第30卷 第1期 2010年2月

气象科学

SCIENTIAMETEOROLOGICASINICA

Vo.l30,No.1Feb.,2010

钟剑,黄思训,张亮.星载微波散射计资料反演海面风场进展研究.气象科学,2010,30(1):137-142. ZhongJian,HuangSix-un,ZhangLiang.Researchonthedevelopmentofsurfacewindretrievalfrommicrowavescatterometer.ScientiaMeteorologicaSinica,2010,30(1):137-142.

星载微波散射计资料反演海面风场进展研究

钟 剑 黄思训 张 亮

(解放军理工大学气象学院,南京211101)

摘 要 对星载微波散射计资料反演海面风场的国内外研究进展作一评述。首先介绍星载微波散射计反演海面风场的基本原理;然后对利用地球物理模型函数的反演方法中地球物理模型函

数的建立与求解算法及模糊去除过程做了全面评述;最后对神经网络和遗传算法等不利用地球物理模型函数风场反演方法的应用作了相应说明。目前利用模型函数反演方法日趋成熟,但仍然有进一步改进的可能,尤其对于降水、台风等恶劣天气情况;而神经网络和遗传算法为以后进行风场反演改进亦提供了一种可行途径。

关键词 风场反演 地球物理模型函数 遗传算法 神经网络 分类号 P425 文献标识码 A

Researchonthedevelopmentofsurfacewindretrievalfrommicrowavescatterometer

ZhongJian HuangSixun ZhangLiang

(InstituteofMeteorology,PLAUniversityofScienceandTechnology,Nanjing211101,China)

Abstract Thispapersummarizedsomeprogressesofresearchaboutwindretrievalfrommicrowave

scatterometer.Firstly,theprincipleofwindvectorretrievalfrommicrowavescatterometerwasintroduced.

Then,itgaveanintroductionofresearchonwindretrievalincludingtheestablishmentandsolutionofge-ophysicalmodelfunction(GMF)andthemethodsforambiguityremova.lLastly,theresearchofneuralnetworkandgeneticalgorithmusedinwindretrievalwaspresented.ItdrewtheconclusionthatthemethodusingtheGMFhaddevelopedsuccessfully,butitcanstillbeimproved,especiallyforthesevereweatherlikeprecipitationandtyphoon.Moreover,thenewmethodsofneuralnetworkandgeneticalgorithmpro-videdanotherwayforwindretrievalimprovemen.t

Keywords Windvectorretrieval Geophysicalmodelfunction(GMF) Geneticalgorithm Neuralnetwork

引 言

在海洋学中,海面风场是一个重要的物理参数,

气象台站等常规观测系统,不论过去或将来,这些常规观测系统提供的观测数据都起着十分重要的作

用。但是,对覆盖全球70%的海洋来说,利用常规观测系统所得到的海面风场资料数量相对较少,难以满足各方面的需要。卫星遥感技术的发展为获取

影响着海洋和大气的各种现象。目前,海面风场资料的获取主要是通过船舶、海上浮标及沿岸和岛屿

收稿日期:2008-12-18;修改稿日期:2009-03-23

基金项目:国家自然科学基金(40775023),公益性行业(气象)科研专项(GYHY20080629)

第一作者简介:钟剑(1984-),男,长沙,博士生,主要从事卫星资料反演.zhongjianjian2008@http://通讯作者:黄思训,教授,huangsxp@http://

138气 象 科 学 30卷

射的雷达功率,R为天线与目标之间的距离,K为波束波长,G为天线增益,!表示区域面积。可见,后向散射截面与波束的波长有关。

Bragger散射主要受海表面的重力-毛细波影响,而重力-毛细波的产生是由海面上风场的变化所引起的,Stoffelen(1998a)从理论上说明了重力-毛细波的分布(能量密度)与风向、风速之间具有相关联系

[1]

大面积海面风场信息提供了可能,加强对卫星遥感反演海面风场的应用研究将会提高对未来海面风场

的预报能力。其中,微波散射计就是一种重要的遥感手段,它可以全天候地测量海面风速和风向。近年来随着国内外对微波散射计的研究,散射计反演海面风场日趋成熟,能够为研究大气、海洋和气候提供大量的重要数据

[1]

