CN108508442A - 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 - Google Patents
一种基于地基多通道微波辐射计的大气温湿廓线反演方法 Download PDFInfo
- Publication number
- CN108508442A CN108508442A CN201810216530.8A CN201810216530A CN108508442A CN 108508442 A CN108508442 A CN 108508442A CN 201810216530 A CN201810216530 A CN 201810216530A CN 108508442 A CN108508442 A CN 108508442A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- bright temperature
- network
- atmosphere
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/958—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于地基多通道微波辐射计的大气温湿廓线反演方法,属于气象探测技术领域。所述方法选择22通道微波辐射计,首先获取微波辐射计数据;利用辐射传输模型计算出历史探空廓线数据对应的模拟亮温数据,并据此对建立的用于反演大气温湿廓线的BP神经网络进行训练;用训练好的BP神经网络来反演大气温湿廓线。本发明提供的BP神经网络的模型简单,原理易懂,能够以足够的精度反演大气温度、相对湿度、水汽密度廓线,比其他反演算法更为简单易行,具有通用性;本发明针对两种不同的天气状况进行分类,对不同的天气训练各自的网络,进而更高地提升反演精度,符合实际问题的需要。
Description
技术领域
本发明属于气象探测技术领域,具体涉及一种基于地基多通道微波辐射计的大气温湿廓线反演方法。
背景技术
大气温湿廓线,即大气温度、相对湿度、水汽密度(绝对湿度)等信息与海拔高度的变化关系曲线,是大气环境的重要参数。微波辐射计具有便于携带、可无人值守连续工作、分辨率高、校准方法可靠、操作简单等优点,正在逐渐成为大气信息遥感探测的重要仪器。多通道微波辐射计可以测得大气在其每个通道频率处的辐射强度,得出每个通道的亮温值,然后即可通过自身的算法求出不同高度层的温湿度具体数值。
常见的大气温湿廓线反演方法:统计回归法、神经网络法、卡尔曼滤波法、最优估计法、遗传算法、迭代算法等,而不同的反演方法有各自的优缺点。参考文献1(中国海洋大学研究生学位论文2005年,徐萍的《NOAA卫星ATOVS资料反演大气温、湿廓线及其在中尺度气象模式中的同化试验》)中提到,统计回归法本质上是一种线性回归模型,它是根据各通道的亮温测量值和大气温、湿度及各种吸收气体的垂直浓度分布之间的相关关系而建立起来的统计回归关系。该方法是利用大量的亮温测量值和大气参数匹配样本,计算出相关系数,再利用相关系数对亮温测量值进行所需参数的反演。该方法不直接求解辐射传输方程,所以计算速度快,时效性强,并且在解的稳定性上一直受到推崇,同时它对仪器的定标精度也不敏感,在低纬和海洋区域,是目前所有方法中精度较好的一种。但是,有时候在回归分析中,选用何种因子和该因子采用何种表达式只是一种推测,这影响了因子的多样性和某些因子的不可测性,使得回归分析在某些情况下受到限制。物理反演方法是依据微波辐射计的亮温测量值直接求解辐射传递方程,其优点是求解方法较为简单,如线性迭代法(Strand,1974)、Smith迭代法(Smith,1970)、Chahine松弛迭代法(Chahine,1972)等,但是这些迭代算法忽略了大气温度场的内在联系,而且由于多重迭代的原因在运算时间上会付出很大代价。
BP(Back Propagation)人工神经网络法具有运算速度快,稳定性好,算法简单,便于处理大量数据,无需建模且易于实现的优点。BP神经网络,即误差反向传播网络,是一种多层前向网络,于1986年由Rumelhart提出。参考文献2(中国科学院研究生院硕士学位论文2010年,周玉驰的《地基多通道微波辐射计反演大气温湿廓线的研究》)中提到,误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层的各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,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,或者预先设定的学习次数为止。
发明内容
本发明提出一种基于地基多通道微波辐射计的大气温湿廓线反演方法。本发明中提供的方法区别于现有方法的显著特征在于:其一,针对MP-3000A型地基22通道微波辐射计,本发明建立了适用于此微波辐射计的BP神经网络,指定了BP神经网络的结构,包括BP神经网络的层数、每层的节点数以及每层的激活函数;其二,对于建立的BP神经网络,在训练神经网络参数时,指定了训练方法,并且根据天气情况进行分类,对不同的天气状况分别训练各自的BP神经网络;其三,对训练所用的数据进行了必要处理,包括对数据的随机打乱、异常数据剔除、归一化等操作。本发明基于MP-3000A型地基22通道微波辐射计数据,制定了反演大气温湿廓线的方法,同时考虑两种不同的天气状况(晴天无云、云天无雨),对不同的天气训练各自的BP神经网络。经过试验与分析,对神经网络结构、训练样本数据、训练方法进行了合理安排,验证结果也表明BP神经网络能很好地满足反演温湿廓线的实际需要。
