留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

微波辐射计温湿廓线反演方法改进试验

张雪芬 王志诚 茆佳佳 汪章维 张东明 陶法

引用本文:
Citation:

微波辐射计温湿廓线反演方法改进试验

Experiments on Improving Temperature and Humidity Profile Retrieval for Ground-based Microwave Radiometer

  • 摘要: 为提升地基微波辐射计在不同天气条件下, 特别是云天条件下温湿廓线的反演精度, 利用2011年1月—2016年12月中国气象局北京国家综合气象观测试验基地探空数据, 在微波辐射计反演温湿度廓线的过程中通过区分晴天和云天条件并引入全固态Ka波段测云仪云高及云厚信息, 对反演输入亮温进行质量控制和偏差订正, 建立BP神经网络模型, 采用2017年1月—2018年3月微波辐射计探测数据评估检验, 结果表明:在亮温订正前提下, 晴天温度模型、云天温度模型、晴天相对湿度模型和云天相对湿度模型反演结果与探空的相关系数分别为0.99, 0.99, 0.80和0.78, 均方根误差为2.3℃, 2.3℃, 9%和16%, 较微波辐射计自带产品(LV2产品)减小约0.4℃, 0.3℃, 11%和9%, 准确性提升约30%, 28%, 64%和45%;温度模型偏差在±2℃以内、湿度模型偏差在±20%以内的占比分别为68%, 70%和95%, 78%, 较LV2产品分别提高了7%, 5%和27%, 23%, 其中相对湿度改善明显。可见亮温订正、区分天气类型训练反演模型有利于改善地基微波辐射温湿廓线反演精度。
  • 图 1  实测与模拟亮温拟合

    (a)晴天条件, 22.24 GHz通道, (b)晴天条件, 58.00 GHz通道, (c)云天条件, 22.24 GHz通道, (d)云天条件, 58.00 GHz通道

    Fig.1  Linear fitting of measured and simulated brightness temperatures

    (a)channel of 22.24 GHz in clear sky samples, (b)channel of 58.00 GHz in clear sky samples, (c)channel of 22.24 GHz in cloudy samples, (d)channel of 58.00 GHz in cloudy samples

    图 2  晴天温度模型反演结果及LV2产品与探空对比

    (a)2018年2月23日19:15温度廓线, (b)2017年3月27日07:15温度廓线, (c)2017年1月—2018年3月平均偏差廓线, (d)2017年1月—2018年3月均方根误差廓线

    Fig.2  Comparison of temperature profiles of retrieval model, LV2 and sounding in clear sky samples

    (a)case at 1915 BT 23 Feb 2018, (b)case at 0715 BT 27 Mar 2017, (c)mean bias from Jan 2017 to Mar 2018, (d)root mean square error from Jan 2017 to Mar 2018

    图 3  云天温度模型反演结果及LV2产品与探空对比

    (a)2017年1月17日07:15温度廓线, (b)2017年10月31日07:15温度廓线, (c)2017年1月—2018年3月平均偏差廓线, (d)2017年1月—2018年3月均方根误差廓线

    Fig.3  Comparison of temperature profiles of retrieval model, LV2 and sounding in cloudy samples

    (a)case at 0715 BT 17 Jan 2017, (b)case at 0715 BT 31 Oct 2017, (c)mean bias from Jan 2017 to Mar 2018, (d)root mean square error from Jan 2017 to Mar 2018

    图 4  晴天相对湿度模型反演结果、LV2产品廓线与探空对比

    (a)2017年3月27日07:15相对湿度廓线, (b)2017年4月26日07:15相对湿度廓线, (c)2017年1月—2018年3月平均偏差廓线, (d)2017年1月—2018年3月均方根误差廓线

    Fig.4  Comparison of relative humidity profiles of retrieval model, LV2 and sounding in clear sky samples

    (a)case at 0715 BT 27 Mar 2017, (b)case at 0715 BT 26 Apr 2017, (c)mean bias from Jan 2017 to Mar 2018, (d)root mean square error from Jan 2017 to Mar 2018

    图 5  云天相对湿度模型反演结果、LV2产品与探空对比

    (a)2018年2月1日19:15低云, (b)2017年8月1日13:15低云, (c)2017年8月8日07:15中云, (d)2018年1月17日07:15中云, (e)2017年12月14日07:15高云, (f)2017年1月24日19:15高云

    Fig.5  Comparison of relative humidity profiles of retrieval model, LV2 and sounding in cloudy samples

    (a)low cloud samples at 1915 BT 1 Feb 2018, (b)low cloud samples at 1315 BT 1 Aug 2017, (c)medium cloud samples at 0715 BT 8 Aug 2017, (d)medium cloud samples at 0715 BT 17 Jan 2018, (e)high cloud samples at 0715 BT 14 Dec 2017, (f)high cloud samples at 1915 BT 24 Jan 2017

    图 6  云天相对湿度模型反演结果及LV2产品偏差廓线

    (a)平均偏差廓线, (b)均方根误差廓线

    Fig.6  Relative humidity profiles of retrieval model and LV2 in cloudy samples

    (a)mean bias, (b)root mean square error

    表 1  亮温订正关系式

    Table 1.  Relation between the simulated and the measured brightness temperatures

    通道频点/GHz 订正关系式(晴天) 订正关系式(云天)
    22.24 Y=1.0897X+0.1843 Y=1.0081X+1.8127
    23.04 Y=1.0899X+0.3553 Y=1.0068X+1.8865
    23.84 Y=1.0942X+0.0848 Y=1.0062X+1.5239
    25.44 Y=1.1114X-0.4975 Y=1.0001X+1.0236
    26.24 Y=1.1227X-0.4410 Y=0.9944X+1.2145
    27.84 Y=1.1281X-0.5029 Y=0.9734X+1.3946
    31.40 Y=1.1299X-0.5855 Y=0.9250X+2.1566
    51.26 Y=1.2011X-16.9122 Y=0.8558X+18.4323
    52.28 Y=1.2191X-28.6074 Y=0.9048X+16.7461
    53.86 Y=1.0996X-21.2750 Y=1.0418X-7.2022
    54.94 Y=1.0239X-6.5648 Y=1.0161X-4.3417
    56.66 Y=0.9989X-0.3136 Y=0.9971X+0.2349
    57.30 Y=0.9970X+0.2410 Y=0.9945X+0.9747
    58.00 Y=0.9969X+0.3437 Y=0.9939X+1.2098
    下载: 导出CSV

