CN114896544A - 一种风云气象卫星协同多数据源的三维云融合分析的方法 - Google Patents

一种风云气象卫星协同多数据源的三维云融合分析的方法 Download PDF

Info

Publication number
CN114896544A
CN114896544A CN202210254110.5A CN202210254110A CN114896544A CN 114896544 A CN114896544 A CN 114896544A CN 202210254110 A CN202210254110 A CN 202210254110A CN 114896544 A CN114896544 A CN 114896544A
Authority
CN
China
Prior art keywords
cloud
data
height
layer
dimensional
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
CN202210254110.5A
Other languages
English (en)
Other versions
CN114896544B (zh
Inventor
刘瑞霞
惠雯
杨冰韵
王富
刘月丽
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 Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202210254110.5A priority Critical patent/CN114896544B/zh
Publication of CN114896544A publication Critical patent/CN114896544A/zh
Application granted granted Critical
Publication of CN114896544B publication Critical patent/CN114896544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computing Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种风云气象卫星协同多数据源的三维云融合分析的方法。方法包括：获取输入数据，生成三维云融合分析系统需要的数据格式以及变量，多源观测质量控制和多源观测预处理，三维云信息协同融合分析中特别是所述云底高度计算和所述三维云高算法、三维云检验。本发明是采集包括风云气象卫星、雷达、地面常规观测和高空探测多种观测数据，针对中国区域特征以及中国现有资料特点，通过三维云融合分析方法，所获得的三维云场信息可作为临近预报的初始场，能够改善模式定量降水预报能力，并可用于天气诊断分析，提高天气预报准确率，解决了本领域三维云信息观测手段缺乏、目前观测中时空分辨率低不能满足应用的问题，为有效的防御各类气象灾害以及次生灾害提供方法和数据。

