FY-4A星GIIRS大氣溫度廓線反演模擬試驗研究

鮑艷松，汪自軍，陳 強，周愛明，董瑤海，閔錦忠

(1.南京信息工程大學 氣象災害預報預警與評估協同創(chuàng)新中心/氣象災害教育部重點實驗室/氣候與環(huán)境變化國際合作聯合實驗室/中國氣象局氣溶膠與云降水開放重點實驗室,江蘇 南京 210044； 2.南京信息工程大學 大氣物理學院, 江蘇 南京 210044； 3.上海衛(wèi)星工程研究所,上海 201109； 4.上海航天技術研究院,上海 201009)

FY-4A星GIIRS大氣溫度廓線反演模擬試驗研究

鮑艷松1,2，汪自軍3，陳 強3，周愛明3，董瑤海4，閔錦忠1

(1.南京信息工程大學 氣象災害預報預警與評估協同創(chuàng)新中心/氣象災害教育部重點實驗室/氣候與環(huán)境變化國際合作聯合實驗室/中國氣象局氣溶膠與云降水開放重點實驗室,江蘇 南京 210044； 2.南京信息工程大學 大氣物理學院, 江蘇 南京 210044； 3.上海衛(wèi)星工程研究所,上海 201109； 4.上海航天技術研究院,上海 201009)

結合全球大氣晴空訓練樣本(CIMSS)數據，利用輻射傳輸模式，模擬獲得干涉式大氣垂直探測儀(GIIRS)亮溫資料，結合人工神經網絡反演方法，研究了風云四號(FY-4)衛(wèi)星高光譜紅外載荷大氣溫度反演方法，并研制了全圓盤和中國區(qū)域兩套大氣溫度反演模型。反演試驗結果表明：對流層大氣溫度反演精度明顯高于平流層，以中國區(qū)域反演模型為例，對流層和平流層大氣溫度反演均方根誤差(RMSE)分別為0.846，2.020 K，平均誤差分別為-0.003，0.024 K；比較中國區(qū)域和全圓盤大氣溫度廓線反演精度，中國區(qū)域大氣溫度精度明顯高于全圓盤，0～70 km處大氣溫度反演的均方根誤差分別為1.922，2.630 K；與歐洲極軌衛(wèi)星(Metop-A)IASI數據的溫度廓線反演結果比較，FY-4A星GIIRS的溫度反演精度在低層(>500 hPa)(RMSE=0.790 K)優(yōu)于IASI(RMSE=0.976 K)，在高層(<500 hPa)(RMSE=1.803 K)低于IASI(RMSE=0.899 K)。研究對FY-4衛(wèi)星GIIRS的大氣溫度廓線反演及其應用有重要的參考價值。

FY-4衛(wèi)星； 干涉式大氣垂直探測儀(GIIRS)； 神經網絡； 溫度廓線； 反演； 對流層； 平流層； 中國區(qū)域； 全圓盤

0 引言

大氣溫度是數值天氣預報模式的重要輸入數據，對提高數值天氣預報精度有重要意義。氣象衛(wèi)星能探測大氣輻射，其輻射率數據可反映大氣的溫度狀態(tài)。1987年世界氣象組織評估了衛(wèi)星大氣探測資料(TOVS)應用對天氣預報準確率提高的貢獻，提出只有當全球大氣溫度、水汽探測精度達到無線電探空的水平，才可能對天氣預報做出重大改進[1]。這就要求對流層大氣溫度探測均方根誤差小于1 K，大氣垂直探測分辨率達到1 km。為實現更高垂直分辨率探測，美國NASA構建了新一代全球環(huán)境監(jiān)測系統NPP(NPOESS Preparatory Project)，對大氣溫濕衛(wèi)星探測給出了明確要求：對地表至500 hPa的高度范圍內溫度和濕度的觀測精度分別為1 K和10%，且垂直分辨率為0.3～0.5 千米/層；對500～300 hPa的高度范圍內溫度和濕度的觀測精度分別為1 K和10%，且垂直分辨率為0.5～1.0千米/層；對300～100 hPa的高度范圍內溫度和濕度的觀測精度分別為1 K和20%，且垂直分辨率為1.0～2.0千米/層；對100 hPa以上的高度范圍內溫度觀測精度為1 K，垂直分辨率為2.0～3.0千米/層[1]。我國FY-4衛(wèi)星2010年立項，2016年FY-4A星發(fā)射成功。這些衛(wèi)星裝載的高光譜紅外載荷為數值天氣預報提供了重要數據。

