CN115437036A - 一种基于葵花卫星的对流初生预报方法 - Google Patents
一种基于葵花卫星的对流初生预报方法 Download PDFInfo
- Publication number
- CN115437036A CN115437036A CN202211028692.1A CN202211028692A CN115437036A CN 115437036 A CN115437036 A CN 115437036A CN 202211028692 A CN202211028692 A CN 202211028692A CN 115437036 A CN115437036 A CN 115437036A
- Authority
- CN
- China
- Prior art keywords
- cloud
- convection
- satellite
- birth
- 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.)
- Pending
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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G06F30/22—Design optimisation, verification or simulation using Petri net models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Electromagnetism (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及天气预报技术领域,且公开了一种基于葵花卫星的对流初生预报方法,包括以下步骤:S1:采集数据,采集历史气象卫星资料和天气雷达的雷达数据,进行雷暴识别跟踪,判别雷暴是否符合对流初生标准,构建对流初生个例库;S2:提取目标,对卫星不同通道数据进行处理,剔除晴空、卷云区域,提取积云目标,在进行积云识别时使用卫星云图不同通道数据,进行云检测,剔除晴空和卷云区,提取出积云的范围,并提取出积云单体的位置、大小属性;S3:积云跟踪。本发明能够实现在雷达尚未观测到对流云团时,利用卫星识别出潜在发展云团,提前预知对流发生,从而达到预报短时对流活动的目的。
Description
技术领域
本发明涉及天气预报技术领域,具体为一种基于葵花卫星的对流初生预报方法。
背景技术
强对流天气是气象学上所指的发生突然、移动迅速、天气剧烈、破坏力极强的灾害性天气,主要有雷雨大风、冰雹、龙卷风、局部强降雨等。强对流天气发生于中小尺度天气系统,空间尺度小,一般水平范围大约在十几公里至二三百公里,水平尺度一般小于200公里,有的水平范围只有几十米至十几公里。
强对流天气的生命周期较短,从积云到强对流可能仅需30分钟时间。而当前的强对流短临预报技术主要还是基于雷电回波的移动趋势对回波走向进行预判,无法预测对流是否会发展增强,不能满足人们的要求,因此提出一种基于葵花卫星的对流初生预报方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于葵花卫星的对流初生预报方法,解决了当前的强对流短临预报技术主要还是基于雷电回波的移动趋势对回波走向进行预判,无法预测对流是否会发展增强,不能满足人们的要求的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:
一种基于葵花卫星的对流初生预报方法,包括以下步骤:
S1:采集数据,采集历史气象卫星资料和天气雷达的雷达数据,使用葵花8号上的可见光红外扫描仪(AHI)数据,进行雷暴识别跟踪,判别雷暴是否符合对流初生标准,构建对流初生个例库;
S2:提取目标,对卫星不同通道数据进行处理,剔除晴空、卷云区域,提取积云目标,在进行积云识别时使用卫星云图不同通道数据,进行云检测,剔除晴空和卷云区,提取出积云的范围,并提取出积云单体的位置、大小属性,由于云体种类繁多,存在卷积、晴空等情况,这些云体无法成长成为强对流,在进行对流初生判别时将其剔除,其次云体通常都连成一片,在进行对流初生判别时将其单独划分开来,寻找有潜在发展成为深对流云的积云单体;
S3:积云跟踪,读取相邻时刻卫星提取的积云目标,使用多目标追踪算法对提取出来的积云进行跟踪,记录积云单体的变化趋势;
S4:长短期记忆神经网络,根据历史个例搭建长短期记忆神经网络模型,对历史案例进行学习,学习训练时,使用反向传播算法,对样本进行训练,模型输入参数卫星云图的样本因子,模型真值为是否发生对流初生事件,进行多轮反复迭代训练,直到损失函数收敛,使用测试集进行交叉验证,检验模型准确率,并在检验过程中对模型进行调优,最后将训练好的模型进行保存,并接入实时业务环境中;
S5:对流初生预报,根据气象卫星的实况资料,进行积云识别、跟踪,然后对比对长短期记忆神经网络模型,对雷暴单体是否会发展成为强对流进行判别,生产对流初生预报。
作为本发明再进一步的方案,所述S1中在进行对流初生个例库建立时根据强对流发生的气象标准,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库。
