CN101349767B - 高分辨率降水数据处理方法 - Google Patents
高分辨率降水数据处理方法 Download PDFInfo
- Publication number
- CN101349767B CN101349767B CN2008102220335A CN200810222033A CN101349767B CN 101349767 B CN101349767 B CN 101349767B CN 2008102220335 A CN2008102220335 A CN 2008102220335A CN 200810222033 A CN200810222033 A CN 200810222033A CN 101349767 B CN101349767 B CN 101349767B
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- clouds
- cloud
- cumulonimbus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于静止气象卫星每小时观测的云图和云分类资料对观测的累积降水进行时间插值、获取高分辨率降水数据处理方法,该方法包括以下步骤:获得累积降水空间分布数据;将云图进行分类;确定各云类型的降水量比率;确定各云类型的累积降水时间插值权重系数;对累积降水估计数据进行每小时时间段的时间加权插值处理;以及将得到的每小时时间段的累积降水估计数据输出。本发明能够提高降水估计数据处理的时间分辨率。
Description
技术领域
本发明涉及数据处理方法,尤其涉及基于静止气象卫星观测的高分辨率降水数据处理方法。
背景技术
降水是影响发生在地表控制的地气之间水分、热量和动量交换的作用过程最重要的变量之一,也是非常重要的天气、气候与环境变量,合理准确估计降水时空分布在气候、生态、农业与环境研究中意义重大。降水估计的一个主要应用之一是为陆面过程模型及水文模型提供高分辨率时空分布的气象强迫,估计诸于土壤湿度和温度、径流等各种陆面变量。目前全球数值预报模式对降水的模拟还有较大误差,如已有研究表明直接利用NCEP降水来驱动陆面模式运行时,模拟误差较大。有人用地面观测月降水数据对NCEP再分析降水进行订正而得到格点降水强迫数据,保证了在月尺度上降水的相对合理性,但还存在误差。比较有效的办法是利用地面观测、雷达和卫星反演降水综合得到高时空分布降水数据,正如北美陆面同化系统(NLDAS)和欧洲陆面数据同化系统中采用的方法,但是雷达资料覆盖范围是有局限的,特别是对历史资料进行处理时,获取雷达资料是很困难的。另外由于降水事件在时间和空间上的不连续性,由常规台站观测直接在时间和空间上的插值估计降水存在较大误差。
在大气动力作用与热力作用下云中水成物的凝结沉降形成降水,并且这种作用决定云中的降水以及降水云的外在形态。利用卫星可见光及红外通道信息估计降水正是通过统计分析手段利用可见光和红外探测仪对降水云外在形态的探测去推断云中的降水信息,它够有效地反映降水的空间分布。对大量降水过程的定量分析表明:一些云图特征量(如:云顶温度、温度梯度、云团的膨胀、穿透性云顶的存在、云体相对于云团中心的偏离量)与云降水有着一定的对应关系(相关内容请参见:卢乃锰、吴蓉璋:强对流降水云团的云图特征分析,应用气象学报,1997,8(3):269-275;师春香、卢乃锰:卫星面降水估计人工神经网络方法,气候与环境研究,2001,6(4):467-472.;游然,卢乃锰:FY-2C卫星降水估计产品,http://satellite.cma.gov.cn/jsp/basic/onlinehelp.jsp#)。强对流云团云顶温度是与降水强度关系最为密切的云图特征量,云顶温度梯度次之,再考虑不同地域降水效率等特性建立与每小时降水量相互关系的统计方程,就可以通过卫星云图数字信息计算出降水量空间分布数据。地面雨量计观测结果能够准确地反映单点降水量。取两者之长,卫星降水估计与地面降水观测结果的融合实质上就是要通过地面雨量计观测去‘标定’卫星降水估计结果,以使最终的分析结果能够更准确地反映降水实况。现有技术还采用了一种智能型客观分析的方法生成了卫星估计与地面观测融合后的6小时累积降水估计业务产品。为了得到更高时间分辨率的降水估计以作为气象强迫驱动陆面模式估计和同化各种陆面变量,需要将6小时累积降水量在时间上进行合理插值处理,以得到1小时或半小时累积降水分布。
对低时间分辨率降水时间插值处理时,最简单常用的办法是将累积降水平均分配到每个小时,然而这种做法在插值中没有考虑云的作用,因而造成插值后降水数据的不合理。
发明内容
本发明的目的是提供一种高分辨率降水数据处理方法,能够提高降水估计数据处理的时间分辨率。
为了实现上述目的,本发明提供一种高分辨率降水数据处理方法,该方法包括以下步骤:获得累积降水空间分布数据;将云图进行分类;确定各云类型的降水量比率;确定各云类型的累积降水时间插值权重系数;对累积降水估计数据进行每小时时间段的时间加权插值处理;将得到的每小时时间段的累积降水估计数据输出。
累积降水空间分布数据包括统计时间为3小时、6小时或24小时的数据。
所述累积降水空间分布数据是通过将利用静止卫星观测多通道数据所反演的卫星累积降水估计数据与常规地面观测累积降水数据融合而获得。
对云进行分类是通过静止卫星观测多通道数据采用多特征阈值方法结合聚类分析方法反演获得。
所述云类型包括积雨云、中低云和卷云。
