CN113340836A - 一种针对高纬复杂下垫面的大气温湿廓线反演方法 - Google Patents

一种针对高纬复杂下垫面的大气温湿廓线反演方法 Download PDF

Info

Publication number
CN113340836A
CN113340836A CN202110537648.2A CN202110537648A CN113340836A CN 113340836 A CN113340836 A CN 113340836A CN 202110537648 A CN202110537648 A CN 202110537648A CN 113340836 A CN113340836 A CN 113340836A
Authority
CN
China
Prior art keywords
inversion
temperature
humidity
atmospheric temperature
channel
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
Application number
CN202110537648.2A
Other languages
English (en)
Inventor
陆其峰
鲍艳松
吴春强
胡晶晶
朱柳桦
刘辉
王富
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.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202110537648.2A priority Critical patent/CN113340836A/zh
Publication of CN113340836A publication Critical patent/CN113340836A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Environmental Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Ecology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，包括以下步骤：步骤S1：通道选择；步骤S2：晴空像元挑选；步骤S3：神经网络模型构建；步骤S4：大气温湿度廓线反演。本发明解决了高纬地区大气温湿度廓线的高精度反演难题，成功构建了基于中国气象卫星FY‑3D上搭载的红外高光谱数据的大气温湿度廓线反演系统，反演试验表明该方法在高纬地区大气温湿度反演上取得了理想的精度。

Description

一种针对高纬复杂下垫面的大气温湿廓线反演方法
技术领域
本发明涉及大气科学大气遥感与大气探测领域，具体来说，涉及一种基于极轨气象卫星高光谱红外传感器资料的大气温湿度三维场遥感反演方法。
背景技术
地球高纬度地区常年被海洋及冰雪覆盖，是全球重要冷源之一。随着全球变暖，高纬地区的温度变化比低纬度地区变化更大，海冰面积正在迅速缩小，这不仅对该区域的动植物群产生重要影响，而且对整个地球的气候调节也具有重要影响，对北半球中低纬度地区的气候具有重要影响。尤其是，近年来北极对流层快速升温的频率已逐渐超过平流层，北极地区未来的气候变化趋势是不确定和复杂的，这需要对高纬地区，尤其是北极的气候做进一步深入的研究。
大气温湿度是气候监测、天气分析和天气预报的重要参数，大气温湿度参数直接影响地球大气系统的短波太阳辐射与长波辐射之间的相互作用，从而影响全球辐射能量的平衡。因此，准确获取北极地区大气温湿度信息对于地球系统科学研究具有重要意义。
目前，高纬地区的无线电探空有所加强，用于探测大气对流层和平流层大气温湿度；但由于站点稀疏，获得的大气温湿度数据时空分辨率较低，这使得高纬地区气候变化研究缺乏一套高时空分辨率、高精度的大气三维温湿场实测数据。星载红外高光谱遥感具有较高的光谱分辨率，可以实现高垂直分辨率大气垂直探测；其外，卫星遥感具有高空间分辨率的特点。因此，有效利用星载红外高光谱遥感技术，有望实现高纬地区大气温湿度三维场的高时空分辨率、高精度探测。
反演算法是红外高光谱遥感的重要核心技术。目前，反演方法主要分为物理反演法和统计反演法。物理反演方法主要通过反向求解大气辐射传输方程来获得大气参数。王超使用一维变分反演星载微波传感器的大气信息，实验表明一维变分反演所需要的背景场对反演结果影响明显，尤其是大气温度。官元红利用一维变分算法反演了红外高光谱(IASI)的大气温湿度廓线，他们的结果表明虽然该方法能够进行大气温度与水汽混合比廓线高精度反演，但是在计算过程中依赖探空资料，也具有一定局限性。虽然物理反演法精度高，但计算过程取决于初始值，既费时又复杂，同时反演精度还会受到辐射传输模式结果的影响。
由于高纬地区特殊的地理位置以及复杂下垫面及天气条件，想要获得较为精准的近地面参数是比较困难的。这给利用辐射传输模式正演模拟卫星的亮温带来了困难。统计反演算法采用预先由大气廓线和辐射值决定的统计关系，利用卫星观测值反演大气参数，这种方法可以避免使用辐射传输模式。特征向量法是统计法里面最常用的方法。一些学者通过该方法反演AIRS的大气温湿度信息，结果表明从高光谱数据中反演的大气温度和湿度廓线更加准确。这种方法具有快速、简单、稳定的特点，但没有考虑辐射传输的本质，因此没有处理非线性的能力，反演精度还有待提高。人工神经网络技术不仅具有很强的非线性问题处理能力和良好的容错能力，同时可以避免使用辐射传输模式，没有比较复杂的计算过程。该算法不仅可以提高统计方法的数值稳定性和效率，而且不会牺牲物理反演法的准确性。国内外已有许多学者开展了关于人工神经网络建模反演大气参数的研究。张雪慧利用人工神经网络算法对模拟的AIRS亮温进行反演，并与特征向量统计法反演结果相比，结果表明人工神经网络性能优于特征向量反演法。鲍艳松、钱程等利用人工神经网络算法开展了地基微波辐射计大气温湿度廓线反演研究，结果表明人工神经网络算法可以获得较高的温湿度反演精度。这些研究都证明了人工神经网络用于遥感数据，反演大气参数的潜力。
