CN114580275B - 一种基于卫星遥感和探空廓线的积雨云监测方法 - Google Patents
一种基于卫星遥感和探空廓线的积雨云监测方法 Download PDFInfo
- Publication number
- CN114580275B CN114580275B CN202210167466.5A CN202210167466A CN114580275B CN 114580275 B CN114580275 B CN 114580275B CN 202210167466 A CN202210167466 A CN 202210167466A CN 114580275 B CN114580275 B CN 114580275B
- Authority
- CN
- China
- Prior art keywords
- cloud
- rain
- sample
- temperature
- clouds
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000009825 accumulation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 238000005315 distribution function Methods 0.000 claims description 28
- 101100113686 Clitocybe nebularis clt4 gene Proteins 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 19
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 101100113687 Clitocybe nebularis clt5 gene Proteins 0.000 claims description 8
- 101100113688 Clitocybe nebularis clt6 gene Proteins 0.000 claims description 8
- 101001089083 Daboia russelii C-type lectin domain-containing protein 2 Proteins 0.000 claims description 8
- 239000008276 ice cloud Substances 0.000 claims description 8
- 238000002834 transmittance Methods 0.000 claims description 7
- 101710149695 Clampless protein 1 Proteins 0.000 claims description 4
- 101000709694 Margaritifera margaritifera Putative chitinase 2 Proteins 0.000 claims description 4
- 101100167427 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) paa-7 gene Proteins 0.000 claims description 4
- 101000942926 Pinctada maxima Putative chitinase Proteins 0.000 claims description 4
- 102100023504 Polyribonucleotide 5'-hydroxyl-kinase Clp1 Human genes 0.000 claims description 4
- 101150082720 clp1 gene Proteins 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 101100060390 Arabidopsis thaliana CLT3 gene Proteins 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于卫星遥感和探空廓线的积雨云监测方法，属于气象卫星遥感和积雨云监测领域。本发明针对航天气象保障中积雨云的监测需求，利用风云四号卫星遥感产品、站点探空廓线和云状观测记录，通过站点大气廓线构建、遥感产品处理、积雨云样本选择及判别因子概率计算、贝叶斯分类建模等步骤实现了积雨云的实时监测。该方法综合了气象卫星遥感产品和大气探空廓线，增强了分类模型的地域适应性，适用于局地积雨云的实时监测。
Description
技术领域
本发明属于气象卫星遥感和积雨云监测领域，具体涉及一种基于卫星遥感和探空廓线的积雨云监测方法。
背景技术
在航天气象保障中，由于飞行对气象的需求，积雨云监测较为重要。在以往研究中，有的仅利用卫星辐射成像仪产品，有的联合卫星辐射成像仪和气象雷达两种产品。涉及方法有利用红外通道阈值叠加云团形状综合监测识别；利用红外通道亮温阈值和通道亮温差的方式综合监测识别；红外通道亮温阈值与气象雷达反射率的融合监测识别等。以上研究缺少人工观测对比参与，在发展成熟且特征明显的中尺度积雨云监测中应用较好，但是容易忽视掉局地小尺度积雨云和初生阶段积雨云，而且在大尺度热带云团中的应用效果也并不理想。
目前，气象卫星遥感产品比较丰富，除了成像仪产品还有云分析产品。在站点保障中还有探空廓线产品，应该充分挖掘应用数据。本文提出的基于卫星遥感和探空廓线产品，结合站点积雨云观测记录，利用贝叶斯分类的方法，可以很好解决部分积雨云的漏监测以及大尺度云团背景下的积雨云监测问题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种基于卫星遥感和探空廓线的积雨云监测方法，以解决航天飞行安全中的积雨云监测问题。
(二)技术方案
为了解决上述技术问题，本发明提出一种基于卫星遥感和探空廓线的积雨云监测方法，该方法包括如下步骤：
S1、站点大气廓线构建
将每天高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；对逐层廓线数据的各层进行算术平均以及按月算术平均；利用rttov软件对风云四号卫星6个红外通道6.25um、7.10um、8.50um、10.80um、12.00um、13.50um的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出6.25um、7.10um、10.80um、12.00um这4个通道作为后续辐射亮温处理的通道；
S2、卫星产品处理和积雨云判别样本选择
对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值BT6.25、BT7.1、BT10.8、BT12；对风云四号卫星2级产品中的云类型CLT、云相态CLP、云顶高度CTH、云顶温度CTT数据进行处理；在逐小时站点观测数据库表中找到有积雨云样本，并提取积雨云出现的时间序列，做为有积雨云样本Ycb；在逐小时站点观测数据库表中找到无积雨云样本，做为无积雨云样本Yno；
S3、积雨云判别因子概率计算：
BT10.8亮温阈值为-32℃，-32-0℃记为BT0，小于-32℃记为BT1；统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)；
计算高层水汽与水汽通道亮温差(BT6.25-7.1),并计算BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)；
计算水汽与红外通道亮温差(BT7.1-10.8)，并计算BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)；
计算水汽与长波红外通道亮温差(BT7.1-12)，并计算BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)；
计算各个云类型在有积雨云样本中和无积雨云样本中的概率；
计算各个云相态在有积雨云样本中和无积雨云样本中的概率；
计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度处对应的温度，并减去云顶温度，得到再加工的云顶气温差(Tkx-ct)，并计算Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)；
S4、积雨云的贝叶斯分类建模
建立积雨云的贝叶斯分类建模，并约定：如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云；如果BT10.8亮温大于0℃时，则直接认为无积雨云；其他情况将卫星监测产品带入贝叶斯分类模型得到有、无积雨云的结论。
进一步地，所述步骤S1具体包括如下步骤：
S11、将每天高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；
S12、对多年逐层廓线数据的各层进行算术平均，得到1条包括温度、湿度、压强、高度的站点平均大气廓线；
S13、对多年逐层廓线数据的各层按月进行算术平均，得到12条包括温度、湿度、压强、高度的逐月平均大气廓线，建立高度-温度对应的“键-值”序列，为后续云顶气温差计算提供数据基础；
S14、在站点平均大气廓线里面从海平面到10hPa选取温度、湿度、压强数据，然后利用rttov软件对风云四号卫星6个红外通道6.25um、7.10um、8.50um、10.80um、12.00um、13.50um的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出有代表意义的6.25um、7.10um、10.80um、12.00um这4个通道作为后续辐射亮温处理的通道。
进一步地，所述步骤S2具体包括如下步骤：
S21、对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值；4个通道亮温值分别为BT6.25、BT7.1、BT10.8、BT12；
S22、对风云四号卫星2级产品中的云类型(CLT，Cloud Type)数据进行处理，由站点经纬度找到对应行列号的云类型值；
S23、对风云四号卫星2级产品中的云相态(CLP，Cloud Phase)数据进行处理，由站点经纬度找到对应行列号的云相态值；
S24、对风云四号卫星2级产品中的云顶高度(CTH，Cloud Top Height)数据进行处理，由站点经纬度找到对应行列号的云顶高度值，云顶高度值是连续变量；
S25、对风云四号卫星2级产品中的云顶温度(CTT，Cloud Top Temperature)数据进行处理，由站点经纬度找到对应行列号的云顶温度值，云顶温度值是连续变量；
S26、建立云顶高度与云顶温度的“键-值”“CTH-CTT”的对应关系，并生成相应的数据对，为后续云顶气温差计算提供数据基础；
S27、在逐小时站点观测数据库表中找到多年有积雨云样本3000个，其中积雨云包括秃状积雨云和鬃状积雨云，两种积雨云都视为积雨云，并提取积雨云出现的时间序列，做为有积雨云样本Ycb；
S28、在逐小时站点观测数据库表中找到多年无积雨云样本3000个，其中浓积云样本1000个、淡积云样本500个、层积云样本500个、其它云状样本1000个，做为无积雨云样本Yno。
进一步地，所述亮温值是连续变量，计算亮温时取站点经纬度周围4个像元的平均值。
进一步地，所述云类型属于多分类值，包括晴空、水云、过冷水云、混合云、厚冰云、卷云、多层云和不确定。
进一步地，所述云相态属于多分类值，包括晴空、水云、过冷水云、混合云、冰云和不确定。
进一步地，所述步骤S22、S23、S24、S25在计算时取站点经纬度对应的像元。
进一步地，所述步骤S3具体包括如下步骤：
S31、BT10.8亮温阈值-32℃，-32-0℃记为BT0，小于-32℃记为BT1；统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)；
S32、计算高层水汽与水汽通道亮温差(BT6.25-7.1)，并对数据序列进行标准化处理；假设BT6.25-7.1在有、无积雨云样本中都满足正态分布，分别计算BT6.25-7.1在有、无积雨云样本中的均值和均方差，并得到BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)；
S33、计算水汽与红外通道亮温差(BT7.1-10.8)，并对数据序列进行标准化处理；假设BT7.1-10.8在有、无积雨云样本中都满足正态分布，分别计算BT7.1-10.8在有、无积雨云样本中的均值和均方差，并得到BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)；
S34、计算水汽与长波红外通道亮温差(BT7.1-12)，并对数据序列进行标准化处理；假设BT7.1-12在有、无积雨云样本中都满足正态分布，分别计算BT7.1-12在有、无积雨云样本中的均值和均方差，并得到BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)；
S35、计算云类型中水云、过冷水云、混合云、厚冰云、卷云、多层云在有积雨云样本中的概率P(CLT1|cb)、P(CLT2|cb)、P(CLT3|cb)、P(CLT4|cb)、P(CLT5|cb)、P(CLT6|cb)；在无积雨云样本中的概率P(CLT1|no)、P(CLT2|no)、P(CLT3|no)、P(CLT4|no)、P(CLT5|no)、P(CLT6|no)；晴空和不确定直接认为无积雨云；
S36、计算云相态中水云、过冷水云、混合云、冰云在有积雨云样本中的概率P(CLP1|cb)、P(CLP2|cb)、P(CLP3|cb)、P(CLP4|cb)；在无积雨云样本中的概率P(CLP1|no)、P(CLP2|no)、P(CLP3|no)、P(CLP4|no)；晴空和不确定直接认为无积雨云；
S37、计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度处对应的温度，并减去云顶温度，得到再加工的云顶气温差(Tkx-ct)，用该差值来反映云顶是否为积雨云云顶，并对数据序列进行标准化处理；假设Tkx-ct在有、无积雨云样本中都满足正态分布，分别计算Tkx-ct在有、无积雨云样本中的均值和均方差，并得到Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)。
进一步地，所述标准化处理采用如下公式：
其中为均值，s为均方差，xi为第i个数据，x为标准化处理后的结果。
进一步地，所述步骤S4具体包括：
S41、朴素贝叶斯分类模型
其中X属于判别因子空间，包括BT10.8亮温阈值、BT6.25-7.1、BT7.1-10.8、BT7.1-12、Tkx-ct、CLT、CLP；P(cb|X)为根据判别因子空间特征得到的有积雨云概率，即“监测有积雨云”；P(no|X)为根据判别因子空间特征得到的无积雨云概率，即“监测无积雨云”；P(X|cb)为有积雨云样本中各判别因子的概率，P(X|no)为无积雨云样本中各判别因子的概率；P(cb)为有积雨云的样本概率，P(no)为无积雨云的样本概率，P(X)为样本整体概率；
S42、无积雨云情况
如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云；
如果BT10.8亮温大于0℃时，则直接认为无积雨云；
S43、卫星监测产品带入贝叶斯分类模型，分别计算P(监测有积雨云)和P(监测无积雨云)，
P(监测有积雨云)＝P(cb|X)；
P(监测无积雨云)＝P(no|X)；
如果P(监测有积雨云)＞P(监测无积雨云)，则认为有积雨云；
如果P(监测有积雨云)＜P(监测无积雨云)，则认为无积雨云。
(三)有益效果
本发明提出一种基于卫星遥感和探空廓线的积雨云监测方法，本发明提出的积雨云监测方法，可以得到站点上空积雨云有、无情况。在实际应用中，可以引入最近的观测记录，增减积雨云有、无样本，滚动更新积雨云的贝叶斯分类模型。也可以将积雨云判别因子推广至站点周围区域(海域)，结合大气再分析资料的模式探空廓线，实现周围区域(海域)上空的积雨云监测。
附图说明
图1为基于卫星遥感和探空廓线的积雨云监测方法流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
有鉴于此，本发明利用风云四号卫星辐射成像仪和云分析产品、站点探空廓线，结合站点积雨云观测记录，通过构建站点平均大气廓线对各红外通道进行局地遥感效能评估和云顶气温的再加工，采用红外通道亮温阈值、通道亮温差、云类型、云相态、再加工的云顶气温作为积雨云的判别因子，统计分析有、无积雨云样本情况下各判别因子的概率，然后利用贝叶斯分类建立积雨云分类模型。在实际业务中，把实时卫星产品带入贝叶斯分类模型就可以得到有、无积雨云。
为了实现上述目的本发明采用的技术方案如下：积雨云监测的实现方法，包括以下步骤：
1、站点大气廓线构建：
统计站点平均大气廓线。
统计站点逐月平均大气廓线。
分析站点上空卫星红外各通道遥感监测特征。
2、卫星产品处理和积雨云判别样本选择：
处理、计算4个红外通道亮温值。
处理、计算云分析产品。
选择积雨云的有无样本。
3、积雨云判别因子概率计算：
分类量的处理及概率计算。
连续量的处理及概率计算。
4、积雨云的贝叶斯分类建模：
无积雨云的约定。
有无积雨云的贝叶斯分类建模。
本发明的一种基于卫星遥感和探空廓线的积雨云监测方法，该方法包括如下步骤：
S1、站点大气廓线构建
将每天08时、20时两次高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；对逐层廓线数据的各层进行算术平均以及按月算术平均；利用rttov软件对风云四号卫星6个红外通道6.25um、7.10um、8.50um、10.80um、12.00um、13.50um的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出6.25um、7.10um、10.80um、12.00um这4个通道作为后续辐射亮温处理的通道；
S2、卫星产品处理和积雨云判别样本选择
对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值BT6.25、BT7.1、BT10.8、BT12；对风云四号卫星2级产品中的云类型CLT、云相态CLP、云顶高度CTH、云顶温度CTT数据进行处理；在逐小时站点观测数据库表中找到有积雨云样本，并提取积雨云出现的时间序列，做为有积雨云样本Ycb；在逐小时站点观测数据库表中找到无积雨云样本，做为无积雨云样本Yno；
S3、积雨云判别因子概率计算：
BT10.8亮温阈值为-32℃，-32-0℃记为BT0，小于-32℃记为BT1；统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)；
计算高层水汽与水汽通道亮温差(BT6.25-7.1),并计算BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)；
计算水汽与红外通道亮温差(BT7.1-10.8)，并计算BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)；
计算水汽与长波红外通道亮温差(BT7.1-12)，并计算BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)；
计算各个云类型在有积雨云样本中和无积雨云样本中的概率；
计算各个云相态在有积雨云样本中和无积雨云样本中的概率；
计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度处对应的温度，并减去云顶温度，得到再加工的云顶气温差(Tkx-ct)，并计算Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)；
S4、积雨云的贝叶斯分类建模
建立积雨云的贝叶斯分类建模，并约定：如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云；如果BT10.8亮温大于0℃时，则直接认为无积雨云；其他情况将卫星监测产品带入贝叶斯分类模型得到有、无积雨云的结论。
本发明的积雨云监测的实现方法主要包括：站点大气廓线构建；卫星产品处理和积雨云判别样本选择；积雨云判别因子概率计算；积雨云的贝叶斯分类建模。
S1、站点大气廓线构建：
S11、将每天08时、20时两次高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；
S12、对2019-2021年逐层廓线数据的各层进行算术平均，得到1条包括温度、湿度、压强、高度的站点平均大气廓线；
S13、对2019-2021年逐层廓线数据的各层按月进行算术平均，得到12条包括温度、湿度、压强、高度的逐月平均大气廓线，建立高度-温度对应的“键-值”序列，为后续云顶气温差计算提供数据基础；
S14、在站点平均大气廓线里面从海平面到10hPa选取温度、湿度、压强数据，然后利用rttov(fast radiative transfer model for TOVS，快速辐射传输模式，开源软件)对风云四号卫星6个红外通道(6.25um、7.10um、8.50um、10.80um、12.00um、13.50um)的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出有代表意义的6.25um、7.10um、10.80um、12.00um等4个通道作为后续辐射亮温处理的主要通道。
S2、卫星产品处理和积雨云判别样本选择：
S21、对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值。亮温值是连续变量，4个通道亮温值分别为BT6.25、BT7.1、BT10.8、BT12。具体计算亮温时取站点经纬度周围4个像元的平均值。
S22、对风云四号卫星2级产品中的云类型(CLT，Cloud Type)数据进行处理，由站点经纬度找到对应行列号的云类型值，云类型属于多分类值，包括晴空、水云、过冷水云、混合云、厚冰云、卷云、多层云和不确定。具体计算时取站点经纬度对应的像元。
S23、对风云四号卫星2级产品中的云相态(CLP，Cloud Phase)数据进行处理，由站点经纬度找到对应行列号的云相态值，云相态属于多分类值，包括晴空、水云、过冷水云、混合云、冰云、不确定。具体计算时取站点经纬度对应的像元。
S24、对风云四号卫星2级产品中的云顶高度(CTH，Cloud Top Height)数据进行处理，由站点经纬度找到对应行列号的云顶高度值，云顶高度值是连续变量。具体计算时取站点经纬度对应的像元。
S25、对风云四号卫星2级产品中的云顶温度(CTT，Cloud Top Temperature)数据进行处理，由站点经纬度找到对应行列号的云顶温度值，云顶温度值是连续变量。具体计算时取站点经纬度对应的像元。
S26、建立云顶高度与云顶温度的“键-值”“CTH-CTT”的对应关系，并生成相应的数据对，为后续云顶气温差计算提供数据基础。
S27、在逐小时站点观测数据库表中找到2019-2021年有积雨云样本3000个，其中积雨云包括秃状积雨云和鬃状积雨云，两种积雨云都视为积雨云，并提取积雨云出现的时间序列，做为有积雨云样本Ycb。
S28、在逐小时站点观测数据库表中找到2019-2021年无积雨云样本3000个，其中浓积云样本1000个、淡积云样本500个、层积云样本500个、其它云状样本1000个，做为无积雨云样本Yno。
S3、积雨云判别因子概率计算：
S31、BT10.8亮温阈值-32℃，-32-0℃记为BT0，小于-32℃记为BT1。统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)。
S32、计算高层水汽与水汽通道亮温差(BT6.25-7.1)，并对数据序列进行标准化处理(见公式1，其中为均值，s为均方差，xi为第i个数据，x为标准化处理后的结果，后同)。假设BT6.25-7.1在有、无积雨云样本中都满足正态分布，分别计算BT6.25-7.1在有、无积雨云样本中的均值和均方差，并得到BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)。
S33、计算水汽与红外通道亮温差(BT7.1-10.8)，并对数据序列进行标准化处理。假设BT7.1-10.8在有、无积雨云样本中都满足正态分布，分别计算BT7.1-10.8在有、无积雨云样本中的均值和均方差，并得到BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)。
S34、计算水汽与长波红外通道亮温差(BT7.1-12)，并对数据序列进行标准化处理。假设BT7.1-12在有、无积雨云样本中都满足正态分布，分别计算BT7.1-12在有、无积雨云样本中的均值和均方差，并得到BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)。
S35、计算云类型中水云、过冷水云、混合云、厚冰云、卷云、多层云在有积雨云样本中的概率P(CLT1|cb)、P(CLT2|cb)、P(CLT3|cb)、P(CLT4|cb)、P(CLT5|cb)、P(CLT6|cb)；在无积雨云样本中的概率P(CLT1|no)、P(CLT2|no)、P(CLT3|no)、P(CLT4|no)、P(CLT5|no)、P(CLT6|no)。晴空和不确定直接认为无积雨云。
S36、计算云相态中水云、过冷水云、混合云、冰云在有积雨云样本中的概率P(CLP1|cb)、P(CLP2|cb)、P(CLP3|cb)、P(CLP4|cb)；在无积雨云样本中的概率P(CLP1|no)、P(CLP2|no)、P(CLP3|no)、P(CLP4|no)。晴空和不确定直接认为无积雨云。
S37、计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度处对应的温度，并减去云顶温度，得到再加工的云顶气温差(Tkx-ct)，用该差值来反映云顶是否为积雨云云顶，并对数据序列进行标准化处理。假设Tkx-ct在有、无积雨云样本中都满足正态分布，分别计算Tkx-ct在有、无积雨云样本中的均值和均方差，并得到Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)。
S4、积雨云的贝叶斯分类建模：
S41、朴素贝叶斯分类模型
公式2、3属于朴素Bayes分类器关于有、无积雨云的判别概率。其中X属于判别因子空间，包括BT10.8亮温阈值、BT6.25-7.1、BT7.1-10.8、BT7.1-12、Tkx-ct、CLT、CLP；P(cb|X)为根据判别因子空间特征得到的有积雨云概率，即“监测有积雨云”；P(no|X)为根据判别因子空间特征得到的无积雨云概率，即“监测无积雨云”；P(X|cb)为有积雨云样本中各判别因子的概率，P(X|no)为无积雨云样本中各判别因子的概率；P(cb)为有积雨云的样本概率，P(no)为无积雨云的样本概率，P(X)为样本整体概率，这里将有、无积雨云的样本数量设为一致，即P(cb)/P(X)、P(no)/P(X)与比值都是0.5。
S42、无积雨云情况
如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云。
如果BT10.8亮温大于0℃时，则直接认为无积雨云。
S43、卫星监测产品带入贝叶斯分类模型得到有、无积雨云的结论。
假如站点上空的卫星实时监测产品BT10.8亮温阈值大于-32℃小于0℃，且对应云类型是混合云、云相态是过冷水云。
P(监测有积雨云)＝P(cb|X)＝0.5*P(BT0|cb)*P(BT6.25-7.1|cb)*P(BT7.1-10.8|cb)*P(BT7.1-12|cb)*P(CLT3|cb)*P(CLP2|cb)*P(Tkx-ct|cb)。
P(监测无积雨云)＝P(no|X)＝0.5*P(BT0|no)*P(BT6.25-7.1|no)*P(BT7.1-10.8|no)*P(BT7.1-12|no)*P(CLT3|no)*P(CLP2|no)*P(Tkx-ct|no)。
如果P(监测有积雨云)＞P(监测无积雨云)，则认为有积雨云；
如果P(监测有积雨云)＜P(监测无积雨云)，则认为无积雨云。
实施例：
1、站点大气廓线构建：
1)将每天08时、20时两次高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；
2)对2019-2021年逐层廓线数据的各层进行算术平均，得到1条包括温度、湿度、压强、高度的站点平均大气廓线；
3)对2019-2021年逐层廓线数据的各层按月进行算术平均，得到12条包括温度、湿度、压强、高度的逐月平均大气廓线，建立高度-温度对应的“键-值”序列，为后续云顶气温差计算提供数据基础；
4)在站点平均大气廓线里面从海平面到10hPa选取温度、湿度、压强数据，然后利用rttov(fast radiative transfer model for TOVS，快速辐射传输模式，开源软件)对风云四号卫星6个红外通道(6.25um、7.10um、8.50um、10.80um、12.00um、13.50um)的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出有代表意义的6.25um、7.10um、10.80um、12.00um等4个通道作为后续辐射亮温处理的主要通道。
2、卫星产品处理和积雨云判别样本选择：
1)对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值。亮温值是连续变量，4个通道亮温值分别为BT6.25、BT7.1、BT10.8、BT12。具体计算亮温时取站点经纬度周围4个像元的平均值。
2)对风云四号卫星2级产品中的云类型(CLT，Cloud Type)数据进行处理，由站点经纬度找到对应行列号的云类型值，云类型属于多分类值，包括晴空、水云、过冷水云、混合云、厚冰云、卷云、多层云、不确定。具体计算时取站点经纬度对应的像元。
3)对风云四号卫星2级产品中的云相态(CLP，Cloud Phase)数据进行处理，由站点经纬度找到对应行列号的云相态值，云相态属于多分类值，包括晴空、水云、过冷水云、混合云、冰云、不确定。具体计算时取站点经纬度对应的像元。
4)对风云四号卫星2级产品中的云顶高度(CTH，Cloud Top Height)数据进行处理，由站点经纬度找到对应行列号的云顶高度值，云顶高度值是连续变量。具体计算时取站点经纬度对应的像元。
5)对风云四号卫星2级产品中的云顶温度(CTT，Cloud Top Temperature)数据进行处理，由站点经纬度找到对应行列号的云顶温度值，云顶温度值是连续变量。具体计算时取站点经纬度对应的像元。
6)建立云顶高度与云顶温度的“键-值”“CTH-CTT”的对应关系，并生成相应的数据对，为后续云顶气温差计算提供数据基础。
7)在逐小时站点观测数据库表中找到2019-2021年有积雨云样本3000个，其中积雨云包括秃状积雨云和鬃状积雨云，两种积雨云都视为积雨云，并提取积雨云出现的时间序列，做为有积雨云样本Ycb。
8)在逐小时站点观测数据库表中找到2019-2021年无积雨云样本3000个，其中浓积云样本1000个、淡积云样本500个、层积云样本500个、其它云状样本1000个，做为无积雨云样本Yno。
3、积雨云判别因子概率计算：
1)BT10.8亮温阈值-32℃，大于该阈值的设为BT0，小于该阈值的记为BT1。统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)。
2)计算高层水汽与水汽通道亮温差(BT6.25-7.1)，并对数据序列进行标准化处理(见公式1，其中为均值，s为均方差，后同)。假设BT6.25-7.1在有、无积雨云样本中都满足正态分布，分别计算BT6.25-7.1在有、无积雨云样本中的均值和均方差，并得到BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)。
3)计算水汽与红外通道亮温差(BT7.1-10.8)，并对数据序列进行标准化处理。假设BT7.1-10.8在有、无积雨云样本中都满足正态分布，分别计算BT7.1-10.8在有、无积雨云样本中的均值和均方差，并得到BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)。
4)计算水汽与长波红外通道亮温差(BT7.1-12)，并对数据序列进行标准化处理。假设BT7.1-12在有、无积雨云样本中都满足正态分布，分别计算BT7.1-12在有、无积雨云样本中的均值和均方差，并得到BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)。
5)计算云类型中水云、过冷水云、混合云、厚冰云、卷云、多层云在有积雨云样本中的概率P(CLT1|cb)、P(CLT2|cb)、P(CLT3|cb)、P(CLT4|cb)、P(CLT5|cb)、P(CLT6|cb)；在无积雨云样本中的概率P(CLT1|no)、P(CLT2|no)、P(CLT3|no)、P(CLT4|no)、P(CLT5|no)、P(CLT6|no)。晴空和不确定直接认为无积雨云。
6)计算云相态中水云、过冷水云、混合云、冰云在有积雨云样本中的概率P(CLP1|cb)、P(CLP2|cb)、P(CLP3|cb)、P(CLP4|cb)；在无积雨云样本中的概率P(CLP1|no)、P(CLP2|no)、P(CLP3|no)、P(CLP4|no)。晴空和不确定直接认为无积雨云。
7)计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度对应的温度，并减去云顶温度，得到再加工的云顶气温差(Tkx-ct)，用该差值来反映云顶是否为积雨云云顶，并对数据序列进行标准化处理。假设Tkx-ct在有、无积雨云样本中都满足正态分布，分别计算Tkx-ct在有、无积雨云样本中的均值和均方差，并得到Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)。
4、积雨云的贝叶斯分类建模：
1)朴素贝叶斯分类模型
公式2、3属于朴素Bayes分类器关于有、无积雨云的判别概率。其中X属于判别因子空间，包括BT10.8亮温阈值、BT6.25-7.1、BT7.1-10.8、BT7.1-12、Tkx-ct、CLT、CLP；P(cb|X)为根据判别因子空间特征得到的有积雨云概率，即“监测有积雨云”；P(no|X)为根据判别因子空间特征得到的无积雨云概率，即“监测无积雨云”；P(X|cb)为有积雨云样本中各判别因子的概率，P(X|no)为无积雨云样本中各判别因子的概率；P(cb)为有积雨云的样本概率，P(no)为无积雨云的样本概率，P(X)为样本整体概率，这里将有、无积雨云的样本数量设为一致，即P(cb)、P(no)与P(X)比值都是0.5。
2)无积雨云情况
如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云。
如果BT10.8亮温大于0℃时，则直接认为无积雨云。
3)卫星监测产品带入贝叶斯分类模型得到有、无积雨云
假如站点上空的卫星实时监测产品BT10.8亮温阈值大于-32℃小于0℃，且对应云类型是混合云、云相态是过冷水云。
P(监测有积雨云)＝0.5*P(BT0|cb)*P(BT6.25-7.1|cb)*P(BT7.1-10.8|cb)*P(BT7.1-12|cb)*P(CLT3|cb)*P(CLP2|cb)*P(Tkx-ct|cb)。
P(监测无积雨云)＝0.5*P(BT0|no)*P(BT6.25-7.1|no)*P(BT7.1-10.8|no)*P(BT7.1-12|no)*P(CLT3|no)*P(CLP2|no)*P(Tkx-ct|no)。
如果P(监测有积雨云)＞P(监测无积雨云)，则认为有积雨云；
如果P(监测有积雨云)＜P(监测无积雨云)，则认为无积雨云。
本发明提出的积雨云监测方法，可以得到站点上空积雨云有、无情况。在实际应用中，可以引入最近的观测记录，增减积雨云有、无样本，滚动更新积雨云的贝叶斯分类模型。也可以将积雨云判别因子推广至站点周围区域(海域)，结合大气再分析资料的模式探空廓线，实现周围区域(海域)上空的积雨云监测。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，该方法包括如下步骤：
S1、站点大气廓线构建
将每天高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；对逐层廓线数据的各层进行算术平均以及按月算术平均；利用rttov软件对风云四号卫星6个红外通道6.25um、7.10um、8.50um、10.80um、12.00um、13.50um的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出6.25um、7.10um、10.80um、12.00um这4个通道作为后续辐射亮温处理的通道；
S2、卫星产品处理和积雨云判别样本选择
对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值BT6.25、BT7.1、BT10.8、BT12；对风云四号卫星2级产品中的云类型CLT、云相态CLP、云顶高度CTH、云顶温度CTT数据进行处理；在逐小时站点观测数据库表中找到有积雨云样本，并提取积雨云出现的时间序列，做为有积雨云样本Ycb；在逐小时站点观测数据库表中找到无积雨云样本，做为无积雨云样本Yno；
S3、积雨云判别因子概率计算：
BT10.8亮温阈值为-32℃，-32-0℃记为BT0，小于-32℃记为BT1；统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)；
计算高层水汽与水汽通道亮温差BT6.25-7.1,并计算BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)；
计算水汽与红外通道亮温差BT7.1-10.8，并计算BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)；
计算水汽与长波红外通道亮温差BT7.1-12，并计算BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)；
计算各个云类型在有积雨云样本中和无积雨云样本中的概率；
计算各个云相态在有积雨云样本中和无积雨云样本中的概率；
计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度处对应的温度，并减去云顶温度，得到再加工的云顶气温差Tkx-ct，并计算Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)；
S4、积雨云的贝叶斯分类建模
建立积雨云的贝叶斯分类建模，并约定：如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云；如果BT10.8亮温大于0℃时，则直接认为无积雨云；其他情况将卫星监测产品带入贝叶斯分类模型得到有、无积雨云的结论。
2.如权利要求1所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述步骤S1具体包括如下步骤：
S11、将每天高空探测的秒级温度、湿度、压强、高度数据在垂直方向上处理成间隔50米的逐层廓线数据；
S12、对多年逐层廓线数据的各层进行算术平均，得到1条包括温度、湿度、压强、高度的站点平均大气廓线；
S13、对多年逐层廓线数据的各层按月进行算术平均，得到12条包括温度、湿度、压强、高度的逐月平均大气廓线，建立高度-温度对应的“键-值”序列，为后续云顶气温差计算提供数据基础；
S14、在站点平均大气廓线里面从海平面到10hPa选取温度、湿度、压强数据，然后利用rttov软件对风云四号卫星6个红外通道6.25um、7.10um、8.50um、10.80um、12.00um、13.50um的逐层透过率进行计算，分析各高度层次对6个红外通道的贡献，筛选出有代表意义的6.25um、7.10um、10.80um、12.00um这4个通道作为后续辐射亮温处理的通道。
3.如权利要求2所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述步骤S2具体包括如下步骤：
S21、对风云四号卫星辐射成像仪1级产品的4KM分辨率数据进行处理，由站点经纬度找到4个红外通道对应行列号的初值，再根据相应通道定标表将初值转为亮温值；4个通道亮温值分别为BT6.25、BT7.1、BT10.8、BT12；
S22、对风云四号卫星2级产品中的云类型CLT数据进行处理，由站点经纬度找到对应行列号的云类型值；
S23、对风云四号卫星2级产品中的云相态CLP数据进行处理，由站点经纬度找到对应行列号的云相态值；
S24、对风云四号卫星2级产品中的云顶高度CTH数据进行处理，由站点经纬度找到对应行列号的云顶高度值，云顶高度值是连续变量；
S25、对风云四号卫星2级产品中的云顶温度CTT数据进行处理，由站点经纬度找到对应行列号的云顶温度值，云顶温度值是连续变量；
S26、建立云顶高度与云顶温度的“键-值”“CTH-CTT”的对应关系，并生成相应的数据对，为后续云顶气温差计算提供数据基础；
S27、在逐小时站点观测数据库表中找到多年有积雨云样本3000个，其中积雨云包括秃状积雨云和鬃状积雨云，两种积雨云都视为积雨云，并提取积雨云出现的时间序列，做为有积雨云样本Ycb；
S28、在逐小时站点观测数据库表中找到多年无积雨云样本3000个，其中浓积云样本1000个、淡积云样本500个、层积云样本500个、其它云状样本1000个，做为无积雨云样本Yno。
4.如权利要求3所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述亮温值是连续变量，计算亮温时取站点经纬度周围4个像元的平均值。
5.如权利要求3所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述云类型属于多分类值，包括晴空、水云、过冷水云、混合云、厚冰云、卷云、多层云和不确定。
6.如权利要求3所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述云相态属于多分类值，包括晴空、水云、过冷水云、混合云、冰云和不确定。
7.如权利要求3所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述步骤S22、S23、S24、S25在计算时取站点经纬度对应的像元。
8.如权利要求3-7任一项所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述步骤S3具体包括如下步骤：
S31、BT10.8亮温阈值-32℃，-32-0℃记为BT0，小于-32℃记为BT1；统计BT0和BT1在有积雨云样本中的概率P(BT0|cb)和P(BT1|cb)；统计BT0和BT1在无积雨云样本中的概率P(BT0|no)和P(BT1|no)；
S32、计算高层水汽与水汽通道亮温差BT6.25-7.1，并对数据序列进行标准化处理；假设BT6.25-7.1在有、无积雨云样本中都满足正态分布，分别计算BT6.25-7.1在有、无积雨云样本中的均值和均方差，并得到BT6.25-7.1在有、无积雨云样本中的概率密度分布函数P(BT6.25-7.1|cb)和P(BT6.25-7.1|no)；
S33、计算水汽与红外通道亮温差BT7.1-10.8，并对数据序列进行标准化处理；假设BT7.1-10.8在有、无积雨云样本中都满足正态分布，分别计算BT7.1-10.8在有、无积雨云样本中的均值和均方差，并得到BT7.1-10.8在有、无积雨云样本中的概率密度分布函数P(BT7.1-10.8|cb)和P(BT7.1-10.8|no)；
S34、计算水汽与长波红外通道亮温差BT7.1-12，并对数据序列进行标准化处理；假设BT7.1-12在有、无积雨云样本中都满足正态分布，分别计算BT7.1-12在有、无积雨云样本中的均值和均方差，并得到BT7.1-12在有、无积雨云样本中的概率密度分布函数P(BT7.1-12|cb)和P(BT7.1-12|no)；
S35、计算云类型中水云、过冷水云、混合云、厚冰云、卷云、多层云在有积雨云样本中的概率P(CLT1|cb)、P(CLT2|cb)、P(CLT3|cb)、P(CLT4|cb)、P(CLT5|cb)、P(CLT6|cb)；在无积雨云样本中的概率P(CLT1|no)、P(CLT2|no)、P(CLT3|no)、P(CLT4|no)、P(CLT5|no)、P(CLT6|no)；晴空和不确定直接认为无积雨云；
S36、计算云相态中水云、过冷水云、混合云、冰云在有积雨云样本中的概率P(CLP1|cb)、P(CLP2|cb)、P(CLP3|cb)、P(CLP4|cb)；在无积雨云样本中的概率P(CLP1|no)、P(CLP2|no)、P(CLP3|no)、P(CLP4|no)；晴空和不确定直接认为无积雨云；
S37、计算云顶气温差，依据相应月份站点逐月大气廓线高度温度序列，通过线性插值方法得到云顶高度处对应的温度，并减去云顶温度，得到再加工的云顶气温差Tkx-ct，用该差值来反映云顶是否为积雨云云顶，并对数据序列进行标准化处理；假设Tkx-ct在有、无积雨云样本中都满足正态分布，分别计算Tkx-ct在有、无积雨云样本中的均值和均方差，并得到Tkx-ct在有、无积雨云样本中的概率密度分布函数P(Tkx-ct|cb)和P(Tkx-ct|no)。
9.如权利要求8所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述标准化处理采用如下公式：
其中为均值，s为均方差，xi为第i个数据，x为标准化处理后的结果。
10.如权利要求8所述的基于卫星遥感和探空廓线的积雨云监测方法，其特征在于，所述步骤S4具体包括：
S41、朴素贝叶斯分类模型
其中X属于判别因子空间，包括BT10.8亮温阈值、BT6.25-7.1、BT7.1-10.8、BT7.1-12、Tkx-ct、CLT、CLP；P(cb|X)为根据判别因子空间特征得到的有积雨云概率，即“监测有积雨云”；P(no|X)为根据判别因子空间特征得到的无积雨云概率，即“监测无积雨云”；P(X|cb)为有积雨云样本中各判别因子的概率，P(X|no)为无积雨云样本中各判别因子的概率；P(cb)为有积雨云的样本概率，P(no)为无积雨云的样本概率，P(X)为样本整体概率；
S42、无积雨云情况
如果云类型或者云相态中出现晴空和不确定，则直接认为无积雨云；
如果BT10.8亮温大于0℃时，则直接认为无积雨云；
S43、卫星监测产品带入贝叶斯分类模型，分别计算P(监测有积雨云)和P(监测无积雨云)，
P(监测有积雨云)＝P(cb|X)；
P(监测无积雨云)＝P(no|X)；
如果P(监测有积雨云)＞P(监测无积雨云)，则认为有积雨云；
如果P(监测有积雨云)＜P(监测无积雨云)，则认为无积雨云。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210167466.5A CN114580275B (zh) | 2022-02-23 | 2022-02-23 | 一种基于卫星遥感和探空廓线的积雨云监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210167466.5A CN114580275B (zh) | 2022-02-23 | 2022-02-23 | 一种基于卫星遥感和探空廓线的积雨云监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114580275A CN114580275A (zh) | 2022-06-03 |
| CN114580275B true CN114580275B (zh) | 2024-04-12 |
Family
ID=81774058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210167466.5A Active CN114580275B (zh) | 2022-02-23 | 2022-02-23 | 一种基于卫星遥感和探空廓线的积雨云监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580275B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547840A (zh) * | 2016-10-13 | 2017-03-29 | 国家卫星气象中心 | 一种全球三维大气数据的解析及管理方法 |
| CN110749942A (zh) * | 2019-11-12 | 2020-02-04 | 江苏省气象科学研究所 | 适用于静止卫星资料同化的晴空通道检测质量控制方法 |
| CN112630864A (zh) * | 2020-12-10 | 2021-04-09 | 中国人民解放军63796部队 | 一种高分辨率高空风的短期预报方法 |
| JP2021076565A (ja) * | 2019-11-13 | 2021-05-20 | 良悦 土門 | 低（中）解像度モデルによる降雨予測値の内挿（補間）値及び高解像度モデルの降雨予測値（内挿値含む）波形の相関に基づくダム流域に於ける数時間先の高精度な降雨予測値を得る方法（メソッド） |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-02-23 CN CN202210167466.5A patent/CN114580275B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547840A (zh) * | 2016-10-13 | 2017-03-29 | 国家卫星气象中心 | 一种全球三维大气数据的解析及管理方法 |
| CN110749942A (zh) * | 2019-11-12 | 2020-02-04 | 江苏省气象科学研究所 | 适用于静止卫星资料同化的晴空通道检测质量控制方法 |
| JP2021076565A (ja) * | 2019-11-13 | 2021-05-20 | 良悦 土門 | 低（中）解像度モデルによる降雨予測値の内挿（補間）値及び高解像度モデルの降雨予測値（内挿値含む）波形の相関に基づくダム流域に於ける数時間先の高精度な降雨予測値を得る方法（メソッド） |
| CN112630864A (zh) * | 2020-12-10 | 2021-04-09 | 中国人民解放军63796部队 | 一种高分辨率高空风的短期预报方法 |
Non-Patent Citations (3)
| Title |
|---|
| Cloud Detection with Historical Geostationary Satellite Sensors for Climation Applications;Reto Stockli et al.;《Remote Sensing》;20190503;第11卷(第9期);第1-21页 * |
| 卫星遥感云分类和TBB产品在天津地区云状识别的应用分析;刘一玮等;《气象》;20160821;第42卷(第08期);第980-986页 * |
| 童志明等.一次海风锋天气过程分析与数值模拟.《气象与环境科学》.第40卷(第02期),第109-114页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114580275A (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wallis et al. | Regional precipitation-frequency analysis and spatial mapping for 24-hour and 2-hour durations for Washington State | |
| Behrangi et al. | PERSIANN-MSA: A precipitation estimation method from satellite-based multispectral analysis | |
| Khlopenkov et al. | SPARC: New cloud, snow, and cloud shadow detection scheme for historical 1-km AVHHR data over Canada | |
| Tao et al. | Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data | |
| Mattos et al. | Cloud-to-ground lightning and Mesoscale Convective Systems | |
| Miniscloux et al. | Geostatistical analysis of orographic rainbands | |
| Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
| Kitzmiller et al. | Evolving multisensor precipitation estimation methods: Their impacts on flow prediction using a distributed hydrologic model | |
| CN109871637B (zh) | 一种云天条件下近地面气温估算方法 | |
| Grecu et al. | Bayesian estimation of precipitation from satellite passive microwave observations using combined radar–radiometer retrievals | |
| CN107356926A (zh) | 基于Hu矩的差值云团外推降雨预测算法 | |
| CN111625999A (zh) | 一种基于深度学习技术的森林火灾预警模型及系统 | |
| CN111242022A (zh) | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 | |
| CN114580275B (zh) | 一种基于卫星遥感和探空廓线的积雨云监测方法 | |
| Apke et al. | Relationships between deep convection updraft characteristics and satellite-based super rapid scan mesoscale atmospheric motion vector–derived flow | |
| Behrangi et al. | Evaluating the utility of multispectral information in delineating the areal extent of precipitation | |
| Harty et al. | Intra-hour cloud index forecasting with data assimilation | |
| CN110632032A (zh) | 一种基于地表反射率库的沙尘暴监测方法 | |
| Romanic et al. | Convective environments leading to microburst, macroburst and downburst events across the United States | |
| Rempel et al. | Object-based metrics for forecast verification of convective development with geostationary satellite data | |
| Li et al. | Monitoring evolution of melt ponds on first-year and multiyear sea ice in the Canadian Arctic Archipelago with optical satellite data | |
| Cawse-Nicholson et al. | Evaluation of a CONUS-wide ECOSTRESS DisALEXI evapotranspiration product | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN114898138A (zh) | 一种基于地形地貌及遥感数据进行森林火灾预测的方法 | |
| Pan et al. | Urban expansion and intra-urban land evolution as well as their natural environmental constraints in arid/semiarid regions of China from 2000–2018 |
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 |