利用衛(wèi)星輻射探測大氣參數研究始于20世紀中期。1956年KING較早提出根據衛(wèi)星熱紅外輻射的觀測推算大氣溫度廓線[2]。其后，隨著高光譜遙感技術的發(fā)展，AIRS，IASI，CrIS等紅外高光譜傳感器的在軌運行，大氣溫度廓線衛(wèi)星遙感反演方法不斷發(fā)展[3-5]。這些反演算法可分為統計回歸、物理和統計-物理反演法三類，不同反演技術的特點各異。比較分析統計回歸反演法、基于變分理論的物理反演法，以及人工神經網絡反演法三種主要的反演算法，發(fā)現統計回歸反演算法雖然計算簡便且反演過程穩(wěn)定，但不考慮大氣輻射傳輸過程，反演精度有待進一步提高；基于變分理論的物理反演法建模復雜，要求初始場，計算量大，需不停的迭代；人工神經網絡反演法具很強的非線性表達及良好的容錯能力。為此，本文選用人工神經網絡法建立反演模型，研究FY-4衛(wèi)星高光譜紅外資料大氣溫度廓線反演方法。

人工神經網絡(ANN)是由大量計算單元構成的非線性系統，它模仿人腦神經系統接收、處理、存儲外界信號，具強大的智能處理信息的功能，有非線性映射能力，善于從輸入和輸出信號中尋找規(guī)律，無需精確的數學模型，并行計算能力強，易于軟硬件編程計算[6]。在如今的氣象領域中，降水預報、霧預報、溫濕廓線反演研究等都越來越多地引進了神經網絡方法[7-8]。文獻[9]用人工神經網絡技術反演大氣溫度的數值模擬，與線性統計算法比較，發(fā)現近陸面的溫度反演結果優(yōu)于近海面，且對有較厚逆溫層結構的溫度廓線，神經網絡反演對廓線的復現能力優(yōu)于線性統計反演。文獻[10]用人工神經網絡對晴空條件下AIRS模擬輻射值進行大氣溫度廓線的反演，發(fā)現相比于特征向量統計法，神經網絡反演方法反演精度更高，誤差更小，獲得了較好的反演結果。文獻[11]用BP神經網絡反演12通道地基微波輻射計數據的大氣溫濕廓線，發(fā)現反演結果較其自帶的RadiomeNN算法更接近于探空真值。文獻[12]用神經網絡算法進行AIRS資料的大氣溫度廓線反演，獲得了垂直分辨率1 km的對流層溫度反演精度。文獻[13]用BP神經網絡反演微波輻射計資料的0～10 km高度58層的大氣溫度，與探空資料及微波輻射計二級產品對比，分析發(fā)現大氣溫度均方根誤差范圍為1.0～2.0 K。

我國新一代靜止氣象衛(wèi)星——FY-4衛(wèi)星搭載的干涉式大氣垂直探測儀(GIIRS)可每15 min提供1次分辨率10 km的大氣溫度相關數據，在數值天氣預報中有重要的應用前景。本文基于輻射傳輸模式和神經網絡反演算法原理，用FY-4衛(wèi)星高光譜紅外探測儀模擬資料，對大氣溫度廓線反演方法進行了研究。因廓線垂直分辨率高，樣本數量龐大，網絡收斂慢，尋求合適的網絡反演大氣溫度廓線是本文的研究重點和難點。

