CN114047563A - 一种红外高光谱的全天候同化方法 - Google Patents

一种红外高光谱的全天候同化方法 Download PDF

Info

Publication number
CN114047563A
CN114047563A CN202111211296.8A CN202111211296A CN114047563A CN 114047563 A CN114047563 A CN 114047563A CN 202111211296 A CN202111211296 A CN 202111211296A CN 114047563 A CN114047563 A CN 114047563A
Authority
CN
China
Prior art keywords
cloud
observation
weather
field
channel
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
Application number
CN202111211296.8A
Other languages
English (en)
Other versions
CN114047563B (zh
Inventor
余意
张卫民
任开军
吴建平
赵延来
马烁
王舒畅
刘柏年
杜华栋
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111211296.8A priority Critical patent/CN114047563B/zh
Publication of CN114047563A publication Critical patent/CN114047563A/zh
Application granted granted Critical
Publication of CN114047563B publication Critical patent/CN114047563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了红外高光谱的全天候同化方法，步骤包括：使用非静力载水预报模式收集背景场云水廓线信息；获取通道包含的云辐射率和云量信息；对观测视场稀疏化处理，对水汽通道进行主成分重构，降低通道噪声水平，将处理后的观测再使用变分偏差订正方法处理；对视场进行初始质量控制和分类，对有云视场的中上对流层水汽通道使用云场景全天候R模型计算有云观测误差，进行同化计算，对其它通道通过变分质量控制方法计算初步分析场再进行同化计算；将分析场通过变分偏差订正方法处理，执行上一步；重复直到计算出最优分析场。本发明能对全天候天气进行准确地天气预报。

Description

一种红外高光谱的全天候同化方法
技术领域
本发明属于数值天气预报技术领域，尤其涉及一种红外高光谱的全天候同化方法。
背景技术
关于观测误差协方差的研究最开始源于卫星资料的同化应用。Bormann等指出对于卫星观测资料，由于观测误差的多样性，其不但存在空间相关误差，还存在通道相关误差。早在2001年，Desrosiers等对卫星资料观测误差协方差进行了初步的研究，通过改进背景误差协方差和观测误差协方差提出一种基于一致性分析准则，依靠统计观测值减去分析值代替观测误差统计。随后在2005年Desrosiers对观测误差协方差做了进一步改进，提出了目前应用最为广泛的观测误差协方差模型。其基本原理是在假设变分同化服从线性估计理论基础上，当背景误差和观测误差协方差矩阵准确时，利用观测同背景场残差和和观测同分析场残差来统计观测误差协方差矩阵。随着卫星红外高光谱仪器的投入使用，Collard对红外高光谱AIRS的观测误差协方差进行了研究，指出观测误差作为资料同化的核心问题之一，却在资料同化所提出的理论中认为观测误差为随机的且忽略观测误差相关，为了补偿忽略的相关误差，通常对观测误差变量进行膨胀，使观测在分析过程中具有更合适的低权重。这种观测误差协方差模型多年来同样应用于红外高光谱AIRS、IASI和CrIS资料的业务资料同化系统中。
随着人们对卫星资料同化方法的改进，由晴空同化方法向全天候同化方法的发展，对观测误差协方差模型提出了新的要求。Campbell等指出资料同化过程中，对于每一种观测资料都需要指定专门的观测误差协方差。权衡观测相对背景场的权重，需要在观测误差协方差中考虑误差相关。如果忽略了非零的相关，将导致同化分析场不准确。Okamoto等指出在全天候条件下，红外光谱的观测误差大小以及误差相关程度随云量的大小而变化。Zhang等在同化GOES-R上的ABI成像仪6.55微米水汽波段全天候观测资料时，应用了观测误差膨胀的观测误差协方差模型，但是没有考虑通道之间的相关性。Fabry等指出由于当前小尺度模式中云和降水预报能力有限，对于云场景的红外光谱其总误差主要来源于预报模式中的云和降水引起大的位移和强度误差，当前这种误差被理解为模式误差，实际上属于观测误差。Geer等提出了对称误差模型，利用微波成像仪37GHz的极化差计算的云量作为统计因子，得到了晴空和有云情况下的全天候误差分布，由此解决了微波资料云雨区观测误差非高斯分布的问题。受微波全天候资料同化应用的启发，Geer等对7个IASI水汽通道进行全天候观测资料同化，在观测误差协方差模型中建立了误差相关与云之间的联系，由此改善了同化分析场。Geer指出，对于红外高光谱全天候观测资料的同化应用，观测误差协方差模型需要同时考虑通道间的误差相关和方差随云量的变化。
