CN114371519B - 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 - Google Patents
一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 Download PDFInfo
- Publication number
- CN114371519B CN114371519B CN202111579622.0A CN202111579622A CN114371519B CN 114371519 B CN114371519 B CN 114371519B CN 202111579622 A CN202111579622 A CN 202111579622A CN 114371519 B CN114371519 B CN 114371519B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- inversion
- microwave radiometer
- profile
- 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
Links
Images
Classifications
-
- 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
-
- 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
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法,该方法包括如下步骤:步骤一,数据选取;步骤二,数据处理;步骤三,利用神经网络算法进行温湿廓线反演模型的构建;步骤四,大气温湿廓线反演模型的精度分析和应用。本发明解决了探空资料缺乏液态水信息的问题以及微波辐射计观测亮温与探空模拟亮温存在***偏差的问题,构建的基于无偏差亮温的大气温湿廓线反演方法,提高了基于地基微波辐射计的大气温湿廓线反演精度。
Description
技术领域
本发明属于空间遥感领域,涉及一种大气温湿廓线反演方法,具体是一种基于地基微波辐射计无偏差亮温的大气温湿廓线反演算法。
背景技术
高时空分辨率的大气温度和湿度廓线对了解不同尺度天气过程的热力和动力结构具有重要意义。目前,探空资料可提供较高精度的大气温湿垂直廓线,但观测成本高,空间分辨率低,探空站之间距离约300km或更大,时间分辨率(12h)低,不足以提供大气温度和湿度垂直廓线的精细变化。气象卫星由于受到复杂下垫面的影响,致使其在近地面的温湿廓线探测精度较低。地基微波辐射计是一种属于被动遥感的新型探测设备,主要测量是来自地球大气的下行辐射,可连续探测近地层0-10km高度大气的温湿廓线信息,是对探空资料和卫星资料的有益补充。
近年来,随着地基微波辐射计的快速发展,国内外对其反演方法开展了大量研究,常见的方法包括最优估计法、一维变分反演方法、前向模型反演算法、回归算法、神经网络方法等。黄兴友等分别采用神经网络算法和多元线性回归方法反演大气温度和水汽密度廓线,结果发现BP神经网络反演结果更优。刘亚亚等细化不同季节的大气温湿廓线进行反演,发现BP神经网络算法优于微波辐射计自带的斯图加特神经网络模拟器反演结果。鲍艳松等通过亮温订正方法,建立基于订正资料的BP神经网络反演模型,改善了大气温湿廓线反演精度。综上所述,神经网络算法对地基微波辐射计的温湿廓线反演具有较高的精度,且应用广泛。
鉴于地基垂直探测资料在改善中小尺度预报业务方面的巨大潜力,地基微波辐射计将是未来大气探测业务发展的重要领域之一。目前,国际上地基微波辐射计主要以德国的RPG-HATPRO和美国的MP-3000为主,国内近几年发展迅速,主要设备有中电22所的QFW-6000和兵器206所的MWP967KV,这些设备中使用的反演方法基本都是神经网络反演算法。相关廓线产品广泛应用于人工影响天气、重大事件气象保障服务、航空气象、城市污染监测等领域。但传统地基微波辐射计反演模型训练数据集中使用的探空资料缺乏液态水信息,且模拟亮温和观测亮温存在一定的偏差,限制了地基微波辐射计反演温湿度廓线的精度。针对模拟亮温训练的模型在设备实际反演应用中的精度降低问题,目前尚未提出有效的解决方案。
发明内容
本发明提供了一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法,用于解决探空资料缺乏液态水信息的问题以及微波辐射计观测亮温与探空模拟亮温存在偏差的问题。
本发明采用的技术方案如下;
一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法,包括如下步骤:
步骤一,数据选取:根据安装微波辐射计所在经纬度,选择最临近探空站点的数据以及所在格点的ERA5再分析资料,并剔除降水数据;
