CN114265836A - 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 - Google Patents
一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 Download PDFInfo
- Publication number
- CN114265836A CN114265836A CN202111354989.2A CN202111354989A CN114265836A CN 114265836 A CN114265836 A CN 114265836A CN 202111354989 A CN202111354989 A CN 202111354989A CN 114265836 A CN114265836 A CN 114265836A
- Authority
- CN
- China
- Prior art keywords
- data
- assimilation
- observation
- satellite
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置,该方法包括以下步骤:获取卫星资料、常规观测资料和预报场资料;将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,获得prebufr格式的非晴空区廓线信息;将被判别为晴天的卫星资料进行进行偏差订正,获得订正后的晴空区的微波亮温数据;对订正后的晴空区的微波亮温数据进行质量控制,剔除质量较低的观测数据;将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场。本发明能够改善数值模式的降水预报效果。
Description
技术领域
本发明涉及一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法,属于卫星资料同化技术领域。
背景技术
资料同化用于为数值模式提供准确、合理的初始条件,越来越受到重视。资料同化要充分利用现有信息来确定一个最大可能精确的大气运动状态,同化观测资料来源主要有常规观测以及雷达、卫星等非常规观测资料。其中常规观测资料观测时间和地点固定,且多分布于人口密集等地区,时空分辨率低且分布不均匀,在偏远地区如海洋上空等极少有常规观测,而卫星观测具有全天候、全覆盖、资料一致等特点,随着发射的气象卫星不断增多,卫星资料用于改善模式初始场有很大贡献。
卫星资料同化理论经过多年的发展,取得了重大的进展,晴空条件下卫星辐射率资料同化问题基本解决;然而,云区卫星资料的同化研究尚不完善,这阻碍了卫星资料同化理论的发展。从卫星资料同化应用来看,由于缺乏云区卫星资料同化理论,大量受云和降水影响的卫星资料被丢弃不加以使用。然而,云区所蕴含的大气信息与台风、西南涡、梅雨锋等各类天气***的发生发展联系密切,这使得云区资料同化应用尤为重要。因此,云区卫星资料同化研究对于完善卫星资料同化基础理论、改善预报水平具有重要意义。微波辐射对云和降水具有一定的穿透能力,相比红外辐射对云区具有更强的探测能力,使得这部分资料的同化应用成为卫星资料同化领域的一个热门研究问题。
过去十几年间有些学者在这一领域开展了技术研究和业务应用,并取得了一些进展。2010年ECMWF 的Geer和Bauer提出了对称误差模式(symmetriccloudamount),利用微波成像仪37GHz的极化差计算的云量作为统计因子,得到了全空同化下,晴空和有云状况的全场误差分布,进一步解决了云雨区误差非高斯分布的问题,实现了对微波成像仪SSM/I和AMSR-E资料的全天候直接同化。杨春(2017)基于WRFDA ***调整了模式的湿控制变量,并且添加了针对全空同化使用的以云量作为预报因子的对称观测误差模式等相关数据接口,实现了AMSR2全空辐射率的直接同化。冼智鹏(2019)将RTTOV的散射模块接入WRFDA ***,并基于Geer和Bauer提出的对称误差模式建立了MWHS2的观测误差模型,从而实现MWHS2的全天候同化。
上述方法均属于直接同化方法,需要在观测算子中考虑散射部分,针对云区提供满足高斯分布的观测误差,将湿物理参量作为同化时极小化迭代计算控制变量等步骤。然而,由于一些瓶颈问题依然受到制约,如:更完善的湿物理参数化方案、更高精度的米散射快速辐射传输模型、云雨区卫星资料偏差订正等。云区的直接同化技术尚不成熟,对云区的观测资料的利用不够充分,对数值模式中云区的温度、湿度、风以及云和降水的初始信息描述不够准确。
发明内容
本发明的目的是针对现有的卫星微波观测资料全天候同化所存在的问题,提出一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法,该方法包括以下步骤:
获取卫星资料、常规观测资料和预报场资料;将预报场的地面和大气廓线信息插值到卫星观测所在位置;所述卫星资料包括微波温度计和微波湿度计数据;
基于卫星资料中的云量数据判断观测点属于晴天还是非晴天;
将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,获得prebufr格式的非晴空区廓线信息;
将被判别为晴天的卫星资料进行进行偏差订正,获得订正后的晴空区的微波亮温数据;
对订正后的晴空区的微波亮温数据进行质量控制,剔除质量较低的观测数据;
将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场。
进一步的,对所述卫星资料进行质量控制,获得修正后的卫星资料的方法包括以下步骤:
读取卫星资料中观测像元的经纬度和时间,拒绝同化时间窗外和模式区域范围之外的观测,初步质控;
检查所有卫星像元的观测亮温是否超过最高、最低阈值,拒绝明显的异常值;
根据卫星资料中的海陆掩码判断地表类型,拒绝所有混合地表的观测;
拒绝卫星资料的每个扫描线的前后各5个扫描角的观测数据;
在降雨判断中,选用云水总量作为检测指标,当某一观测点云水总量大于0.2时,认为该观测受降雨影响,拒绝该观测点;
拒绝卫星资料中观测残差(Obs-Background,观测亮温减模拟亮温)大于15K的观测数据;K是亮温单位,即开尔文;
拒绝卫星资料中观测残差大于三倍误差标准差的观测数据。
进一步的,判断修正后的卫星资料属于晴天还是非晴天的方法包括:
基于中分辨率光谱成像仪MERSI的云量产品进行视场角匹配,若微波垂直探测仪瞬时视场内的云量产品均值大于70%,则判断该视点为云天。
进一步的,进行偏差订正系数更新的方法包括以下步骤:
步骤A:t0初始时刻的变分偏差订正预报因子系数来自其他同类微波垂直探测仪;
步骤B:在t0初始时刻运行WRFDA***,得到更新的偏差订正系数;
步骤C:将更新的偏差订正系数作为下一个时刻t1的订正系数;
步骤D:在t1时刻运行WRFDA***,得到更新的偏差订正系数;
步骤E:将更新的偏差订正系数作为下一个时刻t2的订正系数;
步骤F:在接下来的同化时刻重复步骤D-E过程,循环更新偏差订正系数。
进一步的,进行偏差订正的方法包括以下步骤:
选取模式厚度、地表温度、云液态水含量以及扫描位置作为订正因子;将预报因子与对应的订正系数相乘,得到偏差订正量;原始亮温减去偏差订正量即得到订正后的亮温。
进一步的,反演得到大气温湿度廓线的方法包括以下步骤:
获取***第一次同化后输出的ASCLL形式的卫星观测信息,所述卫星观测信息包括每个观测点的经纬度、亮温、云量、观测角、海陆码、地表类型信息;将亮温、纬度和观测角输入大气温湿度廓线反演模型,获得大气温湿度廓线。
进一步的,所述大气温湿度廓线反演模型的构造方法包括以下步骤:
获取卫星资料和再分析资料,进行时空匹配;基于云产品对廓线样本进行晴空、云区分类,建立样本数据集;
基于BP人工神经网络算法,研制海洋和陆地区域以及晴空和云天条件下大气温湿度廓线反演模型;