本发明提供的一种基于地基多通道微波辐射计的大气温湿廓线反演方法,具体包括以下几个步骤:
步骤一:选择满足需求的地基多通道微波辐射计,获取微波辐射计数据,所述数据应包括微波辐射计的通道数量、每个通道的探测频率、每个通道的亮温测量值以及微波辐射计反演出的温湿廓线数据。
本发明选择MP-3000A型微波辐射计,有22个通道,其探测频率包括K波段20GHz~30GHz水汽吸收谱线区和V波段50GHz~60GHz氧气吸收谱线区,该型微波辐射计正是通过测量这两个波段的亮温数据反演出大气温湿度廓线数据的。所述的微波辐射计的中心频率分别是22.234GHz,22.5GHz,23.034GHz,23.834GHz,25.000GHz,26.234GHz,28.000GHz,30.000GHz,51.248GHz,51.760GHz,52.280GHz,52.804GHz,53.336GHz,53.848GHz,54.400GHz,54.940GHz,55.500GHz,56.020GHz,56.660GHz,57.288GHz,57.964GHz,58.800GHz。微波辐射计大约每135s输出一次数据,输出数据包括两种:每个通道的亮温数据、0~10km高空的58个高度层的温湿廓线数据。
步骤二:获取历史探空廓线数据,利用辐射传输模型(MonoRTM模型)计算出历史探空廓线数据对应的模拟亮温数据。
由于训练神经网络需要大量的样本数据,而实测的微波辐射计数据有限,通常的做法是以历史探空廓线数据为输入,利用MonoRTM模型计算出模拟亮温数据,从而保证训练样本有足够的数据量。本发明利用的历史探空廓线数据是黑龙江省哈尔滨市自2013年~2015年的探空资料,内容包含了0~30km高空处的温度、相对湿度、大气压、采样时间、海拔高度等若干信息。若历史探空廓线数据在竖直方向上的分布过于稀疏,则要对其进行线性插值操作;若其过于稠密,则要进行提取操作。然后利用MonoRTM辐射传输模式,计算出与历史探空廓线数据对应的模拟亮温数据,并对其进行格式处理,以保证模拟亮温数据的数据格式与微波辐射计亮温数据格式一致。
步骤三:建立用于反演大气温湿廓线的BP神经网络。
神经网络方法可以很好地求解非线性问题,理论上三层的BP神经网络就可以实现对任何连续函数的模拟。建立三层BP神经网络,神经网络的输入为微波辐射计每个通道的亮温数据和若干地面参数信息,输出为每个高度层的温度、相对湿度、水汽密度等物理量,需要对神经网络的输入层、隐含层、输出层的节点数进行合理设置。输入层的节点数等于微波辐射计的亮温数据输出个数(即微波辐射计通道数)、地面参数(地面温度、地面湿度、地面大气压等)个数和云底温度的个数之和,本发明输入层节点数为26(对于晴天无云的神经网络,由于没有云底温度,输入节点总数为25);输出层的节点个数可根据需要自行规定,一个节点代表一个高度层,本发明对海拔高度进行分层,0~10km共分为58层,故输出层节点数为58;隐含层的节点一般是先通过经验公式来计算,然后在经验公式得出的结果附近进行多次试验,最后方可确定出隐含层的节点个数。对于网络激活函数、初始权值的选取,也要经过大量试验后才能确定。
步骤四:利用步骤二中的历史探空廓线数据与得出的模拟亮温数据训练BP神经网络。
首先将模拟亮温数据与历史探空廓线数据分别作为神经网络的输入和输出值对应起来,再将这3年的数据顺序随机打乱,抽出90%的数据作为训练数据,其余10%为验证数据。然后去除异常数据,再将训练数据归一化至区间[-1,1],数据处理完毕后即可开始训练神经网络:
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入BP神经网络,将与之对应的温度廓线数据亦分别作为BP神经网络的期望输出,训练完毕得到network 1、network 2、network 3;
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入BP神经网络,将与之对应的相对湿度廓线数据亦分别作为BP神经网络的期望输出,训练完毕得到network4、network 5、network 6;
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入神经网络,将与之对应的水汽密度廓线数据亦分别作为神经网络的期望输出,训练完毕得到network 7、network 8、network 9;
步骤五:用训练好的BP神经网络来反演大气温湿廓线。
将微波辐射计测量的亮温数据输入训练好的BP神经网络中,即可进行温湿廓线的反演。
本发明的优点在于:
第一,本发明对大气温湿廓线进行反演,提出一种BP神经网络反演算法,并规定了其网络结构(包括神经网络层数、各层节点数、各层激活函数、训练方法)。该BP神经网络的模型简单,原理易懂,能够以足够的精度反演大气温度、相对湿度、水汽密度廓线,比其他反演算法更为简单易行,具有通用性。
第二,本发明提出的基于地基多通道微波辐射计的大气温湿廓线反演方法,针对两种不同的天气状况进行分类,对不同的天气训练各自的网络,进而更高地提升反演精度,符合实际问题的需要。