    表 2  反演模型及对应试验方案

    Table 2.  Retrieval models and test schemes

    方案 模型 是否进行亮温订正 是否考虑云的影响 反演结果
    S1 晴天温度 SP1
    S2 晴天温度 SP2
    S3 云天温度 SP3
    S4 云天温度 SP4
    S5 晴天相对湿度 SP5
    S6 晴天相对湿度 SP6
    S7 云天相对湿度 SP7
    S8 云天相对湿度 SP8
    下载: 导出CSV

    表 3  LV2产品、SP1和SP2与探空的相关性及偏差统计

    Table 3.  Correlation and bias of LV2, SP1, SP2 to sounding in clear sky samples

    高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
    A B C
    LV2产品 0.9956 1.5 56 30 14
    [0, 2.5] SP1 0.9903 2.0 47 28 25
    SP2 0.9937 1.5 56 28 16 6.78
    LV2产品 0.9852 3.2 17 20 63
    (2.5, 4.5] SP1 0.9839 4.3 8 13 79
    SP2 0.9879 2.2 34 30 36 42.08
    LV2产品 0.9821 3.1 26 25 49
    (4.5, 10] SP1 0.9810 4.3 14 15 71
    SP2 0.9837 2.8 32 25 43 19.17
    LV2产品 0.9954 2.7 35 26 39
    [0, 10] SP1 0.9913 3.6 25 19 56
    SP2 0.9946 2.3 41 27 32 29.98
    注:误差占比范围A: [-1, 1], B:[-2, -1)∪(1, 2], C: (-∞, -2)∪(2, +∞), 单位:℃。表中仅统计SP2相对于LV2产品的提升率。
    下载: 导出CSV

    表 4  LV2产品、SP3和SP4与探空的相关性及偏差统计

    Table 4.  Correlation and bias of LV2, SP3, SP4 to sounding in cloudy samples

    高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
    A B C
    LV2产品 0.9953 1.4 61 27 12
    [0, 2.5] SP3 0.9812 2.4 37 36 27
    SP4 0.9944 1.3 67 22 11 30.93
    LV2产品 0.9873 2.5 31 25 44
    (2.5, 4.5] SP3 0.9795 9.0 0 0 100
    SP4 0.9829 2.0 40 31 29 35.29
    LV2产品 0.9838 3.2 38 31 31
    (4.5, 10] SP3 0.9807 11.6 0 1 35
    SP4 0.9822 2.9 42 35 23 23.15
    LV2产品 0.9953 2.6 41 24 35
    [0, 10] SP3 0.9675 8.9 14 14 72
    SP4 0.9946 2.3 45 25 30 27.76
    注:误差占比范围A: [-1, 1], B:[-2, -1)∪(1, 2], C: (-∞, -2)∪(2, +∞), 单位:℃。表中仅统计SP4相对于LV2产品的提升率。
    下载: 导出CSV

    表 5  LV2产品、SP5和SP6与探空的相关性及偏差统计

    Table 5.  Correlation and bias of LV2, SP5, SP6 to sounding in clear sky samples

    高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
    A B C
    LV2产品 0.8246 12 60 30 10
    [0, 2.5] SP5 0.8349 11 71 21 8
    SP6 0.8529 10 77 17 6 27.13
    LV2产品 0.6880 17 42 35 23
    (2.5, 4.5] SP5 0.6575 13 68 19 13
    SP6 0.7059 10 73 19 8 50.42
    LV2产品 0.3073 25 19 29 52
    (4.5, 10] SP5 0.2426 9 87 9 4
    SP6 0.3576 8 88 9 3 74.02
    LV2产品 0.5800 20 38 30 32
    [0, 10] SP5 0.7606 10 78 15 7
    SP6 0.8006 9 81 14 5 64.28
    注:误差占比范围A: [-10, 10], B:[-20, -10)∪(10, 20], C: (-∞, -20)∪(20, +∞), 单位:%。表中仅统计SP6相对于LV2产品的提升率。
    下载: 导出CSV

    表 6  LV2产品、SP7和SP8与探空的相关性及偏差统计

    Table 6.  Correlation of LV2, SP7, SP8 to sounding in cloudy samples with the bias

