中国气象学会主办。
文章信息
- 王远谋, 郁凡. 2017.
- WANG Yuanmou, YU Fan. 2017.
- 主要降水与非降水云类的全天时反演试验研究
- A retrieval experiment of the entire day classification for precipitation and non-precipitation clouds
- 气象学报, 75(4): 618-631.
- Acta Meteorologica Sinica, 75(4): 618-631.
- http://dx.doi.org/10.11676/qxxb2017.041
-
文章历史
- 2016-09-02 收稿
- 2017-03-30 改回
云在全球辐射能量平衡中扮演着重要角色,不同种类的云基于各自不同的宏、微观物理属性(云厚、云高、云光学厚度、粒子有效半径等),其发生、发展和演变均对云辐射强迫产生显著不同的影响。例如,高而薄的云易于阻碍地表向上发射的长波辐射,常表现为正辐射强迫;云底高度低、云滴数密度大的云则更多地反射短波辐射,表现为负辐射强迫(Hartmann, et al, 1992)。因此在云分类研究中,常用的研究手段包括:(1) 利用大气辐射传输模式模拟有云状况下地-气系统的辐射传输过程,探讨不同云类的宏、微观物理结构与辐射特性的关系(Karlsson, 1996; Stubenrauch, et al, 1996; Evans, et al, 2013),此为正演过程。(2) 考察各种云辐射过程的特定影响,根据辐射特性反演其对应云类的物理特性,从而对云系分类,这是反演过程。
气象卫星作为一种重要的云探测平台,具有全天候、范围广、连续性强等优点,其红外及可见光通道提供的云辐射信息在云反演研究中被广泛应用(Welch, et al, 1992; Bankert, 1994; Rossow, et al, 1999; Lutz, et al, 2003; Aires, et al, 2011)。静止气象卫星对云顶亮温、纹理及水汽含量等特性具有识别能力,能够提供云层表面和云内平均的辐射信息,从而反演得到对应云的宏、微观物理特性,在此基础上进行云分类(Shi, et al, 2002; Bankert, et al, 2009; Delgado, et al, 2008; Zhang, et al, 2011; 王继光,2007;尹跃,2008;刘扬,2011)。国际卫星云气候计划(ISCCP)的标准云分类方案大部分基于静止气象卫星的探测结果提出,并被广泛用于云分类研究当中(Wrenn, 2012; 王帅辉等,2010;梁萍等,2010)。
云系内部的垂直结构是实现准确可靠云分类的一个重要因子,静止气象卫星由于探测方式的局限性,无法提供这一信息。中外的云分类研究学者常从地基雷达探测资料中获取云垂直结构信息,以主、被动遥感资料相结合的方式弥补静止气象卫星探测的不足(Celano, et al, 2008; Mahrooghy, et al, 2010; Ceccaldi, et al, 2013; 陈英英等,2013;杨超等,2014)。然而雷达站的设置受地理环境的影响很大,站点全球分布不均,其提供的云垂直结构信息并不全面。
2006年4月,美国航空航天局(NASA)成功发射CALIPSO及CloudSat卫星,人类对云的探测进入新阶段。与主动遥感资料“自下而上”的探测方式不同,云探测卫星CloudSat搭载的毫米波云廓线雷达(Cloud Profile Radar, CPR)能够自上而下“切开”云层,获得其运行轨道上所有云的垂直结构、降水机制等内部信息(马占山等,2008),与雷达探测资料相比更为详细完整。因此,除了卫星与雷达相结合的研究手段之外,另有部分学者则是采用静止卫星观测资料与CloudSat云探测资料相结合的方法进行云分类试验(Kahn, et al, 2008; Nasrollahi, et al, 2011; Behrangi, et al, 2012; 李静等,2009;任建奇等,2011)。
过去的云分类研究中对反演结果的检验,通常以地面常规观测资料(Zhang, et al, 2011; 尚博等,2012;黄钰等, 2015;吴晓等,2016)、天气、气候模式(Su, et al, 2011; Berry, et al, 2014; 李昀英等,2015)或ISCCP传统分类结果作为真值(Wrenn, 2012; 刘奇等,2010)。郁凡等(1994)、Yu等(1997, 1998)提出了单位特征空间归类方法,以地面云观测记录作真值,运用GMS-5卫星多通道观测资料进行云分类试验。
然而地面云观测是“自下而上”,与卫星云分类“自上而下”的采样方式完全不同,往往造成一些云分类结果难以比较和确定。因此,以CloudSat云探测卫星产品作为真值进行样本训练,并检验静止气象卫星云分类反演结果,必然具有更好的可信度和可靠性(Zhang, et al, 2011;王晨曦等,2010)。有研究者以地面站数据以及GMS-5卫星在多个通道上的数据为检验值,讨论了两种方法关于云分类的准确性,结果表明后者的平均准确率比前者提高了17.8%(Yu, et al,2008)。
文中首先利用SBDART (Santa Barbara Disort Atmospheric Radiative Transfer, 平面平行大气辐射传输)模式进行正演,分析典型云类各自对应的辐射特性。之后应用2012年7—8月MTSAT-2静止气象卫星多通道观测数据,以CloudSat云探测卫星的云分类产品作真值,建模进行云分类反演试验研究。在不同通道组合的二维光谱空间上,通过对6种典型云类光谱特性在不同通道组合的二维光谱空间的集群分布分析,最小距离和最大似然方法的迭代运算,及单位特征空间方法的最后调整,针对白天和夜间的不同情况,分别构建了适用的云分类判据。2013年6—8月卫星观测数据(MTSAT-2多通道数据和CloudSat云分类产品)被用于该云分类判据的检验,结果表明,基本实现了非降水云、弱降水云与强降水云的可靠区分。
2 资料及预处理 2.1 卫星基本概况MTSAT-2为日本新一代多功能系列气象卫星,也是东亚地区重要的静止气象卫星之一,其中心位于145°E,可探测日本、韩国、中国东部沿海及西太平洋等区域(张鹏锐等,2005)。MTSAT-2的时间分辨率为30 min,搭载的光学传感器包含1个可见光波段和4个红外波段,波段信息参考表 1(徐建平,2005)。
波段 | 波长范围(μm) | 星下点空间分辨率(km) | 备注 |
IR1 | 10.3—11.3 | 4 | 红外1 |
IR2 | 11.5—12.5 | 4 | 红外2 |
IR3 | 6.5—7.0 | 4 | 水汽 |
IR4 | 3.5—4.0 | 4 | 短波红外 |
