地基多通道微波輻射計(jì)大氣廓線反演方法研究

朱 磊 盧建平 雷連發(fā) 張北斗

(1.西安電子工程研究所 西安 710100;2.蘭州大學(xué) 蘭州 730000)

0 引言

大氣溫濕廓線和云中液態(tài)水是描述大氣熱力和動(dòng)力狀態(tài)必不可少的參數(shù)。探測(cè)全球大氣溫度、濕度分布及其變化，對(duì)天氣預(yù)報(bào)和氣象保障工作，特別是數(shù)值天氣預(yù)報(bào)和氣候變化研究具有重要的意義［1］。地基微波輻射計(jì)是一種新型被動(dòng)遙感探測(cè)設(shè)備，相對(duì)于無(wú)線電探空儀等傳統(tǒng)大氣探測(cè)設(shè)備來(lái)說(shuō)，不僅具有高時(shí)間、空間分辨率的特點(diǎn)，而且具有很高的靈敏度和良好的保密性，能夠?qū)崿F(xiàn)全天候?qū)崟r(shí)測(cè)量和無(wú)人值守工作。利用地基微波輻射計(jì)不僅可以反演溫濕廓線、水汽密度廓線、積分水汽含量和云中液水含量等，還可以進(jìn)行電波折射誤差的實(shí)時(shí)高精度修正，獲得精細(xì)的大氣結(jié)構(gòu)觀測(cè)資料，為天氣預(yù)報(bào)、數(shù)值模擬、大氣環(huán)流分析、人工影響天氣等科研業(yè)務(wù)提供重要的觀測(cè)數(shù)據(jù)［2］。國(guó)外研制的地基微波輻射計(jì)與風(fēng)廓線雷達(dá)結(jié)合，已開(kāi)始逐漸替代探空氣球，并與各種天氣雷達(dá)互為補(bǔ)充，連續(xù)不間斷地組網(wǎng)觀測(cè)，為氣候變化研究提供長(zhǎng)期、連續(xù)的觀測(cè)資料。

溫度、相對(duì)濕度、云液態(tài)水廓線的反演問(wèn)題，即為由地基微波輻射計(jì)所測(cè)亮溫值推求溫度、相對(duì)濕度、云液態(tài)水廓線。神經(jīng)網(wǎng)絡(luò)是一個(gè)由大量簡(jiǎn)單的處理單元組成的高度復(fù)雜的大規(guī)模非線性自適應(yīng)系統(tǒng)，可以實(shí)現(xiàn)輸入空間到輸出空間的非線性映射。20世紀(jì)80年代中期以來(lái)，神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究取得了很大的成就，已經(jīng)成功應(yīng)用在大氣參數(shù)剖面反演領(lǐng)域，并取得了很好的結(jié)果［3］。由于從國(guó)外進(jìn)口的微波輻射計(jì)在具體的訓(xùn)練樣本選擇、神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置，以及神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程上都不對(duì)外公布，因此我們必須找到自己的訓(xùn)練方法，以實(shí)現(xiàn)地基多通道微波輻射計(jì)從硬件到反演算法的國(guó)產(chǎn)化。

本文研究了反演溫度、水汽廓線的BP 人工神經(jīng)網(wǎng)絡(luò)，分析了神經(jīng)網(wǎng)絡(luò)的算法設(shè)計(jì)、參數(shù)設(shè)置、訓(xùn)練方法等，并通過(guò)實(shí)驗(yàn)數(shù)據(jù)對(duì)反演結(jié)果及誤差產(chǎn)生原因進(jìn)行了分析比較。

1 人工神經(jīng)網(wǎng)絡(luò)

反演大氣溫度、水汽、云液水廓線的算法有最優(yōu)估計(jì)法［4］、kalman 濾波算法［5-7］、正則算法［8］、貝葉斯(Bayesian)最大概率算法［9］、遺傳算法［10］和神經(jīng)網(wǎng)絡(luò)算法等［11-16］。廣泛的研究表明，在利用輻射計(jì)資料反演溫度、水汽和云液水廓線中，人工神經(jīng)網(wǎng)絡(luò)法優(yōu)于其它方法［17］。