    高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
    A B C
    LV2产品 0.7599 19 37 32 31
    [0, 2.5] SP7 0.8143 15 59 23 18
    SP8 0.8439 14 63 23 14 35.50
    LV2产品 0.6077 26 26 29 45
    (2.5, 4.5] SP7 0.7417 28 33 20 47
    SP8 0.7770 18 46 29 25 46.27
    LV2产品 0.3145 28 20 23 57
    (4.5, 10] SP7 0.6302 24 39 25 36
    SP8 0.7477 18 45 29 26 48.91
    LV2产品 0.5478 25 23 27 45
    [0, 10] SP7 0.6764 22 45 24 31
    SP8 0.7855 16 51 27 22 44.95
    注:误差占比范围A: [-10, 10], B:[-20, -10)∪(10, 20], C: (-∞, -20)∪(20, +∞), 单位:%。表中仅统计SP8相对于LV2产品的提升率。
    下载: 导出CSV
  • [1] 孙学金.大气探测学.北京:气象出版社, 2009.
    [2] 周秀骥.中尺度气象学研究与中国气象科学研究院.应用气象学报, 2006, 17(6):665-671. 
    [3] 陈明轩, 俞小鼎, 谭晓光, 等.对流天气临近预报技术的发展与研究进展.应用气象学报, 2004, 15(6):754-766. 
    [4] 郭丽君, 郭学良.利用地基多通道微波辐射计遥感反演华北持续性大雾天气温、湿度廓线的检验研究.气象学报, 2015, 73(2):368-381. 
    [5] Raju C S, Renju R, Antony T, et al.Microwave radiometric observation of a waterspout over coastal Arabian Sea.IEEE Geoscience & Remote Sensing Letters, 2013, 10(5):1075-1079. 
    [6] Ware R, Carpenter R, Güldner J, et al.A multichannel radiometric profiler of temperature, humidity, and cloud liquid.Radio Science, 2016, 38(4):44-1-44-13. 
    [7] 鲍艳松, 钱程, 闵锦忠, 等.利用地基微波辐射计资料反演0~10 km大气温湿廓线试验研究.热带气象学报, 2016, 32(2):163-171. 
    [8] 刘亚亚, 毛节泰, 刘钧, 等.地基微波辐射计遥感大气廓线的BP神经网络反演方法研究.高原气象, 2010, 29(6):1514-1523. 
    [9] 王云, 王振会, 李青, 等.基于一维变分算法的地基微波辐射计遥感大气温湿廓线研究.气象学报, 2014, 72(3):570-582. 
    [10] 刘思波, 何文英, 刘红燕, 等.地基微波辐射计探测大气边界层高度方法.应用气象学报, 2015, 26(5):626-635. 
    [11] 段英, 吴志会.利用地基遥感方法监测大气中汽态、液态水含量分布特征的分析.应用气象学报, 1999, 10(1):34-40. 
    [12] 郝巨飞, 袁雷武, 李芷霞, 等.激光雷达和微波辐射计对邢台市一次沙尘天气的探测分析.高原气象, 2018, 37(4):1110-1119. 
    [13] 刘建忠.不同时次地基微波辐射计反演产品评估.气象科技, 2012, 40(3):332-339. 
    [14] 刘红燕.三年地基微波辐射计探测温度廓线的精度分析.气象学报, 2011, 69(4):719-728.
    [15] 侯叶叶.地基微波辐射计反演水汽密度廓线精度分析.气象科技, 2016, 44(5):702-709. 
    [16] 张文刚, 徐桂荣, 颜国跑, 等.微波辐射计与探空仪测值对比分析.气象科技, 2014, 42(5):737-741. 
    [17] 魏重, 雷恒池, 沈志来.地基微波辐射计的雨天探测.应用气象学报, 2001, 12(增刊I):65-72. 
    [18] Liljegren J C, Clothiaux E E, Mace G G, et al.A new retrieval for cloud liquid water path using a ground-based microwave radiometer and measurements of cloud temperature.J Geophys Res Atmos, 2001, 106(D13):14485-14500. 
    [19] Frate F D, Schiavon G.A combined natural orthogonal functions/neural network technique for the radiometric estimation of atmospheric profiles.Radio Science, 1998, 33(2):405-410.
    [20] 车云飞, 马舒庆, 杨玲, 等.云对地基微波辐射计反演湿度廓线的影响.应用气象学报, 2015, 26(2):193-202. 
    [21] 茆佳佳, 张雪芬, 王志诚, 等.多型号地基微波辐射计亮温准确性比对.应用气象学报, 2018, 29(6):86-98. 
    [22] 王志诚, 张雪芬, 茆佳佳, 等.不同天气条件下地基微波辐射计探测性能比对.应用气象学报, 2018, 29(3):282-295. 
    [23] 唐英杰, 马舒庆, 杨玲, 等.云底高度的地基毫米波云雷达观测及其对比.应用气象学报, 2015, 26(6):680-687. 
    [24] 袁野, 朱士超, 李爱华.黄山雨滴下落过程滴谱变化特征.应用气象学报, 2016, 27(6):734-740. 
    [25] 陶法, 胡树贞, 张雪芬.地基可见光/红外全天空成像仪数据融合.气象, 2018, 44(4):52-59. 
    [26] 周毓荃, 欧建军.利用探空数据分析云垂直结构的方法及其应用研究.气象, 2010, 36(11):50-58. 
    [27] Clough S A, Shephard M W, Mlawer E J.Atmospheric radiative transfer modeling:A summary of the AER codes.Journal of Quantitative Spectroscopy & Radiative Transfer, 2005, 91:233-244. 
    [28] Pierdicca N, Pulvirenti L, Marzano F S.A model to predict cloud density from midlatitude atmospheric soundings for microwave radiative transfer applications.Radio Science, 2016, 41(6):1-12. 
    [29] 顾成明, 王云峰, 张晓辉, 等.云参数对微波亮温模拟计算的影响试验.应用气象学报, 2016, 27(3):380-384. 
    [30] 傅新姝, 谈建国.地基微波辐射计探测资料质量控制方法.应用气象学报, 2017, 28(2):209-217. 
    [31] 气象观测专用技术装备测试方法地面气象观测设备(试行).北京: 中国气象局, 2015.
  • [1] 陈宏尧.  探空资料在微波辐射计资料处理中的应用 . 应用气象学报, 1989, 4(2): 186-192.
    [2] 王鹏举,  周秀骥.  陆地上空大气温度廓线及地面辐射参数的卫星遥感 . 应用气象学报, 1988, 3(2): 120-128.
    [3] 李洪勣,  徐宏.  中上层冷平流对飑线发生的影响 . 应用气象学报, 1988, 3(1): 78-85.
    [4] 金鸿祥,  杨金政,  冯斌贤,  陈少林,  李平文,  万玉发.  武汉数字化天气雷达系统微机远程终端网络(WMSN)及其应用 . 应用气象学报, 1990, 1(1): 86-92.
    [5] 毕尔斯.  北京国际辐射会议综述 . 应用气象学报, 1987, 2(1): -.
    [6] 张家诚.  评《太阳辐射能的测量与标准》 . 应用气象学报, 1989, 4(2): 224-224.
    [7] 陈铁汉,  姚克亚,  周秀骥.  闪电辐射频谱的观测与分析 . 应用气象学报, 1986, 1(1): 26-36.
    [8] 高素华,  庄立伟.  海南岛橡胶人工生态群落的辐射特征 . 应用气象学报, 1986, 1(2): 204-211.
    [9] 陆龙骅.  1984年夏季张掖地区辐射参数的振荡特征 . 应用气象学报, 1989, 4(1): 43-51.
    [10] 李维亮,  程耕奎.  1979年夏季青藏高原地区云对辐射周期振荡的作用 . 应用气象学报, 1988, 3(1): 64-69.
  • 加载中
图(6) / 表(6)
计量
  • 文章访问数:  654
  • HTML全文浏览量:  478
  • PDF下载量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-07
  • 修回日期:  2020-04-14
  • 刊出日期:  2020-07-31

