地基和星载微波辐射计数据反演大气湿度

何杰颖 张升伟

(1.中国科学院空间科学与应用研究中心，北京 100190； 2.中国科学院研究生院，北京 100190)

1.引 言

水汽测量广泛存在于地球物理问题的方方面面，包括研究和应用，与绝对变化仅为10%～20%的温度相比，水汽随时间和空间变化表现出很大的变化。赤道和极区的水汽总量大不相同，对于给定位置，水汽总量一年内可以变化30倍。水汽大多出现在对流层，随着高度增加，水汽浓度逐渐减小，但随着空间的变化，水汽浓度变化却很明显。要确定并预报这些参数的时空变化特征，需要大范围的实时连续测量，仅靠施放无线电探空仪是不够的，地基和星载微波辐射计遥感观测是一种非常有效的补充，具有可见光和红外遥感不可替代的优越性，例如微波对云盖，雨区，植被和地面浅层有着良好的透射性，不受昼夜和时间的限制以及可以提供其他遥感手段不能提供的信息。所获得的资料，可用于气候学能量平衡研究，人工影响天气试验，中尺度天气预报，还可用在射电干涉测量学、大地测量学以及海洋、地表参数、大气温度及其他成分遥感测量中消除水汽对测量结果的影响。

地基大气廓线仪在气象观测、天气预报、通信、测地学、卫星验证等方面发挥了重要作用，具有设备维护成本低、运行可靠的特点，且在低对流层具有很高的空间分辨率，是现阶段测量云液态水和水汽密度最理想的探测设备[1-2]。目前广泛使用的是美国Radiometrics公司的MP(微波廓线仪)系列[3]和德国的RPG(Radiometer Physics Gmbh)系列[4-5]地基大气探测仪。

自20世纪中叶以来，气象卫星凭借其全天候和宽尺度的特点，为探测全球大气湿度、水汽、云液态水含量等信息提供了保证。目前普遍使用的AMSU-B(先进的微波探测器)，相对湿度反演精度小于30%，搭载于NOAA(美国国家海洋和大气局)系列卫星上。基于AMSU-B的微波探测数据，已经成功用于大气湿度垂直分布探测、热带气旋分析、海洋和陆地降水分析、短时强降水估计、强对流云区研究等等。

Westwater和Grody[6]于1980年最早提出星载和地基微波辐射计联合反演的想法且用于大气温度探测。目前，联合AMSU-B卫星资料和地基大气廓线仪已经取得了初步的反演结果，但还未广泛应用于气象参数的反演工作。而星载FY-3A微波湿度计[7]是我国新一代极轨气象卫星搭载的微波设备之一，主要用于大气湿度探测，目前仍在业务运行，FY-3B星搭载的微波湿度计也于2010年11月发射升空。地基大气廓线微波探测仪正处于蓬勃发展期，实现国产化、业务化指日可待。充分发挥两种仪器的探测特点，把地面微波辐射计的观测资料和卫星及常规资料同化在一起，对湿度廓线的反演计算研究工作有很好的基础。因此，联合星载和地基微波辐射计，分析各自结构特点与探测原理，反演大气相对湿度廓线，并与目前业务反演大气相对湿度结果进行比较，具有实际的应用意义，并为未来提高气象预报机能、监测我国沿海地区台风及热带气旋等灾害提供了指导意义。

2. 设备及探测原理

2.1 星载及地基探测设备

我国于2008年5月27日成功发射的FY-3A极轨气象卫星回归周期约5.5天，其上搭载的微波湿度计(MWHS)共5个通道，提供了丰富的亮温数据，定标精度小于1 K，天底空间分辨率为16 km，扫描角度相对天底为±53.35°，扫描间隔为1.1°.窗区150 GHz包括水平和极化两个通道，获取地面及近地表湿度、云中含水量和强降雨、卷云等大气参数信息；183 GHz包括三个垂直极化通道频率分别为：183.31±1 GHz、183.31±3 GHz、183.31±7 GHz，根据对大气中不同高度层水汽的微波辐射表现出不同影响的特点，可以分别用来探测大气850 hPa、500 hPa和300 hPa不同高度层水汽的分布特征。

目前正处于样机研制阶段的地基大气廓线微波探测仪共14个通道，其中用于探测大气湿度廓线的7个通道位于K波段22～31.4 GHz，主要处于水汽吸收谱线附近和窗区，用于探测大气湿度廓线，液态水含量，水汽通量和水汽延迟等大气参数，具体探测频率、带宽等指标如表1所示。