1 研究數據及輻射傳輸模式

1.1研究數據

本文所用的全球大氣晴空訓練樣本(seebor V5.0)是由美國威斯康星大學開發(fā)，共由全球范圍內晴空條件下15 704條大氣溫度、濕度和臭氧廓線組成，大氣廓線從1 100～0.005 hPa共分成101層，包括NOAA-88、ECMWF 60 L、TIGR-3、臭氧探空值(來自NOAA-8 CMDL)，以及無線電探空值(沙漠地區(qū))等五類有代表性的資料，樣本廓線的全球分布如圖1所示。其廓線樣本大致均勻分布在全球區(qū)域，海洋上分布較陸地稀疏，而臭氧和無線電探空值針對的是沙漠地區(qū)，分布較集中。

本文研究所用衛(wèi)星資料為FY-4A星GIIRS資料。FY-4A星于2016年12月11日發(fā)射，是我國第二代靜止軌道氣象衛(wèi)星的首發(fā)星，該星首次搭載了GIIRS。GIIRS采用二維掃描鏡+離軸三反射主光學系統收集地氣能量，由動鏡式傅里葉干涉儀進行探測。掃描系統作步進-駐留掃描，選取所需探測的區(qū)域，將地球的大氣輻射折射向望遠鏡主鏡。GIIRS氣象數據及產品主要有4級，包括0級數據(地面數據接收并轉發(fā)給資料處理和服務中心進行質量檢測、解碼、重復資料提出等處理后的資料)、1級數據(0級數據經過預處理系統的定位、定標后形成的資料)、2和3級產品(1級數據經過產品生成系統加工處理生成軌道和侯、旬、月等氣候合成產品)[14]。GIIRS的光譜范圍為4.4～14.2 μm，試驗星的指標低于業(yè)務星，試驗星和業(yè)務星的光譜分辨率分別為0.8/1.6，0.625/1.2 cm-1，星下點空間分辨率相應分別為16，8 km，探測地域可控。GIIRS 高光譜紅外探測儀的性能特性和主要探測目標分別見表1、2[2]。

表1 GIIRS性能特性

圖1 15 704個樣本廓線全球分布Fig.1 Global distribution of 15 704 profiles

光譜范圍/cm-1主要探測目的700～790溫度廓線探測,利用對冷目標和云頂高度的敏感性,進行部分云存在時的溫度廓線反演790～1130表面和云特性,O3探測1210～1650水汽、溫度廓線探測,N2O、CH4和SO2探測2100～2150CO總量2150～2250溫度廓線探測,N2O總量

1.2模型

本文使用的FY-4A星GIIRS輻射傳輸模式(RTM)由威斯康星大學空間科學與工程中心的WEISZ開發(fā)，該模式可用于云雨和晴空條件下的紅外波段亮溫模擬。本文針對的是晴空模式下的亮溫值的模擬計算，故正演模式是在原有的基礎上修改，并在LINUX系統中編譯、運行晴空條件下的亮溫值。

該輻射傳輸模式中的快速模型系數是由對一個0.1 cm-1逐行計算透過率數據(LBLRTM v11.6)和特定的光譜響應函數(由NSMC提供)獲得LBL特定的儀器的透過率而計算出的，再通過回歸分析，獲得晴空、臭氧，以及水汽條件下的快速模型系數。逐線模式可用于計算一個體積龐大的氣層單色光學厚度查找表。模式中使用的快速算法PFAAST(Pressure Layered Fast Atmospheric Transmittance)是由HANNON，STROW，MCMILLAN共同開發(fā)，適于各種分辨率的高光譜傳感器。

FY-4A星正演模擬的輸入參數包括大氣和地表兩部分。大氣的輸入數據包括101層(0.005～1 100 hPa)氣壓分層數據、101層大氣溫度，以及101層大氣濕度廓線信息；地表輸入數據包括地表溫度、地表壓強，以及陸地所占比例，模式中默認所有通道的地表比輻射率0.98，且將模式底層的壓強和溫度分別表示為表面壓強和溫度。

2 神經網絡反演算法

2.1網絡結構

本文用反向傳輸神經網絡(BP)對大氣溫度進行反演建模。BP神經網絡包括輸入層、隱含層和輸出層，可有效用于復雜非線性函數的逼近，能實現任意精度的連續(xù)函數映射。BP神經網絡模型如圖2所示。

