In a recent study, (Tian et al 2010

In a recent study, (Tian et al 2010) introduced a real-time
bias adjustment method for correcting satellite data. In this paper, a similar methodology is adopted for creating a
consistent climatology. Having both GPCP (G) and real-time
satellite data (S) for the overlap period (2000–10), one
can derive the joint probability P.G; S/ using the Bayesian
theorem:
where G and S denote GPCP and real-time satellite
data (here, PERSIANN and TRMM-RT), respectively. The
conditional probability P.GjS/ indicates the likelihood of
the measurement G given the satellite observation S. For
more detail about this methodology, the reader is pointed
to Tian et al (2010). The right hand side of the equation (1)
can be computed for the overlap period (2000–10). Then,
one can derive G for any S by maximizing P.Gi; Sj/ using
the maximum likelihood method. Using this approach, for
the period for which GPCP (here, G) observations are not available (real-time data S), one can obtain the likely value
G given S. In other words, based on the overlap period, the
algorithm will estimate the likely value of G (here, GPCP
data) given an observed S from real-time satellite data. The
likely value of G, and hence the adjusted satellite data,
is derived based on historical values of G and S over the
same period of time (e.g., January, February) to account
for seasonality. Figure 2 displays example time series of
GPCP (solid blue), satellite data (here, PERSIANN) before
correction (dashed red), and satellite data after the Bayesian
correction (solid green) for two locations. One can see that
the differences between real-time satellite data and GPCP
observations reduce after applying the Bayesian correction
algorithm.

ผลลัพธ์ (ไทย) 1:

ในการศึกษา (เทียน et al 2010) แนะนำแบบเรียลไทม์วิธีการปรับ bias สำหรับแก้ไขข้อมูลดาวเทียม ในกระดาษนี้ วิธีการคล้ายกันถูกนำมาใช้สำหรับการสร้างการclimatology สอดคล้องกัน มีทั้ง GPCP (G) และแบบเรียลไทม์ดาวเทียมข้อมูล (S) สำหรับรอบระยะเวลาทับซ้อน (2000-10), หนึ่งสามารถได้รับโอกาสร่วม P.G S / โดยใช้ทฤษฎีการทฤษฎีบท:ที่ G และ S แสดง GPCP และดาวเทียมแบบเรียลไทม์ข้อมูล (ที่นี่ PERSIANN และ TRMM RT), ตามลำดับ การความน่าเป็นมีเงื่อนไข P.GjS/ บ่งชี้โอกาสของการวัด G รับชมดาวเทียม S. สำหรับหากต้องการรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการนี้ ผู้อ่านจะชี้การเทียน et al (2010) ด้านขวามือของสมการ (1)สามารถคำนวณระยะทับซ้อน (2000-10) แล้วหนึ่งได้มา G สำหรับ S ใด ๆ โดย P.Gi มากที่สุด Sj / ใช้วิธีการโอกาสสูงสุด ใช้วิธีการนี้รอบระยะเวลาที่ GPCP (ที่นี่ G) สังเกตไม่มี (แบบเรียลไทม์ข้อมูล S) หนึ่งสามารถรับค่าแนวโน้มรับ S. G ในคำอื่น ๆ ตามทับซ้อน การอัลกอริทึมจะประมาณค่าแนวโน้มของ G (นี่ GPCPข้อมูล) ให้ S เป็นสังเกตจากข้อมูลดาวเทียมแบบเรียลไทม์ การค่าแนวโน้มของ G และด้วยเหตุนี้ข้อมูลดาวเทียมปรับปรุงมีค่าทางประวัติศาสตร์ตามที่ได้รับ G และ S ผ่านการระยะเวลา (เช่น มกราคม กุมภาพันธ์) บัญชีเดียวกันสำหรับฤดูกาลนี้ รูปที่ 2 แสดงชุดเวลาตัวอย่างข้อมูลดาวเทียม GPCP (ไม้สีน้ำเงิน), (ที่นี่ PERSIANN) ก่อนแก้ไข (เส้นประสีแดง), และข้อมูลดาวเทียมหลังจากทฤษฎีการการแก้ไข (สีเขียวทึบ) สองตำแหน่ง หนึ่งสามารถดูที่ความแตกต่างระหว่างข้อมูลดาวเทียมแบบเรียลไทม์และ GPCPสังเกตลดหลังจากใช้การแก้ไขทฤษฎีขั้นตอนวิธีการ

ผลลัพธ์ (ไทย) 2:

