CN110749942B - 适用于静止卫星资料同化的晴空通道检测质量控制方法 - Google Patents
适用于静止卫星资料同化的晴空通道检测质量控制方法 Download PDFInfo
- Publication number
- CN110749942B CN110749942B CN201911101928.8A CN201911101928A CN110749942B CN 110749942 B CN110749942 B CN 110749942B CN 201911101928 A CN201911101928 A CN 201911101928A CN 110749942 B CN110749942 B CN 110749942B
- Authority
- CN
- China
- Prior art keywords
- cloud
- criterion
- channel
- temperature
- true
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000003908 quality control method Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 230000005855 radiation Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000009977 dual effect Effects 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000008878 coupling Effects 0.000 claims abstract description 4
- 238000010168 coupling process Methods 0.000 claims abstract description 4
- 238000005859 coupling reaction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 39
- 238000004088 simulation Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 102100033668 Cartilage matrix protein Human genes 0.000 claims description 3
- 101001018382 Homo sapiens Cartilage matrix protein Proteins 0.000 claims description 3
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 241000208818 Helianthus Species 0.000 description 6
- 235000003222 Helianthus annuus Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100113998 Mus musculus Cnbd2 gene Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Atmospheric Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开一种适用于静止卫星资料同化的晴空通道检测质量控制方法，包括如下步骤：(1)对静止气象卫星AHI成像仪资料的观测辐射亮温和模拟亮温进行预处理；(2)建立最小余差算法，估算AHI观测像元的云顶气压和云比例；(3)建立云判据算法，识别云类型，对云像元进行评判；(4)将步骤(2)的最小余差算法与步骤(3)的云判据算法形成耦合方案，建立双重云检测方案。通过本发明的方法将提高静止卫星成像仪红外通道的资料质量控制水平，通过改善卫星资料同化分析，改进数值模式预报水平。
Description
技术领域
本发明涉及大气科学研究领域，具体是涉及一种适用于新一代静止气象卫星红外成像仪资料同化的晴空通道质量控制方法。
背景技术
随着气象静止卫星观测技术的不断发展，卫星红外辐射资料同化被越来越广泛的应用于数值天气预报模式。卫星接收的地气系统红外辐射能够反映大气温度、湿度的垂直结构特征，可为台风、暴雨和对流等灾害性天气预报提供重要的观测信息。因此，静止卫星资料同化对于改善数值模式的初始场从而提高数值天气预报水平具有重要价值。
卫星辐射资料直接同化采用的方法是，利用数值模式预报的大气温度和水汽等要素和辐射传输模式进行卫星的辐射亮温模拟，与卫星观测的实际辐射亮温进行比较，通过最优化算法最终改善数值模式的初始条件。由于红外辐射无法穿透云，因此在资料同化之前必须进行云检测和晴空资料筛选，将被云污染的卫星观测像元和观测通道剔除，否则“云污染”将导致温度和湿度等要素的分析场偏差。
