CN106547840B - 一种全球三维大气数据的解析及管理方法 - Google Patents

Abstract

本发明提供了一种全球三维大气数据的解析及管理方法，实时接收并存储更新多种遥感数据、数值预报资料、雷达数据及其他常规观测资料；通过对设置在气象卫星上的多种遥感仪器进行一体化定标，并融合多源三维大气和云数据，主要包括数值预报及常规观测资料中的风场、温度、湿度、多种云变量、雷达及探空资料，将经一体化定标后的遥感数据及经融合后的三维大气和云数据输出至三维数值大气可视化平台。本发明实现了对海量气象和卫星观测数据的统一整合，满足了三维数值大气可视化平台对数据多样性、高精度及近实时更新的要求，对三维大气数据的研究提供了准确且可靠的数据支撑。

Description

一种全球三维大气数据的解析及管理方法

技术领域

本发明涉及大气数据解析领域，具体涉及一种全球三维大气数据的解析及管理方法。

背景技术

目前获取大气观测的手段越来越多样,包括探空观测、雷达、卫星反演、GPS等方法。其中地面常规观测和探空观测资料空间和时间密度均不够，雷达、微波辐射计等地基设备，也均是散点观测数据，而且像微波辐射计这样的地基观测设备实现均匀布点业务应用还有很大困难。相对地基观测水汽廓线来说，卫星观测具有空间覆盖面广，水平分辨率和时间频次较高的特点，但是单一卫星反演的三维大气产品由于要经过反演计算限制，其精度还不能完全保证，时空分辨率也还不足以完全满足天气分析、人工影响天气作业、尤其是数值天气预报的要求。目前数值天气预报、天气诊断分析以及人工影响天气作业对于三维大气场的精度、空间分辨率、时间频次都有更高的要求，而无单一使用某种资料都不能完全满足这种需求。

数值天气预报、天气诊断分析以及人工影响天气作业对于三维大气场的精度、空间分辨率、时间频次都有更高的要求，而单一使用某种资料都不能完全满足这种需求，而为了科学有效地利用如今海量的气象卫星观测数据，全球气象卫星数据的可比性和一致性是关键。

目前，尚没有一种方法能够有效且全面的对全球三维大气数据进行整合或管理。因此，如何解决复杂地空环境下多源气象数据的时空不一致性的缺陷，是亟待解决的问题。

发明内容

针对现有技术中的缺陷，本发明提供一种全球三维大气数据的解析及管理方法，实现了对海量气象和卫星观测数据的统一整合，满足了三维数值大气可视化平台对数据多样性、高精度及近实时更新的要求，对三维大气数据的研究提供了准确且可靠的数据支撑。

为解决上述技术问题，本发明提供以下技术方案：

本发明提供了一种全球三维大气数据的解析及管理方法，包括：

步骤1.实时接收并存储更新多种遥感数据、雷达数据、数值预报资料及常规观测资料；

步骤2.对设置在气象卫星上的多种遥感器进行一体化定标；

步骤3.融合多源三维大气和云数据，且所述多源三维大气和云数据主要包括数值预报和常规观测资料中的风场、温度场、湿度场、多种云变量、雷达资料及其他探空资料；

步骤4.将经所述一体化定标后的遥感数据及经融合后的所述三维大气和云数据输出至三维数值大气可视化平台。

进一步的，所述步骤2包括：

步骤2-1.对FY-2静止气象卫星的红外通道光谱进行一致性订正，及对FY-2静止气象卫星进行红外通道交叉定标与评估；

步骤2-2.对地球两类移动稳定目标中的深对流云DCC，进行类似的遥感器衰变规律建模，实现对基于DCC的可见光通道和部分红外通道的定标跟踪；其中，所述两类移动稳定目标包括：DCC和耀斑区；

步骤2-3.对FY-3气象卫星进行红外通道交叉定标。

进一步的，所述步骤2-1包括：

步骤2-1-a.根据红外窗区和水汽通道的光谱响应的对比结果、及IASI高光谱资料的实测结果，获取各卫星观测辐射与FY-2静止气象卫星的相应通道间的光谱响应差异；评估所述光谱响应差异对卫星通道辐射的影响，得到各通道的评估结果；

步骤2-1-b.以IASI观测为基准，利用SNO交叉定标方法评估各FY-2静止气象卫星的热红外通道的观测辐射差异，并进行辐射一致性比对分析；

步骤2-1-c.通过计算亮温的偏差值得到对热红外通道的一致性订正系数，根据所述一致性订正系数对FY-2静止气象卫星的热红外通道进行交叉定标。

进一步的，所述步骤2-3包括：

步骤2-3-a.基于SNO方法对FY-3/VIRR及FY-3A/MERSI气象卫星仪器进行红外通道交叉定标；

步骤2-3-b.根据SNO交叉定标方法及METOP-A/IASI高光谱观测资料，分别对FY-3/VIRR气象卫星及FY-3A/MERSI气象卫星的热红外通道的辐射定标精度进行客观评估。

进一步的，所述步骤3包括：

步骤3-1.根据区域融合分析系统GLAPS和LAPS获取多源三维大气和云数据，所述多源三维大气和云数据包括三维的风场、温度、云及湿度数据，且所述多源三维大气和云数据的来源主要包括卫星资料、雷达资料、地面资料、探空资料及背景场资料；

步骤3-2.对所述多源三维大气和云数据进行预处理；

步骤3-3.对预处理后的所述多源三维大气和云数据中的风场、温度、云及湿度数据分别进行数据融合。

进一步的，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维风场数据进行数据融合，包括：

步骤3-3-a.基于气球探空的高空风观测、风廓线雷达观测、飞机报告和雷达径向风观测结果，以及数值预报产品，通过对非雷达观测数据进行质量控制及对雷达径向风数据进行速度退模糊质量控制，将雷达以外的风场观测数据与模式背景场的风场进行融合处理，得到融合后的风场数据；

步骤3-3-b.求解两个以上雷达覆盖格点的雷达观测二维风，将雷达观测到的二维风与所述融合后的风场数据再进行融合，得到新的融合风场数据；

步骤3-3-c.获取单部雷达覆盖的格点上的雷达径向风，将其与前面融合得到的新的融合风场数据再次进行融合，得到最终的融合后的三维风场数据。

进一步的，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维温度数据进行数据融合，包括：

步骤3-3-d.基于气球探空温度观测、RASS垂直温度廓线观测、地基微波辐射仪温度廓线观测和数值预报产品，经过质量控制后，采用逐步订正算法将各种观测数据与模式背景场进行融合，得到高空温度场；