VIS | 0.55—0.80 | 1 | 可见光 |
根据表 1信息,可见光波段的空间分辨率高于红外波段。文中对4个红外波段插值(邻近重采样),将所有波段的空间分辨率统一调整为1 km,便于反演过程中的处理。
CloudSat卫星在美国宇航局“地球系统科学探路者”计划中执行一项重要任务,主要目的是提供云垂直结构的观测数据,搭载的遥感探测器是云廓线雷达(CPR)。该雷达每0.16 s对大气发射一次探测脉冲,CloudSat卫星在轨道上向前飞行1.1 km后接收到大气返回脉冲,对大气完成一次垂直探测。垂直探测分为125层,每层分辨率为240 m,共获得30 km厚度的大气层信息。
CloudSat卫星数据产品是对每个垂直剖面的探测数据加工而成的。目前DPC(Data Processing Center)在线提供7种标准数据产品,文中使用的2B-CLDCLASS数据,主要是云分类信息。CloudSat 2B-CLDCLASS的云分类主要依据是云粒子相态、水凝物浓度、形状和谱分布4项基本因子,目前已能判断层云(St)、层积云(Sc)、积云(Cu)、雨层云(Ns)、高积云(Ac)、高层云(As)、卷云(Ci)和深对流云8种基本云型。
6—8月为中国东部沿海地区的降水多发时段。一方面,夏季太平洋面热带气旋生成较为频繁,并有相当一部分登陆中国,多种云系、云团对大陆产生影响;另一方面,由于副热带高压推移影响,中国东部地区有较强雨带产生(长三角梅雨、黄淮雨季),各类降水云与非降水云种类多、数量大,这都使反演结果更加明显且具代表性。
综上所述,本研究的时间范围为2012年6—8月,空间范围为中国东部沿海地区(18°—40°N,110°—132°E)。通过时、空条件筛选的MTSAT-2多通道卫星资料总计3967组,时间分辨率30 min,空间分辨率0.01°×0.01°;CloudSat 2B-CLDCLASS产品总计238组,平均每12 h一组,时间分辨率6—7 min,数据格式为HDF。
2.2 资料预处理及匹配由2.1节可知两类卫星的探测方式、数据类型及分辨率差异较大,为使反演过程中CloudSat的云分类结果与相应经、纬度MTSAT-2像素点一一匹配,需对数据进行处理。
CloudSat 2B-CLDCLASS产品提供的是垂直方向125层的云分类结果,MTSAT-2则是平面二维数据,每一像素点仅能对应一种云类型。因此,资料预处理的第一步是将垂直方向的125层分类结果“压缩”为1层,即用125个云类型中最具代表性的结果来代表这一经纬度上的云类型。文中基于卫星探测特性,结合真实大气中各类云分布情况,采用的具体判断方法为:(1) 云层厚度不超过500 m(对应CloudSat约2层)的垂直层为晴空;(2) 若垂直层中仅有单一云类,即以该云代表整层。其中厚、薄卷云以云厚3000 m(对应CloudSat约15层)为分界点;(3) 两层及以上的云系为多层云系,若两层厚度差异较大,以明显较厚的云类型确定其云属;(4) 由两层或以上厚度相当且都较厚的云类构成的多层云系,其光谱特性与雨层云类似,常伴持续性降水,作雨层云处理;(5) 对流发展不超过7000 m(对应CloudSat约30层)的积雨云,属于较弱的对流云,判识分类也作雨层云处理。平面云型判断阈值参考表 2。
平面云型 | 判断条件 |
晴空(no cloud) | 晴空层数大于122 |
薄卷云(Ci) | 单一云类:125层中只出现卷云,且层数小于15多层云类:卷云+中云,且层数均小于15,作薄卷云处理 |
厚卷云(Ci) | 单一云类:125层中只出现卷云,且层数大于15多层云类:卷云+中云,且卷云层数大于15,作厚卷云处理 |
高层云(As) | 125层中只出现高层云 |
高积云(Ac) | 125层中只出现高积云 |
雨层云(Ns) | 雨层云层数大于10 |
层云(St) | 125层中只出现层云 |
层积云(Sc) | 125层中只出现层积云 |
深对流云(Cb) | 深对流层数大于50深对流层数大于10小于30,作雨层云处理 |
多层云系1 | 卷云+雨层云,且层数均大于15,作积雨云处理 |
多层云系2 | 卷云+中云+低云,且中、低云层数大于15,作雨层云处理 |
根据2.1节描述,MTSAT-2像素分辨率为1 km,与CloudSat的1.1 km空间分辨率相近。因此数据匹配过程中存在MTSAT-2的一个像素点对应多于一个CloudSat扫描点的情况,需做进一步处理——利用“多数原则”和“紧邻原则”进行落点判断:同一像素点内,数量最多的CloudSat云分类结果可代表该像素点云型;若存在两种或以上数量相等的CloudSat结果,应选择与像素点中心距离最近的结果作为该像素点云型。以图 1为例,正方形区域为MTSAT-2的某一像素单元,斜线为经过其上方的CloudSat轨道,5个点为CloudSat扫描点对应的云型。首先按照“多数原则”,卷云(Ci)与层积云(Sc)较多,均为2个,其次按照“紧邻原则”,层积云扫描点的平均位置比卷云更加靠近MTSAT-2像素的中心,因此得出结论该像素的云类型为层积云。
经过上述处理,MTSAT-2卫星观测数据与CloudSat云分类产品可一一对应。
3 云分类判据国际通用的云分类是按云层出现的高度分为高、中、低、直展云族,进一步以形状、组成、成因等分为10大云属,在降水监测预报业务中则常按降水与否及降水强度对各类云加以区分(中国气象局,2004)。综上所述,本节对2.2节的11种平面云型(表 2)重新进行归类,最终讨论晴空(无云)、低云(以层积云(Sc)为主)、中云(以高积云(Ac)为主)、薄卷云、厚卷云、产生弱降水的雨层云(云顶不高的积雨云(Cb)也归为此类),产生强降水的积雨云(Cb)7种类型,基本涵盖了实际大气对流层主要云类的分布状态。需要注意的是,虽然高层云(As)属于中云族,但CloudSat探测分类的As云体厚度普遍较大,云顶往往很高,极易于与实际的卷云(Ci)混淆,在确定真值的时候,故将云顶高于7 km的As归为7种典型云类中的厚卷云类而非中云类。
二维光谱空间是由亮温或亮温差通道两两组合构成的特征空间,可直观体现光谱特性。目前研究中(Yu et al, 1997, 1998, 2008; Zhang, et al, 2011; 郁凡等,1994;王晨曦等,2010)常用的通道组合包括红外1与可见光、红外1与红外2-1(“-”表示通道差,下同)、红外1与红外3-1、红外1与红外4-2、红外3-1与红外4-2、红外3-1与红外2-1。上述组合中包含可见光通道的可用于白天,而夜间可见光通道的值为0,须利用各红外通道与通道差组合进行分析。文中使用红外1与可见光光谱空间(白天适用)及红外3-1与红外2-1光谱空间(夜间适用),实现全天时的连续分析。
