基于深度神经网络的CALIOP透明云下海面风速反演

构建了一种适用于CALIOP透明云下数据的深度神经网络模型,用于反演海面风速。通过使用2017年1、4、7、10月的CALIOP夜间数据和准同步的AMSR-2风速数据对模型进行训练,然后将该模型应用于2018年1—9月的夜间云下数据,实现海面风速的反演。与无云数据对比,所得反演结果表明精度接近,标准偏差最大为0.89 m/s,最低相关系数为0.94。在引入ERA5有效波高数据后,反演精度进一步提升,标准偏差最大为0.68 m/s,相关系数达到0.96以上。研究结果表明,透明云下数据同样可用于风速反演,深度神经网络能够有效地从CALIOP数据中提取风速信息,并结合有效波高数据进一步提高反演精度。

星载激光雷达数据海面风速反演模型研究

使用2017年10月、2018年1月、2018年4月和2018年7月Version 4.10星载激光雷达CALIOP Level 1B和Version 4.20 Level 2的日夜数据反演全球海面风速,选用准同步观测的Version 8.2 AMSR-2的海面风速值进行对比。在前人利用CALIOP无云数据进行海面风速反演的基础上,进一步将透明云层的数据用于风速反演,在明显增加数据量的同时,保持了相当的反演精度。探究不同的海面斜率分布模型的差异对CALIOP海面风速反演的影响,给出了夜间和日间有透明云层条件下的近似Gram-Charlier模型。结果显示,高斯模型整体的误差相对较小,但近似Gram-Charlier模型修正了偏度和峰度的影响,在较低风速(小于3 m·s^(-1))和较高风速(大于13 m·s^(-1))情况下表现更好。采用有透明云层条件下的近似Gram-Charlier模型:利用2017年10月、2018年1月、2018年4月和2018年7月的夜间数据反演的标准偏差分别为1.22,1.33,1.20,1.39 m·s^(-1),相关系数分别为0.92,0.91,0.92,0.90;利用日间数据反演的标准偏差分别为1.41,1.45,1.86,1.69 m·s^(-1),相关系数分别为0.90,0.89,0.86,0.87。