圖2 BP神經網絡結構Fig.2 BP neural network

神經網絡模型的輸出

O=f2(Yv+b2)

(1)

Y=f1(Xw+b1)

(2)

式中：O為網絡的輸出；X為輸入層，Y為隱含層的輸出；v為隱含層至輸出層的連接權系數陣，初始時刻為一組隨機數；w為輸入層至隱含層的連接權系數陣，初始時刻為一組隨機數；b1，b2分別為隱藏層和輸出層單元偏置值陣；f1，f2為神經元的非線性作用函數，能依每層設定，可取正切[10]。

用4種精度評價方法評價大氣溫度廓線反演精度：均方誤差(MSE)σMSE、相關系數R、均方根誤差(RMSE)σRMSE和平均誤差(ME)σME。定義分別為

σMSE=E(e2)=E((t-o)2)

(3)

(4)

(5)

(6)

式中：t為期望輸出；o為實際輸出；e為絕對誤差；n為樣本廓線數；xi為用BP神經網絡反演得到的大氣溫濕廓線值；yi為實際的大氣溫濕廓線值。

2.2輸入層和輸出層設置

用輻射傳輸模式模擬計算出的亮溫值對應的是FY-4A星GIIRS的913個通道的亮溫值，反演101分層上的溫度和濕度值，因此用BP神經網絡的輸入是913個模擬亮溫值，輸出層則是101個大氣溫度和濕度垂直廓線，訓練和測試的樣本由GIIRS的15 704個通道亮溫值和相應的溫度與濕度廓線對組成。對如此龐大的量實施網絡訓練并要得到最優(yōu)網絡，難度很大，網絡輸入量大，會導致結構冗余、耗費時間長及泛化性能不高。

考慮到913個亮溫值存在一定的相關性，基于主成分分析法實現系統降維和特征提取，對FY-4A星GIIRS的913個通道的觀測值取其前40個能表示99.998 8%的全部通道信息量的主成分[15]。將40個通道的亮溫值作為網絡的輸入參數，即輸入層有節(jié)點40個。將通過主成分分析后的資料用于大氣溫濕廓線反演研究有其明顯的優(yōu)越性，因其保留與反演量相關性高的主分量，且主分量間是正交的，故不受累贅反復的信號噪聲影響。

2.3隱含層設置

網絡特性易受其隱層節(jié)點數的設置影響。若隱含節(jié)點數太少，使信號資料不足，則會影響網絡的效果；若隱含節(jié)點太多，則會使訓練花費更多的時間，降低計算效率[16]。綜合考慮計算效率和反演精度，選用文獻[17]提出的方法，BP神經網絡隱含節(jié)點數

(7)

式中：h為隱含層節(jié)點數；n為輸入層節(jié)點數；m為輸出層節(jié)點數[18]。最終確定隱含層結點數為56。

2.4傳遞函數和訓練算法選取

神經網絡的設置和激活傳遞函數選用影響神經網絡特性。本文用newff函數創(chuàng)立神經網絡，用Matlab計算機語言完成程序的編寫，神經網絡訓練參數設置見表3。研究中，選用雙曲正切S型傳遞函數tansig作為激活傳輸函數，有

O=tansig(W×P+B)

(8)

式中：O為輸出值；W為權值；P為輸入矢量；B為偏差。

BP神經網絡算法中，網絡的權值和閾值通常是沿網絡誤差變化的負梯度方向調節(jié)，最終使網絡誤差達到最小值。幾種典型快速學習算法性能比較見表4。考慮本文所用的訓練樣本大、網絡設置參數多、數據存儲量大等因素，選用Scaled共軛梯度-trainscg學習算法[4]。

