CN110119494A - 一种基于主被动微波遥感观测的热带气旋自动定强方法 - Google Patents
一种基于主被动微波遥感观测的热带气旋自动定强方法 Download PDFInfo
- Publication number
- CN110119494A CN110119494A CN201811651763.7A CN201811651763A CN110119494A CN 110119494 A CN110119494 A CN 110119494A CN 201811651763 A CN201811651763 A CN 201811651763A CN 110119494 A CN110119494 A CN 110119494A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sca
- microwave
- rad
- satellite
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Radiation Pyrometers (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种基于主被动微波遥感观测的热带气旋自动定强方法,该方法基于相关向量机联合主被动微波遥感观测的热带气旋;自动获取微波辐射计亮度温度、微波散射计海表面风场的信息;然后依据热带气旋强度估计模型对过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的亮度温度和海表面风场的信息进行处理,最后得到热带气旋中心附近地面的热带气旋等级。本发明方法处理过程简单、实用性强、成本低、精度高、易于操作,对热带气旋强度估计系统性能不需做任何假设。
Description
技术领域
本发明涉及台风领域的遥感数据处理,更特别地说,是指一种基于主被动微波遥感观测的热带气旋自动定强方法。
背景技术
台风是发生在热带洋面上的强烈气旋性涡旋,也称为热带气旋,台风造成灾害的严重性、多发性已为世人所瞩目,台风造成的危害极大,具有很强的破坏力,当台风袭来时,往往伴有狂风、暴雨、巨浪和风暴潮,有时还能引起海啸。据世界气象组织报告,全球每年死于台风的人数约为2~3万人,直接经济损失达数十亿美元,70%以上的海难都与台风和热带风暴有关,故人们常将台风称为制造海难的头号“元凶”。
台风定位定强是台风预报的基础,台风定位定强的准确性不仅会影响到台风路径和强度预报,也会影响到台风大风、暴雨甚至风暴潮预报的准确性。因此,对热带气旋中心、强度的准确估计对于我们预报热带气旋的路径和发展具有重要意义,准确的台风定位定强分析可以起到趋利避害的作用,最大限度地减少台风灾害和损失。
台风生成于热带或副热带洋面,而海洋是常规观测的盲区,地面雷达探测距离有限,气象卫星则具有观测范围广、观测时次多等特点,因此自20世纪60年代气象卫星投入业务运行以来,卫星云图就成为对台风进行全天候监测的主要手段,尤其是对远海台风的监测。从遥感卫星影像中可以获得许多与台风强度相关测参数,比如台风中心区及周围场的亮度温度、风场信息等。传统的光学遥感卫星提供了大量的数据分析台风的路径以及强度等。现在国际上通用的台风预报技术采用的是Dvorak技术,这套分析法利用了光学遥感影像的可见光与红外波段,根据不同的云型,基于一些限定规则和约束条件确定最终的强度指数。该套方法在1987年被世界气象组织正是通过使用。对于组织模糊的弱热带气旋或是迅速增强/减弱的热带气旋,Dvorak技术有一定的困难需要面对。低云和中云会被最顶层的云层遮蔽,红外影像很难探测到卷云下的中低层热带气旋特征,而随着微波技术的发展,微波遥感探测可以穿透上层卷云,探测到卷云下不同层次上的热带气旋内部信息。用微波影像分析热带气旋的结构相较于其他受限制的影像是非常有优势的。被动微波辐射计可以获得台风中心及其周围的亮度温度,微波散射计可以获得海表面风场。
发明内容
为了确定基于遥感卫星的热带气旋强度,本发明提出了一种基于主被动微波遥感观测的热带气旋自动定强方法。该方法通过最佳路径数据匹配的SSMIS微波辐射计和HY-2A微波散射计数据,提取与热带气旋强度相关的特征参数,然后选择最佳的微波辐射计参数和微波散射计参数作为候选参数,最后基于相关向量机的热带气旋强度估计模型获得热带气旋强度。本发明方法处理过程简单、实用性强、成本低、精度高、易于操作,基于主被动微波的联合,可以更好的分析热带气旋的强度。
本发明的一种基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于包括有下列步骤:
步骤一:获取微波散射计的海表面风场信息;
获取用微波散射计采集到的过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的卫星遥感数据中的海表面风场信息记为MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE};
A_sca1表示微波散射计采集的第一组卫星遥感数据;
A_sca2表示微波散射计采集的第二组卫星遥感数据;
A_scan表示微波散射计采集的第n组卫星遥感数据;
A_scaE表示微波散射计采集的最后一组卫星遥感数据;
n表示采集样本的标识号,所述中,为所述A_scan中的最大卫星遥感数据值,为所述A_scan中的最小卫星遥感数据值,为所述A_scan中的卫星遥感数据平均值,为所述A_scan中的卫星遥感数据的标准差值,为所述A_scan中与的差值;
步骤二:海表面风场相对遥感数据取;
从所述MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE}中选取出每一组海表面风场的最大卫星遥感数据值、最小卫星遥感数据值、卫星遥感数据平均值、卫星遥感数据的标准差值、以及最大与最小之间的差值,得到粗粒度—海表面风场信息MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差};
步骤三:采用线性回归获取海表面风场特征参数;
采用线性回归方法并依据CMA作为参考,对所述MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差}进行选取,得到最优的满足海表面风场的卫星遥感数据的一个,称为微波散射计-特征参数MMA,MMA∈MM;
