0 引言

地基多通道微波辐射计采用全被动接收方式工作，无需对外发射电磁信号即能实时获得高时空分辨率的大气温湿廓线，积分水汽和液态水等参数，在气象探测、数值天气预报、人工影响天气、通讯和军事等领域有着重要的作用[1-2]。传统大气探测是通过探空气球、火箭和航天飞机等设备携带传感器直接探测，这些手段不仅昂贵而且很难获取实时连续的观测数据，不利于大气参数的实时监测和分析。微波辐射计作为一种新型的被动遥感设备在大气探测领域得到了越来越多的应用。微波辐射计不仅能够弥补传统常规大气探测资料的不足，而且还能够克服传统探测方法的诸多局限性，具有独立工作的能力，可穿透云雾全天时全天候的工作，是大气探测的重要手段之一。

地基多通道微波辐射计是用于对流层大气状态参数实时遥感探测的新型精密仪器，系统以完全被动的探测方式获取大气辐射亮温，最后通过人工神经网络算法反演得到连续实时的对流层大气温度、水汽、液态水廓线以及积分水汽和积分液态水等大气状态参数。仪器同时还配备了红外观测仪，用来探测云底温度，这对监测天气状态和提高水汽反演精度等有着重要作用。

1 大气温湿廓线参数反演

地基微波辐射计数据反演主要是利用观测的大气辐射亮温来反演大气温度、水汽、相对湿度和云液态水等大气参数。反演方法有正向模型反演法，数据统计法(经验法)和人工神经网络法等。深入分析表明人工神经网络方法更胜一筹，它具有很多传统算法不具有的特点[3-4]。首先，神经网络算法不必要分析复杂的物理模型[3][5]，可直接利用历史数据对网络进行训练。其次，该方法具有较好的自学习能力及处理非线性问题的能力，在大气科学研究等领域中越来越受到重视。

本文采用3 层(单隐层)误差反向传播BP神经网络模型算法，该算法使用广泛且较为成熟。在BP神经网络训练过程中将地面观测的气象参数(包括地面温度、气压、相对湿度) 以及辐射计观测的各频点亮温作为输入, 对应于温度、湿度、云液态水廓线分别作为网络输出。网络参数训练选用观测地探空气象站10年的历史探空资料作为训练样本进行网络训练，最终得到一组最佳的网络参数用于数据反演[6]。探空资料中并没有直接测量液态水和大气辐射亮温数据，为此需要通过大气辐射传输模型进行亮温模拟计算，本文选用MonoRTM大气辐射模型进行亮温的模拟计算，液态水廓线需要通过经验模型结合湿度廓线得到[3][7]。选用大量历史探空数据作为训练样本有利于为神经网络算法提供尽可能多的先验信息。

利用训练好的神经网络对我们自主研制的MWP967KV型地基多通道微波辐射计在秦岭大气科学试验基地观测的亮温数据进行了大气温度和水汽廓线的反演并和探空结果作对比，计算了温度廓线和水汽廓线的绝对平均偏差(BIAS)和均方差(RMS)，BIAS和RMS的定义如下，

 

(1)

 

(2)

逊克片区有六座加油站，其中四座与利民加油站的情况雷同，另外两座包括齐克加油站都属于县镇站。“15公里周围都是自己系统内部的加油站，所以到自已领域开发客户也没意义。”齐克加油站秦晓峰说。

本文基于数学形态学原理，运用细化算法和模板整形实现了对线面混合的多源、多尺度河流中轴线实现了提取，在双线河到单线河的转变方面表现出色。试验结果表明，即使对于具有复杂结构的线面（含岛屿）混合数据，该方法依然能够有效提取连续、光滑的中轴线，且与保留下来的单线条数据保持完整的拓扑关系。实现了单线拓扑河网数据的获取及建立。在后一步的工作中，将对算法进行优化来提高算法运行速度。虽然本文的研究是以河流为例，但该研究成果同样适用于其他多源的混合线面数据，如街道网络等。

