雷連發(fā) 馬若飛 朱 磊 程桂玉 陳 瑞 秦 江
(1.西安電子工程研究所 西安 710100;2.北方天穹信息技術(shù)(西安)有限公司 西安 710100)
地基多通道微波輻射計(jì)采用全被動(dòng)接收方式工作,無需對(duì)外發(fā)射電磁信號(hào)即能實(shí)時(shí)獲得高時(shí)空分辨率的大氣溫濕廓線,積分水汽和液態(tài)水等參數(shù),在氣象探測(cè)、數(shù)值天氣預(yù)報(bào)、人工影響天氣、通訊和軍事等領(lǐng)域有著重要的作用[1-2]。傳統(tǒng)大氣探測(cè)是通過探空氣球、火箭和航天飛機(jī)等設(shè)備攜帶傳感器直接探測(cè),這些手段不僅昂貴而且很難獲取實(shí)時(shí)連續(xù)的觀測(cè)數(shù)據(jù),不利于大氣參數(shù)的實(shí)時(shí)監(jiān)測(cè)和分析。微波輻射計(jì)作為一種新型的被動(dòng)遙感設(shè)備在大氣探測(cè)領(lǐng)域得到了越來越多的應(yīng)用。微波輻射計(jì)不僅能夠彌補(bǔ)傳統(tǒng)常規(guī)大氣探測(cè)資料的不足,而且還能夠克服傳統(tǒng)探測(cè)方法的諸多局限性,具有獨(dú)立工作的能力,可穿透云霧全天時(shí)全天候的工作,是大氣探測(cè)的重要手段之一。
地基多通道微波輻射計(jì)是用于對(duì)流層大氣狀態(tài)參數(shù)實(shí)時(shí)遙感探測(cè)的新型精密儀器,系統(tǒng)以完全被動(dòng)的探測(cè)方式獲取大氣輻射亮溫,最后通過人工神經(jīng)網(wǎng)絡(luò)算法反演得到連續(xù)實(shí)時(shí)的對(duì)流層大氣溫度、水汽、液態(tài)水廓線以及積分水汽和積分液態(tài)水等大氣狀態(tài)參數(shù)。儀器同時(shí)還配備了紅外觀測(cè)儀,用來探測(cè)云底溫度,這對(duì)監(jiān)測(cè)天氣狀態(tài)和提高水汽反演精度等有著重要作用。
地基微波輻射計(jì)數(shù)據(jù)反演主要是利用觀測(cè)的大氣輻射亮溫來反演大氣溫度、水汽、相對(duì)濕度和云液態(tài)水等大氣參數(shù)。反演方法有正向模型反演法,數(shù)據(jù)統(tǒng)計(jì)法(經(jīng)驗(yàn)法)和人工神經(jīng)網(wǎng)絡(luò)法等。深入分析表明人工神經(jīng)網(wǎng)絡(luò)方法更勝一籌,它具有很多傳統(tǒng)算法不具有的特點(diǎn)[3-4]。首先,神經(jīng)網(wǎng)絡(luò)算法不必要分析復(fù)雜的物理模型[3][5],可直接利用歷史數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其次,該方法具有較好的自學(xué)習(xí)能力及處理非線性問題的能力,在大氣科學(xué)研究等領(lǐng)域中越來越受到重視。
本文采用3 層(單隱層)誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)模型算法,該算法使用廣泛且較為成熟。在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中將地面觀測(cè)的氣象參數(shù)(包括地面溫度、氣壓、相對(duì)濕度) 以及輻射計(jì)觀測(cè)的各頻點(diǎn)亮溫作為輸入, 對(duì)應(yīng)于溫度、濕度、云液態(tài)水廓線分別作為網(wǎng)絡(luò)輸出。網(wǎng)絡(luò)參數(shù)訓(xùn)練選用觀測(cè)地探空氣象站10年的歷史探空資料作為訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練,最終得到一組最佳的網(wǎng)絡(luò)參數(shù)用于數(shù)據(jù)反演[6]。探空資料中并沒有直接測(cè)量液態(tài)水和大氣輻射亮溫?cái)?shù)據(jù),為此需要通過大氣輻射傳輸模型進(jìn)行亮溫模擬計(jì)算,本文選用MonoRTM大氣輻射模型進(jìn)行亮溫的模擬計(jì)算,液態(tài)水廓線需要通過經(jīng)驗(yàn)?zāi)P徒Y(jié)合濕度廓線得到[3][7]。選用大量歷史探空數(shù)據(jù)作為訓(xùn)練樣本有利于為神經(jīng)網(wǎng)絡(luò)算法提供盡可能多的先驗(yàn)信息。
利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)我們自主研制的MWP967KV型地基多通道微波輻射計(jì)在秦嶺大氣科學(xué)試驗(yàn)基地觀測(cè)的亮溫?cái)?shù)據(jù)進(jìn)行了大氣溫度和水汽廓線的反演并和探空結(jié)果作對(duì)比,計(jì)算了溫度廓線和水汽廓線的絕對(duì)平均偏差(BIAS)和均方差(RMS),BIAS和RMS的定義如下,
