学位论文 > 优秀研究生学位论文题录展示

利用人工神经网络方法反演晴空大气湿度廓线的研究

作　者: 刘旸
导　师: 官莉
学　校: 南京信息工程大学
专　业: 大气遥感科学与技术
关键词: AIRS 人工神经网络法特征向量统计法 BP网络
分类号: P426.1
类　型: 硕士论文
年　份: 2011年
下　载: 33次
引　用: 1次
阅　读: 论文下载

内容摘要

本文是神经网络法应用于AIRS晴空大气湿度廓线反演的一次尝试。得出了在基于AIRS高光谱资料反演晴空大气湿度廓线上,神经网络法略优于特征向量统计法的结论,表现出了神经网络法很强的非线性问题处理能力。怎样构建一个泛化能力最高的网络来达到较高的反演精度是本文的重点、难点。选取了应用最为广泛的BP网络(Back propagation Neural Network),针对BP网络的过拟合问题及输入输出数据的强欠定问题提出了一种解决办法。经试验确定了隐节点数,采用共轭梯度学习算法和正切传递函数,确定了神经网络的结构。样本数据集采用CIMSS(Cooperative Institute for Meteorological Satellite Studies,University of Wisconsin-Madison)全球晴空反演训练廓线样本集和利用SARTA(Stand-Alone Radiative Transfer Algorithm)前向模式模拟的AIRS辐射亮温值组成样本对。首先用检验样本检验神经网络法和特征向量统计法反演大气湿度廓线的精度,发现神经网络法反演的结果在所有的气压层上都要优于特征向量统计法的结果。在模拟资料的反演试验取得了较好的结果之后,用AIRS实况观测资料检验神经网络法和特征向量统计法反演大气湿度廓线的精度。选取2002年9月6日针对覆盖中国区域的AIRS实况观测资料为例,将两种算法的反演结果与相应的AIRS Level 2大气产品和ECMWF客观分析场作进行比较。当训练样本使用全球范围样本进行反演系数确定时,从总的均方根误差曲线来看两种反演算法反演的大气湿度廓线精度相当,没有谁有明显优势。而当训练样本使用中国地区样本进行反演系数确定时神经网络法明显优于特征向量统计法,几乎在所有高度层上均方根误差均小于特征向量统计法。本文最后分析了神经网络算法不能明显提高反演精度的原因,提出了后续研究的方向。

全文目录

摘要  7-8
Abstract  8-9
第一章前言  9-15
  1.1 研究的目的和意义  9-10
  1.2 国内外研究进展  10-13
  1.3 本文主要研究内容  13-15
第二章卫星遥感大气原理  15-22
  2.1 气象卫星的分类  15
  2.2 气象卫星遥感探测的优势  15-16
  2.3 大气探测的需求推动卫星大气探测技术的发展  16-17
  2.4 卫星遥感大气的基本原理  17-19
    2.4.1 卫星接收到的辐射  17
    2.4.2 大气辐射传输方程  17-19
  2.5 星载红外大气垂直探测仪器的发展概况  19-22
    2.5.1 国外大气探测仪器的发展概况  19-21
    2.5.2 我国大气垂直探测仪器的发展概况  21-22
第三章高光谱红外探测器AIRS及其业务产品简介  22-29
  3.1 AIRS仪器简介  22-26
    3.1.1 AIRS仪器性能参数及扫描方式  22-24
    3.1.2 AIRS仪器光谱特征  24-26
  3.2 AIRS业务产品  26-29
    3.2.1 产品数据集  26-27
    3.2.2 数据集质量  27-29
第四章反演晴空时大气廓线的特征向量统计法  29-33
  4.1 AIRS云检测  29
  4.2 算法介绍  29-31
  4.3 训练样本介绍  31
  4.4 亮温分类  31-32
  4.5 扫描角分类  32-33
第五章反演大气湿度廓线的人工神经网络算法  33-44
  5.1 人工神经网络介绍  33-37
    5.1.1 神经网络的基本特点与功能  33-34
    5.1.2 神经网络的拓扑结构及学习方法  34-36
    5.1.3 神经网络的模型  36-37
  5.2 误差反向传播网络(BP网络)算法原理  37-38
  5.3 网络的构建  38-44
    5.3.1 输入矢量与输出矢量的设置  39
    5.3.2 输入输出强欠定问题的处理  39-40
    5.3.3 学习规则  40-41
    5.3.4 过拟合问题的处理  41
    5.3.5 激活传递函数的选取  41-42
    5.3.6 隐含层节点数的设置  42-44
第六章两种反演算法的比较  44-56
  6.1 两种反演算法反演能力的模拟检验  44-47
  6.2 用AIRS实况观测资料检验反演算法  47-56
    6.2.1 使用全球训练样本训练反演系数  47-50
    6.2.2 使用中国区域的训练样本反演中国区域的湿度廓线  50-54
    6.2.3 仅使用AIRS景G181范围内的样本反演景G181的湿度廓线  54-56
第七章总结与展望  56-59
  7.1 总结  56-58
    7.1.1 网络构建的改进  56
    7.1.2 用检验样本检验神经网络法和特征向量统计法反演大气湿度廓线的精度  56-57
    7.1.3 用AIRS实况观测资料检验神经网络法和特征向量统计法反演大气湿度廓线的精度  57
    7.1.4 人工神经网络方法误差来源分析  57-58
  7.2 展望  58-59
致谢  59-60
参考文献  60-63

利用人工神经网络方法反演晴空大气湿度廓线的研究

内容摘要

全文目录

相似论文