变分同化结合广义变分最佳分析对微波散射计资料进行海面风场反演

针对微波散射计资料的海面风场反演,本文首先利用QuikSCAT卫星散射计的近实时资料,借助荷兰皇家气象学会的SeaWinds散射计数据处理模式,在不同风速和海域的情况下,采用多解方案结合二维变分同化方法进行风向的模糊去除,达到消除解的不唯一性的目的,且对4种反演结果（低速风、中速风、高速风和近海岸风）与美国国家海洋和大气管理局卫星资料中心的近实时风场数据的对比分析,说明了该技术的有效性.在此基础上,对反演得到的中速风场利用广义变分最佳分析方法进行了调整,调整后的风场结构有了进一步的改善.此方法可为我国散射计资料反演海面风场的研究提供新的思路和方法.     

C波段机载合成孔径雷达海面风场反演新方法

针对基于散射计地球物理模型函数的机载合成孔径雷达(SAR)海面风场反演中存在的风向获取依赖于图像风条纹或数值预报、 散射计数据和浮标等背景场资料, 风向与SAR图像时空分辨率不匹配, 进而影响机载SAR海面风场反演精度等问题, 本文根据机载SAR对海探测特点, 研究一种适用于C波段机载SAR的海面风场反演新方法. 利用SAR图像距离向不同入射角的后向散射系数, 依据地球物理模型构造最小代价函数, 通过代价函数的求解直接从机载SAR数据同时反演出海面风速和风向. 利用论文提出的海面风场反演方法分别对仿真SAR数据和实测C波段机载SAR数据进行风向、 风速的反演误差分析及试验验证.研究结果表明, 该方法适用于机载SAR海面风场反演, 可不依赖背景风向直接反演出精度较高的风速和风向; 雷达后向散射系数误差是决定海面风速、风向反演精度的关键因素, 辐射定标精度越高则反演误差越小; 海面风速反演误差随着风速的提高而增大, 当海面风速大于18 m/s时, 风速反演误差显著增加, 而海面风向的反演误差与风速无明显关系. 关键词： 机载合成孔径雷达 海面风场 多入射角     

变分同化结合广义变分最佳分析对微波散射计资料进行海面风场反演

针对微波散射计资料的海面风场反演,本文首先利用QuikSCAT卫星散射计的近实时资料,借助荷兰皇家气象学会的SeaWinds散射计数据处理模式,在不同风速和海域的情况下,采用多解方案结合二维变分同化方法进行风向的模糊去除,达到消除解的不唯一性的目的,且对4种反演结果（低速风、中速风、高速风和近海岸风）与美国国家海洋和大气管理局卫星资料中心的近实时风场数据的对比分析,说明了该技术的有效性.在此基础上,对反演得到的中速风场利用广义变分最佳分析方法进行了调整,调整后的风场结构有了进一步的改善.此方法可为我国散射计资料反演海面风场的研究提供新的思路和方法. 关键词： 多解方案 二维变分同化 广义变分最佳分析 正则化方法     

合成孔径雷达反演海面风场变分模型分析

为考察合成孔径雷达反演海面风场变分模型精度,开展了误差分析试验.在背景场误差为极大值条件下分析场误差低于背景场误差,且随背景场风向增大呈周期性变化;在背景场误差逐渐变大条件下分析场误差逐渐增大,误差偏离方向与背景场误差偏离方向一致;在特定背景场条件下与直接反演模型相比,低风速时反演误差略高,中高风速时反演误差明显较低.总体来讲,变分模型误差小于背景场误差,风速反演误差小于1.60 m/s,风向误差小于17.15°.     

合成孔径雷达资料反演海面风场的正则化方法研究

针对基于散射计地球物理模型函数的合成孔径雷达资料反演海面风场中背景风向存在很大误差的问题,提出了利用正则化方法反演海面风场,并通过L曲线准则对正则化参数进行最优选择,然后对该方法进行仿真试验.试验结果显示,正则化方法反演海面风场的风速和风向的反演精度均优于变分同化方法,分析不同真实风向情况下的反演精度表明,真实风向在45°和135°附近时,风速反演的精度高,真实风向在0°和90°时,风向反演的精度高,这种现象与地球物理模型函数中后向散射截面相对于风向的导数相关. 关键词： 合成孔径雷达 正则化 L曲线准则 变分同化     