步骤四:获取微波辐射计的海表面亮度温度信息;
获取用微波辐射计采集到的过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的卫星遥感数据中的海表面亮度温度信息记为MWP={P_rad1,P_rad2,…,P_radn,…,P_radF};
P_rad1表示微波辐射计采集的第一组卫星遥感数据;
P_rad2表示微波辐射计采集的第二组卫星遥感数据;
P_radn表示微波辐射计采集的第n组卫星遥感数据;
P_radF表示微波辐射计采集的最后一组卫星遥感数据;
所述中,为所述P_radF中的最大卫星遥感数据值,为所述P_radF中的最小卫星遥感数据值,为所述P_radF中的卫星遥感数据平均值,为所述P_radF中的卫星遥感数据的标准差值,为所述P_radF中与的差值;
步骤五:海表面亮度温度相对遥感数据取;
从所述MWP={P_rad1,P_rad2,…,P_radn,…,P_radF}中选取出每一组海表面亮度温度的最大卫星遥感数据值、最小卫星遥感数据值、卫星遥感数据平均值、卫星遥感数据的标准差值、以及最大与最小之间的差值,得到粗粒度—海表面亮度温度信息MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差};
步骤六:采用线性回归获取海表面亮度温度特征参数;
采用线性回归方法并依据CMA作为参考,对所述MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差}进行选取,得到最优的满足海表面亮度温度的卫星遥感数据的一个,称为微辐散射计-特征参数MMP,MMP∈MP;
步骤七:基于相关向量机的热带气旋强度处理;
选择出最优特征参数MMA、MMP后,采用基于相关向量机的热带气旋强度的处理,得到热带气旋强度;
所述中,X为特征向量,X={x1,x2,…,xn,…,xN},为第1组输入的特征参数向量,为第2组输入的特征参数向量,为任意一组输入的特征参数向量,为最后一组输入的特征参数向量,K为核函数,所述核函数选用Gauss核函数。
本发明方法的优点在于:
①本发明是一种同时利用主被动微波遥感数据实现热带气旋强度定强,比单独利用被动微波辐射计的方法在精度上有了提高。
②本发明利用RVM方法,能获得更稀疏化的模型和给出预测的概率信息,并且不受核函数必须满足Mercer条件的约束。
③本发明利用RVM非线性建模,对比传统的线性回归模型,精度有明显提高。
④本发明在回归拟合时采用RVM模型的方法,在样本量少的情况下,模型的稳定性高。
附图说明
图1是本发明基于主被动微波遥感观测的热带气旋自动定强方法的流程图。
图2是本发明的基于向量机的模型图。
图3A是HY-2A在第1个波段的时间序列遥感影像图。
图3B是AAMIS在第1个波段的时间序列遥感影像图。
图4A是HY-2A在第2个波段的时间序列遥感影像图。
图4B是AAMIS在第2个波段的时间序列遥感影像图。
图5A是HY-2A在第3个波段的时间序列遥感影像图。
图5B是AAMIS在第3个波段的时间序列遥感影像图。
图6A是HY-2A在第4个波段的时间序列遥感影像图。
图6B是AAMIS在第4个波段的时间序列遥感影像图。
图7A是HY-2A在第5个波段的时间序列遥感影像图。
图7B是AAMIS在第5个波段的时间序列遥感影像图。
图8A是HY-2A在第6个波段的时间序列遥感影像图。
图8B是AAMIS在第6个波段的时间序列遥感影像图。
图9A是HY-2A在第7个波段的时间序列遥感影像图。
图9B是AAMIS在第7个波段的时间序列遥感影像图。
图10是经本发明方法的热带气旋强度时间序列值图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的详细说明。
在本发明中,应用中国气象局公布的最佳路径数据作为参考对比用,简称CMA。最佳路径数据CMA是目前最接近真值的数据。根据中国气象局“关于实施热带气旋等级国家标准”GB/T 19201-2006的通知,热带气旋按中心附近地面最大风速划分为六个等级。即:
超强台风(Super TY):底层中心附近最大平均风速≥51.0米/秒;
强台风(STY):底层中心附近最大平均风速41.5~50.9米/秒;
台风(TY):底层中心附近最大平均风速32.7~41.4米/秒;
强热带风暴(STS):底层中心附近最大平均风速24.5~32.6米/秒;
热带风暴(TS):底层中心附近最大平均风速17.2~24.4米/秒;
热带低压(TD):底层中心附近最大平均风速10.8~17.1米/秒。
读取微波散射计(HY-2A)采集到的卫星遥感数据;
在本发明中,将热带气旋发生时用微波散射计(HY-2A)采集到的卫星遥感数据中的海表面风场信息记为MWA,且MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE},A_sca1表示微波散射计采集的第一组卫星遥感数据,A_sca2表示微波散射计采集的第二组卫星遥感数据,A_scan表示微波散射计采集的第n组卫星遥感数据,n表示采集样本的标识号,A_scaE表示微波散射计采集的最后一组卫星遥感数据,E表示微波散射计采集的卫星遥感数据的总组数,一般地,E的取值为大于等于100组。
所述中,为所述A_sca1中的最大卫星遥感数据值,为所述A_sca1中的最小卫星遥感数据值,为所述A_sca1中的卫星遥感数据平均值,为所述A_sca1中的卫星遥感数据的标准差值,为所述A_sca1中与的差值,简称为第一组差值。
所述中,为所述A_sca2中的最大卫星遥感数据值,为所述A_sca2中的最小卫星遥感数据值,为所述A_sca2中的卫星遥感数据平均值,为所述A_sca2中的卫星遥感数据的标准差值,为所述A_sca2中与的差值,简称为第二组差值。
所述中,为所述A_scan中的最大卫星遥感数据值,为所述A_scan中的最小卫星遥感数据值,为所述A_scan中的卫星遥感数据平均值,为所述A_scan中的卫星遥感数据的标准差值,为所述A_scan中与的差值,简称为第n组差值。
所述中,为所述A_scaE中的最大卫星遥感数据值,为所述A_scaE中的最小卫星遥感数据值,为所述A_scaE中的卫星遥感数据平均值,为所述A_scaE中的卫星遥感数据的标准差值,为所述A_scaE中与的差值,简称为最后一组差值。
从A_sca1、A_sca2、A_scan和A_scaE中提取出最大卫星遥感数据值,得到海表面风场的最大-数据值集
