CN114966900A - 一种基于秒探空资料的微波辐射计温湿度反演算法 - Google Patents

一种基于秒探空资料的微波辐射计温湿度反演算法 Download PDF

Info

Publication number
CN114966900A
CN114966900A CN202210918947.5A CN202210918947A CN114966900A CN 114966900 A CN114966900 A CN 114966900A CN 202210918947 A CN202210918947 A CN 202210918947A CN 114966900 A CN114966900 A CN 114966900A
Authority
CN
China
Prior art keywords
temperature
value
data
ground
sounding
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.)
Granted
Application number
CN202210918947.5A
Other languages
English (en)
Other versions
CN114966900B (zh
Inventor
刘冬晴
张宁
姜有山
曹勇
周德荣
戴竹君
毛宇清
束宇
周鹏
李聪
裴海瑛
葛鹏
沈澄
袁媛
金琼
李力
张鹭
李菁
鲁蓉
施逸
韩照全
陈曲
王淞
金晨路
姜迪
李志钢
于堃
蒋海琴
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.)
Nanjing Chuanglan Technology Co ltd
Nanjing Meteorological Observatory
Original Assignee
Nanjing Meteorological Observatory
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 Nanjing Meteorological Observatory filed Critical Nanjing Meteorological Observatory
Priority to CN202210918947.5A priority Critical patent/CN114966900B/zh
Publication of CN114966900A publication Critical patent/CN114966900A/zh
Application granted granted Critical
Publication of CN114966900B publication Critical patent/CN114966900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Ecology (AREA)
  • Software Systems (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于秒探空资料的微波辐射计温湿度反演算法，本方法以历史秒探空气象观测数据、地面气象观测和微波辐射计各通道亮温数据构建基于BPNN神经网络算法，此算法以实时地面气象观测数据和实时微波辐射计各通道亮温数据为输入量，反演计算实时大气温度和湿度的垂直分布，其主要包括以下步骤：秒探空数据有效数据选取、秒探空数据平均值和极值计算、微波辐射计各通道辐射亮温数据极值计算、数据归一化、基于BPNN神经网络的反演计算、真实温湿度值的反算等步骤。本发明具有非常高的时间和空间分辨率，在保证了足够准确度的情况下，具有较高的计算效率。