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)由大量簡(jiǎn)單的處理單元組成的高度復(fù)雜的大規(guī)模非線性自適應(yīng)系統(tǒng)，具有良好的學(xué)習(xí)功能。它可以接受用戶提交的樣本集合，依照系統(tǒng)給定的算法，不斷的修正用來(lái)確定系統(tǒng)行為的神經(jīng)元之間連接的強(qiáng)度，并存放于系統(tǒng)中。其中，BP 神經(jīng)網(wǎng)絡(luò)已成為至今影響最大、應(yīng)用最廣泛的網(wǎng)絡(luò)學(xué)習(xí)方法。

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)［18-20］，是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是Rumelhart 和Mccelland 為首的科學(xué)家小組在1986年提出的。BP 神經(jīng)網(wǎng)絡(luò)算法的基本思想是，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐步處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各單元權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過(guò)程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程。此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與分析

2．1 資料選取和樣本構(gòu)建

本文使用的資料包括2012年9月上旬至11月上旬位于國(guó)家氣象局的國(guó)產(chǎn)MWP967KV 型35 通道地基微波輻射計(jì)數(shù)據(jù)資料，以及北京南郊探空站近10年的歷史探空資料。其中，北京南郊探空站在北京時(shí)間早晨8:00 時(shí)和晚間20:00 時(shí)各有一次無(wú)線電探空數(shù)據(jù)，微波輻射計(jì)每3min 輸出一次觀測(cè)數(shù)據(jù)。結(jié)合歷史探空資料，利用MonoRTM［21］模型模擬計(jì)算得到35 通道的模擬亮溫，與地面氣象信息結(jié)合作為網(wǎng)絡(luò)的輸入樣本。將對(duì)應(yīng)探空的溫度、相對(duì)濕度廓線以及云液水廓線等作為網(wǎng)絡(luò)輸出樣本。

2．2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

BP 網(wǎng)絡(luò)可有效的用于復(fù)雜的非線性函數(shù)的逼近，一個(gè)3 層的前饋網(wǎng)絡(luò)能夠?qū)崿F(xiàn)任意精度的連續(xù)函數(shù)映射［22］，本文就選擇使用該網(wǎng)絡(luò)，如圖1所示。

圖1 三層BP 神經(jīng)網(wǎng)絡(luò)示意圖

用于網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集是近10年的探空觀測(cè)資料，在訓(xùn)練中，數(shù)據(jù)存放的順序要進(jìn)行隨機(jī)化處理，以避免輸入數(shù)據(jù)的規(guī)律性。由探空資料得到的溫度、相對(duì)濕度廓線以及云液水廓線范圍是從地面到10 km 高度，廓線中的0 ～500 m 距離段，每50 m分一層，共有11 層;0.5 ～2 km 距離段，每100 m 分一層，共有15 層;2 ～10 km 距離段，每250 m 分一層，共有32 層，因此整個(gè)0 ～10 km 距離段共分為58 層。網(wǎng)絡(luò)有38 個(gè)輸入節(jié)點(diǎn):地表溫度、相對(duì)濕度、壓強(qiáng)和35 個(gè)由MonoRTM 模型模擬的微波輻射計(jì)的通道亮溫，隱含層和輸出層各有58 個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)58 層距離段。神經(jīng)網(wǎng)絡(luò)將輸入、輸出之間的關(guān)系看成是一個(gè)復(fù)雜的非線性關(guān)系，尋找它們之間的對(duì)應(yīng)關(guān)系，使輸入(亮溫以及地面氣象信息)與作為輸出的溫、濕、云液態(tài)水廓線得到最佳匹配，這樣一旦完成訓(xùn)練，就可以直接用于反演溫度、相對(duì)濕度、云液態(tài)水廓線［23］。

