CN115859789A - 一种提高极地大气温度廓线反演精度的方法 - Google Patents

Abstract

本发明提供一种提高大气温度廓线物理反演算法精度的方法，为了避免极地上空的微波辐射计观测数据与正演模型之间的偏差过大、正演模型在建模中的误差、先验信息的误差等因素导致的物理反演算法反演极地上空大气温度廓线精度较差这一现象。本方案对物理反演算法反演得到的大气温度进行校正，降低各种误差对反演结果的影响，提高大气温度廓线反演的精度。

Description

一种提高极地大气温度廓线反演精度的方法

技术领域

本发明属于大气微波遥感领域，具体涉及一种提高物理反演算法极地大气温度廓线反演精度的方法。

背景技术

作为全球的冷源，极地对于地球的气候调节起到十分重要的作用。微波辐射计是获取极地上空大气遥感数据的重要仪器，采用被动微波遥感的方法将微波遥感数据转换为大气的温度和湿度信息。微波温湿度计(Microwave Humidity and Temperature Sounder,MWHTS)是FY-3D卫星搭载的重要载荷之一，本质上是微波辐射计，该载荷利用118GHZ的氧气吸收线探测大气温度廓线，实现了大气温度信息的探测，为数值天气预报提供及时准确的大气温度初始场信息，有利于提升对天气的监测预警能力。

目前存在的技术是一种提高一维变分算法反演大气温湿廓线精度的方法，采用的是一维变分算法。首先基于气候学数据集建立包含温度廓线、湿度廓线、云水廓线和云水总含量的大气数据集；其次，基于大气数据集中的云水总量的分布特征建立精简大气数据集；然后，对精简大气数据集进行海陆分类和纬度带再分类，分别建立相应的海洋纬度带大气数据集和陆地纬度带大气数据集；最后，分别基于海洋纬度带大气数据集和陆地纬度带大气数据集计算产生相应的背景协方差矩阵，一维变分算法根据输入观测亮温的海陆分类和地理位置，调用相应的背景协方差矩阵进行大气参数的反演计算。

目前存在的另一种技术是一种针对高纬复杂下垫面的大气温湿廓线反演方法，采用的是神经网络的方法。首先利用主成分分析方法进行通道选择，选择出125个温度反演通道和94个湿度反演通道；其次，进行晴空像元的挑选；然后，搭建神经网络模型；最后，进行大气温湿廓线反演，并结合探空数据和再分析数据对反演结果的误差指标进行统计，评价反演方法的精度。

物理反演算法通过对大气辐射传输方程求逆实现微波辐射计观测数据到大气参数信息的转变，物理意义清晰，是目前常用的提高反演精度的方法。然而物理反演方法的反演性能会受到如观测数据偏差的移除、正演模型的准确性、先验信息的精度等因素的影响。尤其是极地区域环境特殊，地表发射率变化较大，进一步限制了正演模型的亮温模拟精度，导致极地区域大气参数的反演精度受到限制。因此，为了进一步提升大气参数反演精度，需要对物理算法反演得到的大气参数进行二次校正。

发明内容

(一)解决的技术问题

本发明的目的是提供一种提高大气温度廓线物理反演算法精度的方法，针对上述技术的缺点，为了避免极地上空的微波辐射计观测数据与正演模型之间的偏差过大、正演模型在建模中的误差、先验信息的误差等因素导致的物理反演算法反演极地上空大气温度廓线精度较差这一现象，本方案采用了对物理反演算法反演得到的大气温度进行校正，降低各种误差对反演结果的影响，提高大气温度廓线反演的精度。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种提高极地大气温度廓线反演精度的方法，包括以下步骤：

步骤S1：建立数据集，数据集包括FY-3D/MWHTS观测数据、ERA5再分析数据和NCEP6小时预报数据；

步骤S2：预处理数据集，先对各个数据集进行质量控制，然后将所获得的MWHTS观测数据和ERA5再分析数据、NCEP预报数据根据匹配原则进行匹配，得到匹配数据集，并划分数据集；

步骤S3：构建物理反演模型；

步骤S4：构建混合神经网络模型；

步骤S5：大气温度廓线反演结果与分析，对反演结果的精度进行评估。

优选的，步骤S1中具体如下：

从国家卫星气象中心网站、ERA5网站和NCEP网站下载数据，然后读取数据，参数包括：时间、经纬度、MWHTS亮温数据和LandSeaMask、ERA5温度廓线数据集和地表参数以及NCEP温度廓线数据集。

