一、甚高分辨率卫星云图接收设备（论文文献综述）
田娜梅[1]（2021）在《基于多粒度信息融合的卫星云图识别算法研究》文中研究表明遥感卫星云图在气象研究与应用中发挥着极其重要的作用,在自然灾害预测和气象探测技术中具有重要的研究价值。云图分类是遥感卫星解译的核心,对卫星云图检测的准确率与速度直接影响着大气科学研究和天气气象环境的预测情况。传统的浅层机器分类学习算法很难有效地提取遥感卫星中的云图特征,存在着人工经验判断的偏差,导致传统的机器学习算法不能很好地对云图进行分类,误检率很高且训练耗时。传统的深度学习网络算法能够自动实现云图特征的分析,虽然在卫星云图分类中获得了较高的准确率,但当训练的数据集较小时,深度学习网络容易出现过拟合现象。一般来说,深度神经网络的卷积层数越多,参数量越大,但无疑也延长了分类时间,导致检测速度过慢,无法在速度上满足大气科学的研究和天气气象环境的预测情况。针对上述存在的问题,从算法模型对卫星云图识别的精度和速度两个方面考虑,本文提出扩张多粒度级联森林网络和分组金字塔卷积残差网络。扩张多粒度级联森林算法将扩张卷积的空洞思想注入多粒度滑窗中,在大大降低多粒度机制带来的大量参数的同时扩大了特征提取信息的感受野,提升了算法在卫星云图分类应用上的效率。分组金字塔残差网络提出的金字塔残差单元和分组残差单元代替原始残差单元,尝试将金字塔卷积层应用到残差支路中,金字塔卷积代替普通标准卷积,它包含不同尺度和深度的卷积核,确保多粒度特征的提取,相较于原始残差单元获取的特征信息更为丰富,并且金字塔卷积可通过并行的方式进行高效地计算。
蔡朋艳[2]（2021）在《基于FY-4A卫星的云检测与云图预测方法研究》文中认为地球表面超过66%的区域常被云覆盖,而云的变化指示着各种天气现象的发生,当云的急剧变化发生在暴雨、雷电等灾害性天气中时,将会对人类的生活产生极大影响,甚至威胁人类的生命安全。尤其是西藏地区,夏季的强对流天气极易导致自然灾害的发生,因此需要监测该地区的云团变化情况以预防灾害的发生。风云四号A星实现了对云的实时观测,可提供高时间分辨率且多通道的观测数据,借助该数据分析云的动态变化可实现更为准确的天气预报。因此本文将风云四号A星作为数据源,并结合深度学习技术对西藏地区进行云检测与云图预测研究。针对现有深度学习模型体积较大且捕获云特征的能力较弱的问题,提出了基于改进U-Net网络的轻量级云检测模型。该模型以U-Net网络为基础框架,将全天候云图作为输入数据。将残差模块和卷积注意力模块融入U-Net网络中,提升模型对云特征的提取能力,并且几乎不会增加模型的计算复杂度。此外,在模型中使用深度可分离卷积可以在不降低模型性能的同时生成一个轻量级的云检测模型,为模型嵌入移动设备提供了可能。实验结果表明本文提出的云检测模型可以检测出大量的碎云和薄云,平均交并比指标达到了92.21%,与U-Net相比,提升了1.79%。针对现有的时间序列预测模型生成的云图模糊且预测精度不高的问题,提出了基于三维生成对抗网络的云图预测模型。该模型使用风云四号A星的历史观测数据来预测未来时刻的卫星图像以及红外通道亮温数据。在模型中应用三维卷积,并采用生成对抗的训练方式,提升模型对时空特征的提取能力。此外,通过改进损失函数,进一步提高预测图像的清晰度以及红外亮温数据的真实性。通过实验验证本文提出的云图预测方法可以生成更为清晰的图像以及精确的红外亮温数据,并且图像结构相似度指标达到了0.85,红外亮温的均方根误差指标小于10K。为了分析预测数据的可用性,使用改进U-Net网络对预测云图进行云检测,结果显示预测云图的动态变化情况与实际云图相似,表明本文提出的云图预测方法可为天气预报提供可靠的数据支持。
魏祥[3]（2021）在《雷暴云团识别与线路规划系统的研究与实现》文中研究指明随着社会上科学技术的不断进步,人们的生产生活方式逐渐向着智能化和自动化的方向发展。在气象和航空领域中,随着深度学习技术的不断引入,云团识别、云团分类、云团分割、飞行器自动化航行以及航行线路规划等是领域内专业性较强的问题,如何利用深度学习自动化完成一直是相关研究人员研究的热点。卫星云图中包含着丰富的信息资料,其中所包含的各类云团信息更是在气象和航空领域中天气预测和航线规划的不可或缺的基本资料。针对庞大的卫星云图数据资料以及利用人工提取分析方式的局限性,利用人工智能的方式进行数据处理显得尤为重要。现阶段关于雷暴天气等气象信息都由气象工作人员进行确认识别,这种人工识别的方式无法满足对天气预警的实时性要求,给人们的人身财产安全保护带来了极大的挑战。为了解决上述的问题,本文提出一种将可分离卷积和残差块相结合,采用多池化结构对全局信息进行特征提取的网络结构,将网络结构中的参数降低,并在分割好的卫星云图资料中对飞机的飞行轨迹进行规划,完成辅助决策任务。本文的主要研究内容包括:1)在阅读大量文献的基础上,分析了对卫星云图进行智能化辨识的必要性,对国内外在图像分割以及卫星云图中雷暴云团辨识的研究现状进行了总结,分析了现阶段常用的分割方法以及它们在卫星云图中使用的局限性。2)详细介绍了卷积神经网络的基本原理与层次化结构,针对普通卷积的参数量过大,计算效率较低,无法直接使用在嵌入式设备使用的问题,对卷积神经网络进行了轻量化的改进。提出一种将可分离卷积与残差块相结合,通过降低网络中的参数量,提升网络的计算效率,并且在网络后端采用大小不同的池化窗口提取特征图中的细节信息,提升雷暴云团的识别准确率。最后将雷暴云团的分割结果与常用的图像分割方法进行比较实验,文中的网络结构比常用的网络分割网络有优势,将雷暴云团的识别准确率提升0.5%,并且将卫星云图的响应时间缩短10%。证明了文中所述的网络结构能够对卫星云图中的雷暴云团进行识别,并且响应时间有所降低。3)基于已经对雷暴云团识别出来的卫星云图数据,利用添加了标志位和梯度向量的深度优先算法对飞机的航行路径进行规划,降低了深度优先算法的计算损失,提升了算法的计算效率,同时根据相关的信息对雷暴云团的移动方向进行推断,并将其考虑在路径规划的过程中。最后通过实验证明,改进后的方法能够快速有效的进行线路规划,绕过雷暴云团,达到了在航空领域中对飞行路线辅助决策的作用。在全文的最后,为了便于一些非相关的人员使用,对数据解析和网络结构进行了实用性和系统性的封装。
