CN111651934B - 一种冰云廓线反演方法 - Google Patents
一种冰云廓线反演方法 Download PDFInfo
- Publication number
- CN111651934B CN111651934B CN202010448224.4A CN202010448224A CN111651934B CN 111651934 B CN111651934 B CN 111651934B CN 202010448224 A CN202010448224 A CN 202010448224A CN 111651934 B CN111651934 B CN 111651934B
- Authority
- CN
- China
- Prior art keywords
- ice
- profile
- inversion
- aragonite
- cloud
- 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.)
- Active
Links
- 239000008276 ice cloud Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 128
- 238000013528 artificial neural network Methods 0.000 claims abstract description 81
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims abstract description 72
- 230000005855 radiation Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 183
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于冰云反演领域,具体涉及一种冰云廓线反演方法,包括:根据待反演冰云的多频段亮温中的冰粒不敏感频段亮温,计算用于划分待反演冰云的霰廓线类别的中间变量,并基于中间变量采用各类别对应的霰廓线反演神经网络,反演霰廓线;采用反演所得霰廓线,将冰廓线置零,正演无冰亮温并计算其与多频段亮温中冰粒敏感频段亮温的亮温差;根据亮温差计算用于划分待反演冰云的冰廓线类别的中间变量,并基于中间变量采用各类别对应的冰廓线反演神经网络,反演冰廓线;合并反演所得所有霰、冰廓线而得到冰云廓线。本发明利用不同频段亮温对冰、霰粒子辐射差异,对冰、霰粒子分别反演;并对不同类廓线采用不同神经网络,降低反演复杂度并提高反演精度。
Description
技术领域
本发明属于冰云反演技术领域,更具体地,涉及一种冰云廓线反演方法。
背景技术
冰云对地球能量循环和水汽循环都有着明显的影响,因此研究冰云粒子的物理结构特性,对大气辐射传输模式、气候气象云模式和灾害天气预报等研究领域都具有重要意义。因此,从卫星观测资料中及时、准确的反演冰云廓线,具有十分重要的意义。
冰云中冰相粒子尺寸主要集中在20-600微米,相较于微波只能探测较大尺寸粒子、红外频段只能探测较小尺寸粒子,太赫兹频段由于其波长范围与冰云粒子尺寸分布接近,使用被动遥感方式的星载太赫兹波辐射计在冰云探测上具有独特优势。辐射计的直接观测资料为微波亮温数据,需要使用数学反演算法从观测亮温数据中反演得到冰云廓线。目前用于地球遥感的反演算法主要包括统计回归法、神经网络法、物理法这几种类型。冰云的冰相粒子除了固态的冰粒子(Ice)外,还存在有空气、液态水和固态冰混合构成的霰粒子(Graupel)。两者介电常数、粒径分布都有一定差异,但是目前的太赫兹冰云探测研究通常将冰云视为仅由冰粒子构成,仅仅反演冰粒子参数,与冰云真实情况存在差异。
另外,现有用于反演的神经网络为3层BP神经网络,其结构简单,但是网络泛化能力差,对冰云这种过于复杂的数据反演性能会急剧下降,极大影响冰云廓线反演的精度。
发明内容
本发明提供一种冰云廓线反演方法,用以解决现有冰云廓线反演方法反演精度不高的技术问题。
本发明解决上述技术问题的技术方案如下:一种冰云廓线反演方法,包括:
根据待反演冰云的多频段亮温中冰粒不敏感频段亮温,计算用于划分待反演冰云的霰廓线类别的中间变量,以从该频段亮温中划分出每个类别对应的亮温,并采用该类别对应的霰廓线反演神经网络,反演得到霰廓线;