优选的，步骤S2中具体如下：

S21：对MWHTS数据集、ERA5数据集以及NCEP数据集进行质量控制，剔除无效数据；

S22：MWHTS观测数据集与ERA5数据集、NCEP数据集的匹配原则是时间差不小于30分钟，经度和纬度不超过0.1°的数据；

S23：考虑到极地地理环境复杂，通过MWHTS的LandSeaMask数据和ERA5的地表参数数据将匹配数据分为海冰和陆地；

S24：使用十倍交叉验证法将匹配数据集划分为10个子集，其中9个子集用于训练模型，1个子集用于验证模型，分别建立在海冰和陆地的反演模型。同时还进一步将训练数据集随机分为80％的训练数据集和20％的验证数据集，以调整超参数；

S25：配置海冰和陆地区域的独立测试数据集验证模型的可行性。

优选的，步骤S3中具体如下：

S31：选择RTTOV作为正演模型用于模拟亮温，其中将NCEP的温度廓线作为初始廓线输入到RTTOV模型中；

S32：计算MWHTS观测亮温和模拟亮温之间的偏差；

S33：利用MWHTS观测亮温和上述偏差训练偏差校正DNN模型，并对MWHTS观测亮温进行偏差校正；

S34：构建的DNN偏差校正模型为四层网络结构，输入层是15个神经元，为MWHTS观测亮温；两层隐含层，每层都是600个神经元，激活函数为ReLU函数；输出层是15个神经元，为偏差，激活函数选择的是linear函数；

S35：通过使用最优迭代法实现反演模型的构建，最优迭代法的计算公式如下：

其中，n代表迭代次数，R_n表示最优估计值，即反演廓线；当n等于1时，即R₁，表示初始廓线；T_b是观测亮温，C_ΨΨ是测量误差协方差矩阵；R_a是背景廓线，C_ss是背景协方差矩阵，f(x)表示对大气状态向量R求模拟亮温，T表示矩阵的转置；

S36：得到大气温度廓线反演结果；

为了降低各种误差对反演结果的影响，需要对物理反演算法反演得到的大气温度参数进行校正。

优选的，步骤S4中具体如下：

S41：构建DNN神经网络模型；

S42：通过DNN神经网络模型预测大气温度廓线，并计算与ERA5廓线参数的偏差值；

S43：构建LSTM神经网络模型；

S44：将独立数据集的MWHTS的15个通道的亮温数据和S42所求偏差输入到训练好的LSTM模型中，得到大气温度廓线反演结果。

优选的，步骤S41使用GridSearchCV方法进行最优调参确定DNN神经网络模型隐藏层数、隐藏层神经元个数和batch_size等参数值，确定DNN模型为六层网络结构，包括一个输入层、四个隐含层和一个输出层；

构建的DNN神经网络模型输入层是15个神经元，为MWHTS的15个通道的观测亮温数据；每个隐含层的神经元个数为400；输出层是37个神经元，为ERA5的37层大气温度廓线数据集；DNN每个神经元的输出都可以表示为：线性部分计算的

和激活函数部分h＝σ(z)，其中x为输入参数，h是隐藏层的输出，wi是不同层之间的连接权系数的矩阵，为了克服梯度消失问题，选择ReLU函数作为隐藏层的激活函数，输出层的激活函数选择使用linear函数，优化器选择使用Adam；

经过训练得到DNN模型并保存。

优选的，所述步骤S42将MWHTS的15个通道的观测亮温数据集输入到保存好的DNN模型中，得到反演的大气温度廓线值，并计算与ERA5的37层廓线参数的偏差值；然后将独立数据集的MWHTS的15个通道的观测亮温数据输入到DNN模型中，得到反演的大气温度廓线值，并与独立数据集的ERA5的37层廓线参数计算偏差。

优选的，步骤S43使用GridSearchCV方法确定LSTM神经网络模型的超参数，建立四层LSTM，并与全连接层一起组合成隐藏层，确定LSTM模型的网络结构为一个输入层、四层LSTM、一层全连接层和一个输出层；

输出层的激活函数选择使用Tanh函数，优化器选择使用Adam，损失函数设置为均方误差MSE；

构建的LSTM神经网络模型输入层是52个神经元，包括：MWHTS的15个通道的观测亮温数据和S42所求的偏差值，每层隐含层神经元个数是50，输出层神经元个数是37，为ERA5的37层大气温度廓线数据集，将模型训练好之后进行保存。

