基于微波輻射計觀測亮溫數(shù)據(jù)集的神經(jīng)網(wǎng)絡(luò)訓(xùn)練反演研究

楊杰波，陳柯，徐桂榮，桂良啟，郎量，張明洋，金鋒，趙若銘，孫春雨

(1.華中科技大學(xué)，武漢 430074；2.中國氣象局武漢暴雨研究所，武漢 430205；3.武漢華夢科技有限公司，武漢 430223)

引言

大氣溫濕度廓線是表征大氣運動、熱力狀態(tài)變化的重要參數(shù)，對其準(zhǔn)確、及時的測量能夠有效提升天氣預(yù)報的性能(馬舒慶等，2016)。由于實時性強、靈活性大且可信度高的特點，無線電探空氣球成為目前國內(nèi)外大氣廓線探測的主要手段，但受成本制約，探空站點分布少、觀測間隔長，使得探空數(shù)據(jù)越來越難以滿足當(dāng)前短時臨近天氣預(yù)報和科學(xué)研究的需求(陳明軒等，2004)。地基微波輻射計作為一種典型的被動遙感探測設(shè)備，可以實時、連續(xù)且無人值守地測量地表垂直10 km的大氣輻射亮溫，并反演出大氣溫濕廓線數(shù)據(jù)(樊旭等，2019)，彌補了探空觀測時間不連續(xù)的缺點(張文剛等，2017)，對提高中小尺度天氣系統(tǒng)監(jiān)測精度和強天氣預(yù)報能力具有重要的意義。

目前，國內(nèi)外已成功開發(fā)出多種型號的地基微波輻射計，并被廣泛應(yīng)用于實際氣象業(yè)務(wù)與氣候研究中，其中最具代表性的是美國Radiometrics公司的MP系列產(chǎn)品和德國Radiometer Physics GmbH公司研發(fā)的RPG微波輻射計(Venkat et al.，2013；徐桂榮等，2019)。除了硬件指標(biāo)，地基微波輻射計的探測性能還取決于大氣輻射亮溫測量、反演算法的準(zhǔn)確性和穩(wěn)定性(李靖等，1999；鮑艷松等，2016)。由于反演需利用歷史觀測亮溫與探空數(shù)據(jù)構(gòu)建訓(xùn)練樣本庫(周玉馳，2010)，因此探空數(shù)據(jù)、亮溫數(shù)據(jù)的質(zhì)量及反演算法的可靠性至關(guān)重要(Churnside et al.，1994)。通過周期定標(biāo)可以消除地基微波輻射計系統(tǒng)波動對亮溫帶來的影響(江月，2018)，但研究表明亮溫的觀測還易受云、降水等復(fù)雜天氣影響而出現(xiàn)異常(Phillips et al.，2009；敖雪等，2011)，同時探空氣球漂移、測量誤差等也會對探空數(shù)據(jù)質(zhì)量帶來影響(Durre et al.，2008)，因此對亮溫數(shù)據(jù)進行預(yù)處理研究(Matzler and Morland，2009)，對反演算法進行改進試驗，對于提升大氣測量精度，以適應(yīng)氣象業(yè)務(wù)發(fā)展對提高地基微波輻射計設(shè)備準(zhǔn)確率及精細(xì)化水平的要求，具有重要的現(xiàn)實意義。

為此，馬麗娜等(2018)提出了多通道亮溫差值闕值法，對“晴天”和“云天”樣本進行了識別，并對模擬亮溫進行了線性訂正。敖雪等(2013)利用輻射傳輸模型提出了一套針對MP3000觀測數(shù)據(jù)的質(zhì)量控制方案。張雪芬等(2016)引入測云儀對微波輻射計測量亮溫進行預(yù)處理，并以此改進反演，提升了大氣廓線反演精度。與此同時，在氣象探測應(yīng)用方面，不少學(xué)者對多種型號的地基微波輻射計觀測數(shù)據(jù)進行了質(zhì)量評估，為有效使用地基微波輻射計探測大氣提供了借鑒(王志誠等，2018；張文剛等，2013；康曉燕等，2019；Sanchez et al.，2013)。但綜合分析，目前大多數(shù)研究所提出的反演方案都需要長期的觀測數(shù)據(jù)，在新的應(yīng)用場景難以得到及時有效的應(yīng)用，且基本針對國外成熟設(shè)備展開，鮮有將亮溫預(yù)處理與反演改進應(yīng)用于微波輻射計的研制過程中，并開展相應(yīng)的可靠性驗證。因此，為了提升地基微波輻射計探測大氣溫濕廓線的精度，增強設(shè)備在新場景部署及切合硬件性能的本地化、個體化觀測性能，本文對直接樣本反演、間接樣本反演兩種算法開展研究，并應(yīng)用于武漢華夢科技有限公司研制的HRA002型國產(chǎn)地基微波輻射計中，利用并址探空數(shù)據(jù)進行對比評估。直接樣本反演在積累了一定觀測數(shù)據(jù)的基礎(chǔ)上，將微波輻射計觀測亮溫與對應(yīng)時刻的探空數(shù)據(jù)進行訓(xùn)練，得到直接樣本反演網(wǎng)絡(luò)，該方法更貼合硬件性能及本地氣象特征。

