中国气象学会主办。
文章信息
- 杨晓, 黄兴友, 杨军, 李培仁, 李盈盈, 杨敏, 刘燕斐, 张帅, 闫文辉. 2019.
- YANG Xiao, HUANG Xingyou, YANG Jun, LI Peiren, LI Yingying, YANG Min, LIU Yanfei, ZHANG Shuai, YAN Wenhui. 2019.
- 毫米波雷达云回波的自动分类技术研究
- A study on auto-classification of cloud types based on millimeter-wavelength cloud radar observations
- 气象学报, 77(3): 541-551.
- Acta Meteorologica Sinica, 77(3): 541-551.
- http://dx.doi.org/10.11676/qxxb2019.046
文章历史
-
2018-08-21 收稿
2019-02-25改回
2. 山西省人工降雨防雹办公室, 太原, 030032;
3. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京, 210044
2. Weather Modification Office of Shanxi Province, Taiyuan 030032, China;
3. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044, China
云是大气中的水汽受大气动力和热力作用而形成的,其成分是直径微米量级的水滴或冰晶。云的类型和变化是大气温度、湿度状况的反映,是天气监测和天气预报以及人工影响天气作业的重要参考信息(Quante,2004;Stephens,2005),此外,云的状况会显著影响太阳辐射和地表热辐射能量的收支,进而影响气候,因此,进行云的观测具有重要的意义。
目前,云的观测主要有两种手段:人工观测和自动观测。人工观测的主观性强、误差大、受能见度的影响大,而且难以进行连续观测,在偏远地区或者无人值守的气象台站无法进行,所以,人工观测有很大的局限性。自动观测包括气象卫星观测、空基观测以及地基观测。气象卫星可以实现对全球云况的观测,但空间分辨率低,且难以观测云顶以下的云况;利用飞机、飞艇和气球平台的空基观测可以实现对云内部的观测,但难以进行大范围的观测,且成本较高,难以成为业务性的日常观测;地基观测依靠地基仪器如云高仪、云像仪或激光雷达实现对云的观测,成本较低,使用便捷,可得到云底高度和云量。由于激光穿云能力差,激光雷达和云高仪难以提供云的垂直分层、云类型等重要信息;云像仪得到的是云底信息,不能获取云特性的丰富资料。随着毫米波雷达的应用,测云能力得到了全面提升,不仅可以测量云底、云顶和云的垂直分布,还可以获得云的雷达反射率、垂直速度等定量数据,是当前最有效的测云设备。人工判别云类型的依据主要是云高、云状和云厚等宏观特征,毫米波雷达可以探测到云高和云厚,并且比人工观测更准确,云状实际上体现了云体的均匀性和云滴特性,本文云分类技术中利用了云回波的均匀性指标以及云回波强度(体现云粒子特性)等指标。因此,文中的云分类技术是在人工分类的基础上进行的,并且使用了更多的指标,所以只利用云雷达进行云分类就可以获得较好的分类结果。可以说,这是中国第一次开展利用毫米波雷达数据进行云分类工作。此外,毫米波雷达可以进行无人值守的连续观测,适用于云特性的自动化观测。
近些年越来越多的地面观测站点取消了云状观测,造成了云类型数据的缺失,需要进行弥补,才能保持云观测资料的连贯性。自动云分类工作不仅可以弥补地面观测记录的不足,也可以减轻人工气象观测的强度和难度,甚至还能提高云状观测的准确性。文中针对云雷达观测到的云回波数据进行了统计和分析,提取了6类云(卷云、高层云、高积云、层云、层积云、积云)的特征数据,进行了云类型的自动识别研究,以便达到云观测业务自动化的目的。
2 研究进展由于云类型与天气演变存在一定的对应关系,“看云识天气”是经验性天气预报的基础。根据云的形态或视觉效果判别云类型是过去很长时间以来一直沿用的方法,早在1802—1803年法国人德拉马克(C.de Larmarck)和英国人霍华德(L.Howard)根据形态学就将云分为4大类:卷云、积云、层云和雨云。1934年,挪威科学家贝吉龙将云分为积状云、层状云和波状云(童乐天,1980)。中国地面气象观测规范中按云底高度将云分为低、中、高3级,然后按云的宏观特征、物理结构和成因划分10属29类云状,成为中国云观测和分类的依据(中国气象局,2003)。