微波辐射计温湿廓线反演方法改进试验

  • 1. 中国气象局气象探测中心, 北京 100081
  • 2. 浙江省大气探测技术保障中心, 杭州 310018

摘要: 为提升地基微波辐射计在不同天气条件下, 特别是云天条件下温湿廓线的反演精度, 利用2011年1月—2016年12月中国气象局北京国家综合气象观测试验基地探空数据, 在微波辐射计反演温湿度廓线的过程中通过区分晴天和云天条件并引入全固态Ka波段测云仪云高及云厚信息, 对反演输入亮温进行质量控制和偏差订正, 建立BP神经网络模型, 采用2017年1月—2018年3月微波辐射计探测数据评估检验, 结果表明:在亮温订正前提下, 晴天温度模型、云天温度模型、晴天相对湿度模型和云天相对湿度模型反演结果与探空的相关系数分别为0.99, 0.99, 0.80和0.78, 均方根误差为2.3℃, 2.3℃, 9%和16%, 较微波辐射计自带产品(LV2产品)减小约0.4℃, 0.3℃, 11%和9%, 准确性提升约30%, 28%, 64%和45%;温度模型偏差在±2℃以内、湿度模型偏差在±20%以内的占比分别为68%, 70%和95%, 78%, 较LV2产品分别提高了7%, 5%和27%, 23%, 其中相对湿度改善明显。可见亮温订正、区分天气类型训练反演模型有利于改善地基微波辐射温湿廓线反演精度。

English Abstract

    • 温度和湿度是大气重要的物理参数, 表征大气的热力状况和水汽含量, 决定大气热力过程。实时有效探测大气温湿廓线对准确描述大气演变, 开展灾害性天气、气候变化、数值预报、短临预警、人工影响天气及其他气象保障工作具有十分重要的意义。常规探空是大气温湿廓线的基本测量方法, 具有很高的代表性和可信度[1], 但其在时间连续性、站点分布及成本方面有局限性[2-3]。地基微波辐射计对温湿廓线的连续探测可弥补常规业务探空时间分辨率不足及漂移偏差等问题, 并可提供高时空分辨率连续的大气温湿廓线[4-8]

      随着科学技术的发展, 地基微波辐射计正逐渐成为气象探测的重要仪器, 在人工影响天气、短时临近预报预警、环境监测和气候预测等领域发挥着重要作用[9-12]。然而, 微波辐射计主要通过接收大气热辐射反演大气温湿廓线, 其探测原理使设备自身存在一定局限性。研究表明:不同季节、不同天气状况、不同质量控制算法以及地面环境变化等均会对地基微波辐射计反演结果造成影响, 尤其是有云条件下, 云吸收系数的不确定性导致误差增大, 甚至失效[13-17]。为了提升有云条件下地基微波辐射计的探测能力, 很多学者将其他遥感设备所探测到的云信息加入反演过程。Liljegren等[18]加入云温度以减小地基微波辐射计液态水反演误差。Frate等[19]反演液态水路径时使用测云仪或大气温湿廓线提供的云温度减小反演误差。车云飞等[20]在反演大气相对湿度廓线时加入测云仪云高及云厚信息, 尝试提升地基微波辐射计在云天条件下的反演精度, 效果较好, 但其未对基数据亮温进行质量控制;对云信息考虑不够细, 在神经网络训练及反演过程云信息及云参数考虑不足;在网络化训练时不够细致, 未按天气类型进行训练。

      近年来, 中国气象局北京国家综合气象观测试验基地(简称北京基地)开展了多种地基遥感设备的综合探测比对试验, 前期对国内外具有代表性的4台地基微波辐射计亮温和自带温湿廓线产品(简称LV2产品)比对分析结果表明:微波辐射计亮温探测的准确性、天气条件、反演算法、参数设置、网络训练时长均是影响微波辐射计探测性能的重要因子[21-22]。其中, 天气条件(云、雨)对微波辐射计温湿廓线, 特别是相对湿度廓线的探测影响更为突出。为了更好地反演大气温湿度廓线, 提升微波辐射计反演性能, 在联合比对试验和车云飞等[20]研究的基础上, 利用微波辐射计探测试验数据和探空数据, 开展微波辐射计与全固态Ka波段测云仪联合反演大气温湿廓线算法的改进试验。改进算法中, 对微波辐射计的实测亮温进行质量控制和偏差订正, 同时区分晴空、有云两种天气类型进行BP神经网络训练及反演, 云天时加入同址的测云仪的云信息, 并考虑多层云情况, 以此尝试提升地基微波辐射计的反演性能。

