官莉,劉旸,張雪慧

(南京信息工程大學(xué)氣象災(zāi)害省部共建教育部重點(diǎn)實(shí)驗(yàn)室,江蘇南京 210044)

人工神經(jīng)網(wǎng)絡(luò)算法在紅外高光譜資料反演大氣溫度廓線中的應(yīng)用

官莉,劉旸,張雪慧

(南京信息工程大學(xué)氣象災(zāi)害省部共建教育部重點(diǎn)實(shí)驗(yàn)室,江蘇南京 210044)

基于紅外高光譜大氣探測器A I RS實(shí)況觀測資料,嘗試用人工神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)晴空時(shí)大氣的溫度垂直廓線反演,重點(diǎn)將該算法與目前已經(jīng)發(fā)展比較成熟的特征向量統(tǒng)計(jì)反演算法進(jìn)行比較。結(jié)果表明,兩種算法在計(jì)算時(shí)間效率和反演精度上相當(dāng)。鑒于人工神經(jīng)網(wǎng)絡(luò)算法的統(tǒng)計(jì)物理本質(zhì),誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)可以求解非線性問題,在優(yōu)化訓(xùn)練樣本和繼續(xù)調(diào)試網(wǎng)絡(luò)種類和網(wǎng)絡(luò)參數(shù)的基礎(chǔ)上,有望能進(jìn)一步提高反演精度。

紅外;高光譜;人工神經(jīng)網(wǎng)絡(luò);反演

官莉,劉旸,張雪慧.人工神經(jīng)網(wǎng)絡(luò)算法在紅外高光譜資料反演大氣溫度廓線中的應(yīng)用[J].大氣科學(xué)學(xué)報(bào),2010,33(3):341-346.

Guan Li,Liu Yang,ZhangXue-hui.Application of artificial neural network algorithm in retrieving atmospheric temperature profiles from hyperspectral infrared data[J].TransAtmos Sci,2010,33(3):341-346.

Abstract:The artificial neural network algorithm is presented in this paper to retrieve the temperature profiles under clear skies by usingA IRS(At mospheric InfraRed Sounder)actual observations.The study is focused on the comparison of artificial neural network retrieval algorithm with eigenvector regression algorithm which has already been well developed.The results show that these t wo algorithms cost nearly the same computing time with comparative precision in the realA I RS data retrieval process.Due to the statistic-physical nature of the artificial neural network algorithm,it is expected to i mprove the temperature retrieval precision on the basisof selecting network type andmodifying the network parameters sequentially. Key words:infrared;hyperspectral;artificial neural network;retrieval

0 引言

為了觀測并最終預(yù)報(bào)天氣,氣象學(xué)家需要用到全球范圍的大氣觀測資料,如大氣溫度、氣壓、濕度、風(fēng)、云等。衛(wèi)星紅外和可見光云圖已能提供天氣系統(tǒng)方面的信息,而大氣的紅外垂直探測資料則能提供水平和垂直方向分布的大氣溫度、濕度、云高、云量等參數(shù)。然而,由于衛(wèi)星儀器觀測到的并不是直接的大氣溫度、濕度等,而是大氣輻射量,現(xiàn)在大氣遙感的定量化水平仍然不能滿足氣候與環(huán)境變化研究、數(shù)值天氣預(yù)報(bào)等應(yīng)用的越來越高的要求[1]。為此,世界各國科學(xué)家一方面研究直接把衛(wèi)星測量到的輻射量同化應(yīng)用于數(shù)值天氣預(yù)報(bào)模式,一方面增加星載儀器綜合探測能力尤其是云天遙感探測能力、研究遙感反演新方法、不斷提高遙感反演精度,以期能夠達(dá)到數(shù)值模式直接應(yīng)用大氣溫濕等參數(shù)的精度要求[2]。

大氣紅外探測器A IRS(Atmospheric InfraRed Sounder)與AMSU-A(先進(jìn)的微波探測器)及HSB (水汽探測器)載在2002年5月4日發(fā)射的EOS (地球觀測系統(tǒng))Aqua衛(wèi)星平臺上,從650 cm-1(15 μm)到2 700cm-1(3.7μm)的光譜范圍內(nèi)有2 378個(gè)紅外通道,高光譜分辨率平均為1 200(λ/Δ λ)[3]。A IRS跨軌跡橫掃描寬度約為1 650km,星下點(diǎn)水平分辨率為13.5km,垂直分辨率為1km,能提供從地面到40km高度的大氣信息,具有高測量精度和高光譜分辨率的特性,第一次在衛(wèi)星上實(shí)現(xiàn)了真正意義上的對大氣海洋環(huán)境的高光譜分辨率大氣紅外探測,為我們提供了一個(gè)可以監(jiān)測全球溫度、水汽、臭氧等分布及變化的全新的機(jī)會。