针对海洋和陆地区域以及晴空和云天条件开展大气温湿度廓线反演试验,并验证模型反演精度。
第二方面,本发明提供一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化装置,包括:
获取模块:用于获取卫星资料、常规观测资料和预报场资料;将预报场的地面和大气廓线信息插值到卫星观测所在位置;所述卫星资料包括微波温度计和微波湿度计数据;
晴雨判断模块:用于基于卫星资料中的云量数据判断观测点属于晴天还是非晴天;
转化模块:用于将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,获得prebufr格式的非晴空区廓线信息;
偏差订正模块:用于将被判别为晴天的卫星资料进行进行偏差订正,获得订正后的晴空区的微波亮温数据;
输出模块:用于对订正后的晴空区的微波亮温数据进行质量控制,剔除质量较低的观测数据;将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场。
第三方面,本发明提供一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
1、本发明中,将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场,反演大气温湿度廓线并转化为 prebufr格式使同化过程更加有效率、准确。
2、本发明中,构建大气温湿度廓线反演模型前,需要对训练样本进行分类,挑选出云天样本,此外在进行全天候同化时也需要区分出云区的观测,因此基于同平台(FY-3D)的MERSI云量产品进行云检测:将 MERSI(从仪器)与微波垂直探测仪MWTS2/MWHS2(主仪器)进行视场角匹配,若从仪器的观测矢量与主仪器的观测矢量小于主仪器瞬时视场角的1/2,则认为该从仪器观测点落于主仪器的瞬时视场内,若瞬时视场内的云产品均值大于70(最大为100)则认为该观测为云天。该方法能够提高样本分类的准确性。
3、本发明中,通过循环同化更新偏差订正系数。资料同化假设观测误差满足均值为零的正态分布,然而由于仪器灵敏度、传感器响应特性、定标和辐射传输模式等多源误差,卫星观测亮温与根据模式背景场廓线模拟亮温之间会产生***性偏差,因此在同化卫星资料前需要对观测亮温进行偏差订正,使观测背景差趋向于无偏。为了给同化试验初始时刻的偏差订正因子提供准确的系数,通过一个月的同化进行循环更新,使系数有充分的启动时间对MWTS2和MWHS2资料进行调整。订正后的观测背景差更接近均值为零的分布,标准差有所下降,***性偏差得到很大程度的消除,满足同化假设。
4、本发明中,通过同化反演得到的大气温湿度廓线实现全天候同化:挑选出被判别为云区的观测点并反演得到大气温湿度廓线,将大气温湿度廓线以常规资料的形式转化为PREPBUFR格式,转化为PREPBUFR 格式的云区温湿度廓线信息和晴空区的亮温数据一起进入同化***,实现FY-3D MWTS2/MWHS2资料的全天候同化。这能够提高云区资料的利用率,改进模式中特别是云区的温度场、湿度场等初始信息,从而改进数值预报模式的预报效果。
5、本发明基于机器学习,通过构建BP人工神经网络解决云区的大气温湿度廓线反演问题:神经网络把一系列输入,经过连接权重加权输送给隐含层,隐含层各神经元汇总所有输入后,通过一种传递函数产生某种响应输出,并通过下一层连接权重输出给输出层,输出层各种神经元汇总所有输入后产生响应输出。相对传统的数理统计方法而言,BP人工神经网络可以求解非线性问题,同样对样本大小的要求也可以相对少得多,并不要求样本独立或者遵从正态分布,还具有较强的容错能力,即网络***的判别精度一般不受样本中噪声的影响。经过训练后的网络能够模拟辐射传输过程,将输入的微波垂直探测仪亮温数据反演为高精度的大气温湿度廓线。
附图说明
图1是全天候大气垂直探测仪卫星资料同化技术路线图;
图2是WRF模式***结构图;
图3是WRFDA同化***流程图;
图4是微波垂直探测仪资料质量控制与偏差订正流程;
图5是MWTS2各通道偏差预测因子随循环更新次数的变化示意图;
图6是MWHS2各通道偏差预测因子随循环更新次数的变化示意图;
图7是使用偏差订正前后各通道平均偏差示意图;
图8是使用偏差订正前后各通道偏差的标准差示意图;
图9是大气温湿度廓线反演样本库建立技术路线示意图;
图10是BP人工神经网络训练原理图;
图11是BP人工神经网络结构示意图;
图12是大气温湿度廓线反演实验流程图;
图13是海洋区域反演均方根误差示意图;(从左往右依次为:晴天温度、云天温度、晴天湿度、云天湿度)
图14是陆地区域反演均方根误差示意图;(从左往右依次为:晴天温度、云天温度、晴天湿度、云天湿度)
图15是微波垂直探测仪资料全天候同化***流程图;
图16是MWHS2第11通道偏差订正前后的O-B和O-A概率分布图;
图17是MWHS2第11通道同化前后模拟与观测亮温示意图;
图18是温度和位势高度平均偏差示意图;(左:温度,右:位势高度)
图19是TS评分示意图;
图20是ETS评分示意图;
图21是不同时间段的TS评分示意图;(a:0-6h,b:6-12h,c:12-18h,d:18-24h)。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
本实施例提供一种风云三号D星(Fengyun-3D,FY-3D)微波温度计二型(MicrowaveTemperature Sounder-2,MWTS2)和微波湿度计二型(Microwave Humidity Sounder-2,MWHS2)资料全天候同化方法,并基于该方法构建了FY-3D MWTS2和MWHS2资料的全天候同化***。***在天气研究和预报资料同化 (Weather Research and ForecastingDataAssimilation,WRFDA)***的基础上开发和扩展,具体功能包括 MWTS2和MWHS2的质量控制和偏差订正、基于人工神经网络算法的大气温湿度廓线反演、PREPBUFR格式转化以及MWTS2和MWHS2的全天候同化,其中同化部分采用晴空区的直接同化与云区的反演同化。全天候大气垂直探测仪卫星资料同化技术路线如附图1所示,各部分的详细技术方案在下文详述。
需要说明的是,本实施例的方法适配于大部分卫星上的微波垂直探测仪以及其数据,仅以风云三号D星的数据进行说明,并不应以此限定本申请的保护范围。
1资料与模式
1.1FY-3D微波温湿度计资料
本发明使用的垂直微波探测仪为FY-3D上的MWTS2和MWHS2。相比于FY3-A/B星上的MWTS, MWTS2增加到了13个探测通道,探测扫描周期为8/3秒,每条扫描线观测90个地球视场,星下点分辨率 33km。位于50~60GHz的探测频率用于探测地表信息和从地面到3hPa高度的大气温度分布状态。表1.1.1给出了MWTS2的仪器通道信息。
表1.1.1 MWTS2通道参数设计
相比于FY3-A/B星上的MWHS,MWHS2探测仪增加到了15个探测通道,探测扫描周期为8/3秒,每条扫描线观测98个地球视场,星下点分辨率15km。MWHS2同时拥有183.31GHz探测频点118.75GHz探测频点。其中183.31GHz探测频点与原MWHS的主探测频点一致,但探测通道有所增加,细分通道设置有5 个探测通道,用于大气湿度垂直探测;而118.75GHz探测频点位于氧气吸收线,是世界上第一个在业务上使用该探测频点的微波探测仪,细分有8个探测通道,用于大气温度的高空间探测;辅助探测频点则位于大气窗区的89GHz和150GHz,用于背景微波辐射探测和降水检测。由于MWHS2同时拥有温度和湿度探测通道,又被称为微波湿温探测仪MWTHS。表1.1.2给出了MWHS2的仪器通道信息。
表1.1.2 MWHS2通道参数设计
