法律状态公告日
法律状态信息
法律状态
2022-06-03
公开
发明专利申请公布
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BT
S3、积雨云判别因子概率计算:
BT
计算高层水汽与水汽通道亮温差(BT
计算水汽与红外通道亮温差(BT
计算水汽与长波红外通道亮温差(BT
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(T
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BT
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BT
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Y
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Y
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、BT
S32、计算高层水汽与水汽通道亮温差(BT
S33、计算水汽与红外通道亮温差(BT
S34、计算水汽与长波红外通道亮温差(BT
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(T
进一步地,所述标准化处理采用如下公式:
其中
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BT
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BT
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BT
S3、积雨云判别因子概率计算:
BT
计算高层水汽与水汽通道亮温差(BT
计算水汽与红外通道亮温差(BT
计算水汽与长波红外通道亮温差(BT
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(T
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BT
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BT
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Y
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Y
S3、积雨云判别因子概率计算:
S31、BT
S32、计算高层水汽与水汽通道亮温差(BT
S33、计算水汽与红外通道亮温差(BT
S34、计算水汽与长波红外通道亮温差(BT
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(T
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BT
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BT
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BT
P(监测有积雨云)=P(cb|X)=0.5*P(BT0|cb)*P(BT
P(监测无积雨云)=P(no|X)=0.5*P(BT0|no)*P(BT
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BT
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Y
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Y
3、积雨云判别因子概率计算:
1)BT
2)计算高层水汽与水汽通道亮温差(BT
3)计算水汽与红外通道亮温差(BT
4)计算水汽与长波红外通道亮温差(BT
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(T
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BT
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BT
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BT
P(监测有积雨云)=0.5*P(BT0|cb)*P(BT
P(监测无积雨云)=0.5*P(BT0|no)*P(BT
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。