步骤3-3-e.在边界层将高空温度场与地面分析的温度场再进行融合，使得地面温度和高空温度能够连续，得到边界层的最终的三维温度场数据。

进一步的，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维云数据进行数据融合，包括：

步骤3-3-f.基于气球探空观测、地面观测、雷达以及卫星数据和数值预报产品，利用数值预报场计算初猜云量场；

步骤3-3-g.根据常规观测数据中的云量和云底信息，内插得到连续的云场；

步骤2-3-h.通过LAPS温度分析以及所述连续的云量场，计算得到期望亮度值；根据期望亮度值和卫星资料中实际观测到的卫星亮度之间的差异对前述连续的云量场进行调整，得到调整后的云量场；

步骤3-3-i.用雷达反射率修正调整后的云量场；

步骤3-3-j.用卫星资料中的可见光数据对云量场进行修正，得到最终的三维云数据。

进一步的，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维湿度数据进行数据融合，包括：

步骤3-3-k.计算边界层高度和地表高度，计算地表比湿，接着将地表比湿插值到融合网格点，并从地表到边界层顶逐层调整，将地面场湿度数据融合到背景场中；

步骤3-3-l.根据云量、比湿、温度场计算每个格点的云调整系数，调整云场：

步骤3-3-m.建立一维变分方程，将静止卫星数据、极轨卫星数据、GPS/PWV数据、探空数据、地基微波辐射计湿度廓线、背景水汽数据代入方程，循环迭代不断调整背景水汽场以达到最优，融合后的水汽场，输出成三维比湿场、三维相对湿度场和二维可降水场。

进一步的，所述步骤3中还包括：

步骤3-4.采用静止气象卫星反演云区湿度廓线和云分类产品估算云底高度，改进云底高度计算精度；

步骤3-5.在没有可见光计算云量时采用红外通道计算得到一个云量，然后利用红外的云量调整三维云，对夜间云量计算方法进行改进。

由上述技术方案可知，本发明所述的一种全球三维大气数据的解析及管理方法，实现了对海量气象和卫星观测数据的实时更新和统一整合，满足了三维数值大气可视化平台对数据高时效性、高整合性及高精度的要求，对三维大气的研究提供了准确且可靠的数据支撑，采用本发明提供的方法进行解析及管理后的全球三维大气数据格式统一且整合性高，为对海量气象和卫星观测数据的研究提供了有效的工具手段。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种全球三维大气数据的解析及管理方法的流程示意图；

图2是本发明的解析及管理方法中的步骤200的流程示意图；

图3是本发明的解析及管理方法中的步骤201的流程示意图；

图4是本发明的解析及管理方法中的步骤203的流程示意图；

图5是本发明的解析及管理方法中的步骤300的流程示意图；

图6是本发明的解析及管理方法中的步骤303中的三维风场数据的融合流程示意图；

图7是本发明的解析及管理方法中的步骤303中的三维温度数据的融合流程示意图；

图8是本发明的解析及管理方法中的步骤303中的三维云数据的融合流程示意图；

图9本发明的解析及管理方法中的步骤303中的三维湿度数据的融合流程示意图；

图10本发明的具体实例中的三维大气融合分析流程图；

图11本发明的具体实例中的水汽融合算法流程图；

图12本发明的具体实例中的卫星资料融合流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前获取大气观测的手段越来越多样，包括探空观测、雷达、卫星反演、GPS等方法。其中地面常规观测和探空观测资料空间和时间密度均不够，雷达、微波辐射计等地基设备，也均是散点观测数据，而且像微波辐射计这样的地基观测设备实现均匀布点业务应用还有很大困难。相对地基观测水汽廓线来说，卫星观测具有空间覆盖面广，水平分辨率和时间频次较高的特点，但是单一卫星反演的三维大气产品由于要经过反演计算限制，其精度还不能完全保证，时空分辨率也还不足以完全满足天气分析、人工影响天气作业、尤其是数值天气预报的要求。目前数值天气预报、天气诊断分析以及人工影响天气作业对于三维大气场的精度、空间分辨率、时间频次都有更高的要求，而无单一使用某种资料都不能完全满足这种需求，因此可以通过将多种观测手段获取的数据进行融合分析来实现。因此,集合各种资料的优势,将多源数据进行融合获得三维大气分布便具有非常重要的研究意义和实用价值。为此，本系统的开发过程中还探索了三维大气多源观测数据的融合技术。

本发明的实施例一提供了一种全球三维大气数据的解析及管理方法。参见图1，该解析及管理方法具体包括如下内容：

步骤100：实时接收并存储更新多种遥感数据、雷达数据、数值预报资料及其他常规观测资料。步骤200：对设置在气象卫星上的多种遥感器进行一体化定标。

在上述步骤中，通过对FY-2静止气象卫星的红外通道光谱进行一致性订正，及对FY-2静止气象卫星进行红外通道交叉定标与评估，对地球两类移动稳定目标即DCC和耀斑区中的深对流云DCC进行遥感器衰变规律建模，实现对基于DCC的可见光通道的定标跟踪，对FY-3气象卫星进行红外通道交叉定标，完成对设置在气象卫星上的各类遥感器进行一体化定标。

步骤300：融合多源三维大气和云数据，且多源三维大气和云数据包括三维的风场、温度、云及湿度数据。

在上述步骤中，根据区域融合分析系统GLAPS和LAPS获取多源三维大气和云数据，多源三维大气和云数据包括三维的风场、温度、云及湿度数据，且多源三维大气和云数据的来源包括卫星资料、雷达资料、地面资料、探空资料及背景场资料，对多源三维大气和云数据进行预处理，并对预处理后的多源三维大气和云数据中的风场、温度、云及湿度数据分别进行数据融合。

步骤400：将经一体化定标后的遥感数据、经融合后的三维大气和云数据、数值预报场、常规观测资料、雷达资料、模拟云图等数据输出至三维数值大气可视化平台。

在上述步骤中，三维数值大气可视化平台是面向全球尺度大气系统时空信息分析需求，发展全球无缝覆盖的地基、空基三维立体气象时空数据组织、存储和管理方法与技术，解决复杂地空环境下多源气象数据的时空不一致性问题，保障三维场景的完整性与无缝性；探索高效的三维空间索引、动态调度与传输、多级缓存、数据一致性维护、在线实时更新等关键技术,建立的一个基于网络、支持交互可视化分析的三维气象时空信息服务平台。

从上述描述可知，通过定标和融合，实现了对海量气象和卫星观测数据的统一整合，满足了三维数值大气可视化平台对数据整合性及精度的要求，对三维大气数据的研究提供了准确且可靠的数据支撑。

