高原地區基于微波輻射計反演大氣廓線的神經網絡算法研究

田建兵,張玉欣,顏海前,唐文婷,康曉燕

（青海省人工影響天氣辦公室，西寧 810001）

引言

溫度、濕度以及水汽是大氣的基本參量，也是空中水資源的重要參數，在云的演變和降水中起著重要作用，是云降水物理過程的重要介質，連續的溫度、濕度和水汽廓線對提高臨近天氣預報及分析宏觀角度上的天氣演變過程具有重要意義[1-4]。

現階段，國內觀測溫度、濕度以及水汽的手段仍然以探空為主。受操作復雜程度和空域影響，雖然常規探空資料平均間距基本滿足250km以內的布局要求，但存在站點分布不均、西部站點偏少的現象，尤其是青藏高原地區的高空觀測資料極其缺乏，其時空分辨率不能滿足現代氣象事業發展高精度、高準確度的需求[5]。而地基微波輻射計具有操作簡單、不受空域限制、時間分辨率更高等諸多優點，正逐漸發展成為大氣廓線遙感探測的重要儀器，其探測性能和反演算法等方面的研究備受關注[6-10]。康曉燕等[8]對比分析了青海東部探空資料和MP-3000A型微波輻射計反演結果，發現低層溫濕反演優于高層，冬季反演效果最佳。趙玲等[9]分析得出神經網絡反演結果會受到地點限制，尤其是水汽和液態水廓線，同時微波輻射計的維護也十分重要。李娜等[10]分析了甘肅榆中站微波輻射計的反演精度，發現溫度的擬合效果優于相對濕度，近地層反演效果更好。目前，地基微波輻射計反演溫度、濕度等大氣廓線的算法主要有BP（Back Propagation）神經網絡、多元線性回歸等，但微波輻射計本身自帶的算法有一定的誤差，且在不同地區的反演精度也有差異[5]。因此，微波輻射計反演算法的本地化研究對提高數據精度，進而提升天氣預報水平有一定的科學意義和應用價值。

本文就是針對這一問題，基于2007～2018年西寧站探空資料和MonoRTM（Monochromatic Radiactive Transfer Model）模式模擬的亮溫數據，通過BP神經網絡反復訓練建立反演模型，以2019年探空資料為測試樣本，對比分析不同季節和天氣條件下BP神經網絡與微波輻射計的反演效果，研究BP神經網絡反演算法的精度和誤差原因。

1 資料和方法

1.1 資料和數據

本文使用資料為2007～2019年西寧二十里鋪氣象站（36.73°N，101.75°E，海拔2264.8m，臺站號52866）探空資料（每天兩次：世界時11:00和23:00）以及同一地點布設的地基微波輻射計（型號MP-3000A）相同時間數據資料，其中2007～2018年探空資料作為MonoRTM模式和BP神經網絡模擬和訓練使用的樣本數據，2019年探空資料和微波輻射計資料作為BP神經網絡反演算法測試數據。樣本數量詳見表1。

表1 觀測樣本概況*

微波輻射計在觀測過程中每3個月使用液氮標定一次，并在無云的條件下做tippingcurve標定。微波輻射計觀測數據為每分鐘一組，而探空資料為每天北京時08:00與20:00各一次且探測時長約為一小時，為進一步提高誤差對比分析的可靠性，選取微波輻射計07:30～08:30和19:30～20:30的數據平均后進行反演和對比分析。

對探空數據進行了線性插值，使其與微波輻射計數據高度層（0～10km共58層）保持一致。另外，水汽密度資料并不是探空直接獲取的，為研究水汽密度反演，利用經驗公式（1）計算得到各高度層水汽密度[7]。為了模式在模擬亮溫時更精確，對探空資料進行了晴空和有云情況的區分，相對濕度＜85%為晴空，相對濕度≥85%為有云[11]。探空資料最終處理的輸出樣本為溫度、相對濕度和水汽密度構成，范圍從地基微波輻射計架設高度到10km高空（0～500m高度間隔50m，500m～2km間隔高度100m，2～10km間隔250m）。

