CN112285130B - 大气热力结构的反演方法、装置、设备以及存储介质 - Google Patents

大气热力结构的反演方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112285130B
CN112285130B CN202011116127.1A CN202011116127A CN112285130B CN 112285130 B CN112285130 B CN 112285130B CN 202011116127 A CN202011116127 A CN 202011116127A CN 112285130 B CN112285130 B CN 112285130B
Authority
CN
China
Prior art keywords
observation
inverted
background field
observation data
atmospheric
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
Application number
CN202011116127.1A
Other languages
English (en)
Other versions
CN112285130A (zh
Inventor
胡皓
翁富忠
杨俊�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Meteorological Sciences CAMS
Original Assignee
Chinese Academy of Meteorological Sciences CAMS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Meteorological Sciences CAMS filed Critical Chinese Academy of Meteorological Sciences CAMS
Priority to CN202011116127.1A priority Critical patent/CN112285130B/zh
Publication of CN112285130A publication Critical patent/CN112285130A/zh
Application granted granted Critical
Publication of CN112285130B publication Critical patent/CN112285130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种大气热力结构的反演方法，该反演方法包括：确定观测算子；针对于不同的观测场景相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；将观测算子、待反演观测数据、以及根据识别结果选择的背景场、背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。相应地，本发明还提供了一种大气热力结构的反演装置、设备以及存储介质。实施本发明可以提高大气热力结构的反演精度。

Description

大气热力结构的反演方法、装置、设备以及存储介质
技术领域
本发明涉及大气反演技术领域，尤其涉及一种大气热力结构的反演方法、装置、设备以及存储介质。
背景技术
微波探测仪具有一定的穿云透雨能力，在气象领域用于探测大气廓线，例如温度廓线、湿度廓线、云水廓线、雨水廓线、霰廓线等。目前国际上气象卫星搭载的主流微波探测仪包括美国NPP卫星和J1卫星搭载的ATMS仪器、欧洲METOP系列卫星及美国NOAA系列卫星搭载的AMSU仪器、美国国防气象卫星搭载的SSMI/S仪器、以及中国风云气象卫星搭载的MWTS/MWHS仪器等。
由于微波探测仪的直接观测数据是辐射或亮温，所以需要通过对微波探测仪的观测数据进行反演才能得到相应的大气廓线。目前国际上业务化运行的星载微波探测仪大气反演系统主要基于一维变分(1-Dimensional VARiation，1DVAR)算法实现，其实现过程如下：基于给定的大气廓线背景场和背景场协方差矩阵、观测算子以及观测算子误差矩阵，通过变分迭代在误差收敛条件下反演得到大气廓线。
上述现有反演过程的问题在于：整个反演过程中大气廓线背景场和背景场协方差矩阵、以及观测算子误差矩阵是给定不变的，但实际上，在不同观测时间、不同观测位置以及不同天气条件下(即不同观测场景下)，大气背景廓线存在较大的差异，观测算子的误差也不尽相同。这种情况下，简单粗暴地利用给定不变的大气廓线背景场和背景场协方差矩阵、以及观测算子误差矩阵进行反演必然会影响反演的精度。而大气廓线反演精度的高低进一步又会影响到对灾害天气事件监测的准确性。
发明内容
为了克服现有技术中的上述缺陷，本发明提供了一种大气热力结构的反演方法，该反演方法包括：
确定观测算子；
针对于不同的观测场景相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；
获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；
根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；
将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。
根据本发明的一个方面，该反演方法中，获取第一历史时长内每一气象格点的大气热力结构；针对每一所述气象格点，根据观测时间和天气条件获取相应的所述大气热力结构后求平均，并将求平均后得到的结果作为所述气象格点在所述观测时间和所述天气条件下的大气热力结构的背景场。
根据本发明的另一个方面，该反演方法中，针对于不同的观测场景相应构建大气热力结构的背景场协方差矩阵的步骤包括：根据观测时间、下垫面特征以及天气条件选择相应的背景场，并根据选择的所述背景场计算得到所述观测时间、所述下垫面特征以及所述天气条件下的大气热力结构的背景场协方差矩阵。
根据本发明的又一个方面，该反演方法中，针对于不同的观测场景相应构建观测算子误差矩阵的步骤包括：获取所述微波探测仪各探测通道的历史观测数据、以及与各探测通历史观测数据相对应的模拟观测数据；根据观测时间、下垫面特征以及天气条件选择所述微波探测仪各探测通道相应的历史观测数据和模拟观测数据，并根据选择的所述历史观测数据和所述模拟观测数据计算得到所述观测时间、所述下垫面特征以及所述天气条件下的观测算子误差矩阵。
根据本发明的又一个方面，该反演方法中，获取微波探测仪的待反演观测数据的步骤包括：若微波探测仪的低频探测通道和高频探测通道分布在同一仪器上，则直接获取该仪器的待反演观测象元的观测数据作为所述微波探测仪的待反演观测数据；若微波探测仪的低频探测通道和高频探测通道分布在两个仪器上，则对所述两个仪器的待反演观测象元进行匹配，匹配成功后获取所述两个仪器匹配的待反演观测象元的观测数据共同作为所述微波探测仪的待反演观测数据。
根据本发明的又一个方面，该反演方法中，对所述两个仪器的待反演观测象元进行匹配的步骤包括：计算两个仪器的待反演观测象元中心点之间的距离、以及计算该两个仪器待反演观测象元的观测时间差，若所述距离小于预设距离阈值且观测时间差小于预设时间差阈值，则判断所述两个仪器的待反演观测象元匹配。
根据本发明的又一个方面，该反演方法中，对与待反演观测数据相对应的观测场景进行识别的步骤包括：对与待反演观测数据相对应的观测时间、下垫面特征以及天气条件进行识别。
根据本发明的又一个方面，该反演方法中，对与待反演观测数据相对应的下垫面特征进行识别的步骤包括：根据所述待反演观测数据判断所述待反演观测数据所对应的区域类型；从所述微波探测仪的探测通道中选择权重函数接近地面、探测频率接近且极化方向相反的两个探测通道；根据所述两个探测通道观测数据的差值以及所述区域类型识别所述待反演观测数据所对应的下垫面特征。