近年来,利用气象卫星云图进行云分类的研究工作取得很大进展。常用的云分类方法有:阈值法、直方图法、聚类法、神经网络法等(刘扬等,2011)。Koffler等(1973)使用阈值法识别地表和云区;Desbois等(1982)提出光谱特征空间的概念,开展了盒式分类法;Ameur等(2004)使用C-均值聚类法进行云分类;师春香等(2002)利用BP神经网络对NOAA-AVHRR卫星图像进行云分类;Tian等(1999)利用概率神经网络(PNN)对GOES-8卫星数据进行云分类;Hong等(1996)采用人工神经网络技术进行GOES卫星10.7 μm通道云图的分类;吴晓等(2016)利用MODIS卫星的云光学厚度、云粒子有效半径、云顶高度、云相态等产品进行云分类;黄兵等(2008)建立了自组织网络(SOFM)与概率神经网络的综合云分类器优化模型对云进行分类,明显优于单一的统计分类器判别效果。利用卫星云图进行自动分类原理上是可行的,但不能反映中、下层云的情况,其代表性不足,特别是出现多层云的情况。
与卫星获取的云顶数据相比,雷达探测的是不同高度的云回波数据,不仅准确性高而且更丰富(包括强度、径向速度、谱宽等),既可以用于云的分类,也可以用来反演云微物理参数。例如,Atlas(1954)、Fox等(1997)、Zhong等(2009)、刘黎平等(2012)、吴举秀等(2015)、黄佳欢等(2017)、吴琼等(2018)、韩颂雨等(2017)、黄书荣等(2017)、孙敏等(2015)、周生辉等(2014)利用雷达或毫米波雷达数据反演了云微物理参数;Ceccaldi等(2013)基于CloudSat的激光雷达和毫米波雷达数据,给出了水云和冰云的简单分类;Wang等(2004)使用云雷达、拉曼激光雷达、微波辐射计、微脉冲激光雷达等多部仪器联合探测,对云进行分类,将云分为St、Sc、Cu、Ns、Ac、As、深对流以及高云,深对流云包括积云和积雨云,高云包括卷云、卷层云和卷积云;Teschke等(2006)从粒子尺度出发,只使用毫米波云雷达将云分为弱降水云、降水云和非气象目标物3类,简化了仪器装备,为单一仪器云分类的研究打下了基础;Kodilkar等(2016)只使用Ka波段双偏振云雷达对云的分类进行了初步研究,按照云的相态将云分为弱降水云、降水云、混合相云、冰云以及非气象目标物,任建奇等(2011)利用CloudSat的云雷达和激光雷达得到的云廓线数据产品,采用模糊逻辑技术进行云分类,研究表明,基于雷达回波的云分类具有较高的准确性。因此,以信息更丰富的雷达探测数据为基础而进行的云类型自动分类技术,要优于基于卫星云图的自动分类以及人工观测的主观分类。
为了开展云分类研究,无论哪种方案,都需要将不同云类的特性参数作为先验数据,然后采取“对比-判断”的技术路线进行识别。因此,本研究首先根据云的雷达回波及人工观测的云类型情况进行统计得到云特征参数,再进行分类。
3 毫米波雷达测云的原理及特性文中使用南京信息工程大学的Ka波段毫米波雷达探测的云回波数据进行研究,雷达安放在安徽省寿县的中国国家气候观象台, 垂直分辨率为30 m,观测盲区为近地面30 m内,10 km处观测到的最弱回波低于-30 dBz。毫米波雷达主要技术参数如表 1所示。
项目 | 技术指标 |
频段 | Ka波段(35 GHz) |
扫描方式 | PPI,RHI,定点,体扫,扇扫 |
测量范围及精度 | 强度:-45—45 dBz(误差1 dBz) 速度:≤20 m/s(误差1 m/s) 谱宽:≤8 m/s(误差1 m/s) 方位角:0°—360°(误差≤0.1°) 俯仰角:-2°—92°(误差≤0.1°) |
发射机型式 | 磁控管脉冲发射机 |
发射机峰值功率 | ≥30 kW |
脉冲宽度 | 0.4 μs/0.2 μs |
波束宽度 | 0.4° |
脉冲重复频率 | ≤4000 Hz |
根据散射理论,在瑞利散射条件下,球形粒子的雷达截面σ(mm2)为
(1) |
式中,D为粒子直径(mm),λ为发射电磁波波长(mm),m为复折射指数,是已知量。可见粒子的雷达截面(σ)与波长(λ)的4次方成反比,波长越短,则截面越大,回波信号就越强。因此,相对于厘米波段的天气雷达来说,在较小的发射功率情况下,毫米波雷达可以探测到较强的云回波信号,所以毫米波雷达比厘米波雷达更适合探测云。
南京信息工程大学的毫米波雷达具有多普勒探测功能,不仅可以探测到云的底高、顶高以及回波强度,还可以得到云的垂直速度(天顶指向观测模式)和速度谱宽,因而可以准确地得到云高、云厚数据,通过云层的回波强度数据及其分布情况,可以判别出云类型。
Ka波段信号具有很强的穿云能力,能够探测多层云分布的情况。强降雨对Ka波段信号有一定的衰减,但在进行垂直指向天顶的探测时,由于降雨路径短,衰减有限,大功率的Ka波段雷达仍然具有良好的测云能力,只是云层回波强度数据偏弱,通过衰减订正,可以得到改善。与卫星云图、地面激光雷达、地面云像仪相比,毫米波雷达的测云信息最丰富、可靠,对天气的适应性最强,能够进行全天候探测,适合自动化业务测云的要求。
4 云回波样本及特征量所用的云回波数据来源于南京信息工程大学的Ka波段雷达在安徽寿县中国国家气候观象台的观测,观测时段为2015年10—11月以及2017年1—6月,考虑到在未进行衰减订正情况下降雨对Ka波段雷达信号的衰减影响,因此,对样本进行了筛选,去除了有降雨的云回波资料,对无降雨的云回波资料进行处理,以便获得可靠的、不同云类型的统计特征量。在进行云分类时,先按云底高度将云分为低、中、高3级,再按云系的均匀性将云分为积状云和层状云。高云就只一类——卷云(Ci);中云分为高层云(As)和高积云(Ac);低云分为层积云(Sc)、层云(St)和积云(Cu)。观测时段的有效个例161个,包括19个层积云、6个层云、8个积云、11个高层云、90个高积云和27个卷云。
