利用人工神经网络方法反演大气温度廓线

高光谱大气红外探测仪AIRS(Atmospheric Infrared Sounder)资料能够显示小尺度的大气温度垂直结构,为数值预报和天气诊断提供了更加准确精细的初始场。目前处理数据主要使用晴空大气业务反演国际MODIS/AIRS处理软件包I MAPP(International MODIS/AIRS Preprocessing Package)中的特征向量统计回归算法,由于统计法算法简单,反演精度受到较大限制。现提出一种利用人工神经网络的算法来对晴空状况下AIRS模拟辐射值进行大气温度廓线反演的方法,并与特征向量统计法结果相比较。结果表明,神经网络方法与特征向量统计法反演所耗时间相当,减小了反演误差,各高度层温度反演精度均有不同程度的改进,获得了较好的反演结果。

人工神经网络法反演晴空大气湿度廓线的研究

高光谱分辨率大气红外探测器AIRS(Atmospheric Infrared Sounder)作为第一个超高光谱大气红外探测仪,开辟了卫星大气探测的新时代。以无线电探空值与SARTA(Stand-Alone Radiative Transfer Algorithm辐射传输模式)v1.05版的前向模式模拟出的AIRS辐射亮温值组成样本对,利用神经网络法反演大气湿度廓线。将反演所得的结果与特征向量统计法的反演结果进行比较,结果表明,与特征向量统计法相比,神经网络法反演精度高,所获得的水汽廓线更加贴近真实廓线。AIRS因其高光谱分辨率(即高垂直分辨率)显示了精细的大气结构。在基于高光谱资料反演大气湿度廓线技术上,神经网络显示出了较强的非线性处理能力。

利用人工神经网络方法获取海表面空气温度

探讨了将遥感反演数据与人工神经网络（ANN）模型结合来获取日平均海表面空气温度（Ta）的方法。研究表明：（1）ANN方法所获取Ta与船测Ta之间的平均偏差主要分布于-1～1℃之间，均方根误差主要分布于0～1℃之间；（2）ANN方法所获取死与船测Ta之间的总的均方根误差（相关系数）为0．9584℃（0．97）；多次线性回归（MLR）方法所获取死与船测Ta之间的总的均方根误差（相关系数）为1．578℃（0．89）；（3）在整个研究区域内，用ANN方法获取死时的平均偏差和均方根误差大多数比用NLR方法获取Ta时的平均偏差和均方根误差小，在黄、东海，用MLR方法获取Ta时比用ANN方法获取死时的平均偏差和均方根误差大很多（大多数均大于0．5℃，最高可达7．3℃）。在获取死时，相对于MLR方法，ANN方法具有更好的性能和更强的区域适应性，显示出ANN方法处理非线性问题的优势。