為了能夠利用微波輻射計(jì)觀測(cè)到的亮溫資料反演獲得精確溫濕廓線，將數(shù)據(jù)集按月份區(qū)分出來(lái)，會(huì)得到更好的結(jié)果。由于在探空資料中沒(méi)有用于計(jì)算亮溫所需的云液水含量，因此，利用經(jīng)驗(yàn)法獲取云液水廓線，選用95%的相對(duì)濕度作為區(qū)分云的閥值，即相對(duì)濕度大于95%就判定為有云。利用近10年的每個(gè)月的無(wú)線電探空資料構(gòu)造每個(gè)月的樣本集，并分為無(wú)云和有云兩種狀況:對(duì)于無(wú)云樣本集合，在MonoRTM 模式平臺(tái)下直接由探空溫濕度廓線數(shù)據(jù)計(jì)算獲得模擬微波輻射亮溫;對(duì)于有云樣本，通過(guò)使用探空資料計(jì)算云液水廓線，然后再利用MonoRTM模式計(jì)算出有云模式的微波輻射亮溫。最后將無(wú)云模式亮溫、有云模式亮溫合并成樣本集，分別以模擬的微波輻射亮溫值作為輸入?yún)?shù)，以對(duì)應(yīng)的溫濕廓線作為輸出樣本，構(gòu)造BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得一組能夠反演該區(qū)域大氣廓線的神經(jīng)網(wǎng)絡(luò)參數(shù)。

3 反演結(jié)果分析

由于探空觀測(cè)每天早晚各一次，數(shù)據(jù)量有限，而且探空氣球上升到10km 高度大約需要30min，因此選取探空時(shí)段輻射計(jì)輸出廓線的平均值與探空廓線進(jìn)行對(duì)比分析。從2012年9月上旬至11月上旬共選取晴天條件下輻射計(jì)與探空同時(shí)刻69 組探測(cè)數(shù)據(jù)樣本，計(jì)算兩者之間的平均偏差(BIAS)和均方差(RMS)。輻射計(jì)反演廓線和探空廓線的平均偏差(BIAS)和均方差(RMS)定義為:

式中，NS表示數(shù)據(jù)樣本數(shù)，Xi，mean和Xi，true分別表示輻射計(jì)反演廓線樣本和探空廓線樣本。

溫度廓線和水汽廓線的平均偏差、均方差如圖2 和圖3所示，圖中實(shí)線表示平均偏差曲線，虛線表示均方差曲線。從圖中可以看出，溫度廓線的最大平均偏差為2K，均方差在1km 以下較大，在高空隨高度上升略有變大。同樣，水汽廓線的平均偏差和均方差在1km 以下較大，而且越接近地面值越大，在1km 以上誤差基本小于1g/m3，且隨高度上升呈現(xiàn)減小趨勢(shì)。

圖2 溫度廓線誤差分析

圖3 水汽廓線誤差分析

圖4 溫度廓線相關(guān)性分析

為了驗(yàn)證反演參數(shù)與探空觀測(cè)結(jié)果的相關(guān)性，進(jìn)一步對(duì)69 組反演的溫度和水汽廓線與探空廓線作線性回歸分析，得到兩者的相關(guān)系數(shù)，溫度和水汽的相關(guān)系數(shù)分別為0.99286(圖4)和0.91533(圖5)。從結(jié)果可以看出69 組樣本反演結(jié)果與探空廓線相關(guān)性較好，溫度和水汽擬合直線斜率分別為0.9912和0.98013，斜率接近于1，反演結(jié)果與探空觀測(cè)值較接近。

