CN113311509B - 一种基于神经网络的mwhts对海面气压的敏感性测试方法 - Google Patents

Abstract

一种基于神经网络的MWHTS对海面气压的敏感性测试方法，属于微波遥感技术领域。所述方法包括建立MWHTS观测亮温与大气参数集在空间和时间上的匹配数据集；分别以匹配数据集中的大气参数和MWHTS观测亮温为神经网络的输入和输出，对神经网络进行训练，建立基于神经网络的模拟亮温计算模型；以云水含量为参考值，在匹配数据集中选择一组晴空大气参数、一组有云大气参数和一组有雨大气参数，并分别构建晴空测试数据集、有云测试数据集和有雨测试数据集；分别把晴空测试数据集、有云测试数据集和有雨测试数据集输入到基于神经网络的模拟亮温计算模型，获得晴空模拟亮温、有云模拟亮温和有雨模拟亮温分别随海面气压的变化关系。

Description

一种基于神经网络的MWHTS对海面气压的敏感性测试方法

技术领域

本发明涉及微波遥感技术领域，尤其涉及一种基于神经网络的MWHTS对海面气压的敏感性测试方法。

背景技术

海面气压是描述大气状态的基本参数，在气候变化研究、数值天气预报以及极端天气监测等应用中发挥着重要作用。与传统的现场直接测量手段相比，星载微波辐射计可获得高时空分辨率、高精度和连续的海面气压数据，是大气科学领域获取海面气压数据的重要来源。星载微波辐射计设置在60 GHz或118.75 GHz频段的温度探测通道，通过测量氧气的垂直柱总吸收来探测海面气压，同时星载微波辐射计设置在183.31GHz频段的湿度探测通道可根据温、压、湿参数之间的相关性，进行海面气压的探测。

使用反演算法可把微波辐射计观测亮温转换为海面气压。然而，微波辐射计各通道对海面气压具有敏感性是反演成功的前提。在反演计算之前，根据微波辐射计各通道对海面气压的敏感性测试结果，可优化微波辐射计参与反演计算的通道选择，进而提高海面气压的反演精度。目前，微波辐射计对海面气压的敏感性测试方法可分两类，一类是传统的敏感性测试方法，即把人工扰动的海面气压数据输入到微波辐射传输模型，建立微波辐射传输模型输出的模拟亮温随海面气压的变化关系。然而，在目前的微波辐射传输模型中，海面气压是以线性内插的方式参与大气透过率的计算，这样粗略的计算方式降低了海面气压在辐射传输计算中的权重，进而导致灵敏性测试结果的不准确，另外，根据MWHTS遥感海面气压理论分析和反演实验验证，MWHTS所有通道对海面气压均具有敏感性，但是传统的敏感性测试方法并不能提供准确的敏感性测试结果；另一类是基于自然大气的微波辐射计对海面气压的敏感性测试方法，该方法通过控制无关大气参数变量对微波辐射计观测亮温的影响，建立海面气压与微波辐射计观测亮温之间的直接关系，但是控制众多大气参数中的无关大气参数变量对观测亮温的影响，工作量大且难度很大，因为涉及到大气廓线中各个大气网格分层的温度值、湿度值、云水含量值，以及地表参数等多达几十个变量的控制，目前虽然实现了基于自然大气的MWTS-II对海面气压的敏感性测试，但是对于包含湿度探测通道的MWHTS，相比只有温度探测通道的MWTS-II，需控制更多的大气参数变量，尚无法建立MWHTS观测亮温随海面气压的变化关系。

搭载于风云三号D星的MWHTS，其8个温度探测通道设置在118.75GHz氧气吸收线附近，5个湿度探测通道设置在183.31GHz水汽吸收线附近，两个探测表面参数的窗区通道分别设置在89GHz和150GHz附近。海面气压作为MWHTS各通道探测路径的端点，根据理论分析，MWHTS所有15个通道均对海面气压具有敏感性。为了避免海面气压在辐射传输模型计算中，由于粗略的计算方式对传统的敏感性测试方法带来的不利影响，同时避免基于自然大气的敏感性测试方法中控制变量难度大且工作量大的问题，因此，发明一种基于神经网络的MWHTS对海面气压的敏感性测试方法，该方法能真实地反映出MWTS-II各通道对海面气压的敏感性，且操作简单易行。

