2018, Vol. 37
2. 中国气象局云雾物理环境重点实验室, 北京 100081;
3. 中国科学院大气物理研究所云降水物理与强风暴重点实验室, 北京 100029
云中过冷水含量是判断人工增雨潜力的重要参数之一(李大山, 2002)。为探测云中过冷水含量, 提升人影作业科学性, 天津市人工影响天气办公室于2016年购入一台由美国Prosensing公司生产的机载微波辐射计(G-band water Vapor Radiometer, GVR), 并于同年完成安装测试, 目前已获得多次探测数据。在已获得的数据中发现多处存在无线电频率干扰信号, 因此在使用数据之前, 有必要对这些数据进行质量控制, 识别其中的干扰信号并对数据进行订正。
微波辐射计作为一种被动遥感, 在接收微弱的自然辐射信号时会受到与其通道频率相近的主动遥感信号(如电信、雷达、航空管制等)干扰, 这种干扰被称为无线电频率干扰(Radio-Frequency Interference, RFI)。对RFI进行识别在机载微波辐射计应用中鲜有研究, 但在星载微波辐射计中研究较多, 多种识别方法被应用。频谱差异法是根据相邻频率通道亮温之间的差值来判断RFI信号的方法, Li et al(2004)首次提出该方法并据此对美国地区AMSR-E数据进行干扰信号识别并分析了RFI分布特点, 之后国内外许多学者(Njoku et al, 2005; Ellingson et al, 2006; Wu et al, 2011; 吴莹等, 2014)曾采用此方法来识别星载微波辐射计数据(AMSR-E数据、Windsat数据)中的RFI信号, 邹晓蕾等(2015)利用该方法对北美和中美地区AMSR2数据中无线电频率干扰情况进行了评估, 以此分析AMSR2仪器上新增设的C波段通道对陆地无线电频率干扰的缓解情况。多通道回归方法通过无RFI的通道亮温估计有干扰的通道亮温值, 将观测值与估计值之间的差异作为RFI信号指标, 从而对其进行识别, Li et al(2006)在分析各通道间亮温数据具有很高的相关性基础上, 提出此方法并对海洋上的SMMR和WindSat数据进行RFI信号识别。Li et al(2006)在频谱差异法基础上对RFI识别方法做进一步改进, 提出主成分分析法(PCA)并对SMMR和WindSat陆地数据的RFI信号进行识别, 国内外多位学者在此方法基础上做进一步改进, 包括标准化主成分分析方法(NPCA)(Zou et al, 2012)、双主成分分析方法(Zhao et al, 2013; 冯程程等, 2015; Feng et al, 2016)、改进的主成分分析算法(官莉等, 2014)。Adams et al(2010)提出通过估计WindSat反演地球物理参数卡方概率方法对洋面反射的RFI信号进行识别。Tmesdale(2013)提出通过建立一个频谱差异的概率分布谱来识别RFI信号。
借鉴现有星载微波辐射计亮温数据中RFI常用识别方法并分析其在GVR干扰信号识别中的适用性, 提出适用于GVR数据中的RFI识别和订正方案。针对2016年11月20日一次探测飞行数据, 进行干扰信号识别, 并对干扰时段的亮温数据进行订正, 分析GVR中RFI信号分布特点及来源, 将订正后的数据应用于垂直累积水汽(Precipitable Water Vapor, PWV)和垂直累积液态水(Liquid Water Path, LWP)的反演中, 比较RFI识别和订正前后的反演结果, 分析干扰信号对反演结果造成的影响。