附图说明
图1为本发明提出的大气温湿廓线反演方法的流程图。
图2为本发明中BP神经网络的结构图。
具体实施方式
下面将结合附图对本发明进行详细说明。
本发明提出一种基于地基多通道微波辐射计的大气温湿廓线反演方法。基于地基22通道微波辐射计,制定了反演大气温湿廓线的方法,同时考虑两种不同的天气状况(晴天无云、云天无雨),对不同的天气状况训练各自的神经网络。经过试验与分析,对神经网络结构、训练样本数据、训练方法进行了合理安排,验证结果也表明网络能很好地满足反演温湿廓线的实际需要。
本发明提供的一种基于地基多通道微波辐射计的大气温湿廓线反演方法,如图1所示流程,具体包括以下几个步骤:
步骤一:选择满足需求的地基多通道微波辐射计,获取微波辐射计数据,数据内应包括微波辐射计的通道数量、每个通道的探测频率、每个通道的亮温测量值以及微波辐射计反演出的温湿廓线数据。
本发明选择MP-3000A型微波辐射计,有22个通道,其探测频率包括K波段20GHz~30GHz水汽吸收谱线区和V波段50GHz~60GHz氧气吸收谱线区,该型微波辐射计正是通过测量这两个波段的亮温数据反演出大气温湿度廓线数据的。所述的微波辐射计的中心频率分别是22.234GHz,22.5GHz,23.034GHz,23.834GHz,25.000GHz,26.234GHz,28.000GHz,30.000GHz,51.248GHz,51.760GHz,52.280GHz,52.804GHz,53.336GHz,53.848GHz,54.400GHz,54.940GHz,55.500GHz,56.020GHz,56.660GHz,57.288GHz,57.964GHz,58.800GHz。微波辐射计大约每135s输出一次数据,输出数据包括两种:每个通道的亮温数据、0~10km高空的58个高度层的温湿廓线数据。微波辐射计的温湿廓线数据分层方法如下:从地表至0.5km高度每50米为一层,在0.5km~2km高度上每100米为一层,在2km~10km每250米为一层,0~10km共分为58层。
步骤二:获取历史探空廓线数据,利用辐射传输模型MonoRTM计算出历史探空廓线数据对应的模拟亮温数据。
由于训练神经网络需要大量的样本数据,而实测的微波辐射计数据有限,通常的做法是以历史探空数据为输入,利用MonoRTM模型计算出模拟亮温数据,从而保证训练样本有足够的数据量。本发明利用的探空数据是黑龙江省哈尔滨市自2013年~2015年的探空资料,内容包含了0~30km高空处的温度、相对湿度、大气压、采样时间、海拔高度等若干信息。若历史探空廓线数据在竖直方向上的分布过于稀疏,则要对其进行线性插值操作;若其过于稠密,则要进行提取操作。本发明中采用的探空数据为秒级数据,而探空气球升空的速度为5~7m/s,所以海拔高度每次的变化也只有5~7m,数据过于稠密,为了得到与微波辐射计温湿廓线数据相符的探空数据,需要对探空数据进行提取操作,数据提取方法如下:利用探空数据中所包含的海拔高度信息,进行数学判断,从地表至0.5km高度每50米提取一次,在0.5km~2km高度上每100米提取一次,在2km~10km每250米提取一次,即可提取出探空数据里0~10km高空的58层数据(分层方式与步骤一中微波辐射计温湿廓线数据相同)。然后利用MonoRTM辐射传输模式,计算出与历史探空资料对应的模拟亮温数据,并对其进行格式处理,以保证模拟亮温的数据格式与微波辐射计亮温数据格式一致。
步骤三:建立用于反演大气温湿廓线的BP神经网络。
神经网络方法可以很好地求解非线性问题,理论上三层的BP神经网络就可以实现对任何连续函数的模拟。建立三层BP神经网络,如图2所示。神经网络的输入为微波辐射计每个通道的亮温和若干地面信息,输出为每个高度层的温度、相对湿度、水汽密度等物理量,需要对神经网络的输入层、隐含层、输出层的节点数进行合理设置。输入层的节点数等于微波辐射计的亮温输出个数(即微波辐射计通道数)、地面参数(地面温度、地面湿度、地面大气压等)个数和云底温度的个数之和,本发明输入层节点数为26(对于晴天无云的神经网络,由于没有云底温度,输入节点总数为25);输出层的节点个数可根据需要自行规定,一个节点代表一个高度层,本发明对海拔高度进行分层,0~10km共分为58层(分层方式同微波辐射计数据),故输出层节点数为58;隐含层的节点一般是先通过经验公式来计算,经验公式为:
上式中m为输出层节点数,n为输入层节点数,h为隐含层节点数。
然后在经验公式得出的结果附近进行多次试验,最后方可确定出隐含层的节点个数。对于网络激活函数、初始权值的选取,也要经过大量试验后才能确定。
经过大量试验,本发明确定了各神经网络的结构参数:
对于反演温度的神经网络,其结构参数如表1所示:
表1温度反演神经网络结构参数
隐含层节点数 | 40 |
训练方法 | RPROP |
隐含层激活函数 | ELLIOT_SYMMETRIC |
输出层激活函数 | SIN_SYMMETRIC |
初始权值区间 | [-0.01,0.01] |
对于反演相对湿度的神经网络,其结构参数如表2所示:
表2相对湿度反演神经网络结构参数
隐含层节点数 | 42 |
训练方法 | RPROP |
隐含层激活函数 | GAUSSIAN_SYMMETRIC |
输出层激活函数 | SIGMOID_SYMMETRIC |
初始权值区间 | [-0.07,0.07] |