根据本发明的又一个方面，该反演方法中，对与待反演观测数据相对应的天气条件进行识别的步骤包括：从所述微波探测仪的探测通道中，选择至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合，其中，所述窗区探测通道组合包括两个窗区探测通道，所述氧气吸收通道组合包括一个低频氧气吸收通道和一个高频氧气吸收通道，所述氧气吸收通道组合中的所述低频氧气吸收通道和所述高频氧气吸收通道的权重函数峰值高度接近；根据所述至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合计算窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数，并根据所述窗区的散射指数、所述对流层中层的散射指数以及所述对流层高层的散射指数识别所述待反演观测数据所对应的天气条件。
根据本发明的又一个方面，该反演方法中，将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数之前，所述反演方法还包括：对所述待反演观测数据进行修正以得到修正观测数据；将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数的步骤包括：将所述观测算子、所述修正观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数。
根据本发明的又一个方面，该反演方法中，当利用陆表发射率计算所述观测算子时，根据所述观测场景确定与所述观测场景相对应的陆表发射率、并将该陆表发射率用于所述观测算子的计算；当利用海表发射率计算所述观测算子时，每次迭代结束后利用该次迭代计算得到的大气热力结构对海表发射率进行更新、并将更新后的所述海表发射率用于下一次迭代中观测算子的计算。
根据本发明的又一个方面，该反演方法中，每次迭代结束后根据该次迭代计算得到的大气热力结构以及大气静力平衡模型对地表气压进行更新，更新后的所述地表气压用于下一次迭代中观测算子的计算。
本发明还提供了一种大气热力结构的反演装置，该反演装置包括：
确定模块，用于确定观测算子；
构建模块，用于针对于不同的观测场景相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；
识别模块，用于获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；
选择模块，用于根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；
反演模块，用于将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。
本发明还提供了一种电子设备，该电子设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行前述反演方法。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现前述反演方法。
本发明所提供的大气热力结构的反演方法包括确定观测算子；根据观测场景的不同相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；将观测算子、待反演观测数据、以及根据识别结果选择的背景场、背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。由于不同观测场景下大气热力结构的背景廓线存在较大的差异、观测算子存在不同的误差，所以本发明所提供的反演方法针对于不同观测场景相应构建了大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵，并根据针对于不同观测场景所构建的背景场、背景场协方差矩阵以及观测算子误差矩阵反演得到大气热力结构，从而使得本发明所提供的反演方法与现有的反演方法相比具有更优的反演精度。而大气热力结构反演精度的提高进一步有利于微波探测仪对全球灾害天气的监测准确性的提高。相应地，实施本发明所提供的大气热力结构的反演装置、设备以及存储介质相较于现有技术也可以得到更优的大气热力结构的反演精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是根据本发明的一个具体实施例的大气热力结构的反演方法流程图；
图2是根据本发明的一个具体实施例的大气热力结构的反演装置的结构示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
为了更好地理解和阐释本发明，下面将结合附图对本发明作进一步的详细描述。
本发明提供了一种大气热力结构的反演方法。请参考图1，图1是根据本发明的一个具体实施例的大气热力结构的反演方法流程图。如图所示，该反演方法包括：
在步骤S101中，确定观测算子；
在步骤S102中，针对于不同的观测场景相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；
在步骤S103中，获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；
在步骤S104中，根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；
在步骤S105中，将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。
下面，对上述反演方法的各个步骤进行详细说明。
具体地，在步骤S101中，微波探测仪的直接观测数据为亮温或辐射，观测算子可以将微波探测仪的观测数据转化为大气状态量。在本实施例中，微波探测仪为星载微波探测仪，例如ATMS仪器(搭载在美国NPP卫星和J1卫星上)、AMSU仪器(搭载在欧洲METOP系列卫星及美国NOAA系列卫星上)、SSMI/S仪器(搭载在美国国防气象卫星上)、以及MWTS/MWHS仪器(搭载在中国风云气象卫星上)等。在本实施例中，选择快速传输辐射模式(例如美国的CRTM、中国的ARMS等)作为观测算子。本领域技术人员可以理解的是，选择快速传输辐射模式作为观测算子仅为示意性举例，在其他实施例中，也可以采用其他传输辐射模式作为观测算子，为了简明起见，在此不再对所有可能的观测算子进行一一列举。
在对步骤S102进行描述之前，需要说明的是，本发明所提供的反演方法其反演得到的大气热力结构至少包括温度廓线和湿度廓线，至于其他可以反映大气热力状态的大气廓线，例如云水廓线、雨水廓线、冰廓线、雪廓线以及霰廓线等，可以根据实际反演需求进行选择。在本实施例中，观测算子采用快速传输辐射模式，反演得到的大气热力结构包括温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线。本领域技术人员可以理解的是，在其他实施例中可以采用其他传输辐射模式作为观测算子，反演得到的大气热力结构所包括的大气廓线也可以不同于本实施例中的温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线。下文中，若无特别说明，则均以观测算子采用快速传输辐射模式，大气热力结构包括温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线为例对后续步骤进行说明。下面继续对步骤S102进行说明。
在步骤S102中，对大气热力结构反演所需的背景场、背景场协方差矩阵以及观测算子误差矩阵进行构建。其中，考虑到不同观测场景下大气热力结构存在较大的差异、观测算子也存在不同的误差，所以针对于不同观测场景相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵。在本实施例中，观测场景包括观测时间、经纬度、下垫面特征以及天气条件四方面的因素。其中，观测时间具体为观测月份；天气条件具体包括晴空、层云以及对流云；下垫面特征具体包括海洋、海冰、陆地以及积雪。需要说明的是，地球表面区域包括海洋区域和陆地区域，本文中，将海洋区域中未被海冰覆盖的部分其下垫面特征定义为海洋，将海洋区域中被海冰覆盖的部分其下垫面特征定义为海冰，将陆地区域中未被积雪覆盖的部分其下垫面特征定义为陆地，将陆地区域中被积雪覆盖的部分其下垫面特征定义为积雪。
