共查询到15条相似文献，搜索用时 328 毫秒
1.
为提升地基微波辐射计在不同天气条件下, 特别是云天条件下温湿廓线的反演精度, 利用2011年1月—2016年12月中国气象局北京国家综合气象观测试验基地探空数据, 在微波辐射计反演温湿度廓线的过程中通过区分晴天和云天条件并引入全固态Ka波段测云仪云高及云厚信息, 对反演输入亮温进行质量控制和偏差订正, 建立BP神经网络模型, 采用2017年1月—2018年3月微波辐射计探测数据评估检验, 结果表明:在亮温订正前提下, 晴天温度模型、云天温度模型、晴天相对湿度模型和云天相对湿度模型反演结果与探空的相关系数分别为0.99, 0.99, 0.80和0.78, 均方根误差为2.3℃, 2.3℃, 9%和16%, 较微波辐射计自带产品（LV2产品）减小约0.4℃, 0.3℃, 11%和9%, 准确性提升约30%, 28%, 64%和45%;温度模型偏差在±2℃以内、湿度模型偏差在±20%以内的占比分别为68%, 70%和95%, 78%, 较LV2产品分别提高了7%, 5%和27%, 23%, 其中相对湿度改善明显。可见亮温订正、区分天气类型训练反演模型有利于改善地基微波辐射温湿廓线反演精度。 相似文献
2.
利用地基微波辐射计资料反演0-10km大气温湿廓线试验研究 总被引：3，自引：0，他引：3
实测与模拟的微波辐射计亮温存在偏差,导致基于BP神经网络模型的大气温湿廓线反演精度的降低。研究了一种基于资料订正后的BP神经网络反演大气温湿廓线的方法。首先,基于2014年6月南京江宁探空资料,利用MonoRTM模式,模拟中心频率在22.2GHz~58.8GHz范围内22通道亮温;对比模拟和实测南京站微波辐射计资料,建立实测微波辐射计资料订正模型。然后,以南京地区2011-2013年探空资料为输入,模拟22通道亮温数据,并基于模拟的22通道亮温数据和当地探空资料,利用BP神经网络算法,建立大气温度、水汽密度、相对湿度廓线反演模型。最后,利用构建的订正模型,对2014年7月试验获取的微波辐射计资料进行订正,并将订正后的微波辐射计资料输入BP神经网络反演模型,反演0-10km高度58层的大气温度、水汽密度和相对湿度,对比实际探空资料以及微波辐射计二级产品,评估分析反演效果。实验结果表明：所建的反演模型提高了大气温湿廓线反演精度,大气温度、水汽密度和相对湿度均方根误差范围分别为1.0~2.0K、0.20 ~1.93g/m3和2.5%~18.6%。 相似文献
3.
利用兰州大学半干旱气候与环境观测站(SACOL站)2009—2010年的地基微波辐射计亮温资料和榆中站探空资料,建立了应用于地基微波辐射计温度、相对湿度和水汽密度反演的径向基神经网络,并将反演结果与地基微波辐射计自带反演产品进行了对比,探究了径向基神经网络在地基微波辐射计气象要素反演算法本地化的应用效果。结果表明:径向基神经网络反演的温度、相对湿度和水汽密度的均方根误差最大值分别为2.72 K、22.32%和0.73 g·m^-3,在所有高度层上径向基神经网络的反演结果均优于微波辐射计,反演产品对2—10 km、1—7 km、0—3 km的大气温度、相对湿度和水汽密度廓线的反演均有明显改善,径向基神经网络能够应用于地基微波辐射计气象要素的反演算法的本地化。 相似文献
4.
5.
《气象与环境学报》2017,(6)
以太原地区常规探空观测资料为参考,选取2015年2月13日至2016年6月21日地面、925 hPa、850 hPa、700 hPa、500 hPa、400 hPa、300 hPa的00时次和12时次温度与露点温度的配对数据,采用统计学方法对比分析同址德国RPG-HATPRO型微波辐射计反演的温度和湿度数据。结果表明:不同等压层微波辐射计反演的温度与探空观测的温度数据存在一定的偏差,微波辐射计反演的温度数据相对探空观测的温度数据系统性偏小。微波辐射计反演的和探空观测的温度数据同步性较强,二者相关系数为0.89以上,二者露点温度数据的相关系数为0.60以上。综合分析可知,降水对微波辐射计反演的温度和湿度数据影响均较大。为了验证不同等压层微波辐射计反演温度数据的偏差准确性,在对比分析的基础上建立微波辐射反演温度的订正模型,采用滑动均值订正法和配对样本T检验验证法对微波辐射计反演的温度进行订正,订正偏差为0.5℃以内。 相似文献
6.
