CN110119494B - 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 PDF

Info

Publication number
CN110119494B
CN110119494B CN201811651763.7A CN201811651763A CN110119494B CN 110119494 B CN110119494 B CN 110119494B CN 201811651763 A CN201811651763 A CN 201811651763A CN 110119494 B CN110119494 B CN 110119494B
Authority
CN
China
Prior art keywords
remote sensing
sca
sensing data
satellite remote
rad
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.)
Active
Application number
CN201811651763.7A
Other languages
English (en)
Other versions
CN110119494A (zh
Inventor
杨晓峰
相坤生
汪胜
马文韬
于暘
刘桂红
李紫薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sanya Zhongke Remote Sensing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Sanya Zhongke Remote Sensing Research Institute
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sanya Zhongke Remote Sensing Research Institute, Institute of Remote Sensing and Digital Earth of CAS filed Critical Sanya Zhongke Remote Sensing Research Institute
Priority to CN201811651763.7A priority Critical patent/CN110119494B/zh
Publication of CN110119494A publication Critical patent/CN110119494A/zh
Application granted granted Critical
Publication of CN110119494B publication Critical patent/CN110119494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种基于主被动微波遥感观测的热带气旋自动定强方法
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
Figure BDA0001933144760000021
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
Figure BDA0001933144760000022
中，
Figure BDA0001933144760000023
为所述A_scan中的最大卫星遥感数据值，/>
Figure BDA0001933144760000024
为所述A_scan中的最小卫星遥感数据值，/>
Figure BDA0001933144760000025
为所述A_scan中的卫星遥感数据平均值，/>
Figure BDA0001933144760000026
为所述A_scan中的卫星遥感数据的标准差值，/>
Figure BDA0001933144760000027
为所述A_scan中/>
Figure BDA0001933144760000028
与/>
Figure BDA0001933144760000029
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
Figure BDA0001933144760000031
中，/>
Figure BDA0001933144760000032
为所述P_radF中的最大卫星遥感数据值，/>
Figure BDA0001933144760000033
为所述P_radF中的最小卫星遥感数据值，/>
Figure BDA0001933144760000034
为所述P_radF中的卫星遥感数据平均值，/>
Figure BDA0001933144760000035
为所述P_radF中的卫星遥感数据的标准差值，/>
Figure BDA0001933144760000036
为所述P_radF中/>
Figure BDA0001933144760000037
与/>
Figure BDA0001933144760000038
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
Figure BDA0001933144760000041
的处理，得到热带气旋强度；
所述
Figure BDA0001933144760000042
中，X为特征向量，X＝{x1,x2,…,xn,…,xN}，
Figure BDA0001933144760000043
为第1组输入的特征参数向量，/>
Figure BDA0001933144760000044
为第2组输入的特征参数向量，/>
Figure BDA0001933144760000045
为任意一组输入的特征参数向量，/>
Figure BDA0001933144760000046
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
Figure BDA0001933144760000061
中，/>
Figure BDA0001933144760000062
为所述A_sca1中的最大卫星遥感数据值，/>
Figure BDA0001933144760000063
为所述A_sca1中的最小卫星遥感数据值，/>
Figure BDA0001933144760000064
为所述A_sca1中的卫星遥感数据平均值，/>
Figure BDA0001933144760000065
为所述A_sca1中的卫星遥感数据的标准差值，/>
Figure BDA0001933144760000066
为所述A_sca1中/>
Figure BDA0001933144760000067
与/>
Figure BDA0001933144760000068
的差值，简称为第一组差值。
所述
Figure BDA0001933144760000069
中，/>
Figure BDA00019331447600000610
为所述A_sca2中的最大卫星遥感数据值，/>
Figure BDA00019331447600000611
为所述A_sca2中的最小卫星遥感数据值，/>
Figure BDA00019331447600000612
为所述A_sca2中的卫星遥感数据平均值，/>
Figure BDA00019331447600000613
为所述A_sca2中的卫星遥感数据的标准差值，/>
Figure BDA00019331447600000614
为所述A_sca2中/>
Figure BDA00019331447600000615
与/>
Figure BDA00019331447600000616
的差值，简称为第二组差值。
所述
Figure BDA00019331447600000617
中，/>
Figure BDA00019331447600000618
为所述A_scan中的最大卫星遥感数据值，/>
Figure BDA00019331447600000619
为所述A_scan中的最小卫星遥感数据值，/>
Figure BDA00019331447600000620
为所述A_scan中的卫星遥感数据平均值，/>
Figure BDA00019331447600000621
为所述A_scan中的卫星遥感数据的标准差值，/>
Figure BDA00019331447600000622
为所述A_scan中
Figure BDA00019331447600000623
与/>
Figure BDA00019331447600000624
的差值，简称为第n组差值。
所述
Figure BDA00019331447600000625
中，/>
Figure BDA00019331447600000626
为所述A_scaE中的最大卫星遥感数据值，/>
Figure BDA00019331447600000627
为所述A_scaE中的最小卫星遥感数据值，/>
Figure BDA00019331447600000628
为所述A_scaE中的卫星遥感数据平均值，/>
Figure BDA00019331447600000629
为所述A_scaE中的卫星遥感数据的标准差值，/>
Figure BDA00019331447600000630
为所述A_scaE中/>
Figure BDA00019331447600000631
与/>
Figure BDA00019331447600000632
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
Figure BDA00019331447600000633
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
Figure BDA00019331447600000634
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
Figure BDA00019331447600000635
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
Figure BDA00019331447600000636
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
Figure BDA00019331447600000637
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
Figure BDA0001933144760000071
中，/>
Figure BDA0001933144760000072
为所述P_rad1中的最大卫星遥感数据值，/>
Figure BDA0001933144760000073
为所述P_rad1中的最小卫星遥感数据值，/>
Figure BDA0001933144760000074
为所述P_rad1中的卫星遥感数据平均值，/>
Figure BDA0001933144760000075
为所述P_rad1中的卫星遥感数据的标准差值，/>
Figure BDA0001933144760000076
为所述P_rad1中/>
Figure BDA0001933144760000077
与/>
Figure BDA0001933144760000078
的差值，简称为第一组差值。
所述
Figure BDA0001933144760000079
中，/>
Figure BDA00019331447600000710
为所述P_rad2中的最大卫星遥感数据值，/>
Figure BDA00019331447600000711
