2016, 27 (1): 102-111
2. 中国气象科学研究院，北京 100081
2. Chinese Academy of Meteorological Sciences, Beijing 100081
强对流天气是我国多地区最重要的气象灾害之一，往往对社会经济和人民生命财产造成较大危害，由于强对流具有尺度小、突发性强、不确定性大等特点，其发生时段和落区一直是预报中的难点和重点。近年来，城市化建设迅速发展，对强对流监测和预报的精细化提出了更高要求[1-2]。
静止卫星能够提供大范围、全天候的云图信息，是中小尺度强对流天气监测的重要工具[1, 3]。我国风云二号 (FY-2) 静止气象卫星使用了全新的基于月球辐射校正的内黑体定标方法 (calibration of inner blackbody corrected by lunar emission, CIBLE)，显著改进了定标精度，同时也实现了区域快速扫描模式, 显著增加了图像时间分辨率，为强对流云的准确监测打下基础。多年来，基于卫星红外波段的对流云识别方法主要采用阈值法。阈值法为图像分割方法，适用于目标和背景差别明显的特征判识，而中小尺度对流复合体 (mesoscale convective complexes, MCC) 正具备这样的特征。研究中通常采用的红外亮温阈值包括温度阈值、分裂窗差阈值、面积阈值和温度梯度阈值等。其中，温度阈值因简单有效成为目前国内外业务和研究中普遍采用的适用方法。Maddox[4-5]最早提出检测MCC时采用亮温 (temperature of brightness blackbody, TBB) 不高于-32℃(241 K) 为弱对流判识标准后，多项关于对流云识别的研究工作均采用了类似阈值，并进一步采用TBB≤-52℃(221 K) 为强对流的阈值判识标准[4-9]。众多研究着眼于对流云参数提取估算、区域特征统计分析以及与短时强天气之间的对应关系，这些研究均基于阈值法判识的对流云结果[10-13]。
可见，卫星红外波段TBB的精准度对于对流云判识和参数计算至关重要，TBB精度的决定因素除了卫星定标精度，卫星仪器对于温度变化反应的灵敏程度，即温度空间响应灵敏度，也随研究目标尺度的减小，决定作用更加显著。本文从我国FY-2气象卫星自身观测性能和原理出发，结合中小尺度对流云这一特定研究目标，对TBB进行空间响应订正，改进FY-2气象卫星对流云判识精度，有利于提高卫星对强对流天气的提前预警能力。
1 资料和方法 1.1 FY-2E空间响应订正算法原理我国FY-2E静止气象卫星搭载的可见光-红外扫描辐射计 (visible infrared spin-scan radiometer, VISSR)，其红外波段是对地物温度的探测，受到VISSR仪器自身性能影响，每个像元的测量响应会受到周围像元点影响，使该像元的温度测量结果也混入了其周围像元温度的影响，产生了邻近像元效应，一定程度制约了仪器测量温度的空间响应，尤其给低温探测目标带来较大误差。强对流天气是受这种误差影响较大的重要天气系统，强对流天气在VISSR红外云图中表现为中小尺度低温云团，其与周围背景的卷云或晴空区有显著的亮温梯度，因此，邻近像元效应在靠近对流云团的边缘表现尤为明显，一般情况下，可能使低温面积较实际偏小，但对于某个特定温度的云团而言，也可能偏大, 这样的误差将进一步影响对流云团强度、范围、形态等计算准确率。
为了克服上述邻近像元效应，本研究建立空间响应匹配滤波 (spatial-response matched filter, SRMF) 方法，从FY-2E/VISSR空间响应分析入手，以日本MTSAT/JAMI作为订正方法的参考基准，进行VISSR与JAMI相同红外波段的空间响应匹配和滤波处理。选取JAMI作为参考基准，是由于与我国FY-2同期的日本MTSAT (multifunctional transport satellite) 搭载的JAMI (Japanese advanced meteorological imager) 仪器具备与FY-2/VISSR相似的通道设置，但MTSAT/JAMI空间响应函数好于VISSR，JAMI和VISSR空间分辨率分别为4 km和5 km。
根据上述原理，SRMF算法首先定义卫星图像点扩散函数为IDPSF (image-derived point spread function)，同时定义卫星入射辐射为sin(进入卫星的大气实际辐射)，卫星测量辐射为sout(经过卫星处理形成的卫星观测的辐射)。sout的大小取决于sin与IDPSF的乘积和系统误差，因此，分别计算FY-2E和MTSAT卫星的IDPSF，通过空间响应匹配建立两卫星sout之间的关系，经过系列公式推导计算空间匹配滤波计算参数SRMF，最终形成与FY-2E对应的订正数据。该方法的详细计算过程以及模拟结果可参考文献[14]。定义FY-2E红外亮温为TBB, 经过SRMF方法订正后的亮温为T′BB，两者差值为ΔTBB。