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 总被引：3，自引：1，他引：2
为研究地基微波辐射计遥感温、湿度廓线的一维变分算法的反演能力,用北京地区2010—2011年00和12时(世界时)的多通道地基微波辐射计亮温资料进行试验。首先,利用同时次的地面观测资料、红外亮温(由地基微波辐射计自带红外传感器测得)及探空观测数据,给出提取无云样本的方案,得到432个无云样本;再以辐射传输模式计算得到的模拟亮温为参考,对无云条件下的观测亮温进行质量控制;然后利用探空数据进行模拟试验,结果发现,一维变分算法对3 km以下的温度廓线有较大调整。使反演结果更加接近探空,而对湿度廓线在0—10 km都有不同程度的优化;最后利用一维变分算法对地基微波辐射计观测亮温进行大气温湿廓线反演,将结果与探空对比可以看出,温度廓线的均方根误差小于2.9 K,绝对湿度的均方根误差小于0.47 g/m~3;进一步与地基微波辐射计自带神经网络的反演结果比较表明,一维变分的反演结果更接近实际大气。 相似文献
7.
采用2013年中国科学院大气物理研究所香河大气综合观测试验站的地基微波辐射计和激光雷达观测数据,以激光雷达探测的大气边界层高度为参考,分别利用非线性神经网络和多元线性回归方法建立微波亮温直接反演大气边界层高度的算法,并对比两种方法的反演能力, 同时分析非线性神经网络算法在不同时段及不同天气状况下反演结果的差异。结果表明:非线性神经网络算法的反演能力优于多元线性回归算法,其反演结果与激光雷达探测的大气边界层高度有较好一致性,冬、春季的相关系数达到0.83,反演精度比线性回归算法约高26%;对于不同时段和不同天气条件,春季的反演结果最好,晴空的反演结果好于云天; 四季和不同天气状况的划分也有利于提高反演精度。 相似文献
8.
9.
以2007~2018年西宁二十里铺气象站探空资料为模拟样本,利用MonoRTM模式模拟中心频率21.985~58.759GHz的35通道亮温,应用BP神经网络对模拟数据进行反复训练,构建最优反演模型,并以2019年探空资料为测试样本,对比分析了不同季节和不同天气条件下BP神经网络与微波辐射计的反演效果。结果表明:晴空条件下,BP神经网络与微波辐射计在温度反演上效果最佳,水汽密度次之,相对湿度最差,其中冬春季BP神经网络反演效果优于微波辐射计,夏秋季反之;有云条件下,BP神经网络温度反演效果在冬、春和夏季均优于微波辐射计,其水汽密度反演效果在四季均较微波辐射计有明显提升,其相对湿度反演效果在冬、春和夏季均较微波辐射计更佳。晴空和有云条件下,BP神经网络在不同季节反演温度、水汽密度和相对湿度的平均绝对误差和标准偏差均小于微波辐射计,尤其是相对湿度的反演精度提升最为明显。晴空条件下,BP神经网络反演温度廓线在春、夏和秋季效果最佳,反演水汽密度廓线在中低层精度较高,反演相对湿度廓线的精度较差,但基本和探空资料趋势一致;有云条件下,BP神经网络反演温度廓线与晴空时基本一致,较微波辐射计精度更高,反演水汽密度和相对湿度廓线在8km以上效果较好。 相似文献
10.
利用中国气象局大气探测试验基地的L波段探空数据和微波辐射计观测数据,采用MonoRTM辐射传输模型作为正演亮温模型,BP (back propagation) 神经网络作为反演工具,在由亮温反演大气湿度廓线的过程中,添加与样本匹配的云底高度和云厚度信息,建立新的反演模型,使新反演模型得到的反演湿度廓线和未添加云信息的反演湿度廓线分别与探空数据进行对比,获取两种反演方法各高度层的均方根误差,分析云信息对反演大气湿度廓线的影响。对比结果表明:未添加云信息时,测试样本的反演湿度廓线与探空廓线的相关系数平均值为0.685,而添加云信息后,相关系数平均值为0.805。相比未添加云信息的反演廓线,添加云信息之后多数高度层的均方根误差均有不同程度减小,而在有云以上高度层表现尤为明显。 相似文献
11.
Deviation exists between measured and simulated microwave radiometer sounding data. The bias results in low-accuracy atmospheric temperature and humidity profiles simulated by Back Propagation artificial neural network models. This paper evaluated a retrieving atmospheric temperature and humidity profiles method by adopting an input data adjustment-based Back Propagation artificial neural networks model. First, the sounding data acquired at a Nanjing meteorological site in June 2014 are inputted into the MonoRTM Radiative transfer model to simulate atmospheric downwelling radiance at the 22 spectral channels from 22.234GHz to 58.8GHz, and we performed a comparison and analysis of the real observed data; an adjustment model for the measured microwave radiometer sounding data was built. Second, we simulated the sounding data of the 22 channels using the sounding data acquired at the site from 2011 to 2013. Based on the simulated rightness temperature data and the sounding data, BP neural network-based models were trained for the retrieval of atmospheric temperature, water vapor density and relative humidity profiles. Finally, we applied the adjustment model to the microwave radiometer sounding data collected in July 2014, generating the corrected data. After that, we inputted the corrected data into the BP neural network regression model to predict the atmospheric temperature, vapor density and relative humidity profile at 58 high levels from 0 to 10 km. We evaluated our model’s effect by comparing its output with the real measured data and the microwave radiometer’s own second-level product. The experiments showed that the inversion model improves atmospheric temperature and humidity profile retrieval accuracy; the atmospheric temperature RMS error is between 1K and 2.0K; the water vapor density’s RMS error is between 0.2 g/m3 and 1.93g/m3; and the relative humidity’s RMS error is between 2.5% and 18.6%. 相似文献
12.