采用所有所述霰廓线,将冰廓线置零,正演无冰亮温并计算其与所述多频段亮温中冰粒敏感频段亮温的亮温差;根据该亮温差计算用于划分待反演冰云的冰廓线类别的中间变量,以从该频段亮温中划分出每个类别对应的亮温,并采用该类别对应的冰廓线反演神经网络,反演得到冰廓线;
将反演得到的各类别霰廓线和各类别冰廓线合并,得到冰云廓线。
本发明的有益效果是:本方法为克服星载被动遥感冰云廓线BP神经网络反演方法带来反演精度不高的局限,提出一种预分类的神经网络冰云廓线反演方法。首先,冰云的冰相粒子除了固态的冰粒子外,还存在有空气、液态水和固态冰混合构成的霰粒子,两者介电常数、粒径分布都有一定差异,但是目前的太赫兹冰云探测研究通常将冰云视为仅由冰粒子构成,本方法利用不同频段亮温对冰、霰两种粒子的辐射特性差异,对冰、霰粒子分别进行反演,其中,采用先反演得到的所有类别霰廓线作为先验条件,通过计算亮温差进行各类别的冰廓线的反演;其次,冰云廓线特征变化大,相比直接采用神经网络对冰云廓线进行反演误差大,本方法根据冰云廓线不同的特征(中间变量)将廓线进行分类,进一步基于预分类,对不同种类型廓线采用不同的神经网络反演,将一个复杂的反演问题转换为多个更加简单的问题,这能降低反演复杂度并有效减小反演误差。
上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述用于区分待反演冰云的霰廓线类别的中间变量为霰廓线的霰粒子路径总量。
本发明的进一步有益效果是:采用霰廓线的霰粒子路径总量能够有效将不同分布的霰廓线区分,保证本方法在降低反演复杂度的同时提高反演精度。
进一步,所述霰廓线的霰粒子路径总量的计算采用已训练的霰粒子路径总量反演神经网络,其中,在该神经网络的训练过程中,采用分布不同的历史各种霰廓线的霰粒子路径总量作为网络输出,并采用该分布不同的历史各种霰廓线对应的冰粒不敏感频段亮温作为输入。
本发明的进一步有益效果是:采用神经网络反演计算冰粒不敏感频段亮温对应的霰粒子路径总量,无需借助公式,反演效率高,实用强,其中训练时选用分布不同的历史各种霰廓线的霰粒子路径总量作为网络输出,能够提高神经网络的应用范围。
进一步,所述霰廓线反演神经网络的构建方法包括:
根据分布不同的历史各种霰廓线及其对应的霰粒子路径总量,对霰粒子路径总量设定霰廓线不同分布的分类门限,以每个分布类别的历史各霰廓线作为输出、该类别的历史各霰廓线对应的冰粒不敏感频段亮温作为输入,训练该类别对应的霰廓线反演神经网络,得到多个类别对应的霰廓线反演神经网络。
本发明的进一步有益效果是:基于历史数据,对霰粒子路径总量设定霰廓线分布的分类门限,基于设定的分类门限,分别对每一类别的霰廓线神经网络进行训练,有效提高了在实际应用时的反演效率。
进一步,所述用于区分待反演冰云的冰廓线类别的中间变量为冰廓线的冰粒子等效云高。
本发明的进一步有益效果是:采用冰廓线的冰粒子等效云高能够有效将不同分布的冰廓线区分,保证本方法在降低反演复杂度的同时提高反演精度。
进一步,所述冰廓线的冰粒子等效云高的计算采用已训练的冰粒子等效云高反演神经网络;其中,在该神经网络的训练过程中,分别基于与分布不同的历史各种冰廓线时空匹配的历史霰廓线,将冰廓线置零正演得到不包含冰粒散射的历史无冰亮温,计算所述分布不同的历史各种冰廓线对应的历史冰粒子敏感频段亮温和历史无冰亮温之间的亮温差,将所有该亮温差作为网络输入;并采用所述分布不同的历史各种冰廓线的冰粒子等效云高作为网络输出。
本发明的进一步有益效果是:基于分布不同的历史各种冰廓线空间经纬度匹配的历史各种霰廓线,计算表征冰粒对亮温贡献的亮温差,将亮温差作为冰粒子等效云高反演神经网络的输入,以基于神经网络,由亮温差得到冰粒子等效云高,无需借助公式,反演效率高,实用强。
进一步,所述冰廓线反演神经网络的构建方法包括:
根据分布不同的历史各种冰廓线及其对应的冰粒子等效云高,对冰粒子等效云高设定冰廓线不同分布的分类门限,以每个分布类别的历史各冰廓线作为网络输出、该类别的历史各冰廓线对应的所述亮温差作为输入,训练该类别对应的冰廓线反演神经网络,得到多个类别对应的冰廓线反演神经网络。
本发明的进一步有益效果是:基于历史数据,对冰粒子等效云高设定冰廓线分布的分类门限,基于设定的分类门限,分别对每一类别的冰廓线神经网络进行训练,有效提高了在实际应用时的反演效率。
进一步,所述冰粒不敏感频段为183GHZ频段,所述冰粒敏感频段为243~874GHz频段,且采用辐射传输模式进行所述正演。
进一步,采用太赫兹波辐射计观测所述多频段亮温。
本发明还提供一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如上所述的一种冰云廓线反演方法。