姚年鹏[4]（2021）在《基于多源资料的雷电活动特征及临近预警方法研究》文中研究指明随着闪电定位技术和多种探测手段日益发展成熟,单一的观测资料已不能满足当前雷电监测预警的业务要求,根据各种资料的不同特性,利用多种观测资料综合进行雷电监测预警已发展成趋势。本论文基于南京信息工程大学在南京及昆明地区自主搭建的VLF/LF磁场三维闪电探测定位网,将三维闪电定位资料与雷达回波资料、卫星云顶亮温资料结合起来,提取不同地形下不同类型雷暴发生时的典型特征参数,利用TITAN算法进行雷暴区域的识别、跟踪、外推,达到雷电临近预警的目的。主要研究成果如下:（1）采用蒙特卡洛方法对南京、昆明闪电定位网理论水平定位误差进行了模拟:南京、昆明闪电定位网内的水平误差均小于250m。考虑到昆明地区地形崎岖复杂,进一步模拟了真实地形对昆明地区水平误差的影响,结果表明:昆明及周围地区的山地地形的确实降低了定位精度,在几十千米范围内误差增大了约2km。（2）基于VLF/LF磁场闪电探测系统的实测同步数据,分析了一次多回击地闪的三维定位结果。该次闪电始发于云内约5.7km高度处,随后向上、向下发展延伸,向上平均发展速度约4.27×105 m·s-1,向下平均发展速度约4.74×105 m·s-1。首次回击波形上升沿时间约为8ms,下降沿时间约为33ms,半峰值宽度约为14ms。首次回击平均速度约为3.5×105 m·s-1,继后回击平均速度比首次回击大一个量级,约为3.875×106 m·s-1。由此说明了该闪电探测系统对闪电三维放电通道有较好的监测与解析能力。（3）利用南京、昆明地区的闪电定位资料,结合雷达回波资料、云顶亮温资料,提取了两地区闪电发生的典型特征参数。针对南京地区,可以将30d Bz雷达回波顶高达到7km或者云顶亮温梯度达到0.8℃/km、云顶亮温下降率达到12℃/h作为闪电发生的参考指标,把雷达回波强度大于25d Bz或者云顶亮温小于230K的区域作为闪电密集区;针对昆明地区,可以将30d Bz雷达回波顶高达到8km或者云顶亮温梯度达到1℃/km、云顶亮温下降率达到12℃/h作为闪电发生的参考指标,把雷达回波强度大于30d Bz或者云顶亮温小于220K的区域作为闪电密集区。（4）利用闪电定位资料、雷达回波资料、云顶亮温资料,结合TITAN算法,对南京、昆明地区的雷暴区域进行了识别、跟踪、外推,并对预警效果进行了验证,结果表明:对于南京地区典型的多单体雷暴而言,雷达回波资料和云顶亮温资料均有良好的外推预警效果,而且云顶亮温效果更佳;而闪电资料在大范围雷暴中有很强的随机性,不适宜做此类型雷暴的外推预警。对于昆明地区典型的局部山地雷暴而言,闪电定位资料有良好的精细化的外推预警效果;云顶亮温资料适合做大范围的天气形势判断;而昆明地区的单个雷达资料存在不小的局限性,不适宜直接用来做雷暴区域的外推预警。
王奕清[5]（2021）在《基于计算机视觉的卫星云图反演降水量方法研究》文中提出降水量资料对于农业、社会活动、经济有着重要的意义。在国家气象灾害防护、地区气候研究方面,对广区域的降水量资料有着迫切需求。在当前的气象业务中,获取降水资料主要依赖于当地气象雷达站对雷达回波图的分析和气象卫星传感器遥感算法的反演。然而,国内陆地气象站数量分布稀疏不均匀,广袤的海洋或者沙漠上的长时间固定的雷达探测更是捉襟见肘;已有的卫星遥感算法并不开源,且时空分辨率低、反演精度受不同地区、不同气候的影响较大,无法很好的帮助气象学研究获取广覆盖,全天候监测降水量资料。为了补盲广覆盖,全天候条件下的降水量资料,为高准确度的广覆盖降水量资料获取提供一个新的视角和方法,本文以基于计算机视觉的卫星云图反演降水量方法为研究课题,主要开展如下工作。1)调研计算机视觉在图像分割、语义分割、序列预测问题上的传统算法和深度学习方法,探讨调研雷达测雨、降水预估的相关技术,结合深度卷积网络和长短期记忆人工神经网络,研究解决广覆盖全天候降水资料补盲问题的方法。2)面向本文所获取的诸多训练样本的格式和质量问题进行分析,针对问题分析的结果对卫星遥感云图等参与训练的样本进行处理,制作符合训练要求的高质量标签-样本集。3)针对气象卫星遥感捕捉到的云层特征和雷达回波值之间的非线性关系,提出基于计算机视觉方法的卫星云图反演模型,通过模型抽象提取云层特征,训练模型中的参数,使其能够拟合卫星云图上像素与雷达回波值之间的非线性关系。本文提出的方法在覆盖范围,可移植性,观测时间间隔,清晰度,准确度方面均优于传统的卫星遥感降水量测算的各类算法。4)为了更好地补盲降水量资料,本文提出基于长短期记忆人工神经网络的广覆盖降水量演变预测复合模型,相比传统的光流法外推预测,有着更好地运动预测准确度,可以更准确的预测云层的运动趋势和降水量数值的演变。通过深度卷积神经网络以及长短期记忆人工神经网络对于降水量分布特征、变化的准确预测,经过均方误差以及平衡F参数等对复合模型准确率的检验表明,本文提出的复合模型可以较好的完成全天候,广覆盖降水量反演任务,实现对降水量资料的补盲。
