衛(wèi)星資料廣義同化、大氣科學中的數(shù)學反問題與人工智能應(yīng)用（學習筆記）

前言
第1篇 衛(wèi)星資料廣義同化
第1章 衛(wèi)星遙感大氣原理及輻射傳輸
1.1 衛(wèi)星大氣探測原理
1.1.1 被動遙感探測技術(shù)
1.1.2 大氣吸收和發(fā)射
1.1.3 大氣選擇性吸收
1.1.4 大氣紅外吸收譜
1.1.5 大氣垂直探測原理
1.2 大氣輻射傳輸方程與模式
1.2.1 大氣輻射傳輸方程
1.2.2 輻射傳輸模式及光譜系數(shù)
第2章 廣義質(zhì)量控制
2.1 經(jīng)典變分同化理論介紹
2.2 廣義質(zhì)量控制流程
第3章 光譜亮溫信息重構(gòu)
3.1 壓縮感知理論分析
3.2 基于壓縮感知的FY-4A／GIIRS紅外亮溫非線性重構(gòu)
3.3 基于主成分分析的高光譜AIRS紅外亮溫重構(gòu)
第4章 通道最優(yōu)選擇
4.1 基于熵減法的FY-3D／HIRAS溫度探測通道最優(yōu)選擇試驗
4.1.1 通道預(yù)處理黑名單建立
4.1.2 熵減法介紹及FY-3D／HIRAS通道最優(yōu)選擇
4.2 基于熵減法的FY 4A／GIIRS通道最優(yōu)選擇試驗
4.3 基于主成分-雙區(qū)逐步回歸法的高光譜AIRs通道最優(yōu)選擇
第5章 異常值剔除
5.1 雙權(quán)重法理論介紹
5.2 基于雙權(quán)重法的FY-3D／HIRAS溫度通道亮溫異常值剔除
5.3 基于GRAPES-4DVar同化HIRAS的臺風路徑預(yù)報試驗
5.3.1 變分同化FY-3D／HIRAS的GRAPES-4DVar分析場增量分析
5.3.2 臺風“瑪莉亞(2018)”路徑預(yù)報試驗
第6章 偏差訂正
6.1 基于離線的高光譜AIRS偏差訂正
6.2 在線變分偏差訂正
6.2.1 變分偏差訂正算法介紹
6.2.2 基于GSI的FY-3C／MWHS變分偏差訂正試驗
6.2.3 基于GSI的FY-3C／MWHS接口研發(fā)及說明
第7章 云檢測
7.1 基于隨機森林的FY 4A／GIIRS晴空視場點云檢測算法
7.2 基于L1范數(shù)約束的GIIRS三維云量廓線反演及云區(qū)同化初探
7.2.1 基于L1-范數(shù)正則化約束反演云量廓線算法
7.2.2 高光譜(GIIRS三維云量廓線反演及云區(qū)同化初探
7.3 基于WRFDA的FY 4A／GIIRS接口研發(fā)及測試
第8章 非高斯廣義變分同化理論探索研究及應(yīng)用
8.1 非高斯廣義變分同化問題的提出
8.2 基于變分同化后驗法的衛(wèi)星通道觀測誤差重估計
8.3 基于信息熵信號自由度的資料影響率診斷分析
8.3.1 信息熵
8.3.2 信號自由度
8.3.3 基于數(shù)值逼近和高斯擾動的資料影響率診斷
8.4 最小二乘法與穩(wěn)健統(tǒng)計
8.4.1 最小二乘法統(tǒng)計理論
8.4.2 穩(wěn)健統(tǒng)計法
8.5 穩(wěn)健統(tǒng)計M估計理論分析與基本性質(zhì)
8.5.1 M估計理論分析
8.5.2 M-估計的基本性質(zhì)與構(gòu)建
8.6 M-估計非高斯廣義變分理論探索分析
8.6.1 非高斯分布現(xiàn)象普適性分析與離群值定義
8.6.2 廣義高斯密度函數(shù)分布及其參數(shù)估計
8.6.3 非高斯廣義變分同化目標泛函構(gòu)建
8.7 基于廣義變分和誤差重估計高光譜AIRS通道亮溫同化
8.7.1 模型與數(shù)據(jù)
8.7.2 廣義變分同化步驟及流程
8.7.3 基于非高斯廣義變分同化的高光譜AIRS 281通道試驗研究
8.7.4 廣義變分同化AIRS亮溫分析場與探空資料對比分析
8.8 高光譜AIRS受云影響通道亮溫同化初步研究
8.8.1 帶約束項廣義變分同化理論分析
8.8.2 背景場云參數(shù)估計
8.8.3 高光譜AIRS通道“動態(tài)”最優(yōu)選擇
8.8.4 基于帶約束項的不同廣義變分算法效果分析比較
8.9 基于伴隨的高光譜AIRs濕度敏感性分析
第2篇 大氣科學中的數(shù)學反問題和人工智能在衛(wèi)星資料中的應(yīng)用
第9章 數(shù)學反問題和衛(wèi)星紅外資料反演降水關(guān)鍵問題分析
9.1 定量降水反演基本思想
9.2 衛(wèi)星紅外光譜資料陸表降水反演的難點及關(guān)鍵問題分析
9.2.1 問題的引入
9.2.2 衛(wèi)星反演降水算法初步設(shè)想
第10章 基于數(shù)學反問題和深度學習的衛(wèi)星紅外資料反演降水
10.1 基于物理變分反演FY-4A／GIIRS廓線及
通道光譜信號分析
10.2 衛(wèi)星紅外資料反演降水國內(nèi)外進展及發(fā)展趨勢
10.3 基于正則化反問題的FY-4A／AGRI紅外亮溫反演降水
10.3.1 K-最鄰近分類與回歸
10.3.2 正則化反問題降水反演算法
10.3.3 精度評估方法
lO.3.4 FY-4A／AGRI紅外光譜通道亮溫降水信號識別
10.3.5 基于貝葉斯模型平均的通道貢獻率優(yōu)化
10.3.6 基于正則化反問題法的AGRI亮溫反演降水試驗
10.3.7 臺風“瑪莉亞(2018)”主導云系發(fā)展時序變化分析
10.4 基于隨機森林的FY-4A／AGRI紅外亮溫反演降水
10.4.1 基于隨機森林模型的AGRI資料反演降水
10.4.2 隨機森林分類和回歸反演降水精度分析
10.4.3 不同特征組合分析
10.5 KNN距離度量函數(shù)對AGRI紅外亮溫反演降水影響分析
10.6 基于冰云先驗信息的FY-4A／AGRI遙感定量化反演降水
10.6.1 基于云分類產(chǎn)品的AGRI紅外通道亮溫統(tǒng)計分析
10.6.2 基于先驗信息的AGRI亮溫反演臺風“安比(2018)”降水試驗
10.7 算法改進：基于I。1-范數(shù)約束的H8／AHI紅外光譜反演降水研究
lO.7.1 基于L1-范數(shù)的降水反演模型