发明内容

为解决上述技术问题，本发明提供一种基于神经网络的MWHTS对海面气压的敏感性测试方法，避免由于海面气压参与辐射传输计算的方式粗略对传统的敏感性测试方法带来的不利影响，同时避免基于自然大气的敏感性测试方法中控制变量难度大且工作量大的问题，使用神经网络开展MWHTS模拟亮温的计算，进而开展MWHTS模拟亮温对海面气压的敏感性测试，提供了一种基于神经网络的MWHTS对海面气压的敏感性测试方法。该方法首先建立MWHTS观测亮温与大气参数集在时间和空间上的匹配数据集；其次分别以匹配数据集中的大气参数和MWHTS观测亮温为神经网络的输入和输出，对神经网络进行训练，建立基于神经网络的模拟亮温计算模型；然后以云水含量为参考值，在匹配数据集中选择一组晴空大气参数、一组有云大气参数和一组有雨大气参数，并分别构建晴空测试数据集、有云测试数据集和有雨测试数据集；最后分别把步骤三中建立的晴空测试数据集、有云测试数据集和有雨测试数据集输入到步骤二中建立的基于神经网络的模拟亮温计算模型，获得晴空模拟亮温、有云模拟亮温和有雨模拟亮温分别随海面气压的变化关系，即完成MWHTS对海面气压的敏感性测试。

为实现上述技术目的，所采用的技术方案是：一种基于神经网络的MWHTS对海面气压的敏感性测试方法，包括以下步骤：

步骤一：建立MWHTS观测亮温与大气参数集在时间和空间上的匹配数据集；

步骤二：分别以匹配数据集中的大气参数和MWHTS观测亮温为神经网络的输入和输出，对神经网络进行训练，建立基于神经网络的模拟亮温计算模型；

步骤三：以云水含量为参考值，在匹配数据集中选择一组晴空大气参数、一组有云大气参数和一组有雨大气参数，并分别构建晴空测试数据集、有云测试数据集和有雨测试数据集；

步骤四：分别把步骤三中建立的晴空测试数据集的大气参数、有云测试数据集的大气参数和有雨测试数据集的大气参数输入到步骤二中建立的基于神经网络的模拟亮温计算模型，获得MWHTS晴空模拟亮温、MWHTS有云模拟亮温和MWHTS有雨模拟亮温分别随海面气压的变化关系，即获得了MWHTS模拟亮温在晴空、有云和有雨大气条件下对海面气压的敏感性测试结果。

所述步骤一具体包括：

首先在气候学数据集中选择所使用的大气参数组成大气参数集，其中大气参数集中的每组大气参数具体包括：温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速以及云水含量；然后把大气参数集与MWHTS观测亮温进行匹配，匹配规则为时间误差小于10分钟，经纬度误差小于0.1°；最后对匹配到的数据进行质量控制，即删除MWHTS观测亮温和大气参数集中存在异常值的匹配数据，其中匹配数据中的MWHTS观测亮温小于180K或者大于310K，以及匹配数据集中的大气参数的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集。

所述步骤二具体包括：

首先搭建一个三层有监督学习的神经网络结构，即一个输入层，一个输出层和一个隐藏层；然后在步骤一中所建立的匹配数据集中，按照温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速和云水含量的顺序组成神经网络的输入向量，MWHTS的15个通道的观测亮温组成输出向量，对神经网络进行训练；最后，在训练过程中，以输入向量产生的预测向量和输出向量之间的均方差为评价神经网络训练性能的定量标准，通过调节隐藏层神经元的个数使均方差最小，建立基于神经网络的模拟亮温计算模型。

