星载微波数据估计降水的神经网络方法研究外文翻译资料

 2022-11-22 16:25:57

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

星载微波数据估计降水的神经网络方法研究

摘要：降雨是研究全球气候变化的关键参数。各种反演降雨的方法均使用从遥感轨道平台获得的微波（MW）亮度温度（BT）数据来计算降雨率。最常用的方法是基于回归或其他统计方法。利用卫星数据进行降雨估算的新兴工具是人工神经网络（NN）。神经网络是能够学习复杂关系的数学模型。它们由高度互连的交互式数据处理单元组成。在这项研究中将使用神经网络来估计降雨量，学习计划为反向传播。训练阶段的输入是各个通道的亮温，输出是降雨量，这些数据都是基于时空降雨模型和三维辐射传输模型的模拟随机生成的。一旦训练完成，向神经网络提供从F10和F11极轨道气象卫星上的特殊传感器微波/成像器（SSM / I）仪器获得的多频和极化（水平和垂直）BT数据。因此，产生与实际BT测量相对应的降雨。降雨量也使用对数线性回归模型估计。使用模拟数据对这两种方法进行比较，结果表明，NN可以比回归模型更准确地表示BT和降雨之间的潜在关系。通过两种方法估算的降雨量与高估降雨量的比较表明NN的表现优于回归模型。这项研究表明神经网络在估算来自遥感数据的降雨量方面具有巨大的潜力。

关键词：微波卫星数据 模型 神经网络应用 雷达数据 辐射传输 降雨估计 遥感

  1. 引言

几乎所有人类生活所需的水都是由降雨提供的。大范围的雨水变化会导致干旱和洪水，这是两种对人类生活影响非常重要的环境现象。降水与小尺度和大尺度的各种大气现象有关。 降雨的评估有助于改善不同时空尺度的天气预报，并且对全球降雨量的研究有利于更好地理解全球气候。特别令人感兴趣的是在与热带地区降水有关的水汽凝结过程中产生的潜热。 潜热在塑造全球大气环流模式和评估全球能量平衡方面发挥着重要作用。

对降水进行定量评估以提高对全球能源和环流模式行为的认识是十分必要的。 由于地球70％被水覆盖，所以基于陆地的降雨估算技术（例如雨量计）不足以估算全球降雨量。 估算全球降雨量的一种可行方法是天基遥感。 在遥感方案中，轨道卫星记录从可见光（VIS）和红外（IR）到兆瓦尺度范围波长的辐射能量，然后可以使用各种算法由瞬时辐射能量来估计降雨。

一般来说，静止卫星的可见光和红外辐射能量的采样更好。 在这些频率下，观测到的能量来自云顶，因为云在这些波长处几乎不透明。 用于估算来自VIS和IR数据的降雨量的算法基于云参数（例如，云区域的分数覆盖率或云区变化率）与降水本身之间的经验关系。 这些关系比较适用于大的时间尺度。

另一方面，微波观测目前是从飞机或极地轨道太阳同步卫星获得的。 使用微波谱部分的优点是微波辐射能够穿透云层，降水小滴与其发生强烈地的相互作用。 关于微波遥感有两种方式。 在第一种情况下（主动情况），机载卫星（或陆基或机载雷达）将信号传输到大气中，信号与目标相互作用（在这种情况下为雨滴），接收设备检测并 记录散射光束的能量。 通常发送和接收是由同一个设备完成的。 在第二种情况下（被动情况），接收设备记录源自然发射的辐射能量，能量源是地球表面和大气。

被动微波遥感方案见图1.地面及大气产生的信号被卫星从上往下观测的辐射计接受。 信号通常表示为BT，并且通常包括有关信号极化状态的信息。 信号是由雨滴，表面，云层和大气中的气体（如H2O和O）以及液体和固体（冰）雨和云粒子的散射产生的。 影响信号及其探测的因素包括辐射计观测角度，天线接收模式，大气的物理条件和组成（例如，温度，压力，密度，辐射参与气体的分压）以及云的尺寸和类型等。 遥感是降雨估算的一种可行方法，特别是当降雨云覆盖海洋时，水体充当“冷”背景，因此接收机能够在冷背景（海洋水体）上区分重叠的“暖”组分（降雨云）。

在过去的几年中，一些卫星飞行任务一直致力于测量全球降水，并采用某种微波辐射计。 1987年发射的F10和F11卫星上的SSM / I仪器[14]是国防气象卫星计划（DMSP）的一部分。美国宇航局的地球观测系统（EOS）包括一个高分辨率微波多频率辐射计（HMMR）。除目前的轨道卫星外，未来还将推出若干新卫星，以提供有关降水的有用数据。例如，1997年将发射卫星，携带一台专用于通过微波研究降水量的仪器，作为美国和日本之间的联合计划热带降雨测量任务（TRMM）的一部分[22]。此外，世界气候研究计划（WCRP）已经建立了全球降水气候学项目（GPCP），利用星载数据为1986 - 1995年期间的全球降雨总量创造了月份。上述所有努力都表明了科学界对全球降雨量及其量化的兴趣。

如[3]和[6]所述，已经开发了许多算法来估算微波数据的降雨量。 他们中的一些人利用SSM / I仪器在各种频率和极化情况下获得的BT值，并试图解决反演的问题：卫星“看到”一个BT，并据此估算相应的降雨率。 解决地球物理问题的一种相对新颖的方法可能有望用于降水检索，即通过使用神经网络的方法。 改进的NN模型已经开发出来，可以成功分类复杂数据并执行模式识别。 例如，[4]使用NN来分类多源遥感数据; [8]降雨预报; [5]用于检索各种雪参数; [2]云分类; [12]降水控制; 和[17]温度恢复等。

本文的目的是应用NN从遥感数据中进行降水检索。 本文按以下方式组织。 第二节简要介绍了降雨和BT相关的理论模型。 第三部分提供了关于神经网络的一般背景，研究中使用的数据描述以及神经网络的实现。 第四部分考察NN估算降雨量的方法和回归方法的性能，并将结果与雷达估算的降雨量进行比较。 在第五节中，对整体方法提出了评论，并对其结果和未来工作的建议给出了建议。 反向传播学习方案在附录A中描述。数据规范化在附录B中描述。最后，在附录C中，给出了关于本研究的NN体系结构中涉及的机制和参数的评论。

  1. 模型介绍

图2描绘了本研究中使用的大气模型。该模型由三维雨云，雨滴，地球表面和大气组成。云由随机时空降雨模型产生的球形水凝物组成。该模型可生成逼真的三维降雨模式，并将其与水文流体尺寸分布进行统计关联。取决于它们的相对高度和零等温线，允许水凝物处于液体/冰相。有关云模型的完整说明，请参见[1]。上述云模型会导致降雨，从云的表面延伸到云底。表面是等温的，不透明的，并且发射和反射。大气由吸收和释放辐射能的水蒸气和氧气以及其他辐射透明气体组成。微波亮温对应于云顶辐射强度的等效黑体温度。对于这项研究，微波亮温计算作为雨足迹面积，降雨率，云顶高度和极化的函数。

用于非偏振单色辐射强度的辐射传递方程（RTE）由下式给出，其中s是沿视线方向的距离以及伴随的边界条件来解决该问题:

吸收系数和散射系数分别是由下式给出的消光系数。 系数是空间坐标的函数。 是普朗克定律给出的黑体强度。 是立体角内围绕沿着 - 方向散射到立体角的 - 方向的辐射能的散射相函数。 是空间坐标的函数，并取决于输入（积分内的准备数量）和输出辐射。 积分超过围绕感兴趣位置的球体。 所有数量

  1. 神经网络
  2. 一般背景
    人工神经网络是由称为单位或节点的各个处理单元组成的计算机模型。节点通过链路权重连接。 一个节点连接从完全连接到稀疏或本地连接，拓扑结构可能会有所不同。 一个NN可以由多层节点组成，这些节点与相同或不同层中的其他节点相互连接。每一层被称为输入层，隐藏层或输出层。 输入和互连权重由加权求和函数处理以产生一个传递给传递函数的总和。 传递函数的输出是节点的输出。

神经网络必须学习如何处理输入，然后才能将其用于应用程序。学习以监督，无监督或强化的方式进行。一般来说，各种学习方案对表示的某种质量具有吸引力，并且它们通过改变权重来改善由隐藏节点提取的表示的质量。根据监督学习方案，神经网络训练过程包括调整每个节点的输入权值，使得网络输出与期望输出一致。这涉及开发一个训练文件，该文件由每个输入节点的数据以及每个网络输出节点的正确或期望的响应组成。最受欢迎的监督学习方案是反向传播（完整说明请参阅附录A）。根据无监督方案，网络输出不会使用外部标准进行匹配。无监督方法也被称为自组织，并且节点之间存在更多的交互，典型地，节点之间的反馈和层内连接在促进自组织方面发挥作用。 [19]给出了NN架构，学习方案和其他特定的描述。

神经网络的优点可以总结如下：1）它们不需要事先知道下面的现象研究，2）他们几乎总是收敛到一个最佳的解决方案，3）在训练阶段，他们能够识别控制过程的所有必要的关系，4）没有先前的解决方案结构需要指定，5）可以很好的处理大量的数据。

因为降雨和BT之间的关系是非线性的（见图3），所以在这里尝试探索神经网络作为降雨估计量的可行性。 将要解决的主要问题如下：NN可以学习降雨率与BT之间的关系吗？如果有，那么如何？ 什么是最好的NN架构？ NN结果与真实数据的比较如何？ 神经网络能否比基于回归的模型更好？

  1. 神经网络结构和输入
    一个三层NN架构是通过输入层，隐藏层和输出层实现的（见图4）。 关于使用什么输入的决定基于：i）SSM / I仪器频率，BT和极化状态ii）理论模型数据（基于RTE的数据）与观测结果的相似性。 所有的输入和输出都被归一化，以使它们的新值落在区间[0，1]中（见附录B）。