2 GVR仪器及数据资料介绍 2.1 GVR仪器介绍GVR(G-band water Vapor Radiometer)是一种用来测量水汽和液态水含量的双边4通道机载微波辐射计, 中心频率是183. 31 GHz, 4个通道中心频率分别为±1, ±3, ±7和±14 GHz(Pazmany, 2006, 2007)。与一般的测量水汽和液态水的微波辐射计(黄治勇等, 2015; 雷恒池等, 2003; 刘亚亚等, 2010)相比, GVR探测灵敏度高, 适用于观测低浓度的水汽和液态水。它通过天线接收向下的大气辐射, 与外部热源负载和暖源负载一起交替传送到接收机内, 以此来跟踪接收机增益和偏移量的变化, 从而对辐射计进行周期自动标定, 获得校准后的通道亮温。通过BP神经网络算法, 对通道亮温数据进行反演, 获得垂直累积水汽(PWV)和液态水(LWP)。
2.2 GVR数据产品GVR装载于飞机机翼一侧, 在飞行过程中获得4个通道亮温数据, 通过反演算法获得PWV和LWP产品, 可用于大气水汽和云中液态水含量的相关研究(Zuidema et al, 2012), 同时, 飞行高度在零度层以上的LWP反映了云中过冷水情况, 对人工影响天气科学作业具有重要意义。其数据分为两种: L1和L2文件。
L1是原始文件, 以二进制形式保存。该文件以T行作为开始, 共8个数据, 分别表示热源负载、暖源负载、天线及各硬件物理温度。T行之后分别是20行热源负载数据(H开头)、20行天空亮温数据(B开头)、20行暖源负载数据(W开头)和20行天空亮温数据, 根据一定的转换关系可将这些数据转换为GVR接收机输出值, 结合热源及暖源负载物理温度计算得到4个通道天空亮温值。
L2是根据L1文件由GVR自带算法计算得到的数据, 以整点作为文件保存的开始和结束, 即整点之内的数据存为一个文件, 包括垂直累积液态水、水汽、4个通道的天空亮温等。
3 RFI频段分析GVR工作的中心频率在183. 31 GHz, 这个频率远远高于无线电频率, 是不会受到干扰的, 说明RFI信号不是从GVR天线进入。GVR接收机在接收到微弱的外来信号后将其放大并向下转换成中频信号, 在传输过程中分成4个通道, 其中心频率/带宽分别是1/0. 5, 3/1, 7/1. 4, 14/2 GHz(Pazmany, 2007), 对应频段分别为750~1 250, 2 500~3 500, 6 300~7 700和13 000~15 000 MHz。如果处于上述4个频段的无线电信号进入到接收机便会对通道频率造成干扰。尽管GVR接收机部分已经用一层金属做了密封, 但事实证明仍有部分干扰信号进入, 要完全阻断干扰, 目前从硬件上并无好的解决方案, 只能对干扰信号进行必要的识别和订正。
上述4个频段在无线电主动信号中颇为常见, 可能存在多种干扰源(手机基站、天气雷达、空中交通管制雷达、军事雷达等), 加上飞机位置的不断变动, 更给干扰源确定带来一定难度。因此, 与星载微波辐射计只有低频通道受到干扰的特点不同, 机载GVR多个通道都有受到干扰的可能, 这也为GVR干扰信号识别增加了一定难度。适用于星载微波辐射计的RFI识别方案在这里是否适用还需要具体分析。文中所用时间均为世界时。
4 多种RFI识别方法适用性分析下面对几种常用的干扰信号识别方法进行分析, 研究其在GVR数据中进行RFI识别的适用性。
4.1 频谱差异法频谱差异法是建立在一个假设前提下, 即探测亮温随着频率的增加而增加, 在无干扰发生时高低频通道的频谱差值是一定的, 而频率干扰是引起这一变化的唯一原因。下式是Wu et al(2011)利用频谱差异法对AMSR-E陆面数据进行RFI信号识别并进行强度划分的定义式:
| $ R{I_{p, {f_1}}} = T{B_{p, {f_1}}} - T{B_{p, {f_2}}} = \left\{ \begin{array}{l} 5 \sim 10\;{\rm{K, }}\;\;\;\;\;\;\;弱\\ 10 \sim 20\;{\rm{K, }}\;\;\;\;\;中\\ \;\;＞20\;{\rm{K, }}\;\;\;\;\;\;\;\;强 \end{array} \right. $ | (1) |