经过以上计算处理形成FY-2E订正数据，对于低温中小尺度观测目标较FY-2E数据邻近像元效应引起的观测辐射偏差大幅度下降，总体误差减小。与以往直接依据仪器空间响应函数的处理方法[15]比较，由于本文建立的SRMF订正方法在空间分辨率改进和灵敏度下降之间找到了平衡点，该方法更适用于中小尺度强对流或台风内部中小尺度对流云的定量应用。
1.2 FY-2E空间响应订正效果评估所用验证数据为了验证基于FY-2E订正数据提取强对流云团的准确性，本研究中使用两类数据，包括CloudSat卫星的云廓线雷达 (CPR) 反射率因子以及我国雷暴日数统计结果数据。将分别从强对流云团的垂直结构、产生强降水情况以及长期统计结果3个方面开展SRMF方法在强对流云团监测的改进效果评估。
首先，雷暴日数的统计结果引自国家气象信息中心的对流天气数据集V1.0，该数据集包含我国2400余个国家级地面气象站观测的对流性天气现象 (包含雷暴、闪电、大风、冰雹4类)，该数据集已于2014年业务化发布。文中使用了2013年6月北京及周边地区的40个观测点信息，具体信息参考文献[15]。
其次，采用CloudSat卫星云廓线雷达反演的雷达反射率因子产品进行辅助验证，最小可探测信号大约为-30 dBZ[16]。CloudSat每根轨道运行时间约为2 h，进行约37081次扫描，扫描星下点为沿轨道运行方向1.1 km、垂直轨道运行方向1.3 km区域，垂直方向扫描30 km，并分为厚度为0.24 km间隔的125层。文中使用2014年6月5日CloudSat轨道数据，并与当日华南强对流个例进行时空匹配。
2 结果与分析 2.1 SRMF方法对两次典型强对流天气过程效果评估分别选取2013，2014年夏季不同区域两次强对流过程，针对强对流云团区域，利用SRMF方法将FY-2E数据进行空间响应订正，比较订正前后的亮温差，并分别利用地面雷达和CloudSat/CPR雷达反射率因子，开展强对流云团发展、分布情况及垂直结构等方面验证。
2.1.1 2013年6月11日北京强对流天气过程选取2013年6月11日发生在北京地区的一次短时强对流天气，该过程对流突发性强且持续时间短，造成局地冰雹和雷暴天气。较为明显的对流云团生成于12:00(北京时，下同) 左右，13:00开始自延庆北部向南移动，14:00—15:00云团持续向南发展。
图 1a是FY-2E的红外通道1的TBB分布情况，图 1b为利用SRMF方法订正后的T′BB图像，图 1c为两者亮温差异图 (ΔTBB)，可见低温差异最为显著的是在对流云团1中，最大亮温差达-8 K。进一步分析显示，图 1a所示云团1呈南北带状分布，而通过SRMF方法计算后的云团1(图 1b) 则在带状分布基础上，明显区分出南北两个对流顶中心 (P，Q)。按照提取对流云团的传统阈值方法，图 1b中深蓝色的两个较强中心为T′BB≤-52℃的亮温区域。
|
|
| 图 1. 2013年6月11日15:00 TBB(a) 和T′BB(b) 及ΔTBB(c) Fig 1. TBB distribution with difference at 1500 BT 11 Jun 2013 (a)TBB, (b)T′BB, (c)ΔTBB | |
在地面雷达图中，云团内细节结构与雷达反射率因子实况观测相符[17](图略)，表明随着对流云团的发展，云团内亮温降低，TBB与T′BB差异更加明显，通过SRMF方法减小了邻近像元误差，一定程度上提高了空间分辨能力，从而增强了FY-2E气象卫星针对对流云团内较强的云团冲顶位置细节的刻画能力。
2.1.2 2014年6月5日广东强对流天气过程选取一次华南强对流过程，2014年6月4—8日, 受短波槽和切变线系统影响，西南地区东部和华南大部普遍出现大雨天气，云南、广西、广东等部分地区出现暴雨到大暴雨。其中，6月5日08:00—20:00雨带在广西中东部至广东呈东西向分布，主要过程表现为自广西中部不断有中尺度对流系统生成并东移，在对流移动方向前部不断激发新生对流，因此，广东自西向东多个线状对流云团生消并造成强降水天气。图 2所示为6月5日13:30的FY-2E卫星红外亮温及订正情况。
|
|
| 图 2. 2014年6月5日13:30 TBB(a) 和T′BB(b) 及ΔTBB(c) (图中红色实线为CloudSat卫星过境轨道) Fig 2. TBB distribution with difference at 1330 BT 5 Jun 2014 (the solid red line denotes CloudSat satellite orbit) (a)TBB, (b)T′BB, ΔTBB | |
