基于梯度提升樹的大氣分層透過率快速計算方法

作者：梁紅麗,張鵬,陳林,馬剛,白文廣,漆成莉

摘要：大氣透過率的計算是紅外輻射傳輸計算的核心,RTTOV(Radiative Transfer for TOVS)通過建立大氣廓線中溫度、水汽、臭氧和其他氣體濃度等參數與衛星通道透過率的統計關系,可實現衛星通道透過率和大氣頂輻射率的快速準確計算。但在一些復雜吸收波段,如水汽波段,RTTOV的計算誤差較大。為提高RTTOV在水汽敏感波段的計算精度,利用機器學習中的梯度提升樹(Gradient Boosting Tree,GBT)方法,選取從ECMWF(European Centre for Medium-Range Weather Forecasts)的IFS-137(The Integrated Forecast System,137-level-profile)廓線集中挑選的1406條廓線和由此計算的透過率真值作為樣本,選取風云三號氣象衛星上搭載的紅外分光計(Infra Red Atmospheric Sounder,IRAS)通道12(7.33μm)進行個例研究,分別建立陸地和海洋晴空大氣等壓面至大氣層頂透過率的快速計算模型(GBT模型)。通過和透過率、亮溫真值的比較,驗證了GBT模型。比較結果顯示,GBT模型預測的透過率平均絕對誤差(Mean Absolute Error, MAE)為:陸地0.0012,海洋0.0009;均方對數誤差(Mean Squared Logarithmic Error,MSLE)為:陸地0.0215,海洋0.0095,均小于RTTOV直接計算的透過率的誤差(陸地、海洋的MAE分別比RTTOV小0.0008和0.0010,MSLE分別比RTTOV小0.0135和0.0227);由GBT模型計算的亮溫MAE分別為:陸地0.0949 K,海洋0.0634 K,均方根誤差(Root Mean Square Error,RMSE)分別為:陸地0.1352 K,海洋0.0831 K,也都小于RTTOV直接模擬的晴空亮溫誤差(陸地、海洋的MAE分別比RTTOV小0.1685 K和0.1466 K,RMSE分別比RTTOV小0.1794 K和0.1685 K)。本研究的結果表明,在IRAS紅外水汽波段,GBT預測的透過率和亮溫誤差比RTTOV小。機器學習有提高水汽波段正演精度的潛力,或可為輻射傳輸的快速計算提供可行的替代方法。

發文機構：中國氣象科學研究院 國家衛星氣象中心

關鍵詞：大氣透過率紅外輻射傳輸機器學習梯度提升樹Atmospheric transmittanceInfrared radiative transferMachine learningGradient Boosting Tree

分類號： P41[天文地球—大氣科學及氣象學]