式中: RI表示无线电干扰信号强度; TB表示亮温; p表示垂直或水平极化方式; f1和f2表示相邻的频率(f1＜ f2)。显然, 在正常情况下, f1通道与f2通道的数据差值是处于一定阈值内的, 对于机载GVR, 随着飞机高度的变动, 通道间的亮温差值具有较大差异, 阈值不好确定, 同时, RFI在同一时段存在于多个通道的亮温数据中, 这也为使用该方法带来较大的局限性。
4.2 多通道回归法当多个通道亮温数据具有较高的相关性时, 可采用多通道回归方法对RFI信号进行识别和订正, 即以回归算法获得的拟合值作为亮温的真实值, 测量值与其差值即被认为是干扰值。使用该方法需要探测数据满足两个条件:一是不同通道数据具有较高的相关性; 二是具有一定时间段的无污染数据资料, 且在干扰时段至少有一个通道不受干扰影响。GVR不能保证每次探测数据都能有一个通道不受干扰, 分析2016年11月20日下午探测数据, 通道1看似非常干净, 在未去除干扰数据的前提下便具有较高的相关性(大于0. 9, 表略), 因此满足多通道回归方法的上述两个条件。以对第14通道的干扰数据进行订正为例, 以1通道数据作为自变量, 14通道数据作为因变量, 选取明显无干扰发生的时段数据计算线性回归方程, 根据回归方程由1通道数据计算14通道某一混有RFI干扰数据的拟合值(图 1)。从图 1中可以看出, 对于不存在明显干扰的数据点, 线性拟合值和测量值之间依然存在较大差距, 即线性拟合值未能较好的反映真实测量值。因此, 即便GVR亮温数据符合多通道回归方法条件, 但计算结果表明该方法并不能对GVR中RFI干扰点进行较好的识别和订正。
|
图 1 第14通道线性拟合值与探测值 Figure 1 The fitting and deteced values of the 14 channel |
主成分分析法是在频谱差异法基础上的进一步发展。对相邻通道间的亮温差值做主成分分析, 则主成分系数的大值部分可反映RFI干扰点的存在, 对干扰点的识别优于频谱差异法。根据前文分析, 随飞机高度变动, 通道间亮温差值具有较大的差异, 因此不适合采用频谱差异法进行RFI识别, 在此基础上的主成分分析法自然也不适用。那么对于高度较平稳的平飞部分是否适合采用该方法呢？图 2是采用主成分分析法对2016年11月20日下午的探测数据中平飞部分进行干扰识别得到的结果, 按照第一主成分系数大小将4个通道亮温数据重新排列, 通道亮温以Tb表示, 第1、3、7、14通道亮温数据分别表示为Tb(1)、Tb(3)、Tb(7)和Tb(14)。从图 2中可以看出, 有明显RFI干扰存在的点并不完全集中在主成分系数的大值部分, 这说明RFI干扰并不是造成通道亮温差值异常的唯一原因, 因此即便对于平飞部分, 该方案仍然不适用, 反之, 频谱差异法亦不适用。
|
图 2 采用主成分分析方法得到的2016年11月20日07:44:03—07:50:03 4个通道亮温数据的RFI识别结果 Figure 2 The RFI detection results of the 4 channel brightness temperature data obtained by the principal component analysis (PCA) method during 07:44:03—07:50:03 on November 20, 2016 |
均值滤波是去除椒盐噪声的常用方法(吴建华等, 1998)。在美国阿拉斯加使用地基GVR进行观测时曾发现亮温数据受到无线电频率干扰, 均值滤波法被选择用来进行RFI识别和订正(Pazmany, 2006)。那么该方法是否同样适用于天津地区机载GVR数据中的干扰信号识别和订正呢？首先, 在阿拉斯加的观测采用的是地基微波辐射计, 不存在高度变化, 因此亮温观测值不会有高度变化带来的较大起伏; 同时, 其干扰源单一, 判断为一大型地面雷达引起的无线电频率干扰, 此雷达的数据传输时间间隔大约为2 min, 而GVR则为2~4 s, 地面雷达的数据传输速率远远低于GVR, 因此在亮温数据中有无线电频率干扰存在的点是规律出现的, 且干扰点孤立存在, 这为RFI识别和订正带来极大方便。研究者采用了简单的均值滤波算法, 即当某一点与前后临近4个点的亮温值最大值或最小值相差超过5 K时便判断该点为干扰点, 取相邻4个点的平均值作为其订正值。显然, 跟地基GVR不同, 机载GVR随飞机高度的变动使得亮温变化梯度不一, 这为干扰点的阈值选择带来一定困难。
