利用人工神经网络方法反演晴空时大气温度廓线的研究

摘要

本文是人工神经网络方法应用于高光谱大气红外探测仪AIRS(AtmosphericInfraredSounder)资料反演晴空大气温度参数的一次尝试，并将大气温度廓线反演的人工神经网络算法和特征向量统计算法进行比较。首先使用CIMSS(CooperativeInstituteforMeteorologicalSatelliteStudies，UniversityofWisconsin-Madison)全球晴空反演训练廓线样本集和利用SARTA(Stand-AloneRadiativeFransferAlgorithm)前向模式模拟的AIRS辐射亮温值相对应的数据集来建立人工神经网络模型和确定统计特征向量算法系数。通过实验比较后，选用BP神经网络(BackpropagationNeuralNetwork)、共轭梯度学习算法、批量训练方式，并依照反演结果情况在网络传输中采用了正切、线性两种传递函数和不同的隐节点数目，建立了人工神经网络基于AIRS数据反演的基本模型。反演时对训练样本进行了亮度温度和扫描角分类，计算出66套不同的人工神经网络和统计系数，并利用主成分分析法选取网络适宜的输入矢量。 在进行模拟资料的反演实验后，发现使用人工神经网络反演和特征向量统计法反演的温度廓线与无线电探空温度观测值相比，前者偏差更小，神经网络方法反演的温度廓线在各高度层上均有一定程度的改进，其中在0.01～1hPa改进较大，平均值在2.1K；在1～200hPa改进较小，约为0.36K；在200hPa～近地面层改进值为0.56K。 对实况观测资料进行反演时，人工神经网络算法反演误差在200～300hPa上小于1K，较特征向量方法在1～10hPa平均改进0.67K，近地面层精度有所提高。但从整个高度层上来看精度改进效果不明显，最后对原因进行了初步分析。

目录

文摘

英文文摘

声明

第一章前言

1.1研究目的和意义

1.2国内外研究进展

1.3本文主要研究内容

第二章卫星遥感大气原理

2.1气象卫星的主要特点

2.2需求推动卫星大气探测技术的发展

2.3星载大气探测仪器的发展概况

2.3.1美国极轨气象卫星-TIROS/NOAA系列

2.3.2美国静止气象卫星-GOES系列

2.3.3高光谱分辨率大气探测仪器的发展

2.3.4我国大气垂直探测仪器的发展概况

2.4卫星遥感大气的基本原理

2.4.1大气光谱

2.4.2大气辐射传输方程

2.5大气探测的一些实际问题

第三章高光谱红外探测器AIRS及其业务产品简介

3.1 AIRS仪器

3.2 AIRS业务产品

3.2.1产品数据集

3.2.2数据集质量

第四章晴空时大气温度廓线反演的特征向量统计方法

4.1 AIRS云检测

4.2亮温分类

4.3扫描角分类

4.4特征向量统计法

第五章反演大气温度廓线的人工神经网络方法

5.1人工神经网络的特性

5.2温度廓线反演中神经网络模型的设计

5.2.1网络类型的选取

5.2.2 BP网络算法原理

5.2.3网络性能调试

第六章上述两种反演算法的比较

6.1两种反演算法反演能力的模拟检验

6.1.1训练样本

6.1.2反演结果及分析

6.2实况AIRS观测资料反演对比

第七章总结与展望

7.1全文总结

7.2展望

参考文献

致 谢