利用先进技术的微波探测器进行被动微波降水反演的增量学习方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Incremental Learning for Passive Microwave Precipitation Retrievals using Advanced Technology Microwave Sounder

　　

摘要：

星载被动微波（PMW）辐射测量技术在全球降水监测中起着核心作用，但其反演结果的不确定性仍然较大，尤其是对于那些跨轨道运行的探测器而言。这些探测器的覆盖范围和通道配置主要是为了优化大气温度和湿度的探测，而非降水测量。因此，现有的业务化产品常常存在角度依赖性的偏差、有效观测宽度利用率低、降雨概率分布不现实以及降水相态分类错误的问题。此外，由于双频降水雷达（DPR）和云层剖面雷达（CPR）的观测数据在全球范围内分布稀疏、缺乏均匀的覆盖范围，并且在不同降水类型下的误差特征各异，这些问题更加严重。为了解决这些问题，本研究提出了一种监督学习反演算法，该算法通过使用再分析数据进行预训练，并结合与先进技术微波探测器（ATMS）同时观测的数据进行后训练，逐步训练出一组极端梯度提升决策树。通过将再分析中的先验信息转化为雷达观测的后验约束，并采用顺序检测-估计策略来反演降水相态和降水量，该方法能够在整个ATMS观测范围内获得较为准确的反演结果，显著改善了当前全球降水测量（GPM）被动微波业务化产品中的缺陷。具体而言，该方法能够消除降雨反演中的双峰现象，并减轻高纬度地区降雪量的系统偏差，例如北极地区的过度估计和南极地区的低估。通过对美国本土（CONUS）区域的多雷达多传感器（MRMS）数据进行验证，进一步证明了该算法的有效性...

显示更多