  

图1 温湿廓线的绝对平均偏差

  

图2 温湿廓线的均方差

从散点图上可以看出温度数据点分布集中，而水汽密度数据点分布相对离散，这主要是由于水汽垂直分布的复杂性引起的，同时由于探空气球上升过程中随风飘动以及探空站与试验地点之间的距离等因素共同带来的一些不确定性因素都会对反演结果造成一些影响。

为了进一步验证辐射计观测数据的性能，我们与德国进口设备RPG辐射计观测结果也进行了对比分析，如图4。从结果看，与RPG辐射计的观测结果较为一致，两者都很好的反应了大气温湿度参数的垂直分布，温度廓线很好的表现了近地面大气的逆温现象。水汽密度廓线和相对湿度廓线两者都很好地反应了大气中水汽垂直分布。

在安全教育中，依次开展安全知识、技能和意识教育与培训。入场时对从业人员进行三级安全教育，以生产组织原则、环境、纪律、操作标准为主；结合施工的变化适时进行安全技能教育和训练，并分步验收；经常性地根据安全形势开展安全意识教育和培训，以事故为事例，坚定从业人员掌握安全知识和技能的信心。

式中，n表示观测样本数，Ti,meas和Ti,true分别表示辐射计反演的温湿度廓线和真值(利用探空资料得到)。计算结果如图1和图2所示。

  

图3 微波辐射计观测反演廓线与探空对比

神经网络反演算法的误差来源主要有利用MonoRTM大气辐射模型计算亮温与实际亮温的偏差，同时由于探空数据中没有液态水数据，液态水是通过经验模型获取，因此会带来一定的误差。其次，探空气球在上升过程中会随风飘动，几乎不能保证探测的是天顶方向的大气数据，这就为模拟计算带来了很大不确定性。最后探空数据每天只有早晚共两次，即使使用10年的探空资料也很难使得样本完全包含所有大气现象，这就使得辐射计处理极端天气的能力有所不足。

建立健全的能源管理制度也是关键一环。医院陆续编制出台了北京大学第三医院节能降耗考核制度等，从管理文件、技术文件、记录文件、节能制度、岗位职责等多个维度建立全面的制度体系。

图3显示了神经网络算法反演廓线与探空个例对比结果，反演的温湿廓线非常接近实际的探空数据，不仅很好的描绘了大气温湿度随高度的变化趋势，而且细致的反映了大气温湿参数的细节变化，与探空气球观测结果较为一致。这不仅说明了微波辐射计的可靠性较好，同时也反映出了神经网络算法具有很好的反演精度，很适合微波辐射计数据反演。

由反演结果可以看出温度廓线反演平均偏差在9km以下在1℃以内，均方差小于2℃，高空误差略大，这同时也说明辐射计在低空具有较好的观测能力，对高空观测能力相对较弱。水汽廓线反演平均偏差和均方差均小于1.0g/m3，且可以看出水汽主要集中在6km以下。近地面偏差略大的原因分析主要是因为观测地点与探空站不在同一位置，由两地下垫面不同引起的差异，水汽误差分布变化大也说明了大气中水汽垂直分布的复杂性。

对两类设备观测结果进行统计相关性分析，如图5所示。从散点图看，两者反演的温湿度廓线相关性较高，两者温度廓线与探空数据相关性分别是0.99284和0.99535，水汽密度相关性分别是0.95738和0.94283。而两个辐射计之间反演的温度和水汽密度廓线相关性分别是0.99744和0.97591。相关性较高说明两者数据反演结果较为一致。

  

图4 MWP967KV与RPG微波辐射计观测结果对比

  

图5 温度和水汽廓线相关性分析

2 液态水的反演

利用神经网络算法反演液态水廓线，首先要对训练样本进行合理正确的处理。由于探空设备中没有直接探测到液态水，因此就需要根据经验模型添加液态水，进而训练神经网络参数用以反演大气液态水的时空分布变化。通过对探空时段阴天辐射计数据反演的液态水廓线与根据经验模型生成的液态水廓线作对比。我们可以从图6对比结果看出，神经网络算法反演结果与探空廓线较为接近，尽管在液态水含量上有所差异，但是很好地反应了云液水的位置，厚度以及液态水的分布。