Description

一种基于秒探空资料的微波辐射计温湿度反演算法
技术领域
本发明属于大气科学技术中的大气探测和数据反演领域，更具体地说，涉及一种基于秒时间分辨率探空的微波辐射计的温度和湿度的反演算法。
背景技术
温度、湿度廓线是反映大气热力、水汽结构性质的重要参量，对于分析天气过程和做好短临预报具有重要意义，目前气象业务上常规探空资料虽然具有较好的代表性，数据可信度高，但是由于每天仅有08,20点两个观测时次，且分布密度低，因此其时空分辨率都不能满足气象事业发展需求。地基微波辐射计通过接收大气辐射信号来遥感大气信息，通过观测的亮温反演出大气温度、湿度廓线，具有高时间和垂直分辨率的优点。在气象业务使用和相关科学研究中不难发现微波辐射计厂家自带的反演算法得到的温、湿度数据与实际探空相比，往往存在一定的偏差，其中既有系统性偏差，也有不同天气类型尤其是云量较多和降水情况下，数据失真的问题，经过业务系统长期研究发现，湿度的偏差较温度偏差更为显著。
在这种背景下，多种微波辐射计反演算法相继被提出，包括一维变分方法，多元线性回归算法以及神经网络算法等。神经网络算法在解决温湿廓线反演的非线性问题中优势显著。神经网络算法中，BPNN即误差反向传播BP网络模型算法在遥感领域应用较为广泛，目前已有的微波辐射计BP反演算法，主要采用微波辐射计观测亮温(或辐射传输模式模拟亮温）和探空资料训练神经网络,BPNN训练完成后可以直接反演得到温度、湿度廓线。但是该技术目前存在着如下的确定：（1）对BPNN算法选择哪些参数作为输入元有待确定；（2）微波辐射计的探测高度和分辨率与常规气象探空的数据分辨率不同，目前的主流方法是选取探空资料在标准层上（气压层）上温度、湿度插值到微波辐射计的观测层上，这是一个从粗分辨率数据向细分辨率插值的过程，本身会带来一定误差，使得神经网络样本训练效果受到一定影响；（3）BPNN的算法中隐藏层选取层数的问题，当隐藏层过少时会导致欠拟合，而隐藏层数过多则会导致过拟合。
发明内容
针对现有技术存在的问题，本发明提供了一种基于秒探空资料的微波辐射计温湿度反演算法，本发明具有非常高的时间和空间分辨率，在保证了足够准确度的情况下，具有较高的计算效率。
为解决上述技术问题，本发明采用了以下技术方案：一种基于秒探空资料的微波辐射计温湿度反演算法，包括以下步骤：
步骤S1,秒探空有效数据的选取
将满足探空气球所在位置天顶角α小于微波辐射计观测天顶角
Figure 318575DEST_PATH_IMAGE001
条件时，探空气 球第i次采集的秒探空数据作为有效数据
Figure 605200DEST_PATH_IMAGE002
，
Figure 10904DEST_PATH_IMAGE003
为观测高度为
Figure 357572DEST_PATH_IMAGE004
的大气温度，
Figure 35678DEST_PATH_IMAGE005
为观测高度为
Figure 876726DEST_PATH_IMAGE004
的相对湿度，M为有效观测记录数；
步骤S2,秒探空数据的平均值和极值计算
首先，读取获得微波辐射计LEVLE11数据中微波辐射计的观测高度
Figure 120626DEST_PATH_IMAGE006
，
Figure 388927DEST_PATH_IMAGE007
，N为微波辐射计观测高度层数（其值远小于探 空资料有效观测记录数M）；
然后，将步骤S1采集的有效数据对应形成微波辐射计观测高度
Figure 554329DEST_PATH_IMAGE006
下的有效数 据
Figure 930560DEST_PATH_IMAGE008
，为观测高度为
Figure 294545DEST_PATH_IMAGE006
的大气温度，
Figure 733748DEST_PATH_IMAGE009
为观测高度为
Figure 183183DEST_PATH_IMAGE006
的相对湿度，N为微波辐射计观测高度层数；
接着，计算得到观测高度
Figure 552985DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 522209DEST_PATH_IMAGE010
、 大气温度最大值
Figure 647160DEST_PATH_IMAGE011
和大气温度最小值
