一个蒸散同化方法基于集合卡尔曼滤波和多孔小波

文摘

同化是具有挑战性的蒸散的产品(EP)从卫星数据检索到地表模型(lsm)。摘要摄动合奏卡尔曼滤波器(PEKF)和多孔小波变换(AWT)集成方法提出了实现蒸散同化。在这种方法中,使用AWT的EPs分解成多个频道,因为它是非常强大的高频融合多源数据的空间信息,然后是卡尔曼滤波器在AWT域中执行。该方法的优点结合PEKF能够容纳的模型误差和观测误差,和AWT可以有效地执行多分辨率融合。同化与诺亚实验模型和EP从MODIS数据表明该方法检索执行比传统的合奏卡尔曼滤波器(EnKF)和PEKF方法。分析结果很适合蒸散观察两个字段不同地表条件下的网站。这些表明,该方法是有前途的同化卫星区域范围内检索lsm EP。

1。介绍

土壤水分蒸发蒸腾损失总量的重要组成部分,是水和陆地表面与大气之间能量交流。至关重要,准确地估计等为研究全球或地区水和能量平衡。因此,高质量的空间和时间等生产(EP)可以帮助改善水和能源循环的理解。然而,这种EP通常是很难获得在这两个维度的时间和空间,因为受多种因素的影响,如空气和皮肤温度、土壤水分、植被分数,和水平平流。到目前为止,有两种方法来估计等。一个是站点观测或遥感检索。网站观察有着很高的空间分辨率,但只能提供有限的空间位置的EP (1]。遥感检索有着很高的空间分辨率,可以覆盖大范围,但只能检索瞬时EP。另一种是地表模型(lsm)。lsm不断地评估等的可能是最有效的方法在大范围(1]。因为物理缺陷的lsm和输入和驱动数据的不确定性,EP lsm可能包含重要的错误。因此,数据同化(DA)已经应用于观测等融入lsm [2]。

达提供了一个框架为提高LSM LSM的更新状态变量(SVLs)观察和结合的高空间分辨率与高时间分辨率的LSM观察。达可以通过两种实现方案:连续同化和顺序同化。在连续同化,SVLs调制靠近观察。连续同化方法可能导致的突变前后SVLs哒,这将使后续仿真lsm容易产生明显的错误。在顺序同化,SVLs更新根据一些预测原则。更新通常是通过添加完成产品获得的估计模型误差和观测误差和观测结果之间的差异和SVLs LSM的输出。顺序同化方法可以产生一个统计优化和动态一致状态估计地表的考虑观测误差和模型误差。在顺序同化方法,卡尔曼滤波器(KF)派生方法产生准确、连续等估计,近年来被广泛应用3]。

到目前为止,许多KF-derived DA方法被提出。KF方法通过一个额外的显式计算误差协方差矩阵方程,传播错误信息从一个更新时间下,主题可能不确定模型动力学(4,5]。lsm是线性时,KF方法不仅可以得到SVLs的最优估计,但也可以估计的最优误差估计。然而,lsm通常是高度非线性,为了应用非线性lsm KF, KF方法扩展到扩展KF (EKF)方法利用一阶导数的泰勒公式在lsm线性化。复杂的、不连续和非线性lsm,这些方法来自于卡尔曼滤波器的性能不是很稳定(6]。为了克服KF -和EKF-based方法的局限性,Evensen [7,8]提出合奏KF (EnKF)根据随机动态预测理论提出的爱泼斯坦(9]。汉堡等。10)提高了EnKF摄动EnKF SVLs (PEKF)通过随机扰动,观察,营力使用各自的不确定性。因为DA方法来源于EnKF和PEKF避免高维非线性矩阵操作,很容易把DA方法lsm。因此,这个分支的DA方法近年来已经成为一个活跃的研究前沿。