所述步骤三具体包括：

首先在步骤一中所建立的匹配数据集中，在云水含量为0的多组大气参数中随机选择一组作为晴空大气参数，在云水含量大于0且小于0.4 mm的多组大气参数中随机选择一组作为有云大气参数，在云水含量大于或等于0.4 mm的多组大气参数中随机选择一组作为有雨大气参数；然后以980 hPa为海面气压的起始值，以0.01 hPa的步长增加至1030hPa，可获得5001个海面气压数据；最后把这5001个海面气压数据分别取代晴空大气参数中的海面气压、有云大气参数的海面气压和有雨大气参数的海面气压，建立包含5001组大气参数的晴空测试数据集、包含5001组大气参数的有云测试数据集和包含5001组大气参数的有雨测试数据集。

本发明有益效果是：本发明使用神经网络取代了传统微波辐射传输模型，对MWHTS模拟亮温进行计算，避免了海面气压参与微波辐射传输计算方式的粗略导致的敏感性测试结果不准确的后果。同时把构造的海面气压数据与大气参数一起输入到基于神经网络的MWHTS模拟亮温计算模型，获取MWHTS各通道模拟亮温随海面气压变化的直接关系，这也避免了基于自然大气的敏感性测试方法中MWHTS观测亮温与海面气压匹配难度大，控制无关大气参数变量难度大以及工作量大等问题。因此，基于神经网络的MWHTS对海面气压的敏感性测试方法不仅能真实地反映出MWHTS各通道对海面气压的敏感性，而且操作简单易行。

附图说明

图1是本发明的流程图；

图2是实施例1中MWHTS晴空模拟亮温对海面气压的敏感性的测试结果图；

图3是实施例1中MWHTS有云模拟亮温对海面气压的敏感性的测试结果图；

图4是实施例1中MWHTS有雨模拟亮温对海面气压的敏感性的测试结果图；

图5是实施例1中基于传统的敏感性测试方法的MWHTS对海面气压的敏感性测试结果图。

具体实施方式

下面结合实例及附图对本发明作进一步的描述，需要说明的是，实施例并不限定本发明要求保护的范围。

一种基于神经网络的MWHTS对海面气压的敏感性测试方法，包括以下步骤：

步骤一：建立MWHTS观测亮温与大气参数集在时间和空间上的匹配数据集；

步骤二：分别以匹配数据集中的大气参数和MWHTS观测亮温为神经网络的输入和输出，对神经网络进行训练，建立基于神经网络的模拟亮温计算模型；

步骤三：以云水含量为参考值，在匹配数据集中选择一组晴空大气参数、一组有云大气参数和一组有雨大气参数，并分别构建晴空测试数据集、有云测试数据集和有雨测试数据集；

步骤四：分别把步骤三中建立的晴空测试数据集的大气参数、有云测试数据集的大气参数和有雨测试数据集的大气参数输入到步骤二中建立的基于神经网络的模拟亮温计算模型，获得MWHTS晴空模拟亮温、MWHTS有云模拟亮温和MWHTS有雨模拟亮温分别随海面气压的变化关系，即获得了MWHTS模拟亮温在晴空、有云和有雨大气条件下对海面气压的敏感性测试结果。

所述步骤一具体包括：

首先在气候学数据集中选择所使用的大气参数组成大气参数集，其中大气参数集中的每组大气参数具体包括：温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速以及云水含量；然后把大气参数集与MWHTS观测亮温进行匹配，匹配规则为时间误差小于10分钟，经纬度误差小于0.1°；最后对匹配到的数据进行质量控制，即删除MWHTS观测亮温和大气参数集中存在异常值的匹配数据，其中匹配数据中的MWHTS观测亮温小于180K或者大于310K，以及匹配数据集中的大气参数的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集。

所述步骤二具体包括：

首先搭建一个三层有监督学习的神经网络结构，即一个输入层，一个输出层和一个隐藏层；然后在步骤一中所建立的匹配数据集中，按照温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速和云水含量的顺序组成神经网络的输入向量，MWHTS的15个通道的观测亮温组成输出向量，对神经网络进行训练；最后，在训练过程中，以输入向量产生的预测向量和输出向量之间的均方差为评价神经网络训练性能的定量标准，通过调节隐藏层神经元的个数使均方差最小，建立基于神经网络的模拟亮温计算模型。