针对于不同的观测场景相应构建大气热力结构的背景场包括如下步骤：
在步骤a1中，获取一段历史时长内每一气象格点的大气热力结构。
具体地，从全球大气再分析资料数据集中获取一段历史时长(下文以第一历史时长表示)内每一气象格点的大气热力结构。其中，全球大气再分析资料数据集可以是欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的ERA5全球大气再分析资料数据集，也可以是诸如全球NCEP再分析数据集等其他数据集，本文对此不作任何限定。气象格点可以遵循全球大气再分析资料数据集中的设置。本文对第一历史时长的具体长度不做任何限定，可以是例如近三年、近五年、近十年等。获取一段历史时长的大气热力结构是为了确保构建的背景场具有代表性。
举例说明，从欧洲中期天气预报中心的ERA5全球大气再分析资料数据集中获取近五年每一气象格点的大气热力结构，其中，ERA5全球大气再分析资料数据集的水平分辨率为0.25°、垂直分辨率为37层、时间分辨率为1小时。也就是说，针对于每一气象格点，均会得到近五年来每隔1小时的温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线。
在步骤a2中，针对每一气象格点，根据观测时间和天气条件获取相应的大气热力结构后求平均，并将求平均后得到的结果作为该气象格点在该观测时间和天气条件下的大气热力结构的背景场。仍以从欧洲中期天气预报中心的ERA5全球大气再分析资料数据集中获取近五年每一气象格点的大气热力结构为例进行说明，针对每一气象格点，对其近五年来1月份晴空下的大气热力结构求平均，得到的结果即为1月份晴空下的大气热力结构的背景场。
针对于不同的观测场景相应构建大气热力结构的背景场协方差矩阵包括如下步骤：从构建的大气热力结构中，根据观测时间、下垫面特征以及天气条件选择相应的背景场，并根据选择的背景场计算得到该观测时间、下垫面特征以及天气条件下的大气热力结构的背景场协方差矩阵。基于背景场计算背景场协方差矩阵的方法是本领域技术人员的惯用技术手段，在此不再赘述。需要说明的是，考虑到观测时间和天气条件对背景场协方差矩阵的影响较小，也可以将针对于不同的观测场景相应构建大气热力结构的背景场协方差矩阵的步骤简化为：从构建的大气热力结构的背景场中，根据下垫面特征选择相应的背景场，并根据选择的背景场计算得到该下垫面特征下的大气热力结构的背景场协方差矩阵。这种情况下，将大大减少背景场协方差矩阵的数量，相应降低背景协方差矩阵的计算复杂度。
针对于不同的观测场景相应构建观测算子误差矩阵包括如下步骤：
在步骤b1中，获取微波探测仪各探测通道的历史观测数据、以及与各探测通道历史观测数据相对应的模拟观测数据。具体地，首先，获取一段历史时长(下文以第二历史时长表示)内微波探测仪各探测通道的历史观测数据，其中，第二历史时长可以设置为例如近一年等。微波探测仪的探测通道通常包括低频探测通道以及高频探测通道。接着，从全球大气再分析资料数据集中获取该第二历史时长内与该历史观测数据相对应的大气热力结构，并根据该大气热力结构和观测算子计算得到第二历史时长内微波探测仪各探测通道的模拟观测数据。
在步骤b2中，根据观测时间、下垫面特征以及天气条件选择微波探测仪各探测通道相应的历史观测数据和模拟观测数据，并根据选择的历史观测数据和模拟观测数据计算得到该观测时间、下垫面特征以及天气条件下的观测算子误差矩阵。在本实施例中，每一观测场景下的观测算子误差矩阵均呈对角矩阵的形式，该对角矩阵的主对角线元素由该观测场景下各探测通道历史观测数据和模拟观测数据之间差值的标准差构成。
需要说明的是，当观测算子采用快速辐射传输模式时，考虑到观测时间对观测算子误差矩阵的影响比较小，所以在计算观测算子误差矩阵时可以只通过下垫面特征和天气条件来区分观测场景。
还需要说明的是，在本实施例中，温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线均以一维矩阵的形式表示。假设上述廓线的垂直层数为n，那么上述廓线均可表示为一个长度为n的一维矩阵。大气热力结构由上述温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线构成，因此在本实施例中，大气热力结构以一个长度为5n的一维矩阵表示，该长度为5n的一维矩阵由用于表示上述温度廓线、湿度廓线、云水廓线、雨水廓线以及霰廓线的一维矩阵合成。由于背景场是通过大气热力结构求平均得到的，所以在本实例中，背景场也通过一个长度为5n的一维矩阵表示。背景场协方差矩阵根据背景场计算得到，因此背景场协方差矩阵表现为一个5n×5n的矩阵。
还需要说明的是，本文对大气热力结构背景场和背景场协方差矩阵的构建步骤、以及微波探测仪观测算子误差矩阵的构建步骤其二者的执行顺序并不做任何限定，可以先构建大气热力结构的背景场和背景场协方差矩阵再构建微波探测仪的观测算子误差矩阵，也可以先构建微波探测仪的观测算子误差矩阵再构建大气热力结构的背景场和背景场协方差矩阵，又或者同时构建大气热力结构的背景场和背景场协方差矩阵、以及微波探测仪的观测算子误差矩阵。
在步骤S103中，获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别。
具体地，在本实施例中，以微波探测仪的观测象元为单位进行反演。因此，在本实施例中，获取微波探测仪的待反演观测数据的过程如下：首先确定微波探测仪的待反演观测象元，然后以该待反演观测象元的观测数据作为微波探测仪的待反演观测数据。其中，观测象元的观测数据指的是，用于参与反演的探测通道针对于该观测象元的观测数据。需要说明的是，在实际应用中，有时候全部探测通道用于大气热力结构的反演，有时候只有部分探测通道用于大气热力结构的反演。
在一个具体实施例中，微波探测仪的低频探测通道和高频探测通道分布在同一仪器上(即微波探测仪是同时具备低频探测功能和高频探测功能的仪器，例如NPP卫星搭载的ATMS仪器)，这种情况下，直接获取该仪器的待反演观测数据即可。
在另一个具体实施中，微波探测仪的低频探测通道和高频探测通道分布在两个仪器上(即微波探测仪包括分别具备低频探测功能和高频探测功能的两个仪器)，例如FY-3D卫星搭载的微波温度计和微波湿度计。这种情况下，对两个仪器的待反演观测象元进行匹配，匹配成功后，以其中一个仪器的待反演观测象元作为微波探测仪的待反演观测象元、以及以两个仪器匹配的待反演观测象元的观测数据共同作为微波探测仪的待反演观测数据。观测象元的匹配使得低频探测通道和高频探测通道的观测数据可以共同用于大气热力结构的反演，有利于提高反演精度。需要说明的是，对两个仪器待反演观测象元进行匹配的方式很多，在本实施例中，计算两个仪器待反演观测象元中心点之间的距离、以及计算该两个仪器待反演观测象元的观测时间差，若上述距离小于预设距离阈值、且观测时间差小于预设时间差阈值时，则认为该两个仪器的待反演观测象元是匹配的。本领域技术人员可以理解的是，针对于微波探测仪的低频探测通道和高频探测通道分布在两个仪器上的情况，也可以只选择其中的一个仪器仅以其观测数据进行反演。
获取微波探测仪的待反演观测数据后，根据该待反演观测数据自动对与待反演观测数据所对应的观测场景进行识别。具体到本实施例中，是对与待反演观测数据所对应的观测时间、下垫面特征以及天气条件进行识别。
(I)对与待反演观测数据所对应的观测时间进行识别。
微波探测仪观测象元的观测数据中通常携带有时间信息，因此从待反演观测数据中直接读取观测时间即可。
(II)对与待反演观测数据所对应的下垫面特征进行识别。