从A_sca1、A_sca2、A_scan和A_scaE中提取出最小卫星遥感数据值,得到海表面风场的最小-数据值集
从A_sca1、A_sca2、A_scan和A_scaE中提取出卫星遥感数据平均值,得到海表面风场的平均-数据值集
从A_sca1、A_sca2、A_scan和A_scaE中提取出卫星遥感数据的标准差值,得到海表面风场的标准差-数据值集
从A_sca1、A_sca2、A_scan和A_scaE中提取出每一组卫星遥感数据的最大与最小的差值,得到海表面风场的差值-数据值集
在本发明中,将上述提取的SCAmax、SCAmin、SCAmean、SCAstd和SCA差记为粗粒度—海表面风场信息MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差}。然后,采用线性回归方法并依据CMA作为参考,对所述MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差}进行选取,得到最优的满足卫星遥感数据的一个,称为微波散射计-特征参数MMA,MMA∈MM。
读取微波辐射计(SSMIS)采集到的卫星遥感数据;
在本发明中,将热带气旋发生时用微波辐射计(SSMIS)采集到的卫星遥感数据中的海表面亮度温度信息记为MWP,且MWP={P_rad1,P_rad2,…,P_radn,…,P_radF},P_rad1表示微波辐射计采集的第一组卫星遥感数据,P_rad2表示微波辐射计采集的第二组卫星遥感数据,P_radn表示微波辐射计采集的第n组卫星遥感数据,n表示采集样本的标识号,P_radF表示微波辐射计采集的最后一组卫星遥感数据,F表示微波辐射计采集的卫星遥感数据的总组数,一般地,F的取值为大于等于100组。在本发明中,微波辐射计(SSMIS)与微波散射计(HY-2A)的个数是配对使用的,也就是数量是相同的。
所述中,为所述P_rad1中的最大卫星遥感数据值,为所述P_rad1中的最小卫星遥感数据值,为所述P_rad1中的卫星遥感数据平均值,为所述P_rad1中的卫星遥感数据的标准差值,为所述P_rad1中与的差值,简称为第一组差值。
所述中,为所述P_rad2中的最大卫星遥感数据值,为所述P_rad2中的最小卫星遥感数据值,为所述P_rad2中的卫星遥感数据平均值,为所述P_rad2中的卫星遥感数据的标准差值,为所述P_rad2中与的差值,简称为第二组差值。
所述中,为所述P_radF中的最大卫星遥感数据值,为所述P_radF中的最小卫星遥感数据值,为所述P_radF中的卫星遥感数据平均值,为所述P_radF中的卫星遥感数据的标准差值,为所述P_radF中与的差值,简称为第n组差值。
所述中,为所述P_radF中的最大卫星遥感数据值,为所述P_radF中的最小卫星遥感数据值,为所述P_radF中的卫星遥感数据平均值,为所述P_radF中的卫星遥感数据的标准差值,为所述P_radF中与的差值,简称为最后一组差值。
从P_rad1、P_rad2、P_radn和P_radF中提取出最大卫星遥感数据值,得到海表面亮度温度的最大-数据值集
从P_rad1、P_rad2、P_radn和P_radF中提取出最小卫星遥感数据值,得到海表面亮度温度的最小-数据值集
从P_rad1、P_rad2、P_radn和P_radF中提取出卫星遥感数据平均值,得到海表面亮度温度的平均-数据值集
从P_rad1、P_rad2、P_radn和P_radF中提取出卫星遥感数据的标准差值,得到海表面亮度温度的标准差-数据值集
从P_rad1、P_rad2、P_radn和P_radF中提取出每一组卫星遥感数据的最大与最小的差值,得到海表面亮度温度的差值-数据值集
在本发明中,将上述提取的SCPmax、SCPmin、SCPmean、SCPstd和SCP差记为粗粒度—海表面亮度温度信息MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差}。然后,采用线性回归方法并依据CMA作为参考,对所述MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差}进行选取,得到最优的满足海表面亮度温度的卫星遥感数据的一个,称为微波辐射计-特征参数MMP,MMP∈MP。
本发明的一种基于主被动微波遥感观测的热带气旋自动定强方法,是一种能够明显提高热带气旋定强精度的方法,具体包括有三部分内容,第一部分为卫星遥感数据的获取、第二部分为线性回归特征参数的获取、第三部分的基于向量机(Relevance VectorMachine,RVM)的热带气旋强度识别。
第一部分:卫星遥感数据的获取;
在本发明中,卫星遥感数据选择的是过境时间接近一小时内的、台风中心经纬度0.5度~2.5度范围内的微波散射计和微波辐射计采集到的海表面亮度温度和海表面风场信息。
由于最佳路径资料选择中国气象局(CMA)发布的最佳路径数据,因此与CMA对比选取每一组的海表面亮度温度和海表面风场信息中的相对遥感数据。
以台风中心为同心圆和同心圆环的0.5~2.5度范围获取的参数,其参数可以是最大值、最小值、平均值、标准差、最大值与最小值的差值、最大值的平均值、平均值的最小值等。
第二部分:线性回归特征参数的获取;
对获取的亮度温度和海表面风场数据采用回归分析,选择各自最优的特征参数。
第三部分:热带气旋强度获取;
采用基于相关向量机(Relevance Vector Machine,RVM)的方法对最优特征参数的处理,从而得到热带气旋强度。将所述热带气旋强度与CMA规定的等级进行比对,得到热带气旋强度的等级。
RVM是基于贝叶斯的概率学习模型,能获得更稀疏化的模型和给出预测的概率信息。对于采样样本记为
N表示采样样本的总数,即N∈E,E=F;
n表示采样样本的标识号,n∈N;
xn表示输入的特征参数向量第n组值,
为微波散射计采集的第n组卫星遥感数据A_scan中的卫星遥感数据平均值;
为微波辐射计采集的第n组卫星遥感数据P_radn中的最小卫星遥感数据值;
tn表示输出的热带气旋强度向量,在实施例1中输入和输出向量都是独立同分布,则有tn=y(xn;W)+εn,W=[w0,w1,...,wn,…wN]T;
y为估计的热带气旋强度向量;
W为权值向量;
w0为初始权重值;
w1为第1个权重值;
wn为第n个权重值;
wN为最后一个权重值;
εn为独立同分布的高斯噪声;
上角标T是转置符。
