排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
星载微波散射计是获取全球海面风场信息的主要手段, HY-2B卫星散射计的成功发射为全球海面风场数据获取的持续性提供了重要保障。本文利用欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts, ECMWF)再分析风场数据、热带大气海洋观测计划(Tropical Atmosphere Ocean Array, TAO)和美国国家数据浮标中心(National Data Buoy Center, NDBC)浮标获取的海面风矢量实测数据, 对HY-2B散射计海面风场数据产品的质量进行统计分析。分析表明, HY-2B风场与ECMWF再分析风场对比, 在4~24m·s-1风速区间内, 风速和风向均方根误差(root mean square error, RMSE)分别为1.58m·s-1和15.34°; 与位于开阔海域的TAO浮标数据对比, 风速、风向RMSE分别为1.03m·s-1和14.98°, 可见HY-2B风场能较好地满足业务化应用的精度要求(风速优于2m·s-1, 风向优于20°)。与主要位于近海海域的NDBC浮标对比, HY-2B风场的风速、风向RMSE分别为1.60m·s-1和19.14°, 说明HY-2B散射计同时具备了对近海海域风场的良好观测能力。本文还发现HY-2B风场质量会随风速、地面交轨位置等变化, 为用户更好地使用HY-2B风场产品提供参考。 相似文献
2.
3.
4.
5.
6.
基于最大似然估计的海面风场反演算法研究 总被引:1,自引:1,他引:0
最大似然估计法被认为是海面风场反演的最佳方法,目前被用来处理SeaWinds散射计数据。风矢量求解算法是风场反演算法的核心内容。最大似然法的目标函数形式决定了在风场反演过程中必须采用数值方法求解风矢量,而传统数值求解方法运算量大。该文对最大似然估计的风场反演方法的基本原理和具体过程进行探讨,根据其目标函数的一般分布特征,提出一种较为高效的数值风矢量搜索算法。用SeaWinds散射计的12A实测数据和相应的L2B数据验证了该算法的可行性。 相似文献
7.
利用散射计测量海面后向散射系数, 并通过地球物理模型函数(geophysical model function, GMF)反演得到海面风场。目前散射计风场反演所采用的GMF一般只考虑雷达极化方式、雷达入射角、风速和相对风向对海面后向散射系数的影响, 而相关研究表明海表温度(sea surface temperature, SST)对Ku波段散射计风场反演具有不可忽略的影响。文章利用海洋二号A卫星散射计(Haiyang-2A Scatterometer, HY2A-SCAT)后向散射系数观测值、欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts, ECMWF )再分析风矢量和SST数据, 采用人工神经网络方法, 建立起一种SST相关的GMF (TNGMF)。对TNGMF进行分析后发现, 海面后向散射系数随着SST的增加而增加, 并且其增加幅度与雷达极化方式、风速有关。为了对比, 文章使用相同数据集和相同方法建立了不包含SST的GMF (NGMF), 将美国国家航天航空局散射计-2 (National Aeronautics and Space Administration Scatterometer-2, NSCAT2) GMF、TNGMF和NGMF分别用于HY2A-SCAT风场反演实验。试验结果表明, 采用NSCAT2 GMF、NGMF反演得到的风速在低温时系统性偏小, 在高温时系统性偏大; 而TNGMF可较好地纠正SST对风速偏差均值的影响, 从而提高反演风场质量。 相似文献
8.
SeaWinds散射计海面风场神经网络建模研究 总被引:2,自引:0,他引:2
根据Sea Winds散射计只有两个入射角和两种极化方式的特点,利用其L2A数据和F291海上浮标数据,针对传统建模方法的不足和限制,借助神经网络建立了一个两种极化方式下统一的神经网络地球物理模型函数。该模型的主要特点是建模风矢量全部取自海上浮标测量数据,因而所用风矢量更加客观准确。通过与Qscat-1模型的比较和L2B与浮标风速之间的偏差统计分析,证明了该神经网络模型的有效性,并发现Qscat-1模型存在一定的系统性偏差。 相似文献
1