双通道微波辐射计大气折射率剖面反演的神经网络算法.docx

1、第26卷第5期飞行器测控学报Vol.26No.52007年10月JournalofSpacecraftTT&CTechnologyOct.2007双通道微波辐射计大气折射率剖面反演的神经网络算法王波"赵振维2（1.中国海洋大学信息科学与工程学院育岛-266071；2.中国电波传播研究所青岛-266071）摘要基于地基双通道微波辐射计（23.8GHz和31.65GHz）所测天顶方向的亮温测量数据和地面气象参数，给出了一种利用微波辐射测量反演大气折射率剖面的神经网络算法。利用青岛地区历史探空数据仿真的大气辐射亮温对神经网络进行了训练，回为得到了三段折射率剖面模型，并对利用实测亮温

2、反演的大气折射率到面与探空实测折射率到面和模式割面进行了比较分析，分析结果表明利用微波辐射计反演的折射率剖面与实测剖面间有很好的一致性，较三段折射率割面模式具有更好的反演精度。关键词反演；微波辐射计；折射率；神经网络中图分类号:TN01I文献标识码:ANeuralNetworkMethodtoRetrieveAtmosphericRefractivityProfilesByusingDual-channelMicrowaveRadiometerMeasurementsWANGBo'-2ZHAOZhen-wei2（1.CollegeofInformationScienceandEngin

3、eering,OceanUniversityofChina,Qingdao,ShandongProvince266071:2.ChinaResearchInstitutenfRadiowavePropagation,Qingdao,ShandongProvince266071）AbstractAneuralnetworkmethodtoretrieveatmosphericrefractivityprofilesusingbrightnesstemperaturesmeasuredbyground-based23.8GI【zand31.65GHzdual-channelmicrowaverad

4、iometerandsurfacetemperature,pressureandwatervapordensityisproposedinthispaper.TheBPneuralnetworkistrainedwithbrightnesstemperaturesandrefractivityprofiledatasimulatedbythehistoricalradiosondedataofQingdao,andathree-segmentmode）ofatmosphericrefractivityprofilesisalsoobtainedwiththesamehistoricalradi

5、osondedata.Theretrievedatmosphericrefractivityprofilesarecomparedwiththemeasuredprofilesofradiosondesandprofilesofthree-segmentmode）.Thecomparedresultsshowthattheretrievedprofileshavegoodagreementwiththemeasuredprofiles,andhavebetterretrievalaccuracythanthethree-segmentmodel.KeywordsRetrieval；Microw

6、aveRadiometer;Refractivity;NeuralNetwork0引言雷达高精度目标跟踪定位、卫星测控精密定轨等都需对大气引起的折射误差进行高精度实时修正。早在上世纪60年代，微波辐射计已用于大气折射修正（MARC0R技术）。MARC0R技术假设大气的折射指数干项恒定，折射变化主要由与水汽变化有关的折射指数湿项引起。MARCOR技术通过测量水汽吸收谱线附近辐射亮温反演折射率湿项的积分址，进而修正大气折射指数湿项引起的折射误差,并取得了良好的折射修正效果。但这种技术是基于仰角大于3。,忽略射线弯曲影响得到的修正方法。由于无法得到折射指数剖面信息,不适合低仰角情况下的折射修正。要实

7、现从低仰角到高仰角均适用的高精度折射修正，必须首先获得大气折射率剖面。目前，大气折射率剖面的获取主要右2种方法:一种是用无线电探空仪实测温、湿、压剖面数据，通过计算得到大气折射率*收稿日期：2007-03-01；修回日期：2007-04-04第一作者简介：王波（1980-）.界.硕士研究生.主要研究方向为对流层电波传播:,2飞行器测控学报第26卷剖面;另一种是通过历史探空数据利用地面折射率的相关分析法，建立折射率剖面与地面折射率的经验关系，通过地面折射率的测信，获得折射率剖面参数。探空气球探测方法虽然可获得较准确的折射率剖面信息,但得到一个折射率剖面约需45min60min,不能满足实时需求，

8、且成本高，难以在实际中广泛应用。利用地面折射率回归的方法虽然可以得到实时的折射率剖面，但获得的剖面精度不高，难以满足高精度折射修正的需求。随着微波辐射计在大气被动遥感探测中的广泛应用,利用微波辐射计遥感的方法反演折射率剖面，不但可以满足实时观测的需求,而且精度较地面折射率回归的方法也有较大提高，且可与测量雷达同时观测,因此，可实现对观测数据进行实时折射修正。利用微波辐射计反演大气参数剖面有许多算法。近几年来，神经网络算法以其在处理非线性问题上的优越性，已经广泛地应用在微波辐射计反演方面t3，o在此，采用BP神经网络算法反演折射率剖面并与分段模式皿网进行比较来说明BP神经网络算法的优越性。1BP

9、神经网络算法反演大气折射率剖面原理11神经网络算法反演大气折射率剖面原理微波辐射计是测鼐物体微波辐射的测常仪器，中国电波传播研究所研制的QFW-2型双频微波辐射计,工作频率分别为23.8GHz和31.65GHz,并配有地面温、湿、压气象参数测量设备，微波辐射计测量的大气辐射亮温与气象参数的关系由辐射传输方程给出TB(vt0)=exp(-，asecdz)+T(z)asec0exp(-asecffdz)dz(1)式中匚是宇宙太空的亮度温度(约为2.7K)；。为天顶角犯是频率;a为大气吸收系数，它是频率以及大气参数温度、湿度和压强的函数，可由文献12给出的近似计算公式进行计算。大气折射率可以用气象参

10、数表示为下面的形式N=77.6%+3.73256x10、*=+N*(2)其中N为折射率;P为大气压强(hpa)；T为大气温度(K)；e为水汽压(hpa);为干空气引起的折射率干项;A、为湿空气引起的折射率湿项。通过式(1)和式(2)可以看出，微波辐射计观测的大气辐射亮温和大气折射率均为大气温度、湿度和压强参数的函数，因此，可建立不同高度的大气折射率与亮温及地面温度、湿度和压强观测参数和之间的非线性关系方程N(h)=/(Tbl,Th2,Po,To,Po)(3)其中Nh)为高度九处的折射率;4和孔2为辐射计的2个通道亮温值;Po、T°甲。分别为地面大气的压强(hpa)、温度(K)和水汽密

11、度(g/m3)。1.2BP神经网络结构神经网络算法被广泛应用于各种非线性问题的求解和优化，在微波辐射计反演大气剖面中也得到越来越广泛的应用,并取得了较好的反演精度。徐入层隐层隐层隐层输出层图15层BP神经网络拓扑结构神经网络算法以地面的压强、温度、水汽密度以及辐射计所测量的亮温作为输入参数,而网络输出的是待反演折射率垂直剖面。网络采用5层全连接的BP(back-propagation)神经网络结构(图1)，其输入矢量X的长度为L个变量，输出矢量Y为M个反演值。对于输入层来说没有传输函数，仅仅是用来输入输入矢量X。隐层和输出层的神经元均采用对数正切型S函数第5期王波，等:双通道微波辐射汁大气折射

12、率剖面反演的神经网络算法S(n)=e+1则任意单一神经元的输出为/=5(WP+6)(5)其中/为神经元的输出值;W为神经元的输入权重矩阵;P为神经元的输入值;6为神经元的偏差。网络的权重和偏差是在训练过程中由误差反向传播算法(back-propagationalgorithm)确定的【闵，这种算法通过不断调整网络的权重和偏差来减小由网络输入矢量计算得到的输出矢量与实际的训练目标输出矢量之间的偏差。神经网络在训练过程中要对输入输出数据进行归一化。在神经网络训练中，对大气进行垂直均匀分层，每隔600m-层，截止高度为12km。利用青岛探空站(E120°20/,N36°04,)1

13、986年至1995年10月472组晴天探空特性层数据作为探空数据，由式(2)获得折射率剖面数据，并通过式(1)由探空剖面数据计算得到2个频率的大气辐射亮温仿真测最值作为训练样本对神经网络进行训练。2反演实验验证和结果分析为了比较微波辐射计反演大气折射率剖面的精度,2006年10月24日至2006年11月3日开展了微波辐射计与气象探空的联合对比实验。在实验过程中将微波辐射计与探空气球的施放地点架设在同一位置，探空气球升空测量的同时辐射计采用扫角测量，扫角范围0°90。由于探空气球产生一个剖面要经过约45min60min,因此,将对应时间内各角度上的扫角数据求和取平均作为该角度上对应探空

14、剖面的亮温值，地面温湿压参数值取地面高度上的探空值。实验过程中所用到的辐射计为中国电波传播研究所研制的QFW-2型双频微波辐射计，工作频率分别为23.8GHz和31.65GHz,亮温测址误差小于0.3K；探空数据为GTS1型数字式探空仪发回的特性层数据。通过对实测数据的分析,共选出10月份11组晴天的有效样本数据。神经网络的输入矢量:由5个变量组成，分别为：23.8GHz和31.65GHz通道的天顶亮温，地面温度，水汽密度和压强。神经网络的输出分别对应20个层结处的折射率值。在与实验结果对比的同时，对辐射计反演折射率剖面和利用地面折射率统计回归方法建立的分段模式得到的折射率剖面的精度进行了对比

15、分析,分段模式S")采用以下模式-N(力一如)，方，W力<如+1kmN(h)=J/V,exp-c(h-ht-1),ht+1kmWhW9km(6)lexpf-cg(h-9),9kmWhW60km式中N,为地面折射率;M为离地面1km高度处折射率;AM表示地面1km折射率梯度(1/km)；q为地面以上1km至海拔9km的折射率指数衰减率(1/km)；/V9为海拔9km处的折射率;为海拔9km至60km的折射率指数衰减率(1/km)。同样，利用1986年至1995年10月472组晴天探空数据统计回归得分段模式参数分别为：AM=47.3256,勺=0.1161,c9=0.1303。得到

16、上述回归参数后，M和M可分别通过式(6)中的第一式和第二式计算得到。反演误差通过反演剖面与同一时段当地探空剖面之间的偏差和均方根误差来评估，计算公式分别为灼心=£(N'r.“iudisde)(7)其中M为大气的垂直分层数;用和分别为第i层的反演值和探空值。通过对11组数据的反演结果分析，得到2种方法反演折射率剖面误差随高度变化的偏差和均方差误差曲线图(见图2和图3)。BP网络算法与分段模式算法的总体平均均方差分别为AM=4.0711和AM=6.4101个N单位，改善幅度为36.49%。图4为折射率反演的典型结果剖面，可以看出BP神经网络算第26卷第26卷飞行器测控学报法比分段

17、回归算法能更好地反映真实折射率剖面，尤其是对底层大气折射率的变化拐点反映比较精确。图2折射率偏差随高度变化图图3折射率均方差随高度变化图图4折射率反演的典型结果（2006年10月29日08时）通过对实测数据反演结果与探空剖面的对比分析可以看出，利用双通道微波辐射计测量的天顶亮温反演的大气折射率剖面与实测折射率剖面间有很好的一致性,且其得到的大气折射率剖面的精度较分段大气模式有较大提高。因此，利用微波辐射计可实时反演雷达或卫星测控站的大气折射率剖面，实现对雷达探测、卫星测控等测量结果的实时电波折射修正，较利用地面气象测量参数和分段模式进行折射修正进一步提高了雷达和测控系统的测量精度。参考文献1L

18、edshamWH,StaelinDH.AnExtendedKalman-BucyFilterforAtmosphericTemperatureProfileRetrievalwithaPassiveMicrowaveSounderJ.J.Appl.Meteor.,July1978,Vol.17：1023-1033.2 张培昌，王振会.大气微波遥感基础M.北京：气象出版社，1995.346-384.3 ChumsideJH,StennitzTA,SchroederJA.TemperatureProfilingwithNeuralNetworkInversionofMicrowaveRadiome

19、terDataJ.J.Atmos.OceanicTechnol.,1994,11(1)：105-109.4 CabreraCR.,StaelinDH.PassiveMicrowaveRelativeHumidityRetrievalsUsingFeed-forwardNeuralNetworksJ.IEEETrana.onGeos-ci.RemoteSens.,1995,33(6):1324-1328.5 FirateFD,SchiavonG.ANeuralNetworkAlgorithmfortheRetnevalofAtmosphericProfilesfromRadiometricDat

20、aC.IEEEIGARSS,August1997.2097-2099.6 FrateFD,SchiavonG.ACombinedNaturalOrthogonalFunctions/NeuralNetworkTechniquefortheRadiometricEstimationofAtmosphericProfiMJ.RadioScience,1998,33(2)：405-410.7 FrateFD,SchiavonG.NonlinearPrincipalComponentAnalysisfortheRadiometricInversionofAtmosphericProfilesbyUsingNeuralNet-worksJ.IEEETrans,onGeoeciRemoteSens.,1999,37(5)：2335-2342.8 VanesnaC.deViterix,Jo8oP.Braga.AtmosphericTemperatureRetrievalUsingNon-linearHopfieldNeuralNetworicJ.IPDO,2004,1：l-4.9 E】cioH.Shiguemori,HaroldoF.deCamposVe