2. 国家卫星气象中心,北京 100081;
3. 国家气象信息中心,北京 100081
2. National Satellite Meteorological Center, Beijing 100081;
3. National Meteorological Information Center, Beijing 100081
云在地球大气系统的辐射平衡中起重要作用,是气候模式的一个重要参量,它反映了地球上的天气、气候系统状态,不同的云类由于产生于不同的大气热力、动力条件,其存在反映出该地区大气状态,如积雨云预示着强对流天气,反映了大气的不稳定性,雨层云往往发生在大的锋面或气旋云系中,反映了大气中大规模的上升运动,因此,正确的云分类对于天气预报十分重要。
关于云的特征及分类,已有很多研究[1-6],而采用卫星资料进行云分类,在我国也有十多年的历史[7-8],也形成了风云卫星的云分类业务产品,但受探测仪器和分类方法限制,产品精度和深度均有待提高。2011年美国在NPOESS (National Polar-orbiting Operational Environmental Satellite System) 系统[9-19]的云产品开发中,提出了利用一组特征值的最小距离进行云分类的方法。本文利用云的宏微观特性,即云光学厚度、云粒子有效半径、云顶高度、云相态与6种云类的特征值,基于最小距离计算进行分类,结合阈值判别,对卫星像元的云进行分类,并将卫星分类结果与地面观测做对比,取得了较好效果。
1 云分类方法和资料地球上的云千变万化,包括层云 (St)、层积云 (Sc)、积云 (Cu)、积雨云 (Cb)、雨层云 (Ns)、高积云 (Ac)、高层云 (As)、卷云 (Ci)、多层云等基本类型,相同的云类具有近似的宏微观特征,如高、中、低云的云底高度分别为高于6.5 km, 4.5 km, 低于2.5 km,因此,根据这些特征可区分不同的云类。表 1给出了层云/层积云、雨层云、积雨云、高积云/高层云、积云、卷云6种云类的宏微观特性的特征值及取值范围[9-10, 20-21]。
![]() |
表 1 各种类型云的宏微观特性 Table 1 Macro and micro properties of 6 cloud types |
1.1 最小距离分类法的基本原理
设Xj为卫星像元的某一参数 (如云顶高度h、云光学厚度o、云粒子有效半径r、云相态p)Xj, i为第i类云模型的这一参数的特征量 (表 1),卫星参数Xj与特征量Xj, i的绝对距离dj, i为
![]() |
(1) |
每个卫星像元的每个参数针对6类云模型可计算出6个绝对距离dj, i,其中, 最小dj, i对应的云类即为区分出的云类型[10]。实际处理中,为了统一不同参数的绝对距离dj, i因量纲不一而带来的大小不一,将dj, i进行标准化处理,
![]() |
(2) |
式 (2) 中, nj, i为标准化距离,实际上是某一卫星参数与特征量的绝对距离与该参数的比值,绝对距离大的标准化距离大,反之则小,j个不同参数的标准化距离之和ni为
![]() |
(3) |
式 (3) 中,ρj为某一参数的权重,通过试验,得云顶高度h的权重ρh,j=0.5、云光学厚度o的权重ρo,j=0.25、云粒子有效半径r的权重ρr,j=0.25时可得到最好的分类效果 (由于积云和高积云、高层云的云相态可为固态,也可为液态,因此, 试验后将云相态的权重取为0),对于每个卫星像元可以计算出针对6类云模型的6个n,最小ni所对应的第i云类即为分析出的卫星云类[10]。
1.2 分类方法的实际处理在实际对卫星资料的处理中,由于大气中常存在多层云,因此, 单一的典型云类最小距离判识不再适用,且雨层云和积雨云的光学厚度变化较大 (25~100),因此,使用光学厚度的最小距离会引入较大误差,经过反复试验并参照表 1中各个云参数的取值范围,将分类方法细化为多层云、雨层云、积雨云用阈值判别法和典型的其他云类用最小距离判别法。分类根据表 1,首先由云顶高度 (h) 和云光学厚度 (o) 按h≥6.5 km, o≥8;h≤6.5 km, o>50;h≥6.5 km, o<8及h<6.5 km,o<50分为3组。对于第1组按o≤24区分开卷云伴随高层云或高积云的多层云和深对流云-积雨云、雨层云,再由云顶温度 (t) 与MODIS窗区通道亮温 (b) 之差 (t-b)<-2 K区分积雨云与雨层云。对于第2组则按h≤4 km区分高积云或高层云伴随层积云或层云的多层云与积雨云、雨层云,再按云粒子有效半径r>30 μm区分积雨云和雨层云。第3组是典型的层积云/层云、积云、高积云/高层云、卷云,由式 (1)~式 (3) 计算分析得到 (图 1)。