图 2a，2b和2c分别是6月5日13:30 TBB，T′BB及ΔTBB，图 2a，2b中红色实线为在相近时次过境的CloudSat卫星的扫描轨迹。订正前后的对比分析显示：经过SRMF方法订正后的对流云团分布与TBB总体形式一致，但在细节上存在一定差异，主要表现为强对流云团的强对流云顶，特别是在深圳东部和北部的两云团，经SRMF方法订正后的T′BB，强云团中明显区分出更小尺度的深对流云顶中心，正如图 2中黑色箭头指示的位置，在南北线型的对流云团中，靠南的位置存在一个更强的小尺度对流云顶，该特征在地面雷达图中也有清晰的体现 (图略)。
为了进一步验证SRMF方法订正的合理性，利用CloudSat雷达反射率因子的垂直剖面数据，对图 2中过境范围内的云系内部垂直结构进行分析[18]，图 3中横坐标由左向右为CloudSat自东南向西北的扫描轨迹，黑色虚线框内为发展较旺盛的对流区域，正是图 2c中黑色虚线框范围，可见SRMF方法正是通过订正邻近像元效应误差，将云团内部更小尺度的低亮温中心显现出来，其在图 3中雷达反射率因子最大值达10~12 km高度，图 3中黑色虚线框对应图 2c中黑色虚线框内靠南侧云团对流泡的抬升，这个对流云团内小尺度的低亮温中心，为订正前后数据的最大差异所在。因此，T′BB对对流云团重心分布和进一步发展趋势有较好的指示意义。
|
|
| 图 3. 2014年6月5日13:35与图 2对应的CloudSat雷达反射率因子垂直剖面图 Fig 3. Vertical section of CloudSat radar reflectivity corresponding Fig. 2 at 1335 BT 5 Jun 2014 | |
因此，需关注经SRMF方法订正前后的亮温分布微小差异。图 4为6月5日14:00 TBB和T′BB分布，14:00两个黑色箭头区域的对流云团，在半小时内进一步发展，对有强对流发展潜势的云团起到提前关注预警的作用。
|
|
| 图 4. 2014年6月5日14:00 TBB(a) 和T′BB(b) Fig 4. Distribution of TBB(a) and T′BB(b) at 1400 BT 5 Jun 2014 | |
由以上两次强对流天气个例分析可知，较FY-2E气象卫星亮温数据，经过SRFM方法进行对流低温区空间响应订正后的数据能准确揭示中尺度对流云团中强降水位置，尤其对于中尺度云团内嵌套的更小尺度对流泡的位置，针对低温目标很大程度降低了VISSR仪器自身的邻近像元效应，提高了对于中尺度系统内部小尺度云团的空间分辨能力，对于强对流的识别和进一步发展趋势有指示意义。
2.2 SRMF方法对北京及周边地区深对流分布统计效果评估分析北京及周边地区2013年6月雷暴日数统计结果。由图 5可见，雷暴发生频次最多的区域位于北京西北部和东北部，对应于图 5中A1和A2区域，同时北京中部偏东地区的B区域也是雷暴发生频次较大的地区。另外，图 5中C区域是北京中心城区，城区内南部和东部雷暴频次较北部和西部偏多。根据文中深对流提取算法原理，雷暴发生必然伴随着卫星红外波段低亮温的出现，图 6a，6b分别为基于TBB和T′BB统计2013年6月各网格点亮温不高于-52℃出现的次数。由图 6a可知，基于TBB统计出的深对流分布与图 5中雷暴日数分布整体趋势基本对应，但同时也发现局地有较大差异，经对比分析得出T′BB在以下4个方面表征出明显优于TBB的深对流识别效果：①对于A1, A2区域，经过空间响应订正方法处理得到数据T′BB，较TBB更明显地指示出A1区的怀柔区北部以及A2区密云东部和与辽宁交界处的雷暴日数大值区；②图 6a, 6b中黑色虚线框所示的区域为延庆西部，图 6a基于TBB统计的深对流低亮温次数比周围偏低，这与雷暴日数的最大区域分布结果不符，而应用T′BB表征出的深对流识别结果与雷暴日数分布相符；③对于雷暴日数次大值区B区域，T′BB表征出的深对流识别结果，较TBB更准确地揭示出局地小尺度范围内深对流发生次数较多的分布情况，这更体现了SRMF方法有效增强了FY-2E卫星对于极短时间、极小范围强对流天气的监测灵敏度；④北京城区的C区域，TBB显示的深对流次数在北京城区偏南地区比北部偏少，这种结果与实际监测的雷暴发生频次的多少正好相反，即TBB在该区域存在着一定的误差，而T′BB显著改进了该区域的判识结果，提高了判识精度。
|
|
| 图 5. 北京及周边地区2013年6月雷暴日数分布 (单位：d) Fig 5. The number of thunderstorm days surrounding Beijing in Jun 2013(unit:d) | |
|
|
| 图 6. 2013年6月北京及周边地区深对流活动频率的空间分布 (a) 基于TBB, (b) 基于T′BB Fig 6. The deep convection frequency distribution surrounding Beijing in Jun 2013 (a) based on TBB, (b) based on T′BB | |
2.3 SRMF方法对强对流天气发生潜势的业务应用展望
本文对2013年和2014年6月北京及周边地区的5次深对流过程，进行SRMF方法对亮温订正程度的定量评估。根据对流演变的情况选取云团范围，分别进行全部过程多云团的ΔTBB统计分析，包括研究所选云团的全部像元 (图 7a)、TBB≤-32℃像元 (图 7b) 以及TBB≤-52℃像元 (图 7c)。结果分析可知：对于云团的全部像元和弱对流统计 (图 7a，7b)，基本呈现以ΔTBB=0为中心形成正态分布的形势，这是由于对于弱对流或均匀区域，包含了云团边缘内外的亮温正负相互抵消的订正。而不同的是，图 7c为强对流云团，体现的是对流云团内部小尺度强对流中心或局部冲顶对流泡，等同于在低温背景下非均匀区的订正计算，此时正态分布中心位于ΔTBB＜0的左半边区域。
|
|
| 图 7. 典型对流个例的亮温差直方图统计 (a) 全部数据，(b)TBB≤-32℃，(c)TBB≤-52℃ Fig 7. Difference histogram statistics of TBB for all typical convection cases (a) all TBB, (b)TBB ≤-32℃, (c)TBB≤-52℃ | |
在未来强对流天气监测业务中，针对非均匀小尺度低温目标，可考虑采用SRMF方法降低整体观测误差，提高云团内部小尺度深对流顶的空间分辨能力，在中小尺度强对流或台风内部中小尺度对流云的监测和预警中，有较好的业务应用潜力。
综上所述，利用SRMF方法订正后，有利于对流云团的背景凸显，促进对流趋势提前显现，这对于强对流云识别和提前预警有应用价值。以2.1节中选取的2013年6月11日北京强对流天气的Hovmöller (即经度-时间剖面) 分析为例 (图 8)，图 8a, 8b为沿40.5°N，113.5~119.5°E的TBB和T′BB剖面图显示:位于116.5°E附近的对流云团，在图 8b中提前约1 h出现亮温明显下降趋势，即该云团由弱对流逐渐发展旺盛的过程提前显现，这对于强天气发生的提前预警有指示意义。
|
表 1 SRMF方法订正前后对5次对流过程的强对流发展趋势统计 Table 1 Nowcasting performance statistics using SRMF method for five typical convection cases |
|
|
| 图 8. 2013年6月11日01：00—20：00北京强对流过程的Hovmöller时序分析 (沿40.5°N的经度-时间剖面) (a)TBB, (b)T′BB Fig 8. Hovmöller analysis during the convective processing from 0100 BT to 2000 BT on 11 June 2013 (along 40.5°N longitude-time cross section) (a)TBB, (b)T′BB | |
3 结论与讨论
研究表明：
1) SRMF方法能够提高VISSR仪器对对流云团这一特定非均匀低温目标的识别能力，对于中尺度对流云内的小尺度对流云泡、发生时间极短的低温对流顶，消除了周围高温背景对低温对流的邻近像元效应的平滑误差，提高低温中小尺度目标识别的空间分辨率。
2) SRMF方法可以克服高温背景对低温对流云团邻近像元误差的影响，提高云团内小尺度深对流的判识准确率，有助于对流发展潜势的提前判断，对于揭示强对流云未来激发位置有较好的提前指征能力。
综上所述，SRMF方法订正数据对于深对流的识别更符合深对流实际发生的频次分布，尤其在尺度较小的区域，即在FY-2E气象卫星原始资料对深对流监测能力的基础上，提高了对中尺度系统中更小尺度对流的识别能力，而这些中尺度中小尺度的对流泡，对于深对流的发展趋势、强降水精细化落区的判定至关重要，对强对流天气的短时临近预报有应用价值。
| [1] | 卢乃锰, 吴蓉璋. 强对流降水云团的云图特征分析. 应用气象学报, 1997, 8, (3): 269–275. |
| [2] | 韩雷, 俞小鼎, 郑永光, 等. 京津及邻近地区暖季强对流风暴的气候分布特征. 科学通报, 2009, 54, (11): 1585–1590. |
| [3] | 方宗义, 覃丹宇. 暴雨云团的卫星监测和研究进展. 应用气象学报, 2006, 17, (5): 583–593. DOI:10.11898/1001-7313.20060501 |
| [4] | Maddox R A. Meoscale convective complexes. Bull Amer Meteor Soc, 1980, 61, (11): 1374–1387. DOI:10.1175/1520-0477(1980)061<1374:MCC>2.0.CO;2 |
| [5] | Maddox R A.The Structure and Life-cycle of Midlatitude Mesoscale Convective Complexes.Colorado:Colorado State University, 1981. |
| [6] | 白洁, 王洪庆, 陶祖钰. GMS卫星红外云图强对流云团的识别与追踪. 热带气象学报, 1997, 13, (2): 158–167. |
| [7] | 费增平, 郑永光, 张炎, 等. 基于静止卫星红外云图的MCS普查研究进展及标准修订. 应用气象学报, 2008, 19, (1): 82–90. DOI:10.11898/1001-7313.20080113 |
| [8] | 束宇, 潘益农. 红外云图上中尺度对流系统的自动识别. 南京大学学报:自然科学版, 2010, 46, (3): 337–348. |
| [9] | 孙继松, 陶祖钰. 强对流天气分析与预报中的若干基本问题. 气象, 2012, 38, (2): 164–173. |
| [10] | 郑永光, 陈炯, 陈明轩, 等. 北京及周边地区5—8月红外云图亮温的统计学特征及其天气学意义. 科学通报, 2007, 52, (14): 1700–1706. DOI:10.3321/j.issn:0023-074x.2007.14.017 |
| [11] | 郑永光, 陈炯, 朱佩君. 中国及周边地区夏季中尺度对流系统分布及其日变化特征. 科学通报, 2008, 53, (4): 471–481. |
| [12] | 祁秀香, 郑永光. 2007年夏季我国深对流活动时空分布特征. 应用气象学报, 2009, 20, (3): 287–294. |
| [13] | 刘健, 蒋建莹. FY-2C高时间分辨率扫描数据在强对流云团监测中的应用研究. 大气科学, 2013, 37, (4): 873–880. DOI:10.3878/j.issn.1006-9895.2012.12062 |
| [14] | Guo Qiang, Wang Xin. Spatial-response matched filter and its application in radiometric accuracy improvement of FY-2 satellite thermal infrared band. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53, (5): 2397–2408. DOI:10.1109/TGRS.2014.2359935 |
| [15] | Guo Qiang, Yang Changjun, Wei Caiying. A new approach to the on-orbit evaluation of point spread function of thermal infrared images with applications to FY-2 satellite products. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48, (3): 1598–1612. DOI:10.1109/TGRS.2009.2030330 |
| [16] | Level 2 Combined Radar and Lidar Cloud Scenario Classification Product Process Description and Interface Control Document.Jet Propulsion Laboratory, California Institute of Technology, Pasadena, California, 2013. |
| [17] | 何立富, 陈涛, 谌芸, 等. 大气探测资料在中尺度暴雨中的分析和应用. 应用气象学报, 2006, 17, (增刊Ⅰ): 88–97. |
| [18] | 钟水新, 王东海, 张人禾, 等. 基于CloudSat资料的冷涡对流云带垂直结构特征. 应用气象学报, 2011, 22, (3): 257–264. DOI:10.11898/1001-7313.20110301 |