Experiments on Microwave Radiometer Temperature Profile Correction by Integrating Multi-Source Observational Data
-
摘要: 为增加大气探空站点,提高微波辐射计大气温度探测精度,利用FY-4A气象卫星温度产品和BP神经网络、遗传算法,分别实施杭州站、南京站微波辐射计的温度订正仿真试验,并获得准确的连续性大气温度垂直廓线;结合探空资料和民航AMDAR气温资料,评估模型订正效果。研究结果表明: (1) 微波辐射计温度产品存在一定误差,两站均在高度2 km处平均偏差最大,同站有雨时的偏差均大于无雨时的偏差;(2) 经过BP神经网络模拟订正后的微波辐射计测温精度较原温度产品提升幅度较大;杭州站MAE、MSE、RMSE的降低幅度分别为45%~55%、65%~78%、41%~53%,南京站的降低幅度分别为58%~66%、83%~88%、55%~59%;(3) 经过遗传算法优化初始权值和阈值后的神经网络订正模型模拟效果有进一步的提升,其中有雨模型提升效果明显,RMSE降低幅度11%~15%。微波辐射计的上述订正方法,可以推广到各地微波辐射计站点应用,具有实际使用价值。Abstract: In the present study, a correction method was developed to improve the accuracy of groundbased microwave radiometers in measuring temperatures. Using temperature products from the FY-4A meteorological satellite, a back propagation (BP) neural network, and a genetic algorithm, we conducted temperature correction simulation experiments to correct the temperature profiles measured by two MP-3000 ground-based microwave radiometers located at the meteorological stations in Hangzhou and Nanjing, respectively, and obtained accurate and continuous vertical profiles of atmospheric temperature. The corrected temperature profiles were then compared with temperature data from radiosonde measurements and the Aircraft Meteorological Data Relay (AMDAR) data from the Civil Aviation Administration of China. The results show that: (1) Microwave radiometer temperature products exhibited inherent inaccuracies, with larger discrepancies during rainy conditions and the greatest average deviation observed at the altitude of 2 km for both stations. (2) The temperature measured by the microwave radiometer, after being corrected through BP neural network simulation, was a significant enhancement compared to the original temperature. At Hangzhou station, the reductions in mean absolute error, mean squared error, and root mean square error (RMSE) were observed in the ranges of 45%~55%, 65%~78%, and 41%~53%, respectively, while at Nanjing station, these metrics decreased by 58%~66%, 83%~88%, and 55%~59% respectively. (3) The simulation model of the neural network, after its initial weights and thresholds were optimized using a genetic algorithm, demonstrated further improvements. There was a significant enhancement in the rain model, with RMSE reductions of 11%-15%. The proposed correction method for microwave radiometers seems to be suitable for broader applications across microwave radiometer stations.
-
Key words:
- microwave radiometer /
- FY-4A satellite /
- AMDAR /
- BP neural network /
- genetic algorithm /
- profile correction
-
表 1 不同种类探测资料的优势与弊端
探测手段 优势 弊端 测量方式 微波辐射计 全天候全天时工作,时间分辨率高 雨天准确率低 间接测量(遥感) FY-4A 观测范围广、次数多、时效快、完整连续 近地面数据质量较差 间接测量(遥感) 探空 垂直方向分辨率高,精度高 空间分辨率低 直接测量(传感器) AMDAR 时间和空间的加密观测 依赖航班运行 直接测量(传感器) 表 2 杭州站、南京站各观测设备样本数据量(单位:组)
站点 数据处理 微波辐射计 FY-4A 探空 AMDAR 杭州 剔除 1 508 25 318 1 527 12 222 保留 40 922 17 112 40 903 30 208 南京 剔除 3 770 23 353 1 932 26 037 保留 38 660 19 077 40 498 16 393 表 3 杭州站微波辐射计温度、BPNN模拟温度与气温验证值的比较
有无雨 样本 MAE/℃ MSE/℃2 RMSE/℃ R2 无雨 微波辐射计 3.011 15.246 3.905 0.959 BPNN训练集 1.347 3.336 1.826 0.990 BPNN测试集 1.353 3.363 1.833 0.990 有雨 微波辐射计 2.445 9.358 3.059 0.977 BPNN训练集 1.312 3.082 1.750 0.991 BPNN测试集 1.347 3.312 1.808 0.990 表 4 南京站微波辐射计温度、BPNN模拟温度与气温验证值的比较
有无雨 样本 MAE/℃ MSE/℃2 RMSE/℃ R2 无雨 微波辐射计 4.019 29.045 5.389 0.939 BPNN训练集 1.351 3.471 1.863 0.991 BPNN测试集 1.350 3.473 1.863 0.991 有雨 微波辐射计 3.898 34.122 5.841 0.930 BPNN训练集 1.614 5.800 2.402 0.982 BPNN测试集 1.649 5.862 2.416 0.983 表 5 BP神经网络的权值和阈值参数
输入层与隐含层连接权值 隐含层阈值 隐含层与输出层连接权值 输出层阈值 16 4 4 1 表 6 GA参数设计
种群大小 最大遗传代数 个体长度 交叉概率 变异概率 代沟 40 50 10 0.7 0.01 0.8 -
[1] HE M, WANG D H, DING W Y, et al. A Validation of Fengyun4A Temperature and Humidity Profile Products by Radiosonde Observations [J]. Remote Sensing, 2019, 11(17): 2 039-2 039. [2] 鲍艳松, 汪自军, 陈强, 等. FY-4A星GⅡRS大气温度廓线反演模拟试验研究[J]. 上海航天, 2017, 34(4): 28-37. [3] 黄艺伟, 刘琼, 何敏, 等. 基于探空资料的上海台风季GⅡRS/FY-4A卫星温度廓线反演精度研究[J]. 红外, 2019, 40(9): 28-38. [4] 黄艺伟, 陈淑仪, 何敏, 等. 我国台风高发期东海和南海海区GⅡRS/FY-4A温度反演廓线精度研究[J]. 热带气象学报, 2021, 37(2): 277-288. [5] 王根, 陈娇, 戴娟, 等. 风云四号红外高光谱GⅡRS中波通道亮温偏差订正[J]. 红外, 2021, 42(5): 39-44. [6] 刘娟娟, 徐兰, 成巍, 等. 面向资料同化的FY-4A卫星GⅡRS探测仪偏差特征分析和偏差订正[J]. 大气科学, 2022, 46(2): 275-292. [7] 王瑞文, 万晓敏, 田伟红, 等. AMDAR温度观测的误差统计特征分析[J]. 气象, 2016, 42(3): 330-338. [8] 江勤, 张蕾, 王晓峰, 等. 飞机气象探测资料(AMDAR)质量控制与质量分析[J]. 气象, 2017, 43(5): 598-609. [9] 周元, 魏鸣, 宋立雪. AMDAR资料的风温信息在机场终端区强对流天气分析中的应用[J]. 大气科学学报, 2019, 42(2): 303-310. [10] 易军, 王峰云, 阎凤霞. 上海机场终端区AMDAR资料系统及应用[J]. 气象科技, 2016, 44(4): 542-547. [11] SÁNCHEZ J L, POSADA R, GARCIA-ORTEGA E, et al. A method to improve the accuracy of continuous measuring of vertical profiles of temperature and water vapor density by means of a ground-based microwave radiometer[J]. Atmospheric Research, 2013, 122: 43-54. [12] 李娜, 张武, 陈艳, 等. 基于微波辐射计的大气温湿廓线遥感探测[J]. 兰州大学学报: 自然科学版, 2015, 51(1): 61-71. [13] 敖雪, 王振会, 徐桂荣, 等. 微波辐射计亮温观测质量控制研究[J]. 气象科学, 2013, 33(2): 130-137. [14] 朱雅毓, 王振会, 楚艳丽, 等. 地基微波辐射计亮温观测数据的综合质量控制与效果分析[J]. 气象科学, 2015, 35(5): 621-628. [15] 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[J]. 气象学报, 2014, 72(3): 570-582. [16] SOLHEIM F, GODWIN J R, WESTWATER E R, et al. Radiometric profiling of temperature, water vapor and cloud liquid water using various inversion methods[J]. Radio Science, 1998, 33(2): 393-404. [17] CADEDDU M P, TURNER D D, LILJEGREN J C. A Neural Network for Real-Time Retrievals of PWV and LWP From Arctic MillimeterWave Ground-Based Observations[J]. IEEE Trans Geoscience and Remote Sensing, 2009, 47(7-1): 1 887-1 900. [18] 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[J]. 高原气象, 2010, 29(6): 1 514-1 523 [19] 张天虎, 鲍艳松, 钱芝颖, 等. 基于BP神经网络与遗传算法反演大气温湿廓线[J]. 热带气象学报, 2020, 36(1): 97-107. [20] BAO Y S, CAI X, QIAN C, et al. 0-10 km temperature and humidity profiles retrieval from ground-based microwave radiometer[J]. Journal of Tropical Meteorology, 2018, 24(2): 243-252. [21] 张容容. 基于BP神经网络的多通道微波辐射计大气参数反演算法[D]. 武汉: 华中科技大学, 2017. [22] 张雪芬, 王志诚, 茆佳佳, 等. 微波辐射计温湿廓线反演方法改进试验[J]. 应用气象学报, 2020, 31(4): 385-396. [23] 周永水, 原野, 杨林, 等. 晴空时微波辐射计温度廓线反演误差分析[J]. 暴雨灾害, 2022, 41(6): 720-726. [24] 傅新姝, 彭杰, 王晓峰, 等. 地基微波辐射计探测质量综合分析[J]. 气象, 2023, 49(10): 1 235-1 245. [25] 李伟, 李书严, 王建凯, 等. 中国地区高空气象探测气球空间漂移分析[J]. 气象学报, 2010, 68(3): 421-427. 597 [26] 陈哲. 中国探空气球水平漂移总体特征分析[J]. 气象, 2010, 36(2): 22-27. [27] 殷利平, 刘宵瑜, 盛绍学, 等. 基于SVM-BP神经网络的气象能见度数据缺失值预估[J]. 南京信息工程大学学报(自然科学版), 2021, 13 (4): 494-501 [28] 陈明. MATLAB神经网络原理与实例精解[M]. 北京: 清华大学出版社, 2013. [29] 郁磊, 史峰, 王辉, 等. MATLAB智能算法30个案例分析(第二版)[M]. 北京: 北京航空航天大学出版社, 2015. [30] 张文刚, 徐桂荣, 廖可文, 等. 降水对地基微波辐射计反演误差的影响[J]. 暴雨灾害, 2013, 32(1): 70-76. [31] 张秋晨, 龚佃利, 王俊, 等. 基于地基微波辐射计反演的济南地区水汽及云液态水特征[J]. 气象与环境学报, 2017, 33(5): 35-43.