另外，红外高光谱卫星遥感是精确探测晴空大气三维温湿场的重要手段。目前，我国在大气三维温湿场卫星遥感上和欧美国家还有一定的差距，并且FY-3D/HIRAS业务反演算法中，只考虑了南北纬60°以内区域，导致高纬地区HIRAS大气温湿度业务产品精度不高，因此单独开发高纬地区算法是必要的。针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题，本发明提出一种针对高纬复杂下垫面的大气温湿廓线反演方法。
本发明的技术方案是这样实现的：
一种针对高纬复杂下垫面的大气温湿廓线反演方法，包括以下步骤：
步骤S1：通道选择，利用主成分累计影响系数法对温度和水汽吸收通道资料进行分析，从2287个通道中选出125个通道用于温度反演，94个通道用于水汽反演；
步骤S2：晴空像元挑选，在进行大气参数反演建模时，只使用晴空时的卫星观测值；
步骤S3：神经网络模型构建，
步骤S4：大气温湿度廓线反演，研制北极地区大气温湿度廓线反演模型；利用探空数据和再分析数据，对反演结果的误差指标进行统计，评价反演方法精度。
进一步地，所述步骤S1包括以下步骤：
S11.通道预处理：剔除受太阳光影响的通道，参考AIRS长波温湿度通道以及长波地表通道的波长，最终确定选择温度通道的波段为650-975cm-1，湿度通道的波段为1210-1750cm-1；
S12.利用辐射传输模式RTTOV中雅可比矩阵模式，得到HIRAS各个通道的雅可比矩阵,将温度通道对应的雅可比矩阵进行标准化，并计算其协方差矩阵；
S13.计算协方差矩阵的特征值λ和特征向量矩阵U；
S14.选择前p个主成分，使前p个主成分方差贡献率ε>99％。其中温度试验是p为5，水汽试验时p为4；
S15.计算每个温度预选通道对前p个主成分的累计影响系数，并根据系数的大小排序，选出对温度影响较大的通道；
S16.湿度通道的选择方法同上；
S17.考虑近地表温湿度反演，参考IASI300个通道中的窗区通道，最终挑选125个通道用于温度反演，95个通道用于湿度反演。
进一步地，所述步骤S2利用搭载在FY-3D卫星平台上的MERSI-II仪器的L2产品FY3D/MERSI-II 5-min granule cloud amount来挑选HIRAS晴空像元，MERSI-II二级云量产品包括总云量和高云量5分钟段产品数据，其中，总云量指在地球表面某一设定区域内，各种类型云像元发射辐射的总和与区域中所有像元发射辐射总和的比值，有效值阈为0-100，单位为百分比，0代表区域中像元为全晴空，100代表区域像元为全部云覆盖，首先，将要匹配的仪器分为主仪器HIRAS和从仪器MERSI-II，主仪器的星下点分辨率为16km，因为探测器的视场除星下点外通常不是圆形的，所以为了确保像元晴空的准确性，搜索所有落在以主仪器观测像元为中心，半径为16km的圆内的MERSI-II数据点，并且根据距离分配它们的权重，如果从仪器的数据点位于主仪器的边缘，则其权重较小，相反，落在主仪器中心的数据点的权重为1，计算HIRAS像元内总云量，总云量小于5％认为是晴空像元；
进一步地，所述步骤S3根据Kolmogorov定理表明，经过充分学习的三层前馈神经网络可以近似任何函数，因此选择了三层神经网络，该网络可以实现任意精度的连续功能映射，神经网络模型的输出可以显示为：
O＝F2(Yv+b2) (1)
Y＝F1(Xw+b1) (2)
O是神经网络的输出；Y是隐含层的输出，同时也是输出层的输入；v是从隐含层到输出层的连接权系数的矩阵，w是从输入层到隐含层的连接权系数的矩阵，v和w初始时刻是一组随机数；b1和b2是隐含层和输出层的偏置矩阵；F是神经元的非线性作用函数；
BP神经网络的性能指标是均方误差MSE，对于每个输入样本，将网络输出与目标输出进行比较，该算法将调整网络参数以最小化均方误差
MSE＝E[e2]＝E[(t-o)2] (3)
其中，t是期望的输出，o是实际的输出，e是绝对误差，为了定量分析网络的优缺点，除MSE外，还考虑了反演值与实际值之间的相关系数R、均方根误差RMSE和平均误差ME，公式如下：
Figure BDA0003070357970000051
Figure BDA0003070357970000052
Figure BDA0003070357970000053
其中，n代表样本数量；x是通过BP人工神经网络反演获得的大气温度和湿度廓线值；y是实际的大气温湿度廓线值；
构建的温度反演神经网络的输入层是126个节点，包括125个温度反演通道和卫星扫描天顶角，隐含层节点数是253；相对湿度反演模型输入层95个节点，包括94个反演通道和卫星观测天顶角，隐含层节点数是73；温湿度反演模型的输出层节点数均为42。
进一步地，所述步骤S11中受太阳光影响的通道λ<5μm。
进一步地，所述HIRAS像元内总云量的计算方法为像元内所有MERSI-II数据点的云量与对应权重的乘积。
本发明的有益效果：本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法解决了高纬地区大气温湿度廓线的高精度反演难题，成功构建了基于中国气象卫星FY-3D上搭载的红外高光谱数据的大气温湿度廓线反演系统，反演试验表明该方法在高纬地区大气温湿度反演上取得了理想的精度：以ERA5为参考，春夏秋三个季节陆地大气温度反演的均方根误差(RMSE)为1.2K、海洋上约为1K；冬季陆地大气温度反演的RMSE约为1.9K、海洋上约为1.5K。在海洋和陆地上，四个季节相对湿度反演的RMSE都在16％以内。为进一步评价该方法的精度，以高纬地区陆地上的探空数据为基准，计算反演结果的误差，试验表明:大气温度的均方根误差(RMSE)在冬季约在2.1K，在其他三个季节约为1.6K；对流层中层以下相对湿度RMSE在20％左右。该方法可为数值天气预报及短时临近预报提供高精度数据获取手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例挑选的通道归一化雅克比图；
图1a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例挑选湿度通道的归一化雅可比；
