排序方式: 共有45条查询结果,搜索用时 46 毫秒
41.
在北极东北航道东西伯利亚海和楚科奇海交汇的关键区域,利用四景2012年北极夏季Radarsat-2 SAR海冰图像,通过图像分类提取了海冰密集度;同时采用NASA TEAM算法,基于海洋二号(HY-2)卫星扫描微波辐射计亮温数据反演了对应区域的海冰密集度;并引入美国冰雪数据中心(NSIDC)发布的SSMIS海冰密集度产品进行了对比研究。通过不同来源海冰密集度数据的分析发现HY-2、SAR和SSMIS的结果在4个研究区域上的分布趋势基本吻合;但在海冰边缘区,由SAR图像分类得到的海冰密集度高于HY-2和SSMIS的反演结果,说明了高分辨率的SAR图像在监测边缘区小尺寸浮冰上有优势。三种数据中,原始分辨率相同(25 km)的HY-2与SSMIS的结果最为相近,而HY-2同SAR的相关性与SAR同SSMIS的相关性一致。在冰边缘,HY-2的反演值偏低于SAR和SSMIS的结果,这是受该处较高水汽含量影响的结果,也是未来发展HY-2微波辐射计反演算法需要重点改进的地方。 相似文献
42.
多层四流球谐函数算法的构建及在大气辐射传输模式中的应用 总被引:1,自引:0,他引:1
为了在不大幅度增加计算成本的情况下提高大气辐射传输计算的精度,利用单层四流球谐函数结合多层二流累加法,构造了可用于多层大气的四流球谐函数算法。为了比较与其他辐射传输算法的差异,引入48流离散纵坐标算法作为比较标准,Eddington 近似、四流离散纵坐标算法作为比较对象。在真实大气廓线条件下,计算了晴空和有云大气顶向上辐射通量、地表向下辐射通量以及加热率廓线。得出以下结论:在晴空情况下,与作为标准的48流离散纵坐标法相比,Eddington 近似、四流离散纵坐标法和新构造的四流球谐函数方法加热率绝对误差都小于0?3 K/d;向上、向下辐射通量的相对误差分别小于1%和0?6%。这表明在晴空情况下,3种算法对加热率的计算精度差别不大;对辐射通量的计算精度,两种四流近似算法比传统的 Eddington 近似更为精确。在有云情况下,与48流离散纵坐标法相比,四流球谐函数和四流离散纵坐标法计算的云顶加热率相对误差小于1%,而 Eddington 近似计算的云顶加热率相对误差大于5%。结果表明:新构造的四流球谐函数算法可用于大气辐射传输模式,在不大幅度增加计算成本的同时,提高了晴空大气的整体辐射计算精度和有云大气辐射加热率的计算精度。 相似文献
43.
采用PS-InSAR技术处理44景COSMO-SkyMed卫星影像,获取南宁市建成区2013~2016年地表沉降形变信息;选取典型沉降突变区域进行实地调查,分析地表变形特征及原因,验证PS-InSAR技术监测结果的准确性。结果表明,研究区年平均形变速率范围为-7~5 mm/a;沉降突变点大多分布在青秀区、西乡塘区及兴宁区的绕城高速以内,其中青秀区新竹路与思贤路交叉区域、民族大道高速出入口区域地面沉降明显,平均形变速率超过-9 mm/a;结合工程建设资料、光学历史影像进行实地调查,结果与PS-InSAR监测数据反映的问题吻合较好。该研究可为地质灾害预测和防治工作提供新思路。 相似文献
44.
为了探究冰层侧向融化过程,定量分析影响冰层侧向融化的主导因素,在低温实验室水槽内实施了浮冰融化实验。同步测量了冰底面和表面生消过程、浮冰侧向融化过程,同时记录了实验室气温、冰样内部不同深度处的冰温及开阔水域不同深度处的水温,利用相关分析方法研究了不同要素之间的关系及其对浮冰侧向融化速率的影响规律。结果表明,融冰前期冰样内部不同深度处的侧向融化缓慢且均匀,平均融化速率为0.05 mm/h;融冰中后期不同深度处的侧向融化速率显著增加且不再均匀,平均融化速率为0.15 mm/h。平均侧向融化速率与气温的相关系数较好(r=0.82),优于其与平均水温(r=0.74)和水–冰温度差(r=0.48)的相关系数。建立侧向融化速率随温度(气温、水温)和深度变化的定量关系,可以准确描述浮冰侧向融化过程的非均匀性。同时验证了进行非均匀性侧向融化试验技术的可行性,为更加接近北极真实情况考虑风速和光源条件的海冰试验奠定了基础。 相似文献
45.
结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题,且考虑台风云图时空关联性强、特征复杂因素,参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图,编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征,有效优化了原始残差网络的残差块,并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用,保留台风图像时序特性,提高网络性能。实验显示,W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能,采用MNIST通用数据集进行网络对比实验,宽残差网络得到98.786%的测试精度,优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。 相似文献