针对被动微波AMSR-E数据的土壤水分反演算法

提出了一种针对被动微波AMSR-E数据的土壤水分反演算法。用改进的积分方程模型(AIEM)模拟表明:在给定的粗糙度条件下,土壤水分和发射率之间有很好的线性关系;18.7GHz与10.7GHz的垂直极化(V)微波指数与土壤水分有很好的关系,而且部分消除了土壤粗糙度的影响,相关系数的平方(R-Square)是0.98。因此,建立标准化的微波指数与土壤水分之间的关系是可行的。算法敏感性分析表明,当有降雨时此算法比较敏感。相对于全国农业遥感地面监测东北网点县实测数据,算法平均误差大约是21.5%。此算法低估了土壤水分,用实测数据对反演结果做进一步修正后的误差为7.4%。用AMSR-E数据对2009年2月1日中国主要陆地表面进行了实际反演分析,结果表明反演结果符合实际土壤水分的分布情况,表明算法可行。     

利用MODIS影像反演沙漠化地区地表温度的方法研究

针对当前利用MODIS数据反演地表温度过于复杂和缺乏简便易行的实地验证方法的不足,尝试了改进反演方法的研究,提出了反演结果的地面准同步测量验证方法和在沙漠化地区分类计算地表比辐射率的方法,简化了原劈窗算法所需参数的计算过程。利用改进后的方法对新疆沙漠化地区的地表温度进行了反演,并同步进行了该区域在各种天气条件和地表条件下的地表温度反演结果的验证。经分析表明,在天空晴朗无云,无风,植被稀疏,地表类型均一,面积较大,沙质土壤且观测时刻与卫星过境时刻接近的条件下,该方法精度较高。研究表明改进的利用MODIS影像数据反演沙漠化地区地表温度方法和地面验证方法具有一定的可行性,适合于对沙化地区地表温度大范围且快速的遥感监测。     

植被覆盖地区AMSR-E反演土壤水分算法研究

在已有基于微波辐射传输模型的反演算法基础上,对2003年中国5种地区的AMSR-E观测数据进行了比较分析,引入了微波极化差异指数(MPDI)概念,提出了一种自动区分地面植被覆盖情况的方法.使用这种方法,反演过程中无需地面土地利用分类的辅助数据,同时在对有植被覆盖地区消除植被层的影响的过程中,改进了Richard提出的计算植被消光系数的方程,提高了反演应用中的运算效率.最后给出了AMSR-E反演土壤水分的工作流程,并对反演结果进行了分析.     

利用AMSR-E资料反演实时海面气象参数的个例

利用2005年1月的AMSR-E卫星资料作为一个例子,探讨了AMSR-E的12个通道的亮温与海表温度、海面气温、湿度及风速4个气象参数的关系,把亮温通道分3大类组合分别进行参数模拟,确定模拟这4个气象参数最合理的通道组合,并利用多参数回归方法建立海表温度、海面气温、湿度及风速与亮温之间的经验关系.反演结果与TAO浮标实测资料进行了比较,实时海表温度、海面气温、湿度及风速的均方根差分别为0.53℃、0.74℃、3.2%和1.1m/s.是一个利用卫星资料同时反演四个参数(海表温度、海面气温、湿度及风速)的成功例子,为计算海气热通量提供了数据,并为实时观测和研究气候变化提供了一种简单而有效的方法.     

基于组合不同裂窗算法反演黄河流域地表温度研究

以黄河流域为研究区域,利用MODIS遥感数据,根据下垫面的水分状况和土地覆盖类型对整个流域分别进行分区.在整个流域不分区、水分状况分区和土地覆盖分区双因子分区2种情形下,对比了7种常用的地表温度遥感反演裂窗算法的结果,在分析每种反演算法适用性的基础上,针对不同分区单元分别选择效果最好的算法进行组合来进行流域地表温度的反演.反演结果和MODIS的NASA的温度产品相比,效果更为理想.     

基于边缘感知的图像复原神经网络损失函数

像素级损失是图像复原任务中最基本、最常用的损失函数.然而,像素级损失无法区分图像中的边缘部分是否模糊,对所有像素点的处理一致,这与人类视觉系统对边缘部分的感知不同.通过对图像边缘部分的分析,本研究发现当输出图像模糊时,其与真实图像对应像素的误差方向与真实图像中该像素的二阶梯度方向相同.基于此本文提出了一种基于边缘感知的结构保留损失函数(SPLoss).本研究设计了模糊因子图来检测模糊像素,然后通过增加模糊位置像素误差的权重来惩罚模糊像素.SPLoss可以检测到输出图像中的模糊像素,并在优化网络时对其进行惩罚.对于包括图像超分辨率和图像去模糊在内的图像复原任务,本文在多个网络结构上进行了实验.实验结果表明,使用本文提出的损失函数训练的网络可以恢复拥有更好的感知质量的图像,在感知相关客观指标和视觉效果方面均超越原有像素级损失.     