    • 本试验实测亮温来源于北京基地的RPG-HATPRO型微波辐射计, 该设备氧气通道(V波段:50~60 GHz)和水汽通道(K波段:22~32 GHz)各7个通道。RPG-HATPRO型微波辐射计使用250 mm抛物面天线, 利用光栅网格进行频率分离, 接收机使用单边带射频直接检波。该设备采用多路直接检波并行方式同时探测14个通道的亮温, 不同频带亮温时间一致且时间分辨率较高, 一级亮温可达秒级。微波辐射计亮温精度为0.5 K。该微波辐射计的LV2产品是根据当地多年探空数据训练得到, 以实测亮温和地面相关气象参数作为模型输入反演得到, 探测高度为距地面0~10 km。

    • 算法改进试验中, 反演过程输入的云数据来自与微波辐射计同址的Ka波段全固态、全相参、脉冲压缩多普勒测云仪(简称测云仪), 试验主要使用该仪器实时提供的云高及云厚信息。该测云仪工作频率为35 GHz, 峰值功率为10 W。垂直分辨率为30 m, 时间分辨率为1~60 s, 最小回波强度为-40 dBZ, 探测距离可达15 km[23]。测云仪能够实现对云全天候高时空分辨率的连续探测, 获取大气中的云高、云厚、云层等重要参数信息。

    • 本试验用于反演模型训练和结果验证的探空数据来自北京市观象台的GTS1型数字探空仪;地面温湿压数据来自地面自动气象站;样本分类辅助设备来自激光云高仪(确定云高[23])、雨滴谱仪(判定降水发生[24])和全天空成像仪(确定云量[25])等, 以上设备、数据均与微波辐射计同址同期。

    • 本试验使用BP神经网络算法进行大气温湿廓线模型的训练和反演。利用2011年1月—2016年12月探空数据进行本地化温湿廓线反演模型的训练, 利用2017年1月—2018年3月的微波辐射计和测云仪探测数据进行质量控制和反演。为了确保试验数据的可靠性, 微波辐射计在安装及试验期间每6个月进行液氮定标, 试验期间天线罩定期清洁与更换, 鼓风机及云反射镜面定期清洁。其他遥感设备及自动气象站设备也均按气象业务相关规范进行严格的日常维护。

    • 本试验数据处理流程包括样本分类、模拟亮温计算、亮温订正、BP神经网络训练及反演、结果验证等步骤。

    • 本研究将所有样本分为晴空和云天两类, 在云天条件下尝试在神经网络中加入测云仪获取的云信息提升反演精度。理论上相对湿度达到100%时会形成云, 但由于凝结核等多种因素影响, 相对湿度达到87%时可能已经入云[26]。本试验晴天和云天分类标准如下:①晴天样本指探空、测云仪及激光云高仪在探空对应时段均未探测到云。②云天样本指探空入云高度、出云高度与测云仪和激光云高仪在探空对应时段探测结果相一致(探空相对湿度以87%为阈值判定入云及出云), 全天空成像仪总云量不小于3成。同时, 以地面雨滴谱探测结果为依据, 剔除降水样本。

      经过样本分类, 确定2011年1月—2016年12月晴天训练样本为1639个, 云天训练样本为2109个;2017年1月—2018年3月晴天反演验证样本为208个, 云天反演验证样本为182个。

    • 正演亮温模型采用MonoRTM(Monochromatic Radiative Transfer Model)辐射传输模型。Mono- RTM使用了Humlicek Vogit线型, 采用MT_CKD连续模型(Mlawer Tobin_Clough Kneizys Davis), 谱线参数主要来源于HITRAN数据库, 包括氧气谱线参数和22, 183, 325, 380 GHz共4条强水汽吸收谱线。同时MonoRTM考虑了大气中氧气、二氧化碳、氮等物质的自加宽效应和压力加宽, 也对氧气吸收谱线在微波频段会有一定重叠的情况进行了处理。对于云天条件下, 针对云液态水对辐射传输的影响, MonoRTM则采用Liebe吸收模型, 计算有云条件下的辐亮度。MonoRTM所模拟的亮温精度约为0.5%[27]

      正演模拟亮温引入主要是因为微波辐射计在试验基地试验运行时间较短, 在模型训练环节无法提供多年实测亮温作为输入参数, 通常采用历史探空数据正演的模拟亮温代替。本研究利用2011年1月—2016年12月探空数据, 得到6年的模拟亮温, 作为反演模型训练的输入参数。先将探空数据按照MonoRTM模式要求进行处理, 对于晴空条件下, 输入处理过的探空廓线后, 直接得到对应该次探空的亮温。有云和降水条件下, 需在有云的高度层输入该高度层的云中液态水含量[28-29]

      本试验计算了与微波辐射计14通道同频点的模拟亮温, 7个水汽通道中心频率分别为22.24, 23.04, 23.84, 25.44, 26.24, 27.84, 31.04 GHz;7个氧气通道中心频率分别为51.26, 52.28, 53.86, 54.94, 56.66, 57.30, 58.00 GHz。

    • 亮温是微波辐射计的直接测定量, 亮温探测的准确性直接影响反演结果的准确性。虽然在试验前对微波辐射计设备进行日常维护, 按期定标及更换天线罩以提升探测数据质量, 但微波辐射计的实测亮温和模拟亮温仍存在差异[21]。对实测亮温进行质量控制时, 首先检查微波辐射计的疑似异常数据并剔除[22-23, 30]。本试验亮温异常的主要判据包括:10 min内亮温变化超过3 K的数据;以2011年1月—2016年12月模拟亮温为参考超过历史极值的数据;以模拟亮温为参考, 两者差值大于10 K的数据。通过以上方法, 对2017年1月—2018年3月微波辐射计全部实测亮温进行剔除, 剔除率约为6%, 水汽通道剔除率略大于氧气通道剔除率。