3.1 模式中诸类云的模拟SBDART是一种用于计算晴空和云空条件下地球大气和地表平面平行辐射传输的模式。模式中包括了影响紫外、可见光和红外辐射场的所有重要的辐射传输过程,提供了多种可设置和修改的默认参数(Ricchiazzi, et al, 1998)。文中根据用户手册设定大气模式为中纬度夏季廓线(idatm=2),地表类型为沙地与植被各占一半的混合地表类型(sc=0, 0, 0.5, 0.5),边界层气溶胶模式为城市背景(iaer=2),用户天顶角45°,用户方位角120°,太阳天顶角默认为0。
SBDART常用的云微物理参数包括云顶高度、云厚、光学厚度及云滴有效半径4个因子,文中结合大气中的实际情况及经验公式(Fisher, 1992; 周毓荃等,2008),设置7种典型云类对应参数见表 3。
云族 | 云类 | 云底高度(km) | 云厚(km) | 光学厚度 | 有效半径(μm) |
晴空 | \ | 0 | 0 | 0 | 0 |
高云 | Ci(薄) | 6—10 | 0.2, 0.5 | 5, 12, 20 | 10, 15 |
Ci(厚) | 2.0, 2.5, 3.0 | 5, 10 | |||
中云 | Ac | 2.5—5 | 0.5, 1.5, 2.5 | 8, 14, 22 | 10, 15 |
Ns | 0.1 | 2.9—8.4 | 47i—74 | 30, 50 | |
低云 | St | 0.5—2 | 0.5, 2.5 | 2, 8, 14 | 10, 17 |
Sc | |||||
直展云 | Cb | 0.1 | 5.4—16.4 | 32i—140 | 50, 100, 200 |
计算各类云对应的辐射特性。由于计算输出值为辐射量(或辐射强度),为方便二维光谱空间中的分析,需转换为同等条件下的红外亮温值和可见光反照率。将云等效为黑体,使用黑体辐射公式(普朗克公式)
根据前文所述,选取红外1与可见光光谱空间描述白天情况,晴空及6种云类状况的集群分布分析结果参考图 2。
图 2显示,在二维光谱空间中不同云类均对应各自的分布范围,主要体现以下几点:(1) 从低、中到高云族,红外亮温值随着云高的升高而降低;(2) 积雨云(Cb)和雨层云(Ns)中常有对流发展,云厚较厚且云高很高,光谱特性表现为红外亮温低、反照率高。SBDART模式结果说明,根据诸类云的光谱特性差异,通过在二维光谱空间中划分区域的方法来识别云类是可行的。模式正演作为初步的结果参考,为后文卫星反演云分类的工作奠定了基础。
3.2 卫星反演云物理特性MTSAT-2对云的探测资料是亮温值、反照率等光谱特性,CloudSat 2B-CLDCLASS分类产品则可分辨各种云类,并用0—10的整数描述和记录。经过2.2节的资料预处理获得每个像素点上云类型与亮温值/反照率的一一对应结果,之后利用单位特征空间归类分析法,进一步得到各类型云在光谱空间中的集群及频数分布。
图 3、4分别为白天和夜间光谱通道与通道差组合下晴空及6种云类状况的集群分布分析结果。
由图 3和4可见,各种典型云类由于各自的光谱特性差异,在二维光谱空间中对应不同的分布范围,在此基础上可对各类云的光谱特征分布进行聚类分析。
利用最小距离分类方法(沈清等,1991;朱建华等,2000),首先线性划分光谱特征空间,初步确定各种云类的分布范围(图 5)、中心位置和协方差矩阵。由于典型云类的特征点在光谱空间中并不遵循标准正态分布(图 3、4),为防止多次迭代造成失真,文中以30 d(720个时次)的MTSAT-2静止卫星多通道光谱特征值为一次训练过程,利用最小距离方法训练2次。
最大似然估计方法(Fisher, 1950; 莫惠栋,1984)是根据训练样本与先验样本分布态势的相似性进行分类,具有某种意义上的渐进最优性(黄玉洁等,2011)。文中以图 5中最小距离法获得的7种云类分布中心为初始值,利用最大似然估计方法多次迭代训练至收敛,非线性划分光谱特征空间为较准确的各类云分布范围(图 6),最后调整确定各单位特征空间类属。
4 结果验证 4.1 反演值与真值对比验证图 6的云分类判据作为实现卫星反演云分类的基础,必须保证其实用性(能够直接应用于任意时次的卫星云图)及准确性(对各典型云的分类基本与真实情况相符)。文中主要从两方面展开对比验证:(1) 反演训练样本与检验样本;(2) 白天训练样本与夜间训练样本。
对第1项验证,选取2013年6—8月的CloudSat 2B-CLDCLASS云分类产品汇总,代表 2013年夏季的云类型真值。被检验的训练样本则由同一期间的MTSAT-2静止卫星资料,通过图 6的白天和夜间云分类判据分别反演获得。表 4左第一列括号内数字代表该类云用于反演的训练样本总数,表中百分数显示检验样本与真值匹配的比例,表格实际体现反演与真值对应结果。
白天 | |||||||
反演值/真值 | 晴空 | 薄卷云 | 厚卷云 | 中云(高积云等) | 低云(层积云等) | 雨层云及多层云系 | 积雨云 |
晴空(100788) | 78.06 | 11.12 | 1.51 | 0.90 | 8.26 | 0.12 | 0.01 |
薄卷云(9263) | 0.19 | 85.72 | 7.45 | 2.85 | 3.79 | 0.00 | 0.00 |
厚卷云(11725) | 0.00 | 0.23 | 89.88 | 5.12 | 0.00 | 4.46 | 0.32 |
中云(高积云等)(4734) | 0.00 | 6.38 | 8.85 | 83.44 | 0.00 | 0.89 | 0.44 |
低云(层积云等)(780) | 2.69 | 13.72 | 1.54 | 9.62 | 71.79 | 0.38 | 0.26 |
雨层云及多层云系(2891) | 0.00 | 0.00 | 12.18 | 3.15 | 0.00 | 84.43 | 0.24 |
积雨云(3063) | 0.00 | 0.00 | 6.76 | 0.00 | 0.00 | 7.97 | 85.28 |
夜间 | |||||||
反演值/真值 | 晴空 | 薄卷云 | 厚卷云 | 中云(高积云等) | 低云(层积云等) | 雨层云及多层云系 | 积雨云 |
晴空(100788) | 69.71 | 8.74 | 1.37 | 1.93 | 17.86 | 0.29 | 0.10 |
薄卷云(9263) | 5.83 | 59.18 | 3.29 | 9.24 | 22.45 | 0.00 | 0.00 |
厚卷云(11725) | 0.58 | 1.78 | 47.93 | 10.28 | 1.20 | 20.61 | 17.62 |
中云(高积云等)(4734) | 0.00 | 2.22 | 5.11 | 80.44 | 4.50 | 7.08 | 0.65 |
低云(层积云等)(780) | 15.00 | 5.38 | 1.92 | 14.23 | 62.95 | 0.26 | 0.26 |
