一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法

摘要

一种基于模拟亮温的MWHTS和MWTS‑II融合反演海面气压方法，该方法包括分别建立大气数据集与MWHTS的观测亮温和MWTS‑II的观测亮温的匹配数据集；基于匹配数据集构造人工大气数据集，并输入到辐射传输模型RTTOV计算MWHTS和MWTS‑II的模拟亮温，测试MWHTS和MWTS‑II对海面气压的灵敏性；建立MWHTS和MWTS‑II融合反演海面气压的反演通道组合，把反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，获得MWHTS和MWTS‑II融合反演海面气压的反演模型；利用反演通道组合的观测亮温预测反演通道组合的模拟亮温，输入到MWHTS和MWTS‑II融合反演海面气压的反演模型，反演海面气压。本方法可利用较少通道的观测亮温实现海面气压的探测，且较单一探测仪器具有较高的探测精度，操作简单易行。

说明书

技术领域

本发明属于微波遥感技术领域，具体说的是一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法。

背景技术

海面气压作为大气动力学中的重要参数，在数值天气预报、气候变化研究以及热带气旋路径预测和强度分析等应用中发挥了重要作用。海面气压与大气温度和湿度等参数具有较强相关性，因此它也是影响其它大气参数探测精度的重要因素。高精度海面气压的获取对于地球科学领域中各种应用和科学研究具有重要意义。

星载微波辐射计是实现全球海面气压探测的重要手段，其探测通道设置在60GHz氧气吸收带或者118GHz氧气吸收线附近均可实现海面气压的探测。风云三号卫星C星和D星上均搭载了微波湿温探测仪（MWHTS）和微波温度计II型（MWTS-II），其中MWHTS温度探测通道（通道2~通道9）设置在118 GHz附近，MWTS-II全部13个通道设置在60 GHz附近。风云三号C星和D星的在轨运行为融合60GHz和118GHz遥感数据反演海面气压提供了可能。多频段遥感数据的融合探测往往比单一频段的遥感数据具有更加丰富的大气参数信息。因此，相比单一的探测仪器，MWHTS和MWTS-II融合反演海面气压有望获得更高的探测精度。

发明内容

为解决上述技术问题，本发明提供一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法，根据辐射传输模型计算的模拟亮温对海面气压的灵敏性，建立MWHTS和MWTS-II反演海面气压的反演通道组合，可利用较少通道的观测亮温实现海面气压的探测，且较单一探测仪器具有较高的探测精度，操作简单易行，同时，可获得与使用全部通道的观测亮温直接反演海面气压相比拟的反演精度。

为实现上述技术目的，所采用的技术方案是： 一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法，包括以下步骤：

步骤一：将建立的大气数据集与MWHTS的观测亮温在时间和空间上进行匹配，建立MWHTS匹配数据集，将建立的大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配，建立MWTS-II匹配数据集；

步骤二：基于MWHTS匹配数据集和MWTS-II匹配数据集，构造对应的人工大气数据集，并输入到辐射传输模型RTTOV，分别计算MWHTS和MWTS-II的模拟亮温，测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性；

步骤三：根据MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性测试结果，建立MWHTS和MWTS-II融合反演海面气压的反演通道组合，把反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，获得MWHTS和MWTS-II融合反演海面气压的反演模型；

步骤四：利用反演通道组合的观测亮温预测反演通道组合的模拟亮温，把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型，反演海面气压。

从气候学数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据。

大气数据集与MWHTS的观测亮温在时间和空间上进行匹配的规则等同于大气数据集与MWHTS-II的观测亮温在时间和空间上进行匹配的规则，匹配规则为时间误差小于0.5h且经纬度误差小于0.1°。

本发明所述的MWHTS匹配数据集由80%的数据组成MWHTS分析数据集和20%的数据组成MWHTS验证数据集组成，MWTS-II匹配数据集由80%的数据组成MWHTS-II分析数据集和20%的数据组成MWHTS-II验证数据集组成。

本发明所述步骤二具体包括，首选构造人工海面气压数据集，令海面气压的起始值为960-995 hPa，按照0.1 hPa的步长增加至1020-1050 hPa，获得N个海面气压数据的人工海面气压数据集，然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度，10 m u风速和10 m v风速，该组大气数据中的这些大气参数分别与人工海面气压数据集中的N个海面气压组成完整的大气数据，获得具有N组大气数据的MWHTS人工大气数据集，即在MWHTS人工大气数据集中的N组大气数据中，除了海面气压不同外，其它大气参数完全相同，按照获得MWHTS人工大气数据集相同的方法可获得MWTS-II人工大气数据集，最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV，其中，MWHTS观测高度角设置为0°，获得MWHTS各通道的模拟亮温，建立MWHTS各通道的模拟亮温随海面气压的变化关系，获得MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果，同样，把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV，其中，MWTS-II观测高度角设置为0°，获得MWTS-II各通道的模拟亮温，建立MWTS-II各通道的模拟亮温随海面气压的变化关系，获得MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果。

