一种基于秒探空资料的微波辐射计温湿度反演算法

摘要

本发明公开了一种基于秒探空资料的微波辐射计温湿度反演算法，本方法以历史秒探空气象观测数据、地面气象观测和微波辐射计各通道亮温数据构建基于BPNN神经网络算法，此算法以实时地面气象观测数据和实时微波辐射计各通道亮温数据为输入量，反演计算实时大气温度和湿度的垂直分布，其主要包括以下步骤：秒探空数据有效数据选取、秒探空数据平均值和极值计算、微波辐射计各通道辐射亮温数据极值计算、数据归一化、基于BPNN神经网络的反演计算、真实温湿度值的反算等步骤。本发明具有非常高的时间和空间分辨率，在保证了足够准确度的情况下，具有较高的计算效率。

说明书

技术领域

本发明属于大气科学技术中的大气探测和数据反演领域，更具体地说，涉及一种基于秒时间分辨率探空的微波辐射计的温度和湿度的反演算法。

背景技术

温度、湿度廓线是反映大气热力、水汽结构性质的重要参量，对于分析天气过程和做好短临预报具有重要意义，目前气象业务上常规探空资料虽然具有较好的代表性，数据可信度高，但是由于每天仅有08,20点两个观测时次，且分布密度低，因此其时空分辨率都不能满足气象事业发展需求。地基微波辐射计通过接收大气辐射信号来遥感大气信息，通过观测的亮温反演出大气温度、湿度廓线，具有高时间和垂直分辨率的优点。在气象业务使用和相关科学研究中不难发现微波辐射计厂家自带的反演算法得到的温、湿度数据与实际探空相比，往往存在一定的偏差，其中既有系统性偏差，也有不同天气类型尤其是云量较多和降水情况下，数据失真的问题，经过业务系统长期研究发现，湿度的偏差较温度偏差更为显著。

在这种背景下，多种微波辐射计反演算法相继被提出，包括一维变分方法，多元线性回归算法以及神经网络算法等。神经网络算法在解决温湿廓线反演的非线性问题中优势显著。神经网络算法中，BPNN即误差反向传播BP网络模型算法在遥感领域应用较为广泛，目前已有的微波辐射计BP反演算法，主要采用微波辐射计观测亮温(或辐射传输模式模拟亮温）和探空资料训练神经网络,BPNN训练完成后可以直接反演得到温度、湿度廓线。但是该技术目前存在着如下的确定：（1）对BPNN算法选择哪些参数作为输入元有待确定；（2）微波辐射计的探测高度和分辨率与常规气象探空的数据分辨率不同，目前的主流方法是选取探空资料在标准层上（气压层）上温度、湿度插值到微波辐射计的观测层上，这是一个从粗分辨率数据向细分辨率插值的过程，本身会带来一定误差，使得神经网络样本训练效果受到一定影响；（3）BPNN的算法中隐藏层选取层数的问题，当隐藏层过少时会导致欠拟合，而隐藏层数过多则会导致过拟合。

发明内容

针对现有技术存在的问题，本发明提供了一种基于秒探空资料的微波辐射计温湿度反演算法，本发明具有非常高的时间和空间分辨率，在保证了足够准确度的情况下，具有较高的计算效率。

为解决上述技术问题，本发明采用了以下技术方案：一种基于秒探空资料的微波辐射计温湿度反演算法，包括以下步骤：

步骤S1,秒探空有效数据的选取

将满足探空气球所在位置天顶角α小于微波辐射计观测天顶角

步骤S2,秒探空数据的平均值和极值计算

首先，读取获得微波辐射计LEVLE11数据中微波辐射计的观测高度

然后，将步骤S1采集的有效数据对应形成微波辐射计观测高度

接着，计算得到观测高度

同时，观测采集地面气温

步骤S3，微波辐射计各通道辐射亮温数据极值计算

对微波辐射计第j个通道观测到的辐射亮温分别计算得到其逐月的平均值

步骤S4，数据归一化处理：

对步骤S2得到观测高度

同时对步骤S3所述微波辐射计第j个通道观测到的辐射亮温的平均值

步骤S5，基于BPNN神经网络的反演

（1）采用BPNN神经网络模型反演算法，将步骤S4数据归一化后的数据作为训练数 据集输入输入层A，输入归一化的物理量为

（2）采用包含16个神经元的单层隐藏层，经过神经网络输出层输出预测值，即得到 观测高度

（3）将反演结果与秒探空观测数据进行比较，当误差超过预先设定值时，通过误差加权导数公式对各神经元权重值进行调整，并重复上述步骤，直到误差达到预先设定值，停止计算，确定神经网络中各神经元的权重值，完成神经网络模型构建；