Figure 272307DEST_PATH_IMAGE012
，以及相对湿度平均值
Figure 508117DEST_PATH_IMAGE013
、 相对湿度最大值
Figure 328918DEST_PATH_IMAGE014
和相对湿度最小值
Figure 359191DEST_PATH_IMAGE015
；
同时，观测采集地面气温
Figure 533951DEST_PATH_IMAGE016
、地面气压
Figure 42293DEST_PATH_IMAGE017
和地面湿度
Figure 438639DEST_PATH_IMAGE018
；计算得到地 面最大气温
Figure 656125DEST_PATH_IMAGE019
、地面最大气压
Figure 505132DEST_PATH_IMAGE020
、地面最大相对湿度
Figure 567897DEST_PATH_IMAGE021
；
步骤S3，微波辐射计各通道辐射亮温数据极值计算
对微波辐射计第j个通道观测到的辐射亮温分别计算得到其逐月的平均值
Figure 615488DEST_PATH_IMAGE022
、 最大值
Figure 945DEST_PATH_IMAGE023
和最小值
Figure 337249DEST_PATH_IMAGE024
；
步骤S4，数据归一化处理：
对步骤S2得到观测高度
Figure 452972DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 105802DEST_PATH_IMAGE010
、 大气温度最大值
Figure 914358DEST_PATH_IMAGE011
、大气温度最小值
Figure 19848DEST_PATH_IMAGE012
、相对湿度平均值
Figure 939262DEST_PATH_IMAGE013
、相对湿 度最大值
Figure 649861DEST_PATH_IMAGE014
、相对湿度最小值
Figure 363739DEST_PATH_IMAGE015
，以及地面最大气温
Figure 219175DEST_PATH_IMAGE025
、地面最大 气压
Figure 942280DEST_PATH_IMAGE020
、地面最大相对湿度
Figure 304122DEST_PATH_IMAGE026
进行归一化处理；
同时对步骤S3所述微波辐射计第j个通道观测到的辐射亮温的平均值
Figure 454481DEST_PATH_IMAGE022
、最大 值
Figure 987094DEST_PATH_IMAGE027
和最小值
Figure 733464DEST_PATH_IMAGE028
进行归一化处理；
步骤S5，基于BPNN神经网络的反演
（1）采用BPNN神经网络模型反演算法，将步骤S4数据归一化后的数据作为训练数 据集输入输入层A，输入归一化的物理量为
Figure 464659DEST_PATH_IMAGE029
、
Figure 536652DEST_PATH_IMAGE030
、
Figure 353298DEST_PATH_IMAGE031
、
Figure 392709DEST_PATH_IMAGE032
、
Figure 978411DEST_PATH_IMAGE033
和
Figure 221304DEST_PATH_IMAGE034
；
（2）采用包含16个神经元的单层隐藏层，经过神经网络输出层输出预测值，即得到 观测高度
Figure 525247DEST_PATH_IMAGE006
对应的归一化大气温度和相对湿度的反演结果；
（3）将反演结果与秒探空观测数据进行比较，当误差超过预先设定值时，通过误差加权导数公式对各神经元权重值进行调整，并重复上述步骤，直到误差达到预先设定值，停止计算，确定神经网络中各神经元的权重值，完成神经网络模型构建；
步骤S6,真实温湿度值的反算
基于步骤S5构建的神经网络模型，实时读入地面气温
Figure 331529DEST_PATH_IMAGE035
、地面气压
Figure 788049DEST_PATH_IMAGE036
、地面 湿度
Figure 654374DEST_PATH_IMAGE037
，以及微波辐射计所有观测通道上亮温的归一化值后，输出观测高度
Figure 930765DEST_PATH_IMAGE006
