CN112526638B - 一种基于多源观测数据的云边界判识方法及相关设备 - Google Patents
一种基于多源观测数据的云边界判识方法及相关设备 Download PDFInfo
- Publication number
- CN112526638B CN112526638B CN202011363575.1A CN202011363575A CN112526638B CN 112526638 B CN112526638 B CN 112526638B CN 202011363575 A CN202011363575 A CN 202011363575A CN 112526638 B CN112526638 B CN 112526638B
- Authority
- CN
- China
- Prior art keywords
- cloud
- target
- data
- determining
- observation data
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- 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
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- 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
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多源观测数据的云边界判识方法及相关设备,并提出了涉及云边界的概念“云锋区”,即云团大气和其上下界环境大气的过渡带区域;通过使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。该方法使用云锋区的概念弥补了传统意义上用直线表示的云边界的缺陷,并将不同观测数据探测的云边界归到较为一致的范围和区间,达到综合气象观测的协同和统一的技术效果。
Description
技术领域
本发明涉及气象的技术领域,尤其涉及一种基于多源观测数据的云边界判识方法及相关设备。
背景技术
云是大气中水汽达到饱和后,通过凝结或凝华悬浮在空中一定高度上的由水滴、过冷水滴或者冰晶组成的混合物。云底高度和云顶高度作为主要的云边界参数,通过辐射加热/冷却以及潜热释放等非绝热过程改变大气总热量的梯度分布,调节地气系统能量收支平衡。现有大气环流模式(GCM)模拟结果表明,云边界参数存在很大的时空非均一性和较高的变率,导致准确评估不同类型云的辐射效应存在很大挑战,是造成全球气候变化预测结果呈现高度离散的主要原因之一。因此,获取高精度的云边界信息及其变化特征值,对改进气候模式、提高精细化预报准确率具有至关重要的作用。
云边界的探测手段可以包括人工目测、探空、飞机观测,卫星遥感以及地基遥感等方式,尤其随着地基云观测遥感技术的进步以及装备研发的快速发展,以毫米波雷达、激光云高仪、激光雷达、风廓线雷达等为代表的地基气象探测设备为自动化观测云垂直结构提供了有力工具。不同探测手段由于观测原理和方法不同,有着各自的优势和特点。
其中,人工观测是依据观测员经验,利用云的可见光特性人工估测出云底高度,此方法能够提供局地高分辨率的基本云况,但受主观因素和天气条件影响较大;飞机观测可对云的微物理特性及热动力结构进行直接观测,然而其成本较高,获得的数据时空范围均受限;无线电探空主要利用云的含水特性,基于探空所获得的大气温度、湿度廓线来反演云垂直结构,然而探空一天仅2个常规观测时次,时间分辨率较低;静止卫星携带的可见光红外扫描辐射计利用云的红外辐射特性可对星下点固定位置进行高频次的观测,然而仅能探测到中高云和云顶高度,对云底探测往往无能为力。激光雷达、激光云高仪、毫米波雷达等基于主动遥感原理的设备是利用了粒子散射特性来测云,尤其毫米波雷达能够穿透云层从而描述云内部物理结构,具有探测小粒子、测速精度较高、空间分辨力较高的特点,然而降水对雷达信号衰减严重,只适用于非降水云、弱降水云以及雾等的观测。因此,云是可见光特性、含水特性、粒子散射特性、红外辐射特性等多种物理属性的气象综合体,只有充分利用多平台(卫星、地基和空基)、多波段(可见光和红外波段、包括L、Ka等波段在内的微波波段、激光等)的综合遥感观测技术来实现对云的协同观测,不仅可获得高精度、多角度的各种云物理属性“全”信息及云团的内部结构,还有利于不同气象探测设备进行比对校验,从而提高综合遥感观测结果的可靠性。
传统意义上人们对云边界的认识仅局限在“物质面”,即把云边界定义为云团大气与环境大气分界处、两侧气象要素不连续变化的“一条线”,例如在北京地区利用无线电探空仪观测得到云底高度为4.2公里,云顶高度为6.4公里。然而以往通过不同设备对云边界进行观测发现,每种设备得到的云边界(云底高度和云顶高度)均有差异,例如无线电探空仪观测云底高度往往低于毫米波雷达、云顶高度高于毫米波雷达,激光云高仪反演云底高度相比毫米波雷达偏高,降雨情况下卫星反演云顶高度高于毫米波雷达,而非降雨情况下卫星反演值则低于毫米波雷达,因此传统的云边界概念有一定局限性,它不能使得设备观测结果达成统一,且云边界的不确定性导致准确评估云的辐射效应存在很大挑战,从而导致气候模式预测出现高离散度。
发明内容
本发明的目的在于提出一种基于多源观测数据的云边界判识方法及相关设备,实现将不同观测数据探测的云边界归到较为一致的范围和区间,达到综合气象观测的协同和统一的技术效果。
为实现上述目的,本申请第一方面提供了一种基于多源观测数据的云边界判识方法,包括:
使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;
基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;
针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。
进一步地,所述多源设备包括:无线电探空设备;所述观测数据包括:所述目标云的是相对湿度数据和温度数据;
使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据,包括:
使用无线电探空设备采集原始探空秒数据;
对所述原始探空秒数据进行预处理,得到所述目标云内外各高度对应的温度数据和相对湿度数据。
进一步地,所述多源设备包括:毫米波雷达;所述观测数据包括:反射率因子数据;
所述使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据,包括:
使用所述毫米波雷达对所述目标云进行探测,得到原始的反射率因子数据;
基于神经网络算法消除原始的所述反射率因子数据中的干扰回波及低空非气象杂波,得到处理后的反射率因子数据。
进一步地,所述多源设备包括:风廓线雷达;所述观测数据包括:信噪比数据;
所述使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据,包括:
使用所述风廓线雷达对所述目标云进行探测,得到风廓线数据;
对所述风廓线数据进行质量控制之后,确定风廓线雷达的信噪比数据。
进一步地,所述观测数据包括:温度数据和反射率因子数据;
所述基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型,包括:
确定目标云内外的温度数据递减率之间的差异,作为第一变化特征值;
确定目标云内的反射率因子数据的二阶导数的脉动变化,作为第二变化特征值;
若第一变化特征值超过第一预置阈值,且所述第二变化特征值超过第二预置阈值的目标云,确定为归属于对流云;
若第一变化特征值低于第一预置阈值,且所述第二变化特征值低于第二预置阈值的目标云,确定为归属于层状云。
进一步地,所述确定目标云内外的温度数据递减率之间的差异,作为第一变化特征值,包括:
将目标云内的温度数据随高度的递减率,作为第一递减率;
将目标云外的温度数据随高度的递减率,作为第二递减率;
