一种星载微波辐射计的应用数据处理方法

摘要

本发明提供了一种星载微波辐射计的应用数据处理方法；该应用数据处理方法通过将全球或区域廓线数据和辐射亮温值输入矩阵采用小波神经网络算法训练数据，将输出的大气温湿度廓线和地/海面参数与预先设定的阈值指标进行比较，实施大气温湿度廓线和地/海面参数误差的反向传播，按误差梯度下降的方式修正各层权值，以实现利用数据集对反演参数进行局部修正的工作，提高了设备研制者和使用者对反演软件参数局地修正的能力，进一步提高探测与反演精度。

权利要求

1.一种星载微波辐射计的应用数据处理方法，其特征在于，该应用数据处理方法包括：

步骤1)根据气象预报中心提供的大气栅格数据驱动天气研究和预报系统根据需求修改模式参数，生成满足时空匹配要求的全球或区域廓线数据和海/地表数据；

步骤2)利用辐射传输仿真模型对步骤1)中生成的全球或区域廓线数据和海/地表数据建立信号正向传输流程，得到针对微波辐射计不同天线参数的辐射亮温值输入矩阵；

步骤3)将步骤1)中生成的全球或区域廓线数据和步骤2)中生成的辐射亮温值输入矩阵输入神经网络模型，采用小波神经网络算法训练数据，输出大气温湿度廓线和地/海面参数；

步骤4)将步骤3)中生成的大气温湿度廓线和地/海面参数与预先设定的阈值指标进行比较，实施大气温湿度廓线和地/海面参数误差的反向传播，该误差通过神经网络模型输出层向隐层、输入层逐层反传，并按误差梯度下降的方式修正各层权值，直至神经网络模型输出的大气温湿度廓线和地/海面参数误差满足阈值指标；

步骤5)将星载微波辐射计实测的亮温数据及其对应的观测入射角输入经步骤4)优化后的神经网络模型，反演输出满足指标要求的大气温湿度廓线和地/海面参数。

2.根据权利要求1所述的星载微波辐射计的应用数据处理方法，其特征在于，所述的星载微波辐射计实测的亮温数据采用主成分分析法进行降维运算，将生成的去除冗余信息后的辐射亮温值矩阵输入至神经网络模型。

3.根据权利要求1所述的星载微波辐射计的应用数据处理方法，其特征在于，所述的神经网络模型采用的小波神经网络算法包括：神经网络模型的输入层与隐层之间采用的正切S形阈值传输函数、神经网络模型的隐层与输出层之间采用的基于小波变换的线性传输函数。

4.根据权利要求1所述的星载微波辐射计的应用数据处理方法，其特征在于，所述的阈值指标包括：温度廓线均方差阈值不大于0.5K，湿度廓线均方差阈值不大于10％，降水均方差阈值不大于15％，地表温湿度参数参考廓线地表准确度。

说明书

一种星载微波辐射计的应用数据处理方法

技术领域

[0001] 本发明涉及星载微波辐射计技术领域，特别涉及一种星载微波辐射计的应用数据处理方法。

背景技术

[0002] 星载微波辐射计，能穿透云层和雨区，实现全天时、全天候地观测全球大气温湿度、水汽含量及地/海表温湿度、降雨量等气象资料。目前，我国在轨运行的风云系列极轨气象卫星，其上搭载的微波湿度计在轨业务运行数年，通过对FY-3B星微波湿度计的资料进行长期的评价，研究表明观测数据质量非常可靠，对模式预报产生的影响已与欧洲或美国的同类仪器相当，其提供的数据能够改善欧洲中期天气预报中心的大气分析质量，自2014年9月22日起，欧洲中长期数值预报中心ECMWF开始在其业务预报模式中使用风云三号B星微波湿度计资料。

[0003] 国外同类卫星数据已实现业务上的应用，而我国设备研制虽已达到国际水平，但应用数据处理方面还存在较大差距。目前，我国的星载微波辐射计反演软件依赖于国外现有模式或者在此模式上进行移植，但是国外同类设备的反演软件源代码对用户并不透明，从而导致我国的星载微波设备研制者和使用者对反演软件缺乏局地参数修正能力，对进一步提高探测与反演精度存在较大限制。

发明内容

[0004] 本发明的目的在于，为解决我国现有的星载微波辐射计在反演算法开发方面存在较大限制的情况，提高设备研制者和使用者对反演软件参数局地修正的能力，进一步提高探测与反演精度，从而提供一种星载微波辐射计的应用数据处理方法。该数据处理方法能够为星载微波设备使用者提供高时空分辨率的数据集、反演算法和友好的人机交互界面，能够实现利用数据集对反演参数进行局部修正的工作。

[0005] 为了实现上述目的，本发明提供一种星载微波计的应用数据处理方法，该方法为星载微波辐射计提供应用数据处理服务，所述的应用数据处理方法，具体包括如下步骤：

[0006] 步骤1)根据气象预报中心提供的大气栅格数据驱动天气研究和预报系统根据需求修改模式参数，生成满足时空匹配要求的全球或区域廓线数据和海/地表数据；

[0007] 步骤2)利用辐射传输仿真模型对步骤1)中生成的数据建立信号正向传输流程，得到针对微波辐射计不同天线参数的辐射亮温值输入矩阵；

[0008] 步骤3)将步骤1)中生成的全球或区域廓线数据和步骤2)中生成的辐射亮温值输入矩阵输入神经网络模型，采用小波神经网络算法训练数据，输出大气温湿度廓线和地/海面参数；

[0009] 步骤4)将步骤3)中生成的大气温湿度廓线和地/海面参数与预先设定的阈值指标进行比较，实施大气温湿度廓线和地/海面参数误差的反向传播，该误差通过神经网络模型输出层向隐层、输入层逐层反传，并按误差梯度下降的方式修正各层权值，直至神经网络模型输出的大气温湿度廓线和地/海面参数误差满足阈值指标；

[0010] 步骤5)将星载微波辐射计实测的亮温数据及其对应的观测入射角输入经步骤4)优化后的神经网络模型，反演输出满足指标要求的大气温湿度廓线和地/海面参数。

[0011] 作为上述技术方案的进一步改进，所述的星载微波辐射计实测的亮温数据采用主成分分析法进行降维运算，将生成的去除冗余信息后的辐射亮温值矩阵输入至神经网络模型。

[0012] 作为上述技术方案的进一步改进，所述的神经网络模型采用的小波神经网络算法包括：神经网络模型的输入层与隐层之间采用的正切S形阈值传输函数、神经网络模型的隐层与输出层之间采用的基于小波变换的线性传输函数。

[0013] 作为上述技术方案的进一步改进，所述的阈值指标包括：温度廓线均方差阈值不大于0.5K，湿度廓线均方差阈值不大于10％，降水均方差阈值不大于15％，地表温湿度参数参考廓线地表准确度。

[0014] 本发明的一种星载微波辐射计的应用数据处理方法的优点在于：

[0015] 通过全球或区域廓线数据和辐射亮温值输入矩阵采用小波神经网络算法训练数据，将输出的大气温湿度廓线和地/海面参数与预先设定的阈值指标进行比较，实施大气温湿度廓线和地/海面参数误差的反向传播，按误差梯度下降的方式修正各层权值，以实现利用数据集对反演参数进行局部修正的工作。

附图说明

[0016] 图1是本发明实施例中的一种星载微波辐射计的应用数据处理方法的流程图。

[0017] 图2是本发明实施例中的一种神经网络模型结构示意图。

[0018] 图3是本发明实施例中的具有多隐层的神经网络模型结构示意图。

[0019] 图4是本发明实施例中的神经网络模型参数反馈优化流程图。

具体实施方式

[0020] 下面结合附图和实施例对本发明所述的一种星载微波辐射计的应用数据处理方法进行详细说明。

[0021] 本发明的一种星载微波辐射计的应用数据处理方法，具体包括以下步骤：

[0022] 步骤1)根据气象预报中心提供的大气栅格数据驱动天气研究和预报系统根据需求修改模式参数，生成满足时空匹配要求的全球或区域廓线数据和海/地表数据；

[0023] 步骤2)利用辐射传输仿真模型对步骤1)中生成的数据建立信号正向传输流程，得到针对微波辐射计不同天线参数的辐射亮温值输入矩阵；

[0024] 步骤3)将步骤1)中生成的全球或区域廓线数据和步骤2)中生成的辐射亮温值输入矩阵输入神经网络模型，采用小波神经网络算法训练数据，输出大气温湿度廓线和地/海面参数；

[0025] 步骤4)将步骤3)中生成的大气温湿度廓线和地/海面参数与预先设定的阈值指标进行比较，实施大气温湿度廓线和地/海面参数误差的反向传播，该误差通过神经网络模型输出层向隐层、输入层逐层反传，并按误差梯度下降的方式修正各层权值，直至神经网络模型输出的大气温湿度廓线和地/海面参数误差满足阈值指标；

[0026] 步骤5)将星载微波辐射计实测的亮温数据及其对应的观测入射角输入经步骤4)优化后的神经网络模型，反演输出满足指标要求的大气温湿度廓线和地/海面参数。

[0027] 基于上述的应用数据处理方法，如图1示出了本发明实施例中的一种星载微波辐射计的应用数据处理方法流程：

[0028] 步骤1)根据美国国家环境预报中心(NCEP)提供的全球6小时间隔的栅格为1°*1°的大气栅格数据，驱动天气研究和预报系统(WRF)根据需求修改模式参数，生成满足时空匹配要求的全球或区域廓线数据和海/地表数据(如温湿度，气压，风向，风速，降雨率等)。

[0029] NCEP再分析数据集采用先进的全球资料同化系统和完善的数据库，对地面、无线电探空、飞机、卫星等资料来源的观测资料进行质量控制和同化处理，获得实时格点再分析数据资料。美国国家环境预报中心提供的分析资料以空间分辨率1.0°*1.0°网格形式存储，且每6小时更新一次，具有连续性强和分辨率高的优点，能够弥补常规观测资料在灾害性天气分析方面的不足。

[0030] WRF模式提供全球高时空分辨率数据，通过设置物理参数，能够满足数据样本的需求，避免星载微波辐射计参数反演过程中时空匹配不精确以及仿真与实测亮温值误差较大的不足。

[0031] 步骤2)利用辐射传输仿真模型ARTS对步骤1)中生成的数据建立信号正向传输流程，根据需求修改模式的各种参数及对调用子程序进行选择和修改，得到针对微波辐射计不同天线主波束效率、频率、极化、带宽、观测入射角等具体参数的辐射亮温值输入矩阵。

[0032] ARTS与其它星载微波辐射传输模型相比，充分考虑到卷云在微波区域的相互作用，尤其是大气粒子间多重散射的计算，避免了目前星载微波辐射计参数反演过程中出现星载微波辐射计正向传输仿真与实测亮温值差距较大的不足。

[0033] 步骤3)将WRF模式生成的廓线数据和海/地表数据、以及步骤2)中生成的辐射亮温值输入矩阵作为神经网络模型输出层的输入数据，采用小波神经网络算法开始神经网络模式的训练，输出大气温湿度廓线和地/海面参数；

[0034] 如图2示出了本发明实施例中的一种神经网络模型结构，该神经网络模型采用三层神经网络，即输入层、隐层和输出层。输入层各神经元接收星载微波辐射计输出的对地观测亮温值和观测角度信息，并传递给中间层各神经元；中间层采用隐层结构进行信息处理层和信息变换，隐层传递到输出层各神经元，实现大气温湿度廓线、降雨等地表参数的输出，即完成一次学习训练过程。其中，输入层与隐层间可采用正切S形阈值传输函数进行数据处理，隐层与输出层之间可采用基于小波变换的线性传输函数进行数据处理。

[0035] 基于上述神经网络模型的结构，如图3示出了本发明实施例中的具有多隐层的神经网络模型结构，该神经网络模型具有一个输入层、多个隐含层和一个输出层，输入与输出将满足图中所示的变化关系。神经网络模型系数包括：输入层和隐层间的传输权重和偏置，多隐层之间的权重和偏置，隐层与输出层之间的权重和偏置。

[0036] 步骤4)将步骤3)中生成的大气温湿度廓线和地/海面参数与预先设定的阈值指标进行比较，对神经网络模型参数进行反馈优化。如图4示出了神经网络模型参数反馈优化过程：当实际输出与期望输出的大气温湿度廓线和地/海面参数不相符时，实施各参量误差的反向传播。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传，周而复始的数据正向传播和误差反向传播过程，对各层权值不断调整，直至神经网络模型输出的各参量误差满足阈值指标要求为止，即温度均方差优于0.5K，湿度均方差优于10％，降水均方差优于15％，地表温湿度等参数参考廓线地表准确度满足要求，神经网络模型优化后的输出即为修正后的参数反演模型系数，这样就实现了在星载微波辐射计研制试验和在轨运行时局部修正反演模型系数的功能。

[0037] 步骤5)将星载微波辐射计实测的亮温数据及其对应的观测入射角输入经步骤4)优化后的神经网络模式，反演输出满足指标要求的大气温湿度廓线和地/海面参数，进而在上位机上进行显示，实现大气和地表参数反演的人机交互界面，为星载微波辐射计研制、调试和数据应用提供操作平台。

[0038] 在实际参数反演过程中，对星载微波辐射计实测的亮温数据可采用主成分分析法(PCA)进行去均值、计算协方差矩阵及其特征值和特征向量操作，降序排列特征值，去除较小特征值，提取主成分，从而实现对输入矩阵进行降维运算，保留有效信息，去除冗余信息，以加快神经网络模型的训练速度。观测入射角作为模型的输入之一，与实测的亮温值一起作为模型的输入。

[0039] 综上所述，利用优化后的神经网络模型系数能够实现对反演模型参数局部修改的能力。

[0040] 最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。