水汽密度計算方法：

其中，水面飽和水汽壓值為e，ε=0.622，Rg=287.05為干空氣的氣體常數（J·kg-1·K-1），T為溫度（℃），Rh為相對濕度（%）。

1.2 大氣輻射傳輸模式

MonoRTM由美國大氣環境研究室開發，該模式中考慮到了氧氣、氮、二氧化碳和臭氧的壓力加寬和自加寬效應[12]，適用于微波和毫米波頻段。輻射傳輸模式MonoRTM有10個輸入文件，詳見文獻[13-14]，用來計算7種不同情況下的亮溫值（見表2）。本文主要使用了case3和case5。

表2 MonoRTM輻射傳輸模式計算亮溫的7種不同情況

本文參照文獻[2,10]的算法為MonoRTM模擬提供輸入的云液態水含量。當相對濕度＜85%，液態水濃度為0g·m-3；相對濕度＞95%，取0.5g·m-3；85%～95%時云液態水濃度為線性關系。

1.3 神經網絡反演算法

BP神經網絡是一種按誤差反向傳播訓練的多層前饋網絡，基本算法由信號的前向傳播和誤差的反向傳播組成[13]。在建立模型時輸入層到隱含層為tansig函數，隱含層到輸出層為purelin函數，訓練方法使用trainlm算法，方法參考文獻[14]。本文使用三層BP神經網絡模型，38個輸入層，分別為MonoRTM模式模擬的35個通道亮溫和地面觀測站觀測的溫度、氣壓和相對濕度；58個輸出層，為不同高度層的氣溫、相對濕度和水汽密度；隱含層數的選取考慮了計算時間、精度等各種因素，最終確定為30。詳細計算步驟如下：

（1）樣本數據集的建立。對西寧二十里鋪站2007～2018年探空歷史基數據進行插值處理，得到0～10km共58層的數據，再進行剔除，得到溫度、氣壓和相對濕度三類要素樣本數據集，利用經驗公式通過計算得到水汽密度樣本數據。將探空資料樣本數據帶入MonoRTM模式通過計算模擬得到地基微波輻射計亮溫樣本數據。

（2）反演模型的構建。利用BP神經網絡配合Mono-RTM模式模擬得到的亮溫和地面溫度、氣壓、相對濕度作為輸入層，探空樣本數據中的58層溫度、水汽密度和相對濕度分別作為輸出層，通過反復訓練并調整隱含層的個數、訓練次數、精度等相應參數得到多個BP神經網絡反演模型。

（3）反演結果的對比分析。利用不同BP神經網絡反演模型對2019年微波輻射計實測亮溫進行反演。為了進一步驗證研究的BP神經網絡反演算法有效性，分別將BP神經網絡反演得出的結果和微波輻射計LV2數據產品與探空資料進行對比分析。

比較BP反演廓線與探空資料的絕對誤差和標準偏差，就可以對反演精度做出估計。若每個季節的檢驗樣本為Vi（占每個季度樣本總數的10%），作為真值的探空測量值記為n，BP反演值記為Ui，這里i表示第i個樣本，則反演值對真值（探空測量值）的平均絕對誤差（ERRORBAR），標準偏差（SD）分別表示，方法見參考文獻[7]：

2 結果分析

2.1 晴空條件

圖1為晴空條件下冬季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的冬季溫度與探空資料擬合度均較高，R2均在0.80以上，BP神經網絡反演效果略優；BP神經網絡與微波輻射計反演的冬季水汽密度與探空資料擬合度均一般，R2均在0.50以上，BP神經網絡反演效果更佳；BP神經網絡反演的冬季相對濕度與探空資料擬合度一般，R2為0.45，而微波輻射計反演效果極差，R2僅為0.01。