雨层云及多层云系(2891) | 0.00 | 0.00 | 12.49 | 12.56 | 0.24 | 55.93 | 18.78 |
积雨云(3063) | 0.00 | 0.00 | 15.12 | 0.00 | 0.00 | 1.04 | 83.84 |
当反演与真值矩阵对角线值为当前行最大值时,即与真值相等的反演样本数多于其他不相等的样本数,证明训练样本通过检验,此对角线值表示该类云反演的准确度。表 4显示白天情况下,地表和各类云反演的准确度均不低于70%,通过检验。卷云、中云及降水云(雨层云与积雨云)效果尤佳,准确度超过80%;夜间情况下,除厚卷云外所有情况均超过50%,通过检验。对几种云进行分析:(1) 反演判定为厚卷云的样本中,有10%是中云,此外约37%实际上是产生降水的雨层云或积雨云。与此相对,雨层云和积雨云的样本也分别有20%和17%被反演为厚卷云;(2) 薄卷云和低云因厚度较小,透光性好,常与晴空相混淆——低云有约22%的样本被判为薄卷云、18%被判为晴空,晴空则有15%被判为低云;(3) 约20%的反演结果为雨层云的样本实际上是积雨云。
利用第2项验证进一步检验夜间反演,设置真值为已通过检验的白天反演训练样本,待检验值为夜间训练样本。与表 4同理,建立表 5夜间与白天反演值对比矩阵。
反演值/真值 | 晴空 | 薄卷云 | 厚卷云 | 中云(高积云等) | 低云(层积云等) | 雨层云及多层云系 | 积雨云 |
晴空(78723) | 84.52 | 4.54 | 0.00 | 0.12 | 10.81 | 0.00 | 0.00 |
薄卷云(19581) | 9.09 | 48.47 | 3.12 | 7.83 | 31.36 | 0.12 | 0.01 |
厚卷云(11143) | 0.46 | 7.22 | 47.32 | 11.00 | 0.94 | 18.34 | 14.72 |
中云(高积云等)(5736) | 0.00 | 4.15 | 4.53 | 78.97 | 5.67 | 6.56 | 0.12 |
低云(层积云等)(9244) | 28.15 | 5.20 | 0.15 | 3.61 | 62.82 | 0.05 | 0.01 |
雨层云及多层云系(3250) | 0.00 | 0.03 | 14.80 | 8.37 | 0.34 | 50.18 | 26.28 |
积雨云(2686) | 0.00 | 0.04 | 13.66 | 0.00 | 0.00 | 0.71 | 85.59 |
与第1项检验(夜间)相比,表 5的结果表明:(1) 强降水云及地表的反演准确度有所提升;(2) 薄卷云、中云及弱降水云的准确度略有降低,这是由于作为真值的样本改变所致;(3) 厚卷云的准确度基本不变,略低于通过检验的50%标准,其与降水云系的混淆问题依然存在。
综上所述,白天所有云类均通过检验,夜间除厚卷云以外通过检验,其中薄卷云和低云的准确率约一半。对上述情况分析原因如下:(1) 夜间降水云系与厚卷云混淆,约35%的厚卷云样本被判定为降水云。这是因为红外3-1与红外2-1光谱空间中的特征点分布存在重叠(图 4),从而对聚类分析造成干扰,影响云分类判据的划分。造成特征点重叠的原因,一方面,某些厚度很大的卷云具有很高的云顶高度,而静止气象卫星的红外通道探测的正是云顶亮温,故这类厚卷云的红外光谱特征值与产生降水的对流云系近似;另一方面,对于多层云系,文中将其主要作为两种云类处理,即厚卷云或雨层云(表 2),由于表 2的标准是根据经验定义,故有误差产生。(2) 约20%的雨层云被判为积雨云,属于不同强度降水云的混淆。同理也是由于表 2,对于发展深度小于7000 m的对流云,认为不产生强降水而作雨层云(Ns)处理。然而,实际大气中降水强弱的区别并不仅仅受云层厚度的影响,而是由多种复杂的大气条件决定。(3) 晴空、低云与薄卷云的混淆。表 5显示约有30%的薄卷云被误判为低云,另有9%则被认为是晴空;而低云则有28%的样本与晴空相混淆。这一方面是因为低云与薄卷云的云层较薄,产生大气辐射效应有限,静止气象卫星探测到的各通道辐射值与晴空相似,这是由卫星探测方式的局限性引起的一类误差。另一方面,低云与薄卷云在红外1通道上有迥然不同的表现,故白天的准确性较高(薄卷云85%,低云72%),而在构成夜间光谱空间的红外3-1与2-1通道差中,两者难以区分。
4.2 全天时个例演示以2013年7月15日全天时的MTSAT-2静止卫星云图为对象,时段09:00—16:00 BT使用白天分类判据图 6a、16:00至次日09:00 BT则使用夜间分类判据图 6b进行分类,最终结果以3 h为间隔展示(图 7)。
从个例演示结果分析,西太平洋及中国东部沿海地区在2013年7月15日全天均有降水系统活动。这是由于根据云分类结果,可以尤为清晰地观察到产生较强降水的积雨云(红)、雨层云(粉)的时间变化和空间移动分布状况,从而达到定性估计全天时降水的目的,对气象卫星业务中的降水监测预报具有现实意义。此外,该判据还包含高、中、低不同云高的云的分类,一定程度上对天气系统及气象要素的预报也具有参考价值。
5 结论以云分类为研究目的,通过云光谱分析的方法展开试验。正演方面,利用SBDART辐射传输模式计算各种典型云类在不同条件下的光谱特性,初步了解光谱空间中诸类云的分布。反演方面,综合利用CloudSat云廓线雷达分类产品和MTSAT-2静止气象卫星资料进行云反演。结合正、反演结果,通过单位特征空间归类分析法在二维光谱空间中展示各典型云类的点聚分布特征。根据不同云类具有的不同光谱特性,引入最小距离分类与最大似然估计方法,分析典型云类的点聚分布态势,获得云分类判据。之后,对基于该标准进行分类的反演样本进行了检验,检验结果表明:除夜间的几种云以外,该判据的分类结果对全天的情况均适用,且结果是真实可靠的。最后选取个例进行3 h间隔分析,反演效果显示,全天时典型云分类对降水区域的划分、全天时降水监测以及部分气象要素的预报均具有现实意义。
在云分类的研究上尚存在一些没有解决的问题:(1) 红外3-1与红外2-1组合对夜间情况的描述欠佳,夜间几种云类的分布集群相互或与其他云类重叠,通过最小距离及最大似然法划分范围时,由于界限不明确而使分类结果产生误差。例如雨层云约有20%概率被判断为积雨云,分类准确度在56%左右,而厚卷云的准确性则是小于1/2(表 4夜间)。4.2节的个例演示中,从白天到夜间,各种云类分布出现的“跳跃”现象也说明了这一问题。(2) 卫星资料自身的局限性。静止气象卫星由于“自上而下”,难以区分光谱特性相似的不同云类;CloudSat卫星常将高层云(As)归为厚卷云,且因分辨率问题难以统计尺度很小的积云(Cu),不得不将其略去。上述问题导致云分类结果与实际大气中的云类不完全符合,今后将试验新的研究方案以进一步提高分类准确度。