黄东海二类水体三要素浓度反演的神经网络模型

根据 2 0 0 3年春季黄东海水色联合试验中获取的高质量现场数据 ,建立了由遥感反射率反演三要素浓度的神经网络 (NN)模型 ,并将NN模型与经验统计算法的结果进行了比较。提出了两种NN算法 ,一种是同时反演三要素浓度 ,另一种是一个NN模型只反演一种成分。三要素浓度同时反演的NN模型精度不及经验统计算法 ,平均相对误差分别为叶绿素 4 4.4 % ,总悬浮物 4 0 .5 % ,黄色物质 4 8.8%。独立反演叶绿素和总悬浮物浓度的NN模型精度稍高于经验统计算法 ,平均相对误差分别为叶绿素 32 .5 % ,总悬浮物2 9.4 %。NN模型的不同输入波段组合可反映出黄、东海水色三要素对不同光谱波段的灵敏度。误差敏感性分析表明 ,单独反演总悬浮物和黄色物质浓度的NN模型对输入信号的± 5 %波动不敏感 ,误差变化与统计算法相当。单独反演叶绿素浓度的NN模型对输入信号± 5 %波动的一种情况较为敏感。本文提出的NN模型是在可信的现场数据集训练下得到的可初步应用的结果。     

利用嫦娥一号卫星微波探测仪数据反演月球表面物理温度

本文利用理论研究的结果,建立了月表物理温度反演模型,结合嫦娥一号微波探测仪(CELMS)数据对全月球物理温度进行了反演。同时分析了物理温度变化对微波辐射的影响及其与表面地形等的关系,为其他月表信息反演提供了依据和物理温度的测量信息。     

利用RBF神经网络提高温度测量精度

本文介绍在压力测量时,为提高测量精度,利用径向基函数神经网络(RBF)和智能温度传感器DS1822进行温度补偿,改善其测量精度的新方法.RBF网络具有良好的非线性映射能力,自学习和泛化能力,采集样本数据训练构成具有双端输入、单端输出网络模型,采用改进的算法实现测量精度.     

地表温度的卫星遥感

研究了地表温度卫星遥感测量中的两个关键因子——大气修正和发射率效应.正确选择了经仿真计算分析求得的地面温度的反演算法,对我国戈壁地区地表温度进行了卫星资料的反演.通过与地面测量的比较证实了反演算法的可靠性.为了提高卫星反演地表温度的精度,本研究提出了自然地物发射率方向特性的重要性,对特定地物作了发射率角度变化的测量,在实际地表温度反演中作出了恰当的修正,改善了反演精度.     

A neural network method for restoring the initial impurity concentration distribution from data of ion sputter depth profiling

A new approach to solving the problem of restoring the initial impurity concentration distribution from data of ion sputter depth profiling is proposed. The algorithm of impurity profile restoration is based on using an artificial neural network with the input signals representing surface concentrations of impurity determined at sequential moments of sputter depth profiling. The artificial neural network is trained for various depths and thicknesses of the impurity-containing layer and various values of parameters of the adopted model equation of diffusion-like ion mixing.     

Computationally efficient method for retrieving aerosol optical depth from ATSR-2 and AATSR data

We present a robust and computationally efficient method for retrieving aerosol optical depth (AOD) from top-of-atmosphere ATSR-2 (Along-Track Scanning Radiometer) and AATSR (Advanced ATSR) reflectance data that is formulated to allow retrieval of the AOD from the 11 year archive of (A)ATSR data on the global scale. The approach uses a physical model of light scattering that requires no a priori information on the land surface. Computational efficiency is achieved by using precalculated lookup tables (LUTs) for the numerical inversion of a radiative-transfer model of the atmosphere. Estimates of AOD retrieved by the LUT approach are tested on AATSR data for a range of global land surfaces and are shown to be highly correlated with sunphotometer measurements of the AOD at 550 nm. (Pearson's correlation coefficient r(2) is 0.71.).     