圖1 晴空冬季探空資料分別與微波輻射計（上）、BP神經網絡（下）反演結果的線性擬合 （a.溫度，單位：°C；b.水汽密度，單位：g/m3；c.相對濕度，單位：%）

圖2為晴空條件下春季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的春季溫度與探空資料擬合度均較高，R2均在0.80以上，BP神經網絡反演效果略優；BP神經網絡反演的春季水汽密度與探空資料擬合度較高，R2為0.66，而微波輻射計反演效果極差，R2僅為0.00；BP神經網絡與微波輻射計反演的春季相對濕度與探空資料擬合度均較差，相對而言，BP神經網絡反演效果更優。

圖2 同圖1，但為春季

圖3為晴空條件下夏季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的夏季溫度與探空資料擬合度均極高，R2均在0.90以上，微波輻射計反演效果略優；BP神經網絡與微波輻射計反演的夏季水汽密度與探空資料擬合度均較高，R2均在0.70以上，微波輻射計反演效果更優；BP神經網絡與微波輻射計反演的夏季相對濕度與探空資料擬合度均較差，相對而言，BP神經網絡反演效果更優。

圖3 同圖1，但為夏季

圖4為晴空條件下秋季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的秋季溫度與探空資料擬合度均極高，R2均在0.90以上，BP神經網絡反演效果略優；BP神經網絡與微波輻射計反演的秋季水汽密度與探空資料擬合度均極高，R2均在0.90以上，微波輻射計反演效果略優；BP神經網絡與微波輻射計反演的秋季相對濕度與探空資料擬合度均較高，R2均在0.60以上，微波輻射計反演效果更優。

圖4 同圖1，但為秋季

綜上所述，晴空條件下冬春季BP神經網絡反演效果優于微波輻射計，夏秋季反之，這與康曉燕等[8]的研究結論基本一致；BP神經網絡與微波輻射計這兩種方法在溫度反演上效果最佳，水汽密度次之，相對濕度最差；夏秋季BP神經網絡反演效果相對于微波輻射計較差可能是受到晴空樣本較少以及水汽密度變化較大的影響。

2.2 有云條件

圖5為有云條件下冬季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的冬季溫度與探空資料擬合度均較高，R2均在0.75以上，BP神經網絡反演效果略優；BP神經網絡反演的冬季水汽密度與探空資料擬合度較高，R2為0.67，而微波輻射計反演效果極差，R2僅為0.08；BP神經網絡反演的冬季相對濕度與探空資料擬合度較差，R2為0.32，而微波輻射計反演效果極差，R2僅為0.08。

圖5 有云冬季探空資料分別與微波輻射計（上）、BP神經網絡（下）反演結果的線性擬合 （a.溫度，單位：°C；b.水汽密度，單位：g/m3；c.相對濕度，單位：%）

圖6為有云條件下春季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的春季溫度與探空資料擬合度均較高，R2均在0.60以上，BP神經網絡反演效果更優；BP神經網絡反演的春季水汽密度與探空資料擬合度較高，R2為0.64，而微波輻射計反演效果極差，R2僅為0.03；BP神經網絡反演的春季相對濕度與探空資料擬合度較高，R2為0.54，而微波輻射計反演效果極差，R2僅為0.01。

圖6 同圖5，但為春季

圖7為有云條件下夏季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡反演的夏季溫度與探空資料擬合度極高，R2為0.90，微波輻射計反演效果次之，R2為0.68；BP神經網絡反演的夏季水汽密度與探空資料擬合度較高，R2為0.59，微波輻射計反演效果極差，R2僅為0.02；BP神經網絡反演的夏季相對濕度與探空資料擬合度較高，R2為0.78，微波輻射計反演效果極差，R2僅為0.06。