陈英英, 唐仁茂, 李德俊, 等. 2013. 利用雷达和卫星资料对一次强对流天气过程的云结构特征分析. 高原气象, 32(4): 1148–1156. Chen Y Y, Tang R M, Li D J, et al. 2013. Analysis on cloud structure of a severe convective storm using radar and satellite data. Plateau Meteor, 32(4): 1148–1156. DOI:10.7522/j.issn.1000-0534.2012.00108 (in Chinese) |
黄钰, 阮征, 罗秀明, 等. 2015. 垂直探测雷达的降水云分类方法在北京地区的应用. 高原气象, 34(3): 815–824. Huang Y, Ruan Z, Luo X M, et al. 2015. Application in classification of precipitation clouds using vertical sounding radar in Beijing. Plateau Meteor, 34(3): 815–824. DOI:10.7522/j.issn.1000-0534.2014.00014 (in Chinese) |
黄玉洁, 陶凤梅, 刘娅. 2011. 极大似然估计及其应用. 鞍山师范学院学报, 13(4): 1–6. Huang Y J, Tao F M, Liu Y. 2011. On the maximum likelihood estimation and its application. J Anshan Norm Univ, 13(4): 1–6. (in Chinese) |
李静, 肖子牛, 刘奇俊, 等. 2009. 基于MODIS和Cloudsat云产品分析降水云系特征. 科技信息(11): 36–37. Li J, Xiao Z N, Liu Q J, et al. 2009. Analysis of precipitation cloud features based on MODIS and Cloudsat products. Sci Tech Inform(11): 36–37. DOI:10.3969/J.ISSN.1671-6027.2009.11.032 (in Chinese) |
李昀英, 寇雄伟, 方乐锌, 等. 2015. 中国东部云-降水对应关系的分析与模式评估. 气象学报, 73(4): 766–777. Li Y Y, Kou X W, Fang L X, et al. 2015. Analysis and model evaluation of the relationship between clouds and precipitation over eastern China. Acta Meteor Sinica, 73(4): 766–777. DOI:10.11676/qxxb2015.042 (in Chinese) |
梁萍, 陈葆德, 汤绪. 2010. 青藏高原云型的卫星遥感判别方法研究. 高原气象, 29(2): 268–277. Liang P, Chen B D, Tang X. 2010. Identification of cloud types over Tibetan Plateau by satellite remote sensing. Plateau Meteor, 29(2): 268–277. (in Chinese) |
刘奇, 傅云飞, 冯沙. 2010. 基于ISCCP观测的云量全球分布及其在NCEP再分析场中的指示. 气象学报, 68(5): 689–704. Liu Q, Fu Y F, Feng S. 2010. Geographical patterns of the cloud amount derived from the ISCCP and their correlation with the NCEP reanalysis datasets. Acta Meteor Sinica, 68(5): 689–704. DOI:10.11676/qxxb2010.067 (in Chinese) |
刘扬. 2011. 基于静止气象卫星云图的分类研究[D]. 青岛: 中国海洋大学. Liu Y. 2011. Cloud classification based on geostationary meteorological satellite imagery[D]. Qingdao:Ocean University of China (in Chinese) http://www.cqvip.com/QK/98233A/201110/38244291.html |
马占山, 刘奇俊, 秦琰琰, 等. 2008. 云探测卫星CloudSat. 气象, 34(8): 104–111. Ma Z S, Liu Q J, Qin Y Y, et al. 2008. Introductions to a new type cloud detecting satellite-CloudSat. Meteor Month, 34(8): 104–111. DOI:10.7519/j.issn.1000-0526.2008.08.016 (in Chinese) |
莫惠栋. 1984. 最大似然法及其应用. 遗传, 6(5): 42–48. Mo H D. 1984. The method of maximum likelihood and its application in genetics. Hereditas (Beijing), 6(5): 42–48. (in Chinese) |
任建奇, 严卫, 杨汉乐, 等. 2011. 基于模糊逻辑的CloudSat卫星资料云分类算法. 解放军理工大学学报(自然科学版), 12(1): 90–96. Ren J Q, Yan W, Yang H L, et al. 2011. Cloud classification algorithm for CloudSat satellite based on fuzzy logic method. J PLA Univ Sci Technol (Nat Sci Ed), 12(1): 90–96. (in Chinese) |
尚博, 周毓荃, 刘建朝, 等. 2012. 基于Cloudsat的降水云和非降水云垂直特征. 应用气象学报, 23(1): 1–9. Shang B, Zhou Y Q, Liu J Z, et al. 2012. Comparing vertical structure of precipitation cloud and non-precipitation cloud using CloudSat. J Appl Meteor Sci, 23(1): 1–9. (in Chinese) |