将所述第一递减率与所述第二递减率之间的差值,确定为第一变化特征值。
进一步地,所述确定目标云内的反射率因子数据的二阶导数的脉动变化,作为第二变化特征值,包括:
将所述目标云内的反射率因子数据的二阶导数的标准偏差,确定为第二变化特征值。
进一步地,所述观测数据包括:温度数据、相对湿度数据、反射率因子数据;
所述针对不同的所述云类型,对所述多源设备观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,包括:
针对不同的所述云类型,根据所述温度数据和所述相对湿度数据在云锋区中的不连续特征,确定出所述云锋区的第一个分区间;
根据云中水凝物引起的反射率因子数据的变化特征,确定出所述云锋区的第二个分区间;
根据多个所述分区间,综合确定所述目标云中云锋区的目标区间。
进一步地,所述云类型为层状云;所述观测数据还包括:信噪比数据;
在所述根据多个所述分区间,确定所述目标云中云锋区的目标区间之前,还包括:
根据云锋区受大气湍流影响所引起的信噪比数据的变化特征,确定所述云锋区的第三个分区间。
进一步地,所述根据多个所述分区间,综合确定所述目标云中云锋区的目标区间,包括:
将多个所述分区间的上区间值中最大的一个值,作为目标上区间值;
将多个所述分区间的下区间值中最小的一个值,作为目标区间的目标下区间值;
以所述目标下区间值和所述目标上区间值确定的区间,作为所述目标云中云锋区的目标区间。
为实现上述目的,本申请第二方面提供了一种基于多源观测数据的云边界判识装置,包括:
观测数据探测模块,用于使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;
云类型确定模块,用于基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;
云边界确定模块,用于针对不同的所述云类型,对所述多源设备观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。
为实现上述目的,本申请第三方面提供了一种基于多源观测数据的云边界判识设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一所述的基于多源观测数据的云边界判识方法。
为实现上述目的,本申请第四方面提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的基于多源观测数据的云边界判识方法。
由上可见,本申请提供的技术方案,通过使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;针对不同的所述云类型,对所述观测数据进行分析,得到所述目标云中云锋区的目标区间,作为所述目标云的边界,使用云锋区的概念弥补了传统意义上用直线表示的云边界的缺陷,并将不同观测数据探测的云边界归到较为一致的范围和区间,解决了以往不同技术手段探测云边界具有差异性的问题,达到综合气象观测的协同和统一的技术效果。
附图说明
图1是本发明实施1中提供的一种零级不连续面上密度分布图;
图2是本发明实施1中提供的一种一级不连续面上密度分布图;
图3为本发明实施1中提供的一种基于多源观测数据的云边界判识方法的流程图;
图4为本发明实施例1提供的对流云和层状云的云锋区及云内外观测要素梯度变化差异的示意图;
图5为本发明实施例1提供的2017年8月28日00:00-23:59(北京时)的毫米波雷达反射率因子时序图;
图6为本发明实施例提供的2017年8月28日18:00-21:00(北京时)的毫米波雷达反射率因子时序图;
图7为本发明实施例1提供的2017年8月28日19:40(北京时)毫米波雷达反射率因子廓线图;
图8为图7所示反射率因子廓线的一阶导数示意图;
图9为7所示反射率因子廓线的二阶导数示意图;
图10为本发明实施例1提供的2017年8月28日20:00(北京时)探空观测温度、相对湿度、相对冰面相对湿度廓线图;
图11为图10所示各观测数据廓线的一阶导数示意图;
图12为图10所示各观测数据廓线的二阶导数示意图;
图13为本发明实施例1提供的2017年8月28日00:00-23:59(北京时)南郊风廓线雷达观测的信噪比数据的时序图;
图14为图13所示信噪比数据的一阶导数的时序图;
图15为本发明实施例1提供的2017年8月28日18:00-21:00(北京时)南郊风廓线雷达观测的信噪比数据的时序图;
图16为图15所示信噪比数据的一阶导数的时序图;
图17为本发明实施例1提供的2018年6月30日00:00-23:59(北京时)的毫米波雷达反射率因子时序图;
图18为本发明实施例提供的2018年6月30日18:00-21:00(北京时)的毫米波雷达反射率因子时序图;
图19为本发明实施例1提供的2018年6月30日19:30(北京时)毫米波雷达反射率因子廓线图;
图20为图19所示反射率因子廓线的一阶导数示意图;
图21为图19所示反射率因子廓线的二阶导数示意图;
图22为本发明实施例1提供的2018年6月30日20:00(北京时)探空观测温度、相对湿度、相对冰面相对湿度廓线图;
图23为图22所示各观测数据廓线的一阶导数示意图;
图24为图22所示各观测数据廓线的二阶导数示意图;
图25为本发明实施例1提供的2018年6月30日00:00-23:59(北京时)风廓线雷达观测的信噪比数据的时序图;
图26为图25所示信噪比数据的一阶导数的时序图;
图27为本发明实施例1提供的2018年6月30日18:00-21:00(北京时)风廓线雷达观测的信噪比数据的时序图;
图28为图27所示信噪比数据的一阶导数的时序图;
图29为本发明实施2中提供的一种基于多源观测数据的云边界判识装置的结构示意图;
图30为本发明实施3中提供的一种基于多源观测数据的云边界判识设备的结构示意图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
本申请提供一种基于多源观测数据的云边界判识方法,该方法可以由基于多源观测数据的云边界判识装置来执行,该基于多源观测数据的云边界判识装置可以通过软件和/或硬件的方式实现,并集成在可进行在基于多源观测数据的云边界判识设备中。可选的,该基于多源观测数据的云边界判识设备包括但不限定于电脑、服务器等终端。本实施例中,以该基于多源观测数据的云边界判识设备为服务器为例进行详细说明。
由于传统的云边界概念是直线的概念,即云顶大气与环境大气之间、云底大气与环境大气之间的分界处各为一条直线,从而确定出云边界。而通过不同气象探测设备对云边界进行观测时,每种设备得到的云底高度和云顶高度均有差异,无法得到一致的云边界,显示了传统的云边界概念的局限性。
本实施例中,提出云锋区的概念替代传统的直线概念,以对云边界进行重新描述。
1、云锋区具有区域性
本实施例中,云边界其实是云团大气与其上下界的环境大气之间的过渡带交界面,交界面中各气象要素变化是不连续的,并非一条直线,因此云底和云顶与环境大气之间其实没有真正的物理边界,即无法使用直线的概念来表示云边界。
进一步地,本实施例中,云锋区可以定义为云底和云顶附近的区域,具体的,该附近的区域为云团大气与其上下界的环境大气的过渡带区域。
2、云锋区具有锋结构
2.1锋结构及其特点
本实施例中,锋结构,又称锋,或者锋面,是两个热力性质不同、或者两个密度不同的气团之间的狭窄过渡带。
早期,锋作为不连续的概念被提出,认为锋面就是一个物质面,即不连续的面。
图1是本发明实施1中提供的一种零级不连续面上密度分布图,图2是本发明实施1中提供的一种一级不连续面上密度分布图。
一方面,如果把锋面作为密度ρ和温度T的零级不连续面,即认为在锋面两侧气象要素本身不连续,如图1所示。
另一方面,如果锋面是一级不连续面,即靠近锋区两侧的冷暖气团的气压和密度都是连续的,但锋区内有密度的一级不连续(即:密度导数不连续)以及气压的二级不连续(即:气压的二阶导数不连续),如图2所示。
2.2云锋区与冷暖气团具有相似性,同样具有锋结构
