Retrieving Atmospheric Temperature Profiles from AMSU-A Data with Neural Networks

YAO Zhiganglsquo; (fi( 5]), CHEN Hongbin 2 ( i ), and LIN Longfu ( JUj )

rsquo; Institute of Meteorology, PTA University of Science and Technology, Nanking 211101

2 Irsaquo; for Middle A tmospliere ord C!lobal EnGronment Observation, Institute of A tmospheric Physics,

Chinese Academy oJ Sciences, Betlsquo;3ilsquo; ng 100029

rsquo;Betrsquo;3irsquo; ng Institute of Applied Meteorology, BetQing i00029

(Received 16 December 2004; revised 6 March 2005)

ABSTRACT

Back propagation neural networks are used to retrieve atmospheric temperature profiles from NOAA- 16 Advanced Microwave Sounding Unit-A (AMSU-A) measurements over East Asia. The collocated ra- diosonde observation and AMSU-A data over land in 2002—2003 are used to train the network, and the data over land in 2004 are used to test the network. A comparison with the multi-linear regression method shows that the neural network retrieval method Can significantly improve the results in all weather conditions. When an offset of 0.5 K or a noise level of A0.2 K is added to all channels simultaneously, the increase in the overall root mean square (RMS) error is less than 0. 1 K. Furthermore, an experiment is conducted to investigate the effects of the window channels on the retrieval. The results indicate that the brightness temperatures of window channels can provide significantly useful information on the temperature retrieval near the surface. Additionally, the RMS errors of the profiles retrieved with the trained neural network are compared with the errors from the International Advanced TOVS (ATOVS) Processing Package (IAPP). It is shown that the network-hased algorithm can provide much better results in the experiment region and comparable results in other regions. It is also noted that the network can yield remarkably better results than IAPP at the low levels and at about the 250-hPa level in summer skies over ocean. Finally, the network-based retrieval algorithm developed herein is applied in retrieving the temperature anomalies of Typhoon Rananim trom A MSU-A data.

Key words: AMSU-A, neural network, temperature profiles, retrieval

Introduction

Replacing the older series of the Microwave Sound- ing Units (MSU) (Smith et al., 1979), the Advanced Microwave Sounding Unit-A (AMSU-A) is the first of a new generation of polar orbiting cross-track microwave sounders operated by the National Ocean and Atmo- spheric Administration (NOAA). The first AMSU-A was launched on the NOAA-15 satellite, 13 May 1998, and measures outgoing radiation from the earths sur- face and/or atmosphere in 15 spectral regions (four “window” channels at 23.8, 31.4, 50.3, and 89 GHz and 11 temperature sounding channels from 52.8 to 58 GHz). We use the term window channels for those having a surface contribution of 709c or more. The detailed information of atmospheric microwave charac-

E-mail: qiyuan19yzgBhotmail.com

teristics iri the AMSU-A frequency range can be found iii Goodrum et al. (1999). The temperature sounding channels are used to derive atmospheric temperature profiles from the surface to an altitude of about 40 kin in most situations. The exceptions are in regions of precipitation that can cause erroneous estimates of temperature in the lower troposphere (Goldberg, 1999). The window channels receive energy primarily from the surface and the boundary layer, and are used in deriving total precipitable water, cloud liquid water, snow cover, sea ice concentration, and precipitation rate (Grody et a1., 1999). In 2000, the second satel- lite of the advanced NOAA polar orbiting satellites, NOAA-16, was launched successfully, and the opera- tional distribution of data started in April 2001.

In order to obtain atmospheric temperature pro- files from the radiances measured by a microwave in- strument, it is necessary to develop a rapid and ef— fective retrieval method. The physical retrieval meth- ods have been applied to obt ain temperatures from the sounding data (Chahine, 1970; Smith et al., 1985; Fleming et al., 1986; Eyre, 1989; Li et al., 2000; Rosenkranz, 2001), while they generally require a good initial guess and a rapid and accurate direct transfer model. Furthermore, while the physical methods are used in the microixave band, the microwave surface emissivity is required as an input parameter, which has a significant effect on the calculated brightness temperatures and is very difficult to obtain accurately. One other technique for retrieving temperature profiles from microwave radiances is linear statistical regres— sion (Rigone and Stogryn, 1977; Hogg et al., 1983; Goldberg, 1999). Compared with the physical re— trieval, the statistical retrieval is simple and robust in the presence of noise. But the linear statistical method lacks the capability of retrieving temperature profiles in extreme cases and fails to iiddress tion—linear prob— lems. In order to retrieve atmospheric temperature profiles rapidly and accurately from AMSU-A data, back propagation neural netwlsaquo;rsaquo;rks are employed in this study.

