基于SAR图像纹理的北极海冰厚度的反演研究

基于七景北极Radarsat-2 SAR图像以及中国第六次北极科学考察走航期间利用船侧录像观测获得的平整冰厚度数据,通过灰度共生矩阵计算纹理,确定了最适合反演海冰厚度的纹理参数。并分析了海冰厚度与纹理之间的相关关系,探讨了纹理反演海冰厚度的可能性。选取了最合适的纹理特征进行拟合,并利用所得经验方程进行反演验证,结果与实测数据吻合较好,平均相对误差13.7%。与传统的仅依靠后向散射系数反演海冰厚度进行对比,新方法的误差更小,证明了纹理特征反演冰厚的优势。     

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

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。     

冰–水侧向融化过程的实验室试验研究

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。     

2017 - 2018年冬季乌梁素海湖冰表面裂缝形态分析

在2017 - 2018年冬季使用无人机对乌梁素海湖冰的冰面裂缝进行了航拍, 采用改进的自适应阈值分割方法进行图像二值化处理, 提取了冰裂缝的密度和分形维数。分析结果显示： 在固定区域的冰裂缝分形维数在1.35 ~ 1.50间变化, 冰裂缝数量随时间增加, 其分形维数也随之线性增大; 在冰生长期间, 冰厚度与冰裂缝分形维数也呈现出明显的线性关系（相关系数R²=0.75）。冰面不同区域的冰裂缝密度和分形维数在0.017 ~ 0.079、 1.38 ~ 1.64间变化, 且两者之间存在显著的对数相关性（相关系数R²>0.96）, 不同日期航拍数据拟合结果近似相等, 说明冰裂缝密度越大, 对应的分形维数越大。作为表征冰面形态特征的一种物理指标, 建立得到的冰裂缝分形维数与冰厚、 裂缝密度的相关关系, 对未来利用冰面裂缝形态监测冰层的生消过程可提供科学的参考。     

改进残差网络及时序气象卫星云图的台风等级分类研究

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。