CN109814175A - 一种基于卫星的强对流监测方法及其应用 - Google Patents
一种基于卫星的强对流监测方法及其应用 Download PDFInfo
- Publication number
- CN109814175A CN109814175A CN201910114665.8A CN201910114665A CN109814175A CN 109814175 A CN109814175 A CN 109814175A CN 201910114665 A CN201910114665 A CN 201910114665A CN 109814175 A CN109814175 A CN 109814175A
- Authority
- CN
- China
- Prior art keywords
- satellite
- daytime
- echo
- monitoring
- convective
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于天气监测领域,公开了一种基于卫星的强对流监测方法及其应用,利用日间对流风暴识别算法生成日渐对流风暴产品并建立不同降雨类型匹配关系统计;利用近海雷达回波反演算法对日间对流风暴识别产品进行反演;通过日间对流风暴识别产品、不同降雨类型匹配关系的统计、以及反演雷达回波进行监测。本发明提供的基于卫星的强对流监测方法成为日间对强对流的监测的很好的补充,由于对于海上、地形遮挡区域等雷达组网监测盲区,基于卫星反演的雷达回波可以基本完整的显示这些区域的对流监测的估测回波信息,因此,其对于进一步提升强对流天气的业务监测能力,具有十分重要的意义。
Description
技术领域
本发明属于天气监测领域,尤其涉及一种基于卫星的强对流监测方法及其应用
背景技术
目前,业内常用的现有技术是这样的:针对强对流天气的短临监测、预报和预警业务需求,浙江省气象台的短临创新团队经过数年的努力构建了浙江省短临天气监测、预报和预警平台,该平台为全省短临监测、预报和预警服务工作提供一个高效、稳定、便捷的平台环境,为强天气监测预警提供支撑,提高强对流天气监测和预报,满足中小尺度天气精细化预报预警和气象防灾减灾服务的需求,为决策提供更有力的保障。然后,现有针对强天气的雷达组网监测、预警业务中仍然存在一些问题:雷达组网中近海以及地形遮挡区域监测信息不完整;此外,雷达组网区域内个别雷达的质量问题(太阳射线,超折射等异常回波或者数据滞后造成数据缺测)都会影响组网拼图的产品质量。
相对于气象短时临近业务的软件建设发展逐年稳步提升,气象观测硬件的基础建设发展速度更快。经过10多年的建设,浙江地区已经构建了相对较为完善的地基观测网络,全省自动气象站点空间密度平均已经低于7公里,重点区域加密到3-5公里,观测资料采集传输频次加密到5分钟。全省闪电定位监测网络可以实时的监测记录浙江区域内的雷电发生时的强度等实况监测。此外,浙江陆地区域内已经建成8部S波段多普勒天气雷达,以及杭州地区的一部C波段的双偏振雷达,提供逐6分钟的监测区域内的天气监测。以上这些地基观测网络的建设为进一步针对强对流天气进行监测识别和预警等提供了较好的硬件基础。此外,随着新一代静止卫星(葵花8/风云4)在近几年投入业务应用,其高时空分辨率多通道的卫星数据(时间分辨率葵花8为10分钟,风云4为15分钟;空间最大分辨率都达到了0.5km)为气象组网的空基上的对流云的高时空分辨率的识别和追踪提供了一种新型的技术支撑。因此,如何更好的融合地基和空基观测资料进一步提升强对流天气的识别和追踪的精度以及强对流天气提前预警能力,是当前所面临的一个新的挑战。
基于多元资料的融合分析的对流系统的识别和监测问题,国内外一些机构和学者都开展了研究。在对流系统的识别研究领域,较早的研究大都基于单雷达的三维格点资料进行对流系统识别(Dixon et al,1993;Johnson et al,1998;韩雷等,2007,2008)。最近几年,随着地基遥感的雷达组网建设进一步完善,基于雷达组网拼图数据进行对流系统的识别获得不少研究进展(杨吉等,2012,2015);通过拟合椭圆长轴设计动态模板和得分函数,可以实现雷达拼图资料上的线状MCSs自动识别(杨吉等,2014);此外,相关的研究工作表明(李国翠等,2013),基于雷达组网和加密自动站的多元资料融合分析,可以用于对流性地面大风的自动识别。总体而言,基于组网拼图数据可以展现了整个对流系统发展、演变的全貌,为全面识别、跟踪灾害性天气影响的时间和地点以及短时、临近预警提供有利依据,因此,组网拼图数据可以在一定程度上弥补地基遥感的单雷达观测的局限性(监测范围有限,地形遮挡,径锥区以及远距离低层探测距离过高等问题:王红艳等,2014,2015)导致无法监测完整的中尺度对流云系。然后,对流识别的精度和稳定性和拼图数据质量密切相关。业务而言,拼图数据的质量仍会收到很多因素影响:参与拼图的各个单雷达数据质量;组网监测范围有限,缺乏海上的完整监测;多雷达资料传输稳定性问题,时效性等等问题,如何解决这些问题仍然是个挑战。
相对于地基遥感,空基遥感探测范围更大,更为稳定,近几年随着高时空分辨率的新一代静止卫星投入业务应用,基于新一代静止卫星的对流识别技术逐渐发展起来。美国林肯实验室的Veillette等(2016)构建了OPC系统,该系统利用机器学习方法依据新一代静止卫星、闪电定位,数值模式等多元要素将对流和层云进行了分类。国内也有一些研究者利用机器学习方法(孙学金等,2009;耿晓庆等,2014;金炜等,2016;胡凯等,2017)进行了强天气识别和云分类的实验。基于新一代静止卫星的对流初生识别的研究(Lee et al,2017;Jewett et al,2013)也是当下一个新热点;一些研究者(Walker et al,2012;Merk et al,2013;Mecikalski et al,2015)利用基于静止卫星的对流初生识别技术并进行追踪,较好的提升0-1小时的短临预报中对流新生的预报、预警能力。