Description

一种风云气象卫星协同多数据源的三维云融合分析的方法
技术领域
本发明涉及数据处理技术领域，涉及一种风云气象卫星协同多数据源的三维云融合分析的方法。
背景技术
提高灾害性天气预报准确率和精细化水平是现代气象预测预报业务发展的重点，是现代气象业务体系建设的核心，也是国家气象科技创新体系建设的重中之重。而资料是影响天气预报准确率的一个最关键因素，因此，如何收集并充分利用各种资料的优势变得越来越重要。
探测技术的不断发展和成熟,提供了越来越多基于各种观测手段的气象数据，目前中国已经具有了卫星、雷达、地面常规观测和高空探测多种探测能力，这些观测形成了地基和空基的观测网，为天气预报提供了丰富的数据资源。然而，每种观测对完整大气探测的帮助都是有限的，在人烟稀少的地区，地面常规观测、探空观测覆盖不到，卫星对这些地方的观测显得尤为重要，然而卫星也往往仅能获得大气顶层的信息，因此，为了获得更精细的连续分布的三维的大气信息，提供给天气预报诊断分析，就需要对多源数据进行同化融合。
数值预报是提高预报预测准确率的基础，目前，数值预报模式无论是其结构设计还是物理过程方案均已趋近完善，越来越精细的数值预报模式可以相当真实地描写和模拟出实际天气过程的发展演变。但是目前的数值天气预报模式具有很明显的SPIN-UP的问题。SPIN-UP表现为云和降水在模式预报的初期阶段有显著的延迟现象，引起SPIN-UP问题的一个主要原因是云和降水系统中缺乏或不正确的初始化以及相关初始条件的热动力结构问题。在这种情况下，如何充分、有效地利用各种常规、非常规观测资料来形成较为准确的模式初值场, 已经成为进一步提高数值预报水平的关键问题，数据同化融合方法研究已经成为数值预报领域内的研究热点。目前初始条件仍有很大的进步空间，但目前观测资料大多是风场、温度场与气压场信息，缺乏三维云内的信息与垂直速度微物理信息，导致初始条件部分发展缓慢。这也就提出了对三维云分析融合的迫切需求。而目前已有观测手段也为三维云分析融合提供了机遇。
因此，本发明将结合使用包括卫星、雷达、地面常规观测和高空探测的多种观测数据，针对中国区域特征以及中国现有资料特点，研究适用于中国区域的三维云融合分析方法。此三维云场信息可以作为临近预报的初始场，改善模式定量降水预报能力，并可用于天气诊断分析，提高天气预报准确率，以有效防御各类气象灾害以及次生灾害，减轻其造成的人民生命财产损失。
发明内容
针对上述技术问题，本发明提出一种风云气象卫星协同多数据源的三维云融合分析的方法，能够克服上述现有技术的不足；
一种风云气象卫星协同多数据源的三维云融合分析的方法，包括以下步骤：
S1、获取输入数据；
S2、多源观测数据处理，生成三维云融合分析系统需要的数据格式以及变量；
S3、多源观测质量控制和多源观测预处理；
S4、卫星及多源观测数据的三维云信息协同融合分析，包括：云底高度计算和三维云云顶高算法；
S41所述云底高度计算步骤如下：
步骤1、根据模式比湿和温度计算相对湿度：
当气温度高于－40℃时，
Figure BDA0003547848650000101
在气温低于－40℃时，
Figure BDA0003547848650000102
其中，T为气温，p为气压，E为水汽压，Es为饱和水汽压，
Figure BDA0003547848650000103
其中，RH为相对湿度，q为比湿；
步骤2、利用相对湿度推算出的云底高度，气压和海拔高度的转换方法如下：
Figure BDA0003547848650000104
式中，Pa——当地平均大气压，kPa；
步骤3、利用相对湿度判断云底高度的方法；
步骤31云底高的判定方法；
步骤311、从廓线低端开始向上一直延伸至廓线顶端；
步骤312、第一层云云底高的判定：无论该湿度层为近地面层还是非近地面层，其相对湿度(rh)RH≥84％，该湿度层所在高度即可作为第一层云云底
I——当地海拔高度，m。高；
步骤313、第二层及以上各层云云底高的判定：湿度层的相对湿度 RH≥84％，该湿度层所在高度即可作为该层云云底高；
步骤32云底高计算步骤；
步骤321、利用相对湿度廓线由地面往上；
步骤322、通过比湿和气温计算出相对湿度；
步骤323、根据相对湿度廓线，确定相对湿度≥84％时所在的气压层；利用气压转换为海拔高度，通过地面海拔高度，得出云底距离地面的高度；
步骤324、云层的最小云底高度设定为地面高度(h)500米；当距离地面高度小于h时，继续由此层向上判断；
步骤325、满足上述条件时，得出云底高度值；
S42所述三维云云顶高算法(参见图7)如下：
S421处理辅助数据，计算通道晴空辐射率廓线、云顶发射率等；
S422对NWP大气廓线进行时空插值，得到像元点处的大气廓线；
先处理单层辐射中心，它们不需要依赖其它像元；再处理单层水云，因为它们受单层辐射中心像元的影响；当单层冰云的局地辐射中心计算指出其为多层云时，则需要多层云的信息，才能处理单层冰云；然后处理多层云；最后处理剩下的云像元；
S423根据云类型/相态确定初猜值及误差；
S424通过本算法的迭代计算，使代价函数最小，得到反演的云顶温度；
利用最优估计法进行迭代反演，该方法可以方便地增加、减少观测及反演参数，并可自动估计反演误差；
定义代价函数φ为：
Figure BDA0003547848650000121
其中，x为反演参数向量，xa为x的初始值，y为观测向量，f(x)表示前向辐射传输模式的计算值，Sa是x与xa的误差协方差矩阵，Sy是y与f的误差协方差矩阵；在每一次递归反演中，向量x的增量表示为：
Figure BDA0003547848650000122