利用人工神经网络方法获取海表面空气温度

探讨了将遥感反演数据与人工神经网络(ANN)模型结合来获取日平均海表面空气温度(Ta)的方法.研究表明:(1)ANN方法所获取Ta与船测Ta之间的平均偏差主要分布于-1～1℃之间,均方根误差主要分布于0～1℃之间;(2)ANN方法所获取Ta与船测Ta之间的总的均方根误差(相关系数)为0.9584℃(0.97);多次线性回归(MLR)方法所获取Ta与船测Ta之间的总的均方根误差(相关系数)为1.578℃(0.89);(3)在整个研究区域内,用ANN方法获取Ta时的平均偏差和均方根误差大多数比用MLR方法获取Ta时的平均偏差和均方根误差小,在黄、东海,用MLR方法获取Ta时比用ANN方法获取Ta时的平均偏差和均方根误差大很多(大多数均大于0.5℃,最高可达7.3℃).在获取Ta时,相对于MLR方法,ANN方法具有更好的性能和更强的区域适应性,显示出ANN方法处理非线性问题的优势.     

Modular artificial neural network for prediction of petrophysicalproperties from well log data

An application of Kohonen's self-organizing map (SOM), learning-vector quantization (LVQ) algorithms, and commonly used backpropagation neural network (BPNN) to predict petrophysical properties obtained from well-log data are presented. A modular, artificial neural network (ANN) comprising a complex network made up from a number of subnetworks is introduced. In this approach, the SOM algorithm is applied first to classify the well-log data into a predefined number of classes, This gives an indication of the lithology in the well. The classes obtained from SOM are then appended back to the training input logs for the training of supervised LVQ. After training, LVQ can be used to classify any unknown input logs. A set of BPNN that corresponds to different classes is then trained. Once the network is trained, it is then used as the classification and prediction model for subsequent input data. Results obtained from example studies using the proposed method have shown to be fast and accurate as compared to a single BPNN network     

Optoelectronic neural system for processing the output data from a fiber-optic measuring network

The results of an investigation of an optoelectronic neural system for processing the output data from a distributed fiber-optic tomographic-type measuring network are reported. The processing system is based on the operation principle of an optical perceptron in which the interneuron coupling matrix is implemented using a collection of amplitude holograms recorded on a disk-shaped holographic carrier. It is shown experimentally that this system makes it possible to reconstruct to within 20% the spatial distribution functions of the physical quantity under investigation. Pis’ma Zh. Tekh. Fiz. 25, 65–70 (March 26, 1999)     

A hybrid artificial neural network method with uniform design for structural optimization

This paper presents a new hybrid artificial neural network (ANN) method for structural optimization. The method involves the selection of training datasets for establishing an ANN model by uniform design method, approximation of the objective or constraint functions by the trained ANN model and yields solutions of structural optimization problems using the sequential quadratic programming method (SQP). In the proposed method, the use of the uniform design method can improve the quality of the selected training datasets, leading to a better performance of the ANN model. As a result, the ANN dramatically reduces the number of required trained datasets, and shows a good ability to approximate the objective or constraint functions and then provides an accurate estimation of the optimum solution. It is shown through three numerical examples that the proposed method provides accurate and computationally efficient estimates of the solutions of structural optimization problems.     

Time-delay neural network for the prediction of carbonation tower's temperature

The carbonation tower is a key reactor to manufacturing synthetic soda ash using the Solvay process. Because of the complexity of the reaction in the tower, it is difficult to control such a nonlinear large-time-delay system with normal measurement instrumentation. To solve this problem, a time-delay neural network (TDNN) is used in the soft measurement model in this paper. A special back-propagation algorithm is developed to train the neural network. Compared with the model based on multilayered perceptron, it is shown that TDNN can describe the system's dynamic character better and predict much more precisely. The influences of the input variables to the output of the model are analyzed with the online data. Analysis results show this model matches the reaction kinetics and the real operating conditions.     

A mono-window algorithm for retrieving sea surface temperatures by using mid-infrared data

基于中红外波段受大气水汽影响小的特点,从大气辐射传输的角度,提出了利用中红外数据反演海表温度的单通道算法.该算法适用于单通道的中红外数据,时空变化适应性强,对大气温湿廓线等辅助信息的精度要求较低.为了验证该算法的可行性和准确性,将此算法反演的海表温度产品与美国国家数据浮标中心提供的浮标数据及MODISSST标准产品进行了比对验证.结果表明,此单通道算法反演的海表温度达到了较高的精度,能够满足海洋锋面、上升流、海洋涡旋等短周期海洋现象的观测需求.