综上所述,现有技术存在的问题是:
(1)雷达组网中近海以及地形遮挡区域监测信息不完整;此外,雷达组网区域内个别雷达的质量问题(太阳射线,超折射等异常回波或者数据滞后造成数据缺测)都会影响组网拼图的产品质量;
(2)区域内雷达组网监测范围有限,因此,区域组网拼图数据可能存在无法监测完整的中尺度对流云系的问题;
(3)对流识别的精度和稳定性和拼图数据质量密切相关;拼图数据的质量仍会受到很多因素影响,如参与拼图的各个单雷达数据质量;
(4)从业务角度而言,雷达组网数据的业务稳定性取决于区域内所有雷达的实时监测数据是否能准时达到,因此对于各个地区的雷达硬件运维要求都较高。
现有技术中,组网监测范围有限,尤其缺乏对海上的天气系统的完整监测;多雷达资料传输稳定性教差,时效性差。
解决上述技术问题的难度:
如何更好的融合地基和空基观测资料进一步提升强对流天气的识别和追踪的精度以及强对流天气提前预警能力,是当前所面临的一个新的挑战。
针对新一代静止卫星的高时、空分辨率以及多通道的特性,如何能够建立更好的数字化模型来进行强对流监测是本技术研究中的一个难点。
如何构建空基数据(新一代静止卫星数据)和地基数据(多普勒天气雷达)的非线性的数字化转换关系统计业务模型,是本技术研究中所需要解决的关键技术问题。
解决上述技术问题的意义:
本发明提出了基于卫星的强对流监测的新方法(日间对流风暴识别算法和近海雷达回波反演算法)。和雷达组网拼图的回波比较表明,新方法可以成为日间对强对流的监测的很好的补充,由于对于海上、地形遮挡区域、以及组网区域的边缘(在单雷达扫描探测较远的距离位置,其探测高度较高,缺乏对底层强对流的监测,如果回波发展高度较低,则会造成雷达监测信息偏弱,甚至监测信息不全等问题)等雷达组网监测盲区,基于卫星是针对对流云顶的情况的监测,因此,反演的雷达回波可以基本完整的显示这些区域的对流监测的估测回波信息。最后,由于卫星资料相比雷达资料更为稳定,因此,在雷达存在杂波(比如信号干扰杂波)区域,卫星反演的雷达回波的数据质量要明显高于雷达观测数据的组网监测结果。因此,本发明对于进一步提升强对流天气的业务监测能力,具有十分重要的意义。
发明内容
针对现有技术存在的问题,本发明提供了一种基于卫星的强对流监测方法及其应用。
本发明是这样实现的,一种基于卫星的强对流监测方法,所述基于卫星的强对流监测方法包括:
步骤一,对静止卫星数据进行预处理(投影转换,数据裁剪以及太阳、卫星等几何参数计算),处理成多通道投影后的格点数据;
步骤二,利用日间对流风暴识别算法生成日渐对流风暴产品并建立不同降雨类型匹配关系统计;利用近海雷达回波反演算法对日间对流风暴识别产品进行反演;
步骤三,对日间对流风暴识别产品、不同降雨类型匹配关系的统计以及反演雷达回波进行监测。
进一步,步骤二中,所述日间对流风暴识别算法包括:
采用多通道合成R,G,B合成技术生成可见的日间对流风暴产品;并将日间对流风暴产品处理成为兰伯特投影后的1x1km格点数据并建立不同降雨类型匹配关系统计。
进一步,所述R,G,B合成技术包括:
合成日间对流风暴产品的R,G,B配色的计算方式:
R:WV6.2-WV7.3数值范围:-35-5[k],数值范围内采用Gamma:1.0曲线拉伸
G:IR3.9-IR10.8数值范围:-5-60[k],数值范围内采用Gamma:0.5曲线拉伸
B:NIR1.6-VIS0.6数值范围:-75-25[%],数值范围内采用Gamma:1.0曲线拉伸。
进一步,步骤二建立不同降雨类型匹配关系统计方法包括:
1)依据回波强度分5类,为:>42dBZ,>35dBZ,>25dBZ,<25dBZ,无回波数据;
2)统计不同的分类区间内对应的R,G,B颜色数值出现的概率分布曲线;
3)生成不同分类等级下的不同降雨类型下的日间对流风暴的R、G、B颜色匹配关系统计。
进一步,所述近海雷达回波反演算法包括:
(1)构建分回波强度等级卫星通道概率数据集;
(2)采用并行计算快速处理出各个回波等级的日间对流风暴产品的R,G,B特征概率矩阵;
(3)以上述R,G,B特征概率矩阵为基础,构建概率决策树;
(4)根据每个格点位置判断回波强度。
进一步,步骤(1)中,所述回波强度等级包括:
按照5dBZ间隔分为12层Thr等级,Thr取,0,5、10、15、20、25、30、35、40、45、50、55dBZ,统计每个回波强度等级r的日间对流风暴产品的R,G,B的不同尺度k下的回波强度大于Thr概率分布特征矩阵,构建不同回波等级的特征数据集合;
其中回波强度等级每个尺度下的特征的概率矩阵为一个三维的立方体概率矩阵;且最大,最小和中值的统计数值范围均为0-255,均方差数值范围设定为0-20。
进一步,步骤(3)中,构建概率决策树方法包括:
采用最大概率策略作为R,G,B数值对应的大概率数值;设定概率阈值>0.6为当前等级属于大概率事件,判定为存在,否则为不存在。
进一步,步骤(4)中,所述每个格点位置判断回波强度的具体方法包括:
1)基于Max0 Min0 Ave0 Rmse0判断当前格点位置是否存在回波,如果不存在,则当前格点位置没有回波,其余情况则继续下一步骤;
2)进行逐层分析,基于当前等级层(等级r层)的Maxr Minr Aver Rmser判断是否存在>Thr回波,如果不存在,则停止分析,选择上一等级层所判定的回波强度作为当前格点位置反演的回波强度数值;如果存在,并且不是最后一层等级,则继续尝试分析r+1等级层的概率矩阵,判断是否存在>Thr+1回波;如果是最后一层,则选择当前等级层确定的回波强度作为当前格点位置的反演回波强度数值。
本发明的另一目的在于提供一种实施所述基于卫星的强对流监测方法的基于卫星的强对流监测控制系统。
