基于BP神经网络算法反演云中液态水的训练样本选择方法技术

本发明专利技术属于神经网络算法技术领域，尤其是一种基于bp神经网络算法反演云中液态水的训练样本选择方法，包括以下步骤：步骤一、在历史探空数据中筛选有云无降水的样本，建立云天样本集；步骤二、针对每个云天样本集进行构建云模型；步骤三、针对GVR在飞机飞行高度进行观测，接收来自其上方的微波辐射；步骤四、当表示垂直累积液态水的反演误差时，采用平均绝对误差均方根误差。该基于BP神经网络算法反演云中液态水的训练样本选择方法，就机载微波辐射计探测云中液态水而言，在基于BP神经网络算法反演云中液态水时可选择10年的本地探空资料作为训练样本。为训练样本。为训练样本。

【技术实现步骤摘要】
基于BP神经网络算法反演云中液态水的训练样本选择方法


[0001]本专利技术涉及云中液态水反演算法领域，尤其涉及一种基于BP神经网络算法反演云中液态水的训练样本选择方法。

技术介绍

[0002]神经网络算法是近年广泛使用的一种反演算法，已经较为成熟。目前用于微波辐射计反演的神经网络算法大多采用BP神经网络算法。BP神经网络算法是利用历史探空资料，通过微波辐射传输方程模拟计算物理参量对应的亮温集，以模拟的微波辐射亮温作为输入参数，对应的温湿廓线等物理参量作为输出参数，构造神经网络并经过无数次迭代计算，从而获得一组神经网络参数。该算法具有许多优点，如运算速度快，精度高，无需建模、算法稳定等。
[0003]但该算法依赖于历史数据，对训练样本要求较高。理论上，应选择与反演时段相同的大气背景场资料作为训练样本方可取得较好的反演效果，但在实际应用中，由于大气背景的时空差异性，选择相同大气背景的历史资料作为训练样本几乎是不可能的，因此训练样本存在的大气背景差异必然会对反演结果造成影响。
[0004]目前大多研究都缺少对选取大气背景资料的讨论，仅限于季节分类或直接选取一定时期的历史探空资料作为训练样本，但对资料选取的合理性并未做分析，且训练数据的大气背景场差异是造成反演误差的主要原因，因此训练数据的选取原则就是如何减小大气背景场差异造成的反演误差。大气背景场差异包括历史资料的时间和空间差异，它们都会对反演结果造成影响，由提升BP神经网络算法泛化能力的方式可推测通过对历史资料进行季节分类或增加历史样本可减少时间差异对反演结果造成的影响，因此可通过三个问题的分析来确定训练数据样本，这三个问题分别是：历史资料序列长度对反演结果的影响、季节分类对反演结果的影响及训练样本地区差异对反演结果的影响，本专利技术以机载微波辐射计GVR探测云中液态水为例，提出一种基于BP神经网络算法反演云中液态水的训练样本选择方法。