王建铭[6]（2020）在《基于多模态数据感知的电动汽车光伏充电功率预测研究》文中研究指明本课题针对新能源汽车光伏充电桩光伏功率的预测进行研究。近年来地球上石油等非可再生能源快速消耗,造成大气环境污染,新能源发展迫在眉睫。各国推出许多新兴政策鼓舞新能源汽车行业发展,新能源汽车充电桩技术也随之蓬勃发展。电动汽车光伏充电桩广泛应用,并入电网,将多余电量反馈电网。在发电过程受到天气云层等气象因素影响时,其出力功率将受到影响,分布式光伏充电站将电能回馈电网时会导致电网局部不稳定,引起波动。因此通过采集多模态天空全景图像及天气特征数据,建立模型,对光伏充电桩进行功率输出预报,可以缓解电网波动,提高光伏充电利用效率。对于光伏发电功率超短期预测研究方面,现有预测方法主要有历史数据预报法与地基云图预报法。历史数据预报法利用历史数据建模,但单一模型难以提取历史数据所反映的气象特征;传统的地基云图预报法在云层无规律消融时无法正确预测。为此,本文研究了全景天空图像及典型天气特征数据采集方法,并提出了一种基于多模态数据的太阳辐照度预测方法,主要研究内容如下:（1）多模态气象数据采集平台搭建。首先对比国内外全景天空图像采集效果,设计了一种天空全景图像采集装置,采集高分辨率全景天空图像,提取图像感兴趣区域;搭建典型气象特征数据采集设备,并对获取的数据进行数据清洗及相关性分析。（2）基于集成模型的超短期辐照度预测研究。针对超短期太阳辐照度预测问题,提出一种多模型集成预测方法,利用长短期时序记忆网络与极限梯度提升树训练预处理数据,并提出模型自动分配权重方法,提升了预测精度。（3）基于多模态深度神经网络的超短期预测研究。针对超短期云层运动剧烈的特点,提出了一种多模态、多输入深度网络预测模型。针对云团运动趋势线性外推存在的误差,提出了一种新型云团边缘与太阳中心的距离构造方法,并验证了距离数据的有效性。本方法融合云图数据、气象数据与距离数据进行预测,提升了预测精度。本文提出了基于多模态数据感知的电动汽车光伏充电功率预测研究方法,设计了深度神经网络模型,得到了良好的预测效果,为电动汽车光伏充电桩的推广提供技术支撑。
陈雄壮,刘远方,李娟,王宏伟,祁振兴[7]（2020）在《广西民航气象发展回顾及展望》文中研究表明回顾了六十多年来广西民航气象业务发展历史,在民航发展不同时期完成的科研成果,指出广西民航气象部门的业务发展和设备建设基本与中国民航气象发展同步,扼要介绍了各时期气象工作者的科技成果,总结了广西民航气象部门发展存在的不足,提出了未来航空气象服务产品精细化、智能化发展的方向,对加强广西民航气象的设备建设、行业交流、科技创新,提高预报水平和服务品质提出了展望。
廖盈庭[8]（2020）在《基于管制需求的对流云识别技术研究》文中认为对流天气是夏季常见的天气,在其发生和发展过程中往往伴随着强烈的气流、风切变、积冰、雷击闪电、强降水、下击暴流等现象,对民用航空活动有重大的影响。对流天气对民航空中交通管制工作影响很大,其发生区域气流、能见度等条件都会发生急剧的变化,对正常航空活动造成极大的干扰,管制员需要指挥航空器偏航及绕飞,在一定程度上增加了空中交通管制员的工作难度。因此空管对对流天气区的位置、发展趋势、预警时间等信息都有很高的要求。本文根据空管的需求,研究利用日本葵花8气象卫星数据识别并追踪对流天气区的方法,文章通过阈值法与改进卫星对流分析和追踪算法（Satellite Convection Analysis and Tracking,SATCAST）对对流云进行识别,并利用改进后的面积重叠算法对对流云进行跟踪。本文研究的主要内容主要有以下几部分:1、根据葵花8数据技术参考文档编程实现卫星地理等距网格的绘制,并利用双边滤波法对卫星图像进行前期滤波处理。2、根据空管工作内容分析管制对对流云识别的需求,并利用多元数据对湖南空域对流特征进行分析。3、结合对流影响利用阈值法将对流云划分为I、II、III类警示区,在此基础上利用卫星多通道融合图像目视对比结合卫星多通道差等方法采用掩模技术对I、II类警示区进行处理,使用针对葵花8改进后的SATCAST方法利用掩模技术对III类警示区进行处理。并对重要技术进行原理分析和展示。4、在使用Canny算子对各警示区边界进行提取的基础上,通过控制警示区云团质心移动距离,利用面积重叠算法对警示区云团进行跟踪。5、结合湖南空域对流特征,选取2019年两次湖南空域典型的对流现象使用本文方法进行验证分析,结果表明:利用本文的方法基本能准确的对对流云进行识别,并且对对流有一定的提前预警效果,基本能达到空管的需求。
李冰洁[9]（2019）在《气象卫星系统的云图自动分类识别研究》文中研究说明气象卫星实现了从太空对地球及其大气层的气象要素观测,全天24小时不间断地生成卫星云图,其观测范围广、信息量大,涵盖了各种云型的辐射信息及分布情况。气象人员通过人工经验判断卫星云图中的云型信息、分析其可能出现的天气现象,该手段主观性强;同时,云图产品量大,需要耗费大量的精力去分析,效率低下。因此,利用计算机高效、准确的进行卫星云图中云的自动分类识别,客观精确分析天气现象,便具有实际的研究意义,也是今后气象工作的发展趋势。本文依托于航空气象业务需求开展云的分类识别研究。数据集选取自葵花八号和风云二号卫星云图。由于云的“同物异谱、同谱异物”及色调相近等因素对分类结果有影响,提出了基于多纹理特征的云分类方法,通过融合Gabor变换和灰度共生矩阵算法实现特征提取,利用支持向量机使积状云、层状云、卷状云3种云型图像分类精度达到93.33%,积云、积雨云、层状云、卷状云、晴空5种云型图像分类精度达到69.2%。为进一步提高分类精度,本文提出了基于深度学习的云分类方法。在数据增强操作有效扩大训练集数据量的基础上,利用GoogLeNet网络将上述3种云型图像分类精度提高到95.67%,5种分类精度提高到96.8%。然而,GoogLeNet对云的分类精度仍未满足要求,并出现了严重的过拟合现象。因此,通过缩减inception模块个数、调整网络参数、精简网络层数的方法,对GoogLeNet作出了改进。最终,改进后的网络对上述3种云型图像分类精度能达到98%,5种分类精度能达到98.4%,满足业务需求,并且有效缓解了GoogLeNet云分类网络中的过拟合、计算资源消耗大等问题。为便于气象人员监测由积状云引起的灾害天气,利用YOLO深度卷积神经网络实现了卫星云图中积状云的检测,和人工判别结果基本保持一致,满足航空气象业务需求。
