Ensemble retrieval of atmospheric temperature profiles from AIRS

ABSTRACT Satellite-based observations provide great opportunities for improving weather forecasting. Physical retrieval of atmo spheric profiles from satellite observations is sensitive to the uncertainty of the first guess and other factors. In order to improve the accuracy of the physical retrieval, an ensemble methodology was developed with an emphasis on perturbing the first guess. In the methodology, a normal probability density function （PDF） is used to select the optimal profile from the ensemble retrievals. The ensemble retrieval algorithm contains four steps： （1） regression retrieval for original first guess; （2） perturbation of the original first guess to generate new first guesses （ensemble first guesses）; （3） using the ensemble first guesses and nonlinear iterative physical retrieval to generate ensemble physical results; and （4） the final optimal profile is selected from the ensemble physical results by using PDE Temperature eigenvectors （EVs） were used to generate the pertur- bation and generate the ensemble first guess. Compared with the regular temperature profile retrievals from the Atmospheric InfraRed Sounder （AIRS）, the ensemble retrievals RMSE of temperature profiles selected by the PDF was reduced between 150 and 320 hPa and below 400 hPa, with a maximum improvement of 0.3 K at 400 hPa. The bias was also reduced in many layers, with a maximum improvement of 0.69 K at 460 hPa. The combined optimal （CombOpt） profile and a mean optimal （MeanOpt） profile of all ensemble physical results were improved below 150 hPa. The MeanOpt profile was better than the CombOpt profile, and was regarded as the final optimal （FinOpt） profile. This study lays the foundation for improving temperature retrievals from hyper-spectral infrared radiance measurements.     

多重网格法在MM5自适应模式中的应用

将多重网格法应用于MM5中来加速自适应网格的生成,并用这种方法来模拟2002年6月17-18日发生在江南和华南的暴雨过程。试验表明：在收敛精度要求高的情况下自适应模式模拟结果的精度高于均匀网格模式,且多重网格法有助于提高运算效率。     

SWCWARMS模式小时降水量时间滞后集合预报研究

基于SWCWARMS模式9km×9km分辨率逐小时降水预报,通过时间滞后集合预报方法构建多个集合成员,使用SAL评分值计算相应集合成员的权重系数,进行不等权集合平均,从而得到新的逐小时降水预报。利用SAL、TS和BIAS检验方法对四川省2019年8月的逐小时降水量时间滞后集合预报及相应的SWCWARMS模式最新时次预报进行对比分析,结果表明:(1)时间滞后集合预报SAL检验的L值和A值都较模式预报更接近于0,较好地改善了降水位置和强度的整体预报水平;(2)时间滞后集合预报对逐小时降水晴雨TS评分提升明显,评分提高百分率在10%左右,有效地减小了模式在晴雨方面的空报;(3)临近预报时效,时间滞后集合预报方法对于大量级降水预报也有较好的订正效果。     

基于熵权法的土地覆被动态遥感监测与评价——以新疆伊犁地区和博州为例

基于MODIS数据,选取植被净第一性生产力（NPP）、温度植被旱情指数（TVDI）、改进型土壤调整植被指数（MSAVI）、陆地表面温度（LST）4个对干旱地区地表覆被具有显著指示作用的指标,结合IGBP土地利用类型分类图,以新疆伊犁地区和博尔塔拉蒙古自治州（简称博州）为例,对研究区2003—2007年土地覆被动态进行监测,并利用熵权法确定各个指标的权重,在此基础上进行土地覆被动态的综合评价。结果表明,不同指标对不同的土地利用类型具有不同的适宜性和指示度;在新疆伊犁地区和博州,土地覆被动态地域差异性明显,土地覆被退化程度较大的土地类型为水体、草地、永久湿地、城镇,而森林、灌木林、荒漠草原和农田等土地类型有所改善,呈现出＂局部改善、总体退化＂的局面;引用熵权法将多个遥感指标综合起来进行土地覆被动态的监测与评价的途径是可行且有效的,可为干旱区土地覆被、荒漠化、土地退化、植被变化等工作的监测与评价提供可靠的技术方法与有价值的案例。     

