| 基于LSTM的地基微波辐射计湿度廓线反演 |
| |
| 引用本文： | 周高进,杨智鹏,彭静,杨玲,陶法,茆佳佳.基于LSTM的地基微波辐射计湿度廓线反演[J].气象科技,2022,50(1):21-29. |
| |
| 作者姓名： | 周高进 杨智鹏 彭静 杨玲 陶法 茆佳佳 |
| |
| 作者单位： | 成都信息工程大学电子工程学院，成都 610000;1 成都信息工程大学电子工程学院，成都 610000；2 中国气象局云雾物理环境重点开放实验室，北京 100088;中国气象局气象探测中心，北京 100081 |
| |
| 基金项目： | 中国气象局云雾物理环境重点开放实验室开放课题（2019Z01610）、四川省科技计划项目（2019YFG0496, 2020YFG0143）资助 |
| |
| 摘 要： | 大气湿度廓线对于研究大气系统的复杂性具有十分重要的作用。地基微波辐射计有着连续观测的特性，能够以高时间分辨率反演出高度至10 km的大气湿度廓线，廓线数据对于气象预报和研究气候系统的变化至关重要。为了提高反演大气湿度廓线的精准度，本文使用时间循环神经网络模型，利用微波辐射计连续探测的信号并使用Ka波段毫米波云雷达数据提高有云时的反演精度，采用LSTM（Long Short Term Memory）神经网络反演计算大气湿度廓线，用探空仪实测相对湿度验证并分析反演效果。该模型反演的湿度廓线与探空廓线的平均绝对误差为9.80%，均方根误差为13.85%，优于经典的BP（Back Propagation）神经网络模型平均绝对误差11.52%，均方根误差15.66%。通过比较，证明了本文的反演模型利用连续观测的亮温数据能够有效地提高反演精度，特别是对于3～7 km范围内大气湿度廓线分布较为复杂的相对湿度的反演。并验证了该模型加入云观测数据提高了有云时的反演精度。
|
| 关 键 词： | 微波辐射计 循环神经网络 大气湿度廓线 云雷达 |
| 收稿时间： | 2021/5/11 0:00:00 |
| 修稿时间： | 2021/10/14 0:00:00 |
Humidity Profile Inversion of Ground Based Microwave Radiometer Based on LSTM |
| |
| ZHOU Gaojin,YANG Zhipeng,PENG jing,YANG Ling,TAO F,MAO Jiajia.Humidity Profile Inversion of Ground Based Microwave Radiometer Based on LSTM[J].Meteorological Science and Technology,2022,50(1):21-29. |
| |
| Authors: | ZHOU Gaojin YANG Zhipeng PENG jing YANG Ling TAO F MAO Jiajia |
| |
| Abstract: | |
| |
| Keywords: | microwave radiometer cyclic neural network atmospheric humidity profile cloud radar |
|
| 点击此处可从《气象科技》浏览原始摘要信息 |
| 点击此处可从《气象科技》下载免费的PDF全文 |