秦et al。11)开发了一种基于变分资料同化方案弱约束的概念。实际上,它吸收表面皮肤温度转化为一个简单的地表模型估计等。不方便使用自动微分技术,推导伴随代码来评估成本函数的梯度,当一个人有检索。Pipunic et al。12)证实,同化遥感潜在和显热通量可能产生更好的热通量比吸收土壤水分预测,或皮肤温度的观察它们。然而,这个实验只是测试使用合成数据,这需要进一步研究如何使用实际的同化等遥感等领域。张成泽et al。13]在晴空条件下利用MODIS数据计算等,而MODIS-MM5四维数据同化系统提供了输入变量的计算等在阴天条件下,这意味着这两种类型的外星人不合并实际上从DA的意义。徐et al。14]估计湍流通量通过使用EnKF地球同步运行环境卫星数据的同化方法。尽管使用地球同步运行环境卫星数据处理远程传感数据稀疏的问题,潜在的应用实验被执行在网站的规模而不是域规模。法国et al。15]预测空间分布的棉花被同化遥感和地面观测等。然而,这种方法可能不可行提供连续等估计比可以实现与数据本身如果暂时连续点观察并不可用。然而,还需要更多的研究来确定和同化等可以提高热通量、土壤水分、土壤温度lsm的预测。

DA的主要目的是结合互补信息从lsm的测量和模型转化为一个最优估计的地球物理领域的兴趣4]。我们的想法是类似于数据融合。通过融合低空间和高光谱分辨率的多光谱数据(LRMD)和高空间和低光谱分辨率全色数据(HRPD)作为一个例子,数据融合的目的是注入HRPD的细节LRMD LRMD可靠地保存的光谱性质。从数据融合的角度来看,KF, EnKF,和PEKF方法间接注入的高空间信息的观察,lsm和间接注入失去很多细节的观察,不能提取的三个方法。在数据融合,许多研究表明,多孔小波变换(AWT)是非常强大的向LRMD注入HRPD的细节与最低影响后者。

介绍了AWT Holdschneider等人在2002年使用的多孔(孔)算法,可以保留平移不变性;即翻译的原始信号必然意味着翻译相应的小波系数(16]。AWT是计算简单,二元,多余的,抽取,非正交,对称分解和提供良好的定位在两个频率和空间域数据分解到多个通道相同的大小和减少决议(17]。这些优势使AWT适合融合多源数据。因此,它得到一个更好的整合的空间和光谱质量比其他方法。最近,许多融合过程提出了基于AWT (18,19]。

使用AWT等同化的目的是改善等预测,因此间接正确热通量的预测,同时达到身体正确的土壤水分和温度通过DA估计。因此,本研究测试的应用AWT同化遥感EP生产更好的热通量。论文很少能找到关于使用AWT在DA (20.- - - - - -22),显示了有前景的结果。然而,还需要更多的研究来发掘AWT的潜力来改善热通量预测土壤水分和温度lsm的预测。

节2介绍了,这些优势的AWT哒。小说同化方法提出了改进的EP lsm通过MODIS中检索数据,EP (MDRE),基于AWT和PEKF的联合使用。我们使用AWT MDRE和lsm的EP分解成多个频道,然后执行传统PEKF AWT域。拟议中的AWT-PEKF方法的优点结合AWT和PEKF可以完全注入的细节MDRE lsm的EP。

实验结果进行的部分3说明改善之间存在一致性分析和吸收EP的质量报告。AWT-PEKF方法量化的性能改善的lsm预测时变EP。相互比对也使显示的优点AWT-PEKF方法在传统方法基于EnKF和PEKF。估计结果表明,AWT-PEKF方法能有效检索EP具有令人满意的精度。部分4总结了纸。

2。结合AWT-PEKF数据同化方法

PEKF可以被理解为一个纯粹的统计蒙特卡罗方法的整体SVLs发展在状态空间考虑总体的均值作为整体的最佳估计和传播的误差方差(9]。PEKF已经得到普及,因为它简单的概念制定和相对易于实施;例如,它不需要推导的切线性或伴随模型和集成落后。此外,计算需求是负担得起的和比较与其他流行的同化方法(9]。因此,本文采用PEKF同化EP。下面简要描述了PEKF。

考虑到SVLs lsm的时间,用的上标表示转置,随机扰乱次使用高斯噪声产生。PEKF由预测步骤:

在(1),表示非线性LSM下标表示背景,表示仿真时间。

预测误差进行分析 在哪里表示观测算子。然后增益矩阵获得的是 在(8),表示观测误差矩阵。

最后,执行同化

在(9),表示观测时间。

PEKF方法使用整体描述SVLs的协方差矩阵,避免了协方差矩阵的显式计算需要的卡尔曼滤波器。适度misspecification最初的合奏通常非常不影响结果。PEKF允许范围广泛的噪声模型和一个并不局限于使用高斯分布噪声。

它可以找到(9完成同化),基于单一网格和不考虑电网之间的相互关系。电网之间的相互关系主要反映在细节和结构信息。观测的空间分辨率的原因是高于模拟LSM是观察细节和结构信息超过LSM的模拟。同化方案基于单一网格不能完全注入的细节和结构信息观察LSM的模拟。DA的主要目的是整合的高精度观测和lsm的演化。

从数据融合的角度,同化过程可以被认为是构建一个系数与相同的时间响应模拟LSM和相同的空间响应观测在特定网格的位置。AWT的发展,我们期望改进的空间在传统single-grid-based同化方案合并的观测和模拟LSM以来AWT域小波滤波器可以考虑在细节提取网格之间的相互关系的观察。

AWT可以提供良好的定位在两个频率和空间域分解的数据和有限的能量为多个频道,每个人都有不同程度的决议(23]。由于其不变性财产转移,AWT已成功用于融合不同分辨率的数据(24]。AWT表示的数据可以通过使用多孔算法(17]。

该算法由基本上在应用程序之间的连续分布数据分析和尺度函数在不同降解水平(25]。最广泛使用的扩展函数的执行多孔算法是b₃样条(23)如下:

如果原始数据的表示小波系数,的水平是通过两个连续退化数据之间的区别,和,见以下方程:

执行数据合成降解水平添加剂标准应该被应用,被添加到最后获得的所有系数的退化程度的原始数据,见以下方程:

独立通过操纵数据的近似分量和小波飞机,AWT显示性能优良在整合多光谱数据的光谱信息和空间信息的全色数据。达,目的是观察的高空间分辨率信息融入lsm的仿真。因此,数据融合的目的和DA相似。

它可以看到从(9),更新完成后通过添加的产品获得SVLs和影响。的高空间信息观察用于提高SVLs包含在差异和调制到SVLs增益。从分析这个角度的基于awt的融合时,添加剂DA不能考虑小波飞机的区别。对不同小波飞机,获得可能不同,不同的小波平面。它将有利于完成DA AWT域。更重要的是,添加剂DA不能考虑网格之间的相互关系,从而导致的注入下观察的细节信息。与AWT,改进的空间在传统哒可以预期。

使用合奏LSM预测后,看到1)。AWT应用于预测合奏和观察

在(13),表示的近似分量,表示小波平面的。在(14),表示的近似分量,表示小波平面的。

AWT适用于作为

在(15),表示的近似分量,表示小波平面的。

然后,(2)- (4)和(6分别)可以写成:

然后增益矩阵在分解级别获得的是

在(20.),表示观测误差协方差矩阵分解层次在时间。可以使用摄动观测[10]。

最后,执行同化

相比之下,(9),方程(21)有两个明显的优势。首先,在(9),同化的执行完成网格的网格,网格之间的关系并不是考虑;在(21),当地电网之间的相互关系是由过滤网格相当于量化分解过程中滤波器的长度。其次,在(9),相同的增益是用来提取新信息从观察SVLs缺席;在(21),计算得到的AWT根据小波域和获得的飞机。更有效的更新SVLs使用小波平面不同收益根据观察。

同化的MDRE LSM的EP, DA程序基于AWT-PEKF方法包含以下步骤(图1):(1)LSM在开放时间循环运行;(2)考虑到高斯概率密度函数,产生的合奏SVLs根据他们的概率特征。运行期间LSM合奏循环;(3)集成LSM得到仿真结果仿真范围,即循环齐全;(4)整体循环结束。获得意味着,平均模拟EPs EP 在(22),表示SVLs合奏的大小。表示的意思是EP在当前仿真时间;(5)扰乱了MDRE时间和产生MDRE的合奏,用(9]。表示原始MDRE;(6)应用MDRE AWT和EP。分别获得分解结果 在(23)和(24),是AWT分解的数量水平;(7)在分解级别计算获得,使用分解结果(25): 在(25)- (27),观测算子,是1,因为它不需要吸收变量和观测之间的转换;(8)创新LSM的EP (9)集成LSM直到结束开放时间循环。