目前國內(nèi)基于A IRS資料反演大氣溫度、濕度垂直廓線大多采用的是特征向量統(tǒng)計(jì)反演法,該方法本質(zhì)是一種基于最小二乘法的統(tǒng)計(jì)回歸算法[4-5]。人工神經(jīng)網(wǎng)絡(luò)算法可實(shí)現(xiàn)輸入空間到輸出空間的非線性映射,更接近大氣溫度、濕度反演的物理本質(zhì),是一種統(tǒng)計(jì)—物理算法。模擬分析研究[6]表明,人工神經(jīng)網(wǎng)絡(luò)算法在所有高度層上的反演精度都略優(yōu)于特征向量統(tǒng)計(jì)反演算法。本文在此基礎(chǔ)上嘗試用人工神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)晴空時(shí)大氣溫度垂直廓線反演,并將上述兩種反演算法的結(jié)果進(jìn)行對比。

1 人工神經(jīng)網(wǎng)絡(luò)算法簡介

人工神經(jīng)網(wǎng)絡(luò)有多種網(wǎng)絡(luò)模型,本文采用算法較成熟、應(yīng)用較廣泛的前向三層誤差反向傳播B P (Back Propagation)神經(jīng)網(wǎng)絡(luò)算法。B P網(wǎng)絡(luò)可有效地用于復(fù)雜的非線性函數(shù)的逼近,一個(gè)3層的前饋網(wǎng)絡(luò)能夠?qū)崿F(xiàn)任意精度的連續(xù)函數(shù)映射,包括一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層[7]。B P模型由不同層次的結(jié)點(diǎn)組成(圖1),X表示L個(gè)輸入層變量,Y為M個(gè)隱層變量,Z為輸出的N個(gè)變量。每一層的結(jié)點(diǎn)輸出送到下一層結(jié)點(diǎn),輸出值由于連接權(quán)值不同而被放大或抑制。除了輸入層外,每一結(jié)點(diǎn)的輸出為前一層所有結(jié)點(diǎn)輸出值的加權(quán)和。每一個(gè)結(jié)點(diǎn)的激勵(lì)輸出值由結(jié)點(diǎn)輸入、激勵(lì)函數(shù)及偏置量決定。

訓(xùn)練樣本選用美國威斯康星大學(xué)開發(fā)的全球晴空反演訓(xùn)練樣本,由TIGR3(TOVS Initial Guess Retrieval)、NOAA88和ECWM F等的全球有代表性的溫、濕和臭氧等廓線組成,同時(shí)還補(bǔ)充了沙漠地區(qū)的無線電探空和臭氧探空值(所有廓線從1 100hPa到0.005hPa被內(nèi)插到101個(gè)氣壓層),大約有12 000個(gè)樣本。經(jīng)過大量樣本的訓(xùn)練和反復(fù)的網(wǎng)絡(luò)模擬測試,考慮到A IRS2 378個(gè)通道上的亮溫值有較大的相關(guān)性,對其作主成分分析,根據(jù)以往的研究經(jīng)驗(yàn),選取前30個(gè)特征向量進(jìn)行重構(gòu)作為神經(jīng)網(wǎng)絡(luò)的輸入[8]。采用尺度化共軛梯度反向傳播學(xué)習(xí)算法(即trainscg方法),隱含層節(jié)點(diǎn)數(shù)設(shè)置為63。在本文的研究中網(wǎng)絡(luò)的輸出層為101個(gè)氣壓層上的溫度。

人工神經(jīng)網(wǎng)絡(luò)定型為如圖2所示的樣式:輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)分別為30、63和101, I W{1,1}為輸入層到中間層的權(quán)值,LW{2,1}為中間層到輸出層的權(quán)值,b{1}、b{2}分別為兩層的偏置值。利用建立的人工神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練時(shí)樣本庫按窗區(qū)亮度溫度和掃描角分類,訓(xùn)練出適合11類窗區(qū)亮度溫度和6類掃描角的66套神經(jīng)網(wǎng)絡(luò)。

圖2 用于訓(xùn)練的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Fram ew ork of the neural net w ork for training

2 實(shí)況A IRS資料反演試驗(yàn)