(1)
(2)
式中,n表示觀測(cè)樣本數(shù),Ti,meas和Ti,true分別表示輻射計(jì)反演的溫濕度廓線和真值(利用探空資料得到)。計(jì)算結(jié)果如圖1和圖2所示。
圖1 溫濕廓線的絕對(duì)平均偏差
圖2 溫濕廓線的均方差
由反演結(jié)果可以看出溫度廓線反演平均偏差在9km以下在1℃以內(nèi),均方差小于2℃,高空誤差略大,這同時(shí)也說明輻射計(jì)在低空具有較好的觀測(cè)能力,對(duì)高空觀測(cè)能力相對(duì)較弱。水汽廓線反演平均偏差和均方差均小于1.0g/m3,且可以看出水汽主要集中在6km以下。近地面偏差略大的原因分析主要是因?yàn)橛^測(cè)地點(diǎn)與探空站不在同一位置,由兩地下墊面不同引起的差異,水汽誤差分布變化大也說明了大氣中水汽垂直分布的復(fù)雜性。
神經(jīng)網(wǎng)絡(luò)反演算法的誤差來源主要有利用MonoRTM大氣輻射模型計(jì)算亮溫與實(shí)際亮溫的偏差,同時(shí)由于探空數(shù)據(jù)中沒有液態(tài)水?dāng)?shù)據(jù),液態(tài)水是通過經(jīng)驗(yàn)?zāi)P瞳@取,因此會(huì)帶來一定的誤差。其次,探空氣球在上升過程中會(huì)隨風(fēng)飄動(dòng),幾乎不能保證探測(cè)的是天頂方向的大氣數(shù)據(jù),這就為模擬計(jì)算帶來了很大不確定性。最后探空數(shù)據(jù)每天只有早晚共兩次,即使使用10年的探空資料也很難使得樣本完全包含所有大氣現(xiàn)象,這就使得輻射計(jì)處理極端天氣的能力有所不足。
圖3顯示了神經(jīng)網(wǎng)絡(luò)算法反演廓線與探空個(gè)例對(duì)比結(jié)果,反演的溫濕廓線非常接近實(shí)際的探空數(shù)據(jù),不僅很好的描繪了大氣溫濕度隨高度的變化趨勢(shì),而且細(xì)致的反映了大氣溫濕參數(shù)的細(xì)節(jié)變化,與探空氣球觀測(cè)結(jié)果較為一致。這不僅說明了微波輻射計(jì)的可靠性較好,同時(shí)也反映出了神經(jīng)網(wǎng)絡(luò)算法具有很好的反演精度,很適合微波輻射計(jì)數(shù)據(jù)反演。
圖3 微波輻射計(jì)觀測(cè)反演廓線與探空對(duì)比
為了進(jìn)一步驗(yàn)證輻射計(jì)觀測(cè)數(shù)據(jù)的性能,我們與德國(guó)進(jìn)口設(shè)備RPG輻射計(jì)觀測(cè)結(jié)果也進(jìn)行了對(duì)比分析,如圖4。從結(jié)果看,與RPG輻射計(jì)的觀測(cè)結(jié)果較為一致,兩者都很好的反應(yīng)了大氣溫濕度參數(shù)的垂直分布,溫度廓線很好的表現(xiàn)了近地面大氣的逆溫現(xiàn)象。水汽密度廓線和相對(duì)濕度廓線兩者都很好地反應(yīng)了大氣中水汽垂直分布。
對(duì)兩類設(shè)備觀測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)相關(guān)性分析,如圖5所示。從散點(diǎn)圖看,兩者反演的溫濕度廓線相關(guān)性較高,兩者溫度廓線與探空數(shù)據(jù)相關(guān)性分別是0.99284和0.99535,水汽密度相關(guān)性分別是0.95738和0.94283。而兩個(gè)輻射計(jì)之間反演的溫度和水汽密度廓線相關(guān)性分別是0.99744和0.97591。相關(guān)性較高說明兩者數(shù)據(jù)反演結(jié)果較為一致。
從散點(diǎn)圖上可以看出溫度數(shù)據(jù)點(diǎn)分布集中,而水汽密度數(shù)據(jù)點(diǎn)分布相對(duì)離散,這主要是由于水汽垂直分布的復(fù)雜性引起的,同時(shí)由于探空氣球上升過程中隨風(fēng)飄動(dòng)以及探空站與試驗(yàn)地點(diǎn)之間的距離等因素共同帶來的一些不確定性因素都會(huì)對(duì)反演結(jié)果造成一些影響。
圖4 MWP967KV與RPG微波輻射計(jì)觀測(cè)結(jié)果對(duì)比
圖5 溫度和水汽廓線相關(guān)性分析
利用神經(jīng)網(wǎng)絡(luò)算法反演液態(tài)水廓線,首先要對(duì)訓(xùn)練樣本進(jìn)行合理正確的處理。由于探空設(shè)備中沒有直接探測(cè)到液態(tài)水,因此就需要根據(jù)經(jīng)驗(yàn)?zāi)P吞砑右簯B(tài)水,進(jìn)而訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)用以反演大氣液態(tài)水的時(shí)空分布變化。通過對(duì)探空時(shí)段陰天輻射計(jì)數(shù)據(jù)反演的液態(tài)水廓線與根據(jù)經(jīng)驗(yàn)?zāi)P蜕傻囊簯B(tài)水廓線作對(duì)比。我們可以從圖6對(duì)比結(jié)果看出,神經(jīng)網(wǎng)絡(luò)算法反演結(jié)果與探空廓線較為接近,盡管在液態(tài)水含量上有所差異,但是很好地反應(yīng)了云液水的位置,厚度以及液態(tài)水的分布。
