云对地基微波辐射计反演湿度廓线的影响

车云飞 马舒庆 杨 玲 邢峰华 李思腾

1)(成都信息工程学院，成都 610225)2)(中国气象局气象探测中心，北京 100081)



云对地基微波辐射计反演湿度廓线的影响

车云飞1)马舒庆2)*杨 玲1)邢峰华1)李思腾1)

1)(成都信息工程学院，成都 610225)2)(中国气象局气象探测中心，北京 100081)

利用中国气象局大气探测试验基地的L波段探空数据和微波辐射计观测数据，采用MonoRTM辐射传输模型作为正演亮温模型，BP(back propagation)神经网络作为反演工具，在由亮温反演大气湿度廓线的过程中，添加与样本匹配的云底高度和云厚度信息，建立新的反演模型，使新反演模型得到的反演湿度廓线和未添加云信息的反演湿度廓线分别与探空数据进行对比，获取两种反演方法各高度层的均方根误差，分析云信息对反演大气湿度廓线的影响。对比结果表明：未添加云信息时，测试样本的反演湿度廓线与探空廓线的相关系数平均值为0.685，而添加云信息后，相关系数平均值为0.805。相比未添加云信息的反演廓线，添加云信息之后多数高度层的均方根误差均有不同程度减小，而在有云以上高度层表现尤为明显。

微波辐射计； 云信息； 反演方法； 大气湿度廓线

引 言

准确预报灾害性天气对减少和避免气象灾害有重要意义，但当前对于中小尺度天气发生的机理和规律的掌握不够[1-2]，尤其是对大气廓线的探测能力不足，现有的基于每日2次或4次的气象探空业务在测量精度、费用和时间的连续性等方面存在诸多局限性。为了获取连续的大气廓线资料，国内外学者一直在研究地基遥感探测手段，其中比较成熟的包括采用微波辐射计探测大气温湿廓线。

近年来，国内引进多台地基微波辐射计，用于进行大气温度、湿度和液态水垂直廓线的探测[3-4],大气廓线的反演精度也不断提高，但有云存在时反演的大气温湿廓线，尤其是湿度廓线会出现较大偏差，主要因为地基微波辐射计自身配置的红外辐射仪组件仅能获取天空红外辐射亮温[5]，其测云能力非常有限，导致有云时微波吸收系数的分布存在很大不确定性[6-8]。而相比于绝对变化仅为10%～20%的温度而言，云对湿度廓线的影响更大。

为了提高云天反演大气廓线的效果，许多学者将其他仪器所测得的云信息用于反演工作中，1998年Frate等[9]利用七通道的微波辐射计，通过添加激光云高仪提供的云底高度信息，建立了反演大气温度廓线和大气湿度廓线的多元线性回归方程，获得了更高的反演精度。2001年Lohnert等[10]将95 GHz 云雷达、K波段微波辐射计和激光云高仪联合持续观测，结合地基微波辐射计反演的液态水含量、雷达反射率和云模型来反演云中液态水廓线，得到的液态水廓线的均方根误差比以往反演方法的误差小10%～20%。同年，James等[11]在亮温反演云液态水路径的过程中，使用由毫米波云雷达或者大气温度廓线提供的云温，同样减小了反演偏差。

为了更好地反演大气湿度廓线，本研究将毫米波云雷达所测的云底高度和云厚度运用于反演过程，以探空数据为标准，比较反演所得廓线与未添加云信息反演结果的精度，分析云信息对反演大气湿度廓线的影响。

1 资料简介

微波辐射计数据来自于安置在中国气象局大气探测试验基地的Airda-HTG3型号14通道微波辐射计，其中，K波段(22～32 GHz)和V波段(51～59 GHz)各7个通道，该微波辐射计亮温测量范围为0～800 K，亮温漂移率为0.2 K/a，绝对亮温精度为0.5 K。所用探空数据来自北京市观象台的GTS1型数字探空仪。所用毫米波云雷达数据来自于由中国气象局气象探测中心和西安华腾微波有限责任公司共同研制的Ka波段35 GHz的全固态垂直指向多普勒天气雷达，测量高度约为12 km，垂直空间分辨率为30 m，时间分辨率为1～60 s可调。