进一步的,所述S1中进行对流初生个例库建立时使用风暴识别与跟踪法方法识别、跟踪连续风暴段的移动和演变趋势,依据对流初生条件判别对流初生时刻,设定强对流天气的标准为雷达回波大于20dBz面积大于20km2且雷达回波最大值大于35dBz,而对流初生指对流单体首次出现回波强度大于35dBz的积云单体,根据这个标准,结合雷暴追踪技术,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库。
在前述方案的基础上,所述S2中积云掩模的生成主要包括以下三个步骤:
云检测:从AHI多光谱图像中识别云区;
积云识别:积云对象识别,将相邻的云像素分组为积云单体对象,对积云单体进行划分切割;
剔除成熟对流云:剔除已经发展很旺盛的对流云体,仅寻找潜在对流单体发展区域。
进一步的,所述在进行云检测时分为白天云检测算法和夜间云检测算法,白天主要使用可见光结合红外通道数据进行云检测,夜间依托仅有的红外通道数据进行云检测,白天快速云检测时使用AHI 0.46μm,0.64μm和0.86μm通道的快速云检测方法来区分多云像素和晴空像素,首先计算基于可见光通道的积云指数VCI,根据AHI数据1、3、4通道即0.46μm、0.51μm、0.64μm通道反照率相互做差的均方根计算而来,公式如下:
R′ch1,R′ch3,R′ch4分别代表AHI1,3,4通道的增强反照率,反照率的增强采用Gumley提出的图像增强方式,提升卫星图像对比度,具体增强方式为对过(0,0),(0.12,0.43),(0.24,0.63)(0.47,0.82)(0.75,0.94)(1,1)共6个点的曲线进行三次样条拟合,将AHI数据1,3,4即0.46μm、0.51μm、0.64μm通道反照率数据按照该曲线进行调整,获得增强反照率。最后乘以系数255,将代表(0-1)的反射比到(0-255)亮度的转换。
在前述方案的基础上,所述在进行夜间云检测时以下几个条件可去除晴空和薄卷云像元:1)当目标像元10.4μm亮温比临近区域最暖像元低5K以下时判别该像素点为云区;2)目标像元的10.4-12.4μm之间的通道间云顶亮温差BTD值比目标像元中心的19*19窗口内通道间云顶亮温差最高的像素的通道间云顶亮温差BTD值大0.6K,则判别该像素点为卷云区;3)在8.7-12.4μm之间的通道间云顶亮温差BTD值比目标像素中心的19*19窗口范围内通道间云顶亮温差最高像素点的BTD值大1.6K则判别该像素点为卷云,通过使用上面两种不同的算法分别将白天和夜间积云区域从晴空和薄卷云中分离出来。
本发明再进一步的方案,所述S5中在进行积云识别时使用Abubaker提出的连接组件标记技术,提取积云轮廓信息,将云区分分割为单个积云单体对象,具体为首先确定一个灰度阈值用于将卫星图像二值化,二值化后的图像中存在着一些小面积的云团碎片,设定一个面积阈值将面积小于该阈值的连通区域滤除,然后对剩余的连通区域采用边缘检测技术求出所有目标云团的外边界,作为目标云团的初始轮廓,最后使用分水岭算法从提取单个积云轮廓,在初始轮廓范围内寻找云顶温度较低,即云顶发展比较旺盛的区域,作为掩膜中的种子(分水岭算法中所谓的注水点),根据掩膜中种子位置对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,直到处理完图像上所有像素点,实现每一个积云单体的划分,利用10.4-μm红外通道的-20℃阈值将未成熟积云对象与对流云对象分离,对云顶温度低于-20℃的厚云可能已经开始产生降水,因此被归类为雷暴对流云,剔除了晴空、卷云和成熟云体后的对流云体为潜在目标对象,进行下一步的积云跟踪。
进一步的,所述S3中进行积云跟踪时,对不同时刻的积云位置和大小进行跟踪,识别出相邻时刻中是同一云目标的积云单体,气象云图变幻莫测,积云单体会随着高空气流迅速移动起来,而进行对流初生的预报需要对移动着的积云进行分析,因此需要对积云识别中所提取出来的积云单体进行跟踪,提取其前后不同时刻积云单体的位置即其他信息,积云跟踪模块主要就是通过多匈牙利追踪算法,对比不同时刻积云信息,对其进行匹配,以实现积云单体跟踪,输出积云单体变化信息。
在前述方案的基础上,所述S4中构建长短期记忆神经网络时,综合分析卫星、雷达资料,根据积云单体的发展变化趋势,构建训练模型,使用历史积云初生数据进行训练,预测每个积云单体是否为发展成为强对流,根据之前提取的对流初生个例,结合对应的积云跟踪案例,输入合适的同时数据,搭建LSTM训练模型,进行训练,以实现在读取实况数据时的对流初生判别,LSTM模型分为前向计算过程和误差后向传播过程,前者通过对输入项的计算得到结果,后者通过误差项的传递不断更新网络层参数,对流初生特征集使用到的通道包括B01、B07、B10、B11、B13、B15,其中B01用于表征积云厚度信息,根据B07和B13计算的ρ3.9用于表征积云粒子大小信息,B13用于表征云顶高度信息,B10-B13用于表征云顶上方逆温情况,B15-B13用于表征积云厚度信息,B11+B15-2*B13用于表征积云相态信息,10分钟内的ρ3.9用变化用于表征云顶粒子发现变化信息,10分钟内B13亮温变化,用于表征云顶高度发展,将所有跟踪的积云个例和初生对流个例进行对应,搭建样本集,从样本集中随机选出70%样本作为训练集,剩余30%的样本作为测试集不参与训练。