冷暖气团是两个热力性质不同、或者两个密度不同的气团,因此,冷暖气团的交界面具有锋结构。而锋结构反过来可以用来表征冷暖气团的交界面的物理性质。
进一步地,云团大气与环境大气之间同冷暖气团一般,也可以视为两种不同属性的气团。
而且,云团大气与环境大气之间无论在气象要素特性方面,还是物理结构特性方面均存在较大差异,在这一点上,也与冷暖气团的交界面相类似。例如:环境大气的水汽(湿度)与云内的水汽(湿度)、云内的温度与环境大气温度、云内的风场结构特征与环境大气风场的特征等均存在较大差异;又例如,云内的各种气象要素的垂直结构与环境大气各个气象要素的垂直结构也存在较大的差异。
进一步地,类比于冷暖气团交界面,本实施例中,同样可以采用锋结构来表示云团大气与环境大气之间的性质差异,如在气象要素特性方面,或者在物理结构特性方面的差异性。需要说明的是,只是云团大气与环境大气之间空间尺度要比锋面两侧的冷暖气团小得多。
综上,由于云团大气与环境大气之间的交界面,具有锋结构一样不连续的特点,可以认为云底和云顶与环境大气之间其实没有真正的物理边界,进一步地,可以借鉴锋面理论将云底和云顶附近区域定义为“云锋区”,即“云锋区”是云团大气与其上下界的环境大气的过渡带区域,而该过渡带区域就是本实施例中重新定义的云边界。
3、利用锋面理论分析云锋区的锋结构
本实施例中,还可以采用锋面理论提出的锋结构特性来分析云边界特性,如:云底、云顶的结构特性。
具体的,云团大气内部由于大量的水汽凝结、潜热释放,从而在温度、湿度、水凝物分布方面与其周围的环境大气产生了较大的差异,而这些差异在“云锋区”中表现尤为显著,具有要素梯度大、要素的垂直梯度变化幅度较大等变化特征。
进一步地,本实施例中,提出采取类似锋区要素(如温度、湿度、水凝物等观测数据)的连续变化以及导数不连续变化的分析方法开展“云锋区”的特性分析,进而确定出云边界的范围。
本实施例提出一种基于多源观测数据的云边界判识方法,可用于探测出云锋区的目标区间,作为云边界。图3为本发明实施1中提供的一种基于多源观测数据的云边界判识方法的流程图,参照图3,该方法可以具体包括如下的步骤:
S110、使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据。
其中,目标云是待判别云边界的云团大气。设备可以包括:无线电探空设备、毫米波雷达和风廓线雷达等气象探测设备。多源设备指的是使用至少一种气象探测设备。每种设备对目标云进行探测,可以得到不同的观测数据。
本实施例中,将对各种不同的气象探测设备如何对目标云进行探测进行详细说明。
1、无线电探空设备
本实施例中,无线电探空设备是由L波段雷达和无线电探空仪组成的高空探测系统,其中无线电探空仪通常是由充满氦气或氢气的气球(风向球)搭载升空,在中低层大气测量大气中的温度、湿度、风等要素的垂直分布,并通过无线信道遥测将数据传回地面接收系统的仪器。
该无线电探空设备可探测的观测数据包括:目标云及环境大气的相对湿度数据和温度数据。
在一实施例中,可以使用无线电探空设备采集原始探空秒数据;对原始探空秒数据进行预处理,得到目标云内外各高度对应的温度数据和相对湿度数据。
在具体的实施例中,预处理可以包括:(1)基于原始探空秒数据按照每5m间隔进行三次样条插值,以获得相对平滑、等间隔分布的标准化的廓线数据。(2)为减少廓线数据由于温湿局地较大的脉动所带来的“毛刺”现象,可以对标准化后的廓线数据进行滑动平均处理,具体的,可以根据探空分辨率以及云层的垂直尺度,设定100m的步长进行滑动平均处理。(3)对滑动平滑后的廓线数据按照100m间隔进行提取并进行三次样条插值,从而建立低垂直分辨率的探空廓线。
2、毫米波雷达
本实施例中,毫米波雷达是指工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波是指30~300GHz频域(波长为1~10mm)的电磁波。毫米波的波长介于微波和远红外波之间,因此毫米波雷达兼有这两种波谱的一些优点。
该毫米波雷达可探测的观测数据包括:目标云及环境大气的反射率因子数据。
在一实施例中,可以使用毫米波雷达对目标云进行探测,得到原始的反射率因子数据;基于神经网络算法消除原始的反射率因子数据中的干扰回波及低空非气象杂波,得到处理后的反射率因子数据。
3、风廓线雷达
本实施例中,风廓线雷达是是通过向高空发射不同方向的电磁波束,接收并处理这些电磁波束因大气垂直结构不均匀而返回的信息进行高空风场探测的一种气象探测设备。风廓线雷达利用多普勒效应能够探测其上空风向、风速等气象要素随高度的变化情况,具有探测时空分辨率高、自动化程度高等优点。
本实施例中,风廓线雷达可探测的观测数据包括:信噪比数据。
在一实施例子中,可以使用风廓线雷达对目标云进行探测,得到风廓线观测数据;对风廓线观测数据进行质量控制之后,确定风廓线雷达的信噪比数据。
具体的,对风廓线数据进行质量控制,可以使用风廓线雷达单站时间一致性平均质控方法、二次曲面近似检查和垂直切变检查算法等,并基于探空、模式背景场资料,对风廓线雷达水平风组网均一性进行质量控制。
本实施例中,探空获取的温度可以用T表示、相对湿度可以用RH表示;毫米波雷达获取的反射率因子可以用ZC表示。
进一步地,各观测数据的一阶导数可分别表示为:
其中,为温度的一阶导数,Zi和Zi+1分别表示第i层和第i+1层(i取值范围从0到N,N表示最大高度层数)的高度,Ti和Ti+1则分别表示Zi和Zi+1高度上的温度值,同理,和分别表示相对湿度和反射率因子的一阶导数。
而各观测数据的二阶导数可分别表示为:
S120、基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型。
本实施例中,云类型可以包括对流云和层状云等。一般的,对于不同云类型而言,云内外温度、湿度、反射率因子的梯度差异有所不同。
本实施例中,观测数据的变化特征主要用于体现观测数据的梯度变化特征,可以包括以观测数据的一阶导数表征的一阶变化特征,也可以包括观测数据的二阶导数表征的二阶变化特征,也可以包括其他阶导数表征的多阶变化特征。
本实施例中,分别以云类型为对流云和层状云进行举例分析。图4为本发明实施例1提供的对流云和层状云的云锋区及云内外观测要素梯度变化差异的示意图。
1、对流云
对流云是由空气垂直对流而产生的云,多产生在夏季。一般来说,对流云由于潜热释放较大,云内热量动量充分混合,云内外温度梯度差异相比层状云要大。而对于对流云来讲,又可以分为两种情况考虑,一种是浅对流,一种是深对流。
当对流云属于浅对流时,其云顶尚未达到对流层顶部或平流层底部,在云顶部与其环境大气之间的过渡带,即“云锋区”,由于云内强烈的上升气流输送的水汽、水凝物和云内的释放潜热等,使得上述观测数据在云锋区内迅速发生改变,并随高度在云锋区内迅速减小,其垂直梯度和要素垂直梯度变化率与对流云底部相比,变化更加显著。
当对流云发生了深对流时,即对流云发展十分旺盛,其云顶已经抵达对流层顶或平流层底部区域,这时的对流云顶,可以相对容易的根据探空数据(温度数据和相对湿度数据)和毫米波雷达数据(反射率因子数据)分析出云顶的高度。此时,云顶的温度随高度变化表现为逆温廓线,这一特征基本确定了对流云顶边界的范围,同时,还可以根据毫米波雷达发射率因子随高度变化梯度十分显著的特征来识别云边界范围。
2、层状云
层状云是布满全天或部分天穹的均匀(指厚度、灰度和透光程度均匀)云层。层状云与对流云相比至少存在如下区别:
区别1:层状云相对对流云而言潜热释放较少,云内外温度递减率差异较小。
区别2:由于对流云上升运动及碰并效应较显著,造成云内粒子谱宽相对层状云要大。
进一步地,本实施例中,根据区别1和区别2所示的一些对流云与层状云在观测数据上的差异,可以将步骤S120细化为如下步骤:
S121、确定目标云内外的温度数据递减率之间的差异,作为第一变化特征值。
本实施例中,可以根据区别1,可通过比较云内外温度(T)随高度的递减率(一阶导数)的差异来作为区分对流云和层状云的判据。具体的,可以将目标云内的温度数据随高度的递减率,作为第一递减率;将目标云外的温度数据随高度的递减率,作为第二递减率;将所述第一递减率与所述第二递减率之间的差值,确定为第一变化特征值。
S122、确定目标云内的反射率因子数据的二阶导数的脉动变化,作为第二变化特征值。
本实施例中,可以根据区别2,反映到毫米波雷达反射率因子的二阶导数存在较大的脉动变化,可通过计算云内反射率因子二阶导数的标准偏差来表示。具体的,可以将目标云内的反射率因子数据的二阶导数的标准偏差,确定为第二变化特征值。
S123、将第一变化特征值与第一预置阈值进行比较,以确定目标云的云类型。
具体的,若第一变化特征值超过第一预置阈值,且第二变化特征值超过第二预置阈值的目标云,确定为归属于对流云;若第一变化特征值低于第一预置阈值,且第二变化特征值低于第二预置阈值的目标云,确定为归属于层状云。
S130、针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。
本实施例中,可以针对不同的云类型,根据所述温度数据和所述相对湿度数据在云锋区中的不连续特征,确定出所述云锋区的第一个分区间;根据云中水凝物引起的反射率因子数据的变化特征,确定出所述云锋区的第二个分区间。
需要说明的是,针对层状云的情况,还可以根据云锋区受大气湍流影响所引起的信噪比数据的变化特征,确定云锋区的第三个分区间。
本实施例中,将对使用不同设备确定不同分区间进行详细描述。
1、使用无线电探空设备确定的第一分区间
本实施例中,第一分区间可以使用无线电探空设备探测到的温度数据和相对湿度数据在云锋区中的不连续特征进行确定。
具体的,在使用无线电探空设备确定第一分区间时,可以采用如下步骤:
第一步,可以采用相对湿度阈值法来判断云高。
具体的,主要包括以下几方面:(1)当气温低于0℃时,要按照冰面饱和水汽压计算相对湿度。(2)云层中相对湿度最大值和最小值设定合理范围;(3)相对湿度在云顶附近有负的跳变,在云底附近有正的跳变;(4)云区阈值采用分段方式设定,随着高度增加,相对湿度阈值逐渐减小。
第二步,可以采用温度湿度导数法来判识云高。
具体的,可以根据“云锋区”理论,云边界区域的温度和湿度会存在梯度的剧烈变化,由于云内大气相对湿度高于云外,相对湿度达到局部最大值,即寻找相对湿度一阶导数的极值,极大值表征云底高度,极小值表征云顶高度,即而由于水汽的凝结及其伴随的潜热释放使得温度在云底附近随高度的增加而停止下降甚至上升
第三步,可以结合相对湿度阈值法和一阶导数法判断云垂直结构。
具体的,单凭湿度阈值判断云底高度,阈值过高容易造成云底偏高,甚至漏判,阈值偏低则会造成云底偏低或误判。而一阶导数方法也有局限性,在有些湿层温湿度变化起伏较大,造成导数递减率在无云区域也较大。因此将两种方法结合,首先利用湿度阈值确定大致的云层分布区域,然后利用一阶导数进行质量控制以精准确定入云点。
进一步的,在确定“云锋区”的第一分区间时,不同云类型的目标云所采用判识条件有些许不同,具体的,可以参照表1。
表1
2、使用毫米波雷达确定的第二分区间
本实施例中,第二分区间可以根据云中水凝物引起的反射率因子数据的变化特征进行确定。
本实施例中,在确定“云锋区”的第二分区间时,针对不同云类型的目标云可以采用不同的判识条件,具体的,可以参照表2。
表2
具体的,可以根据毫米波雷达反射率因子的最低阈值,将高于–40dBZ的反射率因子提取出来用于云边界的判断。而后,根据毫米波雷达的垂直分辨率(30m)对反射率因子廓线按照每120m进行滑动平均处理,从而去除水凝物的局地脉动变化而产生的干扰信息。最后对反射率因子廓线进行二阶求导,即由于水汽刚达到饱和时,云滴粒径还比较小,形成的水汽和云滴混合层对雷达发射的电磁波产生的散射能量比较微弱,当云滴逐渐长大直到在“云锋区”出现增长率极值,从雷达信号中反映为反射率因子的垂直变化率出现极值,从而可以表征云高出现的位置和范围。此外,由于毫米波雷达时间分辨率较高(1min),这里对该资料进行10min平均处理。
3、使用风廓线雷达确定的第三分区间
针对层状云的情况,第三分区间可以根据云锋区受大气湍流影响所引起的信噪比数据的变化特征进行确定。
具体的,可以参照表3,由于风廓线雷达信噪比与比湿梯度显著相关,而云底是空气饱和与未饱和的临界面,比湿梯度会发生骤增,相应信噪比也会显著增强,所以云底区域往往对应于信噪比垂直梯度最大正值的区域,因此可考虑选取信噪比梯度为正的极大值的区域来确定云底的位置。
表3
进一步地,可以根据多个所述分区间,确定所述目标云中云锋区的目标区间。
具体的,可以将多个分区间的上区间值中最大的一个值,作为目标上区间值;将多个分区间的下区间值中最小的一个值,作为目标区间的目标下区间值;以目标下区间值和目标上区间值确定的区间,作为目标云中云锋区的目标区间。
本实施例中,将以具体的例子进行详细说明。示例性的,在北京大气探测综合试验基地(地理位置:39.81°N,116.47°E,海拔高度32m)布设了Ka波段全固态垂直指向多普勒毫米波雷达,用于穿透云层并连续监测云的时空变化,是研究云的垂直结构的重要工具。另外,试验基地还布设有激光云高仪、微波辐射计、风廓线雷达等新型地基气象探测设备。此外,还有常规业务运行L波段探空为多源设备综合观测云边界提供了可能。因此,基于该试验基地布设的毫米波雷达、风廓线雷达、探空时空同步观测数据开展对流云和层状云“云锋区”的试验研究。
在一具体实施例中,针对层状云的情况,图5为本发明实施例1提供的2017年8月28日00:00-23:59(北京时)的毫米波雷达反射率因子时序图;图6为本发明实施例提供的2017年8月28日18:00-21:00(北京时)的毫米波雷达反射率因子时序图;图7为本发明实施例1提供的2017年8月28日19:40(北京时)毫米波雷达反射率因子廓线图;图8为图7所示反射率因子廓线的一阶导数示意图;图9为7所示反射率因子廓线的二阶导数示意图。
具体的,对比图5和图6,可以确定18:00-21:00(北京时)这一时段为较均匀的层状云。本实施例中,如图7-图9所示,可以取19:20-19:40(北京时)每10min反射率因子廓线分别进行“云锋区”分析,并以19:40(北京时)的资料为例做反射率因子廓线图及其一阶导数和二阶导数廓线图。
图10为本发明实施例1提供的2017年8月28日20:00(北京时)探空观测温度、相对湿度、相对冰面相对湿度廓线图;图11为图10所示各观测数据廓线的一阶导数示意图;图12为图10所示各观测数据廓线的二阶导数示意图。图13为本发明实施例1提供的2017年8月28日00:00-23:59(北京时)南郊风廓线雷达观测的信噪比数据的时序图;图14为图13所示信噪比数据的一阶导数的时序图;图15为本发明实施例1提供的2017年8月28日18:00-21:00(北京时)南郊风廓线雷达观测的信噪比数据的时序图;图16为图15所示信噪比数据的一阶导数的时序图。
其中,图10还叠加了判云的相对湿度阈值廓线,通过湿度廓线是否与其相交从而判断是否进入云区。
进一步的,结合图5-图16,并根据表1-3所示的判别条件,可以得出如表4的分区间范围。
表4
进一步的,从表4中,针对云锋区中“云底锋区”的情况,7.08km、7.245km和7.00km中,最小值为7.00km,则目标上区间值设置为7.00km;7.32km、7.335km和7.47km中,最大值为7.47km,则目标下区间值为7.47km;可以确定云锋区中“云底锋区”的目标范围为“7.00km-7.47km”。
进一步地,针对“云顶锋区”的情况,11.28km和12.72km中,最小值为11.28km,则目标上区间值设置为11.28km;11.4km和12.78km中,最大值为12.78km,则目标下区间值为12.78km;可以确定云锋区中“云顶锋区”的目标范围为“11.28km-12.78km”。
在又一实施例中,针对对流云的情况,图17为本发明实施例1提供的2018年6月30日00:00-23:59(北京时)的毫米波雷达反射率因子时序图;图18为本发明实施例提供的2018年6月30日18:00-21:00(北京时)的毫米波雷达反射率因子时序图;图19为本发明实施例1提供的2018年6月30日19:30(北京时)毫米波雷达反射率因子廓线图;图20为图19所示反射率因子廓线的一阶导数示意图;图21为图19所示反射率因子廓线的二阶导数示意图。