对于反演水汽密度的神经网络,其结构参数如表3所示:
表3水汽密度反演神经网络结构参数
隐含层节点数 | 45 |
训练方法 | RPROP |
隐含层激活函数 | GAUSSIAN_SYMMETRIC |
输出层激活函数 | SIGMOID_SYMMETRIC |
初始权值区间 | [-05,0.5] |
表1、表2、表3中提到的训练方法RPROP为Riedmiller和Braun在1993年提出的弹性反向传播法,该方法有自适应性,所以不用设置学习率。
表1、表2、表3中提到的激活函数分别为:
ELLIOT_SYMMETRIC:
SIN_SYMMETRIC:
GAUSSIAN_SYMMETRIC:
SIGMOID_SYMMETRIC:
表1、表2、表3中提到的初始权值区间是指在训练神经网络之前,应将神经网络的权值初始化为该区间内的随机数。
步骤四:利用步骤二中的历史探空廓线数据与得出的模拟亮温数据训练网络。
首先将模拟亮温数据与历史探空数据分别作为神经网络的输入和输出值对应起来,再将这3年的数据顺序随机打乱,抽出90%的数据作为训练数据,其余10%为验证数据。然后去除异常数据,异常值的判断方法如下:
假设现有一组数据:
x1,x2,x3,…,xn
则平均值为:
标准差σ为:
若则xi(i=1,2,3,…,n)为异常值。
再将训练数据归一化至区间[-1,1],归一化方式如下:
上式中xmax、xmin分别是该组数据中的最大值、最小值。
归一化的目的有以下两点:
(1)输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢、训练时间长。
(2)数据范围大的输入在模式分类中的作用可能会偏大,而数据范围小的输入作用就可能会偏小。
数据处理完毕后即可开始训练神经网络:
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入神经网络,将与之对应的温度廓线数据亦分别作为神经网络的期望输出,最大迭代次数设置为20000次,目标误差(MSE)为0.0001,其余参数按照表1的内容选取,训练完毕得到network1、network2、network 3;
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入神经网络,将与之对应的相对湿度廓线数据亦分别作为神经网络的期望输出,最大迭代次数设置为20000次,目标误差(MSE)为0.0001,其余参数按照表2的内容选取,训练完毕得到network4、network 5、network 6;
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入神经网络,将与之对应的水汽密度廓线数据亦分别作为神经网络的期望输出,最大迭代次数设置为20000次,目标误差(MSE)为0.0001,其余参数按照表3的内容选取,训练完毕得到network7、network 8、network 9;
步骤五:用训练好的神经网络来反演大气温湿廓线。
将微波辐射计亮温数据输入训练好的神经网络network 1~9中,即可进行温湿廓线的反演。
Claims (4)
1.一种基于地基多通道微波辐射计的大气温湿廓线反演方法,其特征在于:具体包括以下步骤,
步骤一:获取微波辐射计数据,所述数据应包括微波辐射计的通道数量、每个通道的探测频率、每个通道的亮温测量值以及微波辐射计反演出的温湿廓线数据;
步骤二:获取历史探空廓线数据,利用辐射传输模型计算出历史探空廓线数据对应的模拟亮温数据;
步骤三:建立用于反演大气温湿廓线的BP神经网络;
步骤四:利用步骤二中的历史探空廓线数据与得出的模拟亮温数据训练BP神经网络;
首先将模拟亮温数据与历史探空廓线数据分别作为神经网络的输入和输出值对应起来,再将历史探空廓线数据顺序随机打乱,抽出90%的数据作为训练数据,其余10%为验证数据;然后去除异常数据,再将训练数据归一化至区间[-1,1],数据处理完毕后即开始训练神经网络:
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入BP神经网络,将与之对应的温度廓线数据亦分别作为BP神经网络的期望输出,训练完毕得到network 1、network 2、network 3;
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入BP神经网络,将与之对应的相对湿度廓线数据亦分别作为BP神经网络的期望输出,训练完毕得到network 4、network 5、network 6;
将全部的亮温数据、晴天无云的亮温数据、云天无雨的亮温数据分别输入神经网络,将与之对应的水汽密度廓线数据亦分别作为神经网络的期望输出,训练完毕得到network 7、network 8、network 9;
步骤五:用训练好的BP神经网络来反演大气温湿廓线。
将微波辐射计测量的亮温数据输入训练好的BP神经网络中,即可进行温湿廓线的反演。