所述步骤三具体包括：

首先在步骤一中所建立的匹配数据集中，在云水含量为0的多组大气参数中随机选择一组作为晴空大气参数，在云水含量大于0且小于0.4 mm的多组大气参数中随机选择一组作为有云大气参数，在云水含量大于或等于0.4 mm的多组大气参数中随机选择一组作为有雨大气参数；然后以980 hPa为海面气压的起始值，以0.01 hPa的步长增加至1030hPa，可获得5001个海面气压数据；最后把这5001个海面气压数据分别取代晴空大气参数中的海面气压、有云大气参数的海面气压和有雨大气参数的海面气压，建立包含5001组大气参数的晴空测试数据集、包含5001组大气参数的有云测试数据集和包含5001组大气参数的有雨测试数据集。

实施例1

选择使用的气候学数据集为欧洲中期天气预报中心（ECMWF）的ERA-Interim 再分析数据集，在ERA-Interim再分析数据集中选择所使用的大气参数组成大气参数集，其中大气参数集中每组大气参数具体包括：温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10 m u风速、10 m v风速以及云水含量。所组成的大气参数集的时间范围为2019年5月至8月，地理范围为（25°N—45°N，160°E—220°E），数据分辨率为0.5°×0.5°，廓线数据的压强分层为从地面（1000 hPa）到高空（1 hPa）的37层网格分层。选择使用搭载于风云三号D星的MWHTS观测亮温与大气参数集进行匹配，匹配规则为时间误差小于10分钟，经纬度误差小于0.1°。最后对匹配到的数据进行质量控制，即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据，其中匹配数据中的MWHTS观测亮温小于180K或者大于310K，以及匹配数据集中的大气参数的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集，共包括353391组匹配数据。

选择使用深度神经网络构建基于神经网络的模拟亮温计算模型。首先搭建一个三层神经网络结构，即一个输入层，一个输出层和一个隐藏层；然后在所建立的匹配数据集中，按照温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速和云水含量的顺序组成深度神经网络的输入向量，MWHTS的15个通道的观测亮温组成输出向量，对深度神经网络进行训练；最后，在训练过程中，以输入向量产生的预测向量和输出向量之间的均方差为评价神经网络训练性能的定量标准，当隐藏层神经元的个数为105时，均方差为2.742，当再调节隐藏层神经元个数时，均方差不再减小，因此，当隐藏层神经元个数为105时，建立基于神经网络的模拟亮温计算模型。

在匹配数据集中，在云水含量为0的2429组大气参数中随机选择一组作为晴空大气参数，在云水含量大于0且小于0.4 mm的315946组大气参数中随机选择一组作为有云大气参数，在云水含量大于或等于0.4 mm的35016组大气参数中随机选择一组作为有雨大气参数；然后以980 hPa为海面气压的起始值，以0.01 hPa的步长增加至1030 hPa，可获得5001个海面气压数据；最后把这5001个海面气压数据分别取代晴空大气参数中的海面气压，可建立包含5001组大气参数的晴空测试数据集，按照相同的操作可分别建立包含5001组大气参数的有云测试数据集和包含5001组大气参数的有雨测试数据集。

把晴空测试数据集中的大气参数作为基于神经网络的模拟亮温计算模型的输入，产生MWHTS晴空模拟亮温，获得MWHTS晴空模拟亮温随海面气压的变化关系，如图2所示；把有云测试数据集中的大气参数作为基于神经网络的模拟亮温计算模型的输入，产生MWHTS有云模拟亮温，获得MWHTS有云模拟亮温随海面气压的变化关系，如图3所示；把有雨测试数据集中的大气参数作为基于神经网络的模拟亮温计算模型的输入，产生MWHTS有雨模拟亮温，获得MWHTS有雨模拟亮温随海面气压的变化关系，如图4所示。从图2，图3和图4可以发现，MWHTS的所有15个通道在晴空、有云和有雨的大气条件下，均对海面气压具有敏感性，这与理论分析的结果相一致。