本发明的另一目的在于提供一种实施所述基于卫星的强对流监测方法的基于卫星的强对流监测平台。
综上所述,本发明的优点及积极效果为:
本发明的试验对比表明,本发明可以很好的解决组网区域内的单雷达信号干扰造成的杂波问题(图8,图9,实线圈区域),此外,本发明一定程度上解决了在雷达组网边缘区域(虚线圈区域内)的发展高度较低对流监测的不完整的问题。此外,对于一些山区的反演的回波也所加强,更接近于实际情况。
本发明提供的基于卫星的强对流监测方法成为日间对强对流的监测的很好的补充,由于对于海上、地形遮挡区域等雷达组网监测盲区,基于卫星反演的雷达回波可以基本完整的显示这些区域的对流监测的估测回波信息。最后,由于卫星资料相比雷达资料更为稳定,因此,在雷达存在杂波(比如信号干扰杂波)区域,卫星反演的雷达回波的数据质量要明显高于雷达观测数据的组网监测结果。因此,本发明对于进一步提升强对流天气的业务监测能力,具有十分重要的意义。
不同的回波强度下日间对流风暴的产品的R、G、B概率分布特征具有不同的特征,具有较好的辨识度,因此,本发明可以对强对流天气进行较好的辅助监测。
附图说明
图1是本发明实施例提供的基于卫星的强对流监测方法流程图;
图2是本发明实施例提供的格点位置判断回波强度的具体的算法流程图。
图3是本发明实施例提供的>35dBZ对应日间对流风暴RGB累积百分比示意图;
图4是本发明实施例提供的>25dBZ对应日间对流风暴RGB累积百分比示意图;
图5是本发明实施例提供的<25dBZ对应日间对流风暴RGB累积百分比示意图;
图6是本发明实施例提供的无回波数据对应日间对流风暴RGB累积百分比示意图;
图7是本发明实施例提供的>42dBZ对应日间对流风暴RGB累积百分比示意图。
图8是本发明实施例提供的实施试验的个例,组合反射率图示意图,图中由于宁波的雷达监测范围内存在信号干扰杂波,导致组网区域的雷达质量明显下降,此外,在雷达组网边缘区域,由于单雷达扫描高度较高,对于底层发展起来的对流监测存在明显偏弱甚至不全的问题。
图9是本发明实施例提供的实施试验的个例,采用本发明算法对卫星的日间对流风暴产品反演回波的效果示意图。效果图表明,由于是基于卫星数据,因此不存在雷达信号干扰杂波问题,所以该技术可以很好的去除宁波雷达监测范围内的杂波干扰问题;此外,对于雷达组网区域的边缘区域,一些发展高度较低的对流云的监测,也比原有的雷达组网监测更为全面。此外,对于一些山区的监测回波也所加强,更接近于实际情况。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,雷达组网中近海以及地形遮挡区域监测信息不完整;此外,雷达组网区域内个别雷达的质量问题(太阳射线,超折射等异常回波或者数据滞后造成数据缺测)都会影响组网拼图的产品质量;组网拼图数据无法监测完整的中尺度对流云系;对流识别的精度和稳定性和拼图数据质量密切相关;拼图数据的质量仍会受到很多因素影响,如参与拼图的各个单雷达数据质量;现有技术中,组网监测范围有限,缺乏海上的完整监测;多雷达资料传输稳定性差,时效性差。
为解决上述问题,下面结合具体方案对本发明作详细描述。
如图1所示,本发明实施例提供的基于卫星的强对流监测方法包括:
S101:对新一代静止卫星数据进行预处理,包括质控、视差修正、投影转换等等,处理成1x1km水平分辨率的格点多通道数据。
S102:利用日间对流风暴识别算法生成日渐对流风暴产品并建立不同降雨类型匹配关系统计;利用近海雷达回波反演算法对日间对流风暴识别产品进行反演。
S103:通过日间对流风暴识别产品、不同降雨类型匹配关系的统计、以及反演雷达回波进行监测。
步骤S102中,本发明实施例提供的日间对流风暴识别算法包括:
采用多通道合成R,G,B合成技术生成可见的日间对流风暴产品;并将日间对流风暴产品处理成为兰伯特投影后的1x1km格点数据并建立不同降雨类型匹配关系统计。
本发明实施例提供的R,G,B合成技术包括:
合成日间对流风暴产品的R,G,B配色的计算方式:
R:WV6.2-WV7.3数值范围:-35-5[k],数值范围内采用Gamma:1.0曲线拉伸。
G:IR3.9-IR10.8数值范围:-5-60[k],数值范围内采用Gamma:0.5曲线拉伸。
B:NIR1.6-VIS0.6数值范围:-75-25[%],数值范围内采用Gamma:1.0曲线拉伸。
本发明实施例提供的统计方法:
1)依据回波强度简单分类(分)5类,分别是>42dBZ;>35dBZ;>25dBZ;<25dBZ;无回波数据)。
2)统计不同的分类区间内对应的R,G,B颜色数值出现的概率分布曲线。
3)生成不同分类等级下的不同降雨类型下的日间对流风暴的R、G、B颜色匹配关系统计。
步骤S102中,本发明实施例提供的日间对流风暴产品包括:
由于该产品算法利用太阳反射率的通道组合依赖于太阳辐射,因此,该算法暂时只有白天时间段可用。
步骤S102中,本发明实施例提供的近海雷达回波反演算法包括:
(1)构建分回波强度等级卫星通道概率数据集;
(2)采用并行计算快速处理出各个回波等级的日间对流风暴产品的R,G,B特征概率矩阵;
(3)以上述R,G,B特征概率矩阵为基础,构建概率决策树;
(4)根据每个格点位置判断回波强度。
步骤(1)中,本发明实施例提供的回波强度等级包括:
按照5dBZ间隔分为12层Thr等级(这里的Thr取,0,5、10、15、20、25、30、35、40、45、50、55dBZ),统计每个回波强度等级r的日间对流风暴产品的R,G,B的不同尺度k(统计3,5,7,11,13km尺度)下的回波强度大于Thr概率分布特征矩阵,据此构建不同回波等级的特征数据集合;
其中回波强度等级每个尺度下的特征的概率矩阵为一个三维(维数都是256)的立方体概率矩阵;且最大,最小和中值的统计数值范围都设定为0-255,均方差数值范围设定为0-20;每个数据集样本中采用表1所罗列的特征量来描述:
表1对流识别模型(日间对流风暴产品的R,G,B特征)
步骤(3)中,本发明实施例提供的以R,G,B特征概率矩阵为基础,构建概率决策树包括:
每个强度等级下的概率矩阵为多尺度的,因此这些不同尺度下的相同的R,G,B对应的概率数值是不同的,故采用最大概率策略作为R,G,B数值对应的大概率数值;设定概率阈值>0.6即为当前等级属于大概率事件,判定为存在,否则为不存在。
如图2所示,步骤(4)中,本发明实施例提供的每个格点位置判断回波强度的具体的算法流程为:
1)基于Max0 Min0 Ave0 Rmse0判断当前格点位置是否存在回波(这里定义低于0dBZ回波强度即为数据不存在),如果不存在,则当前格点位置没有回波,其余情况则继续步骤2;
2)进行逐层(r从1层开始迭代分析)分析。基于当前等级层的Maxr MinrAver Rmser判断是否存在>Thr回波,如果不存在,则停止分析,选择上一等级层所判定的回波强度作为当前格点位置反演的回波强度数值。如果存在,并且不是最后一层等级,则继续尝试分析r+1等级层的概率矩阵,判断是否存在>Thr+1回波;如果是最后一层,则选择当前等级层确定的回波强度作为当前格点位置的反演回波强度数值。
下面结合具体实施例对本发明作进一步描述。
实施例:
1)、资料和处理方法:
葵花8号(Himawari-8)静止气象卫星通道有16个,具有更高的时间和空间分辨率,其中可见光通道云图分辨率达到0.5-1公里,近红外和红外通道云图分辨率达到2-4公里,全盘图观测频率高达每10分钟一次。该静止卫星的观测数据可运用于灾害性天气的监测、预报和预警及大范围的环境监测等,为中尺度灾害性天气的监测和预报提供了一种更为先进、更为有效的手段。
选取华东地区为研究区域,该区域是受强对流灾害影响较为严重的区域之一。所用的资料包括区域内多普勒天气雷达的基数据(Level-II)资料和葵花8号(Himawari-8)静止气象卫星观测数据。时段为(UTC)2017年8月20日强对流过程严重影响时段。
对雷达组网资料进行预处理,包括去除噪声点、地物回波、二次回波。这里反射率质量控制采用参考切面算法。在经过反射率质量控制后,使用双线性样条法将极坐标数据插值到1x1km等间距网格组合反射率数据,最后采用距离权重法插值处理成组网组合反射率数据。对新一代静止卫星数据(葵花8)进行预处理,包括质控、视差修正、投影转换等等,最后处理成1x1km水平分辨率的格点多通道数据。
2)、基于葵花8卫星的日间对流风暴产品:
为了更好的综合静止卫星多通道的监测数据所反映的物理特性,这里采用多通道合成R,G,B合成技术来生成可见的日间对流风暴产品。由于该产品算法利用太阳反射率的通道组合依赖于太阳辐射,因此,该算法暂时只有白天时间段可用。葵花8多通道合成日间对流风暴产品的R,G,B配色的计算方式:
R:WV6.2-WV7.3数值范围:-35-5[k],数值范围内采用Gamma:1.0曲线拉伸。
G:IR3.9-IR10.8数值范围:-5-60[k],数值范围内采用Gamma:0.5曲线拉伸。
B:NIR1.6-VIS0.6数值范围:-75-25[%],数值范围内采用Gamma:1.0曲线拉伸。
3)、基于日间对流风暴产品降雨类型分类匹配关系统计:
将葵花卫星的多通道RGB合成产品(日间对流风暴产品)和雷达组网组合反射率拼图数据都处理成为兰伯特投影后的1x1km格点数据,然后据此,建立两者的不同降雨类型匹配关系统计。这里的统计方法依据回波强度简单分类(分5类,分别是>42dBZ;>35dBZ;>25dBZ;<25dBZ;无回波数据),然后统计不同的分类区间内对应的R,G,B颜色数值出现的概率分布曲线,最后生成不同分类等级下的不同降雨类型下的日间对流风暴的R、G、B颜色匹配关系统计。
葵花卫星的多通道RGB合成产品(日间对流风暴产品)和雷达组网组合反射率的不同降雨类型匹配关系统计表明(图3至图7),不同的回波强度下日间对流风暴的产品的R、G、B概率分布特征具有不同的特征,具有较好的辨识度,因此,该产品可以对强对流天气进行较好的辅助监测。
4)、基于葵花8卫星资料的估测近海雷达回波技术:
(1)数据集构建
对流识别是通过构建分回波强度等级卫星通道概率数据集来统计分析的。这里的回波强度等级按照5dBZ间隔分为12层Thr等级(这里的Thr取,0,5、10、15、20、25、30、35、40、45、50、55dBZ),统计每个回波强度等级r的日间对流风暴产品的R,G,B的不同尺度k(统计3,5,7,11,13km尺度)下的回波强度大于Thr概率分布特征矩阵,据此构建不同回波等级的特征数据集合。每个尺度下的特征的概率矩阵为一个三维(维数都是256)的立方体概率矩阵。这里的最大,最小和中值的统计数值范围都设定为0-255,均方差数值范围设定为0-20。每个数据集样本中采用表1所罗列的特征量来描述。
表1对流识别模型(日间对流风暴产品的R,G,B特征)
(2)方法
在完成数据集构建之后,则采用并行计算快速处理出各个回波等级的日间对流风暴产品的R,G,B特征概率矩阵。以这些先验的概率矩阵为基础,构建概率决策树(图2)。每个强度等级下的概率矩阵为多尺度的,因此这些不同尺度下的相同的R,G,B对应的概率数值是不同的,因此,这里采用最大概率策略作为R,G,B数值对应的大概率数值。设定概率阈值>0.6即为当前等级属于大概率事件,判定为存在,否则为不存在。
在本实施例中,如图2所示,每个格点位置判断回波强度的具体的算法流程为:
1)基于Max0 Min0 Ave0 Rmse0判断当前格点位置是否存在回波(这里定义低于0dBZ回波强度即为数据不存在),如果不存在,则当前格点位置没有回波,其余情况则继续步骤2)。
2)进行逐层(r从1层开始迭代分析)分析。基于当前等级层的MaxrMinrAver Rmser判断是否存在>Thr回波,如果不存在,则停止分析,选择上一等级层所判定的回波强度作为当前格点位置反演的回波强度数值。如果存在,并且不是最后一层等级,则继续尝试分析r+1等级层的概率矩阵,判断是否存在>Thr+1回波;如果是最后一层,则选择当前等级层确定的回波强度作为当前格点位置的反演回波强度数值。
5)、个例应用:
日间对流风暴识别产品和组合反射率拼图比对结果表明,在对流发展阶段,在没有高云覆盖的情况下,日间对流风暴识别算法反演出的深厚对流雨云的分布特征、形态特征等和雷达组网拼图内的强对流回波(>42dBZ)具有较好的匹配性;而深厚降雨云的识别区域和雷达组网拼图内所显示的层云降雨区域也存在一定匹配性。基于卫星所反演出的降雨区域比雷达组网拼图中的雨区范围更大些,此外,右下角海上的对流云的卫星监测信息弥补了组网雷达在近海区域对流监测的不足问题。因此,日间对流风暴产品可以是白天时段强对流监测产品的很好补充,尤其在一些地形遮挡区域以及近海海上区域,基于卫星的对流监测信息可以是雷达组网拼图的很好的补充。
基于日间对流风暴识别产品反演的雷达回波和组合反射率拼图比较如果表明,在没有高云覆盖的情况下,基于新一代静止卫星葵花8反演的雷达回波的明显特征是接近于雷达组网资料的回波特征;而对于海上、地形遮挡区域等雷达组网监测盲区,基于卫星反演的雷达回波可以基本完整的显示这些区域的对流监测的估测回波信息。该反演产品对于强对流监测具有十分重要的作用,其可以成为未来卫星、雷达多元资料融合的对流监测产品的重要基础之一。
在本发明实施例中,图3是本发明实施例提供的>35dBZ对应日间对流风暴RGB累积百分比示意图。
图4是本发明实施例提供的>25dBZ对应日间对流风暴RGB累积百分比示意图。
图5是本发明实施例提供的<25dBZ对应日间对流风暴RGB累积百分比示意图。
图6是本发明实施例提供的无回波数据对应日间对流风暴RGB累积百分比示意图。
图7是本发明实施例提供的>42dBZ对应日间对流风暴RGB累积百分比示意图。
图8为本发明实施试验的个例,组合反射率图示意图,图中由于宁波的雷达监测范围内存在信号干扰杂波(实线圈区域内),导致组网区域的雷达质量明显下降,此外,在雷达组网边缘区域(虚线圈区域内),由于参与组网的单雷达扫描高度较高,对于底层发展起来的对流监测存在明显偏弱甚至不全的问题。
图9为本发明实施试验的个例,采用本发明算法对卫星的日间对流风暴产品反演回波的效果示意图。效果图表明,由于是基于卫星数据,因此不存在雷达信号干扰杂波问题,所以该技术可以很好的去除宁波雷达监测范围(实线圈)内的杂波干扰问题;此外,对于雷达组网地区的边缘区域(虚线圈),一些发展高度较低的对流云的监测,也比原有的雷达组网监测更为全面。此外,对于一些山区的监测回波也所加强,更接近于实际情况。
下面结合效果对本发明作进一步描述。
在传统监测资料应用的基础上,如何充分利用地基观测(雷达组网)、空基观测(新一代静止卫星葵花8)等多元资料的业务问题。提出了基于卫星的强对流监测的新方法(日间对流风暴识别算法和近海雷达回波反演算法)。和雷达组网拼图的回波比较表明,新方法可以成为日间对强对流的监测的很好的补充,由于对于海上、地形遮挡区域等雷达组网监测盲区,基于卫星反演的雷达回波可以基本完整的显示这些区域的对流监测的估测回波信息,因此,其对于进一步提升强对流天气的业务监测能力,具有十分重要的意义。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卫星的强对流监测方法,其特征在于,所述基于卫星的强对流监测方法包括:
步骤一,对静止卫星数据进行质控、视差修正、投影转换,处理成多通道数据;
步骤二,利用日间对流风暴识别算法生成日渐对流风暴产品并建立不同降雨类型匹配关系统计;利用近海雷达回波反演算法对日间对流风暴识别产品进行反演;
步骤三,对日间对流风暴识别产品、不同降雨类型匹配关系的统计以及反演雷达回波进行监测。
2.如权利要求1所述的基于卫星的强对流监测方法,其特征在于,步骤二中,所述日间对流风暴识别算法包括:
采用多通道合成R,G,B合成技术生成可见的日间对流风暴产品;并将日间对流风暴产品处理成为兰伯特投影后的1x1km格点数据并建立不同降雨类型匹配关系统计。
3.如权利要求2所述的基于卫星的强对流监测方法,其特征在于,所述R,G,B合成技术包括:
合成日间对流风暴产品的R,G,B配色的计算方式:
R:WV6.2-WV7.3数值范围:-35-5[k],采用Gamma:1.0曲线拉伸;
G:IR3.9-IR10.8数值范围:-5-60[k],采用Gamma:0.5曲线拉伸;
B:NIR1.6-VIS0.6数值范围:-75-25[%],采用Gamma:1.0曲线拉伸。
4.如权利要求2所述的基于卫星的强对流监测方法,其特征在于,步骤二建立不同降雨类型匹配关系统计方法包括:
1)依据回波强度分5类,为:>42dBZ,>35dBZ,>25dBZ,<25dBZ,无回波数据;
2)统计不同的分类区间内对应的R,G,B颜色数值出现的概率分布曲线;
3)生成不同分类等级下的不同降雨类型下的日间对流风暴的R、G、B颜色匹配关系统计。
5.如权利要求1所述的基于卫星的强对流监测方法,其特征在于,所述近海雷达回波反演算法包括:
(1)构建分回波强度等级卫星通道概率数据集;
(2)采用并行计算快速处理出各个回波等级的日间对流风暴产品的R,G,B特征概率矩阵;
(3)以R,G,B特征概率矩阵为基础,构建概率决策树;
(4)根据每个格点位置判断回波强度。
6.如权利要求5所述的基于卫星的强对流监测方法,其特征在于,步骤(1)中,所述回波强度等级包括:
按照5dBZ间隔分为12层Thr等级,Thr取,0,5、10、15、20、25、30、35、40、45、50、55dBZ,统计每个回波强度等级r的日间对流风暴产品的R,G,B的不同尺度k下的回波强度大于Thr概率分布特征矩阵,构建不同回波等级的特征数据集合;