图1b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例挑选温度通道的归一化雅可比；
图2是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例挑选的反演通道分布图；
图3是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例晴空像元选择示意图；
图4是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例三层神经网络模型示意图；
图5是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例陆地反演结果的密度散度图；
图5a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例春季温度反演结果的密度散度图；
图5b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例春季相对湿度反演结果的密度散度图；
图5c是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例夏季温度反演结果的密度散度图；
图5d是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例夏季相对湿度反演结果的密度散度图；
图5e是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例秋季温度反演结果的密度散度图；
图5f是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例秋季相对湿度反演结果的密度散度图；
图5g是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例冬季温度反演结果的密度散度图；
图5h是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例冬季相对湿度反演结果的密度散度图；
图6是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例陆地大气温湿度廓线反演误差垂直分布图；
图6a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例陆地大气整层温度廓线反演均方根误差RMSE分布图；
图6b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例陆地大气整层温度廓线反演平均偏差ME分布分布图；
图6c是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例陆地大气1000-200hPa相对湿度反演均方根误差RMSE分布图；
图6d是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例陆地大气1000-200hPa相对湿度反演平均偏差ME分布分布图；
图7是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋反演结果的散度图；
图7a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋春季温度反演结果的散度图；
图7b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋春季相对湿度反演结果的散度图；
图7c是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋夏季温度反演结果的散度图；
图7d是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋夏季相对湿度反演结果的散度图；
图7e是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋秋季温度反演结果的散度图；
图7f是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋秋季相对湿度反演结果的散度图；
图7g是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋冬季温度反演结果的散度图；
图7h是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋冬季相对湿度反演结果的散度图；
图8是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋大气温湿度廓线反演误差垂直分布图；
图8a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋大气整层温度廓线反演均方根误差RMSE分布图；
图8b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋大气整层温度廓线反演平均偏差ME分布分布图；
图8c是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋大气1000-200hPa相对湿度反演均方根误差RMSE分布图；
图8d是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例海洋大气1000-200hPa相对湿度反演平均偏差ME分布分布图；
图9是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例温度反演结果与陆地探空对比误差垂直分布图；
图9a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例春季温度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图9b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例春季温度反演结果与陆地探空对比平均偏差ME垂直分布图；