As a typical physical retrieval algorithm for retrieving atmospheric parameters, one-dimensional variational (1DVAR) algorithm is widely used in various climate and meteorological communities and enjoys an important position in the field of microwave remote sensing. Among algorithm parameters affecting the performance of the 1DVAR algorithm, the accuracy of the microwave radiative transfer model for calculating the simulated brightness temperature is the fundamental constraint on the retrieval accuracies of the 1DVAR algorithm for retrieving atmospheric parameters. In this study, a deep neural network (DNN) is used to describe the nonlinear relationship between atmospheric parameters and satellite-based microwave radiometer observations, and a DNN-based radiative transfer model is developed and applied to the 1DVAR algorithm to carry out retrieval experiments of the atmospheric temperature and humidity profiles. The retrieval results of the temperature and humidity profiles from the Microwave Humidity and Temperature Sounder (MWHTS) onboard the Feng-Yun-3 (FY-3) satellite show that the DNN-based radiative transfer model can obtain higher accuracy for simulating MWHTS observations than that of the operational radiative transfer model RTTOV, and also enables the 1DVAR algorithm to obtain higher retrieval accuracies of the temperature and humidity profiles. In this study, the DNN-based radiative transfer model applied to the 1DVAR algorithm can fundamentally improve the retrieval accuracies of atmospheric parameters, which may provide important reference for various applied studies in atmospheric sciences. 相似文献
13.
MP-3000A微波辐射计探测原理及误差分析 总被引：1，自引：1，他引：0
MP-3000A微波辐射计是一种新型35通道微波辐射计。相对于探空和GPS水汽探测,它可以连续得到从地面到10km高度上高分辨率的温度、相对湿度和水汽廓线以及较低分辨率的液态水廓线。廓线从0m～10km共58个数据层,利用探测区域的历史探空资料和神经网络算法正向模拟微波辐射量,从而得出温湿廓线。本文介绍了MP-3000A微波辐射计的主要功能、工作原理和误差来源。 相似文献
14.
总结了自主研制的MWP967KV型地基35通道微波辐射计系统设计原理和主要特点。系统将K、V双频段宽带天线及接收机、宽带调谐本振、温湿压计以及电源模块紧凑集成为一台整机设备。对各传感器的测量输出实时进行一体化综合处理,采用BP神经网络实时反演大气温度、湿度廓线和汽、水总量。廓线的垂直覆盖范围为地表至顶空10km,共划分为58层。辐射计样机于2012年秋冬季节在北京地区开展了为期2个月的观测试验,利用这段时期内的69个探空资料样本对辐射计2个层次的实时观测输出都进行了对比检验,计算了水汽、氧气通道亮温和反演所得大气温湿廓线的平均偏差、均方差以及相关性。结果表明该系统能够满足实时气象监测的需求,达到国际先进水平。 相似文献
15.
MWP967KV型地基微波辐射计是我国自主研发,拥有完整自主知识产权的新型大气微波遥感探测设备,为了实现国产设备在气象业务中的应用,需对设备的探测精度进行对比分析。利用2015年8月—2018年3月四川盆地南部山区的无线电探空数据和地基微波辐射计数据,分析晴空和有云天气条件下温度廓线、相对湿度廓线和水汽密度廓线及相关物理参数的精度。结果表明:晴空、层积云和高积云的微波辐射计与探空仪的温度、水汽密度和相对湿度相关系数整体上分别在0.9890,0.9665,0.5868以上,均达到0.01显著性水平。3种参数廓线的相关系数整体均呈地面大于高空,仅温度廓线相关系数达到0.01显著性水平,相对湿度廓线和水汽密度廓线在高空的相关系数未达到0.01显著性水平。3种参数的相关性整体上温度最高,水汽密度次之,相对湿度最低。温度、相对湿度和水汽密度的均方根误差平均值分别为2.8℃,22%和1.38 g·m-3,温度廓线和相对湿度廓线在层积云和高积云的云中及云上的精度明显降低,均方根误差较云层下温度升高1℃~2℃,相对湿度增大10%~20%。逆温层会影响廓线及物理参数的精度。晴天或云天等大范围相似天气条件下,探空气球飘移距离与温度廓线、相对湿度廓线和水汽密度廓线偏差的相关性较弱。 相似文献