其中，K表示Jacobian或Kernel矩阵，Sx是x的误差协方差矩阵，表示为
Figure BDA0003547848650000123
当满足以下收敛条件时，迭代终止
Figure BDA0003547848650000124
其中，p为x的反演参数个数；
在三维云云顶高算法中，向量y和x的定义如下：
Figure BDA0003547848650000125
Figure BDA0003547848650000126
Figure BDA0003547848650000127
Kernel矩阵由f(x)中每一个元素的偏微分组成，表示为
Figure BDA0003547848650000131
K中的第一列表示为
Figure BDA0003547848650000132
Figure BDA0003547848650000133
Figure BDA0003547848650000134
K中的第二列表示为
Figure BDA0003547848650000135
Figure BDA0003547848650000136
Figure BDA0003547848650000137
K中每一个与β(12/11μm)相关的前向模式偏微分可表示为
Figure BDA0003547848650000138
Figure BDA0003547848650000139
Figure BDA0003547848650000141
S425通过NWP温度廓线插值得到对应的云顶气压和云顶高度；如低层有逆温存在，则根据地面温度和云顶温度及预先设定的温度直减率，求得对应的云顶高度；
S5、三维云检验。
进一步的，所述输入数据包括：模式背景场数据、地面观测数据、经纬度数据、探空数据、雷达数据、静止气象卫星成像仪通道数据和气象卫星探测通道数据。
进一步的，根据权利要求1所述的一种风云气象卫星协同多数据源的三维云融合分析的方法，其特征在于，所述多源观测质量控制包括：偏差分析、概率密度函数、变分订正、多源观测均一化处理。
进一步的，所述多源观测质量控制为对云量计算中大于1.0和小于0.0 的值进行判断，对于1.0到1.001之间的值，强制其等于1.0，如果大于1.001，则给出错误标识；对于-0.0004～0之间的值，强制其等于0.0，小于-0.0004 的值，给出错误标识。
进一步的，所述三维云检验为云顶约束、云底约束、三维立体云协同调整、多源数据同步反演融合间的相互验证分析。
所带来的有益效果：针对中国区域特征以及中国现有资料，特别是把FY-4 卫星可见光红外扫描辐射计资料、FY-4卫星闪电成像仪数据、FY4卫星探测仪资料作为输入源，融合到三维云融合分析方法中，再通过独自发明的分析融合的算法，所获取的实时的三维云场数据,整合性和精确性都有了极大的提升，有效的提高了全天候的模式定量降水预报，气候监测分析和天气预报的准确率，为防御各类气象灾害以及次生灾害提供了准确且可靠的数据支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1本发明流程图。
图2具体实例中的多数据源的三维云融合分析流程图。
图3云底高度计算数据主要特性1示意图。
图4云底高度计算数据主要特性2示意图。
图5云底高度计算海拔高度数据特性示意图。
图6数据融合的主要流程示意图。
图7三维云高算法示意图。
图8第1个实施例三维云云顶高算法获得云顶高度分布分析示意图。
图9第4个实施例说明了云顶高度以及云顶气压良好的反映暴雨过程示意图。
具体实施方式
下面将结合本发明附图1-9，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明的范围；
本发明的实施例一提供了一种风云气象卫星协同多数据源的三维云融合分析的方法，三维云融合分析方法具体包括如下5个步骤的内容：
S1获取输入数据：
三维云融合分析中需要输入的数据包括：模式背景场数据、地面观测数据、探空数据，雷达数据、静止气象卫星成像仪通道数据、气象卫星探测通道数据，包括通过CIMISS获取、FTP获取和资源池获取方式，具体数据获取方式如下表：
表1数据获取列表
Figure BDA0003547848650000161
S2生成三维云融合分析系统需要的数据格式以及变量：
获取到的数据，首先进行前处理，生成三维融合云分析系统需要的数据格式以及变量。对各种资料处理如下：
(1)背景场
目前，背景场采用了NCEP或GRAPES资料。通过3DCLOUD融合模块将由背景模式提供的大尺度初猜场插值到分析网格，产生NetCDF格式的背景场数据，提供分析模块使用。
(2)常规地面观测
3DCLOUD系统可以融合的地面观测资料十分丰富，包括METAR、浮标 /船舶资料、局地加密观测资料、GPS站地面观测、廓线仪的地面资料。根据不同的资料，分别采取不同的接口程序，生成ASCII码的3DCLOUD地面观测中间文件，提供给风分析、云分析及其它相关分析模块。同时地面融合部分也提供带有试验性的卡曼质量控制程序，从时间上与实际观测值的质量作比较，用一个估计值填补不准确的观测值，有助于弥补资料密度的时间变化。
目前，地面观测资料采用了常规地面自动站观测资料，将常规观测资料信息读入3DCLOUD，并生成NETCDF格式的中间文件，用于3DCLOUD分析部分。读入的常规观测资料要素包括：观测站ID，WMO ID号，数据提供者，纬度、经度、海拔高度、观测时间、站报类型、站类型(自动站/人工站)、目前天气、温度、温度期望精度、露点温度、露点温度期望精度、相对湿度、相对湿度期望精度、风向、风速、阵风向、阵风速、阵风预期精度、阵风速期望精度、能见度，能见度期望精度、太阳辐射，太阳辐射期望精度、表面温度、表面温度期望精度、土壤湿度、土壤湿度期望精度、1小时降水、3小时降水、 6小时降水、24小时降水、积雪厚度、降水和积雪期望精度、云层数、24小时最大温度、24小时最小温度、每层云量、每层云高和气压信息。
(3)雷达资料
对于不同类型的雷达资料，融合过程中处理的方法也不同，不管是何种坐标格式的雷达资料，产生的中间文件最后都统一成3DCLOUD网格上的局地直角坐标格式，3DCLOUD可同时处理多部雷达资料。目前我们处理的是 SA/SB波段的多普勒雷达基数据，由极坐标格式的反射率和径向速度进入融
(4)卫星资料
包括卫星成像仪通道数据、卫星探测通道数据、卫星云产品的数据进入到云分析模块之前，由于中国气象业务系统数据与国外数据有很大不同，因此不能直接使用3DCLOUD原有数据接口，需要对这些处理进行预先处理，生成相应的Netcdf格式中间文件以供3DCLOUD使用。
S3多源观测质量控制和多源观察预处理
(1)多源观测质量控制包括偏差分析、概率密度函数、变分订正和多源观测均一化处理。
(2)卫星可见光数据对云量的修正
由于可见光卫星资料有较高的空间分辨率，可以增加低云的描述，可看到 薄、稀少的云。首先把可见光资料投影、內插到计算网格上，利用Albers(1992) 的方法推算出云量，假设第三阶段云结构的云量比可见光云量来的高，则相信 可见光云量，进行修正。
(3)雷达反射率对云量修正
多部雷达观测的雷达反射率投影到计算网格点上。每一点上多部雷达的反射率主要采用距离加权平均获得一个反射率值。如果前面分析有云底，而雷达回波在云底之上并超过一定阈值，则此点云量定位1。100米以下阈值为20， 1500米以上阈值为10。
(4)初猜三维云量场计算。
利用数值模式初始场，进获得三维云初猜场；使用FY-4高光谱云廓线融合建立初始场。
(5)云分析中的质量控制
对云量计算中大于1.0和小于0.0的值进行判断，对于1.0到1.001之间的值，强制其等于1.0，如果大于1.001，则给出错误标识。对于-0.0004～0之间的值，强制其等于0.0，小于-0.0004的值，给出错误标识。
S4三维云信息协同融合分析
(1)卫星资料融合，调整三维云量场
卫星资料是云分析中的主要资料，将卫星资料融合的主要思路是：首先通过温度分析以及第2步中Barnes插值得到的云量场计算得到一个期望的亮度温度Tb8_c，然后根据期望亮度和卫星11μm通道实际观测亮度Tb8_o的差异来对前面的三维云量场进行调整。这里卫星数据我们拟采用中国FY4气象卫星资料及日本葵花卫星的通道数据，包括可见光0.65μm通道、近红外3.9μm 通道以及红外分裂窗11μm通道。
如果卫星观测亮度温度Tb8_o比期望亮度温度Tb8_c高，那么认为前面估算的三维云量场云量偏多或者云顶偏高了，采用两种方法调整云量：1)降低云顶的高度；2)采用卫星11μm亮度温度和此层温度重新计算一个云量，对原来的云量场进行修正，实际效果是减少了原来的云量值。但对于低层暖云没有采取这种方法修正，以免造成对低层暖云的错误减少。
如果卫星观测亮度温度Tb8_o比期望亮度温度Tb8_c低，则通过卫星通道 数据计算云顶高度和卫星云量，然后通过卫星计算结果与SAO计算的云底高度 和云顶高度对比来对三维云量进行修正。具体修正包括如果可见光或3.9μm 认为有云，而SAO认为没有明显云底或SAO云底比卫星测得云顶还高时，相信 卫星计算的云量；如果卫星观测11μm通道观测出有云，但SAO、METAR和飞 机观测没有云，则云顶温度必须比地面低21K，或是在离地面高5000m以上， 属于高云的可能，才相信卫星资料，否则同样当作没有云。总之，高云的地方相信卫星观测，低云的地方则主要依赖探空、地面观测。另外，如果确信该处 有云，而SAO云顶低于卫星计算的云顶高度时，则加高此云顶高度，也就是追 加云系在原本结果的上方。最后利用分析的云量场计算得到一个辐射值，与 11μm辐射值进行比对，进一步调整云量，使二者进一步平衡。
(2)常规观测数据融合进入云分析
常规观测中提供了云量和云底信息。假定一个云厚度，可以得到云顶高 度和云廓线。通常假想厚度为1000m，上下各有500m的缓冲区。接着配合Barnes 客观分析方法，权重选择网格到观测点的距离函数(r-5)，使原本资料稀少的 点內插到计算网格上，产生一连续的云场。如果此时环境温度大于283K(在此 象征高度的位置)，且位温大于地面4K，也就是位温随高度增加时，认为大气 呈现稳定状态，却又在此区观测到云，为不合理，因此去掉云资料。因为大气 很稳定下，甚至是逆温的状态时，分析中却有云存在，会与真实大气现象不合， 所以剔除资料。如此一来便可得到第一阶段的三维云结构。
(3)云底高度计算
(3)-1数据资料特性介绍
云底高度计算使用了三维云模型的数据，包括数值预报数据，地形数据，经纬度数据。数据主要特性如下表所示图3-5。提取地面海拔高度，在计算云底高度时使用，海拔高度数据特性如下表图5。
(3)-2数据资料处理方法
(3)-2-1根据模式比湿和温度推算相对湿度。计算方法详述如下：
转换公式如下：
当气温度高于－40℃时，
Figure BDA0003547848650000211
在气温低于－40℃时，
Figure BDA0003547848650000212
其中，T为气温，p为气压，E为水汽压，Es为饱和水汽压；
Figure BDA0003547848650000213
其中，RH为相对湿度，q为比湿。
(3)-2-2气压和海拔高度的转换
利用相对湿度推算出的云底高度时气压层数据，需要转换为海拔高度。
大气压力和海拔高度转化公式如下：
Figure BDA0003547848650000214
式中，Pa－－当地平均大气压，kPa；
H－－当地海拔高度，m。
(3)-3利用相对湿度判断云底高度的方法
(3)-3-1方法
云底高的判定(从廓线低端开始向上一直延伸至廓线顶端)。
(3)-3-1-1第一层云云底高的判定：无论该湿度层为近地面层还是非近地面层，其相对湿度(rh)RH≥84％，该湿度层所在高度即可作为第一层云云底高。
(3)-3-1-2第二层及以上各层云云底高的判定：湿度层的相对湿度 RH≥84％，该湿度层所在高度即可作为该层云云底高。
(3)-3-2计算步骤
利用相对湿度廓线由地面往上，按下述步骤判定云底高度：
(3)-3-2-1通过比湿和气温计算出相对湿度
(3)-3-2-2根据相对湿度廓线，确定相对湿度≥84％时所在的气压层。利用气压转换为海拔高度，通过地面海拔高度，得出云底距离地面的高度。
(3)-3-2-3云层的最小云底高度设定为地面高度(h)500米。当距离地面高度小于h时，继续由此层向上判断。
(3)-3-2-4满足上述条件时，得出云底高度值。
(4)依据三维云云顶高算法获得云顶高度分布分析。
依据三维云云顶高算法，为FY4A卫星发射于2016年12月11日，可提供中国及周边区域24小时监测数据及16次加密观测数据，可以实现中国区气象实时监测。跟踪2021年6月30日到7月1日FY-4A卫星反演云顶高度产品分布及高值区移动过程，分析此阶段可能发生强对流和降水的情况，见图8，颜色深为云顶高度越高。
S5、三维云检验
三维云检验为云顶约束、云底约束、三维立体云协同调整、多源数据同步反演融合和高光谱云廓线融合间的相互验证分析。
本发明的第二个实施例提供了一FY4成像仪在云融合分析系统中的融合方法，卫星资料作为全覆盖云观测手段，是三维云融合分析主要输入数据。为了满足天气分析和预报的要求，本研究选用中国FY4/FY2静止气象卫星数据。主要采用了可见光通道、3.9um通道以及窗区通道11um、12um和水汽通道的数据。各数据的融合的主要流程如图6所示。首先，根据计算时间进行判定，寻找所需时刻的卫星数据，如果判断卫星资料存在，那么获取到本地准备处理，否则退出模块；如果获取到卫星数据，那么进入数据处理部分，读取卫星红外通道亮温、可见光通道反照率以及地理信息数据、分辨率信息、行列信息等，根据每一点的地理信息以及分辨率信息，计算每一点经纬度相对于3DCLOUD 计算区域的[I，J]值，从而将静止卫星各通道数据投影到分析网格点上。该算法通过投影变换，尺度转换，边缘处理，插值及边缘平滑处理，最后进行格式转换生成NetCDF格式的卫星通道中间数据。标准的Netcdf格式卫星数据进入到三维云融合分析模块，将卫星的云顶亮温观测数据与通过三维云与卫星亮温观测算子计算的模拟亮温进行协调迭代调整，进一步与温度分析的温度场对应获得云顶温度和云顶高度约束产品。
本发明的第三个实施例提供了FY4闪电成像仪在云分析系统中的融合方法，FY-4卫星闪电成像仪观测与雷达结合使用。闪电观测对于雷达反射率将是重要的补充。闪电资料融合具体方案如下：
(1)建立闪电与雷达反射率的关系：收集FY-4闪电事件数据和雷达反射率，获得大数据样本。
(2)统计获得闪电频次与雷达反射率之间的经验关系式。建立闪电频次与雷达反射率对应查找表。
(3)读取融合时刻的闪电成像仪资料，通过闪电频次-雷达反射率关系查找表，将闪电转化为雷达反射率进行融合。
(4)设计融合算法，如没有雷达资料获取到，则用闪电数据；如雷达和闪电同时获取，则将闪电转化的雷达反射率作为雷达的补充叠加使用。
本发明的第四个实施例说明了云顶高度以及云顶气压可以很好地反映暴 雨过程。某年某月某日在某地出现持续性强降水天气，大部地区降暴雨或大暴 雨，某日下午16-17时，某地一个小时雨量达到201.9毫米。利用FY4成像仪 11、12、13μm通道数据，以及NWP温度、湿度、气压廓线，RTM晴空及黑体 辐射率廓线，云检测和云类型/相态产品，首先计算空间均匀性、对流层顶发 射率、局地辐射中心，再按照单层云和多层云的顺序进行计算，计算过程是先 逐像元查找初值，然后将上述数据代入式(5)-(8)，得到向量值，再代入式(1) 构造代价函数，以及代入式(2)得到向量x增量，进行迭代求解，最终通过NWP 温度廓线插值得到云顶高度和云顶气压。利用上述云顶高度以及云顶气压算法 分析可以很好地反映暴雨过程，见图9分别为某年某月某日11时、13时、15 时和16时的云顶气压和云顶高度。云顶气压代表云顶高度的气压值，可用来 表征云顶发展的高度值。云顶气压越低，云顶越高，对流则越强。某地区云顶 气压一直维持较低的量级，最低可达到100hPa，但云顶高度很高。15时-16 时云顶气压的低值区不断扩大，云顶高度的大值区也不断扩大，意味着在这个 过程中云系不断增强,范围不断扩大。从某时间段，在某地中东部地区，云顶 高度高值区一直维持且强度很大。这也是造成短时间降水量达到200mm以上的 原因。因此，云顶高度产品是强对流天气判识的一个指标，对于强对流天气识 别以便于防灾减灾、航空服务中飞机起降和飞行航线指导、人工影响天气作业 中增雨及减雨条件判断均有非常重要的应用价值。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其方法上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (5)

1.一种风云气象卫星协同多数据源的三维云融合分析的方法，其特征在于，包括以下步骤：
S1、获取输入数据；
S2、生成三维云融合分析系统需要的数据格式以及变量；
S3、多源观测质量控制和多源观测预处理；
S4、三维云信息协同融合分析，包括：云底高度计算和三维云云顶高度算法；
S41所述云底高度计算步骤如下：
步骤1、根据模式比湿和温度计算相对湿度：
当气温度高于－40℃时，
Figure FDA0003547848640000011
在气温低于－40℃时，
Figure FDA0003547848640000012
其中，T为气温，p为气压，E为水汽压，Es为饱和水汽压，
Figure FDA0003547848640000013
其中，RH为相对湿度，q为比湿；
步骤2、利用相对湿度推算出的云底高度，气压和海拔高度的转换方法如下：
Figure FDA0003547848640000014
式中，Pa——当地平均大气压，kPa；
H——当地海拔高度，m。
步骤3、利用相对湿度判断云底高度的方法；
步骤31云底高的判定方法；
步骤311、从廓线低端开始向上一直延伸至廓线顶端；
步骤312、第一层云云底高的判定：无论该湿度层为近地面层还是非近地面层，其相对湿度(rh)RH≥84％，该湿度层所在高度即可作为第一层云云底高；
步骤313、第二层及以上各层云云底高的判定：湿度层的相对湿度RH≥84％，该湿度层所在高度即可作为该层云云底高；
步骤32云底高计算步骤；
步骤321、利用相对湿度廓线由地面往上；
步骤322、通过比湿和气温计算出相对湿度；
步骤323、根据相对湿度廓线，确定相对湿度≥84％时所在的气压层；利用气压转换为海拔高度，通过地面海拔高度，得出云底距离地面的高度；
步骤324、云层的最小云底高度设定为地面高度(h)500米；当距离地面高度小于h时，继续由此层向上判断；
步骤325、满足上述条件时，得出云底高度值；
S42所述三维云云顶高算法如下：
S421处理辅助数据，计算通道晴空辐射率廓线、云顶发射率等；
S422对NWP大气廓线进行时空插值，得到像元点处的大气廓线；
先处理单层辐射中心，它们不需要依赖其它像元；再处理单层水云，因为它们受单层辐射中心像元的影响；当单层冰云的局地辐射中心计算指出其为多层云时，则需要多层云的信息，才能处理单层冰云；然后处理多层云；最后处理剩下的云像元；
S423根据云类型/相态确定初猜值及误差；
S424通过本算法的迭代计算，使代价函数最小，得到反演的云顶温度；
利用最优估计法进行迭代反演，该方法可以方便地增加、减少观测及反演参数，并可自动估计反演误差；
定义代价函数φ，有
Figure FDA0003547848640000031
其中，x为反演参数向量，xa为x的初始值，y为观测向量，f(x)表示前向辐射传输模式的计算值，Sa是x与xa的误差协方差矩阵，Sy是y与f的误差协方差矩阵；在每一次递归反演中，向量x的增量表示为：
Figure FDA0003547848640000032
其中，K表示Jacobian或Kernel矩阵，Sx是x的误差协方差矩阵，表示为：
Figure FDA0003547848640000033
当满足以下收敛条件时，迭代终止
Figure FDA0003547848640000034
其中，p为x的反演参数个数；
在三维云高算法中，向量y和x的定义如下：
Figure FDA0003547848640000035
Figure FDA0003547848640000036
Figure FDA0003547848640000037
Kernel矩阵由f(x)中每一个元素的偏微分组成，表示为：
Figure FDA0003547848640000041
K中的第一列表示为：
Figure FDA0003547848640000042
Figure FDA0003547848640000043
Figure FDA0003547848640000044
K中的第二列表示为：
Figure FDA0003547848640000045
Figure FDA0003547848640000046
Figure FDA0003547848640000047
K中每一个与β(12/11μm)相关的前向模式偏微分可表示为：
Figure FDA0003547848640000048
Figure FDA0003547848640000049
Figure FDA00035478486400000410
S425通过NWP温度廓线插值得到对应的云顶气压和云顶高度；如低层有逆温存在，则根据地面温度和云顶温度及预先设定的温度直减率，求得对应的云顶高度；
S5、三维云检验。
2.根据权利要求1所述的一种风云气象卫星协同多数据源的三维云融合分析的方法，其特征在于，所述输入数据包括：模式背景场数据、地面观测数据、经纬度数据、探空数据、雷达数据、静止气象卫星成像仪通道数据和气象卫星探测通道数据。
3.根据权利要求1所述的一种风云气象卫星协同多数据源的三维云融合分析的方法，其特征在于，所述多源观测质量控制包括：偏差分析、概率密度函数、变分订正和多源观测均一化处理。
4.根据权利要求1所述的一种风云气象卫星协同多数据源的三维云融合分析的方法，其特征在于，所述多源观测质量控制还包括对云量计算中大于1.0和小于0.0的值进行判断，对于1.0到1.001之间的值，强制其等于1.0，如果大于1.001，则给出错误标识；对于-0.0004～0之间的值，强制其等于0.0，小于-0.0004的值，给出错误标识。
5.根据权利要求1所述的一种风云气象卫星协同多数据源的三维云融合分析的方法，其特征在于，所述三维云检验为云顶约束、云底约束、三维立体云协同调整和多源数据同步反演融合间的相互验证分析。
CN202210254110.5A 2022-03-15 2022-03-15 一种风云气象卫星协同多数据源的三维云融合分析的方法 Active CN114896544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210254110.5A CN114896544B (zh) 2022-03-15 2022-03-15 一种风云气象卫星协同多数据源的三维云融合分析的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210254110.5A CN114896544B (zh) 2022-03-15 2022-03-15 一种风云气象卫星协同多数据源的三维云融合分析的方法

Publications (2)

Publication Number Publication Date
CN114896544A true CN114896544A (zh) 2022-08-12
CN114896544B CN114896544B (zh) 2024-09-17

Family

ID=82715456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210254110.5A Active CN114896544B (zh) 2022-03-15 2022-03-15 一种风云气象卫星协同多数据源的三维云融合分析的方法

Country Status (1)

Country Link
CN (1) CN114896544B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN114994794A (zh) * 2022-06-24 2022-09-02 昆明学院 一种云团无探测数据区的云粒子相态生长方法
CN117422832A (zh) * 2023-11-06 2024-01-19 广州气象卫星地面站(广东省气象卫星遥感中心) 多源极轨卫星台风暖心三维结构自动匹配与定量展示方法
CN117634208A (zh) * 2023-12-11 2024-03-01 中国人民解放军61540部队 基于多源气象数据的三维云参数仿真处理方法和装置
CN117874629A (zh) * 2024-03-01 2024-04-12 中国气象局人工影响天气中心 一种基于卫星云参量和图像的播云催化云沟识别方法
CN117953388A (zh) * 2024-01-18 2024-04-30 国家卫星气象中心(国家空间天气监测预警中心) 基于卫星融合数据的快速发展对流判识方法及装置
CN118278033A (zh) * 2024-05-31 2024-07-02 南京气象科技创新研究院 多区域多形状非结构网格加密方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6035710A (en) * 1999-05-28 2000-03-14 Lockheed Martin Missiles & Space Co. Cloud base height and weather characterization, visualization and prediction based on satellite meteorological observation
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
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
CN110765644A (zh) * 2019-11-06 2020-02-07 兰州大学 一种风云四号卫星闪电成像仪资料同化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6035710A (en) * 1999-05-28 2000-03-14 Lockheed Martin Missiles & Space Co. Cloud base height and weather characterization, visualization and prediction based on satellite meteorological observation
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
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
CN110765644A (zh) * 2019-11-06 2020-02-07 兰州大学 一种风云四号卫星闪电成像仪资料同化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘瑞霞;徐祥德;刘玉洁;: "JICA综合观测与卫星数据在高原地区三维云和水汽场构建中的应用", 高原气象, no. 06, 15 December 2013 (2013-12-15) *

Cited By (11)

* Cited by examiner, † Cited by third party
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
CN114111705B (zh) * 2021-10-20 2024-08-20 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
CN114994794A (zh) * 2022-06-24 2022-09-02 昆明学院 一种云团无探测数据区的云粒子相态生长方法
CN114994794B (zh) * 2022-06-24 2023-05-09 昆明学院 一种云团无探测数据区的云粒子相态生长方法
CN117422832A (zh) * 2023-11-06 2024-01-19 广州气象卫星地面站(广东省气象卫星遥感中心) 多源极轨卫星台风暖心三维结构自动匹配与定量展示方法
CN117422832B (zh) * 2023-11-06 2024-04-12 广州气象卫星地面站(广东省气象卫星遥感中心) 多源极轨卫星台风暖心三维结构自动匹配与定量展示方法
CN117634208A (zh) * 2023-12-11 2024-03-01 中国人民解放军61540部队 基于多源气象数据的三维云参数仿真处理方法和装置
CN117634208B (zh) * 2023-12-11 2024-05-10 中国人民解放军61540部队 基于多源气象数据的三维云参数仿真处理方法和装置
CN117953388A (zh) * 2024-01-18 2024-04-30 国家卫星气象中心(国家空间天气监测预警中心) 基于卫星融合数据的快速发展对流判识方法及装置
CN117874629A (zh) * 2024-03-01 2024-04-12 中国气象局人工影响天气中心 一种基于卫星云参量和图像的播云催化云沟识别方法
CN118278033A (zh) * 2024-05-31 2024-07-02 南京气象科技创新研究院 多区域多形状非结构网格加密方法

Also Published As

Publication number Publication date
CN114896544B (zh) 2024-09-17

Similar Documents

Publication Publication Date Title
CN114896544B (zh) 一种风云气象卫星协同多数据源的三维云融合分析的方法
US20230213337A1 (en) Large-scale forest height remote sensing retrieval method considering ecological zoning
US7109912B1 (en) Weather radar hazard detection system and method
CN103293084B (zh) 基于多光谱气象卫星信息的海雾全天时全天候反演方法
Dodge et al. The kinematic structure of a hurricane with sea level pressure less than 900 mb
Otsuka et al. Precipitation nowcasting with three-dimensional space–time extrapolation of dense and frequent phased-array weather radar observations
Collis et al. Statistics of storm updraft velocities from TWP-ICE including verification with profiling measurements
Peña et al. Characteristics of wet and dry spells over the Pacific side of Central America during the rainy season
Gultepe et al. A satellite-based fog detection scheme using screen air temperature
Dybbroe et al. NWCSAF AVHRR cloud detection and analysis using dynamic thresholds and radiative transfer modeling. Part II: Tuning and validation
Sun-Mack et al. Regional apparent boundary layer lapse rates determined from CALIPSO and MODIS data for cloud-height determination
Wang et al. Scatterometer sea surface wind product validation for HY-2C
CN108874734B (zh) 一种全球陆地降水反演方法
Wong et al. Towards the blending of NWP with nowcast—Operation experience in B08FDP
Zhang et al. Identifying Doppler velocity contamination caused by migrating birds. Part I: Feature extraction and quantification
Lee et al. A simplified method for the detection of convection using high-resolution imagery from GOES-16
Qin et al. TRMM-observed summer warm rain over the tropical and subtropical Pacific Ocean: Characteristics and regional differences
CN114779370A (zh) 一种结合卫星云图与数值评估的降水预报方法及系统
Hawkinson et al. A comparison of GOES sounder–and cloud lidar-and radar-retrieved cloud-top heights
Dixon et al. Three-dimensional convective–stratiform echo-type classification and convectivity retrieval from radar reflectivity
CN111060991A (zh) 风云静止卫星的晴空辐射产品的生成方法
Matrosov Observations of wintertime US West Coast precipitating systems with W-band satellite radar and other spaceborne instruments
Claud et al. Assessment of the accuracy of atmospheric temperature profiles retrieved from TOVS observations by the 3I method in the European Arctic; Application for mesoscale weather analysis
Eroshenko et al. Weather data errors analysis in solar power stations generation forecasting
CN108897074B (zh) 一种全球海洋降水反演方法

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