陈飞龙[10]（2019）在《基于MST雷达观测的对流层顶结构和平流层入侵过程研究》文中指出运行在VHF（Very-High-Frequency）频段的MST（Mesosphere-Stratosphere-Troposphere）雷达是一种灵敏度高、发射功率大的单站多普勒相控阵相干散射雷达,主要基于各向同性湍流散射和各向异性局部镜面反射机制来获取相应高度区间的回波功率谱信号并反演得到大气三维风场。目前MST雷达已经成为大气科学研究中不可或缺的遥感探测工具,能够在任何天气条件下几乎同时的对中间层、低平流层和对流层进行连续的无人值守探测。发展至今,MST雷达被广泛地应用在各种中小尺度天气气象过程（如降水、重力波、潮汐波、大气锋、台风、平流层臭氧入侵和对流层顶折叠等等）的观测研究中。国内MST雷达技术的发展,有助于帮助我们深入了解高时空分辨率的中高层大气动力学过程。基于中国子午工程一期项目,目前中国大陆已建设完成并正常运行的两台MST雷达分别是北京和武汉MST雷达。北京MST雷达坐落在河北省香河县（116°59′24″E,39°45′14″N）,武汉MST雷达建在湖北省崇阳县（114°8′8″E,29°31′58″N）。MST雷达探测优势非常突出,具有高度覆盖广、时空分辨率高、精度高等特点。本文介绍了北京和武汉MST雷达在常见天气气象研究中的应用,重点研究北京MST雷达探测对流层顶结构和平流层空气入侵的潜力。具体工作概况如下:1.有效数据获取率可作为评价MST雷达设备总体探测性能的一个指标。我们以5波束探测的水平风场数据为对象,分析了20122017年北京和武汉MST雷达低中模式的数据获取率情况。由于纬度差异,两台MST雷达的有效数据获取率情况存在明显不同。北京MST雷达结果:低、中模式有效数据获取率整体上均随高度升高而降低,低模式的递减率要比中模式的大;数据获取率随高度变化曲线分别在10.5 km和16 km位置存在明显反转,其主要是跟第一和第二对流层顶有关。武汉MST雷达结果:数据获取率变化情况可分为两段,每个模式低层的数据获取率基本不随高度变化而变化,保持在80%左右;再往上,则随高度升高而迅速降低;数据获取率的反转出现在16 km位置。2.地物杂波对垂直波束提取垂直风场信息有很大的影响。考虑到径向速度分辨率的大小是决定地物杂波影响垂直风场提取的关键因素,通过改变武汉MST雷达低模式的相干积累数和FFT点数,我们将径向速度分辨率从原来的0.53m/s提升到0.189 m/s（2.8倍）。结果表明:即使不做任何处理,地物杂波和真实的湍流回波便能从原始功率谱中单独分离出来。显然,径向速度分辨率的提升,有助于提取更精确的垂直风场。3.基于几个典型的案例,我们介绍了MST雷达在大气锋、降水、台风和大气重力波上的观测应用。结果表明:1)冷锋锋面的大概位置可以通过回波的结构特征进行识别;2)在降水环境下,MST雷达能同时探测到同等量级的大气湍流回波和降水回波;3)即使台风中心距离雷达站较远（750 km）,武汉MST雷达在高对流层-低平流层观测到台风灿鸿影响下的痕迹,即局部北风急流。4.基于镜面反射回波机制,可利用MST雷达测定对流层顶高度（RT）。采用2011年11月至2017年5月北京MST雷达垂直波束回波功率数据,对高分辨率对流层顶结构和变化进行了详细研究。通过与热力学对流层顶（LRT）和动力学对流层顶（PVT）进行比较,结果显示:不同季节的RT和LRT均表现出比较好的一致性,相关系数均≥0.74;冬季和春季RT和PVT之间的相关性相对较好,相关系数分别为0.72和0.76,但是夏季RT和PVT之间的相关性较差,相关系数仅为0.33。夏季RT和PVT之间很差的一致性主要是跟移动到40°N的亚热带急流有关。月平均RT和LRT高度均表现出明显的年周期性变化:初秋（9月）的对流层顶高度最大,约为11.6 km;早春（3月）最小,约为10.3 km。5.大气潮汐是调制对流层顶日/半日周期变化的主要来源之一。通过对RT高度进行Lomb-Scargle周期谱分析,结果表明:不同季节的RT均有明显的日周期变化,但是半日周期变化并不明显,只偶尔在夏季和晚春观测到。研究表明了北京MST雷达测定对流层顶高度以及观测其日/半日周期变化的巨大潜力。6.平流层大气向对流层入侵的过程被认为是对流层臭氧的重要来源。关于使用VHF-MST雷达探测识别平流层入侵事件仍有几个未解决的问题。我们对2014年11月底的一次切断低压（COL）案例进行了详细的研究。基于全球ECMWF再分析资料、AIRS卫星数据以及HYSPLIT轨迹模式,观测到明显的平流层入侵证据:干燥、富含臭氧、高PV值以及低CH4浓度的空气向下入侵到至少500 hPa的自由对流层中。在入侵过程中,北京MST雷达观测到两个非常有趣的特征:RT快速抬升以及抬升前强下行垂直风场。我们初步认为RT抬升以及抬升前的强下行垂直风场可作为探测平流层空气入侵事件的潜在指标。下行垂直风场之后对流层中的异常高角敏感区也是平流层空气入侵的一个潜在线索。7.为了验证案例研究观测到的对流层顶快速抬升以及抬升前的强下沉气流在探测识别平流层空气入侵过程中的潜力,我们在2012年3月至2015年1月期间挑选出另外20个不同天气背景下的典型RT抬升及抬升前强下行垂直风场事件。结合轨迹模式分析以及AIRS卫星探测数据,结果发现:其中15个案例均与一定形式的平流层入侵过程有关。研究结果表明对流层顶快速抬升以及抬升前的强下行垂直风场可作为互补的诊断指标,在观测与识别平流层入侵事件上具有很大的潜力。这对大气质量监测和对流层臭氧的长期估算具有重要的意义。
二、甚高分辨率卫星云图接收设备（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、甚高分辨率卫星云图接收设备（论文提纲范文）
（1）基于多粒度信息融合的卫星云图识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统方法介绍 |
| 1.2.2 深度学习方法介绍 |
| 1.3 研究内容和论文创新点 |
| 1.3.1 研究内容 |
| 1.3.2 论文创新点 |
| 1.4 论文框架 |
| 第二章 基于传统经典算法的云图应用 |
| 2.1 本文实验所使用的卫星云图 |
| 2.2 卫星云图特征及特征提取 |
| 2.2.1 光谱和纹理特征 |
| 2.2.2 光谱和纹理特征提取 |
| 2.3 支持向量机 |
| 2.3.1 支持向量机原理 |
| 2.3.2 支持向量机仿真结果 |
