1、概述

    地基微波辐射计数据反演主要是利用观测的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。深入分析表明从微波辐射计数据获取温度、水汽和云液态水廓线的方法中，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。理论上已经证明3层神经网络具有以任意精度逼近任何复杂非线性模型的能力，神经网络不必要分析复杂的物理模型，可直接利用历史数据对网络进行训练。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越来越受到重视。

2、配置要求

（1）运行环境

操作系统：

    简体中文、英文Windows XP，Windows 7，Windows 8，Windows 10操作系统。

配置要求：

     CPU：1GHz以上

内存：4Gb以上

显示卡：标准VGA256色显示模式以上

硬盘：500G以上

驱动器：8倍速CD-ROM以上

其它设备：具备RS232通讯接口，或USB接口以及USB-RS-232转换器

（2）软件平台配置

     软件使用前仅需安装。NetFramework2.0以上运行框架就可以保持软件正常运行。

（3）软件的升级

微波辐射计数据软件开发采用模块化设计，它提供了较为简便的软件升级模式。一般来说软件更新升级只是替换原有文件的操作，其他任何文件都不需要改变。为了不断提高软件的性能和修补漏洞或是增加新的功能，这时需要更新软件，详细的更新说明我们会同新软件一同发布并提供给用户。

3、神经网络算法设计

    本文使用的Back Propagation ( BP) 神经网络反演方法采用3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，网络结构如下图1所示。在神经网络训练过程中本文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，对应于不同的网络。温度、相对湿度、云液态水廓线的各58 个节点分别作为输出。网络参数训练时选用当地大量探空资料作为训练样本进行网络训练，最终得到一组最佳匹配的网络参数。训练后的网络就可直接用于微波辐射计的大气温度、水汽、液态水等廓线反演。

4、神经网络训练

    微波辐射计使用神经网络算法反演大气温度、湿度和液态水廓线。其中神经网络文件由历史探空资料训练得出。神经网络文件训练通常选取与观测地同一地点或同一气候区域的一个或多个探空点的多年历史探空资料（一般需要10年以上的历史探空数据）。利用大气辐射传输模型计算出探空资料大气参数对应的微波亮温，神经网路通过学习训练获取温度、湿度和液态水与亮温谱的最佳匹配参数，最后应用到微波辐射计数据反演中，获得实时大大气温度、湿度和液态水廓线等大气状态参数。输出廓线在垂直方向划分为58层，地表到高度500m之间的分辨力为50m，2km以下的分辨率为100m，2～10km之间的分辨率为250m。

一般在使用时根据用户指定的使用地点训练一套合理的神经网络文件供用户使用。对于微波辐射计的用户来说，神经网络文件的更新非常简单，用户只需要将我们新提供的神经网络文件全部拷贝进去，在今后的观测过程中，软件程序就使用新的神经网络文件进行大气参数的实时反演。

    神经网络文件具有地域依赖的特点，不同地点或地区的神经网络文件是不相同的。若强行在不同区域使用同一神经网络文件可能会导致大气观测结果出现较大误差，这种情况只是微波辐射计使用了错误的神经网络文件，并不会影响到它的原始观测数据。用户即使在观测结束之后，仍可用正确的神经网络文件，重新反演先前已有的原始观测数据，就可获得正确的反演结果。

5、反演结果对比验证

    利用训练好的神经网络反演的大气温湿廓线与探空数据的对比结果。从对比结果中可以看出温度廓线较接近实际探空数据，误差较小。水汽和相对湿度廓线尽管有一定的误差，但反演廓线很好地描述了大气中水汽和相对湿度随高度的变化趋势以及数值变化情况，这也说明了神经网络反演结果的有效性和准确性。