5 RFI识别及订正方案根据前文分析, 现有的RFI识别和订正方案应用在机载GVR探测数据中都具有一定局限性。本文将根据机载GVR探测和定标原理对多通道亮温数据逐点分析, 判断其是否为干扰点并借鉴均值滤波法对其进行订正。
对亮温数据逐点判断其是否为干扰点存在两大困难:一是由于亮温本身的变化程度不同导致突变点的阈值不好界定(在飞机上升或下降阶段的正常变化值可能是平飞时的异常值, 且由于上升下降的幅度不同其变化值差异也较大); 二是亮温的突变是由垂直累积水汽或垂直累积液态水变动引起的还是由RFI信号引起的。如何解决这些问题, 需要从GVR探测和定标原理入手。
GVR是周期定标全功率微波辐射计, 它通过自定标来订正亮温探测值。图 3为GVR定标原理图, 其中, 接收机交替接收热源负载、暖源负载和天空亮温噪声, 在输出端对应测量输出噪声。输入端的热源负载和暖源负载是黑体, 温度已知, 热源负载温度以Th(单位: K)表示, 暖源负载温度以Tw(单位:K)表示, 对应的输出端噪声可测量得到, 热源负载输出端噪声以Ph表示, 暖源负载输出端噪声以Pw表示, Ph和Pw值可由L1文件计算得到。输入噪声和输出噪声满足线性关系, 以a、b表示线性关系式系数, 则热源负载、暖源负载温度和对应输出噪声可用下述关系式来表达:
|
图 3 机载微波辐射计GVR定标原理 Figure 3 The calibration principle of airborne GVR |
| $ {P_h} = a + b{T_h}, $ | (2) |
| $ {P_w} = a + b{T_w}, $ | (3) |
通过式(2)、(3)可计算得到a、b值, 天空亮温表示为Tsky(单位: K); 对应输出噪声表示为Psky; 则Tsky和Psky满足同样的关系, 即:
| $ {P_{{\rm{sky}}}} = a + b{T_{{\rm{sky}}}}, $ | (4) |
通过a、b及测量得到的Psky值便可计算得到亮温探测值。GVR接收机2~4 s内交替接收3种噪声, 通过上述关系获得一次亮温值, 以此完成对探测结果的自定标。由GVR自定标的过程可以知道, 存在于Tsky的RFI必然也存在于Ph、Pw和Psky中, 值得注意的是, 当附加在上述三个值中的干扰相同时, 那么其自定标的过程便可把这些干扰成功去除, 这也是自定标可以解决自身系统增益波动问题的原因, 因为2~4 s的时间快于系统增益的变动。但对于RFI信号, 强度强, 变化速度快, 2~4 s内附加在Ph、Pw和Psky中的强度可能不同, 或者不在同一时次, 因此导致自定标失效, 最终得到的亮温值中仍然包含RFI信息。所以, 若要识别亮温中的RFI信号, 只要找到Ph、Pw和Psky三类数据中突变发生点即可, 其中Ph、Pw不受垂直累积水汽和液态水的影响, 当无RFI干扰时, 其变化应该是缓慢平滑的, 突变点阈值与亮温和Psky相比容易确定。那么, 鉴于Psky和亮温一样, 由于受到垂直累积水汽和液态水的影响, 在无干扰存在时, 波动依然较大, 干扰点的阈值较难确定, 如果干扰信号在某个时间点只发生在Psky上, 该如何来确定这个干扰点呢？
根据2016年11月20日下午的GVR探测数据计算得到的第14通道Ph、Pw、Psky值(图 4), 可以看出:在某一时间段, RFI干扰信号不会单独存在于Ph、Pw和Psky某一种数据中, 它在3类数据中同时存在, 从数据细节中(图略)可以看出在三类数据中出现的时间点会有前后差别, 换句话说, 与存在RFI信号的Psky相邻的时间点的Ph、Pw中必然也存在干扰信号, 这为在不用确定Psky突变阈值的前提下便可进行RFI信号识别提供了可能性。