| 2.4 卷积神经网络 |
| 2.4.1 卷积层 |
| 2.4.2 池化层 |
| 2.4.3 全连接层 |
| 2.4.4 前向传播与反向传播 |
| 2.4.5 卷积神经网络仿真结果 |
| 2.5 本章小结 |
| 第三章 基于扩张多粒度级联森林算法的云图应用 |
| 3.1 扩张多粒度级联森林算法 |
| 3.2 扩张多粒度扫描阶段 |
| 3.2.1 多粒度扫描 |
| 3.2.2 扩张卷积 |
| 3.2.3 扩张多粒度扫描 |
| 3.3 级联森林阶段 |
| 3.3.1 决策树原理 |
| 3.3.2 决策树特征选择 |
| 3.3.3 决策树学习 |
| 3.3.4 随机森林算法 |
| 3.3.5 自适应提升算法 |
| 3.3.6 级联森林 |
| 3.4 仿真结果及其分析 |
| 3.5 本章小结 |
| 第四章 基于分组金字塔卷积残差网络算法的云图应用 |
| 4.1 分组金字塔卷积残差网络算法 |
| 4.2 残差结构 |
| 4.2.1 残差结构的提出 |
| 4.2.2 残差结构的原理 |
| 4.2.3 瓶颈层 |
| 4.3 金字塔卷积残差单元 |
| 4.3.1 金字塔卷积 |
| 4.3.2 金字塔残差单元 |
| 4.4 通道重组和分组卷积 |
| 4.5 分组金字塔残差块 |
| 4.6 仿真与结果分析 |
| 4.7 文章小节 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于FY-4A卫星的云检测与云图预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测方法研究现状 |
| 1.2.2 云图预测研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 问题的总结与分析 |
| 1.3.1 云检测方法 |
| 1.3.2 云图预测方法 |
| 1.4 本文主要研究内容与技术线路 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术线路 |
| 1.5 本文章节安排 |
| 第二章 研究区域与数据处理 |
| 2.1 研究区域 |
| 2.2 研究数据介绍 |
| 2.2.1 风云四号A星 |
| 2.2.2 AGRI数据介绍 |
| 2.2.3 FY-4A卫星云检测产品 |
| 2.3 数据预处理 |
| 2.3.1 数据提取 |
| 2.3.2 几何校正 |
| 2.3.3 辐射定标 |
| 2.3.4 数据规范化 |
| 2.4 本章小结 |
| 第三章 基于改进U-Net网络的云检测方法 |
| 3.1 U-Net网络 |
| 3.2 基于改进U-Net网络的云检测模型 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 残差模块 |
| 3.2.3 卷积注意力模块 |
| 3.2.4 改进的U-Net网络 |
| 3.3 实验与结果分析 |
| 3.3.1 数据集 |
| 3.3.2 实验设置 |
| 3.3.3 评价指标 |
| 3.3.4 消融实验 |
| 3.3.5 结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于3DGAN网络的云图预测方法 |
| 4.1 生成对抗网络 |
| 4.1.1 生成对抗网络的基本原理 |
| 4.1.2 Pixel2Pixel网络 |
| 4.2 基于3DGAN网络的云图预测模型 |
| 4.2.1 3D卷积 |
| 4.2.2 生成器模型结构 |
| 4.2.3 判别器模型结构 |
| 4.2.4 损失函数 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 评价指标 |
| 4.3.4 预测图像对比与分析 |
| 4.3.5 预测通道亮温对比与分析 |
| 4.3.6 预测云图的云检测对比与分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（3）雷暴云团识别与线路规划系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容及论文结构 |
| 第二章 雷暴云团辨识相关研究 |
| 2.1 卫星云图成像原理及种类研究 |
| 2.1.1 卫星云图成像原理 |
| 2.1.2 可将光云图成像特点 |
| 2.1.3 红外云图成像特点 |
| 2.1.4 水汽云图成像特点 |
| 2.2 图像分割相关方法 |
| 2.2.1 阈值 |
| 2.2.2 边缘 |
| 2.2.3 区域 |
| 2.2.4 数学形态学方法 |
| 2.2.5 模糊聚类算法 |
| 2.2.6 神经网络 |
| 2.3 评价指标 |
| 2.3.1 像素精度 |
| 2.3.2 平均像素精度 |
| 2.3.3 均交并比 |
| 2.4 本章小结 |
| 第三章 基于深度学习轻量级网络的卫星云图分割 |
| 3.1 卷积神经网络简介 |
| 3.1.1 卷积运算 |
| 3.1.2 卷积层 |
| 3.1.3 池化层 |
| 3.1.4 规范化层 |
| 3.1.5 全连接层 |
| 3.1.6 激活函数 |
| 3.1.7 损失函数 |
| 3.2 基于轻量级多池化卷积神经网络的卫星云图分割模型 |
| 3.2.1 数据准备 |
| 3.2.2 可分离卷积结构 |
| 3.2.3 残差块 |
| 3.2.4 多池化结构 |
| 3.2.5 轻量级多池化卷积神经网络 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据展示 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于方向梯度的飞行轨迹规划 |
| 4.1 图论理论 |
