应用气象学报  2009, 20 (6): 673-681   PDF    
引用本文
刘健. 中国区域云特性分析及在FY-2云检测中的应用[J]. 应用气象学报, 2009, 20(6): 673-681.
Liu Jian. Cloud Properties Analysis and Its Application in FY-2 Cloud Detection[J]. Journal of Applied Meteorological Science, 2009, 20(6): 673-681  
中国区域云特性分析及在FY-2云检测中的应用
刘健     
国家卫星气象中心, 北京 100081
2008-09-23 收到, 2009-07-17 收到修改稿.
资助项目: 国家重点基础研究发展计划“我国南方致洪暴雨监测与预测的理论和方法研究(2004CB418305) ”和公益性行业(气象) 专项“多源卫星遥感前沿技术及其应用气象卫星及其对地观测数据产品和应用研究”共同资助    
摘要: 云检测中所使用的云检测阈值正确与否是关系到云检测精度的重要因素。该文利用1983年7月-2007年6月ISCCP数据对覆盖我国及周边区域不同云类云顶温度的年、日变化特征进行分析, 得到云顶温度的分布特征; 对晴空下垫面与最暖云云顶温度差随纬度分布特征、不同区域晴空下垫面及云顶温度与晴空地表温度差日变化特征进行分析, 这些特征及每3 h的晴空下垫面24年平均亮温作为云检测算法的背景场, 用以判识实时动态提取云检测阈值的合理性。个例分析表明:利用多年平均晴空下垫面温度及最暖云云顶温度与晴空下垫面温度之差, 可有效识别云检测阈值的合理性, 合理的阈值有助于提高连续多日被云覆盖及冰雪下垫面条件下的云检测精度。
关键词: ISCCP    晴空下垫面温度    云顶温度    云检测    
Cloud Properties Analysis and Its Application in FY-2 Cloud Detection
Liu Jian     
National Satellite Meteorological Center, Beijing 100081
Abstract: One pixel is cloud or not dependent on cloud detection scheme. Cloud detection approach includes histogram analysis, threshold detection, deviation analysis and so on. Cloud threshold is an important factor for cloud detection scheme. Now, cloud threshold usually can be gotten by one time and multi channel data in operational cloud detection method. But if surface is covered by snow or ice, or cloud covers one area for a long time, dynamic cloud threshold method always fails. So it should depend on clear temperature background. On the other hand, climate mean surface temperature can help to distinguish the dynamic cloud threshold' s validity. ISCCP data are proved by many researches that it is one of the best satellite cloud climate data in the world now. ISCCP data are used to analyze properties of cloud and clear temperature over China and neighboured areas. Cloud can be divided into three kinds, such as low, middle and high cloud. Different kind of cloud has different distribution property of cloud top temperature on a seasonly or daily basis along the latitude. Different kinds of cloud top temperature basically show strip distribution along longitude. The lower latitude, the higher cloud top temperature is. Along the same latitude, different area has different cloud properties during one day or one year.The analysis shows that the low cloud top temperature increases progressively in the fall and winter seasons from north to south, and has obvious linear increase tendency with reduced latitude. The middle level cloud top temperature distribution has distinct properties. Except July, August and September, the distribution of middle level cloud top temperature presents the meridional strip basically.The middle level cloud top temperature gradient is large in fall and winter, which is small in spring. The high cloud top temperature presents the meridional strip distribution in fall, winter and spring. The high cloud top temperature is lower than 240 Kand it' s latitudinal gradient is small to the north of 35°N. The high cloud top temperature meridional gradient increases and it' s diurnal variation is small to the south of 35°N. The temperature difference between clear surface and the warmest cloud top has stabile daily and seasonly change in the southeast part of China. At the same time, in the north part of China, the temperature difference between clear surface and the warmest cloud top has distinct daily and seasonly change. Above analyzed properties and mean clear temperature can be used as background information to distinguish the dynamic cloud detection threshold value' s validation and offer cloud threshold for areas that are covered by low cloud for a long time. An example is showed to testify mean clear temperature and temperature difference between clear and the warmest cloud can offer great information for cloud detection scheme.
Key words: ISCCP     clear temperature     cloud top temperature     cloud detection    
引言