根据液态水对比结果还能看出神经网络算法反演的液态水廓线对于厚云反演效果较好而且精度高，对于薄云和液态水含量低的云反演能力较差。辐射计对于双层云的反演也有很好的表现，廓线很好地描述了双层云的峰值所在位置以及液态水含量的分布变化。这将对于我们研究多层云的分布、云水含量以及云的辐射特性有着重要作用。

  

图6 液态水廓线与探空对比

3 逆温的探测

通常大气温度随高度增加而减小，但是在某些天气条件下，地面上空的大气结构会出现气温随高度增加而升高，这种现象被称为逆温。利用常规探测方法很难实现对逆温的高时间分辨率探测，难以获取逆温随时间发展的变化过程。微波辐射计探测温度廓线具有较高的时空分辨率和观测精度，能够显示逆温的发展变化过程，是探测逆温的理想仪器。这对研究大气边界层的温度变化有重要作用。

如图7所示，在这次强逆温过程中微波辐射计很好的探测到了地表的辐射逆温和逆温层厚度，从结果可以看出这次逆温较强，厚度达到了1km左右且与探空数据结果非常一致。逆温对于分析大气条件有着重要作用，逆温越强会使大气状态越稳定，难以形成对流天气，在这种大气条件下极易造成污染物的累积且不易扩散。

  

图7 微波辐射计观测的逆温与探空对比

4 结束语

MWP967KV型地基多通道微波辐射计是我国自主研制的新型微波辐射计，打破了国外对这项技术的垄断，积累了相关技术经验。经过对微波辐射计观测数据的对比分析，我们可以看出，微波辐射计观测反演数据可靠，与国外同类设备性能一致。神经网络算法非常适合应用于微波辐射计观测反演大气状态参数，对温湿廓线的反演具有很高的精度，避免了求解复杂的大气微波辐射物理模型，同时微波辐射计对于逆温和云液态水的含量、分布以及双层云等反演也有很好的效果。这将对数值天气预报、人工影响天气、防灾减灾等领域具有很高的应用价值。

对于这次工作岗位变更，成锐是有心理准备的，但没想到会这么突然。“2017年6月，公司人事经理曾经以精简人员编制、压缩和控制成本为由，通知我们车间拟取消铆工岗位和编制。”成锐说，公司即没关闭停产、还在继续营业，怎么会取消这些离不开的岗位和人员呢？他和同事们不理解，要求公司给个理由，公司没有答复。

参考文献:

[1] 朱磊,卢建平,雷连发.新型多通道微波辐射计及大气观测分析[J].火控雷达技术，2014，43(1):84-88.

[2] 卢建平,黄建平,郭学良,于子平,雷连发,张北斗.探测大气温湿廓线的35通道微波辐射计设计原理与特点[J].气象科技，2014,42(2):193-197.

[3] 刘亚亚,毛节泰,刘均,李峰.地基微波辐射计遥感大气廓线的BP神经网络反演方法研究[J].高原气象,2010,29(6):1514-1523.

[4] 雷连发,卢建平,朱磊，吴皓.多通道地基微波辐射计大气遥感[J].遥感学报，2014，18(1)，180-191.

[5] 施彦,韩力群,廉小亲.神经网络设计方法与实例分析[M].北京，北京邮电大学出版社，2009.

[6] F.DelFrate, G.Schiavon. A neural network approach for the retrieval of profiles of liquid water from radiometric data[J]. IEEE, 2000(7):2803-2805.

[7] Maria P. Cadeddu, David D. Turner, and James C. Liljegren.A neural network for real-time retrievals of PWV and LWP from arctic millimeter-wave ground-based observations[J]. IEEE transactions on geoscience and remote sension, 2009,47(7):1887-1900.