Neural network techniques have already proved very successful in the development of computationally efficient inversion methods frrsaquo;r satellite data and for geophysical applications (Lee et al., 1990; Stogryn et al., 1994; Carlos et at., 1995; Bran et al., 1999; Aires et al., 2002; Krasnopolsky and Schiller, 2002). Some groups have used neural networks to retrieve temper- ature profiles from microwave radiometer data. lii their studies, a variety of data and data sources have been used. Motteler et al. (1995) investigated i eu— ral networks and regression—based methods for per- forming clear—air temperatuirsquo;e retrievals from simu— lated AMSU radiances. Churnside e

剩余内容已隐藏，支付完成后下载完整资料

利用神经网络从AMSU-A数据中提取大气温度剖面

摘要

利用反向传播神经网络从NOAA- 16先进微波测深单元a (AMSU-A)在东亚的测量数据中获取大气温度廓线。利用2002-2003年的ra- diosonde观测和AMSU-A地面数据对网络进行训练，并利用2004年的地面数据对网络进行测试。与多元线性回归方法的比较表明，神经网络检索方法能显著改善各种天气条件下的结果。当向所有通道同时添加0.5 K偏移量或A0.2 K噪声水平时，总均方根误差(RMS)的增加小于0.1 K。此外，通过实验研究了窗区通道的选择对反演效果的影响。结果表明，窗口通道的亮度温度可以为地表温度反演提供重要的有用信息。此外，将训练后的神经网络反演得到的廓线的RMS与国际先进的TOVS (ATOVS)处理包(IAPP)的RMS误差进行了比较。实验结果表明，基于网络的算法可以在实验区域内得到较好的结果，在其他区域也可以得到类似的结果。还指出，在夏季海洋上空的低水平和大约250百帕水平时，该网络可以产生比IAPP更好的效果。最后，将本文提出的基于网络的反演算法应用于利用A MSU-A数据反演台风Rananim 异常的温度。

关键词:AMSU-A，神经网络，温度廓线，反演

1.介绍

先进微波测深单元a (AMSU-A)取代了较老的微波测深单元(MSU)系列(Smith et al.， 1979)，它是由国家海洋和大气运动球型管理局(NOAA)发射的第一个的新一代极地轨道交叉轨道微波测深单元。第一颗AMSU-A卫星于1998年5月13日由NOAA-15号卫星发射，在15个光谱区(23.8、31.4、50.3和89 GHz的4个窗区通道和52.8至58 GHz的11个温度探测通道)测量地球表面和/或大气的输出辐射。我们用窗口通道这个术语来表示那些表面贡献为709c或更高的。AMSU-A频率范围内大气微波特性的详细信息可以在iii Goodrum等(1999)中找到。在大多数情况下，温度测深通道用于获得从地表到海拔约40kin的大气温度廓线。除去降水区域，降水可能导致对流层下部温度的错误估计(Goldberg, 1999)。窗口通道主要接收来自地表和边界层的能量，用于获取总可降水量、云液态水、积雪、海冰浓度和降水速率(Grody et a1,1999)。2000年，美国国家海洋和大气管理局(NOAA)先进的极地轨道卫星NOAA-16的第二颗卫星成功发射，并于2001年4月开始了数据的模拟分布。

为了从微波辐射测量中获取大气温度资料，有必要发展一种快速有效的反演方法。物理反演方法ods已应用于测深资料的温度反演(Chahine，1970；Smith等，1985;弗莱明等，1986;艾尔,1989;李等，2000;，而它们通常需要良好的初始猜测和快速准确的辐射传输模型。此外，微波表面发射率作为输入参数对计算的亮度温度有较大的影响，而采用物理方法对微波表面发射率进行测量，很难得到准确的结果。另一种从微波辐射中反演大气温度的方法是线性统计法(Rigone and Stogryn, 1977;豪格等，1983;戈德堡,1999)。与物理方法相比，该方法具有简单、鲁棒等优点。但线性统计方法在极端情况下缺乏温度场的反演能力，不能很好地解决线性问题。为了快速、准确地从AMSU-A数据中获取大气温度廓线，本文采用了神经网络的反演方法，进行分析。