图9c是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例夏季温度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图9d是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例夏季温度反演结果与陆地探空对比平均偏差ME垂直分布图；
图9e是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例秋季温度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图9f是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例秋季温度反演结果与陆地探空对比平均偏差ME垂直分布图；
图9g是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例冬季温度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图9h是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例冬季温度反演结果与陆地探空对比平均偏差ME垂直分布图；
图10是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例相对湿度反演结果与陆地探空对比误差垂直分布图；
图10a是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例春季相对湿度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图10b是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例春季相对湿度反演结果与陆地探空对比平均偏差ME垂直分布图；
图10c是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例夏季相对湿度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图10d是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例夏季相对湿度反演结果与陆地探空对比平均偏差ME垂直分布图；
图10e是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例秋季相对湿度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图10f是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例秋季相对湿度反演结果与陆地探空对比平均偏差ME垂直分布图；
图10g是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例冬季相对湿度反演结果与陆地探空对比均方根误差RMSE垂直分布图；
图10h是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例冬季相对湿度反演结果与陆地探空对比平均偏差ME垂直分布图；
图11是本发明一种针对高纬复杂下垫面的大气温湿廓线反演方法实施例方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本发明利用主成分累计影响系数算法，通过主成分分析将原变量通过适当的线性变换，形成新的互不相关的变量——主成分。在主成分分析中各个主成分按照方差贡献率的大小进行排序，从中选取少数几个变量，使其含有尽可能多的原变量的信息，来减少信息冗余。由于主成分失去了原变量的实际意义，因此需要计算每个原变量对所选的主成分的累计影响系数，并将其排序，挑选出对主成分影响较大的变量来实现通道的选择。
一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，包括以下步骤：
步骤S1：通道选择，利用主成分累计影响系数法对温度和水汽吸收通道资料进行分析，从2287个通道中选出125个通道用于温度反演，94个通道用于水汽反演；
步骤S2：晴空像元挑选，由于红外波段受云的影响较大，在进行反演建模时需要剔除受云影响的像元。本实施例利用搭载在FY-3D卫星平台上的MERSI-II仪器的L2产品FY3D/MERSI-II 5-min granule cloud amount来挑选HIRAS晴空像元，MERSI-II二级云量产品包括总云量和高云量5分钟段产品数据，其中，总云量指在地球表面某一设定区域内，各种类型云像元发射辐射的总和与区域中所有像元发射辐射总和的比值，有效值阈为0-100，单位为百分比，0代表区域中像元为全晴空，100代表区域像元为全部云覆盖，首先，将要匹配的仪器分为主仪器HIRAS和从仪器MERSI-II，主仪器的星下点分辨率为16km，因为探测器的视场通常不是圆形的，所以为了确保像元晴空的准确性，搜索所有落在以主仪器观测像元为中心，半径为16km的圆内的MERSI-II数据点，并且根据距离分配它们的权重。如果从仪器的数据点位于主仪器的边缘，则其权重较小，相反，落在主仪器中心的数据点的权重为1，计算HIRAS像元内总云量，总云量小于5％认为是晴空像元；
在本实施例中，选择2019年8月2日11:50经过北极地区的一个HIRAS场景，如图3(a)显示了窗区通道波数900cm-1的亮温分布，颜色越黄代表亮温越高，颜色越蓝代表亮温越低，亮温较低的值表示存在较高的云，而具有较高亮温的区域通常会提供地面晴空信息，图3(b)是同一个时刻的MERSI-II二级云产品分布图，颜色越黄代表云量越高，颜色越蓝代表云量越少，对比两张图可见，云量较少的地区亮温越高，云量越高的区域，亮温越低，图3(c)是挑选出来的HIRAS晴空像元，如图所示：红色表示的晴空像元在图(b)中是深蓝色调，由此可见此方法是可行的。