国产自主卫星红外高光谱仪器近几年才投入使用，且整体上红外高光谱资料同化应用技术起步较晚，对红外高光谱的观测误差模型研究较少，主要集中在同化应用功能实现上。早期，曾庆存在《大气红外遥测原理》中，阐述了红外大气垂直探测通道不仅存在相关性，而且在有云情况下考虑云对观测误差的影响难度很大，困难在于没有云量等的相关统计资料。目前，国内针对红外高光谱开展的研究关于观测误差协方差模型研究的成果相对较少，但是这些工作为深入研究自主卫星红外高光谱观测误差协方差模型奠定了基础。狄迪率先基于RTTOV辐射传输模式第7版预报因子，训练了红外高光谱GIIRS的101层大气透过率系数，为模拟GIIRS红外高光谱资料的背景场水云信息奠定了基础。巩欣亚对FY-4A卫星上时空匹配的GIIRS和成像仪AGRI作辐射校验分析，得出晴空条件下，GIIRS和AGRI在大气窗区(B12和B13)有很好的辐射一致性；有云条件下，AGRI相对GIIRS具有冷偏差，为在观测误差模式中考虑GIIRS资料的云分布信息提供了参考经验。张琪采用多种机器学习方法对GIIRS进行了云检测研究，训练了多个机器学习云检测模型，获得了良好的云检测精度，为是实现给观测误差模式提供快速的云检测结果提供了便捷的方法。中国气象局韩威研究员等专家对GIIRS资料的应用了Desrosiers观测误差协方差模型，对GIIRS观测进行了诊断分析，并成功在GRAPES全球四维变分同化系统中实现了风云四号GIIRS资料业务化运行，显著改善了台风等灾害天气过程的监测预报。翁富忠教授等研发了中国第一代快速辐射传输模式ARMS，发展和建立了完整的气溶胶、云粒子散射数据库，能实现全天候条件下红外及微波大气探测仪的快速高精度的辐射传输计算，为研究国产红外高光谱GIIRS等资料的全天候观测误差协方差模型提供了重要的技术支撑。
当前许多数值预报中心在同化红外高光谱资料时，简单假设观测误差协方差模型是通道不相关的且观测误差不随视场内云水实际情况而变化，由此仅能实现对少数不受云水影响的通道进行同化，限制了红外高光谱资料的同化应用；发挥红外高光谱资料的应用潜力，需要使用受云水影响的全天候观测，因此需要对观测误差协方差模型等同化关键技术进行深入研究，建立与云水之间的联系；自主卫星红外高光谱仪器GIIRS等与国外红外高光谱仪器存在较大差异，目前实现同化应用中对自主卫星红外高光谱观测误差模型研究较少。为了充分发挥自主卫星红外高光谱的应用价值，需要结合自主卫星仪器的特点和实现全天候业务同化应用的发展方向，需要开发先进的观测误差模式。
发明内容
有鉴于此，本发明提出了红外高光谱的全天候同化方法，针对当前业务变分同化系统采用的观测误差协方差模型不能准确描述全天候条件下红外高光谱观测误差通道相关和观测误差方差水平的问题，使用基于云特征函数的红外高光谱观测误差协方差通道相关技术、基于云量的观测误差方差膨胀技术进行全天候气候同化。
本发明公开的红外高光谱的全天候同化方法，包括以下步骤：
S1：使用非静力载水预报模式收集准确的背景场云水廓线信息；
S2：采用快速辐射传输模式，在辐射传输计算过程中对于红外高光谱水汽通道的模拟进行云场景辐射模拟，采用包含云水、云冰的参数化方案以准确模拟通道包含的云辐射率，采用云层叠加方案以获得准确的云量信息，为云视场全天候R模型提供准确的云特征函数和云量的输入信息；
S3：对于输入的观测进行观测视场稀疏化处理，并对红外高光谱GIIRS水汽通道进行主成分重构，降低通道噪声水平；
S4：对于输入的红外高光谱视场进行初始质量控制后，再使用AI云检测将红外高光谱视场进行分类，对有云视场的中上对流层水汽通道使用所述云场景全天候R模型计算有云观测误差，进行同化计算，对其它通道通过变分质量控制方法计算初步分析场再进行同化计算；
S5：将同化计算得到的分析场再通过变分偏差订正方法处理，执行步骤S4；
S6：重复S5步直到计算出最优分析场，将所述最优分析场进行天气预报。
进一步地，在所述非静力载水预报模式的湿物理过程中设置包含云水、云冰、大尺度降雨和大尺度降雪参数。
进一步地，所述云视场全天候R模型如下：
将卫星观测资料误差构造观测误差协方差矩阵，并对所述观测误差协方差矩阵进行计算得到观测误差相关矩阵；
将所述观测误差相关矩阵用代价函数实现；
将模拟的有云辐射率与观测辐射率分别和晴空辐射率计算偏差，获得背景场的云辐射率和观测包含的云辐射率和云特征函数；
构造不同通道的膨胀因子，由所述膨胀因子构成对角化的膨胀矩阵；
将所述云特征函数和云量函数带入所述代价函数，在同化系统中计算新构造的代价函数及其梯度，并极小化解求解最优分析场。
本发明的有益效果如下：
针对卫星红外高光谱观测资料中上对流层水汽通道，研究的基于云特征函数观测误差相关的观测误差协方差模型，通过对视场内云特征函数的构造，获得观测误差协方差矩阵误差相关的特征偏差和特征雅各比，可有效地对红外高光谱资料同化；