| 4.1.1 树 |
| 4.1.2 图 |
| 4.1.3 二维矩阵与图的关系 |
| 4.1.4 回溯算法 |
| 4.2 基于梯度向量DFS的有向路径规划 |
| 4.2.1 数据准备 |
| 4.2.2 顶点标志位 |
| 4.2.3 方向梯度 |
| 4.3 基于梯度向量A*的有向路径规划 |
| 4.3.1 卫星云团的方向观测 |
| 4.3.2 卫星云团的方向推断 |
| 4.3.3 路径规划路程优先级设置 |
| 4.3.4 路径规划方式 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 云图分割及轨迹规划系统实现 |
| 5.1 用户登录及密码修改 |
| 5.2 数据解析 |
| 5.3 网络训练使用 |
| 5.4 路径的规划 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于多源资料的雷电活动特征及临近预警方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 VLF/LF地基闪电定位系统的研究进展 |
| 1.2.2 雷电临近预警的研究进展 |
| 1.3 主要研究内容及章节安排 |
| 第二章 基于VLF/LF磁场的三维闪电定位 |
| 2.1 VLF/LF磁场三维闪电探测系统 |
| 2.2 VLF/LF磁场三维闪电定位网介绍 |
| 2.2.1 南京闪电定位网 |
| 2.2.2 昆明闪电定位网 |
| 2.3 基于时间差的三维闪电定位算法 |
| 2.3.1 波形互相关技术求时间差 |
| 2.3.2 时间差三维闪电定位算法 |
| 2.4 闪电定位网的定位误差分析 |
| 2.4.1 蒙特卡洛模拟参数设置 |
| 2.4.2 模拟结果分析 |
| 2.4.3 考虑真实地形的误差分析 |
| 2.5 一次闪电的三维定位结果 |
| 2.6 本章小结 |
| 第三章 强对流天气过程中闪电活动特征差异性分析 |
| 3.1 多普勒天气雷达资料的观测及处理 |
| 3.1.1 雷达探测基本原理 |
| 3.1.2 雷达回波强度 |
| 3.1.3 雷达回波顶高 |
| 3.2 葵花8号(Himawari-8)卫星资料的观测及处理 |
| 3.2.1 葵花8号AHI(Advanced Himawari Imager)仪器通道设置情况 |
| 3.2.2 云顶亮温阈值 |
| 3.2.3 云顶亮温降温率 |
| 3.2.4 云顶亮温梯度 |
| 3.3 南京、昆明地区闪电活动变化特征 |
| 3.4 南京地区强对流天气过程中闪电活动个例分析 |
| 3.4.1 南京地区雷暴天气的雷达回波特征 |
| 3.4.2 南京地区雷暴天气的云顶亮温特征 |
| 3.5 昆明地区强对流天气过程中闪电活动个例分析 |
| 3.5.1 昆明地区雷暴天气的雷达回波特征 |
| 3.5.2 昆明地区雷暴天气的云顶亮温特征 |
| 3.6 本章小结 |
| 第四章 雷电临近预警分析 |
| 4.1 预警算法介绍 |
| 4.1.1 雷暴识别算法 |
| 4.1.2 雷暴跟踪算法 |
| 4.1.3 雷暴外推算法 |
| 4.2 南京地区雷电预警分析 |
| 4.2.1 雷暴识别、跟踪结果分析 |
| 4.2.2 雷暴外推结果分析 |
| 4.3 昆明地区雷电预警分析 |
| 4.3.1 雷暴识别、跟踪结果分析 |
| 4.3.2 雷暴外推结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要研究结果 |
| 5.2 论文的创新点 |
| 5.3 存在的不足及未来工作展望 |
| 5.3.1 存在的不足 |
| 5.3.2 未来研究展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（5）基于计算机视觉的卫星云图反演降水量方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 卫星遥感降水技术 |
| 1.2.2 雷达外推预测技术 |
| 1.2.3 计算机视觉 |
| 1.3 主要工作内容 |
| 1.4 本论文的结构安排 |
| 第二章 计算机视觉相关概念概述 |
| 2.1 语义分割概述 |
| 2.1.1 图像分割的传统方法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络概述 |
| 2.2.2 基础结构与算法概念 |
| 2.3 长短时记忆人工神经网络 |
| 2.3.1 基本原理 |
| 2.4 本章小结 |
| 第三章 基于语义分割的卫星云图反演降水量模型 |
| 3.1 人工智能时代的语义分割 |
| 3.2 数据介绍 |
| 3.2.1 卫星数据 |
| 3.2.2 雷达回波数据 |
| 3.2.3 水汽通道 |
| 3.2.4 问题分析 |
| 3.2.5 数据预处理 |
| 3.2.6 数据集制作 |
| 3.3 模型搭建 |
| 3.3.1 经典编码器-解码器 |
| 3.3.2 模型实现 |
| 3.3.3 模型训练与调优 |
| 3.4 卫星云图反演结果分析 |
| 3.4.1 结果评估标准 |
| 3.4.2 模型结果分析与数据后处理 |
| 3.5 本章小结 |
| 第四章 基于遥感序列信息的降水量分布预测 |
| 4.1 卷积长短时记忆神经网络理论 |
| 4.2 基于卫星遥感图像的降水预测模型 |
| 4.2.1 数据集获取 |
| 4.2.2 复合模型实现 |
| 4.2.3 模型结果衡量指标 |
| 4.2.4 复合模型结果分析 |
| 4.3 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读专业硕士学位期间取得的成果 |
（6）基于多模态数据感知的电动汽车光伏充电功率预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 第2章 多模态气象数据采集平台搭建 |