云是一类重要的天气现象, 但因云具有多样性、不稳定性及云观测的局限性, 使得对云的研究还不够深入。随着卫星探测技术的发展, 云观测技术取得了长足进步。

云检测是将被观测像元区分为有云像元和无云(晴空) 像元, 它不仅是认识了解云特性的基础, 而且是定量化应用卫星遥感资料的基础。在已有的业务云检测算法中, 通过单一时次的多通道数据, 可以解决大部分情况下的云检测问题, 但遇到某一区域, 下垫面长期受冰雪覆盖, 或大气垂直廓线在近地面层出现逆温等情况, 无法提取合理的云检测阈值时, 就需要依据晴空背景温度场、气候温度数据等辅助数据进行云检测。

本文采用1983年7月-2007年6月的逐日3h ISCCP的DX数据, 分析覆盖我国及周边区域的高、中、低云云顶温度及相应区域的晴空下垫面温度时空分布特征, 提取最暖云云顶温度与晴空下垫面温度差气候背景场, 用以作为云检测阈值合理性的检验依据。

1 ISCCP数据

国际卫星云气候计划(ISCCP) 始于1982年, 此计划目前仍在执行中。经过多年数据的积累和再处理技术发展, ISCCP形成了多种云气候数据集。很多利用ISCCP资料与其他资料进行对比分析表明, 尽管因为观测手段和资料再处理方法不同, ISCCP云参数与其他云资料间有很好的吻合性[1-3], 能够反映云的真实分布情况, 是目前质量较好的、得到全球公认的云气候数据集。

最新的ISCCP云气候数据集(D数据集) 与原版本的数据集(C数据集) 相比, 最大的改进在于:①修正定标系数; ②增加陆地上空卷云的检测; ③增加极区低云检测; ④再处理方案中引入卷云的冰晶微物理特性, 降低冰云因假设为球状而引起的误差; ⑤增加云参数反演结果的偏差数据。经过对比分析, 低云云顶温度偏差小于2K, 单层薄卷云云顶温度偏差小于4K[2]。

目前国内研究者多采用ISCCP-D2数据[4-9], D2数据包含有云量、云光学厚度、云顶温度、晴空下垫面温度等在内的130种参数, 空间分辨率为2.5°, 时间分辨率为3h, 月平均数据。ISCCP-D2数据集根据云顶气压划分云类, 其中低于680hPa的为低云, 介于680～440hPa的为中云, 高于440hPa的为高云。这样的划分标准使得在青藏高原地区, 由于下垫面高海拔而没有低云, 只有中、高类型的云。另一种数据为DX数据, 其空间分辨率达到30km, 每日8个观测时次, 包括晴空下垫面的温度、反照率、辐照度、云顶气压、温度、光学厚度等参数。与D2数据相比, DX数据的空间分辨率较高, 且具有每日的观测数据, 更有利于在云检测中作为多年平均的背景场进行应用。

2 云特性分析

利用1983-2007年逐日3h间隔的ISCCP云顶温度和晴空下垫面资料分析得出云顶温度情况。

①低云云顶温度

秋、冬两季, 低云云顶温度自北向南递增, 随纬度降低有明显的线性增加趋势, 沿纬向为条带状分布。

春季傍晚至清晨时段, 低云云顶温度的分布与秋、冬两季类似, 即沿纬向为条带状分布, 随纬度变化呈南高北低, 但低云云顶温度随纬度变化的梯度小于秋、冬两季。在春季的正午40°N附近有一个低云云顶温度相对高值区。

夏季正午在华北西部至西北北部有一低云云顶温度的高值区, 随时间推移, 这一高值区向西北方向移动; 日落后, 低云云顶温度恢复为纬向条状分布, 并随纬度的降低而升高。

②中云云顶温度

中云云顶温度分布极有规律, 除7, 8, 9月, 中云云顶温度基本呈经向条状分布, 秋、冬两季, 中云云顶温度的纬向梯度较大, 春季较小。夏季中云云顶温度基本呈经向条带状分布, 且随纬度的降低, 中云云顶温度升高; 夜间青藏高原地区中云云顶为一冷中心, 正午前后青藏高原的西侧为中云云顶温度的高值中心。

