基于多模型神经网络的湿度廓线反演研究OA北大核心CSTPCD
为提升微波辐射计对大气廓线探测的精度,利用ARM大气观测站提供的地基微波辐射计、毫米波测云雷达以及探空数据,构建了两种添加不同云信息的反向传播神经网络(back propagation neural network,BPNN)模型(添加入云和出云高度的C-BPNN模型与添加雷达反射率因子的Z-BPNN模型)与一种未添加云信息的BPNN模型(记为BPNN0),并对反演结果进行了对比,结果表明:C-BPNN模型和Z-BPNN模型在任何天气下(有云或无云),得到的反演误差都小于BPNN0模型;C-BPNN相较于另外两种模型反演结果具有更高的稳定性。对3种模型各自反演结果最好的个例分析发现,C-BPNN与Z-BPNN模型主要的误差存在于高空无云但是相对湿度却出现跃变的情况,说明神经网络模型对初始权值与阈值较为敏感,因此通过遗传算法(genetic algorithms,GA)对BPNN模型进行优化。经GA优化后的反演结果表明:BPNN0模型与C-BPNN模型具有明显优化效果,而Z-BPNN模型优化效果则不明显。
王金虎;肖安虹;陈后财;王昊亮;刘萱;蔡海强;
南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044 中国气象局气溶胶与云降水重点开放实验室,南京210044 中国科学院中层大气和全球环境探测重点实验室,北京100029 南京信大安全应急管理研究院,南京210044南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044 中国气象局气溶胶与云降水重点开放实验室,南京210044 中国电波传播研究所,青岛266107中国电波传播研究所,青岛266107南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044 中国气象局气溶胶与云降水重点开放实验室,南京210044
大气科学
地基微波辐射计毫米波雷达湿度廓线反向传播神经网络(BPNN)遗传算法(GA)
《电波科学学报》 2024 (001)
P.181-190 / 10
国家自然科学基金(41905026);江苏省自然科学基金(BK20170945);南京信息工程大学人才启动基金(2016r028);江苏省333工程高层次人才培养资助(第三层次)。
评论