Page 149 - 计算机应用软件开发技术研究

第四章 大数据与机器学习

2.气象要素反演
（1）降水
卫星遥感提供的全球尺度的高分辨率卫星降水产品，是对地面测量网络的稀

疏和不均匀的有限补充，同时可以对气象雷达降雨量进行验证。为了实现降水的
精确反演，通常需要综合利用静止轨道卫星数据、长波红外、水汽通道和降水雷
达数据等多通道数据。目前已经形成了许多基于光学卫星的降雨反演技术。Tao
等使用堆叠式降噪自动编码器（SDAE）和 PERSIANN（人工神经网络）来估计

GOES 卫星图像的大规模降水，与三层神经网络模型和 PERSIANN-CCS（人工
神经网络云分类系统）模型相比，PERSIANN-SDAE（人工神经网络－自动编码
器）模型可以有效地捕获降水事件的形状和峰值，并估算降水分布。Tao 等还利
用具有 4 层全连接 DNN（深度神经网络）的 SDAE 架构来提高卫星降水产品的

质量。
（2）云顶高
云顶高对于确定地面的长波辐射和航空安全非常重要。目前利用一些常规
的星载成像仪，如 AVHRR（甚高分辨率辐射计）、HIRS（高分辨率红外辐射测

深仪）、MODIS（中等分辨率成像光谱仪）和 VIIRS（可见红外成像辐射仪）
已经形成了一些云顶高的气候数据集，由于大多数基于被动遥感的云顶高反演方
法都涉及辐射传递模型（RTM），并且通常在多云的天空中辐射传递模型具有
很大的不确定性，因此云顶高反演的准确性有限。与卫星被动遥感载荷相比，

CALIPSO 卫星任务上搭载的激光雷达 CALIOP 可以使用激光返回信号来更高精
度地反演云顶高，这个云顶高可以视为被动遥感反演云顶高的真值，但其时间空
间分辨率有限。目前比较有意义的一个尝试是利用机器学习算法将 CALIPSO 雷
达数据和日本 Himawa-8/-9 的 Hima-wari 成像仪（AHI）数据进行融合，以提供

高精度的云顶高数据，MIN 等基于 CALIPSO 雷达数据对四种深度学习算法进行
了比较，另外还开发了一种联合算法，将最优机器学习和传统物理（TRA）算法
相结合，进一步降低了云顶高误差。
（3）气溶胶光学厚度

气溶胶光学厚度是重要的大气变量之一，对于气溶胶光学厚度反演目前一般
有两种思路。第一种思路是不考虑气溶胶物理性质的情况下，直接利用神经网络
模型建立卫星辐射特性与气溶胶光学厚度之间的模型，神经网络输入主要是卫星

·137·