散射计资料对台风海平面气压场的反演和定位的新方法研究

文章首先利用QuikSCAT散射计获取的海面风场资料,利用华盛顿大学行星边界层(UWPBL)模式对台风海平面气压场进行反演(称为直接反演),并对其强度进行了分析;然后对获取的海面风场,采用变分方法对风场进行分解,分解出无旋和有旋风场,对分解出的有旋风场,再利用UWPBL模式对魔羯台风的海平面气压场进行了反演,对所得结果与通常直接反演、NCEP海平面气压场及台风报文资料进行一一对比,结果表明:新的反演定位的方法对台风海平面气压场中心气压的定位精度有了进一步的提高,此种定位的方法为散射计资料在台风中的实际应用开辟了一条新的思路. 关键词： 散射计风场 变分方法 台风 海平面气压场     

降雨对C波段散射计测风的影响及其校正

传统观点认为C波段散射计工作波长大于雨滴直径,受降雨散射衰减的影响很小, 因此往往忽略降雨对C波段散射计测风的影响.本文基于降雨引起C波段散射计信号的衰减、 后向体散射及雨滴落入海面后的扰动作用,推导了降雨条件下的雷达方程, 构建了2010年全年的ASCAT散射计、降雨雷达和欧洲中期天气预报中心数值预报的匹配数据集, 定量分析了降雨对C波段散射计测风的影响,发现其信号衰减随降雨强度和入射角的增大而增强; 后向体散射和雨表面扰动作用随降雨强度的增大而增强、随入射角的增大而减小, 其中雨表面扰动作用对散射计测风的影响大于后向体散射.另外, 利用降雨条件下的雷达方程和匹配数据集,本文建立了降雨条件下的C波段主动微波辐射传输模型, 实验表明,该模型能够改善降雨条件下C波段散射计测风的精度.     

基于降雨率的GMF+RAIN模型构建及在台风风场反演中的应用

首先选取2006年QuikSCAT散射计扫描的3次台风个例("珊珊"、"摩羯"及"象神"),分析其获取的台风区域雷达后向散射截面值(σ^o)在降雨影响下的分布特征.然后依据大气辐射传输理论,考虑降雨对雷达后向散射截面值的影响,引进两个不同形式的降雨辐射传输模型(简称为SY和AMSR模型),并将这两个降雨辐射传输模型分别与NSCAT2模型函数相结合,构建了适合降雨情况的地球物理模型函数(简称为GMF+RAIN).最后,在GMF+RAIN模型的基础上,采用二维变分结合多解方案     

分形粗糙面合成孔径雷达成像研究

研究了分形粗糙面的成像问题. 分形粗糙面能够较好的逼近真实环境, 采用带限形式的Weierstrass-Mandelbrot函数建立了分形粗糙面几何模型, 对分形粗糙面参数的选取进行了讨论. 对大尺度粗糙面散射问题提出了一种基于大面元的Kirchhoff近似方法, 采用面元模型来计算粗糙面总的后向散射场以及每一个面元的后向散射场, 并对面元的尺寸选取进行了研究, 通过与解析解进行对比证明了该方法的正确性. 在分形理论建立的确定性粗糙面几何模型与面元的Kirchhoff方法获取的散射场的基础上, 采用正侧视条带式成像模式, 并选用距离多普勒算法对不同分形参数的粗糙面进行合成孔径雷达(SAR) 成像模拟, 结果显示从SAR像中可以清晰地观察到不同分形参数对粗糙面几何轮廓的影响. 该研究包括了从环境模型、电磁模型到SAR成像技术在内的完整的分形环境SAR像模拟过程, 仿真结果显示出分形环境的SAR像特点, 这对基于分形理论的自然环境的遥感探测以及参数反演具有一定的理论支撑作用.     