沈清, 汤霖. 1991. 模式识别导论. 长沙: 国防科技大学出版社: 120-121. Shen Q, Tang L. 1991. Introduction to Pattern Recognition. Changsha: National University of Defense Technology Press: 120-121. |
王晨曦, 郁凡, 张成伟. 2010. 基于MTSAT多光谱卫星图像监测全天时我国华东地区的梅雨期降水. 南京大学学报(自然科学版), 46(3): 305–316. Wang C X, Yu F, Zhang C W. 2010. Retrieval research on rainfall intensity field at all time during Mei-Yu period by using MTSAT multi-spectral imagery. J Nanjing Univ (Nat Sci), 46(3): 305–316. (in Chinese) |
王继光. 2007. 多光谱静止气象卫星云图的云类判别分析与短时移动预测[D]. 北京: 国防科学技术大学. Wang J G. 2007. Research of cloud classification and short-time cloud movement forecast based on multi-spectrum stationery meteorological satellite pictures[D]. Beijing:National University of Defense Technology (in Chinese) |
王帅辉, 韩志刚, 姚志刚. 2010. 基于CloudSat和ISCCP资料的中国及周边地区云量分布的对比分析. 大气科学, 34(4): 767–779. Wang S H, Han Z G, Yao Z G. 2010. Comparison of cloud amounts from ISCCP and CloudSat over China and its neighborhood. Chinese J Atmos Sci, 34(4): 767–779. (in Chinese) |
吴晓, 游然, 王旻燕, 等. 2016. 基于MODIS云宏微观特性的卫星云分类方法. 应用气象学报, 27(2): 201–208. Wu X, You R, Wang M Y, et al. 2016. Cloud type identification based on macro and micro properties of clouds from MODIS. J Appl Meteor Sci, 27(2): 201–208. DOI:10.11898/1001-7313.20160208 (in Chinese) |
徐建平. 2005. 日本MTSAT多功能卫星. 气象科技, 33(1): 96. Xu J P. 2005. Brief introduction to MTSAT satellite. Meteor Sci Technol, 33(1): 96. (in Chinese) |
杨超, 姚志刚, 赵增亮. 2014. 基于地基云雷达资料的云宏观特征分析. 气象水文海洋仪器, 31(2): 1–6. Yang C, Yao Z G, Zhao Z L. 2014. Analysis of cloud macro characteristics based on ground-based cloud radar data. Meteor Hydrol Mar Instrum, 31(2): 1–6. (in Chinese) |
尹跃. 2008. FY-2C资料对西北太平洋海域云分类的研究[D]. 北京: 北京大学. Yin Y. 2008. The study of cloud classification in the northwestern Pacific ocean using the data of FY-2C[D]. Beijing:Peking University (in Chinese) http://www.cqvip.com/QK/94075X/200902/29788834.html |
郁凡, 陈渭民. 1994. 双光谱云图的云分类探讨. 南京气象学院学报, 17(1): 117–124. Yu F, Chen W M. 1994. Research on the cloud classification for the bi-spectrum cloud picture. J Nanjing Inst Meteor, 17(1): 117–124. (in Chinese) |
张鹏锐, 王荣华. 2005. 日本新一代多功能卫星MTSAT. 中国航天(4): 10–11, 21. Zhang P R, Wang R H. 2005. Japanese multi-functional transport satellite. Aerosp China(4): 10–11, 21. (in Chinese) |
中国气象局. 2004. 中国云图. 北京: 气象出版社: 1. China Meteorological Administration. 2004. Chinese Cloud. Beijing: China Meteorological Press: 1. |
周毓荃, 赵姝慧. 2008. CloudSat卫星及其在天气和云观测分析中的应用. 南京气象学院学报, 31(5): 603–614. Zhou Y Q, Zhao S H. 2008. CloudSat satellite and its application in weather and cloud observation. J Nanjing Inst Meteor, 31(5): 603–614. (in Chinese) |
朱建华, 刘政凯, 俞能海. 2000. 一种多光谱遥感图象的自适应最小距离分类方法. 中国图象图形学报, 5(1): 21–24. Zhu J H, Liu Z K, Yu N H. 2000. Remote sensing image classification using an adaptive min-distance algorithm. J Image Graph, 5(1): 21–24. DOI:10.11834/jig.20000105 (in Chinese) |
Aires F, Marquisseau F, Prigent C, et al. 2011. A land and ocean microwave cloud classification algorithm derived from AMSU-A and -B, trained using MSG-SEVIRI infrared and visible observations. Mon Wea Rev, 139(8): 2347–2366. DOI:10.1175/MWR-D-10-05012.1 |
Bankert R L. 1994. Cloud classification of AVHRR imagery in maritime regions using a probabilistic neural network. J Appl Meteor, 33(8): 909–918. DOI:10.1175/1520-0450(1994)033<0909:CCOAII>2.0.CO;2 |
Bankert R L, Mitrescu C, Miller S D, et al. 2009. Comparison of GOES cloud classification algorithms employing explicit and implicit physics. J Appl Meteor Climatol, 48(7): 1411–1421. DOI:10.1175/2009JAMC2103.1 |
Behrangi A, Kubar T, Lambrigtsen B. 2012. Phenomenological description of tropical clouds using CloudSat cloud classification. Mon Wea Rev, 140(10): 3235–3249. DOI:10.1175/MWR-D-11-00247.1 |
Berry E, Mace G G. 2014. Cloud properties and radiative effects of the Asian summer monsoon derived from a-train data. J Geophys Res, 119(15): 9492–9508. |
Ceccaldi M, Delanoù J, Hogan R J, et al. 2013. From CloudSat-CALIPSO to EarthCare:Evolution of the DARDAR cloud classification and its comparison to airborne radar-lidar observations. J Geophys Res, 118(14): 7962–7981. |
Celano M, Porcù F, Alberoni P P, et al. 2008. On the combined use of satellite multispectral and radar polarimetric measurements to infer cloud microphysics. Meteor Atmos Phys, 101(3-4): 111–126. DOI:10.1007/s00703-008-0283-2 |
Delgado G, Machado L A T, Angelis C F, et al. 2008. Basis for a rainfall estimation technique using IR-VIS cloud classification and parameters over the life cycle of mesoscale convective systems. J Appl Meteor Climatol, 47(5): 1500–1517. DOI:10.1175/2007JAMC1684.1 |
Evans S M, Marchand R, Ackerman T P. 2013. Evaluating clouds and cloud effects in the AM3 model using atmospheric classification//AGU Fall Meeting Abstracts. Washington, DC:American Geophysical Union |
Fisher R A. 1992. On the Mathematical Foundations of Theoretical Statistics[M]//Breakthroughs in Statistics. Springer New York, 1992:309-368 |
Hartmann D L, Ockert-Bell M E, Michelsen M L. 1992. The effect of cloud type on earth's energy balance:Global analysis. J Climate, 5(11): 1281–1304. DOI:10.1175/1520-0442(1992)005<1281:TEOCTO>2.0.CO;2 |
Kahn B H, Chahine M T, Stephens G L, et al. 2008. Cloud type comparisons of AIRS, CloudSat, and CALIPSO cloud height and amount. Atmos Chem Phys, 8(5): 1231–1248. DOI:10.5194/acp-8-1231-2008 |
Karlsson K G. 1996. Validation of modelled cloudiness using satellite-estimated cloud climatologies. Tellus A, 48(5): 767–785. DOI:10.3402/tellusa.v48i5.12206 |
Küstner F. 1906. BD. +15°2052. Astronom Nachr, 173(11): 173–174. DOI:10.1002/(ISSN)1521-3994 |
Lutz H J, Inoue T, Schmetz J. 2003. Notes and correspondence comparison of a split-window and a multi-spectral cloud classification for MODIS observations. J Meteor Soc Japan Ser Ⅱ, 81(3): 623–631. DOI:10.2151/jmsj.81.623 |