附图说明
图1为本发明实施例提供的一种冰云廓线反演方法流程框图;
图2为本发明实施例提供的一种冰云廓线反演方法流程示意图;
图3为本发明实施例提供的100~1000GHz不同含量冰、霰正演的亮温图;
图4为本发明实施例提供的不同类别霰廓线与GWP对应关系图;
图5为本发明实施例提供的霰廓线GWC未经预分类与预分类后的反演廓线举例图;
图6为本发明实施例提供的不同类型霰廓线GWC预分类反演后的反演误差图;
图7为本发明实施例提供的第2、3类霰廓线GWC未经预分类反演的总体反演误差和预分类反演后的反演误差图;
图8为本发明实施例提供的冰廓线IWC未经预分类与预分类后的反演廓线举例图;
图9为本发明实施例提供的不同类型冰廓线IWC预分类反演后的反演误差图;
图10为本发明实施例提供的各类冰廓线IWC未经预分类反演和预分类反演后的总体反演误差图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种冰云廓线反演方法100,如图1所示,包括:
步骤110、根据待反演冰云的多频段亮温中冰粒不敏感频段亮温,计算用于划分待反演冰云的霰廓线类别的中间变量,以从该频段亮温中划分出每个类别对应的亮温,并采用该类别对应的霰廓线反演神经网络,反演得到霰廓线;
步骤120、采用所有霰廓线,将冰廓线置零,正演无冰亮温并计算其与多频段亮温中冰粒敏感频段亮温的亮温差;根据该亮温差计算用于划分待反演冰云的冰廓线类别的中间变量,以从该频段亮温中划分出每个类别对应的亮温,并采用该类别对应的冰廓线反演神经网络,反演得到冰廓线;
步骤130、将反演得到的各类别霰廓线和各类别冰廓线合并,得到冰云廓线。
需要说明的是,步骤110中,根据待反演冰云的多频段亮温中冰粒不敏感频段亮温,计算用于划分待反演冰云的霰廓线类别的中间变量,冰粒不敏感频段亮温中,不同亮温对应不同中间变量,而中间变量可以区分霰廓线的类别,因此根据中间变量,从冰粒不敏感频段亮温中划分出每个霰廓线类别对应的亮温,并基于每个霰廓线类别对应的亮温,采用该类别对应的霰廓线反演神经网络,反演得到霰廓线。相同的,步骤120中,采用步骤110反演得到的各类别的霰廓线,将冰廓线置零,正演得到无冰亮温,并计算该无冰亮温与多频段亮温中冰粒敏感频段亮温的亮温差;根据该亮温差计算用于划分待反演冰云的冰廓线类别的中间变量,对于冰粒敏感频段,不同亮温差对应不同中间变量,而中间变量可以区分冰廓线的类别,因此根据中间变量,从冰粒敏感频段亮温中划分出每个冰廓线类别对应的亮温,并采用该类别对应的冰廓线反演神经网络,反演得到冰廓线,最终得到待反演冰云的各类别霰廓线和各类别冰廓线。
本方法为克服星载被动遥感冰云廓线BP神经网络反演方法带来反演精度不高的局限,提出一种预分类的神经网络冰云廓线反演方法。首先,冰云的冰相粒子除了固态的冰粒子外,还存在有空气、液态水和固态冰混合构成的霰粒子,两者介电常数、粒径分布都有一定差异,但是目前的太赫兹冰云探测研究通常将冰云视为仅由冰粒子构成,本方法利用不同频段亮温对冰、霰两种粒子的辐射特性差异,对冰、霰粒子分别进行反演;其次,冰云廓线特征变化大,相比直接采用神经网络对冰云廓线进行反演误差大,本方法根据冰云廓线不同的特征(中间变量)将廓线进行分类,因为在实际应用中,冰云廓线数据是未知的,直接根据廓线分类是不切实际的,需要寻找廓线特征与某个易得的中间变量间的联系,根据这个中间变量对冰云廓线进行分类,进一步采用对冰云廓线进行预分类的方法,对不同种类型廓线采用不同的神经网络反演,将一个复杂的反演问题转换为多个更加简单的问题,这能降低反演复杂度并有效减小反演误差。经过试验和分析,本实施例方法能较好地满足反演冰云廓线的实际需要。
可采用太赫兹波辐射计观测上述多频段亮温,其中,冰粒不敏感频段一般为受冰粒影响小而受霰粒子影响大的频段,冰粒敏感频段一般为受冰粒影响大而受霰粒子影响小的频段。上述冰粒不敏感频段可为183GHZ频段,冰粒敏感频段可为243~874GHz频段,且可采用RT模式进行上述正演。则如图2所示的流程示意图,使用神经网络算法先基于183GHz频段亮温通过中间变量反演霰密度廓线GWC,然后以反演霰廓线为先验约束条件,利用反演得到的霰廓线,将冰廓线置0,从RT模式模拟计算不包含冰粒散射的亮温,将无冰亮温和234-874GHz频段观测亮温相减,得到234-874GHz频段冰粒子散射亮温差,该亮温差表征了冰粒对亮温的贡献△TA,基于该亮温差通过中间变量采用预分类的冰廓线神经网络算法反演得到冰廓线。