![]() |
|
图 1. 云分类示意图 Fig 1. Sketch map of cloud type identification |
1.3 资料
采用MODIS云宏、微观特性产品和地面气象台站的云类观测、地面小时降水量观测资料对上述云分类方法进行试验,欧洲、南美洲和赤道太平洋地区2008年和2013年卫星分类结果与地面云类观测相匹配共2814站次,用于两者的一致性统计。另外,2012年和2014年夏季及2014年冬季的卫星分类个例与地面小时降水量相叠加分析,用于分类结果的辅助验证。
2 分类结果及验证 2.1 分类结果MODIS云产品资料, 包括云光学厚度、云粒子有效半径、云顶高度、云相态、云顶温度、窗区通道亮温,经软件处理,进行2008年、2013年及2014年的云分类试验,下面给出处理软件对台风、梅雨锋云系、冬季中国南方的层状降水云的分类结果。
2.1.1 台风云系图 2是2014年12月29日05:05(世界时,下同) 台风蔷薇 (1423) 的MODIS分类结果,分类得到台风外围的丝缕状卷云、台风云墙及内螺旋云带上的积雨云和多层云,可以看到,亮温图白亮的地区对应着积雨云 (图略)。图 3为用作判识的云光学厚度 (云顶高度、云粒子有效半径、云相态图略),由图 3可以看到,台风蔷薇的光学厚度结构,台风云墙及内螺旋云带为光学厚度很大的地区,对应积雨云,其余多为o<8的卷云。
![]() |
|
图 2. 2014年12月29日05:05台风蔷薇的云分类结果 Fig 2. Classified cloud types of typhoon Qiangwei at 0505 UTC 29 Dec 2014 |
![]() |
|
图 3. 2014年12月29日05:05台风蔷薇MODIS云光学厚度 Fig 3. MODIS optical thickness data of typhoon Qiangwei at 0505 UTC 29 Dec 2014 |
2.1.2 梅雨锋云系
图 4是2014年6月27日05:15梅雨锋云系的分类结果,得到梅雨锋上发展强烈的中尺度对流单体-积雨云,以及锋面上的雨层云、高积云/高层云、多层云、积云、锋前部的卷云,与相同时刻的地面小时降水量叠加显示 (图略),出现降水的地方为积雨云和雨层云。
![]() |
|
图 4. 2014年6月27日05:15—05:20梅雨锋云系的分类结果 Fig 4. Classified cloud types of Meiyu front for 0515-0520 UTC 27 Jun 2014 |
2.1.3 冬季层状云系
图 5及图 6是2013年1月3日04:50—06:35的我国南方冬季的层状云的亮温和云分类结果,得到大片雨层云,33°N以南为雨层云和高层云覆盖。
![]() |
|
图 5. 2013年1月3日04:50—06:35我国南方的层状云系的MODIS通道32亮温 Fig 5. The grayscale image of brightness temperature of MODIS channel 32 for 0450-0635 UTC 3 Jan 2013 |
![]() |
|
图 6. 2013年1月3日04:50—06:35层状云系的分类结果 Fig 6. Classified cloud types for 0450-0635 UTC 3 Jan 2013 |
2.2 云分类结果的验证 2.2.1 基于地面观测的验证
通过与地面气象站的人工云类观测对比,验证卫星云分类结果的正确性,这里假定预报员在某站观测,代表了其四周1 km范围内的云类情况,并假定卫星与地面观测相差20 min内云类保持不变。基于这样的假定,分别对欧洲、南美洲、赤道西太平洋地区的卫星云分类结果与地面观测进行对比检验,由中国气象科学数据共享服务网http://cdc.nmic.cn下载的资料中有地面云类观测要素的地面台站有限,检验采用逐站对比,如果地面观测为层积云,而卫星分类也为层积云,则记为判别正确 (地面观测到多种云,而卫星分类为其中一种,也记为正确),随机选取了2008年、2013年的资料进行对比,2814站次检验二者的一致性达60%以上。不一致的原因,首先是卫星资料的正确性,云顶高度、云光学厚度、云粒子有效半径这些产品均有一定误差;第二是分类方法,由于表 1中各类云的特征参量取值范围有重合,也使得判识的云有误差;第三是地面观测云类的误差;第四是地面气象站一个点与卫星1 km视场的代表性问题;第五是二者的观测时间最大相差20 min,其间云类有可能发生变化。