表1 星载和地基设备通道，带宽及其探测目的

注：MWHS：微波湿度计；V:垂直极化；H:水平极化

2.2 探测原理

图1显示了利用1976年美国标准大气计算的大气吸收系数[8]。在0～200 GHz频率范围内有两条水汽吸收线，在这两条水汽吸收线之间，水汽的连续能谱随频率升高吸收缓慢增加。22.235 GHz和183.31 GHz的特征表现为一个水汽谐振带，即根据水汽分布的气压高度表现的压力致宽；通过来自水汽谱线压力致宽的辐射强度和形状的信息，可以得到水汽廓线。22.235 GHz附近适合进行相对湿度较高的高度层水汽廓线反演，较敏感的183.31 GHz适合干环境的地基水汽廓线反演和星载微波辐射计用来测量高空的水汽分布。水汽的发射在高纬度地区表现为很窄的条状，而在低纬度地区则较宽，发射强度与水汽密度和发射强度成正比，通过观测数据和反演模型，可以得到较精确的水汽廓线。

图1 大气微波传输的衰减图

对于星载微波辐射，来源主要为大气下行辐射经地面的反射，地面辐射，大气上行辐射3部分，而地基微波辐射主要包括大气下行辐射以及宇宙微波背景的辐射,具体的大气辐射传输方程为

星载微波辐射：

Tb=Tr+Te+Tu

(1)

Tr= (1-es)[Tce-τ(0)secθ+

(2)

(3)

Te=esTse-τsecθ

(4)

式中，Tc=2.7 K，为宇宙微波辐射背景。

(5)

地基辐射：

TA=TDN+TBCe-τsec(θ)

(6)

对于无散射并处于热力学平衡下的大气，大气下行辐射亮温可以表示为积分的形式

(7)

(8)

TBC=es·Ts

(9)

式中:Ts是地表温度，约为290 K；es为地表辐射率。

图2为地基和星载微波辐射计各水汽通道水汽权重函数示意图。

(a) 地基微波辐射计

(b) 星载微波湿度计图2 地基和星载水汽通道权重函数图

同时，针对不同平台的微波辐射计，背景辐射是不同的，星载宇宙背微波景辐射为

TBGD(v，θ)=TCγv，θ(0，∞)

(10)

地基宇宙背微波景辐射为

TBGD(v，θ)=Tses(0，∞)γv，θ(0，∞)

(11)

(12)

式中，TBC很小，通常具有常数值2.7 K.而地球背景的观测，对于海洋，esTs可能从100 K到150 K，而干燥陆地则可能超高300 K.如果v，θ的选择使得透过率Υv θ(0，∞)很小，那么背景的贡献就变得不重要了。然而在这种情况下，卫星的权重函数就会对接近表面的部分不敏感。相反，如果v，θ的选择使透过率不是很小，权重函数就会对大气底层部分敏感，但又会引起背景温度变化的问题。这个问题对于陆地比对于水体背景更加严重，因为陆地的背景贡献在量级上更大，并且比水体的变化性更大。

3.实验数据

为更好地反映两种设备反演结果的特点，我们选择辐射率相对稳定天气以晴天为主的热带海面上层大气的探空资料(RJAO，47971，经度142.18°，纬度27.08°)，包括与大气高度值对应的大气温湿度廓线、压强等先验信息。

选择0～10 km的数据进行研究，每200 m为一层，共50层，这些采样经过试验证明，能够充分反演每层大气的湿度信息，同时能够实际地反映出不同设备的反演精度。

运用MPM93大气吸收模型和大气辐射传输理论模型，计算出与探空资料时空对应的亮温值或利用经纬度±1°，时间3 h之内的匹配窗，匹配到与之经纬度和时间相对应的FY-3A MWHS亮温数据。

4.反演原理及模型

4.1 人工神经网络

人工神经网络算法是20世纪90年代发展起来的一种非线性反演算法，近几年来已成功应用于利用AMSU-A/B反演大气温度和水汽廓线的分析研究。美国MP系列设备配备了基于此反演算法的反演软件，且成功应用于业务中。本文作者也已采用神经网络算法利用风云三号微波湿度计探测数据反演大气相对湿度廓线，并获得了较好结果[9]。

图3是三层神经网络原理示意图，对于隐层的第j个节点，可以表示为

式中，ρave为销蚀碎片形成的圆管的平均密度；Rm为弹体蘑菇头半径；r0为弹体初始半径。Rm与r0之比为[22]

图3 神经网络原理示意图

(13)