面向红外高光谱全天候观测误差协方差的应用需求，提出了基于云量的观测误差膨胀技术，建立观测误差方差随云量变化的函数对应关系，探索不同特征通道采用不同的云量膨胀数值和观测误差协方差特征值阈值截断膨胀方案，为实现不同误差水平的通道对代价函数产生不同程度的影响提供有效的、实用的途径。
附图说明
图1本发明红外高光谱的全天候同化方法示意图；
图2本发明实施例的同化试验方案架构。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
如图1所示，本发明提出的红外高光谱的全天候同化方法，包括以下步骤：
S1：对于整个同化试验系统，使用非静力载水(water-load)预报模式，确保预报模式能为快速辐射传输模式提供准确的背景场云水廓线信息，在预报模式的湿物理过程中设置包含云水(CW)、云冰(CI)、大尺度降雨(LR)和大尺度降雪(LS)参数；
S2：采用公开发布的RTTOV的最新13版本快速辐射传输模式，在辐射传输计算过程中对于红外高光谱水汽通道的模拟采用云场景辐射模拟方案，即包含云水、云冰的参数化方案以准确模拟通道包含的云辐射率，同时采用云层叠加模拟方案以获得准确的云量等信息，为基于云视场的全天候R模型提供准确的云特征函数和云量的输入信息；RTTOV(Radiative Transfer for TOVS)是EUMETSAT(European Organisation for theExploitation of Meteorological Satellites)旗下的NWP/SAF开发的一款快速辐射传输模式软件包。
S3：对于输入的观测，一方面为了避免红外高光谱水平空间相关，对观测视场稀疏化处理，另一方面因为目前红外高光谱GIIRS(干涉式大气垂直探测仪)水汽通道噪声水平偏高，采用主成分重构技术，对红外高光谱GIIRS水汽通道进行主成分重构，实现降低通道噪声水平；
令D＝{yi|i＝1,2,…,n}代表训练的数据集，y是维度为M的观测向量，对于红外高光谱GIIRS来讲M为通道数，n是训练集的个数。令Σ代表了观测数据集D的协方差矩阵，维度是M×M。将Σ进行特征值分解，得到对应的特征值V和特征向量L(由特征分解定义可得，Σ·V＝V·L)
然后定义一个M×M维度的滤波矩阵(也叫PC系数)
Figure BDA0003308954240000061
这个矩阵则是用来将GIIRS观测资料从亮温空间投影到pc空间中。这个pc空间则是由相互正交的特征向量所构成的，这些特征向量实际上就是F的列向量，用F*i表示。
那么可以进行如下操作：
h＝F·y＝F1*·y1+F2*·y2+…+FM*·yM (1)
y＝F-1·h＝Ft·h＝h1·F*1+h2·F*2…+hM·F*M (2)
式中：向量{Fi*|i＝1,2,…,M}称为PCA基函数。在等式(2)中，由于F是实对称矩阵，故F的逆矩阵就是F的转置。因为我们并没有在M个特征中挑选出个别重要的特征，等式(1)和(2)实际上没有起到压缩和重构的作用。但却是压缩和重构算法中最本质的原理。
现在取F前N个特征向量，构成一个N×M维新的滤波矩阵记为
Figure BDA0003308954240000062
那么使用PCA进行压缩操作时，类似于(1)式，就将
Figure BDA0003308954240000063
和观测样本y做矩阵乘法，就把原始M＝8461的维度投影到N维的pc空间中(其中N<M)。当我们要进行重构y的时候，由于
Figure BDA0003308954240000064
这时候并不是实对称矩阵而是一个长方阵(长方阵没有逆矩阵)，故而要乘以
Figure BDA0003308954240000065
的广义逆矩阵，即：
Figure BDA0003308954240000066
Figure BDA0003308954240000067
等式(3)和(4)便是PCA压缩和重构基本原理和方法。
S4：对于输入的红外高光谱视场，进行初始质量控制。
初始质量控制将超级极值范，扫描线两端，以及受地表、云、雨影响的GIIRS观测数据去除。
S5：再使用红外高光谱GIIRS人工智能AI云检测方法，对将红外高光谱视场进行快速云检测分类。
人工智能AI云检测方法利用大气长波波段(700-1130cm-1)温度和窗区通道的吸收特征作为机器学习云检测的输入特征参数，标签数据由同FY-4A卫星平台的中分辨率成像仪AGRI落在GIIRS像元位置内的观测数据云信号确定，剔除海陆交界观测数据，对陆地和海洋上空有云、晴空类型5000以上GIIRS训练样本执行云检测机器学习利用多种机器学习算法获得海面和陆地不同地表类型上空云检测训练模型，将实时GIIRS观测预处理成机器学习模型的标准格式，通过基于机器学习的云检测将GIIRS像元快速标记为晴空视场、有云视场和半透明云视场。
S6：对于有云视场的中上对流层水汽通道应用云场景全天候R观测误差协方差模型计算有云观测误差；
S7：对其它通道通过变分质量控制方法计算初步分析场再进行同化计算；
变分质量控制受变分方法的约束。变分同化方法的观测目标函数建立在观测误差服从高斯分布的基础上。资料同化从本质上可以近似为分析增量xa－xb的一种线性近似。
xa-xb＝wT(H(xb)-yobs) (5)