表I中列出了不同的输入。所有七个BT（第1行）都用作输入，因为SSM / I能够提供七个通道的测量。 事实上，每种降雨都有7种不同的BT可以提供相当程度的独特性（图3中的每个面板都不同），使NN能够了解它们之间的关系。 但是，如图3所示，与BT的窄范围相对应的降雨量范围很大。 例如，在整个降雨范围的极端情况下，对应于约30K以内的BT的窄范围。

为了避免这种多值问题，每种降雨都会生成任意两种模型BT（总和，差异，产品和比率）的几种组合。 当绘制降雨时，某些组合仅表现出小程度的上述问题。 接下来，生成每个组合的出现的直方图，并将其与SSM / I数据的相同组合的直方图进行比较。 两个这样的直方图的一个例子见图5中的组合。 可以看到两个直方图的相似行为，即最大纵坐标数匹配在两倍的范围内，并且它出现在相同的横坐标范围值上。 其余组合表现出类似的行为列于表1的第2行。因此，利用可用的七个BT的五个构建四个新的输入。 图6显示了与行对应的数据集，对于这些组合，模型数据和SSM / I数据表现出相似的行为被解释为理论和观察之间最小差异的指标。 使用表1第3行所示的条目可以获得类似的行为，它们类似于图6的输入。使用第3行的最后一个条目是因为它只表现出小的双值性。

表II给出了NN参数的概述。 对于隐藏单位的不同起始数量，不同的学习速率，动量项和不同的初始随机权重，有或没有偏差，实施几个NN。 附录B和C提供了神经网络开发和实施的细节。

  1. 结果分析
  2. 神经网络方法和回归方法的直接比较

为了评估神经网络的性能，并直接将其与回归性能进行比较，进行了以下测试：神经网络仅使用一个输入进行训练，即模拟数据的组合。使用这种组合

另外的原因是较低的频率对雨特征更敏感。隐藏层由12个隐藏单元组成，常量值用于学习率和动量项。在0.001-30mm / h范围内的降雨量被用作输出，从而消除了多值问题。上述方案保持整体运动易于处理，但仍然有用。

经过大约250万次迭代后，误差（或成本函数）值开始增加。此时，NN训练被视为完成。图7（a）显示了训练阶段错误的时间演变。经过几千次迭代后，误差会大大降低，但在达到第二个最小值之前需要更多次迭代。图7（b）显示了学习完成后，NN降雨率和模式降雨率之比。正如预期的那样，这个比率集中在这条线上。可以看出，绝大多数的分数都在理想情况的30％以内。 NN高估了小雨量，即降雨量小于0.5毫米/小时，但这并不令人担忧，因为在操作情景中，过高估计这些小值通常不会造成严重后果。另外，几种算法设定阈值为1毫米/小时左右，忽略低于阈值的所有降雨。神经网络训练后，将其应用于验证集。神经网络估计的降雨量（包括训练数据集和验证数据集）与图8中的模拟降雨量（基于RTE模型）作图。图8显示了神经网络学习模型结果的情况。如果映射是完美的，那么所有的点都会沿着45线。如图所示，这些点仍然沿着这条线很好地运行，并且相关值非常高（训练集为0.962，测试集为0.965）。

通过对模拟数据集的训练数据应用对数线性最小二乘法拟合来计算降雨率。描述最佳组合与降雨量关系的拟合，由下式给出

（2）平均背景温度在哪里（这个模型数据为93 K），[11]。选择回归算法是基于对模拟数据和观测数据的概率分布函数的比较（关于其选择的细节，参见[11]）。应该提到的是，还有其他基于回归的算法利用了本研究中使用的部分或全部BT的组合。有关第三届GPCP算法比对项目（AIP-3）期间使用的各种算法的说明以及基于这些算法的降雨总量比较，读者可以参考AIP-3结果[6]。基于（2）的结果与其他算法的结果非常相关，尽管它具有相对较高的偏差。高偏见的原因很可能是数据的质量而不是方法。

图9给出了训练和验证的回归结果。如图8和图9所示，在这两种情况下，数据点都非常符合45线。然而，在回归的情况下，在更高的降雨值下，数据与线的偏差变得更明显。另外，回归情况下的相关值略小于NN方法的相关值。

为了进一步研究神经网络与回归方法之间的比较，计算训练和验证数据的以下量：平均降雨量，相关性，偏差，平方和误差（SSE）和总降雨量。后一数量被定义为数据集的总降雨量。结果如表III所示。在训练和验证数据集中，NN都优于回归。基于NN的平均降雨量比基于回归的平均降雨更接近模拟的平均降雨量。基于神经网络的相关性比回归相关性好3-4％，神经网络病例的偏倚性更好一些，接近15，而上证综合症的好转率高达3倍。类似的行为见于降雨总量。图从图8和图9可以看出，表3列出的结果得出的结论是，对于这里使用的降雨模型，神经网络可以了解BT的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22743]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章