表3 BP神經網絡參數值

表4 典型學習算法性能比較

3 反演結果

3.1全圓盤區(qū)域大氣溫度反演結果

3.1.1 整層(0.005～1 100 hPa)大氣溫度

在全圓盤區(qū)域大氣溫度反演試驗中，基于樣本數據15 704個，用BP神經網絡反演算法，建立溫度廓線反演模型。為檢驗BP神經網絡大氣溫度廓線反演精度，用樣本數據6 282個驗證反演模型精度，統計大氣溫度廓線反演值和樣本值的相關性、均方根誤差和評價誤差。溫度反演值和樣本值散點圖如圖3所示。由圖3可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關系數0.995，均方根誤差2.63 K，平均誤差-0.002 K，反演值與樣本值均勻分布在直線y=x兩側。

圖3 反演溫度散點圖Fig.3 Temperature scatter diagram of retrieval

樣本(東經48.96°，南緯6.13°)廓線圖和散點圖如圖4所示。由圖4(a)可知：反演與目標溫度值趨勢一致，能較好地重合，但在廓線的突變處反演的精度尚待提高。由圖4(b)可知：反演與目標溫度值的RMSE達到了0.605 K，相關系數0.999，且反演溫度值較目標偏高0.099 K。

圖4 反演溫度樣本Fig.4 Temperature profile

反演的整層大氣溫度RMSE如圖5所示。由圖5可知：分層反演溫度RMSE最小值0.494 K；在低層(>1 000 hPa)，反演溫度的RMSE平均值0.579 K。

圖5 反演整層大氣溫度RMSEFig.5 RMSE distributions of retrieval temperature from whole layer atmosphere

1～1 000 hPa反演溫度的誤差分層雙縱坐標圖如圖6所示。圖6中：黑色線為目標溫度的誤差值；紅色線為溫度反演的誤差值。由圖6可知：反演溫度的誤差小于0.12 K，大致均勻分布在黑色線兩側，且低層的溫度反演誤差小于高層，底層以正作用為主，而高層以負作用為主。總體而言，反演溫度的平均誤差值在整層大氣中均較小，反演溫度的精度較好。

圖6 1～1 000 hPa反演溫度的平均誤差分層雙縱坐標圖Fig.6 Mean error’s distributions of 1～1 000 hPa temperature retrieval

對整層大氣，為檢驗5類CIMSS數據反演大氣溫度的效果，分別統計了5類CIMSS數據反演溫度的R，RMSE，ME，結果見表5。由表5可知：NOAA-88的CIMSS數據進行大氣溫度反演的精度最高(RMSE為1.853 K)，平均誤差0.070 K，具高度相關性(R=0.998)；TIGR-3數據反演溫度的精度差于其他幾類，反演溫度的RMSE為3.391 K。

3.1.2 對流層(100～1 000 hPa)大氣溫度

對流層區(qū)域溫度反演散點圖如圖7所示。由圖7可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關系數0.995，均方根誤差0.852 K，平均誤差-0.005 K，反演值與樣本值均勻分布在直線y=x兩側。

圖7 反演溫度散點圖Fig.7 Temperature scatter diagram of retrieval

反演的對流層大氣溫度RMSE如圖8所示。由圖8可知：溫度RMSE優(yōu)于1 K的概率為73.58%，分層溫度的RMSE均小于1.247 K，在450 hPa高度出現了RMSE最小值(約0.5 K)，溫度反演的精度較高。

3.1.3 平流層(1～100 hPa)大氣溫度

平流層區(qū)域溫度反演散點圖如圖9所示。由圖9可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關系數0.992，均方根誤差2.454 K，平均誤差0.007 K，反演值與樣本值均勻分布在直線y=x兩側。

反演的平流層大氣溫度RMSE如圖10所示。由圖10可知：反演溫度RMSE優(yōu)于2 K的概率為58.82%，分層溫度的RMSE最小1.258 K。反演溫度的RMSE隨高度的增加而變大，在20～100 hPa氣壓高度層間，溫度的RMSE為1～2 K。

圖8 反演對流層溫度RMSEFig.8 RMSE distributions of retrieval temperature from troposphere

圖9 反演溫度散點圖Fig.9 Temperature scatter diagram of retrieval

圖10 反演平流層溫度RMSEFig.10 RMSE distributions of retrieval temperature from stratosphere