根據(jù)液態(tài)水對(duì)比結(jié)果還能看出神經(jīng)網(wǎng)絡(luò)算法反演的液態(tài)水廓線對(duì)于厚云反演效果較好而且精度高,對(duì)于薄云和液態(tài)水含量低的云反演能力較差。輻射計(jì)對(duì)于雙層云的反演也有很好的表現(xiàn),廓線很好地描述了雙層云的峰值所在位置以及液態(tài)水含量的分布變化。這將對(duì)于我們研究多層云的分布、云水含量以及云的輻射特性有著重要作用。
圖6 液態(tài)水廓線與探空對(duì)比
通常大氣溫度隨高度增加而減小,但是在某些天氣條件下,地面上空的大氣結(jié)構(gòu)會(huì)出現(xiàn)氣溫隨高度增加而升高,這種現(xiàn)象被稱為逆溫。利用常規(guī)探測(cè)方法很難實(shí)現(xiàn)對(duì)逆溫的高時(shí)間分辨率探測(cè),難以獲取逆溫隨時(shí)間發(fā)展的變化過程。微波輻射計(jì)探測(cè)溫度廓線具有較高的時(shí)空分辨率和觀測(cè)精度,能夠顯示逆溫的發(fā)展變化過程,是探測(cè)逆溫的理想儀器。這對(duì)研究大氣邊界層的溫度變化有重要作用。
如圖7所示,在這次強(qiáng)逆溫過程中微波輻射計(jì)很好的探測(cè)到了地表的輻射逆溫和逆溫層厚度,從結(jié)果可以看出這次逆溫較強(qiáng),厚度達(dá)到了1km左右且與探空數(shù)據(jù)結(jié)果非常一致。逆溫對(duì)于分析大氣條件有著重要作用,逆溫越強(qiáng)會(huì)使大氣狀態(tài)越穩(wěn)定,難以形成對(duì)流天氣,在這種大氣條件下極易造成污染物的累積且不易擴(kuò)散。
圖7 微波輻射計(jì)觀測(cè)的逆溫與探空對(duì)比
MWP967KV型地基多通道微波輻射計(jì)是我國(guó)自主研制的新型微波輻射計(jì),打破了國(guó)外對(duì)這項(xiàng)技術(shù)的壟斷,積累了相關(guān)技術(shù)經(jīng)驗(yàn)。經(jīng)過對(duì)微波輻射計(jì)觀測(cè)數(shù)據(jù)的對(duì)比分析,我們可以看出,微波輻射計(jì)觀測(cè)反演數(shù)據(jù)可靠,與國(guó)外同類設(shè)備性能一致。神經(jīng)網(wǎng)絡(luò)算法非常適合應(yīng)用于微波輻射計(jì)觀測(cè)反演大氣狀態(tài)參數(shù),對(duì)溫濕廓線的反演具有很高的精度,避免了求解復(fù)雜的大氣微波輻射物理模型,同時(shí)微波輻射計(jì)對(duì)于逆溫和云液態(tài)水的含量、分布以及雙層云等反演也有很好的效果。這將對(duì)數(shù)值天氣預(yù)報(bào)、人工影響天氣、防災(zāi)減災(zāi)等領(lǐng)域具有很高的應(yīng)用價(jià)值。
參考文獻(xiàn):
[1] 朱磊,盧建平,雷連發(fā).新型多通道微波輻射計(jì)及大氣觀測(cè)分析[J].火控雷達(dá)技術(shù),2014,43(1):84-88.
[2] 盧建平,黃建平,郭學(xué)良,于子平,雷連發(fā),張北斗.探測(cè)大氣溫濕廓線的35通道微波輻射計(jì)設(shè)計(jì)原理與特點(diǎn)[J].氣象科技,2014,42(2):193-197.
[3] 劉亞亞,毛節(jié)泰,劉均,李峰.地基微波輻射計(jì)遙感大氣廓線的BP神經(jīng)網(wǎng)絡(luò)反演方法研究[J].高原氣象,2010,29(6):1514-1523.
[4] 雷連發(fā),盧建平,朱磊,吳皓.多通道地基微波輻射計(jì)大氣遙感[J].遙感學(xué)報(bào),2014,18(1),180-191.
[5] 施彥,韓力群,廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京,北京郵電大學(xué)出版社,2009.
[6] F.DelFrate, G.Schiavon. A neural network approach for the retrieval of profiles of liquid water from radiometric data[J]. IEEE, 2000(7):2803-2805.
[7] 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]. IEEE transactions on geoscience and remote sension, 2009,47(7):1887-1900.