一种基于深度神经网络的MWHTS模拟亮温计算方法技术

一种基于深度神经网络的MWHTS模拟亮温计算方法，包括建立MWHTS观测亮温与气候学数据集在空间和时间上的匹配数据集；根据云水含量把匹配数据集分为晴空数据集、有云数据集和有雨数据集，并分别形成对应的分析数据集和验证数据集；利用三个分析数据集训练深度神经网络模型，把对应的验证数据集中的大气参数输入已训练好的深度神经网络模型，计算MWHTS模拟亮温；把三个验证数据集中的大气参数输入辐射传输模型计算MWHTS模拟亮温，其计算精度与基于深度神经网络的MWHTS模拟亮温计算精度进行对比，选择精度较高的MWHTS通道组成MWHTS模拟亮温计算结果。该方法使用深度神经网络对微波与大气分子的相互作用进行建模，获得较业务化辐射传输模型RTTOV更高的计算精度，操作简单易行。

【技术实现步骤摘要】
一种基于深度神经网络的MWHTS模拟亮温计算方法
本专利技术涉及一种MWHTS模拟亮温的计算方法，属于微波遥感
，尤其涉及一种基于深度神经网络的MWHTS模拟亮温计算方法。
技术介绍
在微波遥感领域，对于所处理的问题可分为正演和反演两类。针对星载微波遥感而言，所谓正演是通过对微波在大气中的辐射传输过程进行建模来计算星载微波辐射计观测亮温，而反演通常是对辐射传输模型求逆的数学计算，即利用星载微波辐射计观测亮温来获取大气参数的过程。微波在大气中的辐射传输模型不仅是卫星有效载荷研制的理论基础，也是星载微波遥感仪器探测地球大气温湿参数、云雨参数以及地表参数的关键所在，辐射传输模型对模拟亮温的计算精度与卫星观测亮温的反演应用直接相关。目前，业务化的辐射传输模型均是基于微波在大气中的发射、吸收以及散射等效应的物理机理进行开发的，其中，辐射传输模型RTTOV是业务化辐射传输模型的典型代表，其在卫星数据反演和同化系统中应用广泛。当前对微波与大气分子相互作用理解的不足，是导致辐射传输模型误差的主要原因。尤其是在云雨大气条件下，辐射传输方程的非线性度增加，辐射传输模型对云雨散射效应的建模难度较大，导致了其模拟亮温的计算精度较差。然而，针对大气参数与星载微波辐射计观测亮温之间的非线性关系，深度神经网络其强大的非线性映射能力可为星载微波辐射计模拟亮温的计算提供新的思路。微波湿温探测仪（MWHTS）是风云三号（FY-3）C星和D星上的重要载荷，是国际上首台集湿度计和温度计于一体的微波辐射计，MWHTS有八个温度探测通道（通道2—通道9），五个湿度探测通道（通道11—通道15）和两个窗区通道（通道1和通道10），可实现大气温度和水汽参数的同时探测。对MWHTS模拟亮温的计算对于其数据在数值天气预报、当前天气稳定性分析以及气候变化研究等领域的应用至关重要。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于深度神经网络的MWHTS模拟亮温计算方法，使用深度神经网络对微波与大气分子的相互作用进行建模，可获得较业务化辐射传输模型RTTOV更高的计算精度，且操作简单易行。为实现上述技术目的，所采用的技术方案是：一种基于深度神经网络的MWHTS模拟亮温计算方法，包括以下步骤：步骤一：建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集；步骤二：根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集，并分别形成对应的晴空分析数据集和晴空验证数据集、有云分析数据集和有云验证数据集、有雨分析数据集和有雨验证数据集；步骤三：利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型，把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型，计算MWHTS模拟亮温；步骤四：分别把步骤二中形成的晴空验证数据集，有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算，基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比，选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。步骤一具体包括：首先选择的气候学数据集中的大气参数为：温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速以及云水含量；然后按照时间误差小于10分钟，经纬度误差小于0.1°的匹配规则，在时间和空间上对气候学数据集中的这些大气参数与MWHTS观测亮温进行匹配；最后对匹配数据进行质量控制，即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据，其中MWHTS亮温值小于180K或者大于310K，以及气候学数据集中的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集。步骤二具体包括：在步骤一所形成的匹配数据集中，选择出云水含量值为零的匹配数据作为晴空数据集，在晴空数据集中随机选择80%的匹配数据形成晴空分析数据集，剩下的匹配数据形成晴空验证数据集；在步骤一所形成的匹配数据集中，选择出云水含量大于零且小于0.5mm的匹配数据作为有云数据集，在有云数据集中随机选择80%的匹配数据形成有云分析数据集，剩下的匹配数据形成有云验证数据集；在步骤一所形成的匹配数据集中，选择出云水含量大于和等于0.5mm的匹配数据作为有雨数据集，在有雨数据集中随机选择80%的匹配数据形成有雨分析数据集，剩下的匹配数据形成有雨验证数据集。步骤三具体包括：首先，晴空验证数据集、有云验证数据集以及有雨验证数据集中的大气参数作为深度神经网络模型的输入，MWHTS观测亮温作为深度神经网络模型的输出，分别利用晴空分析数据集、有云分析数据集和有雨分析数据集对深度神经网络模型进行训练，分别获得晴空深度神经网络模型，有云深度神经网络模型和有雨深度神经网络模型；然后，把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入相应的晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型，得到相应的晴空、有云和有雨大气条件下的MWHTS模拟亮温；最后，分别计算晴空、有云和有雨大气条件下的MWHTS模拟亮温与观测亮温之间的均方根误差，分别作为晴空、有云和有雨大气条件下的基于深度神经网络的MWHTS模拟亮温的计算精度。步骤四具体包括：首先，选择基于物理机理建模的辐射传输模型RTTOV作为计算MWHTS模拟亮温的辐射传输模型；然后，分别把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算，并分别获得在晴空、有云和有雨大气条件下的基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度；最后，分别对比在晴空、有云和有雨大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度和相应大气条件下基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度，选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的最终结果。本专利技术有益效果是：本专利技术以克服微波在大气中传输时物理建模不精确的困难，提高MWHTS模拟亮温的计算精度为目的，采用深度神经网络对大气参数与MWHTS观测亮温之间的非线性关系进行建模，进一步对比基于物理方法的辐射传输模型RTTOV的MWHTS模拟亮温的计算精度和基于深度神经网络的MWHTS模拟亮温的计算精度，择优选择MWHTS通道中精度较高的模拟亮温组成MWHTS模拟亮温的最终结果。本专利技术方法具有较高的MWHTS模拟亮温计算精度，操作简单易行。附图说明图1是本专利技术所述的一种基于深度神经网络的MWHTS模拟亮温计算方法的流程图；图2是本专利技术实用例1中晴空大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度与基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度对比图；图3是本专利技术实用例1中有云大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度与基于辐射传输模型RTTOV本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，包括以下步骤：/n步骤一：建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集；/n步骤二：根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集，并分别形成对应的晴空分析数据集和晴空验证数据集、有云分析数据集和有云验证数据集、有雨分析数据集和有雨验证数据集；/n步骤三：利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型，把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型，计算MWHTS模拟亮温；/n步骤四：分别把步骤二中形成的晴空验证数据集，有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算，基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比，选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。/n

