多通道毫米波辐射计温湿廓线反演系统及其反演方法

摘要

本发明属于历史探空数据的智能学习以及学习结果标校技术领域，特别涉及一种多通道毫米波辐射计温湿廓线反演系统及其反演方法。本发明包括数据输入模块、配置文件选择输入模块、反演准备模块以及廓线反演模块，本发明首先对大量的历史气象探空数据进行神经网络训练，对训练的结果进行输出分析，神经网络训练的结果作为反演大气温湿廓线数据的基准，本发明通过神经网络的反演实时输出多层的温度、湿度廓线数据，并将反演的结果通过网络发送至终端显示监控系统，并将分析结果呈现给用户，从而提高相关气象部门对温度、湿度应用管理的能力，为气候研究、天气预报、气象保障工作提供了有力的保障。

说明书

技术领域

本发明属于历史探空数据的智能学习以及学习结果标校技术领域，特别涉及一种多通道毫米波辐射计温湿廓线反演系统及其反演方法。

背景技术

大气的温度、湿度廓线是描述大气热力状态的基本参数，实时探测到大气的温度、湿度状态及其变化，对于气候研究、天气预报、气象保障工作提供了必要的依据。由于卫星传感器探测到的能量是来自某一厚度层大气的辐射，反演的垂直层的温度和湿度分辨率精度比较低，使得卫星传感器探测大气得到的数据在使用的过程中具有较大的局限性。微波辐射计依据操作便捷、无人值守、高分辨率、高探测精度等优点，成为获取大气的温度、湿度廓线的有力工具，微波辐射计应用的范围也越来越广。

现有的微波辐射计温湿廓线反演系统用于反演大气温度、湿度廓线的算法主要有迭代法、优化估计、Bayesian最大概率法、一维变分同化反演、回归法，不同的反演技术具有不同的特点。迭代法算法简单，但所需计算时间长；优化估计、Bayesian最大概率法、一维变分同化反演则需要估计先验廓线，并从中估计协方差，因此数据处理效率低；回归算法则需要一组初始数据，算法复杂。传统的微波辐射计温湿廓线反演系统无法实现对温度、湿度的有效管理，因此，亟需提出一种数据处理效率高、能够对温度、湿度进行有效管理的多通道毫米波辐射计温湿廓线反演系统。

发明内容

本发明为了克服上述现有技术的不足，提供了一种多通道毫米波辐射计温湿廓线反演系统，本发明的数据处理效率高、能够对温度、湿度进行有效管理，为气候研究、天气预报、气象保障工作提供了有力的保障。

为实现上述目的，本发明采用了以下技术措施：

一种多通道毫米波辐射计温湿廓线反演系统包括数据输入模块、配置文件选择输入模块、反演准备模块以及廓线反演模块，其中，

数据输入模块，用于向配置文件选择输入模块输入待反演产品的类型，以及用于接收实时探测数据，并将所述实时探测数据输入至反演准备模块；

配置文件选择输入模块，用于根据待反演产品的类型，选择待反演产品需要的配置文件；

反演准备模块，用于接收来自配置文件选择输入模块的待反演产品需要的配置文件，利用待反演产品需要的配置文件对实时探测数据进行归一化处理，得到归一化后的实时探测数据；

廓线反演模块，用于接收来自反演准备模块的待反演产品需要的配置文件和归一化后的实时探测数据，并对所述待反演产品需要的配置文件和归一化后的实时探测数据进行矩阵运算，得到不同高度层的结果数据。

优选的，所述待反演产品的类型包括对流层温度廓线、对流层湿度廓线、平流层温度廓线。

本发明还提供了一种多通道毫米波辐射计温湿廓线反演系统的反演方法，包括以下步骤：

S1、利用历史气象探空数据得到配置文件；

S2、数据输入模块向配置文件选择输入模块输入待反演产品的类型，并将实时探测数据输入至反演准备模块，所述实时探测数据包括地表温度、湿度、压强、信号处理系统输出的通道亮温数据；

S3、所述配置文件选择输入模块根据待反演产品的类型，选择待反演产品需要的配置文件，并将待反演产品需要的配置文件输出至反演准备模块；

S4、所述反演准备模块利用待反演产品需要的配置文件对实时探测数据进行归一化处理，得到归一化后的实时探测数据，并将待反演产品需要的配置文件和归一化后的实时探测数据送入廓线反演模块；

S5、所述廓线反演模块对所述待反演产品需要的配置文件和归一化后的实时探测数据进行矩阵运算，得到不同高度层的结果数据，将结果数据通过网络发送至终端显示监控系统，并实时呈现给用户。

优选的，步骤S1的具体操作步骤包括：

S11、利用历史气象探空数据中的地表温度、地表湿度、地表压强、毫米波辐射计的各通道的亮温数据作为输入层的数据；输入层到输出层变换的数据作为隐含层的数据；以100m为采样间隔，高度为0km到36km的温度数据和湿度数据作为输出层的数据，即0m，100m，200m，……，36000m共361个高度上所对应的温度数据和湿度数据作为输出层的数据；利用输入层到隐含层的权值矩阵和偏置矩阵对所述输入层的数据进行矩阵运算，得到隐含层的实验结果数据，利用隐含层到输出层的权值矩阵和偏置矩阵对所述隐含层的实验结果数据进行矩阵运算，得到输出层的实验结果数据；

S12、将0m，100m，200m，……，36000m高度上所对应的温度数据和湿度数据作为真实值，所述真实值减去步骤S11中的实验结果数据得到神经网络输出误差，把每一个高度层的对应的神经网络输出误差作为对角线元素，其它元素为零，得到神经网络输出误差权值矩阵；

S13、将输入层到隐含层的权值矩阵和偏置矩阵均乘以步骤S12中的神经网络输出误差权值矩阵，得到更新后的输入层到隐含层的权值矩阵和偏置矩阵；将隐含层到输出层的权值矩阵和偏置矩阵均乘以步骤S12中的神经网络输出误差权值矩阵，得到更新后的隐含层到输出层的权值矩阵和偏置矩阵，循环S11～S13步骤，直到步骤S12中神经网络输出误差权值矩阵的二范数小于0.01，进行步骤S14操作；

S14、利用步骤S13最终得到的更新后的输入层到隐含层的权值矩阵和偏置矩阵，更新后的隐含层到输出层的权值矩阵和偏置矩阵作为利用历史气象探空数据采用神经网络算法训练得到的配置文件。

本发明的有益效果在于：

1)、本发明包括数据输入模块、配置文件选择输入模块、反演准备模块以及廓线反演模块，本发明首先对大量的历史气象探空数据进行神经网络训练，对训练的结果进行输出分析，神经网络训练的结果作为反演大气温湿廓线数据的基准，本发明通过神经网络的反演实时输出多层的温度、湿度廓线数据，并将反演的结果通过网络发送至终端显示监控系统，并将分析结果呈现给用户，从而提高相关气象部门对温度、湿度应用管理的能力，为气候研究、天气预报、气象保障工作提供了有力的保障。

2)、本发明大大提高了神经网络训练的精度，而且所有的数据处理过程都是并行的，极大地提高了数据处理的效率，使用户执行操作时能最快的获得分析的结果。

附图说明

图1为本发明的反演系统的架构图；

图2为本发明的神经网络训练方法流程图；

图3为本发明的对流层温度廓线对比图；

图4为本发明的对流层温度廓线误差图；

图5为本发明的对流层湿度廓线对比图；

图6为本发明的对流层湿度廓线误差图。

10—数据输入模块 20—配置文件选择输入模块

30—反演准备模块 40—廓线反演模块

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种多通道毫米波辐射计温湿廓线反演系统包括数据输入模块10、配置文件选择输入模块20、反演准备模块30以及廓线反演模块40，首先用户向数据输入模块10里选择待反演产品的类型，所述数据输入模块10用于向配置文件选择输入模块20输入待反演产品的类型，以及用于接收实时探测数据，并将所述实时探测数据输入至反演准备模块30；配置文件选择输入模块20用于根据待反演产品的类型，选择待反演产品需要的配置文件；反演准备模块30用于接收来自配置文件选择输入模块20的待反演产品需要的配置文件，利用待反演产品需要的配置文件对实时探测数据进行归一化处理，得到归一化后的实时探测数据；廓线反演模块40用于接收来自反演准备模块30的待反演产品需要的配置文件和归一化后的实时探测数据，并对所述待反演产品需要的配置文件和归一化后的实时探测数据进行矩阵运算，得到不同高度层的结果数据。

每一个待反演产品都有相对应的配置文件，即每一个待反演产品的类型对应一个待反演产品需要的配置文件。根据待反演产品的类型，选择待反演产品需要的配置文件。

所述待反演产品的类型包括对流层温度廓线、对流层湿度廓线、平流层温度廓线。

一种多通道毫米波辐射计温湿廓线反演系统的反演方法，包括以下步骤：

S1、利用历史气象探空数据得到配置文件；

S2、数据输入模块10向配置文件选择输入模块20输入待反演产品的类型，并将实时探测数据输入至反演准备模块30，所述实时探测数据包括地表温度、湿度、压强、信号处理系统输出的通道亮温数据；

S3、所述配置文件选择输入模块20根据待反演产品的类型，选择待反演产品需要的配置文件，并将待反演产品需要的配置文件输出至反演准备模块30；

S4、所述反演准备模块30利用待反演产品需要的配置文件对实时探测数据进行归一化处理，得到归一化后的实时探测数据，并将待反演产品需要的配置文件和归一化后的实时探测数据送入廓线反演模块40；

配置文件选择输入模块20需要对历史气象探空数据中每类数据查找最大值和最小值，进而对该类数据进行归一化得到训练准备的数据，例如对历史气象探空数据中地表温度进行归一化处理。地表温度为T₁，T₂，...，T_N的N个样本，通过查找地表温度的最大值T_max，地表温度的最小值T_min，根据归一化方程，对N个地表温度样本进行归一化处理，得到归一化后历史气象探空数据的地表温度。反演准备模块30中实时探测的地表温度T可根据待反演产品的配置文件中地表温度的归一化参数T_max、T_min进行归一化处理，利用得到归一化后实时探测的地表温度。