|
图 4 2016年11月20日GVR第14通道Ph、Pw、Psky值 Figure 4 Ph、Pw、Psky of GVR 14 channel onNovember 20, 2016 |
根据上述分析, 只要找到Ph、Pw、Psky中发生突变的点便可确定干扰点, 但由于Psky突变阈值较难确定, 因此采用通过确定突变点来寻找干扰点的方法具有一定局限性, 根据存在RFI信号的Psky相邻时间点的Ph、Pw中必然也存在干扰信号的特点可采用如下方案对干扰信号进行识别和订正: (1)在亮温数据中寻找存在RFI信号的可疑点, 确定方法为:按照时间顺序对亮温数据逐点分析, 当某点亮温值与前面相邻4个时间点(可以是订正过的点)的最大值大于5 K或比最小值小于5 K时, 确认该点为可疑点; (2)查看与可疑点及其前后相邻点对应的Ph、Pw值, 如果任何一处有突变发生确定该点为干扰点, 否则为正常值; (3)对干扰点的亮温值进行订正, 取前面相邻4个点的平均值作为亮温订正值。
6 RFI信号识别和订正结果分析 6.1 RFI信号识别和订正结果根据上述方案对2016年11月20日07:09—09:17 GVR亮温数据进行RFI信号识别和订正。从4个通道的亮温观测值及订正值(图 5)可以看出, 除1通道外其他3个通道都存在RFI信号干扰, 订正后的亮温数据相对平滑, 在飞机上升和下降阶段的亮温波动未被误识为干扰信号, 且在较大波动中识别出了其中的干扰点, 说明该方案能较好的识别RFI。
|
图 5 2016年11月20日07:09—09:17 GVR亮温数据RFI信号识别结果 Figure 5 Identification results of RFI signal in GVR brightness tempreture data detected during 07:09—09:17on November 20, 2016 |
从各通道亮温数据中RFI信号的分布(图 6)可以看出, 3、7、14通道都存在RFI信号, 但干扰信号出现的时间和频率是不同的, 14通道中的干扰信号最多, 随机分布在整个探测过程, 其次是第3通道, 第7通道干扰信号最少, RFI在3、7通道中主要分布在探测过程的前半段, 尽管3个通道存在RFI信号的多少不同, 但都具有无规律、随机分布的特点; 对比各通道干扰发生时飞机所处的位置(图略), 14通道在近地面和高空都有干扰存在, 3、7通道主要在高空, 3个通道的RFI分布在地面对应区域也不固定, 说明RFI在空间分布上具有无规律性。RFI时空分布的随机性特点说明即便在同一通道, 可能也存在多个干扰源。
|
图 6 GVR亮温数据中RFI分布特点 Figure 6 RFI distribution Characteristics of GVR brightness temperature datas |
上文提到, 在阿拉斯加利用地基GVR进行观测时, 由于受到某地面雷达的影响, 亮温每隔2 min受到一次干扰, 且干扰点孤立存在。图 6显示, 机载GVR中的RFI分布并无此特点, 除少数以孤立点形式存在, 多数为连续干扰点, 这在亮温订正中难免带来误差, 连续干扰点越多, 订正效果越差。在图 6个例中, 07:35—07:45, 3个通道都存在较多连续干扰点, 为保证数据的科学性, 建议在使用数据时将该类数据剔除。