式中:wij是连接第i个输入神经元和第j个隐层神经元的权重；bj是计算值和测量之间的偏差。

S是sigmoid函数，表述如下

(14)

输出层可以表示为

(15)

式中：wjk是连接第j个隐层神经元和第k个输出神经元的权重值；bk是测量值和输出值之间的偏差。它适用于非线性模型，在反复训练过程中，加权函数得以确定，从而减小实际训练的输出向量与测量的输出向量的偏差。相邻层间神经元完全连接，输入元素输入到输入层，经过隐层，传输到输出层，前者采用sigmoid函数，后者采用pureline函数[10]。

本文采用3层神经网络，分别为输入层、隐层、输出层。针对不同搭载平台的大气探测原理，对于星载微波湿度计，神经元个数分别为9、8、50.输入分别为5个探测通道的亮温值、地表的压强、温度和水汽密度和辐射率，而对地基微波辐射计，神经元数分别为10、12、50，输入分别为7个通道的亮温值、地表的压强，温度和水汽密度值。隐层连接输入层和输出层，为了对比和同化，输出层都采用50个神经元，对应0～10 km 内50个离散层的大气水汽密度值。由于网络模型输入输出函数的范围都在[0 1]之间，因此，对输入输出数据进行合理的归一化。通过对RJAO(47971)地区2008-01～2008-12的探空数据资料随机抽取90%进行学习和训练，通过神经网络各层的输入输出训练得到适合的传输函数，即得到个神经元间最适当的加权函数，从而建立一个非线性的数值模型。然后利用剩余的10%的探空数据进行测试。

通过对探空数据进行学习和训练，即神经网络各层的传输函数和输入输出，得到各神经元间最适当的加权函数，从而建立一个非线性的数值模型。代价函数是检验经过训练的神经网络模型是否满足仿真的标准之一，给定代价函数，就可以验证所建立的神经网络是否能用于未知参数的仿真，还是要继续训练，或增加神经元的个数，或增加神经网络的层数和神经元维数。

4.2 星载和地基联合反演模型

联合反演模型仍然以3层神经网络反演算法为基础，输入神经元数目为16，分别为地表温度、压

强、大气相对湿度、地表辐射率，风云三号A星微波湿度计5个通道的亮温值，地基大气廓线仪7个通道的亮温值。隐层神经元数目根据袁曾任经验公式推出，此模型中隐层神经元个数为17。输出层为50，即对以50个不同压强和高度的大气湿度值。探空资料90%用于训练此神经网络反演模型，给定代价函数，剩余10%探空数据用于训练，检验模型的正确性和可靠性，即最小化代价函数。

偏差及均方差是验证反演结果是否满足要求的两个主要考察因素。表达式可分别表述为

(16)

(17)

式中：Q表示输出层的神经元个数，即反演出的大气湿度廓线的数值的个数；i表示大气的第i层。偏差和均方差的数值越小，反演结果的准确度越好。

5.反演结果分析

图4(a)(b)是利用星载风云三号微波湿度计183 GHz三个水汽通道和150 GHz窗区通道和地基大气廓线仪K波段7个水汽及窗区通道利用人工神经网络算法反演得到的大气水汽密度的垂直分布与探空资料的对比图。

(a) 风云三号微波湿度计反演结果

(b) 地基大气廓线仪反演结果图4 水汽密度反演值域探空资料对比

图5(a)是基于地基大气微波辐射计的神经网络算法反演得到的大气水汽密度分布图，从中可知，神经网络算法能够很好地反演实际水汽的变化，地面至5 km高度反演结果较上层大气的反演精度好。

(a) 地基大气廓线仪反演大气水汽密度

(b) 星载风云三号反演大气水汽密度图5

图5(b)是基于星载风云三号微波湿度计神经网络算法反演得到的大气水汽密度分布图，从中可知，神经网络算法能够更好地反演实际水汽的变化。地面至5 km高度反演结果较上层大气反演精度较差。

结果表明：地基大气廓线反演结果在0～5 km高度优于风云三号微波湿度计大气湿度的反演结果，原因是地基大气廓线仪采取了更多的通道，且加权函数相对稳定，主要受低层大气的影响，而星载微波湿度计探测0～5 km湿度的通道数量少，大气湿度权重函数分布随水汽变化而变化，但是在5～10 km，星载微波辐射计反演效果却优于地基微波辐射计。

因此，联合星载和地基微波辐射计，本文建立了一个联合反演模型。图6(a)是利用星载和地基联合反演模型的90组反演结果和探空资料的对比图。图6(b)是利用联合反演模型反演得到的大气水汽密度与探空数据的对比与偏差示意图。