S5、所述廓线反演模块40对所述待反演产品需要的配置文件和归一化后的实时探测数据进行矩阵运算，得到不同高度层的结果数据，将结果数据通过网络发送至终端显示监控系统，并实时呈现给用户。

例如，归一化后的实时探测数据构成矩阵A，输入到输出的转化矩阵为B，输入到输出的补偿矩阵为b，利用矩阵运算C＝A*B+b得到输出的数据构成矩阵C。

如图2所示，用户向本反演系统里选择待反演产品的类型，如果输入待反演产品的类型为对流层温度廓线、平流层温度廓线则需要利用K波段的数据来训练，如果输入待反演产品的类型为对流层湿度廓线则需要利用V波段的数据来训练。

利用历史气象探空数据得到配置文件的具体操作步骤为：

S11、利用历史气象探空数据中的地表温度、地表湿度、地表压强、毫米波辐射计的各通道的亮温数据作为输入层的数据；输入层到输出层变换的数据作为隐含层的数据；以100m为采样间隔，高度为0km到36km的温度数据和湿度数据作为输出层的数据，即0m，100m，200m，……，36000m共361个高度上所对应的温度数据和湿度数据作为输出层的数据；利用输入层到隐含层的权值矩阵和偏置矩阵对所述输入层的数据进行矩阵运算，得到隐含层的实验结果数据，利用隐含层到输出层的权值矩阵和偏置矩阵对所述隐含层的实验结果数据进行矩阵运算，得到输出层的实验结果数据；

S12、将0m，100m，200m，……，36000m高度上所对应的温度数据和湿度数据作为真实值，所述真实值减去步骤S11中的实验结果数据得到神经网络输出误差，把每一个高度层的对应的神经网络输出误差作为对角线元素，其它元素为零，得到神经网络输出误差权值矩阵；

S13、将输入层到隐含层的权值矩阵和偏置矩阵均乘以步骤S12中的神经网络输出误差权值矩阵，得到更新后的输入层到隐含层的权值矩阵和偏置矩阵；将隐含层到输出层的权值矩阵和偏置矩阵均乘以步骤S12中的神经网络输出误差权值矩阵，得到更新后的隐含层到输出层的权值矩阵和偏置矩阵，循环S11～S13步骤，直到步骤S12中神经网络输出误差权值矩阵的二范数小于0.01，进行步骤S14操作；

S14、利用步骤S13最终得到的更新后的输入层到隐含层的权值矩阵和偏置矩阵，更新后的隐含层到输出层的权值矩阵和偏置矩阵作为利用历史气象探空数据采用神经网络算法训练得到的配置文件。

同时，本发明建立了一套用于反演大气温度、湿度廓线的平台，实现在平台下进行神经网络算法的优化参数设置，中间层数设置，温度、湿度廓线产品反演的选择，便于研发人员针对不同的探空数据，选择不同的优化参数，保障平台的普适性，用于反演大气温度、湿度廓线的平台包括：

参数设置模块，神经网络输入数据选择下拉框，反演产品的选择框，神经网络中间层数设置框，迭代次数设置框，变步长选择框、自适应学习率选择框、自适应的梯度选择框，输出神经网络训练精度框，神经网络训练结果文件输出路径选择框。

处理模块，采用打乱训练数据的方法对历史探空数据进行分段训练，在训练过程中依据训练输出的结果与探空数据输出结果比对调整每层的权值矩阵和偏置矩阵。当训练比对的精度小于阈值(0.01)时终止迭代训练。同时该模块负责资源的申请和管理，并负责任务的分块、处理、失败任务警告功能，最终完成训练的执行。

所述处理模块包括：

资源管理模块：申请所需要的训练数据资源，实现对历史探空数据所需的资源的管理，同时保证在并行的条件下资源的合理利用。

计算模块：包括三部分：一是负责将打乱后的数据分段并行预处理计算归一化系数并按照相应的归一化系数进行归一化；二是将归一化之后的数据打乱分段计算权值矩阵和偏置矩阵，通过计算结果与历史探空数据的输出相比调整各层的权值矩阵和偏置矩阵；三是经过迭代收敛后，计算神经网络的训练精度，以便调整优化训练参数，提高网络训练的精度。

如图3所示，利用对流层温度配置文件，通过矩阵运算得到的对流层温度廓线数据，通过实测数据和反演数据相比，误差在可接受的范围内。图4为对流层温度廓线误差，可以看出误差在2.3K以内，为微波辐射计提供对流层温度廓线产品，提供数据精度支撑。

如图5所示，利用对流层湿度配置文件，通过矩阵运算得到的对流层湿度廓线数据，通过实测数据和反演数据相比，误差在可接受的范围内，图6为对流层湿度廓线误差，可以看出误差在0.2克/立方米以内，为微波辐射计提供对流层湿度廓线产品数据，提供数据精度支撑。