3所示。实验部分

在本节中,AWT-PEKF方法测试通过同化的EP诺亚与MDRE检索模型使用一个操作两层方法(OTLM) [26],同化的结果与现场观测验证从两个领域站在中国生态系统研究网络(Cern),每一种都有不同的潜在的土地覆盖状况。诺亚模型开发的环境建模中心国家环境预报中心的(27]。此外,我们还比较同化结果与EnKF和PEKF方法。

3.1。现场观察

欧洲核子研究中心成立于1988年,与中国生态研究相关的问题。网络提供了连续的观察生态系统生物地球化学交流水平,水,能源,和动量在周日,每月、季节性,每年的时间尺度。欧洲核子研究中心目前有46个站点,分布在整个中国。在这项研究中使用的数据网站的观察从运城和草坪网站获得。在两个网站等不断衡量艾迪相关系统,由一个3 d声波风速计和一个开放的路径有限公司₂/小时₂自2001年以来O分析仪。等数据的原始数据获得的平均10 Hz / 30分钟用于实验验证数据。

运城网站是中国华北平原上安装。现场站点位于海盐县附近,山东,中国,和地理坐标是近似36.96°N, 116.63°E,海拔高度为20米。该地区的气候温暖湿润,年平均气温13.1°C,每年平均降雨量600毫米,平均相对湿度66.44%。土壤主要为砂质粘壤土和砂质壤土。这个网站的特点是典型的农业阴谋。农场小麦和玉米之间不断交替。草坪网站暂时安装从运城网站2005年54公里。纬度和经度36.46°N和116.13°E。这个网站的潜在植被是草。叶面积指数是2.0。 The average canopy height is about 20–40 cm. The area is 10 km²。图2显示了两个站点的位置示意图,在下一节中提到的研究范围。

这两个网站代表主要研究区土地覆盖。底层表面的两个站点相对均匀。因此,观测数据等的两个站点的ET状态可以表示两个均匀区域在两个站点。两个区域对应至少9网格MDRE和诺亚的EP模型1公里的空间分辨率。因此,它能充分利用这些观测验证数据。

3.2。的MDRE

为了检索MDRE,提出的OTLM Zhang et al。26使用)。OTLM,像素组件安排和比较算法(PCACA)和分层energy-separating算法(LESA)是两个关键程序。这两个程序用于分区混合表面温度和混合表面反照率根据植被分数获得那些裸露的土壤和植被。然后,裸露的土壤和植被的净辐射计算使用分区结果。最后,MDRE检索空间分辨率为1公里。

OTLM有几个优点。首先,PCACA基于植被分数和地面温度梯形关系理论和发起一个混合像元分解的新方法。第二,它很方便,因为只有单一角度需要遥感数据可以获得大部分的卫星传感器。第三,LESA的核心是波文比能量平衡法,减少了不确定性在表面能分区基于啤酒。第四,影响区域等关键nonremote传感参数也可以通过使用OTLM获得。OTLM已成功应用于华北地区,中国,28]。因此,MDRE OTLM用于检索。详细描述的可以找到OTLM [26,28]。

3.3。颞MDRE的延伸

由于MODIS很容易受到云层的影响,数据检索MDRE不够好每一天。图3显示可用的mdr从Aqua数据检索14:30地方太阳时今年5月,2005年。图的单位3,以下提到的数字,和现场观测是W / m²。

相反,同化结果越好,越有mdr。因此,它首先需要暂时延长MDRE可用耐多药和诺亚的每股收益模型。系列的扩展MDRE然后用作合成观察。为了延长MDRE,强度调制方法,因为这种方法非常简单,可以很容易地实现到诺亚模型进行高速实时MDRE延伸很长一段时间。该方法可以插入的缺席MDRE富达诺亚EP的演变趋势。这个不可用在模拟时间获得的是

