鮑艷松，汪自軍，陳 強(qiáng)，周愛明，董瑤海，閔錦忠

(1.南京信息工程大學(xué) 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心/氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室/氣候與環(huán)境變化國(guó)際合作聯(lián)合實(shí)驗(yàn)室/中國(guó)氣象局氣溶膠與云降水開放重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210044； 2.南京信息工程大學(xué) 大氣物理學(xué)院, 江蘇 南京 210044； 3.上海衛(wèi)星工程研究所,上海 201109； 4.上海航天技術(shù)研究院,上海 201009)

FY-4A星GIIRS大氣溫度廓線反演模擬試驗(yàn)研究

鮑艷松1,2，汪自軍3，陳 強(qiáng)3，周愛明3，董瑤海4，閔錦忠1

(1.南京信息工程大學(xué) 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心/氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室/氣候與環(huán)境變化國(guó)際合作聯(lián)合實(shí)驗(yàn)室/中國(guó)氣象局氣溶膠與云降水開放重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210044； 2.南京信息工程大學(xué) 大氣物理學(xué)院, 江蘇 南京 210044； 3.上海衛(wèi)星工程研究所,上海 201109； 4.上海航天技術(shù)研究院,上海 201009)

結(jié)合全球大氣晴空訓(xùn)練樣本(CIMSS)數(shù)據(jù)，利用輻射傳輸模式，模擬獲得干涉式大氣垂直探測(cè)儀(GIIRS)亮溫資料，結(jié)合人工神經(jīng)網(wǎng)絡(luò)反演方法，研究了風(fēng)云四號(hào)(FY-4)衛(wèi)星高光譜紅外載荷大氣溫度反演方法，并研制了全圓盤和中國(guó)區(qū)域兩套大氣溫度反演模型。反演試驗(yàn)結(jié)果表明：對(duì)流層大氣溫度反演精度明顯高于平流層，以中國(guó)區(qū)域反演模型為例，對(duì)流層和平流層大氣溫度反演均方根誤差(RMSE)分別為0.846，2.020 K，平均誤差分別為-0.003，0.024 K；比較中國(guó)區(qū)域和全圓盤大氣溫度廓線反演精度，中國(guó)區(qū)域大氣溫度精度明顯高于全圓盤，0～70 km處大氣溫度反演的均方根誤差分別為1.922，2.630 K；與歐洲極軌衛(wèi)星(Metop-A)IASI數(shù)據(jù)的溫度廓線反演結(jié)果比較，F(xiàn)Y-4A星GIIRS的溫度反演精度在低層(>500 hPa)(RMSE=0.790 K)優(yōu)于IASI(RMSE=0.976 K)，在高層(<500 hPa)(RMSE=1.803 K)低于IASI(RMSE=0.899 K)。研究對(duì)FY-4衛(wèi)星GIIRS的大氣溫度廓線反演及其應(yīng)用有重要的參考價(jià)值。

FY-4衛(wèi)星； 干涉式大氣垂直探測(cè)儀(GIIRS)； 神經(jīng)網(wǎng)絡(luò)； 溫度廓線； 反演； 對(duì)流層； 平流層； 中國(guó)區(qū)域； 全圓盤

0 引言

大氣溫度是數(shù)值天氣預(yù)報(bào)模式的重要輸入數(shù)據(jù)，對(duì)提高數(shù)值天氣預(yù)報(bào)精度有重要意義。氣象衛(wèi)星能探測(cè)大氣輻射，其輻射率數(shù)據(jù)可反映大氣的溫度狀態(tài)。1987年世界氣象組織評(píng)估了衛(wèi)星大氣探測(cè)資料(TOVS)應(yīng)用對(duì)天氣預(yù)報(bào)準(zhǔn)確率提高的貢獻(xiàn)，提出只有當(dāng)全球大氣溫度、水汽探測(cè)精度達(dá)到無線電探空的水平，才可能對(duì)天氣預(yù)報(bào)做出重大改進(jìn)[1]。這就要求對(duì)流層大氣溫度探測(cè)均方根誤差小于1 K，大氣垂直探測(cè)分辨率達(dá)到1 km。為實(shí)現(xiàn)更高垂直分辨率探測(cè)，美國(guó)NASA構(gòu)建了新一代全球環(huán)境監(jiān)測(cè)系統(tǒng)NPP(NPOESS Preparatory Project)，對(duì)大氣溫濕衛(wèi)星探測(cè)給出了明確要求：對(duì)地表至500 hPa的高度范圍內(nèi)溫度和濕度的觀測(cè)精度分別為1 K和10%，且垂直分辨率為0.3～0.5 千米/層；對(duì)500～300 hPa的高度范圍內(nèi)溫度和濕度的觀測(cè)精度分別為1 K和10%，且垂直分辨率為0.5～1.0千米/層；對(duì)300～100 hPa的高度范圍內(nèi)溫度和濕度的觀測(cè)精度分別為1 K和20%，且垂直分辨率為1.0～2.0千米/層；對(duì)100 hPa以上的高度范圍內(nèi)溫度觀測(cè)精度為1 K，垂直分辨率為2.0～3.0千米/層[1]。我國(guó)FY-4衛(wèi)星2010年立項(xiàng)，2016年FY-4A星發(fā)射成功。這些衛(wèi)星裝載的高光譜紅外載荷為數(shù)值天氣預(yù)報(bào)提供了重要數(shù)據(jù)。