      本试验在训练过程使用模拟亮温, 反演过程使用实测亮温, 两者的差异会影响反演结果[7], 故在反演前尝试对实测亮温进行订正。通过比对2016年1—12月实测亮温和模拟亮温, 微波辐射计14个通道, 晴天、云天样本实测亮温与模拟亮温相关系数分别为0.98和0.95, 均达到0.001显著性水平, 这与茆佳佳等[21]的多型号微波辐射计亮温比对分析结果一致。图 1为以水汽通道22.24 GHz和氧气通道58.00 GHz为例绘制的实测亮温与模拟亮温线性拟合情况。

      图  1  实测与模拟亮温拟合

      Figure 1.  Linear fitting of measured and simulated brightness temperatures

      通过14通道实测亮温和模拟亮温的线性拟合, 实测亮温订正关系式如表 1所示, X为偏差订正后的亮温, Y为微波辐射计实测亮温。

      表 1  亮温订正关系式

      Table 1.  Relation between the simulated and the measured brightness temperatures

      通道频点/GHz 订正关系式(晴天) 订正关系式(云天)
      22.24 Y=1.0897X+0.1843 Y=1.0081X+1.8127
      23.04 Y=1.0899X+0.3553 Y=1.0068X+1.8865
      23.84 Y=1.0942X+0.0848 Y=1.0062X+1.5239
      25.44 Y=1.1114X-0.4975 Y=1.0001X+1.0236
      26.24 Y=1.1227X-0.4410 Y=0.9944X+1.2145
      27.84 Y=1.1281X-0.5029 Y=0.9734X+1.3946
      31.40 Y=1.1299X-0.5855 Y=0.9250X+2.1566
      51.26 Y=1.2011X-16.9122 Y=0.8558X+18.4323
      52.28 Y=1.2191X-28.6074 Y=0.9048X+16.7461
      53.86 Y=1.0996X-21.2750 Y=1.0418X-7.2022
      54.94 Y=1.0239X-6.5648 Y=1.0161X-4.3417
      56.66 Y=0.9989X-0.3136 Y=0.9971X+0.2349
      57.30 Y=0.9970X+0.2410 Y=0.9945X+0.9747
      58.00 Y=0.9969X+0.3437 Y=0.9939X+1.2098
    • 神经网络方法可逼近任意复杂的非线性关系, 并避免了复杂的计算公式, 故其在大气廓线反演领域应用广泛。本试验采用BP神经网络为单向传播的3层网络模型, 包括输入层、隐含层和输出层。输入层到隐含层采用双曲正切转移tansig函数, 隐含层到输出层采用线型转移函数purelin。训练方法采用trainlm(Levenberg-Marquardt)算法。输入节点包括14通道质量控制后的亮温(14个节点)、地面温湿压气象数据(3个节点)和云参数(6个节点), 输出47个节点温湿数据, 故晴天模型输入为17个节点, 输出为47个节点;云天模型输入为23个节点, 仅1层云时, 最后4个节点设置为0, 输出为47个节点。隐含层节点数按照经验公式(式(1))[20]估计:

      (1)

      式(1)中, a为输入节点数, b为输出节点数, 隐含层节点数取大于n的最小整数, 本文晴天条件下取27, 云天条件下取29。

      本试验以2011年1月—2016年12月模拟亮温、地面温湿压数据、云数据(云天条件以探空相对湿度87%为阈值确定云高、云厚)作为输入, 2011年1月—2016年12月探空温湿廓线为输出, 训练神经网络。经过多次循环训练, 获取误差相对较小、表现较优的神经网络模型。本试验中将晴天和云天条件下训练得到的温度和相对湿度4套反演模型分别称为晴天温度模型、云天温度模型、晴天相对湿度模型和云天相对湿度模型, 并利用2017年1月—2018年3月数据验证4套模型, 验证阶段神经网络输入为地基微波辐射计实测亮温(订正与不订正)、地面温湿压数据和测云仪的云高、云厚数据, 输出对应时次温湿廓线, 并利用探空数据进行验证。

    • 本试验就模型输入因子中的亮温是否进行订正、是否输入云参数设置8个试验方案。各反演模型采用不同的输入方案, 形成对照比对, 进而验证不同反演模型。具体如表 2所示。

      表 2  反演模型及对应试验方案

      Table 2.  Retrieval models and test schemes

      方案 模型 是否进行亮温订正 是否考虑云的影响 反演结果
      S1 晴天温度 SP1
      S2 晴天温度 SP2
      S3 云天温度 SP3
      S4 云天温度 SP4
      S5 晴天相对湿度 SP5
      S6 晴天相对湿度 SP6
      S7 云天相对湿度 SP7
      S8 云天相对湿度 SP8

      参考探空温湿廓线, 通过个例分析和样本统计, 对各反演结果和设备LV2产品的平均偏差、均方根误差、相关系数、标准差及准确性提升率[31]等指标进行检验和评价。其中, 准确性提升率计算公式如下:

      (2)

      式(2)中, k为准确性提升率, 为微波辐射计探测值的平均偏差, 为本试验反演结果的平均偏差, , Xsi, Xmi为微波辐射计探测值, Xri为本试验反演结果, Xsi为探空观测值, n为样本量, i=1, 2, 3, …, n

    • 图 2a图 2b为两个时次探空、LV2产品、SP1和SP2温度廓线。可以看到, 4条廓线大体趋势保持一致, SP2与探空最为接近。为了更为直观地表现LV2产品与反演结果较探空的偏差情况, 绘制了平均偏差(图 2c)与均方根误差误差(图 2d)廓线可以看到, SP2的平均偏差多在±1℃以内, 较LV2产品明显减小, 2~8 km高度均方根误差同样有较为明显的改善。

      图  2  晴天温度模型反演结果及LV2产品与探空对比

      Figure 2.  Comparison of temperature profiles of retrieval model, LV2 and sounding in clear sky samples