在(29日),,,表示时间。是一组可用的mdr好,吗是集的大小。诺亚EP对应吗,诺亚EP在仿真时间吗。描述的离去从和描述的时间差异从,而描述的离去从和量化的贡献到。通过使用一个比率和、空间的细节调制的预测吗在不改变其空间属性和对比。

3.4。诺亚模型

诺亚模型起源于一个基于物理的土地surface-vegetation-atmosphere-transfer方案。在过去的十年中,它经历了大幅升级,包括修改配方的树冠电导,裸露的土壤蒸发、植被物候学、地面热通量,等等。这些模型增强显著改善其性能,身体更忠实于自然,因此最有可能的路线,未来更多的改进(29日,30.]。

诺亚模型被选为同化测试有几个原因。它可以模拟许多州的土地表面,包括土壤温度、皮肤温度、地表能量的能源和水通量和水平衡。在不同耦合与非耦合评估,证明有能力复制观察到的地表能量,和水预算有效(29日,30.]。因为它的综合性质,收益率模型输出变量。模型是定期更新对NCEP网站(ftp://ftp.emc.ncep.noaa.gov/mmb/gcp/ldas/noahlsm/,2013年4月8日访问)和版本2.7.1使用在这个实验中(上映日期:2005年2月9日)。

诺亚模型包含四个土壤垂直层:表层瘦10厘米,第二根区层30厘米,深根区60厘米,subroot区100厘米。它可以运行了13植被覆盖(2)使用相同的参数值,以及九个不同的土壤类型(其中两个也使用相同的参数)。它有33个参数:10描述土壤特性与植被和23。它也有16个初始状态(运行时四根层)。模型使用一个本地绿色部分的归一化植被指数(NDVI)建立季节性模型中每个13的植被类型。

在这种同化试验,诺亚模型配置为250×250的维度1公里×1公里跨域界35.77°N 38.26°N, 114.81°E 117.3°E。时间步长是10800秒。同化之间的时间跨度是1月1日,2005年5月31日,2005年从6月1日诺亚模型运行后,2004年由于MODIS数据在这个跨度由云影响较小,有利于检索MDRE。这个网格,高程是来自1公里GTOPO30数据库的数字高程(31日]。植被分类是来自全球,1公里,先进的高分辨率辐射计(AVHRR)为基础,13类植物数据库(32]。9级土壤质地数据来源于1公里的顶层,11-layer土壤数据集、国家土壤地理数据库(33]。每月的植被部分数据来自卫星AVHRR 5年全球绿色植被的月度气候学分数(34]。三点六EPs诺亚模型的太阳时对应的最近的时间六mdr如图4。

3.5。结果

两个网站的数据首先被用来评估可用的mdr的ET值和诺亚模型在相应的位置哒。为了验证,我们利用均方根误差(RMSE)作为评估指标。RMSE被定义为

在(30.),和分别表示观察和验证数据。表示数据的数量。单位的RMSE是W / m²在这篇文章中。分别估算结果见表1。

它可以从表中找到1诺亚EP的大型RMSE值比mdr相比,这两个站点的观测。主要原因是空间分辨率的MDRE高于诺亚EP,和更多的细节可以找到MDRE通过比较数据3和4。诺亚的配置模型的空间分辨率MDRE EP没有产生新的信息,因为粗分辨率的驾驶数据。从表可以看出1可以显著提高EP的mdr哒。

当执行AWT-PEKF方法时,SVLs包括皮肤温度、土壤温度和体积液体第一土层土壤水分,树冠含水量、和MDRE摄动五十次高斯分布,根据他们的错误。四个SVLs摄动,因为它们是关键变量的计算等在诺亚模型中。比较,EnKF和PEKF方法也执行。的同化EPs EnKF PEKF,提议的方法,分别如图5,6,7。