在步骤c1中，根据待反演观测数据判断待反演观测数据所对应的区域类型，其中，区域类型包括海洋区域和陆地区域。具体地，微波探测仪观测象元的观测数据中通常携带有地理位置信息(例如经度和纬度)，因此从待反演观测数据中可以获取观测象元的地理位置信息，根据该地理位置信息并结合离线全球地形数据集可以识别出观测象元对应的区域类型是海洋区域还是陆地区域，即识别出待反演观测数据对应的区域类型是海洋区域还是陆地区域。
在步骤c2中，从微波探测仪的探测通道中选择权重函数接近地面、探测频率接近且极化方向相反的两个探测通道。其中，可以从满足权重函数接近地面且极化方向相反的多个探测通道中，选择探测频率差最小的两个探测通道。需要说明的是，选择权重函数接近地面的探测通道是为了确保观测数据所包含的观测信息主要来自地表；由于探测频率接近的两个探测通道其观测数据主要受到下垫面特征影响，所以选择探测频率接近的两个探测通道可以减小大气对观测数据的影响；选择极化方向相反的两个探测通道是因为海冰和海洋、积雪和陆地对水平和垂直极化观测的影响不同，通过极化方向相反的两个探测通道观测数据之间的差值可以区分海冰和海洋、以及积雪与陆地。
在步骤c3中，获取步骤c2中选择的两个探测通道针对于待反演观测象元的观测数据，并根据该观测数据之间的差值以及所述区域类型识别待反演观测数据所对应的下垫面特征。在本实施例中，下垫面特征包括海洋、海冰、陆地以及积雪。需要说明的是，步骤c2中选择的两个探测通道其观测数据之间的差值，会随着微波探测仪的不同而不同，所以本文中对于该差值的具体阈值范围不做任何限定，本领域技术人员可以根据所使用的微波探测仪相应设置该差值的具体阈值范围，并基于该阈值范围来识别相应的下垫面特征。
在一个具体实施例中，针对于FY-3D微波探测仪，在识别出待反演观测数据所对应的区域类型后，可以选择118.75±5GHz探测通道(QH极化)和150GHz探测通道(QV极化)，获取该两个探测通道针对于待反演观测象元的观测数据，并计算该两个探测通道观测数据之间的差值，根据该差值进一步对下垫面的具体特征进行识别。
通过上述对下垫面特征的识别步骤可以准确地对海洋、海冰、陆地以及积雪进行识别，例如南极大陆以及格陵兰岛大陆的常年积雪，青藏高原、南美洲安第斯山脉的积雪，南极大陆沿海的海冰区域等，都可以被准确地识别出来。
(III)对与待反演观测数据所对应的天气条件进行识别。
在步骤d1中，从微波探测仪的探测通道中，选择至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合，其中，所述窗区探测通道组合包括两个窗区探测通道，所述氧气吸收通道组合包括一个低频氧气吸收通道和一个高频氧气吸收通道(针对于微波探测仪包括低频探测通道和高频探测通道的情况，低频氧气吸收通道从低频探测通道中选择，高频氧气吸收通道从高频探测通道中选择)，所述氧气吸收通道组合中的低频氧气吸收通道和高频氧气吸收通道其二者的权重函数峰值高度接近。此处，两个氧气吸收通道其权重函数峰值高度接近指的是，两个氧气吸收通道其权重函数峰值高度差的绝对值小于预设高度差阈值。本文对于两个窗区探测通道的选择不做任何限定，在一个优选实施例中，该两个窗区探测通道分别来自于低频探测通道和高频探测通道，在其他实施例中，该两个窗区探测通道还可以均来自于低频探测通道、或者均来自于高频探测通道。
窗区探测通道对大气的整层含水量比较敏感，因此可以用于监测天气条件。氧气吸收通道组合中的两个氧气吸收通道(即低频氧气吸收通道和高频氧气吸收通道)其二者权重函数峰值高度接近、但探测频率差异较大，其中，权重函数峰值高度接近表明两个氧气吸收通道所探测的大气垂直区间基本一致，探测频率差异较大表明两个氧气吸收通道对大气散射的反应不同，具体地，当晴空条件下大气散射较小，两个氧气吸收通道观测到亮温差异较小；当有云雨条件下大气散射较大，低频氧气吸收通道受到散射影响小于高频氧气吸收通道，二者观测到的亮温差异就会较大。因此，基于窗区探测通道组合和/或氧气吸收通道组合可以对待反演观测数据所对应的天气条件进行很好地识别。其中，同时使用窗区探测通道和氧气吸收通道来识别天气条件，识别准确度更高。
在步骤d2中，根据选择的探测通道组合计算窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数。
在步骤d3中，根据计算得到的窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数，对与待反演观测数据所对应的天气条件进行识别。
需要说明的是，针对于不同的微波探测仪来说，窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数的计算公式可能不同，根据计算得到的窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数对天气条件进行识别的标准也所有不同。
在一个具体实施例中，微波探测仪包括微波湿度计和微波温度计。在本实施例中，微波湿度计的探测通道是高频探测通道，微波温度计的探测通道是低频探测通道。选择微波湿度计的探测通道5、探测通道6、探测通道10，以及选择微波温度计的探测通道1、探测通道5、探测通道6，用于对天气条件特征进行识别。其中，微波湿度计的探测通道10和微波温度计的探测通道1是窗区探测通道；微波湿度计的探测通道6和微波温度计的探测通道5分别是高频氧气吸收通道和低频氧气吸收通道，其二者的权重函数的峰值位于对流层中层；微波湿度计的探测通道5和微波温度计的探测通道6分别是高频氧气吸收通道和低频氧气吸收通道，其二者的权重函数的峰值位于对流层高层。
根据上述探测通道计算窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数，其中计算公式如下：
Figure BDA0002730236140000131
其中，SIwindow、SImid以及SImid分别代表为窗区的散射指数、对流层中层的散射指数以及对流程高层的散射指数；MWTS1、MWTS5以及MWTS6分别代表微波温度计的探测通道1、探测通道5以及探测通道6的观测数据，MWHS5、MWHS6以及MWHS10分别代表微波湿度计的探测通道5、探测通道6以及探测通道10的观测数据；a0、a1、b0、b1、c0以及c1分别代表晴空条件下MWHS10和MWTS1、MWHS6和MWTS5、MWHS5和MWTS6的最小二乘法沿扫描线逐象元拟合系数。
根据窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数，对与待反演观测数据所对应的天气条件进行识别的标准如下：
当SIwindow＞-15时，判定天气条件为海上晴空；
当SImid+SIhigh＜-3时，判定天气条件为陆面晴空；
当SImid≤5时，判定天气条件为对流云；
当不符合上述标准时，判定为其他情况层云(其中积雪和海冰均按照天气条件为晴空处理)。
在步骤S104中，根据执行步骤S103所得到的识别结果，自动选择与识别结果相应的背景场、背景场协方差矩阵以及观测算子误差矩阵。
在本实施例中，根据识别结果选择与该识别结果相对应的背景场的步骤如下：首先获取与待反演观测象元位置最接近的气象格点，其中，获取与待反演观测象元位置最接近的气象格点有多种方式，例如可以将与待反演观测象元中心点距离最近的气象格点作为与观测象元位置最接近的气象格点等；然后从该气象格点对应的若干背景场中，选择符合该观测时间和天气条件的背景场，用于后续的反演步骤。举例说明，待反演观测数据所对应的待反演观测象元其位置与气象格点A最接近，待反演观测数据的观测时间是5月份、观测时天气条件是晴空，那么在气象格点A对应的若干背景场中，选择符合观测时间是5月份、天气条件是晴空的背景场。
在本实施例中，根据识别结果从预先构建的多个背景场协方差矩阵以及观测算子误差矩阵中，选择符合识别结果中观测时间、下垫面特征以及天气条件的背景协方差矩阵以及观测算子误差矩阵，用于后续的反演步骤。
在步骤S105中，将观测算子、待反演观测数据、以及步骤S104中根据识别结果选择的背景场、背景场协方差矩阵和观测算子误差代入至变分代价函数中。在本实施例中，变分代价函数J(X)的表达式如下：