③高云云顶温度

秋、冬、春季, 高云云顶温度均呈经向条状分布。35°N以北, 高云云顶温度低于240K, 高云云顶温度的纬向变化梯度较小; 35°N以南高云云顶温度的纬向变化梯度增大, 日变化较小。春末至秋初, 高云云顶温度总体呈西高东低的分布形势, 在青藏高原及天山山脉有高云云顶温度的一个相对大值区。40°N以南高云云顶温度可抬升至250K。长江中下游地区的高云云顶温度有较明显的日变化, 日变化幅度在5K以内。

3 晴空下垫面与最暖云云顶温度差值分析

利用卫星资料进行云检测, 目的是区分有云像元和无云像元, 而云检测的难点之一是最暖云云顶与晴空下垫面之间的温度差很小, 不足以依靠单一时次观测资料将两者区分开来。因此分析晴空下垫面和最暖云云顶温度差的多年平均特征可为判定云检测阈值的合理性、确定云检测阈值的气候背景场提供有效信息。

云顶温度取高、中、低云中温度最高的云顶温度。除青藏高原外, 其余地区均是低云的云顶温度最高。在青藏高原, 由于ISCCP数据云类划分的定义, 无低云, 只有中高云, 因此取中云的云顶温度。

利用晴空下垫面温度和最暖云云顶温度, 分别计算每3h间隔的月平均晴空下垫面与最暖云云顶之间的温度差值, 图 1是选取的1, 4, 7, 10月06:00 (世界时, 下同) 晴空下垫面与最暖云云顶温度差图像。为便于分析晴空下垫面与最暖云云顶温度差的时空分布特征, 选取83.75°E, 106.25°E, 126.25°E为代表区域, 沿经向进行分析。1月(图 2), 沿126.25°E, 冬季东北地区晴空下垫面和低云云顶温度差日变化很小, 下垫面温度差大于10K。沿106.25°E, 从北向南晴空下垫面与低云云顶温度差呈明显递减关系, 较高纬度地区温度差大于10K, 较低纬度地区温度差小于2K;温度差日变化较明显, 正午的温度差最大。沿83.75°E, 青藏高原夜间有一温度差的极小值(-30K), 且有逆温层存在; 一天中, 午后温度差较大。

图 1. 多年平均1, 4, 7, 10月06:00晴空下垫面与最暖云云顶亮温差 Fig 1. Multi-annual mean temperature difference between clear surface and the warmest cloud top at 06:00 in January, April, July and October

图 2. 多年平均1月晴空下垫面与最暖云云顶亮温差每3h间隔沿83.75°E, 106.25°E Fig 2. Distribution pattern of multi-annual temperature difference between clear surface and cloud to p along 83.75°E, 106.25°E and 126. 25°E for every 3 hours in January

4月(图 3) 对于西部高原(以83.75°E为例), 晴空下垫面与低云云顶温度差分布特征与1月相同, 只是在数值上各有所增大。我国的中部地区(106.25°E), 4月的晴空下垫面与低云云顶温度差分布与1月不同, 温度差随纬度递减不再明显, 温度差的日变化明显, 在中午前后, 从南到北, 温度差均大于10K, 而且低纬度地区温度差大于高纬度地区; 清晨、傍晚和夜间, 温度差小于正午前后。35°N附近是变化的拐点, 35°N以南, 温度差与纬度间的关系不明显, 温度差介于4～7K之间; 35°N以北, 温度差随纬度的升高而增大, 最大可达12K。在东部地区(126.25°E), 温度差的分布与1月截然不同, 低纬度地区温度差有极明显的日变化, 正午前后温度差具有极大值, 在25°N附近可达到17K;夜间温度差在6K左右。35°N以南温度差随纬度呈拱形分布:25°N附近为拱形的顶点, 25°N以南温度差随纬度增大而增大, 25°～35°N温度差随纬度增大而减小。在35°N以北, 温度差几乎没有日变化, 且随纬度变化较小。

图 3. 多年平均4月晴空下垫面与最暖云云顶亮温差每3h间隔沿83.75°E, 106.25°E和126.25°E的分布 Fig 3. Distribution pattern of multi-annual temperature difference between clear surface and cloud to p along 83.75°E, 106.25°E and 126.25°E for every 3 hours in April

与4月相比, 7月(图 4) 的青藏高原(83.75°E) 晴空下垫面与中云云顶温度差随纬度变化及日变化分布类似于4月, 只是温度差变化范围比4月有所减小。中部地方(106.25°E)35°N以北, 温度差不再随纬度呈单调变化, 而是有两个变化区间:35°～45°N, 45°～55°N。在这两个纬度区间内, 温度差均出现了拱形分布结构。东部地区(126.25°E), 35°N以南, 温度差随纬度升高呈线性递减; 35°N以北, 温度差与纬度呈同步增长趋势。