步骤二,数据处理:基于MonoRTM辐射传输模式,利用探空数据中的温湿度信息和融合ERA5再分析资料的液态水信息,计算得到地基微波辐射计各通道融合液态水信息的模拟亮温;并将模拟亮温与地基微波辐射计观测亮温进行比较,使用拉伊达准则剔除异常数据,得到经过质量控制的地基微波辐射计亮温即无偏差亮温,同时为获取稳定的样本数据,取探空观测前后半小时内数组等时间间隔无偏差亮温,与探空数据的温湿度信息构成训练样本数据;
步骤三,利用神经网络算法进行温湿廓线反演算法的训练,构建反演模型。具体是:使用三层网络的单隐藏层BP神经网络,即输入层、隐藏层和输出层,均为全连接层;输入层的节点数为地基微波辐射计通道数,输入数据为各通道的模拟亮温数据,输出层的节点数为大气参量廓线的垂直层数,输出输入为各个高度层的大气温度、相对湿度以及绝对湿度数据;训练样本数据中75%数据用于训练,15%用于验证和10%用于测试反演模型训练精度;隐藏层的节点数根据模型的训练精度进行优化调整;
步骤四,大气温湿廓线反演的应用精度分析,包括统计分析和个例分析。
进一步地,步骤二中,利用探空资料的温湿度信息和融合ERA5再分析资料的液态水信息,计算得到地基微波辐射计各通道融合液态水信息的模拟亮温,具体是:
将探空温湿度信息和ERA5再分析资料的液态水信息插值到相同的气压层上;
使用探空资料的气压、高度以及温湿度信息生成TAPE5文件;
在MonoRTM辐射传输模型中,根据TAPE5文件修改输入文件中的通道信息;
使用case3用户自定义下行辐射进行第一次模拟;
编译得到对应的模拟亮温,并生成TAPE7文件;
在case3生成的TAPE7文件中加入ERA5再分析资料的液态水信息;
根据TAPE7文件修改输入文件中的通道信息;
使用case5进行第二次模拟;
生成探空资料融合液态水信息的模拟亮温。
进一步地,步骤三和步骤四中的精度统计分析具体是通过计算偏差(Bias)和均方根误差(RMSE)进行定量评估,其表达式如下:
上述两式中,xi为反演得到的大气温湿廓线值,xobs,i为探空廓线值,n代表测试样本数量。
本发明的有益效果:
本发明一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法,有效解决了基于辐射传输模式模拟计算的亮温与实际观测亮温之间的偏差降低了反演温湿度廓线精度问题。经过与实际探空观测资料比较,无偏差亮温反演的大气温度廓线反演精度2km以下均方根误差RMSE在1K以下,2-10km高度范围的均方根误差RMSE均小于1.5K,相对湿度的均方根误差RMSE在0-10km高度范围内均小于15%,绝对湿度在0-10km高度范围内的均方根误差均小于1.2g/m3,显著改善地基微波辐射计反演大气温湿度廓线的精度和应用效果。
附图说明
图1为本发明反演的大气温度廓线模型训练精度示意图;
图2为本发明反演的大气相对湿度廓线模型训练精度示意图;
图3为本发明反演的大气绝对湿度廓线模型训练精度示意图;
图4为本发明反演的温度廓线与RPG自带反演算法反演精度比较图;
图5为本发明反演的相对湿度廓线与RPG自带反演算法反演精度比较图;
图6为本发明反演的绝对湿度廓线与RPG自带反演算法反演精度比较图;
图7为本发明训练的反演模型大气温度廓线精度比较个例分析图;
图8为本发明训练的反演模型大气相对湿度廓线精度比较个例分析图;
图9为本发明训练的反演模型大气绝对湿度廓线精度比较个例分析图;
图10为本发明反演的大气温度廓线日时间序列图;
图11为本发明反演的大气相对湿度廓线日时间序列图;
图12为本发明反演的大气绝对湿度廓线日时间序列图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,下面结合本发明实施例中的附图对本发明进行进一步详细说明。应当理解,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。
本发明通过融合再分析资料ERA5中的对应站点液态水信息,有效提高模拟亮温精度,改善反演模型训练精度和温湿廓线的反演;利用无偏差亮温进行模型训练反演,有效改进模型反演精度,避免偏差对温湿廓线反演精度的影响。
一种基于无偏差亮温的大气温湿廓线反演算法,包括以下步骤:
步骤一,数据选取:根据安装微波辐射计所在经纬度,选择合适站点的探空数据以及所在格点的ERA5再分析资料,并剔除降水数据;
步骤二,数据处理:利用MonoRTM辐射传输模式,利用探空资料的温湿度信息和融合ERA5再分析资料的液态水信息,计算得到地基微波辐射计各通道融合液态水信息的模拟亮温,具体是:
将探空温湿度信息和ERA5再分析资料的液态水信息插值到相同的气压层上;
使用探空资料的气压、高度以及温湿度信息生成TAPE5文件;
在MonoRTM辐射传输模型中,根据TAPE5文件修改输入文件中的通道信息;
使用case3用户自定义下行辐射进行第一次模拟;
编译得到对应的模拟亮温,并生成TAPE7文件;
在case3生成的TAPE7文件中加入ERA5再分析资料的液态水信息;
根据TAPE7文件修改输入文件中的通道信息;