本发明所述步骤三具体包括：

首先根据步骤二中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果，选择MWHTS和MWTS-II对海面气压具有灵敏性的通道，建立MWHTS和MWTS-II反演海面气压的反演通道组合；然后，把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV，获得反演通道组合中MWHTS通道的模拟亮温，把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV，获得反演通道组合中MWHTS-II通道的模拟亮温；最后把MWHTS和MWTS-II反演海面气压的反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构，通过调节隐藏层神经元的个数，获得MWHTS和MWTS-II反演海面气压的反演模型。

本发明所述步骤四具体包括：

首先在MWHTS分析数据集中，以反演通道组合中MWHTS通道的观测亮温为输入，以相应的模拟亮温为输出，训练BP神经网络，其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构，通过调节隐藏层神经元个数，获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型，在MWTS-II分析数据集中，以反演通道组合中MWTS-II通道的观测亮温为输入，以相应的模拟亮温为输出，训练BP神经网络，其中BP神经网络选择具有输入层、输出层和隐藏层的三层神经网络结构，通过调节隐藏层神经元个数，获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型；然后，把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配，匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°，建立反演数据集；最后把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型，同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型，获得反演通道组合的模拟亮温的预测值，把反演通道组合的模拟亮温的预测值输入到步骤三中获得的MWHTS和MWTS-II反演海面气压的反演模型，得到海面气压。

本发明有益效果是：本发明从辐射传输模型对海面气压的处理方式的角度出发，利用辐射传输模型计算的模拟亮温测试了MWHTS和MWTS-II各探测通道对海面气压的灵敏性，并建立了MWHTS和MWTS-II融合反演海面气压的反演通道组合。基于BP神经网络建立反演通道组合的模拟亮温反演海面气压的反演模型，利用反演通道组合的观测亮温预测模拟亮温，并输入至反演模型得到海面气压。本发明方法可利用较少通道的观测亮温实现海面气压的探测，且较单一探测仪器具有较高的探测精度，操作简单易行，同时，可获得与使用全部通道的观测亮温直接反演海面气压相比拟的反演精度。

附图说明

图1是本发明的流程图；

图2是本发明实施例1中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果图；

图3是本发明实施例1中MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果图；

图4是本发明实施例1中反演通道组合的观测亮温预测模拟亮温前后，与模拟亮温之间的均方根误差对比图。

具体实施方式

下面结合实例及附图对本发明作进一步的描述，需要说明的是，实施例并不限定本发明要求保护的范围。

微波辐射计可通过测量氧气的垂直柱总吸收，实现海面气压探测的目的。微波辐射计设计在60 GHz氧气吸收带或者118GHz氧气吸收线附近的探测通道，均可测量氧气的垂直柱吸收，即对探测海面气压有贡献。然而，在使用辐射传输模型计算微波辐射计的模拟亮温时发现，只有探测优势位于海面或者接近海面大气层的通道对海面气压有灵敏性，其原因与辐射传输模型对海面气压的处理方式有关。辐射传输模型首先对大气进行分层，然后计算每层大气的辐射贡献，最后累加探测路径上每层大气的辐射贡献，实现微波辐射计模拟亮温的计算，而海面气压仅仅影响最底层的大气分层的辐射贡献。从辐射传输模型对海面气压的处理方式这一角度出发，可利用较少的微波辐射计通道亮温实现海面气压的探测。

一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法。该方法首先分别建立大气数据集与MWHTS的观测亮温和MWTS-II的观测亮温的匹配数据集；其次基于匹配数据集，构造人工大气数据集，并输入到辐射传输模型RTTOV，分别计算MWHTS和MWTS-II的模拟亮温，测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性；然后建立MWHTS和MWTS-II融合反演海面气压的反演通道组合，把反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，获得MWHTS和MWTS-II融合反演海面气压的反演模型；最后利用反演通道组合的观测亮温预测反演通道组合的模拟亮温，把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型，反演海面气压。

一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法，包括以下步骤：

步骤一：将建立的大气数据集与MWHTS的观测亮温在时间和空间上进行匹配，建立MWHTS匹配数据集，将建立的大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配，建立MWTS-II匹配数据集；