近年來，遷移學(xué)習(xí)通過遷移預(yù)訓(xùn)練網(wǎng)絡(luò)于目標(biāo)任務(wù)中，解決了氣象領(lǐng)域缺少訓(xùn)練數(shù)據(jù)集或訓(xùn)練資料龐大的問題，在衛(wèi)星云圖分類、臺風(fēng)等級分類、雨量預(yù)測等方面得到更高性能、高效率的應(yīng)用效果(鄭宗生等，2020；胡凱等，2017；陳品璇，2019)。間接樣本反演借鑒遷移學(xué)習(xí)的思想，使用探空模擬亮溫與探空氣象數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，并遷移于觀測亮溫反演大氣溫濕度廓線的任務(wù)中，以解決直接樣本反演缺少觀測訓(xùn)練數(shù)據(jù)集的缺陷，因此，對觀測亮溫數(shù)據(jù)進行預(yù)處理修正，使其逼近模擬亮溫值將成為提升間接樣本反演精度的關(guān)鍵。而在反演算法的選擇上，BP神經(jīng)網(wǎng)絡(luò)相較于回歸法、一維變分算法具有自適應(yīng)學(xué)習(xí)、并行計算、擬合復(fù)雜非線性問題并計算最優(yōu)解的能力，成為當(dāng)前國內(nèi)外各種地基微波輻射計產(chǎn)品反演大氣溫濕度廓線普遍采用的反演方法(樊旭等，2019)。隨著深度神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)算法的發(fā)展，CNN、LightGBM、Random Forest等算法在微波遙感領(lǐng)域得到越來越多的應(yīng)用，提升了學(xué)習(xí)效率以及圖像信息的檢測精度，但上述算法在遙感氣象領(lǐng)域多應(yīng)用于衛(wèi)星或紅外圖像上，輸出結(jié)果往往是地表溫度、云檢測、海冰濃度等二維圖像結(jié)果(Tan et al.，2019；付華聯(lián)等，2019；Lei et al.，2017)，在地基微波輻射計單點部署反演不同垂直高度上大氣參數(shù)信息的應(yīng)用研究較少，算法遷移難度較大。呂新帥等(2019)采用RBF神經(jīng)網(wǎng)絡(luò)、張?zhí)旎⒌?2020)采用遺傳算法改進BP神經(jīng)網(wǎng)絡(luò)進行反演，從算法層面提升了運算速度、泛化能力和反演準(zhǔn)確度。

但大氣參數(shù)反演準(zhǔn)確度受訓(xùn)練樣本的影響更大(Anchez et al.，2013)，是神經(jīng)網(wǎng)絡(luò)訓(xùn)練、反演的基礎(chǔ)，本文針對神經(jīng)網(wǎng)絡(luò)在地基氣象輻射計實際應(yīng)用中的問題開展了改進研究，為了重點衡量基于亮溫預(yù)處理改進訓(xùn)練數(shù)據(jù)樣本對反演精度的提升作用，且能夠與其他廠商微波輻射計進行對比，本文采用地基微波輻射計主流BP神經(jīng)網(wǎng)絡(luò)進行反演。與其他微波輻射計的對比通過置HRA002型微波輻射計于武漢國家基本氣象站與三臺美國MP-3000A輻射計同址觀測開展，以檢驗反演精度及國產(chǎn)地基微波輻射計的探測性能。

1 設(shè)備、數(shù)據(jù)和方法

本文針對武漢華夢科技有限公司HRA002地基K/V雙頻多通道微波輻射計的研制開展反演算法的研究，該設(shè)備配備溫度、濕度、氣壓傳感器、8~14μm紅外測溫儀以及GPS，可以在水汽波段(22~30 GHz)、氧氣波段(51~59 GHz)各8個通道進行連續(xù)不間斷地探測，時間分辨率為100~1 000 ms。通過周期實時定標(biāo)，實現(xiàn)對大氣輻射信號的穩(wěn)定準(zhǔn)確測量，可實時反演出0—10 km高度內(nèi)的溫度廓線、水汽密度廓線、相對濕度廓線以及液態(tài)水含量等氣象要素，輸出廓線分為39個高度層，低空垂直分辨率為50~100 m，中高空分辨率250 m。39個高度層為0、10、30、50、75、100、125、150、200、250、325、400、475、550、625、700、800、900、1 000、1 150、1 300、1 450、1 600、1 800、2 000、2 200、2 500、2 800、3 100、3 500、3 900、4 400、5 000、5 600、6 200、7 000、8 000、9 000、10 000 m。