步骤S6,真实温湿度值的反算

基于步骤S5构建的神经网络模型，实时读入地面气温

进一步的，步骤S5的具体过程如下：

首先，对BPNN神经网络模型进行初始化，为每个权重分配一个随机数；

然后，以步骤S4数据归一化后的数据作为训练数据集对模型进训练，得到观测高 度

接着，将输出的预测值与秒探空观测数据进行比较，当误差超过预先设定值时，通过误差加权导数公式对各神经元权重值进行调整，并重复上述步骤，直到误差达到预先设定值，停止计算，确定神经网络中各神经元的权重值，完成神经网络模型构建。

进一步的，步骤S4中，地面气温

式中，

步骤S4中，微波辐射计第j通道上观测的辐射亮温通过式（4）进行归一化处理，

式中，

步骤S4中，观测高度下秒探空观测的平均大气温度和平均相对湿度

式中，

有益效果：相对于现有技术，本发明具有非常高的时间和空间分辨率，在保证了足够准确度的情况下，具有较高的计算效率。

附图说明

图1为本发明所述基于秒探空资料的微波辐射计温湿度反演算法的流程示意图；

图2为本发明实施例正式温湿度反演数值可视化示意图。

图3为本发明所述BPNN神经网络模型的原理示意图。

具体实施方式

下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明公开了一种基于秒时间分辨率探空的微波辐射计的温度和湿度的反演算法，本方法以历史秒探空气象观测数据、地面气象观测和微波辐射计各通道亮温数据构建基于BPNN神经网络算法，此算法以实时地面气象观测数据和实时微波辐射计各通道亮温数据为输入量，反演计算实时大气温度和湿度的垂直分布，其主要包括以下步骤：秒探空数据有效数据选取、秒探空数据平均值和极值计算、微波辐射计各通道辐射亮温数据极值计算、数据归一化、基于BPNN神经网络的反演计算、真实温湿度值的反算6个步骤。以下以南京市2021年4月-6月的观测数据进行说明。

秒探空数据有效数据选取

针对一组秒分辨率的探空资料，根据筛选其可用温湿度观测和高度位置观测如表1和表2所示。

表1 秒探空气象要素观测记录

表2 秒探空中每秒球坐标数据

2 计算后的平均值

根据秒探空的高度计算出对应高度层上的气温、气压和相对湿度值：

表3 对应高度气温、气压和相对湿度

3.计算历史极值

根据历史资料计算的温度、气压、相对湿度的历史极值：

表4 计算后的某月地面气象要素极值

表5 计算后的某月微波辐射计观测高度上的气温地面极值

表6 微波辐射计各通道Level1辐射亮温极值

4.生成BPNN神经网络输入值

利用以上计算的极值对地面气温、气压和相对湿度以及各通道的亮温观测进行数据归一化作为BPNN神经网络的数据输入值（参考表7）。

表7为BPNN神经网络模型各通道辐射亮温数据输入值

真实温湿度值的反算

利用神经网络计算结果反算出真实值（表7），并进行可视化，如图3所示。

表8 最终计算得到的各高度层的气温和相对湿度

本发明具有以下优点：(1)使用秒探空数据替代传统的气压层数据作为算法训练数据集，并考虑了探空气球随风摇摆超出微波辐射计探测范围的无效数据；我们的算法采用了垂直分辨率更高的秒探空数据，采样周期1.2秒，每分钟采集数据约50次，垂直分辨率在8米左右，具有非常高的时间和空间分辨率，可以反映大气的真实状况。

（2）单层16神经元的BPNN神经网络算法；BPNN神经网络反演结果的优劣容易受其隐藏层影响，隐含结点数较少会导致信息不足，从而影响网络反演精度；而隐含结点数过多则会导致训练时间过长，影响工作效率。经过多次训练和调优后，我们确定了单层16隐藏神经元作为本地化应用最优解。该方法在保证了足够准确度的情况下，具有较高的计算效率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。