Figure BDA0002730236140000141
其中，X代表大气热力结构，X0和B分别代表大气热力结构X的背景场和背景场协方差矩阵，Ym代表待反演观测数据，Y(X)代表观测算子，E代表观测算子误差矩阵。
在本实施例中，对上述变分代价函数进行化简。具体地，假设观测算子Y(X)是局地线性的，即Y(X)＝Y(X0)+K(X-X0)，在将Y(X)＝Y(X0)+K(X-X0)代入上述变分代价函数后，可以将该变分代价函数简化为如下形式：
Figure BDA0002730236140000151
其中，ΔX＝X-X0。
将观测算子Y(X)、待反演观测数据Ym、背景场X0、背景场协方差矩阵B、以及观测算子误差矩阵E代入上述表达式(1)后，可以得到大气热力结构X。
计算得到大气热力结构X后，判断大气热力结构X是否满足收敛条件，其中，若计算得到的大气热力结构X满足收敛条件，则将计算得到的大气热力结构X作为反演结果进行输出，若否，则将计算得到的大气热力结构X作为背景场进行下一次迭代。具体地，在本实施例中，收敛条件判定使用χ2检验，χ2的表达式如下：
Figure BDA0002730236140000152
其中，N代表反演计算中使用到的微波探测仪的探测通道的个数。
将观测算子Y(X)、待反演观测数据Ym、观测算子误差矩阵E以及计算得到的大气热力结构X代入上述表达式(2)，计算得到χ2的值。对χ2值的大小进行判断，其中，若χ2小于等于预设阈值(在本实施例中预设阈值等于1，即χ2≤1)，则认为满足收敛条件，这种情况下将计算得到的大气热力结构X作为反演结果进行输出；若χ2大于预设阈值，则认为不满足收敛条件，利用计算得到的大气热力结构X对背景场X0进行更新然后进行下一次迭代，即，令X0＝X并将观测算子Y(X)、待反演观测数据Ym、更新后的背景场X0、背景场协方差矩阵B、以及观测算子误差矩阵E再次代入表达式(1)以计算得到新的大气热力结构X，然后将观测算子Y(X)、待反演观测数据Ym、观测算子误差矩阵E、以及计算得到的新的大气热力结构X代入表达式(2)以计算得到χ2，并对χ2的值进行判断，重复上述步骤直至χ2小于等于预设阈值时迭代结束，并相应输出最后一次迭代中计算得到的大气热力结构X作为反演结果。
针对于不同观测场景下大气热力结构的背景廓线存在较大的差异、观测算子的误差也存在不同的情况，本发明所提供的反演方法针对于不同观测场景相应构建了大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵，并根据针对于不同观测场景所构建的背景场、背景场协方差矩阵以及观测算子误差矩阵反演得到大气热力结构，如此一来，相较于利用给定不变的背景场、背景场协方差矩阵以及观测算子误差矩阵对大气热力结构进行反演的现有技术来说，实施本发明反演得到的大气热力结构具有更优的反演精度。而大气热力结构反演精度的提高进一步有利于微波探测仪对全球灾害天气的监测准确性的提高。
由于观测算子存在系统偏差，所以在一个优选实施例中，在执行步骤S105之前，对待反演观测数据进行偏差修正，以消除观测算子系统偏差对反演所带来的影响。具体地，将微波探测仪的待反演观测数据代入预先建立的偏差修正模型，以计算得到修正观测数据。偏差修正模型的建立方式如下：首先，沿扫描线逐象元获取历史观测数据，并获取与该历史观测数据对应的模拟观测数据(可以从大气再分析数据集中获取与历史观测数据相对应的历史大气热力结构，根据该历史大气热力结构和观测算子计算得到与该历史观测数据对应的模拟观测数据)；通过对沿扫描线逐象元获取的历史观测数据以及与其对应的模拟观测数据进行拟合，可以得到偏差修正模型，该偏差修正模型的输入是微波探测仪的观测数据、输出是修正偏差后的数据，即修正观测数据。对待反演观测数据进行偏差修正后，相应地在执行步骤S105时，将观测算子、修正观测数据、以及根据识别结果选择的背景场、背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。对待反演观测数据进行偏差修正，可以有效消除观测算子系统偏差对反演所带来的影响，进一步提高大气热力结构的反演精度。需要说明的是，本发明对于待反演观测数据偏差修正步骤的具体执行时间点并没有任何限定，在获取微波探测仪的待反演观测数据之后且在执行步骤S105之前的任何时间点均可执行对待反演观测数据的偏差修正步骤。
观测算子与地表发射率之间存在一定的关系。地表发射率进一步包括陆表发射率和海表发射率。当待反演观测数据对应的下垫面是陆地或积雪时，利用陆表发射率计算观测算子；当待反演观测数据对应的下垫面是海洋或海冰时，利用海表发射率计算观测算子。陆表发射率和海表发射率数值的准确与否也会影响到观测算子计算的准确性。其中，陆表发射率的数值与观测场景有关(主要是与观测月份以及经纬度有关)，海表发射率的数值与大气热力结构的数值有关。现有技术中，针对于利用陆表发射率计算观测算子的情况来说，无论观测场景是否相同，均使用固定的陆表发射率进行计算；针对于利用海表发射率计算观测算子的情况来说，在一次反演的整个变分迭代过程中，海表发射率被设置为固定值。但是，由于陆表发射率和海表发射率的数值并不是一成不变的，因此，使用固定的陆表发射率和海表发射率计算观测算子，在一定程度上会影响到反演精度。在本实施例中，针对于陆表发射率来说，可以从离线陆表微波发射率数据集中选择与观测场景(即观测月份和经纬度)相对应的陆表发射率数值，并将该陆表发射率数值用于观测算子的计算中。针对于海表发射率来说，可以将本次迭代得到的大气热力结构代入至海表微波发射率模式(例如FASTEM海表微波发射率模式)，计算得到与本次迭代得到的大气热力结构相对应的海表发射率数值，并将该海表发射率数值用于下一次变分迭代中的观测算子的计算中。如此一来，可以进一步提高大气热力结构的反演精度。需要说明的，观测算子与地表发射率之间的关系、离线陆表微波发射率数据集、以及海表微波发射率模式均为现有技术，为了简明起见，不再详细展开说明。
现有技术中，在反演得到的大气热力结构中通常不包括地表气压，即使包括地表气压，该地表气压的数值也是一个固定值不随变分迭代发生变化。但实际上，地表气压并非是一直不变的，所以固定数值的地表气压无法体现出真实的地表气压。针对于本发明所提供的反演方法，在一个优选实施例中，在每次变分迭代结束后，根据本次迭代得到的大气热力结构以及大气静力平衡模型对地表气压的数值进行更新，更新后的地表气压将用于下一次变分迭代中的观测算子的计算中。在本实施例中，大气静力平衡模型采用大气湿静力平衡方程实现如下：
Figure BDA0002730236140000171
其中，p代表气压，psfc代表地表气压，ptop代表积分层顶的气压，z代表位势高度，
Figure BDA0002730236140000181
代表与ptop所对应的位势高度，
Figure BDA0002730236140000182
代表与psfc所对应的位势高度，Rd代表干空气比气体常数，g代表重力加速度，T代表大气温度，q代表大气湿度。从高空向地面积分至0m(海洋)或陆面地形海拔高度处，则可以得到对应的地表气压。其中，T和q的数值分别来自于变分迭代所得到的大气热力结构中的温度廓线和湿度廓线。利用上述方式不但可以实现对地表气压的反演，还能够得到对地表气压高精度的反演结果，可以进一步优化大气热力结构的反演结果。
本发明还提供了一种大气热力结构的反演装置。请参考图2，图2是根据本发明的一个具体实施例的大气热力结构的反演装置的结构示意图。如图所示，该反演装置10包括：
确定模块101，用于确定观测算子；
构建模块102，用于针对于不同的观测场景相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；
识别模块103，用于获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；
选择模块104，用于根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；