以全球谱模式为约束的四维变分资料同化系统YH4DVAR的设计和实现

四维变分资料同化仍将是未来相当长时间内业务数值天气预报中所使用的主流同化方法．针对全球数值天气预报业务系统对气象资料同化技术的需求,在WRFDA软件框架结构的基础上,发展了一个与全球谱模式配套使用的四维变分资料同化系统YH4DVAR．系统将背景场、观测处理、重力波控制和偏差订正进行综合考虑,设计了一体化目标函数,引入了小波背景场误差协方差模型,实现了增量方法以及卫星遥感资料的直接同化．单点试验表明YH4DVAR的背景场误差模型具有各向异性、垂直相关和水平相关不可分离性、以及与位置的相关等特性．从2009年7月到2010年6月的分析预报试验结果表明,由YH4DVAR和全球谱模式组成的分析预报系统在北半球和亚洲地区的可用预报时效可以达到8天以上．     

Application of Tikhonov regularization method to wind retrieval from scatterometer data Ⅱ: cyclone wind retrieval with consideration of rain

According to the conclusion of the simulation experiments in paper I, the Tikhonov regularization method is applied to cyclone wind retrieval with a rain-effect-considering geophysical model function (called GMF+Rain). The GMF+Rain model which is based on the NASA scatterometer-2 (NSCAT2) GMF is presented to compensate for the effects of rain on cyclone wind retrieval. With the multiple solution scheme (MSS), the noise of wind retrieval is effectively suppressed, but the influence of the background increases. It will cause a large wind direction error in ambiguity removal when the background error is large. However, this can be mitigated by the new ambiguity removal method of Tikhonov regularization as proved in the simulation experiments. A case study on an extratropical cyclone of hurricane observed with SeaWinds at 25-km resolution shows that the retrieved wind speed for areas with rain is in better agreement with that derived from the best track analysis for the GMF+Rain model, but the wind direction obtained with the two-dimensional variational (2DVAR) ambiguity removal is incorrect. The new method of Tikhonov regularization effectively improves the performance of wind direction ambiguity removal through choosing appropriate regularization parameters and the retrieved wind speed is almost the same as that obtained from the 2DVAR.     

Application of the Tikhonov regularization method to wind retrieval from scatterometer data I. Sensitivity analysis and simulation experiments

Scatterometer is an instrument which provides all-day and large-scale wind field information, and its application especially to wind retrieval always attracts meteorologists. Certain reasons cause large direction error, so it is important to find where the error mainly comes. Does it mainly result from the background field, the normalized radar cross-section (NRCS) or the method of wind retrieval? It is valuable to research. First, depending on SDP2.0, the simulated `true' NRCS is calculated from the simulated 'true' wind through the geophysical model function NSCAT2. The simulated background field is configured by adding a noise to the simulated 'true' wind with the non-divergence constraint. Also, the simulated 'measured' NRCS is formed by adding a noise to the simulated 'true' NRCS. Then, the sensitivity experiments are taken, and the new method of regularization is used to improve the ambiguity removal with simulation experiments. The results show that the accuracy of wind retrieval is more sensitive to the noise in the background than in the measured NRCS; compared with the two-dimensional variational (2DVAR) ambiguity removal method, the accuracy of wind retrieval can be improved with the new method of Tikhonov regularization through choosing an appropriate regularization parameter, especially for the case of large error in the background. The work will provide important information and a new method for the wind retrieval with real data.     

Variational assimilation in combination with a regularization method for sea level pressure retrieval from QuikSCAT scatterometer data II: simulation experiment and actual case study

The sea level pressure field can be computed from sea surface winds retrieved from satellite microwave scatterometer measurements, based on variational assimilation in combination with a regularization method given in part I of this paper. First, the validity of the new method is proved with a simulation experiment. Then, a new processing procedure for the sea level pressure retrieval is built by combining the geostrophic wind, which is computed from the scatterometer 10-meter wind using the University of Washington planetary boundary layer model using this method. Finally, the feasibility of the method is proved using an actual case study.     

Removal of rain in video based on motion and shape characteristics of raindrops

Rain degrades the performance of the outdoor computer vision system, which adversely impacts tracking, object detection and recognition. To solve this problem, a novel rain detection and removal method is proposed in this paper. Firstly, raindrops are considered as the motion component and extracted by FastICA algorithm. Secondly, raindrops are identified based on its properties of area, direction and width. Finally, a two-step removal method is proposed to replace pixels covered by rain with estimated background pixels. Experimental results show that the algorithm can effectively remove the raindrops in various videos. Compared with traditional rain removal methods, it does not require any parameters about rain, camera and scenes, and only needs three successive frames to recover a raindrops free video.