式中：xa为最优化求解的分析场，xb为背景场，上标T表示转置，w＝(w1,w2,…,wN)T，是分析的后验权重，与观测无关。背景场和观测资料读入到同化系统之后，会使用空间转换程序和辐射传输模式来得到观测点处特定通道大气层顶的模拟辐射率，进而可以计算观测增量d＝H(xb)-yobs是观测增量。将观测值(观测通道亮温)和期望值(模拟的通道亮温)的差即通道亮温观测增量，与估计的标准差σ的相比较，来度量红外高光谱通道观测质量。
|d|＜nσ (6)
式中：n为常数。如果通道亮温观测增量超过了标准差的n倍，则判定观测是错误的，小于标准差的n倍，则认为观测是合理的。
S8：将同化计算得到的分析场再通过变分偏差订正方法处理，执行步骤S4，
变分偏差订正具体包含描偏差订正和气团偏差订正：在卫星通道观测和模拟亮温统计过程中发现总体具有“临边变暗”的现象，即关于星下点两边亮温有所降低。原因是在给定通道频率和大气密度时大气的光学厚度会随着扫描角向远离星下点的位置而增加，所以需要进行扫描偏差订正。同时，由于不精确的快速辐射传输模式和透过率系数的计算引起的前向模式中的偏差有随气团和表面特征变化的趋向，因此必须进行气团偏差订正。气团偏差订正的主要问题是预报因子的选取，选取不同的预报因子，会得到不同的偏差订正效果。常用预报因子有:地表温度、可降水量、1000-300hPa厚度、850-300hPa厚度(也称为对流层厚度)和200-50hPa厚度(也称为平流层厚度)等。
S9：重复S7步直到计算出最优分析场，将所述最优分析场进行天气预报。
云场景全天候R模型如下：
S21：选择一段时间的红外高光谱观测资料进行同化，对卫星观测资料误差构造观测误差协方差矩阵，并对所述观测误差协方差矩阵进行分解和求逆计算，得到观测误差相关矩阵。
在全天候观测条件下，红外高光谱受云水影响，误差水平相对于晴空观测要复杂，观测误差模式的构建对于同化全天候红外高光谱观测资料非常关键。首先利用同化系统的后验信息来诊断晴空条件下的红外高光谱观测误差协方差矩阵，为引入云水影响构建基础观测误差协方差矩阵。具体步骤如下：
S211：选择一段时间的红外高光谱观测资料进行同化，卫星观测资料误差进行诊断分析，利用后验观测误差协方差矩阵
Figure BDA0003308954240000081
计算公式计算GIIRS(干涉式大气垂直探测仪)观测误差协方差矩阵。
Figure BDA0003308954240000082
其中E[]表示求数学期望，
Figure BDA0003308954240000083
表示观测和背景场的差值(信息增量或称为观测增量)，
Figure BDA0003308954240000084
其中xb为背景场，y为卫星GIIRS观测值，H为观测算子，如果考虑偏差订正，那么
Figure BDA0003308954240000085
其中b为偏差订正参数。
Figure BDA0003308954240000086
为观测和分析的差值，
Figure BDA0003308954240000087
其中δxa为分析增量。假设误差为高斯分布，观测和背景的误差不相关，并且分析中观测的权重与使用真实误差特征时相同，则
Figure BDA0003308954240000091
S212：分别针对每个通道组合统计它们的协方差。其中，第i个通道和第j个通道观测误差协方差为：
S213：利用S212步骤中诊断的红外高光谱观测资料误差协方差矩阵进行块对角化分解。其中，假设选定研究的水汽通道误差协方差块为Rk(考虑观测误差相关，则为n×n维的方阵)，表示整个红外高光谱通道集合的第k个观测集合中n个通道的观测误差协方差矩阵，如果拟定选择7个GIIRS水汽通道，则n＝7。
S214：对S213获得的块对角化观测误差协方差矩阵Rk进行对角化转换，采用经验正交展开等方法实现。
Rk＝ΣCΣ
其中，Σ为观测误差标准差矩阵，属于对角矩阵，对角元素为即第i个通道的观测误差标准差σi，C为观测误差通道间相关系数的矩阵。
Figure BDA0003308954240000092
Figure BDA0003308954240000093
S215：对S214分解后的Rk进行求逆
Figure BDA0003308954240000094
求逆公式如下：
Figure BDA0003308954240000095
需要对系数矩阵再进行矩阵分解，则
Figure BDA0003308954240000096
表示为：
Figure BDA0003308954240000097
其中，Λ是由C矩阵的特征值λj组成的对角矩阵，E是由C矩阵的特征向量ej组成的正交矩阵。
S22：观测误差相关矩阵在代价函数中的实现
资料同化代价函数J包含观测项Jo和背景场项Jb，表示为：
J＝Jo+Jb
当不考虑通道相关时，R为只考虑方差的对角矩阵，代价函数观测项Jo表示为：
Figure BDA0003308954240000101
其中，d为观测增量，采用增量方式求解代价函数时，则观测项的梯度为：
Figure BDA0003308954240000102
其中，HT为切线性观测算子的转置，也称为雅各比矩阵，其列向量为hi，通常用来衡量观测对大气状态变化的敏感度。
当考虑通道相关时，R矩阵求逆不能简单表示为方差对角阵的求逆，需要使用观测误差相关系数矩阵分解后的形式求逆，代价函数观测项表示为：
Figure BDA0003308954240000103