优选的，步骤S5中具体如下：

S51：采用均方根误差损失函数来计算预测值和实际值的误差，作为模型好坏的衡量标准，其中均方根误差函数定义为：

其中，n代表样本数，xi是模型预测值，yi是实际值；

S52：将物理反演模型和混合神经网络反演模型得到的大气温度廓线反演结果进行对比分析；

S53：通过RMSE评价反演方法的精度。

(三)有益效果

本方案针对一种提高大气温度廓线物理反演算法精度，成功构建了基于FY-3D上搭载的微波温湿度计的极地大气温度廓线反演系统，反演试验结果表明该方法在极地地区大气温度反演上取得了不错的精度：以ERA5大气温度廓线数据集为真实值，混合神经网络反演的大气温度廓线的RMSE在海冰上空约为1.52K，在陆地上空约为1.59K；物理反演法反演的大气温度廓线的RMSE在海冰上空约为3.28K，在陆地上空约为4.92K，在海冰和陆地上空，混合神经网络反演大气温度廓线的结果都在2.5K范围内，该方法明显改善了大气温度廓线物理反演算法的精度。

附图说明

图1是本发明的技术路线图；

图2是本发明构建混合神经网络的流程图；

图3是本发明方法和物理反演法在海冰上空反演大气温度廓线的RMSE对比图；

图4是本发明方法和物理反演法在陆地上空反演大气温度廓线的RMSE对比图。

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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图4，本发明实施例提供一种技术方案：

一种提高大气温度廓线物理反演算法精度，如下：

步骤S1：建立数据集

数据集包括FY-3D/MWHTS观测数据、ERA5再分析数据和NCEP 6小时预报数据，首先需要从国家卫星气象中心网站、ERA5网站和NCEP网站下载数据，然后读取数据，参数包括：时间、经纬度、MWHTS亮温数据和LandSeaMask、ERA5温度廓线数据集和地表参数及NCEP温度廓线数据集；

步骤S2：预处理数据集

先对各个数据集进行质量控制，然后将所获得的MWHTS观测数据和ERA5再分析数据、NCEP预报数据根据匹配原则进行匹配，得到匹配数据集，并划分数据集；

具体实现方式为：

首先，对MWHTS数据集、ERA5数据集以及NCEP数据集进行质量控制，剔除无效数据；其次，MWHTS观测数据集与ERA5数据集、NCEP数据集的匹配原则是时间差不小于1800s，经度和纬度不超过0.1°的数据；然后，考虑到极地地理环境复杂(包括海冰、海水、冰水混合、陆地……)，通过MWHTS的LandSeaMask数据和ERA5的地表参数数据将匹配数据分为海冰和陆地；最后，使用十倍交叉验证法将匹配数据集划分为10个子集，其中9个子集用于训练模型，1个子集用于验证模型，分别建立在海冰和陆地的反演模型。同时还进一步将训练数据集随机分为80％的训练数据集和20％的验证数据集，以调整超参数。并且配置海冰和陆地区域的独立测试数据集验证模型的可行性。

步骤S3：构建物理反演模型

具体实现方式为：

S31：选择RTTOV作为正演模型用于模拟亮温，其中将NCEP的温度廓线作为初始廓线输入到RTTOV模型中；

S32：计算MWHTS观测亮温和模拟亮温之间的偏差；

S33：利用MWHTS观测亮温和上述偏差训练偏差校正DNN模型，并对独立数据集的MWHTS观测亮温进行偏差校正；

S34：构建的DNN偏差校正模型为四层网络结构。输入层是15个神经元，为MWHTS观测亮温；两层隐含层，每层都是600个神经元，激活函数为ReLU函数；输出层是15个神经元，为偏差，激活函数选择的是linear函数；

S35：通过使用最优迭代法实现物理模型的构建，最优迭代法的计算公式如下：

其中，n代表迭代次数，R_n表示最优估计值，即反演廓线；当n等于1时，即R₁，表示初始廓线；T_b是观测亮温，C_ΨΨ是测量误差协方差矩阵；R_a是背景廓线，C_ss是背景协方差矩阵，f(x)表示对大气状态向量R求模拟亮温，T表示矩阵的转置；