上 的大气温度预测值
Figure 337476DEST_PATH_IMAGE038
和相对湿度预测值
Figure 645573DEST_PATH_IMAGE039
。
进一步的，步骤S5的具体过程如下：
首先，对BPNN神经网络模型进行初始化，为每个权重分配一个随机数；
然后，以步骤S4数据归一化后的数据作为训练数据集对模型进训练，得到观测高 度
Figure 479537DEST_PATH_IMAGE006
下的大气温度和相对湿度的预测值；
接着，将输出的预测值与秒探空观测数据进行比较，当误差超过预先设定值时，通过误差加权导数公式对各神经元权重值进行调整，并重复上述步骤，直到误差达到预先设定值，停止计算，确定神经网络中各神经元的权重值，完成神经网络模型构建。
进一步的，步骤S4中，地面气温
Figure 508804DEST_PATH_IMAGE040
、地面气压
Figure 656888DEST_PATH_IMAGE041
和地面相对湿度
Figure 71689DEST_PATH_IMAGE042
的归一化处理分别按式（1）-（3）处理，
Figure 827287DEST_PATH_IMAGE043
（1）
Figure 530801DEST_PATH_IMAGE044
（2）
Figure 295625DEST_PATH_IMAGE045
（3）
式中，
Figure 299354DEST_PATH_IMAGE046
、
Figure 488502DEST_PATH_IMAGE047
、
Figure 476049DEST_PATH_IMAGE048
分别为地面气温、地面气温最小值和地面气温最 大值；
Figure 965937DEST_PATH_IMAGE049
、
Figure 371641DEST_PATH_IMAGE050
、
Figure 452730DEST_PATH_IMAGE051
分别为地面气压、地面气压最小值和地面气压最大值；
Figure 678306DEST_PATH_IMAGE052
、
Figure 971884DEST_PATH_IMAGE053
、
Figure 966516DEST_PATH_IMAGE054
分别为地面相对湿度、地面相对湿度最小值和地面相对湿 度最大值；
步骤S4中，微波辐射计第j通道上观测的辐射亮温通过式（4）进行归一化处理，
Figure 484085DEST_PATH_IMAGE055
（4）
式中，
Figure 194027DEST_PATH_IMAGE056
微波辐射计第j通道上观测的辐射亮温为归一化后数值；
Figure 88034DEST_PATH_IMAGE057
、
Figure 937173DEST_PATH_IMAGE058
、
Figure 625643DEST_PATH_IMAGE059
分别为微波辐射计第j个通道观测到的辐射亮温的平均值、最大值和最 小值；
步骤S4中，观测高度下秒探空观测的平均大气温度和平均相对湿度
Figure 12762DEST_PATH_IMAGE060
，按照 式（5）和（6）进行归一化处理
Figure 195613DEST_PATH_IMAGE061
（5）
Figure 414104DEST_PATH_IMAGE062
（6）
式中，
Figure 289788DEST_PATH_IMAGE063
为观测高度
Figure 164203DEST_PATH_IMAGE006
下秒探空观测的平均大气温度
Figure 882236DEST_PATH_IMAGE064
的归一 化数值，
Figure 220813DEST_PATH_IMAGE065
和
Figure 1818DEST_PATH_IMAGE066
分别为观测高度
Figure 363530DEST_PATH_IMAGE006
下秒探空观测的平均大气温度最小 值和最大值；
Figure 137450DEST_PATH_IMAGE067
为观测高度
Figure 81267DEST_PATH_IMAGE006
下秒探空观测的平均相对湿度
Figure 548020DEST_PATH_IMAGE068
的归一化数 值，
Figure 678918DEST_PATH_IMAGE069
和
Figure 459793DEST_PATH_IMAGE070
分别为观测高度
Figure 255186DEST_PATH_IMAGE006
下秒探空观测的平均相对湿度最小值 和最大值。
有益效果：相对于现有技术，本发明具有非常高的时间和空间分辨率，在保证了足够准确度的情况下，具有较高的计算效率。
附图说明
图1为本发明所述基于秒探空资料的微波辐射计温湿度反演算法的流程示意图；
图2为本发明实施例正式温湿度反演数值可视化示意图。
图3为本发明所述BPNN神经网络模型的原理示意图。
具体实施方式
下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于秒时间分辨率探空的微波辐射计的温度和湿度的反演算法，本方法以历史秒探空气象观测数据、地面气象观测和微波辐射计各通道亮温数据构建基于BPNN神经网络算法，此算法以实时地面气象观测数据和实时微波辐射计各通道亮温数据为输入量，反演计算实时大气温度和湿度的垂直分布，其主要包括以下步骤：秒探空数据有效数据选取、秒探空数据平均值和极值计算、微波辐射计各通道辐射亮温数据极值计算、数据归一化、基于BPNN神经网络的反演计算、真实温湿度值的反算6个步骤。以下以南京市2021年4月-6月的观测数据进行说明。
秒探空数据有效数据选取
针对一组秒分辨率的探空资料，根据筛选其可用温湿度观测和高度位置观测如表1和表2所示。
表1 秒探空气象要素观测记录
Figure 892841DEST_PATH_IMAGE071
Figure 511035DEST_PATH_IMAGE072
表2 秒探空中每秒球坐标数据
Figure 830021DEST_PATH_IMAGE073
Figure 732118DEST_PATH_IMAGE074
Figure 291406DEST_PATH_IMAGE075
2 计算后的平均值
根据秒探空的高度计算出对应高度层上的气温、气压和相对湿度值：
表3 对应高度气温、气压和相对湿度
Figure 911743DEST_PATH_IMAGE076
Figure 519573DEST_PATH_IMAGE077
Figure 807335DEST_PATH_IMAGE078
3.计算历史极值
根据历史资料计算的温度、气压、相对湿度的历史极值：
表4 计算后的某月地面气象要素极值
Figure 269016DEST_PATH_IMAGE079
表5 计算后的某月微波辐射计观测高度上的气温地面极值
Figure 314332DEST_PATH_IMAGE080
Figure 771858DEST_PATH_IMAGE081
表6 微波辐射计各通道Level1辐射亮温极值
Figure 664859DEST_PATH_IMAGE082
Figure 549639DEST_PATH_IMAGE083
4.生成BPNN神经网络输入值
利用以上计算的极值对地面气温、气压和相对湿度以及各通道的亮温观测进行数据归一化作为BPNN神经网络的数据输入值（参考表7）。
表7为BPNN神经网络模型各通道辐射亮温数据输入值
Figure 832984DEST_PATH_IMAGE084
Figure 94201DEST_PATH_IMAGE085
真实温湿度值的反算
利用神经网络计算结果反算出真实值（表7），并进行可视化，如图3所示。
表8 最终计算得到的各高度层的气温和相对湿度
Figure 841708DEST_PATH_IMAGE086
Figure 631809DEST_PATH_IMAGE087
本发明具有以下优点：(1)使用秒探空数据替代传统的气压层数据作为算法训练数据集，并考虑了探空气球随风摇摆超出微波辐射计探测范围的无效数据；我们的算法采用了垂直分辨率更高的秒探空数据，采样周期1.2秒，每分钟采集数据约50次，垂直分辨率在8米左右，具有非常高的时间和空间分辨率，可以反映大气的真实状况。
（2）单层16神经元的BPNN神经网络算法；BPNN神经网络反演结果的优劣容易受其隐藏层影响，隐含结点数较少会导致信息不足，从而影响网络反演精度；而隐含结点数过多则会导致训练时间过长，影响工作效率。经过多次训练和调优后，我们确定了单层16隐藏神经元作为本地化应用最优解。该方法在保证了足够准确度的情况下，具有较高的计算效率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (3)