本发明从中国气象卫星中心下载FY-3D卫星观测资料,其中MWTS2和MWHS2观测资料是以HDF5 格式封装的Level1数据。MWTS2每个观测文件包含约100分钟的观测信息,总计约1186条扫描线,MWHS2 每个观测文件包含约100分钟的观测信息,总计约2280条扫描线。FY-3D在每天的06时和18时会经过中国区域。
1.2WRF模式与WRFDA同化***
本发明采用WRF4.1版本及其同化***实现对FY-3D星MWTS2和MWHS2观测资料的直接同化,直接同化所采用的卫星观测资料的观测算子为RTTOVv12快速辐射传输模式。
WRF(The Weather Research andForecast)模式由美国国家大气研究中心(National Center forAtmospheric Research,NCAR)、美国国家环境预报中心(NationalCentersforEnvironmentalPrediction,NCEP)等多家科研机构共同研制和开发的,它在中尺度数值天气预报领域的应用广泛。WRF模式是一种完全可压非静力模式,同时包含数据同化、大气模拟和数值天气预报的模式***,对中尺度天气的模拟和预报有比较好的改善。WRF模式***框架主要包括前处理、WRF基础软件库和后处理三个部分,其中WRF基础软件库是其主要部分,包括动力求解方案、初始化模块、数据同化模块和物理过程等。具体***结构流程图如图2所示。
WRFDA是WRF模式的同化***,WRFDA变分同化***使用增量同化技术,采用共轭梯度法进行极小化运算。在WRFDA***中已经实现了三维变分同化(3Dvar)和四维变分同化(4Dvar)功能。WRFDA同化过程先在荒川(Arakawa)A网格进行同化分析,并将分析增量插值到ArakawaC网格上进行计算,并与背景场相加得到同化的分析场。其同化流程如图3所示。
图3中圆圈中所述为WRFDA***中的输入输出资料,其中xb为背景场,可通过real程序生成或采用 WRF模式预报场作为背景场;yo为输入观测资料,包括常规观测资料和以卫星卫星观测资料为代表的非常规观测资料,可读取资料格式包括ASCII格式或PRERBUFR格式文件,对于不能直接读取的观测资料,需要对观测资料进行预处理;Bo为背景偏差文件,R为观测偏差,背景和观测偏差文件的正确性直接影响同化结果的准确性;xa为分析场,是WRFDA同化***同化背景场和分析场所得结果;xlbx为侧边界,在WRFDA 得出同化分析场后,可对侧边界进行更新。分析场xa可作为模式预报的初始场,可加上更新后的侧边界场接入WRF模式中进行模式预报。
2质量控制与偏差订正
卫星搭载的大气垂直探测仪由于仪器观测位置、观测技术等非气象因素的影响,观测数据的质量会有所下降,因此,我们在使用这些数据之前,首先需要对观测资料进行质量控制,通过客观分析和处理,剔除错误的资料,保留合理的观测资料。此外,由于微波垂直探测仪各通道亮温存在***偏差,在同化卫星辐射资料前还需要对观测亮温进行偏差订正。卫星资料质量控制及偏差订正流程如图4所示。
2.1质量控制
对于星载微波垂直探测仪资料的质量控制主要有以下步骤:
(1)粗检查
读取卫星资料中观测像元的经纬度和时间,拒绝同化时间窗外和模式区域范围之外的观测,初步质控。
(2)极值检测
检查所有卫星像元的观测亮温是否超过最高、最低阈值,拒绝明显的异常值。
(3)地表类型检测
根据卫星资料中的海陆掩码判断地表类型,拒绝所有混合地表的观测。
(4)临边检测
微波垂直探测仪在星上的扫描方式导致了其亮温数据往往具有角度依赖性,即临边特性,特别是在观测角度大的时候临边效应更加显著,因此拒绝每个扫描线的前后各5个扫描角的观测数据。
(5)水滴检测
在云雨区判断中,选用云水总量(cloudliquidwaterpath,CLWP)作为检测指标,当云水总量大于0.2时,认为该观测受云雨影响,拒绝该观测点。
(6)云检测
基于同平台的中分辨率光谱成像仪中分辨率光谱成像仪(MediumResolutionSpectralImager,MERSI) 的云量产品进行视场角匹配,若微波垂直探测仪瞬时视场内的云量均值大于70%,则判断该视点为云天。
(7)绝对偏差检测
拒绝O-B大于15K的观测。
(8)相对偏差检测
拒绝大于三倍标准差的观测。
2.2偏差订正
2.2.1偏差订正方法
偏差订正是卫星同化应用的一个关键环节。卫星观测值与根据模式背景场廓线模拟辐射值之间会产生一定偏差,偏差中包含了仪器灵敏度、传感器响应特性、定标和辐射传输模式等多源误差,这些误差经常和数值预报温湿场的典型误差所相应的辐射变化相当,除非将偏差控制和订正到这个水平以下,否则卫星测量辐射值应用于数值预报并获得正效应将十分困难。因此,在同化卫星辐射率资料之前需要先进行偏差订正,消除***偏差(O-B),使之满足均值为零的正态分布。目前研究和业务中使用的卫星辐射率资料偏差订正方法主要有两种:离线偏差订正和变分自适应偏差订正,这两种方法的共同点都是基于用观测值与背景场模拟值的差异对观测进行订正。本发明选用变分自适应偏差订正(VARBC),并就方案应用调整进行试验。
WRFDA的VARBC模块需要输入事先统计偏差订正因子的系数作为初始值,所有仪器的订正因子系数都写在VARBC.in文件里供VARBC模块调用读取。为了给预报初始时刻的卫星资料同化提供准确的偏差订正系数,本发明根据循环更新方法,运行WRFDA来循环更新偏差订正系数。
FY-3D在每天的06时和18时会经过中国区域,故选择2019年5月1日到28日每天6和18时两个时刻的卫星观测资料用于同化计算订正系数,共计56个时次。循环更新流程具体步骤为:
1)初始时刻t0,变分偏差订正预报因子系数来自同类微波探测仪。
2)在这一初始时刻运行WRFDA,得到更新的偏差订正系数;
3)将步骤2)得到的系数作为下一个时刻t0+12的初始系数;
4)在t0+12时刻运行WRFDA,得到更新的偏差订正系数;
5)将步骤4)得到的系数作为下一个时刻t0+24的初始系数;
6)在接下来的54个同化时刻重复4)-5)过程。
研究区域为中国南海,区域中心经纬度设置为23°N,110°E。模式运行设置为单层网格,网格水平分辨率为9km,格点数为649*500,垂直分层为51层,模式预报积分步长30s。背景场由0.25°分辨率的GFS资料插值得到。MWTS2和MWHS2的稀疏化距离均为60km。
2.2.2偏差订正效果
图5和图6表示MWTS2和MWHS2各个同化通道的偏差订正系数随循环同化时刻的变化。在循环更新的过程中,MWTS2的5和8通道全局偏移系数呈递增趋势,其他通道全局偏移系数变化不是很大,但仍存在着缓慢的变化。MWHS2情况类似,全局偏移系数存在缓慢变化。其他偏差订正系数也存在着一定的变化,但其量级要小的多,且MWHS2各偏差订正系数变化的幅度要大于MWTS2,这可能是因为大气中水汽的变化更加复杂,而水汽通道探测精度较低,极小化计算时迭代收敛较慢导致。可以看到,大部分系数在经过二十多天的更新后变化幅度已经趋于缓和,但有部分系数在更新的后期仍存在较大幅度的变化,且其变化趋势不是单调变化,循环并没有达到收敛。出现这一现象主要是因为不同时刻卫星资料在区域内分布不同,导致偏差订正系数在不同的时刻可能有较大的不同。
图7表示MWTS2和MWHS2各个通道在使用和不使用偏差订正系数时各通道的平均偏差,数据来源为 2019年5月28日18时的同化结果诊断文件。在偏差订正前,两个传感器的大部分通道的***性偏差均较大,在使用更新后的偏差订正系数进行偏差订正之后,各个通道的偏差较之前有了大幅度的减少,对于MWTS2 而言,基本上所有通道的平均偏差都接近于0;对于MWHS2而言,通道11、12的平均偏差接近于0,而通道13、15的偏差要略小于0,这可能是由于MWHS2的云检测方案不够严格,残留云中水滴和冰晶的散射效应导致观测亮温偏低。结果表明,使用循环更新的偏差订正系数可以实现对MWTS2和MWHS2观测偏差较好的订正。