其中回波强度等级每个尺度下的特征的概率矩阵为一个三维的立方体概率矩阵;且最大,最小和中值的统计数值范围均为0-255,均方差数值范围为0-20。
7.如权利要求5所述的基于卫星的强对流监测方法,其特征在于,步骤(3)中,构建概率决策树方法包括:
采用最大概率策略作为R,G,B数值对应的大概率数值;设定概率阈值>0.6为当前等级属于大概率事件,判定为存在,否则为不存在。
8.如权利要求5所述的基于卫星的强对流监测方法,其特征在于,步骤(4)中,所述每个格点位置判断回波强度的具体方法包括:
1)基于Max0Min0Ave0Rmse0判断当前格点位置是否存在回波,不存在,则当前格点位置没有回波,其余情况则继续下一步骤;
2)进行逐层分析,基于当前等级层的MaxrMinrAverRmser判断是否存在>Thr回波,如果不存在,则停止分析,选择上一等级层所判定的回波强度作为当前格点位置反演的回波强度数值;如果存在,并且不是最后一层等级,则继续尝试分析r+1等级层的概率矩阵,判断是否存在>Thr+1回波;是最后一层,则选择当前等级层确定的回波强度作为当前格点位置的反演回波强度数值。
9.一种实施权利要求1所述基于卫星的强对流监测方法的基于卫星的强对流监测控制系统。
10.一种实施权利要求1所述基于卫星的强对流监测方法的基于卫星的强对流监测平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114665.8A CN109814175B (zh) | 2019-02-14 | 2019-02-14 | 一种基于卫星的强对流监测方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114665.8A CN109814175B (zh) | 2019-02-14 | 2019-02-14 | 一种基于卫星的强对流监测方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109814175A true CN109814175A (zh) | 2019-05-28 |
CN109814175B CN109814175B (zh) | 2021-01-26 |
Family
ID=66606620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114665.8A Active CN109814175B (zh) | 2019-02-14 | 2019-02-14 | 一种基于卫星的强对流监测方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109814175B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633693A (zh) * | 2019-09-26 | 2019-12-31 | 南京信息工程大学 | 一种基于云反演资料的深对流系统自动识别追踪方法 |
CN110794485A (zh) * | 2019-10-22 | 2020-02-14 | 成都信息工程大学 | 基于集成学习的强对流天气持续时间预报方法 |
CN110942020A (zh) * | 2019-11-25 | 2020-03-31 | 上海眼控科技股份有限公司 | 初生对流识别方法、装置、计算机设备和存储介质 |
CN110967695A (zh) * | 2019-10-28 | 2020-04-07 | 兰州大方电子有限责任公司 | 一种基于深度学习的雷达回波外推短临预报方法 |
CN111474529A (zh) * | 2020-06-10 | 2020-07-31 | 浙江省气象台 | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 |
CN112198483A (zh) * | 2020-09-28 | 2021-01-08 | 上海眼控科技股份有限公司 | 卫星反演雷达的数据处理方法、装置、设备及存储介质 |
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN112924975A (zh) * | 2021-03-06 | 2021-06-08 | 上海市气象信息与技术支持中心 | 组网天气雷达适用aoi的自适应观测方法及系统 |
CN112946784A (zh) * | 2021-03-29 | 2021-06-11 | 杭州电子科技大学 | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 |
CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353946A (zh) * | 2011-06-29 | 2012-02-15 | 哈尔滨工程大学 | 一种基于x波段雷达图像的海表面流反演方法 |
CN205317966U (zh) * | 2016-01-25 | 2016-06-15 | 南京信息工程大学 | 高精度多通道自动气象站气压检定仪 |
CN106772281A (zh) * | 2016-11-03 | 2017-05-31 | 上海机电工程研究所 | 基于滑窗滤波的多通道合成孔径雷达系统通道校准方法 |
CN107976673A (zh) * | 2017-11-17 | 2018-05-01 | 中国科学技术大学 | 提高大场景目标成像质量的mimo雷达成像方法 |
-
2019
- 2019-02-14 CN CN201910114665.8A patent/CN109814175B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353946A (zh) * | 2011-06-29 | 2012-02-15 | 哈尔滨工程大学 | 一种基于x波段雷达图像的海表面流反演方法 |