反演時(shí)使用A IRS實(shí)際觀測的L evel1B級輻射亮度溫度資料(為經(jīng)輻射定標(biāo)和地理定位后的輻射率數(shù)據(jù)集),選取2002年9月6日覆蓋中國部分地區(qū)的第181景(granule)為例,圖3a為該景在窗區(qū)(900cm-1)觀測的亮度溫度,比較暖的亮溫值意味著中低云或地表,亮溫較低的冷云由藍(lán)色(冷色調(diào))來表示,而冷的亮溫值代表高云。由于研究的算法是針對晴空狀態(tài)下的大氣溫度垂直廓線反演,因此需要先進(jìn)行云檢測,A IRS云檢測由落在每個(gè)A IRS視場中的精確空間匹配的1km MOD IS云檢測產(chǎn)品客觀確定,具體算法見參考文獻(xiàn)[9]。圖3b給出了該景中的晴空像素點(diǎn),經(jīng)過云檢測后,該景有4 114個(gè)視場為晴空點(diǎn)(每景有135×90個(gè)觀測視場)。

為檢驗(yàn)反演算法的有效性,將上述人工神經(jīng)網(wǎng)絡(luò)算法反演的大氣溫度垂直廓線與特征向量統(tǒng)計(jì)反演方法[4-5]的反演結(jié)果進(jìn)行比較,同時(shí)用A IRS業(yè)務(wù)數(shù)據(jù)集二級大氣產(chǎn)品以及ECMW F歐洲中心數(shù)值模式客觀分析場資料來進(jìn)一步驗(yàn)證。A IRS的L evel 2標(biāo)準(zhǔn)反演產(chǎn)品是目前美國的業(yè)務(wù)反演產(chǎn)品,在每個(gè)AM SU視場基礎(chǔ)上用晴空訂正的輻射值來物理反演大氣廓線,每個(gè)AM SU視場由3×3個(gè)A IRS視場組成(分辨率約為40.5km)[10]。而上述兩種反演方法是基于A IRS單視場分辨率的,因此反演的參數(shù)場水平空間分辨率更高。ECMW F客觀分析場每天有4次(世界時(shí)00、06、12、和18時(shí)),資料網(wǎng)格點(diǎn)為0.5個(gè)經(jīng)、緯度(～55km),全球共720×361個(gè)格點(diǎn),為便于比較,將格點(diǎn)資料水平、垂直內(nèi)插到A IRS的資料點(diǎn)上(135條掃描線×90觀測視場, 101氣壓層高度),在統(tǒng)計(jì)檢驗(yàn)時(shí)將其客觀分析場的溫度廓線認(rèn)為是真值。

圖4與圖5分別顯示了該景區(qū)域內(nèi)500hPa和850hPa高度的溫度反演場。由圖4可以看出,神經(jīng)網(wǎng)絡(luò)和特征向量方法反演的500hPa溫度場南北溫度分布與L evel2產(chǎn)品和ECMW F客觀分析場走向是一致的,A IRS L evel2業(yè)務(wù)產(chǎn)品的圖像明顯降低了空間分辨率(3×3個(gè)A IRS視場組成了一個(gè)AMSU視場),不如兩種反演算法給出的結(jié)果精細(xì)(單A IRS視場),單A IRS視野反演場不僅空間分辨率高而且反演結(jié)果分布較連續(xù)、均勻?？偟目磥? A IRS反演場與ECMW F客觀分析場更接近些,神經(jīng)網(wǎng)絡(luò)方法反演的某些區(qū)域溫度略偏低,在圖像中部偏左有一條反演低溫帶,而該特征在其他圖中沒有出現(xiàn),初步分析認(rèn)為可能是由于分類反演時(shí)人工神經(jīng)網(wǎng)絡(luò)算法對這個(gè)A IRS掃描角度的訓(xùn)練樣本數(shù)偏少,結(jié)果導(dǎo)致反演的溫度有誤差。由圖5可知,整體上ECMW F850hPa溫度客觀分析場相對其他反演結(jié)果來說偏低,其他三種反演產(chǎn)品較接近,神經(jīng)網(wǎng)絡(luò)方法與特征向量統(tǒng)計(jì)方法反演結(jié)果更相似。

為更進(jìn)一步驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)方法與特征向量統(tǒng)計(jì)反演方法的有效性,將ECMW F客觀分析場的溫度廓線作為真值,統(tǒng)計(jì)了兩種反演算法反演的溫度垂直廓線的均方根誤差,結(jié)果顯示在圖6中,該圖給出了該景中4 114個(gè)晴空點(diǎn)反演的溫度均方根誤差的平均廓線。