其中，
Figure BDA0003308954240000104
为特征向量的转置，
Figure BDA0003308954240000105
为特征偏差项，λj为观测误差通道间相关系数的矩阵的特征值。
对应观测项的梯度为：
HTej为特征雅各比，用来衡量观测对大气状态变化的敏感度。
S23：将模拟的有云辐射率与观测辐射率分别和晴空辐射率计算偏差，获得背景场的云辐射率和观测包含的云辐射率和云特征函数。
对于云特征函数和云量的计算，都需要使用RTTOV快速辐射传输模式对通道分别计算有云辐射率Hclr(xb)和晴空辐射率Hcld(xb)。以受云影响最大的也就是权重函数位于最底层通道为研究对象，然后将模拟的有云辐射率与观测辐射
Figure BDA0003308954240000106
率分别和晴空辐射率计算偏差，即以模拟晴空辐射率为参考基础，获得背景场的云辐射率和观测包含的云辐射率，最后进行加权平均，获得云特征函数Ccld：
Figure BDA0003308954240000111
当考虑通道相关时，
Figure BDA0003308954240000112
表示为标准化特征信息增量项，使用Ccld替代，则能实现在观测误差模型中考虑基于云特征的误差相关。
S24：构造不同通道的膨胀因子，由所述膨胀因子构成对角化的膨胀矩阵；
对于观测误差标准差考虑云量的影响，需要构造不同通道j的膨胀因子Sj，由Si构成一个对角化的膨胀矩阵S。
Figure BDA0003308954240000113
因此，观测误差进行膨胀可以表示为：
R＝ES0.5ΛS0.5ET≡ESΛET
Rk矩阵的特征值膨胀拟定采取分特征值类型的策略，第一特征值膨胀因子为S1，其他特征值膨胀系数设置为1(或者其他常数进行膨胀，需要根据试验进行测试获得经验值)，即Sj的取值策略可以表示为：
Figure BDA0003308954240000114
其中，S1表示为：
Figure BDA0003308954240000115
a为晴空条件下最小膨胀比例因子系数(比如取值为0.2)，b为云条件下最大膨胀比例因子系数(比如取值3.2)，Ca为云量函数。
云量函数Ca由模拟云量Cm和观测云量Co计算而来，表示如下：
Cm＝Bcld-Bclr
Co＝Ocld-Bclr
Ca＝(Cm+Co)/2
其中Bcld表示RTTOV对有云廓线模拟的亮温，Bclr表示RTTOV对有云廓线模拟的亮温，Ocld则表示观测的有云亮温。当使用辐射率亮温表示云量时，云量函数Ca与云特征函数Ccld具有等价性。
S25：将所述云特征函数和云量函数带入所述代价函数，在同化系统中计算新构造的代价函数及其梯度，并极小化解求解最优分析场，根据最优分析场进行数值天气预报。
将S23和S24步骤计算得到的云特征函数和云量函数应用于S22步骤中的代价函数观测项，实现基于云场景的观测误差协方差模型和相应同化代价函数。
在同化系统中计算新构造的代价函数及其梯度，并极小化解求解最优分析场，并验证代价函数的收敛性。
关于基于云场景全天候观测误差协方差同化方案，采用如图2所示的同化试验方案架构，将红外高光谱温度和水汽视为两种仪器的观测资料。在全天候同化方案中，对于部分有云的视场和全云覆盖视场的中上对流层水汽通道，不进行通道云检测，应用RTTOV模拟的有云辐射率进行视场内云特征函数、云量计算，应用基于云场景的全天候R模型。
本发明的有益效果如下：
针对卫星红外高光谱观测资料中上对流层水汽通道，研究的基于云特征函数观测误差相关的观测误差协方差模型，通过对视场内云特征函数的构造，获得观测误差协方差矩阵误差相关的特征偏差和特征雅各比，可有效地对红外高光谱资料同化；
面向红外高光谱全天候观测误差协方差的应用需求，提出了基于云量的观测误差膨胀技术，建立观测误差方差随云量变化的函数对应关系，探索不同特征通道采用不同的云量膨胀数值和观测误差协方差特征值阈值截断膨胀方案，为实现不同误差水平的通道对代价函数产生不同程度的影响提供有效的、实用的途径。
上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种红外高光谱的全天候同化方法，其特征在于，包括以下步骤：
S1：使用非静力载水预报模式收集准确的背景场云水廓线信息；
S2：使用RTTOV的快速辐射传输模式，在辐射传输计算过程中对于红外高光谱水汽通道的模拟进行云场景辐射模拟，采用包含云水、云冰的参数化方案以准确模拟通道包含的云辐射率，采用云层叠加方案以获得准确的云量信息，为云视场全天候R模型提供准确的云特征函数和云量的输入信息；
S3：对于输入的观测进行观测视场稀疏化处理，并对红外高光谱GIIRS水汽通道进行主成分重构，降低通道噪声水平；
S4：对于输入的红外高光谱视场进行初始质量控制后，再使用AI云检测将红外高光谱视场进行分类，对有云视场的中上对流层水汽通道使用所述云场景全天候R模型计算有云观测误差，进行同化计算，对其它通道通过变分质量控制方法计算初步分析场再进行同化计算；
S5：将同化计算得到的分析场再通过变分偏差订正方法处理，执行步骤S4；
S6：重复S5步直到计算出最优分析场，将所述最优分析场进行天气预报。