步骤二：基于MWHTS匹配数据集和MWTS-II匹配数据集，构造对应的人工大气数据集，并输入到辐射传输模型RTTOV，分别计算MWHTS和MWTS-II的模拟亮温，测试MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性；

步骤三：根据MWHTS和MWTS-II的模拟亮温对海面气压的灵敏性测试结果，建立MWHTS和MWTS-II融合反演海面气压的反演通道组合，把反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，获得MWHTS和MWTS-II融合反演海面气压的反演模型；

步骤四：利用反演通道组合的观测亮温预测反演通道组合的模拟亮温，把反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II融合反演海面气压的反演模型，反演海面气压。

所述步骤一，具体包括：

首先从气候学数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据，组成大气数据集；然后把大气数据集与MWHTS的观测亮温在时间和空间上进行匹配，匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°，建立MWHTS匹配数据集，同时，按照相同的匹配规则，把大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配，建立MWTS-II匹配数据集；最后，在MWHTS匹配数据集中，选择80%的数据组成MWHTS分析数据集，剩下的20%的数据组成MWHTS验证数据集，同样，在MWTS-II匹配数据集中，选择80%的数据组成MWTS-II分析数据集，剩下的20%的数据组成MWTS-II验证数据集。

所述步骤二，具体包括：

首先构造人工海面气压数据集：令海面气压的起始值为960-995 hPa ，按照0.1 hPa的步长增加至1020-1050 hPa，最优选择1040 hPa，选获得具有N个海面气压数据的人工海面气压数据集，N≥550，当选择980 hPa，按照0.1 hPa的步长增加至1040 hPa，选获得具有601个海面气压数据的人工海面气压数据集，；然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度，10 m u风速和10 m v风速，该组大气数据中的这些大气参数分别与人工海面气压数据集中的N个海面气压组成完整的大气数据，获得具有N组大气数据的MWHTS人工大气数据集，即在MWHTS人工大气数据集中的N组大气数据中，除了海面气压不同外，其它大气参数完全相同，按照以上相同的方法可获得MWTS-II人工大气数据集；最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV，其中，MWHTS观测高度角设置为0°，获得MWHTS各通道的模拟亮温，建立MWHTS各通道的模拟亮温随海面气压的变化关系，获得MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果，同样，把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV，其中，MWTS-II观测高度角设置为0°，获得MWTS-II各通道的模拟亮温，建立MWTS-II各通道的模拟亮温随海面气压的变化关系，获得MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果。

所述步骤三，具体包括：

首先根据步骤二中MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果，选择MWHTS和MWTS-II对海面气压具有灵敏性的通道，建立MWHTS和MWTS-II反演海面气压的反演通道组合；然后，把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV，其中，MWHTS观测高度角设置为MWHTS实际观测亮温中的真实观测角，获得反演通道组合中MWHTS通道的模拟亮温，把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV，其中，MWTS-II观测高度角设置为MWTS-II实际观测亮温中的真实观测角，获得反演通道组合中MWTS-II通道的模拟亮温；最后把反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，其中BP神经网络选择三层神经网络结构（一个输入层，一个输出层和一个隐藏层），通过调节隐藏层神经元的个数，使所训练的BP神经网络的性能最佳，即获得MWHTS和MWTS-II反演海面气压的反演模型。

所述步骤四，具体包括：

首先在MWHTS分析数据集中，以反演通道组合中MWHTS通道的观测亮温为输入，以相应的模拟亮温为输出，训练BP神经网络，其中BP神经网络选择三层神经网络结构（一个输入层，一个输出层和一个隐藏层），通过调节隐藏层神经元个数，使所训练的BP神经网络的性能最佳，即获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型，在MWTS-II分析数据集中，以反演通道组合中MWTS-II通道的观测亮温为输入，以相应的模拟亮温为输出，训练BP神经网络，其中BP神经网络选择三层神经网络结构（一个输入层，一个输出层和一个隐藏层），通过调节隐藏层神经元个数，使所训练的BP神经网络的性能最佳，即获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型；然后，把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配，匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°，建立反演数据集；最后把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型，同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型，获得反演通道组合的模拟亮温的预测值，把反演通道组合的模拟亮温的预测值输入到步骤三中获得的MWHTS和MWTS-II反演海面气压的反演模型，得到海面气压。

实施例1

选择使用的气候学数据集是欧洲中期天气预报中心（ECMWF）Interim再分析数据集。首先从ECMWF Interim再分析数据集中选择温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、海面气压、表皮温度、10 m u风速和10 m v风速作为一组大气数据，组成大气数据集，其中，时间范围为2018年9月至2019年8月，地理范围为（25°N—45°N，160°E—220°E），数据分辨率为0.5°×0.5°，廓线数据对应的压强层为从地面（1000 hPa）到高空（1 hPa）的37层网格分层；然后把大气数据集与MWHTS的观测亮温在时间和空间上进行匹配，匹配规则是时间误差小于0.5 h且经纬度误差小于0.1°，建立MWHTS匹配数据集，共计1060162组数据，同时，按照相同的匹配规则，把大气数据集与MWTS-II的观测亮温在时间和空间上进行匹配，建立MWTS-II匹配数据集，共计523227组数据；最后，在MWHTS匹配数据集中，选择80%的数据组成MWHTS分析数据集（848129组数据），剩下的20%的数据组成MWHTS验证数据集（212033组数据），同样，在MWTS-II匹配数据集中，选择80%的数据组成MWTS-II分析数据集（418581组数据），剩下的20%的数据组成MWTS-II验证数据集（104646组数据）。

构造人工海面气压数据集：令海面气压的起始值为980 hPa，按照0.1 hPa的步长增加至1040 hPa，获得具有601个海面气压数据的人工海面气压数据集；然后在MWHTS分析数据集中随机选择一组大气数据中的温度廓线、湿度廓线、云水廓线、2 m温度、2 m湿度、表皮温度、10 m u风速和10 m v风速，该组大气数据中的这些大气参数分别与人工海面气压数据集中的601个海面气压组成完整的大气数据，获得具有601组大气数据的MWHTS人工大气数据集，即在MWHTS人工大气数据集中的601组大气数据中，除了海面气压不同外，其它大气参数完全相同，按照以上相同的方法可获得MWTS-II人工大气数据集；最后把MWHTS人工大气数据集中的大气数据输入到辐射传输模型RTTOV，其中，MWHTS观测高度角设置为0°，获得MWHTS各通道的模拟亮温，建立MWHTS各通道的模拟亮温随海面气压的变化关系，得到MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果，同样，把MWTS-II人工大气数据集中的大气数据输入到辐射传输模型RTTOV，其中，MWTS-II观测高度角设置为0°，获得MWTS-II各通道的模拟亮温，建立MWTS-II各通道的模拟亮温随海面气压的变化关系，得到MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果。MWHTS各通道的模拟亮温和MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果分别如图2和图3所示。用MWHTS-n，n=1,2,3…,15表示MWHTS各个通道；用MWTS-II-n，n=1,2,3…,13表示MWTS-II各个通道。从图2中可以看出，MWHTS-1，MWHTS-6，MWHTS-7，MWHTS-8，MWHTS-9和MWHTS-10的模拟亮温随海面气压的增大而增大，呈现明显的线性关系，因此MWHTS的模拟亮温对海面气压灵敏的通道为MWHTS-1，MWHTS-6，MWHTS-7，MWHTS-8，MWHTS-9和MWHTS-10；从图3中可以看出，MWTS-II-1，MWTS-II-2，MWTS-II-3和MWTS-II-4的模拟亮温随海面气压的增大而增大，呈现明显的线性关系，因此MWTS-II的模拟亮温对海面气压灵敏的通道为MWTS-II-1，MWTS-II-2，MWTS-II-3和MWTS-II-4。

根据MWHTS各通道的模拟亮温对海面气压的灵敏性测试结果以及MWTS-II各通道的模拟亮温对海面气压的灵敏性测试结果，选择MWHTS和MWTS-II对海面气压具有灵敏性的通道，建立MWHTS和MWTS-II反演海面气压的反演通道组合为：MWHTS-1，MWHTS-6，MWHTS-7，MWHTS-8，MWHTS-9，MWHTS-10，MWTS-II-1，MWTS-II-2，MWTS-II-3和MWTS-II-4，共计10个通道；把MWHTS分析数据集中的大气数据和MWHTS观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV，获得反演通道组合中MWHTS通道的模拟亮温，把MWTS-II分析数据集中的大气数据和MWTS-II观测亮温所对应的实际观测高度角输入到辐射传输模型RTTOV，获得反演通道组合中MWHTS-II通道的模拟亮温；把反演通道组合的模拟亮温作为输入，把相应的海面气压作为输出，训练BP神经网络，其中BP神经网络选择三层神经网络结构（一个输入层，一个输出层和一个隐藏层），当调节隐藏层神经元的个数为23时，代表所训练的BP神经网络性能的均方差最小，为12.63，即获得MWHTS和MWTS-II反演海面气压的反演模型。