1.一种基于秒探空资料的微波辐射计温湿度反演算法，其特征在于包括以下步骤：
步骤S1，秒探空有效数据的选取
将满足探空气球所在位置天顶角α小于微波辐射计观测天顶角
Figure 336163DEST_PATH_IMAGE001
条件时，探空气球第 i次采集的秒探空数据作为有效数据
Figure 112358DEST_PATH_IMAGE002
，
Figure 705144DEST_PATH_IMAGE003
为观测高度为
Figure 162670DEST_PATH_IMAGE004
的 大气温度，
Figure 993354DEST_PATH_IMAGE005
为观测高度为
Figure 878134DEST_PATH_IMAGE004
的相对湿度，M为有效观测记录数；
步骤S2，秒探空数据的平均值和极值计算
首先，读取获得微波辐射计LEVLE11数据中微波辐射计的观测高度
Figure 955287DEST_PATH_IMAGE006
，
Figure 482083DEST_PATH_IMAGE007
，N为微波辐射计观测高度层数；
然后，将步骤S1采集的有效数据对应形成微波辐射计观测高度
Figure 416541DEST_PATH_IMAGE006
下的有效数据
Figure 222954DEST_PATH_IMAGE008
，
Figure 39600DEST_PATH_IMAGE009
为观测高度为
Figure 589661DEST_PATH_IMAGE006
的大气温度，
Figure 175363DEST_PATH_IMAGE010
为观测高度 为
Figure 683836DEST_PATH_IMAGE006
的相对湿度，N为微波辐射计观测高度层数；
接着，计算得到观测高度
Figure 987779DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 73022DEST_PATH_IMAGE011
、大气 温度最大值
Figure 982072DEST_PATH_IMAGE012
和大气温度最小值
Figure 130288DEST_PATH_IMAGE013
，以及相对湿度平均值
Figure 921526DEST_PATH_IMAGE014
、相对 湿度最大值
Figure 78969DEST_PATH_IMAGE015
和相对湿度最小值
Figure 842526DEST_PATH_IMAGE016
；
同时，观测采集地面气温
Figure 676490DEST_PATH_IMAGE017
、地面气压
Figure 440178DEST_PATH_IMAGE018
和地面湿度
Figure 650579DEST_PATH_IMAGE019
；计算得到地面最大 气温
Figure 813183DEST_PATH_IMAGE020
、地面最大气压
Figure 21310DEST_PATH_IMAGE021
、地面最大相对湿度
Figure 272294DEST_PATH_IMAGE022
；
步骤S3，微波辐射计各通道辐射亮温数据极值计算
对微波辐射计第j个通道观测到的辐射亮温分别计算得到其逐月的平均值
Figure 755228DEST_PATH_IMAGE023
、最大 值
Figure 306426DEST_PATH_IMAGE024
和最小值
Figure 685455DEST_PATH_IMAGE025
；
步骤S4，数据归一化处理：
对步骤S2得到观测高度
Figure 220472DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 710360DEST_PATH_IMAGE011
、大气温 度最大值
Figure 834173DEST_PATH_IMAGE012
、大气温度最小值
Figure 194223DEST_PATH_IMAGE013
、相对湿度平均值
Figure 669067DEST_PATH_IMAGE014
、相对湿度最大 值
Figure 713377DEST_PATH_IMAGE015
、相对湿度最小值
Figure 957277DEST_PATH_IMAGE016
，以及地面最大气温
Figure 163261DEST_PATH_IMAGE020
、地面最大气压
Figure 607625DEST_PATH_IMAGE021
、地面最大相对湿度
Figure 501631DEST_PATH_IMAGE026
进行归一化处理；
同时对步骤S3所述微波辐射计第j个通道观测到的辐射亮温的平均值
Figure 616349DEST_PATH_IMAGE023
、最大值
Figure 39240DEST_PATH_IMAGE024
和最小值
Figure 691938DEST_PATH_IMAGE025
进行归一化处理；
步骤S5，基于BPNN神经网络的反演
（1）采用BPNN神经网络模型反演算法，将步骤S4数据归一化后的数据作为训练数据集 输入输入层A，输入归一化的物理量为
Figure 874789DEST_PATH_IMAGE027
、
Figure 93281DEST_PATH_IMAGE028
、
Figure 703385DEST_PATH_IMAGE029
、
Figure 577800DEST_PATH_IMAGE030
、
Figure 561412DEST_PATH_IMAGE031
和
Figure 634410DEST_PATH_IMAGE032
；
（2）采用包含16个神经元的单层隐藏层，经过神经网络输出层输出预测值，即得到观测 高度
Figure 133525DEST_PATH_IMAGE006
对应的归一化大气温度和相对湿度的反演结果；
（3）将反演结果与秒探空观测数据进行比较，当误差超过预先设定值时，通过误差加权导数公式对各神经元权重值进行调整，并重复上述步骤，直到误差达到预先设定值，停止计算，确定神经网络中各神经元的权重值，完成神经网络模型构建；
步骤S6，真实温湿度值的反算
基于步骤S5构建的神经网络模型，实时读入地面气温
Figure 42706DEST_PATH_IMAGE033
、地面气压
Figure 82206DEST_PATH_IMAGE034
、地面湿度
Figure 760443DEST_PATH_IMAGE035
，以及微波辐射计所有观测通道上亮温的归一化值后，输出观测高度
Figure 961617DEST_PATH_IMAGE006
上的大 气温度预测值
Figure 358095DEST_PATH_IMAGE036
和相对湿度预测值
Figure 873390DEST_PATH_IMAGE037
。
2.根据权利要求1所述基于秒探空资料的微波辐射计温湿度反演算法，其特征在于：步骤S5的具体过程如下：
首先，对BPNN神经网络模型进行初始化，为每个权重分配一个随机数；
然后，以步骤S4数据归一化后的数据作为训练数据集对模型进训练，得到观测高度
Figure 692220DEST_PATH_IMAGE006
下的大气温度和相对湿度的预测值；
接着，将输出的预测值与秒探空观测数据进行比较，当误差超过预先设定值时，通过误差加权导数公式对各神经元权重值进行调整，并重复上述步骤，直到误差达到预先设定值，停止计算，确定神经网络中各神经元的权重值，完成神经网络模型构建。
3.根据权利要求1所述基于秒探空资料的微波辐射计温湿度反演算法，其特征在于：步 骤S4中，地面气温
Figure 64296DEST_PATH_IMAGE038
、地面气压
Figure 948069DEST_PATH_IMAGE039
和地面相对湿度
Figure 63793DEST_PATH_IMAGE040
的归一化处理分 别按式（1）-（3）处理，
Figure 982202DEST_PATH_IMAGE041
（1）
Figure 728441DEST_PATH_IMAGE042
（2）
Figure 348778DEST_PATH_IMAGE043
（3）
式中，
Figure 18925DEST_PATH_IMAGE044
、
Figure 978790DEST_PATH_IMAGE045
、
Figure 440471DEST_PATH_IMAGE046
分别为地面气温、地面气温最小值和地面气温最大值；
Figure 548105DEST_PATH_IMAGE047
、
Figure 21942DEST_PATH_IMAGE048
、
Figure 633052DEST_PATH_IMAGE049
分别为地面气压、地面气压最小值和地面气压最大值；
Figure 986673DEST_PATH_IMAGE050
、
Figure 332335DEST_PATH_IMAGE051
、
Figure 593552DEST_PATH_IMAGE052
分别为地面相对湿度、地面相对湿度最小值和地面相对湿度最大 值；
步骤S4中，微波辐射计第j通道上观测的辐射亮温通过式（4）进行归一化处理，
Figure 809901DEST_PATH_IMAGE053
（4）
式中，
Figure 334423DEST_PATH_IMAGE054
微波辐射计第j通道上观测的辐射亮温为归一化后数值；
Figure 898872DEST_PATH_IMAGE055
、
Figure 698201DEST_PATH_IMAGE056
、
Figure 34635DEST_PATH_IMAGE057
分别为微波辐射计第j个通道观测到的辐射亮温的平均值、最大值和最小值；
步骤S4中，观测高度
Figure 526797DEST_PATH_IMAGE058
下秒探空观测的平均大气温度
Figure 581472DEST_PATH_IMAGE059
和平均相对湿度
Figure 184491DEST_PATH_IMAGE060
，按照式（5）和（6）进行归一化处理
Figure 93541DEST_PATH_IMAGE061
（5）
Figure 507336DEST_PATH_IMAGE062
（6）
式中，
Figure 501837DEST_PATH_IMAGE063
为观测高度
Figure 390771DEST_PATH_IMAGE064
下秒探空观测的平均大气温度
Figure 951065DEST_PATH_IMAGE065
的归一化数 值，
Figure 535762DEST_PATH_IMAGE066
和
Figure 17559DEST_PATH_IMAGE067
分别为观测高度
Figure 227960DEST_PATH_IMAGE064
下秒探空观测的平均大气温度最小值 和最大值；
Figure 596756DEST_PATH_IMAGE068
为观测高度
Figure 601621DEST_PATH_IMAGE064
下秒探空观测的平均相对湿度
Figure 118184DEST_PATH_IMAGE069
的归一化数值，
Figure 601118DEST_PATH_IMAGE070
和
Figure 883807DEST_PATH_IMAGE071
分别为观测高度
Figure 997257DEST_PATH_IMAGE064
下秒探空观测的平均相对湿度最小值和最 大值。
CN202210918947.5A 2022-08-02 2022-08-02 一种基于秒探空资料的微波辐射计温湿度反演算法 Active CN114966900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210918947.5A CN114966900B (zh) 2022-08-02 2022-08-02 一种基于秒探空资料的微波辐射计温湿度反演算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210918947.5A CN114966900B (zh) 2022-08-02 2022-08-02 一种基于秒探空资料的微波辐射计温湿度反演算法

Publications (2)

Publication Number Publication Date
CN114966900A true CN114966900A (zh) 2022-08-30
CN114966900B CN114966900B (zh) 2022-11-22

Family

ID=82968857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210918947.5A Active CN114966900B (zh) 2022-08-02 2022-08-02 一种基于秒探空资料的微波辐射计温湿度反演算法

Country Status (1)

Country Link
CN (1) CN114966900B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2010141206A (ru) * 2010-10-08 2012-04-20 Государственное образовательное учреждение высшего профессионального образования "Российский государственный гидрометеорологическ Способ оценки интегральной влажности локальных областей атмосферы с помощью спутниковых радиометров
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
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
CN114265836A (zh) * 2021-11-16 2022-04-01 南京信息工程大学 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2010141206A (ru) * 2010-10-08 2012-04-20 Государственное образовательное учреждение высшего профессионального образования "Российский государственный гидрометеорологическ Способ оценки интегральной влажности локальных областей атмосферы с помощью спутниковых радиометров
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
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
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
CN114265836A (zh) * 2021-11-16 2022-04-01 南京信息工程大学 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置

Also Published As

Publication number Publication date
CN114966900B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109214592B (zh) 一种多模型融合的深度学习的空气质量预测方法
CN111815037B (zh) 一种基于注意力机制的可解释性短临极端降雨预测方法
Engelbrecht et al. Multi-scale climate modelling over Southern Africa using a variable-resolution global model
Wang et al. An assessment of the surface climate in the NCEP climate forecast system reanalysis
CN105974495B (zh) 利用分类拟合法预判目标区域未来平均云量的方法
CN114265836A (zh) 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置
CN112232554A (zh) 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN114019579A (zh) 高时空分辨率近地表空气温度重构方法、系统、设备
CN110276477B (zh) 一种基于分层贝叶斯网络和增量学习的洪水预报方法
CN114966900B (zh) 一种基于秒探空资料的微波辐射计温湿度反演算法
CN107590537A (zh) 用于构造概率预测区间的粒化预测方法
Min et al. Spatially downscaling IMERG at daily scale using machine learning approaches over Zhejiang, southeastern China
CN114626115A (zh) 一种基于迁移学习的建筑逐时热负荷预测建模方法
CN111967652A (zh) 一种双层协同实时校正光伏预测方法
CN116295362A (zh) 一种基于全天时大气模式的恒星光线偏折计算方法
CN114707753B (zh) 区域化lstm洪水预报方法
CN113569409B (zh) 耦合气候累积效应的植被生产力模型优化方法
CN116027459A (zh) 基于数值天气预报数据的大气加权平均温度的计算方法
CN115238967A (zh) 一种结合云图和相邻电站集群的光伏功率预测方法及装置
Molinari et al. Digital twin of the Live-In Lab Testbed KTH: development and calibration
Surta et al. Rainfall prediction in Palembang City using the GRU and LSTM methods
Lockwood et al. A Machine Learning Approach to Model Over-Ocean Tropical Cyclone Precipitation
CN117390971B (zh) 一种基于供暖季的no2浓度的预估方法及系统
Bellier et al. Precipitation Downscaling with Gibbs Sampling: An Improved Method for Producing Realistic, Weather-Dependent, and Anisotropic Fields
Shao et al. A high-resolution soil moisture content analysis product in Jing-Jin-Ji using the successive correction method

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221101

Address after: No. 121, Zhongxin Avenue, Jiangxinzhou, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant after: Nanjing Meteorological Observatory

Applicant after: NANJING CHUANGLAN TECHNOLOGY CO.,LTD.

Address before: No. 121, Zhongxin Avenue, Jiangxinzhou, Jianye District, Nanjing, Jiangsu 210019

Applicant before: Nanjing Meteorological Observatory

GR01 Patent grant
GR01 Patent grant