• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >The Use of Neural Networks in Identifying Error Sources in Satellite-Derived Tropical SST Estimates
【2h】

The Use of Neural Networks in Identifying Error Sources in Satellite-Derived Tropical SST Estimates

机译：神经网络在识别卫星衍生热带SST估算误差源中的应用

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

An neural network model of data mining is used to identify error sources in satellite-derived tropical sea surface temperature (SST) estimates from thermal infrared sensors onboard the Geostationary Operational Environmental Satellite (GOES). By using the Back Propagation Network (BPN) algorithm, it is found that air temperature, relative humidity, and wind speed variation are the major factors causing the errors of GOES SST products in the tropical Pacific. The accuracy of SST estimates is also improved by the model. The root mean square error (RMSE) for the daily SST estimate is reduced from 0.58 K to 0.38 K and mean absolute percentage error (MAPE) is 1.03%. For the hourly mean SST estimate, its RMSE is also reduced from 0.66 K to 0.44 K and the MAPE is 1.3%.
机译：数据挖掘的神经网络模型用于从对地静止运行环境卫星（GOES）上的热红外传感器识别来自卫星的热带海面温度（SST）估计中的误差源。通过使用反向传播网络（BPN）算法，发现空气温度，相对湿度和风速变化是造成GOES SST产品在热带太平洋误差的主要因素。该模型还提高了SST估算的准确性。每日SST估算的均方根误差（RMSE）从0.58 K减少到0.38 K，平均绝对百分比误差（MAPE）为1.03％。对于每小时的SST平均估算值，其RMSE也从0.66 K降低到0.44 K，MAPE为1.3％。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号