(a) 联合反演模型的反演结果与探空资料对比图

(b) 联合反演模型反演的大气水汽密度和偏差示意图图6

结果可知：联合地基大气廓线仪和星载风云三号微波湿度计的亮温数据，基于神经网络算法，建立新的大气湿度廓线反演模型，反演得到的大气水汽密度廓线与用神经网络算法单独对地基大气廓线仪和星载FY-3A星微波湿度计亮温数据进行反演的结果相比，具有更小的均方差，改进幅度由原来的地基水汽密度反演均方差0.5509 g/m3和星载微波湿度计水汽密度反演均方差1.3230 g/m3提高到0.4507 g/m3，即反演的大气水汽密度廓线更符合实际的大气水汽密度的垂直分布。

6.结 论

通过对地基和星载微波辐射计系统指标和探测原理的分析与对比，运用MPM93模型和大气吸收系数模型，建立了与观测亮温值误差不超过1.5 k的亮温仿真模型。建立联合地基大气廓线仪和星载风云三号微波湿度计探测优点的反演模型，通过反演结果得知，联合二者建立的改进的反演模型，可以改善两者在各自反演中不同高度的反演误差大的缺点，结果证明：针对2008年1月至2008年12月一整年的晴空数据利用联合反演模型，对探空站RJAO，47971，经度142.18°，维度27.08°的仿真数据进行反演，大气水汽密度均方差为0.4507 g/m3，优于相同试验条件下的地基大气廓线仪反演均方差0.5509 g/m3和星载微波辐射计反演均方差1.3230 g/m3，整体上对反演精度有了不同程度的改善,充分发挥了两种仪器的探测特点，同时也证明：把地面微波辐射计的观测资料和卫星及常规资料同化在一起，对湿度廓线的反演计算研究工作有很好的基础。在接下来的工作中，将继续联合星载探测数据和地基探测数据，验证改进的反演模型的普遍适用性，争取更早地应用到气象业务应用中。

[1] 王 波,赵振维,董庆生,等.双通道微波辐射计反演大气剖面的改进算法[J]. 电波科学学报，2007，22(6): 982-986.

WANG Bo, ZHAO Zhenwei, DONG Qingsheng , et al. Improved method to retrieve atmosphere profiles using microwave radiometer’s measurements [J]. Chinese Journal of Radio Science, 2007, 22(6): 982-986. (in Chinese)

[2] 郭 丽,程显海,任 康. 微波辐射计在大气环境遥感测量中的应用研究[J]. 电波科学学报,2000, 15(3): 308-312.

GUO Li,CHENG Xianhai, REN Kang. Applying research on atmospheric environmental remote sensing measurements by microwave radiometers [J ] . Chinese Journal of Radio Science, 2000, 15(3): 308-312. (in Chinese)

[3] MP-Series Microwave Profilers, Radiometrics Corporation[S/OL]. 2007-03-07.http://www.radiometrics.com/MP_Specifications_ .

[4]RPG’s Atmospheric Remote Sensing Radiometers, Operating Manual[S]. Radiometer Physics GmbH: Version 7.50, 2008, 7

[5] RPG-150-90 / RPG-DP150-90 High Sensitivity LWP Radiometers, Operating Manual[S/OL]. http://www.radiometer-physics.com

[6] WASTEWATER E R, GRODY N C. Combined surface- and satellite-based microwave temperature profile retrieval [J]. Journal of Applied Meteorology, 1980, 19(12): 1438-1444.

[7] 张升伟，李 靖，姜景山，等.风云三号卫星微波湿度计的系统设计与研制[J].遥感学报，2008, 12(3): 199-207.

ZHANG Shengwei, LI Jing, JIANG Jingshan, et al. Design and development of microwave humidity sounder for FY-3 meteorological satellite [J]. Journal of Remote Sensing, 2008, 12(3): 199-207. (in Chinese)

[8] LIEBE H J. MPM-An atmospheric millimeter wave propagation model [J]. International Journal of Infrared and Millimeter Waves, 1989, 10(6): 631-650.

[9] HE J Y, ZHANG S W. Retrieval of Clear-sky Humidity Profiles using Back propagation Neural Network from FY-3 MWHS [J]. The cross-strait seminar of telemetry and remote sensing. 2010, 3 C008.

[10]YAO Zhigang, CHEN Hongbin , LIN Longfu. Retrieving Atmospheric Temperature Profiles from AMSU-A data with Neural Networks [J]. Advances in Atmospheric Sciences, 2005, 22(4): 606-616.