图 4. 多年平均7月晴空下垫面与最暖云云顶亮温差每3h间隔沿83.75°E, 106.25°E Fig 4. Distribution pattern of multi-annual temperature difference between clear surface and cloud to p along 83.75°E, 106.25°E and 126.25°E for every 3 hours in July

10月(图 5) 晴空下垫面与最暖云云顶温度差的分布类似于4月, 但各区域的温度差日变化及随纬度变化范围均大于4月。

图 5. 多年平均10月晴空下垫面与最暖云云顶亮温差沿83.75°E, 106.25°E和126.25°E的分布 Fig 5. Distribution pattern of multi-annual temperature difference between clear surface and cloud to p along 83. 75° E, 106. 25° E and 126.25°E for every 3 hours in October

从上面的分析可以看出, 春季(4月) 和秋季(10月) 晴空下垫面与最暖云云顶温度差日变化规律及随纬度的变化规律相似, 只在数值大小上有所差别。而冬、夏两季则明显不同。

除分析晴空下垫面与最暖云云顶温度差的纬向分布外, 针对西北、西南、华南、江南、华北、东北及内蒙等地区, 分析不同区域像元的晴空下垫面与最暖云云顶温度差的日变化(图略)。

①西北地区全年温度差日变化规律相近, 在06:00温度差最大, 夜间最小。4月、7月温度差大于1月、10月; 西北地区夏季06:00温度差最大值高于19K, 反映出西北地区夏季正午前后下垫面增温明显。

②西南地区全年温度差的日变化规律相似, 差值的日变化范围秋、冬两季高于春、夏两季, 其中7月的变化范围最小, 差值的极低值小于4K。这是由于7月西南季风盛行, 西南地区云量较多(＞70%), 且云光学厚度较大(＞5), 受云层遮挡, 导致地面增温缓慢。

③华南地区除4月外, 1月、7月、10月温度差不存在明显的日变化。4月华南温度差最大值出现在06:00, 最小值出现在21:00。

④江南地区晴空与云间温度差的日变化全年都很小, 温度差维持在10～12K之间。

⑤华北地区4月、7月、10月晴空地面温度与最暖云云顶温度差日变化缓慢, 4月温度差稳定在6K附近, 7月、10月温度差介于9～10K。1月在15:00有一极小值出现(1.03K)。

⑥东北地区温度差日变化明显, 最大差值出现在正午前后, 4月差值最大, 达到18.94K。一天中, 温度差最小值出现在21:00。

⑦内蒙古地区温度差在1月、4月、7月、10月的日变化规律类似于东北地区, 只是在10月, 温度差的最高值出现在12:00。

4 云特性在FY-2云检测算法中的应用

FY-2C/D为目前在轨运行的两颗业务静止气象卫星, 其上搭载有包括可见光、中波红外、热红外窗区、热红外分裂窗区及水汽探测通道。基于云在不同探测通道上的性质特点[10-11], 在FY-2C/D业务云检测中主要运用了动态阈值提取技术、方差分析技术、晴空背景分析技术等。其中动态阈值提取技术[12-16]是针对一定区域(如32像元×32像元), 在同类型下垫面条件下, 利用二次差分计算, 以热红外窗区通道为基础, 提取云顶与晴空像元的区分阈值。云和晴空下垫面在大部分情况下有较明显的温度差, 因此动态云检测阈值提取技术可适用于大部分地区。但对于一些特殊情况, 如在分析区域内全部为云覆盖、下垫面为冰雪等, 利用二次差分计算无法提取分析区域内温度拐点作为云检测阈值, 或提取的云检测阈值不是真正的云与晴空分界值。在这种情况下, 就需要采用晴空背景分析技术来判识区域内有云与否。

晴空背景分析技术主要分为多天晴空合成和气候背景分析两部分。多天晴空合成采用15d最高亮温合成方法, 建立多天合成晴空数据。其优点在于实时滚动性好, 但无法正确反映天气系统(尤其是寒潮) 过境前后晴空地面的剧烈降温情况, 对连续被低云覆盖区域也无效果。气候背景分析是对多天晴空合成分析良好的补充, 经过对多年数据处理, 形成气候平均值, 可代表某一区域的气候平均态, 为判识所提取的云检测阈值是否为“真”值提供参考数据。