利用衛(wèi)星輻射探測(cè)大氣參數(shù)研究始于20世紀(jì)中期。1956年KING較早提出根據(jù)衛(wèi)星熱紅外輻射的觀測(cè)推算大氣溫度廓線[2]。其后，隨著高光譜遙感技術(shù)的發(fā)展，AIRS，IASI，CrIS等紅外高光譜傳感器的在軌運(yùn)行，大氣溫度廓線衛(wèi)星遙感反演方法不斷發(fā)展[3-5]。這些反演算法可分為統(tǒng)計(jì)回歸、物理和統(tǒng)計(jì)-物理反演法三類，不同反演技術(shù)的特點(diǎn)各異。比較分析統(tǒng)計(jì)回歸反演法、基于變分理論的物理反演法，以及人工神經(jīng)網(wǎng)絡(luò)反演法三種主要的反演算法，發(fā)現(xiàn)統(tǒng)計(jì)回歸反演算法雖然計(jì)算簡(jiǎn)便且反演過程穩(wěn)定，但不考慮大氣輻射傳輸過程，反演精度有待進(jìn)一步提高；基于變分理論的物理反演法建模復(fù)雜，要求初始場(chǎng)，計(jì)算量大，需不停的迭代；人工神經(jīng)網(wǎng)絡(luò)反演法具很強(qiáng)的非線性表達(dá)及良好的容錯(cuò)能力。為此，本文選用人工神經(jīng)網(wǎng)絡(luò)法建立反演模型，研究FY-4衛(wèi)星高光譜紅外資料大氣溫度廓線反演方法。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是由大量計(jì)算單元構(gòu)成的非線性系統(tǒng)，它模仿人腦神經(jīng)系統(tǒng)接收、處理、存儲(chǔ)外界信號(hào)，具強(qiáng)大的智能處理信息的功能，有非線性映射能力，善于從輸入和輸出信號(hào)中尋找規(guī)律，無需精確的數(shù)學(xué)模型，并行計(jì)算能力強(qiáng)，易于軟硬件編程計(jì)算[6]。在如今的氣象領(lǐng)域中，降水預(yù)報(bào)、霧預(yù)報(bào)、溫濕廓線反演研究等都越來越多地引進(jìn)了神經(jīng)網(wǎng)絡(luò)方法[7-8]。文獻(xiàn)[9]用人工神經(jīng)網(wǎng)絡(luò)技術(shù)反演大氣溫度的數(shù)值模擬，與線性統(tǒng)計(jì)算法比較，發(fā)現(xiàn)近陸面的溫度反演結(jié)果優(yōu)于近海面，且對(duì)有較厚逆溫層結(jié)構(gòu)的溫度廓線，神經(jīng)網(wǎng)絡(luò)反演對(duì)廓線的復(fù)現(xiàn)能力優(yōu)于線性統(tǒng)計(jì)反演。文獻(xiàn)[10]用人工神經(jīng)網(wǎng)絡(luò)對(duì)晴空條件下AIRS模擬輻射值進(jìn)行大氣溫度廓線的反演，發(fā)現(xiàn)相比于特征向量統(tǒng)計(jì)法，神經(jīng)網(wǎng)絡(luò)反演方法反演精度更高，誤差更小，獲得了較好的反演結(jié)果。文獻(xiàn)[11]用BP神經(jīng)網(wǎng)絡(luò)反演12通道地基微波輻射計(jì)數(shù)據(jù)的大氣溫濕廓線，發(fā)現(xiàn)反演結(jié)果較其自帶的RadiomeNN算法更接近于探空真值。文獻(xiàn)[12]用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行AIRS資料的大氣溫度廓線反演，獲得了垂直分辨率1 km的對(duì)流層溫度反演精度。文獻(xiàn)[13]用BP神經(jīng)網(wǎng)絡(luò)反演微波輻射計(jì)資料的0～10 km高度58層的大氣溫度，與探空資料及微波輻射計(jì)二級(jí)產(chǎn)品對(duì)比，分析發(fā)現(xiàn)大氣溫度均方根誤差范圍為1.0～2.0 K。

我國(guó)新一代靜止氣象衛(wèi)星——FY-4衛(wèi)星搭載的干涉式大氣垂直探測(cè)儀(GIIRS)可每15 min提供1次分辨率10 km的大氣溫度相關(guān)數(shù)據(jù)，在數(shù)值天氣預(yù)報(bào)中有重要的應(yīng)用前景。本文基于輻射傳輸模式和神經(jīng)網(wǎng)絡(luò)反演算法原理，用FY-4衛(wèi)星高光譜紅外探測(cè)儀模擬資料，對(duì)大氣溫度廓線反演方法進(jìn)行了研究。因廓線垂直分辨率高，樣本數(shù)量龐大，網(wǎng)絡(luò)收斂慢，尋求合適的網(wǎng)絡(luò)反演大氣溫度廓線是本文的研究重點(diǎn)和難點(diǎn)。