步骤S3：神经网络模型构建；在本实施例中，根据Kolmogorov定理表明，经过充分学习的三层前馈神经网络可以近似任何函数，因此在本实施例中选择了三层神经网络。图4显示了三层神经网络模型结构。该网络可以实现任意精度的连续功能映射。神经网络模型的输出可以显示为：
O＝F2(Yv+b2) (1)
Y＝F1(Xw+b1) (2)
O是神经网络的输出；Y是隐含层的输出，同时也是输出层的输入；v是从隐含层到输出层的连接权系数的矩阵，w是从输入层到隐含层的连接权系数的矩阵，v和w初始时刻是一组随机数；b1和b2是隐含层和输出层的偏置矩阵；F是神经元的非线性作用函数。
BP神经网络的性能指标是均方误差MSE。对于每个输入样本，将网络输出与目标输出进行比较，该算法将调整网络参数以最小化均方误差
MSE＝E[e2]＝E[(t-o)2] (3)
其中，t是期望的输出，o是实际的输出，e是绝对误差。为了定量分析网络的优缺点，除MSE外，还考虑了反演值与实际值之间的相关系数R、均方根误差RMSE和平均误差ME。公式如下：
Figure BDA0003070357970000111
Figure BDA0003070357970000112
Figure BDA0003070357970000113
其中，n代表样本数量；x是通过BP人工神经网络反演获得的大气温度和湿度廓线值；y是实际的大气温湿度廓线值。
本实施例中构建的温度反演神经网络的输入层是126个节点，包括125个温度反演通道和卫星扫描天顶角，隐含层节点数是253；相对湿度反演模型输入层95个节点，包括94个反演通道和卫星观测天顶角，隐含层节点数是73；温湿度反演模型的输出层节点数均为42(反演层数)。
步骤S4：大气温湿度廓线反演。图5是北极陆地地区温湿度反演结果与ERA5再分析数据的散度图。如图5左列四个季节大气温度反演结果散度图所示：虽然有些反演的结果与ERA5略有偏差，但这些数据点占所有检验样本值的比例很小，大部分数据点集中在‘Y＝X’线上；四个季节反演温度与ERA5再分析数据相关系数基本在0.99以上。冬季反演温度与ERA5的均方根误差(RMSE)大于其它三个季节，为1.83K；春季温度反演精度优于其它三个季节，反演温度的RMSE约为1.1K。图中右边一列是四季相对湿度反演结果的散点图。194.36hPa以下相对湿度反演结果与ERA5的相关系数在0.87左右。除冬季相对湿度的RMSE较大，约为15％，其余三个季节相对湿度反演的散点图比较相似，反演结果的均方根误差在12％左右。
图6为985.88hPa-1.2hPa陆地区域大气温湿度反演结果的RMSE和ME垂直分布。如图6所示，反演的大气温度RMSE随高度变化在各个季节总体趋势一致，冬季反演精度较其他三个季节有所降低。除了冬季，其他三个季节850-650hPa的RMSE在1.5K以内，650-300hPa之间的RMSE在1K以内。750hPa以下冬季的温度反演值RMSE大于2K。四个季节近地面大气温度反演误差略高于其他层，这可能是受地表参数不确定的影响。在冬季底层反演精度比其它季节大，在1000hPa附近RMSE可以达到3K。这可能与极区地表强烈的辐射冷却，边界层存在逆温，并且冬季逆温发生的频率较高，逆温层厚度较厚有关。在250hPa高度层附近，反演温度的RMSE也存在峰值。这可能是由于对流层和平流层之间的物质和能量交换比其他高度更强。在平流层，春、夏、秋反演温度RMSE基本在1.5K以内，冬季最大可达3.5K。温度反演的ME的绝对值基本在0.1K以内。相对湿度反演精度同样呈现出冬季较低的现象；相对湿度反演的RMSE在春夏秋三个季节都能在15％以内；在冬季800-250hPa之间，RMSE变化不大，约为15％；ME总体在-1.5％-1％之间变化。
图7是北极海洋区域反演的温湿度数据与ERA5再分析数据散点图。图7左列是四个季节温度反演的散点图。如图所示，大多数散点均匀分布在直线‘Y＝X’两侧,说明反演温度与再分析数据非常接近。四个季节反演温度与再分析数据的相关系数均在0.99以上。春、夏、秋三个季节反演的RMSE基本在1K左右，冬季较大为1.5K左右。冬季反演性能略低于其他三个季节，但总体而言，温度反演精度高于陆地。相对湿度反演相关系数基本都在0.88左右。冬季相对湿度反演的精度比其他三个季节低。秋季相对湿度反演结果为正偏差，其它三个季节为负偏差。
图8是海洋区域大气温湿度反演结果误差垂直分布图。如图8(c)所示，对流层850-250hPa四季的大气温度反演误差(RMSE)基本在1K以内；平流层冬季反演结果精度明显低于其他季节，春、夏、秋季节温度反演误差RMSE在1.5k以内，但冬季的温度误差RMSE在2.5K以内。海洋区域四个季节相对湿度反演的RMSE在10％-15％之间。
图9是以探空数据为标准，反演的温度精度检验结果。四个季节检验样本数量分别为272、405、75和308。如图所示，以探空资料作为真值，反演温度精度检验结果比以ERA5作为真值检验结果差，但误差垂直分布的趋势是一致的。出现这种结果的原因是由于神经网络模型采用ERA5资料建立，神经网络反演得到的廓线更接近ERA5。图中黑色线条代表ERA5与探空误差量，如图所示ERA5廓线数据与探空廓线也存在一定的偏差。图中红色线条代表反演的结果与ERA5数据对比，与图6相比，对比的数据源是一致的，但检验的样本数据量有所减少，因此导致即使以相同的数据源作为真值，检验的精度也会有所不同。说明在进行反演产品进度检验时，需保证足够的样本量才能客观检验产品精度。在对流层低层，RMSE在春、夏、秋三个季节差异不大，基本在3.3K左右，但冬季稍大，约为4.2K。800hPa以上，RMSE基本在2k以内。以探空作为标准，四个季节反演结果的平均偏差在-0.6-0.2K之间。