。

到目前为止,已成功发射并使用的散射计主要包括:欧空局的ERS-1,2/SCAT,ASCAT,美国的Seasa-tA/SASS,QuikSCAT,美国和日本的NSCAT,SeaWinds等。其中,欧空局的ERS-1,2/SCAT卫星散射计为人类提供了迄今为止历时最长的大面积海面风场数据。微波散射计按频段分为Ku波段散射计和C波段散射计

[2]

。

由此可见,雷达后向散射截面与海面风场之间具有必然联系,从而可以通过风向和风速计算得到雷达后向散射截面,这属于正问题范畴;而通过雷达

后向散射截面来反演海面风场则属于反问题的范畴。众所周知,反问题往往是不适定的

[4-5]

,由于问

。

题的不适定性,给反演海面风场带来很大的麻烦。于是,设计有效稳定的算法是非常必要的,寻找既能克服系统的不适定性,又具有更高的精度,同时还具有抗噪性的算法,这是摆在我们面前的艰巨任务。

微波散射计发展至今,经历了多个发展阶段,其功能和测量精度不断提高。目前最先进的星载微波散射计能够测量的海面风速范围为3~30m/s,误差为?2m/s或10%,风向测量范围为0~360度,误差为?20度。星载散射计被认为是目前迅速获取大面积海面风场的最理想遥感器

[3]

2 海面风场反演方法的进展研究

目前,利用星载微波散射计反演海面风场可以

分为两类:利用地球物理模型函数的反演方法和不利用地球物理模型函数的反演方法。利用地球物理模型函数的反演方法经过多年来的研究,已日趋成熟。近年来,随着人们对散射计风场反演研究的深入,出现了一些新的方法,比如说神经网络和遗传算法,这些方法不需要考虑复杂的地球物理模型函数,并能取得较好的反演效果。

。

本文主要就微波散射计反演海面风场的基本原理,利用地球物理模型函数进行海面风场反演,以及近年来神经网络和遗传算法在海面风场反演中的应用等方面国内外取得的系列成果作一综述,为进一步研究微波散射计风场反演提供必要信息。

1 反演原理

散射计反演海面风场是指将散射计测量的后向散射截面数据转化为海面风矢量场。由微波散射和反射的基本性质可知,后向散射截面受Bragger散射以及镜面反射的作用,随着海面粗糙度的增加而增加。入射角为30b<H<70b时,Bragger散射占主要作用,不需要考虑镜面反射;当入射角为20b<H<30b

[1]

时,则需要考虑镜面反射。

根据雷达方程,后向散射截面计算公式为:

34

Pr

R=其中,Pr为接收的雷达功率,Pt为发KGAPt0

2.1 利用地球物理模型函数的反演方法

利用地球物理模型函数进行海面风场反演主要由数据预处理,风矢量反演,质量控制,模糊去除,质

[1]

量检测与数据后处理五个步骤组成。具体过程见图1。

预处理过程将卫星观测记录数据转换为归一化后向散射截面;利用地球物理模型函数,通过风矢量反演过程将后向散射截面数据转换为多个模糊风矢量解;而从模糊解中选择某一风矢量解作为/真实0解的过程即为模糊去除;后处理过程是将/真实0风

图1 风场反演一般流程

Fig.1 Theflowchartforwindretrieval

1期 钟剑,等:星载微波散射计资料反演海面风场进展研究

Wentz,etal1(1999)

[3]

139

利用三个月的NSCAT

矢量解转换为十进制网格点数据。质量控制过程的

引入是为了去除由于雨点,冰雪等其它物理现象/噪音0所产生的错误风矢量解;该方法的难点主要在于能否建立高精度地球物理模型函数、找到有效的质量控制方法和模糊去除方法。

2.1.1 地球物理模型函数

地球物理模型函数是指海面雷达后向散射系数或归一化雷达后向散射截面与海面风速、风向、雷达观测参数以及环境参数等之间的定量函数关系

[1]

散射计后向散射系数、SSMI辐射计数据以及欧洲中期天气预报的模式数据开发得到了NSCAT-1模型函数。由于用于该模型函数开发的数据集风速超过20m/s的机率很小,直接导致了该模型函数高风速

反演的不准确,并且对20m/s以下风速的反演结果比实际结果也要偏小。为了提高反演精度尤其是高风速条件下,Wentz利用10个月的散射计数据,通过在NSCAT-1模型函数中增加高阶项建立了NSCAT-2模型函数,使反演效果得到了一定改善。2.1.2 地球物理模型函数求解算法