1 研究數(shù)據(jù)及輻射傳輸模式

1.1研究數(shù)據(jù)

本文所用的全球大氣晴空訓(xùn)練樣本(seebor V5.0)是由美國(guó)威斯康星大學(xué)開發(fā)，共由全球范圍內(nèi)晴空條件下15 704條大氣溫度、濕度和臭氧廓線組成，大氣廓線從1 100～0.005 hPa共分成101層，包括NOAA-88、ECMWF 60 L、TIGR-3、臭氧探空值(來自NOAA-8 CMDL)，以及無線電探空值(沙漠地區(qū))等五類有代表性的資料，樣本廓線的全球分布如圖1所示。其廓線樣本大致均勻分布在全球區(qū)域，海洋上分布較陸地稀疏，而臭氧和無線電探空值針對(duì)的是沙漠地區(qū)，分布較集中。

本文研究所用衛(wèi)星資料為FY-4A星GIIRS資料。FY-4A星于2016年12月11日發(fā)射，是我國(guó)第二代靜止軌道氣象衛(wèi)星的首發(fā)星，該星首次搭載了GIIRS。GIIRS采用二維掃描鏡+離軸三反射主光學(xué)系統(tǒng)收集地氣能量，由動(dòng)鏡式傅里葉干涉儀進(jìn)行探測(cè)。掃描系統(tǒng)作步進(jìn)-駐留掃描，選取所需探測(cè)的區(qū)域，將地球的大氣輻射折射向望遠(yuǎn)鏡主鏡。GIIRS氣象數(shù)據(jù)及產(chǎn)品主要有4級(jí)，包括0級(jí)數(shù)據(jù)(地面數(shù)據(jù)接收并轉(zhuǎn)發(fā)給資料處理和服務(wù)中心進(jìn)行質(zhì)量檢測(cè)、解碼、重復(fù)資料提出等處理后的資料)、1級(jí)數(shù)據(jù)(0級(jí)數(shù)據(jù)經(jīng)過預(yù)處理系統(tǒng)的定位、定標(biāo)后形成的資料)、2和3級(jí)產(chǎn)品(1級(jí)數(shù)據(jù)經(jīng)過產(chǎn)品生成系統(tǒng)加工處理生成軌道和侯、旬、月等氣候合成產(chǎn)品)[14]。GIIRS的光譜范圍為4.4～14.2 μm，試驗(yàn)星的指標(biāo)低于業(yè)務(wù)星，試驗(yàn)星和業(yè)務(wù)星的光譜分辨率分別為0.8/1.6，0.625/1.2 cm-1，星下點(diǎn)空間分辨率相應(yīng)分別為16，8 km，探測(cè)地域可控。GIIRS 高光譜紅外探測(cè)儀的性能特性和主要探測(cè)目標(biāo)分別見表1、2[2]。

表1 GIIRS性能特性

圖1 15 704個(gè)樣本廓線全球分布Fig.1 Global distribution of 15 704 profiles

光譜范圍/cm-1主要探測(cè)目的700～790溫度廓線探測(cè),利用對(duì)冷目標(biāo)和云頂高度的敏感性,進(jìn)行部分云存在時(shí)的溫度廓線反演790～1130表面和云特性,O3探測(cè)1210～1650水汽、溫度廓線探測(cè),N2O、CH4和SO2探測(cè)2100～2150CO總量2150～2250溫度廓線探測(cè),N2O總量

1.2模型

本文使用的FY-4A星GIIRS輻射傳輸模式(RTM)由威斯康星大學(xué)空間科學(xué)與工程中心的WEISZ開發(fā)，該模式可用于云雨和晴空條件下的紅外波段亮溫模擬。本文針對(duì)的是晴空模式下的亮溫值的模擬計(jì)算，故正演模式是在原有的基礎(chǔ)上修改，并在LINUX系統(tǒng)中編譯、運(yùn)行晴空條件下的亮溫值。

該輻射傳輸模式中的快速模型系數(shù)是由對(duì)一個(gè)0.1 cm-1逐行計(jì)算透過率數(shù)據(jù)(LBLRTM v11.6)和特定的光譜響應(yīng)函數(shù)(由NSMC提供)獲得LBL特定的儀器的透過率而計(jì)算出的，再通過回歸分析，獲得晴空、臭氧，以及水汽條件下的快速模型系數(shù)。逐線模式可用于計(jì)算一個(gè)體積龐大的氣層單色光學(xué)厚度查找表。模式中使用的快速算法PFAAST(Pressure Layered Fast Atmospheric Transmittance)是由HANNON，STROW，MCMILLAN共同開發(fā)，適于各種分辨率的高光譜傳感器。