      为了定量评估LV2产品及晴天温度模型反演结果, 表 3统计了LV2产品、晴天温度模型反演结果的相关系数、偏差及偏差分布占比情况。可以看到, 无论是LV2产品、SP1还是SP2, 与探空的相关系数均在0.98以上, 达到0.001显著性水平。SP2较LV2产品改善较为明显:均方根误差从2.7℃减小至2.3℃, 偏差的绝对值大于2℃的占比由39%减小至32%。详细分层的3个高度表现与0~10 km相似, 2.5~4.5 km高度误差减小最为明显。综合看, 相比于LV2产品, SP2准确性提升最明显, 2.5~4.5 km高度范围提升最大, 为42.08%, 0~10 km范围整体提升29.98%。

      表 3  LV2产品、SP1和SP2与探空的相关性及偏差统计

      Table 3.  Correlation and bias of LV2, SP1, SP2 to sounding in clear sky samples

      高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
      A B C
      LV2产品 0.9956 1.5 56 30 14
      [0, 2.5] SP1 0.9903 2.0 47 28 25
      SP2 0.9937 1.5 56 28 16 6.78
      LV2产品 0.9852 3.2 17 20 63
      (2.5, 4.5] SP1 0.9839 4.3 8 13 79
      SP2 0.9879 2.2 34 30 36 42.08
      LV2产品 0.9821 3.1 26 25 49
      (4.5, 10] SP1 0.9810 4.3 14 15 71
      SP2 0.9837 2.8 32 25 43 19.17
      LV2产品 0.9954 2.7 35 26 39
      [0, 10] SP1 0.9913 3.6 25 19 56
      SP2 0.9946 2.3 41 27 32 29.98
      注:误差占比范围A: [-1, 1], B:[-2, -1)∪(1, 2], C: (-∞, -2)∪(2, +∞), 单位:℃。表中仅统计SP2相对于LV2产品的提升率。
    • 图 3a图 3b为两个时次探空、LV2产品、SP3和SP4温度廓线。可以看到, 4条廓线基本一致。相对而言, SP4与探空最为接近, SP3明显高于探空, 偏高幅度为6~12℃。由平均偏差(图 3c)和均方根误差(图 3d)廓线可以看到, SP4较LV2产品平均偏差及均方根误差分别减小约1℃和0.3℃。

      图  3  云天温度模型反演结果及LV2产品与探空对比

      Figure 3.  Comparison of temperature profiles of retrieval model, LV2 and sounding in cloudy samples

      表 4统计了LV2产品与云天温度模型反演结果的相关系数、偏差及偏差分布占比情况。LV2产品、SP4与探空的相关性、偏差大小与偏差占比等情况与晴天条件下表现基本相近, BP神经网络训练和反演温度廓线的过程中加云信息与不加云信息反演结果相差较小。云天条件下, 大气辐射亮温存在很大不确定性, 实测亮温与模拟亮温出现较大差异, 亮温订正很大程度上改善了反演结果。

      表 4  LV2产品、SP3和SP4与探空的相关性及偏差统计

      Table 4.  Correlation and bias of LV2, SP3, SP4 to sounding in cloudy samples

      高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
      A B C
      LV2产品 0.9953 1.4 61 27 12
      [0, 2.5] SP3 0.9812 2.4 37 36 27
      SP4 0.9944 1.3 67 22 11 30.93
      LV2产品 0.9873 2.5 31 25 44
      (2.5, 4.5] SP3 0.9795 9.0 0 0 100
      SP4 0.9829 2.0 40 31 29 35.29
      LV2产品 0.9838 3.2 38 31 31
      (4.5, 10] SP3 0.9807 11.6 0 1 35
      SP4 0.9822 2.9 42 35 23 23.15
      LV2产品 0.9953 2.6 41 24 35
      [0, 10] SP3 0.9675 8.9 14 14 72
      SP4 0.9946 2.3 45 25 30 27.76
      注:误差占比范围A: [-1, 1], B:[-2, -1)∪(1, 2], C: (-∞, -2)∪(2, +∞), 单位:℃。表中仅统计SP4相对于LV2产品的提升率。
    • 图 4a图 4b为两个时次探空、LV2产品、SP5和SP6相对湿度廓线。4条廓线变化趋势相对一致, SP6与探空廓线最为接近, SP5次之, LV2产品在中高空(4.5 km以上)较探空明显偏大。由平均偏差(图 4c)、均方根误差(图 4d)廓线可以看到, SP6平均偏差廓线在0附近, 偏差较小;LV2产品偏差较大, 主要是该设备在网络训练阶段对地面气象信息把握不足所致[22];SP6均方根误差约为10%, 相比于LV2产品最大27%的均方根误差, 改善明显。

      图  4  晴天相对湿度模型反演结果、LV2产品廓线与探空对比

      Figure 4.  Comparison of relative humidity profiles of retrieval model, LV2 and sounding in clear sky samples

      为了定量评估地基微波辐射计及晴天相对湿度模型反演结果, 表 5统计了LV2产品与晴天相对湿度模型反演结果的相关系数、偏差及偏差分布占比情况。可以看到, 亮温订正后反演效果最佳:0~10 km全样本相关系数SP6为0.8006, 较LV2产品0.5800相关性提升显著;SP6在3个高度范围均方根误差分别为10%, 10%和8%, 较LV2产品分别减小了2%, 7%和17%;SP6在3个高度范围偏差不超过±20%的占比分别为94%, 92%和97%, 较LV2产品分别减小4%, 15%和49%, 高度越高, 减小幅度越大。SP6准确性提升明显, 0~10 km范围整体提升64.28%, 高度越高提升越大。