6.3 RFI信号对反演结果影响分析对GVR探测获得的4通道亮温数据进行反演计算可获得大气水汽(PWV)和垂直累积液态水(LWP)。把未做订正的原始亮温数据及不同通道订正后的亮温数据各自进行反演获得PWV和LWP(图 7), 通过图 7可以看出, 未做订正的亮温数据获得的PWV和LWP多处存在较大波动, 无法确定造成波动的原因是来自RFI干扰还是PWV和LWP自身变化, 对各通道亮温进行订正后获得的反演结果明显滤除了部分波动(RFI干扰部分), 使得反演结果更为可信。对比图 7(a)和图 7(b), 多数情况下, RFI的存在使得PWV和LWP值被高估, 少数值被低估。单个通道做订正对反演结果的影响不同, 从订正后的反演结果可知, 3通道和7通道中的RFI信号对反演结果影响较小, 14通道影响较大, 这与14通道相对于3通道和7通道干扰信号更多更强有关。对单通道进行订正可能使反演值波动更大[图 7(d)]。这说明多通道都存在RFI信号时可能会消弱其在反演结果中的体现。
|
图 7 不同通道亮温数据订正前(a)后(b~e)反演得到的PWV和LWP Figure 7 PWV and LWP calculated from brightness temperature datas of differentchannels before (a) and after (b~e) RFI correction |
(1) 无线电干扰(RFI)信号由天线窗进入到GVR接收机内, 对传输中的4个通道信号造成干扰, 4个易受干扰的频段分别为750~1 250, 2 500~3 500, 6 300~7 700和13 000~15 000 MHz。该频段在无线电主动信号中颇为常见, 可能存在多种干扰源。
(2) 频谱差异、多通道回归、主成分分析及均值滤波等多种常用RFI识别及订正方法都不适用于机载GVR探测数据。要对其进行无线电干扰信号识别和订正, 需要寻找新方案。
(3) 利用新方案对2016年11月20日07:09—09:17 GVR亮温数据进行RFI信号识别和订正, 结果表明, 多个通道都存在RFI信号干扰, 订正后的亮温数据相对平滑, 在飞机上升和下降阶段的亮温波动未被误识为干扰信号, 且在较大波动中识别出了其中的干扰点, 说明该方案能较好的识别RFI。
(4) 不同通道亮温数据中的RFI订正前后的反演结果表明, 未做订正的亮温数据获得的PWV和LWP多处存在较大波动, 无法确定造成波动的原因是来自RFI干扰还是PWV和LWP自身变化, 对各通道亮温进行订正后获得的反演结果明显滤除了部分波动(RFI干扰部分), 使得反演结果更为可信。多数情况下, RFI的存在使得PWV和LWP值被高估, 少数值被低估。单个通道做订正对反演结果的影响不同, 3通道和7通道中的RFI信号对反演结果影响较小, 14通道影响较大, 这与14通道相对于3通道和7通道干扰信号更多更强有关。
Adams I S, Bettenhausen M H, Gaiser P W, et al. 2010. Identification of ocean-Kflectsd radio-frequency interference using MndSat retrieval chi-square probability[J]. IEEE Geoscience and Remote Sensing Letters, 7(2): 406–410.
DOI:10.1109/LGRS.2009.2037446 |
|
Pazmany A L, Feb. 28-March 8, 2006. An operational G-band (183 GHz) water vapor radiometer (Submitted), Proc. 9th Specialist Meeting on Microwave and Remote Sensing Applications, San Juan, Puerto Rico.
|
|
Feng C C, Zou X L, Zhao J. 2016. Detection of radio-frequency interference signals from AMSR-E data over the United States with snow covered[J]. Frontiers of Earth Science, 10(2): 195–204.
DOI:10.1007/s11707-015-0509-4 |
|
Ellingson S W, Johnson J T. 2006. A polarimetric survey of radio-frequency interference in C-and X-bands in the continental United States using WindSat radiometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 44(3): 540–548.
DOI:10.1109/TGRS.2005.856131 |
|
Liljegren J C, Cadeddu M P, Pazmany A, Feb. 28-March 8, 2006. Retrievals of atmospheric temperature and water vapor profiles in the Arctic (Submitted), Proc. 9th Specialist Meeting on Microwave and Remote Sensing Applications, San Juan, Puerto Rico.
|
|
Li L, Njoku E, Im E, et al. 2004. A preliminary survey of radio-frequency interferenceover the U. S. in Aqua AMSR-E data[J]. IEEE Trans Geosci Remote Sens, 42(2): 380–390.
DOI:10.1109/TGRS.2003.817195 |
|
Li L, Gaiser P W, Bettenhausen M, et al. 2006. WindSat radio-frequency interference signature and its identification over land and ocean[J]. IEEE Trans Geosci Remote Sens, 44(3): 530–539.
DOI:10.1109/TGRS.2005.862503 |
|
Njoku B, Ashcroft P, Chan T, et al. 2005. Global survey and statistics of radio-frequency interference in AMSR-E land observations[J]. IEEE Trans Geosci Remote Sens, 43(5): 938–947.
DOI:10.1109/TGRS.2004.837507 |
|
Pazmany A L. 2007. A compact 183-GHz radiometer for water vapor and liquid water sensing[J]. IEEE Trans Geosci Remote Sens, 45(7): 2202–2206.
DOI:10.1109/TGRS.2006.888104 |
|
Zuidema P, Leon D, Pazmany A, et al. 2012. Aircraft millimeter-wave passive sensing of cloud liquid water and water vapor during VOCALS-Rex[J]. Atmos Chem Phys, 12: 355–369.
DOI:10.5194/acp-12-355-2012 |
|
Truesdale D. 2013. A probability distribution method detecting radio-frequency interference in WindSat observations[J]. IEEE Trans Geosci Remote Sens, 51(6): 3780–3788.
DOI:10.1109/TGRS.2012.2223473 |
|
Wu Y, Weng F Z. 2011. Detection and correcdon of AMSR-E Radio-Frequency Interference[J]. Acta Meteor Sinica, 25(5): 669–681.
DOI:10.1007/s13351-011-0510-0 |
|
Wu Y, Weng F Z. 2014. Applications of an AMSR-E RFI detection and correction algorithm in 1-DVAR over land[J]. J Meteor Res, 28(4): 645–655.
DOI:10.1007/s13351-014-3075-x |
|
Zou X, Zhao J, Weng F Z, et al. 2012. Detection of radio-frequency interference signal over land from FY-3B microwave radiation imager[J]. IEEE Trans Geosci Remote Sens, 50(12): 4994–5003.
DOI:10.1109/TGRS.2012.2191792 |
|
Zhao J, Zou X, Weng F Z. 2013. MndSat radio-frequency interference signature and its identification over Greenland and Antarctic[J]. IEEE Trans Geosci Remote Sens, 51(9): 4830–4839.
DOI:10.1109/TGRS.2012.2230634 |
|
冯呈呈, 赵虹. 2015. FY-3B微波成像仪海洋数据中无线电干扰信号识别[J]. 遥感学报, 19(3): 465–475.
Feng C C, Zhao H. 2015. Identification of radio-frequency interference signal from FY-3B microwave radiation imager over ocean[J]. J Remote Sens, 19(3): 465–475.
DOI:10.11834/jrs.20154056 |
|
官莉, 张思勃. 2014. 星载微波辐射计欧洲大陆无线电频率干扰分析[J]. 光学学报, 34(7): 0728004-1–0728004-7.
Guan L, Zhang S B. 2014. Source analysis of radio-frequency interference over europe land from advanced microwave scanning radiometer[J]. Acta Optica Sinica, 34(7): 0728004-1–0728004-7.
DOI:10.3799/AOS201434.0729004 |
|
黄治勇, 周志敏, 徐桂荣, 等. 2015. 风廓线雷达和地基微波辐射计在冰雹天气监测中的应用[J]. 高原气象, 34(1): 269–278.
Huang Z Y, Zhou Z M, Xu G R, et al. 2015. Monitoring application of hail storm event with the observation of wind profile radar and ground based microwave radiometer[J]. Plateau Meteor, 34(1): 269–278.
DOI:10.7522/j.issn.1000-0534.2013.00130 |
|
李大山, 章澄昌, 许焕斌, 等. 2002. 人工影响天气现状与展望[M]. 北京: 气象出版社, 92.
Li D S, Zhang C C, Xu H B, et al. 2002. Status and prospects of weather modification[M]. Beijing: China Meteorological Press, 92.
|
|
雷恒池, 魏重, 沈志来, 等. 2003. 机载微波辐射计测云液水含量Ⅰ:仪器和标定[J]. 高原气象, 22(6): 551–557.
Lei H C, Wei Z, Shen Z L, et al. 2003. Measurement of column cloud liquid water content by airborne upward-looking microwave radiometer(Ⅰ):Instrument and Its Calibration[J]. Plateau Meteor, 22(6): 551–557.
|
|
江芳, 魏重, 雷恒池, 等. 2004. 机载微波辐射计测云液态水含量Ⅱ:反演方法[J]. 高原气象, 23(2): 33–39.
Jiang F, Wei Z, Lei H C, et al. 2004. Measurement of column cloud liquid water content by airborne upward-looking microwave radiometer (Ⅱ):Retrieval method[J]. Plateau Meteor, 23(2): 33–39.
|
|
刘亚亚, 毛节泰, 刘钧, 等. 2010. 地基微波辐射计遥感大气廓线的BP神经网络反演方法研究[J]. 高原气象, 29(6): 1514–1523.
Liu Y Y, Mao J T, Liu J, et al. 2010. Research of BP neural network for microwave radiometer remote sensing retrieval temperature, retrieval humidity, cloud liquit water profiles[J]. Plateau Meteor, 29(6): 1514–1523.
|
|
吴建华, 李迟生, 周卫星. 1998. 中值滤波与均值滤波的去噪性能比较[J]. 南昌大学学报(工科版), 20(1): 32–35.
Wu J H, Li C S, Zhou W X. 1998. Comparison between the noise-suppressing abilities of the median filters and the average filters[J]. Journal of NanChang University (Engineering & Technology), 20(1): 32–35.
|
|
邹晓蕾, 翁富忠, 田小旭. 2015. AMSR2仪器上新增设的C波段通道对陆地无线电频率干扰的有效缓解[J]. 气象科技进展, 5(2): 35–41.
Zou X L, Weng F Z, Tian X X. 2015. An effective mitigation of radio frequency interference over land by adding a new C-band on AMSR2[J]. Adv Meteor Sci Technol, 5(2): 35–41.
DOI:10.3969/j.issn.2095-1973.2015.02.006 |
|
邹晓蕾, 赵娟, 翁富忠, 等. 2013. 风云三号B星微波成像仪资料在陆地上的无线电频率干扰信号的识别[J]. 气象科技进展, 3(4): 144–153.
Zou X L, Zhao J, Weng F Z, et al. 2013. Detection of radio-frequency interference signal over land from FY-3B microwave radiation imager (MWRI)[J]. Adv Meteor Sci Technol, 3(4): 144–153.
|
2. Key Laboratory for Cloud Physics of China Meteorological Administration, Beijing 100081, China;
3. Key Laboratory of Cloud-Precipitation Physics and Severe Storms, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China