FY-4A星正演模擬的輸入?yún)?shù)包括大氣和地表兩部分。大氣的輸入數(shù)據(jù)包括101層(0.005～1 100 hPa)氣壓分層數(shù)據(jù)、101層大氣溫度，以及101層大氣濕度廓線信息；地表輸入數(shù)據(jù)包括地表溫度、地表壓強(qiáng)，以及陸地所占比例，模式中默認(rèn)所有通道的地表比輻射率0.98，且將模式底層的壓強(qiáng)和溫度分別表示為表面壓強(qiáng)和溫度。

2 神經(jīng)網(wǎng)絡(luò)反演算法

2.1網(wǎng)絡(luò)結(jié)構(gòu)

本文用反向傳輸神經(jīng)網(wǎng)絡(luò)(BP)對(duì)大氣溫度進(jìn)行反演建模。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，可有效用于復(fù)雜非線性函數(shù)的逼近，能實(shí)現(xiàn)任意精度的連續(xù)函數(shù)映射。BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network

神經(jīng)網(wǎng)絡(luò)模型的輸出

O=f2(Yv+b2)

(1)

Y=f1(Xw+b1)

(2)

式中：O為網(wǎng)絡(luò)的輸出；X為輸入層，Y為隱含層的輸出；v為隱含層至輸出層的連接權(quán)系數(shù)陣，初始時(shí)刻為一組隨機(jī)數(shù)；w為輸入層至隱含層的連接權(quán)系數(shù)陣，初始時(shí)刻為一組隨機(jī)數(shù)；b1，b2分別為隱藏層和輸出層單元偏置值陣；f1，f2為神經(jīng)元的非線性作用函數(shù)，能依每層設(shè)定，可取正切[10]。

用4種精度評(píng)價(jià)方法評(píng)價(jià)大氣溫度廓線反演精度：均方誤差(MSE)σMSE、相關(guān)系數(shù)R、均方根誤差(RMSE)σRMSE和平均誤差(ME)σME。定義分別為

σMSE=E(e2)=E((t-o)2)

(3)

(4)

(5)

(6)

式中：t為期望輸出；o為實(shí)際輸出；e為絕對(duì)誤差；n為樣本廓線數(shù)；xi為用BP神經(jīng)網(wǎng)絡(luò)反演得到的大氣溫濕廓線值；yi為實(shí)際的大氣溫濕廓線值。

2.2輸入層和輸出層設(shè)置

用輻射傳輸模式模擬計(jì)算出的亮溫值對(duì)應(yīng)的是FY-4A星GIIRS的913個(gè)通道的亮溫值，反演101分層上的溫度和濕度值，因此用BP神經(jīng)網(wǎng)絡(luò)的輸入是913個(gè)模擬亮溫值，輸出層則是101個(gè)大氣溫度和濕度垂直廓線，訓(xùn)練和測(cè)試的樣本由GIIRS的15 704個(gè)通道亮溫值和相應(yīng)的溫度與濕度廓線對(duì)組成。對(duì)如此龐大的量實(shí)施網(wǎng)絡(luò)訓(xùn)練并要得到最優(yōu)網(wǎng)絡(luò)，難度很大，網(wǎng)絡(luò)輸入量大，會(huì)導(dǎo)致結(jié)構(gòu)冗余、耗費(fèi)時(shí)間長(zhǎng)及泛化性能不高。

考慮到913個(gè)亮溫值存在一定的相關(guān)性，基于主成分分析法實(shí)現(xiàn)系統(tǒng)降維和特征提取，對(duì)FY-4A星GIIRS的913個(gè)通道的觀測(cè)值取其前40個(gè)能表示99.998 8%的全部通道信息量的主成分[15]。將40個(gè)通道的亮溫值作為網(wǎng)絡(luò)的輸入?yún)?shù)，即輸入層有節(jié)點(diǎn)40個(gè)。將通過主成分分析后的資料用于大氣溫濕廓線反演研究有其明顯的優(yōu)越性，因其保留與反演量相關(guān)性高的主分量，且主分量間是正交的，故不受累贅反復(fù)的信號(hào)噪聲影響。

2.3隱含層設(shè)置

網(wǎng)絡(luò)特性易受其隱層節(jié)點(diǎn)數(shù)的設(shè)置影響。若隱含節(jié)點(diǎn)數(shù)太少，使信號(hào)資料不足，則會(huì)影響網(wǎng)絡(luò)的效果；若隱含節(jié)點(diǎn)太多，則會(huì)使訓(xùn)練花費(fèi)更多的時(shí)間，降低計(jì)算效率[16]。綜合考慮計(jì)算效率和反演精度，選用文獻(xiàn)[17]提出的方法，BP神經(jīng)網(wǎng)絡(luò)隱含節(jié)點(diǎn)數(shù)

(7)

式中：h為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)[18]。最終確定隱含層結(jié)點(diǎn)數(shù)為56。

2.4傳遞函數(shù)和訓(xùn)練算法選取

神經(jīng)網(wǎng)絡(luò)的設(shè)置和激活傳遞函數(shù)選用影響神經(jīng)網(wǎng)絡(luò)特性。本文用newff函數(shù)創(chuàng)立神經(jīng)網(wǎng)絡(luò)，用Matlab計(jì)算機(jī)語言完成程序的編寫，神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置見表3。研究中，選用雙曲正切S型傳遞函數(shù)tansig作為激活傳輸函數(shù)，有

O=tansig(W×P+B)

(8)

式中：O為輸出值；W為權(quán)值；P為輸入矢量；B為偏差。

BP神經(jīng)網(wǎng)絡(luò)算法中，網(wǎng)絡(luò)的權(quán)值和閾值通常是沿網(wǎng)絡(luò)誤差變化的負(fù)梯度方向調(diào)節(jié)，最終使網(wǎng)絡(luò)誤差達(dá)到最小值。幾種典型快速學(xué)習(xí)算法性能比較見表4?？紤]本文所用的訓(xùn)練樣本大、網(wǎng)絡(luò)設(shè)置參數(shù)多、數(shù)據(jù)存儲(chǔ)量大等因素，選用Scaled共軛梯度-trainscg學(xué)習(xí)算法[4]。

表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)值

表4 典型學(xué)習(xí)算法性能比較

3 反演結(jié)果

3.1全圓盤區(qū)域大氣溫度反演結(jié)果

3.1.1 整層(0.005～1 100 hPa)大氣溫度

在全圓盤區(qū)域大氣溫度反演試驗(yàn)中，基于樣本數(shù)據(jù)15 704個(gè)，用BP神經(jīng)網(wǎng)絡(luò)反演算法，建立溫度廓線反演模型。為檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)大氣溫度廓線反演精度，用樣本數(shù)據(jù)6 282個(gè)驗(yàn)證反演模型精度，統(tǒng)計(jì)大氣溫度廓線反演值和樣本值的相關(guān)性、均方根誤差和評(píng)價(jià)誤差。溫度反演值和樣本值散點(diǎn)圖如圖3所示。由圖3可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關(guān)系數(shù)0.995，均方根誤差2.63 K，平均誤差-0.002 K，反演值與樣本值均勻分布在直線y=x兩側(cè)。

圖3 反演溫度散點(diǎn)圖Fig.3 Temperature scatter diagram of retrieval

樣本(東經(jīng)48.96°，南緯6.13°)廓線圖和散點(diǎn)圖如圖4所示。由圖4(a)可知：反演與目標(biāo)溫度值趨勢(shì)一致，能較好地重合，但在廓線的突變處反演的精度尚待提高。由圖4(b)可知：反演與目標(biāo)溫度值的RMSE達(dá)到了0.605 K，相關(guān)系數(shù)0.999，且反演溫度值較目標(biāo)偏高0.099 K。

圖4 反演溫度樣本Fig.4 Temperature profile

反演的整層大氣溫度RMSE如圖5所示。由圖5可知：分層反演溫度RMSE最小值0.494 K；在低層(>1 000 hPa)，反演溫度的RMSE平均值0.579 K。

圖5 反演整層大氣溫度RMSEFig.5 RMSE distributions of retrieval temperature from whole layer atmosphere

1～1 000 hPa反演溫度的誤差分層雙縱坐標(biāo)圖如圖6所示。圖6中：黑色線為目標(biāo)溫度的誤差值；紅色線為溫度反演的誤差值。由圖6可知：反演溫度的誤差小于0.12 K，大致均勻分布在黑色線兩側(cè)，且低層的溫度反演誤差小于高層，底層以正作用為主，而高層以負(fù)作用為主。總體而言，反演溫度的平均誤差值在整層大氣中均較小，反演溫度的精度較好。

圖6 1～1 000 hPa反演溫度的平均誤差分層雙縱坐標(biāo)圖Fig.6 Mean error’s distributions of 1～1 000 hPa temperature retrieval

對(duì)整層大氣，為檢驗(yàn)5類CIMSS數(shù)據(jù)反演大氣溫度的效果，分別統(tǒng)計(jì)了5類CIMSS數(shù)據(jù)反演溫度的R，RMSE，ME，結(jié)果見表5。由表5可知：NOAA-88的CIMSS數(shù)據(jù)進(jìn)行大氣溫度反演的精度最高(RMSE為1.853 K)，平均誤差0.070 K，具高度相關(guān)性(R=0.998)；TIGR-3數(shù)據(jù)反演溫度的精度差于其他幾類，反演溫度的RMSE為3.391 K。

3.1.2 對(duì)流層(100～1 000 hPa)大氣溫度

對(duì)流層區(qū)域溫度反演散點(diǎn)圖如圖7所示。由圖7可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關(guān)系數(shù)0.995，均方根誤差0.852 K，平均誤差-0.005 K，反演值與樣本值均勻分布在直線y=x兩側(cè)。

圖7 反演溫度散點(diǎn)圖Fig.7 Temperature scatter diagram of retrieval

反演的對(duì)流層大氣溫度RMSE如圖8所示。由圖8可知：溫度RMSE優(yōu)于1 K的概率為73.58%，分層溫度的RMSE均小于1.247 K，在450 hPa高度出現(xiàn)了RMSE最小值(約0.5 K)，溫度反演的精度較高。

3.1.3 平流層(1～100 hPa)大氣溫度

平流層區(qū)域溫度反演散點(diǎn)圖如圖9所示。由圖9可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關(guān)系數(shù)0.992，均方根誤差2.454 K，平均誤差0.007 K，反演值與樣本值均勻分布在直線y=x兩側(cè)。

反演的平流層大氣溫度RMSE如圖10所示。由圖10可知：反演溫度RMSE優(yōu)于2 K的概率為58.82%，分層溫度的RMSE最小1.258 K。反演溫度的RMSE隨高度的增加而變大，在20～100 hPa氣壓高度層間，溫度的RMSE為1～2 K。

圖8 反演對(duì)流層溫度RMSEFig.8 RMSE distributions of retrieval temperature from troposphere

圖9 反演溫度散點(diǎn)圖Fig.9 Temperature scatter diagram of retrieval

圖10 反演平流層溫度RMSEFig.10 RMSE distributions of retrieval temperature from stratosphere

表5 5類CIMSS數(shù)據(jù)反演大氣溫度統(tǒng)計(jì)

3.2中國(guó)區(qū)域大氣溫度反演結(jié)果

3.2.1 整層(0.005～1 100 hPa)大氣溫度

中國(guó)區(qū)域反演溫度散點(diǎn)圖如圖11所示。中國(guó)區(qū)域共有測(cè)試樣本廓線576個(gè)。由圖11可知：反演的溫度值與目標(biāo)值的相關(guān)系數(shù)0.998，有較高的相關(guān)性；整層大氣的溫度均方根誤差1.922 K，反演值較目標(biāo)溫度值偏高0.025 K，反演與觀測(cè)的溫度值均勻分布在直線y=x兩側(cè)，有較好的一致性。

圖11 反演大氣溫度散點(diǎn)圖Fig.11 Scatter plots of retrieving atmospheric temperature

在綜合考慮檢驗(yàn)反演效果的廓線576條下，反演的整層大氣溫度RMSE如圖12所示。由圖12可知：整層溫度反演的RMSE為1.992 K，最小值0.628 K；針對(duì)576個(gè)測(cè)試樣本，RMSE最小值0.604 K，此時(shí)R為0.999 8，平均誤差0.017 K。

圖12 反演整層大氣溫度RMSEFig.12 RMSE distributions of retrieval temperature from whole layer atmosphere

1～1 000 hPa溫度的反演誤差分層雙縱坐標(biāo)圖如圖13所示。圖13中：黑線為目標(biāo)溫度的誤差值。由圖13可知：反演溫度的誤差范圍為-0.160～0.233 K，大致均勻分布于黑線兩側(cè)；對(duì)流層和平流層大氣溫度反演平均誤差分別為-0.003，0.024 K。

圖13 1～1 000 hPa溫度的反演誤差分層雙縱坐標(biāo)圖Fig.13 Mean error’s distributions of 1～1 000 hPa temperature retrieval

3.2.2 對(duì)流層(100 hPa～1 000 hPa)大氣溫度

對(duì)流層區(qū)域溫度反演散點(diǎn)圖如圖14所示。由圖14可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關(guān)系數(shù)0.998，均方根誤差0.846 K，平均誤差-0.003 K，反演值與樣本值均勻分布在直線y=x兩側(cè)。

圖14 反演溫度散點(diǎn)圖Fig.14 Temperature scatter diagram of retrieval

反演的對(duì)流層溫度RMSE如圖15所示。由圖15可知：對(duì)流層區(qū)域溫度的RMSE為0.846 K，對(duì)流層大氣溫度的探測(cè)精度1 K/km，平均誤差范圍在-0.163～0.163 K，溫度RMSE優(yōu)于1 K的概率79.25%。

圖15 反演對(duì)流層溫度RMSEFig.15 RMSE distributions of retrieval temperature from stratosphere

3.2.3 平流層(1～100 hPa)大氣溫度

平流層區(qū)域溫度反演散點(diǎn)圖如圖16所示。由圖16可知：反演值與樣本值有較高的一致性，反演的溫度值與樣本值的相關(guān)系數(shù)0.992，均方根誤差2.020 K，平均誤差0.024 K，反演值與樣本值均勻分布在直線y=x兩側(cè)。

圖16 反演溫度散點(diǎn)圖Fig.16 Temperature scatter diagram of retrieval

反演的平流層溫度RMSE如圖17所示。由圖17可知：平流層區(qū)域溫度RMSE為2.020 K，最小值1.274 K，平均反演溫度的誤差范圍為-0.233～0.233 K。對(duì)流層大氣溫度反演精度明顯高于平流層。

圖17 反演平流層溫度RMSEFig.17 RMSE distributions of retrieval temperature from stratosphere