反演模块105，用于将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。
上述确定模块101、构建模块102、识别模块103、选择模块104以及反演模块105与本发明所提供的大气热力结构的反演方法的步骤一一对应，为了简明起见，上述模块的具体工作过程可以参考前文中相应的内容。
利用本发明所提供的大气廓线的反演装置反演得到高精度的大气热力结构。
进一步地，构建模块102包括第一构建单元(未示出)、第二构建单元(未示出)以及第三构建单元(未示出)。
第一构建单元，用于获取第一历史时长内每一气象格点的大气热力结构，以及用于针对每一所述气象格点，根据观测时间和天气条件获取相应的所述大气热力结构后求平均，并将求平均后得到的结果作为所述气象格点在所述观测时间和所述天气条件下的大气热力结构的背景场。
第二构建单元，用于根据观测时间、下垫面特征以及天气条件选择相应的背景场，并根据选择的所述背景场计算得到所述观测时间、所述下垫面特征以及所述天气条件下的大气热力结构的背景场协方差矩阵。
第三构建单元，用于获取所述微波探测仪各探测通道的历史观测数据、以及与各探测通历史观测数据相对应的模拟观测数据，以及用于根据观测时间、下垫面特征以及天气条件选择所述微波探测仪各探测通道相应的历史观测数据和模拟观测数据，并根据选择的所述历史观测数据和所述模拟观测数据计算得到所述观测时间、所述下垫面特征以及所述天气条件下的观测算子误差矩阵。
进一步地，识别模块103包括获取单元(未示出)和识别单元(未示出)。
获取单元，用于若微波探测仪的低频探测通道和高频探测通道分布在同一仪器上，则直接获取该仪器的待反演观测象元的观测数据作为所述微波探测仪的待反演观测数据，以及用于若微波探测仪的低频探测通道和高频探测通道分布在两个仪器上，则对所述两个仪器的待反演观测象元进行匹配，匹配成功后获取所述两个仪器匹配的待反演观测象元的观测数据共同作为所述微波探测仪的待反演观测数据。
针对于对两个仪器的待反演观测象元进行匹配的实现来说，获取单元计算两个仪器的待反演观测象元中心点之间的距离、以及计算该两个仪器待反演观测象元的观测时间差，若所述距离小于预设距离阈值且观测时间差小于预设时间差阈值，则判断所述两个仪器的待反演观测象元匹配。
识别单元，用于对与待反演观测数据相对应的观测时间、下垫面特征以及天气条件进行识别。
针对于对与待反演观测数据相对应的下垫面特征进行识别的实现来说，识别单元根据所述待反演观测数据判断所述待反演观测数据所对应的区域类型，并从所述微波探测仪的探测通道中选择权重函数接近地面、探测频率接近且极化方向相反的两个探测通道，以及根据所述两个探测通道观测数据的差值以及所述区域类型识别所述待反演观测数据所对应的下垫面特征。
针对于对与待反演观测数据相对应的天气条件进行识别的实现来说，识别单元从所述微波探测仪的低频探测通道和高频探测通道中，选择至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合，其中，所述窗区探测通道组合包括两个窗区探测通道，所述氧气吸收通道组合包括一个低频氧气吸收通道和一个高频氧气吸收通道，所述氧气吸收通道组合中的低频氧气吸收通道和高频氧气吸收通道其权重函数峰值高度接近；以及根据所述至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合计算窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数，并根据所述窗区的散射指数、所述对流层中层的散射指数以及所述对流层高层的散射指数识别所述待反演观测数据所对应的天气条件。
进一步地，反演装置10还包括修正模块(未示出)，该修正模块用于在反演模块105将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数之前，对所述待反演观测数据进行修正以得到修正观测数据。相应地，反演模块105工作时，将所述观测算子、所述修正观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差代入变分代价函数。
进一步地，反演模块105包括第一更新单元(未示出)和第二更新单元(未示出)。
第一更新单元，用于当利用陆表发射率计算所述观测算子时，根据所述观测场景确定与所述观测场景相对应的陆表发射率、并将该陆表发射率用于所述观测算子的计算，以及用于当利用海表发射率计算所述观测算子时，每次迭代结束后利用该次迭代计算得到的大气热力结构对海表发射率进行更新、并将更新后的所述海表发射率用于下一次迭代中观测算子的计算。
第二更新单元，用于每次迭代结束后根据该次迭代计算得到的大气热力结构以及大气静力平衡模型对地表气压进行更新，更新后的所述地表气压用于下一次迭代中观测算子的计算。
本发明还提供了一种电子设备，该电子设备包括存储器和处理器，其中，存储器中存储有计算机程序，处理器被设置为通过该计算机程序执行本文前述的大气热力结构的反演方法。具体地，该电子设备可以是计算机终端、服务器或者类似的运算装置。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如前文所述的大气热力结构的反演方法，例如图1所示的大气热力结果的反演方法。所述计算机可读介质可以是可由计算机设备访问的任何可用介质，且包括用任何方法和技术实现的用于存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息的易失性和非易失性介质、可移动和不可移动介质。计算机可读介质包括但不限于，RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光存储、盒式磁带、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并且可由计算设备访问的任何其它介质。上述的任意组合也应包含在计算机可读介质的范围内。
本发明提供的大气热力结构反演的方法中涉及软件逻辑的部分可以使用可编程逻辑器件来实现，也可以实施为计算机程序产品，该程序产品使计算机执行用于所示范的方法。所述计算机程序产品包括计算机可读存储介质，该介质上包含计算机程序逻辑或代码部分，用于实现上述涉及软件逻辑的部分的各个步骤。所述计算机可读存储介质可以是被安装在计算机中的内置介质或者可从计算机主体拆卸的可移动介质(例如可热拔插的存储设备)。所述内置介质包括但不限于可重写的非易失性存储器，例如RAM、ROM和硬盘。所述可移动介质包括但不限于：光存储媒体(例如CD-ROM和DVD)、磁光存储媒体(例如MO)、磁存储媒体(例如磁带或移动硬盘)、具有内置的可重写的非易失性存储器的媒体(例如存储卡)和具有内置ROM的媒体(例如ROM盒)。
本领域技术人员应当理解，任何具有适当编程装置的计算机系统都能够执行包含在计算机程序产品中的本发明的方法的诸步骤。尽管本说明书中描述的多数具体实施方式都侧重于软件程序，但是以硬件方式实现本发明提供的方法的替代实施例同样在本发明要求保护的范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，在权利要求的等同要件的含义和范围内的所有变化均涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他部件、单元或步骤，单数不排除复数。权利要求中陈述的多个部件、单元或装置也可以由一个部件、单元或装置通过软件或者硬件来实现。