Mahrooghy M, Anantharaj V G, Younan N H, et al. 2010. Infrared satellite precipitation estimate using waveletbased cloud classification and radar calibration//Proceedings of 2010 IEEE International Geoscience and Remote Sensing Symposium. Honolulu, HI:IEEE, 2345-2348 |
Nasrollahi N, Hsu K, Sorooshian S. 2011. Application of CloudSat cloud classification maps and MODIS multi-spectral satellite imagery in identifying false rain from satellite images//AGU Fall Meeting Abstracts. Washington, DC:American Geophysical Union |
Ricchiazzi P, Yang S R, Gautier C, et al. 1998. SBDART:A research and teaching software tool for plane-parallel radiative transfer in the Earth's atmosphere. Bull Ame Meteor Soc, 79(10): 2101–2114. DOI:10.1175/1520-0477(1998)079<2101:SARATS>2.0.CO;2 |
Rossow W B, Schiffer R A. 1999. Advances in understanding clouds from ISCCP. Bull Ame Meteor Soc, 80(11): 2261–2287. DOI:10.1175/1520-0477(1999)080<2261:AIUCFI>2.0.CO;2 |
Shi C X, Zhang W J, Zhang L Y, et al. 2002. Study on cloud classifications by using AVHRR, GMS-5 and Terra/MODIS satellite data. J Meteor Res, 16(3): 338–347. |
Stubenrauch C J, Seze G, Scott N A, et al. 1996. Cloud field identification for earth radiation budget studies. Part Ⅱ:Cloud field classification for the ScaRaB radiometer. J Appl Meteor, 35(3): 428–443. DOI:10.1175/1520-0450(1996)035<0428:CFIFER>2.0.CO;2 |
Su H, Jiang J H, Teixeira J, et al. 2011. Comparison of regime-sorted tropical cloud profiles observed by CloudSat with GEOS5 analyses and two general circulation model simulations. J Geophys Res, 116(D9): D09104. |
Welch R M, Sengupta S K, Goroch A K, et al. 1992. Polar cloud and surface classification using AVHRR imagery:An intercomparison of methods. J Appl Meteor, 31(5): 405–420. DOI:10.1175/1520-0450(1992)031<0405:PCASCU>2.0.CO;2 |
Wrenn F. 2012. Documenting hydrometeor layer occurrence within international satellite cloud climatology project-defined cloud classifications using CloudSat and CALIPSO[D]. Utah:The University of Utah |
Yu F, Liu C S, Chen W M. 1997. Man-computer interactive method on cloud classification based on bispectral satellite imagery. Adv Atmos Sci, 14(3): 389–398. DOI:10.1007/s00376-997-0058-1 |
Yu F, Liu C S. 1998. Improved man-computer interactive classification of clouds based on bispectral satellite imagery. Acta Meteor Sinica, 12(3): 361–375. |
Yu F, Shao H. 2008. Cloud classification by using multi-spectral GMS imagery and comparison with surface cloud observation//Proceedings of SPIE 7149 Multispectral, Hyperspectral, and Ultraspectral Remote Sensing Technology, Techniques, and Applications Ⅱ. Noumea, New Caledonia:SPIE, 7149:71490S, 1-9 |
Zhang C Y, Yu F, Wang C X, et al. 2011. Three-dimensional extension of the unit-feature spatial classification method for cloud type. Adv Atmos Sci, 28(3): 601–611. DOI:10.1007/s00376-010-9056-9 |