为所述P_rad2中的最小卫星遥感数据值，/>
Figure BDA00019331447600000712
为所述P_rad2中的卫星遥感数据平均值，/>
Figure BDA00019331447600000713
为所述P_rad2中的卫星遥感数据的标准差值，/>
Figure BDA00019331447600000714
为所述P_rad2中/>
Figure BDA00019331447600000715
与/>
Figure BDA00019331447600000716
的差值，简称为第二组差值。
所述
Figure BDA00019331447600000717
中，/>
Figure BDA00019331447600000718
为所述P_radF中的最大卫星遥感数据值，/>
Figure BDA00019331447600000719
为所述P_radF中的最小卫星遥感数据值，/>
Figure BDA00019331447600000720
为所述P_radF中的卫星遥感数据平均值，/>
Figure BDA00019331447600000721
为所述P_radF中的卫星遥感数据的标准差值，/>
Figure BDA00019331447600000722
为所述P_radF中/>
Figure BDA00019331447600000723
与/>
Figure BDA00019331447600000724
的差值，简称为第n组差值。
所述
Figure BDA0001933144760000081
中，/>
Figure BDA0001933144760000082
为所述P_radF中的最大卫星遥感数据值，/>
Figure BDA0001933144760000083
为所述P_radF中的最小卫星遥感数据值，/>
Figure BDA0001933144760000084
为所述P_radF中的卫星遥感数据平均值，/>
Figure BDA0001933144760000085
为所述P_radF中的卫星遥感数据的标准差值，/>
Figure BDA0001933144760000086
为所述P_radF中/>
Figure BDA0001933144760000087
与/>
Figure BDA0001933144760000088
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
Figure BDA0001933144760000089
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
Figure BDA00019331447600000810
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
Figure BDA00019331447600000811
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
Figure BDA00019331447600000812
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
Figure BDA00019331447600000813
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
Figure BDA0001933144760000091
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，
Figure BDA0001933144760000092
Figure BDA0001933144760000093
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；
Figure BDA0001933144760000094
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
Figure BDA0001933144760000101
X为特征向量，X＝{x1,x2,…,xn,…,xN}，/>
Figure BDA0001933144760000102
为第1组输入的特征参数向量，
Figure BDA0001933144760000103
为第2组输入的特征参数向量，/>
Figure BDA0001933144760000104
为任意一组输入的特征参数向量，/>
Figure BDA0001933144760000105
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
Figure BDA0001933144760000121
/>
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，
Figure BDA0001933144760000141
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，
Figure BDA0001933144760000142
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
Figure BDA0001933144760000143
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
Figure BDA0001933144760000144
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，
Figure BDA0001933144760000145
Figure BDA0001933144760000146
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；
Figure BDA0001933144760000147
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
Figure BDA0001933144760000151
X为特征向量，X＝{x1,x2,…,xn,…,xN}，/>
Figure BDA0001933144760000152
为第1组输入的特征参数向量，
Figure BDA0001933144760000153
为第2组输入的特征参数向量，/>
Figure BDA0001933144760000154
为任意一组输入的特征参数向量，/>
Figure BDA0001933144760000155
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
Figure BDA0001933144760000156
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
Figure BDA0001933144760000157
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/>
Figure BDA0001933144760000158
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
Figure FDA0003817767400000011
中，/>
Figure FDA0003817767400000012
为所述A_scan中的最大卫星遥感数据值，/>
Figure FDA0003817767400000013
为所述A_scan中的最小卫星遥感数据值，/>
Figure FDA0003817767400000014
为所述A_scan中的卫星遥感数据平均值，/>
Figure FDA0003817767400000015
为所述A_scan中的卫星遥感数据的标准差值，
Figure FDA0003817767400000016
为所述A_scan中/>
Figure FDA0003817767400000017
与/>
Figure FDA0003817767400000018
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SCAmax、最小卫星遥感数据值SCAmin、卫星遥感数据平均值SCAmean、卫星遥感数据的标准差值SCAstd、以及最大卫星遥感数据值SCAmax与最小卫星遥感数据值SCAmin之间的差值SCA差，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
Figure FDA0003817767400000021
中，/>
Figure FDA0003817767400000022
为所述P_radF中的最大卫星遥感数据值，/>
Figure FDA0003817767400000023
为所述P_radF中的最小卫星遥感数据值，/>
Figure FDA0003817767400000024
为所述P_radF中的卫星遥感数据平均值，/>
Figure FDA0003817767400000025
为所述P_radF中的卫星遥感数据的标准差值，/>
Figure FDA0003817767400000026
为所述P_radF中
Figure FDA0003817767400000027
与/>
Figure FDA0003817767400000028
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SCPmax、最小卫星遥感数据值SCPmin、卫星遥感数据平均值SCPmean、卫星遥感数据的标准差值SCPstd、以及最大卫星遥感数据值SCPmax与最小卫星遥感数据值SCPmin之间的差值SCP差，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
Figure FDA0003817767400000029
的处理，得到热带气旋强度；w0为初始权重值；wn为第n个权重值；
所述
Figure FDA00038177674000000210
中，X为特征向量，X＝{x1,x2,…,xn,…,xN}，
Figure FDA00038177674000000211
为第1组输入的特征参数向量，/>
Figure FDA00038177674000000212
为第2组输入的特征参数向量，/>
Figure FDA00038177674000000213
为任意一组输入的特征参数向量，/>
Figure FDA00038177674000000214
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
Figure FDA00038177674000000215
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，
Figure FDA0003817767400000031
Figure FDA0003817767400000032
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；
Figure FDA0003817767400000033
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。
CN201811651763.7A 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 Active CN110119494B (zh)

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 CN110119494A (zh) 2019-08-13
CN110119494B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210107282A (ko) * 2020-02-24 2021-09-01 현대자동차주식회사 악천후 판단 장치 및 그의 악천후 판단 방법
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
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 (3)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9690007B2 (en) * 2014-05-15 2017-06-27 National Taiwan University Device and method for comparison of multiple tropical cyclone routes

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
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

Also Published As

Publication number Publication date
CN110119494A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
Blair et al. High-resolution hail observations: Implications for NWS warning operations
Lagerquist et al. Machine learning for real-time prediction of damaging straight-line convective wind
Handwerker Cell tracking with TRACE3D—A new algorithm
Schuur et al. Classification of precipitation types during transitional winter weather using the RUC model and polarimetric radar retrievals
Bechini et al. A semisupervised robust hydrometeor classification method for dual-polarization radar applications
Stumpf et al. The National Severe Storms Laboratory mesocyclone detection algorithm for the WSR-88D
Tang et al. A physically based precipitation–nonprecipitation radar echo classifier using polarimetric and environmental data in a real-time national system
Hubbert et al. Weather radar ground clutter. Part II: Real-time identification and filtering
CN110119494B (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
Sobash et al. Explicit forecasts of low-level rotation from convection-allowing models for next-day tornado prediction
Lakshmanan et al. Data mining storm attributes from spatial grids
Kuster et al. Rapid-update radar observations of ZDR column depth and its use in the warning decision process
Wen et al. A cluster-based method for hydrometeor classification using polarimetric variables. Part II: Classification
Zhang et al. Identifying Doppler velocity contamination caused by migrating birds. Part I: Feature extraction and quantification
Houston et al. Thunderstorm Observation by Radar (ThOR): An algorithm to develop a climatology of thunderstorms
Handler et al. Development of a probabilistic subfreezing road temperature nowcast and forecast using machine learning
Zou et al. A method of radar echo extrapolation based on TREC and Barnes filter
Kuster et al. Using ZDR columns in forecaster conceptual models and warning decision-making
Peter et al. Application of a Bayesian classifier of anomalous propagation to single-polarization radar reflectivity data
Smith et al. WSR-88D tornado intensity estimates. Part II: Real-time applications to tornado warning time scales
Hou et al. Storm tracking via tree structure representation of radar data
Li et al. Polarimetric radar quantitative precipitation estimation using deep convolutional neural networks
Wang et al. Novel tornado detection using an adaptive neuro-fuzzy system with S-band polarimetric weather radar
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
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