基于时序建模的地基微波辐射计大气温湿廓线反演方法及系统与流程

本发明涉及气象大气遥感探测，尤其涉及一种基于时序建模的地基微波辐射计温湿廓线反演方法和系统。

背景技术：

1、大气温度和湿度垂直廓线是表征大气热力状态、水汽分布的核心物理参数，精准的廓线数据是数值天气预报、短时临近预报预警、灾害性天气监测、人工影响天气等气象核心业务的关键基础。常规探空仪虽能提供高精度廓线数据，但受每日2次的观测频次、站点稀疏、运维成本高等限制，无法满足高时空分辨率的气象业务需求。

2、地基微波辐射计通过接收大气不同频段的微波热辐射信号，可实现分钟级、连续无人值守的大气温湿廓线探测，是常规探空观测最重要的补充手段，已在全国气象观测站网广泛部署。目前国内外主流的地基微波辐射计温湿廓线反演技术主要分为：

3、物理反演法：基于大气辐射传输方程，通过迭代求解得到温湿廓线。该方法物理意义明确，但对初始场依赖度极高，云天条件下云吸收系数的不确定性会直接导致迭代发散、反演误差急剧增大，甚至出现无效结果；

4、传统统计反演法：基于历史探空数据建立线性回归模型，计算速度快，但未考虑大气辐射传输的非线性特征，模型泛化能力弱，无法适配晴空与云天的辐射传输特性差异，全场景反演精度有限；

5、神经网络反演法：凭借强大的非线性拟合能力，成为当前微波辐射计反演的主流优化方向。

6、国内外大量研究已证实，神经网络方法的反演精度显著优于传统线性回归方法，可有效拟合亮温与大气温湿廓线之间的非线性关系。然而，现有技术仍存在以下不足：仅使用当前单时刻的亮温观测数据，忽略了分钟级连续观测所蕴含的大气状态时间演变信息；未充分利用毫米波云雷达数据；探空数据每日仅2次，时间分辨率不足以直接训练分钟级时序模型。

技术实现思路

1、为解决背景技术中存在的技术问题，本发明提出一种基于时序建模的地基微波辐射计大气温湿廓线反演方法和系统。

2、第一方面，本发明提出的一种基于时序建模的地基微波辐射计大气温湿廓线反演方法，包括：

3、按照预设时间间隔获取目标地区的待测的时序样本；其中，时序样本为当前时刻及其前n个历史时刻的样本组成滑动窗口序列，样本包括地基微波辐射计亮温数据、毫米波云雷达数据、雨量数据和地面气象观测数据；

4、根据每个时序样本的当前时刻的雨量数据，判断是否为雨天；若是，则将该时序样本剔除；若否，则对每个时序样本的毫米波云雷达数据进行质量控制，并基于质量控制后的当前时刻的毫米波云雷达数据判别天气，得到天气判别结果；其中，天气判别结果分为晴天和云天；

5、根据天气判别结果，选择对应的晴天亮温偏差订正模型或云天亮温偏差订正模型，对每个时序样本的地基微波辐射计亮温数据进行一体化质控与偏差订正；

6、根据天气判别结果，选择预先训练好的晴空反演模型或云天反演模型，对经过质量控制和一体化质控与偏差订正的时序样本进行温湿廓线反演；其中，晴空反演模型和云天模型均为transformer模型，结构相同且参数独立训练。

7、优选地，地基微波辐射计亮温数据包括16通道亮温数据，毫米波云雷达数据包括：云底高、云顶高、云厚和液态水路径，地面气象观测数据包括：气温、相对湿度和气压。

8、优选地，transformer模型包括：

9、输入嵌入层，用于将时序样本线性投影到128维高维空间，并添加可学习的位置编码，晴空反演模型的输入嵌入层的输入为19维，包括地基微波辐射计亮温数据的16通道亮温数据和地面气象观测数据的3项数据；云天反演模型的输入嵌入层的输入为23维，包括地基微波辐射计亮温数据的16通道亮温数据、毫米波云雷达数据的4项参数和地面气象观测数据的3项参数；

10、transformer编码器包括2层相同的编码器层，每层编码器层包括4头自注意力子层和前馈网络子层，每个子层后采用残差连接与层归一化，dropout率设为0.1；头维度为32，前馈网络子层用于将维度从128扩展到256再映射回128；

11、序列特征聚合层，用于取transformer编码器的输出序列的最后一个时间步的特征向量；

12、回归头包括两层全连接层，第一层全连接层将最后一个时间步的特征向量由128维映射到256维，激活函数为relu；第二层全连接层将256维的特征向量映射到输出维度；

13、输出层为线性激活，输出节点数为 2×h， h为垂直层数，每2个节点按顺序对应一个高度层的温度和相对湿度。

14、优选地，在判别天气过程中，根据当前时刻的毫米波云雷达数据，判断是否有云回波；若无云回波且液态水路径<0.1mm，则判为晴天；若有云回波且液态水路径≥0.1mm，则判为云天。

15、优选地，一体化质控与偏差订正的过程包括：

16、对每个时序样本的地基微波辐射计亮温数据进行一体化质控；其中，一体化质控包括极值检查、时间一致性检查、最小变率检查和辐射传输模式初检；

17、采用预设的晴天亮温偏差订正模型或云天亮温偏差订正模型，对每个时序样本进行偏差订正；其中，晴天亮温偏差订正模型和云天亮温偏差订正模型均采用线性模型，其订正系数分别通过晴天和云天的历史观测亮温与辐射传输模式模拟亮温进行线性拟合得到。

18、优选地，晴空反演模型和云天反演模型的训练过程包括：

19、获取目标地区的历史观测数据以及与其对应的再分析资料，并从再分析资料中提取出目标地区的历史温湿廓线数据；其中，历史观测数据包括：预设历史时间段每个整点时刻的观测样本，每个观测样本包括微波辐射计观测数据、雨量数据、毫米波云雷达数据和地面气象观测数据；

20、基于目标地区的历史温湿廓线数据和历史观测数据，构建晴天训练数据集和云天训练数据集；利用晴天训练数据集和云天训练数据集分别对晴空反演模型和云天反演模型进行预训练；

21、获取目标地区的与历史观测数据对应的实际探空数据，基于历史观测数据和对应的实际探空数据，构建晴天微调训练集和云天微调训练集；利用晴天微调训练集和云天微调训练集分别对预训练好的晴空反演模型和云天反演模型进行微调。

22、优选地，基于目标地区的历史温湿廓线数据和历史观测数据，构建晴天训练数据集和云天训练数据集，具体包括：

23、从目标地区的历史观测数据中提取出每个整点时刻的观测样本；

24、基于各个整点时刻的观测样本，构建每个整点时刻的时序样本；

25、根据每个时序样本中当前整点时刻的雨量数据，判断是否为雨天；若是，则将该时序样本剔除；若否，则对每个时序样本的毫米波云雷达数据进行质量控制和天气类判别，得到天气判别结果；其中，天气判别结果分为晴天和云天；

26、根据天气判别结果，使用对应的晴天亮温偏差订正模型或云天亮温偏差订正模型，对每个时序样本中的微波辐射计观测数据进行一体化质控与偏差订正，并基于每个整点时刻的时序样本，构建训练集；根据天气判别结果，将训练集划分为晴天训练数据集和云天训练数据集；

27、从历史温湿廓线数据中分别提取出每个整点时刻的理论温湿廓线；根据各个整点时刻的理论温湿廓线，分别对晴天训练数据集和云天数据集中每个时序样本进行样本标签标记。

28、优选地，预训练过程的损失函数均采用加权均方误差；损失函数中 2×h节点的权重根据高度分层设定，边界层权重高于高层，温度与湿度节点采用相同层权重；其中，属于0~0.5km高度层的所有节点权重设为2.0，属于0.5~2km高度层的所有节点权重设为1.5，属于2~10km高度层的所有节点权重设为1.0。

29、优选地，实际探空数据包括每个探空时刻的温湿廓线；

30、在微调过程中，加载预训练好的晴空反演模型和云天反演模型的权重，冻结transformer编码器的第一层编码器层，仅更新transformer编码器的第二层编码器层以及回归头和输出层；微调阶段的学习率小于预训练过程的学习率，批量大小小于预训练过程的批量大小。

31、优选地，基于历史观测数据和对应的实际探空数据，构建晴天微调训练集和云天微调训练集，具体包括：

32、从晴天训练数据集和云天训练数据集中提取出与实际探空数据中的每个探空时刻对应的时序样本，并构建晴天微调训练集和云天微调训练集；根据每个探空时刻的温湿廓线，对晴天微调训练集和云天微调训练集中时序样本进行标记。

33、第二方面，本发明还提出了一种基于时序建模的地基微波辐射计大气温湿廓线反演系统，包括：

34、获取模块，用于按照预设时间间隔获取目标地区的待测的时序样本；其中，时序样本为当前时刻及其前n个历史时刻的样本组成滑动窗口序列，样本包括地基微波辐射计亮温数据、毫米波云雷达数据、雨量数据和地面气象观测数据；

35、处理模块，用于根据每个时序样本的当前时刻的雨量数据，判断是否为雨天；若是，则将该时序样本剔除；若否，则对每个时序样本的毫米波云雷达数据进行质量控制，并基于质量控制后的当前时刻的毫米波云雷达数据判别天气，得到天气判别结果；其中，天气判别结果分为晴天和云天；

36、根据天气判别结果，选择对应的预设亮温偏差订正模型，对每个时序样本的地基微波辐射计亮温数据进行一体化质控与偏差订正；

37、根据天气判别结果，选择预先训练好的晴空反演模型或云天反演模型，对经过质量控制和一体化质控与偏差订正的时序样本进行温湿廓线反演对毫米波云雷达数据进行质量控制并基于质量控制后的云雷达数据判别天气，得到晴天或云天；根据天气判别结果选择对应的亮温偏差订正模型，对地基微波辐射计亮温数据进行一体化质控与偏差订正；根据天气判别结果选择预先训练好的晴空反演模型或云天反演模型，对订正后的时序样本进行温湿廓线反演；其中，晴空反演模型和云天模型均为transformer模型，结构相同且参数独立训练。

38、本发明中，所提出的基于时序建模的地基微波辐射计大气温湿廓线反演方法和系统，通过预先构建晴空反演模型和云天反演模型，先根据每个时序样本的当前时刻的雨量数据，判断是否为雨天；若是，则将该时序样本剔除；若否，则对每个时序样本的毫米波云雷达数据进行质量控制，并基于质量控制后的当前时刻的毫米波云雷达数据判别天气，得到晴天或云天；根据天气判别结果选择对应的晴天亮温偏差订正模型或云天亮温偏差订正模型，对地基微波辐射计亮温数据进行一体化质控与偏差订正；根据天气判别结果选择预先训练好的晴空反演模型或云天反演模型，对订正后的时序样本进行温湿廓线反演。本发明通过时序建模、分天气类型独立训练，显著提升了云天条件下的反演精度和稳定性，尤其改善了湿度廓线的反演效果。