技术实现思路

[0005]基于现有的技术问题，本专利技术提出了一种基于BP神经网络算法反演云中液态水的训练样本选择方法，以机载微波辐射计GVR反演云中液态水路径作为基础进行研究；GVR是一种双边四通道机载对空微波辐射计，它的中心频率是183.31GHz，四个通道分别为中心频率+
‑
1，+
‑
3，+
‑
7，+
‑
14GHz；GVR安装在增雨飞机一侧机翼下方，通过天线接收飞机上方的辐射，测得四个通道亮温来反演计算飞机上方的液态水路径；在采用历史探空资料计算通道亮温时使用上述四个通道频率，将历史资料进行分类，对每类历史资料样本集采用BP神经网络算法获取反演方程，并应用数值模拟检验方法计算相应反演误差；在获取反演方程和计算反演误差过程中涉及到云模型及液态水路径计算、GVR四个通道对应的亮温值计算(大气辐射传输方程)、平均绝对误差(MAE)和均方根误差(RMSE)计算。
[0006]本专利技术提出的一种基于BP神经网络算法反演云中液态水的训练样本选择方法，包括以下步骤：步骤一、在历史探空数据中筛选有云无降水的样本，建立云天样本集；
[0007]步骤二、针对每个云天样本集进行构建云模型；
[0008]步骤三、针对GVR在飞机飞行高度进行观测，接收来自其上方的微波辐射，不考虑降雨时，其微波辐射传输方程可采用如下形式：
[0009][0010]步骤四、当表示垂直累积液态水的反演误差时，采用平均绝对误差(计算值与真实值的误差绝对值的平均值)和均方根误差(计算值与真实值偏差的平方和与样本数比值的平方根)；
[0011]步骤五、将得到的反演结果进行精度分析和对比，最终确定采用的训练样本。
[0012]优选地，所述步骤一中云天样本集通过在所有探空资料中剔除数据缺失资料，以相对湿度85％作为有云判据，只要存在某高度层相对湿度大于85％则视为有云探空资料，然后在有云探空中剔除雨天探空数据，由于08和20时两个时次的探空施放时间为07时15分和19时15分，因此选择08和20时这两个时次的小时雨量资料，只要该时次存在降水则剔除相应时次探空数据；
[0013]将每个探空0至9km随机取8个高度层作为样本初始高度(飞机观测高度)，这样每个探空资料可获取8个探空样本。
[0014]优选地，所述步骤二中的云模型进行采用云液态水廓线构建方法，针对每个探空廓线样本，当相对湿度＜85％时，液态水浓度取值0g/m3；当相对湿度＞95％、温度＞0℃时，液态水浓度取值0.5g/m3；当相对湿度＞95％、温度≤
‑
30℃时，液态水浓度取值0g/m3，液态水浓度计算公式如下：
[0015]ρ
L
＝0.5
×
[1
‑
(T/30)4]；
[0016]ρ
L
(单位：g/m3)表示液态水浓度；T(单位：K)表示温度。
[0017]优选地，所述步骤二中当相对湿度处于85％与95％之间、温度＞0℃时，液态水浓度计算公式如下：
[0018]ρ
L
＝
‑
4.25+0.05
×
H
u
；
[0019]Hu(单位：％)表示相对湿度。
[0020]优选地，所述步骤二中当相对湿度处于85％与95％之间、温度＜
‑
30℃时，液态水浓度取值为0g/m3。
[0021]优选地，所述步骤二当相对湿度处于85％与95％之间、温度在0℃与
‑
30℃之间时，液态水浓度计算公式如下：
[0022]ρ
L
＝(
‑
4.25+0.05
×
H
u
)
×
[1
‑
(T/30)4]。
[0023]优选地，所述步骤二液态水路径(LWP)计算公式如下：
[0024][0025]Z0(单位：m)表示飞机观测高度。
[0026]优选地，所述步骤三中Tb(单位：K)表示辐射计接收到的大气向下的辐射亮温，T
B
(∞)(单位：K)表示宇宙背景亮温，一般取常数2.7K,Z0(单位：m)表示飞机飞行高度，Z(单位：m)表示飞机至宇宙背景的某一高度。
[0027]优选地，所述步骤三中f(单位：GHz)表示辐射计工作频率，T
(Z)
(单位：K)表示高度Z处的大气温度，Z
′
(单位：m)表示飞机至高度Z之间的某一高度，
ɑ
(单位：K/m)表示大气吸收系数，一般为氧气、水汽和云中液态水吸收系数之和；根据上述公式由探空资料可计算得到飞行高度处的微波辐射计接收到的辐射亮温。
[0028]优选地，所述步骤四中假设有m个样本数，某个样本记为i，某个样本的垂直累积液态水反演计算值记为x(i)，真实值记为y(i)，则平均绝对误差MAE和均方根误差RMSE可分别记为：
[0029][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于bp神经网络算法反演云中液态水的训练样本选择方法，其特征在于：包括以下步骤：步骤一、在历史探空数据中筛选有云无降水的样本，建立云天样本集；步骤二、针对每个云天样本集进行构建云模型；步骤三、针对GVR在飞机飞行高度进行观测，接收来自其上方的微波辐射，不考虑降雨时，其微波辐射传输方程可采用如下形式：步骤四、当表示垂直累积液态水的反演误差时，采用平均绝对误差(计算值与真实值的误差绝对值的平均值)和均方根误差(计算值与真实值偏差的平方和与样本数比值的平方根)；步骤五、将得到的反演结果进行精度分析和对比，最终确认采用的训练样本。2.根据权利要求1所述的基于bp神经网络算法反演云中液态水的训练样本选择方法，其特征在于：所述步骤一中云天样本集通过在所有探空资料中剔除数据缺失资料，以相对湿度85％作为有云判据，只要存在某高度层相对湿度大于85％则视为有云探空资料，然后在有云探空中剔除雨天探空数据；将每个探空0至9km随机取8个高度层作为样本初始高度(飞机观测高度)，这样每个探空资料可获取8个探空样本。3.根据权利要求1所述的基于bp神经网络算法反演云中液态水的训练样本选择方法，其特征在于：所述步骤二中的云模型进行采用云液态水廓线构建方法，针对每个探空廓线样本，当相对湿度＜85％时，液态水浓度取值0g/m3；当相对湿度＞95％、温度＞0℃时，液态水浓度取值0.5g/m3；当相对湿度＞95％、温度≤
‑
30℃时，液态水浓度取值0g/m3，液态水浓度计算公式如下：ρ
L
＝0.5
×
[1
‑
(T/30)4]；ρ
L
(单位：g/m3)表示液态水浓度；T(单位：K)表示温度。4.根据权利要求3所述的基于bp神经网络算法反演云中液态水的训练样本选择方法，其特征在于：所述步骤二中当相对湿度处于85％与95％之间、温度＞0℃时，液态水浓度计算公式如下：ρ
L
＝
‑
4.25+0.05
×
H
u
；Hu(单位：％)表示相对湿度。5.根据权利要求3...

【专利技术属性】
技术研发人员：王婉，陈超，
申请(专利权)人：天津市人工影响天气办公室，
类型：发明
国别省市：