圖7 同圖5，但為夏季

圖8為有云條件下秋季探空資料分別與微波輻射計、BP神經網絡反演溫度、水汽密度和相對濕度的線性擬合。如圖所示，BP神經網絡與微波輻射計反演的秋季溫度與探空資料擬合度均極高，R2均在0.90以上，微波輻射計反演效果略優；BP神經網絡與微波輻射計反演的秋季水汽密度與探空資料擬合度均較高，R2均在0.60以上，BP神經網絡反演效果略優；微波輻射計反演的秋季相對濕度與探空資料擬合度較高，R2為0.53，BP神經網絡反演效果較差，R2為0.38。

圖8 同圖5，但為秋季

綜上所述，有云條件下，BP神經網絡溫度反演效

果在冬、春和夏季均優于微波輻射計；BP神經網絡水汽密度反演效果在四季均較好，相對微波輻射計有明顯提升；除秋季外，BP神經網絡相對濕度反演效果均較微波輻射計更佳，尤其是春、夏季提升明顯。

2.3 反演精度對比

表3、表4分別給出了晴空和有云條件下春、夏、秋、冬四個季節微波輻射計、BP神經網絡反演結果與探空資料的精度對比。晴空條件下，在ERRORBAR與SD對比中，BP神經網絡均優于微波輻射計；BP神經網絡反演溫度的ERRORBAR四季平均減少3.17℃，水汽密度的減少1.96g/m3，相對濕度的減少13.46%；BP神經網絡反演相對濕度的精度提高最為明顯，其中夏季相對濕度反演精度提高了29.89%；BP神經網絡反演三種大氣廓線的精度在春季提高最顯著。有云條件下，BP神經網絡反演相對濕度的精度提高最為明顯，秋季提高了16.33%，其次是反演溫度的ERRORBAR四季平均減少4.97℃，SD平均為3.12℃。

表3 晴空條件下微波輻射計、BP神經網絡反演結果與探空資料的精度對比

表4 有云條件下微波輻射計、BP神經網絡反演結果與探空資料的精度對比

結合圖1～8、表3和表4來看，BP神經網絡反演效果優于微波輻射計。BP神經網絡和微波輻射計反演算法使用了相同原理，但在模型參數如輸入層、輸出層、隱層節點數等方面有較大差異，這就導致在不同天氣條件和不同季節進行BP神經網絡反演可以顯著提高微波輻射計的觀測能力。這與張雪芬等[15]、丁虹鑫等[16]研究結論一致。

2.4 大氣廓線對比

圖9給出晴空條件下各季探空、微波輻射計和BP神經網絡反演的溫度、水汽密度及相對濕度廓線對比。就溫度廓線而言，BP神經網絡反演效果更優，尤其是春、夏和秋季；除秋季外，微波輻射計反演誤差明顯較大；微波輻射計反演溫度在中低層高于高層的主要原因，一是大氣下層對微波輻射計的亮溫貢獻較大[17]，二是高原地區溫度過低、低層存在逆溫層影響反演精度[18]。就水汽密度而言，各個季節BP神經網絡在中低層的反演精度均較高，其中冬春季4～10km高度的水汽密度反演精度遠高于微波輻射計。就相對濕度而言，BP神經網絡反演結果變化較大但基本和探空資料趨勢一致，其精度遠高于微波輻射計；微波輻射計反演結果與探空資料差異較大，這可能是由于其在相對濕度探測方面更為靈敏，導致結果不如探空數據穩定。

圖9 晴空條件下各季探空、微波輻射計和BP神經網絡反演的溫度（左）、水汽密度（中）及相對濕度（右）廓線對比（a～c.冬季，d～f.春季，g～i.夏季，j～l.秋季，黑點線表示探空資料，紅點線表示微波輻射計反演結果，藍點線表示BP神經網絡反演結果）