为了评估的三种方法,这两个站点观测是用来验证RMSE DA的结果。表2和图8显示结果。

RMSE显示每个方法生产的EPs的准确程度。RMSE越低,同化效果越好,反之亦然。从表可以看出2和图8所有方法的准确性显著提高每股收益与每股收益相比没有同化:RMSE值减少在表51.58和68.691到28.75,22.54,16.81和25.18,21.97,和18.16,分别为运城和草坪上的网站。三个方法允许一个明显的精度提高每股收益时增加每股收益的空间细节。表2和图8显示的RMSE值AWT-PEKF方法在三种方法中最低的。因此,我们可以得出一个结论,EPs AWT-PEKF方法的误差最小。EPs PEKF方法的小错误。的EPs EnKF方法有最大的错误。这预计,因为等方程中使用诺亚模型是一个高度非线性方程和扰动只SVLs用于EnKF只能传播与有限的精度分析,介绍了大型EP估计中的错误并导致表现不佳。

从表中看到1和2AWT-PEKF方法产生同化效果最好。这可能是因为AWT-based同化方案有利于提高EP诺亚模型的仿真。AWT-PEKF方法得到EnKF和PEKF方法的优势,因为这部小说同化方案注入的空间细节MDRE诺亚EP通过考虑网格之间的相互关系,一样的AWT分解过程,和ensemble-based创新,PEKF预测的一样。两个程序允许AWT-PEKF方法生产EPs接近等观察。因此可以得出这样的结论:诺亚模型可以预测使用AWT-PEKF EP相对准确的方法。

结合定量评估结果相互比较,可以看出AWT-PEKF方法给出了EPs接近测量比EnKF EPs和PEKF方法当同化EPs与观测运城和草坪上的网站。

3.6。讨论

尽管AWT-PEKF方法优于EnKF和PEKF方法在实验中,三分是需要进一步研究。首先,验证数据稀疏。在验证中,只有两个可用的字段。因为它很难等观察,它需要确认是否吸收EPs AWT-PEKF方法获得的也接近等观察其他位置。第二,它需要测试是否AWT-PEKF方法也有效地吸收其他变量。其他变量,如皮肤温度和土壤湿度,预测不同等,也受很多因素的影响。因此,AWT-PEKF方法的扩展到其他变量是一个大的工作。第三是同化等不能影响诺亚的连续仿真模型。

至于第一点,潜在的解决方案是执行AWT-PEKF方法在该领域的地方网站是可用的,与此同时,mdr可以从无云MODIS数据检索。至于第二点,AWT-PEKF方法可以很容易地扩展到吸收皮肤温度和土壤湿度产品只有两种产品从MODIS数据检索提前准备。至于第三点,在接下来的研究中,我们将介绍另一个新奇的同化方法,SVLs相对等的同时更新为了转移LSM的连续模拟同化的影响。同化的概念将在另一个研究报告。

4所示。结论

在本文中,我们研究的混合使用AWT和PEKF同化方法MDRE EP的诺亚模型以提高诺亚的连续模拟模型。AWT用于分解MDRE注入其详细信息由小波飞机,虽然PEKF用来完成同化模型和观测不确定性。AWT-PEKF方法保留AWT和PEKF的各自优势。首先,它是基于多重网格,网格之间的相互关系是考虑使用小波滤波器在滤波过程。其次,根据获得使用PEKF来自模型和观测不确定性,细节和纹理的MDRE调制到EPs使用AWT诺亚模型的图像融合的观点。

该方法的性能比较与EnKF和PEKF方法使用一个同化试验。相互比较的结果RMSE确认AWT-PEKF方法的有效性提高每股收益的空间精度。综合评价表明,AWT-PEKF方法是有前途的,优于传统EnKF和PEKF方法。一些问题没有解决,如同化结果的验证,整体大小的影响,初始扰动字段被同化的结果,这种新方法的实际表现在现实同化其他变量。这些方面需要进一步调查。

确认

作者感谢匿名审稿人的真诚的建议,帮助改善。这项工作共同支持的中国自然科学基金项目(41101329)和中国国家基础研究计划(2010 cb950904和2010 cb428403)。

引用

1. j .秦梁,k .杨Kaihotsu, r . Liu和t .小池百合子,“同时土壤水分和模型参数估计使用粒子滤波方法通过微波信号的同化,”地球物理研究杂志》上的D,卷114,不。15篇文章ID D15103, 2009。视图:出版商的网站|谷歌学术搜索
2. c·l·孟Z.-L。李x詹,j . c .史和c . y .刘“地表温度数据同化及其对蒸散的影响从公共土地模型估计,“水资源研究,45卷,不。2篇文章ID W02421 2009。视图:出版商的网站|谷歌学术搜索
3. 谢x, z, a .戴“ensemble-based显式四维变分同化方法,”地球物理研究杂志》D21124条,卷。113年,2008年。视图:出版商的网站|谷歌学术搜索
4. r·h·赖赫利“地球科学数据同化方法,”水资源的进步没有,卷。31日。11日,第1418 - 1411页,2008年。视图:出版商的网站|谷歌学术搜索
5. j·p·平托,m·c·贝纳迪诺和A·p·席尔瓦,”卡尔曼滤波器应用到光谱波模型,”在地球物理非线性过程,12卷,不。6,775 - 782年,2005页。视图:谷歌学术搜索
6. 李x t .小池百合子,m . Pathmathevan”非常快速模拟re-annealing (VFSA算法)土地数据同化方法,”电脑和地球科学,30卷,不。3、239 - 248年,2004页。视图:出版商的网站|谷歌学术搜索
7. g . Evensen”顺序数据同化与非线性quasi-geostrophic模型使用蒙特卡罗方法预测误差统计,“地球物理研究杂志》,卷99,不。5、10 - 162年,1994页。视图:谷歌学术搜索
8. g . Evensen“合奏卡尔曼滤波器:理论制定和实际实现中,“海洋动力学53卷,第367 - 343页,2003年。视图:谷歌学术搜索
9. e·s·爱泼斯坦,“随机动态预测,”忒勒斯21卷,第759 - 739页,1969年。视图:谷歌学术搜索
10. g .汉堡,p . j . Van Leeuwen, g . Evensen合奏卡尔曼滤波分析方案,“每月天气回顾,卷126,不。6,1719 - 1724年,1998页。视图:谷歌学术搜索
11. j .秦r . Liu s .梁h . Zhang和b·胡”新方法基于遥感观测和数据同化的估计在田间作物蒸散,“新西兰农业研究杂志》上,50卷,不。5,997 - 1004年,2007页。视图:谷歌学术搜索
12. r . c . Pipunic j·p·沃克,a .西方“遥感数据的同化为改进的潜在和显热通量预测:比较合成研究中,“环境遥感,卷112,不。4、1295 - 1305年,2008页。视图:出版商的网站|谷歌学术搜索
13. k .张成泽康,j . Kim et al .,“映射使用MODIS和蒸发蒸腾MM5四维数据同化,”环境遥感,卷114,不。3、657 - 673年,2010页。视图:出版商的网站|谷歌学术搜索
14. t .徐、梁s和s . Liu”估计湍流通量通过地球同步运行环境卫星数据的同化利用集合卡尔曼滤波器,”地球物理研究杂志》上的D,卷116,不。9篇文章ID D09109 2011。视图:出版商的网站|谷歌学术搜索
15. 答:法国,d . Hunsaker, t·克拉克,“预测空间分布式棉花蒸散通过同化遥感和地面观测,”灌溉和排水工程》杂志上,卷138,不。11日,第992 - 984页,2012年。视图:谷歌学术搜索
16. m . Holdschneider r . Kronland-martinet j . Morlet, p . Tchamitchian“实时信号分析算法与小波变换的帮助”《国际会议时频方法和相空间j . m .梳子,a·格罗斯曼和p . Tchamitchian, Eds。施普林格,p。286年,马赛,法国,1987年。视图:谷歌学术搜索
17. p . Dutilleux”,实现“algorithme的多孔“计算小波变换”小波。《国际会议时频方法和相空间j . m .梳子,a·格罗斯曼和p . Tchamitchian, Eds。施普林格,页298 - 304年,马赛,法国,1987年。视图:谷歌学术搜索
18. T.-M。你,观测。程,C.-P。Chang p s黄,J.-C。常,“高分辨率图像融合的最佳权衡保护空间的细节和颜色失真降至最低,”IEEE地球科学和遥感信,4卷,不。2、302 - 306年,2007页。视图:出版商的网站|谷歌学术搜索
