高技术通讯
高技術通訊
고기술통신
HIGH TECHNOLOGY LETTERS
2013年
5期
462-466
,共5页
毛克彪%马莹%夏浪%沈心一
毛剋彪%馬瑩%夏浪%瀋心一
모극표%마형%하랑%침심일
热红外遥感%神经网络(NN)%MODTRAN%中分辨率成像光谱仪(MODIS)%近地表空气温度
熱紅外遙感%神經網絡(NN)%MODTRAN%中分辨率成像光譜儀(MODIS)%近地錶空氣溫度
열홍외요감%신경망락(NN)%MODTRAN%중분변솔성상광보의(MODIS)%근지표공기온도
Thermal remote sensing%neural network%MODTRAN%MODIS%near surface air temperature
基于辐射传输模型(RM)和动态学习神经网络(NN),成功进行了用MODIS数据反演近地表空气温度的研究,并给出了完成这种反演的RM-NN算法.该算法用RM来模拟不同地面辐射状况下(包括不同的地表温度、近地表空气温度、发射率和大气水汽含量)卫星高度获得的辐射强度数据集,用动态学习神经网络来进行反演计算.反演分析结果表明,近地表空气温度不能直接精确地用MODIS数据反演计算得到,如果能把地表温度和发射率以及大气水汽含量作为先验知识,则能够比较精确地反演近地表空气温度.模拟分析表明,平均误差和标准偏差分别大约是0.8K和0.9K,如果考虑地表温度和发射率的误差,平均误差和标准偏差分别为1.5K和1.8K.反演结果和地面气象站点数据比较表明,合理地利用先验知识使得RM-NN算法能够用MODIS数据比较精确地反演近地表空气温度.
基于輻射傳輸模型(RM)和動態學習神經網絡(NN),成功進行瞭用MODIS數據反縯近地錶空氣溫度的研究,併給齣瞭完成這種反縯的RM-NN算法.該算法用RM來模擬不同地麵輻射狀況下(包括不同的地錶溫度、近地錶空氣溫度、髮射率和大氣水汽含量)衛星高度穫得的輻射彊度數據集,用動態學習神經網絡來進行反縯計算.反縯分析結果錶明,近地錶空氣溫度不能直接精確地用MODIS數據反縯計算得到,如果能把地錶溫度和髮射率以及大氣水汽含量作為先驗知識,則能夠比較精確地反縯近地錶空氣溫度.模擬分析錶明,平均誤差和標準偏差分彆大約是0.8K和0.9K,如果攷慮地錶溫度和髮射率的誤差,平均誤差和標準偏差分彆為1.5K和1.8K.反縯結果和地麵氣象站點數據比較錶明,閤理地利用先驗知識使得RM-NN算法能夠用MODIS數據比較精確地反縯近地錶空氣溫度.
기우복사전수모형(RM)화동태학습신경망락(NN),성공진행료용MODIS수거반연근지표공기온도적연구,병급출료완성저충반연적RM-NN산법.해산법용RM래모의불동지면복사상황하(포괄불동적지표온도、근지표공기온도、발사솔화대기수기함량)위성고도획득적복사강도수거집,용동태학습신경망락래진행반연계산.반연분석결과표명,근지표공기온도불능직접정학지용MODIS수거반연계산득도,여과능파지표온도화발사솔이급대기수기함량작위선험지식,칙능구비교정학지반연근지표공기온도.모의분석표명,평균오차화표준편차분별대약시0.8K화0.9K,여과고필지표온도화발사솔적오차,평균오차화표준편차분별위1.5K화1.8K.반연결과화지면기상참점수거비교표명,합리지이용선험지식사득RM-NN산법능구용MODIS수거비교정학지반연근지표공기온도.