由ISCCP数据特性可知, ISCCP数据的时间分辨率为3h, 空间分辨率最高只有30km。而FY-2C/D数据的时间分辨率一般为1h, 空间分辨率为5km。为了更好地在实时FY-2C/D云检测算法中利用ISCCP气候背景场数据, 就需要根据第3章的分析, 按照不同区域晴空下垫面与云顶温度差的变化规律, 将ISCCP气候晴空下垫面背景场数据插值处理成时间分辨率为1h, 空间分辨率为5km的数据, 以便与动态云检测阈值间相互匹配。

在2008年12月3日FY-2C观测数据中选取被雾覆盖地区和青藏高原地区, 说明利用气候背景数据对动态提取云检测的判识。我国南方地区在冬季经常会出现低云/雾长时间覆盖的情况, 大片的低云/雾区对正确提取云检测阈值有极大影响。图 6是在雾覆盖区域选取扫描线上像元所对应的FY-2C红外窗区亮温、提取的动态云检测阈值和ISCCP晴空下垫面温度的气候背景数据。从图 6可以看到:像元的红外窗区通道亮温均比云检测阈值大。如果按照云检测规则, 扫描线上所有像元应判识为晴空, 但云检测阈值与晴空背景场数据相对比发现, 以第1185个像元为界, 第1165～1185个像元的云检测阈值大于或接近多年气候平均晴空值, 说明提取的云检测阈值具有合理性, 当像元观测值大于阈值时, 像元判识为晴空; 从第1185个像元开始, 到第1230个像元止, 云检测阈值明显小于气候背景场数据, 同时参考所选取区域的亮温差方差较小(小于1.0), 说明观测表面非常均匀, 反映出观测目标应被大面积的层状云覆盖, 所提取的云检测“阈值”并不代表真正的云与晴空的分界值。因此将像元的红外窗区通道亮温与气候背景场数据进行比较, 像元的红外亮温小于气候晴空背景场亮温, 判识第1185～1230个像元为云像元。图 7a是所选被雾覆盖区的图像, 图 7b是动态云检测阈值提取后直接的判识图像, 可以看到:由于像元的亮温高于云检测阈值, 低云/雾区的一部分并没有被判识出来, 而在利用多年平均背景场数据之后, 对低云/雾的判识效果有很大改进。

图 6. 被雾覆盖区扫描线上观测像元的FY-2C红外亮温、提取的动态阈值及ISCCP晴空多年平均下垫面亮温 Fig 6. Pixel' s FY-2C infra red brightness temperature, the dynamic threshold value and the ISCCP multi-annual mean clear sky surface temperature in selected fog area

图 7. 云检测阈值合理性检验前后的判识对比图(白色为云像元, 黑色为晴空像元; 方框为所选目标区域) (a) FY-2C红外窗区通道亮温, (b) 用云检测阈值直接判识结果图, (c) 利用气候背景场订正云检测阈值后的云检测判识图 Fig 7. Cloud detection image s before and after validation for cloud detection threshold value (white area is cloud pixel an d black area is clear pixel; square frame denotes the target region) (a) brightness temperature at infared channel of FY-2C, (b) cloud detection image using cloud threshold directly, (c) cloud detection image after adjusted cloud threshold by climate background data

青藏高原地区具有地理高程高、下垫面温度低、同时又有积雪覆盖的特点, 使得云检测的准确性受到极大的影响。图 8是所选青藏高原区域扫描线上像元的红外亮温、提取的云检测阈值和对应的多年平均气候背景晴空数据。从图 8可知, 观测像元亮温大于云检测阈值, 所提取的云检测阈值与多年气候平均晴空场相比, 尽管云检测阈值小于多年平均值, 但两者的差异在10K左右, 亮温方差在1.2K左右, 基本可以判定所提取的云检测阈值较为合理, 可将其作为像元有云与否的判据。

图 8. 青藏高原地区扫描线上观测像元的FY-2C红外亮温、提取的动态阈值及ISCCP晴空多年平均地表亮温 Fig 8. Pixel' s FY-2C infrared brightness temperature , the dy namic threshold value and the ISCCP multi-annual mean clear surface temperature over the Tibet area

