高原地区基于微波辐射计反演大气廓线的神经网络算法研究

田建兵,张玉欣,颜海前,唐文婷,康晓燕

（青海省人工影响天气办公室，西宁 810001）

引言

温度、湿度以及水汽是大气的基本参量，也是空中水资源的重要参数，在云的演变和降水中起着重要作用，是云降水物理过程的重要介质，连续的温度、湿度和水汽廓线对提高临近天气预报及分析宏观角度上的天气演变过程具有重要意义[1-4]。

现阶段，国内观测温度、湿度以及水汽的手段仍然以探空为主。受操作复杂程度和空域影响，虽然常规探空资料平均间距基本满足250km以内的布局要求，但存在站点分布不均、西部站点偏少的现象，尤其是青藏高原地区的高空观测资料极其缺乏，其时空分辨率不能满足现代气象事业发展高精度、高准确度的需求[5]。而地基微波辐射计具有操作简单、不受空域限制、时间分辨率更高等诸多优点，正逐渐发展成为大气廓线遥感探测的重要仪器，其探测性能和反演算法等方面的研究备受关注[6-10]。康晓燕等[8]对比分析了青海东部探空资料和MP-3000A型微波辐射计反演结果，发现低层温湿反演优于高层，冬季反演效果最佳。赵玲等[9]分析得出神经网络反演结果会受到地点限制，尤其是水汽和液态水廓线，同时微波辐射计的维护也十分重要。李娜等[10]分析了甘肃榆中站微波辐射计的反演精度，发现温度的拟合效果优于相对湿度，近地层反演效果更好。目前，地基微波辐射计反演温度、湿度等大气廓线的算法主要有BP（Back Propagation）神经网络、多元线性回归等，但微波辐射计本身自带的算法有一定的误差，且在不同地区的反演精度也有差异[5]。因此，微波辐射计反演算法的本地化研究对提高数据精度，进而提升天气预报水平有一定的科学意义和应用价值。

本文就是针对这一问题，基于2007～2018年西宁站探空资料和MonoRTM（Monochromatic Radiactive Transfer Model）模式模拟的亮温数据，通过BP神经网络反复训练建立反演模型，以2019年探空资料为测试样本，对比分析不同季节和天气条件下BP神经网络与微波辐射计的反演效果，研究BP神经网络反演算法的精度和误差原因。

1 资料和方法

1.1 资料和数据

本文使用资料为2007～2019年西宁二十里铺气象站（36.73°N，101.75°E，海拔2264.8m，台站号52866）探空资料（每天两次：世界时11:00和23:00）以及同一地点布设的地基微波辐射计（型号MP-3000A）相同时间数据资料，其中2007～2018年探空资料作为MonoRTM模式和BP神经网络模拟和训练使用的样本数据，2019年探空资料和微波辐射计资料作为BP神经网络反演算法测试数据。样本数量详见表1。

表1 观测样本概况*

微波辐射计在观测过程中每3个月使用液氮标定一次，并在无云的条件下做tippingcurve标定。微波辐射计观测数据为每分钟一组，而探空资料为每天北京时08:00与20:00各一次且探测时长约为一小时，为进一步提高误差对比分析的可靠性，选取微波辐射计07:30～08:30和19:30～20:30的数据平均后进行反演和对比分析。

对探空数据进行了线性插值，使其与微波辐射计数据高度层（0～10km共58层）保持一致。另外，水汽密度资料并不是探空直接获取的，为研究水汽密度反演，利用经验公式（1）计算得到各高度层水汽密度[7]。为了模式在模拟亮温时更精确，对探空资料进行了晴空和有云情况的区分，相对湿度＜85%为晴空，相对湿度≥85%为有云[11]。探空资料最终处理的输出样本为温度、相对湿度和水汽密度构成，范围从地基微波辐射计架设高度到10km高空（0～500m高度间隔50m，500m～2km间隔高度100m，2～10km间隔250m）。

水汽密度计算方法：

其中，水面饱和水汽压值为e，ε=0.622，Rg=287.05为干空气的气体常数（J·kg-1·K-1），T为温度（℃），Rh为相对湿度（%）。

1.2 大气辐射传输模式

MonoRTM由美国大气环境研究室开发，该模式中考虑到了氧气、氮、二氧化碳和臭氧的压力加宽和自加宽效应[12]，适用于微波和毫米波频段。辐射传输模式MonoRTM有10个输入文件，详见文献[13-14]，用来计算7种不同情况下的亮温值（见表2）。本文主要使用了case3和case5。

表2 MonoRTM辐射传输模式计算亮温的7种不同情况

本文参照文献[2,10]的算法为MonoRTM模拟提供输入的云液态水含量。当相对湿度＜85%，液态水浓度为0g·m-3；相对湿度＞95%，取0.5g·m-3；85%～95%时云液态水浓度为线性关系。