随着散射计反演海面风场的发展,出现了多种海面风矢量反演方法,最大似然估计法被认为是目前风矢量反演的最佳方法标函数(JPL,1997)表示为J=-[7]

。

由于建立严格的理论模型函数需要对风矢量和海面

几何状况(从毫米波一直到几百米的长波)之间的关系,以及电磁波与海表面之间的相互作用机制有彻底的理解,目前是非常困难的,因此大多是通过统计方法建立经验模型函数。目前使用较多的有C波段的CMOD系列模型函数以及Ku波段的NSCAT系列模型函数。当然,也可以根据实际情况建立特定区域的模型函数,冯倩

[2]

。

[1]

最大似然估计从贝叶斯分布发展而来,其目

就在建立中国南海区域

[1]

z

经验模型函数方面做了卓有成效的工作。

经验模型函数一般形式为

R0=b0(1+b1cos<+b2cos2<), (1)

z对不同的模型函数取值不同,目前业务化中使用的CMOD4模型函数的一般表达式为:

R0=b0(1+b1cos<+b3tanhb2cos2<)

b0=D10

-1

A+C1f-1(w+B)

116

E

N

i=1

(R0i-Rm(w,<i))

+ln(Var(Rm)i) ,

Var(Rm)i

(3)

2

其中R0i表示后向散射系数的测量值,Rm(w,<i)表示后向散射系数的模型结果,N表示后向散射系数的测量次数,Var(Rm)i=ARm+BRm+C=(Kp)i为测量偏差,系数A,B,C与天线和风矢量单元的位置有关。为了计算方便,将上式中负号去掉,从而求目标函数局部极大值问题转化为求目标函数局部极小值问题。

对上式目标函数求解,通常采用数值方法,传统的数值方法理论上要求求解过程必须在整个风速)风向二维空间内按一定的搜索间隔逐点计算目标函数值并进行比较,寻找局部极值点,而该过程目标函数的计算较为复杂,致使整个反演过程运算量大。

解学通等

[8]

2

2

,

(y>5)(0<y[5)(y[0)

,

(2)

log(y)

f(y)=

3120

其中,R0为后向散射系数,<为风向,w为风速,H为入射角。式中A、B、C、b0、b1、b2、b3均为风向和风速的具体表达式(略)。

CMOD4模型函数是Stoffelenetal1(1997)利用欧洲中期天气预报模式风场和ERS/SCAT散射计数据为欧空局开发的C波段模型函数。许多研究表明利用该模型函数反演得到的风速明显偏低。之后,利用欧洲中期天气预报模式风场、ERS/SCAT数据以及浮标数据建立了CMOD-IFR2模型函数,其与CMOD4模型函数相比,在风速小于20m/s时,反演结果基本一致,而当风速大于20m/s时,两者相差明显。目前,CMOD系列模型函数发展到了CMOD5,数据分析统计结果表明,CMOD5反演得到的风速相比实际风速具有015m/s的偏差,对该模型函数系数进行重新订正后建立了CMOD517模型函数

[6][2]

[3]

提出了一种改进的最大似然估计

算法。该算法根据目标函数在风矢量二维空间的一般分布特征,将搜索目标预先锁定在一个较小的范围,避免在整个风速区域上逐点搜索目标函数最大值带来的高额运算。结果表明该方法在保证反演精度的前提下,具有较高的搜索效率。2.1.3 模糊去除方案

由于后向散射系数测量值中包含有噪声的影响以及模型函数在逆风和顺风观测时具有的各向异性不是很明显,使得通过最大似然估计得到的风矢量解往往不唯一。从模糊解中选择一个最接近真实解的风矢量作为/真实0风矢量解的过程称为模糊去

140气 象 科 学 30卷

则是选择与背景场最接近的风矢量解作为真实风矢量解,该方法过多的依赖于背景场风场,得到的风矢量解有时并不能反映真实风场。Prescat方法基于风矢量差异,选择最接近背景场的风矢量解作为真

[9]

对于所获得的模糊风矢量解,风速基本一致,相差较小,并不存在模糊性,模糊性主要是指风向模糊。回顾国内外学者关于排除风向模糊解的相关研究,总结大致有三种方法:

(1)基于观测资料以及雷达数据。LevyG等开创性的提出了该方法,并做了大量工作,但该方法过多的依赖于观测资料的准确性与时空分布;林明森

[10]