S36：得到大气温度廓线反演结果；

为了降低各种误差对反演结果的影响，需要对物理反演算法得到的大气温度参数进行校正；

步骤S4：构建混合神经网络模型

具体实现方式为：

首先，构建DNN神经网络模型

使用GridSearchCV方法进行最优调参确定DNN神经网络模型隐藏层数、隐藏层神经元个数和batch_size等参数值，确定DNN模型为六层网络结构，包括一个输入层、四个隐含层和一个输出层，构建DNN神经网络模型输入层是15个神经元，为MWHTS的15个通道的观测亮温数据；每个隐含层的神经元个数为400；输出层是37个神经元，为ERA5的37层大气温度廓线数据集；

DNN每个神经元的输出都可以表示为：线性部分计算的

和激活函数部分h＝σ(z)；其中x为输入参数，h是隐藏层的输出，wi是不同层之间的连接权系数的矩阵；为了克服梯度消失问题，选择ReLU函数作为隐藏层的激活函数，输出层的激活函数选择使用linear函数，优化器选择使用Adam。经过训练得到DNN模型并保存。

其次，通过DNN神经网络模型预测大气温度廓线

并计算与ERA5廓线参数的偏差值。将MWHTS的15个通道的观测亮温数据集输入到保存好的DNN模型中，得到反演的大气温度廓线值，并计算与ERA5的37层廓线参数的偏差值。然后将独立数据集的MWHTS的15个通道的观测亮温数据输入到DNN模型中，得到反演的大气温度廓线值，并与独立数据集的ERA5的37层廓线参数计算偏差。

然后，构建LSTM神经网络模型

使用GridSearchCV方法确定LSTM神经网络模型的超参数，建立四层LSTM，并与全连接层一起组合成隐藏层，确定LSTM模型的网络结构为一个输入层、四层LSTM、一层全连接层和一个输出层。

输出层的激活函数选择使用Tanh函数，优化器选择使用Adam，损失函数设置为均方误差MSE。

构建的LSTM神经网络模型输入层是52个神经元，包括MWHTS的15个通道的观测亮温数据和S42所求的偏差值，每层隐含层神经元个数是50，输出层神经元个数是37，为ERA5的37层大气温度廓线数据集，将模型训练好后进行保存。

最后，将独立数据集的MWHTS的15个通道的亮温数据和S42所求偏差输入到训练好的LSTM模型中，得到大气温度廓线反演结果。

步骤S5：大气温度廓线反演结果与分析，对反演结果的精度进行评估。

采用均方根误差损失函数来计算预测值和实际值的误差，作为模型好坏的衡量标准，其中均方根误差函数定义为：

其中，n代表样本数，xi是模型预测值，yi是实际值；

将物理反演模型和混合神经网络反演模型得到的大气温度廓线反演结果进行对比分析，并通过RMSE评价反演方法的精度。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点,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，无论从哪一点来看，均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，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。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，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种提高极地大气温度廓线反演精度的方法，其特征在于：包括以下步骤：

步骤S1：建立数据集，数据集包括FY-3D/MWHTS观测数据、ERA5再分析数据和NCEP 6小时预报数据；

步骤S2：预处理数据集，先对各个数据集进行质量控制，然后将所获得的MWHTS观测数据和ERA5再分析数据、NCEP预报数据根据匹配原则进行匹配，得到匹配数据集，并划分数据集；

步骤S3：构建物理反演模型；

步骤S4：构建混合神经网络模型；

步骤S5：大气温度廓线反演结果与分析，对反演结果的精度进行评估。

2.根据权利要求1所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S1中具体如下：

从国家卫星气象中心网站、ERA5网站和NCEP网站下载数据，然后读取数据，参数包括：时间、经纬度、MWHTS亮温数据和LandSeaMask、ERA5温度廓线数据集和地表参数以及NCEP温度廓线数据集。

3.根据权利要求1所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S2中具体如下：

S21：对MWHTS数据集、ERA5数据集以及NCEP数据集进行质量控制，剔除无效数据；

S22：MWHTS观测数据集与ERA5数据集、NCEP数据集的匹配原则是时间差不小于30分钟，经度和纬度不超过0.1°的数据；

S23：考虑到极地地理环境复杂，通过MWHTS的LandSeaMask数据和ERA5的地表参数数据将匹配数据分为海冰和陆地；

S24：使用十倍交叉验证法将匹配数据集划分为10个子集，其中9个子集用于训练模型，1个子集用于验证模型，分别建立在海冰和陆地的反演模型。同时还进一步将训练数据集随机分为80％的训练数据集和20％的验证数据集，以调整超参数；