圖5 水汽廓線相關(guān)性分析

由上述的結(jié)果可以看出，使用數(shù)據(jù)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)很好地反演了溫度和水汽廓線，反演方法切實(shí)可行，反演精度較好，但仍與探空廓線存在一定的誤差。首先，35 通道地基微波輻射計(jì)架設(shè)在國(guó)家氣象局，與北京南郊探空站相距近20km，兩者的地面氣象因素存在明顯的差異，這是導(dǎo)致近地面反演結(jié)果出現(xiàn)較大誤差的原因之一;其次，探空資料中沒(méi)有云液水信息，而是利用經(jīng)驗(yàn)?zāi)Ｐ陀?jì)算出來(lái)的，這也會(huì)引入誤差;同時(shí)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)具有不規(guī)律性和偶然性，隨機(jī)采用不同組訓(xùn)練和測(cè)試數(shù)據(jù)，以及采取不同數(shù)量的訓(xùn)練和測(cè)試數(shù)據(jù)，都會(huì)導(dǎo)致反演誤差的出現(xiàn);另外，由于高空氣流的作用，探空氣球并不是垂直上升，會(huì)逐漸偏離初始探空位置，而輻射計(jì)探測(cè)的是垂直上空的廓線數(shù)據(jù)，兩者的探測(cè)空域存在一定差異;最后，由于樣本的預(yù)處理、BP 神經(jīng)網(wǎng)絡(luò)本身、MonoRTM 輻射傳輸模型等因素的影響，誤差難以避免。圖6 為神經(jīng)網(wǎng)絡(luò)反演的溫度、相對(duì)濕度和水汽廓線與探空數(shù)據(jù)的對(duì)比。

圖6 溫度、相對(duì)濕度和水汽廓線樣本對(duì)比

4 結(jié)論

本文通過(guò)對(duì)近10年歷史探空資料的處理，利用BP 神經(jīng)網(wǎng)絡(luò)算法，建立了溫度、相對(duì)濕度和水汽廓線的反演網(wǎng)絡(luò)，并使用多通道地基微波輻射計(jì)的觀測(cè)亮溫，利用該網(wǎng)絡(luò)進(jìn)行了實(shí)際反演，將反演結(jié)果與探空數(shù)據(jù)進(jìn)行了數(shù)值檢驗(yàn)，分析了反演精度及誤差的產(chǎn)生原因。結(jié)果表明，本文使用的BP 神經(jīng)網(wǎng)絡(luò)反演誤差較小，達(dá)到使用可接受范圍之內(nèi)，同時(shí)也證明國(guó)產(chǎn)MWP967KV 型35 通道地基微波輻射計(jì)的觀測(cè)亮溫是準(zhǔn)確可信的，填補(bǔ)了我國(guó)高端微波輻射計(jì)裝備技術(shù)的空白，為提高我國(guó)大氣探測(cè)自動(dòng)化水平提供了強(qiáng)有力的技術(shù)支撐。

在過(guò)去幾年，將微波輻射計(jì)配合其它地面觀測(cè)儀器進(jìn)行聯(lián)合觀測(cè)，相互提供信息，使反演技術(shù)得到進(jìn)一步發(fā)展。然而要發(fā)展出實(shí)用的、系統(tǒng)的、可業(yè)務(wù)化的神經(jīng)網(wǎng)絡(luò)反演算法，仍有較大差距。在今后的工作中，我們將通過(guò)增加訓(xùn)練樣本、增強(qiáng)樣本預(yù)處理和調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)等方法，提高訓(xùn)練精度，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)算法的不斷修正完善。

［1］王穎，黃勇，黃思源.大氣溫濕廓線反演問(wèn)題的研究［J］.國(guó)土資源遙感，2008，75(1):23-26.

［2］王波.地基微波輻射計(jì)大氣環(huán)境遙感研究［D］.中國(guó)海洋大學(xué)，2007.

［3］劉旸，官莉.人工神經(jīng)網(wǎng)絡(luò)法反演晴空大氣濕度廓線的研究［J］.氣象，2011，37(3):318-324.

［4］Rodgers，C.D.Retrieval of Atmospheric Temperature and Composition from Remote Measurement of Thermal Radiation［J］.Rev.Geophys and Space Phys，1976，14:609-624.

［5］Ledsham，W.H.，and D.H.Staelin.An Extended Kalman-Bucy Filter for Atmospheric Temperature Profile Retrieval with a Passive Microwave Sounder［J］.J.Appl.Meteorol.，1978，17:1023-1033.

［6］Patrizia Basili，Piero Ciotti，and Domenico Solimini.Inversion of ground-based radiometric data by Kalman filtering［J］.Radio Science，1980，16(1):83-91.

［7］Basili，P.，P.Ciotti，and D.Solimini.Inversion of Ground-based Radiometric Data By Kalman Filtering［J］.Radio Sci，1981，16:83-91.

［8］Miguel Velez-Reyes.Atmospheric Retrievals using Regularization Methods［C］.IEEE，International Geoscience and Remote Sensing Sympasium Proceedings，1998，1403-1407.

［9］Fredrick Solheim，John R Godwin，et al.Radiometric Profiling of Temperature，Water Vapor and Cloud Liquid Water Using Various Inversion Methods［J］.Radio Science，1998，33(2):393-404.

［10］林黎虹，張健，石耀霖.利用遺傳算法反演大氣的垂直溫度結(jié)構(gòu)［J］，中國(guó)科學(xué)院研究生院學(xué)報(bào)，1997，14(1):43-50.

［11］Chumside，J.H.，T.A.Stermitz，and J.A.Schroeder.Temperature Profiling with Neural Network Inversion of Microwave Radiometer Date［J］.J.Atmos Oceanic Technol，1994，11:105-109.

［12］F.Del Firate and G.Schiavon.A Neural Network Algorithm for the Retrieval of Atmospheric Profiles from Radiometric Data.IEEE，International Geoscience and Remote sensing，1997，2097-2098.

［13］Vanessa C.de Viterbo.Joao P.Bragal，E`lcio H.Shiguemori… Atmospheric Temperature Retrieval using Non-linear Hopfield Neural Network［C］.Brazil，2004.

［14］Elcio H.Shiguemori，Haroldo F.de Campos-Velho… Neural Network based Models in theInversion of Temperature Vertical Profiles from Radiation Data［C］.Brazil，2004.

［15］YAO Zhigang，CHEN Hongbin，and LIN Longfu.Retrieving Atmospheric Temperature Profiles from AMSU-A Data with Neural Networks［J］.Advances In Atmospheric Sciences，2005，22(4):606-616.

［16］Rosangela Saher Cintra，Demisio Simoes Silva.Artificial Neural Network To Estimate Integrated Water Vapor Using Satellite Data From Hsb Sensor［C］.Brazil，2006，April 24-28:11-15.

［17］Maria P.Cadeddu，David D.Turner，and James C.Liljegren.A Neural Network for Real-Time Retrievals of PWV and LWP From Arctic Millimeter-Wave Ground-Based Observations［J］.Geosciences and Remote Sensing，2009，47(7):1887-1900.

［18］周玉馳.地基多通道微波輻射計(jì)反演大氣溫濕廓線的研究［D］.北京:中國(guó)科學(xué)院研究生院，2010.

［19］施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析［M］.北京:北京郵電大學(xué)出版社，2009.

［20］Hecht Nielsen R.Theory of Back propagation neural networks［C］.Papers Present at Neural Networks，IJCNN，International Joint Conference，1989，593-605.

［21］S.A.Clough，M.W.Shephard，E.J.Mlawer，J.S.Delamere，M.J.Iacono，K.Cady-Pereira，S.Boukabara，P.D.Brown.Atmospheric Radiative Transfer Modeling:A Summary of The AER Codes［J］.Quantitative Spectroscopy＆ Radiative Transfer，2004，91:233-244.

［22］袁曾任.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［M］.北京:清華大學(xué)出版社，1999.

［23］劉亞亞，毛節(jié)泰，劉均，李峰.地基微波輻射計(jì)遙感大氣廓線的BP 神經(jīng)網(wǎng)絡(luò)反演方法研究［J］.高原氣象，2010，29(6):1514-1523.