朱 磊 盧建平 雷連發(fā) 張北斗

(1.西安電子工程研究所 西安 710100;2.蘭州大學 蘭州 730000)

0 引言

大氣溫濕廓線和云中液態(tài)水是描述大氣熱力和動力狀態(tài)必不可少的參數。探測全球大氣溫度、濕度分布及其變化，對天氣預報和氣象保障工作，特別是數值天氣預報和氣候變化研究具有重要的意義［1］。地基微波輻射計是一種新型被動遙感探測設備，相對于無線電探空儀等傳統(tǒng)大氣探測設備來說，不僅具有高時間、空間分辨率的特點，而且具有很高的靈敏度和良好的保密性，能夠實現全天候實時測量和無人值守工作。利用地基微波輻射計不僅可以反演溫濕廓線、水汽密度廓線、積分水汽含量和云中液水含量等，還可以進行電波折射誤差的實時高精度修正，獲得精細的大氣結構觀測資料，為天氣預報、數值模擬、大氣環(huán)流分析、人工影響天氣等科研業(yè)務提供重要的觀測數據［2］。國外研制的地基微波輻射計與風廓線雷達結合，已開始逐漸替代探空氣球，并與各種天氣雷達互為補充，連續(xù)不間斷地組網觀測，為氣候變化研究提供長期、連續(xù)的觀測資料。

溫度、相對濕度、云液態(tài)水廓線的反演問題，即為由地基微波輻射計所測亮溫值推求溫度、相對濕度、云液態(tài)水廓線。神經網絡是一個由大量簡單的處理單元組成的高度復雜的大規(guī)模非線性自適應系統(tǒng)，可以實現輸入空間到輸出空間的非線性映射。20世紀80年代中期以來，神經網絡的應用研究取得了很大的成就，已經成功應用在大氣參數剖面反演領域，并取得了很好的結果［3］。由于從國外進口的微波輻射計在具體的訓練樣本選擇、神經網絡的參數設置，以及神經網絡的訓練過程上都不對外公布，因此我們必須找到自己的訓練方法，以實現地基多通道微波輻射計從硬件到反演算法的國產化。

本文研究了反演溫度、水汽廓線的BP 人工神經網絡，分析了神經網絡的算法設計、參數設置、訓練方法等，并通過實驗數據對反演結果及誤差產生原因進行了分析比較。

1 人工神經網絡

反演大氣溫度、水汽、云液水廓線的算法有最優(yōu)估計法［4］、kalman 濾波算法［5-7］、正則算法［8］、貝葉斯(Bayesian)最大概率算法［9］、遺傳算法［10］和神經網絡算法等［11-16］。廣泛的研究表明，在利用輻射計資料反演溫度、水汽和云液水廓線中，人工神經網絡法優(yōu)于其它方法［17］。

人工神經網絡是一個由大量簡單的處理單元組成的高度復雜的大規(guī)模非線性自適應系統(tǒng)，具有良好的學習功能。它可以接受用戶提交的樣本集合，依照系統(tǒng)給定的算法，不斷的修正用來確定系統(tǒng)行為的神經元之間連接的強度，并存放于系統(tǒng)中。其中，BP 神經網絡已成為至今影響最大、應用最廣泛的網絡學習方法。

BP(Back Propagation)神經網絡［18-20］，是一種按誤差反向傳播算法訓練的多層前饋網絡，是Rumelhart 和Mccelland 為首的科學家小組在1986年提出的。BP 神經網絡算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐步處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。

2 神經網絡設計與分析

2．1 資料選取和樣本構建

本文使用的資料包括2012年9月上旬至11月上旬位于國家氣象局的國產MWP967KV 型35 通道地基微波輻射計數據資料，以及北京南郊探空站近10年的歷史探空資料。其中，北京南郊探空站在北京時間早晨8:00 時和晚間20:00 時各有一次無線電探空數據，微波輻射計每3min 輸出一次觀測數據。結合歷史探空資料，利用MonoRTM［21］模型模擬計算得到35 通道的模擬亮溫，與地面氣象信息結合作為網絡的輸入樣本。將對應探空的溫度、相對濕度廓線以及云液水廓線等作為網絡輸出樣本。

2．2 神經網絡設計

BP 網絡可有效的用于復雜的非線性函數的逼近，一個3 層的前饋網絡能夠實現任意精度的連續(xù)函數映射［22］，本文就選擇使用該網絡，如圖1所示。

圖1 三層BP 神經網絡示意圖

用于網絡訓練的數據集是近10年的探空觀測資料，在訓練中，數據存放的順序要進行隨機化處理，以避免輸入數據的規(guī)律性。由探空資料得到的溫度、相對濕度廓線以及云液水廓線范圍是從地面到10 km 高度，廓線中的0 ～500 m 距離段，每50 m分一層，共有11 層;0.5 ～2 km 距離段，每100 m 分一層，共有15 層;2 ～10 km 距離段，每250 m 分一層，共有32 層，因此整個0 ～10 km 距離段共分為58 層。網絡有38 個輸入節(jié)點:地表溫度、相對濕度、壓強和35 個由MonoRTM 模型模擬的微波輻射計的通道亮溫，隱含層和輸出層各有58 個節(jié)點，分別對應58 層距離段。神經網絡將輸入、輸出之間的關系看成是一個復雜的非線性關系，尋找它們之間的對應關系，使輸入(亮溫以及地面氣象信息)與作為輸出的溫、濕、云液態(tài)水廓線得到最佳匹配，這樣一旦完成訓練，就可以直接用于反演溫度、相對濕度、云液態(tài)水廓線［23］。