S25：配置海冰和陆地区域的独立测试数据集验证模型的可行性。

4.根据权利要求1所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S3中具体如下：

S31：选择RTTOV作为正演模型用于模拟亮温，其中将NCEP的温度廓线作为初始廓线输入到RTTOV模型中；

S32：计算MWHTS观测亮温和模拟亮温之间的偏差；

S33：利用MWHTS观测亮温和上述偏差训练偏差校正DNN模型，并对MWHTS观测亮温进行偏差校正；

S34：构建的DNN偏差校正模型为四层网络结构，输入层是15个神经元，为MWHTS观测亮温；两层隐含层，每层都是600个神经元，激活函数为ReLU函数；输出层是15个神经元，为偏差，激活函数选择的是linear函数；

S35：通过使用最优迭代法实现反演模型的构建，最优迭代法的计算公式如下：

其中，n代表迭代次数，R_n表示最优估计值，即反演廓线；当n等于1时，即R₁，表示初始廓线；T_b是观测亮温，C_ΨΨ是测量误差协方差矩阵；R_a是背景廓线，C_ss是背景协方差矩阵，f(x)表示对大气状态向量R求模拟亮温，T表示矩阵的转置；

S36：得到大气温度廓线反演结果；

为了降低各种误差对反演结果的影响，需要对物理反演算法反演得到的大气温度参数进行校正。

5.根据权利要求1所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S4中具体如下：

S41：构建DNN神经网络模型；

S42：通过DNN神经网络模型预测大气温度廓线，并计算与ERA5廓线参数的偏差值；

S43：构建LSTM神经网络模型；

S44：将独立数据集的MWHTS的15个通道的亮温数据和S42所求偏差输入到训练好的LSTM模型中，得到大气温度廓线反演结果。

6.根据权利要求4所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S41使用GridSearchCV方法进行最优调参确定DNN神经网络模型隐藏层数、隐藏层神经元个数和batch_size等参数值，确定DNN模型为六层网络结构，包括一个输入层、四个隐含层和一个输出层；

构建的DNN神经网络模型输入层是15个神经元，为MWHTS的15个通道的观测亮温数据；每个隐含层的神经元个数为400；输出层是37个神经元，为ERA5的37层大气温度廓线数据集；DNN每个神经元的输出都可以表示为：线性部分计算的

和激活函数部分h＝σ(z)，其中x为输入参数，h是隐藏层的输出，wi是不同层之间的连接权系数的矩阵，为了克服梯度消失问题，选择ReLU函数作为隐藏层的激活函数，输出层的激活函数选择使用linear函数，优化器选择使用Adam；

经过训练得到DNN模型并保存。

7.根据权利要求4所述提高极地大气温度廓线反演精度的方法，其特征在于：所述步骤S42将MWHTS的15个通道的观测亮温数据集输入到保存好的DNN模型中，得到反演的大气温度廓线值，并计算与ERA5的37层廓线参数的偏差值；然后将独立数据集的MWHTS的15个通道的观测亮温数据输入到DNN模型中，得到反演的大气温度廓线值，并与独立数据集的ERA5的37层廓线参数计算偏差。

8.根据权利要求4所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S43使用GridSearchCV方法确定LSTM神经网络模型的超参数，建立四层LSTM，并与全连接层一起组合成隐藏层，确定LSTM模型的网络结构为一个输入层、四层LSTM、一层全连接层和一个输出层；

输出层的激活函数选择使用Tanh函数，优化器选择使用Adam，损失函数设置为均方误差MSE；

构建的LSTM神经网络模型输入层是52个神经元，包括：MWHTS的15个通道的观测亮温数据和S42所求的偏差值，每层隐含层神经元个数是50，输出层神经元个数是37，为ERA5的37层大气温度廓线数据集，将模型训练好之后进行保存。

9.根据权利要求1所述提高极地大气温度廓线反演精度的方法，其特征在于：步骤S5中具体如下：

S51：采用均方根误差损失函数来计算预测值和实际值的误差，作为模型好坏的衡量标准，其中均方根误差函数定义为：

其中，n代表样本数，xi是模型预测值，yi是实际值；

S52：将物理反演模型和混合神经网络反演模型得到的大气温度廓线反演结果进行对比分析；

S53：通过RMSE评价反演方法的精度。

Images