训练样本为2011年和2012年的GTS1型数字探空仪的全年探空数据，先将探空数据进行预处理，将有雨或不确定天气条件的情况剔除，训练样本共815组，其中，晴天探空数据为527组，云天数据为289组。测试检验样本共76组，分别为2011年随机10组未参与训练的探空数据、2013年5—6月经过预处理筛选后探空数据32组和2014年6—7月经过筛选的33组探空数据。由于数据有限，2013年和2014年部分样本的云底高度和云厚度由毫米波云雷达数据提供，其余样本所对应的云底高度和云厚度由探空仪数据分析得到。

2 探空数据的预处理

本研究针对晴天和云天天气，从理论上讲，相对湿度达到100%时会形成云，但由于凝结核等多种原因，相对湿度达到85%时可能已经入云[12-13]，故此次研究中，以相对湿度85%为阈值，若从地面至任意高度，相对湿度始终小于85%则判定为晴天。若近地面处相对湿度小于85%，至600 m以上的高度，存在相对湿度大于85%的分层，认为是云天状况。判断入云和出云时所对应的高度参见文献[14]。

通过上述方法，筛选出晴天和云天情况下的探空廓线，由于训练神经网络需要大量样本，而毫米波雷达数据略少，故在有云的天气情况下，根据入云和出云的判决条件，得到样本对应的云底高度和云厚度，以便后续工作的使用。

为了验证通过探空数据判定云底高度和云厚度的可行性，研究中将21组根据探空数据所判定的云底高度和云厚度与毫米波云雷达数据进行对比(图1)。

在统计的21组样本中，有两组样本为探空数据判定有云而毫米波云雷达测得无云，统计其余19组样本，探空数据判定云信息与毫米波云雷达数据比较，云底高度的平均偏差为0.456 km，相关系数为0.950，云厚度的平均偏差为0.350 km，相关系数为0.705。

由于探空气球运行轨迹的偏移和云分布的不确定性，二者得到的云信息自身存在偏差，数据对比得到的云底高度和云厚度的偏差合理，故根据探空数据判定云底高度和云厚度的方法可行。

3 正演模型与反演方法

3.1 正演模型

正演亮温模型采用美国AER公司的MonoRTM辐射传输模型[15]，MonoRTM利用Vogit线型，水汽的压力加宽系数、温度加宽系数、自加宽系数等相关参数来源于HITRAN数据库，水汽吸收谱采用MT_CKD模型(Mlawer Tobin_Clough Kneizys Davis),该模型考虑到了氧气、氮、二氧化碳和臭氧的压力加宽和自加宽效应，模型中还使用了包含中心频率为22.2 GHz和183.3 GHz的水汽吸收线情况，也处理了氧气吸收线在微波频段的重叠情况。对于云天状况下云中液态水的影响，MonoRTM采用Liebe吸收模型，计算云中出现液态水情况下的辐亮度。该模型所模拟的亮温精度约为0.5%[16]。

使用MonoRTM模拟与德国RPG微波辐射计相同频率的14通道的亮温，先将探空数据按照MonoRTM模式要求进行处理，将探空廓线分为晴天和有云两种情况，晴天状态下，输入处理过的探空廓线后，直接得到对应该次探空的亮温数据。有云情况下，要在有云的高度层输入该高度层下的云中液态水含量，从而得到该廓线正演得到的亮温，而在常规的气象探测资料中没有液态水含量，研究参照文献[17]，当高度层相对湿度小于85%时，液态水浓度取0；当相对湿度大于95%时，液态水浓度则取2.0 g/m3；而相对湿度为85%～95%时，液态水浓度取值满足线性关系，同时假定云中含水量在垂直方向均匀分布。

对比22组不同时次的正演亮温和对应时间的微波辐射计观测亮温，22.24 GHz通道和58.00 GHz 通道的亮温对比见图2。

图2 正演亮温与观测亮温变化 (a)22.24 GHz通道，(b)58.00 GHz通道Fig.2 The simulated and themeasured brightness temperatures(a)channel of 22.24 GHz,(b)channel of 58.00 GHz

14个不同通道的数据统计如表1所示。由表1可以看出，MonoRTM模型正演亮温与微波辐射计观测亮温的标准偏差在2.2 K以内，相关系数为0.94～0.99，这种差异对神经网络训练的影响很小，二者所反演的廓线之间也相差甚微，故以MonoRTM模型正演亮温可行[17]。

3.2 反演方法

神经网络方法[18]理论上可以逼近任意复杂的非线性关系,不需要专门设计非常复杂的反演算法。因此，神经网络已应用于大气参数剖面反演领域[19-21]。研究中采用3层前馈BP神经网络，输入层到隐层选取双曲正切S型转移函数tansig，隐层到输出层选取线性转移函数purelin，它能够实现任意精度的连续函数映射[22]。

添加云信息时输入层节点为17个，其中前14个节点分别为MonoRTM模型正演14个通道亮温，后3个节点分别为地面温度、地面压强和地面相对湿度。输出层节点设置为47个，从地面到10 km高度的47个不同的高度层上的相对湿度，地面至1 km 高度范围内每隔100 m为1层，从1～10 km每隔250 m为1层。根据文献[23]隐层节点的计算见式(1)，

M=(0.42LN+0.12N2+2.54L+

表1 正演亮温与观测亮温数据对比Table 1 Comparison between the simulated and the measured brightness temperatures

(1)

式(1)中，M为隐含层节点数，L为输入层节点数，N为输出层节点数。未添加云信息时神经网络框图如图3所示。 添加云信息时输入节点为19个，其中前17个节点与未添加云信息一致，后两个节点为对应的云底高度和云厚度信息，晴天时后两个节点设为0。隐层节点数为28个，输出节点与未添加云信息一致。

将所有样本按照上述方法训练后，得到两个参数固定的网络，将测试样本分别按照各自网络节点的要求输入，即输入到未添加云的神经网络中时，测试样本应为14通道亮温、地面温度、地面压强和地面相对湿度，而输入到添加云的神经网络中时，要增加输入样本匹配的云底高度和云厚度，由此反演得到47个不同高度层的相对湿度廓线。

图3 未添加云信息的神经网络框图Fig.3 The structure diagram of BPNN without cloud information

4 云对微波辐射计反演的影响

考虑平面平行大气，散射可忽略,指向天顶的地基微波辐射计所观测到的下行亮温[24-25]为

TB(0)=TB(∞)τ(0,∞)+

(2)

在微波频段，晴天大气吸收系数主要来源于氧气和水汽，即ka=kO2+kH2O。对于非降水云的有云天气，式中ka为有云大气的吸收系数，其包括3项分别为水汽、氧气和云的吸收系数，即ka=kO2+kH2O+kcloud。而对于有降水大气的吸收系数则包括4项，即ka=kO2+kH2O+kcloud+krain，其中krain为雨的吸收系数[25]。同时，文献[26]研究结果表明：云层对亮温的影响要视云厚度、离地面的高度以及云中液态水密度而定。

由上述分析可知，云层的出现会对吸收系数产生较大影响，不同高度、不同厚度云层也会影响微波辐射计观测亮温，但微波辐射计自身所配置的红外辐射仪组件无法获取准确的云参量，导致反演所需信息不足，从而使云天时的反演廓线出现较大偏差。所以尝试给神经网络提供准确的匹配云参量信息，从而达到提高反演精度的目的。

为了更好地分析云对亮温反演大气廓线的影响，根据《地面气象观测规范》[27]，按照对应云底高度的不同，将75组测试样本分为低云、中云、高云3类。云底高度在2500 m以下(含2500 m)为低云，2500～4500 m(含4500 m)为中云，4500 m以上为高云，其中低、中、高云样本分别为30组、23组、22组。对于多种云混合存在的情况，本研究并未涉及，会在后续工作中完善。

