CN116243406A - 一种卫星红外辐射率资料的全空同化方法 - Google Patents

一种卫星红外辐射率资料的全空同化方法 Download PDF

Info

Publication number
CN116243406A
CN116243406A CN202310291988.0A CN202310291988A CN116243406A CN 116243406 A CN116243406 A CN 116243406A CN 202310291988 A CN202310291988 A CN 202310291988A CN 116243406 A CN116243406 A CN 116243406A
Authority
CN
China
Prior art keywords
assimilation
information
satellite
infrared
observation
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
Application number
CN202310291988.0A
Other languages
English (en)
Inventor
许冬梅
张雪薇
沈菲菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310291988.0A priority Critical patent/CN116243406A/zh
Publication of CN116243406A publication Critical patent/CN116243406A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Environmental & Geological Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种卫星红外辐射率资料的全空同化方法，包括：根据三维变分同化方法构建目标函数；将红外卫星辐射率资料和大气基态信息输入到快速辐射传输模式中，得到大气湿度、温度、各类水凝物粒子浓度廓线的分析增量和模式模拟亮温；在WRFDA资料同化***中调用RTTOV模式计算出的模拟信息；通过最小化代价函数，并基于同化后改善的初始场，使用WRF数值预报模式对中小尺度天气***进行预报以及检验。本发明有效同化了全空条件下的静止卫星红外辐射率资料，以获得除大气温度、湿度等以外的云雨区信息的分析变量，基于同化之后改善的环境初始场，在数值预报模式中积分并改善中小尺度灾害性天气***的预报水平。