為了能夠利用微波輻射計觀測到的亮溫資料反演獲得精確溫濕廓線，將數據集按月份區(qū)分出來，會得到更好的結果。由于在探空資料中沒有用于計算亮溫所需的云液水含量，因此，利用經驗法獲取云液水廓線，選用95%的相對濕度作為區(qū)分云的閥值，即相對濕度大于95%就判定為有云。利用近10年的每個月的無線電探空資料構造每個月的樣本集，并分為無云和有云兩種狀況:對于無云樣本集合，在MonoRTM 模式平臺下直接由探空溫濕度廓線數據計算獲得模擬微波輻射亮溫;對于有云樣本，通過使用探空資料計算云液水廓線，然后再利用MonoRTM模式計算出有云模式的微波輻射亮溫。最后將無云模式亮溫、有云模式亮溫合并成樣本集，分別以模擬的微波輻射亮溫值作為輸入參數，以對應的溫濕廓線作為輸出樣本，構造BP 神經網絡訓練樣本集，進行神經網絡訓練，獲得一組能夠反演該區(qū)域大氣廓線的神經網絡參數。

3 反演結果分析

由于探空觀測每天早晚各一次，數據量有限，而且探空氣球上升到10km 高度大約需要30min，因此選取探空時段輻射計輸出廓線的平均值與探空廓線進行對比分析。從2012年9月上旬至11月上旬共選取晴天條件下輻射計與探空同時刻69 組探測數據樣本，計算兩者之間的平均偏差(BIAS)和均方差(RMS)。輻射計反演廓線和探空廓線的平均偏差(BIAS)和均方差(RMS)定義為:

式中，NS表示數據樣本數，Xi，mean和Xi，true分別表示輻射計反演廓線樣本和探空廓線樣本。

溫度廓線和水汽廓線的平均偏差、均方差如圖2 和圖3所示，圖中實線表示平均偏差曲線，虛線表示均方差曲線。從圖中可以看出，溫度廓線的最大平均偏差為2K，均方差在1km 以下較大，在高空隨高度上升略有變大。同樣，水汽廓線的平均偏差和均方差在1km 以下較大，而且越接近地面值越大，在1km 以上誤差基本小于1g/m3，且隨高度上升呈現減小趨勢。

圖2 溫度廓線誤差分析

圖3 水汽廓線誤差分析

圖4 溫度廓線相關性分析

為了驗證反演參數與探空觀測結果的相關性，進一步對69 組反演的溫度和水汽廓線與探空廓線作線性回歸分析，得到兩者的相關系數，溫度和水汽的相關系數分別為0.99286(圖4)和0.91533(圖5)。從結果可以看出69 組樣本反演結果與探空廓線相關性較好，溫度和水汽擬合直線斜率分別為0.9912和0.98013，斜率接近于1，反演結果與探空觀測值較接近。

圖5 水汽廓線相關性分析

由上述的結果可以看出，使用數據訓練的BP神經網絡很好地反演了溫度和水汽廓線，反演方法切實可行，反演精度較好，但仍與探空廓線存在一定的誤差。首先，35 通道地基微波輻射計架設在國家氣象局，與北京南郊探空站相距近20km，兩者的地面氣象因素存在明顯的差異，這是導致近地面反演結果出現較大誤差的原因之一;其次，探空資料中沒有云液水信息，而是利用經驗模型計算出來的，這也會引入誤差;同時，訓練數據和測試數據具有不規(guī)律性和偶然性，隨機采用不同組訓練和測試數據，以及采取不同數量的訓練和測試數據，都會導致反演誤差的出現;另外，由于高空氣流的作用，探空氣球并不是垂直上升，會逐漸偏離初始探空位置，而輻射計探測的是垂直上空的廓線數據，兩者的探測空域存在一定差異;最后，由于樣本的預處理、BP 神經網絡本身、MonoRTM 輻射傳輸模型等因素的影響，誤差難以避免。圖6 為神經網絡反演的溫度、相對濕度和水汽廓線與探空數據的對比。

圖6 溫度、相對濕度和水汽廓線樣本對比

4 結論

本文通過對近10年歷史探空資料的處理，利用BP 神經網絡算法，建立了溫度、相對濕度和水汽廓線的反演網絡，并使用多通道地基微波輻射計的觀測亮溫，利用該網絡進行了實際反演，將反演結果與探空數據進行了數值檢驗，分析了反演精度及誤差的產生原因。結果表明，本文使用的BP 神經網絡反演誤差較小，達到使用可接受范圍之內，同時也證明國產MWP967KV 型35 通道地基微波輻射計的觀測亮溫是準確可信的，填補了我國高端微波輻射計裝備技術的空白，為提高我國大氣探測自動化水平提供了強有力的技術支撐。

在過去幾年，將微波輻射計配合其它地面觀測儀器進行聯合觀測，相互提供信息，使反演技術得到進一步發(fā)展。然而要發(fā)展出實用的、系統(tǒng)的、可業(yè)務化的神經網絡反演算法，仍有較大差距。在今后的工作中，我們將通過增加訓練樣本、增強樣本預處理和調整神經網絡結構等方法，提高訓練精度，實現神經網絡算法的不斷修正完善。

［1］王穎，黃勇，黃思源.大氣溫濕廓線反演問題的研究［J］.國土資源遙感，2008，75(1):23-26.