实解,但考虑风场在气象上的不相容性,利用英国皇家气象局(UKMO)的SLICE过滤方案对风场进行订正。过滤方案基于5@5的过滤框,通过临近节点置信因子的加权,计算每个节点模糊风矢量解的平均似然值,选择具有最高平均似然值的风矢量解作为真解。该方案大多数情况下去除了模糊解,但实际应用中,对预报风场的质量仍不能显示出足够的敏感性,尤其是在强动力形势场中仍然产生错误的风矢量选择,而强动力形势场的分析在气象上是非常重要的。

最近,国外专家学者提出了二维变分

[15-16]

1997年提出了基于风速等值线图判断风场结

构排除风向伪解,该方法仅在反演大尺度海面风场中具有较好效果。

(2)借助空气动力学的约束条件。代表人物是Long等

[11]

发展的场方式模型反演方法,相对于传

统的点方式反演方法,场方式方法具有如下特点:(1)充分考虑了风场的动力约束机制,并以一个简化了边界条件的风场模型来体现;(2)不是简单地将采样点上的R测量值同该点的风矢量相关,而是将整个刈幅内的R测量数据同风场的模型参数相联系;(3)整个风场同步求出,保证了风场的连续性,从根本上解决多解的消除问题;(4)可以克服那些由于散射计标准周期或面元配对所引起的只有一个Rb测量值采用点方式反演不能得到风矢量的问题;(5)最大似然估计是考虑全域的最佳估计,最佳估算解总对应风场真解,准确率为100%。该方法存在问题在于数学复杂性大大增加,数值计算量也非常大,即使使用地转风简单模型,计算8@8网格上风场也有将近40个参数有待优化,并且还存在许多问题需要进一步研究。

针对场方式反演方法中的问题,林明森等

[12]

00

的模

糊去除方法。该方法通过使代价函数最小化来进行模糊去除,代价函数由背景项和观测项两部分组成,并且都表示为风增量的形式。背景场可为数值预报产品风场,也可为浮标等实测风场。该方法对整个观测数据进行同步场处理,将背景场项考虑到目标函数中,利用风场结构去订正误差,将产生在气象上更加相容的近表面风场,是目前最新发展起来的高效模糊去除方法。此种方法的理论依据是估计中的线性无偏最小方差估计,在特定情形下,它等价于三维变分同化方法,使目标函数J=J0+Jb=min!,J0为观测误差,Jb为背景场误差。但该方法也存在若干问题,除了观测场与背景场误差协方差矩阵为有效统计之外,还忽略了观测精度与背景场精度的匹配问题

[17-23]

对

该方法进行了改进,提出了压力投影法。通过对速度和压力进行分解来改进场方式的地转风假设,同时构造了新的差分格式及优化算子,简化了参数优化。初步结果表明,该方法对于模拟数据或真实散射计反演海面风场是成功的。虽然经过优化的场方式反演风场方法不存在多解消除的问题,也减小了

计算量,但它仍然存在计算量过大的问题。

(3)利用专家系统知识。代表有Shaffer,eta.l

[13]

。于是,在模糊去除中引入数学物理中

[5]

的反问题思想是特别重要的方法是值得人们去尝试的。

,一方面可以进行模

糊去除,另一方面也可以消除噪声,提高精度,这种

2.2 其他反演海面风场的方法

由于利用模型函数进行海面风场反演的反演精

度不但取决于模型函数的准确性,而且还取决与能否有高效的质量控制方法和模糊去除方法,而目前这些方面仍然存在许多问题有待于进一步研究。从而,探索全新的不依赖于具体模型函数的更加高效的反演算法显得尤为重要。目前,应用较多的算法主要有神经网络算法和遗传算法。它们通过直接将雷达后向散射截面与风矢量建立联系来反演风场,这亦是值得尝试的方法。2.2.1 神经网络算法

iria[24]

1991年提出的中值滤波技术,冯倩

[3]

对该

方法进行了进一步实验,证明了该方法在风向模糊解去除的有效性。

目前,业务化运行的模糊去除方法主要有FirstRank,BGClose,tPrescat和2D-VAR方法

[14]

。

FirstRank方法就是选择第一阶(具有最高概率,与风锥面距离最小)的模糊解作为真实的风矢,B

1期 钟剑,等:星载微波散射计资料反演海面风场进展研究141

提出进行散射计海面风场反演,通过对模拟的卫星散射计数据进行处理,发现神经网络模型能够高效、准确地解决风矢量反演问题。之后,国内外许多学者也做了相关方面的研究。

Chenkunshan等

[25]

