[发明专利]一种全球海洋表面亮温确定方法及系统

说明书

本发明涉及一种全球海洋表面亮温确定方法及系统。该方法包括：获取单层数据集和气压层数据集；根据所述单层数据集和所述气压层数据集，采用深度学习方法，确定训练好的AI‑RTTOV深度网络；根据所述单层数据集和所述气压层数据集，利用所述训练好的AI‑RTTOV深度网络确定基于RTTOV模拟的FY3‑D MWHS 183±1GHz的全球范围海洋上亮温值。本发明能够提高大气辐射传输模式在卫星正演过程中的效率，并减少耗时。

技术领域

本发明涉及大气辐射传输领域，特别是涉及一种全球海洋表面亮温确定方法及系统。

背景技术

RTTOV作为最常用的大气辐射传输模型之一，主要用于卫星数据同化、定量信息提取、及仪器性能稳定性监测。经过了多年的改进与完善，已经发展成为业务化运行的快速辐射传输模式，基于辐射模式的卫星资料同化显著提高了数值天气预报(NWP)准确度。Derber等将TOVS晴空辐射资料直接同化到美国国家环境预报中心同化系统之中，改进了模式的预报技巧。丁伟钰等模拟暴雨过程，结果表明，同化卫星资料后可以改进初始场水汽和温度分布，对短时降水预报有正面影响。张华等基于GRAPES三维变分同化系统，同化改进了微波探测装置资料，使预报的台风路径更加准确。丁伟钰等利用RTTOV快速辐射传输模式针对台风进行了研究，结果表明，晴空条虑了云的影响之后，对应低层通道的模拟结果与观测比较一致。马刚等重新计算了RTTOV透过率系数，并将其用于FY-2B红外和水汽通道亮温的模拟。苏捷等改用RTTOV-SCATT将大气中水凝物的信息纳入同化的计算中，可以有效地解决使用以往的方法所导致的对大气中水汽含量的高估现象。但是这些得到广泛应用的物理模型也同时存在着缺陷，例如通过CRTM模型输出日数据需要1.3个小时。因此，目前能够得到同化的卫星数据非常少，随着卫星观测数据量的海量增长，如何使RTTOV等辐射模式业务应用的效率提高，尤其是提高卫星数据的同化效率，成为眼下急需解决的问题。

因此，亟需一种新的方法或系统以改善基于物理算法的辐射传输模式在卫星正演中的耗时问题，进而提高卫星正演性能与效率。

发明内容

本发明的目的是提供一种全球海洋表面亮温确定方法及系统，能够提高大气辐射传输模式在卫星正演过程中的效率，并减少耗时。

为实现上述目的，本发明提供了如下方案：

一种全球海洋表面亮温确定方法，包括：

获取单层数据集和气压层数据集；所述单层数据集包括：卫星方位角、卫星天顶角、纬度、经度、地表气压、2米比湿、2米温度、10米U风量以及10米V风量；所述气压层数据集包括：温度廓线、臭氧廓线、比湿廓线以及气压廓线数据；

根据所述单层数据集和所述气压层数据集，采用深度学习方法，确定训练好的AI-RTTOV深度网络；所述AI-RTTOV深度网络包括局部连接层、残差连接层、多层感知器层以及输出层；所述AI-RTTOV深度网络将输入的单层数据集和气压层数据集首先经过原始特征映射与残差学习，其次将学习得到的特征输入多层感知器层进行深层次特征提取，并将不同层次网络特征进行融合，输出基于RTTOV模拟的FY3-D MWHS 183±1GHz的全球范围海洋上亮温值；

根据所述单层数据集和所述气压层数据集，利用所述训练好的AI-RTTOV深度网络确定基于RTTOV模拟的FY3-D MWHS 183±1GHz的全球范围海洋上亮温值。

可选地，所述根据所述单层数据集和所述气压层数据集，采用深度学习方法，确定训练好的AI-RTTOV深度网络，具体包括：

将所述单层数据集和所述气压层数据集分别分为训练数据集、验证数据集和测试数据集；

利用所述单层数据集和所述气压层数据集划分的训练数据集、验证数据集进行AI-RTTOV深度网络的训练与超参数调优；

利用所述单层数据集和所述气压层数据集划分的测试集进行训练好的AI-RTTOV深度网络的测试。