现有的云检测方法，主要分为晴空像元检测法和晴空通道检测法两类。晴空像元检测法是将云观测像元的所有观测通道剔除，以保留晴空像元对应的观测通道用于资料同化，是目前静止卫星红外成像仪所采用的主要方法。Heidingerand Straka(2013)基于红外多通道观测对云的敏感性差异和时空特征差异构建判据以建立云像元检测方案；Zhuge等(2017)建立只包含可见光通道的快速的云像元检测方案。这些方法的局限性在于，只能确定卫星的观测像元是否有云，而不能确定卫星仪器的观测通道是否被云污染，因为云的高度决定了对不同高度敏感的观测通道是否被影响。
晴空通道检测法是通过检测云高来判断通道是否被云影响，常见的方法有CO2切片法和基于观测-模拟(O-B)亮温差的最小余差法。另外McNally利用红外高光谱观测和模拟差的单向排列进行滤波处理，来检测云污染通道。这些方法常用于红外通道数较多的极轨卫星仪器，如NOAA的HIRS，Suomi-NPP的CrIS,MetopA-B的IASI，NASA的AIRS等，并未广泛应用于静止卫星红外仪器。由于观测特性差异，这些方法应用于红外通道相对较少的静止卫星成像仪时亟需进一步改进。此外，由于晴空通道检测法主要基于观测亮温和模拟亮温差异性，在检测精度上存在局限性，尤其当可用的卫星通道较少或云比辐射率随通道变化较大时，检测结果有待进一步改进。
自2016年起，以中国风云4号(Yang et al.2017)、日本葵花8号(Bessho etal.2016)和美国GOES-R(Schmit et al.2016)为首的新一代静止气象卫星已完成业务运行。相比以往的静止卫星观测仪器，新一代红外成像仪自具备探测精度优势的同事，还具有更高的时空分辨率和光谱分辨率。以日本葵花8卫星为例，其Advanced Himawari Imager(AHI)成像仪的10个红外通道中包含了高层、中高层和中层的水汽敏感通道，如果采用目前常用的晴空像元检测方案，会导致高层不受云影响的观测通道被错误剔除。
综合来说，现有的静止卫星红外云检测采用晴空像元检测方案，只能确定卫星的观测像元是否有云，而不能确定对大气不同高度层敏感的卫星仪器各观测通道是否被云影响。基于晴空像元检测的质量控制方法会导致在低云的情况下高层的晴空通道被错误剔除，降低了卫星资料的利用效率。此外，考虑到晴空通道检测方案应用于静止卫星仪器时，受通道数少等的因素影响，存在两方面缺陷：(1)光学厚度薄云和云边缘的像元可能被漏报；(2)对高层卷云和重叠云的云高估计存在偏差。因此，需要建立新一代静止卫星的晴空通道检测方法，对通道的晴空状况进行检测。
考虑到目前晴空通道检测方法的精确度问题，且数值模式资料同化对于严格控制云漏报率的要求很高，我们认为需要利用更充分的云检测信息，降低现有的晴空通道检测方案对云污染的漏报率。我们拟结合云判据算法，加强多类云的检测效果，改良晴空通道检测方案，建立适合于新一代静止卫星的云检测质量控制方案。
发明内容
发明目的：本发明目的在于针对现有技术的不足，提供一种适用于静止卫星红外成像仪资料同化的晴空通道检测方案，旨在改善卫星资料在数值模式应用过程中的质量控制效果和同化分析效果，提高模式预报能力。
技术方案：本发明所述适用于静止气象卫星资料同化的检测质量控制方法，包括如下步骤：
(1)对静止气象卫星AHI成像仪资料的观测辐射亮温和模拟亮温进行预处理，在观测辐射亮温方面，对辐射亮温、地理参数和卫星几何参数进行数据处理；模拟亮温方面，采用WRF数值天气预报模式提供温度、水汽和地表要素参量，由CRTM辐射传输模式模拟红外通道辐射亮温；
(2)建立最小余差算法，由AHI通道7-16这10个红外通道的观测辐射亮温、晴空模拟亮温和有云模拟亮温三者的差异构建亮温空间的余差项函数，通过求解余差项极小值，估算AHI观测像元的云顶气压和云比例；
(3)建立云判据算法，识别云类型，对云像元进行评判，从而确定该像元是否被云层影响；
(4)将步骤(2)的最小余差算法与步骤(3)的云判据算法形成耦合方案，建立双重云检测方案。
本发明进一步优选地技术方案为，步骤(2)的最小余差算法表示为：
其中，res(k)为亮温余差项，是大气高度垂直分层k的函数；i表示卫星的通道序号；
μi分别为观测亮温、晴空模拟亮温和偏差订正项；T(k)，Tkk和Ts分别为第k层大气温度，第kk层大气温度和地表温度；
表示云顶位于高度层k时的有云辐射模拟亮温与晴空模拟亮温之间的差；Wi表示第i通道的观测误差权重；
F(k)表示当云顶位于第k层时，对应的云覆盖比例，F(k)的算法为：
将公式(2)代入(1)式，亮温余差项被表示为垂直高度k的函数；
对余差项res(k)求极小值的算法采用迭代搜索法，即在垂直方向上由k＝1至k＝kmax，kmax表示对流层顶，进行迭代，搜索res(k)极小值对应的垂直高度k，即表示云顶高度，云顶气压可由WRF模式第k高度层的气压获得，云比例由F(k)获得。
作为优选地，为步骤(2)得到的亮温余差项设置阀值：