进一步的，本发明的实施例二提供了上述步骤200的一种具体实现方式。参见图2，步骤200中具体包括如下内容：

步骤201：对FY-2静止气象卫星的红外通道光谱进行一致性订正，及对FY-2静止气象卫星进行红外通道交叉定标与评估。

步骤202：对地球两类移动稳定目标中的深对流云DCC，进行类似的遥感器衰变规律建模，实现对基于DCC的可见光通道和部分红外通道的定标跟踪；其中，两类移动稳定目标包括：DCC和耀斑区。

步骤203：对FY-3气象卫星进行红外通道交叉定标。

上述步骤201至203的步骤顺序不固定，可以是同时平行进行，也可以根据实际情况变换步骤的顺序。

从上述描述可知，全球多平台多遥感器气象卫星数据的可比性和一致性是建立数值三维大气可视化系统的基础和关键技术。高质量的定量大气遥感产品依赖于遥感器的高精度高稳定性辐射定标。特别是，为进行全球高频次大气分析研究，需同时融合多个平台不同遥感器数据，这进一步提出了遥感器间的辐射一致性的要求，多个平台遥感器观测的相互可比性将给数值天气预报模式同化带来更加准确的测量，并能构建更加可信的卫星数据集。

进一步的，本发明的实施例三提供了上述步骤201的一种具体实现方式。参见图3，步骤201中具体包括如下内容：

步骤201-a：根据红外窗区和水汽通道的光谱响应的对比结果、及IASI高光谱资料的实测结果，获取各卫星观测辐射与FY-2静止气象卫星的相应通道间的光谱响应差异；评估光谱响应差异对卫星通道辐射的影响，得到各通道的评估结果。

步骤201-b：以IASI观测为基准，利用SNO交叉定标方法评估各FY-2静止气象卫星的热红外通道的观测辐射差异，并进行辐射一致性比对分析。

步骤201-c：通过计算亮温的偏差值得到对热红外通道的一致性订正系数，根据一致性订正系数对FY-2静止气象卫星的热红外通道进行交叉定标。

从上述描述可知，实现了对FY-2静止气象卫星的高精度高稳定性辐射定标。

进一步的，本发明的实施例四提供了上述步骤203的一种具体实现方式。参见图4，上述步骤103中具体包括如下内容：

步骤203-a：基于SNO方法对FY-3/VIRR及FY-3A/MERSI气象卫星仪器进行红外通道交叉定标。

步骤203-b：根据SNO交叉定标方法及METOP-A/IASI高光谱观测资料，分别对FY-3/VIRR气象卫星及FY-3A/MERSI气象卫星的热红外通道的辐射定标精度进行客观评估。

从上述描述可知，实现了对FY-3气象卫星的高精度高稳定性辐射定标。

进一步的，本发明的实施例五提供了上述步骤300的一种具体实现方式。参见图5，上述步骤300中具体包括如下内容：

步骤301：根据区域融合分析系统GLAPS和LAPS获取多源三维大气和云数据，多源三维大气和云数据包括三维的风场、温度、湿度及多种云参数，且多源三维大气和云数据的来源主要包括卫星资料、雷达资料、地面资料、探空资料及背景场资料。

步骤302：对多源三维大气和云数据进行预处理。

步骤303：对预处理后的多源三维大气和云数据中的风场、温度、云及湿度(水汽)数据分别进行数据融合。

其中，步骤300中还包括：采用静止气象卫星反演云区湿度廓线和云分类产品估算云底高度，改进云底高度计算精度；及在没有可见光计算云量时采用红外通道计算得到一个云量，然后利用红外的云量调整三维云，对夜间云量计算方法进行改进。

从上述描述可知，准确的高分辨率全球和区域三维大气和云数据是可视化平台演示和应用的基础数据，三维大气融合为可获得优化的多尺度时空连续三维格点化三维大气和云产品，为三维数值大气可视化平台提供数据支撑。在平台开发过程中，在底层数据处理成眠，实现了卫星资料、常规地面观测、探空资料和雷达数据协同分析获得三维云和大气参数，包括：三维的温度、湿度、云信息、风场等参数。

在多源数据融合方面，使用的系统是区域融合分析系统GLAPS和LAPS，实现了卫星资料、常规地面观测、探空资料和雷达数据协同分析获得三维云和大气参数，包括：三维的温度、湿度、云信息、风场等参数。融合的地面观测资料和探空资料来自中国气象局信息中心MDSS实时库数据，融合的卫星资料来自中国风云静止气象卫星观测，雷达资料为全国雷达站基数据；目前实时运行系统时间分辨率为1小时，空间分辨率可达到5km，全球系统中地面和探空资料来自于GTS交换资料，全球卫星资料主要是来自于美国、日本、中国、欧洲的静止气象卫星拼图数据。

进一步的，本发明的实施例六提供了上述步骤303的一种具体实现方式。参见图6，上述步骤303中的对预处理后的多源三维大气和云数据中的三维风场数据进行数据融合，具体包括如下内容：

步骤303-a：基于气球探空的高空风观测、风廓线雷达观测、飞机报告和雷达径向风观测结果，以及数值预报产品，通过对非雷达观测数据进行质量控制及对雷达径向风数据进行速度退模糊质量控制，将雷达以外的风场观测数据与模式背景场的风场进行融合处理，得到融合后的风场数据。

步骤303-b：求解两个以上雷达覆盖格点的雷达观测二维风，将雷达观测到的二维风与融合后的风场数据再进行融合，得到新的融合风场数据。

步骤303-c：获取单部雷达覆盖的格点上的雷达径向风，将其与前面融合得到的新的融合风场数据再次进行融合，得到最终的融合后的三维风场数据。

从上述描述可知，本方法实现了对三维风场数据的准确且可靠的融合。

进一步的，本发明的实施例七提供了上述步骤303的一种具体实现方式。参见图7，上述步骤303中的对预处理后的多源三维大气和云数据中的三维温度数据进行数据融合，具体包括如下内容：

步骤303-d：基于气球探空温度观测、RASS垂直温度廓线观测、地基微波辐射仪温度廓线观测和数值预报产品，经过质量控制后，采用逐步订正算法将各种观测数据与模式背景场进行融合，得到高空温度场。

步骤303-e：在边界层将高空温度场与地面分析的温度场再进行融合，使得地面温度和高空温度能够连续，得到边界层的最终的三维温度场数据。

从上述描述可知，本方法实现了对三维温度数据的准确且可靠的融合。

进一步的，本发明的实施例八提供了上述步骤303的一种具体实现方式。参见图8，上述步骤303中的对预处理后的多源三维大气和云数据中的三维云数据进行数据融合，具体包括如下内容：