2.根据权利要求1所述的一种基于地基多通道微波辐射计的大气温湿廓线反演方法,其特征在于:所述的微波辐射计为MP-3000A型微波辐射计,有22个通道,其探测频率包括K波段20GHz~30GHz水汽吸收谱线区和V波段50GHz~60GHz氧气吸收谱线区,所述的微波辐射计的中心频率分别是22.234GHz,22.5GHz,23.034GHz,23.834GHz,25.000GHz,26.234GHz,28.000GHz,30.000GHz,51.248GHz,51.760GHz,52.280GHz,52.804GHz,53.336GHz,53.848GHz,54.400GHz,54.940GHz,55.500GHz,56.020GHz,56.660GHz,57.288GHz,57.964GHz,58.800GHz;微波辐射计每135s输出一次数据,输出数据包括两种:每个通道的亮温数据、0~10km高空的58个高度层的温湿廓线数据。
3.根据权利要求1所述的一种基于地基多通道微波辐射计的大气温湿廓线反演方法,其特征在于:所述的神经网络包括输入层、隐含层和输出层,输入层的节点数为26,输出层的节点数为58;隐含层的节点数通过经验公式来确定。
4.根据权利要求1所述的一种基于地基多通道微波辐射计的大气温湿廓线反演方法,其特征在于:所述的神经网络,用于温度反演神经网络结构参数包括:
对于反演相对湿度的神经网络,其结构参数如下所示:
对于反演水汽密度的神经网络,其结构参数如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810216530.8A CN108508442A (zh) | 2018-03-16 | 2018-03-16 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810216530.8A CN108508442A (zh) | 2018-03-16 | 2018-03-16 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108508442A true CN108508442A (zh) | 2018-09-07 |
Family
ID=63376607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810216530.8A Pending CN108508442A (zh) | 2018-03-16 | 2018-03-16 | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508442A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507674A (zh) * | 2018-12-03 | 2019-03-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于非相干散射雷达的热层温度与氧原子密度反演方法 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及系统 |
CN111610524A (zh) * | 2020-05-09 | 2020-09-01 | 华中科技大学 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
CN111651934A (zh) * | 2020-05-25 | 2020-09-11 | 华中科技大学 | 一种冰云廓线反演方法 |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737641A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于神经网络的mwhts通道权重函数计算方法 |
CN112329334A (zh) * | 2020-10-15 | 2021-02-05 | 洛阳师范学院 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
CN112462369A (zh) * | 2020-10-30 | 2021-03-09 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种用于微波成像仪反演海上大气可降水的方法及装置 |
CN112730314A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于大气温湿度探测的多频太赫兹探测仪通道选取方法 |
CN112835046A (zh) * | 2021-01-07 | 2021-05-25 | 航天新气象科技有限公司 | 基于bp环境感知的风廓线雷达自适应探测方法及系统 |
CN113094653A (zh) * | 2021-04-01 | 2021-07-09 | 北京环境特性研究所 | 一种重建大气温度轮廓线的方法 |
CN113127530A (zh) * | 2021-03-05 | 2021-07-16 | 中国气象科学研究院 | 一种基于铁路网的大气三维结构动态探测信息群同化系统 |
CN113340836A (zh) * | 2021-05-18 | 2021-09-03 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种针对高纬复杂下垫面的大气温湿廓线反演方法 |
CN113670951A (zh) * | 2021-07-01 | 2021-11-19 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于船载、车载移动平台的微波辐射计自适应反演算法 |
