HY-2散射計風速降雨影響的神經(jīng)網(wǎng)絡校正

王 婧，解學通，夏麗華

(廣州大學 地理科學學院，廣東 廣州 510006)

0 引 言

2011年發(fā)射的海洋二號衛(wèi)星（HY-2A）是我國第一顆用于獲取海洋動力環(huán)境信息的遙感衛(wèi)星，星上搭載了HY2-scat微波散射計，是國內(nèi)第一個業(yè)務化運行的衛(wèi)星散射計，在獲取大范圍海量海面風場數(shù)據(jù)方面有著巨大的優(yōu)勢。目前成功發(fā)射的星載散射計主要工作在C(5.3 GHz)波段和Ku(13.5 GHz)波段，1978年NASA發(fā)射的Seasat上搭載的第一個業(yè)務化運行的Ku波段星載散射計SASS，后續(xù)的Ku波段星載散射計有NSCAT、SeaWinds，C波段的星載散射計主要是由歐空局發(fā)射的AMI和ASCAT系列散射計，現(xiàn)役在軌的微波散射計有采用筆形圓錐掃描的SeaWinds和采用扇形掃描的ASCAT。Seawinds是運用技術(shù)較為成熟的Ku波段星載散射計，HY2-scat設計方案參照了SeaWinds的技術(shù)指標，采用的工作波段為Ku波段。

散射計反演風場原理是基于微波傳輸特性，入射角大于30°小于70°時，Bragger散射對微波后向散射截面的影響占主要作用，微波傳輸過程中Bragger散射的發(fā)生主要受海面風場的變化所引起的海表面的重力毛細波影響[1]。前人做了大量關于散射計測量海面風的研究，主要針對后向散射系數(shù)反演風場方法進行展開的，目前用于業(yè)務化運行的星載散射計的反演算法有C波段的CMOD系列模型函數(shù)以及Ku波段的NSCAT系列模型函數(shù)[2]。

在沒有降雨的條件下，散射計反演中風速風矢量具有很高的準確性，而在降雨情況下，散射計反演風場的準確性會因受到降雨污染而降低，在臺風行進區(qū)域這種影響尤為明顯[3]。Ku 波段散射計受降雨干擾較C波段散射計要大[4]。盡管降雨標識技術(shù)已經(jīng)有了很大的發(fā)展，但是目前的風場反演方法并沒有考慮降雨所帶來的影響，其主要作用在改變散射計接收到的雷達后向散射信號能量[5]。雨滴落入海水時產(chǎn)生的濺射和環(huán)形波會影響信號能量的散射，同時降雨落入海面的沖擊還會影響海面毛細波，后向散射信號在穿過雨滴粒子時發(fā)生散射，都會對散射計接收微波信號產(chǎn)生影響[6]。

降雨對散射計反演風場的影響是非線性的物理過程，有很大的不確定性。現(xiàn)有的校正降雨對散射計測風影響的方法研究，有根據(jù)電磁波在雨滴中傳播的輻射方程建立物理模型[7]，通過經(jīng)驗擬合的方法建立回歸模型[8]，以及根據(jù)降雨區(qū)域周邊無降雨區(qū)域的數(shù)據(jù)使用空間插值法進行數(shù)據(jù)重構(gòu)[9]。以上的降雨校正方法都是針對散射計測量的后向散射系數(shù)的，本文研究對象主要是散射系數(shù)經(jīng)反演后得到的真風矢量，嘗試引入BP神經(jīng)網(wǎng)絡校正降雨對測風的影響。

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)說明

本文采用了國家衛(wèi)星海洋應用中心公開分發(fā)的海洋二號L2B級產(chǎn)品數(shù)據(jù)。海洋二號（HY-2）衛(wèi)星上搭載的散射計（HY2-scat）采用筆形圓錐掃描方式，能夠?qū)崿F(xiàn)對全球海面風場的寬副觀測（1800 km），設計方案參照了NASA的微波散射計SeaWinds，設計技術(shù)指標與SeaWinds有所差異但區(qū)別不大[10]，HY-2的地面處理流程使用了NSCAT-2模式函數(shù)反演海面風矢量，從經(jīng)幾何校正后的L2A級數(shù)據(jù)得到的L2B級標準數(shù)據(jù)產(chǎn)品。L2B級數(shù)據(jù)的空間分辨率為25 km，設計風速測量精度為2 m×s-1，風速測量范圍為4-24 m×s-1，風向測量精度為20°，本文所使用的L2B級標準數(shù)據(jù)采集時間段為2012年7月19至8月19日。

SSM/I (Special Sensor Microwave Imager)為星載被動微波輻射計，搭載于NASA發(fā)射的DMSP（Defense Meteorological Satellite Program）系列衛(wèi)星。SSM/I輻射計可觀測的海洋測量數(shù)據(jù)包括海表面風速，大氣水汽、云液態(tài)水、降雨率。本文使用的作為降雨控制SSM/I微波輻射計數(shù)據(jù)與L2B數(shù)進行時空配對，用于分析不同降雨條件下HY-2微波散射計的測風精度及神經(jīng)網(wǎng)絡建模輸入。

buoy海面浮標數(shù)據(jù)為美國浮標數(shù)據(jù)中心（National Data Buoy Center，NDBC）對外提供的海洋浮標臺站數(shù)據(jù)。海洋浮標能夠能在惡劣的天氣條件下收集海洋水文資料，直接測得浮標所在位置的風向與風速，具有極高的準確性，可作為參考標準驗證L2B數(shù)據(jù)的精度。

數(shù)值天氣預報（Numerical Weather Prediction，NWP）是根據(jù)大氣和海洋參數(shù)數(shù)學模型模擬天氣條件的一種預測數(shù)據(jù)。NWP具有探測時間快，更新數(shù)據(jù)及時的特點，在全球天氣預報數(shù)值中具有較高的準確性，可作為參考標準同HY-2微波散射計反演的風速和風向作對比，用于驗證降雨對HY-2微波散射計測風反演精度的影響。

1.2 數(shù)據(jù)精度檢驗

本文擬采用NWP風場資料作為校正降雨對HY-2散射計反演風場數(shù)據(jù)的參考標準，因此需要對NWP風速和風向數(shù)據(jù)的精度進行檢驗，以確定NWP風場資料的真實性。檢驗方法是采用NCEP提供的數(shù)值天氣預報（NWP）數(shù)據(jù)和美國浮標數(shù)據(jù)中心（NDBC）對外提供的buoy浮標數(shù)據(jù)進行統(tǒng)計比對分析。

圖1(a)和圖1(b)分別是時間和空間匹配的NWP和buoy數(shù)據(jù)對風速和風向散點圖，從圖中散點分布情況來看，NWP和buoy匹配數(shù)據(jù)對的風速散點呈線性分布，說明兩者之間具有很強的相關性；而風向的大部分散點是呈線性分布，因為風向的圓周性，所以部分散點在(0,360)和(360,0)處聚集。進一步統(tǒng)計計算時空匹配的風速和風向數(shù)據(jù)對的偏差(bias)、標準差(Standard Deviation)和相關系數(shù)，實現(xiàn)NWP數(shù)據(jù)的精確性的檢驗。在計算配對風向的數(shù)據(jù)對的誤差時，應考慮風向數(shù)據(jù)的圓周性[11]。0°和360°之間的斷點會導致計算結(jié)果與真實情況背離，因此，需要對風向進行轉(zhuǎn)換，使風向偏差落在-180°～180°之間，便于統(tǒng)計計算，風向轉(zhuǎn)換公式如下：

式中，wdbuoy是buoy浮標數(shù)據(jù)風向，wdNWP是NWP數(shù)據(jù)風向，wder是buoy和NWP風向之間的偏差，在繪制散點圖時為了保持原始的風向分布特征，沒有進行風向轉(zhuǎn)換。

表1是NWP數(shù)據(jù)和buoy數(shù)據(jù)的風速和風向的統(tǒng)計計算分析結(jié)果，從結(jié)果上來看，可認為NWP與對應的buoy數(shù)據(jù)誤差較小，NWP風速的準確性較高。

圖1 無降雨條件下buoy和NWP配對數(shù)據(jù)散點圖Fig.1 Scatter plot of buoy and NWP paired data without rainfall

表1 NWP海面風場數(shù)據(jù)和buoy海面風場數(shù)據(jù)統(tǒng)計分析Tab.1 Statistical analysis of NWP wind field data and buoy sea surface wind field data

2 降雨對散射計反演風場的影響

2.1 無降雨條件下散射計反演風場分析

本文首先統(tǒng)計分析無降雨和有降雨情況下，HY-2散射計反演風場的準確性，研究降雨條件對HY-2散射計反演風場的影響，使用的參考標準為經(jīng)風速轉(zhuǎn)換后的NWP數(shù)據(jù)。采用Liu和Tang的方法[12]，將NWP數(shù)據(jù)模擬的海面10 m高度處的海表風速轉(zhuǎn)換為假定中性大氣層10 m處的穩(wěn)定海面風速，后者是散射計測量的海面風速形式。

本文從風速和風向兩個方面對在不同降雨條件下HY-2標準產(chǎn)品L2B級數(shù)據(jù)的精度進行檢驗，圖2(a)和圖2(b)分別為無降雨條件下L2B數(shù)據(jù)和NWP數(shù)據(jù)配對的風速和風向散點圖，從圖中可觀察到在無降雨條件下，風速和風向配對散點呈明顯線性分布特征。因散射計風機理限制，在不同風速條件下散射計測風精度不同，因此按照NWP數(shù)據(jù)風速，依據(jù)1 m×s-1的檢驗區(qū)間劃分配對數(shù)據(jù)，圖3(a)和圖3(b)分別是無降雨條件下各個風速區(qū)間的風速和風向誤差（NWP-L2B）檢驗結(jié)果。從圖中反映的情況來看，在中風速區(qū)L2B數(shù)據(jù)具有較高的準確度，而低風速區(qū)的精度較差，由于高風速區(qū)檢驗的數(shù)據(jù)量偏少，因此統(tǒng)計誤差過大，檢驗結(jié)果基本與HY-2風場反演的設計指標相符，說明L2B級標準數(shù)據(jù)產(chǎn)品在無降雨條件下的精度范圍為4-24 m×s-1。

圖2 無降雨條件下L2B和NWP配對數(shù)據(jù)散點圖Fig.2 Scatter plot of L2B and NWP paired data without rainfall

圖3 不同風速條件下反演風場誤差(NWP-L2B)檢驗結(jié)果Fig.3 Dependence of wind vector residual (NWP-L2B) on the NWP wind speed

2.2 降雨條件下散射計反演風場分析

圖4(a)和圖4(b)分別為降雨條件下L2B和NWP匹配數(shù)據(jù)的風速和風向散點圖。與無降雨條件下的配對數(shù)據(jù)對比，降雨條件下的風速和風向散點分布出現(xiàn)都發(fā)生了偏移和離散，說明L2B數(shù)據(jù)的風速和風向都受降雨影響發(fā)生變化。降雨率不同導致了雨滴大小的不同，不同尺寸的雨滴對散射計測風的影響也有所差別，為了分析降雨率對L2B數(shù)據(jù)精度的影響，按照1 mm×h-1的區(qū)間范圍劃分降雨條件下的NWP和L2B配對數(shù)據(jù)，進行誤差檢驗，圖5(a)和圖5(b)分別是不同降雨率條件下的風速和風向誤差檢驗結(jié)果。從分析結(jié)果表現(xiàn)來看，L2B和NWP配對數(shù)據(jù)的風速和風向剩余誤差與降雨率成正比，當降雨率大于12 mm×h-1時的觀測到的數(shù)據(jù)較少，此時的剩余誤差呈無規(guī)律波動。圖5(a)中，當降雨率小于12 mm×h-1時，風速剩余誤差（NWP-L2B）的均值為負，且伴隨降雨率的增大而誤差值增加，說明在降雨條件下，降雨引起的海面毛細波擾動和對微波信號的衰減占主導作用。因此，在有降雨的情況下，散射計反演風場風速易被高估。圖5(b)中的風向剩余誤差是經(jīng)過風向處理后的結(jié)果，處理方法同式（3），在降雨率小于12 mm×h-1的統(tǒng)計區(qū)間，風向剩余誤差隨著降雨率升高而增大，但誤差均值在零附近，這是因為風向的圓周性使誤差在零值對稱。

表2為有降雨和無降雨條件下L2B和NWP風速和風向剩余誤差的統(tǒng)計計算結(jié)果。對比有降雨和無降雨條件下風速和風向剩余誤差的標準差，降雨條件下的風速和風向剩余誤差標準差都明顯大于無降雨條件。無降雨條件下風速剩余誤差平均值為正，在受降雨影響時，風速剩余誤差偏均值為負值。受降雨影響，L2B和NWP的風速相關系數(shù)明顯低于無降雨條件下的相關系數(shù)，說明受降雨影響，L2B和NWP風速之間的對應關系出現(xiàn)了較大的偏差，這與散點圖中反映的情況一致。

圖4 降雨條件下L2B和NWP配對數(shù)據(jù)散點圖Fig.4 Scatter plot of L2B and NWP paired data with rainfall注：（a）為風速結(jié)果，（b）為風向結(jié)果

圖5 不同降雨率下反演風場誤差（NWP-L2B）檢驗結(jié)果Fig.5 Dependence of wind vector residual (NWP-L2B) on the SSM/I rain rate注：(a)為風速結(jié)果，(b)為風向結(jié)果，圓圈表示剩余誤差平均值，垂直線表示剩余誤差標準差

表2 L2B風場數(shù)據(jù)和NWP風場數(shù)據(jù)統(tǒng)計分析Tab.2 Statistical analysis of L2B wind field data and NWP wind field data

3 神經(jīng)網(wǎng)絡校正降雨對散射計反演風場的影響

通過和buoy浮標數(shù)據(jù)對比分析，NWP海面風模擬數(shù)據(jù)精確度較高，且受降雨的影響較小[14]，是可信的海表氣象參數(shù)。buoy浮標數(shù)據(jù)較NWP數(shù)據(jù)的精確度更高，但因buoy數(shù)據(jù)與L2B時空配對的數(shù)據(jù)量過少，因此，本文將NWP海面風數(shù)據(jù)作為參考值，通過人工神經(jīng)網(wǎng)絡擬合，校正降雨對L2B風速數(shù)據(jù)的影響。BP(back propagation)神經(jīng)網(wǎng)絡是一種機器學習模式，具有很強的非線性擬合能力，適用于處理復雜的函數(shù)建模[13]。BP神經(jīng)網(wǎng)絡建模過程中，使用數(shù)據(jù)的質(zhì)量和分布會影響訓練過程和預測結(jié)果，本文采用了L2B風速區(qū)間為1～24 m×s-1且降雨率區(qū)間為1-12 mm×h-1的L2B和NWP配對數(shù)據(jù)進行建模，每1m×s-1和1 mm×h-1采樣200個數(shù)據(jù)點，不足200個數(shù)據(jù)點的全部采樣，共獲得匹配數(shù)據(jù)38065對，從中隨機抽取3600對數(shù)據(jù)作為測試數(shù)據(jù)，剩下34465對數(shù)據(jù)用于訓練神經(jīng)網(wǎng)絡模型。降雨校正散射計測風影響的BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)如圖5所示，輸入層有2個節(jié)點，兩層隱含層每層6個節(jié)點，輸出層有1個節(jié)點的2-6-6-1形式，輸入端是降雨率和L2B風速，輸出端為NWP風速，針對散射計反演風速進行校正。

圖6 BP神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)示意圖Fig.6 Schematic diagram of BP neural network topology

將未經(jīng)校正L2B風速和校正后的BP神經(jīng)網(wǎng)絡模擬風速分別與NWP風速做誤差檢驗，按照降雨率1 mm×h-1區(qū)間和L2B風速1 m×s-1分別做統(tǒng)計計算，得到檢驗結(jié)果如圖7所示。圖7(a)和圖7(c)是未經(jīng)降雨校正的L2B數(shù)據(jù)風速誤差檢驗（NWP-L2B），圖7(b)和圖7(d)是經(jīng)BP神經(jīng)網(wǎng)絡校正后風速誤差檢驗結(jié)果（NWP-BP）。誤差檢驗圖7(a)和圖7(b)按照降雨率1 mm×h-1區(qū)間分組，從對比結(jié)果來看可以看出，校正后的風速誤差均值大部分由負值變?yōu)檎担椅挥诹阒蹈浇葱ＵL速始終為負值且隨降雨率的增加而逐漸增大。經(jīng)校正后的風速相對誤差在檢驗區(qū)間內(nèi)大部分均小于相對應的未做處理的風速相對誤差，由于實驗數(shù)據(jù)隨降雨增大而減少，因此未校正和校正后的風速相對誤差均有隨著降雨率增大而逐漸增加的趨勢。對比根據(jù)L2B風速1 m×s-1區(qū)間分組的誤差檢驗圖7(c)和7(d)，未經(jīng)校正的L2B風速與NWP風速誤差平均值小于零，且隨風速上升誤差增加。經(jīng)過降雨校正后的風速與NWP風速的誤差平均值位于零值附近，絕對值小于0.3 m×s-1。

表3為3 600組神經(jīng)網(wǎng)絡測試數(shù)據(jù)和L2B數(shù)據(jù)與NWP數(shù)據(jù)的剩余誤差統(tǒng)計計算結(jié)果，L2B風速為未校正之前的HY-2散射計風速，BP風速為經(jīng)神經(jīng)網(wǎng)絡擬合后的風速，對兩者的統(tǒng)計計算結(jié)果進行比較，BP風速誤差均值小于L2B風速誤差均值，說明神經(jīng)網(wǎng)絡擬合后的風速，在數(shù)據(jù)準確性上有很大的提高。神經(jīng)網(wǎng)絡校正后風速剩余誤差標準差，小于未校正降雨影響下的風速剩余誤差標準差。神經(jīng)網(wǎng)絡擬合后的風速相關系數(shù)較未處理的降雨條件下L2B和NWP風速相關系數(shù)有了較大的提高。

表3 神經(jīng)網(wǎng)絡校正風速和風向誤差統(tǒng)計分析Tab.3 Statistical error analysis of wind speed and wind direction corrected by neural network

4 結(jié)束語

圖7 L2B風速和BP神經(jīng)網(wǎng)絡校正風速誤差檢驗結(jié)果Fig.7 Dependence of wind speed residual on the SSM/I rain rate and L2B wind speed注：(a)和(c)為L2B原始風速，(b)和(d)為BP神經(jīng)網(wǎng)絡擬合風速，圓圈表示與NWP風速的剩余誤差平均值，垂直線表示剩余誤差標準差

本文初步利用了HY-2散射計反演風場L2B級標準產(chǎn)品數(shù)據(jù)、NCEP提供的NWP模擬海面風場數(shù)據(jù)和RSS提供的SSM/I輻射計測量降雨率和NDBC提供的浮標觀測數(shù)據(jù)，分別驗證了NWP海面風場模擬數(shù)據(jù)的精度，統(tǒng)計檢驗了L2B數(shù)據(jù)在有無降雨條件下的風速和風向誤差，并使用了L2B與NWP配對數(shù)據(jù)建立神經(jīng)網(wǎng)絡模型，校正在降雨條件下的HY-2散射計反演風場數(shù)據(jù)，并檢驗了校正后的結(jié)果。

1)將NWP模擬數(shù)據(jù)與buoy測量數(shù)據(jù)進行對比統(tǒng)計，分析結(jié)果表明，NWP模擬海表氣象數(shù)據(jù)誤差較小精度較高，可作為參考數(shù)據(jù)用于HY-2散射計反演的標準產(chǎn)品L2B級數(shù)據(jù)的精度檢驗和神經(jīng)網(wǎng)絡建模。

2)經(jīng)過對比檢驗在有無降雨條件下的L2B和NWP配對數(shù)據(jù)的風速誤差，發(fā)現(xiàn)在降雨條件下，配對數(shù)據(jù)風速標準偏差較無降雨條件下大，說明降雨對HY-2散射計反演風場有干擾，導致L2B級數(shù)據(jù)產(chǎn)品精度降低。其中，在降雨條件下，風速偏差均值為負，且隨降雨率的增加而增大，在降雨率為1-12 mm×h-1的區(qū)間內(nèi)，降雨衰減和降雨造成的海面毛細波的擾動使散射計接收信號減弱，導致了在降雨條件下，散射計反演風場風速被高估。

3)根據(jù)有降雨條件下L2B風矢量和經(jīng)神經(jīng)網(wǎng)絡校正降雨影響的擬合風矢量誤差統(tǒng)計檢驗圖和統(tǒng)計計算表對比反映的情況來看，神經(jīng)網(wǎng)絡擬合一定程度修正了降雨對散射計測風風速的影響，改善了散射計反演風速的準確度。說明神經(jīng)網(wǎng)絡適用于校正降雨對散射計測風的影響。

4)由于數(shù)據(jù)收集的限制，降雨率大于12 mm×h-1，L2B風速大于24 m×s-1的數(shù)據(jù)過少，不具備進行神經(jīng)網(wǎng)絡建模的條件，因此未能建立這部分神經(jīng)網(wǎng)絡模型。由于散射計測風機制的原因，不同風速條件對散射計測風準確度也有一定的影響，HY-2散射計反演風速小于4 m×s-1時，數(shù)據(jù)誤差較大，在風速過低的情況下，神經(jīng)網(wǎng)絡校正效果有限。因此，本文建立的模型得出的結(jié)論僅適用于一定風速范圍條件下的數(shù)據(jù)，后續(xù)將利用更多數(shù)據(jù)進行模型的改進和驗證。