圖3 2002年9月6日第181景區(qū)域 a.窗區(qū)(900cm-1)通道觀測亮度溫度(單位:K);b.云檢測的晴空像素點(diǎn)Fig.3 The region of granule181on6Septem ber2002 a.brightness temperature observed through a w indow (900cm-1)channel of A IRS(K);b.clear pixels

圖4 2002年9月6日500hPa高度上溫度場(單位:K) a.A IRS Level2業(yè)務(wù)大氣溫度廓線反演產(chǎn)品;b.晴像素點(diǎn)上ECMW F客觀分析場;c.人工神經(jīng)網(wǎng)絡(luò)方法反演結(jié)果;d.特征向量統(tǒng)計(jì)法反演產(chǎn)品Fig.4 The temperature field at500hPa on6September2002derived from(a)A IRS Level2,(b)ECMW F objective analysis field,(c)artificial neural net work algorithm,and(d)eigenvector regression algorithm

圖6 中實(shí)線和虛線分別代表人工神經(jīng)網(wǎng)絡(luò)法和特征向量統(tǒng)計(jì)反演法反演的溫度廓線與ECMW F溫度客觀分析場相比的均方根誤差。由圖6可以看出,在大氣低層(氣壓高于850hPa)和高層(氣壓小于1hPa)人工神經(jīng)網(wǎng)絡(luò)方法稍優(yōu)于特征向量方法,溫度反演精度最大可提高近1K,而在其他的高度上,特征向量統(tǒng)計(jì)法的反演結(jié)果與ECMW F的客觀分析場更接近些。人工神經(jīng)網(wǎng)絡(luò)方法在某些高度層上對溫度的反演有改進(jìn),但總體溫度反演精度的提高不如模擬試驗(yàn)時(shí)明顯。在850hPa高度上,人工神經(jīng)網(wǎng)絡(luò)算法均方根誤差相對較小,而在500hPa高度上特征向量統(tǒng)計(jì)反演法略優(yōu),與圖4和圖5的直觀分析結(jié)果一致。

就目前初步研究結(jié)果來看,盡管進(jìn)行模擬分析時(shí),人工神經(jīng)網(wǎng)絡(luò)算法在所有高度層上的反演精度都略優(yōu)于特征向量統(tǒng)計(jì)反演算法[6],但應(yīng)用實(shí)況A IRS觀測資料試驗(yàn)時(shí),神經(jīng)網(wǎng)絡(luò)方法沒有明顯改進(jìn)反演精度。初步分析其原因可能是:

第一,特征向量統(tǒng)計(jì)回歸方法在溫度反演上已經(jīng)是一套比較成熟的方法,在對流層中高層溫度反演準(zhǔn)確度已達(dá)1K。神經(jīng)網(wǎng)絡(luò)方法要在這些高度層上表現(xiàn)出改進(jìn),需要進(jìn)一步研究。神經(jīng)網(wǎng)絡(luò)的建立過程有很多的可選性和不確定性,本文最后選擇的這種神經(jīng)網(wǎng)絡(luò)建模方法可能并不是最佳的使神經(jīng)網(wǎng)絡(luò)泛化性能最佳的網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)的各參數(shù)設(shè)置還需要更多試驗(yàn)來確定。

第二,挑取主特征分量作為神經(jīng)網(wǎng)絡(luò)的輸入,減少了輻射通道相關(guān)性的影響,簡化了網(wǎng)絡(luò)結(jié)構(gòu),節(jié)省了訓(xùn)練時(shí)間及反演時(shí)間,但也使得建立的網(wǎng)絡(luò)模型成為一個(gè)輸出多于輸入的不穩(wěn)定模型;目前選取前30個(gè)特征向量重構(gòu)A IRS觀測值,可以嘗試增加到100個(gè)。

圖5 2002年9月6日850hPa高度上溫度場(單位:K) a.A IRS Level2業(yè)務(wù)大氣溫度廓線反演產(chǎn)品; b.晴像素點(diǎn)上ECMW F客觀分析場;c.人工神經(jīng)網(wǎng)絡(luò)方法反演結(jié)果;d.特征向量統(tǒng)計(jì)法反演產(chǎn)品Fig.5 The sam e as Fig.4but at850hPa