优选的,上述用于区分待反演冰云的霰廓线类别的中间变量为霰廓线的霰粒子路径总量。
对于霰廓线GWC,存在两个峰值且峰值相对大小并不固定,经由研究发现,对于分布不同的霰廓线样本集,GWP值对其有较好的指示关系,因此,使用霰粒子的路径总量GWP作为指示器对冰云反演数据进行预分类,实现预分类的霰廓线神经网络算法。
优选的,上述霰廓线的霰粒子路径总量的计算采用已训练的霰粒子路径总量反演神经网络,其中,在该神经网络的训练过程中,采用分布不同的历史各种霰廓线的霰粒子路径总量作为网络输出,并采用该分布不同的历史各种霰廓线对应的冰粒不敏感频段亮温作为输入。
优选的,上述霰廓线反演神经网络的构建方法包括:根据分布不同的历史各种霰廓线及其对应的霰粒子路径总量,对霰粒子路径总量设定霰廓线不同分布的分类门限,以每个分布类别的历史各霰廓线作为输出、该类别的历史各霰廓线对应的冰粒不敏感频段亮温作为输入,训练该类别对应的霰廓线反演神经网络,得到多个类别对应的霰廓线反演神经网络。
选择冰云探测频段的183GHz频段观测亮温TA数据作为霰廓线反演神经网络的训练数据集的输入,选择与183GHz频段亮温时空匹配的霰廓线GWC,将之作为训练数据集的输出;由霰粒子路径总量反演神经网络反演的霰粒子的路径总量GWP作为指示器,设定分类门限,按照门限将TA-GWC数据对进行分类,分类后对每种类型TA-GWC数据对进行归一化处理;对每个分类中的TA-GWC数据对子集划分为两个不相同数据集A和B,选择数据集A作为训练数据集,数据集B作为测试数据集,进行网络训练。
优选的,上述用于区分待反演冰云的冰廓线类别的中间变量为冰廓线的冰粒子等效云高(Zme值)。
对于分布不同的冰廓线样本集,Zme值对冰廓线的分类有较好的指示关系,使用冰粒子的等效云高Zme对冰云反演数据进行预分类,实现预分类的冰廓线神经网络算法。
优选的,上述冰廓线的冰粒子等效云高的计算采用已训练的冰粒子等效云高反演神经网络;其中,在该神经网络的训练过程中,分别基于与分布不同的历史各种冰廓线时空匹配的历史霰廓线,将冰廓线置零正演得到不包含冰粒散射的历史无冰亮温,计算分布不同的历史各种冰廓线对应的历史冰粒敏感频段亮温和历史无冰亮温之间的亮温差,将所有该亮温差作为网络输入;并采用分布不同的历史各种冰廓线的冰粒子等效云高作为网络输出。
优选的,上述冰廓线反演神经网络的构建方法包括:
根据分布不同的历史各种冰廓线及其对应的冰粒子等效云高,对冰粒子等效云高设定冰廓线不同分布的分类门限,以每个分布类别的历史各冰廓线作为网络输出、该类别的历史各冰廓线对应的亮温差作为输入,训练该类别对应的冰廓线反演神经网络,得到多个类别对应的冰廓线反演神经网络。
选择冰云探测频段的243~874GHz频段冰引起的亮温差△TA数据作为网络的输入数据集;选择与亮温时空匹配的冰廓线IWC,将之作为训练数据集的输出;由神经网络反演的冰粒子的等效云高Zme作为指示器,设定分类门限,按照门限将△TA-IWC数据对进行分类,分类后对每种类型△TA-IWC数据对进行归一化处理;对每个分类中的△TA-IWC数据对子集划分为两个不相同数据集A和B,选择数据集A作为训练数据集,数据集B作为测试数据集。
需要说明的是,网络的输入层为具有M个通道(对应亮温频率通道数)的亮温数据,输出层为具有N个通道(对应廓线分层)的冰云廓线数据,且每个通道的亮温与廓线网格尺寸相等。训练时设置网络参数,具体包括训练方法、最大训练次数、训练代价函数等,满足最大验证失败次数则停止网络训练。
综上,本实施例基于神经网络,观测亮温并制定了冰云(包括冰和霰)廓线的反演方法,利用对冰云廓线特征(即两个中间变量)预分类,之后再选择对应分类的神经网络反演廓线,有效降低了实际反演复杂度,是一种新型的冰云廓线反演方法。具体的,本方法基于一种预分类的神经网络算法,利用不同频段亮温对冰、霰粒子的辐射特性不同,从单次遥感的多频段太赫兹亮温数据中分别反演冰、霰廓线,实现从遥感亮温数据中反演得到冰云中的冰、霰两种冰相粒子的密度廓线。具体的,183GHz频段亮温仅受到霰粒子散射影响,而在更高的频段,散射由冰和霰粒子共同引起,将采用183GHz频段亮温反演得到的霰廓线霰粒子路径总量作为指示器对该183GHz频段亮温对应的霰廓线GWC数据进行预分类,采用预分类对应的霰廓线反演神经网络反演霰廓线,基于霰廓线就能使用神经网络算法根据冰粒子引起的散射亮温差反演得到冰廓线的冰粒子等效云高。接着基于冰粒子等效云高,对冰廓线进行预分类,一种分类对应一个神经网络,采用预分类对应的冰廓线反演神经网络反演冰廓线。其中神经网络的训练数据集由成对的冰云探测频段183GHz观测亮温TA数据和霰廓线GWC数据构成、以及243~874GHz冰引起的亮温差△TA数据和冰廓线IWC数据构成,数据集通过大气数值模式、真实探测数据和RT模型计算得到模拟数据。本方法是一种新型的冰云廓线反演方法,首先对特征复杂的冰云廓线预分类,简化为多种特征简单的冰云廓线的反演,速度快、效率高,具有实用价值。