2.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，在所述非静力载水预报模式的湿物理过程中设置包含云水、云冰、大尺度降雨和大尺度降雪参数。
3.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，所述云视场全天候R模型如下：
将卫星观测资料误差构造观测误差协方差矩阵，并对所述观测误差协方差矩阵进行计算得到观测误差相关矩阵；
将所述观测误差相关矩阵用代价函数实现；
将模拟的有云辐射率与观测辐射率分别和晴空辐射率计算偏差，获得背景场的云辐射率和观测包含的云辐射率和云特征函数；
构造不同通道的膨胀因子，由所述膨胀因子构成对角化的膨胀矩阵，其中第一特征值膨胀因子由云量函数计算得到；
将所述云特征函数和云量函数带入所述代价函数，在同化系统中计算新构造的代价函数及其梯度，求解最优分析场。
4.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，所述对红外高光谱GIIRS水汽通道进行主成分重构，包括：
取M×M维度的滤波矩阵F的前N个特征向量，构成一个N×M维新的滤波矩阵记为
Figure FDA0003308954230000021
将
Figure FDA0003308954230000022
和观测样本y做矩阵乘法，把原始M维度投影到N维的pc空间中，重构y时，再乘以
Figure FDA0003308954230000023
的广义逆矩阵，即：
Figure FDA0003308954230000024
Figure FDA0003308954230000025
5.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，所述AI云检测包括：
利用大气长波波段温度和窗区通道的吸收特征作为机器学习云检测的输入特征参数，标签数据由同FY-4A卫星平台的中分辨率成像仪AGRI落在GIIRS像元位置内的观测数据云信号确定，剔除海陆交界观测数据，对陆地和海洋上空有云、晴空类型5000以上GIIRS训练样本执行云检测机器学习，利用机器学习算法获得海面和陆地不同地表类型上空云检测训练模型，将实时GIIRS观测预处理成机器学习模型的标准格式，通过基于机器学习的云检测将GIIRS像元快速标记为晴空视场、有云视场和半透明云视场。
6.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，所述变分偏差订正方法包括扫描偏差订正和气团偏差订正，所述扫描偏差订正修正在卫星通道观测和模拟亮温统计过程中的临边变暗的现象，即关于星下点两边亮温有所降低的现象；所述气团偏差订正通过选取不同的预报因子进行偏差订正所述预报因子包括地表温度、可降水量、1000-300hPa厚度、850-300hPa厚度和200-50hPa厚度。
7.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，所述变分质量控制方法如下：
xa-xb＝wT(H(xb)-yobs)
式中：xa为最优化求解的分析场，xb为背景场，上标T表示转置，w＝(w1,w2,…,wN)T，是分析的后验权重，与观测无关，背景场和观测资料读入到同化系统之后，通过空间转换程序和辐射传输模式来得到观测点处特定通道大气层顶的模拟辐射率，并计算观测增量d＝H(xb)-yobs；将观测通道亮温和模拟的通道亮温的差即通道亮温观测增量，与估计的标准差σ的相比较，来度量红外高光谱通道观测质量：
|d|＜nσ
式中：n为常数，如果通道亮温观测增量超过了标准差的n倍，则判定观测是错误的，小于标准差的n倍，则认为观测是合理的。
8.根据权利要求1所述的红外高光谱的全天候同化方法，其特征在于，所述初始质量控制包括将超级极值范，扫描线两端，以及受地表、云、雨影响的GIIRS观测数据去除。
CN202111211296.8A 2021-10-18 2021-10-18 一种红外高光谱的全天候同化方法 Active CN114047563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111211296.8A CN114047563B (zh) 2021-10-18 2021-10-18 一种红外高光谱的全天候同化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111211296.8A CN114047563B (zh) 2021-10-18 2021-10-18 一种红外高光谱的全天候同化方法

Publications (2)

Publication Number Publication Date
CN114047563A true CN114047563A (zh) 2022-02-15
CN114047563B CN114047563B (zh) 2024-09-06

Family

ID=80205530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111211296.8A Active CN114047563B (zh) 2021-10-18 2021-10-18 一种红外高光谱的全天候同化方法