| 2.1 天空全景图像采集设备 |
| 2.2 天空全景图像采集 |
| 2.3 气象数据采集系统 |
| 2.4 气象数据预处理 |
| 2.4.1 缺失数据检测与补充 |
| 2.4.2 数据归一化 |
| 2.5 气象数据相关性分析 |
| 2.5.1 太阳辐照度的周期性 |
| 2.5.2 典型天气下辐照度的特点 |
| 2.5.3 辐照度和天气因素相关性 |
| 2.6 本章总结 |
| 第3章 基于集成模型的太阳辐照度超短期预测 |
| 3.1 系统总体结构 |
| 3.2 长短期时序预测网络模型 |
| 3.2.1 LSTM神经网络单元 |
| 3.2.2 LSTM网络结构 |
| 3.3 XGBoost预测网络模型 |
| 3.3.1 XGBoost原理 |
| 3.3.2 XGBoost模型参数构建 |
| 3.4 集成模型方法原理 |
| 3.5 实验对照ARIMA与 BP模型 |
| 3.5.1 ARIMA时序预测模型 |
| 3.5.2 BP神经网络 |
| 3.6 实验分析与讨论 |
| 3.6.1 实验设计 |
| 3.6.2 预测性能分析 |
| 3.7 本章小结 |
| 第4章 基于多模态深度神经网络的超短期预测研究 |
| 4.1 多模态网络模型设计 |
| 4.1.1 多模态网络实验设计总体流程 |
| 4.1.2 多模态网络距离数据 |
| 4.1.3 多模态网络具体结构 |
| 4.2 卷积神经网络特征提取 |
| 4.2.1 卷积运算操作 |
| 4.2.2 池化运算操作 |
| 4.3 实验分析与讨论 |
| 4.3.1 模型训练以及参数调整 |
| 4.3.2 距离数据对模型预测的影响 |
| 4.3.3 多模态深度模型性能对比 |
| 4.3.4 云图特征信息对模型预测影响 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
（7）广西民航气象发展回顾及展望（论文提纲范文）
| 引言 |
| 1 广西民航气象业务发展回顾 |
| 1.1 广西民航气象建制历史 |
| 1.2 主要气象设备发展回顾 |
| 1.2.1 观测设备的发展 |
| （1）常规观测设备 |
| (2）自动观测设备 |
| 1.2.2 探测雷达和卫星云图设备的发展 |
| （1）探测雷达设备 |
| (2）卫星云图设备 |
| 1.2.4 气象传输和信息设备的发展 |
| 1.3 气象观测业务发展回顾 |
| 1.3.1 观测业务的发展 |
| 1.3.2 历史观测资料 |
| 1.4 气象预报业务发展回顾 |
| 2 广西民航气象科技发展回顾 |
| 3 结论与展望 |
| 3.1 研究结论 |
| 3.2 存在问题 |
| (1）气象设备配备不足 |
| (2）气象服务存在不足 |
| (3）气象科技创新力度不够 |
| (4）航空气象行业间交流不多 |
| 3.3 未来展望 |
| (1）加强探测设备及信息系统建设 |
| (2）提升航空气象服务能力 |
| (3）推动航空气象创新工作 |
| (4）加强广西气象行业交流 |
（8）基于管制需求的对流云识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 对流云识别国外研究现状 |
| 1.2.2 对流云识别国内研究现状 |
| 1.2.3 对流云追踪研究现状 |
| 1.3 研究的目的和意义 |
| 1.4 研究内容和论文结构 |
| 1.5 本章小结 |
| 第二章 资料和方法介绍 |
| 2.1 云图资料介绍及其预处理 |
| 2.1.1 葵花8卫星简介 |
| 2.1.2 卫星云图光谱特征 |
| 2.1.3 卫星云图纹理特征 |
| 2.1.4 卫星资料预处理 |
| 2.2 雷达资料介绍 |
| 2.3 气象报文及空管重要天气档案介绍 |
| 2.4 本章小结 |
| 第三章 湖南空域对流特征统计分析 |
| 3.1 湖南空域简介及管制需求介绍 |
| 3.1.1 湖南空域简介 |
| 3.1.2 管制需求介绍 |
| 3.2 湖南空域对流时空分布统计 |
| 3.2.1 对流空间分布 |
| 3.2.2 对流时间分布 |
| 3.3 本章小结 |
| 第四章 对流云识别与跟踪技术 |
| 4.1 对流云识别算法流程介绍 |
| 4.1.1 警示区划分 |
| 4.1.2 Ⅰ、Ⅱ类警示区识别流程 |
| 4.1.3 Ⅲ类警示区识别流程 |
| 4.2 重要技术原理及其实现 |
| 4.2.1 可见光与红外通道融合技术 |
| 4.2.2 云区掩模技术 |
| 4.2.3 Prewitt算子图像求导技术 |
| 4.3 对流天气区提取与追踪 |
| 4.3.1 对流天气区提取 |
| 4.3.2 对流天气区追踪 |
| 4.4 本章小结 |
| 第五章 对流云识别个例分析 |
| 5.1 个例选取 |
| 5.2 个例分析 |
| 5.2.1 2019年4月1日至4月2日对流个例分析 |
| 5.2.2 2019年4月10日对流个例分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要工作及结论 |
| 6.2 本文创新点 |
| 6.3 改进及展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（9）气象卫星系统的云图自动分类识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云分类研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.3 本文组织和架构 |
| 2 气象卫星云图理论综述 |
| 2.1 气象卫星云图 |
| 2.2 云的判别依据 |
| 2.3 云的种类 |
| 2.4 本文数据集的建立 |
| 2.5 本章小结 |
| 3 基于多纹理特征的云分类 |