CN205317966U (zh) * | 2016-01-25 | 2016-06-15 | 南京信息工程大学 | 高精度多通道自动气象站气压检定仪 |
CN106772281A (zh) * | 2016-11-03 | 2017-05-31 | 上海机电工程研究所 | 基于滑窗滤波的多通道合成孔径雷达系统通道校准方法 |
CN107976673A (zh) * | 2017-11-17 | 2018-05-01 | 中国科学技术大学 | 提高大场景目标成像质量的mimo雷达成像方法 |
Non-Patent Citations (2)
Title |
---|
李德俊 等: "一次特大暴雨过程中涡旋暴雨云团的演变特征分析", 《暴雨灾害》 * |
王雪芹 等: "基于MODIS多通道合成的江淮暴雨云系分析方法", 《遥感技术与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633693A (zh) * | 2019-09-26 | 2019-12-31 | 南京信息工程大学 | 一种基于云反演资料的深对流系统自动识别追踪方法 |
CN110794485A (zh) * | 2019-10-22 | 2020-02-14 | 成都信息工程大学 | 基于集成学习的强对流天气持续时间预报方法 |
CN110967695A (zh) * | 2019-10-28 | 2020-04-07 | 兰州大方电子有限责任公司 | 一种基于深度学习的雷达回波外推短临预报方法 |
CN110942020A (zh) * | 2019-11-25 | 2020-03-31 | 上海眼控科技股份有限公司 | 初生对流识别方法、装置、计算机设备和存储介质 |
CN111474529A (zh) * | 2020-06-10 | 2020-07-31 | 浙江省气象台 | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 |
CN112198483A (zh) * | 2020-09-28 | 2021-01-08 | 上海眼控科技股份有限公司 | 卫星反演雷达的数据处理方法、装置、设备及存储介质 |
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN112363140B (zh) * | 2020-11-05 | 2024-04-05 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN112924975A (zh) * | 2021-03-06 | 2021-06-08 | 上海市气象信息与技术支持中心 | 组网天气雷达适用aoi的自适应观测方法及系统 |
CN112946784A (zh) * | 2021-03-29 | 2021-06-11 | 杭州电子科技大学 | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 |
CN112946784B (zh) * | 2021-03-29 | 2022-09-16 | 杭州电子科技大学 | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 |
CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
US11802992B2 (en) | 2021-11-25 | 2023-10-31 | Zhejiang Meteorological Observatory | Thunderstorm gale early-warning method, system, equipment, and terminal |
Also Published As
Publication number | Publication date |
---|---|
CN109814175B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814175A (zh) | 一种基于卫星的强对流监测方法及其应用 | |
Ahijevych et al. | Probabilistic forecasts of mesoscale convective system initiation using the random forest data mining technique | |
CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
Simonin et al. | Doppler radar radial wind assimilation using an hourly cycling 3D‐Var with a 1.5 km resolution version of the Met Office Unified Model for nowcasting | |
Goudenhoofdt et al. | Generation and verification of rainfall estimates from 10-yr volumetric weather radar measurements | |
Snook et al. | Multiscale EnKF assimilation of radar and conventional observations and ensemble forecasting for a tornadic mesoscale convective system | |
CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
Stratman et al. | Use of multiple verification methods to evaluate forecasts of convection from hot-and cold-start convection-allowing models | |
Steinacker et al. | Automatic tracking of convective cells and cell complexes from lightning and radar data | |
Qi et al. | Multi-factor evaluation indicator method for the risk assessment of atmospheric and oceanic hazard group due to the attack of tropical cyclones | |
Yeung et al. | Lagrangian analyses of rainfall structure and evolution for organized thunderstorm systems in the urban corridor of the northeastern United States | |
Kerns et al. | Four years of tropical ERA-40 vorticity maxima tracks. Part I: Climatology and vertical vorticity structure | |
del Moral et al. | Identification of anomalous motion of thunderstorms using daily rainfall fields | |
Voormansik et al. | Thunderstorm hail and lightning detection parameters based on dual‐polarization D oppler weather radar data | |
CN113238230B (zh) | 一种针对电网生产的夏季强对流引起的大风预警方法 | |
Otsuka et al. | Characteristics of Himawari-8 rapid scan atmospheric motion vectors utilized in mesoscale data assimilation | |
Li | Impact of assimilating Mode‐S EHS winds in the Met Office's high‐resolution NWP model | |
Fraile et al. | Noteworthy C-band radar parameters of storms on hail days in northwestern Spain | |
Helmert et al. | An operational tool to quality control 2D radar reflectivity data for assimilation in COSMO-DE | |
Siqueira et al. | Tracking and short-term forecasting of mesoscale convective cloud clusters over southeast Brazil using satellite infrared imagery | |
Joyner | Optimizing peak gust and maximum sustained wind speed estimates from mid-latitude wave cyclones | |
Goudenhoofdt | Precipitation Estimation from Weather Radar Measurements: Statistical Analysis of Convective Storms and Extreme Rainfall | |
Sene et al. | Meteorological Forecasting | |
Fenton Jr et al. | Ceiling and Visibility Analysis Products Assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Zhejiang meteorological disaster prevention and Mitigation Center (Zhejiang meteorological building), no.256 Guokang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG METEOROLOGICAL OBSERVATORY Address before: 310021 Zhejiang Meteorological Science and Technology Building, 73 Genshan Road, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG METEOROLOGICAL OBSERVATORY |
|
GR01 | Patent grant | ||
GR01 | Patent grant |