表5 5類CIMSS數據反演大氣溫度統計

3.2中國區(qū)域大氣溫度反演結果

3.2.1 整層(0.005～1 100 hPa)大氣溫度

中國區(qū)域反演溫度散點圖如圖11所示。中國區(qū)域共有測試樣本廓線576個。由圖11可知：反演的溫度值與目標值的相關系數0.998，有較高的相關性；整層大氣的溫度均方根誤差1.922 K，反演值較目標溫度值偏高0.025 K，反演與觀測的溫度值均勻分布在直線y=x兩側，有較好的一致性。

圖11 反演大氣溫度散點圖Fig.11 Scatter plots of retrieving atmospheric temperature

在綜合考慮檢驗反演效果的廓線576條下，反演的整層大氣溫度RMSE如圖12所示。由圖12可知：整層溫度反演的RMSE為1.992 K，最小值0.628 K；針對576個測試樣本，RMSE最小值0.604 K，此時R為0.999 8，平均誤差0.017 K。

圖12 反演整層大氣溫度RMSEFig.12 RMSE distributions of retrieval temperature from whole layer atmosphere

1～1 000 hPa溫度的反演誤差分層雙縱坐標圖如圖13所示。圖13中：黑線為目標溫度的誤差值。由圖13可知：反演溫度的誤差范圍為-0.160～0.233 K，大致均勻分布于黑線兩側；對流層和平流層大氣溫度反演平均誤差分別為-0.003，0.024 K。

圖13 1～1 000 hPa溫度的反演誤差分層雙縱坐標圖Fig.13 Mean error’s distributions of 1～1 000 hPa temperature retrieval

3.2.2 對流層(100 hPa～1 000 hPa)大氣溫度

對流層區(qū)域溫度反演散點圖如圖14所示。由圖14可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關系數0.998，均方根誤差0.846 K，平均誤差-0.003 K，反演值與樣本值均勻分布在直線y=x兩側。

圖14 反演溫度散點圖Fig.14 Temperature scatter diagram of retrieval

反演的對流層溫度RMSE如圖15所示。由圖15可知：對流層區(qū)域溫度的RMSE為0.846 K，對流層大氣溫度的探測精度1 K/km，平均誤差范圍在-0.163～0.163 K，溫度RMSE優(yōu)于1 K的概率79.25%。

圖15 反演對流層溫度RMSEFig.15 RMSE distributions of retrieval temperature from stratosphere

3.2.3 平流層(1～100 hPa)大氣溫度

平流層區(qū)域溫度反演散點圖如圖16所示。由圖16可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關系數0.992，均方根誤差2.020 K，平均誤差0.024 K，反演值與樣本值均勻分布在直線y=x兩側。

圖16 反演溫度散點圖Fig.16 Temperature scatter diagram of retrieval

反演的平流層溫度RMSE如圖17所示。由圖17可知：平流層區(qū)域溫度RMSE為2.020 K，最小值1.274 K，平均反演溫度的誤差范圍為-0.233～0.233 K。對流層大氣溫度反演精度明顯高于平流層。

圖17 反演平流層溫度RMSEFig.17 RMSE distributions of retrieval temperature from stratosphere

GIIRS與歐洲極軌衛(wèi)星(Metop-A)IASI模擬資料反演大氣溫度RMSE如圖18所示。由圖18可知：在氣壓層區(qū)域(1 100～500 hPa)，GIIRS反演溫度優(yōu)于IASI，最優(yōu)值0.649 K；在高層(<500 hPa)區(qū)域，IASI反演大氣溫度的效果更好，特別在高度1 hPa上，IASI溫度反演的RMSE為1.642 K，GIIRS反演溫度的RMSE為3.300 K。綜合，在低層(>500 hPa)，GIIRS的溫度反演精度(RMSE=0.790 K)優(yōu)于IASI(RMSE=0.976 K)，而在高層(<500 hPa)GIIRS的溫度反演精度(RMSE=1.803 K)低于IASI(RMSE=0.899 K)。

圖18 GIIRS，IASI反演大氣溫度RMSEFig.18 RSME of atmospheric temperature retrieved by GIIRS and IASI