图10是以探空数据为标准，反演的相对湿度精度检验结果。如图所示，当以探空资料作为标准时，相对湿度反演的精度同样也会降低，并且这种现象比温度更明显。这是由于ERA5再分析资料的相对湿度与极地探空本身偏差相比温度更大。在对流层中高层精度下降更明显。500hPa以下，四个季节的RMSE分别增加了5.83％、7.08％、6.85％和5.9％。500-200hPa之间，RMSE分别增加了15.26％、15.4％、14.12％和10.26％。图中黑色线表明ERA5相对湿度廓线与探空廓线之间的误差，并且在大约300hPa处存在一个峰值，ERA5相对湿度明显高于探空数据。需要指出的是ERA5数据与探空的误差也带入到了反演产品中。反演的相对湿度RMSE在300百帕左右有一个峰值，除了冬季较小，约为30％，其他三个季节约为36％。500hPa以下，四季相对湿度反演的ME基本在10％以内，但500-300hPa之间的ME显著增加，冬季最大达到20％左右，秋季可达25％，春季和夏季在300hPa达到30％左右。
在本实施例中，所述步骤S1包括以下步骤：
S11.通道预处理：剔除受太阳光影响的通道(λ<5μm)，参考AIRS长波温湿度通道以及长波地表通道的波长，最终确定选择温度通道的波段为650-975cm-1，湿度通道的波段为1210-1750cm-1；
S12.利用辐射传输模式RTTOV中雅可比矩阵模式，得到HIRAS各个通道的雅可比矩阵,将温度通道对应的雅可比矩阵进行标准化，并计算其协方差矩阵；
S13.计算协方差矩阵的特征值λ和特征向量矩阵U；
S14.选择前p个主成分，使前p个主成分方差贡献率ε>99％。其中温度试验是p为5，水汽试验时p为4；
S15.计算每个温度预选通道对前p个主成分的累计影响系数，并根据系数的大小排序，选出对温度影响较大的通道；
S16.湿度通道的选择方法同上；
S17.考虑近地表温湿度反演，参考IASI300个通道中的窗区通道，最终挑选125个通道用于温度反演，95个通道用于湿度反演；
挑选通道的归一化雅可比如图1所示，通道的分布如图2所示。
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、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，包括以下步骤：
步骤S1：通道选择，利用主成分累计影响系数法对温度和水汽吸收通道资料进行分析，从2287个通道中选出125个通道用于温度反演，94个通道用于水汽反演；
步骤S2：晴空像元挑选，在进行大气参数反演建模时，只使用晴空时的卫星观测值；
步骤S3：神经网络模型构建，
步骤S4：大气温湿度廓线反演，研制北极地区大气温湿度廓线反演模型；利用探空数据和再分析数据，对反演结果的误差指标进行统计，评价反演方法精度。
2.根据权利要求1所述的一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，所述步骤S1包括以下步骤：
S11.通道预处理：剔除受太阳光影响的通道，参考AIRS长波温湿度通道以及长波地表通道的波长，最终确定选择温度通道的波段为650-975cm-1，湿度通道的波段为1210-1750cm-1；
S12.利用辐射传输模式RTTOV中雅可比矩阵模式，得到HIRAS各个通道的雅可比矩阵,将温度通道对应的雅可比矩阵进行标准化，并计算其协方差矩阵；
S13.计算协方差矩阵的特征值λ和特征向量矩阵U；
S14.选择前p个主成分，使前p个主成分方差贡献率ε>99％。其中温度试验是p为5，水汽试验时p为4；
S15.计算每个温度预选通道对前p个主成分的累计影响系数，并根据系数的大小排序，选出对温度影响较大的通道；
S16.湿度通道的选择方法同上；
S17.考虑近地表温湿度反演，参考IASI300个通道中的窗区通道，最终挑选125个通道用于温度反演，95个通道用于湿度反演。
3.根据权利要求1所述的一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，所述步骤S2利用搭载在FY-3D卫星平台上的MERSI-II仪器的L2产品FY3D/MERSI-II5-min granulecloudamount来挑选HIRAS晴空像元，MERSI-II二级云量产品包括总云量和高云量5分钟段产品数据，其中，总云量指在地球表面某一设定区域内，各种类型云像元发射辐射的总和与区域中所有像元发射辐射总和的比值，有效值阈为0-100，单位为百分比，0代表区域中像元为全晴空，100代表区域像元为全部云覆盖，首先，将要匹配的仪器分为主仪器HIRAS和从仪器MERSI-II，主仪器的星下点分辨率为16km，因为探测器的视场除星下点外通常不是圆形的，所以为了确保像元晴空的准确性，搜索所有落在以主仪器观测像元为中心，半径为16km的圆内的MERSI-II数据点，并且根据距离分配它们的权重，如果从仪器的数据点位于主仪器的边缘，则其权重较小，相反，落在主仪器中心的数据点的权重为1，计算HIRAS像元内总云量，总云量小于5％认为是晴空像元。
4.根据权利要求1所述的一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，所述步骤S3根据Kolmogorov定理表明，经过充分学习的三层前馈神经网络可以近似任何函数，因此选择了三层神经网络，该网络可以实现任意精度的连续功能映射，神经网络模型的输出可以显示为：
O＝F2(Yv+b2) (1)
Y＝F1(Xw+b1) (2)
O是神经网络的输出；Y是隐含层的输出，同时也是输出层的输入；v是从隐含层到输出层的连接权系数的矩阵，w是从输入层到隐含层的连接权系数的矩阵，v和w初始时刻是一组随机数；b1和b2是隐含层和输出层的偏置矩阵；F是神经元的非线性作用函数；
BP神经网络的性能指标是均方误差MSE，对于每个输入样本，将网络输出与目标输出进行比较，该算法将调整网络参数以最小化均方误差
MSE＝E[e2]＝E[(t-o)2] (3)
其中，t是期望的输出，o是实际的输出，e是绝对误差，为了定量分析网络的优缺点，除MSE外，还考虑了反演值与实际值之间的相关系数R、均方根误差RMSE和平均误差ME，公式如下：
Figure FDA0003070357960000031
Figure FDA0003070357960000032
Figure FDA0003070357960000033
其中，n代表样本数量；x是通过BP人工神经网络反演获得的大气温度和湿度廓线值；y是实际的大气温湿度廓线值；