CN114325873A (zh) * | 2022-03-07 | 2022-04-12 | 知一航宇(北京)科技有限公司 | 一种大气温湿廓线探测仪的亮温数据尺度精细化方法 |
CN114371519A (zh) * | 2021-12-22 | 2022-04-19 | 华东师范大学 | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
CN114462301A (zh) * | 2022-01-04 | 2022-05-10 | 湖北工业大学 | 一种微波和红外联合的电缆接头内部温度反演方法 |
CN115270068A (zh) * | 2022-09-27 | 2022-11-01 | 山东省科学院海洋仪器仪表研究所 | 基于浮标平台的海上斜路径大气湿延迟快速估算方法 |
CN118131240A (zh) * | 2024-04-30 | 2024-06-04 | 中国气象局武汉暴雨研究所 | 一种融合毫米波云雷达和微波辐射计数据的气温订正方法 |
CN118131240B (zh) * | 2024-04-30 | 2024-07-12 | 中国气象局武汉暴雨研究所 | 一种融合毫米波云雷达和微波辐射计数据的气温订正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792538A (zh) * | 2014-02-24 | 2014-05-14 | 北京航空航天大学 | 一种基于地基高光谱微波辐射计的大气廓线反演方法 |
CN104007486A (zh) * | 2014-06-05 | 2014-08-27 | 中国气象局气象探测中心 | 主被动遥感相结合的大气温湿度廓线处理方法及系统 |
CN104181507A (zh) * | 2013-05-23 | 2014-12-03 | 中国科学院空间科学与应用研究中心 | 一种用于地基微波辐射计的数据处理与控制装置 |
CN107238826A (zh) * | 2017-06-09 | 2017-10-10 | 杨波 | 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
-
2018
- 2018-03-16 CN CN201810216530.8A patent/CN108508442A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181507A (zh) * | 2013-05-23 | 2014-12-03 | 中国科学院空间科学与应用研究中心 | 一种用于地基微波辐射计的数据处理与控制装置 |
CN103792538A (zh) * | 2014-02-24 | 2014-05-14 | 北京航空航天大学 | 一种基于地基高光谱微波辐射计的大气廓线反演方法 |
CN104007486A (zh) * | 2014-06-05 | 2014-08-27 | 中国气象局气象探测中心 | 主被动遥感相结合的大气温湿度廓线处理方法及系统 |
CN107238826A (zh) * | 2017-06-09 | 2017-10-10 | 杨波 | 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
Non-Patent Citations (2)
Title |
---|
王小兰 等: ""地基多通道微波辐射计反演大气温、湿廓线的试验研究"", 《气象水文海洋仪器》 * |
黄兴友 等: ""基于MonoRTM模型的微波辐射计反演方法研究"", 《气象科学》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507674A (zh) * | 2018-12-03 | 2019-03-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于非相干散射雷达的热层温度与氧原子密度反演方法 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及系统 |
CN111610524B (zh) * | 2020-05-09 | 2022-07-12 | 华中科技大学 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
CN111610524A (zh) * | 2020-05-09 | 2020-09-01 | 华中科技大学 | 一种基于一维变分算法的冰云廓线反演方法及系统 |
CN111651934A (zh) * | 2020-05-25 | 2020-09-11 | 华中科技大学 | 一种冰云廓线反演方法 |
CN111651934B (zh) * | 2020-05-25 | 2024-03-22 | 华中科技大学 | 一种冰云廓线反演方法 |
CN111737913A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737641A (zh) * | 2020-06-15 | 2020-10-02 | 洛阳师范学院 | 一种基于神经网络的mwhts通道权重函数计算方法 |