根据云特性和雷达探测的云回波参数,选取了7个用于云分类的特征参量:云回波的雷达反射率因子、垂直速度、垂直速度谱宽、云底高度、云顶高度、持续时间以及云层中部的雷达反射率因子范围(表 2)。云区边界的判断使用的是反射率因子的数据,从地面开始向上检测,以连续10个格点的反射率因子大于-40 dBz为判据,得出云底和云顶高度;以持续时间不少于5个扫描周期且反射率因子大于-40 dBz为判据,得出云区起始时刻。根据云底、云顶和起始时间,可确定云区,再计算云区内7个特征量的均值和范围(5%—95%)。
Sc | St | Cu | Ac | As | Ci | |
(层积云) | (层云) | (积云) | (高积云) | (高层云) | (卷云) | |
反射率因子(dBz) | -13.97 | -30.47 | -9.85 | -14.8 | -20.38 | -24.48 |
(-30.29—-0.34) | (-38.5—-21.16) | (-31.43—10.57) | (-27.39—-3.35) | (-30.4—-11.76) | (-31.95—-17.61) | |
速度(m/s) | -0.77 | -0.27 | -2.35 | -0.77 | -0.46 | -0.68 |
(-1.52—-0.12) | (-0.83—0.16) | (-5.28—-0.48) | (-1.42—-0.19) | (-0.95—-0.03) | (-1.18—-0.20) | |
谱宽(m/s) | 0.18 | 0.16 | 0.29 | 0.24 | 0.19 | 0.2 |
(0.06—0.32) | (0.09—0.24) | (0.12—0.46) | (0.15—0.36) | (0.13—0.29) | (0.14—0.28) | |
云底高度(km) | 2.42 | 1.82 | 1.49 | 5.33 | 5.71 | 8.32 |
(1.51—3.47) | (1.54—2.09) | (0.31—3.77) | (4.7—5.99) | (4.9—6.63) | (7.74—8.95) | |
平均云顶高度(km) | 5.11 | 2.39 | 5.12 | 7.58 | 8.09 | 9.65 |
持续时间(h) | 5.11 | 4.89 | 0.87 | 1.06 | 5.43 | 3.25 |
云层中部反射率因子(dBz) | -27.56—-0.75 | -37.53—-21.6 | -31.69—11.30 | -25.08—-3.3 | -29.03—-11.43 | -31.56—-17.81 |
注:括号内是特征参量的取值范围。 |
参照表 2中的7个特征量,可以将云体大致分为高云、中云、低云3族。对于积状云和层状云的分类,有一定的难度,因此再计算了云厚标准差、反射率因子标准差、云底高度标准差、云层中部反射率因子极差(极大值和极小值的差)、云层中部反射率因子标准差、云层中部反射率因子平均时间变化率6项来表征云系的均匀性,以便区分出均匀性较好的层状云和均匀性较差的积状云(表 3)。通过对比发现,利用某一个特征量的阈值无法区分积状云和层状云,因此,需要采用多参数、宽阈值的判别方法。
Sc (层积云) |
St (层云) |
Cu (积云) |
Ac (高积云) |
As (高层云) |
Ci (卷云) |
|
云厚标准差(km) | 0.83 | 0.32 | 1.45 | 0.68 | 0.74 | 0.55 |
反射率因子标准差(dBz) | 9.22 | 5.3 | 12.64 | 7.34 | 5.69 | 4.35 |
云底高度标准差(km) | 0.58 | 0.18 | 1.27 | 0.42 | 0.53 | 0.38 |
云层中部反射率因子极差(dBz) | 26.81 | 15.93 | 42.99 | 21.78 | 17.6 | 13.75 |
云层中部反射率因子标准差(dBz) | 8.39 | 4.98 | 13.38 | 6.71 | 5.22 | 4.2 |
云层中部反射率因子平均时间变化率(dBz/s) | 0.0636(0.0038—0.1872) | 0.0335(0.0019—0.1018) | 0.1419(0.0074—0.3765) | 0.0825(0.0046—0.2195) | 0.0444(0.0028—0.1274) | 0.0601(0.0037—0.1639) |
注:括号中为特征参量的范围。 |
阈值法是云分类方法中较为简单、计算量小、处理速度快的一种分类方法,但其分类的准确率较低,特别是在阈值附近的特征量,容易导致错误的分类结果。所以,文中采用多参数、宽阈值法,通过增加判别参量的数量并结合参量的宽阈值范围,进行多次判别而提高分类的准确性,这与模糊逻辑法的思路是一致的。根据这些特征量对分类的影响程度,分配不同的权重因子,最终根据加权求和值的大小判别出是积状云或是层状云。参量的宽阈值范围选取的是该特征量范围的30%大值至70%大值,特征量对分类的影响程度是根据积状云和层状云在该特征量上的相对差的大小判断的,再经过多次敏感性试验得到了判别云类的最优权重因子组合。