圖6 溫度反演的均方根誤差Fig.6 The root-m ean-square error of temperature retrievals

3 小結(jié)與展望

本文在模擬分析表明人工神經(jīng)網(wǎng)絡(luò)算法反演的大氣溫度廓線均方根誤差要小于特征向量統(tǒng)計(jì)反演法的基礎(chǔ)上,運(yùn)用實(shí)況A IRS觀測資料進(jìn)行大氣溫度廓線反演實(shí)驗(yàn),結(jié)果表明兩種算法在計(jì)算時(shí)間效率和反演精度上相當(dāng)。特征向量統(tǒng)計(jì)反演法目前發(fā)展已經(jīng)比較成熟,針對紅外高光譜觀測值反演,初步嘗試人工神經(jīng)網(wǎng)絡(luò)算法已獲得與特征向量統(tǒng)計(jì)反演法相當(dāng)?shù)臏囟壤€反演精度。鑒于人工神經(jīng)網(wǎng)絡(luò)算法的統(tǒng)計(jì)物理本質(zhì),誤差反向傳播BP神經(jīng)網(wǎng)絡(luò)可以求解非線性問題,在優(yōu)化訓(xùn)練樣本和繼續(xù)調(diào)試網(wǎng)絡(luò)種類和網(wǎng)絡(luò)參數(shù)的基礎(chǔ)上,有望能進(jìn)一步提高反演精度。

目前訓(xùn)練樣本選取的是全球的大氣無線電探空資料,而反演測試針對的是中國地區(qū),人工神經(jīng)網(wǎng)絡(luò)方法有效性與所用的訓(xùn)練樣本有很強(qiáng)的相關(guān)性。下一步,從全球訓(xùn)練樣本中選取中國地區(qū)的樣本,針對中國地區(qū)樣本重新建立人工神經(jīng)網(wǎng)絡(luò),有望能提高中國地區(qū)的溫度廓線反演精度。

[1] 呂達(dá)仁,王普才,邱金桓,等.大氣遙感與衛(wèi)星氣象學(xué)研究的進(jìn)展與回顧[J].大氣科學(xué),2003,27(4):552-566.

[2] 邱金桓,陳洪濱,王普才,等.大氣遙感研究展望[J].大氣科學(xué),2005,29(1):131-136.

[3] 官莉,Huang H L,王振會.紅外高光譜資料反演有云時(shí)大氣溫濕廓線的模擬研究[J].遙感學(xué)報(bào),2008,12(6):987-992.

[4] W eise E,Huang L H,L i J,et al.InternationalMOD IS and A IRS processing package:A IRS products and applications[J].J Appl Remote Sensing,2007,1,013519,doi:10.117/1.2766867.

[5] Guan L,Huang H L,L i J.A study on retrieving atmospheric profiles fromEOS/A IRS observations[J].Acta M eteor Sinica, 2005,19(1):112-119.

[6] 張雪慧,官莉,王振會,等.利用人工神經(jīng)網(wǎng)絡(luò)方法反演大氣溫度廓線[J].氣象,2009,35(11):137-142.

[7] Yao Z G,Chen H B,L in L F.Retrieving atmospheric temperature profiles from AMSU-A data w ith neural networks[J].Adv A tmos Sci,2005,22(4):606-616.

[8] 官莉.利用A IRS衛(wèi)星資料反演大氣廓線1.特征向量統(tǒng)計(jì)反演法[J].南京氣象學(xué)院學(xué)報(bào),2006,29(6):756-761.

[9] 官莉,王振會.用空間匹配的MOD IS云產(chǎn)品客觀確定A IRS云檢測[J].氣象科學(xué),2007,27(5):516-521.

[10] Susskind J,Barnet C,B laisdell J.Retrieval of atmospheric and surface parameters from A IRS/AMSU/HSB data in the presence of clouds[J].IEEE Trans Geosci Remote Sens,2003,41(2): 390-409.

(責(zé)任編輯:張福穎)

Application of Artificial Neural Network Algorithm i n Retrieving At mospheric Temperature Profiles from Hyperspectral I nfrared Data

GUAN Li,L IU Yang,ZHANG Xue-hui
(KeyLaboratory ofMeteorologicalDisaster ofMinistry of Education,NU IST,Nanjing 210044,China)

P407.6;TP79

A

1674-7097(2010)03-0341-06

2009-11-05;改回日期:2009-12-02

國家自然科學(xué)基金資助項(xiàng)目(40605009)

官莉(1973—),女,新疆庫爾勒人,博士,教授,研究方向?yàn)榇髿膺b感科學(xué)與技術(shù),liguan@nuist.edu.cn.