Country Status (1)

Country Link
CN (1) CN114047563B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243406A (zh) * 2023-03-23 2023-06-09 南京信息工程大学 一种卫星红外辐射率资料的全空同化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7558673B1 (en) * 2006-03-03 2009-07-07 Itt Manufacturing Enterprises, Inc. Method and system for determining atmospheric profiles using a physical retrieval algorithm
US7574057B1 (en) * 2005-03-23 2009-08-11 Lockheed Martin Corporation Eigen-based method for covariance data compression
KR101838433B1 (ko) * 2017-02-27 2018-03-14 이화여자대학교 산학협력단 구름 방출률 차이를 이용한 구름 온도 추정 방법 및 장치
CN110703357A (zh) * 2019-04-30 2020-01-17 国家气象中心 全球中期数值预报grapes_gfs
CN111982294A (zh) * 2020-07-21 2020-11-24 电子科技大学 集成热红外与再分析资料的全天候地表温度生成方法
CN112213727A (zh) * 2020-10-15 2021-01-12 国家卫星气象中心(国家空间天气监测预警中心) 一种基于主被动微波联合探测的星载雷达的降水订正方法
CN112966710A (zh) * 2021-02-01 2021-06-15 中国人民解放军国防科技大学 基于线性判别分析的fy-3d红外高光谱云检测方法
CN113360854A (zh) * 2021-08-10 2021-09-07 中国人民解放军国防科技大学 基于自适应协方差膨胀的资料同化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7574057B1 (en) * 2005-03-23 2009-08-11 Lockheed Martin Corporation Eigen-based method for covariance data compression
US7558673B1 (en) * 2006-03-03 2009-07-07 Itt Manufacturing Enterprises, Inc. Method and system for determining atmospheric profiles using a physical retrieval algorithm
KR101838433B1 (ko) * 2017-02-27 2018-03-14 이화여자대학교 산학협력단 구름 방출률 차이를 이용한 구름 온도 추정 방법 및 장치
CN110703357A (zh) * 2019-04-30 2020-01-17 国家气象中心 全球中期数值预报grapes_gfs
CN111982294A (zh) * 2020-07-21 2020-11-24 电子科技大学 集成热红外与再分析资料的全天候地表温度生成方法
CN112213727A (zh) * 2020-10-15 2021-01-12 国家卫星气象中心(国家空间天气监测预警中心) 一种基于主被动微波联合探测的星载雷达的降水订正方法
CN112966710A (zh) * 2021-02-01 2021-06-15 中国人民解放军国防科技大学 基于线性判别分析的fy-3d红外高光谱云检测方法
CN113360854A (zh) * 2021-08-10 2021-09-07 中国人民解放军国防科技大学 基于自适应协方差膨胀的资料同化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YI YU等: "Assimilation of HY-2A scatterometer sea surface wind data in a 3DVAR data assimilation system–A case study of Typhoon Bolaven", FRONTIERS OF EARTH SCIENCE, vol. 9, 17 November 2014 (2014-11-17), pages 192 - 201, XP035497047, DOI: 10.1007/s11707-014-0461-8 *
余意: "高分辨率卫星资料同化关键技术研究", 国防科技大学博士学位论文, 15 February 2020 (2020-02-15), pages 2 - 5 *
