地基多通道微波辐射计大气廓线反演方法研究

朱 磊 卢建平 雷连发 张北斗

(1.西安电子工程研究所 西安 710100;2.兰州大学 兰州 730000)

0 引言

大气温湿廓线和云中液态水是描述大气热力和动力状态必不可少的参数。探测全球大气温度、湿度分布及其变化，对天气预报和气象保障工作，特别是数值天气预报和气候变化研究具有重要的意义［1］。地基微波辐射计是一种新型被动遥感探测设备，相对于无线电探空仪等传统大气探测设备来说，不仅具有高时间、空间分辨率的特点，而且具有很高的灵敏度和良好的保密性，能够实现全天候实时测量和无人值守工作。利用地基微波辐射计不仅可以反演温湿廓线、水汽密度廓线、积分水汽含量和云中液水含量等，还可以进行电波折射误差的实时高精度修正，获得精细的大气结构观测资料，为天气预报、数值模拟、大气环流分析、人工影响天气等科研业务提供重要的观测数据［2］。国外研制的地基微波辐射计与风廓线雷达结合，已开始逐渐替代探空气球，并与各种天气雷达互为补充，连续不间断地组网观测，为气候变化研究提供长期、连续的观测资料。

温度、相对湿度、云液态水廓线的反演问题，即为由地基微波辐射计所测亮温值推求温度、相对湿度、云液态水廓线。神经网络是一个由大量简单的处理单元组成的高度复杂的大规模非线性自适应系统，可以实现输入空间到输出空间的非线性映射。20世纪80年代中期以来，神经网络的应用研究取得了很大的成就，已经成功应用在大气参数剖面反演领域，并取得了很好的结果［3］。由于从国外进口的微波辐射计在具体的训练样本选择、神经网络的参数设置，以及神经网络的训练过程上都不对外公布，因此我们必须找到自己的训练方法，以实现地基多通道微波辐射计从硬件到反演算法的国产化。

本文研究了反演温度、水汽廓线的BP 人工神经网络，分析了神经网络的算法设计、参数设置、训练方法等，并通过实验数据对反演结果及误差产生原因进行了分析比较。

1 人工神经网络

反演大气温度、水汽、云液水廓线的算法有最优估计法［4］、kalman 滤波算法［5-7］、正则算法［8］、贝叶斯(Bayesian)最大概率算法［9］、遗传算法［10］和神经网络算法等［11-16］。广泛的研究表明，在利用辐射计资料反演温度、水汽和云液水廓线中，人工神经网络法优于其它方法［17］。

人工神经网络是一个由大量简单的处理单元组成的高度复杂的大规模非线性自适应系统，具有良好的学习功能。它可以接受用户提交的样本集合，依照系统给定的算法，不断的修正用来确定系统行为的神经元之间连接的强度，并存放于系统中。其中，BP 神经网络已成为至今影响最大、应用最广泛的网络学习方法。

BP(Back Propagation)神经网络［18-20］，是一种按误差反向传播算法训练的多层前馈网络，是Rumelhart 和Mccelland 为首的科学家小组在1986年提出的。BP 神经网络算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐步处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。

2 神经网络设计与分析

2．1 资料选取和样本构建

本文使用的资料包括2012年9月上旬至11月上旬位于国家气象局的国产MWP967KV 型35 通道地基微波辐射计数据资料，以及北京南郊探空站近10年的历史探空资料。其中，北京南郊探空站在北京时间早晨8:00 时和晚间20:00 时各有一次无线电探空数据，微波辐射计每3min 输出一次观测数据。结合历史探空资料，利用MonoRTM［21］模型模拟计算得到35 通道的模拟亮温，与地面气象信息结合作为网络的输入样本。将对应探空的温度、相对湿度廓线以及云液水廓线等作为网络输出样本。

2．2 神经网络设计

BP 网络可有效的用于复杂的非线性函数的逼近，一个3 层的前馈网络能够实现任意精度的连续函数映射［22］，本文就选择使用该网络，如图1所示。

图1 三层BP 神经网络示意图

用于网络训练的数据集是近10年的探空观测资料，在训练中，数据存放的顺序要进行随机化处理，以避免输入数据的规律性。由探空资料得到的温度、相对湿度廓线以及云液水廓线范围是从地面到10 km 高度，廓线中的0 ～500 m 距离段，每50 m分一层，共有11 层;0.5 ～2 km 距离段，每100 m 分一层，共有15 层;2 ～10 km 距离段，每250 m 分一层，共有32 层，因此整个0 ～10 km 距离段共分为58 层。网络有38 个输入节点:地表温度、相对湿度、压强和35 个由MonoRTM 模型模拟的微波辐射计的通道亮温，隐含层和输出层各有58 个节点，分别对应58 层距离段。神经网络将输入、输出之间的关系看成是一个复杂的非线性关系，寻找它们之间的对应关系，使输入(亮温以及地面气象信息)与作为输出的温、湿、云液态水廓线得到最佳匹配，这样一旦完成训练，就可以直接用于反演温度、相对湿度、云液态水廓线［23］。

为了能够利用微波辐射计观测到的亮温资料反演获得精确温湿廓线，将数据集按月份区分出来，会得到更好的结果。由于在探空资料中没有用于计算亮温所需的云液水含量，因此，利用经验法获取云液水廓线，选用95%的相对湿度作为区分云的阀值，即相对湿度大于95%就判定为有云。利用近10年的每个月的无线电探空资料构造每个月的样本集，并分为无云和有云两种状况:对于无云样本集合，在MonoRTM 模式平台下直接由探空温湿度廓线数据计算获得模拟微波辐射亮温;对于有云样本，通过使用探空资料计算云液水廓线，然后再利用MonoRTM模式计算出有云模式的微波辐射亮温。最后将无云模式亮温、有云模式亮温合并成样本集，分别以模拟的微波辐射亮温值作为输入参数，以对应的温湿廓线作为输出样本，构造BP 神经网络训练样本集，进行神经网络训练，获得一组能够反演该区域大气廓线的神经网络参数。

3 反演结果分析

由于探空观测每天早晚各一次，数据量有限，而且探空气球上升到10km 高度大约需要30min，因此选取探空时段辐射计输出廓线的平均值与探空廓线进行对比分析。从2012年9月上旬至11月上旬共选取晴天条件下辐射计与探空同时刻69 组探测数据样本，计算两者之间的平均偏差(BIAS)和均方差(RMS)。辐射计反演廓线和探空廓线的平均偏差(BIAS)和均方差(RMS)定义为:

式中，NS表示数据样本数，Xi，mean和Xi，true分别表示辐射计反演廓线样本和探空廓线样本。

温度廓线和水汽廓线的平均偏差、均方差如图2 和图3所示，图中实线表示平均偏差曲线，虚线表示均方差曲线。从图中可以看出，温度廓线的最大平均偏差为2K，均方差在1km 以下较大，在高空随高度上升略有变大。同样，水汽廓线的平均偏差和均方差在1km 以下较大，而且越接近地面值越大，在1km 以上误差基本小于1g/m3，且随高度上升呈现减小趋势。

图2 温度廓线误差分析

图3 水汽廓线误差分析

图4 温度廓线相关性分析

为了验证反演参数与探空观测结果的相关性，进一步对69 组反演的温度和水汽廓线与探空廓线作线性回归分析，得到两者的相关系数，温度和水汽的相关系数分别为0.99286(图4)和0.91533(图5)。从结果可以看出69 组样本反演结果与探空廓线相关性较好，温度和水汽拟合直线斜率分别为0.9912和0.98013，斜率接近于1，反演结果与探空观测值较接近。

图5 水汽廓线相关性分析

由上述的结果可以看出，使用数据训练的BP神经网络很好地反演了温度和水汽廓线，反演方法切实可行，反演精度较好，但仍与探空廓线存在一定的误差。首先，35 通道地基微波辐射计架设在国家气象局，与北京南郊探空站相距近20km，两者的地面气象因素存在明显的差异，这是导致近地面反演结果出现较大误差的原因之一;其次，探空资料中没有云液水信息，而是利用经验模型计算出来的，这也会引入误差;同时，训练数据和测试数据具有不规律性和偶然性，随机采用不同组训练和测试数据，以及采取不同数量的训练和测试数据，都会导致反演误差的出现;另外，由于高空气流的作用，探空气球并不是垂直上升，会逐渐偏离初始探空位置，而辐射计探测的是垂直上空的廓线数据，两者的探测空域存在一定差异;最后，由于样本的预处理、BP 神经网络本身、MonoRTM 辐射传输模型等因素的影响，误差难以避免。图6 为神经网络反演的温度、相对湿度和水汽廓线与探空数据的对比。

图6 温度、相对湿度和水汽廓线样本对比

4 结论

本文通过对近10年历史探空资料的处理，利用BP 神经网络算法，建立了温度、相对湿度和水汽廓线的反演网络，并使用多通道地基微波辐射计的观测亮温，利用该网络进行了实际反演，将反演结果与探空数据进行了数值检验，分析了反演精度及误差的产生原因。结果表明，本文使用的BP 神经网络反演误差较小，达到使用可接受范围之内，同时也证明国产MWP967KV 型35 通道地基微波辐射计的观测亮温是准确可信的，填补了我国高端微波辐射计装备技术的空白，为提高我国大气探测自动化水平提供了强有力的技术支撑。

在过去几年，将微波辐射计配合其它地面观测仪器进行联合观测，相互提供信息，使反演技术得到进一步发展。然而要发展出实用的、系统的、可业务化的神经网络反演算法，仍有较大差距。在今后的工作中，我们将通过增加训练样本、增强样本预处理和调整神经网络结构等方法，提高训练精度，实现神经网络算法的不断修正完善。

［1］王颖，黄勇，黄思源.大气温湿廓线反演问题的研究［J］.国土资源遥感，2008，75(1):23-26.

［2］王波.地基微波辐射计大气环境遥感研究［D］.中国海洋大学，2007.

［3］刘旸，官莉.人工神经网络法反演晴空大气湿度廓线的研究［J］.气象，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，张健，石耀霖.利用遗传算法反演大气的垂直温度结构［J］，中国科学院研究生院学报，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］周玉驰.地基多通道微波辐射计反演大气温湿廓线的研究［D］.北京:中国科学院研究生院，2010.

［19］施彦，韩力群，廉小亲.神经网络设计方法与实例分析［M］.北京:北京邮电大学出版社，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.人工神经网络及其应用［M］.北京:清华大学出版社，1999.

［23］刘亚亚，毛节泰，刘均，李峰.地基微波辐射计遥感大气廓线的BP 神经网络反演方法研究［J］.高原气象，2010，29(6):1514-1523.