模型，实现设定条件下的风速和降水同时估计，所述设定条件为风速小于14米/秒并且降水量小于10毫米/小时。
[0006]作为上述方法的一种改进，所述Ku波段散射计观测风单元满足质量控制标记为降水存在的风单元使用的相关参量，相关参量包括：质量控制因子最大似然估计残差参量MLE、观测风速f、小于14米/秒的风向二维变分去模糊再分析风速以及降水影响程度因子α；其中，
[0007]所述质量控制因子最大似然估计残差参量MLE，为风单元内观测后向散射系数到地球物理模型函数的归一化欧氏距离和；
[0008]所述观测风速f为使用常规流程反演得到的风速；
[0009]所述降水影响程度因子α，定义为使用观测风速与18的差值归一化的质量控制中的风速目标函数因子Joss，满足下式：
[0010]α＝Joss/(f
‑
18)。
[0011]作为上述方法的一种改进，其特征在于，所述针对Ku波段散射计的风速和降水同
时反演特定模型包括风速修正支持向量机模型、降水识别支持向量机模型和降水反演支持向量机模型；其中，
[0012]所述风速修正支持向量机模型，用于输出降水影响改正后的风速；
[0013]所述降水识别支持向量机模型，用于输出降水存在标记，0表示降水不存在，1表示降水存在；
[0014]所述降水反演支持向量机模型，用于输出降水量。
[0015]作为上述方法的一种改进，所述方法还包括风速修正支持向量机模型的训练步骤；具体包括：
[0016]使用C波段和Ku波段散射计的时空匹配观测数据作为输入，使用C波段时空匹配的观测质量控制结果为接受的风速为输出真值，对风速修正支持向量机模型进行训练。
[0017]作为上述方法的一种改进，所述方法还包括降水识别支持向量机模型的训练步骤；具体包括：
[0018]使用C波段和Ku波段散射计的时空匹配观测数据，从中选取同时满足Ku波段观测质量控制结果为剔除以及C波段观测质量控制结果为接受的风单元，将该风单元对应的相关参数作为输入；对于降水数值为0毫米/小时，标记为0，表示无降水，否则标记为1,表示有降水，将标记作为输出真值，对降水识别支持向量机模型进行训练。
[0019]作为上述方法的一种改进，所述方法还包括降水反演支持向量机模型的训练步骤；具体包括：
[0020]使用C波段和Ku波段散射计的时空匹配观测数据的降水影响相关参量作为输入，使用遥感降水产品在风单元内的面积加权平均数值作为输出真值，对降水反演支持向量机模型进行训练，所述降水影响相关参量包括质量控制因子最大似然估计残差参量MLE、观测风速f、小于14米/秒的风向二维变分去模糊再分析风速以及降水影响程度因子α。
[0021]与现有技术相比，本专利技术的优势在于：
[0022]本专利技术基于支持向量机的普适方法，建立针对Ku波段散射计降水影响区域识别、风速的降水影响去除和降水信息的定量估计的特定模型，实现14m/s(米/秒)和10mm/h(毫米/小时)降水量以下的风速和降水同时估计。
附图说明
[0023]图1是一种Ku波段微波散射计风速、降水同时反演方法的流程图。
具体实施方式
[0024]本专利技术基于对微波散射计风场反演质量控制研究中使用的质量控制因子，使用散射计风场反演单元时空匹配的遥感降水产品作为参考，使用C和Ku双频散射计的时空匹配观测数据，基于支持向量机的普适方法，建立针对Ku波段散射计降水影响区域识别、风速的降水影响去除和降水信息的定量估计的特定模型，实现14m/s(米/秒)和10mm/h(毫米/小时)降水量以下的风速和降水同时估计。
[0025]基于支持向量机的普适方法，建立针对Ku波段散射计降水影响区域识别、风速的降水影响去除和降水信息的定量估计的特定模型，实现14m/s(米/秒)和10mm/h(毫米/小时)降水量以下的风速和降水同时估计。
[0026]微波散射计风场反演质量控制研究中使用的质量控制因子，在数值上，与降水存在相关性。由于波长较长，降水或者降水云对C波段的影响比Ku波段的影响弱10倍。使用C和Ku散射计的时空匹配观测数据，在C波段观测质量接受的风场中，将存在受到降水影响而被剔除的反演单元(风单元)。由于散射计风单元中后向散射系数观测值的分布情况不唯一，直接的信息提取存在多种需要建模的情况，使得本具有复杂性质的降水影响估算和消除更为复杂。然而在风场反演过程中，作为质量剔除判断基准的质量控制因子则是综合考虑反演所用的观测到海面风场映射的经验模型：地球物理模型函数(GMF)和观测之间的差异，或者是降水导致的风单元空间分布均一性的变化，对降水存在的风单元，这些因素更具统计表征特性。此时借助时空匹配的遥感降水产品作为参考，将Ku波段降水影响导致质量控制因子数值的变化从原理上进行分析，梳理与降水具有相关性的因子；同时考虑其他散射计观测中能提供降水信息的量，可以建立质量控制因子到降水的映射以及这些因素到真实风场的映射，实现风速的降水影响改正。分析研究表明，这两种映射具有复杂的非线性特性，因此，本专利技术选择基于支持向量机的普适方法，选择适合的输入，建立针对Ku波段散射计降水影响区域识别、风速的降水影响去除和降水信息的定量估计的特定模型，实现14m/s(米/秒)和10mm/h(毫米/小时)降水量以下的风速和降水同时估计。对于风速改本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种Ku波段微波散射计风速、降水同时反演方法，所述方法包括：选取Ku波段散射计观测风单元满足质量控制的相关参量，输入预先建立和训练好的针对Ku波段散射计的风速和降水同时反演特定模型，实现设定条件下的风速和降水同时估计，所述设定条件为风速小于14米/秒并且降水量小于10毫米/小时。2.根据权利要求1所述的Ku波段微波散射计风速、降水同时反演方法，其特征在于，所述Ku波段散射计观测风单元满足质量控制标记为降水存在的风单元使用的相关参量，相关参量包括：质量控制因子最大似然估计残差参量MLE、观测风速f、小于14米/秒的风向二维变分去模糊再分析风速以及降水影响程度因子α；其中，所述质量控制因子最大似然估计残差参量MLE，为风单元内观测后向散射系数到地球物理模型函数的归一化欧氏距离和；所述观测风速f为使用常规流程反演得到的风速；所述降水影响程度因子α，定义为使用观测风速与18的差值归一化的质量控制中的风速目标函数因子Joss，满足下式：α＝Joss/(f
‑
18)。3.根据权利要求1所述的Ku波段微波散射计风速、降水同时反演方法，其特征在于，所述针对Ku波段散射计的风速和降水同时反演特定模型包括风速修正支持向量机模型、降水识别支持向量机模型和降水反演支持向量机模型；其中，所述风速修正支持向量机模型，用于输出降水影响改正后的风速；所述降水识别支持向量机模型，用于输出降水存在标记，0表示降水不存在，...

【专利技术属性】
技术研发人员：徐星欧，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：