基于数据融合降低气温测量辐射误差的仿真分析与试验研究

陈高颖 刘清惓，2 丁仁惠 杨杰 姜帆

(1 南京信息工程大学 江苏省气象探测与信息处理重点实验室，南京 210044;2 南京信息工程大学 大气环境与装备技术协同创新中心，南京 210044；3 江苏省气象探测中心，南京 210009；4 南京冶贝科技有限公司，南京 210004)

引 言

温度传感器的测量误差一方面来源于与之配套的信号调理电路，另一方面来源于太阳辐射。为减弱太阳辐射对传感器的加热作用，地面气象站通常会为温度传感器配置防辐射罩或百叶箱。然而防辐射罩和百叶箱外表面的涂层并不能够完全反射太阳辐射，因此太阳直接辐射、散射辐射和反射辐射仍可使箱体或罩体升温，导致温度传感器测量存在辐射误差。

Erell，et al[1]的研究结果表明自然通风防辐射罩的平均辐射误差量级为1 ℃。严家德等[2]的研究结果表明防辐射罩所测气温普遍比百叶箱要低。影响自然通风防辐射罩和百叶箱的能量平衡的主要因素有风速[3]、太阳辐射[4]以及外表面涂层[5]等。在极端环境条件下，自然通风防辐射罩的辐射误差较大，如太阳辐射强度大于800 W·m-2、环境风速小于1 m·s-1以及空气密度小于1.006 5 kg·m-3(海拔>2 km)，其辐射误差可达2 ℃以上[6]。冯琪等[7]研究表明，经设计的强制通风温度传感器比自然通风温度传感器的辐射误差低1～2个数量级。但该研究未考虑风速、下垫面反射辐射、太阳高度角、散射辐射等环境因素。诸多研究[8-9]表明精确测量气温对人们的生产生活起到重要影响。

王子静等[10]研究表明，芬兰VAISALA生产的DTR502B型防辐射罩辐射误差在-0.1～0.2 ℃之间，华云生产的防辐射罩误差在±0.1 ℃之间。由于上述系列防辐射罩价格昂贵、误差较大，因此研究一种成本低、精度高的新型自然通风温度传感器显得尤为必要。

本文提出了一种基于数据融合的铝壳温度传感器设计，该传感器配置的防辐射罩使用高反射率银膜，可显著降低辐射误差。在此设计中，首先利用流体动力学(Computational Fluid Dynamics, CFD)方法计算传感器在不同环境条件下的辐射误差。而后采用神经网络算法[11]对计算结果进行学习，形成辐射误差订正方程，以进一步提高测量精度。

1 铝壳温度传感器设计

1.1 设计方案

铝壳温度传感器包含温度传感器探头和使用高反射率银膜的防辐射罩，其中防辐射罩包含两个外表面镀银的圆柱形铝壳、两个树脂材质的环形导流罩以及两个塑料支撑柱(图1)。为避免雨水和空气中的水汽造成探头短路，采用密封胶对铜球壳开口处进行密封。铜球壳厚度和外径分别为0.5 mm和8 mm，表面涂白，反射率可达0.9。两个反射率为0.95的铝壳分别被安装在探头的上方和下方，可有效阻挡太阳辐射。两个环形导流罩可有效阻挡水平低角度的太阳直接辐射和散射辐射，同时可有效引导自然风通过探头表面，增强通风。为减小由反射引起的二次辐射，铝壳和导流罩内表面被涂黑，吸收率高达0.9，尽可能地吸收射入铝壳内部的部分太阳辐射。铝壳的直径、长度和厚度分别为30、30和2 mm。支撑柱的长度和宽度分别为30 mm和2.5 mm，导流罩直径为100 mm。表1为铝壳温度传感器材料的相关参数。

图1 铝壳温度传感器示意

表1 铝壳温度传感器材料特性参数

1.2 温度场和流场分布

为比较分析自然通风防辐射罩、百叶箱和铝壳温度传感器的辐射误差，运用CFD方法对置于相同外部环境条件下的三者进行数值计算。在模型中，采用能量方程、k-epsilon标准湍流模型[12]、SIMPLE算法[13]、二阶迎风模式进行求解。气流速度、太阳辐射强度、散射辐射分别为2 m·s-1、1 000 W·m-2和200 W·m-2；下垫面反射率、百叶箱外表面反射率、自然通风防辐射罩外表面反射率和铜球壳外表面反射率分别为0.2、0.8、0.8和0.9；铝壳内表面吸收率和外表面反射率分别为0.9和0.95。图2为温度场和流场分布结果。由计算结果可知，本文提出的传感器在提高大气温度观测精度方面具有较大的潜力。

图2 温度场 (a—c)和流场(d—f)分布

1.3 辐射误差订正方法

为进一步降低传感器的辐射误差，有必要针对本文提出的传感器的辐射误差订正方法进行分析研究。为获得误差订正方程，在不同环境条件下，利用CFD方法对铝壳温度传感器进行数值计算，得到上节环境变量和辐射误差之间的关系。计算结果可见图3。

图3 不同条件下铝壳温度传感器的辐射误差数值计算结果

利用神经网络算法对数值计算结果进行学习，获得辐射误差ΔT与气象站海拔高度A、下垫面反射率f、太阳高度角E、太阳辐射强度P和气流速度V之间的关系，形成订正方程：

ΔT=purelin{tansig(V·wi1+P·wi2+E·wi3+

f1·wi4+A·wi5+θi)·wki+ak}。

(1)

输入层神经元和隐含层神经元均为5个，即j=5，i=5；输出层神经元为1个，即k=1。式中：wi1、wi2、wi3、wi4和wi5分别为V、P、E、f和A对应的由隐含层到输入层的权值；wki为输出层到隐含层的权值；ak和θi分别为输出层阈值和隐含层阈值。

2 结果分析

2.1 误差订正方程验证

为验证订正方程的准确性，将气象站海拔高度A、下垫面反射率f、太阳高度角E、太阳辐射强度P和气流速度V代入订正方程，给出辐射误差订正结果。将其与CFD数值计算结果进行比较。分析比较结果如图4所示。

由图4可知，CFD数值计算结果与订正方程计算结果最大差值小于0.005 ℃。因此，基于神经网络数据拟合算法的辐射误差订正方程的拟合度较高。

图4 CFD数值计算结果与订正方程计算结果比较

辐射误差修正方程的准确性可用均方根误差RMSE和绝对误差MAE表示，公式如下：

(2)

(3)

式中：Ec是CFD数值计算结果；Ee是修正方程计算结果；n是样本数量。

由图4可知，铝壳温度传感器的辐射误差订正结果和CFD数值计算结果一致性较高。RMSE和MAE分别为0.007 ℃和0.005 ℃。若使用该订正方程对传感器测量值进行订正，则其辐射误差有可能降至0.05 ℃量级。

2.2 辐射误差修正值与试验结果对比分析

为验证通过数据融合降低辐射误差方法的可靠性，试验采用全光谱射线模拟系统作为太阳模拟器，搭建辐射误差观测平台，如图5所示。将太阳辐射误差订正方程修正值与试验结果进行对比，得到太阳辐射误差修正值与试验值之间的差值ΔT，如表2所示。

图5 辐射误差观测平台

表2 辐射误差修正与实验测量差值对比

由表2可知，铝壳温度传感器太阳辐射误差修正值与试验值之间的差值的平均值为0.051 ℃，均方根误差为0.056 ℃。

3 结论

本文提出了一种铝壳温度传感器设计并通过数据融合降低其辐射误差，首先利用CFD方法计算温度传感器在不同环境条件下的辐射误差。然后利用神经网络算法对辐射误差计算结果进行学习，形成误差订正方程。最后，将太阳辐射误差订正方程修正值与试验结果进行对比。主要结论如下：

(1) 铝壳温度传感器辐射误差随着太阳辐射强度的增加而增加，随着气流速度的降低而降低，该传感器通过数据融合有望将辐射误差降至0.05 ℃量级。

(2) 辐射误差订正公式给出的订正值与CFD数值计算值之间的均方根误差和绝对误差分别为0.007 ℃和0.005 ℃，验证了神经网络算法的有效性。

(3) 铝壳温度传感器的太阳辐射误差修正值与试验值的差值ΔT的平均值为0.051 ℃，均方根误差为0.056 ℃，表明太阳辐射误差修正值与试验值之间较为符合，有助于降低铝壳温度传感器的测量误差。

本文提出的辐射误差订正方法在辐射误差观测平台验证了数据融合提升测量精度的潜力，但未在实际气候环境中验证，在后续研究中会进一步优化传感器结构并在实际环境中验证传感器的实用性。