2.2.2 小时降水量观测资料的辅助验证为了进一步检验分类结果的正确性,选用了中国区域的地面小时降水量,通过将卫星分类与小时降水量资料叠加显示,在有降水之处大多为雨层云或积雨云。图 7是2012年8月3日登陆台风苏拉 (1209) 和达维 (1210) 以及地面2 h降水量观测的叠加图,分类得到台风的积雨云与地面台风降水量观测配合很好。
![]() |
|
图 7. 2012年8月3日04:55—05:05地面2 h降水量 (数字,单位:mm) 与云分类结果叠加 Fig 7. Chart combined cloud types with 2 h precipitation (number, unit:mm) for 0455-0505 UTC 3 Aug 2012 |
3 小结
利用MODIS的云宏微观特性产品及最小距离法和多阈值法相结合的技术,对MODIS云图进行云分类,得出如下结论:
1) 由于分类方法综合了云的微观物理特性和宏观物理特性,使云分类判别的依据较为充分,取得了较好的分类结果,特别是由于云光学厚度较大程度地揭示了云中的含水量、云的垂直厚度,因此,分类技术较好地捕捉到有降水的云 (如积雨云、雨层云) 以及多层云结构 (如卷云伴高积云/或高层云等)。
2) 云粒子有效半径较好地区分了积雨云和雨层云。
但由于分类方法是基于云顶高度、云光学厚度、云粒子有效半径等卫星反演产品,这些产品本身的误差会影响云分类产品的精度,且该项工作仍有其局限性,如不能十分有效区分层云与层积云、淡积云,因为这些云的宏微观特性相近,解决这一问题需进一步试验。
基于MODIS与FY-4气象卫星的云光学厚度产品为0.55~0.57 μm波段,而云粒子有效半径、云顶高度、云顶温度、云相态均为卫星获得的真实云参数,不同卫星反演的这些宏微观特性一致,使这项工作的研究成果处理软件已移植到FY-4气象卫星的地面产品算法研发平台,2016年FY-4静止气象卫星在轨运行后将实时获得云分类产品。
[1] | 孙学金, 刘磊, 高太长, 等. 基于模糊纹理光谱的全天空红外图像云分类. 应用气象学报, 2009, 20, (2): 157–162. DOI:10.11898/1001-7313.20090204 |
[2] | 白慧卿, 方宗义, 吴荣璋. 基于人工神经网络的GMS云图四类云系的识别. 应用气象学报, 1998, 9, (4): 402–409. |
[3] | 陈勇航, 黄建平, 王天河, 等. 西北地区不同类型云的时空分布及其与降水的关系. 应用气象学报, 2005, 16, (6): 717–727. DOI:10.11898/1001-7313.20050612 |
[4] | 刘健. 中国区域云特征分析及在FY-2云检测中的应用. 应用气象学报, 2009, 20, (2): 157–162. DOI:10.11898/1001-7313.20090204 |
[5] | 刘健, 张里阳. 气象卫星高空间分辨率数据的云量计算与检验. 应用气象学报, 2011, 22, (1): 35–45. DOI:10.11898/1001-7313.20110104 |
[6] | 刘健, 许健民, 方宗义. 利用NOAA卫星的AVHRR资料试分析云和雾顶部粒子的尺度特征. 应用气象学报, 1999, 10, (1): 28–33. |
[7] | 师春香, 瞿建华. 用神经网络方法对NOAA-AVHRR资料进行云客观分类. 气象学报, 2002, 60, (2): 250–255. DOI:10.11676/qxxb2002.031 |
[8] | 罗敬宁.云分类.[2006-08-06].http://satellite.cma.gov.cn/jsp/basic/onlinehelp.jsp#. |
[9] | Wong E, sugawa R, Gerald J.National Polar-orbiting Operational Environmental Satellite System:VIIRS Cloud Base Height Algorithm Theoretical Basis Document.ATBD-JPSS-474-00045-2011.2011. |
[10] | Shoucri M.National Polar-orbiting Operational Environmental Satellite System:VIIRS Cloud Cover/Layers Algorithm Description Document.ATBD-JPSS-474-00044-2011, 2011. |
[11] | Hutchison K D. The retrieval of cloud base heights from MODIS and three dimensional cloud fields from NASA's EOS Aqua mission. Int J Remote Sensing, 2002, 23, (24): 5249–5263. DOI:10.1080/01431160110117391 |
[12] | Liou K N. Radiation and Cloud Processes in the Atmosphere. New York: Oxford Press, 1992. |
[13] | Wilheit T T, Hutchison K D. Retrieval of cloud base height from passive microwave and cloud top temperature data. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38, (1): 1–7. |
[14] | Hutchison K, Wong E, Du S C. Cloud base height retrieved during night-time conditions with MODIS data. Int J Remote Sensing, 2006, 27, (14): 2847–2862. DOI:10.1080/01431160500296800 |
[15] | Hutchison K D, Etherfon B J, Opping P C, et al. Cloud top phase determination from the fusion of signatures in daytime AVHRR imagery and HIRS data. Int J Remote Sensing, 1997, 18, (20): 3245–3262. |
[16] | Menzel P, Strabata K. Cloud Top Properties and Cloud Phase Algorithm Theoretical Basis Document. MODIS Algorithm Theoretical Basis Document, 1997. |
[17] | Rao N X, Ou S C, Liou K. Removal of solar component in the AVHRR 3.7 radiances for the retrieval of cirrus cloud parameters. J Applied Meteor, 1995, 34, (2): 482–499. DOI:10.1175/1520-0450-34.2.482 |
[18] | Wilheit T T, Hutchison K D.Cloud Base Height Retrieval from DMSP Microwave data with Cloud Temperatures//Proceedings of the 9th AMS Conference on Satellite Meteorology and Oceanography.1995. |
[19] | Heymsfield A J, Donner L J. A scheme for parameterizing ice-cloud warter content in general circulation models. J Atmos Sci, 1990, 47, (15): 1865–1877. DOI:10.1175/1520-0469(1990)047<1865:ASFPIC>2.0.CO;2 |
[20] | 王鹏飞, 李子华. 微观云物理学. 北京: 气象出版社, 1989. |
[21] | 叶晶, 李万彪, 严卫. 利用MODIS数据反演多层云光学厚度和有效粒子半径. 气象学报, 2009, 67, (4): 613–622. DOI:10.11676/qxxb2009.061 |