4 結論

FY-4A星是國內第一個裝載高光譜紅外垂直探測儀的靜止軌道衛(wèi)星，國際上無相關高軌同類載荷的相關研究和反演經驗。隨著其高光譜紅外大氣垂直探測儀的處理流程、產品質量等指標的不斷完善，在溫濕廓線反演研究中使用這些資料的需求將越來越迫切。本文結合全球大氣晴空訓練樣本(CIMSS)數據，用輻射傳輸模式模擬獲得GIIRS亮溫資料，用人工神經網絡反演方法研究了FY-4衛(wèi)星高光譜紅外載荷大氣溫度反演方法，并研制了全圓盤和中國區(qū)域兩套大氣溫度反演模型。反演試驗結果表明：第一，對流層大氣溫度反演精度明顯高于平流層，以中國區(qū)域反演模型為例，對流層和平流層大氣反演溫度RMSE分別為0.846，2.020 K，平均誤差分別為-0.003，0.024 K。這主要是因為平流層可用通道數較少。第二，中國區(qū)域大氣溫度誤差精度明顯高于全圓盤，0～70 km處大氣溫度反演RMSE分別為1.922，2.630 K。這主要是因為全圓盤區(qū)域部分站點的大氣溫度偏低，而所建模型在較低溫度區(qū)域的反演誤差偏大。第三，FY-4衛(wèi)星GIIRS的溫度反演精度在低層(>500 hPa)優(yōu)于IASI，在高層(<500 hPa)則低于IASI。

由于FY-4衛(wèi)星GIIRS在軌實測數據可能存在觀測誤差和儀器誤差，實測值與模擬值間可能存在偏差，這樣會增加大氣溫濕反演誤差。為解決此問題，需對實測數據進行訂正。后續(xù)將基于實測的FY-4衛(wèi)星GIIRS亮溫數據進行大氣溫度廓線的反演，并對GIIRS溫度反演精度在高層誤差大于IASI的情況進行更多研究。

致謝：感謝李俊、閔敏和劉輝博士為本研究提供模式，并給予指導。

[1] 董超華, 李俊, 張鵬, 等. 衛(wèi)星高光譜紅外大氣遙感原理與應用[M]. 北京: 科學出版社, 2013..

[2] 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(1): 23-26.

[3] AIRES F, PRIGENT C, ORLANDI E, et al. Microwave hyperspectral measurements for temperature and humidity atmospheric profiling from satellite: the clear-sky case[J]. Journal of Geophysical Research, 2015, 120(21): 11334-11351.

[4] ISHIMOTO H. OKAMOTO K. OKAMOTO H, et al. One-dimensional variational (1D-Var) retrieval of middle to upper tropospheric humidity using AIRS radiance data[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(12): 7633-7654.

[5] LI J. WOLF W W. MENZEL W P, et al. Global soundings of the atmosphere from ATOVS measurements: the algorithm and validation[J]. Journal of Applied Meteorology, 2000, 39(8): 1248-1268.

[6] 劉天舒. BP神經網絡的改進研究及應用[D]. 哈爾濱: 農業(yè)工程研究生院, 2011.

[7] 劉旸. 利用人工神經網絡方法反演晴空大氣濕度廓線的研究[D]. 南京: 南京信息工程大學, 2011.

[8] GANGWAR R K. MATHUR A K. GOHIL B S, et al. Neural network based retrieval of atmospheric temperature profile using AMSU-A observations[J]. International Journal of Atmospheric Sciences, 2014, 10: 1155.

[9] 姚志剛, 陳洪濱. 利用神經網絡從118.75 GHz附近通道亮溫反演大氣溫度[J]. 氣象科學, 2006, 30(6): 252-259.

[10] 張雪慧, 官莉, 王振會, 等. 利用人工神經網絡方法反演大氣溫度廓線[J]. 氣象科學, 2009, 35(11): 137-142.

[11] 劉亞亞, 毛節(jié)泰, 劉鈞. 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.

[12] 蔣德明, 曹思沁, 屈佑銘. 利用神經網絡方法從高分辨率紅外遙感資料反演大氣溫度廓線[J]. 熱帶氣象學報, 2010, 26(6): 819-824.

[13] 鮑艷松, 錢程, 閔錦忠, 等. 利用地基微波輻射計資料反演0～10 km大氣溫濕廓線試驗研究[J]. 熱帶氣象學報, 2016, 32(2): 163-171.

[14] 董瑤海. 風云四號氣象衛(wèi)星及其應用展望[J]. 上海航天, 2016, 33(2): 1-8.

[15] 官莉. 衛(wèi)星紅外超光譜資料及其在云檢測、晴空訂正和大氣廓線反演方面的應用[D]. 南京: 南京信息工程大學, 2005.

[16] YANG Y, LIU G. Multivariate time series prediction based on neural networks applied to stock market[C]// IEEE International Conference on Systems, Man, and Cyberneties. [S. l.]: IEEE, 2001: 2680.

[17] 高大啟. 有教師的線性基本函數前向神經網絡結構研究[J]. 計算機學, 1988, 21(4): 80-86.

[18] DIAMOND C, SHADBOLT J, BARAC M A, et al.Neural network system for tactical asset allocation in the global bonds markets[C]// The 3thInternational Conference Artificial Neural Networks. [S. l.]: [n. l.], 1993: 118-122.

PreliminaryStudyonAtmosphericTemperatureProfilesRetrievalfromGIIRSBasedonFY-4ASatellite

BAO Yan-song1, 2， WANG Zi-jun3， CHEN Qiang3， ZHOU Ai-ming3，DONG Yao-hai4， MIN Jin-zhong1

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters (IC-FEMD)/Key Laboratory of Meteorological Disaster, Ministry of Education (KLME)/Joint International Research Laboratory of Climate and Environment Change (ILCEC)/Key Laboratory of the China Meteorological Administration Aerosol and Cloud Precipitation, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu,China; 2. School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu, China; 3. Shanghai Institute of Satellite Engineering, Shanghai 201109, China;4. Shanghai Academy of Spaceflight Technology, Shanghai 201009, China)

In this paper, the radiation transfer model was used to calculate the brightness temperature data of Geostationary Infrared Interferometer Sounder (GIIRS) based on the data by the Cooperative Institute for Meteorological Satellite Studies (CIMSS), and the artificial neural network method was applied to build the atmospheric temperature retrieval systems of disc and Chinese regions based on the GIIRS hyperspectral infrared data. The retrieval results show that the atmospheric temperature estimation precision of troposphere is obviously higher than that of stratosphere, the root mean square errors (RMSE) of retrieved atmospheric temperature in the troposphere and stratosphere are 0.846 K and 2.020 K, and the average errors are -0.003 K and 0.024 K respectively. Compared with total disc area, the RMSE of the retrieval model in Chinese region is apparently better, the RMSE of retrieved atmospheric temperature over 0～70 km is 1.922 K, however, the RSME is 2.630 K in the total disc area. Compared with IASI from European polar satellite (Metop-A), the atmospheric temperature estimation precision of FY-4A satellite GIIRS in the lower layers (>500 hPa) (RMSE=0.790 K) is better than IASI (RMSE=0.976 K), but (RMSE=1.803 K) is worse than IASI (RMSE=0.899 K) in high layers (<500 hPa). The study has important value for the retrieval and application of atmosphere temperature profiles from GIIRS based on FY-4A satellite.

FY-4 meteorological satellite; Geostationary Infrared Interferometer Sounder (GIIRS); neural network; temperature profile; retrieval; stratosphere; troposphere; Chinese region; total disc area

1006-1630(2017)04-0028-10

2017-06-08；

：2017-07-28

“六大人才高峰”高層次人才項目資助(2015-JY-013)；國家重點研發(fā)計劃資助(2016YFA0600703)；上海航天科技創(chuàng)新基金資助(F-201509-0066)

鮑艷松(1976—)，男，教授，博士生導師，主要從事衛(wèi)星遙感研究。

P423

：ADOI:10.19328/j.cnki.1006-1630.2017.04.004