善的空间。由于散射计观测区域的星下点区域方位角差异小,外部区域后向散射观测值少,使得这些区域反演得到的风矢量解模糊性增大,从而在这些区域能否找到更合适的模糊去除方法,仍然值得探索;后向散射测量不但受海面风场的影响,同时也受雨水等各种物理条件作用,能否找到更好的去除降水等/噪音0的方法,进而改善暴雨及台风等恶劣天气下风场反演精度,是一个值得挑战的问题;后向散射截面资料的质量控制,仅仅考虑了最大似然估计值相对于平均统计值的偏移量大小而进行资料去除,并没有考虑气象风场的无辐散性问题,增加无辐散约束或者弱约束能否取得更好的风场反演结果,仍有待进一步研究;对于地球物理模型函数,目前均采用经验模型函数,其准确性取决于所采用的样本数的数量和质量,并且不同区域的模型函数也不相同,建立高精度的中国南海区域的模型函数,仍然有大量工作要做;模糊去除过程中二维变分问题的引进,虽然取得了很好的效果,但在背景场误差协方差上的选取等方面还有待研究,同时,借助于三维变分同化思想再结合反问题中正则化思想进行模糊去除是值得尝试的新方法。神经网络算法和遗传算法虽然发展不是很成熟,但均表现出了很好的反演效果,也为以后海面风场反演改进提供了一种可行途径。随着人们对散射计反演风场的进一步研究与完善,相信今后散射计一定能够给我们提供更多更精确的数据,为气象及海洋上的相关研究做出更多贡献。

利用模拟风场数据分别构

建了相应的CMOD4神经网络反演模型,并通过实验证明神经网络算法具有更高的反演精度。

宋新改和林明森等

[26-27]

建立了一个神经网络

的海面风场反演模型,也证明了神经网络反演海面风场的可行性和高效性。文章利用神经元网络模块提出了先风速后风向的反演方法,并使用圆中数滤波器消除风向多解。结果表明运用神经网络反演海面风场是可行的,并且提高了数据处理的精度和效率,该方法有望用于实时的业务运行中。

基于上述研究均只关于线状天线散射计,解学通等

[28-29]

又对圆锥扫描散射计的神经网络模型做

了相关研究。作者首先对测量数据进行相应的预处理,确保神经网络输入端的散射系数数目一样,之后采用先风向后风速的反演方法,以及圆中数滤波算法实现风矢量的模糊去除。结果表明,该神经网络反演算法在能够保证反演精度的前提下,运行效率有显著提高。但反演中风速范围被限定在4~15m/s,适应性小。而且,对不同的风矢量反演过程,模型中隐含层和输出端神经元数目等参数随散射计的变化需要重新确定。2.2.2 遗传算法

同时,解学通等

[30-31]

尝试了利用遗传算法来对

参 考 文 献

[1] MarcosPortabellaArnus.Windfieldretrievalfromsatelliteradar

systems.Amsterdam:UniversityofBarcelona,2002:1-142.[2] 张亮.QuikSCAT散射计资料的海面风场反演[硕士学位论

文].南京:解放军理工大学气象学院,2007:1-75.

[3] 冯倩.多传感器卫星海面风场反演研究.青岛:中国海洋大学,

2004:1-104.

[4] A.Kirsch.Anintroductiontothemathematicaltheoryofinverse

Problems.SpringerVerlag,1996:1-100.

[5] 黄思训,伍荣生.大气科学中的数学物理问题.北京:气象出版

社,2001:411

[6] AntonVerhoe,http://herlands:KNMI,2008:1-13.

[7] ChiCY,LiFK.Acomparativestudyofseveralwindestimation

海面风场进行反演。根据散射计风矢量反演所面临的具体问题和特点,设计了一种基于动态小生境遗传算法。该方法利用风矢量反演的多解特性,尝试将MLE目标函数和遗传算法相结合,进行海面风矢量反演。

结果表明,该算法在无需任何目标函数先验知识的条件下能够取得较好的反演结果,具有一定的潜在应用价值。而且该算法具有便于引进新的反演参数的优点,因为遗传算法的编码方式使得当反演参数增加时,只需在个体串中增加相应的变量字串即可,而不必对整个算法进行修改。但该算法问题在于反演过程中的参数变化十分复杂,其原因还需进一步研究。

3 小 结

目前,利用散射计反演海面风场技术已日趋成熟,algorithmsforspacebornescatterometers.IEEETransactionsonGeoscienceandRemoteSensing,1988,26(2):115-121.[8] 解学通,方裕,陈晓翔,等.基于最大似然估计的海面风场反演

.,2005,(8-11.