      表 5  LV2产品、SP5和SP6与探空的相关性及偏差统计

      Table 5.  Correlation and bias of LV2, SP5, SP6 to sounding in clear sky samples

      高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
      A B C
      LV2产品 0.8246 12 60 30 10
      [0, 2.5] SP5 0.8349 11 71 21 8
      SP6 0.8529 10 77 17 6 27.13
      LV2产品 0.6880 17 42 35 23
      (2.5, 4.5] SP5 0.6575 13 68 19 13
      SP6 0.7059 10 73 19 8 50.42
      LV2产品 0.3073 25 19 29 52
      (4.5, 10] SP5 0.2426 9 87 9 4
      SP6 0.3576 8 88 9 3 74.02
      LV2产品 0.5800 20 38 30 32
      [0, 10] SP5 0.7606 10 78 15 7
      SP6 0.8006 9 81 14 5 64.28
      注:误差占比范围A: [-10, 10], B:[-20, -10)∪(10, 20], C: (-∞, -20)∪(20, +∞), 单位:%。表中仅统计SP6相对于LV2产品的提升率。
    • 图 5为探空、LV2产品与云天相对湿度模型反演结果廓线。可以看到, LV2产品在云天条件下虽然整体湿度有所增大, 但垂直分布不够准确, 高湿层与云层的高度不一致。经过本试验加入测云仪云信息后, 低云、中云和高云均表现出有云高度范围相对湿度明显增大的特点, 说明加入云信息对改进微波辐射计湿度反演有利。在此基础上, 对亮温进行订正后反演结果与探空廓线更接近。

      图  5  云天相对湿度模型反演结果、LV2产品与探空对比

      Figure 5.  Comparison of relative humidity profiles of retrieval model, LV2 and sounding in cloudy samples

      表 6统计了LV2产品、SP7和SP8相对于探空的相关系数、偏差情况及不同偏差范围占比情况。与其他3个模型类似, 亮温订正有利于改善模型反演结果。0~10 km全样本中, SP8相与探空的相关系数为0.7855, 较LV2产品提升约0.2。±20%以内偏差占比为78%, 较LV2产品增加23%。4.5~10 km高空SP8较LV2产品均方根误差减小最为明显。相比于LV2产品, SP8反演结果0~10 km准确性提高了44.95%。

      表 6  LV2产品、SP7和SP8与探空的相关性及偏差统计

      Table 6.  Correlation of LV2, SP7, SP8 to sounding in cloudy samples with the bias

      高度/km 对比项 相关系数 均方根误差 不同偏差范围占比/% 准确性提升率/%
      A B C
      LV2产品 0.7599 19 37 32 31
      [0, 2.5] SP7 0.8143 15 59 23 18
      SP8 0.8439 14 63 23 14 35.50
      LV2产品 0.6077 26 26 29 45
      (2.5, 4.5] SP7 0.7417 28 33 20 47
      SP8 0.7770 18 46 29 25 46.27
      LV2产品 0.3145 28 20 23 57
      (4.5, 10] SP7 0.6302 24 39 25 36
      SP8 0.7477 18 45 29 26 48.91
      LV2产品 0.5478 25 23 27 45
      [0, 10] SP7 0.6764 22 45 24 31
      SP8 0.7855 16 51 27 22 44.95
      注:误差占比范围A: [-10, 10], B:[-20, -10)∪(10, 20], C: (-∞, -20)∪(20, +∞), 单位:%。表中仅统计SP8相对于LV2产品的提升率。

      图 6为云天条件下, LV2产品与云天相对湿度模型结果的误差廓线。可以看到, SP8平均偏差廓线在±5%以内, 偏差最小。LV2产品平均偏差整体维持在10%~20%, 出现较大偏差, 一方面是该设备在网络训练阶段对地面气象信息把握不足所致[22], 另一方面是设备自带的红外测云仪的测云能力有限。通过引入测云仪云信息, 并经过亮温订正后的反演结果均方根误差基本在±20%以内。个例廓线分析和全部样本偏差统计分析均表明:在BP神经网络模型中加入测云仪云高及云厚信息, 有助于提升地基微波辐射计在云天条件下相对湿度的反演精度。

      图  6  云天相对湿度模型反演结果及LV2产品偏差廓线

      Figure 6.  Relative humidity profiles of retrieval model and LV2 in cloudy samples

    • 为了提高微波辐射计在有云天气条件下温湿廓线的探测精度, 本研究利用2017年1月—2018年3月探测试验数据和2011年1月—2016年12月探空数据, 开展微波辐射计与测云仪联合反演大气温湿廓线算法的改进试验。经过比对分析得到以下初步结论:

      1) 亮温订正可以改善BP神经网络模型的反演结果。云天条件下, 测云仪探测数据引入BP神经网络模型有利于提升相对湿度的反演精度。

      2) 温度方面, 亮温订正后温度模型引入云信息和不引入云信息反演结果接近, 平均偏差和均方根误差分别约为-0.3℃和2.3℃, 较LV2产品减小约1.2℃和0.4℃, 均方根误差随高度递增。偏差在±2℃以内的占比较LV2产品增加约6%, 整体准确性提升约29.00%。

      3) 相对湿度方面, 晴天相对湿度模型输入订正后亮温反演结果与探空的相关系数为0.8006, 较LV2产品提高0.22;±20%以内偏差占比由LV2的68%增加到95%;平均偏差与均方根误差由LV2产品的14%和20%分别减小至1%和9%, 准确性提升64.28%。在云天条件下, LV2产品与云天相对湿度模型输入订正后亮温反演结果偏差均有所增大, 但偏差较LV2产品减小明显:±20%以内偏差占比由LV2产品的55%增加到78%, 均方根误差由25%减小至16%, 准确性提升44.95%。

      本试验针对微波辐射计在云天条件下湿度误差较大甚至失效的问题, 通过主被动联合的方式, 在微波辐射计反演温湿廓线过程中引入测云仪探测的云信息, 并经过基数据亮温订正, 提升了微波辐射计温湿廓线的反演精度, 尤其是有云条件下相对湿度的反演精度, 拓宽了微波辐射计的有效探测区间。但本试验仅针对1个站点开展试验, 该方法在不同气候区的适用性有待验证。

参考文献 (31)

目录

    /

    返回文章
    返回