基于辐射防辐射罩与反向传播(BP)神经网络校正的大气气温观测系统研制

《Sensors》：Development of an Air Temperature Observation System Using a Radiation Shield and Neural Network Correction

　　

精确的大气气温观测要求最大限度地减小由太阳辐射引起的偏差，此类偏差受防辐射罩性能影响显著。然而，传统防辐射罩在强太阳辐射或弱通风条件下常产生较大误差。本研究提出一种集成辐射防辐射罩与基于反向传播(Back Propagation, BP)神经网络校正方法的气温观测系统。研究人员采用计算流体动力学(Computational Fluid Dynamics, CFD)仿真量化典型气象条件下的辐射致温升偏差，并利用仿真数据集训练与测试神经网络模型。初步野外比对实验以076B强迫通风测温系统为参照，将实测温差视为实验偏差、模型输出作为预测偏差进行对比。结果表明：校正前所提系统最大偏差为1.05 ℃，平均偏差为0.26 ℃；实验偏差与预测偏差之间的均方根误差(Root Mean Square Error, RMSE)与平均绝对误差(Mean Absolute Error, MAE)分别为0.30 ℃与0.23 ℃。校正显著降低了温度偏差，证明所提系统在提升测量精度方面的有效性。

《Sensors》刊载论文解读：基于自然通风辐射防辐射罩与BP神经网络校正的气温观测系统研究

地表气温是气象观测中最基础的变量之一，支撑天气预报、气候监测、农业气象、环境评估及城市热岛研究等多种应用，其测量精度直接影响气象服务质量与科学研究可靠性。随着全球变暖加剧及极端天气频发，对地面气温观测的时间分辨率和空间代表性提出了更高要求，自动气象站(Automatic Weather Station, AWS)因其高效连续、全自动运行等特点已广泛替代人工观测。然而AWS测温仍易受非气象环境因素干扰，包括太阳辐射、风速变化、通风效率、下垫面反射率及传感器热惯性等，均可引入显著的辐射致温升偏差(radiation-induced temperature deviation)。已有研究表明晴空低风速下直射太阳辐射可导致约4 ℃的气温高估。传统自然通风防辐射罩在强太阳辐射与弱风条件下性能严重恶化，而强迫通风( aspirated/forced-ventilation)防辐射罩虽精度较高但功耗大、依赖稳定供电且维护成本高，难以在偏远无人站推广。斯蒂文森屏(Stevenson screen)热惯量大、弱风强辐射下响应慢。现有辐射误差校正方法分为经验回归、物理建模及机器学习三类：经验模型计算快但泛化差，物理模型可解释但需精确边界条件且难实时运行，机器学习方法展现出较好前景但仍面临实时性、环境适应性与标准化挑战。为兼顾结构简单、低功耗与高精度测温，本研究由研究人员开发了一种集成新型设计自然通风辐射防辐射罩与BP神经网络校正模型的气温观测系统，并通过CFD仿真量化辐射偏差构建训练样本，最终开展野外比对实验验证系统性能。

主要关键技术方法：研究人员设计新型自然通风辐射防辐射罩（中心半球顶直径30 mm，上下板间距40 mm，环氧树脂材质吸收率13%，外围上下铝板外表面反射率95%、内表面吸收率90%），建立1500 mm立方计算域并进行网格独立性验证；采用ANSYS FLUENT进行多物理场仿真，选用k-ε湍流模型、SIMPLE算法耦合压力—速度，太阳射线追踪(solar ray tracing)模型模拟直射与散射短波辐射，离散坐标(Discrete Ordinates, DO)模型求解长波辐射传热，系统改变直射辐射强度P₁（50–1200 W/m²）、散射辐射强度P₂（50–300 W/m^{2）、地面长波辐射P₃（50–500 W/m2）、环境风速V（0.5–8 m/s）、下垫面反射率f（0.1–0.9）、空气密度ρ（0.7361–1.225 kg/m3）、太阳高度角E（10–90°）七类环境变量生成472组CFD样本；构建7输入—16隐层神经元—1输出的BP神经网络（激活函数tansig与purelin），75%样本训练、25%测试，十折交叉验证评估；在中国气象局气象探测中心南京观测场（32.12° N, 118.42° E, 海拔22 m）搭建野外实验平台，以076B强迫通风测温系统（Pt100铂电阻，精度±0.03 ℃）为参照，同步采集CMP10总日射表与超声风速仪数据，1 Hz采样取1 min均值，将待测系统与参照系统温差定义为实验辐射致温升偏差，输入现场环境参数至已训练BP网络得预测偏差并实施校正。}

2. Three-Dimensional Physical Model Construction and Multiphysics Simulation of the System

2.1节研究人员建立辐射防辐射罩及周围流场与热环境的三维物理模型并划分网格，经粗中细三套网格（143万、218万、372万元素）独立性验证，中细网格预测传感器处辐射致温升偏差仅差0.002 ℃（约1.0%），表明结果已网格收敛。2.2节多物理场仿真显示：规定工况下（直射1000 W/m²、散射200 W/m²、地面长波300 W/m²、风速0.5 m/s、反射率0.2、太阳高度角45°）传感器探头附近局地气流速度约0.53 m/s，对应辐射致温升偏差0.19 K；屏蔽域内气流受限，热响应由辐射加热与弱对流冷却共同主导，偏差较小说明防辐射罩可有效抑制探头受热。2.3节系统扰动七项环境变量获472组样本，分析表明散射辐射影响相对明显（50→300 W/m²时偏差由0.058→0.283 ℃），直射、下垫面反射、地面长波影响较小；海拔升高（空气密度降低削弱对流散热）使偏差从海平面0.193 ℃增至5 km海拔0.312 ℃；太阳高度角10–90°变化引起偏差微小波动（0.195→0.183 ℃）；风速是决定性因素，风速＞1.5 m/s时偏差＜0.1 ℃。

3. Design of the Temperature Deviation Correction Algorithm

研究人员以七项环境变量为输入、辐射致温升偏差ΔT为输出构建BP神经网络校正模型。数据集472例按75%训练、25%测试，采用十折交叉验证评估。7–16–1网络架构下单折验证平均MAE为0.001140±0.000539 ℃，RMSE为0.001784±0.001209 ℃，神经网络可高精度拟合CFD响应曲面，为后续现场校正提供计算高效替代模型。

4. Initial Field Comparison Experiment Research

4.1节研究人员于南京草地站点搭建实验平台，以076B强迫通风系统为基准参照（精度±0.03 ℃，不确定度对偏差评估可忽略）。4.2节同步观测直射辐射、风速及计算地面长波辐射（灰体假设、Stefan–Boltzmann常数σ），现场直射辐射215–1048 W/m²、风速0–3.58 m/s、地面长波451–473 W/m²，均落入CFD训练样本插值区间；CFD绝对温度预测与实测对比MAE达2.737 ℃（相关性r=0.757），说明CFD宜表征相对辐射偏差而非绝对温度。4.3节对比三种系统实验辐射致温升偏差：所提自然通风系统最大1.05 ℃、均值0.26 ℃；41003自然通风系统最大3.65 ℃、均值0.41 ℃；43502强迫通风系统最大0.86 ℃、均值0.30 ℃。所提系统较41003系统辐射误差降低约37%；与43502相比精度略逊但具被动式低功耗、低维护优势。4.4节将现场环境参数输入BP网络得预测偏差，以实验偏差减预测偏差作校正后残差。预测与实验偏差间MAE=0.23 ℃、RMSE=0.30 ℃；校正后平均辐射致温升偏差降至0.07 ℃，约56%/65%/73%校正样本残差分别位于±0.2/±0.25/±0.3 ℃内。系统平均偏差误差(Mean Bias Error, MBE)由校正前0.281 ℃降至?0.014 ℃（系统性偏差基本消除），MAE由0.281 ℃降至0.238 ℃，RMSE与标准差略有增大，说明校正主要削减系统偏差分量而对随机波动抑制有限。

5. Conclusions（结论译述）

本研究研制了集成新型自然通风辐射防辐射罩与BP神经网络校正模型的气温观测系统并开展实验验证。CFD仿真量化典型气象条件下辐射致温升偏差并用于训练神经网络，以076B强迫通风防辐射罩为参照开展独立野外实验。结果表明：在本野外实验涵盖的环境条件（南京草地站点，风速0–3.58 m/s，直射太阳辐射215–1048 W/m²）内，所提校正方法有效降低了辐射致测温升偏差，校正后平均辐射致温升偏差降至0.07 ℃；约56%、65%和73%校正后样本残差分别处于±0.2 ℃、±0.25 ℃和±0.3 ℃内；预测与实验偏差MAE=0.23 ℃、RMSE=0.30 ℃，模型与野外观测吻合较好。相比传统自然通风防辐射罩，所提系统在保持低功耗、结构简单及低维护需求的同时，将辐射致温测误差降低约37%。研究证明了辐射防辐射罩设计与数据驱动校正技术结合以改善户外气温测量的可行性。局限性包括单站点有限环境区间验证、低风速（＜1 m/s）强辐射样本偏少、CFD验证与野外结果存在差距反映真实环境复杂性、散射辐射衰减特征结论需多大气条件进一步验证。未来拟拓展至多站点多季节气候区特别是低风速强辐射环境，纳入湿度与湍流强度等变量，探索CFD仿真与野外观测混合训练策略及改进辐射传输建模以提升系统鲁棒性与实用性。