武漢國家基本氣象站是業(yè)務(wù)氣象探空站，每日00UTC和12UTC釋放探空氣球進行高空氣象觀測。探空數(shù)據(jù)可以輸出連續(xù)高度層的溫度、壓強、濕度、水平風(fēng)向和風(fēng)速等測量信息。本文于2020年5月24日—6月5日在武漢國家基本氣象站開展了4臺地基微波輻射計的并址觀測試驗。4臺微波輻射計包括上述1臺國產(chǎn)HRA002和3臺美國Radiometrics公司生產(chǎn)的MP-3000A。MP-3000A可以在多個仰角觀測21個K波段(22~30 GHz)和14個V波段(51~59 GHz)的微波通道大氣亮溫，通過微波亮溫反演得到0—10 km的大氣溫濕廓線，憑借著適應(yīng)各種復(fù)雜環(huán)境的獨立工作能力以及高分辨率、高精度的測量，被廣泛布設(shè)在國內(nèi)外氣象業(yè)務(wù)微波輻射計監(jiān)測網(wǎng)中(趙玲等，2009)。MP-3000A反演的大氣參量廓線的時間分辨率約為3 min，輸出廓線分為58個高度層，廓線垂直分辨率在0—500 m高度為50 m，500—2 000 m高度為100 m，2 000—10 000 m為250 m(徐桂榮等，2019)。

試驗以武漢國家基本氣象站的探空觀測結(jié)果為基準(zhǔn)，考查HRA002與MP-3000A的大氣溫度、水汽密度和相對濕度廓線與探空觀測的差異。為了匹配探空數(shù)據(jù)并減少偶然誤差，HRA002的觀測亮溫選取00UTC(12UTC)±5 min內(nèi)的數(shù)據(jù)計算平均值進行反演，考慮到MP-3000A時間分辨率大，選取00UTC(12UTC)±6 min內(nèi)第一組微波輻射計廓線來與探空廓線進行對比。在HRA002不同反演算法對比時，以HRA002的39個高度層為基準(zhǔn)，在樣本匹配時，對探空大氣廓線采用線性插值法進行處理，相比于非線性插值，線性插值具有插值效果好且易于實現(xiàn)的優(yōu)點(張怡舒，2019)。在4臺微波輻射計并址觀測試驗時，考慮到MP-3000A的高度層數(shù)多于HRA002，高度層上以MP-3000A的58個高度層為基本高度層，采用線性插值法分別將探空廓線和HRA002廓線插值到58個高度層來與MP-3000A廓線匹配。對比參量主要為MP-3000A和HRA002大氣參量與探空大氣參量之間的相關(guān)系數(shù)(R)、平均偏差(Bias)及偏差的均方差(RMSE)。

相關(guān)系數(shù)(R)的計算公式如下

平均偏差(Bias)的計算公式如下

偏差均方差(RMSE)的計算公式如下

公式(1)—(3)中，N表示樣本總數(shù)，x表示輻射計反演的大氣廓線數(shù)據(jù)，y表示與x時空對應(yīng)的探空廓線數(shù)據(jù)。

2 HRA002的直接樣本反演方法和評估

2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與反演方法

BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)、并行計算、擬合復(fù)雜非線性問題并計算最優(yōu)解的能力，被廣泛使用于地基微波輻射計的大氣廓線反演中。BP神經(jīng)網(wǎng)絡(luò)是一個多層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可劃分為輸入層、隱藏層和輸出層，層與層之間利用神經(jīng)元實現(xiàn)全連接，其結(jié)構(gòu)如圖1所示(張怡舒，2019)?；诖耍谟?xùn)練之前首先要確定BP網(wǎng)絡(luò)各層神經(jīng)元個數(shù)。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of BP neural network

地基微波輻射計使用K波段、V波段各8通道的天空亮溫來反演大氣溫度與濕度廓線，依據(jù)張怡舒(2019)的研究，當(dāng)反演溫濕廓線時，輸入層節(jié)點數(shù)對應(yīng)波段通道數(shù)8；HRA002輸出的溫濕廓線具有39個高度層，因此輸出層節(jié)點為39；隱藏層節(jié)點個數(shù)會對網(wǎng)絡(luò)收斂速度和訓(xùn)練效果產(chǎn)生較大影響，隱藏層節(jié)點個數(shù)與輸入層節(jié)點數(shù)、樣本數(shù)相關(guān)，需要依據(jù)公式(4)計算經(jīng)驗值(陳明，2013)并多次嘗試尋找最佳節(jié)點數(shù)

公式(4)中，N為輸入層節(jié)點數(shù)，K為訓(xùn)練樣本總數(shù)，M為隱藏層的節(jié)點個數(shù)。

建立網(wǎng)絡(luò)結(jié)構(gòu)后，還需要通過訓(xùn)練確定各層神經(jīng)元之間的權(quán)值和偏置。直接樣本反演，顧名思義便是用微波輻射計的觀測亮溫數(shù)據(jù)與探空溫濕廓線數(shù)據(jù)直接構(gòu)成神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本庫，通過多次循環(huán)訓(xùn)練得到性能較優(yōu)的網(wǎng)絡(luò)模型。觀測時只需將觀測數(shù)據(jù)輸入網(wǎng)絡(luò)，便可反演出溫濕廓線數(shù)據(jù)。

本文利用2019年9月—2020年5月期間HRA002的觀測亮溫數(shù)據(jù)和并址探空數(shù)據(jù)建立直接樣本反演模型，為了提升水汽參量的反演效果，在上文8通道普通網(wǎng)絡(luò)訓(xùn)練方法的基礎(chǔ)上，提出了基于16通道網(wǎng)絡(luò)的改進方法，兩種網(wǎng)絡(luò)說明如下：

普通網(wǎng)絡(luò)：溫度廓線采用V波段8個通道亮溫作為輸入層訓(xùn)練，水汽密度與相對濕度廓線采用K波段8個通道亮溫作為輸入層訓(xùn)練。

16通道網(wǎng)絡(luò)：溫度廓線采用V波段8個通道亮溫數(shù)據(jù)訓(xùn)練，水汽密度、相對濕度采用輻射計全部16通道亮溫數(shù)據(jù)訓(xùn)練。

基于上述兩種模型反演大氣廓線，并與探空數(shù)據(jù)進行對比分析，具體步驟如下：

第一步：篩選2019年9月—2020年5月共9個月500組溫濕廓線和液態(tài)水路徑等大氣參量數(shù)據(jù)，剔除探空廓線高度上不完整(最大高度低于10 km)的樣本，得到有效數(shù)據(jù)456組。

第二步：篩選HRA-02對應(yīng)的觀測亮溫。

第三步：隨機選取356組數(shù)據(jù)進行訓(xùn)練，以觀測亮溫作為輸入，探空數(shù)據(jù)為輸出，訓(xùn)練兩種神經(jīng)網(wǎng)絡(luò)。

第四步：基于訓(xùn)練的兩種神經(jīng)網(wǎng)絡(luò)模型，將剩下的100組觀測亮溫值作為輸入，分別求得兩種神經(jīng)網(wǎng)絡(luò)模型反演的大氣參量值，并將之與對應(yīng)的100組探空數(shù)據(jù)對比，分析反演精度。

2.2 直接樣本反演方法的評估

使用100組觀測亮溫測試數(shù)據(jù)進行反演，表1為普通網(wǎng)絡(luò)、16通道網(wǎng)絡(luò)在低層(高度0—2 km，下同)與高層(高度2—10 km，下同)的均方根誤差平均值對比結(jié)果，圖2、3分別為兩種網(wǎng)絡(luò)反演大氣參量與探空數(shù)據(jù)的誤差在各高度層上的廓線結(jié)果?？梢钥吹?，兩種網(wǎng)絡(luò)反演的溫濕廓線均方差曲線趨勢基本一致，反演的溫度均方差在低層皆低于1.2 K，在高層平均低于2.7 K，說明反演溫度在低層高度更接近探空觀測，但兩種神經(jīng)網(wǎng)絡(luò)在溫度反演上無明顯差異。采用16通道神經(jīng)網(wǎng)絡(luò)反演的水汽密度均方差低層降低了0.94 g·m-3，高層相當(dāng)，總體優(yōu)于普通神經(jīng)網(wǎng)絡(luò)。在相對濕度的反演上，采用普通神經(jīng)網(wǎng)絡(luò)反演與探空觀測的均方差在低層約為16%，在高層約為22.5%；使用16通道神經(jīng)網(wǎng)絡(luò)后，反演的相對濕度均方差在低層降低了約5%，在高層降低了3.4%，16通道神經(jīng)網(wǎng)絡(luò)明顯優(yōu)于普通神經(jīng)網(wǎng)絡(luò)。以上結(jié)果表明，相對于8通道的普通神經(jīng)網(wǎng)絡(luò)模型，采用16通道神經(jīng)網(wǎng)絡(luò)模型可以提高相對濕度和水汽廓線的反演質(zhì)量。

圖2 普通網(wǎng)絡(luò)反演溫度(a)、水汽密度(b)和相對濕度(c)的B ias、R MSE廓線Fig.2 B ias and R MSE profiles of(a)temperature,(b)water vapor density and(c)relative humidity retrieved by common network

表1 兩種神經(jīng)網(wǎng)絡(luò)反演的低層和高層3個大氣參量的均方差Table 1 Mean square errors of three atmospheric parameters of low and high levels retrieved by two kinds of neural networks

圖3 16通道網(wǎng)絡(luò)反演溫度(a)、水汽密度(b)和相對濕度(c)的B ias、R MSE廓線Fig.3 B ias and R MSE profiles of(a)temperature,(b)water vapor density and(c)relative humidity retrieved by 16-channel network

3 HRA002的間接樣本反演方法和評估

當(dāng)一個新設(shè)備被部署到本地立刻開始工作時，無法具備直接樣本反演需要的長期觀測亮溫，在此情況下需采用間接樣本反演方法，使用本地歷史探空數(shù)據(jù)計算模擬亮溫，并與對應(yīng)探空大氣廓線訓(xùn)練神經(jīng)網(wǎng)絡(luò)，再將微波輻射計的實時觀測亮溫輸入該網(wǎng)絡(luò)進行反演。因為位置差異、探空氣球漂移、云液水影響等因素存在，微波輻射計的觀測亮溫與模擬亮溫之間存在著非天氣因素差異，將會影響反演精度。因此，為了減小觀測亮溫與模擬亮溫的差異，本文設(shè)計了一套包括樣本分類、質(zhì)量控制與偏差訂正等環(huán)節(jié)在內(nèi)的數(shù)據(jù)預(yù)處理程序。

3.1 模擬亮溫的計算

天空輻射亮溫Tsky(θ)由兩部分組成，一部分是大氣向下發(fā)射的能量，另一部分是宇宙輻射的能量。Tsky(θ)的計算公式為

式中θ是天頂角，Tcos表示宇宙輻射能量，其值約為2.73 K。kg(z)、T(z)、τ(0,z)分別表示高度為z時的大氣吸收系數(shù)、大氣物理溫度和天頂方向大氣不透明度。τ(0,z)的表達式為

大氣不透明度可通過大氣吸收系數(shù)計算，而針對大氣吸收系數(shù)的計算，有許多計算模型，目前應(yīng)用最廣泛的是Liebe(1993)提出的MPM93模型，基于該輻射模型，大氣吸收系數(shù)的計算公式為

上式中N''(f)表示大氣復(fù)折射率在頻率為f時的虛部，地球大氣層的各種氣體中，只有氧氣和水汽會出現(xiàn)明顯的吸收頻帶，MPM93模型指出大氣武漢地區(qū)氣吸收系數(shù)可由44條氧氣和35條水汽吸收譜線譜型函數(shù)結(jié)合具體高度下氣象參數(shù)計算而得。因此基于上述原理，可以通過探空數(shù)據(jù)，計算得到各個頻率通道的模擬亮溫。

3.2 樣本分類

HRA002配備外置溫度、濕度、大氣壓強傳感器、雨量傳感器以及紅外測溫儀，Xu等(2015)基于雨量傳感器與紅外測溫儀提出一套天氣分類方法，通過雨量傳感器判斷是否有雨，紅外測溫儀可測量晴天的大氣背景溫度或云天的云底溫度，晴朗條件下的大氣背景溫度低于冰云和水云，因此可利用紅外測溫儀對天氣進行分類。此外，周毓荃和歐建軍(2016)也基于探空濕度廓線數(shù)據(jù)提出了分析云結(jié)構(gòu)的方法，并基于云雷達實現(xiàn)了可靠性驗證。本文在這兩種方法的基礎(chǔ)上，結(jié)合溫濕度傳感器，以及微波輻射計的長期觀測試驗，提出天氣判別的依據(jù)如下：

雨天：以地面雨量傳感器探測結(jié)果為主要依據(jù)，同時，當(dāng)紅外測得云底溫度與地面溫度接近(兩者溫差小于3℃)，且地面濕度大于85%，濕度廓線從地面到空中有大于濕度大于85%的連續(xù)區(qū)間，判斷為雨天。

晴天：除雨天外，當(dāng)紅外測量溫度小于0℃，且大氣廓線各高度上的相對濕度＜85%，判斷為晴天。

云天：除雨天、晴天外，當(dāng)紅外測量溫度大于0℃，相對濕度廓線數(shù)據(jù)上有最大值大于87%，最小值不小于84%的連續(xù)區(qū)間，且該區(qū)間最高處有負(fù)的跳變，最低處有正的跳變，則判斷為有云。

為驗證該方法的準(zhǔn)確性，利用https://rp5.ru網(wǎng)站上發(fā)布的同氣象站號碼的歷史氣象數(shù)據(jù)進行對比驗證，該網(wǎng)站的實際氣象數(shù)據(jù)由地面氣象站通過氣象數(shù)據(jù)國際自由交換系統(tǒng)提供，與每日探空氣球施放時間相對應(yīng)。HRA002在武漢國家基本氣象站觀測期間(2019年9月—2020年6月)共526組有效天氣判別數(shù)據(jù)，表2為上述天氣判別方法的準(zhǔn)確度對比結(jié)果，可以看到，本文基于紅外測溫儀、濕度廓線與環(huán)境溫濕傳感器的天氣判別方法總體準(zhǔn)確率接近80%，由于未對霧天進行判別加上短時間內(nèi)天氣突變等因素干擾，存在一定的誤差，但總體來說，該判別方法在微波輻射計對天氣進行實時判別的應(yīng)用上具有可靠性。

表2 天氣判別與實際天氣對比結(jié)果Table 2 Comparison of weather discrimination and actual weather

3.3 觀測亮溫預(yù)處理

探空氣球施放的時間為00UTC和12UTC，選取微波輻射計這兩個時間前后5 min的數(shù)據(jù)并計算平均值作為對應(yīng)時刻的觀測值。針對亮溫突變的異常情況，首先要進行質(zhì)量控制，短時間內(nèi)亮溫的波動幅度應(yīng)在一定的范圍內(nèi)，采樣時間內(nèi)亮溫數(shù)據(jù)標(biāo)準(zhǔn)差大于相應(yīng)通道3倍靈敏度的樣本為疑誤樣本，對數(shù)據(jù)進行篩選；以同時刻模擬亮溫為參考標(biāo)準(zhǔn)，對觀測亮溫進行線性擬合，若觀測亮溫與對應(yīng)擬合值的差值大于10 K，判斷為異常樣本，予以剔除(Matzler and Morland，2009)。

在反演之前還要對實際亮溫進行偏差訂正，降低與模擬亮溫之間的系統(tǒng)性偏差。目前常用的偏差訂正方法是線性擬合方法，但對于受水汽影響較大且亮溫動態(tài)范圍大的頻率通道，線性擬合訂正方法效果有限，因此本文基于三次樣條插值采樣法，對質(zhì)量控制后的非雨天亮溫數(shù)據(jù)進行偏差訂正，并與模擬亮溫進行對比驗證。

圖4為HRA002輻射計K波段22.24 GHz以及V波段56.66 GHz兩個通道訂正前后觀測亮溫與模擬亮溫的對比?？梢钥闯?，經(jīng)過質(zhì)量控制后，觀測亮溫與模擬亮溫趨勢基本一致，但偏差訂正后的觀測亮溫與模擬亮溫的時序曲線吻合更好，相關(guān)系數(shù)分別為0.995、0.996，相關(guān)性顯著。表3為HRA002全部通道訂正前后觀測亮溫與模擬亮溫的相關(guān)系數(shù)及均方差對比結(jié)果，從表中可以看到K波段全部通道相關(guān)系數(shù)都在0.95以上，V波段全部通道相關(guān)性系數(shù)都在0.90以上，共有10個通道相關(guān)系數(shù)大于0.99，且均方差明顯改善，上述結(jié)果說明了預(yù)處理對觀測亮溫的改善效果。

圖4 22.24 GHz通道(a)、56.66 GHz通道(b)訂正前后觀測亮溫與模擬亮溫的對比Fig.4 Comparison of observed brightness temperature and simulated brightness temperature of(a)22.24 GHz channel,and(b)56.66 GHz channel before and after process

表3 觀測亮溫訂正前后與模擬亮溫相關(guān)系數(shù)和均方差對比Table 3 Correlation and mean square error comparison between observed and simulated brightness temperatures before and after process

3.4 間接樣本反演方法和評估

在HRA002的間接樣本反演方法中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練原理與直接樣本反演方法相似，區(qū)別在于訓(xùn)練庫的建立，該算法使用武漢國家基本氣象站2016—2018年共2 119組探空數(shù)據(jù)計算模擬亮溫，并將其與探空溫濕廓線數(shù)據(jù)進行訓(xùn)練，獲取最佳訓(xùn)練網(wǎng)絡(luò)。

隨機選擇了2020年1月—2020年5月的100組預(yù)處理后的亮溫數(shù)據(jù)進行反演測試，圖5為HRA002反演大氣參量廓線與探空數(shù)據(jù)對比的相關(guān)性與誤差結(jié)果，從圖中可見溫度相關(guān)性系數(shù)大于0.99，平均偏差小于0.4 K，偏差均方差低空(0—2 km)為1.6 K，高空(2—10 km)低于3 K。水汽密度的相關(guān)系數(shù)大于0.93，平均偏差低于0.4 g·m-3。相對濕度的相關(guān)系數(shù)約為0.68，平均偏差約為5%，均方差約為19%。亮溫預(yù)處理是間接樣本反演的關(guān)鍵環(huán)節(jié)，為了驗證亮溫預(yù)處理對反演精度的提升效果，表4為亮溫修正前后的誤差對比情況，通過對比結(jié)果可知，溫度均方差在低空和高空分別降低0.8 K和0.3 K，水汽密度均方差在低空和高空分別降低1.09 g·m-3和0.06 g·m-3，相對濕度均方差在低空和高空均降低了約4%，這些結(jié)果驗證了亮溫預(yù)處理對反演精度的提升作用。

圖5 間接樣本反演溫度(a1,a2)、水汽密度(b1,b2)、相對濕度(c1,c2)與探空的相關(guān)性(a1,b1,c1)及B ias、R MSE(a2,b2,c2)Fig.5(a1,b1,c1)Correlation and(a2,b2,c2)error results of indirect sample retrieved atmospheric parameters to radiosonde data:(a1,a2)temperature,(b1,b2)water vapor density,and(c1,c2)relative humidity

表4 預(yù)處理前后間接樣本反演大氣參量的均方差對比Table 4 Comparison of mean square error of indirect sample retrieved atmospheric parameters before and after preprocess

為了進一步驗證間接樣本反演的精度，表5給出基于上述100組樣本數(shù)據(jù)分別采用直接樣本反演和間接樣本反演得到的大氣參量的誤差對比情況?？梢钥闯觯g接樣本反演的誤差大于直接樣本反演法，這也是和理論符合的，說明隨著訓(xùn)練樣本的積累，使用直接樣本反演方法精度更高，更貼合輻射計的硬件性能。不過，總體上間接樣本反演的精度與直接樣本反演相差不大，說明在設(shè)備部署前期、不具備直接樣本反演法條件時，使用間接樣本反演法在工程上也是可行的。

表5 直接樣本反演和間接樣本反演大氣參量的均方差對比Table 5 Comparison of mean square deviation of direct and indirect sample retrieved atmospheric parameters

4 4臺微波輻射計的并址觀測試驗

并址觀測試驗的3臺MP-3000A微波輻射計(分別記為MWR-1，MWR-2和MWR-3)因生產(chǎn)年代不同有些硬件差異外，均采用2003—2007年武漢國家基本氣象站探空數(shù)據(jù)建立反演模型，試驗前都經(jīng)過液氮標(biāo)定。HRA002在試驗前已穩(wěn)定運行約9個月，分別采用了間接樣本反演神經(jīng)網(wǎng)絡(luò)模型(記為HRA-1)和直接樣本反演神經(jīng)網(wǎng)絡(luò)模型(記為HRA-2)。對比時只選取4臺微波輻射計數(shù)據(jù)都可用的樣本，經(jīng)此篩選，這期間共有4組數(shù)據(jù)可用(表6)。觀測期間天氣均為非降水天氣，對比參量主要為多臺輻射計反演的大氣參量與探空數(shù)據(jù)(記為RAOB)之間的相關(guān)系數(shù)(R)、平均偏差(Bias)及偏差的均方差(RMSE)。

表6 用于4臺微波輻射計對比分析的探空樣本Table 6 Sounding samples used for comparative analysis of 4 microwave radiometers

表7為4臺微波輻射計反演大氣參量與探空觀測的對比結(jié)果，總體來看，MP-3000A和HRA002反演的溫度與探空觀測具有很好的相關(guān)性，MP-3000A的硬件差異會造成一定的反演偏差，其中MWR-1與探空的偏差最小(-0.2 K)，而MWR-3與探空的偏差最大(-1.9 K)，3臺MP-3000A的溫度均方差約為2 K；HRA002間接樣本反演(HRA-1)的溫度與探空偏差稍大(-1.9 K)，采用直接樣本反演(HRA-2)方法后溫度偏差(-0.3 K)達到MP-3000A的偏差水平，其溫度均方差(1.4 K)優(yōu)于MP-3000A。MP-3000A和HRA002反演的水汽密度與探空觀測也具有很好的相關(guān)性，MP-3000A的水汽密度與探空的偏差為0.40~0.79 g·m-3，均方差為1.01~2.01 g·m-3；HRA002的水汽密度與探空的偏差(0.11~0.34 g·m-3)小于MP-3000A，但均方差(1.80~2.09 g·m-3)稍大于MP-3000A，其中間接樣本反演方法HRA-1優(yōu)于直接樣本反演方法HRA-2，這與溫度反演相反。MP-3000A和HRA002反演的相對濕度和探空的相關(guān)性不如溫度和水汽密度，其中HRA002的相關(guān)性不如MP-3000A；與探空相比，MP-3000A的相對濕度偏差為0.6%~4.2%，均方差為14.4%~18.0%；HRA002的相對濕度偏差(0.9%~4.5%)與MP-3000A相近，但均方差(20.1%~21.5%)稍大于MP-3000A，與水汽密度反演相似，間接樣本反演方法HRA-1優(yōu)于直接樣本反演方法HRA-2。

表7 4臺微波輻射計反演大氣參量與探空的對比結(jié)果Table 7 Comparison of atmospheric parameters retrieved by 4 microwave radiometers and radiosonde data