| 3.1 云的多纹理特征提取 |
| 3.1.1 Gabor变换 |
| 3.1.2 灰度共生矩阵 |
| 3.2 云的分类实现 |
| 3.3 本章小结 |
| 4 基于深度学习的云分类 |
| 4.1 深度学习理论基础 |
| 4.1.1 深度卷积神经网络结构 |
| 4.1.2 网络结构选取 |
| 4.2 基于GoogLeNet的云分类实现 |
| 4.2.1 数据增强 |
| 4.2.2 云分类实现 |
| 4.3 基于改进GoogLeNet的云分类实现 |
| 4.3.1 模型设计 |
| 4.3.2 特征图可视化分析 |
| 4.3.3 分类结果分析 |
| 4.4 本章小结 |
| 5 基于YOLO网络的积状云检测 |
| 5.1 YOLO网络相关理论概述 |
| 5.1.1 YOLO网络结构 |
| 5.1.2 边界框预测及置信度理论 |
| 5.2 积状云的检测 |
| 5.2.1 检测过程 |
| 5.2.2 检测结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于MST雷达观测的对流层顶结构和平流层入侵过程研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 地球大气层及其探测 |
| 1.1.1 地球大气分层 |
| 1.1.2 大气探测 |
| 1.2 脉冲多普勒大气遥感探测雷达 |
| 1.2.1 初识无线电波与雷达 |
| 1.2.2 雷达测距 |
| 1.2.3 多普勒速度测量 |
| 1.2.4 雷达方程 |
| 1.2.5 风廓线雷达分类 |
| 1.2.6 初识相控阵MST雷达 |
| 1.3 MST雷达技术国内外发展 |
| 1.4 目前世界上已有部分MST雷达简介 |
| 1.5 本文章节内容安排 |
| 第二章 子午工程MST雷达 |
| 2.1 子午工程与MST雷达建设概况 |
| 2.2 武汉和北京MST雷达 |
| 2.2.1 地理位置 |
| 2.2.2 频率选择 |
| 2.2.3 系统与基本参数简介 |
| 2.2.4 雷达回波机制 |
| 2.3 多普勒功率谱信号处理 |
| 2.3.1 地物杂波抑制 |
| 2.3.2 滤波 |
| 2.3.3 回波信号识别与基本径向参数提取 |
| 2.4 风场反演 |
| 2.4.1 五波束三维风场反演 |
| 2.4.2 反演垂直风场的能力与局限性探讨： |
| 2.5 数据获取率 |
| 第三章 MST雷达对常见气象过程的观测应用 |
| 3.1 研究背景 |
| 3.2 冷锋过境 |
| 3.3 降水回波 |
| 3.4 台风灿鸿 |
| 3.5 大气重力波 |
| 3.6 本章小结 |
| 第四章 对流层顶结构的探测 |
| 4.1 研究背景 |
| 4.2 数据和方法 |
| 4.2.1 数据集 |
| 4.2.2 对流层顶定义 |
| 4.2.3 北京MST雷达探测高分辨率对流层顶结构 |
| 4.3 不同定义的对流层顶高度对比结果 |
| 4.3.1 雷达对流层顶(RT)与热力学对流层顶(LRT)的比较 |
| 4.3.2 雷达对流层顶(RT)与动力学对流层顶(PVT)的比较 |
| 4.4 对流层顶附近的风场和回波强度特征 |
| 4.5 雷达对流层顶的周期性分析 |
| 4.6 北京MST雷达探测对流层顶的几点讨论 |
| 4.7 探讨对流层顶高度的变化趋势 |
| 4.7.1 影响因素 |
| 4.7.2 北京MST雷达站过去近6 年观察结果 |
| 4.8 本章小结 |
| 第五章 跨对流层顶平流层大气入侵过程研究 |
| 5.1 研究背景 |
| 5.2 数据集 |
| 5.2.1 北京MST雷达 |
| 5.2.2 气球探空仪 |
| 5.2.3 ECMWF再分析数据 |
| 5.2.4 AIRS卫星数据 |
| 5.2.5 HYSPLIT轨迹模式 |
| 5.3 案例研究结果 |
| 5.3.1 一次典型切断低压的气象背景情况 |
| 5.3.2 北京MST雷达观测结果 |
| 5.3.3 COL诱发的平流层大气深入侵过程 |
| 5.3.4 轨迹模式分析结果 |
| 5.4 RT抬升及抬升前的强下行风场在识别平流层入侵上的潜力 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.1.1 探测对流层顶结构和变化的能力 |
| 6.1.2 探测平流层大气入侵过程的潜力 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读博士期间参与项目与论文成果 |
| 致谢 |
四、甚高分辨率卫星云图接收设备（论文参考文献）
- [1]基于多粒度信息融合的卫星云图识别算法研究[D]. 田娜梅. 南京信息工程大学, 2021(01)
- [2]基于FY-4A卫星的云检测与云图预测方法研究[D]. 蔡朋艳. 南京信息工程大学, 2021(01)
- [3]雷暴云团识别与线路规划系统的研究与实现[D]. 魏祥. 太原理工大学, 2021(01)
- [4]基于多源资料的雷电活动特征及临近预警方法研究[D]. 姚年鹏. 南京信息工程大学, 2021(01)
- [5]基于计算机视觉的卫星云图反演降水量方法研究[D]. 王奕清. 电子科技大学, 2021(01)
- [6]基于多模态数据感知的电动汽车光伏充电功率预测研究[D]. 王建铭. 浙江科技学院, 2020(03)
- [7]广西民航气象发展回顾及展望[J]. 陈雄壮,刘远方,李娟,王宏伟,祁振兴. 气象研究与应用, 2020(04)
- [8]基于管制需求的对流云识别技术研究[D]. 廖盈庭. 中国民用航空飞行学院, 2020(11)
- [9]气象卫星系统的云图自动分类识别研究[D]. 李冰洁. 西安科技大学, 2019(01)
- [10]基于MST雷达观测的对流层顶结构和平流层入侵过程研究[D]. 陈飞龙. 武汉大学, 2019(08)