本发明所提供的大气热力结构的反演方法包括确定观测算子；根据观测场景的不同相应构建大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵；获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的观测场景进行识别；根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；将观测算子、待反演观测数据、以及根据识别结果选择的背景场、背景场协方差矩阵和观测算子误差代入变分代价函数，通过迭代的方式反演得到大气热力结构。由于不同观测场景下大气热力结构的背景廓线存在较大的差异、观测算子存在不同的误差，所以本发明所提供的反演方法针对于不同观测场景相应构建了大气热力结构的背景场和背景场协方差矩阵、以及观测算子误差矩阵，并根据针对于不同观测场景所构建的背景场、背景场协方差矩阵以及观测算子误差矩阵反演得到大气热力结构，从而使得本发明所提供的反演方法与现有的反演方法相比具有更优的反演精度。而大气热力结构反演精度的提高进一步有利于微波探测仪对全球灾害天气的监测准确性的提高。相应地，实施本发明所提供的大气热力结构的反演装置、设备以及存储介质相较于现有技术也可以得到更优的大气热力结构的反演精度。
以上所披露的仅为本发明的一些较佳实施例，不能以此来限定本发明之权利范围，依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (14)

1.一种大气热力结构的反演方法，该反演方法包括：
确定观测算子；
根据天气条件和观测时间构建大气热力结构的背景场，根据天气条件、下垫面特征以及观测时间构建大气热力结构的背景场协方差矩阵以及观测算子误差矩阵；
获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的天气条件、下垫面特征以及观测时间进行识别；
根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；
将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差矩阵代入变分代价函数，通过迭代的方式反演得到大气热力结构。
2.根据权利要求1所述的反演方法，其中，根据天气条件和观测时间构建大气热力结构的背景场的步骤包括：
获取第一历史时长内每一气象格点的大气热力结构；
针对每一所述气象格点，根据观测时间和天气条件获取相应的所述大气热力结构后求平均，并将求平均后得到的结果作为所述气象格点在所述观测时间和所述天气条件下的大气热力结构的背景场。
3.根据权利要求2所述的反演方法，其中，根据天气条件、下垫面特征以及观测时间构建大气热力结构的背景场协方差矩阵的步骤包括：
根据观测时间、下垫面特征以及天气条件选择相应的背景场，并根据选择的所述背景场计算得到所述观测时间、所述下垫面特征以及所述天气条件下的大气热力结构的背景场协方差矩阵。
4.根据权利要求1所述的反演方法，其中，根据天气条件、下垫面特征以及观测时间构建观测算子误差矩阵的步骤包括：
获取所述微波探测仪各探测通道的历史观测数据、以及与各探测通历史观测数据相对应的模拟观测数据；
根据观测时间、下垫面特征以及天气条件选择所述微波探测仪各探测通道相应的历史观测数据和模拟观测数据，并根据选择的所述历史观测数据和所述模拟观测数据计算得到所述观测时间、所述下垫面特征以及所述天气条件下的观测算子误差矩阵。
5.根据权利要求1所述的反演方法，其中，获取微波探测仪的待反演观测数据的步骤包括：
若微波探测仪的低频探测通道和高频探测通道分布在同一仪器上，则直接获取该仪器的待反演观测象元的观测数据作为所述微波探测仪的待反演观测数据；
若微波探测仪的低频探测通道和高频探测通道分布在两个仪器上，则对所述两个仪器的待反演观测象元进行匹配，匹配成功后获取所述两个仪器匹配的待反演观测象元的观测数据共同作为所述微波探测仪的待反演观测数据。
6.根据权利要求5所述的反演方法，其中，对所述两个仪器的待反演观测象元进行匹配的步骤包括：
计算所述两个仪器的待反演观测象元中心点之间的距离、以及计算该两个仪器待反演观测象元的观测时间差，若所述距离小于预设距离阈值且观测时间差小于预设时间差阈值，则判断所述两个仪器的待反演观测象元匹配。
7.根据权利要求1所述的反演方法，其中，对与待反演观测数据相对应的下垫面特征进行识别的步骤包括：
根据所述待反演观测数据判断所述待反演观测数据所对应的区域类型；
从所述微波探测仪的探测通道中选择权重函数接近地面、探测频率接近且极化方向相反的两个探测通道；
根据所述两个探测通道观测数据的差值以及所述区域类型识别所述待反演观测数据所对应的下垫面特征。
8.根据权利要求1所述的反演方法，其中，对与待反演观测数据相对应的天气条件进行识别的步骤包括：
从所述微波探测仪的探测通道中，选择至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合，其中，所述窗区探测通道组合包括两个窗区探测通道，所述氧气吸收通道组合包括一个低频氧气吸收通道和一个高频氧气吸收通道，所述氧气吸收通道组合中的所述低频氧气吸收通道和所述高频氧气吸收通道的权重函数峰值高度接近；
根据所述至少一个窗区探测通道组合和/或至少一个氧气吸收通道组合计算窗区的散射指数、对流层中层的散射指数以及对流层高层的散射指数，并根据所述窗区的散射指数、所述对流层中层的散射指数以及所述对流层高层的散射指数识别所述待反演观测数据所对应的天气条件。
9.根据权利要求1所述的反演方法，其中：
将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差矩阵代入变分代价函数之前，所述反演方法还包括：对所述待反演观测数据进行修正以得到修正观测数据；
将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差矩阵代入变分代价函数的步骤包括：将所述观测算子、所述修正观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差矩阵代入变分代价函数。
10.根据权利要求1所述的反演方法，其中：
当利用陆表发射率计算所述观测算子时，确定与经纬度和观测时间相对应的陆表发射率、并将该陆表发射率用于所述观测算子的计算；
当利用海表发射率计算所述观测算子时，每次迭代结束后利用该次迭代计算得到的大气热力结构对海表发射率进行更新、并将更新后的所述海表发射率用于下一次迭代中观测算子的计算。
11.根据权利要求1所述的反演方法，其中：
每次迭代结束后根据该次迭代计算得到的大气热力结构以及大气静力平衡模型对地表气压进行更新，更新后的所述地表气压用于下一次迭代中观测算子的计算。
12.一种大气热力结构的反演装置，该反演装置包括：
确定模块，用于确定观测算子；
构建模块，用于根据天气条件和观测时间构建大气热力结构的背景场，根据天气条件、下垫面特征以及观测时间构建大气热力结构的背景场协方差矩阵以及观测算子误差矩阵；
识别模块，用于获取微波探测仪的待反演观测数据，并对与待反演观测数据相对应的天气条件、下垫面特征以及观测时间进行识别；
选择模块，用于根据识别结果选择相应的背景场、背景场协方差矩阵以及观测算子误差矩阵；
反演模块，用于将所述观测算子、所述待反演观测数据、以及根据识别结果选择的所述背景场、所述背景场协方差矩阵和观测算子误差矩阵代入变分代价函数，通过迭代的方式反演得到大气热力结构。
13.一种电子设备，该电子设备包括：
存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至11中任一项所述的反演方法。
14.一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的反演方法。
CN202011116127.1A 2020-10-19 2020-10-19 大气热力结构的反演方法、装置、设备以及存储介质 Active CN112285130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011116127.1A CN112285130B (zh) 2020-10-19 2020-10-19 大气热力结构的反演方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011116127.1A CN112285130B (zh) 2020-10-19 2020-10-19 大气热力结构的反演方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN112285130A CN112285130A (zh) 2021-01-29