圖6為并址觀測期間探空、各微波輻射計反演的平均溫度廓線及偏差廓線，MP-3000A中MWR-1的廓線最接近探空廓線(RAOB)，HRA002中HRA-1間接樣本反演的溫度廓線總體遜于MP-3000A，但HRA-2直接樣本反演的溫度廓線略優(yōu)于MP-3000A。圖7為平均水汽密度廓線及對比探空的偏差廓線，MP-3000A中的MWR-3最接近RAOB探空廓線，HRA002波動稍大，其中HRA-1間接樣本反演效果優(yōu)于HRA-2。圖8則為平均相對濕度廓線及探空數(shù)據(jù)的偏差廓線，MP-3000A與探空的吻合度優(yōu)于HRA002，但兩者與探空的偏差相當(dāng)。綜合表7和圖5-7的分析結(jié)果來看，此次并址觀測期間HRA002的反演效果比較接近MP-3000A，在溫度與水汽的部分指標(biāo)上優(yōu)于MP-3000A，說明了HRA002反演方法具有可用性。

圖6 并址觀測期間4臺微波輻射計反演的平均溫度廓線(a)及與探空數(shù)據(jù)的偏差廓線(b)Fig.6 The(a)average temperature profiles of four microwave radiometers and the(b)deviation profiles to the sounding data during the co-location observation period

圖7 并址觀測期間4臺微波輻射計反演的平均水汽密度廓線(a)及與探空數(shù)據(jù)的偏差廓線(b)Fig.7 The(a)average water vapor density profiles of four microwave radiometers and the(b)deviation profiles to the sounding data during the co-location observation period

5 結(jié)論與討論

通過神經(jīng)網(wǎng)絡(luò)反演方法的改進及并址觀測試驗研究，得到以下主要結(jié)論：

(1)結(jié)合紅外測溫儀的天頂探測溫度、大氣濕度廓線以及外置溫濕壓傳感器探測數(shù)據(jù)，可以對天氣實現(xiàn)較為可靠的分類，且可以實時判斷，有利于實現(xiàn)不同天氣下探測精度的改善。亮溫預(yù)處理可以顯著地提升觀測亮溫與探空模擬亮溫的相關(guān)性，使用訂正后的亮溫有效改善了間接樣本反演方法的結(jié)果。

(2)從試驗樣本的測試結(jié)果來看，采用改進的16通道網(wǎng)絡(luò)作為輸入層能夠提升地基微波輻射計相對濕度的反演結(jié)果，HRA002微波輻射計相對濕度在低層的均方差約為10%，在高層低于20%。HRA002直接樣本反演方法的精度優(yōu)于間接樣本反演方法，但該方法需要長期的觀測數(shù)據(jù)作為訓(xùn)練樣本才能提升反演精度，短期的適用性不如間接樣本反演方法。

(3)并址觀測試驗表明，HRA002直接樣本反演方法的溫度廓線優(yōu)于間接樣本反演方法及MP-3000A，采用間接樣本反演方法得到的水汽密度和相對濕度平均偏差則效果優(yōu)于直接樣本反演方法，與3臺MP-3000A的反演結(jié)果相比，總體上平均偏差占優(yōu)而均方差稍遜。說明對HRA002的亮溫數(shù)據(jù)進行質(zhì)量控制以及偏差訂正，能有效提升HRA002的探測精度，也說明確保亮溫觀測的穩(wěn)定性是需重視的關(guān)鍵技術(shù)。

(4)地基微波輻射計采用直接樣本反演算法反演大氣溫濕廓線的性能優(yōu)于間接樣本反演，更貼合輻射計硬件性能；而采用亮溫數(shù)據(jù)預(yù)處理的間接樣本反演方法，能夠有效彌補直接樣本反演方法在短期內(nèi)缺少大量觀測數(shù)據(jù)訓(xùn)練的缺陷。并址觀測實驗結(jié)果證明了國產(chǎn)地基微波輻射計采用這兩種反演方法反演大氣參量廓線具有可用性，其探測精度與國外MP-3000A微波輻射計的探測精度相當(dāng)。因此綜合使用間接與直接樣本兩種反演算法將有效提升國產(chǎn)地基微波輻射計的本地化、個體化觀測性能。

但需要指出的是，由于探空訓(xùn)練數(shù)據(jù)缺少降雨等天氣信息，復(fù)雜天氣對神經(jīng)網(wǎng)絡(luò)訓(xùn)練的不確定性影響可能會降低訓(xùn)練效率及反演精度，且由于數(shù)據(jù)樣本總體較少，天氣劃分對亮溫預(yù)處理的影響的研究還有待加強。與此同時，不少學(xué)者使用LMBP、動量BP神經(jīng)網(wǎng)絡(luò)對反演算法的訓(xùn)練效率、過擬合問題進行了改進，在本文改進訓(xùn)練樣本提升了反演準(zhǔn)確度的基礎(chǔ)上，采用更先進的反演算法也將成為進一步提升間接樣本反演精度的研究方向。