CN111737913B (zh) * | 2020-06-15 | 2023-08-15 | 洛阳师范学院 | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 |
CN111737641B (zh) * | 2020-06-15 | 2023-05-30 | 洛阳师范学院 | 一种基于神经网络的mwhts通道权重函数计算方法 |
CN112329334A (zh) * | 2020-10-15 | 2021-02-05 | 洛阳师范学院 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
CN112329334B (zh) * | 2020-10-15 | 2024-01-23 | 洛阳师范学院 | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 |
CN112462369A (zh) * | 2020-10-30 | 2021-03-09 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种用于微波成像仪反演海上大气可降水的方法及装置 |
CN112730314A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于大气温湿度探测的多频太赫兹探测仪通道选取方法 |
CN112835046A (zh) * | 2021-01-07 | 2021-05-25 | 航天新气象科技有限公司 | 基于bp环境感知的风廓线雷达自适应探测方法及系统 |
CN112835046B (zh) * | 2021-01-07 | 2024-03-29 | 航天新气象科技有限公司 | 基于bp环境感知的风廓线雷达自适应探测方法及系统 |
CN113127530A (zh) * | 2021-03-05 | 2021-07-16 | 中国气象科学研究院 | 一种基于铁路网的大气三维结构动态探测信息群同化系统 |
CN113094653A (zh) * | 2021-04-01 | 2021-07-09 | 北京环境特性研究所 | 一种重建大气温度轮廓线的方法 |
CN113094653B (zh) * | 2021-04-01 | 2023-05-12 | 北京环境特性研究所 | 一种重建大气温度轮廓线的方法 |
CN113340836A (zh) * | 2021-05-18 | 2021-09-03 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种针对高纬复杂下垫面的大气温湿廓线反演方法 |
CN113670951B (zh) * | 2021-07-01 | 2023-06-23 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于船载、车载移动平台的微波辐射计自适应反演算法 |
CN113670951A (zh) * | 2021-07-01 | 2021-11-19 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于船载、车载移动平台的微波辐射计自适应反演算法 |
CN114371519B (zh) * | 2021-12-22 | 2023-06-23 | 华东师范大学 | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
CN114371519A (zh) * | 2021-12-22 | 2022-04-19 | 华东师范大学 | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
CN114462301A (zh) * | 2022-01-04 | 2022-05-10 | 湖北工业大学 | 一种微波和红外联合的电缆接头内部温度反演方法 |
CN114462301B (zh) * | 2022-01-04 | 2024-04-12 | 湖北工业大学 | 一种微波和红外联合的电缆接头内部温度反演方法 |
CN114325873B (zh) * | 2022-03-07 | 2022-05-31 | 知一航宇(北京)科技有限公司 | 一种大气温湿廓线探测仪的亮温数据尺度精细化方法 |
CN114325873A (zh) * | 2022-03-07 | 2022-04-12 | 知一航宇(北京)科技有限公司 | 一种大气温湿廓线探测仪的亮温数据尺度精细化方法 |
CN115270068A (zh) * | 2022-09-27 | 2022-11-01 | 山东省科学院海洋仪器仪表研究所 | 基于浮标平台的海上斜路径大气湿延迟快速估算方法 |
CN118131240A (zh) * | 2024-04-30 | 2024-06-04 | 中国气象局武汉暴雨研究所 | 一种融合毫米波云雷达和微波辐射计数据的气温订正方法 |