低云情况下，添加云信息反演大气湿度廓线、未添加云信息反演湿度廓线和探空廓线的对比如图4所示(时间为北京时，下同)。

图4 低云情况下，添加云信息反演廓线、未添加云信息反演廓线与探空廓线对比(a)2013年5月2日07：00,(b)2013年5月27日19：00,(c)2014年6月19日19：00,(d)2014年6月20日19：00Fig.4 Comparison of inversion profiles with cloud information, inversion profiles without cloud information and sounding profiles in the case of low cloud(a)0700 BT 2 May 2013,(b)1900 BT 27 May 2013,(c)1900 BT 19 Jun 2014,(d)1900 BT 20 Jun 2014

中云情况下，反演湿度廓线与探空廓线对比如图5所示。

高云情况下，反演湿度廓线与探空廓线对比如图6所示。

图5 中云情况下，添加云信息反演廓线、未添加云信息反演廓线与探空廓线对比(a)2013年3月20日07：00,(b)2013年5月25日19：00,(c)2014年6月10日07：00,(d)2014年7月16日19：00Fig.5 Comparison of inversion profiles with cloud information, inversion profiles without cloud information and sounding profiles in the case of middle cloud(a)0700 BT 20 Mar 2013,(b)1900 BT 25 May 2013,(c)0700 BT 10 Jun 2014,(d)1900 BT 16 Jul 2014

图6 高云情况下，添加云信息反演廓线、未添加云信息反演廓线与探空廓线对比(a)2013年4月20日07：00,(b)2013年7月23日07：00,(c)2014年5月28日19：00,(d)2014年6月4日19：00Fig.6 Comparison of inversion profiles with cloud information, inversion profiles without cloud information and sounding profiles in the case of high cloud(a)0700 BT 20 Apr 2013,(b)0700 BT 23 Jul 2013,(c)1900 BT 28 May 2014,(d)1900 BT 4 Jun 2014

续图6

5 结果分析

分别对低、中、高云样本进行数据统计，以探空数据为标准，对比添加云信息和未添加云信息两种反演方法所得到的湿度廓线在各高度层上的均方根误差(图7)。

图7 添加云信息反演廓线和未添加云信息反演廓线与探空廓线对比的均方根误差(a)低云情况，(b)中云情况，(c)高云情况Fig.7 Root mean square error contrast between inversion profiles with cloud information and inversion profiles without cloud information using sounding profiles as the standard(a)low cloud,(b)middle cloud,(c)high cloud

由图7可知，低云情况下，未添加云信息反演廓线在0～2 km高度内均方根误差由4%快速增加至23%，至10 km高度均方根误差振荡增加至25%。相比于未添加云信息的反演结果，添加云信息后反演廓线在1.5～4.5 km高度上改善明显，均方根误差平均减少3.99%。中云情况下，0～2 km高度范围内未添加云信息反演的均方根误差由4%快速增长至17.5%，至4.5 km高度均方根误差增加至28%，至10 km高度又逐渐减少至18%。而添加云信息后的均方根误差在2.5～10 km范围内平均减小5.09%。高云情况下，未添加云信息反演廓线在0～2 km高度内均方根误差与中云情况相近，至6 km 高度处均方根误差增加至29%，至8.5 km高度处均方根误差在27%附近振荡，10 km高度处快速下降至16%。而添加云信息反演廓线在5～8.5 km 处改善明显，平均减少了4.23%。

对比不同云类下反演湿度廓线的均方根误差可知，反演精度总体上随高度的增加而减小，但在有云存在时，云层及云层以上高度的反演误差会明显加大。而相比于未添加云信息的反演结果，添加云信息后在云层及云层以上高度的反演效果改善明显。

将添加云信息和未添加云信息反演所得的每条反演廓线与对应的探空数据进行对比，得到反演廓线与探空廓线的相关系数(图8)。

图8 以探空数据为标准，添加云信息反演廓线与未添加云信息反演廓线的相关系数对比Fig.8 Related coefficient contrast between inversion profiles with cloud information and inversion profiles without cloud information using sounding profile as the standard

未添加云信息的反演廓线与探空数据的相关系数的平均值为0.685,而添加云信息所得的反演廓线相关系数的平均值为0.805,在统计的75组测试样本中,有70组添加云信息之后相关系数增加,相关系数最小增加0.008，最大增加0.330。

通过以上对比可以看出，有云存在时，会造成有云高度甚至是云层以上的高度反演误差增大，而在反演的过程中添加云信息明显改善了反演精度，但云对大气廓线反演的影响因素并不仅仅只有云底高度和云厚度，云中液态水的分布甚至云中粒子的密度、形状和介电性质都会对反演工作产生影响，在以后的工作中需深入研究。

6 结 论

采用MonoRTM辐射传输模型模拟14通道亮温数据，考虑地面参数的相关性，使用毫米波云雷达实测的云高和云厚，反演过程中，将云底高度和云厚度作为增加的输入通道训练BP神经网络，反演所得廓线与未添加云信息的反演结果和探空仪数据进行分类比较，得到以下结论：

1) 两种反演方法所得到的反演均方根误差随高度的变化趋势基本一致。近地面处反演精度较高，均方根误差约为5%，随着高度的增加，反演精度逐渐降低，均方根误差增加至28%，符合地基微波辐射计的探测性能。

2) 对比低云、中云、高云3种情况，有云高度层上云的影响会造成反演精度明显降低。

3) 添加云信息的反演模型整体上改善了反演廓线精度，反演廓线与探空数据相关系数的平均值由0.685增加至0.805。在有云高度层表现尤为明显，均方根误差减少4%～5%。

研究表明，反演大气廓线过程中添加云信息的方法可行。在以后的试验工作中，可将云雷达和微波辐射计进行联合观测，用更丰富的云分布信息与微波辐射亮温结合反演温湿度廓线，改进有云天气情况下微波辐射计探测大气廓线的能力。

[1] 周秀骥.中尺度气象学研究与中国气象科学研究院.应用气象学报，2006，17(6):665-671.

[2] 陈明轩,俞小鼎,谭晓光.对流天气临近预报技术的发展与研究进展.应用气象学报,2004,15(6):754-766.

[3] 赵从龙,蔡化庆,宋玉东.对流层水汽和液态水的地基微波遥感探测.应用气象学报,1991,2(2):200-207.

[4] 段英,吴志会.利用地基遥感方法检测大气中汽态、液态水含量分布特征的分析.应用气象学报,1991,10(1):34-40.

[5] 胡树贞,马舒庆,陶法.地基双波段测云系统及其对比实验.应用气象学报,2012,23(4):441-450.

[6] Chan P W.Performance and application of a multi-wavelength,gr- ound-based microwave radiometer in intense convective weather.MeteorologischeZeitschrift,2009,18(3):253-265.

[7] Knupp K R,Ware R,Cimini D,et al.Ground-based passive microwave profiling during dynamic weather conditions.JAtmosOceanTechnol,2009,26(6):1057-1073.

[8] 刘红燕.三年地基微波辐射计观测温度廓线的精度分析.气象学报，2011,69(4):719-728.

[9] Frate F D,Giovanni S.A combined natural orthogonal function/neural netwok technique for the radiometric estimation of atmospheric profiles.RadioScience,1998,33(2):405-410.

[10] Lohnert U,Crewell S,Simmer C.Profiling cloud liquid water by combining active and passive microwave measurements with cloud model statistics.JAtmosOceanTechnol,2001,18(8):1354-1366.

[11] James C L,Eugene E C.A new retrieval for cloud liquid water path using a ground-based microwave radiometer and measurements of cloud temperature.JGeophysRes,2001,D13: 14485-14500.

[12] Poore K D.Cloud Base,Top and Thickness Climatology from RAOB and Surface Data. Cloud Impacts on DOD Operations and Systems 1991 Conference.1991.

[13] Poore K D,Wang J H,Rossow W B.Cloud layer thicknesses from a combination of surface and upper-air observations.JClimate,1995,8(3):550-568.

[14] 周玉驰.地基多通道微波辐射计反演大气温湿廓线的研究.北京:中国科学院研究生院,2010.

[15] David D T,Shepard A C,James C L.Retrieving liquid water path and precipitable water vapor from the atmospheric radiation measurement(ARM) microwave radiometers.IEEETransactionsonGeoscienceandRemoteSensing,2007,11:3680-3690.

[16] Clough S A,Shephard M W,Mlawer E J.Atmospheric radiative transfer modeling:A summary of the AER codes.JournalofQuantitativeSpectroscopy&RadiativeTransfer,2005,91:233-244.

[17] 黄兴友,张曦,冷亮,等.基于MonoRTM模型的微波辐射计反演方法研究.气象科学,2013,33(2):138-145.

[18] 周开利,康耀红.神经网络模型及其Matlab仿真程序设计.北京:清华大学出版社,2005.

[19] 刘亚亚,毛节泰,刘钧,等.地基微波辐射计遥感大气廓线的BP神经网络反演方法研究.高原气象,2010,29(6):1514-1523.

[20] 姚志刚,陈洪滨.利用神经网络从118.75 GHz附近通道亮温反演大气温度.气象科学,2006,26(3):252-259.

[21] 刘旸,官莉.人工神经网络法反演晴空大气湿度廓线的研究.气象,2011,37(3):318-324.

[22] Simon Haykin.叶世伟,史忠植,译.神经网络原理.北京:机械工业出版社,2004:33-175.

[23] 高大启.有教师的线性基本函数前向神经网络结构研究.计算机学报,1998,21(1):80-86.

[24] 王振会,李青,楚艳丽,等.地基微波辐射计工作环境对K波段亮温观测影响.应用气象学报,2014,25(6):711-721.

[25] 张培昌,王振会.大气微波遥感基础.北京:气象出版社,1995:346-384.

[26] 邢业新,娄国伟,李兴国,等.云、雨天气对3 mm波段天空亮温的影响.现代防御技术,2010,38(5):82-85.

[27] 中国气象局.地面气象观测规范.北京:气象出版社,2013:11-16.

Cloud Influence on Atmospheric Humidity Profile Retrieval by Ground-based Microwave Radiometer

Che Yunfei1)Ma Shuqing2)Yang Ling1)Xing Fenghua1)Li Siteng1)

1)(ChengduUniversityofInformationTechnology,Chengdu610225)
2)(MeteorologicalObservationCenterofCMA,Beijing100081)

There are a lot of limitations on measurement accuracy, cost and continuity of time in the meteorological sounding operations, which are two or four times a day. In order to obtain continuous atmospheric profile data, many methods are developed, among which the way of measuring atmospheric temperature and humidity profiles by the microwave radiometer is relatively mature. However, the ability of the microwave radiometer with infrared sensors is very limited in measuring the cloud, it can only get the height of cloud, and sometimes it brings large deviations. The deviation result in great uncertainty in distributed cloud microwave absorption, causing errors during the inversion of temperature and humidity profiles, so how to improve the accuracy of inversion on cloud is an urgent problem to solve.A method is implemented using atmospheric profiles from L-band sounding radar and brightness temperature observed with microwave radiometer, and MonoRTM is taken as a forward atmospheric radiative transfer model and the tool of retrieval is BP neural network. The matching cloud information is added and a new model of retrieval is created when retrieving atmospheric humidity profiles. Root mean square error (RMSE) values on each height layer with two kinds of inversion method are obtained and the impact of cloud information on atmospheric humidity profile retrieval is analyzed through comparison.

Results show that the average of correlation between inversion humidity profiles is improved from 0.6850 to 0.8050 after adding cloud information. Compared with inversion profiles without cloud information, RMSE values on the vast majority of height layers after adding cloud information are reduced to various degrees, which is particularly obvious at layers with cloud.

The study shows that the method of adding cloud information on the process of inversion is feasible. In order to improve the ability to observe the atmospheric profile lines in cloudy days, combined information of cloud distribution and brightness temperature of microwave radiation can be used to retrieve the temperature and humidity, in condition the joint observation of cloud radar and microwave radiation is available.

microwave radiometer; cloud information; retrieval method; atmospheric humidity profile

10.11898/1001-7313.20150207

公益性行业(气象)科研专项(GYHY200906035)

车云飞，马舒庆，杨玲,等. 云对地基微波辐射计反演湿度廓线的影响. 应用气象学报，2015，26(2)：193-202.

2014-10-21收到， 2015-01-08收到再改稿。

* 通信作者，email: msqaoc@cma.gov.cn