步骤303-f：基于气球探空观测、地面观测、雷达以及卫星数据和数值预报产品，利用数值预报场计算初猜云量场。

步骤303-g：根据常规观测数据中的云量和云底信息，内插得到连续的云场。

步骤303-h：通过LAPS温度分析以及连续的云量场，计算得到期望亮度值；根据期望亮度值和卫星资料中实际观测到的卫星亮度之间的差异对前述连续的云量场进行调整，得到调整后的云量场。

步骤303-i：用雷达反射率修正调整后的云量场。

步骤303-j：用卫星资料中的可见光数据对云量场进行修正，得到最终的三维云数据。

从上述描述可知，本方法实现了对三维云数据的准确且可靠的融合。

进一步的，本发明的实施例九提供了上述步骤303的一种具体实现方式。参见图9，上述步骤303中的对预处理后的多源三维大气和云数据中的三维湿度(水汽)数据进行数据融合，具体包括如下内容：

步骤303-k：计算边界层高度和地表高度，计算地表比湿，接着将地表比湿插值到融合网格点，并从地表到边界层顶逐层调整，将地面场湿度数据融合到背景场中。

步骤303-l：根据云量、比湿、温度场计算每个格点的云调整系数，调整云场。

步骤303-m：建立一维变分方程，将静止卫星数据、极轨卫星数据、GPS/PWV数据、探空数据、地基微波辐射计湿度廓线、背景水汽数据代入方程，循环迭代不断调整背景水汽场以达到最优，融合后的水汽场，输出成三维比湿场、三维相对湿度场和二维可降水场。

从上述描述可知，本方法实现了对三维湿度数据的准确且可靠的融合。

为更进一步的说明，本发明还提供了一种全球三维大气数据的解析及管理方法的一种应用实例。该解析及管理方法的应用实例具体包括如下内容：

(一)气象卫星多遥感器一体化定标：

全球多平台多遥感器气象卫星数据的可比性和一致性是建立数值三维大气可视化系统的基础和关键技术。高质量的定量大气遥感产品依赖于遥感器的高精度高稳定性辐射定标。特别是，为进行全球高频次大气分析研究，需同时融合多个平台不同遥感器数据，这进一步提出了遥感器间的辐射一致性的要求，多个平台遥感器观测的相互可比性将给数值天气预报模式同化带来更加准确的测量，并能构建更加可信的卫星数据集。通过研究攻关，研究者利用全球多场地定标方法和DCC定标跟踪，对FY-3A/3B MERSI长序列高频次连续定标，达到了太阳反射波段5％定标精度。采用同样的方法以MODIS作为验证手段达到5％精度。红外通道定标精度FY-3C/VIRR采用GSICS验证达到0.5K最好定标水平。

(1)FY-2红外通道交叉定标与评估：

1-1.红外通道光谱一致性订正：

全球三维数值大气可视化平台显示所需静止气象卫星数据，对比了红外窗区和水汽通道的光谱响应，并且通过大量实测IASI高光谱资料，模拟分析了各卫星观测辐射与FY-2E相应通道间的差异，评估了光谱响应差异对卫星通道辐射的影响1)几颗静止卫星在10.8μm窗区通道光谱响应分布较为接近，且通道辐射对光谱响应分布不敏感，因此光谱响应差异的影响很小，风云卫星(FY-2D/E/F)之间差异小于0.1K，与FY-2E光谱辐射差异最大的为GOES-15约0.5K；2)12μm通道包含一定水汽吸收，因此较10.8μm通道对光谱更为敏感，因此光谱差异的影响更大，晴空区差异可达1K，而GOES-15光谱设置于吸收区域，观测辐射低于其他卫星；3)水汽通道对光谱最为敏感，由于FY-2的水汽通道包含部分窗区信息，因此通道辐射远高于其他卫星，与MSG2差异最大晴空区差异大于10K，而与FY-2E相比，FY-2D和FY-2F通道辐射更大，差异约1K。

基于不同大气和地表条件下的模拟观测结果，通过线性回归计算光谱通道匹配因子(SBAF)。通过12μm和6.7μm光谱匹配因子计算方法和订正效果评估，得知SBAF可以有效的订正系统偏差，订正后观测辐射差异显著减小。

1-2.FY-2IR交叉定标：

以IASI观测为基准，利用SNO交叉定标方法评估各静止卫星热红外通道的观测辐射差异，进行辐射一致性比对分析，计算亮温偏差一致性订正系数。IASI是国际公认的辐射基准定标精度优于0.1K。FY-2D&E&F以及MESAT热红外通道亮温偏差在高(IR1-2@290K,IR3@250K)温度端的变化情况。2013年FY-2D和FY-2E的业务定标方案分别于05月21日和03月27日进行了切换，定标切换前后定标偏差有显著差异，目前业务亮温偏差变大。

FY-2D在定标方案切换后，窗区通道亮温偏高，IR1偏高约1-2K，IR2偏高约2-3K，水汽通道亮温偏低2-4K；FY-2E在定标方案切换后，窗区通道亮温表现为系统性偏差，IR1约偏低0.5-1K，IR2约偏高1-2K，水汽通道亮温偏低2-4K；FY-2F定标偏差表现出显著的季节变化特征，冬季偏差大夏季偏差小，窗区通道亮温偏高，IR1约偏高1-2K，IR2约偏高2-3K，水汽通道亮温偏低1-2K。

分析窗区通道亮温偏差可以看到，IR1与IR2之间存在约-1.5K(DTBB_IR1-DTBB_IR2)的系统性偏差。MTSAT平均亮温偏差IR1-2约0.1K，IR3约-0.15K.

(2)基于DCC的可见光通道定标跟踪：

本研究对地球两类移动稳定目标(DCC和耀斑区)中的深对流云DCC，进行类似的遥感器衰变规律建模。定标结果表明基于地球稳定目标仪器辐射响应衰减跟踪是非常有效的定标方法，能够准确区分衰减剧烈或者响应稳定通道，并能定量推算每个通道的衰减特征(衰减总量和衰减速率)。利用稳定目标进行定标跟踪分析也发现，仪器响应衰减存在季节性波动特征。

经过挑选FY-3A/MERSI的DCC数据，取30d的平均反射率值。由于从全球低纬度海洋上的所有数据中挑选DCC样本，即使经过严格的角度限定等挑选步骤，30d的时间间隔内仍然至少有数万个以上的有效样本数量以保证了足够的样本取样。

利用DCC光谱辐射对2008年7月至2011年12月的FY-3A/MERSI19个波段的可见和近红外波段进行了辐射跟踪，以每30d获得的各波段DCC表观反射率平均值获得自发射以来时间序列(Day Since Launch,DSL)上的辐射定标跟踪值。得到了19个波段的DCC目标定标跟踪，根据通道的衰减特点，将19个通道分为5组，分别为中心波长小于500nm的蓝通道组、红通道与近红外通道组、水汽通道组、短波红外组。根据经验仪器的衰减率往往随时间变化，因此分别针对每一年做了年衰减率的线性拟合，并且分别采用线性和二次曲线拟合了仪器发送以来的衰减率。

对于中心波长小于500nm的蓝通道，存在明显的衰减，412nm波段衰减最大，达到了30.9％，衰减最小的490nm通道也有10.4％的衰减。中心波长大于500nm的红通道和近红外通道相对于波长较短的蓝通道而言较为稳定，除了550nm(250m分辨率)和1030通道外，其他各通道衰减率在3％以内。其中865nm通道最为稳定，衰减率-0.7％。此外650nm、685nm、765nm、865nm通道响应有不同程度的略微上升。3个水汽通道有明显衰减，衰减均大于5％以上。短波红外1640、2130nm通道无法得到线性变化趋势，结合星上定标跟踪器(Visible-NIROnboard Calibrator，VOC)分析，MERSI的短波红外6、7波段由于星上电增益的随机跳动导致无法得到有效的DCC跟踪结果。2011年5月后MERSI仪器短波红外星上增益被锁定不再随机跳动，从DCC定标跟踪上也可以看出在此之后，其反射率趋向稳定，没有出现跳动情况。从衰减率从时间的变化趋势来看，在总衰减大于5％的通道中，除了3个水汽通道，其他通道的年衰减率均是发射后第一年的衰减率最大。线性拟合和二次曲线拟合得到的各通道总衰减差别在0.3％以内。

在以MODIS的深对流云作为辐射基准，评估FY-2D/E/F定标精度时，已经考虑了两者波段的光谱响应差异。FY-2D/E/F观测DCC目标反射率均显著低于MODIS，其中FY2D的定标偏差最大比MODIS偏低大于30％，且FY-2D有约8％左右的衰减；FY2D与FY2E的年衰减率接近，约为1％左右；FY2F的年衰减率最小；而MODIS的反射率非常稳定。

(3)FY-3红外通道交叉定标：

另，开展基于SNO方法的FY-3/VIRR热红外通道定标精度评估工作：

利用同时星下点观测(SNO)交叉定标方法，基于METOP-A/IASI高光谱观测资料，对FY-3A&B/VIRR热红外通道的辐射定标精度进行了客观评估。以高定标精度的IASI探测器作为基准，通过时间、空间以及观测几何等条件的匹配，挑选观测条件相近的MERSI和IASI匹配样本，将IASI光谱辐射卷积到MERSI热红外通道光谱响应函数上，比较两者定标结果的差异。通常情况下FY-3和METOP-A的轨道交叉点每隔1个月周期性出现，每次持续约10天左右，一天内基本上每个小时即大部分轨道都有交叉点出现。极轨卫星SNO交叉点大多位于极地附近，目标多为云、海洋和冰雪。从观测时间差异、卫星观测天顶角和方位角差异、以及目标均匀性四个方面，分析交叉定标中所用主要匹配近似因子可能产生的不确定性。亮温偏差随匹配因子没有明显的依赖关系，说明交叉定标的所采用的匹配阈值对定标偏差评估带来的不确定性很小，可以忽略。

基于2012年8月的匹配样本，FY-3A&B/VIRR和IASI相似观测条件下的亮温。匹配点样本相关性高达0.999，说明VIRR与IASI观测亮温有很好的相关性，而且一个月内VIRR定标质量基本稳定。与IASI相比，FY-3A/VIRR TIR通道的辐射定标有明显的非线性，高温端偏差约0.5K，低温端亮温偏差约2-3K。2012年1月-2013年6月VIRR月平均亮温偏差的变化规律，同时给出标准偏差以及统计样本数。长时间的跟踪分析结果显示，FY-3A/VIRR的观测亮温偏差有明显的季节变化趋势，夏季偏差最小，而冬季偏差最大。CH4的观测亮温小于IASI，平均偏差约-2--1K。CH5的定标结果由于CH4平均偏差-1-0.2K。对于FY-3B/VIRR，季节变化趋势不显著，月平均偏差变化幅度小于0.5K，CH4和CH5的年平均偏差分别为0.84±0.16K和-0.66±0.18K。

开展基于SNO方法的FY-3/MERSI热红外通道定标精度评估工作：

同样利用SNO交叉定标方法以及METOP-A/IASI高光谱观测资料，对FY-3A/MERSI热红外通道的辐射定标精度进行了客观评估。基于2012年1月-2013年2月匹配样本，亮温偏差的温度依赖特征和月变化规律结果显示，MERSI的观测亮温明显高于IASI，亮温偏差(MERSI-IASI)随目标温度呈反相关变化趋势。月平均亮温偏差相对稳定，波动小于0.8K，统计标准差小于0.5K，年平均亮温偏差约3.17±0.35K。为了证实分析结论的真实性，将评估结果与2012年中国遥感卫星辐射校正场星地同步观测试验评价结果，以及MERSI与AQUA/MODIS交叉定标结果进行了对比分析，均得到一致的分析结论。

(二)多源数据融合和显示技术：

准确的高分辨率全球和区域三维大气和云数据是可视化平台演示和应用的基础数据，三维大气融合为可获得优化的多尺度时空连续三维格点化三维大气和云产品，为三维数值大气可视化平台提供数据支撑。在平台开发过程中，在底层数据处理成眠，实现了卫星资料、常规地面观测、探空资料和雷达数据协同分析获得三维云和大气参数，包括：三维的温度、湿度、云信息、风场等参数。

在多源数据融合方面，使用的系统是区域融合分析系统GLAPS和LAPS，实现了卫星资料、常规地面观测、探空资料和雷达数据协同分析获得三维云和大气参数，包括：三维的温度、湿度、云信息、风场等参数。融合的地面观测资料和探空资料来自中国气象局信息中心MDSS实时库数据，融合的卫星资料来自中国风云静止气象卫星观测，雷达资料为全国雷达站基数据；目前实时运行系统时间分辨率为1小时，空间分辨率可达到5km，全球系统中地面和探空资料来自于GTS交换资料，全球卫星资料主要是来自于美国、日本、中国、欧洲的静止气象卫星拼图数据。参见图10，图10是三维大气融合分析系统的基本结构。主要包括：多源数据获取、数据前处理、数据接口设计、数据融合分析以及数据生成5个模块。

(1)三维大气融合算法：

1-1.三维风场融合算法：

三维风场分析主要融合了气球探空的高空风观测、风廓线雷达观测、飞机报告和雷达径向风观测，以及数值预报产品。产生高空三维格点的风场数据。

算法框架是：先将雷达以外的风场观测数据与模式背景场的风场进行融合处理，得到融合的风场；然后求出两个以上雷达覆盖格点的雷达观测二维风，将这些格点的雷达观测二维风与前面融合得到的风场再进行融合，得到新的融合风场；最后取单部雷达覆盖的格点上的雷达径向风，与前面融合得到的风场再进行融合，得到最后的融合风场。

具体算法主要有如下关键特点：

对非雷达观测数据进行质量控制。

1)先对所有观测资料进行统一质量控制：观测的风速减去背景场风速，大于30m/s者剔除；2)对飞机报告进一步质量控制：观测的风速减去背景场风速，大于10m/s者剔除；3)对云迹风进一步质量控制：观测的风速减去背景场风速，大于10m/s者剔除；4)对风廓线雷达进一步质量控制：观测的风速减去背景场风速，大于22m/s者剔除。

对此雷达径向风数据进行速度退模糊质量控制：

1)将背景场径向风数据减去雷达观测的径向风数据；2)如果这个差值大于雷达的最大不模糊速度(Nyquist速度)的1.3倍，小于最大不模糊速度的2.7倍，则进行速度调整；3)退模糊后系统再进行一次误差控制：背景场径向风数据减去退模糊后的雷达径向风数据之差的绝对值大于12(m/s)则剔除。

非雷达与数值预报背景场风场的融合采用逐步订正算法，与地面分析的插值算法类似。融合后结果形成新的背景场。

两部以上雷达覆盖格点的二维风与新背景场的融合。在有两部雷达覆盖的格点上直接求二维风场。如果有三部以上雷达覆盖，则先两两求出二维风场，再取它们的平均值。然后采用逐步订正方法调整背景场。融合后结果形成新的背景场。

单部雷达径向风与新背景场的融合。在单部雷达覆盖的格点上直接求雷达径向风+背景场切向风的合成场。不再进行逐步订正调整背景场，而直接修正这些格点上的风，以期能够保留小涡旋的特征。

1-2.温度融合分析：

高空三维温度数据融合分析，融合了气球探空温度观测、RASS垂直温度廓线观测、地基微波辐射仪温度廓线观测和数值预报产品。

算法先采用逐步订正方法将各种观测数据与模式背景场进行融合，得到高空温度场。然后在边界层将高空温度场与地面分析的温度场再进行融合分析，得到边界层的温度场。

算法主要特点包括：

对观测数据进行了质量控制。

观测的温度与数值预报背景场温度的融合采用逐步订正算法，与地面分析的插值算法类似。

得到三维格点的温度场后，以500hPa高度场为基准，用静力关系计算出三维高度场。

利用地面数据融合分析的温度场对边界层温度进行融合，使地面温度和高空温度能够连续。具体算法为：

计算边界层(即混合层)顶气压和温度的确定。边界层顶气压为分析区域内平均地面气压减去边界层厚度气压。目前边界层厚度气压固定设为200hPa。根据边界层顶气压和前面得到的高空三维温度场内插求出边界层顶的温度

计算“垂直插值地面温度”并进行约束。根据地面气压和高空三维温度场计算出“垂直插值地面温度”，并进行约束：当地面气压小于边界层顶气压(地面高于边界层顶)时，约束地面温度应小于等于该格点同高度的高空三维温度；当地面气压大于等于边界层顶气压时，约束地面位温应小于等于边界层顶位温(防止超绝热)。约束以后的地面温度称为有效地面温度。

内插出边界层内各层的温度。以地面误差为地面有效温度与地面温度之差，边界层顶误差为0。对误差进行高度的线性内插(或外插，如果层次高度低于地形高度)，得到各层的误差值。然后将误差值加到高空三维温度场上，得到边界层内各层的温度。对温度的误差进行线性内插，而不是直接对温度进行线性内插，是为了保留住原三维温度场在边界层内的各特性层。

最后在每个格点进行位温垂直分布的检查，消除超绝热，保证低层位温小于等于上层位温。

1-3.云融合分析：

高空三维云融合分析，融合了气球探空观测、地面观测、雷达以及卫星数据和数值预报产品。主要算法特点：

a.利用数值预报场计算初猜云量场。

b.常规观测数据融合进入云分析：

常规观测中提供了云量和云底信息。假定一个云厚度，可以得到云顶高度和云廓线。通常假想厚度为1000m，上下各有500m的缓冲区。接着配合Barnes客观分析方法，权重选择网格到观测点的距离函数(r-5)，使原本资料稀少的点内插到三维网格上，产生一连续的云场。

c.卫星资料融合进入LAPS，调整三维云量场：

卫星资料是云分析中的主要资料，首先通过LAPS温度分析以及第2步中Barnes插值得到的云量场计算得到一个期望的亮度温度Tb8_c，然后根据期望亮度和卫星11um通道实际观测亮度Tb8_o的差异来对前面的三维云量场进行调整。

d.雷达反射率对云量修正：

如果前面分析有云底，而雷达回波在云底之上并超过一定阈值，则此点云量定位1。100米以下阈值为20，1500米以上阈值为10。

e.卫星可见光数据对云量的修正：

先把可见光资料投影、内插三维网格上，利用Albers(1992)的方法推算出云量，假设第三阶段云结构的云量比可见光云量来的高，则相信可见光云量，进行修正。

1-4.水汽融合技术研究：

项目开展水汽融合分析水汽分析由三个步骤组成：

1)边界层调整：将地面场水汽数据融合到背景场中。首先，计算边界层高度和地表高度，计算地表比湿，接着将地表比湿插值到融合网格点，并从地表到边界层顶逐层调整。

2)云场调整：根据云量、比湿、温度场按Peixoto and Oort(1997)的方法计算每个格点的云调整系数。

3)一维变分调整：建立一维变分方程，包括静止卫星项、极轨卫星项、GPS水汽项、高空探测项、地基微波辐射计项、背景项。将静止卫星数据、极轨卫星数据、GPS/PWV数据、探空数据、地基微波辐射计湿度廓线、背景水汽数据代入方程，利用Powell方法循环迭代不断调整背景水汽场以达到最优。

经过融合后的水汽场，经过过饱和检查后，输出成三维比湿场、三维相对湿度场和二维可降水场。图11给出水汽融合的流程图。

其中：地面观测资料经过地面分析模块后，生成地面场。水汽模块通过边界层调整将地面场融合到水汽场中。边界层调整由moisture_switch.nl的sfc_mix变量控制，分为5个步骤：

1)、为每一格点计算边界层顶位置。

2)、用地面气压和三维气压场，确定每一网格上地表的位置。

3)、用地面气压、温度、露点计算地面比湿。

4)、将地面比湿插入背景水汽场的格点上。

5)、从地面到边界层顶逐层分析，修改背景水汽场。

三维云量场调整中，根据云量按Peixoto and Oort(1997)方法为每一格点计算云调整系数q_adjust。计算方法如下：

其中，q1为当前层的比湿、qsat为当前层的饱和比湿、t1为当前层的温度，q2为上一层的比湿、t2为上一层的温度。

接着，如果云量>0.6，则为水汽场增加一个增量，云量*q_adjust。最后进行过饱和检查。

水汽调整采用一维变分方法，采用GPS水汽、云、探空、静止卫星、极轨卫星数据，通过一维变分方程同时调整背景水汽场。一维变分方程如下：

包括六项依次为：静止卫星项、背景场项、GPS项、极轨卫星项、云项、探空或地基微波辐射计项。方程中，下标GOS表示静止卫星，可处理MTSAT-1R、MTSAT2、FY2C-2E；下标BACK表示背景；下标GPS表示GPS水汽；下标POS表示极轨卫星，可处理NOAA AMSUB、FY3MWHS；下标CLD表示云；下标SND表示探空。S为开关变量，取值为0或1；E为误差协方差；q为比湿；c为缩放因子，cq表示调整后的比湿。c＝1，表示调整前后无变化；L水平影响距离；crtm()为CRTM前向辐射模式函数；GT()、G()、GC()是与云量有关的函数；R0是卫星观测的亮温度；qc是云量调整后的比湿；mr是混合比；QGPS是GPS/PWV可降水量。

GPS资料的融合，首先将GPS/PWV插值到二维网格点上，并平滑格点值。最后进入一维变分，变分项如下：

其中SGPS是开关变量；QGPS是GPS的PWV资料；q是背景场比湿；EGPS是误差协方差；LGPS是水平影响半径；c为背景场调整系数。

RGPS默认为75km，grid_spacing为网格距。

参见图12，水汽分析中主要采用了静止卫星资料，融合流程如下：

1)格式转换。将卫星数据转换成netCDF格式，并插值到融合网格点上。

2)计算天顶角。根据静止卫星的参数和时间，计算每个格点的卫星天顶角和太阳天顶角。

3)背景场检查。将背景水汽场输入CRTM前向辐射模式，逐一检查每一通道CRTM输出的亮温度与实测亮温度的差异，如果亮温度差异超出阈值，则认为该数据可能异常，不参与水汽调整。

4)一维变分。一维变分静止卫星项为：

其中SGOS是开关变量；R0是卫星观测的亮温度；mr是背景场混合比；EGOS是误差协方差；c为背景场调整系数；crtm()是前向辐射函数；g是云量；GT()是云量调节函数，

极轨卫星融合选择NOAA系列AMSUB和FY3系列MWHS的三个水汽通道(183.31G)、两个大气窗区通道数据(89.0G、150.0G)。支持AMSUB和MWHS的HDF格式、L1C格式。极轨卫星的融合步骤与静止卫星类似。

关键技术改进：

全球卫星拼图资料的分析融合：

全球卫星拼图资料来自于美国、日本、欧洲静止气象卫星5通道全球拼图数据，包括红外11um,12um,3.9um,水汽通道和可见光通道拼图数据，由于全球范围可见光通道数据同一时间仅在半球范围内有，因此，仅融合红外通道全球拼图数据。

云底构建算法改进：

LAPS云底的构建，主要采用了地面观测的信息，美国地面观测记录中，将云分为了FEW、SCT、-BKN、BKN、-OVC、OVC几种，分别代表云量为0.125、0.44、0.4、0.75、0.6和1.0，另外有云层数的记录。中国的地面观测信息中没有这些记录，因此云底构建算法不适合中国的气象数据环境。采用LAPS原来算法，当融合地面观测以后，对于三维云云底没有改变。如2008年6月13日一个个例，可以看到地面观测没有进入融合过程中。

采用静止气象卫星反演云区湿度廓线和云分类产品估算云底高度，改进了云底高度计算精度；用卫星云区湿度廓线及云分类产品估计云底高度的方法计算原理：

FY-2卫星云区湿度廓线产品给出了925、850、700、500、400、300hpa等压面上的相对湿度，它对于判断在各等压面层上是否存在云提供了重要信息；而云分类产品提供了高云、中低云的初步分类结果，有卷层云、密卷云、高层云或雨层云、积雨云、中低云共5类云的信息，通过结合这两种产品，可以分析得出云的垂直结构和云类，再根据不同云类所具有的云底高度特征值、以及云的垂直结构特征，综合起来估计出云底高度，一般地，低云云底赋值在600-1500米，中云高赋值4500米，高云底赋值8000米，850、700、500、400、300hpa等压面层上相对湿度大于60％就视为有云，而925hpa等压面层上相对湿度在陆地大于70％、海洋大于60％视为有云。

融合卫星产品后对LAPS云底的调整：

采用以上方法计算的云底高度融合进入到LAPS模式中，融合后对云底的分布进行了调整。

云底高度精度检验：

通过将2008年1、4、7、10月的卫星云底高度与地面低云底高度观测资料相对比，结果为：天空10成低云时，卫星与地面观测相比，误差小于500米的概率是64％，天空1-10成云时，误差小于500米的概率是68％。

综合考虑地面观测中云底高度人眼观测中可能具有的误差，LAPS中云底高度计算与地面人眼观测的误差控制在500米以内，认为LAPS的云底高度在合理的范围内。另外原有中国的云底高度和云层数的观测的缺少，导致原有LAPS中云底高度的信息主要来自于背景场，在我们进行卫星估算后，改进了原LAPS云底高度计算精度。

夜间云量计算方法改进：

在三维大气分析系统运行过程中，我们发现云分析算法对卫星可见光资料依赖性太大。夜间，没有卫星可见光资料的情况下，则没有卫星资料进入云分析过程中，这样造成白天、夜间云变化不连续。

如2009年11月9日白天和夜间LAPS分析的柱云量分布，由于这一天北京天气为阴，15点，北京上空完全被云所覆盖，而夜间，卫星没有可见光数据，LAPS云分析设计中没有卫星资料进入，因此夜间的云量分布中，有雷达回波的地区分布有少量云，使云量分析的误差很大。

针对夜间没有卫星可见光资料就没有卫星资料进入云分析情况，我们采用了卫星红外通道对计算云量。在没有可见光计算云量的时候，我们采用红外通道计算得到一个云量，然后利用红外的云量来调整三维云，这样降低了云分析过程对可见光资料的依赖性，从而保证了白天、夜间云量变化的连续性。