CN118131240B (zh) * | 2024-04-30 | 2024-07-12 | 中国气象局武汉暴雨研究所 | 一种融合毫米波云雷达和微波辐射计数据的气温订正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108508442A (zh) | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 | |
CN103792538B (zh) | 一种基于地基高光谱微波辐射计的大气廓线反演方法 | |
CN104007486B (zh) | 主被动遥感相结合的大气温湿度廓线处理方法及系统 | |
Pachepsky et al. | The current status of pedotransfer functions: their accuracy, reliability, and utility in field-and regional-scale modeling | |
CN111414991B (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
US7804309B2 (en) | Systems and methods for soil moisture estimation | |
CN111060992B (zh) | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 | |
Frate et al. | A combined natural orthogonal functions/neural network technique for the radiometric estimation of atmospheric profiles | |
CN105930664B (zh) | 一种从被动微波数据估算瞬时地表发射率的方法 | |
Zou et al. | Improved quantitative precipitation forecasts by MHS radiance data assimilation with a newly added cloud detection algorithm | |
CN107356554A (zh) | 一种基于神经网络的反演大气可降水量的modis模型改进方法 | |
CN106646476A (zh) | 一种液态云微物理参数的反演方法 | |
CN112329334B (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
Li et al. | Microwave radiometric technique to retrieve vapor, liquid and ice. I. Development of a neural network-based inversion method | |
CN113553766B (zh) | 一种使用机器学习反演北极积雪深度的方法 | |
Zhang et al. | Season‐based rainfall–runoff modelling using the probability‐distributed model (PDM) for large basins in southeastern Brazil | |
Balashov et al. | Field validation of DNDC and SWAP models for temperature and water content of loamy and sandy loam Spodosols | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
Tárník et al. | Analysis of the development of available soil water storage in the Nitra river catchment | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
Vicente-Serrano et al. | Recent changes and drivers of the atmospheric evaporative demand in the Canary Islands | |
Dumedah et al. | Evaluation of model parameter convergence when using data assimilation for soil moisture estimation | |
Yang et al. | Use of the open-path TDL analyzer to monitor ammonia emissions from winter wheat in the North China Plain | |
CN112965144B (zh) | 一种提高一维变分算法反演大气温湿廓线精度的方法 | |
CN105572677B (zh) | 利用短波辐射估算长波净辐射和下行辐射的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |
|
RJ01 | Rejection of invention patent application after publication |