基于非线性自适应演化算法的大气可降水反演方法研究

At present, the statistical algorithm is a mainstream method for estimating the total precipitable water using the satellite data, but the precision of the estimation depends heavily on the mathematical form of the statistical regression equation. Generally, the mathematical form of the inversion equation of artificial neural network algorithm is not limited by other factors, but its retrieval accuracy is often easy to fall into the local optimal, so it is difficult to obtain the global optimal value. In view of this, on the basis of the self-organizing and self-adaptive characteristics of the climate system, this project will apply the evolutionary algorithm with natural selection mechanism and genetic information transmission rule to estimate the total precipitable water using the satellite data, and comprehensively investigate its ability of retrieval. At the same time, the evolutionary algorithm is used to correct the error of the regression equation obtained by the statistical method, making full use of the advantages of the statistical method and evolutionary algorithm, in order to improve the accuracy of statistical algorithm retrieval. In addition, considering the practicability of the retrieval algorithm, this project will also discuss the effect of noise, missing data and sample size on the retrieval accuracy. Finally, the new retrieval algorithm will be compared with the existing algorithm. The aim of this project is to develop an algorithm based on evolutionary algorithm for estimating the total perceptible water using the satellite data, and we are devoted to solve the problem that traditional statistical algorithms cannot deal with the nonlinear problems in retrieval process well.

统计算法是目前国内外星载微波大气可降水反演的主流方法，但其反演的精度严重依赖于回归方程的数学形式。人工神经网络算法的反演方程形式不受任何限制，但其反演精度往往易陷入局部最优，很难获取到全局最优值。鉴于此，本项目拟从气候系统的自组织、自适应演化特征出发，将具有自然选择机制和遗传信息传递特征的演化算法应用于星载微波大气可降水反演，全面考察其反演能力。同时，采用演化算法对统计方法得到的回归方程进行误差订正，充分利用统计方法与演化算法二者的优势，提高统计算法的反演精度。此外，考虑到反演算法的实用性，本项目还将探讨噪声、缺测、样本量等对于反演精度的影响。最后再将新的反演算法与已有算法进行比较。项目旨在发展一套基于演化算法的大气可降水反演算法和反演方案，力图解决传统算法不能很好地处理反演过程中所面临的非线性问题这一难题。

统计算法是目前国内外星载微波大气可降水反演的主流方法，但其反演的精度严重依赖于回归方程的数学形式。人工神经网络算法的反演方程形式不受任何限制，但其反演精度往往易陷入局部最优，很难获取到全局最优值。鉴于此，本项目将具有自然选择机制和遗传信息传递特征的演化算法应用于星载微波大气可降水反演，全面考察了其反演能力，发现演化算法可以很好地挖掘水汽总量和微波辐射亮温之间的内在动力学联系，进而完成了基于演化算法的大气可降水反演试验。.已有的研究和业务应用表明，使用国外现有的统计回归方程可以较好地获取大气可降水的反演精度，但是存在不能很好处理非线性问题的困难。演化算法能够很好的处理非线性问题，但其获取的反演方程不一定具有明确的物理意义。由于演化算法具有很好的数据挖掘能力，目前已经应用于非线性模式结构误差的订正中。因此，本项目将二者各自的优势结合起来，实现了演化算法对微波大气可降水的反演，并发展了反演模型结构性误差的订正方案-多线程并行演化建模订正技术。数值试验的结果表明，新的订正方案可以同时对多个模型结构性误差进行较好的订正。在此基础上，完成了基于演化算法的统计回归方程的模型误差订正研究，发现其可提高统计回归反演方程在大气可降水中的反演精度。.系统地比较了演化算法、传统统计回归算法、神经网络法以及基于演化算法订正后的新回归方程的反演性能。结果表明，本项目所发展的反演方法的反演结果接近业务算法，反演精度高于神经网络。而且具有较强的抗噪能力，可用于小样本量的情形。通过采用演化算法对业务上使用的经验统计模型进行误差的动力学订正，可在一定程度上订正仪器的非线性效应对亮温的影响，从而提高了微波水汽产品反演的精度。因此，使用演化算法和经验统计方法相结合可望成为提高产品反演精度的一种新手段。