人工神经网络算法在红外高光谱资料反演大气温度廓线中的应用(2)

素点Fig.3

a.窗区(900cm-1)通道观测亮度温度(单位:K);b.云检测的晴空像

a.brightnesstemperatureobservedthroughawindow

Theregionofgranule181on6September2002 (900cm-1)channelofAIRS(K);b.clearpixels

344大气科学学报第33卷

图4 2002年9月6日500hPa高度上温度场(单位:K)

产品

a.AIRSLevel2业务大气温度廓线反演产

品;b.晴像素点上ECMWF客观分析场;c.人工神经网络方法反演结果;d.特征向量统计法反演Fig.4 Thetemperaturefieldat500hPaon6September2002derivedfrom(a)AIRSLevel2,(b)ECMWFobjec

tiveanalysisfield,(c)artificialneuralnetworkalgorithm,and(d)eigenvectorregressionalgorithm

给出了该景中4114个晴空点反演的温度均方根误差的平均廓线。

图6中实线和虚线分别代表人工神经网络法和特征向量统计反演法反演的温度廓线与ECMWF温度客观分析场相比的均方根误差。由图6可以看出,在大气低层(气压高于850hPa)和高层(气压小于1hPa)人工神经网络方法稍优于特征向量方法,温度反演精度最大可提高近1K,而在其他的高度上,特征向量统计法的反演结果与ECMWF的客观分析场更接近些。人工神经网络方法在某些高度层上对温度的反演有改进,但总体温度反演精度的提高不如模拟试验时明显。在850hPa高度上,人工神经网络算法均方根误差相对较小,而在500hPa高度上特征向量统计反演法略优,与图4和图5的直观分析结果一致。

就目前初步研究结果来看,尽管进行模拟分析时都略优于特征向量统计反演算法

[6]

,但应用实况

AIRS观测资料试验时,神经网络方法没有明显改进反演精度。初步分析其原因可能是:

第一,特征向量统计回归方法在温度反演上已经是一套比较成熟的方法,在对流层中高层温度反演准确度已达1K。神经网络方法要在这些高度层上表现出改进,需要进一步研究。神经网络的建立过程有很多的可选性和不确定性,本文最后选择的这种神经网络建模方法可能并不是最佳的使神经网络泛化性能最佳的网络,神经网络的各参数设置还需要更多试验来确定。

第二,挑取主特征分量作为神经网络的输入,减少了辐射通道相关性的影响,简化了网络结构,节省了训练时间及反演时间,但也使得建立的网络模型成为一个输出多于输入的不稳定模型;目前选取前30个特征向量重构AIRS观测值,可以尝试增加到100个。

第3期官莉,等:人工神经网络算法在红外高光谱资料反演大气温度廓线中的应用345

图5 2002年9月6日850hPa高度上温度场(单位:K) a.AIRSLevel2业务大气温度廓线反演产品;

b.晴像素点上ECMWF客观分析场;c.人工神经网络方法反演结果;d.特征向量统计法反演产品Fig.5 ThesameasFig.4butat850

hPa

3 小结与展望

本文在模拟分析表明人工神经网络算法反演的

大气温度廓线均方根误差要小于特征向量统计反演法的基础上,运用实况AIRS观测资料进行大气温度廓线反演实验,结果表明两种算法在计算时间效率和反演精度上相当。特征向量统计反演法目前发展已经比较成熟,针对红外高光谱观测值反演,初步尝试人工神经网络算法已获得与特征向量统计反演法相当的温度廓线反演精度。鉴于人工神经网络算法的统计物理本质,误差反向传播BP神经网络可以求解非线性问题,在优化训练样本和继续调试网络种类和网络参数的基础上,有望能进一步提高反演精度。

目前训练样本选取的是全球的大气无线电探空资料,而反演测试针对的是中国地区,人工神经网络方法有效性与所用的训练样本有很强的相关性。下一步,从全球训练样本中选取中国地区的样本,针对中国地区样本重新建立人工神经网络,有望能提高

图6 温度反演的均方根误差

Fig.6 Theroot mean squareerroroftemperatureretrievals

中国地区的温度廓线反演精度。

346大气科学学报

度廓线[J].气象,2009,35(11):137 142.

第33卷

参考文献:

[1] 吕达仁,王普才,邱金桓,等.大气遥感与卫星气象学研究的进

展与回顾[J].大气科学,2003,27(4):552 566.

[2] 邱金桓,陈洪滨,王普才,等.大气遥感研究展望[J].大气科

学,2005,29(1):131 136.

[3] 官莉,HuangHL,王振会.红外高光谱资料反演有云时大气温

湿廓线的模拟研究[J].遥感学报,2008,12(6):987 992.[4] WeiseE,HuangLH,LiJ,eta.lInternationalMODISandAIRS

processingpackage:AIRSproductsandapplications[J].JApplRemoteSensing,2007,1,013519,do:i10.117/1.2766867.[5] GuanL,HuangHL,LiJ.Astudyonretrievingatmosphericpro

filesfromEOS/AIRSobservations[J].ActaMeteorSinica,2005,19(1):112 119.

[6] 张雪慧,官莉,王振会,等.利用人工神经网络方法反演大气温

[7] YaoZG,ChenHB,LinLF.Retrievingatmospherictemperature

profilesfromAMSU Adatawithneuralnetworks[J].AdvAt mosSc,i2005,22(4):606 616.

[8] 官莉.利用AIRS卫星资料反演大气廓线1.特征向量统计反

演法[J].南京气象学院学报,2006,29(6):756 761.

[9] 官莉,王振会.用空间匹配的MODIS云产品客观确定AIRS云

检测[J].气象科学,2007,27(5):516 521.

[10] SusskindJ,BarnetC,BlaisdellJ.Retrievalofatmosphericand

surfaceparametersfromAIRS/AMSU/HSBdatainthepresenceofclouds[J].IEEETransGeosciRemoteSens,2003,41(2):390 409.

(责任编辑:张福颖)