当res(k)＜thres时，步骤(2)得到的云顶高度和云比例为有效值，否则认定为无云。
优选地，步骤(3)中对云类型的识别以及云判据的具体算法包括：
a、分裂窗负亮温差判据，用于识别层云和积云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为11.2μm通道和12.35μm通道的观测亮温，
和
分别为11.2μm通道和12.35μm通道的晴空模拟亮温；ε1为该判据的阈值；
b、分裂窗正亮温差判据，用于识别半透明云：
若
则TESTcloud成立，否则TESTclear成立；
其中，ε2为该判据的阈值；
c、水汽-窗区相关性判据，用于识别卷云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为7.35μm通道和11.2μm通道的观测亮温，
为在附近5×5像元内的相关系数；ε3为该判据的阈值；
d、低云比辐射率判据，用于识别低云或雾：
若
则TESTcloud成立，否则TESTclear成立；
其中，其中，
和
分别为11.2μm通道和3.85μm通道的观测亮温，
和
分别为11.2μm通道和3.85μm通道的晴空模拟亮温；I3.85μm()为由普朗克函数计算的3.85μm等效辐射量；ε4为该判据的阈值；
e、水汽-窗区差异判据，用于识别薄云：
若
则TESTcloud成立，否则TESTcloud成立；
其中，
为6.95μm通道观测亮温，
为11.2μm通道观测亮温，ε5为该判据的阈值；
f、空间一致性判据，用于识别云边缘和破碎云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
为11.2μm通道观测亮温，
表示11.2μm通道亮温在附近3×3像元内的最大值，γ为温度垂直递减率，σz为地形高度在附近3×3像元内的标准差，ε6为该判据的阈值；
对云像元的最终评判采用的原则为：上述a～f判据中当任何一项认定有云时，则认为该像元被云影响；当卷云判据认定有云时，则认为该像元被高层云影响。
优选地，各判据中阀值ε1～ε6的建立方法为：
采用MODIS云产品作为真值参考，将静止气象卫星AHI成像仪与MODIS进行观测视场匹配，建立AHI各项云判据和MODIS云产品的匹配样本；对于各项判据，分析不同数值对应的晴空概率和有云概率，并以此计算云的错报率：
其中，MODIScloud表示MODIS产品认定有云，TESTcloud(ε)表示判据在阈值取ε时认定有云，MODISclear表示MODIS产品认定晴空，N()表示统计个数。FAR(ε)为错报率，FAR(ε)是ε的函数，以错报率1％，2％，5％为不同等级标准，建立各项判据的阈值ε1～ε6。
有益效果：(1)本发明针对新一代静止卫星红外成像仪建立适用的晴空通道检测方案，结合多种云类的检测判据，一方面降低光学厚度薄云对应像元的漏报概率，另一方面降低卷云和多层云对中高层观测通道云污染的概率，进一步提高其所有红外通道资料的质量控制水平，降低被云污染的概率，为数值模式资料同化的合理性提供保障，通过本发明的方法将提高静止卫星成像仪红外通道的资料质量控制水平，通过改善卫星资料同化分析，改进数值模式预报水平；
(2)本发明的最小余差算法相比传统算法不采用辐射空间，在亮温空间定义余差项函数，这与资料同化所采用的物理量空间一致；并且考虑仪器的通道观测误差因素，量化各通道在余差项中的权重，使不同通道的贡献更加合理化；另外由亮温Jacobian以及温度垂直分层直接计算有云辐射模拟亮温与晴空模拟亮温之间的差，避免有云辐射模拟的直接计算，降低运算量；本发明为了满足算法快速运行的要求，采用阈值限制下的迭代搜索算法作为极小值算法，替代变分极小化算法，为了避免最小余差迭代搜索产生无意义的结果，设置亮温余差的阈值；
(3)本发明的云判据算法相比传统云判据算法在算法训练阶段，各判据的阈值通过客观化方式量化，以MODIS云产品作为真值与AHI建立匹配样本，根据样本比对结果确定阈值，并且可以按照下垫面类型、季节和云漏报率等级标准这三种划分方式建立阈值的查找表，在云检测应用时可根据实际情况和需求调用各判据的阈值；
(4)本发明以改良的最小余差算法为基础框架，先估算云顶气压和云比例，完成晴空像元和云影响像元的初步区分以及晴空通道和云影响通道的初步区分，再以改良的云判据算法为辅助，一方面，对上述判断的晴空像元进行再筛查，将云判据算法认定的云像元也剔除，目标是降低光学薄云或云边缘的漏报率；另一方面，对上述判断的晴空通道进行再筛查，将云判据算法认定的高层云像元也剔除，目标是降低高层通道被云污染的可能性，弥补最小余差算法对高层卷云高度估计误差引起的不准确性。
附图说明
图1为本发明静止气象卫星成像仪资料同化的双重云检测方案流程图；
图2为双重云检测方案对AHI成像仪通道9和通道15的检测效果图；
图3为双重云检测方案质量控制后的观测偏差(O-B)分布图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例：一种适用于静止卫星资料同化的晴空通道检测质量控制方法，以葵花8号AHI成像仪资料为例，包括如下步骤：
