大气温湿度廓线是描述大气热力和动力状态变化的重要参数。传统的系留气球探测方法可以在多种复杂天气条件下进行观测,但是运作耗费大,探测频率低,而地基微波辐射计具有全天候自动观测能力,能够提供高时间分辨率的观测资料,对提高短时临近预报的准确性、研究天气的演变过程、人工影响天气的实现具有重要意义。本文利用兰州大学SACOL站TP/WVP 3000型号地基微波辐射计观测资料和榆中站探空资料,提出了地基微波辐射计受云影响的观测亮温订正算法,选取BP神经网络算法、RBF神经网络算法、多元线性回归和SVR算法研究了多种机器学习算法在半干旱地区地基微波辐射计气象要素反演方面的适用性,并对比了观测亮温训练方案和模拟亮温训练方案在微波辐射计反演算法本地化应用的中差异;选取SVR为最优算法进行了小时分辨率的大气温度、相对湿度和水汽密度反演,检验了订正算法和SVR反演算法在半干旱地区多种大气条件下的适用性,并研究了以榆中为代表的半干旱地区大气边界层的变化特征,主要结论如下:(1)选取268 K作为判断地基微波辐射计是否受云影响的红外亮温阈值并对微波辐射计亮温观测数据进行判定,将云样本与MonoRTM模拟亮温对比可以发现云对地基微波辐射计1~7通道的观测影响较大,会造成亮温异常升高。利用模拟亮温和观测亮温基于支持向量机回归训练得到订正算法,对云样本进行订正,订正后12通道观测亮温的均方根误差均减少,其中对4、5、6通道的订正效果最为显著,但是会引起9~12通道亮温偏差增大,因此该方法仅适用于1~8通道的观测亮温订正。(2)对BP神经网络算法、RBF神经网络算法、多元线性回归和SVR算法的观测亮温和模拟亮温训练方案进行了对比,得出以下结论,就温度廓线而言在0~0.2 km的近地层,四种算法的模拟亮温训练方案均能取得较好的结果,但是在其余高度层上观测亮温训练方案效果更好;就湿度廓线而言BP神经网络算法、RBF神经网络算法和SVR算法的相对湿度廓线的对比验证结果与温度廓线类似,而OBS-MLR算法除在0.4~3.5 km的高度层更有优势外,在其余高度精度均低于SIM-MLR;就水汽密度廓线而言,四种方法水汽密度廓线训练方案的对比结果与相对湿度类似,由此可以得出三种非线性算法的观测亮温训练方案更适用于半干旱地区微波辐射计温度、相对湿度和水汽密度的反演,而线性算法多元线性回归的观测亮温训练方案仅在大气温度廓线反演方面更有优势。(3)将观测亮温训练所得的四种反演算法进行对比可以看出,四种算法反演的温度廓线均方根误差均随高度升高而逐渐增大,在4 km以下四种算法精度较为接近,4 km以上OBS-SVR均方根误差最小;反演的相对湿度廓线在0~5 km反演结果的均方根误差均随高度逐渐增大,5 km以上均方根误差逐渐减小;OBS-SVR反演所得温度廓线的相关系数在所有高度层上均大于OBS-BP;OBS-SVR反演的水汽密度廓线的均方根误差随高度逐渐降低,其余三种算法在0~1 km随高度升高,1 km以上随高度逐渐降低,除近地层外OBS-SVR的均方根误差均小于其他三种算法,OBS-SVR为地基微波辐射计反演算法本地化训练最佳方案,SVR算法在半干旱地区地基微波辐射计反演算法本地化方面更有优势。(4)利用OBS-SVR反演所得2009年6月到2010年6月小时分辨率的大气温度廓线研究了以榆中为代表的半干旱地区边界层年和季节平均日变化特征显著。榆中地区在15:00达到全年日平均最大高度为1163 m,6:00达到全年日平均边界层高度最低值为304 m;大气边界层高度日变化有明显的季节性差异,最大边界层高度由夏季的1557 m减少为春季的1012 m,春、夏均存在大气边界层高度达到最大高度后维持和波动,而冬、秋大气边界到达最大值后就开始降低。(5)利用OBS-SVR分别反演晴天和阴天个例,对比研究了以榆中为代表的半干旱地区晴天和多云天气状况下边界层发展及边界层内气象要素的变化特征。晴空天气条件下,该地区大气边界层高度日变化显著,日出加热地表,促进对流发展,边界层高度开始抬升水汽由地面向上输送,日落后地面辐射冷却,温度降低,对流减弱有逆温层形成,残留层保留了日间混合边界层特征,水汽分布均匀;多云天气条件下,边界层高度没有显著的日变化,物质和能量向上输送减缓,水汽输送效应不明显。(6)利用OBS-SVR反演所得的温度、相对湿度廓线和水汽密度廓线可以完成全年多种复杂天气情况下温度、相对湿度和水汽密度反演,其反演资料能够应用于晴天和多云天气条件下的气象要素演变特征研究,说明SVR订正算法能够减少云对地基微波辐射计观测亮温的影响,提高观测亮温的反演精度,OBS-SVR训练方案训练所得的SVR反演算法具有较好的泛化能力,能够适用于半干旱地区多种天气条件下的气象要素反演,在半干旱地区地基微波辐射计反演算法本地化中具有优势。