为了对比基于神经网络的MWHTS对海面气压的灵敏性测试方法与传统的敏感性测试方法，以有云大气条件为例，把有云测试数据集输入到微波辐射传输模型RTTOV计算MWHTS模拟亮温，MWHTS模拟亮温随海面气压的变化关系如图5所示。从图5可以看出，MWHTS只有通道1，通道7，通道8，通道9和通道10对海面气压具有敏感性，而其余通道对海面气压不具有敏感性，这与理论分析以及反演实验验证结果不一致。通过对比基于神经网络的MWHTS对海面气压的敏感性测试方法与传统的敏感性测试方法可知，基于神经网络的MWHTS对海面气压的敏感性测试方法可以测试出MWHTS所有通道对海面气压的灵敏性，与理论分析结果一致。

Claims (1)

1.一种基于神经网络的MWHTS对海面气压的敏感性测试方法，其特征在于，包括以下步骤：

步骤一：建立MWHTS观测亮温与大气参数集在时间和空间上的匹配数据集；

所述步骤一具体包括：

首先在气候学数据集中选择所使用的大气参数组成大气参数集，其中大气参数集中的每组大气参数具体包括：温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速以及云水含量；然后把大气参数集与MWHTS观测亮温进行匹配，匹配规则为时间误差小于10分钟，经纬度误差小于0.1°；最后对匹配到的数据进行质量控制，即删除MWHTS观测亮温和大气参数集中存在异常值的匹配数据，其中匹配数据中的MWHTS观测亮温小于180K或者大于310K，以及匹配数据集中的大气参数的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集；

步骤二：分别以匹配数据集中的大气参数和MWHTS观测亮温为神经网络的输入和输出，对神经网络进行训练，建立基于神经网络的模拟亮温计算模型；

所述步骤二具体包括：

首先搭建一个三层有监督学习的神经网络结构，即一个输入层，一个输出层和一个隐藏层；然后在步骤一中所建立的匹配数据集中，按照温度廓线、湿度廓线、云水廓线、海表温度、海表湿度、海面气压、10m风速和云水含量的顺序组成神经网络的输入向量，MWHTS的15个通道的观测亮温组成输出向量，对神经网络进行训练；最后，在训练过程中，以输入向量产生的预测向量和输出向量之间的均方差为评价神经网络训练性能的定量标准，通过调节隐藏层神经元的个数使均方差最小，建立基于神经网络的模拟亮温计算模型；

步骤三：以云水含量为参考值，在匹配数据集中选择一组晴空大气参数、一组有云大气参数和一组有雨大气参数，并分别构建晴空测试数据集、有云测试数据集和有雨测试数据集；

所述步骤三具体包括：

首先在步骤一中所建立的匹配数据集中，在云水含量为0的多组大气参数中随机选择一组作为晴空大气参数，在云水含量大于0且小于0.4 mm的多组大气参数中随机选择一组作为有云大气参数，在云水含量大于或等于0.4 mm的多组大气参数中随机选择一组作为有雨大气参数；然后以980 hPa为海面气压的起始值，以0.01 hPa的步长增加至1030 hPa，可获得5001个海面气压数据；最后把这5001个海面气压数据分别取代晴空大气参数中的海面气压、有云大气参数的海面气压和有雨大气参数的海面气压，建立包含5001组大气参数的晴空测试数据集、包含5001组大气参数的有云测试数据集和包含5001组大气参数的有雨测试数据集；

步骤四：分别把步骤三中建立的晴空测试数据集的大气参数、有云测试数据集的大气参数和有雨测试数据集的大气参数输入到步骤二中建立的基于神经网络的模拟亮温计算模型，获得MWHTS晴空模拟亮温、MWHTS有云模拟亮温和MWHTS有雨模拟亮温分别随海面气压的变化关系，即获得了MWHTS模拟亮温在晴空、有云和有雨大气条件下对海面气压的敏感性测试结果。