圖10給出在有云條件下各季探空、微波輻射計和BP神經網絡反演的溫度、水汽密度及相對濕度廓線對比。就溫度廓線而言，與晴空條件基本一致，BP神經網絡反演效果較微波輻射計更好，可以較好地反映大氣溫度垂直上的變化。對于水汽密度和相對濕度，同樣是BP神經網絡反演效果優于微波輻射計，其在4～10km反演精度較高，尤其是8～10km效果更佳。這與以往研究結論不一致，高原上云頂一般在8km以下，雖然下層對微波輻射計的亮溫貢獻大，但上層云頂以上大氣狀況變化較穩定。造成這種現象的主要原因，一是受微波輻射計儀器本身影響較大，尤其是在有云條件下；二是利用近10年探空資料建立的反演模型，對較穩定的上層反演能力較強，而對變化較復雜的中低層反演能力較差。

圖10 有云條件下各季探空、微波輻射計和BP神經網絡反演的溫度（左）、水汽密度（中）及相對濕度（右）廓線對比（a～c.冬季，d～f.春季，g～i.夏季，j～l.秋季，藍點線表示探空資料，紅點線表示微波輻射計反演結果，綠點線表示BP神經網絡反演結果）

3 結論與討論

本文基于2007～2018年西寧站探空資料和MonoRTM模式模擬的亮溫數據，通過BP神經網絡反復訓練建立反演模型，以2019年探空資料為測試樣本，對比分析不同季節和天氣條件下BP神經網絡與微波輻射計的反演效果，結論如下：

（1）晴空條件下冬春季BP神經網絡反演效果優于微波輻射計，夏秋季反之；BP神經網絡與微波輻射計這兩種方法在溫度反演上效果最佳，水汽密度次之，相對濕度最差；夏秋季BP神經網絡反演效果相對于微波輻射計較差可能是受到晴空樣本較少以及水汽密度變化較大的影響。有云條件下，BP神經網絡溫度反演效果在冬、春和夏季均優于微波輻射計；BP神經網絡水汽密度反演效果在四季均較好，相對微波輻射計有明顯提升；除秋季外，BP神經網絡相對濕度反演效果均較微波輻射計更佳，尤其是春、夏季提升明顯。

（2）晴空條件下，在ERRORBAR與SD對比中，BP神經網絡均優于微波輻射計；BP神經網絡反演溫度的ERRORBAR四季平均減少3.17℃，水汽密度的減少1.96g/m3，相對濕度的減少13.46%；BP神經網絡反演相對濕度的精度提高最為明顯，其中夏季相對濕度反演精度提高了29.89%；BP神經網絡反演三種大氣廓線的精度在春季提高最顯著。有云條件下，BP神經網絡反演相對濕度的精度提高最為明顯，秋季提高了16.33%，其次是反演溫度的ERRORBAR四季平均減少4.97℃，SD平均為3.12℃。

（3）晴空條件下，BP神經網絡反演溫度廓線效果更優，尤其是春、夏和秋季；各個季節BP神經網絡反演水汽密度廓線在中低層的精度均較高，其中冬春季4～10km高度的水汽密度反演精度遠高于微波輻射計；BP神經網絡反演相對濕度廓線變化較大但基本和探空資料趨勢一致，其精度遠高于微波輻射計；微波輻射計反演相對濕度結果與探空資料差異較大，這可能是由于其在相對濕度探測方面更為靈敏，導致其變化不如探空數據穩定。有云條件下，BP神經網絡對溫度、水汽密度和相對濕度廓線的反演效果均優于微波輻射計，其中對于水汽密度和相對濕度，BP神經網絡在4～10km反演精度較高，尤其是8～10km效果更佳。

微波遙感反演算法從早期的經驗統計算法逐步發展到神經網絡反演算法，已經有了很大的進步，然而，要發展實用的、可本地業務化的神經網絡反演算法，還有需要加大研究力度。今后，可以通過調整神經網絡結構、增加訓練樣本，將晴天、有云分開訓練的同時，考慮將不同高度層分開訓練，也可以利用高精度GPS探空儀和飛機云物理探測數據對反演結果進行訂正，減小反演誤差。相信隨著微波輻射計技術的發展，各種數據源的綜合利用，神經網絡算法的不斷完善，微波輻射計反演溫、濕、水汽密度廓線將成為探空觀測的有效手段之一。