对经过一次判别之后仍不能确定的云,需要重新确定特征值的阈值范围计算加权之和,再次判断得到所属云类,此时参量阈值选取的是该特征量范围的中值。以中云族的高积云和高层云为例,计算这两类云在这些特征参量上的相对差值,如表 4中所列的对比可得,持续时间、反射率因子最大值、云层中部反射率因子最大值、云层中部平均时间变化率、反射率因子标准差、云层中部反射率因子标准差、云底高度标准差、云层中部反射率因子极差这8项的相对差值较大,根据相对差值的大小,经过多次敏感性试验,得到最优的权重因子组合,分别赋予上述除持续时间外的7项以3、3、2、1、1、1、1的权重,由于持续时间这项参量对积状云和层状云的影响比较大,将其细分为5个阈值范围,分别赋予10、5、4、2、-10的权重。在分类时若这一参量的值在高积云的宽阈值范围之内,则该参量的权重乘1,否则为0,最终权重之和大于11则为高积云,小于11的为不确定(数值11是根据以上权重因子组合计算得到的准确率最大的值,判别不同的云类其值也不同),高层云同理,将所有不确定的高积云和高层云再进行上述过程,重新选择阈值范围,再次判断,直到将云判别出来为止。判别高层云和高积云的流程如图 1,总流程如图 2。
特征参量 | Ac、As相对差值 |
平均反射率因子 | 0.377064 |
反射率因子最小值 | 0.110099 |
反射率因子最大值 | 2.513609 |
平均谱宽 | 0.267089 |
谱宽最小值 | 0.175695 |
谱宽最大值 | 0.229115 |
平均云底高度 | 0.071913 |
云底高度最小值 | 0.043487 |
云底高度最大值 | 0.105959 |
平均云顶高度 | 0.067153 |
平均云厚 | 0.055902 |
云厚最小值 | 0.112325 |
云厚最大值 | 0.065876 |
持续时间 | 4.142345 |
云厚标准差 | 0.089098 |
反射率因子标准差 | 0.290726 |
云底高度标准差 | 0.276274 |
云中层反射率因子最小值 | 0.157639 |
云中层反射率因子最大值 | 2.468227 |
云中层反射率因子极差 | 0.237747 |
云中层反射率因子标准差 | 0.284263 |
云中层平均时间变化率 | 0.856712 |
时间变化率最小值 | 0.632379 |
时间变化率最大值 | 0.722087 |
通过使用毫米波雷达回波特征对非降水云进行分类,最终得到一张毫米波雷达的时空分布图,图中不同颜色代表不同类别的云,红色为层积云(Sc),橙色为层云(St),黄色为积云(Cu),绿色为高积云(Ac),蓝色为高层云(As),紫色为卷云(Ci)。
图 3为2017年1月17日20时54分(世界时,下同)—18日02时34分观测点上空云系的雷达反射率因子和分类结果,Sc云系平均反射率因子为-25.34 dBz,平均云底高度为2.42 km,平均云顶高度为3.46 km,云厚1.05 km,为层积云。
图 4是2015年11月5日02时30分—04时25分观测点上空云系的雷达反射率因子和分类结果,St云系平均反射率因子为-34.11 dBz,平均云底高度为2.2 km,平均云顶高度为2.6 km,云厚0.4 km,为层云。
图 5为2015年10月31日18时43分—11月1日00时01分观测点上空云系的雷达反射率因子和分类结果,18时43分—20时04分4 km附近的云系平均反射率因子为-15.65 dBz,平均云底高度为2.11 km,平均云顶高度为5.17 km,云厚3.069 km,为积云;10 km附近的云系平均反射率因子为-30.82 dBz,平均云底高度为9.63 km,平均云顶高度为10.57 km,云厚0.94 km,为卷云。
图 6为2017年3月7日20时08分—8日02时13分观测点上空云系的雷达反射率因子和分类结果,平均反射率因子为-22.45 dBz,平均云底高度为5.78 km,平均云顶高度为7.87 km,云厚2.09 km,为高层云。
图 7是2015年10月30日00时—08时28分观测点上空云系的雷达反射率因子和分类结果,5 km附近的云系平均反射率因子约为-16 dBz,平均云底高度约为4 km,平均云顶高度约为7 km,云厚2 km,为高积云;8 km附近的云系平均反射率因子约为-27 dBz,平均云底高度约为7.5 km,平均云顶高度约为9.5 km,云厚2 km,为卷云。
通过与人工分类的统计结果对比,并结合当时地面观测记录,验证了毫米波雷达云回波分类的正确性。评估云分类的准确率需要一种客观的标准,目前普遍采用命中率、临界成功指数和虚警率3个指标,本次验证中有效个例共161个,其中与人工分类结果一致的有135个,命中率为84%,因为在个例的选取上选择的是绝对确定的云类,其特征也比较明显,所有的云区都被识别出来,且没有多余的部分被认为是云区,只是在判别云区上有些失误,因此虚警率为0,临界成功指数为0.84。
自动云分类与人工分类不一致的原因主要有以下几点:(1)统计的样本量不够大,特征量及范围还不具普遍性;(2)地面观测或者人工分类结果可能会有错,特别是在出现多层云的情况下,人工观测很容易误判;(3)不同季节(或不同地域)的云回波特征量有差异。提高自动分类准确率的方法首先是增加统计的样本数,以便涵盖更多的云回波情况,包括云的季节性变化和日变化等;其次是采用其他云观测资料进行自动分类的验证,减少人工分类中的误判。
6 结论利用基于毫米波雷达云回波的特征量与多参数阈值法相结合的技术,对安徽寿县中国国家气候观象台上空非降水云系的回波进行了自动分类研究,得到如下结论:
(1) 毫米波雷达具有测云的优势,不仅因为波长短(与厘米波雷达相比)而使云粒子具有更大的雷达截面,还具备很好的穿云能力(相比激光雷达),能够探测多层云的回波,此外,降水衰减影响小,可进行全天候的对云观测,能够用于云观测业务的自动化。
(2) 利用云回波特征量及多参数阈值的判别技术,可以比较准确、客观地对云类型进行判别,部分数据的验证表明,准确率达到84%。
(3) 判别准确率的提高主要依赖于样本数据,通过对更多样本数据的统计,可以优化特征量和参数阈值。
研究表明,随着更多毫米波雷达的应用和样本数据的增大,所统计得到的特征量及参数阈值的代表性更强,自动分类的准确率会进一步提高,并有望实现云观测业务的自动化。此外随着后续实验样本量的增加,对于降水云系的分类(包括雨层云、积雨云等)以及已分类云系的更精细分类(包括淡积云和浓积云、卷云的分类等)会在下一步工作中进行。
韩颂雨, 罗昌荣, 魏鸣, 等. 2017. 三雷达、双雷达反演降雹超级单体风暴三维风场结构特征研究. 气象学报, 75(5): 757–770. Han S Y, Luo C R, Wei M, et al. 2017. Research on three-dimensional wind field structure characteristic of hail supercell storm by dual-and triple-Doppler radar retrieval. Acta Meteor Sinica, 75(5): 757–770. (in Chinese) |
黄兵, 王彦磊, 张韧, 等. 2008. 多光谱卫星云图的SOFM-PNN网络耦合的云分类模型. 应用基础与工程科学学报, 16(5): 659–670. Huang B, Wang Y L, Zhang R, et al. 2008. A cloud classification model of multi-spectrum satellite cloud images based on the network coupling SOFM with PNN. J Basic Sci Eng, 16(5): 659–670. DOI:10.3969/j.issn.1005-0930.2008.05.004 (in Chinese) |
黄佳欢, 黄兴友, 黄勇, 等. 2017. 2015年10月29日弱降雨前后的层状云微物理参数反演和分析. 气象科学, 37(4): 478–486. Huang J H, Huang X Y, Huang Y, et al. 2017. Microphysical parameters retrieval and analysis on stratus cloud before and after light rainfall on October 29, 2015. J Meteor Sci, 37(4): 478–486. (in Chinese) |
黄书荣, 吴蕾, 马舒庆, 等. 2017. 结合毫米波雷达提取降水条件下风廓线雷达大气垂直速度的研究. 气象学报, 75(5): 823–834. Huang S R, Wu L, Ma S Q, et al. 2017. Extraction of atmospheric vertical velocity from observations of WPR combined with millimeter-wavelength radar during precipitation. Acta Meteor Sinica, 75(5): 823–834. (in Chinese) |
刘黎平, 宗蓉, 齐彦斌, 等. 2012. 云雷达反演层状云微物理参数及其与飞机观测数据的对比. 中国工程科学, 14(9): 64–71. Liu L P, Zong R, Qi Y B, et al. 2012. Microphysical parameters retrieval by cloud radar and comparing with aircraft observation in stratiform cloud. Eng Sci, 14(9): 64–71. (in Chinese) |
刘扬, 王彬, 韩雷. 2011. 基于卫星云图的云分类研究. 电子设计工程, 19(10): 189–192. Liu Y, Wang B, Han L. 2011. A review study of cloud classification using satellite imagery. Electr Des Eng, 19(10): 189–192. DOI:10.3969/j.issn.1674-6236.2011.10.056 (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) |
师春香, 瞿建华. 2002. 用神经网络方法对NOAA-AVHRR资料进行云客观分类. 气象学报, 60(2): 250–255. Shi C X, Qu J H. 2002. Cloud classification for NOAA-AVHRR data by using a neural network. Acta Meteor Sinica, 60(2): 250–255. (in Chinese) |
孙敏, 戴建华, 袁招洪, 等. 2015. 双多普勒雷达风场反演对一次后向传播雷暴过程的分析. 气象学报, 73(2): 247–262. Sun M, Dai J H, Yuan Z H, et al. 2015. An analysis of a back-propogating thunderstorm using the three-dimensional wind fields retrieved by the dual-Doppler radar data. Acta Meteor Sinica, 73(2): 247–262. (in Chinese) |
童乐天. 1980. 云的分类. 气象, 6(8): 34–36, 24. Tong L T. 1980. Cloud classification. Meteor Mon, 6(8): 34–36, 24. (in Chinese) |
吴举秀, 魏鸣, 王以琳. 2015. 利用毫米波测云雷达反演层状云中过冷水. 干旱气象, 33(2): 227–235. Wu J X, Wei M, Wang Y L. 2015. Retrieval of the supercooled water in stratiform clouds based on millimeter-wave cloud radar. J Arid Meteor, 33(2): 227–235. (in Chinese) |
吴琼, 仰美霖, 窦芳丽, 等. 2018. 星载双频云雷达的云微物理参数反演算法研究. 气象学报, 76(1): 160–168. Wu Q, Yang M L, Dou F L, et al. 2018. A study of cloud parameters retrieval algorithm for spaceborne millimeter wavelength cloud radar. Acta Meteor Sinica, 76(1): 160–168. (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. (in Chinese) |
中国气象局. 2003. 地面气象观测规范. 北京: 气象出版社: 11-14. China Meteorological Administration. 2003. Specifications for Surface Meteorological Observation. Beijing: China Meteorological Press: 11-14. (in Chinese) |
周生辉, 魏鸣, 张培昌, 等. 2014. 单多普勒天气雷达反演降水粒子垂直速度Ⅰ:算法分析. 气象学报, 72(4): 760–771. Zhou S H, Wei M, Zhang P C, et al. 2014. The precipitation particles' vertical velocity retrieval with single Doppler weather radar. Part Ⅰ:Retrieval method's analysis. Acta Meteor Sinica, 72(4): 760–771. (in Chinese) |
Ameur Z, Ameur S, Adane A, et al. 2004. Cloud classification using the textural features of Meteosat images. Int J Remote Sens, 25(21): 4491–4503. DOI:10.1080/01431160410001735120 |
Atlas D. 1954. The estimation of cloud parameters by radar. J Atmos Sci, 11(4): 309–317. |
Ceccaldi M, Delanoë 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 Atmos, 118(14): 7962–7981. DOI:10.1002/jgrd.50579 |
Desbois M, Seze G, Szejwach G. 1982. Automatic classification of clouds on METEOSAT imagery:Application to high-level clouds. J Appl Meteor, 21(3): 401–412. DOI:10.1175/1520-0450(1982)021<0401:ACOCOM>2.0.CO;2 |
Fox N I, Illingworth A J. 1997. The retrieval of stratocumulus cloud properties by ground-based cloud radar. J Appl Meteor, 36(5): 485–492. DOI:10.1175/1520-0450(1997)036<0485:TROSCP>2.0.CO;2 |
Hong Y, Hsu K, Sorooshian S. 1996. Precipitation estimation from remotely sensed information using ANN-Cloud classification system. J Appl Meteor, 36(9): 1176–1190. |
Kodilkar A, Agarwal A, MCR K, et al. 2016. A preliminary analysis of cloud classification results using Ka-band polarimetric radar signatures//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium. Beijing, China: IEEE, 544-547 |
Koffler R, DeCotiis A G, Krishna Rao P. 1973. A procedure for estimating cloud amount and height from satellite infrared radiation data. Mon Wea Rev, 101(3): 240–243. DOI:10.1175/1520-0493(1973)101<0240:APFECA>2.3.CO;2 |
Quante M. 2004. The role of clouds in the climate system. J Phys IV, 121(12): 61–86. |
Stephens G L. 2005. Cloud feedbacks in the climate system:A critical review. J Climate, 18(2): 237–273. DOI:10.1175/JCLI-3243.1 |
Teschke G, Görsdorf U, Körner P, et al. 2006. A new approach for target classification of Ka-band radar data//Proceedings of the Fourth European Conference on Radar in Meteorology and Hydrology. Barcelona, Spain |
Tian B, Shaikh M A, Azimi-Sadjadi M R, et al. 1999. A study of cloud classification with neural networks using spectral and textural features. IEEE Trans Neural Netw, 10(1): 138–151. |
Wang Z, Sassen K. 2004. An improved cloud classification algorithm based on the SGP CART site observations//Proceedings of the Fourteenth ARM Science Team Meeting. Albuquerque, New Mexico |
Zhong L Z, Liu L P, Deng M, et al. 2012. Retrieving microphysical properties and air motion of cirrus clouds based on the Doppler moments method using cloud radar. Adv Atmos Sci, 29(3): 611–622. DOI:10.1007/s00376-011-0112-x |