论文部分内容阅读
本文是神经网络法应用于AIRS晴空大气湿度廓线反演的一次尝试。得出了在基于AIRS高光谱资料反演晴空大气湿度廓线上,神经网络法略优于特征向量统计法的结论,表现出了神经网络法很强的非线性问题处理能力。怎样构建一个泛化能力最高的网络来达到较高的反演精度是本文的重点、难点。选取了应用最为广泛的BP网络(Back propagation Neural Network),针对BP网络的过拟合问题及输入输出数据的强欠定问题提出了一种解决办法。经试验确定了隐节点数,采用共轭梯度学习算法和正切传递函数,确定了神经网络的结构。样本数据集采用CIMSS(Cooperative Institute for Meteorological Satellite Studies,University of Wisconsin-Madison)全球晴空反演训练廓线样本集和利用SARTA(Stand-Alone Radiative Transfer Algorithm)前向模式模拟的AIRS辐射亮温值组成样本对。首先用检验样本检验神经网络法和特征向量统计法反演大气湿度廓线的精度,发现神经网络法反演的结果在所有的气压层上都要优于特征向量统计法的结果。在模拟资料的反演试验取得了较好的结果之后,用AIRS实况观测资料检验神经网络法和特征向量统计法反演大气湿度廓线的精度。选取2002年9月6日针对覆盖中国区域的AIRS实况观测资料为例,将两种算法的反演结果与相应的AIRS Level 2大气产品和ECMWF客观分析场作进行比较。当训练样本使用全球范围样本进行反演系数确定时,从总的均方根误差曲线来看两种反演算法反演的大气湿度廓线精度相当,没有谁有明显优势。而当训练样本使用中国地区样本进行反演系数确定时神经网络法明显优于特征向量统计法,几乎在所有高度层上均方根误差均小于特征向量统计法。本文最后分析了神经网络算法不能明显提高反演精度的原因,提出了后续研究的方向。