142气 象 科 学 30卷

[21]杨毅,邱崇践,龚建东,等.利用3维变分方法同化多普勒天气

雷达资料的试验研究.气象科学,2008,28(2):124-132.[22]黄思训,曹小群,闵锦忠.变分方法反演双多普勒雷达低层二

维风场.南京气象学院学报,2008,31(4):453-459.

[23]程小平,侯志明,费建芳,等.四维变分同化方法在暴雨预报中

的应用.气象科学,2006,26(2):143-148.

[24]ThiriaS,MejiaC,BadranF.Aneuralnetworkapproachformode-l

ingnonlineartransferfunctions:applicationforwindretrievalfromspacebornescatterometerdata.J.Geophys.Res.,1993,98(c12):22827-22841.

[25]ChenKun-shan,TzengYC,ChenPC.Retrievalofoceanwinds

fromsatellitescatterometerbyaneuralnetwork.IEEETransGeos-ciRemoteSensing,1999,37:247-256

[26]林明森,宋新改,彭海龙,等.散射计资料的风场神经网络反演

算法研究.国土资源遥感,2006,68(2):8-11.

[27]LinMingsen,SongXinga,iJiangXingwe.iNeuralnetworkwindre-trievalfromERS)1/2scatterometerdata.ActaOceanologicaSin-ica,2006,25(3):35-39.

[28]解学通,方裕,陈克海,等.用SeaWinds散射计数据反演海面风

矢量的神经网络模型.高科技通讯,2008,18(2):184-189.[29]王晶晶,金健.模块化模糊神经网络训练策略研究.南京气象

学院学报,2007,30(2):274-278.

[30]解学通,郁文贤,郭丽青,等.动态聚类适应值共享遗传算法在

散射计风矢量反演中的应用.计算机应用,2008,28(1):97-100.

[31]解学通,郁文贤,郭丽青,等.基于遗传算法的微波散射计海面

风矢量反演研究.海洋通报,2008,27(4):1-11.

[9] LevyGR.A.Brown.Asimpleobjectiveanalysisschemeforsca-t

terometerdata.J.Geophys.Res.,1986,91(c4):5153-5158.[10]林明森,孙瀛,郑淑卿.用星载微波散射计测量海洋风场的反

演方法研究.海洋学报,1997,19(5):21-24.

[11]LongDG,JMMede.lMode-lBasedestimationofwindfieldover

theoceanfromwindscatterometermeastrement.I:Developmentofthefieldmode.lIEEETransGeosciRemoteSens,1990,28(3):349-360.

[12]林明森.一种修正的星载散射计反演海面风场的场方式反演

算法.遥感学报,2000,4(1):61-65.

[13]SJShaffer,DunbarRS,HsiaoSW,eta.l.Amedianfilterbased

ambiguityremovalalgorithmforNSCAT.IEEETrans.Beosc.iRe-moteSensing.,1991,29(11):167-174.

[14]O&SISAFprojectteam.SeaWindsProductManualversion1.5.

Netherlands:KNMI,2008:1-28.

[15]JohndeVries,AdStoffelen.2DVariationalAmbiguityRemova.l

Netherlands:KNMI,2000:1-34.[16]

JurVogelzang.Twodimensionalvariationalambiguityremova.lNetherlands:KNMI.,2007:1-64.

[17]李俊,黄思训.改进的偏差原则在大气红外遥感及反演中应

用.中国科学(D辑),2001,31(1):70-80

[18]杜华栋,黄思训,蔡其发,等.变分同化方法反演海气耦合模型

参数的研究.南京气象学院学报,2007,30(4):444-449.[19]曹小群,黄思训,张卫民,等.区域三维变分同化中背景误差协

方差的模拟.气象科学,2008,28(1):8-14.

[20]方涵先,王廷芳,黄思训,等.变分伴随方法应用于大气化学初

值和参数反演研究.南京气象学院学报,2007,30(2):216-223.