RamaNet：一种用于大气剖面测量的神经逆模型，该模型利用拉马努金框架展开方法对微波亮度温度数据进行处理

《IEEE Transactions on Signal and Power Integrity》：RamaNet: Neural Inverse Model for Atmospheric Profiling with Ramanujan Frame Expansion of Microwave Brightness Temperatures

　　

摘要：

从多通道微波辐射计观测数据中恢复大气剖面是一个具有挑战性的逆问题，且可用的训练数据非常有限。K波段和V波段的观测数据是由8个或14个数值组成的短向量，但这些数据需要被映射为高分辨率的水汽密度（ρ）和温度（T）剖面。
我们提出了RamaNet方法，该方法利用拉马努金（Ramanujan）框架来扩展这些短小的亮度-温度向量，以识别出各通道中隐藏的周期性模式，然后通过密集的网络将这些系数映射到目标剖面上。我们使用基于地面的微波辐射计再分析数据集对RamaNet进行了评估，并将其与多层感知器（MLP）和随机森林（RF）基线方法进行了对比。在训练集规模从150到11111个剖面的范围内，RamaNet在所有训练规模下均实现了比多层感知器更低的测试均方根误差。
在最大的训练规模下，RamaNet的表现优于所有三种模型，并且所需的存储空间远少于随机森林基线方法。这些结果表明，拉马努金框架表示方法对于将短通道亮度-温度观测数据映射为高分辨率大气剖面是有效的。