衛(wèi)星資料廣義同化、大氣科學(xué)中的數(shù)學(xué)反問(wèn)題與人工智能應(yīng)用（學(xué)習(xí)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(cè)原理
1.1.1 被動(dòng)遙感探測(cè)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(cè)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(cè)通道最優(yōu)選擇試驗(yàn)
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(yàn)
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(tái)風(fēng)路徑預(yù)報(bào)試驗(yàn)
5.3.1 變分同化FY-3D／HIRAS的GRAPES-4DVar分析場(chǎng)增量分析
5.3.2 臺(tái)風(fēng)“瑪莉亞(2018)”路徑預(yù)報(bào)試驗(yàn)
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(yàn)
6.2.3 基于GSI的FY-3C／MWHS接口研發(fā)及說(shuō)明
第7章 云檢測(cè)
7.1 基于隨機(jī)森林的FY 4A／GIIRS晴空視場(chǎng)點(diǎn)云檢測(cè)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(cè)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(wèn)題的提出
8.2 基于變分同化后驗(yàn)法的衛(wèi)星通道觀測(cè)誤差重估計(jì)
8.3 基于信息熵信號(hào)自由度的資料影響率診斷分析
8.3.1 信息熵
8.3.2 信號(hào)自由度
8.3.3 基于數(shù)值逼近和高斯擾動(dòng)的資料影響率診斷
8.4 最小二乘法與穩(wěn)健統(tǒng)計(jì)
8.4.1 最小二乘法統(tǒng)計(jì)理論
8.4.2 穩(wěn)健統(tǒng)計(jì)法
8.5 穩(wěn)健統(tǒng)計(jì)M估計(jì)理論分析與基本性質(zhì)
8.5.1 M估計(jì)理論分析
8.5.2 M-估計(jì)的基本性質(zhì)與構(gòu)建
8.6 M-估計(jì)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(jì)
8.6.3 非高斯廣義變分同化目標(biāo)泛函構(gòu)建
8.7 基于廣義變分和誤差重估計(jì)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(yàn)研究
8.7.4 廣義變分同化AIRS亮溫分析場(chǎng)與探空資料對(duì)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(xiàng)廣義變分同化理論分析
8.8.2 背景場(chǎng)云參數(shù)估計(jì)
8.8.3 高光譜AIRS通道“動(dòng)態(tài)”最優(yōu)選擇
8.8.4 基于帶約束項(xiàng)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(xué)中的數(shù)學(xué)反問(wèn)題和人工智能在衛(wèi)星資料中的應(yīng)用
第9章 數(shù)學(xué)反問(wèn)題和衛(wèi)星紅外資料反演降水關(guān)鍵問(wèn)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(diǎn)及關(guān)鍵問(wèn)題分析
9.2.1 問(wèn)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(xué)反問(wèn)題和深度學(xué)習(xí)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(hào)分析
10.2 衛(wèi)星紅外資料反演降水國(guó)內(nèi)外進(jìn)展及發(fā)展趨勢(shì)
10.3 基于正則化反問(wèn)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(wèn)題降水反演算法
10.3.3 精度評(píng)估方法
lO.3.4 FY-4A／AGRI紅外光譜通道亮溫降水信號(hào)識(shí)別
10.3.5 基于貝葉斯模型平均的通道貢獻(xiàn)率優(yōu)化
10.3.6 基于正則化反問(wèn)題法的AGRI亮溫反演降水試驗(yàn)
10.3.7 臺(tái)風(fēng)“瑪莉亞(2018)”主導(dǎo)云系發(fā)展時(shí)序變化分析
10.4 基于隨機(jī)森林的FY-4A／AGRI紅外亮溫反演降水
10.4.1 基于隨機(jī)森林模型的AGRI資料反演降水
10.4.2 隨機(jī)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(duì)AGRI紅外亮溫反演降水影響分析
10.6 基于冰云先驗(yàn)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(jì)分析
10.6.2 基于先驗(yàn)信息的AGRI亮溫反演臺(tái)風(fēng)“安比(2018)”降水試驗(yàn)
10.7 算法改進(jìn)：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