本发明的热带气旋强度估计模型记为X为特征向量,X={x1,x2,…,xn,…,xN},为第1组输入的特征参数向量,为第2组输入的特征参数向量,为任意一组输入的特征参数向量,为最后一组输入的特征参数向量,K为核函数,所述核函数选用Gauss核函数。
实施例1
参见图1所示,在实施例1中,采集时刻是过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的微波散射计(HY-2A)和微波辐射计(SSMIS)的亮度温度和海表面风场。
HY-2A微波散射计搭载了Ku波段旋转扇形束散射计(KU-RSCAT),是目前唯一的主动笔形散射计。其在当地时间6:00降交点过境,在当地时间18:00升交点过境。在本发明中选择了在国防气象卫星计划(DMSP)上搭载的F17 SSMIS微波成像仪。SSMIS是被动微波辐射计,它能提供海洋表面的亮度温度等信息。SSMIS在4个频段(19GHz、22GHz、37GHz和91GHz)上拥有7个波段(除了22GHz只有V极化)。HY-2A卫星微波散射计数据可通过国家卫星海洋应用服务中心(NSOAS)获得。SSMIS数据可通过NOAA数据中心的综合大型阵列数据管理系统获得。
步骤一:获取微波散射计的海表面风场信息;
获取用微波散射计(HY-2A)采集到的过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的卫星遥感数据中的海表面风场信息记为MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE},E=409。
A_sca1表示微波散射计采集的第一组卫星遥感数据。
A_sca2表示微波散射计采集的第二组卫星遥感数据。
A_scan表示微波散射计采集的第n组卫星遥感数据。
A_scaE表示微波散射计采集的最后一组卫星遥感数据。
步骤二:海表面风场相对遥感数据取;
从所述MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE}中选取出每一组海表面风场的最大卫星遥感数据值、最小卫星遥感数据值、卫星遥感数据平均值、卫星遥感数据的标准差值、以及最大与最小之间的差值,得到粗粒度—海表面风场信息MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差}。
步骤三:采用线性回归获取海表面风场特征参数;
采用线性回归方法并依据CMA作为参考,对所述MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差}进行选取,得到最优的满足海表面风场的卫星遥感数据的一个,称为微波散射计-特征参数MMA,MMA∈MM。
步骤四:获取微波辐射计的海表面亮度温度信息;
获取用微波辐射计(F17SSMIS)采集到的过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的卫星遥感数据中的海表面亮度温度信息记为MWP={P_rad1,P_rad2,…,P_radn,…,P_radF},F=409。
P_rad1表示微波辐射计采集的第一组卫星遥感数据。
P_rad2表示微波辐射计采集的第二组卫星遥感数据。
P_radn表示微波辐射计采集的第n组卫星遥感数据。
P_radF表示微波辐射计采集的最后一组卫星遥感数据。
步骤五:海表面亮度温度相对遥感数据取;
从所述MWP={P_rad1,P_rad2,…,P_radn,…,P_radF}中选取出每一组海表面亮度温度的最大卫星遥感数据值、最小卫星遥感数据值、卫星遥感数据平均值、卫星遥感数据的标准差值、以及最大与最小之间的差值,得到粗粒度—海表面亮度温度信息MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差}。
步骤六:采用线性回归获取海表面亮度温度特征参数;
采用线性回归方法并依据CMA作为参考,对所述MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差}进行选取,得到最优的满足海表面亮度温度的卫星遥感数据的一个,称为微辐散射计-特征参数MMP,MMP∈MP。
实施例1中,选择中国气象局发布的最佳路径数据CMA,所述最佳路径数据CMA可以每隔六个小时提供热带气旋的中心位置和最大风速。最佳路径强度初始根据Dvorak(译文为德洛夏克,1984年9月)技术估算,然后根据观测方式修正,比如航空飞机观测、站点、多普勒雷达等。因此,最佳路径数据是目前最接近真值的数据。
利用2012-2017年的数据开展热带气旋强度的分析和验证研究。首先,根据CMA最佳路径数据匹配HY-2A散射计和SSMIS辐射计数据。匹配的基本原则是对同一个热带气旋的观测,数据获取时间在一小时之内、台风中心经纬度0.5~2.5度范围内。最终,选中了120个热带气旋的409个有效数据。其中一些数据作为训练数据,另一部分数据作为验证数据。具体的数据信息如表1所示。
表1训练数据和验证数据
依据Cecil and Zipser(Cecil等,1999年1月)公开的“Data and methods”章节内容,利用热带气旋中心同心圆和圆环计算散射计的海表面风场参数和辐射计的亮度温度参数。由于最佳路径数据获取的时间间隔是6小时,因此,需要根据卫星数据获取时间查找最近的两个最佳路径数据,然后线性插值得到参考真值。
依据Shunsuke H(Shunsuke等,2007年8月)公开的“Methodology”章节内容进行参数的途径的选择。一种是同心圆环,以热带气旋中心为圆心,从0.5°到2.5°间隔0.25°取半径范围的值。另一种方法是从0.5°到2.5°间隔0.25°的同心圆环取数值(例如,半径为1°的内环和半径为1.25°的外环,两者之间的圆环范围)。然后,分别计算范围内数值的最大值(MAX)、最小值(MIN)、平均值(MEAN)、标准差(STD)、最大值-最小值(MAX_MIN)、最大值-平均值(MAX_MEAN)、平均值-最小值(MEAN_MIN)。由于参数众多,统一命名规则如下。对于SSMIS的亮度温度参数,首先是频率和极化方式(例如,TB19H代表19GHz的水平极化);然后是参数类型(TB19H_MEAN);最后是圆环或同心圆的表示(参考“Estimation of TropicalCyclone's Intensity Using TRMM/TMI Brightness Temperature Data”中的图2所示,例如TB19H_MEAN_A10125表示内环半径1°,外环半径1.25°的19GHz水平极化的亮度温度的平均值)。对于HY-2A散射计参数表示与辐射计类似(SSW_MEAN_A10125或者SSW_MEAN_C10等)。
所述“Data and methods”章节出版于1999年1月的《MONTHLY WEATHER REVIEW》,作者Cecil and Zipser,“Relationships between Tropical Cyclone Intensity andSatellite-Based Indicators of Inner Core Convection:85-GHz Ice-ScatteringSignature and Lightning”译文为“热带气旋强度与内核对流卫星指标的关系:85-GHz冰晶散射特征与闪电”。
所述“Methodology”章节出版于2007年3月的《Journal of the MeteorologicalSociety of Japan》,作者Shunsuke H,“Estimation of Tropical Cyclone's IntensityUsing TRMM/TMI Brightness Temperature Data”译文为“基于TRMM/TMI亮度温度数据的热带气旋强度估计”。
采用线性回归方法对获得的微波辐射计和微波散射计的参数进行回归分析,选择各自最优特征参数。其中最优的10个相关的亮度温度参数如表2所示。表中给出了相关系数和均方根误差。最高的相关系数是TB19H_MIN_C10。
表2高相关的亮度温度参数
亮度温度参数 | 相关系数 | 均方根误差(m/s) |
TB19H_MIN_C10 | 0.8440 | 6.667 |
TB37H_MIN_C125 | 0.8410 | 6.718 |
TB19H_MIN_C125 | 0.8270 | 6.981 |
TB37H_MIN_C10 | 0.8261 | 7.000 |
TB19H_MIN_C75 | 0.8258 | 7.005 |
TB19H_MIN_A7510 | 0.8167 | 7.168 |
TB19V_MIN_C10 | 0.8152 | 7.194 |
TB37H_MIN_A7510 | 0.8139 | 7.218 |
TB37H_MIN_C15 | 0.8139 | 7.218 |
TB37H_MIN_A10125 | 0.8107 | 7.272 |
最优的10个相关的海表面风场参数如表3所示。表中给出了相关系数和均方根误差。最高的相关系数是SSW_MEAN_C10。
表3高相关的海表面风场参数
海表面风场参数 | 相关系数 | 均方根误差(m/s) |
SSW_MEAN_C10 | 0.822 | 7.096 |
SSW_MEAN_C125 | 0.821 | 7.100 |
SSW_MEAN_C15 | 0.815 | 7.201 |
SSW_MIN_C10 | 0.810 | 7.287 |
SSW_MEAN_C75 | 0.808 | 7.240 |
SSW_MEAN_C175 | 0.805 | 7.375 |
SSW_MIN_A7510 | 0.799 | 7.202 |
SSW_MEAN_C20 | 0.794 | 7.566 |
SSW_MEAN_A7510 | 0.789 | 7.356 |
SSW_MEAN_C225 | 0.780 | 7.777 |
最终选择的特征参数为微波辐射计亮度温度参数:TB19H_MIN_C10,即MMP,所述MMP则为最小-数据值集SCPmin,微波散射计海表面风场参数:SSW_MEAN_C10,即MMA,所述MMA则为平均-数据值集SCAmean,
步骤七:基于相关向量机的热带气旋强度处理;
在实施例1中,确定选择出最优特征参数(SCPmin、SCAmean)后,基于相关向量机(Relevance Vector Machine,RVM)的热带气旋强度估计模型的处理为:
RVM是基于贝叶斯的概率学习模型,能获得更稀疏化的模型和给出预测的概率信息。对于采样样本记为
N表示采样样本的总数,N∈E,E=F;
n表示采样样本的标识号,n∈N;
xn表示输入的特征参数向量第n组值,
为微波散射计采集的第n组卫星遥感数据A_scan中的卫星遥感数据平均值;
为微波辐射计采集的第n组卫星遥感数据P_radn中的最小卫星遥感数据值;
tn表示输出的热带气旋强度向量,在实施例1中输入和输出向量都是独立同分布,则有tn=y(xn;W)+εn,W=[w0,w1,...,wn,…wN]T;
y为估计的热带气旋强度向量;
W为权值向量;
w0为初始权重值;
w1为第1个权重值;
wn为第n个权重值;
wN为最后一个权重值;
εn为独立同分布的高斯噪声;
上角标T是转置符。
本发明的热带气旋强度估计模型记为X为特征向量,X={x1,x2,…,xn,…,xN},为第1组输入的特征参数向量,为第2组输入的特征参数向量,为任意一组输入的特征参数向量,为最后一组输入的特征参数向量,K为核函数,所述核函数选用Gauss核函数。
采用热带气旋强度估计模型用于表1中验证数据的热带气旋强度预测,并基于CMA最佳路径数据验证预测精度,验证结果如图2所示,图中水平轴是估算的热带气旋强度,垂直轴是CMA最佳路径强度数据。实线是回归线,虚线是y=x线。验证结果的相关系数是0.858,拟合R2是0.734,均方根误差(RMSE)是6.5m/s,平均绝对误差(MAE)是5.81m/s。
超强台风Soudelor(1513,4个频段、7个波段采集的遥感影像图,图3A~图9B,“A”为微波散射计采样的,“B”为微波辐射计采样的)作为分析案例,采用本发明的热带气旋强度时间序列值如图10所示。CMA为中国气象局的参数,JMA为日本气象厅的参数,JIWC为美国联合预警中心的参数,RVM为本发明方法的参数。从图10中结果表明,当台风形状较规则时,由得到的热带气旋的最大风速接近最佳路径数据的最大风速。但在热带气旋发展成熟阶段,最大风速将被低估。尤其风速大于60m/s时,最大风速低估明显。
目前存在的估计热带气旋强度的方法的比较。比较均方根误差(RMSE)和平均绝对误差(MAE)的结果统计如表4所示。注意在一些算法中,风速单位用的是Knot,在本文中转换为m/s,转换公式如下所示。从表4可以看出,本发明的估算精度与其他算法估算精度相当。
表4本发明与现有的估计算法比较
技术/作者 | 数据 | RMSE(m/s) | MAE(m/s) |
BANKERT(2002) | SSM/I | 9.31 | 7.36 |
DEMUTH(2004,2006) | AMSU | 7.25 | 5.56 |
HOSHINO(2007) | TRMM | 8.00 | - |
Kossin et al.(2007) | Stationary satellite | 8.59 | 6.79 |
FASI(2013) | HURSAT | 6.53 | 5.61 |
本发明方法 | SSMIS,HY-2A | 6.50 | 5.81 |
1Knot=1852/3600m/s
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于包括有下列步骤:
步骤一:获取微波散射计的海表面风场信息;
获取用微波散射计采集到的过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的卫星遥感数据中的海表面风场信息记为MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE};
A_sca1表示微波散射计采集的第一组卫星遥感数据;
A_sca2表示微波散射计采集的第二组卫星遥感数据;
A_scan表示微波散射计采集的第n组卫星遥感数据;
A_scaE表示微波散射计采集的最后一组卫星遥感数据;
n表示采集样本的标识号,所述中,为所述A_scan中的最大卫星遥感数据值,为所述A_scan中的最小卫星遥感数据值,为所述A_scan中的卫星遥感数据平均值,为所述A_scan中的卫星遥感数据的标准差值,为所述A_scan中与的差值;
步骤二:海表面风场相对遥感数据取;
从所述MWA={A_sca1,A_sca2,…,A_scan,…,A_scaE}中选取出每一组海表面风场的最大卫星遥感数据值、最小卫星遥感数据值、卫星遥感数据平均值、卫星遥感数据的标准差值、以及最大与最小之间的差值,得到粗粒度—海表面风场信息MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差};
步骤三:采用线性回归获取海表面风场特征参数;
采用线性回归方法并依据CMA作为参考,对所述MM={SCAmax,SCAmin,SCAmean,SCAstd,SCA差}进行选取,得到最优的满足海表面风场的卫星遥感数据的一个,称为微波散射计-特征参数MMA,MMA∈MM;
步骤四:获取微波辐射计的海表面亮度温度信息;
获取用微波辐射计采集到的过境时间接近一小时内、台风中心经纬度0.5~2.5度范围内的卫星遥感数据中的海表面亮度温度信息记为MWP={P_rad1,P_rad2,…,P_radn,…,P_radF};
P_rad1表示微波辐射计采集的第一组卫星遥感数据;
P_rad2表示微波辐射计采集的第二组卫星遥感数据;
P_radn表示微波辐射计采集的第n组卫星遥感数据;
P_radF表示微波辐射计采集的最后一组卫星遥感数据;
所述中,为所述P_radF中的最大卫星遥感数据值,为所述P_radF中的最小卫星遥感数据值,为所述P_radF中的卫星遥感数据平均值,为所述P_radF中的卫星遥感数据的标准差值,为所述P_radF中与的差值;
步骤五:海表面亮度温度相对遥感数据取;
从所述MWP={P_rad1,P_rad2,…,P_radn,…,P_radF}中选取出每一组海表面亮度温度的最大卫星遥感数据值、最小卫星遥感数据值、卫星遥感数据平均值、卫星遥感数据的标准差值、以及最大与最小之间的差值,得到粗粒度—海表面亮度温度信息MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差};
步骤六:采用线性回归获取海表面亮度温度特征参数;
采用线性回归方法并依据CMA作为参考,对所述MP={SCPmax,SCPmin,SCPmean,SCPstd,SCP差}进行选取,得到最优的满足海表面亮度温度的卫星遥感数据的一个,称为微辐散射计-特征参数MMP,MMP∈MP;
步骤七:基于相关向量机的热带气旋强度处理;
选择出最优特征参数MMA、MMP后,采用基于相关向量机的热带气旋强度的处理,得到热带气旋强度;
所述中,X为特征向量,X={x1,x2,…,xn,…,xN},为第1组输入的特征参数向量,为第2组输入的特征参数向量,为任意一组输入的特征参数向量,为最后一组输入的特征参数向量,K为核函数,所述核函数选用Gauss核函数。
2.根据权利要求1所述的基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于:对热带气旋强度估计不需做任何假设。
3.根据权利要求1或2所述的基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于:微波散射计采集的数据为主动遥感信息,微波辐射计采集的数据为被动遥感信息。
4.根据权利要求1或2所述的基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于:相关向量机的采样样本记为
N表示采样样本的总数;
n表示采样样本的标识号,n∈N;
xn表示输入的特征参数向量第n组值,
为微波散射计采集的第n组卫星遥感数据A_scan中的卫星遥感数据平均值;
为微波辐射计采集的第n组卫星遥感数据P_radn中的最小卫星遥感数据值;
tn表示输出的热带气旋强度向量,且tn=y(xn;W)+εn,W=[w0,w1,...,wn,…wN]T;
y为估计的热带气旋强度向量;
W为权值向量;
w0为初始权重值;
w1为第1个权重值;
wn为第n个权重值;
wN为最后一个权重值;
εn为独立同分布的高斯噪声;
上角标T是转置符。
5.根据权利要求1或2所述的基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于:微波散射计与微波辐射计采样数相同,且为409。
6.根据权利要求1或2所述的基于主被动微波遥感观测的热带气旋自动定强方法,其特征在于:微波散射计的型号是HY-2A卫星微波散射计,微波辐射计的型号是F17 SSMIS微波成像仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811651763.7A CN110119494B (zh) | 2018-12-31 | 2018-12-31 | 一种基于主被动微波遥感观测的热带气旋自动定强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811651763.7A CN110119494B (zh) | 2018-12-31 | 2018-12-31 | 一种基于主被动微波遥感观测的热带气旋自动定强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119494A true CN110119494A (zh) | 2019-08-13 |
CN110119494B CN110119494B (zh) | 2023-03-31 |
Family
ID=67520237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811651763.7A Active CN110119494B (zh) | 2018-12-31 | 2018-12-31 | 一种基于主被动微波遥感观测的热带气旋自动定强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119494B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461427A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院空天信息创新研究院 | 热带气旋强度预报信息的生成方法及系统 |
US20210264781A1 (en) * | 2020-02-24 | 2021-08-26 | Hyundai Motor Company | Bad weather judgment apparatus and bad weather judgment method thereof |
CN114723997A (zh) * | 2022-04-29 | 2022-07-08 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
CN114723997B (zh) * | 2022-04-29 | 2024-05-31 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036462A (zh) * | 2014-06-06 | 2014-09-10 | 南京大学 | 一种利用静止气象卫星图像估计西北太平洋热带气旋强度的方法 |
US20150332146A1 (en) * | 2014-05-15 | 2015-11-19 | National Taiwan University | Device and method for comparison of multiple tropical cyclone routes |
CN107230197A (zh) * | 2017-05-27 | 2017-10-03 | 浙江师范大学 | 基于卫星云图和rvm的热带气旋客观定强方法 |
CN108596380A (zh) * | 2018-04-18 | 2018-09-28 | 中国科学院国家空间科学中心 | 一种海面台风风场的定量探测方法 |
-
2018
- 2018-12-31 CN CN201811651763.7A patent/CN110119494B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150332146A1 (en) * | 2014-05-15 | 2015-11-19 | National Taiwan University | Device and method for comparison of multiple tropical cyclone routes |
CN104036462A (zh) * | 2014-06-06 | 2014-09-10 | 南京大学 | 一种利用静止气象卫星图像估计西北太平洋热带气旋强度的方法 |
CN107230197A (zh) * | 2017-05-27 | 2017-10-03 | 浙江师范大学 | 基于卫星云图和rvm的热带气旋客观定强方法 |
CN108596380A (zh) * | 2018-04-18 | 2018-09-28 | 中国科学院国家空间科学中心 | 一种海面台风风场的定量探测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210264781A1 (en) * | 2020-02-24 | 2021-08-26 | Hyundai Motor Company | Bad weather judgment apparatus and bad weather judgment method thereof |
US11580854B2 (en) * | 2020-02-24 | 2023-02-14 | Hyundai Motor Company | Bad weather judgment apparatus and bad weather judgment method thereof |
CN111461427A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院空天信息创新研究院 | 热带气旋强度预报信息的生成方法及系统 |
WO2021196743A1 (zh) * | 2020-03-31 | 2021-10-07 | 中国科学院空天信息创新研究院 | 热带气旋强度预报信息的生成方法及系统 |
CN114723997A (zh) * | 2022-04-29 | 2022-07-08 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
CN114723997B (zh) * | 2022-04-29 | 2024-05-31 | 厦门大学 | 基于Tropical代数的复合型卷积运算方法、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110119494B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mitchell et al. | The national severe storms laboratory tornado detection algorithm | |
Haeffelin et al. | Evaluation of mixing-height retrievals from automatic profiling lidars and ceilometers in view of future integrated networks in Europe | |
Handwerker | Cell tracking with TRACE3D—A new algorithm | |
Snook et al. | Multiscale EnKF assimilation of radar and conventional observations and ensemble forecasting for a tornadic mesoscale convective system | |
CN109814175B (zh) | 一种基于卫星的强对流监测方法及其应用 | |
Snook et al. | Prediction and ensemble forecast verification of hail in the supercell storms of 20 May 2013 | |
Yang et al. | Structural and intensity changes of concentric eyewall typhoons in the western North Pacific basin | |
Cocks et al. | Variability of the outer wind profiles of western North Pacific typhoons: Classifications and techniques for analysis and forecasting | |
Lakshmanan et al. | Data mining storm attributes from spatial grids | |
Reid et al. | The Australian northwest cloudband: Climatology, mechanisms, and association with precipitation | |
Sieglaff et al. | A satellite-based convective cloud object tracking and multipurpose data fusion tool with application to developing convection | |
Klotz et al. | Examination of surface wind asymmetries in tropical cyclones. Part I: General structure and wind shear impacts | |
Peterson et al. | Thunderstorm cloud-type classification from space-based lightning imagers | |
Zhang et al. | Identifying Doppler velocity contamination caused by migrating birds. Part I: Feature extraction and quantification | |
CN110119494A (zh) | 一种基于主被动微波遥感观测的热带气旋自动定强方法 | |
Hart et al. | The challenge of forecasting significant tornadoes from June to October using convective parameters | |
Kuster et al. | Using ZDR columns in forecaster conceptual models and warning decision-making | |
Britt et al. | Effects of horizontal grid spacing and inflow environment on forecasts of cyclic mesocyclogenesis in NSSL’s Warn-on-Forecast System (WoFS) | |
Smith et al. | WSR-88D tornado intensity estimates. Part II: Real-time applications to tornado warning time scales | |
Wang et al. | Novel tornado detection using an adaptive neuro-fuzzy system with S-band polarimetric weather radar | |
Zhang et al. | Contrail recognition with convolutional neural network and contrail parameterizations evaluation | |
Zuo et al. | Identification of convective and stratiform clouds based on the improved DBSCAN clustering algorithm | |
Miller et al. | A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode | |
Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
Wang et al. | Tornado detection using a neuro–fuzzy system to integrate shear and spectral signatures |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |