台风是灾害性强对流天气系统,严重危害人类的生命和财产安全。台风降水的空间分布监测研究,一直受气象等相关领域学者关注,并分别从微波、红外、可见光等领域建立了降水估算方法。但由于红外、可见光不具备全天时、全天候工作的特点,不能有效地监测台风降水,而雷达成本高、监测范围小,故本文选用微波辐射计反演降水。风云三号C星是我国第二代极轨气象卫星,微波湿度计是风云三号卫星探测大气温度和湿度分布的重要载荷。风云三号C星微波湿度计(FY-3C MWHTS)在A、B星基础上进行了升级换代,在原有150GHz、183GHz的基础上加入89GHz、118GHz探测频率,探测通道也相应的由原来的5个增加为15个。新增加的118GHz是国际上首次应用于极轨气象卫星的探测频率,实现了大气温度和湿度垂直分布的同时探测,进一步提高对热带气旋、台风、降水等极端天气系统的监测。本文基于FY-3C MWHTS的L1级数据以及TRMM卫星的L3级数据(即TMPA3B42数据)得到匹配数据集,建立多元线性回归和BP神经网络两种反演算法,实现了对台风降水的反演。由于台风区域数据有限,未能获得足够的台风区域数据,本文选取50°S~50°N纬度之间的海面数据建立降水反演算法,进而对台风个例进行反演,所选用的FY-3C MWHTS的L1级数据时间范围为2016年1月~2017年4月。TMPA 3B42数据是时间分辨率为3h,空间分辨率为0.25°×0.25°的网格数据。匹配原则:时间差小于0.5小时,经纬度差根据TMPA3B42网格数据空间分辨率确定为小于0.25°,50°S~50°N纬度之间的海面数据。对匹配后得到的数据进行质量控制,控制规则为舍弃亮温小于1K、大于350K的异常亮温和降水为无效值的数据。选取2016年1月~2016年12月的匹配数据集用来建立反演算法,2017年1月~2017年4月的匹配数据集用来验证反演算法。反演算法采用多元线性回归、BP神经网络两种算法对台风降水进行反演研究。多元线性回归方程(1)的输入BTi(i=1,2,…,15)为FY-3C MWHTS通道亮温,输出R为TMPA 3B42降水数据mm/h,(1)中的ai(i=1,2,…,15)表示各通道的回归系数。BP神经网络模型如图1所示,其中,X为输入层,表示各通道的输入亮温,L表示输入层节点数,Y为隐藏层,M为隐藏层节点数,Z为输出层,表示为TMPA 3B42降水数据mm/h,N为输出层的节点数,设置为1。本文隐藏层选为两层,采用最速下降学习算法训练网络。R=a0+a1BT1+a2BT2+?+aiBTi+?其中i=1,2,…,15(1)2016年9月的台风"鲇鱼"从西偏北方向穿过西太平洋后进入我国南海,是近十年9月份降水影响最严重的台风,该台风具有高强度和大风范围广,风云三号C星微波湿度计成功监测到这个台风,在气象观测和数值预报等方面发挥重要作用,本文根据多元线性回归、BP神经网络这两种反演算法对台风"鲇鱼"区域(北纬10°~30°N,东经110°E~145°E)进行降水反演。反演算法的结果采用相关系数Corr、,偏差Bias和均方根误差RMSe作为统计验证的定量标准。表1和表2分别为两种反演算法反演的相关系数与误差统计,图2表示反演算法的相关系数图像,图3表示两种方法建立的降水率反演。反演结果表明:这两种算法反演的两个台风降水时刻,都可以清晰的看出台风眼、台风壁以及降水雨带,以此可以确定台风的位置和时刻,得到台风的路径等信息。定量地看,在反演台风降水的两个时刻中,运用神经网络反演算法最好的相关性系数可达到0.92,偏差和均方根误差分别为0.28和0.71,运用多元线性回归反演算法,这三个统计量分别为0.91,0.31和0.78。相关系数以及误差分析表明,对于台风降水反演,两种反演算法都能够有效的反演台风降水,本文所用的两种降水反演算法可有效的反演台风降水。但是,BP神经网络反演算法优于多元线性回归反演算法。