基于微波辐射计的大气温湿廓线反演算法及应用研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 微波辐射计发展历程 | 第11-12页 |
| 1.3 温湿廓线反演方法概述 | 第12-13页 |
| 1.4 研究内容及章节安排 | 第13-16页 |
| 第2章 微波辐射计工作原理 | 第16-28页 |
| 2.1 微波辐射计硬件结构 | 第16-18页 |
| 2.2 微波辐射计测量原理 | 第18-25页 |
| 2.2.1 热辐射理论 | 第18-20页 |
| 2.2.2 辐射传递理论 | 第20-23页 |
| 2.2.3 大气微波辐射的亮温 | 第23-25页 |
| 2.3 微波辐射计输出数据 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 大气微波吸收特性分析与模拟亮温正演 | 第28-39页 |
| 3.1 大气微波吸收特性 | 第28-32页 |
| 3.1.1 氧气分子吸收特性 | 第28-31页 |
| 3.1.2 水汽分子吸收特性 | 第31-32页 |
| 3.2 模拟亮温的正演 | 第32-37页 |
| 3.2.1 模拟亮温计算的理论基础 | 第32-33页 |
| 3.2.2 MonoRTM模型正演模拟亮温 | 第33-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第4章 基于神经网络的温湿廓线反演方法 | 第39-63页 |
| 4.1 温湿廓线反演方法 | 第39-41页 |
| 4.2 人工神经网络算法 | 第41-44页 |
| 4.3 神经网络结构设计 | 第44-53页 |
| 4.3.1 神经网络模型结构 | 第44-46页 |
| 4.3.2 神经网络模型参数选取 | 第46-53页 |
| 4.4 神经网络训练方法 | 第53-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第5章 温湿廓线反演试验 | 第63-83页 |
| 5.1 数据处理 | 第64-70页 |
| 5.1.1 异常数据剔除 | 第64页 |
| 5.1.2 天气情况判断分类 | 第64-66页 |
| 5.1.3 归一化 | 第66-69页 |
| 5.1.4 误差评估要素 | 第69-70页 |
| 5.2 温度廓线反演试验 | 第70-71页 |
| 5.3 相对湿度廓线反演试验 | 第71-73页 |
| 5.4 水汽密度廓线反演试验 | 第73-75页 |
| 5.5 仿真结果对比分析 | 第75-78页 |
| 5.5.1 基于天气状况分类的结论 | 第75页 |
| 5.5.2 基于神经网络结构的结论 | 第75-76页 |
| 5.5.3 基于海拔高度与误差相关性的结论 | 第76-78页 |
| 5.6 温湿廓线反演软件 | 第78-81页 |
| 5.6.1 软件功能 | 第78-79页 |
| 5.6.2 软件展示 | 第79-81页 |
| 5.7 章节小结 | 第81-83页 |
| 结论 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第89-90页 |
| 致谢 | 第90页 |
