基于随机森林算法的EOS-07 MHS卫星观测评估及比湿廓线反演研究

本文推荐了印度空间研究组织对EOS-07卫星上毫米波湿度探测仪（MHS）的初步性能评估。研究通过随机森林（RF）算法反演比湿（specific humidity）廓线，验证表明其与ERA5再分析资料和无线电探空仪观测具有良好一致性。同化实验进一步证实EOS-07 MHS数据能改善WRF模型对水汽的分析和预报能力，为天气预测与气候研究提供了新的数据支持。

　　

数据描述

本研究使用了来自ISRO气象和海洋卫星数据归档中心（MOSDAC）门户网站的EOS-07-MHS Level 1（L1）和Level 2（L2）数据产品。L1产品包含六个通道的校准后微波亮温（BT），而L2产品包含从L1亮温反演得到的比湿廓线。

为了评估L1和L2产品，采用了来自多个辅助来源的数据：这包括GFS分析数据、ERA5再分析数据、来自NOAA的无线电探空仪观测数据、来自NASA的IMERG降水数据，以及来自JPSS卫星的ATMS观测数据。

EOS07-MHS实测亮温与辐射传输模拟的比较

MHS L1质量评估通过将2023年4月至12月期间的实测亮温与RTTOV模拟的亮温进行比较来完成。辐射传输（RT）模型通过考虑传感器扫描几何/频率以及大气状态参数（温度和湿度的垂直廓线，以及地表变量如气压、温度、湿度和风速）来计算大气顶亮温。所需的大气状态信息来自GFS分析场。

考虑到GFS分析的空间分辨率（约0.25°）比MHS观测（约10公里）更粗，我们选择了晴空条件进行比较，以最小化云和降水对模拟的影响。在晴空条件下，除通道1和6外，EOS07-MHS测量的亮温相对于RTTOV模拟的偏差在±1 K以内。同样，与ATMS观测的相互比较显示偏差在±1 K以内，标准偏差为2-3 K。

L2数据反演（随机森林算法）

随机森林（RF）算法是一种机器学习方法，它使用决策树集成来完成回归或分类任务。此前，RF已被用于从卫星遥感数据中反演各种大气参数。RF算法在处理数据集内的复杂关系和非线性方面表现出色，使其非常适合大气过程的多样性和动态特性。

与无线电探空仪观测的比较

将EOS07-MHS观测反演得到的比湿廓线与印度次大陆不同气象区域的六个不同地点的协同无线电探空仪测量数据进行了比较，重点关注相对晴空的日子。图7展示了这一比较，使用了从NOAA档案获得的无线电探空仪数据。

与无线电探空仪数据相比，反演比湿的平均偏差和标准偏差分别约为0.78 g/kg和2.3 g/kg。在800 hPa气压层以下，平均百分比偏差在±20%以内；在800 hPa气压层以上，平均百分比偏差在±20%至±40%之间。

EOS07-MHS观测同化到WRF中的实验

在本研究中，一个完全可压缩、非静力的高级研究天气研究和预报（WRF）模型在南亚区域进行了配置。模型域由一个701 × 701的网格组成，水平分辨率为15公里，有51个垂直层，模型顶部为10 hPa。侧边界条件由0.25° x 0.25°分辨率的NCEP最终分析数据集每6小时生成一次。

WRF 3D-Var数据同化系统被调整用于同化EOS07-MHS亮温观测。进行了一个月的循环同化实验，以评估EOS07-MHS数据对WRF分析和短期预报的影响。实验表明，同化EOS07-MHS数据对中低层大气的水汽分析有持续的改善。

结论

本文介绍了对EOS-07卫星上的实验性毫米波湿度探测仪（MHS）测量的亮温（BT）的评估、比湿廓线的反演，以及将它们同化到南亚上空的数值天气预报系统中所产生的影响。主要结论如下：

• •
  1. 1.
     通过与RTTOV模拟的亮温以及协同的ATMS观测进行比较，评估了亮温质量。在晴空条件下，相对于RTTOV模拟的偏差在±1 K以内，与ATMS的相互比较也显示出良好的一致性。