使用case5进行第二次模拟;
生成探空资料融合液态水信息的模拟亮温。
将模拟亮温与地基微波辐射计观测亮温进行比较,使用拉伊达准则剔除异常数据,得到经过质量控制的地基微波辐射计亮温即无偏差亮温,同时为获取稳定的样本数据,取探空观测前后半小时内数组等时间间隔无偏差亮温,与探空数据的温湿度信息构成训练样本数据;
步骤三,利用神经网络算法进行温湿廓线反演算法的训练,构建反演模型,具体是:在经过融合液态水亮温使用三层网络的单隐藏层BP神经网络,即输入层、隐藏层和输出层,均为全连接层,对应的节点分别为16、50和83,输入层16个节点对应16个通道的模拟亮温数据,输出层83个节点对应83个高度层的大气温度、相对湿度以及绝对湿度,训练样本数据中75%数据用于训练,15%用于验证和10%用于测试;
利用无偏差亮温与探空资料建立的神经网络反演模型具有较高的可靠性,本发明反演的温湿廓线精度使用均方根误差(RMSE)进行定量分析,RMSE表达式如下:
式(1)中xi为反演得到的大气温湿廓线值,xobs,i为探空廓线值,n代表测试样本数量;
图1是本发明反演大气温湿度廓线模型的训练精度图,大气温度廓线反演精度2km以下均方根误差RMSE在1K以下,2-10km高度范围的均方根误差RMSE均小于1.5K。
图2是本发明反演相对湿度廓线模型的训练精度图,相对湿度的均方根误差RMSE在0-10km高度范围内均小于15%。
图3是反演绝对湿度廓线模型的训练精度图,绝对湿度在0-10km高度范围内的均方根误差均小于1.2g/m3。
步骤四,大气温湿廓线反演模型的应用及分析。具体开展无偏差亮温数据训练的温湿廓线反演模型精度与RPG自带反演算法产品精度进行比较,两者均基于探空数据进行偏差Bias和均方根误差RMSE的计算,图4、图5和图6中虚线为无偏差亮温训练的模型,实线为RPG温湿廓线反演模型。偏差Bias表达式如下:
式(2)中xi为反演得到的大气温湿廓线值,xobs,i为探空廓线值,n代表测试样本数量。
图4是本发明提出的无偏差亮温反演方法反演的温度廓线与RPG自带反演算法反演的精度比较,本发明的反演方法偏差在0左右,温度均方根误差2km高度以下在1K以内,2-10km高度在1.8K以内,各层高度上都显著优于RPG自带反演算法精度,最大均方根误差提高达1K以上。
图5是本发明提出的无偏差亮温反演方法反演的相对湿度廓线与RPG自带反演算法反演的精度比较,本发明提出的反演方法统计偏差基本在0附近,而RPG自带反演算法的最大偏差达20%以上;无偏差亮温反演的相对湿度廓线均方根误差在0-10km高度范围基本在15%以内,显著优于RPG自带反演算法,在6km高度附近的最大改进达20%以上。
图6是本发明提出的无偏差亮温反演方法反演的绝对湿度廓线与RPG自带反演算法的精度比较,本发明提出的反演方法统计偏差基本在0附近,而RPG自带反演算法的最大偏差达±2K;无偏差亮温反演的绝对湿度廓线均方根误差基本随高度增加而减小,最大为1.2g/m3左右,显著优于RPG自带反演算法,最大改进达1.5g/m3以上。
综上可以看出,本发明提出的无偏差亮温反演方法显著提高了地基微波辐射计反演温度、相对湿度和绝对湿度的廓线精度。
为更直观比较本发明提出的无偏差亮温反演方法实际应用效果,选取了2021年8月31日00UTC时次反演廓线与探空实际探测数据的比较,具体如图7-9所示,其中实现为探空资料,虚线为本发明提出的无偏差亮温反演方法,虚线叠加三角形为RPG自带反演方法的反演结果。
图7是温度廓线比较,在2-6km高度,相比于RPG自带算法反演的廓线,无偏差亮温反演方法与探空观测结果更为接近。图8为相对湿度廓线比较,图9为绝对湿度廓线比较,相比于RPG自带反演算法的反演廓线,无偏差亮温反演湿度廓线与实际探空观测更为一致,说明了本发明提出的无偏差亮温反演显示改善了地基微波辐射计反演的实际应用效果。
图10、图11和图12分别为基于无偏差亮温数据反演模型反演的温度廓线、相对湿度廓线和绝对湿度廓线的日时间序列图,可以看出,本发明的反演模型能够较好的反演出温度和湿度的日变化特征,显示日天气的动力和热力演变特征。
Claims (4)
1.一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法,其特征在于,包括如下步骤:
步骤一,数据选取:根据地基微波辐射计安置时所在的经纬度,选择最临近点探空数据以及该经纬度所在格点的ERA5再分析资料,并剔除降水数据;
步骤二,数据处理:基于MonoRTM辐射传输模式,利用探空数据中的温湿度信息和融合ERA5再分析资料的液态水信息,计算得到地基微波辐射计各通道融合液态水信息的模拟亮温;并将模拟亮温与地基微波辐射计观测亮温进行比较,使用拉伊达准则剔除异常数据,得到经过质量控制的地基微波辐射计亮温即无偏差亮温;并取探空观测前后半小时内数组等时间间隔无偏差亮温,与探空数据的温湿度信息构成训练样本数据;