CN112285130B true CN112285130B (zh) 2021-11-23

Family

ID=74496582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011116127.1A Active CN112285130B (zh) 2020-10-19 2020-10-19 大气热力结构的反演方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112285130B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505334B (zh) * 2021-06-11 2024-03-19 国家卫星气象中心(国家空间天气监测预警中心) 基于微波双频极化差分比的地表影响抑制方法
CN117473878B (zh) * 2023-12-27 2024-03-15 青岛市生态与农业气象中心(青岛市气候变化中心) 一种基于静止卫星数据的地闪强度反演方法

Citations (5)

* Cited by examiner, † Cited by third party
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
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
KR20190135110A (ko) * 2018-05-28 2019-12-06 부산대학교 산학협력단 Gnss-ro 1차원 변분 자료동화에 따른 관측 및 분석증분 공분산 계산 알고리즘의 개선
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
KR20190135110A (ko) * 2018-05-28 2019-12-06 부산대학교 산학협력단 Gnss-ro 1차원 변분 자료동화에 따른 관측 및 분석증분 공분산 계산 알고리즘의 개선
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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于一维变分算法的卫星遥感反演大气温湿度廓线研究";任杰;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190115(第01期);第8-41页 *

Also Published As

Publication number Publication date
CN112285130A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
Guillevic et al. Land Surface Temperature Product Validation Best Practice Protocol Version 1.0-October, 2017
Koffi et al. Evaluation of the aerosol vertical distribution in global aerosol models through comparison against CALIOP measurements: AeroCom phase II results
Freitas et al. The performance of the IMERG satellite-based product in identifying sub-daily rainfall events and their properties
Antonarakis et al. Using Lidar and Radar measurements to constrain predictions of forest ecosystem structure and function
CN112285130B (zh) 大气热力结构的反演方法、装置、设备以及存储介质
Emili et al. Combined assimilation of IASI and MLS observations to constrain tropospheric and stratospheric ozone in a global chemical transport model
Cook Atmospheric compensation for a landsat land surface temperature product
Ignatov et al. Operational aerosol observations (AEROBS) from AVHRR/3 on board NOAA-KLM satellites
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN115308386B (zh) 一种基于cygnss卫星数据的土壤盐分反演方法和系统
KR101895231B1 (ko) 인공위성을 이용한 일 최고기온 산출 방법
CN114252834A (zh) 一种基于海洋目标的星载微波辐射计外定标方法及装置
Drolon et al. Monitoring of seasonal glacier mass balance over the European Alps using low-resolution optical satellite images
Zhang et al. Developing a remote sensing-based ecological index based on improved biophysical features
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
Semane et al. Comparison of Desroziers and three-cornered hat methods for estimating COSMIC-2 bending angle uncertainties
Thao et al. Comparison of regression algorithms for the retrieval of the wet tropospheric path
CN107576399A (zh) 面向modis 林火探测的亮温预测方法和系统
CN117075138A (zh) 一种区域30米森林冠层高度遥感测算方法、系统及介质
CN116189796A (zh) 基于机器学习的星载短波红外co2柱浓度估算方法
Laraby Landsat surface temperature product: global validation and uncertainty estimation
CN115452167A (zh) 基于不变像元的卫星遥感器交叉定标方法和装置
Bakker Soil texture mapping on a regional scale with remote sensing data
Garzón Barrero et al. Quantifying the Effect of LiDAR Data Density on DEM Quality

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