ในการศึกษาล่าสุด (Tian et al, 2010) แนะนำแบบ real-time
วิธีการปรับอคติสำหรับการแก้ไขข้อมูลดาวเทียม ในบทความนี้เป็นวิธีการที่คล้ายกันถูกนำมาใช้สำหรับการสร้าง
ภูมิอากาศที่สอดคล้องกัน มีทั้ง GPCP (G) และแบบ real-time
ข้อมูลดาวเทียม (S) สำหรับระยะเวลาที่ทับซ้อน (2000-10) หนึ่ง
สามารถได้รับมา PG น่าจะเป็นร่วมกัน S / ใช้คชกรรม
ทฤษฎีบท:
ที่ G และ S แสดง GPCP และดาวเทียมแบบ real-time
ข้อมูล (นี่ PERSIANN และ TRMM-RT) ตามลำดับ
P.GjS น่าจะเป็นเงื่อนไข / แสดงให้เห็นความน่าจะเป็นของ
การวัดจีได้รับการสังเกตดาวเทียมเอสสำหรับ
รายละเอียดเพิ่มเติมเกี่ยวกับวิธีการนี้ผู้อ่านจะชี้
ไป Tian, ​​et al (2010) ด้านขวามือของสมการ (1)
สามารถคำนวณระยะเวลาทับซ้อน (2000-10) จากนั้น
หนึ่งสามารถได้รับ G สำหรับ S ใด ๆ โดยการเพิ่ม P.Gi; SJ / ใช้
วิธีโอกาสสูงสุด ใช้วิธีนี้สำหรับ
ระยะเวลาที่ GPCP (นี่ G) สังเกตจะไม่สามารถใช้ได้ (ข้อมูลในเวลาจริง s), หนึ่งสามารถขอรับแนวโน้มค่า
จีเอสได้รับในคำอื่น ๆ ขึ้นอยู่กับระยะเวลาที่ทับซ้อนกันที่
อัลกอริทึมจะ ประมาณมูลค่าที่มีแนวโน้มของ G (ที่นี่ GPCP
ข้อมูล) ได้รับการสังเกต S จากข้อมูลดาวเทียมแบบ real-time
ค่าที่มีแนวโน้มของ G และด้วยเหตุนี้ข้อมูลดาวเทียมปรับ
ได้มาอยู่บนพื้นฐานของคุณค่าทางประวัติศาสตร์ของ G และ S ในช่วง
เวลาเดียวกัน (เช่นมกราคม, กุมภาพันธ์) บัญชี
สำหรับฤดูกาล รูปที่ 2 แสดงชุดตัวอย่างเช่นเวลาของการ
GPCP (สีน้ำเงิน) ข้อมูลดาวเทียม (นี่ PERSIANN) ก่อน
การแก้ไข (ประสีแดง) และดาวเทียมข้อมูลหลังจากที่คชกรรม
แก้ไข (ของแข็งสีเขียว) สำหรับสองสถานที่ หนึ่งจะเห็นว่า
ความแตกต่างระหว่างข้อมูลดาวเทียมในเวลาจริงและ GPCP
สังเกตลดหลังจากใช้การแก้ไขคชกรรม
อัลกอริทึม

ผลลัพธ์ (ไทย) 3:

ในการศึกษาล่าสุด ( เทียน et al 2010 ) แนะนำแบบเรียลไทม์วิธีตั้งค่าการปรับแก้ไขข้อมูลดาวเทียม ในกระดาษนี้ วิธีการที่คล้ายกันถูกนำมาใช้สำหรับการสร้างอุตุนิยมวิทยาที่สอดคล้องกัน มีทั้ง gpcp ( G ) และแบบเรียลไทม์ข้อมูลดาวเทียม ( s ) สำหรับงวดซ้อน ( 2000 – 10 )สามารถมาร่วมความน่าจะเป็น P . G ; S / ใช้แบบเบส์ทฤษฎีบท :ที่ G และ S แทน gpcp และเรียลไทม์ผ่านดาวเทียมข้อมูล ( ที่นี่ persiann และ trmm-rt ) ตามลำดับ ที่p.gjs/ ความน่าจะเป็นมีเงื่อนไขระบุโอกาสการวัด G ได้รับการสังเกตดาวเทียม S สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการนี้ ผู้อ่านจะแหลมเทียน et al ( 2010 ) ทางด้านขวามือของสมการ ( 1 )สามารถคำนวณสำหรับงวดซ้อน ( 2000 – 10 ) จากนั้นหนึ่งสามารถได้รับการใด ๆโดยการใช้ SJ / หน้ากี ;วิธีความควรจะเป็นสูงสุด การใช้วิธีการนี้ระยะเวลาที่ gpcp ( , g ) ) ไม่ได้ ( ข้อมูลแบบเรียลไทม์ ) , หนึ่งสามารถขอรับค่าแนวโน้มกรัมให้ S . ในคำอื่น ๆที่ขึ้นอยู่กับระยะเวลาที่ทับซ้อนกัน ,ขั้นตอนวิธีจะประมาณการแนวโน้มค่า G ( gpcp ที่นี่เลยข้อมูล ) ให้สังเกตจากข้อมูลดาวเทียมแบบเรียลไทม์ ที่ค่าแนวโน้มของกรัม ดังนั้น การปรับดาวเทียมข้อมูลได้มาขึ้นอยู่กับคุณค่าทางประวัติศาสตร์ของ G และ S มากกว่าระยะเวลาเดียวกันของเวลา ( เช่น มกราคม กุมภาพันธ์ ) บัญชีสำหรับฤดูกาล รูปที่ 2 แสดงตัวอย่างของอนุกรมเวลาgpcp ( เส้นสีฟ้า ) , ข้อมูลดาวเทียม ( ที่นี่ persiann ) ก่อนการแก้ไข ( เส้นประสีแดง ) , และข้อมูลดาวเทียมหลังแบบเบส์การแก้ไข ( เส้นสีเขียว ) 2 ตำแหน่ง หนึ่งสามารถดูที่ความแตกต่างระหว่าง gpcp และข้อมูลดาวเทียมสังเกตลดหลังจากการแก้ไขแบบเบส์ขั้นตอนวิธี