为了更好的说明本发明方法,现以某一区域的冰云廓线反演为例,用MATLAB实现神经网络算法,并利用仿真得到观测亮温和冰云廓线数据。
第一步,生成冰云廓线数据,模拟观测亮温
下载gfs历史再分析资料,选择中国南海预设时段内ATMS载荷观测到的台风场景,将之输入WRF数值预报模式计算得到大气状态参数,本例中设置区域网格大小为300*300,网格分辨率为13000m*13000m,设置大气廓线垂直分层为59。
将WRF输出的大气参数按照ATMS观测场景经纬度和网格大小进行匹配,转换成96*180大小的网格,构成本例的冰云大气数据库。
将冰云大气数据库的大气参数输入DOTLRT辐射传输模型中,设置仿真中心频率为183.31GHz、243.2GHz、325.15GHz、448.0GHz、664.0GHz、874.38GHz,得到模拟亮温TB,如图3所示,图3的上图展示了100~1000GHz不同含量冰粒子引起的亮温变化,图3的下图展示了100~1000GHz不同含量霰粒子引起的亮温变化,竖线代表实施例所选频率。进一步加入模拟的观测噪声,最终得到接近真实观测亮温的模拟亮温TA。
第二步,数据预分类
冰云廓线变化复杂,解决神经网络算法对复杂反演模型性能不佳的一种方法就是对数据进行预分类,根据冰云廓线不同的特征将廓线进行分类,然而在实际应用中,冰云廓线数据是未知的,因此直接根据廓线分类是不切实际的,需要寻找廓线特征与某个易得的中间变量间的联系,根据这个中间变量对冰云廓线进行分类。
对于霰廓线GWC,存在两个峰值且峰值相对大小并不固定,经由本发明研究发现,对于分布不同的霰廓线样本集,GWP值对其有较好的指示关系,因此可以将GWP作为霰廓线样本分类的指示器,不同分类的GWP值的界限是比较明显的,如图4所示,图中从上到下分为5个类别分别代表不同种类的廓线,类别1代表较低层与较高层峰值比<1/3,类别2为峰值比在1/3~2/3之间;类别3为峰值比在2/3~5/3之间;类别4为峰值比在5/3~5之间;类别5为峰值比>=5,可以看出不同类型廓线大致对应不同范围的GWP。因此,本实施例将廓线所有的霰样本分为三类,对应的GWP取值区间分别为GWP>35g/m2,25<=GWP<35g/m2,和15<=GWP<25g/m2。GWP可以经由BP神经网络利用183GHz频段的模拟亮温反演得到。
对于冰廓线IWC,冰粒子主要分布在7~15km高度范围内,且不同样本冰密度廓线的高度分布差异很大,因此可以将冰等效云高Zme作为冰廓线样本分类的指示器,Zme<10km为一类,Zme在10~15km范围内的,按照1km等高度间距分类。Zme可以经由BP神经网络利用243~874GHz频段的亮温差反演得到。
第三步,构建各BP神经网络并训练
本例中使用的BP网络共3层,包含一个32神经元的隐藏层,训练函数为trainscg,网络收敛判别指标采用mse(均方误差),当收敛判别指标小于设定值或者满足最大验证失败次数条件后,则判定网络已经达到收敛,网络训练完成。
第四步,测试网络性能
将测试样本输入训练好的网络,将网络输出的冰云廓线同真实冰云廓线对比,计算二者在每一层的RMSE。图5展示了一些经过预分类与未经预分类的反演霰廓线,实线为廓线真值,虚线为预分类后的反演廓线,点实线为未经预分类反演廓线。图6为不同类型霰廓线GWC预分类反演后的反演误差,横坐标为霰廓线误差,纵坐标为大气压强,其中实线为霰廓线均值,虚线为霰廓线RMSE;图7为2、3类霰廓线经过预分类的反演误差与未经预分类的总体反演误差,横坐标为霰廓线误差,纵坐标为大气压强,其中虚线为未分类的2、3类霰廓线误差,实线为预分类的第2类霰廓线误差,点实线为预分类的第3类霰廓线误差。图8展示了一些经过预分类与未经预分类的反演冰廓线,实线为廓线真值,虚线为预分类后的反演廓线,点实线为未经预分类反演廓线。图9为不同类型冰廓线IWC预分类反演后的反演误差,横坐标为冰廓线误差,纵坐标为大气压强,其中实线为冰廓线均值,虚线为冰廓线RMSE;图10为冰廓线IWC经过预分类与未经预分类的总体反演误差,横坐标为冰廓线误差,纵坐标为大气压强,其中实线为未经预分类的冰廓线RMSE,虚线为预分类后的冰廓线RMSE。