在MWHTS分析数据集中，以反演通道组合中MWHTS通道的观测亮温为输入，以相应的模拟亮温为输出，训练BP神经网络，其中BP神经网络选择三层神经网络结构（一个输入层，一个输出层和一个隐藏层），当调节隐藏层神经元个数为5时，代表所训练的BP神经网络性能的均方差最小，为10.74，即获得MWHTS观测亮温预测模拟亮温的MWHTS模拟亮温预测模型；在MWTS-II分析数据集中，以反演通道组合中MWTS-II通道的观测亮温为输入，以相应的模拟亮温为输出，训练BP神经网络，其中BP神经网络选择三层神经网络结构（一个输入层，一个输出层和一个隐藏层），当调节隐藏层神经元个数为9时，代表所训练的BP神经网络性能的均方差最小，为6.80，即获得MWTS-II观测亮温预测模拟亮温的MWTS-II模拟亮温预测模型；把MWHTS验证数据集和MWTS-II验证数据集进行数据匹配，匹配规则是MWHTS观测亮温和MWTS-II观测亮温之间的时间误差小于0.2 s且经纬度误差小于0.01°，建立反演数据集，共计78433组数据；把反演数据集中反演通道组合中MWHTS通道的观测亮温输入MWHTS模拟亮温预测模型，同时把反演数据集中反演通道组合中MWTS-II通道的观测亮温输入MWTS-II模拟亮温预测模型，获得反演通道组合的模拟亮温的预测值。在反演数据集中，计算反演通道组合的观测亮温预测前，其与模拟亮温之间的均方根误差，即观测亮温与模拟亮温之间的均方根误差；同时，计算反演通道组合的观测亮温预测后，其与模拟亮温之间的均方根误差，即模拟亮温预测值与模拟亮温之间的均方根误差；那么观测亮温预测前后，与模拟亮温之间的均方根误差对比，如图4所示。其中，反演通道组合：MWHTS-1，MWHTS-6，MWHTS-7，MWHTS-8，MWHTS-9，MWHTS-10，MWTS-II-1，MWTS-II-2，MWTS-II-3和MWTS-II-4，分别用通道序号1-10表示。从图中可以看出，对于反演通道组合来说，相比于观测亮温与模拟亮温之间的均方根误差，观测亮温对模拟亮温的预测值与模拟亮温之间的均方根误差显著减小，观测亮温对模拟亮温的预测值更加接近模拟亮温。

把反演数据集中反演通道组合的模拟亮温的预测值输入到MWHTS和MWTS-II反演海面气压的反演模型，得到海面气压的反演值（78433组），计算海面气压的反演值与反演数据集中的海面气压的真实值之间的均方根误差，即本发明方法反演海面气压的精度，为3.58 hPa。

为了与本发明方法反演海面气压的精度进行对比，反演通道组合中MWHTS的通道：MWHTS-1，MWHTS-6，MWHTS-7，MWHTS-8，MWHTS-9，MWHTS-10，为MWHTS反演通道组合；反演通道组合中MWTS-II的通道：MWTS-II-1，MWTS-II-2，MWTS-II-3，MWTS-II-4，为MWTS-II反演通道组合。按照相同的方法，使用MWHTS分析数据集中MWHTS反演通道组合的模拟亮温训练三层BP神经网络，可获得MWHTS反演海面气压的反演模型，同样，按照相同的方法也可获得MWTS-II反演海面气压的反演模型。把反演数据集中MWHTS反演通道组合的模拟亮温的预测值输入MWHTS反演海面气压的反演模型，把MWTS-II反演通道组合的模拟亮温预测值输入MWTS-II反演海面气压的反演模型，分别获得各自的海面气压反演值，然后分别计算与反演数据集中的海面气压真实值之间的均方根误差，获得各自的反演精度为4.83 hPa和4.32 hPa。可见一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法较单一探测仪器，可获得较高的海面气压反演精度。

本发明方法反演的海面精度为了与使用全部通道的观测亮温直接反演海面气压的精度进行对比，在本发明方法中的反演数据集中，随机选择80%的数据作为反演训练数据集，剩下的20%作为反演验证数据集；在反演训练数据集中，把MWHTS全部通道和MWTS-II全部通道，即共计28个通道的观测亮温一起作为输入，相对应的海面气压作为输出，训练三层BP神经网络，获得观测亮温反演海面气压的反演模型；然后把反演验证数据集中MWHTS全部通道和MWTS-II全部通道的观测亮温输入观测亮温反演海面气压模型，获得MWHTS全部通道和MWTS-II全部通道的观测亮温反演的海面气压，计算其反演精度为3.72 hPa。可见一种基于模拟亮温的MWHTS和MWTS-II融合反演海面气压方法可使用较少通道的模拟亮温获得与观测亮温反演海面气压相比拟的反演精度。