| 摘 要： | 星载红外高光谱垂直探测仪GIIRS （Geostationary Interferometric Infrared Sounder）能够实现大气温度和湿度参数高垂直分辨率的观测,为数值天气预报提供精度更高的初始场。基于GIIRS观测辐射值采用BP神经网络（Back Propagation Neural Network）法和深度学习的卷积神经网络（Convolutional Neural Networks, CNN）法反演大气温度、湿度垂直廓线,重点在于CNN法模型的构建与参数的优化,得到反演精度最高的网络模型配置。将训练样本根据不同地表类型和是否有云的影响分为三种方案（方案一:不分类、方案二:陆地/洋面分类、方案三:晴空/有云分类）,分别进行建模、反演和检验。结果表明两种反演算法都有较好的反演精度,相对而言CNN法在所有高度层上反演偏差、均方根误差和平均相对误差均较小,反演精度更高。CNN法温度反演在高层10~200 hPa改进较大,三种分类方案改进的最大值分别为1.15 K、1.06 K和1.02 K;湿度反演在对流层低层500~1000 hPa改进较大,三种分类方案分别平均改进了0.43 g/kg、0.41 g/kg和0.34 g/kg。BP神经网络法方案三时（即分晴空和云时）温度和水汽混合比廓线反演精度最好;CNN算法方案一时（即不对样本数据进行任何分类）反演精度最高。
|