［2］王波.地基微波輻射計大氣環(huán)境遙感研究［D］.中國海洋大學，2007.

［3］劉旸，官莉.人工神經網絡法反演晴空大氣濕度廓線的研究［J］.氣象，2011，37(3):318-324.

［4］Rodgers，C.D.Retrieval of Atmospheric Temperature and Composition from Remote Measurement of Thermal Radiation［J］.Rev.Geophys and Space Phys，1976，14:609-624.

［5］Ledsham，W.H.，and D.H.Staelin.An Extended Kalman-Bucy Filter for Atmospheric Temperature Profile Retrieval with a Passive Microwave Sounder［J］.J.Appl.Meteorol.，1978，17:1023-1033.

［6］Patrizia Basili，Piero Ciotti，and Domenico Solimini.Inversion of ground-based radiometric data by Kalman filtering［J］.Radio Science，1980，16(1):83-91.

［7］Basili，P.，P.Ciotti，and D.Solimini.Inversion of Ground-based Radiometric Data By Kalman Filtering［J］.Radio Sci，1981，16:83-91.

［8］Miguel Velez-Reyes.Atmospheric Retrievals using Regularization Methods［C］.IEEE，International Geoscience and Remote Sensing Sympasium Proceedings，1998，1403-1407.

［9］Fredrick Solheim，John R Godwin，et al.Radiometric Profiling of Temperature，Water Vapor and Cloud Liquid Water Using Various Inversion Methods［J］.Radio Science，1998，33(2):393-404.

［10］林黎虹，張健，石耀霖.利用遺傳算法反演大氣的垂直溫度結構［J］，中國科學院研究生院學報，1997，14(1):43-50.

［11］Chumside，J.H.，T.A.Stermitz，and J.A.Schroeder.Temperature Profiling with Neural Network Inversion of Microwave Radiometer Date［J］.J.Atmos Oceanic Technol，1994，11:105-109.

［12］F.Del Firate and G.Schiavon.A Neural Network Algorithm for the Retrieval of Atmospheric Profiles from Radiometric Data.IEEE，International Geoscience and Remote sensing，1997，2097-2098.

［13］Vanessa C.de Viterbo.Joao P.Bragal，E`lcio H.Shiguemori… Atmospheric Temperature Retrieval using Non-linear Hopfield Neural Network［C］.Brazil，2004.

［14］Elcio H.Shiguemori，Haroldo F.de Campos-Velho… Neural Network based Models in theInversion of Temperature Vertical Profiles from Radiation Data［C］.Brazil，2004.

［15］YAO Zhigang，CHEN Hongbin，and LIN Longfu.Retrieving Atmospheric Temperature Profiles from AMSU-A Data with Neural Networks［J］.Advances In Atmospheric Sciences，2005，22(4):606-616.

［16］Rosangela Saher Cintra，Demisio Simoes Silva.Artificial Neural Network To Estimate Integrated Water Vapor Using Satellite Data From Hsb Sensor［C］.Brazil，2006，April 24-28:11-15.

［17］Maria P.Cadeddu，David D.Turner，and James C.Liljegren.A Neural Network for Real-Time Retrievals of PWV and LWP From Arctic Millimeter-Wave Ground-Based Observations［J］.Geosciences and Remote Sensing，2009，47(7):1887-1900.

［18］周玉馳.地基多通道微波輻射計反演大氣溫濕廓線的研究［D］.北京:中國科學院研究生院，2010.

［19］施彥，韓力群，廉小親.神經網絡設計方法與實例分析［M］.北京:北京郵電大學出版社，2009.

［20］Hecht Nielsen R.Theory of Back propagation neural networks［C］.Papers Present at Neural Networks，IJCNN，International Joint Conference，1989，593-605.

［21］S.A.Clough，M.W.Shephard，E.J.Mlawer，J.S.Delamere，M.J.Iacono，K.Cady-Pereira，S.Boukabara，P.D.Brown.Atmospheric Radiative Transfer Modeling:A Summary of The AER Codes［J］.Quantitative Spectroscopy＆ Radiative Transfer，2004，91:233-244.

［22］袁曾任.人工神經網絡及其應用［M］.北京:清華大學出版社，1999.

［23］劉亞亞，毛節(jié)泰，劉均，李峰.地基微波輻射計遙感大氣廓線的BP 神經網絡反演方法研究［J］.高原氣象，2010，29(6):1514-1523.