冯淼: "机器学习在天气预报中的典型应用研究", 国防科技大学硕士学位论文, 15 January 2021 (2021-01-15), pages 1 - 3 *
罗藤灵: "卫星红外高光谱资料同化关键问题研究", 国防科技大学硕士学位论文, 15 January 2021 (2021-01-15), pages 1 - 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243406A (zh) * 2023-03-23 2023-06-09 南京信息工程大学 一种卫星红外辐射率资料的全空同化方法

Also Published As

Publication number Publication date
CN114047563B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
Aryee et al. Development of high spatial resolution rainfall data for Ghana
CN114265836A (zh) 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置
CN109784552B (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN112699959B (zh) 基于能量泛函模型的多源多尺度降水数据融合方法和装置
CN112861072B (zh) 一种星地多源降水自适应动态融合方法
CN113901384A (zh) 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法
Zhang et al. Spatial and temporal downscaling of TRMM precipitation with novel algorithms
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
Tian et al. Improving surface soil moisture retrievals through a novel assimilation algorithm to estimate both model and observation errors
Taylor et al. Satellite retrieval of aerosol microphysical and optical parameters using neural networks: a new methodology applied to the Sahara desert dust peak
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
CN113297904A (zh) 一种基于卫星驱动模型的高寒草地生物量估算方法及系统
CN113340836A (zh) 一种针对高纬复杂下垫面的大气温湿廓线反演方法
Xue et al. One-dimensional variational retrieval of temperature and humidity profiles from the FY4A GIIRS
CN110826526A (zh) 一种测云雷达识别云类的方法
CN114047563A (zh) 一种红外高光谱的全天候同化方法
CN117826112A (zh) 一种基于sar的土壤含水量的反演方法
Luo et al. DASSO: a data assimilation system for the Southern Ocean that utilizes both sea-ice concentration and thickness observations
Mazorra-Aguiar et al. Solar radiation forecasting with statistical models
Jones et al. Assimilation of Megha-Tropiques SAPHIR observations in the NOAA global model
Tian et al. Improving MODIS aerosol estimates over land with the surface BRDF reflectances using the 3-D discrete cosine transform and RossThick-LiSparse models
Brynjarsdottir et al. Optimal Estimation Versus MCMC for CO 2 Retrievals
CN114037125A (zh) 基于全天候观测误差协方差矩阵的数值天气预报方法
CN115937714A (zh) 基于神经网络和casa模型的净初级生产力估算方法
CN115598027A (zh) 一种基于遥感和机器学习技术的pm2.5反演方法

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