【技术特征摘要】
1.一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，包括以下步骤：
步骤一：建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集；
步骤二：根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集，并分别形成对应的晴空分析数据集和晴空验证数据集、有云分析数据集和有云验证数据集、有雨分析数据集和有雨验证数据集；
步骤三：利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型，把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型，计算MWHTS模拟亮温；
步骤四：分别把步骤二中形成的晴空验证数据集，有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算，基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比，选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。


2.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，所述步骤一具体包括：
首先选择的气候学数据集中的大气参数为：温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速以及云水含量；然后按照时间误差小于10分钟，经纬度误差小于0.1°的匹配规则，在时间和空间上对气候学数据集中的这些大气参数与MWHTS观测亮温进行匹配；最后对匹配数据进行质量控制，即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据，其中MWHTS亮温值小于180K或者大于310K，以及气候学数据集中的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集。


3.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，所述步骤二具体包括：
在步骤一所形成的匹配数据集中，选择出云水含量值为零的匹配数据作为晴空数据集，在晴空数据集中随机选择80%的匹配数据形成晴空分析数据集，剩下的匹配数据形成晴空验证数据...

【专利技术属性】
技术研发人员：贺秋瑞，金彦龄，李德光，张永新，任桢琴，周莉，高新科，朱艺萍，
申请(专利权)人：洛阳师范学院，
类型：发明
国别省市：河南;41