5 结论及讨论

本文从ISCCP数据分析入手, 利用ISCCP晴空下垫面和云顶温度的多年平均值分析了中国区域不同云类云顶温度年、季和日变化, 及云顶温度随纬度的变化。选择典型区域, 分析不同区域晴空下垫面与最暖云云顶温度差的年、季、日变化, 得到该温度差的日变化规律。分析显示不同区域的温度差在一年中不同季节的日变化规律有所不同, 华南、江南地区一年中日变化范围相对较小, 西北、东北地区日变化在各季节中均很明显。

利用多年平均晴空下垫面温度及云顶温度的时空分布规律, 按照不同区域、时间变化特征, 采用不同插值方法, 获得可满足云检测需求的时空分辨率多年平均数据, 并以此作为背景场可有效解决某一地区长期被低云覆盖而无法获取正确云检测阈值的情况, 从而提高云检测精度; 但当遇到强烈逆温时, 云顶温度较下垫面温度高, 晴空背景法的应用也受到限制。

综上所述, 将分析得出的晴空下垫面温度多年平均值作为云检测中代表晴空下垫面温度特征的背景场, 利用晴空下垫面与云顶温度差的时空分布特征, 对利用实时观测资料所提取云检测阈值进行检验, 可有效判识动态云检测阈值的合理性, 从而提高云检测结果的准确性, 使其具有很好的指示意义。

参考文献
[1] 翁笃鸣, 韩爱梅. 我国卫星总云量与地面总云量分布的对比分析. 应用气象学报, 1998, 9, (1): 2–37.
[2] William B Rossow, Alison W Walker, Garder L C, Compari-son of ISCCP and Other Cloud Amounts. J Climate, 1993, 6, (12): 2394–2418. DOI:10.1175/1520-0442(1993)006<2394:COIAOC>2.0.CO;2
[3] William B Rossow, Robert A Schiffer, Advances in understanding clouds from ISCCP. Bull Amer Meteor Soc, 1999, 80, (11): 2261–2287. DOI:10.1175/1520-0477(1999)080<2261:AIUCFI>2.0.CO;2
[4] 丁守国, 石广玉, 赵春生. 利用ISCCPD2资料分析近20年全球不同云类云量的变化及其对气候可能的影响. 科学通报, 2004, 49, (11): 1105–1111.
[5] 刘洪利, 朱文琴, 宜树华, 等. 中国地区云的气候特征分析. 气象学报, 2003, 61, (4): 466–473.
[6] 陈勇航, 黄建平, 陈长和, 等. 西北地区空中云水资源的时空分布特征. 高原气象, 2005, 24, (6): 905–912.
[7] 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.
[8] 刘艳, 翁笃鸣. 青藏高原云对地气系统长波射出辐射(OLR) 强迫的气候研究. 南京气象学院学报, 2000, 23, (2): 270–276.
[9] 刘瑞霞, 刘玉洁, 杜秉玉. 利用ISCCP资料分析青藏高原云气候特征. 南京气象学院学报, 2002, 25, (2): 226–234.
[10] 刘健, 许健民, 方宗义. 利用NOAA卫星的AVHRR资料试做云性质的分析. 应用气象学报, 1998, 9, (4): 449–455.
[11] 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.
[12] Alan V D V, William J E, Senior Member, An automated dynamic threshold cloud masking algorithm for daytime AVHRR images over land. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40, (8): 1682–1694. DOI:10.1109/TGRS.2002.802455
[13] Saunders R W, Kriebel K T, An improved method of detecting clear sky and cloudy radiances from AVHRR data. Int J Remote Sens, 1988, 9: 123–150. DOI:10.1080/01431168808954841
[14] Peak J E, Tag P M, Segmentation of satellite imagery using hierarchical thresholding and neural networks. J Appl Meteor, 1994, 33: 605–616. DOI:10.1175/1520-0450(1994)033<0605:SOSIUH>2.0.CO;2
[15] Nowcasting and Very Short Range Forecasting SAF.Proto-type Scientific Description for Météo France/CMS. SAF/NWC/MFCMS/MTR/PSD, Issue 1, Rev 1, 2000.
[16] 刘希, 许健民, 杜秉玉. 用双通道动态阈值对GMS-5图像进行自动云检测. 应用气象学报, 2005, 16, (4): 434–444.