(1)对静止气象卫星AHI成像仪资料的观测辐射亮温和模拟亮温进行预处理，在观测辐射亮温方面，对辐射亮温、地理参数和卫星几何参数进行数据处理；模拟亮温方面，采用WRF数值天气预报模式提供温度、水汽和地表要素参量，由CRTM辐射传输模式模拟红外通道辐射亮温。
(2)建立最小余差算法，由AHI通道7-16这10个红外通道的观测辐射亮温、晴空模拟亮温和有云模拟亮温三者的差异构建亮温空间的余差项函数，通过求解余差项极小值，估算AHI观测像元的云顶气压和云比例；
具体算法为：
其中，res(k)为亮温余差项，是大气高度垂直分层k的函数；i表示卫星的通道序号；
μi分别为观测亮温、晴空模拟亮温和偏差订正项；T(k)，Tkk和Ts分别为第k层大气温度，第kk层大气温度和地表温度；
表示云顶位于高度层k时的有云辐射模拟亮温与晴空模拟亮温之间的差；Wi表示第i通道的观测误差权重；
F(k)表示当云顶位于第k层时，对应的云覆盖比例，F(k)的算法为：
将公式(2)代入(1)式，亮温余差项被表示为垂直高度k的函数；
对余差项res(k)求极小值的算法采用迭代搜索法，即在垂直方向上由k＝1至k＝kmax，kmax表示对流层顶，进行迭代，搜索res(k)极小值对应的垂直高度k，即表示云顶高度，云顶气压可由WRF模式第k高度层的气压获得，云比例由F(k)获得。
为了避免最小余差迭代搜索产生无意义的结果，为步骤(2)得到的亮温余差项设置阀值：
当res(k)＜thres时，步骤(2)得到的云顶高度和云比例为有效值，否则认定为无云。
(3)建立云判据算法，可识别厚云、薄云、高层卷云和云边缘等类型，对云像元进行评判，从而确定该像元是否被云层影响；
具体算法包括：
a、分裂窗负亮温差判据，用于识别层云和积云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为11.2μm通道和12.35μm通道的观测亮温，
和
分别为11.2μm通道和12.35μm通道的晴空模拟亮温；ε1为该判据的阈值；
b、分裂窗正亮温差判据，用于识别半透明云：
若
则TESTcloud成立，否则TESTclear成立；
其中，ε2为该判据的阈值；
c、水汽-窗区相关性判据，用于识别卷云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为7.35μm通道和11.2μm通道的观测亮温，
为在附近5×5像元内的相关系数；ε3为该判据的阈值；
d、低云比辐射率判据，用于识别低云或雾：
若
则TESTcloud成立，否则TESTclear成立；
其中，其中，
和
分别为11.2μm通道和3.85μm通道的观测亮温，
和
分别为11.2μm通道和3.85μm通道的晴空模拟亮温；I3.85μm()为由普朗克函数计算的3.85μm等效辐射量；ε4为该判据的阈值；
e、水汽-窗区差异判据，用于识别薄云：
若
则TESTcloud成立，否则TESTcloud成立；
其中，
为6.95μm通道观测亮温，
为11.2μm通道观测亮温，ε5为该判据的阈值；
f、空间一致性判据，用于识别云边缘和破碎云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
为11.2μm通道观测亮温，
表示11.2μm通道亮温在附近3×3像元内的最大值，γ为温度垂直递减率，σz为地形高度在附近3×3像元内的标准差，ε6为该判据的阈值；
对云像元的最终评判采用的原则为：上述a～f判据中当任何一项认定有云时，则认为该像元被云影响；当卷云判据认定有云时，则认为该像元被高层云影响。
云判据结果主要决定于所设定的阈值。因此，在算法训练阶段，为了客观的建立阈值，采用MODIS云产品作为真值参考，将葵花8号AHI成像仪与MODIS进行观测视场匹配，以空间距离5km和时间差异30分钟作为匹配标准，建立AHI各项云判据和MODIS云产品的匹配样本。以2018年1月、4月、7月和12月资料分别建立四个季度的样本；按照下垫面类型区分海洋和陆地样本。对于各项判据，分析不同数值对应的晴空概率和有云概率，并以此计算云的错报率：
其中，MODIScloud表示MODIS产品认定有云，TESTcloud(ε)表示判据在阈值取ε时认定有云，MODISclear表示MODIS产品认定晴空，N()表示统计个数。FAR(ε)为错报率，FAR(ε)是ε的函数，以错报率1％，2％，5％为不同等级标准，建立各项判据的阈值ε1～ε6。
(4)将改良的最小余差算法与云判据算法形成耦合方案，建立新的双重云检测方案。以改良的最小余差算法为基础框架，先按照第二步估算云顶气压和云比例，完成晴空像元和云影响像元的初步区分以及晴空通道和云影响通道的初步区分。再以改良的云判据算法为辅助，一方面，对上述判断的晴空像元进行再筛查，将云判据算法认定的云像元也剔除，目标是降低光学薄云或云边缘的漏报率；另一方面，对上述判断的晴空通道进行再筛查，将云判据算法认定的高层云像元也剔除，目标是降低高层通道被云污染的可能性，弥补最小余差算法对高层卷云高度估计误差引起的不准确性。