总云量的计算方法是从辐射传输方程出发，设平行大气条件下卫星上接收到的辐射量可以表达为：

I＝(1-A_c)·I_clr+A_c·I_cld

式中，A_c为总云量；I_cld为完全云覆盖像元的辐射量；I_clr为晴空像元的辐射量。辐射量对于可见光通道可转化为反射率，对于红外通道可转化为亮温。

可以求得总云量为:

A_c＝(I-I_clr)/(I_cld-I_clr)

夜间采用这种方法计算得到的云量来对云量进行订正，计算得到2009年11月9日23点的柱云量，与同时刻红外通道卫星云图分布吻合地很好，这样，保证了LAPS白天和夜间云量的分布连续性。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种全球三维大气数据的解析及管理方法，其特征在于，包括：

步骤1.实时接收并存储更新多种遥感数据、雷达数据、数值预报资料及常规观测资料；

步骤2.对设置在气象卫星上的多种遥感器进行一体化定标；

步骤3.融合多源三维大气和云数据，且所述多源三维大气和云数据包括数值预报和常规观测资料中的风场、温度场、湿度场、多种云变量、雷达资料及探空资料；

步骤4.将经所述一体化定标后的遥感数据及经融合后的所述三维大气和云数据输出至三维数值大气可视化平台；

所述步骤2包括：

步骤2-1.对FY-2静止气象卫星的红外通道光谱进行一致性订正，及对FY-2静止气象卫星进行红外通道交叉定标与评估；

步骤2-2.对地球两类移动稳定目标中的深对流云DCC，进行遥感器衰变规律建模，实现对基于DCC的可见光通道和部分红外通道的定标跟踪；其中，所述两类移动稳定目标包括：DCC和耀斑区；

步骤2-3.对FY-3气象卫星进行红外通道交叉定标。

2.根据权利要求1所述的方法，其特征在于，所述步骤2-1包括：

步骤2-1-a.根据红外窗区和水汽通道的光谱响应的对比结果、及IASI高光谱资料的实测结果，获取各卫星观测辐射与FY-2静止气象卫星的相应通道间的光谱响应差异；评估所述光谱响应差异对卫星通道辐射的影响，得到各通道的评估结果；

步骤2-1-b.以IASI观测为基准，利用SNO交叉定标方法评估各FY-2静止气象卫星的热红外通道的观测辐射差异，并进行辐射一致性比对分析；

步骤2-1-c.通过计算亮温的偏差值得到对热红外通道的一致性订正系数，根据所述一致性订正系数对FY-2静止气象卫星的热红外通道进行交叉定标。

3.根据权利要求1所述的方法，其特征在于，所述步骤2-3包括：

步骤2-3-a.基于SNO方法对FY-3/VIRR及FY-3A/MERSI气象卫星仪器进行红外通道交叉定标；

步骤2-3-b.根据SNO交叉定标方法及METOP-A/IASI高光谱观测资料，分别对FY-3/VIRR气象卫星及FY-3A/MERSI气象卫星的热红外通道的辐射定标精度进行客观评估。

4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

步骤3-1.根据区域融合分析系统GLAPS和LAPS获取多源三维大气和云数据，所述多源三维大气和云数据包括三维的风场、温度、云及湿度数据，且所述多源三维大气和云数据的来源包括卫星资料、雷达资料、地面资料、探空资料及背景场资料；

步骤3-2.对所述多源三维大气和云数据进行预处理；

步骤3-3.对预处理后的所述多源三维大气和云数据中的风场、温度、云及湿度数据分别进行数据融合。

5.根据权利要求4所述的方法，其特征在于，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维风场数据进行数据融合，包括：

步骤3-3-a.基于气球探空的高空风观测、风廓线雷达观测、飞机报告和雷达径向风观测结果，以及数值预报产品，通过对非雷达观测数据进行质量控制及对雷达径向风数据进行速度退模糊质量控制，将雷达以外的风场观测数据与模式背景场的风场进行融合处理，得到融合后的风场数据；

步骤3-3-b.求解两个以上雷达覆盖格点的雷达观测二维风，将雷达观测到的二维风与所述融合后的风场数据再进行融合，得到新的融合风场数据；

步骤3-3-c.获取单部雷达覆盖的格点上的雷达径向风，将其与前面融合得到的新的融合风场数据再次进行融合，得到最终的融合后的三维风场数据。

6.根据权利要求4所述的方法，其特征在于，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维温度数据进行数据融合，包括：

步骤3-3-d.基于气球探空温度观测、RASS垂直温度廓线观测、地基微波辐射仪温度廓线观测和数值预报产品，经过质量控制后，采用逐步订正算法将各种观测数据与模式背景场进行融合，得到高空温度场；

步骤3-3-e.在边界层将高空温度场与地面分析的温度场再进行融合，使得地面温度和高空温度能够连续，得到边界层的最终的三维温度场数据。

7.根据权利要求4所述的方法，其特征在于，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维云数据进行数据融合，包括：

步骤3-3-f.基于气球探空观测、地面观测、雷达以及卫星数据和数值预报产品，利用数值预报场计算初猜云量场；

步骤3-3-g.根据常规观测数据中的云量和云底信息，内插得到连续的云场；

步骤2-3-h.通过LAPS温度分析以及连续的云量场，计算得到期望亮度值；根据期望亮度值和卫星资料中实际观测到的卫星亮度之间的差异对所述连续的云量场进行调整，得到调整后的云量场；

步骤3-3-i.用雷达反射率修正调整后的云量场；

步骤3-3-j.用卫星资料中的可见光数据对云量场进行修正，得到最终的三维云数据。

8.根据权利要求4所述的方法，其特征在于，所述步骤3-3中的所述对预处理后的所述多源三维大气和云数据中的三维湿度数据进行数据融合，包括：

步骤3-3-k.计算边界层高度和地表高度，计算地表比湿，接着将地表比湿插值到融合网格点，并从地表到边界层顶逐层调整，将地面场湿度数据融合到背景场中；

步骤3-3-l.根据云量、比湿、温度场计算每个格点的云调整系数，调整云场；

步骤3-3-m.建立一维变分方程，将静止卫星数据、极轨卫星数据、GPS/PWV数据、探空数据、地基微波辐射计湿度廓线、背景水汽数据代入方程，循环迭代不断调整背景水汽场以达到最优，融合后的水汽场，输出成三维比湿场、三维相对湿度场和二维可降水场。

9.根据权利要求4所述的方法，其特征在于，所述步骤3中还包括：

步骤3-4.采用静止气象卫星反演云区湿度廓线和云分类产品估算云底高度，改进云底高度计算精度；

步骤3-5.在没有可见光计算云量时采用红外通道计算得到一个云量，然后利用红外的云量调整三维云，对夜间云量计算方法进行改进。