图22为本发明实施例1提供的2018年6月30日20:00(北京时)探空观测温度、相对湿度、相对冰面相对湿度廓线图;图23为图22所示各观测数据廓线的一阶导数示意图;图24为图22所示各观测数据廓线的二阶导数示意图。
其中,图22还叠加了判云的相对湿度阈值廓线。
图25为本发明实施例1提供的2018年6月30日00:00-23:59(北京时)风廓线雷达观测的信噪比数据的时序图;图26为图25所示信噪比数据的一阶导数的时序图;图27为本发明实施例1提供的2018年6月30日18:00-21:00(北京时)风廓线雷达观测的信噪比数据的时序图;图28为图27所示信噪比数据的一阶导数的时序图。
从当天风廓线雷达观测信噪比及一阶导数的时序图来看,由于降水导致信噪比取极大值的位置基本贴近近地层,影响了对云底位置的判断,这主要是因为风廓线雷达工作频段是L波段,对降水粒子也很敏感,因此,当发生降水时降水粒子的回波强度远大于大气湍流,信噪比的梯度变化无法很好地反映水汽的变化,从而对判断云底产生较大误差,也间接说明了利用风廓线雷达信噪比反演降水天气的云底高度会失效。
进一步的,结合图17-图28,并根据表1-3所示的判别条件,可以得出如表5的分区间范围。
表5
进一步的,从表5中,针对云锋区中“云底锋区”的情况,4.2km和4.99km中,最小值为4.2km,则目标上区间值设置为4.2km;4.32km和5.03km中,最大值为5.03km,则目标下区间值为5.03km;可以确定云锋区中“云底锋区”的目标范围为“4.2km-5.03km”。
进一步地,针对“云顶锋区”的情况,12.6km和13.775km中,最小值为12.6km,则目标上区间值设置为12.6km;12.72km和13.820km中,最大值为13.820km,则目标下区间值为13.820km;可以确定云锋区中“云顶锋区”的目标范围为“12.6km-13.820km”。
本实施例提供的技术方案中,提出了涉及云边界的概念---“云锋区”,即云团大气和其上下界环境大气的过渡带区域;通过使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;针对不同的所述云类型,对多源设备观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。该方法使用云锋区的概念弥补了传统意义上用直线表示的云边界的缺陷,并将不同观测数据探测的云边界归到较为一致的范围和区间,解决了以往不同技术手段探测云边界具有差异性的问题,达到综合气象观测的协同和统一的技术效果。
具体的,包括如下优点:
(1)通过不同设备观测云边界的差异发现云边界概念的局限性,借助天气学锋面理论,将云边界的概念由“云团大气与环境大气之间的分界线”拓展为“云团大气与环境大气之间的过渡带区域”,即“云锋区”,并研发发现不同设备观测数据在云锋区均具有要素梯度变化不连续的特征,这对于判识云边界是一次全新的尝试,有利于提高人们对云边界的理解。
(2)综合利用毫米波雷达、无线电探空设备以及风廓线雷达等多源设备开展协同观测研究,有利于从云的多种物理属性(含水特性、热力学特性、粒子散射特性)获得高精度、多角度的“云锋区”变化特征。
(3)根据对流云和层状云在“云锋区”内要素梯度变化差异,可用于不同云类型的目标云的判识条件,从而在业务中达到应用价值。
实施例2
本申请提供一种基于多源观测数据的云边界判识装置,该装置可以通过软件和/或硬件的方式实现,并集成在可进行在基于多源观测数据的云边界判识设备中。可选的,该基于多源观测数据的云边界判识设备包括但不限定于电脑、服务器等终端。本实施例中,以该基于多源观测数据的云边界判识设备为服务器为例进行详细说明。
图29为本发明实施2中提供的一种基于多源观测数据的云边界判识装置的结构示意图。参照图29,该装置,具体包括如下结构:观测数据探测模块210、云类型确定模块220和云边界确定模块230。
观测数据探测模块210,用于使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;
云类型确定模块220,用于基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;
云边界确定模块230,用于针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。
本实施例的技术方案中,提出了涉及云边界的概念---“云锋区”,即云团大气和其上下界环境大气的过渡带区域;通过使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界,使用云锋区的概念弥补了传统意义上用直线表示的云边界的缺陷,并将不同观测数据探测的云边界归到较为一致的范围和区间,解决了以往不同技术手段探测云边界具有差异性的问题,达到综合气象观测的协同和统一的技术效果。
在上述技术方案的基础上,所述多源设备包括:无线电探空设备。所述观测数据包括:所述目标云和环境大气的相对湿度数据和温度数据。
观测数据探测模块210,包括:
探空秒数据采集单元,用于使用无线电探空设备采集原始探空秒数据。
温度和相对湿度数据获取单元,用于对所述原始探空秒数据进行预处理,得到所述目标云内外各高度对应的温度数据和相对湿度数据。
在上述技术方案的基础上,所述多源设备包括:毫米波雷达。所述观测数据包括:所述目标云和环境大气的反射率因子数据。
观测数据探测模块210,包括:
反射率因子探测单元,用于使用所述毫米波雷达对所述目标云进行探测,得到原始的反射率因子数据。
反射率因子处理单元,用于基于神经网络算法消除原始的所述反射率因子数据中的干扰回波及低空非气象杂波,得到处理后的反射率因子数据。
在上述技术方案的基础上,所述多源设备包括:风廓线雷达。所述观测数据包括:信噪比数据。
观测数据探测模块210,包括:
风廓线数据探测单元,用于使用所述风廓线雷达对所述目标云进行探测,得到风廓线观测数据。
信噪比数据确定单元,用于对所述风廓线数据进行质量控制之后,确定风廓线雷达的信噪比数据。
在上述技术方案的基础上,所述观测数据包括:温度数据和反射率因子数据。
云类型确定模块220,包括:
第一变化特征值确定单元,用于确定目标云内外的温度数据递减率之间的差异,作为第一变化特征值。
第二变化特征值确定单元,用于确定目标云内的反射率因子数据的二阶导数的脉动变化,作为第二变化特征值。
云类型确定单元,用于若第一变化特征值超过第一预置阈值,且所述第二变化特征值超过第二预置阈值的目标云,确定为归属于对流云;若第一变化特征值低于第一预置阈值,且所述第二变化特征值低于第二预置阈值的目标云,确定为归属于层状云。
在上述技术方案的基础上,所述第一变化特征值确定单元,包括:
第一递减率确定子单元,用于将目标云内的温度数据随高度的递减率,作为第一递减率。
第二递减率确定子单元,用于将目标云外的温度数据随高度的递减率,作为第二递减率。
第一变化特征值确定子单元,用于将所述第一递减率与所述第二递减率之间的差值,确定为第一变化特征值。
在上述技术方案的基础上,第二变化特征值确定单元,包括:
第二变化特征值确定子单元,用于将所述目标云内的反射率因子数据的二阶导数的标准偏差,确定为第二变化特征值。
在上述技术方案的基础上,所述观测数据包括:温度数据、相对湿度数据、反射率因子数据。
所述云边界确定模块230,包括:
第一分区间确定单元,用于针对不同的所述云类型,根据所述温度数据和所述相对湿度数据在云锋区中的不连续特征,确定出所述云锋区的第一个分区间。
第二分区间确定单元,用于根据云中水凝物引起的反射率因子数据的变化特征,确定出所述云锋区的第二个分区间。
目标区间确定单元,用于根据多个所述分区间,确定所述目标云中云锋区的目标区间。
在上述技术方案的基础上,所述云类型为层状云。所述观测数据还包括:信噪比数据。
该云边界确定模块230,还包括:
第三分区间确定单元,用于在所述根据多个所述分区间,确定所述目标云中云锋区的目标区间之前,根据云锋区受大气湍流影响所引起的信噪比数据的变化特征,确定所述云锋区的第三个分区间。
在上述技术方案的基础上,所述目标区间确定单元,包括:
目标上区间值确定子单元,用于将多个所述分区间的上区间值中最大的一个值,作为目标上区间值。
目标下区间值确定子单元,用于将多个所述分区间的下区间值中最小的一个值,作为目标区间的目标下区间值。
目标区间确定子单元,用于以所述目标下区间值和所述目标上区间值确定的区间,作为所述目标云中云锋区的目标区间。
实施例3
图30为本发明实施例3提供的一种基于多源观测数据的云边界判识设备的结构示意图。如图30所示,该基于多源观测数据的云边界判识设备包括:处理器30、存储器31、输入装置32以及输出装置33。该基于多源观测数据的云边界判识设备中处理器30的数量可以是一个或者多个,图3中以一个处理器30为例。该基于多源观测数据的云边界判识设备中存储器31的数量可以是一个或者多个,图3中以一个存储器31为例。该基于多源观测数据的云边界判识设备的处理器30、存储器31、输入装置32以及输出装置33可以通过总线或者其他方式连接,图3中以通过总线连接为例。该基于多源观测数据的云边界判识设备可以是电脑和服务器等。本实施例以基于多源观测数据的云边界判识设备为服务器进行详细说明,该服务器可以是独立服务器或集群服务器。
存储器31作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的基于多源观测数据的云边界判识方法对应的程序指令/模块(例如,基于多源观测数据的云边界判识装置中的观测数据探测模块210、云类型确定模块220和云边界确定模块230)。存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器31可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器31可进一步包括相对于处理器30远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置32可用于接收输入的数字或者字符信息,以及产生与基于多源观测数据的云边界判识设备的设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置33可以包括扬声器等音频设备。需要说明的是,输入装置32和输出装置33的具体组成可以根据实际情况设定。
处理器30通过运行存储在存储器31中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于多源观测数据的云边界判识方法。
实施例4
本发明实施例4还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于多源观测数据的云边界判识方法,包括:
使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;
基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;
针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的基于多源观测数据的云边界判识方法操作,还可以执行本发明任意实施例所提供的基于多源观测数据的云边界判识方法中的相关操作,且具备相应的功能和有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的基于多源观测数据的云边界判识方法。
值得注意的是,上述基于多源观测数据的云边界判识装置中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“在一实施例中”、“在又一实施例中”、“示例性的”或“在具体的实施例中”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (11)
1.一种基于多源观测数据的云边界判识方法,其特征在于,包括:
使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;
基于观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;
针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界;
所述观测数据包括:温度数据、相对湿度数据、反射率因子数据;
所述针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,包括:
针对不同的所述云类型,根据所述温度数据和所述相对湿度数据在云锋区中的不连续特征,确定出所述云锋区的第一个分区间;
根据云中水凝物引起的反射率因子数据的变化特征,确定出所述云锋区的第二个分区间;
根据多个所述分区间,综合确定所述目标云中云锋区的目标区间;
所述根据多个所述分区间,综合确定所述目标云中云锋区的目标区间,作为所述目标云的边界,包括:
将多个所述分区间的上区间值中最大的一个值,作为目标上区间值;
将多个所述分区间的下区间值中最小的一个值,作为目标区间的目标下区间值;
以所述目标下区间值和所述目标上区间值确定的区间,作为所述目标云中云锋区的目标区间。
2.根据权利要求1所述的方法,其特征在于,所述多源设备包括:无线电探空设备;所述观测数据包括:相对湿度数据和温度数据;
使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据,包括:
使用无线电探空设备采集原始探空秒数据;
对所述原始探空秒数据进行预处理,得到所述目标云内外各高度对应的温度数据和相对湿度数据。
3.根据权利要求1所述的方法,其特征在于,所述多源设备包括:毫米波雷达;所述观测数据包括:反射率因子数据;
所述使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据,包括:
使用所述毫米波雷达对所述目标云进行探测,得到原始的反射率因子数据;
基于神经网络算法消除原始的所述反射率因子数据中的干扰回波及低空非气象杂波,得到处理后的反射率因子数据。
4.根据权利要求1所述的方法,其特征在于,所述多源设备包括:风廓线雷达;所述观测数据包括:信噪比数据;
所述使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据,包括:
使用所述风廓线雷达对所述目标云进行探测,得到风廓线数据;
对所述风廓线数据进行质量控制之后,确定风廓线雷达的信噪比数据。
5.根据权利要求1所述的方法,其特征在于,所述观测数据包括:温度数据和反射率因子数据;
所述基于观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型,包括:
确定目标云内外的温度数据递减率之间的差异,作为第一变化特征值;
确定目标云内的反射率因子数据的二阶导数的脉动变化,作为第二变化特征值;
若第一变化特征值超过第一预置阈值,且所述第二变化特征值超过第二预置阈值的目标云,确定为归属于对流云;
若第一变化特征值低于第一预置阈值,且所述第二变化特征值低于第二预置阈值的目标云,确定为归属于层状云。
6.根据权利要求5所述的方法,其特征在于,所述确定目标云内外的温度数据递减率之间的差异,作为第一变化特征值,包括:
将目标云内的温度数据随高度的递减率,作为第一递减率;
将目标云外的温度数据随高度的递减率,作为第二递减率;
将所述第一递减率与所述第二递减率之间的差值,确定为第一变化特征值。
7.根据权利要求5所述的方法,其特征在于,所述确定目标云内的反射率因子数据的二阶导数的脉动变化,作为第二变化特征值,包括:
将所述目标云内的反射率因子数据的二阶导数的标准偏差,确定为第二变化特征值。
8.根据权利要求1所述的方法,其特征在于,所述云类型为层状云;所述观测数据还包括:信噪比数据;
在所述根据多个所述分区间,确定所述目标云中云锋区的目标区间之前,还包括:
根据云锋区受大气湍流影响所引起的信噪比数据的变化特征,确定所述云锋区的第三个分区间。
9.一种基于多源观测数据的云边界判识装置,其特征在于,包括:
观测数据探测模块,用于使用多源设备对目标云进行探测,得到反映所述目标云特征的观测数据;
云类型确定模块,用于基于所述观测数据在所述目标云内外的变化特征,确定所述目标云所属的云类型;
云边界确定模块,用于针对不同的所述云类型,对所述观测数据进行分析,综合判识得到所述目标云中云锋区的目标区间,作为所述目标云的边界;
所述观测数据包括:温度数据、相对湿度数据、反射率因子数据,所述云边界确定模块,包括:
第一分区间确定单元,用于针对不同的所述云类型,根据所述温度数据和所述相对湿度数据在云锋区中的不连续特征,确定出所述云锋区的第一个分区间;
第二分区间确定单元,用于根据云中水凝物引起的反射率因子数据的变化特征,确定出所述云锋区的第二个分区间;
目标区间确定单元,用于根据多个所述分区间,确定所述目标云中云锋区的目标区间;
所述目标区间确定单元,包括:
目标上区间值确定子单元,用于将多个所述分区间的上区间值中最大的一个值,作为目标上区间值;
目标下区间值确定子单元,用于将多个所述分区间的下区间值中最小的一个值,作为目标区间的目标下区间值;
目标区间确定子单元,用于以所述目标下区间值和所述目标上区间值确定的区间,作为所述目标云中云锋区的目标区间。
10.一种基于多源观测数据的云边界判识设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的基于多源观测数据的云边界判识方法。
11.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的基于多源观测数据的云边界判识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363575.1A CN112526638B (zh) | 2020-11-27 | 2020-11-27 | 一种基于多源观测数据的云边界判识方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363575.1A CN112526638B (zh) | 2020-11-27 | 2020-11-27 | 一种基于多源观测数据的云边界判识方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112526638A CN112526638A (zh) | 2021-03-19 |
CN112526638B true CN112526638B (zh) | 2022-07-29 |
Family
ID=74994712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363575.1A Active CN112526638B (zh) | 2020-11-27 | 2020-11-27 | 一种基于多源观测数据的云边界判识方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112526638B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114111705A (zh) * | 2021-10-20 | 2022-03-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种利用气象卫星资料计算云底高度的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078778A (zh) * | 2007-04-18 | 2007-11-28 | 刘永禄 | 地面拼接云图观测设备 |
CN102628944A (zh) * | 2012-03-16 | 2012-08-08 | 兰州大学 | 一种基于多普勒雷达资料的层云与对流云自动识别方法 |
CN107561555A (zh) * | 2017-08-31 | 2018-01-09 | 兰州大学 | 反演边界层高度的方法、装置、计算机设备及存储介质 |
KR20180072584A (ko) * | 2016-12-21 | 2018-06-29 | 목원대학교 산학협력단 | 라이다를 이용한 구름의 운고, 운저 및 대기 경계층 고도 판별 방법 |
CN108256546A (zh) * | 2017-11-30 | 2018-07-06 | 中国人民解放军国防科技大学 | 一种非降水条件下大气边界层高度探测方法和系统 |
CN108416031A (zh) * | 2018-03-12 | 2018-08-17 | 南京恩瑞特实业有限公司 | Nriet气象多源探测资料融合分析系统 |
CN108614309A (zh) * | 2018-05-11 | 2018-10-02 | 西安理工大学 | 云水资源探测系统及方法 |
CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286233B (zh) * | 2008-05-19 | 2010-06-30 | 重庆邮电大学 | 基于对象云的模糊边缘检测方法 |
CN107944357B (zh) * | 2017-11-13 | 2020-02-14 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
-
2020
- 2020-11-27 CN CN202011363575.1A patent/CN112526638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078778A (zh) * | 2007-04-18 | 2007-11-28 | 刘永禄 | 地面拼接云图观测设备 |
CN102628944A (zh) * | 2012-03-16 | 2012-08-08 | 兰州大学 | 一种基于多普勒雷达资料的层云与对流云自动识别方法 |
KR20180072584A (ko) * | 2016-12-21 | 2018-06-29 | 목원대학교 산학협력단 | 라이다를 이용한 구름의 운고, 운저 및 대기 경계층 고도 판별 방법 |
CN107561555A (zh) * | 2017-08-31 | 2018-01-09 | 兰州大学 | 反演边界层高度的方法、装置、计算机设备及存储介质 |
CN108256546A (zh) * | 2017-11-30 | 2018-07-06 | 中国人民解放军国防科技大学 | 一种非降水条件下大气边界层高度探测方法和系统 |
CN108416031A (zh) * | 2018-03-12 | 2018-08-17 | 南京恩瑞特实业有限公司 | Nriet气象多源探测资料融合分析系统 |
CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
CN108614309A (zh) * | 2018-05-11 | 2018-10-02 | 西安理工大学 | 云水资源探测系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于COSMIC资料的边界层高度时空特征分析;廖麒翔 等;《气象科学》;20151231;第35卷(第6期);第737-743页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112526638A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Characteristics of the raindrop size distribution and drop shape relation in typhoon systems in the western Pacific from the 2D video disdrometer and NCU C-band polarimetric radar | |
Vickery et al. | A hurricane boundary layer and wind field model for use in engineering applications | |
Ortega et al. | Polarimetric radar characteristics of melting hail. Part III: Validation of the algorithm for hail size discrimination | |
Anagnostou | A convective/stratiform precipitation classification algorithm for volume scanning weather radar observations | |
Willoughby et al. | Parametric representation of the primary hurricane vortex. Part I: Observations and evaluation of the Holland (1980) model | |
Mecikalski et al. | Forecasting convective initiation by monitoring the evolution of moving cumulus in daytime GOES imagery | |
Zhang et al. | Impacts of initial estimate and observation availability on convective-scale data assimilation with an ensemble Kalman filter | |
US8098188B2 (en) | Method of characterizing the convection intensity of a cloud, by a meteorological radar | |
Kumar et al. | Mass-flux characteristics of tropical cumulus clouds from wind profiler observations at Darwin, Australia | |
Bouniol et al. | Using continuous ground-based radar and lidar measurements for evaluating the representation of clouds in four operational models | |
Kosiba et al. | Finescale dual-Doppler analysis of hurricane boundary layer structures in Hurricane Frances (2004) at landfall | |
Deng et al. | Cirrus microphysical properties and air motion statistics using cloud radar Doppler moments. Part I: Algorithm description | |
Dong et al. | The analysis and impact of simulated high-resolution surface observations in addition to radar data for convective storms with an ensemble Kalman filter | |
Adirosi et al. | Evaluation of gamma raindrop size distribution assumption through comparison of rain rates of measured and radar-equivalent gamma DSD | |
Xie et al. | Radar observation of evaporation and implications for quantitative precipitation and cooling rate estimation | |
Ghate et al. | Thermodynamic and radiative structure of stratocumulus-topped boundary layers | |
Surussavadee et al. | Global millimeter-wave precipitation retrievals trained with a cloud-resolving numerical weather-prediction model, Part II: Performance evaluation | |
Zheng et al. | Precipitation microphysical processes in the inner rainband of tropical cyclone Kajiki (2019) over the South China Sea revealed by polarimetric radar | |
CN112526638B (zh) | 一种基于多源观测数据的云边界判识方法及相关设备 | |
Zhang et al. | Comparison of raindrop size distributions in a midlatitude continental squall line during different stages as measured by parsivel over East China | |
Ghate et al. | Turbulence in the marine boundary layer and air motions below stratocumulus clouds at the ARM Eastern North Atlantic site | |
Matthee et al. | Quantitative differences between lightning and nonlightning convective rainfall events as observed with polarimetric radar and MSG satellite data | |
Huo et al. | Cloud classification and distribution of cloud types in Beijing using Ka-band radar data | |
Wang et al. | Composite vertical structure of vertical velocity in nonprecipitating cumulus clouds | |
Protat et al. | The statistical properties of tropical ice clouds generated by the West African and Australian monsoons, from ground‐based radar–lidar observations |
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 |