基于贝叶斯神经网络的激光雷达仪器对流层温度反演方法
大气与海洋物理
2023-04-12 v1 数据分析、统计与概率
摘要
我们构建了一个贝叶斯神经网络，能够从氮和氧的旋转拉曼散射测量中反演对流层温度廓线，并将其应用于瑞士Payerne的RAman Lidar for Meteorological Observations（RALMO，气象观测拉曼激光雷达）所获取的观测数据。我们详细描述了利用贝叶斯方法反演温度廓线的过程，包括由网络权重引起的不确定度估计以及测量的统计不确定度。我们在不同大气条件下使用激光雷达测量数据训练模型，并使用未参与训练的测量数据测试模型。计算所得的温度廓线覆盖0.7 km至6 km高度范围。相对于MeteoSwiss标准处理算法，我们的温度平均偏差估计在4.5 km以下高度不超过0.05 K，在4.5 km至6 km高度范围不超过0.08 K。这一一致性表明神经网络估计的温度廓线与标准算法高度吻合。该方法稳健，能够在晴空和云层条件下高精度估计温度廓线。此外，训练后的模型可提供估计温度廓线的统计与模型不确定度。因此，本研究证明了训练后的神经网络能够生成温度廓线及完整的不确定度预算。我们给出了展示贝叶斯神经网络在日间与夜间测量以及晴空和云层条件下估计结果的案例研究。我们得出结论：所提出的贝叶斯神经网络是一种适用于温度廓线统计反演的恰当方法。
引用
@article{arxiv.2301.02361,
title = {A Bayesian Neural Network Approach for Tropospheric Temperature Retrievals from a Lidar Instrument},
author = {Ghazal Farhani and Giovanni Martucci and Tyler Roberts and Alexander Haefele and Robert J. Sica},
journal= {arXiv preprint arXiv:2301.02361},
year = {2023}
}