本方法利用太赫兹不同频段亮温对冰、霰两种粒子的辐射特性差异,使用预分类的神经网络算法从183GHz-874GHz多频段太赫兹亮温数据中反演得到冰、霰两种粒子参数;另外现有3层BP神经网络虽然结构简单,但网络泛化能力差,对冰云这种过于复杂的数据反演性能会急剧下降,本方法的解决思路就是对数据进行预分类,将一个复杂的反演问题转换为多个更加简单的问题,实现预分类的太赫兹冰云参数神经网络反演算法。由图5~10可知,相比未采用预分类的神经网络算法,预分类后的反演结果符合实际大气情况,速度快、效率高,反演精度也在可接受范围内,具有实用价值。
实施例二
一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如实施例一所述的一种冰云廓线反演方法。
相关技术方案同实施例一,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种冰云廓线反演方法,其特征在于,包括:
根据待反演冰云的多频段亮温中冰粒不敏感频段亮温,计算用于划分待反演冰云的霰廓线类别的中间变量,以从该频段亮温中划分出每个类别对应的亮温,并采用该类别对应的霰廓线反演神经网络,反演得到霰廓线;
采用所有所述霰廓线,将冰廓线置零,正演无冰亮温并计算其与所述多频段亮温中冰粒敏感频段亮温的亮温差;根据该亮温差计算用于划分待反演冰云的冰廓线类别的中间变量,以从该频段亮温中划分出每个类别对应的亮温,并采用该类别对应的冰廓线反演神经网络,反演得到冰廓线;
将反演得到的各类别霰廓线和各类别冰廓线合并,得到冰云廓线;
其中,用于区分待反演冰云的霰廓线类别的中间变量为霰廓线的霰粒子路径总量;
所述霰廓线反演神经网络的构建方法包括:
根据分布不同的历史各种霰廓线及其对应的霰粒子路径总量,对霰粒子路径总量设定霰廓线不同分布的分类门限,以每个分布类别的历史各霰廓线作为输出、该类别的历史各霰廓线对应的冰粒不敏感频段亮温作为输入,训练该类别对应的霰廓线反演神经网络,得到多个类别对应的霰廓线反演神经网络;
用于区分待反演冰云的冰廓线类别的中间变量为冰廓线的冰粒子等效云高;
所述冰廓线反演神经网络的构建方法包括:
根据分布不同的历史各种冰廓线及其对应的冰粒子等效云高,对冰粒子等效云高设定冰廓线不同分布的分类门限,以每个分布类别的历史各冰廓线作为网络输出、该类别的历史各冰廓线对应的所述亮温差作为输入,训练该类别对应的冰廓线反演神经网络,得到多个类别对应的冰廓线反演神经网络。
2.根据权利要求1所述的一种冰云廓线反演方法,其特征在于,所述霰廓线的霰粒子路径总量的计算采用已训练的霰粒子路径总量反演神经网络,其中,在该神经网络的训练过程中,采用分布不同的历史各种霰廓线的霰粒子路径总量作为网络输出,并采用该分布不同的历史各种霰廓线对应的冰粒不敏感频段亮温作为输入。
3.根据权利要求1所述的一种冰云廓线反演方法,其特征在于,所述冰廓线的冰粒子等效云高的计算采用已训练的冰粒子等效云高反演神经网络;其中,在该神经网络的训练过程中,分别基于与分布不同的历史各种冰廓线时空匹配的历史霰廓线,将冰廓线置零正演得到不包含冰粒散射的历史无冰亮温,计算所述分布不同的历史各种冰廓线对应的历史冰粒敏感频段亮温和历史无冰亮温之间的亮温差,将所有该亮温差作为网络输入;并采用所述分布不同的历史各种冰廓线的冰粒子等效云高作为网络输出。
4.根据权利要求1至3任一项所述的一种冰云廓线反演方法,其特征在于,所述冰粒不敏感频段为183GHZ频段,所述冰粒敏感频段为243~874GHz频段,且采用辐射传输模式进行所述正演。
5.根据权利要求1至3任一项所述的一种冰云廓线反演方法,其特征在于,采用太赫兹波辐射计观测所述多频段亮温。
6.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如权利要求1至5任一项所述的一种冰云廓线反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448224.4A CN111651934B (zh) | 2020-05-25 | 2020-05-25 | 一种冰云廓线反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448224.4A CN111651934B (zh) | 2020-05-25 | 2020-05-25 | 一种冰云廓线反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651934A CN111651934A (zh) | 2020-09-11 |
CN111651934B true CN111651934B (zh) | 2024-03-22 |
Family
ID=72343394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448224.4A Active CN111651934B (zh) | 2020-05-25 | 2020-05-25 | 一种冰云廓线反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651934B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254866B (zh) * | 2020-10-15 | 2022-08-02 | 洛阳师范学院 | 一种mwts-ii和mwhts融合反演海面气压的方法 |
CN112730313B (zh) * | 2020-12-21 | 2023-05-02 | 国家卫星气象中心(国家空间天气监测预警中心) | 用于冰云探测的多频太赫兹探测仪通道选取方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703554A (zh) * | 2017-08-24 | 2018-02-16 | 安徽四创电子股份有限公司 | 多通道毫米波辐射计温湿廓线反演系统及其反演方法 |
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 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 |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
CN108875905A (zh) * | 2018-04-09 | 2018-11-23 | 华中科技大学 | 一种大气温湿廓线的可见度函数直接反演方法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110218734A1 (en) * | 2010-03-08 | 2011-09-08 | Radiometrics Corporation | Methods and apparatus for passive tropospheric measurments utilizing a single band of frequencies adjacent to a selected millimeter wave water vapor line |
-
2020
- 2020-05-25 CN CN202010448224.4A patent/CN111651934B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703554A (zh) * | 2017-08-24 | 2018-02-16 | 安徽四创电子股份有限公司 | 多通道毫米波辐射计温湿廓线反演系统及其反演方法 |
CN108508442A (zh) * | 2018-03-16 | 2018-09-07 | 哈尔滨工程大学 | 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 |
CN108875905A (zh) * | 2018-04-09 | 2018-11-23 | 华中科技大学 | 一种大气温湿廓线的可见度函数直接反演方法 |
CN108875254A (zh) * | 2018-07-03 | 2018-11-23 | 南京信息工程大学 | 一种大气温湿廓线的一维变分反演方法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
Non-Patent Citations (2)
Title |
---|
《基于多重查找表的太赫兹波段卷云微物理参数的反演方法》;李书磊;《物理学报》;第66卷(第5期);第054102-1-054102-10 * |
《被动微波遥感积雪参数反演方法进展》;孙知文;《国土资源遥感》;第27卷(第1期);第9-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111651934A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A machine learning method for predicting driving range of battery electric vehicles | |
