本文基于Himawari-8衛(wèi)星資料,分別用人工視檢、卷積神經(jīng)網(wǎng)絡識別和傳統(tǒng)尾跡云識別算法來計算中國南方區(qū)域的尾跡云覆蓋率,并對結(jié)果做了對比分析;接著選取潛在尾跡云參數(shù)化方案,同時對參數(shù)化方案進行驗證,結(jié)合ECMWF再分析資料、QUANTIFY航空資料和CCSM4模式資料,模擬歷史情景2000年以及分別在RCP4.5、RCP8.5未來情景下的2050和2100年東南亞區(qū)域尾跡云覆蓋率,最后通過尾跡云輻射強迫方案模擬了歷史情景2000年以及分別在RCP4.5、RCP8.5未來情景下的2050和2100年東南亞區(qū)域尾跡云凈輻射強迫。主要得到以下結(jié)論:（1）基于Himawari-8衛(wèi)星圖像統(tǒng)計中國南方區(qū)域的尾跡云覆蓋率,以人工視檢結(jié)果為基準,卷積神經(jīng)網(wǎng)絡識別結(jié)果明顯優(yōu)于傳統(tǒng)尾跡云識別算法Contrail Detection Algorithm（CDA）。（2）通過觀測結(jié)果與潛在尾跡云參數(shù)化模擬比較,表明了觀測的尾跡云生成持續(xù)指數(shù)contrail occurrence and persistence（COP）與潛在尾跡云覆蓋率potential contrail coverage（PCC）之間... 

【文章來源】：南京信息工程大學江蘇省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

(b)地基觀測，(c)衛(wèi)星圖像

尾跡云檢測方案的數(shù)據(jù)流

線性尾跡的 8×8 子網(wǎng)格框的圖示。例如圖中 CO3)/64=0.34375神經(jīng)網(wǎng)絡檢測絡概述神經(jīng)網(wǎng)絡的一支，而人工神經(jīng)網(wǎng)絡的學科歸屬學習下一個研究方向。對人工神經(jīng)網(wǎng)絡的研究多個隱藏層的神經(jīng)網(wǎng)絡被稱為深度神經(jīng)網(wǎng)絡之為深度學習。在圖像識別方面取得的成果及同于以前的淺層機器學習，深度學習的優(yōu)勢隱層節(jié)點，使分類或預測更加容易。最終使(AI,Artificial Intelligence)。而在深度學習框架物學家Hubel[29]在研究貓腦視覺皮層時，提


本文編號：3124369