19. s, r, h·苏j .田和j .夏”SAR IHS变换和多光谱图像融合使用广义小波和EMD分解,基于多孔”IEEE传感器杂志,10卷,不。3、737 - 745年,2010页。视图:出版商的网站|谷歌学术搜索
20. A . Deckmyn和l . Berre”代表背景误差协方差的小波方法在数值预报模型中,“每月天气回顾,卷133,不。5,1279 - 1294年,2005页。视图:出版商的网站|谷歌学术搜索
21. o . Pannekoucke l . Berre, g . Desroziers”当地background-error相关性小波的滤波特性,”季度皇家气象学会杂志》上,卷133,不。623年,第379 - 363页,2007年。视图:出版商的网站|谷歌学术搜索
22. a . Tangborn”小波近似误差协方差传播数据同化,”忒勒斯卷,56号1,16-28,2004页。视图:出版商的网站|谷歌学术搜索
23. j . Nunez x Otazu o·福尔斯得到消息,“与添加剂Multiresolution-based图像融合小波分解,IEEE地球科学和遥感,37卷,不。3、1204 - 1211年,1999页。视图:谷歌学术搜索
24. y Chibani和a . a . Houacine冗余和正交小波分解的多传感器图像融合,“模式识别,36卷,不。4、879 - 887年,2002页。视图:出版商的网站|谷歌学术搜索
25. m . Gonzalez-Audicana x Otazu o·福尔斯得到消息,a .瑞士“Mallat之间的比较和基于多孔离散小波变换的多光谱和全色图像的融合算法,”国际遥感杂志》上,26卷,不。3、595 - 614年,2005页。视图:出版商的网站|谷歌学术搜索
26. j . r . Zhang田、h·苏x太阳,s . Chen和j .夏”两个操作两层模型的改进地面热通量检索”传感器,8卷,不。10日,6165 - 6187年,2008页。视图:出版商的网站|谷歌学术搜索
27. f·陈和j . Dudhia”耦合和先进陆地surface-hydrology模型与佩恩State-NCAR MM5建模系统部分我:模型实现和敏感性,”每月天气回顾,卷129,不。4、569 - 585年,2001页。视图:谷歌学术搜索
28. j .田r·张x太阳,z朱,和y周,”研究的模型校正水平平流的影响表面通量测量基于遥感,”在中国科学卷,49号2、273 - 280年,2006页。视图:出版商的网站|谷歌学术搜索
29. 林·m·b·埃克k·e·米切尔,y et al .,”诺亚地表模型的实现进步的国家环境预报中心的运营中尺度埃塔模型,”地球物理研究杂志》上的D,卷108,不。22岁,硕士论文,2003页。视图:谷歌学术搜索
30. k·e·米切尔·d·罗曼,p·r·豪斯,“多研究北美土地数据同化系统(NLDAS):利用多种GCIP产品和合作伙伴在大陆分布式水文模型系统中,“地球物理研究杂志》,109卷,2004年。视图:出版商的网站|谷歌学术搜索
31. k . l .沃丁和s . k . Greenlee“发展大陆规模的数字高程模型和提取水文特性,”学报》3日国际会议/研讨会将GIS与环境建模、国家地理信息中心和分析NM,页,第21到26圣达菲,美国,1996年。视图:谷歌学术搜索
32. m·c·汉森r s Defries j·r·g·汤森和r . Sohlberg”全球土地覆盖分类1公里空间分辨率使用分类树方法,”国际遥感杂志》上,21卷,不。6 - 7,1331 - 1364年,2000页。视图:谷歌学术搜索
33. d·a·米勒和r·a·a·白,”美国相接的多层土壤特性区域气候和水文建模、数据集”地球内部,卷2,不。2、1998。视图:谷歌学术搜索
34. g·古特曼和a . Ignatov”绿色植被的推导分数从NOAA / AVHRR数据用于数值天气预报模式,”国际遥感杂志》上,19卷,不。8,1533 - 1543年,1998页。视图:谷歌学术搜索

版权

版权©2013 Shaohui陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。