各云型降水量比率为:中低云平均降水量是积雨云平均降水量的4/11倍,卷云平均降水量是积雨云平均降水量的3/11倍。
积雨云降水时间、卷云降水时间、中低云降水时间的插值权重系数分别为Wcb,Wci,Wml
其中,积雨云、中低云和卷云在统计时间内出现次数分别为Ncb、Nml、Nci。
所述每小时时间段的降水估计通过下面公式得到:
R1=(Wcb×Ncb′+Wci×Nci′+Wml×Nml′)×R6
其中,Ncb’,Nci’和Nml’分别是积雨云、卷云和中低云在每小时时间段内出现的次数,R1为每小时时间段内的降水估计量,R6为统计时间内的降水估计量。
由此本发明的有益效果是:通过利用高时间和空间分辨率静止卫星云图所反映的云的变化,并将其与高时空分辨率降水估计和地面观测降水估计相结合,应用于FY2C云图和国家卫星气象中心FY2C6小时降水估计业务产品,得到1小时分辨率的降水估计。
附图说明
图1是本发明高分辨率降水数据处理方法的流程图;
图2是本发明高分辨率降水数据处理方法一实施例的详细流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰易懂,下面结合附图,对本发明做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
请参考图1,图1是本发明高分辨率降水数据处理方法的流程图。
本发明提供一种高分辨率降水数据处理方法,该方法包括以下步骤:
获得累积降水空间分布数据(S101),在本步骤中,利用现有技术获得统计时间3小时、6小时或者24小时的累积降水空间分布数据;
将云图进行分类(S102),在本步骤中对观测到的卫星云图进行分类,采用卫星探测数据多通道进行聚类分析,归纳出各种云的类别;
确定各云类型的降水量比率(S103),以积雨云的平均降水量为1,确定其余的例如中低云平均降水量与积雨云平均降水量的比率、卷云平均降水量与积雨云平均降水量的比率;
确定各云类型的累积降水时间插值权重系数(S104);
对累积降水估计数据进行每小时时间段的时间加权插值处理(S105);以及
将得到的每小时时间段的累积降水估计数据输出(S106)。
再请参考图2,图2是本发明基于静止气象卫星观测的高时空分辨率降水数据处理方法一实施例的详细流程图。在本实施例中,获得的累积降水空间分布数据以6小时为例,也可以是3小时或者24小时等的数据。如图2所示,本发明的高分辨率降水数据处理方法包括以下步骤:
如现有技术中,利用静止卫星观测多通道数据所反演的卫星6小时累积降水估计与常规地面观测6小时累积降水,进行数据融合,获得6小时累积降水空间分布数据,并将其存入数据存储装置;控制装置控制数据处理装置利用静止卫星多通道反演的高分辨率云分类信息确定累积降水时间插值权重系数,其中云分类信息包括利用静止气象卫星分辨率云图获得的不同云种类不同时间段的区域出现次数和平均降水量,并将上述数据存入数据存储装置;最后,数据处理装置依据各云种类每小时时间段的区域出现次数对上述6小时累积降水估计进行每小时时间段的时间加权插值,得到每小时时间段的累积降水估计,例如1小时的累积降水估计。
其中,在上述步骤中,根据云类降水概率计算得到在某个时间段降水插值的权重系数,由此进行降水时间插值,得到高分辨率降水时空分布。
云类降水概率统计所用的原始数据由地面常规观测云信息和小时降水量匹配得到。地面常规观测中云被分成三族十属二十九类,但是气象卫星能够分辨的云类是有限的,国家卫星气象中心FY2C业务云分类产品被分成了地面(陆地和海洋)、中低云、高层云、卷层云、密卷云、积雨云。FY2C云分类业务产品中包含了总云(晴空)检测、高云检测和云分类信息,总云检测、高云检测和云分类是由独立的算法分别完成。首先进行总云检测和高云检测,再由云分类模块对高云检测模块输出结果进行聚类处理从而将卫星云图进行分类。其中晴空检测采用了多天晴空合成背景和动态阈值相结合的方法;高云检测采用了红外和水汽通道亮温相关关系分析方法;云分类采用对多通道卫星探测数据进行聚类分析,归纳出各种云的类别。考虑到FY2C业务云分类产品对云类的定义和本发明的特点,本发明只区分积雨云、中低云和卷云三种云类型在地面降水时间尺度变换中的权重系数比例。但可以根据实际情况,区分为多种云类型,并根据各云类型计算相应的权重系数比例。
对于云分类的技术可以参考文献:刘建,云检测,http://satellite.cma.gov.cn/jsp/basic/onlinehelp.jsp#.
师春香:高云检测,http://satellite.cma.gov.cn/jsp/basic/onlinehelp.jsp#.
罗敬宁:云分类,http://satellite.cma.gov.cn/jsp/basic/onlinehelp.jsp#.
对地面观测降水与对应的云类观测数据进行匹配,并对所有积雨云降水量、中低云降水量和卷云降水量分别计算其平均值,得出降水量比率:中低云平均降水量是积雨云平均降水量的4/11倍,卷云平均降水量是积雨云平均降水量的3/11倍。
假设6小时时间段云类出现情况是:积雨云、中低云和卷云的6小时出现次数分别为Ncb、Nml、Nci,R6为6小时累计降水,R1cb为积雨云出现时小时降水,R1ml为中低云出现时小时降水,R1ci为卷云出现时小时降水,根据统计结果有:
R1ci=3/11*R1cb,
R1ml=4/11*R1cb,
R6=Ncb×R1cb+Nci×3/11×R1cb+Nml×4/11×R1cb
因此,在各种云条件下的1小时降水量分别为:
设积雨云降水时间、卷云降水时间、中低云降水时间的插值权重系数分别为Wcb,Wci,Wml,则可以求出在现有条件下各云类降水时间插值权重系数分别为:
以1小时降水估计为例,说明对上述6小时累积降水估计进行每小时时间段的时间加权插值计算。
R1=(Wcb×Ncb′+Wci×Nci′+Wml×Nml′)×R6
其中,Ncb’,Nci’和Nml’分别是积雨云、卷云和中低云在1小时内出现的次数。虽然本实施例的每小时时间段设定为1小时,但是该时间段可以根据实际需要进行设定。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种高分辨率降水数据处理方法,该方法包括以下步骤:
获得累积降水空间分布数据,所述累积降水空间分布数据是通过将利用静止卫星观测多通道数据所反演的卫星累积降水估计数据与常规地面观测累积降水数据融合而获得;
将云图进行分类;
确定各云类型的降水量比率;
确定各云类型的累积降水时间插值权重系数;
对累积降水估计数据进行每小时时间段的时间加权插值处理;以及
将得到的每小时时间段的累积降水估计数据输出。
2.根据权利要求1所述的方法,其中,累积降水空间分布数据包括统计时间为3小时、6小时或24小时的数据。
3.根据权利要求1所述的方法,其中,对云进行分类是通过静止卫星观测多通道数据采用多特征阈值方法结合聚类分析方法反演获得。
4.根据权利要求1所述的方法,其中,所述云类型包括积雨云、中低云和卷云。
5.根据权利要求4所述的方法,其中,各云型降水量比率为:中低云平均降水量是积雨云平均降水量的4/11倍,卷云平均降水量是积雨云平均降水量的3/11倍。
6.根据权利要求5所述的方法,其中,积雨云降水时间、卷云降水时间、中低云降水时间的插值权重系数分别为Wcb,Wci,Wml
其中,积雨云、中低云和卷云在统计时间内出现的次数分别为Ncb、Nml、Nci。
7.根据权利要求6所述的方法,其中,所述每小时时间段的降水估计通过下面公式得到:
R1=(Wcb×Ncb′+Wci×Nci′+Wml×Nml′)×R6
其中,Ncb’,Nci’和Nml’分别是积雨云、卷云和中低云在每小时时间段内出现的次数,R1为每小时时间段内的降水估计量,R6为统计时间内的降水估计量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102220335A CN101349767B (zh) | 2008-09-05 | 2008-09-05 | 高分辨率降水数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102220335A CN101349767B (zh) | 2008-09-05 | 2008-09-05 | 高分辨率降水数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101349767A CN101349767A (zh) | 2009-01-21 |
CN101349767B true CN101349767B (zh) | 2012-06-13 |
Family
ID=40268621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102220335A Expired - Fee Related CN101349767B (zh) | 2008-09-05 | 2008-09-05 | 高分辨率降水数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101349767B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354409A (zh) * | 2015-10-14 | 2016-02-24 | 成都信息工程大学 | 一种高原山地降水量的信息诊断识别和估测的研究方法 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655568B (zh) * | 2009-07-06 | 2011-05-04 | 民航数据通信有限责任公司 | 高空格点气象数据的四维插值方法 |
CN102819677B (zh) * | 2012-07-30 | 2014-12-10 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
CN102749664B (zh) * | 2012-08-08 | 2014-11-05 | 湖南省电力公司科学研究院 | 电网覆冰程度预测方法 |
US10203219B2 (en) | 2013-04-04 | 2019-02-12 | Sky Motion Research Ulc | Method and system for displaying nowcasts along a route on a map |
US20140372038A1 (en) * | 2013-04-04 | 2014-12-18 | Sky Motion Research, Ulc | Method for generating and displaying a nowcast in selectable time increments |
US10330827B2 (en) | 2013-04-04 | 2019-06-25 | Sky Motion Research, Ulc | Method and system for displaying weather information on a timeline |
US10324231B2 (en) | 2013-04-04 | 2019-06-18 | Sky Motion Research, Ulc | Method and system for combining localized weather forecasting and itinerary planning |
US10495785B2 (en) | 2013-04-04 | 2019-12-03 | Sky Motion Research, Ulc | Method and system for refining weather forecasts using point observations |
CN103235890A (zh) * | 2013-04-28 | 2013-08-07 | 南京信大高科技发展有限公司 | 卫星短时临近降水预报系统及降水预报方法 |
TWI582454B (zh) | 2013-06-26 | 2017-05-11 | 天勢研究無限公司 | 用於在時間軸上顯示氣象資訊之方法及系統 |
CN103810376B (zh) * | 2014-01-17 | 2016-08-31 | 浙江大学 | 基于卫星遥感与回归克里格的地面日降雨量预测方法 |
CN104483673A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用雷达回波和雨量站计算面雨量的方法 |
CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
KR101791007B1 (ko) * | 2015-12-18 | 2017-10-30 | 부경대학교 산학협력단 | 고해상도 강수량자료 복원시스템 및 그 방법 |
CN107918166B (zh) * | 2016-10-09 | 2019-10-18 | 清华大学 | 多卫星融合降水方法及系统 |
CN107918165B (zh) * | 2016-10-09 | 2019-10-18 | 清华大学 | 基于空间插值的多卫星融合降水预测方法及系统 |
CN106909798A (zh) * | 2017-03-14 | 2017-06-30 | 河海大学 | 一种基于累积概率曲线的逐日降水多模式集合方法 |
CN107632329A (zh) * | 2017-09-04 | 2018-01-26 | 贵州东方世纪科技股份有限公司 | 一种虚拟雨量站雨量计算方法 |
CN109270595B (zh) * | 2018-09-20 | 2020-11-10 | 华中科技大学 | 一种天气作业的方法和系统 |
CN109299163B (zh) * | 2018-11-26 | 2020-07-24 | 武汉大学 | 一种基于卷积神经网络的降水数据的插值方法及装置 |
CN111123408B (zh) * | 2019-11-26 | 2022-02-18 | 深圳震有科技股份有限公司 | 一种基于gis预测降水分布的方法、系统及存储介质 |
CN111177652B (zh) * | 2019-11-27 | 2021-10-01 | 中国科学院遥感与数字地球研究所 | 一种遥感降水数据的空间降尺度方法及系统 |
CN111007582B (zh) * | 2019-12-25 | 2021-09-21 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN113050195B (zh) * | 2021-02-07 | 2022-07-15 | 国家气象中心(中央气象台) | 一种小时分辨率降水过程辨识方法 |
CN113158139B (zh) * | 2021-02-26 | 2021-10-08 | 河海大学 | 一种卫星观测降雨数据的降尺度产品误差计算方法 |
-
2008
- 2008-09-05 CN CN2008102220335A patent/CN101349767B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354409A (zh) * | 2015-10-14 | 2016-02-24 | 成都信息工程大学 | 一种高原山地降水量的信息诊断识别和估测的研究方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101349767A (zh) | 2009-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101349767B (zh) | 高分辨率降水数据处理方法 | |
Punge et al. | A new physically based stochastic event catalog for hail in Europe | |
Xu et al. | Trend shifts in satellite-derived vegetation growth in Central Eurasia, 1982–2013 | |
Mattos et al. | Cloud-to-ground lightning and Mesoscale Convective Systems | |
Friend | Parameterisation of a global daily weather generator for terrestrial ecosystem modelling | |
Molinié et al. | Rainfall regime of a mountainous Mediterranean region: Statistical analysis at short time steps | |
CN110211325A (zh) | 一种基于气象大数据的区域道路结冰高精度监测预警系统 | |
CN111242404B (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及系统 | |
CN112785031B (zh) | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
Sokol et al. | Nowcasting of precipitation–advective statistical forecast model (SAM) for the Czech Republic | |
CN105574856A (zh) | 一种基于双极化sar图像的冰雪面积提取方法 | |
Lazri et al. | Convective rainfall estimation from MSG/SEVIRI data based on different development phase duration of convective systems (growth phase and decay phase) | |
Yang et al. | The comparison of statistical features and synoptic circulations between the eastward-propagating and quasi-stationary MCSs during the warm season around the second-step terrain along the middle reaches of the Yangtze River | |
Huang et al. | Predicting intra-hour variability of solar irradiance using hourly local weather forecasts | |
Mishra et al. | Towards combining GPM and MFG observations to monitor near real time heavy precipitation at fine scale over India and nearby oceanic regions | |
Han et al. | Investigation of raindrop size distribution and its potential influential factors during warm season over China | |
Suk et al. | Operational real-time adjustment of radar rainfall estimation over the South Korea region | |
Rajput et al. | Trend assessment of rainfall, temperature and relative humidity using non-parametric tests in the national capital region, Delhi | |
CN103268416B (zh) | 基于stcp‑bp的风速预测方法 | |
Llasat et al. | Rainfall regionalization on the basis of the precipitation convective features using a raingauge network and weather radar observations | |
Lee et al. | A comparative study of rain intensities retrieved from radar and satellite observations: Two cases of heavy rainfall events by Changma and Bolaven (TY15) | |
Chyhareva et al. | Climate projections over the Antarctic Peninsula region to the end of the 21st century. Part II: wet/dry indices | |
Bois et al. | Thermal risk assessment for viticulture using monthly temperature data | |
Dugdale et al. | V: Daily catchment rainfall estimated from meteosat |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120613 Termination date: 20120905 |