21层大气环流模式IAP AGCM-III的设计及气候数值模拟I.动力框架

设计了IAP (InstituteofAtmosphericPhysics,ChineseAcademyofSciences)AGCM III,对其动力框架作说明和检验 ,时间积分采用改进的非线性迭代法。用Rossby Haurwitz波对框架进行了波型检验、能量检验和波速检验。结果表明 ,非线性迭代 3次的时间积分方案具有较好的稳定性 ,能够有效地抑制短波 ,同时对长波的歪曲较小 ,且时间积分步长可放得较大 ;该框架能够较长时间地保持Rossby Haurwitz 4波波型 ,在积分过程中能够较高精度地保持总有效能量守恒 ;模式计算的Rossby Haurwitz波速为每天西传 1 5个经度 ,这与理伦值很接近。     

面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析

为了验证目前高精度定位中多传感器组合定位模型性能的优越性,以更好地解决自动驾驶场景下自主定位中出现的预测精度标准不一致、预测不及时及误预测率高等问题,本文利用LiDAR与Radar数据,建立了一种基于迭代加权的IEKF-BP组合算法的松组合模型,并对两种传感器组合定位结果精度进行了分析.试验表明,迭代加权的IEKF-B...     

多系统融合单点定位先验和验后定权研究

针对多模全球卫星导航系统(GNSS)融合伪距单点定位随机模型难以精确构建的问题,在全球范围内选取了 10个多GNSS实验跟踪网MGEX(Multi-GNSS Experiment)观测站连续7天的观测数据,将四大GNSS系统的观测值分为五类,比较了高度角模型、用户等效测距误差(UERE)模型及验后Helmert方差分量...     

基于剖面和迭代选权曲面拟合的LIDAR点云滤波算法研究

LIDAR数据是目前最为理想的生产DEM/DSM的数据源,利用机载激光雷达获取DEM/DSM数据是机载激光雷达最为直接的应用。提出了一种剖面的数据表达方式对离散的LIDAR点云数据进行组织,同时对点云数据做初步的分类,在此基础上用迭代选权曲面拟合的滤波算法对地面点和非地面点做进一步的分类,以提高LIDAR点云数据的滤波效果的方法。     

基于二维图像特征的点云配准方法

为了提高低覆盖率点云的配准精度和收敛速度,提出了一种基于二维图像特征的点云配准方法。首先采用基于区域层次的点云配准算法实现粗配准;然后将三维点云转换成二维图像,再采用SURF算法提取二维图像的特征,并求解其匹配像素点对;最后根据二维匹配点获取相应的三维点云相关点,并计算刚体变换,由此实现点云的快速精确配准。试验结果表明,与迭代最近点（ICP）算法相比,该点云配准方法的配准精度和耗时分别提高了约20%和60%,是一种快速、高精度的点云配准算法。     

基于支撑向量回归的高光谱混合像元非线性分解

提出了基于支撑向量回归的高光谱混合像元自动分解.首先利用投影迭代的方法自动寻找到影像的典型地物光谱,然后利用Hapke近似函数模拟出非线性的训练和测试数据.支撑向量回归的混合像元分解方法与基于基函数分解方法的不同点是不需要预先确定非线性的映射形式,它通过核函数,把像元矢量从低维空间映射到高维特征空间,使得在特征空间中构造的线性光谱组合对应着原始空间（像元空间）的非线性组合特性,从而揭示了典型地物光谱之间的高阶性质,提高了混合像元的分解精度.实验结果证明,这种方法具有很高的混合像元的分解精度.利用模拟数据作分解精度的评价,表明97%以上的像元分解绝对误差不大于10%,而各类总体平均平方根误差均小于3.5%.