神经网络技术在卫星数据反演方法和地球物理应用方面已被证明是非常成功的(Lee et al.， 1990;Stogryn等，1994;卡洛斯等人。,1995;麦麸等。,1999;Aires等，2002;克拉斯诺波尔斯基和席勒，2002)。一些研究小组已经使用神经网络从微波辐射计数据中繁衍了温度廓线。他们的研究中，使用了各种数据和数据源。Motteler等人(1995)研究了从模拟的AMSU辐射中获取晴空温度的i - ral网络和基于回归的方法。丘恩赛德等人(1994)和姚和陈(2004)利用神经网络从模拟微波辐射计数据中获得温度的垂直分布。Butler等(1996)利用神经网络在国防气象卫星计划专用传感器微波温度仪(DMSP SSM/T-1)上取得了较好的效果。Kuligowski和Barros(2001)利用人工神经网络结合红外-微波卫星数据来检索温度和露点剖面。Shi(2001)在利用AMSU-A和NCEP(国家环境预测中心)数据对大气温度廓线进行神经网络方法反演的研究中表明，反向传播神经网络能够在反演1000- 10hPa之间的温度廓线时取得优异的结果。

线性统计反演与神经网络检索有许多相似之处(Cliurnside et al.， 1994;莫特勒等，1995)。在这两种情况下，一些输入向量被操作产生一个输出向量。对于我们的目的，输入矢量是一组微波辐射，而输出矢量是温度的垂直剖面。在这两种情况下，操作符都是使用现有的成对输入和输出向量集生成的。在线性统计中，该数据集用于获得反演回归系数，而在神经网络中，该数据集用于训练网络。此外，这两种方法的一个共同优点是，它们可以独立于任何正向辐射传输模型。

在本研究中，以东亚某一有限区域的实际AMSU-A和无线电测距仪为例，对其进行了反向传播网络的训练和测试。用真实数据代替模拟数据，克服了正演模型计算的不足。我们将反演结果与经过仔细验证和配置的无线电探空仪测量得到的真实数据进行了比较。利用相同的探空数据，将神经网络结果与多元线性回归方法在各种天气条件下的反演结果进行了比较。然后研究了AMSU-A数据的校正误差和噪声对温度反演精度的影响。

本工作的主要意义在于评价窗口通道对大气温度反演的影响。AMSU-A中包含了更多的窗口通道，这是与SSM/T-1的显著区别。因为有云的影响，利用物理方法研究窗区通道对大气温度反演的影响是一个非常困难的问题。据我们所知，以往的研究还没有评估窗区通道对从实际气象数据中反演大气温度的影响。本文采用神经网络进行评价。

一些团队(Kuligowski和Barros, 2001;辛格a1。,2002;辛格a1。， 2003)比较了神经网络和其他反演方法对不同区域ATOVS数据的反演结果。但是，目前还没有研究报道使用神经网络进行反演的准确性，也没有对东亚地区不同的业务数据反演技术的准确性进行比较。为了进一步研究利用神经网络从AMSU-A数据中反演温度的能力，比较了神经网络的均方根误差(RMS)和国际ATOVS处理包(IAPP)反演结果。

2.神经网络

本文所使用的神经网络类型的示意图如图1所示，该网络有一个.L节点的输入层，其中应用长度为L的输入向量X。输入层没有计算功能，只是用来输入输入向量。每一个输入节点和隐藏层所有的M个节点相连。隐藏层的每一个节点对所有输入值进行加权求和，从而得出输出向量Y。隐藏层中的每个节点都连接到输出层中的每个节点，输出层对隐藏层计算的所有结果进行加权求和。输出层节点的N个值创建输出向量Z。

对于隐含层的第i个节点，神经元对其输入进行加权求和，并对结果应用s形函数产生输出，输出可表示为

S形函数表达式为

在公式1中，W_i,j是第i层输入神经和第j层隐含层神经之间的权重，b_j是隐含层第j个神经元的偏置，在输出层应用了Purelin函数。因此输出值可以是任意的。输出层的结果可以表示成如下：

(3)

W_i,j是第j个隐含层神经元与第K个输出神经元之间的权重；b_k是输出层第k个神经元的偏置。

在训练过程中确定网络的权重和偏差。它们是用一种反向传播算法得到的，在Ruinelhartet al。(1986)。该算法通过迭代调整权值和偏差，减小了实际训练集输出向量与网络利用训练集的输入向量计算出的分离输出向量之间的差值。已经证明(Hornik et al.， 1989)任何连续函数都可以用具有S型函数的单隐层神经网络表示。上述三层网络在其他研究中得到了广泛的应用(Churnside et al.， 1994;史,2001分;艾瑞斯，ct al.， 2002)。