构建的温度反演神经网络的输入层是126个节点，包括125个温度反演通道和卫星扫描天顶角，隐含层节点数是253；相对湿度反演模型输入层95个节点，包括94个反演通道和卫星观测天顶角，隐含层节点数是73；温湿度反演模型的输出层节点数均为42。
5.根据权利要求2所述的一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，所述步骤S11中受太阳光影响的通道λ<5μm。
6.根据根据权利要求3所述的一种针对高纬复杂下垫面的大气温湿廓线反演方法，其特征在于，所述HIRAS像元内总云量的计算方法为像元内所有MERSI-II数据点的云量与对应权重的乘积。
CN202110537648.2A 2021-05-18 2021-05-18 一种针对高纬复杂下垫面的大气温湿廓线反演方法 Pending CN113340836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110537648.2A CN113340836A (zh) 2021-05-18 2021-05-18 一种针对高纬复杂下垫面的大气温湿廓线反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110537648.2A CN113340836A (zh) 2021-05-18 2021-05-18 一种针对高纬复杂下垫面的大气温湿廓线反演方法

Publications (1)

Publication Number Publication Date
CN113340836A true CN113340836A (zh) 2021-09-03

Family

ID=77470692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110537648.2A Pending CN113340836A (zh) 2021-05-18 2021-05-18 一种针对高纬复杂下垫面的大气温湿廓线反演方法

Country Status (1)

Country Link
CN (1) CN113340836A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534194A (zh) * 2021-09-16 2021-10-22 山东省科学院海洋仪器仪表研究所 联合gnss与测风激光雷达的对流层温湿廓线反演方法
CN115343783A (zh) * 2022-08-26 2022-11-15 中国科学院西安光学精密机械研究所 窄谱段高分辨率平流层大气温湿度探测方法
CN116187025A (zh) * 2023-01-09 2023-05-30 中国科学院合肥物质科学研究院 基于地基红外遥感的晴空大气温湿度廓线快速反演方法
CN116186486A (zh) * 2022-12-27 2023-05-30 安徽省气象台 基于广义集成学习的卫星资料反演温度廓线方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105988146A (zh) * 2015-01-29 2016-10-05 中国科学院空间科学与应用研究中心 一种星载微波辐射计的应用数据处理方法
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
US20190331831A1 (en) * 2018-04-26 2019-10-31 Jiangsu Meteorological Observatory Sea fog monitoring method based on multi-source satellite remote sensing data
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
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105988146A (zh) * 2015-01-29 2016-10-05 中国科学院空间科学与应用研究中心 一种星载微波辐射计的应用数据处理方法
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
US20190331831A1 (en) * 2018-04-26 2019-10-31 Jiangsu Meteorological Observatory Sea fog monitoring method based on multi-source satellite remote sensing data
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
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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HU JINGJING ET AL.: "Temperature and Relative Humidity Profile Retrieval from Fengyun-3D/HIRAS in the Arctic Region", 《REMOTE SENSING》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534194A (zh) * 2021-09-16 2021-10-22 山东省科学院海洋仪器仪表研究所 联合gnss与测风激光雷达的对流层温湿廓线反演方法
CN113534194B (zh) * 2021-09-16 2022-02-08 山东省科学院海洋仪器仪表研究所 联合gnss与测风激光雷达的对流层温湿廓线反演方法
CN115343783A (zh) * 2022-08-26 2022-11-15 中国科学院西安光学精密机械研究所 窄谱段高分辨率平流层大气温湿度探测方法