CN111651934B (zh) | 一种冰云廓线反演方法 | |
CN111610524B (zh) | 一种基于一维变分算法的冰云廓线反演方法及系统 | |
CN113837477A (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
CN108375808A (zh) | Nriet基于机器学习的大雾预报方法 | |
CN111414991B (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
CN107526083B (zh) | 一种基于天气雷达数据的强对流风力等级预测方法 | |
CN103077402A (zh) | 基于奇异值分解算法的变压器局部放电模式识别方法 | |
CN110827169B (zh) | 一种基于分级指标的分布式电网业务监控方法 | |
CN103366184B (zh) | 基于混合分类器的极化sar数据分类方法及系统 | |
CN103839192A (zh) | 基于层次分析法及距离综合评价法的风电场综合评价方法 | |
CN110135167A (zh) | 一种随机森林的边缘计算终端安全等级评估方法 | |
CN104376335A (zh) | 一种基于信息熵的半监督高光谱遥感影像分类方法 | |
CN114355298B (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN110826526A (zh) | 一种测云雷达识别云类的方法 | |
CN114004158A (zh) | 基于遗传算法优化支持向量机的海面电磁散射预测方法 | |
Wu et al. | Identification and correction of abnormal measurement data in power system based on graph convolutional network and gated recurrent unit | |
Wang et al. | Identification of precipitation-clouds based on the dual-polarization Doppler weather radar echoes using deep–learning method | |
CN116012618A (zh) | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 | |
CN110489797B (zh) | 一种适用于外辐射源雷达的电磁环境辨识方法 | |
Chen et al. | A Feasibility Study of Microwave Oil Pipeline Water Content Detection Based on Machine Learning | |
Zhang et al. | An improved K-NN nonparametric regression-based short-term traffic flow forecasting model for urban expressways | |
Schreck et al. | Evidential deep learning: Enhancing predictive uncertainty estimation for earth system science applications | |
Song et al. | Target representation and classification with limited data in synthetic aperture radar images | |
She et al. | Application research on intelligent pattern recognition methods in hail identification of weather radar |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |