CN114966900B - 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
CN114966900B
CN114966900B CN202210918947.5A CN202210918947A CN114966900B CN 114966900 B CN114966900 B CN 114966900B CN 202210918947 A CN202210918947 A CN 202210918947A CN 114966900 B CN114966900 B CN 114966900B
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.)
Active
Application number
CN202210918947.5A
Other languages
English (en)
Other versions
CN114966900A (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 Chuanglan Technology Co ltd
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 Chuanglan Technology Co ltd, Nanjing Meteorological Observatory filed Critical Nanjing Chuanglan Technology Co ltd
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缺点：（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 211610DEST_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 523643DEST_PATH_IMAGE002
，
Figure 305654DEST_PATH_IMAGE003
为观测高度为
Figure 444774DEST_PATH_IMAGE004
的大 气温度，
Figure 344859DEST_PATH_IMAGE005
为观测高度为
Figure 726162DEST_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 362679DEST_PATH_IMAGE006
，
Figure 640077DEST_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 230721DEST_PATH_IMAGE006
下的有效数据
Figure 618977DEST_PATH_IMAGE008
，为观测高度为
Figure 375580DEST_PATH_IMAGE006
的大气温度，
Figure 89458DEST_PATH_IMAGE009
为观测高度为
Figure 964135DEST_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 156082DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 767192DEST_PATH_IMAGE010
、大 气温度最大值
Figure 543650DEST_PATH_IMAGE011
和大气温度最小值
Figure 138579DEST_PATH_IMAGE012
，以及相对湿度平均值
Figure 399796DEST_PATH_IMAGE013
、相对湿度 最大值
Figure 89579DEST_PATH_IMAGE014
和相对湿度最小值
Figure 145260DEST_PATH_IMAGE015
；
同时，观测采集地面气温
Figure 820961DEST_PATH_IMAGE016
、地面气压
Figure 652913DEST_PATH_IMAGE017
和地面湿度
Figure 238615DEST_PATH_IMAGE018
；计算得到地面最 大气温
Figure 465197DEST_PATH_IMAGE019
、地面最大气压
Figure 237981DEST_PATH_IMAGE020
、地面最大相对湿度
Figure 76886DEST_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 251516DEST_PATH_IMAGE022
、最 大值
Figure 383420DEST_PATH_IMAGE023
和最小值
Figure 174658DEST_PATH_IMAGE024
；
步骤S4，数据归一化处理：
对步骤S2得到观测高度
Figure 50210DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 846390DEST_PATH_IMAGE010
、大气 温度最大值
Figure 680354DEST_PATH_IMAGE011
、大气温度最小值
Figure 693309DEST_PATH_IMAGE012
、相对湿度平均值
Figure 372552DEST_PATH_IMAGE013
、相对湿度最大值
Figure 521774DEST_PATH_IMAGE014
、相对湿度最小值
Figure 762525DEST_PATH_IMAGE015
，以及地面最大气温
Figure 997197DEST_PATH_IMAGE025
、地面最大气压
Figure 214552DEST_PATH_IMAGE020
、地 面最大相对湿度
Figure 483859DEST_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 128467DEST_PATH_IMAGE022
、最大值
Figure 351900DEST_PATH_IMAGE027
和最小值
Figure 372946DEST_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地面气温
Figure 496760DEST_PATH_IMAGE029
、地面气压
Figure 577848DEST_PATH_IMAGE030
、地面相对湿 度
Figure 787113DEST_PATH_IMAGE031
，以及高度
Figure 346270DEST_PATH_IMAGE032
下观测的辐射亮温
Figure 826055DEST_PATH_IMAGE033
、平均大气温度
Figure 78045DEST_PATH_IMAGE034
和平均 相对湿度
Figure 774605DEST_PATH_IMAGE035
；
（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 137454DEST_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 970280DEST_PATH_IMAGE036
、地面气压
Figure 894636DEST_PATH_IMAGE037
、地面湿 度
Figure 812914DEST_PATH_IMAGE038
，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 979453DEST_PATH_IMAGE006
上的大 气温度预测值
Figure 666786DEST_PATH_IMAGE039
和相对湿度预测值
Figure 260579DEST_PATH_IMAGE040
。
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 666152DEST_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 149566DEST_PATH_IMAGE041
、地面气压
Figure 956985DEST_PATH_IMAGE042
和地面相对湿度
Figure 721678DEST_PATH_IMAGE031
的归一化处理分别按式（1）-（3）处理，
Figure 880127DEST_PATH_IMAGE043
（1）
Figure 857311DEST_PATH_IMAGE044
（2）
Figure 100002_DEST_PATH_IMAGE045
（3）
式中，
Figure 145335DEST_PATH_IMAGE046
、
Figure 80930DEST_PATH_IMAGE047
、
Figure 461095DEST_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 9014DEST_PATH_IMAGE049
、
Figure 791025DEST_PATH_IMAGE050
、
Figure 631942DEST_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 499404DEST_PATH_IMAGE052
、
Figure 349548DEST_PATH_IMAGE053
、
Figure 986066DEST_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 764928DEST_PATH_IMAGE055
（4）
式中，
Figure 854107DEST_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 507942DEST_PATH_IMAGE057
、
Figure 998966DEST_PATH_IMAGE058
、
Figure 447265DEST_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 790784DEST_PATH_IMAGE060
，按照式 （5）和（6）进行归一化处理
Figure 982731DEST_PATH_IMAGE061
（5）
Figure 328262DEST_PATH_IMAGE062
（6）
式中，
Figure 213041DEST_PATH_IMAGE063
为观测高度
Figure 276812DEST_PATH_IMAGE006
下秒探空观测的平均大气温度
Figure 508336DEST_PATH_IMAGE064
的归一化数 值，
Figure 973952DEST_PATH_IMAGE065
和
Figure 29633DEST_PATH_IMAGE066
分别为观测高度
Figure 315121DEST_PATH_IMAGE006
下秒探空观测的平均大气温度最小值和最大 值；
Figure 114449DEST_PATH_IMAGE067
为观测高度
Figure 434572DEST_PATH_IMAGE006
下秒探空观测的平均相对湿度
Figure 897040DEST_PATH_IMAGE068
的归一化数值，
Figure 935403DEST_PATH_IMAGE069
和
Figure 272843DEST_PATH_IMAGE070
分别为观测高度
Figure 447473DEST_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 844956DEST_PATH_IMAGE071
Figure 606501DEST_PATH_IMAGE072
表2 秒探空中每秒球坐标数据
Figure 747632DEST_PATH_IMAGE073
Figure 42347DEST_PATH_IMAGE074
Figure 345153DEST_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 358108DEST_PATH_IMAGE076
Figure 527097DEST_PATH_IMAGE077
Figure 676319DEST_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 150025DEST_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 384698DEST_PATH_IMAGE080
Figure 867632DEST_PATH_IMAGE081
表6 微波辐射计各通道Level1辐射亮温极值
Figure 871360DEST_PATH_IMAGE082
Figure 814170DEST_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 801718DEST_PATH_IMAGE084
Figure 822763DEST_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 946577DEST_PATH_IMAGE086
Figure 529131DEST_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 DEST_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 DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为观测高度为
Figure DEST_PATH_IMAGE004
的大气温 度，
Figure DEST_PATH_IMAGE005
为观测高度为
Figure 460644DEST_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 DEST_PATH_IMAGE006
，
Figure DEST_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 21201DEST_PATH_IMAGE006
下的有效数据
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为观测高度为
Figure 404778DEST_PATH_IMAGE006
的大气温度，
Figure DEST_PATH_IMAGE010
为观测高度为
Figure 254047DEST_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 787797DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure DEST_PATH_IMAGE011
、大气温 度最大值
Figure DEST_PATH_IMAGE012
和大气温度最小值
Figure DEST_PATH_IMAGE013
，以及相对湿度平均值
Figure DEST_PATH_IMAGE014
、相对湿度最大 值
Figure DEST_PATH_IMAGE015
和相对湿度最小值
Figure DEST_PATH_IMAGE016
；
同时，观测采集地面气温
Figure DEST_PATH_IMAGE017
、地面气压
Figure DEST_PATH_IMAGE018
和地面湿度
Figure DEST_PATH_IMAGE019
；计算得到地面最大气 温
Figure DEST_PATH_IMAGE020
、地面最大气压
Figure DEST_PATH_IMAGE021
、地面最大相对湿度
Figure DEST_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 DEST_PATH_IMAGE023
、最大值
Figure DEST_PATH_IMAGE024
和最小值
Figure DEST_PATH_IMAGE025
；
步骤S4，数据归一化处理：
对步骤S2得到观测高度
Figure 94538DEST_PATH_IMAGE006
下的第i次秒探空观测的大气温度平均值
Figure 586699DEST_PATH_IMAGE011
、大气温度 最大值
Figure 138246DEST_PATH_IMAGE012
、大气温度最小值
Figure 210107DEST_PATH_IMAGE013
、相对湿度平均值
Figure 650315DEST_PATH_IMAGE014
、相对湿度最大值
Figure 782220DEST_PATH_IMAGE015
、相对湿度最小值
Figure 573458DEST_PATH_IMAGE016
，以及地面最大气温
Figure 950475DEST_PATH_IMAGE020
、地面最大气压
Figure 979611DEST_PATH_IMAGE021
、地 面最大相对湿度
Figure DEST_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 610312DEST_PATH_IMAGE023
、最大值
Figure 357688DEST_PATH_IMAGE024
和最小值
Figure 36932DEST_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地面气温
Figure DEST_PATH_IMAGE027
、地面气压
Figure DEST_PATH_IMAGE028
、地面相对湿度
Figure DEST_PATH_IMAGE029
，以及高度
Figure 77831DEST_PATH_IMAGE006
下观测的辐射亮温
Figure DEST_PATH_IMAGE030
、平均大气温度
Figure DEST_PATH_IMAGE031
和平均相 对湿度
Figure DEST_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 974374DEST_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 DEST_PATH_IMAGE033
、地面气压
Figure DEST_PATH_IMAGE034
、地面湿度
Figure DEST_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 100724DEST_PATH_IMAGE006
上的大气 温度预测值
Figure DEST_PATH_IMAGE036
和相对湿度预测值
Figure DEST_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 177133DEST_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 DEST_PATH_IMAGE038
、地面气压
Figure DEST_PATH_IMAGE039
和地面相对湿度
Figure 806960DEST_PATH_IMAGE029
的归一化处理分别按 式（1）-（3）处理，
Figure DEST_PATH_IMAGE040
（1）
Figure DEST_PATH_IMAGE041
（2）
Figure DEST_PATH_IMAGE043
（3）
式中，
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE045
、
Figure DEST_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 DEST_PATH_IMAGE047
、
Figure DEST_PATH_IMAGE048
、
Figure DEST_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 DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
、
Figure DEST_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 DEST_PATH_IMAGE053
（4）
式中，
Figure DEST_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 DEST_PATH_IMAGE055
、
Figure DEST_PATH_IMAGE056
、
Figure DEST_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 DEST_PATH_IMAGE058
下秒探空观测的平均大气温度
Figure DEST_PATH_IMAGE059
和平均相对湿度
Figure DEST_PATH_IMAGE060
， 按照式（5）和（6）进行归一化处理
Figure DEST_PATH_IMAGE061
（5）
Figure DEST_PATH_IMAGE062
（6）
式中，
Figure DEST_PATH_IMAGE063
为观测高度
Figure DEST_PATH_IMAGE064
下秒探空观测的平均大气温度
Figure DEST_PATH_IMAGE065
的归一化数值，
Figure DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE067
分别为观测高度
Figure 116149DEST_PATH_IMAGE064
下秒探空观测的平均大气温度最小值和最大值；
Figure DEST_PATH_IMAGE068
为观测高度
Figure 634855DEST_PATH_IMAGE064
下秒探空观测的平均相对湿度
Figure DEST_PATH_IMAGE069
的归一化数值，
Figure DEST_PATH_IMAGE070
和
Figure DEST_PATH_IMAGE071
分别为观测高度
Figure 547579DEST_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 CN114966900A (zh) 2022-08-30
CN114966900B true 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
CN114966900A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
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
CN104134095A (zh) 一种基于尺度转换和数据同化的农作物产量估测方法
CN113255972B (zh) 基于Attention机制的短临降水预测方法
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
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
CN114266174B (zh) 一种基于多水文变量的水文模型参数率定方法
CN116403048B (zh) 一种基于多模态数据融合的农作物生长估计模型构建方法
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
CN114966900B (zh) 一种基于秒探空资料的微波辐射计温湿度反演算法
CN113569409B (zh) 耦合气候累积效应的植被生产力模型优化方法
Goldshmid et al. Next generation combined sonic-hotfilm anemometer: wind alignment and automated calibration procedure using deep learning
Min et al. Spatially downscaling IMERG at daily scale using machine learning approaches over Zhejiang, southeastern China
CN107590537A (zh) 用于构造概率预测区间的粒化预测方法
CN116187025B (zh) 基于地基红外遥感的晴空大气温湿度廓线快速反演方法
CN114707753B (zh) 区域化lstm洪水预报方法
CN116245011A (zh) 一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型
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
CN115690598A (zh) 基于卫星数据和随机森林模型室外环境温度遥感反演方法
CN111274535B (zh) 一种地面站点空间代表性动态评价方法
CN114577360A (zh) 一种拉曼测温雷达信号自动分析校准及反演方法
Lockwood et al. A Machine Learning Approach to Model Over-Ocean Tropical Cyclone Precipitation
Shao et al. A high-resolution soil moisture content analysis product in Jing-Jin-Ji using the successive correction method
CN112380984A (zh) 一种基于遥感的盐沼植被缓流能力空间评价方法
Surta et al. Rainfall prediction in Palembang City using the GRU and LSTM methods

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

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

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant