引言

大气温湿度廓线是表征大气运动、热力状态变化的重要参数，对其准确、及时的测量能够有效提升天气预报的性能(马舒庆等，2016)。由于实时性强、灵活性大且可信度高的特点，无线电探空气球成为目前国内外大气廓线探测的主要手段，但受成本制约，探空站点分布少、观测间隔长，使得探空数据越来越难以满足当前短时临近天气预报和科学研究的需求(陈明轩等，2004)。地基微波辐射计作为一种典型的被动遥感探测设备，可以实时、连续且无人值守地测量地表垂直10 km的大气辐射亮温，并反演出大气温湿廓线数据(樊旭等，2019)，弥补了探空观测时间不连续的缺点(张文刚等，2017)，对提高中小尺度天气系统监测精度和强天气预报能力具有重要的意义。

目前，国内外已成功开发出多种型号的地基微波辐射计，并被广泛应用于实际气象业务与气候研究中，其中最具代表性的是美国Radiometrics公司的MP系列产品和德国Radiometer Physics GmbH公司研发的RPG微波辐射计(Venkat et al., 2013；徐桂荣等，2019)。除了硬件指标，地基微波辐射计的探测性能还取决于大气辐射亮温测量、反演算法的准确性和稳定性(李靖等，1999；鲍艳松等，2016)。由于反演需利用历史观测亮温与探空数据构建训练样本库(周玉驰，2010)，因此探空数据、亮温数据的质量及反演算法的可靠性至关重要(Churnside et al., 1994)。通过周期定标可以消除地基微波辐射计系统波动对亮温带来的影响(江月，2018)，但研究表明亮温的观测还易受云、降水等复杂天气影响而出现异常(Phillips et al., 2009；敖雪等，2011)，同时探空气球漂移、测量误差等也会对探空数据质量带来影响(Durre et al., 2008)，因此对亮温数据进行预处理研究(Matzler and Morland, 2009)，对反演算法进行改进试验，对于提升大气测量精度，以适应气象业务发展对提高地基微波辐射计设备准确率及精细化水平的要求，具有重要的现实意义。

为此，马丽娜等(2018)提出了多通道亮温差值阙值法，对“晴天”和“云天”样本进行了识别，并对模拟亮温进行了线性订正。敖雪等(2013)利用辐射传输模型提出了一套针对MP3000观测数据的质量控制方案。张雪芬等(2016)引入测云仪对微波辐射计测量亮温进行预处理，并以此改进反演，提升了大气廓线反演精度。与此同时，在气象探测应用方面，不少学者对多种型号的地基微波辐射计观测数据进行了质量评估，为有效使用地基微波辐射计探测大气提供了借鉴(王志诚等，2018；张文刚等，2013；康晓燕等，2019；Sanchez et al., 2013)。但综合分析，目前大多数研究所提出的反演方案都需要长期的观测数据，在新的应用场景难以得到及时有效的应用，且基本针对国外成熟设备展开，鲜有将亮温预处理与反演改进应用于微波辐射计的研制过程中，并开展相应的可靠性验证。因此，为了提升地基微波辐射计探测大气温湿廓线的精度，增强设备在新场景部署及切合硬件性能的本地化、个体化观测性能，本文对直接样本反演、间接样本反演两种算法开展研究，并应用于武汉华梦科技有限公司研制的HRA002型国产地基微波辐射计中，利用并址探空数据进行对比评估。直接样本反演在积累了一定观测数据的基础上，将微波辐射计观测亮温与对应时刻的探空数据进行训练，得到直接样本反演网络，该方法更贴合硬件性能及本地气象特征。

近年来，迁移学习通过迁移预训练网络于目标任务中，解决了气象领域缺少训练数据集或训练资料庞大的问题，在卫星云图分类、台风等级分类、雨量预测等方面得到更高性能、高效率的应用效果(郑宗生等，2020；胡凯等，2017；陈品璇，2019)。间接样本反演借鉴迁移学习的思想，使用探空模拟亮温与探空气象数据训练网络模型，并迁移于观测亮温反演大气温湿度廓线的任务中，以解决直接样本反演缺少观测训练数据集的缺陷，因此，对观测亮温数据进行预处理修正，使其逼近模拟亮温值将成为提升间接样本反演精度的关键。而在反演算法的选择上，BP神经网络相较于回归法、一维变分算法具有自适应学习、并行计算、拟合复杂非线性问题并计算最优解的能力，成为当前国内外各种地基微波辐射计产品反演大气温湿度廓线普遍采用的反演方法(樊旭等，2019)。随着深度神经网络与机器学习算法的发展，CNN、LightGBM、Random Forest等算法在微波遥感领域得到越来越多的应用，提升了学习效率以及图像信息的检测精度，但上述算法在遥感气象领域多应用于卫星或红外图像上，输出结果往往是地表温度、云检测、海冰浓度等二维图像结果(Tan et al., 2019；付华联等，2019；Lei et al., 2017)，在地基微波辐射计单点部署反演不同垂直高度上大气参数信息的应用研究较少，算法迁移难度较大。吕新帅等(2019)采用RBF神经网络、张天虎等(2020)采用遗传算法改进BP神经网络进行反演，从算法层面提升了运算速度、泛化能力和反演准确度。

但大气参数反演准确度受训练样本的影响更大(Anchez et al., 2013)，是神经网络训练、反演的基础，本文针对神经网络在地基气象辐射计实际应用中的问题开展了改进研究，为了重点衡量基于亮温预处理改进训练数据样本对反演精度的提升作用，且能够与其他厂商微波辐射计进行对比，本文采用地基微波辐射计主流BP神经网络进行反演。与其他微波辐射计的对比通过置HRA002型微波辐射计于武汉国家基本气象站与三台美国MP-3000A辐射计同址观测开展，以检验反演精度及国产地基微波辐射计的探测性能。

1 设备、数据和方法

本文针对武汉华梦科技有限公司HRA002地基K/V双频多通道微波辐射计的研制开展反演算法的研究，该设备配备温度、湿度、气压传感器、8~14 μm红外测温仪以及GPS，可以在水汽波段(22~30 GHz)、氧气波段(51~59 GHz)各8个通道进行连续不间断地探测，时间分辨率为100~1 000 ms。通过周期实时定标，实现对大气辐射信号的稳定准确测量，可实时反演出0—10 km高度内的温度廓线、水汽密度廓线、相对湿度廓线以及液态水含量等气象要素，输出廓线分为39个高度层，低空垂直分辨率为50~100 m，中高空分辨率250 m。39个高度层为0、10、30、50、75、100、125、150、200、250、325、400、475、550、625、700、800、900、1 000、1 150、1 300、1 450、1 600、1 800、2 000、2 200、2 500、2 800、3 100、3 500、3 900、4 400、5 000、5 600、6 200、7 000、8 000、9 000、10 000 m。

武汉国家基本气象站是业务气象探空站，每日00UTC和12UTC释放探空气球进行高空气象观测。探空数据可以输出连续高度层的温度、压强、湿度、水平风向和风速等测量信息。本文于2020年5月24日—6月5日在武汉国家基本气象站开展了4台地基微波辐射计的并址观测试验。4台微波辐射计包括上述1台国产HRA002和3台美国Radiometrics公司生产的MP-3000A。MP-3000A可以在多个仰角观测21个K波段(22~30 GHz)和14个V波段(51~59 GHz)的微波通道大气亮温，通过微波亮温反演得到0—10 km的大气温湿廓线，凭借着适应各种复杂环境的独立工作能力以及高分辨率、高精度的测量，被广泛布设在国内外气象业务微波辐射计监测网中(赵玲等，2009)。MP-3000A反演的大气参量廓线的时间分辨率约为3 min，输出廓线分为58个高度层，廓线垂直分辨率在0—500 m高度为50 m，500—2 000 m高度为100 m，2 000—10 000 m为250 m (徐桂荣等，2019)。

试验以武汉国家基本气象站的探空观测结果为基准，考查HRA002与MP-3000A的大气温度、水汽密度和相对湿度廓线与探空观测的差异。为了匹配探空数据并减少偶然误差，HRA002的观测亮温选取00UTC (12UTC)±5 min内的数据计算平均值进行反演，考虑到MP-3000A时间分辨率大，选取00UTC (12UTC)±6 min内第一组微波辐射计廓线来与探空廓线进行对比。在HRA002不同反演算法对比时，以HRA002的39个高度层为基准，在样本匹配时，对探空大气廓线采用线性插值法进行处理，相比于非线性插值，线性插值具有插值效果好且易于实现的优点(张怡舒，2019)。在4台微波辐射计并址观测试验时，考虑到MP-3000A的高度层数多于HRA002，高度层上以MP-3000A的58个高度层为基本高度层，采用线性插值法分别将探空廓线和HRA002廓线插值到58个高度层来与MP-3000A廓线匹配。对比参量主要为MP-3000A和HRA002大气参量与探空大气参量之间的相关系数(R)、平均偏差(B_ias)及偏差的均方差(R_MSE)。

相关系数(R)的计算公式如下

$ R=\frac{\frac{1}{N}\sum\limits_{i=1}^{N}{\left({{x}_{i}}-\bar{x} \right)}\left({{y}_{i}}-\bar{y} \right)}{\sqrt{\frac{1}{N}\sum\limits_{i=1}^{N}{{{\left({{x}_{i}}-\bar{x} \right)}^{2}}}}\sqrt{\frac{1}{N}\sum\limits_{i=1}^{N}{{{\left({{y}_{i}}-\bar{y} \right)}^{2}}}}} $

(1)

平均偏差(B_ias)的计算公式如下

$ {{B}_{\text{ias}}}=\frac{1}{N}\sum\limits_{i=1}^{N}{\left({{x}_{i}}-{{y}_{i}} \right)} $

(2)

偏差均方差(R_MSE)的计算公式如下

$ {{R}_{\text{MSE}}}=\sqrt{\frac{1}{N}\sum\limits_{i=1}^{N}{{{\left({{x}_{i}}-{{y}_{i}} \right)}^{2}}}} $

(3)

公式(1)—(3)中，N表示样本总数，x表示辐射计反演的大气廓线数据，y表示与x时空对应的探空廓线数据。

2 HRA002的直接样本反演方法和评估 2.1 神经网络训练与反演方法

BP神经网络具有自适应学习、并行计算、拟合复杂非线性问题并计算最优解的能力，被广泛使用于地基微波辐射计的大气廓线反演中。BP神经网络是一个多层网络拓扑结构，可划分为输入层、隐藏层和输出层，层与层之间利用神经元实现全连接，其结构如图 1所示(张怡舒，2019)。基于此，在训练之前首先要确定BP网络各层神经元个数。

地基微波辐射计使用K波段、V波段各8通道的天空亮温来反演大气温度与湿度廓线，依据张怡舒(2019)的研究，当反演温湿廓线时，输入层节点数对应波段通道数8；HRA002输出的温湿廓线具有39个高度层，因此输出层节点为39；隐藏层节点个数会对网络收敛速度和训练效果产生较大影响，隐藏层节点个数与输入层节点数、样本数相关，需要依据公式(4)计算经验值(陈明，2013)并多次尝试寻找最佳节点数

$ \sum\limits_{i=0}^{N}{C_{M}^{i}}>K $

(4)

公式(4)中，N为输入层节点数，K为训练样本总数，M为隐藏层的节点个数。

建立网络结构后，还需要通过训练确定各层神经元之间的权值和偏置。直接样本反演，顾名思义便是用微波辐射计的观测亮温数据与探空温湿廓线数据直接构成神经网络训练样本库，通过多次循环训练得到性能较优的网络模型。观测时只需将观测数据输入网络，便可反演出温湿廓线数据。

本文利用2019年9月—2020年5月期间HRA002的观测亮温数据和并址探空数据建立直接样本反演模型，为了提升水汽参量的反演效果，在上文8通道普通网络训练方法的基础上，提出了基于16通道网络的改进方法，两种网络说明如下：

普通网络：温度廓线采用V波段8个通道亮温作为输入层训练，水汽密度与相对湿度廓线采用K波段8个通道亮温作为输入层训练。

16通道网络：温度廓线采用V波段8个通道亮温数据训练，水汽密度、相对湿度采用辐射计全部16通道亮温数据训练。

基于上述两种模型反演大气廓线，并与探空数据进行对比分析，具体步骤如下：

第一步：筛选2019年9月—2020年5月共9个月500组温湿廓线和液态水路径等大气参量数据，剔除探空廓线高度上不完整(最大高度低于10 km)的样本，得到有效数据456组。

第二步：筛选HRA-02对应的观测亮温。

第三步：随机选取356组数据进行训练，以观测亮温作为输入，探空数据为输出，训练两种神经网络。

第四步：基于训练的两种神经网络模型，将剩下的100组观测亮温值作为输入，分别求得两种神经网络模型反演的大气参量值，并将之与对应的100组探空数据对比，分析反演精度。

2.2 直接样本反演方法的评估

使用100组观测亮温测试数据进行反演，表 1为普通网络、16通道网络在低层(高度0—2 km，下同)与高层(高度2—10 km，下同)的均方根误差平均值对比结果，图 2、3分别为两种网络反演大气参量与探空数据的误差在各高度层上的廓线结果。可以看到，两种网络反演的温湿廓线均方差曲线趋势基本一致，反演的温度均方差在低层皆低于1.2 K，在高层平均低于2.7 K，说明反演温度在低层高度更接近探空观测，但两种神经网络在温度反演上无明显差异。采用16通道神经网络反演的水汽密度均方差低层降低了0.94 g·m^-3，高层相当，总体优于普通神经网络。在相对湿度的反演上，采用普通神经网络反演与探空观测的均方差在低层约为16%，在高层约为22.5%；使用16通道神经网络后，反演的相对湿度均方差在低层降低了约5%，在高层降低了3.4%，16通道神经网络明显优于普通神经网络。以上结果表明，相对于8通道的普通神经网络模型，采用16通道神经网络模型可以提高相对湿度和水汽廓线的反演质量。

3 HRA002的间接样本反演方法和评估

当一个新设备被部署到本地立刻开始工作时，无法具备直接样本反演需要的长期观测亮温，在此情况下需采用间接样本反演方法，使用本地历史探空数据计算模拟亮温，并与对应探空大气廓线训练神经网络，再将微波辐射计的实时观测亮温输入该网络进行反演。因为位置差异、探空气球漂移、云液水影响等因素存在，微波辐射计的观测亮温与模拟亮温之间存在着非天气因素差异，将会影响反演精度。因此，为了减小观测亮温与模拟亮温的差异，本文设计了一套包括样本分类、质量控制与偏差订正等环节在内的数据预处理程序。

3.1 模拟亮温的计算

天空辐射亮温T_sky(θ)由两部分组成，一部分是大气向下发射的能量，另一部分是宇宙辐射的能量。T_sky(θ)的计算公式为

$ {{T}_{\text{sky}}}(\theta)={{T}_{\text{cos}}}{{e}^{-\tau \theta }}+\sec \theta \int_{0}^{\infty }{{{k}_{g}}}(z)T(z){{e}^{-\tau (0, z)\sec \theta }}\text{d}z $

(5)

式中θ是天顶角，T_cos表示宇宙辐射能量，其值约为2.73 K。k_g(z)、T(z)、τ(0, z)分别表示高度为z时的大气吸收系数、大气物理温度和天顶方向大气不透明度。τ (0, z)的表达式为

$ \tau (0, z)=\int_{0}^{\infty }{{{k}_{g}}}(z)\text{d}z $

(6)

大气不透明度可通过大气吸收系数计算，而针对大气吸收系数的计算，有许多计算模型，目前应用最广泛的是Liebe (1993)提出的MPM93模型，基于该辐射模型，大气吸收系数的计算公式为

$ {{k}_{g}}=0.1820f{{N}^{\prime \prime }}(f) $

(7)

上式中N"(f) 表示大气复折射率在频率为f时的虚部，地球大气层的各种气体中，只有氧气和水汽会出现明显的吸收频带，MPM93模型指出大气武汉地区气吸收系数可由44条氧气和35条水汽吸收谱线谱型函数结合具体高度下气象参数计算而得。因此基于上述原理，可以通过探空数据，计算得到各个频率通道的模拟亮温。

3.2 样本分类

HRA002配备外置温度、湿度、大气压强传感器、雨量传感器以及红外测温仪，Xu等(2015)基于雨量传感器与红外测温仪提出一套天气分类方法，通过雨量传感器判断是否有雨，红外测温仪可测量晴天的大气背景温度或云天的云底温度，晴朗条件下的大气背景温度低于冰云和水云，因此可利用红外测温仪对天气进行分类。此外，周毓荃和欧建军(2016)也基于探空湿度廓线数据提出了分析云结构的方法，并基于云雷达实现了可靠性验证。本文在这两种方法的基础上，结合温湿度传感器，以及微波辐射计的长期观测试验，提出天气判别的依据如下：

雨天：以地面雨量传感器探测结果为主要依据，同时，当红外测得云底温度与地面温度接近(两者温差小于3 ℃)，且地面湿度大于85%，湿度廓线从地面到空中有大于湿度大于85%的连续区间，判断为雨天。

晴天：除雨天外，当红外测量温度小于0 ℃，且大气廓线各高度上的相对湿度 < 85%，判断为晴天。

云天：除雨天、晴天外，当红外测量温度大于0 ℃，相对湿度廓线数据上有最大值大于87%，最小值不小于84%的连续区间，且该区间最高处有负的跳变，最低处有正的跳变，则判断为有云。

为验证该方法的准确性，利用https://rp5.ru网站上发布的同气象站号码的历史气象数据进行对比验证，该网站的实际气象数据由地面气象站通过气象数据国际自由交换系统提供，与每日探空气球施放时间相对应。HRA002在武汉国家基本气象站观测期间(2019年9月—2020年6月)共526组有效天气判别数据，表 2为上述天气判别方法的准确度对比结果，可以看到，本文基于红外测温仪、湿度廓线与环境温湿传感器的天气判别方法总体准确率接近80%，由于未对雾天进行判别加上短时间内天气突变等因素干扰，存在一定的误差，但总体来说，该判别方法在微波辐射计对天气进行实时判别的应用上具有可靠性。

3.3 观测亮温预处理

探空气球施放的时间为00UTC和12UTC，选取微波辐射计这两个时间前后5 min的数据并计算平均值作为对应时刻的观测值。针对亮温突变的异常情况，首先要进行质量控制，短时间内亮温的波动幅度应在一定的范围内，采样时间内亮温数据标准差大于相应通道3倍灵敏度的样本为疑误样本，对数据进行筛选；以同时刻模拟亮温为参考标准，对观测亮温进行线性拟合，若观测亮温与对应拟合值的差值大于10 K，判断为异常样本，予以剔除(Matzler and Morland, 2009)。

在反演之前还要对实际亮温进行偏差订正，降低与模拟亮温之间的系统性偏差。目前常用的偏差订正方法是线性拟合方法，但对于受水汽影响较大且亮温动态范围大的频率通道，线性拟合订正方法效果有限，因此本文基于三次样条插值采样法，对质量控制后的非雨天亮温数据进行偏差订正，并与模拟亮温进行对比验证。

图 4为HRA002辐射计K波段22.24 GHz以及V波段56.66 GHz两个通道订正前后观测亮温与模拟亮温的对比。可以看出，经过质量控制后，观测亮温与模拟亮温趋势基本一致，但偏差订正后的观测亮温与模拟亮温的时序曲线吻合更好，相关系数分别为0.995、0.996，相关性显著。表 3为HRA002全部通道订正前后观测亮温与模拟亮温的相关系数及均方差对比结果，从表中可以看到K波段全部通道相关系数都在0.95以上，V波段全部通道相关性系数都在0.90以上，共有10个通道相关系数大于0.99，且均方差明显改善，上述结果说明了预处理对观测亮温的改善效果。

3.4 间接样本反演方法和评估

在HRA002的间接样本反演方法中，神经网络训练原理与直接样本反演方法相似，区别在于训练库的建立，该算法使用武汉国家基本气象站2016—2018年共2 119组探空数据计算模拟亮温，并将其与探空温湿廓线数据进行训练，获取最佳训练网络。

随机选择了2020年1月—2020年5月的100组预处理后的亮温数据进行反演测试，图 5为HRA002反演大气参量廓线与探空数据对比的相关性与误差结果，从图中可见温度相关性系数大于0.99，平均偏差小于0.4 K，偏差均方差低空(0—2 km)为1.6 K，高空(2— 10 km)低于3 K。水汽密度的相关系数大于0.93，平均偏差低于0.4 g·m^-3。相对湿度的相关系数约为0.68，平均偏差约为5%，均方差约为19%。亮温预处理是间接样本反演的关键环节，为了验证亮温预处理对反演精度的提升效果，表 4为亮温修正前后的误差对比情况，通过对比结果可知，温度均方差在低空和高空分别降低0.8 K和0.3 K，水汽密度均方差在低空和高空分别降低1.09 g·m^-3和0.06 g·m^-3，相对湿度均方差在低空和高空均降低了约4%，这些结果验证了亮温预处理对反演精度的提升作用。

为了进一步验证间接样本反演的精度，表 5给出基于上述100组样本数据分别采用直接样本反演和间接样本反演得到的大气参量的误差对比情况。可以看出，间接样本反演的误差大于直接样本反演法，这也是和理论符合的，说明随着训练样本的积累，使用直接样本反演方法精度更高，更贴合辐射计的硬件性能。不过，总体上间接样本反演的精度与直接样本反演相差不大，说明在设备部署前期、不具备直接样本反演法条件时，使用间接样本反演法在工程上也是可行的。

4 4台微波辐射计的并址观测试验

并址观测试验的3台MP-3000A微波辐射计(分别记为MWR-1，MWR-2和MWR-3)因生产年代不同有些硬件差异外，均采用2003—2007年武汉国家基本气象站探空数据建立反演模型，试验前都经过液氮标定。HRA002在试验前已稳定运行约9个月，分别采用了间接样本反演神经网络模型(记为HRA-1)和直接样本反演神经网络模型(记为HRA-2)。对比时只选取4台微波辐射计数据都可用的样本，经此筛选，这期间共有4组数据可用(表 6)。观测期间天气均为非降水天气，对比参量主要为多台辐射计反演的大气参量与探空数据(记为RAOB)之间的相关系数(R)、平均偏差(B_ias)及偏差的均方差(R_MSE)。

表 7为4台微波辐射计反演大气参量与探空观测的对比结果，总体来看，MP-3000A和HRA002反演的温度与探空观测具有很好的相关性，MP-3000A的硬件差异会造成一定的反演偏差，其中MWR-1与探空的偏差最小(-0.2 K)，而MWR-3与探空的偏差最大(-1.9 K)，3台MP-3000A的温度均方差约为2 K；HRA002间接样本反演(HRA-1)的温度与探空偏差稍大(-1.9 K)，采用直接样本反演(HRA-2)方法后温度偏差(-0.3 K)达到MP-3000A的偏差水平，其温度均方差(1.4 K)优于MP-3000A。MP-3000A和HRA002反演的水汽密度与探空观测也具有很好的相关性，MP-3000A的水汽密度与探空的偏差为0.40~0.79 g·m^-3，均方差为1.01~2.01 g·m^-3；HRA002的水汽密度与探空的偏差(0.11~0.34 g·m^-3) 小于MP-3000A，但均方差(1.80~2.09 g·m^-3)稍大于MP-3000A，其中间接样本反演方法HRA-1优于直接样本反演方法HRA-2，这与温度反演相反。MP-3000A和HRA002反演的相对湿度和探空的相关性不如温度和水汽密度，其中HRA002的相关性不如MP-3000A；与探空相比，MP-3000A的相对湿度偏差为0.6%~4.2%，均方差为14.4%~18.0%；HRA002的相对湿度偏差(0.9%~4.5%)与MP-3000A相近，但均方差(20.1%~21.5%)稍大于MP-3000A，与水汽密度反演相似，间接样本反演方法HRA-1优于直接样本反演方法HRA-2。

图 6为并址观测期间探空、各微波辐射计反演的平均温度廓线及偏差廓线，MP-3000A中MWR-1的廓线最接近探空廓线(RAOB)，HRA002中HRA-1间接样本反演的温度廓线总体逊于MP-3000A，但HRA-2直接样本反演的温度廓线略优于MP-3000A。图 7为平均水汽密度廓线及对比探空的偏差廓线，MP-3000A中的MWR-3最接近RAOB探空廓线，HRA002波动稍大，其中HRA-1间接样本反演效果优于HRA-2。图 8则为平均相对湿度廓线及探空数据的偏差廓线，MP-3000A与探空的吻合度优于HRA002，但两者与探空的偏差相当。综合表 7和图 5-7的分析结果来看，此次并址观测期间HRA002的反演效果比较接近MP-3000A，在温度与水汽的部分指标上优于MP-3000A，说明了HRA002反演方法具有可用性。

5 结论与讨论

通过神经网络反演方法的改进及并址观测试验研究，得到以下主要结论：

(1) 结合红外测温仪的天顶探测温度、大气湿度廓线以及外置温湿压传感器探测数据，可以对天气实现较为可靠的分类，且可以实时判断，有利于实现不同天气下探测精度的改善。亮温预处理可以显著地提升观测亮温与探空模拟亮温的相关性，使用订正后的亮温有效改善了间接样本反演方法的结果。

(2) 从试验样本的测试结果来看，采用改进的16通道网络作为输入层能够提升地基微波辐射计相对

湿度的反演结果，HRA002微波辐射计相对湿度在低层的均方差约为10%，在高层低于20%。HRA002直接样本反演方法的精度优于间接样本反演方法，但该

方法需要长期的观测数据作为训练样本才能提升反演精度，短期的适用性不如间接样本反演方法。

(3) 并址观测试验表明，HRA002直接样本反演方法的温度廓线优于间接样本反演方法及MP-3000A，采用间接样本反演方法得到的水汽密度和相对湿度平均偏差则效果优于直接样本反演方法，与3台MP-3000A的反演结果相比，总体上平均偏差占优而均方差稍逊。说明对HRA002的亮温数据进行质量控制以及偏差订正，能有效提升HRA002的探测精度，也说明确保亮温观测的稳定性是需重视的关键技术。

(4) 地基微波辐射计采用直接样本反演算法反演大气温湿廓线的性能优于间接样本反演，更贴合辐射计硬件性能；而采用亮温数据预处理的间接样本反演方法，能够有效弥补直接样本反演方法在短期内缺少大量观测数据训练的缺陷。并址观测实验结果证明了国产地基微波辐射计采用这两种反演方法反演大气参量廓线具有可用性，其探测精度与国外MP-3000A微波辐射计的探测精度相当。因此综合使用间接与直接样本两种反演算法将有效提升国产地基微波辐射计的本地化、个体化观测性能。

但需要指出的是，由于探空训练数据缺少降雨等天气信息，复杂天气对神经网络训练的不确定性影响可能会降低训练效率及反演精度，且由于数据样本总体较少，天气划分对亮温预处理的影响的研究还有待加强。与此同时，不少学者使用LMBP、动量BP神经网络对反演算法的训练效率、过拟合问题进行了改进，在本文改进训练样本提升了反演准确度的基础上，采用更先进的反演算法也将成为进一步提升间接样本反演精度的研究方向。