Description

一种卫星红外辐射率资料的全空同化方法
技术领域
本发明涉及地球科学中卫星气象资料应用技术领域，尤其涉及一种基于快速辐射传输模式和WRFDA相耦合的卫星红外辐射率资料的全空同化方法。
背景技术
红外卫星辐射率受云的影响大，其无法穿过云雨区辐射到地表，因此通过快速辐射传输模式直接同化这部分云雨区下的资料可能产生会较大误差。考虑到目前对云相关的一些复杂过程了解甚少，当前国际上针对静止卫星红外辐射率资料的同化技术大多只在晴空条件或无云条件下实施，即通过一系列的云检测质控方案，在同化之前就把受云影响的红外辐射率资料剔除掉。例如，现有技术中采用一种似然概率论法来估测无云条件下的观测资料占比概率，也有采用一种基于通道依赖性的云检测算法，通过对红外通道的排序来识别无云影响的通道，对于多层云的识别，Auligné, T. 提出了多元最小残差的方法，以最小化每个观测视场的代价函数，从而避免了剔除整个受云污染通道内的所有资料，Xu etal. 提出了一种基于贝叶斯理论的粒子滤波云检测算法，从而获得云影响的资料信息。然而这部分云区下的红外辐射率资料可以提供一些重要的云、雨、温度、湿度等大气观测信息，从而有利于中小尺度灾害性天气***的监测和预报，如果直接同化全空下的红外辐射率资料，可以避免一些耗时且不确定性较大的云检测步骤，增大卫星观测的覆盖范围，有利于提供一个更具有代表性的观测样本，此外红外卫星辐射率资料相比于其他类型的观测资料，可以提供更多的关于高层卷云的探测信息。
发明内容
发明目的：本发明的目的是提供一种基于快速辐射传输模式和WRFDA相耦合的卫星红外辐射率资料的全空同化方法。
技术方案：本发明所述方法包括如下步骤：
（1）根据三维变分同化方法构建目标函数；
（2）将红外卫星辐射率资料和大气基态信息输入到快速辐射传输模式中，得到大气湿度、温度、各类水凝物粒子浓度廓线的分析增量和模式模拟亮温；
（3）在WRFDA_direct直接同化模块中调用RTTOV模式计算出的模拟信息，然后在WRFDA直接同化模块进行资料预处理步骤，剔除部分观测和模拟间偏差较大的信息；
（4）在WRFDA同化***中自主搭建云雨区资料同化所需的切线性模块WRFDA_TL和伴随模块WRFDA_AD，获得含有大气温度、湿度以及云雨信息的分析变量结果，通过最小化代价函数，并基于同化后改善的初始场
Figure SMS_1
，使用WRF数值预报模式对中小尺度天气***进行预报以及检验。
进一步地，所述步骤（1）构建的目标函数为：
Figure SMS_2
，/>
其中，
Figure SMS_4
是分析变量，/>
Figure SMS_6
是背景场信息，/>
Figure SMS_8
是红外卫星辐射率观测向量，/>
Figure SMS_5
和/>
Figure SMS_7
分别是观测误差协方差矩阵和背景误差协方差矩阵，/>
Figure SMS_9
是基于RTTOV快速辐射传输模式的观测算子，/>
Figure SMS_10
表示背景相关的代价函数项，/>
Figure SMS_3
表示观测相关的代价函数项。
进一步地，所述步骤（2）通过RTTOV快速辐射传输模式把读入的大气基态垂直方向上的温度、湿度以及各类云粒子浓度比的信息转化为红外辐射仪每一通道上对应的模拟亮温
Figure SMS_11
。
进一步地，所述步骤（3）包括如下步骤：
（31）在WRFDA直接同化模块中，读入初始背景场信息
Figure SMS_12
和红外卫星辐射率观测向量/>
Figure SMS_13
；
（32）在WRFDA***中，调用RTTOV模式计算得到的
Figure SMS_14
，并将各类模式空间向量插值到观测空间上，从而计算观测空间上的观测亮温与模式模拟的亮温之差
Figure SMS_15
，其中/>
Figure SMS_16
是红外卫星辐射率观测向量，/>
Figure SMS_17
是模拟亮温；
（33）基于
Figure SMS_18
增量信息，在实际同化前采取一系列偏差订正、质量控制步骤，将观测与模拟亮温之间偏差较大的那部分信息剔除，只保留偏差较小的的观测和模拟信息进入同化***并参与迭代。
进一步地，所述步骤（4）包括如下步骤：
（41）在WRFDA同化***中，自主搭建红外卫星辐射率观测资料全空同化的伴随算子和切线性算子，以求解目标函数；并与RTTOV_K模块相耦合，以调用RTTOV_K模式中计算并存储的各类Jacobin变量信息；
（42）通过最小化代价函数，使分析场达到统计意义上的最优，以获得一个改善的初始分析场，用于后期在WRF数值预报模式中积分并预报。
进一步地，所述步骤（41）中的Jacobin变量信息为辐射率相比于状态空间向量的梯度。
有益效果：本发明与现有技术相比，具有如下显著优点：本发明基于RTTOV快速辐射传输模式和WRFDA资料同化***相耦合的框架下，经过一系列的质量控制、偏差订正等资料预处理步骤，自主构建了风云系列静止卫星红外辐射率资料在全空条件下的云雨区同化模块；有效同化了全空条件下的静止卫星红外辐射率资料，以获得除大气温度、湿度等以外的云雨区信息的分析变量，基于同化之后改善的环境初始场，在数值预报模式中积分并改善中小尺度灾害性天气***的预报水平。
附图说明
图1为本发明的流程图。
实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明所述方法包括如下步骤：
（1）根据三维变分同化方法构建目标函数；
（2）将红外卫星辐射率资料和大气基态信息输入到快速辐射传输模式中，得到大气湿度、温度、各类水凝物粒子浓度廓线的分析增量和模式模拟亮温；
（3）在WRFDA资料同化***中调用RTTOV模式计算出的模拟信息，然后在WRFDA直接同化模块进行资料预处理步骤，剔除部分观测和模拟间偏差较大的信息；
（4）在WRFDA同化***中自主搭建云雨区资料同化所需的切线性模块WRFDA_TL和伴随模块WRFDA_AD，获得含有大气温度、湿度以及云雨信息的分析变量结果，通过最小化代价函数，并基于同化后改善的初始场
Figure SMS_19
，使用WRF数值预报模式对中小尺度天气***进行预报以及检验，基于WRFDA_K模块可以调用RTTOV_K模式中计算并存储的各类大气变量的Jacobin信息（辐射率相比于状态空间向量的梯度）。
大气状态是非线性的，对初值极其敏感，即使数值模式是完美的且收敛于真实状态，初始状态的微小改变，积分后误差也会变得很大。因此，初始场的准确度直接关系到数值模式的预报效果，为得到良好的数值预报结果，发展了一种能够提高和改善初始场的技术，即资料同化技术，本发明基于的三维变分同化方法是根据变分原理，构造如下公式的目标函数：
Figure SMS_20
，
其中，
Figure SMS_22
是分析变量，/>
Figure SMS_24
是背景场信息，/>
Figure SMS_26
是红外卫星辐射率观测向量，/>
Figure SMS_21
和/>
Figure SMS_25
分别是观测误差协方差矩阵和背景误差协方差矩阵，/>
Figure SMS_27
是基于RTTOV快速辐射传输模式的观测算子，/>
Figure SMS_28
表示背景相关的代价函数项，/>
Figure SMS_23
表示观测相关的代价函数项。
利用所有的观测值对模型预报值(模拟结果)进行全局调整(前后向积分)，通过最小化代价函数，使分析场达到统计意义上的最优的一种方法，具体计算步骤如下：
S1:基于RTTOV快速辐射传输模式把模式中读入的大气基态垂直方向上的温度、湿度、各类云粒子浓度比的信息转化为红外辐射仪每一通道上对应的模拟亮温
Figure SMS_29
；
S2:在WRFDA直接同化模块中，读入初始猜测场即背景场信息
Figure SMS_30
和红外卫星辐射率观测向量/>
Figure SMS_31
；
S3:在WRFDA***中，调用RTTOV模式计算得到的，并将各类模式空间向量插值到观测空间上，从而计算观测空间上的观测亮温与模式模拟的亮温之差
Figure SMS_32
；
S4:基于
Figure SMS_33
增量信息，在实际同化前采取一系列偏差订正、质量控制等步骤，对观测与模拟亮温之间偏差较大的那部分信息剔除，只保留偏差较小的的观测和模拟信息进入同化***并参与迭代过程中；
S5:在WRFDA同化***中，自主搭建红外卫星辐射率观测资料全空同化的伴随算子和切线性算子，以求解目标函数；并与RTTOV_K模块相耦合，以调用RTTOV_K模式中计算并存储的各类Jacobin变量信息（辐射率相比于状态空间向量的梯度）;
S6:最后在WRFDA同化***中，通过最小化代价函数，使分析场达到统计意义上的最优，以获得一个改善的初始分析场，用于后期在WRF数值预报模式中积分并预报。

Claims (6)

1.一种卫星红外辐射率资料的全空同化方法，其特征在于，所述方法包括如下步骤：
（1）根据三维变分同化方法构建目标函数；
（2）将红外卫星辐射率资料和大气基态信息输入到快速辐射传输模式中，得到大气湿度、温度、各类水凝物粒子浓度廓线的分析增量和模式模拟亮温；
（3）在WRFDA_direct直接同化模块中调用RTTOV模式计算出的模拟信息，然后在WRFDA直接同化模块进行资料预处理步骤，剔除部分观测和模拟间偏差较大的信息；
（4）在WRFDA同化***中自主搭建云雨区资料同化所需的切线性模块WRFDA_TL和伴随模块WRFDA_AD，获得含有大气温度、湿度以及云雨信息的分析变量结果，通过最小化代价函数，并基于同化后改善的初始场
Figure QLYQS_1
，使用WRF数值预报模式对中小尺度天气***进行预报以及检验。
2.根据权利要求1所述的卫星红外辐射率资料的全空同化方法，其特征在于，所述步骤（1）构建的目标函数为：
Figure QLYQS_2
，
其中，
Figure QLYQS_4
是分析变量，/>
Figure QLYQS_6
是背景场信息，/>
Figure QLYQS_8
是红外卫星辐射率观测向量，/>
Figure QLYQS_5
和/>
Figure QLYQS_7
分别是观测误差协方差矩阵和背景误差协方差矩阵，/>
Figure QLYQS_9
是基于RTTOV快速辐射传输模式的观测算子，/>
Figure QLYQS_10
表示背景相关的代价函数项，/>
Figure QLYQS_3
表示观测相关的代价函数项。
3.根据权利要求1所述的卫星红外辐射率资料的全空同化方法，其特征在于，所述步骤（2）通过RTTOV快速辐射传输模式把读入的大气基态垂直方向上的温度、湿度以及各类云粒子浓度比的信息转化为红外辐射仪每一通道上对应的模拟亮温
Figure QLYQS_11
。
4.根据权利要求1所述的卫星红外辐射率资料的全空同化方法，其特征在于，所述步骤（3）包括如下步骤：
（31）在WRFDA直接同化模块中，读入初始背景场信息
Figure QLYQS_12
和红外卫星辐射率观测向量/>
Figure QLYQS_13
；
（32）在WRFDA***中，调用RTTOV模式计算得到的
Figure QLYQS_14
，并将各类模式空间向量插值到观测空间上，从而计算观测空间上的观测亮温与模式模拟的亮温之差/>
Figure QLYQS_15
，其中/>
Figure QLYQS_16
是红外卫星辐射率观测向量，/>
Figure QLYQS_17
是模拟亮温；
（33）基于
Figure QLYQS_18
增量信息，在实际同化前采取一系列偏差订正、质量控制步骤，将观测与模拟亮温之间偏差较大的那部分信息剔除，只保留偏差较小的的观测和模拟信息进入同化***并参与迭代。
5.权利要求1所述的卫星红外辐射率资料的全空同化方法，其特征在于，所述步骤（4）包括如下步骤：
（41）在WRFDA同化***中，自主搭建红外卫星辐射率观测资料全空同化的伴随算子和切线性算子，以求解目标函数；并与RTTOV_K模块相耦合，以调用RTTOV_K模式中计算并存储的各类Jacobin变量信息；
（42）通过最小化代价函数，使分析场达到统计意义上的最优，以获得一个改善的初始分析场，用于后期在WRF数值预报模式中积分并预报。
6.根据权利要求5所述的卫星红外辐射率资料的全空同化方法，其特征在于，所述步骤（41）中的Jacobin变量信息为辐射率相比于状态空间向量的梯度。
CN202310291988.0A 2023-03-23 2023-03-23 一种卫星红外辐射率资料的全空同化方法 Pending CN116243406A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310291988.0A CN116243406A (zh) 2023-03-23 2023-03-23 一种卫星红外辐射率资料的全空同化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310291988.0A CN116243406A (zh) 2023-03-23 2023-03-23 一种卫星红外辐射率资料的全空同化方法

Publications (1)

Publication Number Publication Date
CN116243406A true CN116243406A (zh) 2023-06-09

Family

ID=86633243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310291988.0A Pending CN116243406A (zh) 2023-03-23 2023-03-23 一种卫星红外辐射率资料的全空同化方法

Country Status (1)

Country Link
CN (1) CN116243406A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449331A (zh) * 2023-06-20 2023-07-18 成都远望科技有限责任公司 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法
CN117743723A (zh) * 2023-11-22 2024-03-22 中国气象局成都高原气象研究所 面向星地微波资料联合直接同化方法、装置和设备
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047563A (zh) * 2021-10-18 2022-02-15 中国人民解放军国防科技大学 一种红外高光谱的全天候同化方法
CN115481771A (zh) * 2021-05-31 2022-12-16 江苏金风软件技术有限公司 天气预报方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481771A (zh) * 2021-05-31 2022-12-16 江苏金风软件技术有限公司 天气预报方法、装置、电子设备及存储介质
CN114047563A (zh) * 2021-10-18 2022-02-15 中国人民解放军国防科技大学 一种红外高光谱的全天候同化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丁伟钰;万齐林;张诚忠;黄燕燕;陈子通;: "有云条件下HIRS/3资料的同化及其对"珍珠"台风的影响", 气象学报, no. 01 *
丁伟钰;万齐林;黄燕燕;陈子通;张诚忠;: "有云环境下MODIS亮温资料的变分同化Ⅱ――对暴雨预报的影响", 热带气象学报, no. 01 *
刘乐;李耀东;: "RTTOV快速辐射传输模式应用研究进展", 安徽农业科学, no. 03, pages 71 - 77 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449331A (zh) * 2023-06-20 2023-07-18 成都远望科技有限责任公司 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法
CN116449331B (zh) * 2023-06-20 2023-08-15 成都远望科技有限责任公司 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法
CN117743723A (zh) * 2023-11-22 2024-03-22 中国气象局成都高原气象研究所 面向星地微波资料联合直接同化方法、装置和设备
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

Similar Documents

Publication Publication Date Title
CN116243406A (zh) 一种卫星红外辐射率资料的全空同化方法
Yumimoto et al. Adjoint inversion modeling of Asian dust emission using lidar observations
Shi et al. Parameter estimation of a physically based land surface hydrologic model using the ensemble Kalman filter: A synthetic experiment
Ridler et al. Assimilation of SMOS‐derived soil moisture in a fully integrated hydrological and soil‐vegetation‐atmosphere transfer model in W estern D enmark
US20070244645A1 (en) Gas-condition predicting device and diffusion-condition predicting system
CN109784552B (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN111579504B (zh) 基于光学遥感的大气污染成分垂直分布反演方法
CN111060992B (zh) 星载微波双氧探测通道等权重共轭的降水检测方法及***
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN114881323A (zh) 基于深度神经网络的基坑降水区地下水位预测与更新方法
Lu et al. Prediction of diffuse solar radiation by integrating radiative transfer model and machine-learning techniques
CN114004163A (zh) 一种基于modis和长短时记忆网络模型的pm2.5反演方法
CN114677579A (zh) 一种基于卫星红外探测元参数的云顶高度实时计算方法
CN117409334A (zh) 一种基于静止卫星遥感数据的气溶胶类型识别方法
Verma et al. A machine learning approach and methodology for solar radiation assessment using multispectral satellite images
CN113111529B (zh) 融合数值模式和卫星微波云反演数据的红外亮温模拟方法
Issartel et al. An inversion technique to retrieve the source of a tracer with an application to synthetic satellite measurements
CN114219345A (zh) 一种基于数据挖掘的二次空气质量预报优化方法
CN112285130A (zh) 大气热力结构的反演方法、装置、设备以及存储介质
Ezenne et al. An overview of uncertainties in evapotranspiration estimation techniques
CN116699729A (zh) 地基微波辐射计资料的直接同化方法及装置
Schuch et al. Estimation of urban air temperature from a rural station using remotely sensed thermal infrared data
CN114047563A (zh) 一种红外高光谱的全天候同化方法
Choudhury Estimation of vapor pressure deficit over land surfaces from satellite observations
Shao et al. A high-resolution soil moisture content analysis product in Jing-Jin-Ji using the successive correction method

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