图1给出了双重云检测方案流程：(1)葵花8号AHI资料首先经过改良的最小余差算法实现云顶气压和云比例的初步估算，根据结果分为两部分，一部分为无云的晴空像元，另一部分为有云像元；(2)对于最小余差检测后的晴空像元，采用改良的云判据算法进行再检测，将云判据算法认定有云的像元最终标记为云检测像元，将云像元的所有观测通道剔除，否则最终标记为晴空像元，所有通道都保留；(3)对于最小余差检测后的有云像元，先根据云顶气压和通道权重函数峰值高度的相对位置，将不同的红外通道标记为有云或者晴空，对于晴空通道，采用云判据算法中的卷云判据对通道进行再检测，将判定为卷云的通道最终标记为有云通道。
图2为葵花8号AHI通道9(6.95μm，第一行)，通道15(12.35μm，第二行)云检测结果与CLAVR-x云产品的比对。(a，b)为单纯采用最小余差算法，(c，d)为采用双重云检测算法。空心圈部分表示云检测结果与CLAVR-x云产品一致为的晴空，实心圈表示云检测方案漏报的云像元，由CLAVR-x云产品分为水云、过冷水云、低薄云/雾、卷云和多层云等分别展示。图2给出了双重云检测算法对于AHI通道9和通道15的检测效果，通道9权重函数大约位于500hPa高度层，主要受中高云的影响；通道15权重函数位于地面，受多种云类的影响。从云影响的漏报情况来看，双重云检测算法相比单纯的最小余差算法，对通道9能有效降低卷云、水云和多层云影响的漏报率，对通道15能有效降低水云、低薄云和多层云影响的漏报率。
图3为经过质量控制后O-B亮温差随观测亮温的频数分布：(a,b)通道9(6.95μm)，(c,d)通道15(12.35μm)；(a，c)单纯最小余差算法，(b，d)双重云检测算法。图3给出了双重云检测算法对于AHI通道9和通道15质量控制后的观测-模拟(O-B)亮温偏差的统计结果。低观测亮温且O-B亮温负偏差意味着受云影响。可见，经过质量控制后，双重云检测方案相比单纯最小余差算法降低了云污染概率，为数值模式资料同化的定量提供有力保障。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (1)
1.一种适用于静止卫星资料同化的晴空通道检测质量控制方法，其特征在于，包括如下步骤：
(1)对静止气象卫星AHI成像仪资料的观测辐射亮温和模拟亮温进行预处理，在观测辐射亮温方面，对辐射亮温、地理参数和卫星几何参数进行数据处理；模拟亮温方面，采用WRF数值天气预报模式提供温度、水汽和地表要素参量，由CRTM辐射传输模式模拟红外通道辐射亮温；
(2)建立最小余差算法，由AHI通道7-16这10个红外通道的观测辐射亮温、晴空模拟亮温和有云模拟亮温三者的差异构建亮温空间的余差项函数，通过求解余差项极小值，估算AHI观测像元的云顶气压和云比例；
最小余差算法表示为：
其中，res(k)为亮温余差项，是大气高度垂直分层k的函数；i表示卫星的通道序号；
μi分别为观测亮温、晴空模拟亮温和偏差订正项；T(k)，Tkk和Ts分别为第k层大气温度，第kk层大气温度和地表温度；
表示云顶位于高度层k时的有云辐射模拟亮温与晴空模拟亮温之间的差；Wi表示第i通道的观测误差权重；
F(k)表示当云顶位于第k层时，对应的云覆盖比例，F(k)的算法为：
将公式(2)代入(1)式，亮温余差项被表示为垂直高度k的函数；
对余差项res(k)求极小值的算法采用迭代搜索法，即在垂直方向上由k＝1至k＝kmax，kmax表示对流层顶，进行迭代，搜索res(k)极小值对应的垂直高度k，即表示云顶高度，云顶气压可由WRF模式第k高度层的气压获得，云比例由F(k)获得；
为步骤(2)得到的亮温余差项设置阀值：
当res(k)<thres时，本步骤得到的云顶高度和云比例为有效值，否则认定为无云；
(3)建立云判据算法，识别云类型，对云像元进行评判，从而确定该像元是否被云层影响；
对云类型的识别以及云判据的具体算法包括：
a、分裂窗负亮温差判据，用于识别层云和积云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为11.2μm通道和12.35μm通道的观测亮温，
和
分别为11.2μm通道和12.35μm通道的晴空模拟亮温；ε1为该判据的阈值；
b、分裂窗正亮温差判据，用于识别半透明云：
若
则TESTcloud成立，否则TESTclear成立；
其中，ε2为该判据的阈值；
c、水汽-窗区相关性判据，用于识别卷云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为7.35μm通道和11.2μm通道的观测亮温，
为在附近5×5像元内的相关系数；ε3为该判据的阈值；
d、低云比辐射率判据，用于识别低云或雾：
若
则TESTcloud成立，否则TESTclear成立；
其中，
和
分别为11.2μm通道和3.85μm通道的观测亮温，
和
分别为11.2μm通道和3.85μm通道的晴空模拟亮温；I3.85μm()为由普朗克函数计算的3.85μm等效辐射量；ε4为该判据的阈值；
e、水汽-窗区差异判据，用于识别薄云：
若
则TESTcloud成立，否则TESTcloud成立；
其中，
为6.95μm通道观测亮温，
为11.2μm通道观测亮温，ε5为该判据的阈值；
f、空间一致性判据，用于识别云边缘和破碎云：
若
则TESTcloud成立，否则TESTclear成立；
其中，
为11.2μm通道观测亮温，
表示11.2μm通道亮温在附近3×3像元内的最大值，γ为温度垂直递减率，σz为地形高度在附近3×3像元内的标准差，ε6为该判据的阈值；
对云像元的最终评判采用的原则为：上述a～f判据中当任何一项认定有云时，则认为该像元被云影响；当卷云判据认定有云时，则认为该像元被高层云影响；
各判据中阀值ε1～ε6的建立方法为：
采用MODIS云产品作为真值参考，将静止气象卫星AHI成像仪与MODIS进行观测视场匹配，建立AHI各项云判据和MODIS云产品的匹配样本；对于各项判据，分析不同数值对应的晴空概率和有云概率，并以此计算云的错报率：
其中，MODIScloud表示MODIS产品认定有云，TESTcloud(ε)表示判据在阈值取ε时认定有云，MODISclear表示MODIS产品认定晴空，N表示统计个数,FAR(ε)为错报率，FAR(ε)是ε的函数，以错报率1％，2％，5％为不同等级标准，建立各项判据的阈值ε1～ε6；
(4)将步骤(2)的最小余差算法与步骤(3)的云判据算法形成耦合方案，建立双重云检测方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911101928.8A CN110749942B (zh) | 2019-11-12 | 2019-11-12 | 适用于静止卫星资料同化的晴空通道检测质量控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911101928.8A CN110749942B (zh) | 2019-11-12 | 2019-11-12 | 适用于静止卫星资料同化的晴空通道检测质量控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110749942A CN110749942A (zh) | 2020-02-04 |
| CN110749942B true CN110749942B (zh) | 2021-05-18 |
Family
ID=69283033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911101928.8A Active CN110749942B (zh) | 2019-11-12 | 2019-11-12 | 适用于静止卫星资料同化的晴空通道检测质量控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110749942B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816071B (zh) * | 2021-01-06 | 2021-12-28 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于云顶高度算法的红外通道辐射稳定性监测方法 |
| CN113111529B (zh) * | 2021-04-22 | 2023-10-10 | 南京气象科技创新研究院 | 融合数值模式和卫星微波云反演数据的红外亮温模拟方法 |
| CN114580275B (zh) * | 2022-02-23 | 2024-04-12 | 中国人民解放军63796部队 | 一种基于卫星遥感和探空廓线的积雨云监测方法 |
| CN115165786B (zh) * | 2022-07-06 | 2023-09-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于成像仪对红外高光谱大气探测仪的等效晴空辐射订正方法 |
| CN116341352B (zh) * | 2022-07-27 | 2023-10-24 | 南京气象科技创新研究院 | 地表温度观测信息约束的静止卫星陆上红外亮温模拟方法 |
| CN116246182A (zh) * | 2023-03-17 | 2023-06-09 | 四川省气象灾害防御技术中心 | 基于agri红外分裂窗反演中高纬度云顶高度的方法 |
| CN118277901B (zh) * | 2024-05-30 | 2024-08-27 | 中国科学院大气物理研究所 | 识别过冷积云的方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003248812A (ja) * | 2002-02-25 | 2003-09-05 | Earth Weather:Kk | 水温図作成装置及び水温図作成方法 |
| CN104820250B (zh) * | 2015-04-14 | 2017-03-15 | 国家卫星气象中心 | 一种极轨气象卫星virr海洋上云检测的处理方法 |
| CN105137506B (zh) * | 2015-10-09 | 2017-05-10 | 中国农业科学院农业资源与农业区划研究所 | 一种msg2‑seviri数据估算地表温度日较差的方法 |
| CN108519629A (zh) * | 2018-03-20 | 2018-09-11 | 叶玉妹 | 通用航空气象信息处理系统 |
| CN109580003B (zh) * | 2018-12-18 | 2021-01-12 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
-
2019
- 2019-11-12 CN CN201911101928.8A patent/CN110749942B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110749942A (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110749942B (zh) | 适用于静止卫星资料同化的晴空通道检测质量控制方法 | |
| CN109946235B (zh) | 风云4a气象卫星多通道扫描成像辐射计的多层云反演方法 | |
| CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
| CN109509319B (zh) | 基于静止卫星监测资料的输电线路山火监测预警方法 | |
| Yost et al. | A prototype method for diagnosing high ice water content probability using satellite imager data | |
| CN113642475B (zh) | 基于卷积神经网络模型的大西洋飓风强度估算方法 | |
| CN108874734B (zh) | 一种全球陆地降水反演方法 | |
| Wang et al. | The Green Ocean: precipitation insights from the GoAmazon2014/5 experiment | |
| CN115267941A (zh) | 一种高解析度真彩可见光模型生成、反演方法及其系统 | |
| CN111178384A (zh) | 一种气象卫星动力对流层顶高度反演方法、装置、存储介质及计算机设备 | |
| CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
| CN114677579A (zh) | 一种基于卫星红外探测元参数的云顶高度实时计算方法 | |
| CN112200349A (zh) | 一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法 | |
| CN117409334A (zh) | 一种基于静止卫星遥感数据的气溶胶类型识别方法 | |
| Groshenry et al. | Detecting methane plumes using prisma: Deep learning model and data augmentation | |
| CN109902666B (zh) | 一种基于二维otsu的电网山火潜在火点识别方法 | |
| CN107576399A (zh) | 面向modis 林火探测的亮温预测方法和系统 | |
| Hong et al. | Near Global Distributions of Overshooting Tops Derived from Terra and Aqua MODIS Observations | |
| CN117036323A (zh) | 一种综合的云及云影下积雪信息重建方法 | |
| CN113532652A (zh) | 一种基于浮标和大气再分析数据的红外遥感传感器绝对定标方法 | |
| CN115546658B (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
| Kida et al. | Improvement of rain/no-rain classification methods for microwave radiometer observations over the ocean using a 37 GHz emission signature | |
| CN108594335B (zh) | 一种全球降水检测方法 |
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 |