图8表示MWTS2和MWHS2各个通道在使用和不使用偏差订正系数时各通道偏差的标准差。对于 MWTS2而言,偏差订正有效地减小了观测偏差的标准差,特别是对于通道5、6、7,MWTS2各通道的偏差标准差降低至0.5K以下;对于MWHS2而言,偏差订正也减小了观测偏差的标准差,但是减小的幅度要比 MWTS2小,通道11、12、13的偏差标准差降低至2K以下,通道15的偏差标准差从3.6K降低至2.9K。结果表明,循环更新的偏差订正系数可以明显地减小观测偏差标准差。
3温湿度廓线反演
3.1大气温湿度廓线反演样本库建立
大气温湿度廓线反演样本库建立技术路线如图9所示。
3.1.1时间空间匹配
下载ERA5再分析资料和MWTS2、MWHS2观测资料,基于经纬度和时间信息进行时间空间匹配,挑选出经纬度相差小于0.1度,时间间隔小于1小时的廓线信息与卫星观测信息作为样本对。廓线信息来自ERA5 的地面和气压层资料,卫星观测信息来自MWTS2、MWHS2资料,每个样本对包含的具体信息如表3.1.1所示。
表3.1.1样本对信息
3.1.2云检测
因为本发明采用云区反演同化,因此需要挑选云天样本用于网络模型的训练和验证,同时也使用晴空样本进行建模作为对照,对比晴空和有云时微波垂直探测仪反演大气温湿度廓线精度的不同。
基于同平台(FY-3D)的MERSI云量段产品对挑选的样本对进行分类。将同卫星的微波成像仪MERSI (从仪器)与微波垂直探测仪MWTS2/MWHS2(主仪器)进行视场角匹配,若从仪器的观测矢量与主仪器的观测矢量小于主仪器瞬时视场角的1/2,则认为该从仪器观测点落于主仪器的瞬时视场内。主从仪器的匹配算法如下:
首先将卫星至像元的观测向量LOS转化为局地直角坐标系(ENU):
式中Θ为仪器天顶角,Ф为方位角,R为仪器至观测像元的距离。
之后将ENU坐标系下的LOS转化为地心地固坐标系(ECEF):
式中λ表示像元经度,ψ表示像元纬度。
分别计算出ECEF坐标系下主仪器像元的观测矢量LOSm和从仪器像元的观测矢量LOSf,然后求两个向量的夹角余弦值,若大于阈值,则说明夹角小于1/2的主仪器视场角从仪器像元落在主仪器视角内,匹配成功(因为需要很高的精度,所以不直接使用反余弦求角度)。
最后基于瞬时视场内微波成像仪的云量段产品和再分析资料料中的地表类型对MWTS2和MWHS2的观测样本进行分类,分为海洋晴空、陆地晴空、海洋云天和陆地云天四类。表3.1.2给出了样本库的类别和样本数,由于晴空和云天的判别标准为瞬时视场内的云产品均值大于70(最大为100),故云天样本数要多于晴空样本数。
表3.1.2样本库信息
3.2大气温湿度廓线反演模型研制
结合辐射传输理论和模型,开展微波垂直探测仪资料反演研究。研究基于BP人工神经网络的大气温湿度廓线反演方法,研制大气温湿度廓线反演模型。
BP人工神经网络算法流程如图10所示。神经网络把一系列输入,经过连接权重加权输送给隐含层,隐含层各神经元汇总所有输入后,通过一种转移函数产生某种响应输出,并通过下一层连接权重输出给输出层。输出层各种神经元汇总所有输入后又产生一种响应输出。然后再将其输出与期望输出进行比较。若二者趋于一致或相差甚小,可认为这个网络基本学会了这一问题。若相差比较大或者不够满意,便将网络输出与期望输出二者间误差送回,通过调整各连接权重进行重复训练学习,如此循环直到它能产生逼近真实答案的输出结果为止。相对传统的数理统计方法而言,BP人工神经网络可以求解非线性问题,同样对样本大小的要求也可以相对少得多(如果样本能够代表该问题的各种类型特征),并不要求样本独立或者遵从正态分布,还具有较强的容错能力,即网络***的判别精度一般不受样本中噪声的影响。
本发明采用的是包括输入层、隐含层和输出层的三层网络,BP人工神经网络可有效地用于复杂的非线性函数的逼近,一个3层的前馈网络能够实现任意精度的连续函数映射,BP人工神经网络模型见图11所示。
神经网络模型的输出可以描述为:
Y=f1(Xw+b1)
其中,O表示网络的输出;x为输入层到隐含层的输入,同时也是隐含层的输入;v为隐含层到输出层的连接权系数矩阵,初始时刻为一组随机数;w为输入层到隐含层的连接权系数矩阵,初始时刻为一组随机数;b1、b2分别为隐藏层和输出层单元偏置值矩阵;f为神经元的非线性作用函数,可依每层设定。多层网络的BP算法的性能指数为均方误差,即MSE,每输入一个样本,便将网络输出与目标输出相比较,算法将调整网络参数使均方误差最小化:
式中t是期望输出,o是实际输出,e是绝对误差。
本发明中网络的参数设置如下:
(1)输入层设置:卫星观测到的亮温不仅取决于大气要素的分布,同时也受到仪器自身观测偏差的影响,而微波垂直探测仪的观测偏差是依赖于扫描角和观测点纬度的,因此网络的输入层为微波垂直探测仪亮温数据、卫星天顶角、观测点纬度和扫描点位置。
(2)输出层设置:输出层为37个高度层的温度、比湿和相对湿度廓线。
(3)隐含节点数设置:神经网络性能的好坏容易受其隐层结点数的设置影响,如果隐含结点数太少,会导致信息不足,从而影响整个网络的反演精度,而隐含节点数太多则会导致训练时间过长,影响工作效率,怎样确定隐含层中适宜的神经元个数使模型的泛化能力最大,至今没有很好的结论。目前隐节点的大致取值范围可由以下几个公式估计:
h=log2 n
其中,h为隐含层结点数,m为输入层结点数,n为输出层结点数,其中h为隐节点数,n为输入节点数,m为输出节点数,a为1-10之间的常数。
(4)传递函数设置:在反演网络中,输入层与隐含层以及隐含层与输出层之间均选择双曲正切S型传递函数tansig,该函数能够较好地表达节点间的非线性关系,且不受输入值大小的影响,其输出值被界定在 -1和1之间。
(5)训练算法设置:考虑到网络的训练样本比较大,且网络参数设置比较多,以及存储大的因素,网络的训练算法选择Scaled共轭梯度法trainscg,该算法适用于函数拟合以及模式分类等问题,收敛较快,性能稳定,尤其适用于网络规模较大的情况
3.3大气温湿度廓线反演实验
基于研制的模型,开展大气温湿度廓线反演试验,实验流程如图12所示。研究中,将卫星观测资料分为陆地和海洋两部分,分别检验。以陆地卫星观测亮温为例,将经过质量控制的样本放入训练好的神经网络中,反演大气温度廓线和湿度廓线,并评价其精度。
为了定量分析网络的优劣,除了MSE,还要考虑计算反演值与实际值之间的相关系数R、均方根误差 RMSE和平均误差ME,其公式分别为:
式中,n表示样本廓线数;xi为用BP人工神经网络反演得到的大气温湿廓线值;yi为实际的大气温湿廓线值。
3.3.1海洋区域反演结果
图13是海洋区域的温湿度反演结果。由图13可以看出在晴空条件下,大气对流层(100-1000hPa)温度的反演RMSE最大值位于950hPa附近,达到了1.2K,之后随高度的上升逐渐下降;在大气平流层(1-100hPa), RMSE在70hPa有一个峰值为1.8K,在靠近大气层顶端时又有增大的趋势。云区温度的反演RMSE与晴空区基本一致,在大气对流层随高度的上升逐渐下降,在大气平流层随高度的上升逐渐增大。说明在海洋区域云天对温度反演的精度影响不大。
相对湿度的反演RMSE先是随高度的上升逐渐增大,在300-900hPa维持在10%左右,之后再随高度的上升逐渐增大,在100hPa达到最大值19%,这是由于MWHS2的湿度探测通道权重函数峰值都位于300hPa 以下,对大气高层不敏感导致的。而在大气平流层以上RMSE迅速下降,因为此高度大气中水汽含量已经很低。云区相对湿度的反演RMSE趋势与晴空条件基本一致,但在300-900hPa随高度的上升逐渐从10%增大至17%,在150hPa达到最大值22%。说明在海洋区域云天对相对湿度反演的精度有一定影响。
图14是陆地区域的温湿度反演结果。由图14可以看出在晴空条件下,大气对流层(100-1000hPa)温度的反演RMSE最大值位于大气底层,达到了2.5K,之后随高度的上升逐渐下降,这主要是由于陆地地势、地表类型复杂,发射率变化很大导致的;400hPa开始又随高度的上升逐渐增大,在200hPa有一个峰值,为1.7K。云区温度的反演RMSE趋势与晴空区基本一致,不同的是850-1000hPa内误差有所增大,而大气高层有两个极大值达到1.6K,分别位于70hPa和200hPa。说明在陆地区域云天对温度反演在大气底层和高层有一定影响,对于大气中层则影响不大。
相对湿度的反演RMSE在对流层随高度的上升逐渐增大,在平流层随高度的上升逐渐下降,最大值位于200hPa,达到了19%。云区相对湿度的反演RMSE趋势与晴空条件基本一致,但在各个高度层精度都要比晴空条件下低,且最大值超过23%。说明在陆地区域云天对相对湿度反演的精度有一定影响。
对比海洋区域和陆地区域的反演结果可得:海洋区域的温湿度反演精度要优于陆地区域;云天对温度的反演精度影响不大,对比湿和相对湿度则有一定影响,且陆地区域云天的影响程度更大;温度和比湿的反演 RMSE最大值位于近地层,而相对湿度的反演RMSE最大值位于200hPa附近。
3.4反演结果质控
考虑到大气温湿度廓线的反演精度,在将反演结果转化为常规资料之前,还需要对反演结果进行质量控制,剔除质量较低的观测和精度较差的反演结果。表3.4.1给出了反演结果的质控方案,与晴空同化相似,由于临边效应剔除每条扫描线两侧的反演结果,由于海洋和路面地表发射率的差异剔除混合地表的反演结果。最后根据各个高度层的反演精度剔除均方根误差较大的高度层的反演结果。
表3.4.1反演结果质控
4微波温湿度计全天候同化***构建
4.1WRFDA***接口扩展
NCAR等机构开发的WRF模式以及WRFDA***己经能够将多种卫星仪器进行资料同化,并且该变分同化***相对比较成熟,该***易读懂、可移植、并且互用性强,模块化设计使得将其他的卫星资料写入该同化模块成为可能,并且相对比较容易。因此本发明依托WRFDA***框架,在保留该***的算法、主程序等核心计算程序的基础上加以改造,编写专门针对MWTS2和MWHS2的同化程序模块,使其能够将MWTS2 和MWHS2资料读入,并且利用该同化***将卫星观测资料同化,从而改变初猜场,影响预报模块的预报结果。为将资料成功的应用到数值天气预报中,本发明在同化***基础上,针对FY-3D极轨卫星微波温湿度探测仪资料构建适用于资料质量控制、偏差订正及同化***。
同化模块实现思路为:首先在***中添加同化资料所需的变量的定义,然后将辐射率资料读入,经过质量控制、偏差订正之后再将观测增量输入到极小化模块中完成计算。
主要修改的程序及添加的文件分以下几个部分:
信息初始化:在卫星资料同化的初始化模块da_setup_radiance_structures中初始化辐射率资料信息,同时将RTTOV的接口变量也初始化。
数据读入程序编写:在da_radiance目录下加入da_read_obs_hdf5mwts2.inc和da_read_obs_hdf5mwhs2.inc,关键是要知道在RTTOV模式中mwts2和mwhs2传感器的ID。在读取程序中对资料做了初步的质量控制,将不在同化区域、同化时间段范围的观测数据剔除。
数据质量控制程序:在da_radiance目录下添加da_qc_mwts2.inc和da_qc_mwhs2.inc,根据各个通道观测资料的特点,设计适合于资料的质量控制程序
编写传感器参数文件:另外还要添加fy3-4-mwht2.info和fy3-4-mwhs2.info,这是关于传感器通道特性的文件。
目前该***的运行环境为:
LINUX***,Intel编译器(版本18.0.0),需要事先安装HDF5(版本1.8.20)和NETCDF库(版本4.5.0)。
扩展后的WRFDA***能够实现FY3D MWTS2和MWHS2的读取、质量控制、偏差订正及同化功能。
4.2 bufr格式转换
NECP发布的常规观测资料为PREPBUFR格式,包含了探空、地面、船舶、浮标等观测数据,为了使反演的结果进入同化***,本发明使用BUFRLIB库将反演得到的大气温湿度廓线转换为PREPBUFR格式。
经过反演得到的大气温湿度廓线会事先导入txt,然后编译运行prepbufr_append_sound.exe将大气温湿度廓线以常规观测的形式添加到现有的PREPBUFR文件中。
4.3全空同化流程
微波温湿度探测资料全天空同化流程如图15所示,MWTS2和MWHS2辐射率一级数据在经过数据读取后进入质量控制模块,此时同化***第一次启动。在质量控制模块中以观测点匹配的MERSI云量产品作为晴天和非晴天的判别标准,将通过质量控制但是被判别为非晴天的观测数据输出,并根据观测亮温反演得到大气温湿度廓线。将大气温湿度廓线以探空资料的形式转化为prebufr格式。最后同化***第二次启动,将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起进入WRFDA同化***。
风云三号系列卫星作为我国第二代极轨气象卫星,最新发射的FY-3D卫星上所搭载的新型微波温度计和新型微波湿度计相比FY-3A/B上所搭载的微波探测仪更先进,探测通道增多,探测精度更高。为了突破当前的卫星资料业务同化重难点,针对FY-3D微波资料开展全天候的资料同化研究,进一步挖掘出云区资料的应用潜力,对卫星观测资料的利用率以及灾害天气过程的预报能力的提高具有重要意义,减少因气象灾害所造成的人员伤亡和经济损失,具有重大的应用前景。
目前全天候卫星微波观测资料同化的主流方法为直接同化,直接同化亮温对模式动力场存在物理上更连续的调整,同时避免了反演产品的误差的问题,但由于相关研究起步较晚,还不够***。相比于直接同化,间接同化的优势在于能够更好地控制变分同化***对大气状态变化的非线性响应,在最终进入变分同化之前能够得到更好的质量控制,同时能够协助定义同化中的背景和观测误差。因此本发明基于FY-3D微波温度计和微波湿度计数据,利用人工神经网络算法,反演云雨区大气温湿度三维场,开展反演产品同化,通过融合晴空辐射率资料直接同化方法,实现全天候微波大气垂直探测仪资料同化,有效改进数值天气预报精度。
5全天候同化效果验证
本发明基于研制的资料同化***,结合WRF模式开展资料同化批量试验,评价FY-3D微波温度计和微波湿度计全天候同化对数值预报效果的改进。
5.1参数设计和同化方案
试验使用NCAR的GFS预报结果提供初始场和边界条件,试验的时间范围为2019年6月1日-28日。由于FY-3D星每天06时和18时经过中国地区,因此同化时间定为每天的06时和18时。试验首先从每天的 00时和12时开始进行6小时的积分作为冷启动,将6小时的积分结果作为初猜场进行同化,然后将同化后的分析场作为初始场进行24小时的预报。
研究区域中心为中国南海。模式网格水平分辨率为9km,格点数为649*500,区域中心经纬度为23°N,110°E。垂直分层为51层,模式层顶气压10hPa,模式预报积分步长30s。研究采用的物理参数化方案如表 5.1.1所示。两组试验的同化时间窗为前后各一小时,均使用CV7作为背景误差。MWTS2和MWHS2的稀疏化距离均为60km。
表5.1.1参数化方案设置
参数化方案类型 | 参数化方案 |
微物理 | Thompson |
积云对流参数化 | NewTiedtke |
短波辐射 | RRTMG |
长波辐射 | RRTMG |
近地层 | RevisedMM5Monin-Obukhov |
陆面过程 | unifiedNoahland-surface |
行星边界层 | YSU |
为了定量评价和比较同化MWTS2和MWHTS2两种微波探测仪器对数值预报的影响,共设计3组试验,如表5.1.2所示。CTRL为控制试验,只同化常规观测资料;CLEAR为晴空同化试验,在同化常规观测资料的基础上加入MWTS2和MWHS2的晴空观测资料;ALLSKY为云天同化试验,在同化常规观测资料的基础上加入MWTS2和MWHS2的晴空观测资料和云区反演资料。
表5.1.2试验方案设置
5.2试验结果
5.2.1降水预报个例分析
以2019年6月3日06时的一次同化试验为例,分析FY3D微波垂直探测仪的同化效果。
5.2.1.1观测误差分布
图16为MWHS2第11通道偏差订正前后的OMB与OMA概率分布。如图所示,订正后的观测残差更接近均值为零的高斯分布,偏差得到很大程度的降低。图17为MWHS2第11通道OMB、OMA散点图。如图所示,象元分布基本位于主对角线上,同化后分析场的模拟亮温较背景场更接近于卫星观测,均方根误差由2.209减小为1.473,相关系数由0.863提高为0.939。
上述结果表明变分质控控制能够大幅减小观测残差,FY3D微波垂直探测仪资料同化能够显著改善WRF 模式初始场。
5.2.1.2累计降水分布
试验给出了三组试验2019年6月3日06时-2019年6月4日06时的24小时累计降水量。三组试验结果均指出在福建东部到广州南部有中到大雨,但是与CTRL试验相比,CLEAR和ALLSKY试验均预报出了100mm量级以上的降水,并且ALLSKY试验预报的区域要更大些;CLEAR和ALLSKY试验预报结果较与CTRL试验在广州中部的50mm量级降水范围要小。
5.2.2批量试验效果验证
5.2.2.1分析场效果
以NCEP的FNL再分析资料为标准,统计分析场误差。图18给出了2019年6月1-28日CTRL、CLEAR 和ALLSKY三组试验温度和位势高度的平均偏差ME随高度层的变化。由图18可以看出,CTRL和CLEAR 试验的温度ME随高度走势基本一致,而ALLSKY试验在几乎所有高度上都要比CTRL和CLEAR试验明显更接近于0。同化MWTS2和MWHS2对位势高度的影响与温度类似。上述结果表明晴空同化MWTS2和 MWHS2资料对分析场有小幅度的改善,且主要位于大气中上层,而同化云区反演资料对分析场的影响幅度更大,使误差分布更趋近于无偏(ME接近0)。
5.2.2.2降水预报效果
将预报场与降水站点进行匹配,以地面降水观测数据为真值,统计2019年6月批量试验24小时累计降水的TP、TN、FP、FN个数,计算TS和ETS评分。图19和图20给出了TS评分和ETS评分的对比;表 5.2.1和5.2.2给出了具体的TS评分和ETS评分。
对比CTRL试验,CLEAR试验的TS评分在25、50、100mm阈值上有正效果,25mm提升1.57%,50mm 提升3.56%,100mm提升8.87%;FY3D试验的ETS评分同样在25、50、100mm阈值上有正效果,25mm提升1.75%,50mm提升3.72%,100mm提升8.19%。上述批量试验结果说明FY3D微波温湿度计资料的晴空同化对大雨及以上量级的降水预报有明显的改善作用。
对比CLEAR试验,ALLSKY试验的TS评分在50和100mm阈值上正效果进一步提升,50mm提升5.93%, 100mm提升39.25%;ALLSKY试验的ETS评分同样在50和100mm阈值上进一步提升,50mm提升6.37%,100mm提升41.66%。上述批量试验结果说明FY3D微波温湿度计资料的全空同化对暴雨及以上量级的降水预报有明显的改善作用。
表5.2.1降水TS评分
表5.2.2降水ETS评分
为了更加客观地评估同化MWTS2/MWHS2资料对降水量模拟效果的影响,将24小时按照6小时的间隔分为四个时间段,分别为0-6、6-12、12-18、18-24小时。图21给出了间隔6小时统计的TS评分,柱形图上方写出了CLEAR试验和ALLSKY试验相对于CTRL试验TS评分提升的百分比。
对比4种不同阈值TS评分随时间段的变化可以看出:在0-6h时间段,CLEAR试验在1、10和50mm 阈值上有提升,ALLSKY试验在50mm阈值上也有提升且幅度比CLEAR试验更大;在6-12h时间段,CLEAR 试验有小幅度下降,而ALLSKY试验在10和25mm阈值上有提升;在12-18h时间段,CLEAR试验在1、 10和50mm阈值上有提升,ALLSKY试验在1、10、25、50mm四个阈值上都有提升且幅度比CLEAR试验更大;在18-24h时间段,CLEAR试验在1、10和25mm阈值上有提升,ALLSKY试验在1、10和25mm 阈值上有提升但幅度要略小于CLEAR试验。
总体来说CLEAR试验和ALLSKY试验的正效果主要体现在12-18h和18-24h时间段,在12-18h对达到25和50mm以上量级的降水改进尤为明显。这可能是由于***spin-up的缘故,***启动后第12-24h的降水分布会更加准确。在0-6h时间段CLEAR试验评分整体要高于ALLSKY试验,而在6-12h和12-18h 时间段ALLSKY试验评分整体高于CLEAR试验。
实施例二:
本实施例提供一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化装置,包括:
获取模块:用于获取卫星资料、常规观测资料和预报场资料;将预报场的地面和大气廓线信息插值到卫星观测所在位置;所述卫星资料包括微波温度计和微波湿度计数据;
晴雨判断模块:用于基于卫星资料中的云量数据判断观测点属于晴天还是非晴天;
转化模块:用于将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,获得prebufr格式的非晴空区廓线信息;
偏差订正模块:用于将被判别为晴天的卫星资料进行进行偏差订正,获得订正后的晴空区的微波亮温数据;
输出模块:用于对订正后的晴空区的微波亮温数据进行质量控制,剔除质量较低的观测数据;将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场。
本实施例的装置可用于实现实施例一所述的方法。
实施例三:
本发明提供一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法,其特征在于,该方法包括以下步骤:
获取卫星资料、常规观测资料和预报场资料;将预报场的地面和大气廓线信息插值到卫星观测所在位置;所述卫星资料包括微波温度计和微波湿度计数据;
基于卫星资料中的云量数据判断观测点属于晴天还是非晴天;
将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,获得prebufr格式的非晴空区廓线信息;
将被判别为晴天的卫星资料进行进行偏差订正,获得订正后的晴空区的微波亮温数据;
对订正后的晴空区的微波亮温数据进行质量控制,剔除质量较低的观测数据;将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场。
2.根据权利要求1所述的全天候同化方法,其特征在于,对所述卫星资料进行质量控制,获得修正后的卫星资料的方法包括以下步骤:
读取卫星资料中观测像元的经纬度和时间,拒绝同化时间窗外和模式区域范围之外的观测,初步质控;
检查所有卫星像元的观测亮温是否超过最高、最低阈值,拒绝明显的异常值;
根据卫星资料中的海陆掩码判断地表类型,拒绝所有混合地表的观测;
拒绝卫星资料的每个扫描线的前后各5个扫描角的观测数据;
在降雨判断中,选用云水总量作为检测指标,当某一观测点云水总量大于 0.2 时,认为该观测受降雨影响,拒绝该观测点;
拒绝卫星资料中观测残差大于15开尔文的观测数据;;
拒绝卫星资料中观测残差大于三倍误差标准差的观测数据。
3.根据权利要求1所述的全天候同化方法,其特征在于,判断修正后的卫星资料属于晴天还是非晴天的方法包括:
基于中分辨率光谱成像仪MERSI的云量产品进行视场角匹配,若微波垂直探测仪瞬时视场内的云量产品均值大于70%,则判断该视点为云天。
4.根据权利要求1所述的全天候同化方法,其特征在于,进行偏差订正系数更新的方法包括以下步骤:
步骤A:t0初始时刻的变分偏差订正预报因子系数来自其他同类微波垂直探测仪;
步骤B:在t0初始时刻运行 WRFDA***,得到更新的偏差订正系数;
步骤C:将更新的偏差订正系数作为下一个时刻t1的订正系数;
步骤D:在t1时刻运行 WRFDA***,得到更新的偏差订正系数;
步骤E:将更新的偏差订正系数作为下一个时刻t2的订正系数;
步骤F:在接下来的同化时刻重复步骤D-E过程,循环更新偏差订正系数。
5.根据权利要求1所述的全天候同化方法,其特征在于,进行偏差订正的方法包括以下步骤:
选取模式厚度、地表温度、云液态水含量以及扫描位置作为订正因子;
将预报因子与对应的订正系数相乘,得到偏差订正量;
将原始亮温减去偏差订正量即得到订正后的亮温。
6.根据权利要求1所述的全天候同化方法,其特征在于,反演得到大气温湿度廓线的方法包括以下步骤:
获取***第一次同化后输出的ASCLL形式的卫星观测信息;所述卫星观测信息包括每个观测点的经纬度、亮温、云量、观测角、海陆码、地表类型信息;
将亮温、纬度和观测角输入大气温湿度廓线反演模型,获得大气温湿度廓线。
7.根据权利要求6所述的全天候同化方法,其特征在于,所述大气温湿度廓线反演模型的构造方法包括以下步骤:
获取卫星资料和再分析资料,进行时空匹配;并基于云产品对廓线样本进行晴空、云区分类,建立样本数据集;
基于BP人工神经网络算法,研制海洋和陆地区域以及晴空和云天条件下大气温湿度廓线反演模型;
针对海洋和陆地区域以及晴空和云天条件开展大气温湿度廓线反演试验,并验证模型反演精度。
8.一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化***,其特征在于,包括:
获取模块:用于获取卫星资料、常规观测资料和预报场资料;将预报场的地面和大气廓线信息插值到卫星观测所在位置;所述卫星资料包括微波温度计和微波湿度计数据;
晴雨判断模块:用于基于卫星资料中的云量数据判断观测点属于晴天还是非晴天;
转化模块:用于将被判别为非晴天的卫星资料输出,并根据观测亮温反演得到大气温湿度廓线;将大气温湿度廓线以探空资料的形式转化为prebufr格式,获得prebufr格式的非晴空区廓线信息;
偏差订正模块:用于将被判别为晴天的卫星资料进行进行偏差订正,获得订正后的晴空区的微波亮温数据;
输出模块:用于对订正后的晴空区的微波亮温数据进行质量控制,剔除质量较低的观测数据; 将转化为prebufr格式的非晴空区廓线信息和晴空区的微波亮温数据一起放入WRFDA同化***进行资料同化,输出同化后的分析场。
9.一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化***,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行权利要求1-7所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354989.2A CN114265836A (zh) | 2021-11-16 | 2021-11-16 | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354989.2A CN114265836A (zh) | 2021-11-16 | 2021-11-16 | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114265836A true CN114265836A (zh) | 2022-04-01 |
Family
ID=80825404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111354989.2A Pending CN114265836A (zh) | 2021-11-16 | 2021-11-16 | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265836A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966900A (zh) * | 2022-08-02 | 2022-08-30 | 南京市气象台 | 一种基于秒探空资料的微波辐射计温湿度反演算法 |
CN115046894A (zh) * | 2022-05-18 | 2022-09-13 | 中国地质大学(武汉) | 基于辐射传输模拟耦合机器学习技术的云霾探测方法 |
CN115329273A (zh) * | 2022-08-02 | 2022-11-11 | 中国气象局武汉暴雨研究所 | 一种降水时微波辐射计反演大气廓线的校正方法及装置 |
CN116187025A (zh) * | 2023-01-09 | 2023-05-30 | 中国科学院合肥物质科学研究院 | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 |
CN116304491A (zh) * | 2023-05-11 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 一种海洋异常观测资料的同化方法及*** |
CN116861159A (zh) * | 2023-08-24 | 2023-10-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 针对极轨卫星跨轨观测资料的客观临边订正方法及*** |
CN117009427A (zh) * | 2023-09-28 | 2023-11-07 | 北京弘象科技有限公司 | 风云卫星观测的同化方法、装置、电子设备及存储介质 |
CN117214979A (zh) * | 2023-10-08 | 2023-12-12 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种相控阵雷达资料同化方法、装置及设备 |
CN117540634B (zh) * | 2023-11-13 | 2024-04-12 | 北京师范大学 | 一种静止卫星全天候地表上行长波辐射反演方法及装置 |
CN117933095A (zh) * | 2024-03-20 | 2024-04-26 | 南京信息工程大学 | 一种基于机器学习的地表发射率实时反演及同化方法 |
CN117970529A (zh) * | 2023-12-07 | 2024-05-03 | 克拉玛依市气象局 | 一种区域自动站修正地表下垫面参数的模式预报方法 |
CN118032663A (zh) * | 2024-01-23 | 2024-05-14 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种等效晴空辐射订正方法和设备 |
-
2021
- 2021-11-16 CN CN202111354989.2A patent/CN114265836A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115046894A (zh) * | 2022-05-18 | 2022-09-13 | 中国地质大学(武汉) | 基于辐射传输模拟耦合机器学习技术的云霾探测方法 |
CN115329273A (zh) * | 2022-08-02 | 2022-11-11 | 中国气象局武汉暴雨研究所 | 一种降水时微波辐射计反演大气廓线的校正方法及装置 |
CN114966900B (zh) * | 2022-08-02 | 2022-11-22 | 南京市气象台 | 一种基于秒探空资料的微波辐射计温湿度反演算法 |
CN114966900A (zh) * | 2022-08-02 | 2022-08-30 | 南京市气象台 | 一种基于秒探空资料的微波辐射计温湿度反演算法 |
CN116187025A (zh) * | 2023-01-09 | 2023-05-30 | 中国科学院合肥物质科学研究院 | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 |
CN116187025B (zh) * | 2023-01-09 | 2023-09-15 | 中国科学院合肥物质科学研究院 | 基于地基红外遥感的晴空大气温湿度廓线快速反演方法 |
CN116304491A (zh) * | 2023-05-11 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 一种海洋异常观测资料的同化方法及*** |
CN116304491B (zh) * | 2023-05-11 | 2023-08-08 | 长江三峡集团实业发展(北京)有限公司 | 一种海洋异常观测资料的同化方法及*** |
CN116861159B (zh) * | 2023-08-24 | 2024-02-02 | 国家卫星气象中心(国家空间天气监测预警中心) | 针对极轨卫星跨轨观测资料的客观临边订正方法及*** |
CN116861159A (zh) * | 2023-08-24 | 2023-10-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 针对极轨卫星跨轨观测资料的客观临边订正方法及*** |
CN117009427A (zh) * | 2023-09-28 | 2023-11-07 | 北京弘象科技有限公司 | 风云卫星观测的同化方法、装置、电子设备及存储介质 |
CN117009427B (zh) * | 2023-09-28 | 2024-01-12 | 北京弘象科技有限公司 | 风云卫星观测的同化方法、装置、电子设备及存储介质 |
CN117214979A (zh) * | 2023-10-08 | 2023-12-12 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种相控阵雷达资料同化方法、装置及设备 |
CN117214979B (zh) * | 2023-10-08 | 2024-03-22 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 一种相控阵雷达资料同化方法、装置及设备 |
CN117540634B (zh) * | 2023-11-13 | 2024-04-12 | 北京师范大学 | 一种静止卫星全天候地表上行长波辐射反演方法及装置 |
CN117970529A (zh) * | 2023-12-07 | 2024-05-03 | 克拉玛依市气象局 | 一种区域自动站修正地表下垫面参数的模式预报方法 |
CN117970529B (zh) * | 2023-12-07 | 2024-06-07 | 克拉玛依市气象局 | 一种区域自动站修正地表下垫面参数的模式预报方法 |
CN118032663A (zh) * | 2024-01-23 | 2024-05-14 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种等效晴空辐射订正方法和设备 |
CN117933095A (zh) * | 2024-03-20 | 2024-04-26 | 南京信息工程大学 | 一种基于机器学习的地表发射率实时反演及同化方法 |
CN117933095B (zh) * | 2024-03-20 | 2024-06-18 | 南京信息工程大学 | 一种基于机器学习的地表发射率实时反演及同化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265836A (zh) | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 | |
Wang et al. | Evaluation of the GPM IMERG satellite-based precipitation products and the hydrological utility | |
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
Pereira et al. | Development of an ANN based corrective algorithm of the operational ECMWF global horizontal irradiation forecasts | |
Yin et al. | Comparison of physical and data-driven models to forecast groundwater level changes with the inclusion of GRACE–A case study over the state of Victoria, Australia | |
CN114019579B (zh) | 高时空分辨率近地表空气温度重构方法、***、设备 | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
Kang et al. | Development of an observation processing package for data assimilation in KIAPS | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN114861840B (zh) | 一种多源降水数据融合方法 | |
CN114510513A (zh) | 用于光伏功率超短期预测的短临气象预报数据处理方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及*** | |
Yao et al. | Assessment and simulation of global terrestrial latent heat flux by synthesis of CMIP5 climate models and surface eddy covariance observations | |
CN112016696A (zh) | 融合卫星与地基观测的pm1浓度反演方法及*** | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN112785035A (zh) | 融合多元信息的中短期水文预报方法及*** | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和*** | |
CN117933095A (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及*** | |
Krasnopolsky et al. | Accurate and fast neural network emulations of long and short wave radiation for the NCEP global forecast system model | |
Ovtchinnikov et al. | Evaluation of the multiscale modeling framework using data from the atmospheric radiation measurement program | |
Liu et al. | Gridded statistical downscaling based on interpolation of parameters and predictor locations for summer daily precipitation in North China | |
Bengtsson et al. | Global observations and forecast skill | |
CN114047563A (zh) | 一种红外高光谱的全天候同化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |