基于微波辐射计观测亮温数据集的神经网络训练反演研究

为了提升国产地基微波辐射计反演大气温湿廓线的精度,增强本地部署设备的观测性能,研究实现了地基微波辐射计的神经网络直接样本反演法和观测亮温预处理的神经网络间接样本反演法。将算法应用于武汉华梦科技有限公司研制的HRA002型国产地基微波辐射计,在武汉国家基本气象站开展了与探空以及美国3台MP-3000A微波辐射计的对比观测试验。试验结果显示,HRA002直接样本反演采用改进网络反演水汽密度、相对湿度均方差分别降低约0.94 g·m^(-3)、5%;观测亮温经过预处理后与模拟亮温的相关性提升明显,预处理前后反演的低层温度、水汽密度和相对湿度与探空观测的均方差分别从2.4 K、3.26 g·m^(-3)和18.79%改善为1.58 K、2.18 g·m^(-3)和14.55%,略高于直接样本反演;与3台MP-3000A的反演结果相比,HRA002采用直接样本反演方法的温度廓线总体优于MP-3000A,HRA002采用间接样本反演方法的水汽密度和相对湿度总体上平均偏差占优而均方差稍逊。研究结果表明改进后的直接样本反演法更贴合辐射计硬件性能,反演精度较高;亮温预处理显著提升了间接样本反演精度,在反演精度总体接近的情况下,弥补了直接样本反演法需要长期观测数据的缺陷;综合采用上述两种算法能够提升国产地基微波辐射计本地化、个体化的观测性能,在反演大气参量廓线方面具有可用性。