步骤三,利用神经网络算法进行温湿廓线反演算法的训练,构建反演模型;具体是:使用三层网络的单隐藏层BP神经网络,即输入层、隐藏层和输出层,均为全连接层;输入层的节点数为地基微波辐射计通道数,输入数据为各通道的模拟亮温数据,输出层的节点数为大气参量廓线的垂直层数,输出为各个高度层的大气温度、相对湿度以及绝对湿度数据;训练样本数据中75%数据用于训练,15%用于验证和10%用于测试反演模型训练精度;隐藏层的节点数根据模型的训练精度进行优化调整;
步骤四,大气温湿廓线反演模型的精度分析及应用,包括统计分析和个例分析。
2.根据权利要求1所述的一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法,其特征在于,所述步骤二中,利用探空资料的温湿度信息和融合ERA5再分析资料的液态水信息,计算得到地基微波辐射计各通道融合液态水信息的模拟亮温,具体是:
将探空温湿度信息和ERA5再分析资料的液态水信息插值到相同的气压层上;
使用探空资料的气压、高度以及温湿度信息生成TAPE5文件;
在MonoRTM辐射传输模型中,根据TAPE5文件修改输入文件中的通道信息;
使用case3用户自定义下行辐射进行第一次模拟;
编译得到对应的模拟亮温,并生成TAPE7文件;
在case3生成的TAPE7文件中加入ERA5再分析资料的液态水信息;
根据TAPE7文件修改输入文件中的通道信息;
使用case5进行第二次模拟;
生成探空资料融合液态水信息的模拟亮温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579622.0A CN114371519B (zh) | 2021-12-22 | 2021-12-22 | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579622.0A CN114371519B (zh) | 2021-12-22 | 2021-12-22 | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114371519A CN114371519A (zh) | 2022-04-19 |
CN114371519B true CN114371519B (zh) | 2023-06-23 |
Family
ID=81140006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111579622.0A Active CN114371519B (zh) | 2021-12-22 | 2021-12-22 | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114371519B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329273A (zh) * | 2022-08-02 | 2022-11-11 | 中国气象局武汉暴雨研究所 | 一种降水时微波辐射计反演大气廓线的校正方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703554A (zh) * | 2017-08-24 | 2018-02-16 | 安徽四创电子股份有限公司 | 多通道毫米波辐射计温湿廓线反演***及其反演方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7353690B2 (en) * | 2005-01-24 | 2008-04-08 | Radiometrics Corporation | Atmospheric refractivity profiling apparatus and methods |
-
2021
- 2021-12-22 CN CN202111579622.0A patent/CN114371519B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703554A (zh) * | 2017-08-24 | 2018-02-16 | 安徽四创电子股份有限公司 | 多通道毫米波辐射计温湿廓线反演***及其反演方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于卫星遥感和气象再分析资料的北京市PM_(2.5)浓度反演研究;邵琦;陈云浩;李京;;地理与地理信息科学(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114371519A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
Lewis et al. | Evaluation of historical diurnal temperature range trends in CMIP5 models | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测*** | |