1.3 神经网络反演算法

BP神经网络是一种按误差反向传播训练的多层前馈网络，基本算法由信号的前向传播和误差的反向传播组成[13]。在建立模型时输入层到隐含层为tansig函数，隐含层到输出层为purelin函数，训练方法使用trainlm算法，方法参考文献[14]。本文使用三层BP神经网络模型，38个输入层，分别为MonoRTM模式模拟的35个通道亮温和地面观测站观测的温度、气压和相对湿度；58个输出层，为不同高度层的气温、相对湿度和水汽密度；隐含层数的选取考虑了计算时间、精度等各种因素，最终确定为30。详细计算步骤如下：

（1）样本数据集的建立。对西宁二十里铺站2007～2018年探空历史基数据进行插值处理，得到0～10km共58层的数据，再进行剔除，得到温度、气压和相对湿度三类要素样本数据集，利用经验公式通过计算得到水汽密度样本数据。将探空资料样本数据带入MonoRTM模式通过计算模拟得到地基微波辐射计亮温样本数据。

（2）反演模型的构建。利用BP神经网络配合Mono-RTM模式模拟得到的亮温和地面温度、气压、相对湿度作为输入层，探空样本数据中的58层温度、水汽密度和相对湿度分别作为输出层，通过反复训练并调整隐含层的个数、训练次数、精度等相应参数得到多个BP神经网络反演模型。

（3）反演结果的对比分析。利用不同BP神经网络反演模型对2019年微波辐射计实测亮温进行反演。为了进一步验证研究的BP神经网络反演算法有效性，分别将BP神经网络反演得出的结果和微波辐射计LV2数据产品与探空资料进行对比分析。

比较BP反演廓线与探空资料的绝对误差和标准偏差，就可以对反演精度做出估计。若每个季节的检验样本为Vi（占每个季度样本总数的10%），作为真值的探空测量值记为n，BP反演值记为Ui，这里i表示第i个样本，则反演值对真值（探空测量值）的平均绝对误差（ERRORBAR），标准偏差（SD）分别表示，方法见参考文献[7]：

2 结果分析

2.1 晴空条件

图1为晴空条件下冬季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的冬季温度与探空资料拟合度均较高，R2均在0.80以上，BP神经网络反演效果略优；BP神经网络与微波辐射计反演的冬季水汽密度与探空资料拟合度均一般，R2均在0.50以上，BP神经网络反演效果更佳；BP神经网络反演的冬季相对湿度与探空资料拟合度一般，R2为0.45，而微波辐射计反演效果极差，R2仅为0.01。

图1 晴空冬季探空资料分别与微波辐射计（上）、BP神经网络（下）反演结果的线性拟合 （a.温度，单位：°C；b.水汽密度，单位：g/m3；c.相对湿度，单位：%）

图2为晴空条件下春季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的春季温度与探空资料拟合度均较高，R2均在0.80以上，BP神经网络反演效果略优；BP神经网络反演的春季水汽密度与探空资料拟合度较高，R2为0.66，而微波辐射计反演效果极差，R2仅为0.00；BP神经网络与微波辐射计反演的春季相对湿度与探空资料拟合度均较差，相对而言，BP神经网络反演效果更优。

图2 同图1，但为春季

图3为晴空条件下夏季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的夏季温度与探空资料拟合度均极高，R2均在0.90以上，微波辐射计反演效果略优；BP神经网络与微波辐射计反演的夏季水汽密度与探空资料拟合度均较高，R2均在0.70以上，微波辐射计反演效果更优；BP神经网络与微波辐射计反演的夏季相对湿度与探空资料拟合度均较差，相对而言，BP神经网络反演效果更优。

图3 同图1，但为夏季

图4为晴空条件下秋季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的秋季温度与探空资料拟合度均极高，R2均在0.90以上，BP神经网络反演效果略优；BP神经网络与微波辐射计反演的秋季水汽密度与探空资料拟合度均极高，R2均在0.90以上，微波辐射计反演效果略优；BP神经网络与微波辐射计反演的秋季相对湿度与探空资料拟合度均较高，R2均在0.60以上，微波辐射计反演效果更优。

图4 同图1，但为秋季

综上所述，晴空条件下冬春季BP神经网络反演效果优于微波辐射计，夏秋季反之，这与康晓燕等[8]的研究结论基本一致；BP神经网络与微波辐射计这两种方法在温度反演上效果最佳，水汽密度次之，相对湿度最差；夏秋季BP神经网络反演效果相对于微波辐射计较差可能是受到晴空样本较少以及水汽密度变化较大的影响。

2.2 有云条件

图5为有云条件下冬季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的冬季温度与探空资料拟合度均较高，R2均在0.75以上，BP神经网络反演效果略优；BP神经网络反演的冬季水汽密度与探空资料拟合度较高，R2为0.67，而微波辐射计反演效果极差，R2仅为0.08；BP神经网络反演的冬季相对湿度与探空资料拟合度较差，R2为0.32，而微波辐射计反演效果极差，R2仅为0.08。

图5 有云冬季探空资料分别与微波辐射计（上）、BP神经网络（下）反演结果的线性拟合 （a.温度，单位：°C；b.水汽密度，单位：g/m3；c.相对湿度，单位：%）

图6为有云条件下春季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的春季温度与探空资料拟合度均较高，R2均在0.60以上，BP神经网络反演效果更优；BP神经网络反演的春季水汽密度与探空资料拟合度较高，R2为0.64，而微波辐射计反演效果极差，R2仅为0.03；BP神经网络反演的春季相对湿度与探空资料拟合度较高，R2为0.54，而微波辐射计反演效果极差，R2仅为0.01。

图6 同图5，但为春季

图7为有云条件下夏季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络反演的夏季温度与探空资料拟合度极高，R2为0.90，微波辐射计反演效果次之，R2为0.68；BP神经网络反演的夏季水汽密度与探空资料拟合度较高，R2为0.59，微波辐射计反演效果极差，R2仅为0.02；BP神经网络反演的夏季相对湿度与探空资料拟合度较高，R2为0.78，微波辐射计反演效果极差，R2仅为0.06。

图7 同图5，但为夏季

图8为有云条件下秋季探空资料分别与微波辐射计、BP神经网络反演温度、水汽密度和相对湿度的线性拟合。如图所示，BP神经网络与微波辐射计反演的秋季温度与探空资料拟合度均极高，R2均在0.90以上，微波辐射计反演效果略优；BP神经网络与微波辐射计反演的秋季水汽密度与探空资料拟合度均较高，R2均在0.60以上，BP神经网络反演效果略优；微波辐射计反演的秋季相对湿度与探空资料拟合度较高，R2为0.53，BP神经网络反演效果较差，R2为0.38。

图8 同图5，但为秋季

综上所述，有云条件下，BP神经网络温度反演效

果在冬、春和夏季均优于微波辐射计；BP神经网络水汽密度反演效果在四季均较好，相对微波辐射计有明显提升；除秋季外，BP神经网络相对湿度反演效果均较微波辐射计更佳，尤其是春、夏季提升明显。

2.3 反演精度对比

表3、表4分别给出了晴空和有云条件下春、夏、秋、冬四个季节微波辐射计、BP神经网络反演结果与探空资料的精度对比。晴空条件下，在ERRORBAR与SD对比中，BP神经网络均优于微波辐射计；BP神经网络反演温度的ERRORBAR四季平均减少3.17℃，水汽密度的减少1.96g/m3，相对湿度的减少13.46%；BP神经网络反演相对湿度的精度提高最为明显，其中夏季相对湿度反演精度提高了29.89%；BP神经网络反演三种大气廓线的精度在春季提高最显著。有云条件下，BP神经网络反演相对湿度的精度提高最为明显，秋季提高了16.33%，其次是反演温度的ERRORBAR四季平均减少4.97℃，SD平均为3.12℃。

表3 晴空条件下微波辐射计、BP神经网络反演结果与探空资料的精度对比

表4 有云条件下微波辐射计、BP神经网络反演结果与探空资料的精度对比

结合图1～8、表3和表4来看，BP神经网络反演效果优于微波辐射计。BP神经网络和微波辐射计反演算法使用了相同原理，但在模型参数如输入层、输出层、隐层节点数等方面有较大差异，这就导致在不同天气条件和不同季节进行BP神经网络反演可以显著提高微波辐射计的观测能力。这与张雪芬等[15]、丁虹鑫等[16]研究结论一致。

2.4 大气廓线对比

图9给出晴空条件下各季探空、微波辐射计和BP神经网络反演的温度、水汽密度及相对湿度廓线对比。就温度廓线而言，BP神经网络反演效果更优，尤其是春、夏和秋季；除秋季外，微波辐射计反演误差明显较大；微波辐射计反演温度在中低层高于高层的主要原因，一是大气下层对微波辐射计的亮温贡献较大[17]，二是高原地区温度过低、低层存在逆温层影响反演精度[18]。就水汽密度而言，各个季节BP神经网络在中低层的反演精度均较高，其中冬春季4～10km高度的水汽密度反演精度远高于微波辐射计。就相对湿度而言，BP神经网络反演结果变化较大但基本和探空资料趋势一致，其精度远高于微波辐射计；微波辐射计反演结果与探空资料差异较大，这可能是由于其在相对湿度探测方面更为灵敏，导致结果不如探空数据稳定。

图9 晴空条件下各季探空、微波辐射计和BP神经网络反演的温度（左）、水汽密度（中）及相对湿度（右）廓线对比（a～c.冬季，d～f.春季，g～i.夏季，j～l.秋季，黑点线表示探空资料，红点线表示微波辐射计反演结果，蓝点线表示BP神经网络反演结果）

图10给出在有云条件下各季探空、微波辐射计和BP神经网络反演的温度、水汽密度及相对湿度廓线对比。就温度廓线而言，与晴空条件基本一致，BP神经网络反演效果较微波辐射计更好，可以较好地反映大气温度垂直上的变化。对于水汽密度和相对湿度，同样是BP神经网络反演效果优于微波辐射计，其在4～10km反演精度较高，尤其是8～10km效果更佳。这与以往研究结论不一致，高原上云顶一般在8km以下，虽然下层对微波辐射计的亮温贡献大，但上层云顶以上大气状况变化较稳定。造成这种现象的主要原因，一是受微波辐射计仪器本身影响较大，尤其是在有云条件下；二是利用近10年探空资料建立的反演模型，对较稳定的上层反演能力较强，而对变化较复杂的中低层反演能力较差。

图10 有云条件下各季探空、微波辐射计和BP神经网络反演的温度（左）、水汽密度（中）及相对湿度（右）廓线对比（a～c.冬季，d～f.春季，g～i.夏季，j～l.秋季，蓝点线表示探空资料，红点线表示微波辐射计反演结果，绿点线表示BP神经网络反演结果）

3 结论与讨论

本文基于2007～2018年西宁站探空资料和MonoRTM模式模拟的亮温数据，通过BP神经网络反复训练建立反演模型，以2019年探空资料为测试样本，对比分析不同季节和天气条件下BP神经网络与微波辐射计的反演效果，结论如下：

（1）晴空条件下冬春季BP神经网络反演效果优于微波辐射计，夏秋季反之；BP神经网络与微波辐射计这两种方法在温度反演上效果最佳，水汽密度次之，相对湿度最差；夏秋季BP神经网络反演效果相对于微波辐射计较差可能是受到晴空样本较少以及水汽密度变化较大的影响。有云条件下，BP神经网络温度反演效果在冬、春和夏季均优于微波辐射计；BP神经网络水汽密度反演效果在四季均较好，相对微波辐射计有明显提升；除秋季外，BP神经网络相对湿度反演效果均较微波辐射计更佳，尤其是春、夏季提升明显。

（2）晴空条件下，在ERRORBAR与SD对比中，BP神经网络均优于微波辐射计；BP神经网络反演温度的ERRORBAR四季平均减少3.17℃，水汽密度的减少1.96g/m3，相对湿度的减少13.46%；BP神经网络反演相对湿度的精度提高最为明显，其中夏季相对湿度反演精度提高了29.89%；BP神经网络反演三种大气廓线的精度在春季提高最显著。有云条件下，BP神经网络反演相对湿度的精度提高最为明显，秋季提高了16.33%，其次是反演温度的ERRORBAR四季平均减少4.97℃，SD平均为3.12℃。

（3）晴空条件下，BP神经网络反演温度廓线效果更优，尤其是春、夏和秋季；各个季节BP神经网络反演水汽密度廓线在中低层的精度均较高，其中冬春季4～10km高度的水汽密度反演精度远高于微波辐射计；BP神经网络反演相对湿度廓线变化较大但基本和探空资料趋势一致，其精度远高于微波辐射计；微波辐射计反演相对湿度结果与探空资料差异较大，这可能是由于其在相对湿度探测方面更为灵敏，导致其变化不如探空数据稳定。有云条件下，BP神经网络对温度、水汽密度和相对湿度廓线的反演效果均优于微波辐射计，其中对于水汽密度和相对湿度，BP神经网络在4～10km反演精度较高，尤其是8～10km效果更佳。

微波遥感反演算法从早期的经验统计算法逐步发展到神经网络反演算法，已经有了很大的进步，然而，要发展实用的、可本地业务化的神经网络反演算法，还有需要加大研究力度。今后，可以通过调整神经网络结构、增加训练样本，将晴天、有云分开训练的同时，考虑将不同高度层分开训练，也可以利用高精度GPS探空仪和飞机云物理探测数据对反演结果进行订正，减小反演误差。相信随着微波辐射计技术的发展，各种数据源的综合利用，神经网络算法的不断完善，微波辐射计反演温、湿、水汽密度廓线将成为探空观测的有效手段之一。