3.反演实验及结果

3.1 数据

本研究使用的数据来自中国北京接收到的NOAA-16的一级数据。数据的最大覆盖范围从15°N到60°N，从80°E到140°E。AMSU-A有20个微波通道，其加权函数从表面到0.1hPa水平。由于无线电探空数据一般报告的是低于100hPa的，因此本研究仅使用AMSU-A通道1- 10和15来测量主要由低于100hPa的大气发射的辐射。

AMSU-A一维数据与2004年1月22日至9月的无线电探空仪观测结果相吻合。由于在陆地上的温度反演比在海洋上的要困难得多，因此我们首先关注的是在陆地上的温度反演。使用并置的无线电探空仪数据选择AMSU-A测量值的标准是:（1）探空位置的经纬度与卫星观测FOV的绝对距离小于0.5度；（2）探空数据时间差与卫星数据小于1.5小时；（3）选择观测高度小于500米的探空数据；（4）需要完整的卫星观测亮温（5）探空数据需要有1000-100hPa的数据记录。基于这些标准，一共有7593个数据样本，包括从2002年9月到2003年12月的4649个样本以及从2004年二月到九月的2944个数据样本。前者数据用来训练，后者用来测试样本。训练样本不包括测试样本。Motteler等人得出这样的结论：对于神经网络和线性回归的方法都依赖于好的训练样本库。因此，利用独立于训练数据的数据来评估重估方法的能力是非常重要的。

表1列出了不同云层覆盖情况下列车运行和测试装置中大气剖面的数量。数值10表示FOV的云覆盖范围在90Po到100Po之间，其他数值也有类似的指示。云覆盖是AAPP (ATOVS和AVHRR处理包)预处理软件中先进的甚高分辨率辐射计(AVHRR)检测的输出。值得注意的是，大多数样品的配置都是在多云的天空条件下。因此，这些集可用于充分评价在多云天气下利用神经网络方法检索温度剖面的能力。

表1列出了不同云层覆盖情况下列车运行和测试装置中大气剖面的数量。数值10表示FOV的云覆盖范围在90%到100%之间，其他数值也有类似的指示。云覆盖是AAPP (ATOVS和AVHRR处理包)预处理软件中先进的甚高分辨率辐射计(AVHRR)检测的输出。值得注意的是，大多数样品的配置都是在多云的天空条件下。因此，这些集可用于充分评价在多云天气下利用神经网络方法反演温度廓线的能力。

表1不同云级的训练和测试集中的大气廓线数目。

3.2温度反演

本研究利用第2节所述的三层神经网络来反演大气温度廓线。输入矢量由12个元素组成，分别是AMSU-A选定的11个通道的亮度温度值和卫星观测的天顶角。交叉测深仪的一个特点是测量沿扫描线的变化。这种变化是由地球和卫星之间光程长度的变化引起的。输入信息中包含当地天顶角，因此无需将测量到的亮度温度调整到最低点方向。在隐藏层中有20个节点。实验由Churnside等人提出。(1994)表明，增加隐层神经元的数量并没有显著提高反演能力。输出矢量是温度廓线的1个层数。这10个元素是1000-100hPa之间的10个气压层（1000,850,700,500,400,300,250,200,100hPa）。

为了进一步验证神经网络和线性回归之间的不同，也使用了线性回归的方法进行了反演。线性回归的关系式如下：

（4）

其中y_i为10个检索变量之一，C_i,j为线性回归系数,C_i,0为常系数项。x_j是输入变量，n是输入变量的个数。对于每个反演变量，线性回归系数的确定方法是将反演值y_i与探空数据的平方和最小化，这一过程称为最小二乘法。用训练数据推导回归系数，用测试数据检验统

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18305]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 气候变化对径流影响研究中多个gcm、统计降尺度和水文模型的比较与评价外文翻译资料
• 蒙古高原与青藏高原对北太平洋西风急流的影响外文翻译资料
• 用RAMS-CMAQ模拟北京气溶胶对大气能见度的影响外文翻译资料
• 春季江淮流域多尺度气旋活动及其与降水异常的关系外文翻译资料
• 中国东部地区春季1壤湿度和夏季降水关系的统计分析外文翻译资料
• 长江流域降水变率的AMIP GCM模拟外文翻译资料
• 中国水汽变化及气溶胶的影响外文翻译资料
• 大西洋盆地及其相邻大陆地区气溶胶的CALIPSO衍生三维结构外文翻译资料
• 基于雨量计观测数据的登陆中国的热带气旋的降水日变化外文翻译资料
• 基于CloudSat数据的热带云属现象描述外文翻译资料