Yuan et al. | Validation of China-wide interpolated daily climate variables from 1960 to 2011 | |
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 | |
Liu et al. | Intercomparison of spring soil moisture among multiple reanalysis data sets over eastern China | |
CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
Free et al. | Creating climate reference datasets: CARDS workshop on adjusting radiosonde temperature data for climate monitoring | |
Wang et al. | Spatio-temporal changes of precipitation and temperature over the Pearl River basin based on CMIP5 multi-model ensemble | |
CN105069295B (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
Abon et al. | Evaluating the potential of radar-based rainfall estimates for streamflow and flood simulations in the Philippines | |
Reale et al. | Impact of adaptively thinned AIRS cloud-cleared radiances on tropical cyclone representation in a global data assimilation and forecast system | |
Yamada et al. | Using a massive high‐resolution ensemble climate data set to examine dynamic and thermodynamic aspects of heavy precipitation change | |
CN116822185B (zh) | 基于hasm的日降水数据空间模拟方法和*** | |
CN114371519B (zh) | 一种基于无偏差亮温的地基微波辐射计大气温湿廓线反演方法 | |
Wu et al. | Future changes in mean and extreme monsoon precipitation in the middle and lower Yangtze River Basin, China, in the CMIP5 models | |
Mai et al. | Using improved XGBoost algorithm to obtain modified atmospheric refractive index | |
CN115795399A (zh) | 一种多源遥感降水数据自适应融合方法和*** | |
Sgoff et al. | Assimilation of crowd‐sourced surface observations over Germany in a regional weather prediction system | |
CN109344769A (zh) | 一种基于遥感影像的光伏电站检测方法及*** | |
Chen et al. | Establishment and assessment of hourly high‐resolution gridded air temperature data sets in Zhejiang, China | |
CN115840908B (zh) | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 | |
Guo et al. | A mobile sensing system for urban PM2. 5 monitoring with adaptive resolution | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
CN110059972A (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |