摘要 | 第4-7页 |
Abstract | 第7-11页 |
符号说明 | 第21-25页 |
第1章 绪论 | 第25-53页 |
1.1 研究背景及选题意义 | 第25-29页 |
1.2 国内外研究进展 | 第29-42页 |
1.2.1 近地边界层湍流的研究进展 | 第29-32页 |
1.2.2 近地层湍流通量的观测方法研究进展 | 第32-40页 |
1.2.3 湍流通量观测的空间代表性分析研究进展 | 第40-42页 |
1.3 研究目标和内容 | 第42-47页 |
1.3.1 不同大气稳定度下计算水热通量最适宜窗口长度范围的研究 | 第42-44页 |
1.3.2 机载湍流通量观测的空间代表性分析方法 | 第44-45页 |
1.3.3 基于人工神经网络模型的机载湍流通量空间升尺度方法研究 | 第45-46页 |
1.3.4 考虑地表异质性结合深度学习模型的机载湍流通量空间升尺度方法研究 | 第46-47页 |
1.4 论文的技术路线和组织结构 | 第47-53页 |
1.4.1 技术路线 | 第47-48页 |
1.4.2 论文的组织结构 | 第48-53页 |
第2章 机载涡动相关湍流通量观测的基本原理与方法介绍 | 第53-77页 |
2.1 机载涡动相关通量观测基本原理 | 第53-61页 |
2.1.1 涡动相关方法基本原理 | 第53-55页 |
2.1.2 风速的计算原理 | 第55-60页 |
2.1.3 机载湍流通量的计算 | 第60-61页 |
2.2 SkyArrow650ERA机载通量观测系统介绍 | 第61-65页 |
2.2.1 风速测量系统 | 第62-63页 |
2.2.2 环境观测传感器 | 第63-64页 |
2.2.3 数据采集系统 | 第64-65页 |
2.3 机载涡动相关通量观测系统校准及数据处理方法 | 第65-76页 |
2.3.1 SkyArrow650ERA机载涡动相关通量观测系统的校准 | 第65页 |
2.3.2 机载涡动相关通量计算数据处理流程 | 第65-71页 |
2.3.3 湍流通量计算结果的质量控制和评价 | 第71-76页 |
2.4 本章小结 | 第76-77页 |
第3章 研究区域与研究数据 | 第77-85页 |
3.1 研究区域概述 | 第77-78页 |
3.2 机载通量观测数据 | 第78-79页 |
3.3 遥感数据 | 第79-82页 |
3.3.1 MODIS数据简介 | 第79-80页 |
3.3.2 土地利用分类数据 | 第80-81页 |
3.3.3 地形数据 | 第81-82页 |
3.4 地面观测数据 | 第82-83页 |
3.5 本章小结 | 第83-85页 |
第4章 近中性到不稳定大气条件下计算湍流水热通量最适宜窗口长度的选择 | 第85-121页 |
4.1 引言 | 第85-88页 |
4.2 研究区域与数据介绍 | 第88-91页 |
4.3 研究方法介绍 | 第91-102页 |
4.3.1 数据预处理 | 第92-93页 |
4.3.2 大气湍流谱分析 | 第93-97页 |
4.3.3 Ogive分析 | 第97-99页 |
4.3.4 不确定性分析 | 第99-101页 |
4.3.5 湍流通量的全段平均 | 第101-102页 |
4.4 结果与讨论 | 第102-119页 |
4.4.1 Ogive分析 | 第102-111页 |
4.4.2 与窗口长度有关的不确定分析 | 第111-116页 |
4.4.3 最适窗口长度特征分析 | 第116-119页 |
4.5 本章小结 | 第119-121页 |
第5章 考虑地表异质性的机载湍流通量空间代表性分析方法 | 第121-137页 |
5.1 引言 | 第121-122页 |
5.2 研究数据介绍 | 第122-123页 |
5.3 足迹模型与研究方法 | 第123-128页 |
5.3.1 KL15足迹模型 | 第123-126页 |
5.3.2 地表覆盖类型集成的湍流通量贡献 | 第126页 |
5.3.3 机载通量足迹分析实施流程 | 第126-128页 |
5.4 结果与讨论 | 第128-134页 |
5.4.1 足迹分析的实施结果 | 第128-129页 |
5.4.2 足迹性能的评价 | 第129-132页 |
5.4.3 与均匀假设足迹分析的结果对比 | 第132-134页 |
5.5 本章小结 | 第134-137页 |
第6章 基于人工神经网络模型的机载湍流通量空间升尺度方法研究 | 第137-171页 |
6.1 引言 | 第137-140页 |
6.2 研究数据介绍 | 第140-144页 |
6.2.1 研究数据 | 第140-143页 |
6.2.2 数据处理 | 第143-144页 |
6.3 研究方法 | 第144-153页 |
6.3.1 机载湍流通量观测的地表代表性评价 | 第144-146页 |
6.3.2 足迹分析 | 第146-147页 |
6.3.3 人工神经网络 | 第147-150页 |
6.3.4 基于互信息的特征变量选择 | 第150-152页 |
6.3.5 模型性能评价方法 | 第152-153页 |
6.4 结果与讨论 | 第153-167页 |
6.4.1 机载湍流通量观测的地表代表性评价 | 第153-155页 |
6.4.2 机载湍流通量的足迹分析 | 第155-157页 |
6.4.3 基于互信息的输入变量选择结果 | 第157-160页 |
6.4.4 ANN模型的训练与验证 | 第160-163页 |
6.4.5 区域尺度地表水热通量序列的构建 | 第163-167页 |
6.5 本章小结 | 第167-171页 |
第7章 考虑地表异质性结合深度学习方法的机载湍流通量空间升尺度方法研究 | 第171-191页 |
7.1 引言 | 第171-173页 |
7.2 研究方法 | 第173-179页 |
7.2.1 连续受限波尔兹曼机(CRBM) | 第173-177页 |
7.2.2 深度信念网络(DBN) | 第177-178页 |
7.2.3 ANN与DBN模型的耦合 | 第178-179页 |
7.3 结果与讨论 | 第179-189页 |
7.3.1 DBN-ANN模型的训练与验证 | 第179-181页 |
7.3.2 区域地表水热通量的构建 | 第181-185页 |
7.3.3 不同空间升尺度方法的对比与分析 | 第185-189页 |
7.4 本章小结 | 第189-191页 |
第8章 总结和展望 | 第191-197页 |
8.1 主要研究工作与结论 | 第191-194页 |
8.2 创新点 | 第194页 |
8.3 研究不足和展望 | 第194-197页 |
参考文献 | 第197-215页 |
致谢 | 第215-217页 |
作者简历及攻读学位期间发表的学术论文与研究成果 | 第217页 |