CN116186486A (zh) * 2022-12-27 2023-05-30 安徽省气象台 基于广义集成学习的卫星资料反演温度廓线方法
CN116186486B (zh) * 2022-12-27 2023-09-08 安徽省气象台 基于广义集成学习的卫星资料反演温度廓线方法
CN116187025A (zh) * 2023-01-09 2023-05-30 中国科学院合肥物质科学研究院 基于地基红外遥感的晴空大气温湿度廓线快速反演方法
CN116187025B (zh) * 2023-01-09 2023-09-15 中国科学院合肥物质科学研究院 基于地基红外遥感的晴空大气温湿度廓线快速反演方法

Similar Documents

Publication Publication Date Title
CN113340836A (zh) 一种针对高纬复杂下垫面的大气温湿廓线反演方法
May et al. Operational processing of satellite sea surface temperature retrievals at the Naval Oceanographic Office
Stowe et al. Development, validation, and potential enhancements to the second‐generation operational aerosol product at the National Environmental Satellite, Data, and Information Service of the National Oceanic and Atmospheric Administration
Lu et al. A simple and efficient algorithm to estimate daily global solar radiation from geostationary satellite data
Francois et al. Analytical parameterization of canopy directional emissivity and directional radiance in the thermal infrared. Application on the retrieval of soil and foliage temperatures using two directional measurements
Zeng et al. Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework
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
CN108874734B (zh) 一种全球陆地降水反演方法
CN114563353B (zh) 一种基于多源卫星遥感数据土壤热通量预测方法
Smith et al. Theoretical foundations and verification of a multispectral, inversion-type microwave precipitation profile retrieval algorithm
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
Ma et al. An improved MODIS NIR PWV retrieval algorithm based on an artificial neural network considering the land-cover types
CN116192251A (zh) 一种基于天空红外遥感图像确定星地激光链路通信可用度的方法
CN109406361A (zh) 一种基于遥感技术的干旱区灰霾污染预警方法
Lu et al. Prediction of diffuse solar radiation by integrating radiative transfer model and machine-learning techniques
Joiner et al. Variational cloud‐clearing with TOVS data
Semane et al. Comparison of Desroziers and three-cornered hat methods for estimating COSMIC-2 bending angle uncertainties
CN113297904A (zh) 一种基于卫星驱动模型的高寒草地生物量估算方法及系统
Zhigang et al. Retrieving atmospheric temperature profiles from AMSU-A data with neural networks
Jones et al. Assimilation of Megha-Tropiques SAPHIR observations in the NOAA global model
CN117035066A (zh) 一种耦合地理加权与随机森林的地表温度降尺度方法
CN108594335B (zh) 一种全球降水检测方法
AU2021105233A4 (en) Method of Retrieving Surface Temperature from Passive Microwave Remote Sensing Data AMSR E
Ward Comparison of the surface solar radiation budget derived from satellite data with that simulated by the NCAR CCM2
CN115269549A (zh) 一种耦合物理-统计-深度学习的大气水汽反演方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903