1.一种基于热红外遥感的臭氧廓线反演方法,其特征在于,包括以下步骤:
S1、数据收集及处理:获取卫星热红外光谱数据、云产品数据、再分析ERA5数据的温湿廓线、对流层顶数据、臭氧柱总量数据和臭氧对流层臭氧柱总量数据,对热红外光谱数据用云产品数据进行云去除,同时基于热红外光谱数据对再分析数据、对流层顶数据、臭氧柱总量和对流层柱总量数据进行时空匹配;
S2、臭氧先验廓线模型:基于地基站点数据、探空数据、气象数据、臭氧前体物数据更新大气背景廓线库,采用深度学习模型得到臭氧先验廓线和臭氧先验协方差矩阵,协方差矩阵B表示背景场协方差矩阵或者是初始廓线的误差协方差,背景协方差矩阵由先验廓线库统计得到:其中X为廓线库中的廓线,为廓线库的统计均值;
S3、温湿廓线误差订正模型:利用地基温湿廓线数据与输入辐射传输模型的ERA5数据进行温湿度廓线校正得到校正因子:根据气候特点进行分析,对输入的ERA5温湿廓线产品和IGRA地基数据分地区进行统计分析,得到不同高度的温湿度廓线误差,然后基于正向辐射传输模型RTTOV研究温湿廓线误差对辐射的影响,进行辐射量的修正,降低温湿廓线误差的不确定性;
S4、热红外臭氧廓线最优化反演:利用臭氧在热红外吸收波段9.6μm的吸收带进行反演,通过引入臭氧柱总量、对流层柱总量数据分别对反演过程中对流层和平流层臭氧反演结果来进行约束,并采用Levenberg-Marquardt模型来反演对流层臭氧廓线;
S5、比例因子的确定:比例因子λ和ε的确定采用实验的方法,利用现有的地基、探空和激光雷达臭氧廓线数据作为基准,分析不同比例因子在不同地区反演得到的臭氧廓线与基准值的均方根误差和均方根相对误差,从而得到合理的分配比例因子λ和ε。
2.根据权利要求1所述的基于热红外遥感的臭氧廓线反演方法,其特征在于,所述步骤S4中,加入臭氧柱总量的代价函数重新定义为:其中,向量X=X(O3)为n层臭氧浓度廓线,Y向量为m个反演通道卫星观测的亮温,γ是引入的Lagrange乘子,λ和ε是比例系数,TO3和TOtropo分别是臭氧柱总量和对流层臭氧柱总量,tropo代表对流层顶压强的层数,F(X)为大气正向辐射传输模式,这里的范数为Mahalanobis距离,则该代价函数写为:R是Ym的误差协方差矩阵,此误差矩阵包含仪器、系统带来的误差;B表示所求变量O3廓线的初值误差协方差矩阵,定义代价函数以后,推导迭代公式并根据Levenberg-Marquardt模型对迭代公式加强约束,Levenberg-Marquardt方法中正定矩阵和γ因子通过Hessian矩阵的对角线元素和非线性度来自适应调整;
依照最速下降原理,令J'(X)=0得此问题得线性求解形式,即:
其中,K是Y对X得一阶导数,也称为Jacobian矩阵,由于反演问题得非线性,采用高斯牛顿迭代法对问题的反演精度和收敛速度进行改善,即对代价函数再次求导得:
0.5J”(X)=γB-1+KTR-1K (5);
J”(X)被称为Hessian矩阵,将其带入公式(4)得:
或者:
此方法要对背景误差的协方差给出准确的估计并且要设定合适的Lagrange乘子γ,Lagrange乘子在有人为因素影响并且反演误差的方差。
3.根据权利要求2所述的基于热红外遥感的臭氧廓线反演方法,其特征在于,所述高斯牛顿迭代法中,根据Levenberg-Marquardt提出的解决最小二乘的方法,构造正定矩阵,令其中,H为正对角阵,在每次迭代过程中重新确定w,使得代价函数迅速下降。
4.根据权利要求1所述的基于热红外遥感的臭氧廓线反演方法,其特征在于,所述步骤S1中,热红外高光谱数据:红外高光谱探测仪器HIRAS搭载在FY-3D、FY-3E和FY-3F卫星;FY3D上搭载的HIRAS是极轨气象卫星第一个红外高光谱探测仪器,具有长波红外8.80-15.39μm、中波红外5.71-8.26μm和短波红外3.92-4.64μm 3个波长范围,光谱分辨率和空间分辨率分别为0.625cm-1和16km。
5.根据权利要求1所述的基于热红外遥感的臭氧廓线反演方法,其特征在于,所述步骤S1中,再分析数据:ERA5是新一代再分析数据资料,空间分辨率为62千米、时间分辨率为1小时,为用户提供准确的大气实时信息,提供的气象参数包括温度、露点温度、气压以及位势高度、对流层顶、臭氧柱浓度数据,覆盖地面到低平流层的不同压强范围。