GIIRS與歐洲極軌衛(wèi)星(Metop-A)IASI模擬資料反演大氣溫度RMSE如圖18所示。由圖18可知：在氣壓層區(qū)域(1 100～500 hPa)，GIIRS反演溫度優(yōu)于IASI，最優(yōu)值0.649 K；在高層(<500 hPa)區(qū)域，IASI反演大氣溫度的效果更好，特別在高度1 hPa上，IASI溫度反演的RMSE為1.642 K，GIIRS反演溫度的RMSE為3.300 K。綜合，在低層(>500 hPa)，GIIRS的溫度反演精度(RMSE=0.790 K)優(yōu)于IASI(RMSE=0.976 K)，而在高層(<500 hPa)GIIRS的溫度反演精度(RMSE=1.803 K)低于IASI(RMSE=0.899 K)。

圖18 GIIRS，IASI反演大氣溫度RMSEFig.18 RSME of atmospheric temperature retrieved by GIIRS and IASI

4 結(jié)論

FY-4A星是國(guó)內(nèi)第一個(gè)裝載高光譜紅外垂直探測(cè)儀的靜止軌道衛(wèi)星，國(guó)際上無相關(guān)高軌同類載荷的相關(guān)研究和反演經(jīng)驗(yàn)。隨著其高光譜紅外大氣垂直探測(cè)儀的處理流程、產(chǎn)品質(zhì)量等指標(biāo)的不斷完善，在溫濕廓線反演研究中使用這些資料的需求將越來越迫切。本文結(jié)合全球大氣晴空訓(xùn)練樣本(CIMSS)數(shù)據(jù)，用輻射傳輸模式模擬獲得GIIRS亮溫資料，用人工神經(jīng)網(wǎng)絡(luò)反演方法研究了FY-4衛(wèi)星高光譜紅外載荷大氣溫度反演方法，并研制了全圓盤和中國(guó)區(qū)域兩套大氣溫度反演模型。反演試驗(yàn)結(jié)果表明：第一，對(duì)流層大氣溫度反演精度明顯高于平流層，以中國(guó)區(qū)域反演模型為例，對(duì)流層和平流層大氣反演溫度RMSE分別為0.846，2.020 K，平均誤差分別為-0.003，0.024 K。這主要是因?yàn)槠搅鲗涌捎猛ǖ罃?shù)較少。第二，中國(guó)區(qū)域大氣溫度誤差精度明顯高于全圓盤，0～70 km處大氣溫度反演RMSE分別為1.922，2.630 K。這主要是因?yàn)槿珗A盤區(qū)域部分站點(diǎn)的大氣溫度偏低，而所建模型在較低溫度區(qū)域的反演誤差偏大。第三，F(xiàn)Y-4衛(wèi)星GIIRS的溫度反演精度在低層(>500 hPa)優(yōu)于IASI，在高層(<500 hPa)則低于IASI。

由于FY-4衛(wèi)星GIIRS在軌實(shí)測(cè)數(shù)據(jù)可能存在觀測(cè)誤差和儀器誤差，實(shí)測(cè)值與模擬值間可能存在偏差，這樣會(huì)增加大氣溫濕反演誤差。為解決此問題，需對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行訂正。后續(xù)將基于實(shí)測(cè)的FY-4衛(wèi)星GIIRS亮溫?cái)?shù)據(jù)進(jìn)行大氣溫度廓線的反演，并對(duì)GIIRS溫度反演精度在高層誤差大于IASI的情況進(jìn)行更多研究。

致謝：感謝李俊、閔敏和劉輝博士為本研究提供模式，并給予指導(dǎo)。

[1] 董超華, 李俊, 張鵬, 等. 衛(wèi)星高光譜紅外大氣遙感原理與應(yīng)用[M]. 北京: 科學(xué)出版社, 2013..

[2] 王穎, 黃勇, 黃思源. 大氣溫濕廓線反演問題的研究[J]. 國(guó)土資源遙感, 2008(1): 23-26.

[3] AIRES F, PRIGENT C, ORLANDI E, et al. Microwave hyperspectral measurements for temperature and humidity atmospheric profiling from satellite: the clear-sky case[J]. Journal of Geophysical Research, 2015, 120(21): 11334-11351.

[4] ISHIMOTO H. OKAMOTO K. OKAMOTO H, et al. One-dimensional variational (1D-Var) retrieval of middle to upper tropospheric humidity using AIRS radiance data[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(12): 7633-7654.

[5] LI J. WOLF W W. MENZEL W P, et al. Global soundings of the atmosphere from ATOVS measurements: the algorithm and validation[J]. Journal of Applied Meteorology, 2000, 39(8): 1248-1268.

[6] 劉天舒. BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D]. 哈爾濱: 農(nóng)業(yè)工程研究生院, 2011.

[7] 劉旸. 利用人工神經(jīng)網(wǎng)絡(luò)方法反演晴空大氣濕度廓線的研究[D]. 南京: 南京信息工程大學(xué), 2011.

[8] GANGWAR R K. MATHUR A K. GOHIL B S, et al. Neural network based retrieval of atmospheric temperature profile using AMSU-A observations[J]. International Journal of Atmospheric Sciences, 2014, 10: 1155.

[9] 姚志剛, 陳洪濱. 利用神經(jīng)網(wǎng)絡(luò)從118.75 GHz附近通道亮溫反演大氣溫度[J]. 氣象科學(xué), 2006, 30(6): 252-259.

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

[11] 劉亞亞, 毛節(jié)泰, 劉鈞. 地基微波輻射計(jì)遙感大氣廓線的BP神經(jīng)網(wǎng)絡(luò)反演方法研究[J]. 高原氣象, 2010, 29(6): 1514-1523.

[12] 蔣德明, 曹思沁, 屈佑銘. 利用神經(jīng)網(wǎng)絡(luò)方法從高分辨率紅外遙感資料反演大氣溫度廓線[J]. 熱帶氣象學(xué)報(bào), 2010, 26(6): 819-824.

[13] 鮑艷松, 錢程, 閔錦忠, 等. 利用地基微波輻射計(jì)資料反演0～10 km大氣溫濕廓線試驗(yàn)研究[J]. 熱帶氣象學(xué)報(bào), 2016, 32(2): 163-171.

[14] 董瑤海. 風(fēng)云四號(hào)氣象衛(wèi)星及其應(yīng)用展望[J]. 上海航天, 2016, 33(2): 1-8.

[15] 官莉. 衛(wèi)星紅外超光譜資料及其在云檢測(cè)、晴空訂正和大氣廓線反演方面的應(yīng)用[D]. 南京: 南京信息工程大學(xué), 2005.

[16] YANG Y, LIU G. Multivariate time series prediction based on neural networks applied to stock market[C]// IEEE International Conference on Systems, Man, and Cyberneties. [S. l.]: IEEE, 2001: 2680.

[17] 高大啟. 有教師的線性基本函數(shù)前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究[J]. 計(jì)算機(jī)學(xué), 1988, 21(4): 80-86.

[18] DIAMOND C, SHADBOLT J, BARAC M A, et al.Neural network system for tactical asset allocation in the global bonds markets[C]// The 3thInternational Conference Artificial Neural Networks. [S. l.]: [n. l.], 1993: 118-122.

PreliminaryStudyonAtmosphericTemperatureProfilesRetrievalfromGIIRSBasedonFY-4ASatellite

BAO Yan-song1, 2， WANG Zi-jun3， CHEN Qiang3， ZHOU Ai-ming3，DONG Yao-hai4， MIN Jin-zhong1

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters (IC-FEMD)/Key Laboratory of Meteorological Disaster, Ministry of Education (KLME)/Joint International Research Laboratory of Climate and Environment Change (ILCEC)/Key Laboratory of the China Meteorological Administration Aerosol and Cloud Precipitation, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu,China; 2. School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu, China; 3. Shanghai Institute of Satellite Engineering, Shanghai 201109, China;4. Shanghai Academy of Spaceflight Technology, Shanghai 201009, China)

In this paper, the radiation transfer model was used to calculate the brightness temperature data of Geostationary Infrared Interferometer Sounder (GIIRS) based on the data by the Cooperative Institute for Meteorological Satellite Studies (CIMSS), and the artificial neural network method was applied to build the atmospheric temperature retrieval systems of disc and Chinese regions based on the GIIRS hyperspectral infrared data. The retrieval results show that the atmospheric temperature estimation precision of troposphere is obviously higher than that of stratosphere, the root mean square errors (RMSE) of retrieved atmospheric temperature in the troposphere and stratosphere are 0.846 K and 2.020 K, and the average errors are -0.003 K and 0.024 K respectively. Compared with total disc area, the RMSE of the retrieval model in Chinese region is apparently better, the RMSE of retrieved atmospheric temperature over 0～70 km is 1.922 K, however, the RSME is 2.630 K in the total disc area. Compared with IASI from European polar satellite (Metop-A), the atmospheric temperature estimation precision of FY-4A satellite GIIRS in the lower layers (>500 hPa) (RMSE=0.790 K) is better than IASI (RMSE=0.976 K), but (RMSE=1.803 K) is worse than IASI (RMSE=0.899 K) in high layers (<500 hPa). The study has important value for the retrieval and application of atmosphere temperature profiles from GIIRS based on FY-4A satellite.

FY-4 meteorological satellite; Geostationary Infrared Interferometer Sounder (GIIRS); neural network; temperature profile; retrieval; stratosphere; troposphere; Chinese region; total disc area

1006-1630(2017)04-0028-10

2017-06-08；

：2017-07-28

“六大人才高峰”高層次人才項(xiàng)目資助(2015-JY-013)；國(guó)家重點(diǎn)研發(fā)計(jì)劃資助(2016YFA0600703)；上海航天科技創(chuàng)新基金資助(F-201509-0066)

鮑艷松(1976—)，男，教授，博士生導(dǎo)師，主要從事衛(wèi)星遙感研究。

P423

：ADOI:10.19328/j.cnki.1006-1630.2017.04.004