(三)有益效果
与现有技术相比,本发明提供了一种基于葵花卫星的对流初生预报方法,具备以下有益效果:
1、本发明中,通过对历史卫星数据进行综合分析,挖掘云顶亮温和对流之间关系,实现积云是否会发展成为强对流的预判,而且使用测试集进行交叉验证,检验模型准确率,并在检验过程中对模型进行调优,提高模型泛化能力,防止模型过拟合,确保模型能够在测试集上达到70%的准确率。
2、本发明中,通过对流初生预报模块基于图像视觉技术对卫星数据进行综合分析,充分挖掘卫星图像和对流之间关系,寻找强对流发展初期的卫星云图信号,并基于该信号实现对流的潜势预报。
3、本发明中,能够实现在雷达尚未观测到对流云团时,利用卫星识别出潜在发展云团,提前预知对流发生,从而达到预报短时对流活动的目的。
附图说明
图1为本发明提出的一种基于葵花卫星的对流初生预报方法的流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参照图1,一种基于葵花卫星的对流初生预报方法,包括以下步骤:
S1:采集数据,采集历史气象卫星资料和天气雷达的雷达数据,使用葵花8号上的可见光红外扫描仪(AHI)数据,进行雷暴识别跟踪,判别雷暴是否符合对流初生标准,构建对流初生个例库,通过对历史卫星数据进行综合分析,挖掘云顶亮温和对流之间关系,实现积云是否会发展成为强对流的预判;
S2:提取目标,对卫星不同通道数据进行处理,剔除晴空、卷云区域,提取积云目标,在进行积云识别时使用卫星云图不同通道数据,进行云检测,剔除晴空和卷云区,提取出积云的范围,并提取出积云单体的位置、大小属性,由于云体种类繁多,存在卷积、晴空等情况,这些云体无法成长成为强对流,在进行对流初生判别时将其剔除,其次云体通常都连成一片,在进行对流初生判别时将其单独划分开来,寻找有潜在发展成为深对流云的积云单体;
S3:积云跟踪,读取相邻时刻卫星提取的积云目标,使用多目标追踪算法对提取出来的积云进行跟踪,记录积云单体的变化趋势;
S4:长短期记忆神经网络,根据历史个例搭建长短期记忆神经网络模型,对历史案例进行学习,学习训练时,使用反向传播算法,对样本进行训练,模型输入参数卫星云图的样本因子,模型真值为是否发生对流初生事件,进行多轮反复迭代训练,直到损失函数收敛,使用测试集进行交叉验证,检验模型准确率,并在检验过程中对模型进行调优,提高模型泛化能力,防止模型过拟合,确保模型能够在测试集上达到70%的准确率,最后将训练好的模型进行保存,并接入实时业务环境中,对流初生预报模块基于图像视觉技术对卫星数据进行综合分析,充分挖掘卫星图像和对流之间关系,寻找强对流发展初期的卫星云图信号,并基于该信号实现对流的潜势预报;
S5:对流初生预报,根据气象卫星的实况资料,进行积云识别、跟踪,然后对比对长短期记忆神经网络模型,对雷暴单体是否会发展成为强对流进行判别,生产对流初生预报,实现在雷达尚未观测到对流云团时,利用卫星识别出潜在发展云团,提前预知对流发生,从而达到预报短时对流活动的目的。
本发明中,S1中在进行对流初生个例库建立时根据强对流发生的气象标准,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库,S1中进行对流初生个例库建立时使用风暴识别与跟踪法方法识别、跟踪连续风暴段的移动和演变趋势,依据对流初生条件判别对流初生时刻,设定强对流天气的标准为雷达回波大于20dBz面积大于20km2且雷达回波最大值大于35dBz,而对流初生指对流单体首次出现回波强度大于35dBz的积云单体,根据这个标准,结合雷暴追踪技术,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库。
尤其的,S2中积云掩模的生成主要包括以下三个步骤:
云检测:从AHI多光谱图像中识别云区;
积云识别:积云对象识别,将相邻的云像素分组为积云单体对象,对积云单体进行划分切割;
剔除成熟对流云:剔除已经发展很旺盛的对流云体,仅寻找潜在对流单体发展区域。
进一步的,在进行云检测时分为白天云检测算法和夜间云检测算法,白天主要使用可见光结合红外通道数据进行云检测,夜间依托仅有的红外通道数据进行云检测,白天快速云检测时使用AHI 0.46μm,0.64μm和0.86μm通道的快速云检测方法来区分多云像素和晴空像素,首先计算基于可见光通道的积云指数VCI,根据AHI数据1、3、4通道即0.46μm、0.51μm、0.64μm通道反照率相互做差的均方根计算而来,公式如下:
R′ch1,R′ch3,R′ch4分别代表AHI1,3,4通道的增强反照率,反照率的增强采用Gumley提出的图像增强方式,提升卫星图像对比度,具体增强方式为对过(0,0),(0.12,0.43),(0.24,0.63)(0.47,0.82)(0.75,0.94)(1,1)共6个点的曲线进行三次样条拟合,将AHI数据1,3,4即0.46μm、0.51μm、0.64μm通道反照率数据按照该曲线进行调整,获得增强反照率。最后乘以系数255,将代表(0-1)的反射比到(0-255)亮度的转换,根据反射率谱,云团像素有较小的VCI,而陆地或海洋的像素VCI值会较高。
需要特别说明的是,在进行夜间云检测时以下几个条件可去除晴空和薄卷云像元:1)当目标像元10.4μm亮温比临近区域最暖像元低5K以下时判别该像素点为云区;2)目标像元的10.4-12.4μm之间的通道间云顶亮温差BTD值比目标像元中心的19*19窗口内通道间云顶亮温差最高的像素的通道间云顶亮温差BTD值大0.6K,则判别该像素点为卷云区;3)在8.7-12.4μm之间的通道间云顶亮温差BTD值比目标像素中心的19*19窗口范围内通道间云顶亮温差最高像素点的BTD值大1.6K则判别该像素点为卷云,通过使用上面两种不同的算法分别将白天和夜间积云区域从晴空和薄卷云中分离出来。
实施例2
参照图1,一种基于葵花卫星的对流初生预报方法,包括以下步骤:
S1:采集数据,采集历史气象卫星资料和天气雷达的雷达数据,使用葵花8号上的可见光红外扫描仪(AHI)数据,进行雷暴识别跟踪,判别雷暴是否符合对流初生标准,构建对流初生个例库,通过对历史卫星数据进行综合分析,挖掘云顶亮温和对流之间关系,实现积云是否会发展成为强对流的预判;
S2:提取目标,对卫星不同通道数据进行处理,剔除晴空、卷云区域,提取积云目标,在进行积云识别时使用卫星云图不同通道数据,进行云检测,剔除晴空和卷云区,提取出积云的范围,并提取出积云单体的位置、大小属性,由于云体种类繁多,存在卷积、晴空等情况,这些云体无法成长成为强对流,在进行对流初生判别时将其剔除,其次云体通常都连成一片,在进行对流初生判别时将其单独划分开来,寻找有潜在发展成为深对流云的积云单体;
S3:积云跟踪,读取相邻时刻卫星提取的积云目标,使用多目标追踪算法对提取出来的积云进行跟踪,记录积云单体的变化趋势;
S4:长短期记忆神经网络,根据历史个例搭建长短期记忆神经网络模型,对历史案例进行学习,学习训练时,使用反向传播算法,对样本进行训练,模型输入参数卫星云图的样本因子,模型真值为是否发生对流初生事件,进行多轮反复迭代训练,直到损失函数收敛,使用测试集进行交叉验证,检验模型准确率,并在检验过程中对模型进行调优,提高模型泛化能力,防止模型过拟合,确保模型能够在测试集上达到70%的准确率,最后将训练好的模型进行保存,并接入实时业务环境中,对流初生预报模块基于图像视觉技术对卫星数据进行综合分析,充分挖掘卫星图像和对流之间关系,寻找强对流发展初期的卫星云图信号,并基于该信号实现对流的潜势预报;
S5:对流初生预报,根据气象卫星的实况资料,进行积云识别、跟踪,然后对比对长短期记忆神经网络模型,对雷暴单体是否会发展成为强对流进行判别,生产对流初生预报,实现在雷达尚未观测到对流云团时,利用卫星识别出潜在发展云团,提前预知对流发生,从而达到预报短时对流活动的目的。
本发明中,S1中在进行对流初生个例库建立时根据强对流发生的气象标准,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库,S1中进行对流初生个例库建立时使用风暴识别与跟踪法方法识别、跟踪连续风暴段的移动和演变趋势,依据对流初生条件判别对流初生时刻,设定强对流天气的标准为雷达回波大于20dBz面积大于20km2且雷达回波最大值大于35dBz,而对流初生指对流单体首次出现回波强度大于35dBz的积云单体,根据这个标准,结合雷暴追踪技术,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库。
尤其的,S2中积云掩模的生成主要包括以下三个步骤:
云检测:从AHI多光谱图像中识别云区;
积云识别:积云对象识别,将相邻的云像素分组为积云单体对象,对积云单体进行划分切割;
剔除成熟对流云:剔除已经发展很旺盛的对流云体,仅寻找潜在对流单体发展区域。
进一步的,在进行云检测时分为白天云检测算法和夜间云检测算法,白天主要使用可见光结合红外通道数据进行云检测,夜间依托仅有的红外通道数据进行云检测,白天快速云检测时使用AHI 0.46μm,0.64μm和0.86μm通道的快速云检测方法来区分多云像素和晴空像素,首先计算基于可见光通道的积云指数VCI,根据AHI数据1、3、4通道即0.46μm、0.51μm、0.64μm通道反照率相互做差的均方根计算而来,公式如下:
R′ch1,R′ch3,R′ch4分别代表AHI1,3,4通道的增强反照率,反照率的增强采用Gumley提出的图像增强方式,提升卫星图像对比度,具体增强方式为对过(0,0),(0.12,0.43),(0.24,0.63)(0.47,0.82)(0.75,0.94)(1,1)共6个点的曲线进行三次样条拟合,将AHI数据1,3,4即0.46μm、0.51μm、0.64μm通道反照率数据按照该曲线进行调整,获得增强反照率。最后乘以系数255,将代表(0-1)的反射比到(0-255)亮度的转换,根据反射率谱,云团像素有较小的VCI,而陆地或海洋的像素VCI值会较高。
需要特别说明的是,在进行夜间云检测时以下几个条件可去除晴空和薄卷云像元:1)当目标像元10.4μm亮温比临近区域最暖像元低5K以下时判别该像素点为云区;2)目标像元的10.4-12.4μm之间的通道间云顶亮温差BTD值比目标像元中心的19*19窗口内通道间云顶亮温差最高的像素的通道间云顶亮温差BTD值大0.6K,则判别该像素点为卷云区;3)在8.7-12.4μm之间的通道间云顶亮温差BTD值比目标像素中心的19*19窗口范围内通道间云顶亮温差最高像素点的BTD值大1.6K则判别该像素点为卷云,通过使用上面两种不同的算法分别将白天和夜间积云区域从晴空和薄卷云中分离出来。
进一步的,S5中在进行积云识别时使用Abubaker提出的连接组件标记技术,提取积云轮廓信息,将云区分分割为单个积云单体对象,具体为首先确定一个灰度阈值用于将卫星图像二值化,二值化后的图像中存在着一些小面积的云团碎片,设定一个面积阈值将面积小于该阈值的连通区域滤除,然后对剩余的连通区域采用边缘检测技术求出所有目标云团的外边界,作为目标云团的初始轮廓,最后使用分水岭算法从提取单个积云轮廓,在初始轮廓范围内寻找云顶温度较低,即云顶发展比较旺盛的区域,作为掩膜中的种子(分水岭算法中所谓的注水点),根据掩膜中种子位置对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,直到处理完图像上所有像素点,实现每一个积云单体的划分,利用10.4-μm红外通道的-20℃阈值将未成熟积云对象与对流云对象分离,对云顶温度低于-20℃的厚云可能已经开始产生降水,因此被归类为雷暴对流云,剔除了晴空、卷云和成熟云体后的对流云体为潜在目标对象,进行下一步的积云跟踪,S3中进行积云跟踪时,对不同时刻的积云位置和大小进行跟踪,识别出相邻时刻中是同一云目标的积云单体,气象云图变幻莫测,积云单体会随着高空气流迅速移动起来,而进行对流初生的预报需要对移动着的积云进行分析,因此需要对积云识别中所提取出来的积云单体进行跟踪,提取其前后不同时刻积云单体的位置即其他信息,积云跟踪模块主要就是通过多匈牙利追踪算法,对比不同时刻积云信息,对其进行匹配,以实现积云单体跟踪,输出积云单体变化信息。
S4中构建长短期记忆神经网络时,综合分析卫星、雷达资料,根据积云单体的发展变化趋势,构建训练模型,使用历史积云初生数据进行训练,预测每个积云单体是否为发展成为强对流,根据之前提取的对流初生个例,结合对应的积云跟踪案例,输入合适的同时数据,搭建LSTM训练模型,进行训练,以实现在读取实况数据时的对流初生判别,LSTM模型分为前向计算过程和误差后向传播过程,前者通过对输入项的计算得到结果,后者通过误差项的传递不断更新网络层参数,对流初生特征集使用到的通道包括B01、B07、B10、B11、B13、B15,其中B01用于表征积云厚度信息,根据B07和B13计算的ρ3.9用于表征积云粒子大小信息,B13用于表征云顶高度信息,B10-B13用于表征云顶上方逆温情况,B15-B13用于表征积云厚度信息,B11+B15-2*B13用于表征积云相态信息,10分钟内的ρ3.9用变化用于表征云顶粒子发现变化信息,10分钟内B13亮温变化,用于表征云顶高度发展,将所有跟踪的积云个例和初生对流个例进行对应,搭建样本集。从样本集中随机选出70%样本作为训练集,剩余30%的样本作为测试集不参与训练。
在该文中的描述中,需要说明的是,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于葵花卫星的对流初生预报方法,其特征在于,包括以下步骤:
S1:采集数据,采集历史气象卫星资料和天气雷达的雷达数据,使用葵花8号上的可见光红外扫描仪(AHI)数据,进行雷暴识别跟踪,判别雷暴是否符合对流初生标准,构建对流初生个例库;
S2:提取目标,对卫星不同通道数据进行处理,剔除晴空、卷云区域,提取积云目标,在进行积云识别时使用卫星云图不同通道数据,进行云检测,剔除晴空和卷云区,提取出积云的范围,并提取出积云单体的位置、大小属性,由于云体种类繁多,存在卷积、晴空等情况,这些云体无法成长成为强对流,在进行对流初生判别时将其剔除,其次云体通常都连成一片,在进行对流初生判别时将其单独划分开来,寻找有潜在发展成为深对流云的积云单体;
S3:积云跟踪,读取相邻时刻卫星提取的积云目标,使用多目标追踪算法对提取出来的积云进行跟踪,记录积云单体的变化趋势;
S4:长短期记忆神经网络,根据历史个例搭建长短期记忆神经网络模型,对历史案例进行学习,学习训练时,使用反向传播算法,对样本进行训练,模型输入参数卫星云图的样本因子,模型真值为是否发生对流初生事件,进行多轮反复迭代训练,直到损失函数收敛,使用测试集进行交叉验证,检验模型准确率,并在检验过程中对模型进行调优,最后将训练好的模型进行保存,并接入实时业务环境中;
S5:对流初生预报,根据气象卫星的实况资料,进行积云识别、跟踪,然后对比对长短期记忆神经网络模型,对雷暴单体是否会发展成为强对流进行判别,生产对流初生预报。
2.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述S1中在进行对流初生个例库建立时根据强对流发生的气象标准,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库。
3.根据权利要求2所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述S1中进行对流初生个例库建立时使用风暴识别与跟踪法方法识别、跟踪连续风暴段的移动和演变趋势,依据对流初生条件判别对流初生时刻,设定强对流天气的标准为雷达回波大于20dBz面积大于20km2且雷达回波最大值大于35dBz,而对流初生指对流单体首次出现回波强度大于35dBz的积云单体,根据这个标准,结合雷暴追踪技术,从历史雷达资料中收集强对流案例,并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围,构建对流初生个例库。
4.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述S2中积云掩模的生成主要包括以下三个步骤:
云检测:从AHI多光谱图像中识别云区;
积云识别:积云对象识别,将相邻的云像素分组为积云单体对象,对积云单体进行划分切割;
剔除成熟对流云:剔除已经发展很旺盛的对流云体,仅寻找潜在对流单体发展区域。
5.根据权利要求4所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述在进行云检测时分为白天云检测算法和夜间云检测算法,白天主要使用可见光结合红外通道数据进行云检测,夜间依托仅有的红外通道数据进行云检测,白天快速云检测时使用AHI0.46μm,0.64μm和0.86μm通道的快速云检测方法来区分多云像素和晴空像素,首先计算基于可见光通道的积云指数VCI,根据AHI数据1、3、4通道即0.46μm、0.51μm、0.64μm通道反照率相互做差的均方根计算而来,公式如下:
R′ch1,R′ch3,R′ch4分别代表AHI1,3,4通道的增强反照率,反照率的增强采用Gumley提出的图像增强方式,提升卫星图像对比度,具体增强方式为对过(0,0),(0.12,0.43),(0.24,0.63)(0.47,0.82)(0.75,0.94)(1,1)共6个点的曲线进行三次样条拟合,将AHI数据1,3,4即0.46μm、0.51μm、0.64μm通道反照率数据按照该曲线进行调整,获得增强反照率。最后乘以系数255,将代表(0-1)的反射比到(0-255)亮度的转换。
6.根据权利要求4所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述在进行夜间云检测时以下几个条件可去除晴空和薄卷云像元:1)当目标像元10.4μm亮温比临近区域最暖像元低5K以下时判别该像素点为云区;2)目标像元的10.4-12.4μm之间的通道间云顶亮温差BTD值比目标像元中心的19*19窗口内通道间云顶亮温差最高的像素的通道间云顶亮温差BTD值大0.6K,则判别该像素点为卷云区;3)在8.7-12.4μm之间的通道间云顶亮温差BTD值比目标像素中心的19*19窗口范围内通道间云顶亮温差最高像素点的BTD值大1.6K则判别该像素点为卷云,通过使用上面两种不同的算法分别将白天和夜间积云区域从晴空和薄卷云中分离出来。
7.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述S5中在进行积云识别时使用Abubaker提出的连接组件标记技术,提取积云轮廓信息,将云区分分割为单个积云单体对象,具体为首先确定一个灰度阈值用于将卫星图像二值化,二值化后的图像中存在着一些小面积的云团碎片,设定一个面积阈值将面积小于该阈值的连通区域滤除,然后对剩余的连通区域采用边缘检测技术求出所有目标云团的外边界,作为目标云团的初始轮廓,最后使用分水岭算法从提取单个积云轮廓,在初始轮廓范围内寻找云顶温度较低,即云顶发展比较旺盛的区域,作为掩膜中的种子(分水岭算法中所谓的注水点),根据掩膜中种子位置对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,直到处理完图像上所有像素点,实现每一个积云单体的划分,利用10.4-μm红外通道的-20℃阈值将未成熟积云对象与对流云对象分离,对云顶温度低于-20℃的厚云可能已经开始产生降水,因此被归类为雷暴对流云,剔除了晴空、卷云和成熟云体后的对流云体为潜在目标对象,进行下一步的积云跟踪。
8.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述S3中进行积云跟踪时,对不同时刻的积云位置和大小进行跟踪,识别出相邻时刻中是同一云目标的积云单体,气象云图变幻莫测,积云单体会随着高空气流迅速移动起来,而进行对流初生的预报需要对移动着的积云进行分析,因此需要对积云识别中所提取出来的积云单体进行跟踪,提取其前后不同时刻积云单体的位置即其他信息,积云跟踪模块主要就是通过多匈牙利追踪算法,对比不同时刻积云信息,对其进行匹配,以实现积云单体跟踪,输出积云单体变化信息。
9.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法,其特征在于,所述S4中构建长短期记忆神经网络时,综合分析卫星、雷达资料,根据积云单体的发展变化趋势,构建训练模型,使用历史积云初生数据进行训练,预测每个积云单体是否为发展成为强对流,根据之前提取的对流初生个例,结合对应的积云跟踪案例,输入合适的同时数据,搭建LSTM训练模型,进行训练,以实现在读取实况数据时的对流初生判别,LSTM模型分为前向计算过程和误差后向传播过程,前者通过对输入项的计算得到结果,后者通过误差项的传递不断更新网络层参数,对流初生特征集使用到的通道包括B01、B07、B10、B11、B13、B15,其中B01用于表征积云厚度信息,根据B07和B13计算的ρ3.9用于表征积云粒子大小信息,B13用于表征云顶高度信息,B10-B13用于表征云顶上方逆温情况,B15-B13用于表征积云厚度信息,B11+B15-2*B13用于表征积云相态信息,10分钟内的ρ3.9用变化用于表征云顶粒子发现变化信息,10分钟内B13亮温变化,用于表征云顶高度发展,将所有跟踪的积云个例和初生对流个例进行对应,搭建样本集,从样本集中随机选出70%样本作为训练集,剩余30%的样本作为测试集不参与训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211028692.1A CN115437036A (zh) | 2022-08-25 | 2022-08-25 | 一种基于葵花卫星的对流初生预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211028692.1A CN115437036A (zh) | 2022-08-25 | 2022-08-25 | 一种基于葵花卫星的对流初生预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115437036A true CN115437036A (zh) | 2022-12-06 |
Family
ID=84244236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211028692.1A Pending CN115437036A (zh) | 2022-08-25 | 2022-08-25 | 一种基于葵花卫星的对流初生预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115437036A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542431A (zh) * | 2022-11-25 | 2022-12-30 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
CN116449331A (zh) * | 2023-06-20 | 2023-07-18 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
CN116778354A (zh) * | 2023-08-08 | 2023-09-19 | 南京信息工程大学 | 基于深度学习的可见光合成云图海上强对流云团识别方法 |
CN117592002A (zh) * | 2024-01-18 | 2024-02-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种初生对流的判识方法及装置 |
CN117725523A (zh) * | 2024-01-31 | 2024-03-19 | 中科技术物理苏州研究院 | 基于物理约束的雷暴天气预警方法及预警系统 |
-
2022
- 2022-08-25 CN CN202211028692.1A patent/CN115437036A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542431A (zh) * | 2022-11-25 | 2022-12-30 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
CN115542431B (zh) * | 2022-11-25 | 2023-03-10 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
CN116449331A (zh) * | 2023-06-20 | 2023-07-18 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
CN116449331B (zh) * | 2023-06-20 | 2023-08-15 | 成都远望科技有限责任公司 | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 |
CN116778354A (zh) * | 2023-08-08 | 2023-09-19 | 南京信息工程大学 | 基于深度学习的可见光合成云图海上强对流云团识别方法 |
CN116778354B (zh) * | 2023-08-08 | 2023-11-21 | 南京信息工程大学 | 基于深度学习的可见光合成云图海上强对流云团识别方法 |
CN117592002A (zh) * | 2024-01-18 | 2024-02-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种初生对流的判识方法及装置 |
CN117592002B (zh) * | 2024-01-18 | 2024-04-26 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种初生对流的判识方法及装置 |
CN117725523A (zh) * | 2024-01-31 | 2024-03-19 | 中科技术物理苏州研究院 | 基于物理约束的雷暴天气预警方法及预警系统 |
CN117725523B (zh) * | 2024-01-31 | 2024-04-12 | 中科技术物理苏州研究院 | 基于物理约束的雷暴天气预警方法及预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
CN107463901B (zh) | 多尺度区域洪涝灾害危险性遥感评估方法和系统 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
Vila et al. | Forecast and Tracking the Evolution of Cloud Clusters (ForTraCC) using satellite infrared imagery: Methodology and validation | |
Krstinić et al. | Histogram-based smoke segmentation in forest fire detection system | |
Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
CN111832506B (zh) | 一种基于长时序植被指数的重建植被遥感判别方法 | |
CN111638565A (zh) | 一种山区暴雨监测方法 | |
CN110533100B (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
Lee et al. | Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data | |
Karas et al. | Automatic color detection-based method applied to sentinel-1 sar images for snow avalanche debris monitoring | |
Houston et al. | Thunderstorm Observation by Radar (ThOR): An algorithm to develop a climatology of thunderstorms | |
Peterson et al. | Thunderstorm cloud-type classification from space-based lightning imagers | |
Lim et al. | Long-term retrievals of cloud type and fair-weather shallow cumulus events at the ARM SGP site | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
KR20120119749A (ko) | 위험기상과 관련된 반사도 셀의 추적 방법 | |
CN117152637A (zh) | 基于fy-4a卫星云图预测序列的强对流云识别方法 | |
Yang et al. | Convective cloud detection and tracking using the new-generation geostationary satellite over South China | |
Sun et al. | A practical weather detection method built in the surveillance system currently used to monitor the large-scale freeway in China | |
Sharma et al. | A review on physical and data-driven based nowcasting methods using sky images | |
Sen Roy et al. | Optimization of Nowcast Software WDSS-II for operational application over the Indian region | |
Thampy et al. | MMA: A novel algorithm for efficient separation of the precipitation echoes from wind profiler radar's Doppler power spectrum | |
Jiao et al. | Detection of cladding ice on transmission line based on SVM and mathematical morphology | |
KR101475624B1 (ko) | 컴퓨터가 수행하는 해양 기상 표본 추출 방법 | |
CN116842351B (zh) | 滨海湿地碳汇评估模型构建方法、评估方法和电子设备 |
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 |