CloudSat云底高度外推估计的可行性分析

云底高度对于全球辐射平衡以及航空飞行均具有重要影响。针对CloudSat与MODIS主、被动观测的优缺点,本文提出了利用MODIS云分类信息进行CloudSat云底高度外推估计的技术。首先使用MODIS和CloudSat数据,利用回归分析方法比较了基于云类型（CSAT）与基于距离（MSAT）的云底高度估计方法的优劣。此外,分析了中国及周边地区CloudSat各类云云底高度的均一性特征。最后,利用CloudSat各类云云底高度的统计特征,建立了一种基于云类型和距离权重的云底高度估计方法,并对该方法进行了验证和分析。结果表明,利用该方法得到的MODIS各类云云底高度估计误差的标准差均小于1.5 km,除了积雨云在观测点与待测点距离大于400 km的估计误差均值稍大于1.5 km外,各种情况下其他各类云的云底高度估计误差的均值均小于1.5 km。     

基于A-Train综合资料的云顶高度反演研究

提出一种适用性较强的云顶高度反演方法。利用2007年低纬地区(15°S~15°N)的A-Train综合资料反演云顶高度。首先以M0DIS通道31和通道32的亮温值为特征参数,基于SVM分类法,将云分为不透明云、半透明云和透明云三类,分类准确率达到90.6%。然后对三类云分别用核回归法反演云顶高度,将其与CloudSat的2B-GEOPROF-LIDAR产品对比,均方根误差分别为0.95、1.17和1.27 km。与未分类的核回归法结果相比,分类后三种云的反演误差都有所减小。最后分析了三个典型个例。该方法可推广至其他含有红外分裂窗通道的卫星上,发挥更多卫星资源的效用。     

基于CloudSat与CALIPSO联合观测研究全球云分布特征

利用2007—2010年CloudSat和CALIPSO资料,统计分析了全球云出现频率以及云量的水平和垂直分布,并与单独CloudSat资料得到的结果进行对比,讨论了CALIPSO观测到的云的空间分布特性。结果表明：全球平均总云量约0.69,云量高值区主要集中在南半球60°S附近西风带、北太平洋风暴路径带,其次是赤道辐合带（InTertropical Convergence Zone,简称ITCZ）,而云量低值区集中在北非沙漠地区及印度洋北部等地。CloudSat/CALIPSO资料与CERES等多种云观测资料获得的总云量分布都基本一致,但CloudSat/CALIPSO资料联合使用能更好地反应云的垂直结构。将联合观测的统计结果与仅使用CloudSat资料统计的云量分布结果对比,可以发现,CALIPSO在陆地上方可以观测到更多云雷达探测不到的高空冰云,且随着温度的降低,观测优势越来越明显;同时还可以观测到一些海洋上层云光学厚度较薄且未形成降水的暖云以及粒径较小的过冷水云。CALIPSO观测到的云顶粒子半径较小但数浓度较大的冰云主要分布在ITCZ、南半球60°S附近西风带和北太平洋风暴路径带地区,云量最大为0.31,占该温度下冰云总量的28％以上;而这些未形成降水的暖云主要是在10~20℃温度范围内南北美洲和南非西海岸地区,云量最大可达到0.4,占该温度下暖云总量的50％以上;过冷水云则主要是在-10℃~0℃温度范围内的南半球60°S附近西风带,云量也增加了0.1以上,约占混合云的15％。     

不同云重叠参数对全球和东亚地区模拟总云量的影响

在国家气候中心全球大气环流模式BCC_AGCM2.0中引入一组基于CloudSat/CALIPSO卫星观测的、能够体现真实时空变化特征的云垂直重叠参数（抗相关厚度,L_cf）数据,以减小由云的重叠描述造成的辐射场的不确定性。对比了采用时空变化的云重叠参数和采用恒定云重叠参数的气候模拟结果,发现无论在全球还是东亚区域,采用基于卫星观测的云重叠参数对模拟的总云量都有一定程度的改进。采用时空变化的云重叠参数后,冬、夏两季全球平均总云量与云和地球的辐射能量系统（CERES）卫星资料的误差都减少了1.6%,其中热带对流区域总云量的正偏差和副热带地区总云量的负偏差都明显减少,这些有助于正确模拟不同区域间的能量收支差异。在东亚区域,采用时空变化的云重叠参数后,冬、夏两季的东亚区域平均总云量与CERES卫星资料的误差分别减少了1.8%和1.4%。综上所述,基于CloudSat/CALIPSO卫星资料计算得到的L_cf有助于改进大气环流模式对总云量的模拟,从而提高模式对辐射场的模拟精度。      

基于CloudSat观测资料对WRF模式的冷锋降水过程云参数模拟效果检验

基于WRF数值模式,采用Lin微物理方案,对中国南方地区一次冷锋降水过程进行模拟试验,并用CloudSat观测数据对模式模拟的云量、云液态水和云冰水含量的垂直分布特征进行检验。结果表明:模式模拟云量的垂直分布范围小于CloudSat观测到的分布范围,模拟的云量在低空往往出现缺失,模式可以较好地模拟出CloudSat探测到的深对流云的分布,但对零散分布的小尺度云团模拟效果较差;模式模拟的云液态水分布范围也小于CloudSat观测到的分布范围,云液态水含量值略低于CloudSat观测值,对CloudSat观测的云液态水含量值较低的区域,模式往往不能模拟出云液态水的存在;模式模拟的云冰水垂直分布特征与CloudSat观测结果较为一致,特别是对冰水含量大值中心的位置模拟效果较好,但模式模拟的云冰水含量值远低于CloudSat观测值。整体来看,模式对云冰水垂直分布的模拟效果优于对云液态水的模拟,但Lin微物理方案对云液态水和云冰水的模拟还需进一步改进与完善。     

基于动态阈值法的NOAA系列卫星云检测结果检验

采用我国地面报资料、国际船舶报资料和云卫星(CloudSat)产品,分别对多通道动态阈值云检测方法的云检测结果进行了检验。结果表明,动态阈值云检测方法可用于长时间序列卫星观测数据的云检测,不仅运行速度较快,可实现全自动,且精度较高,陆地上空云检测准确率为82.8%(地面报资料),海洋上空云检测准确率为91.5%(船舶报资料)。此外,还利用CloudSat资料检验不同观测时间差对NOAA系列卫星云检测结果检验的影响。     

CloudSat卫星及其在天气和云观测分析中的应用

介绍了2006年4月28日成功发射的第1颗以对云层特性进行全球主动遥感测量CloudSat卫星的观测仪器、工作参数、运行方式、数据产品及“A—Train”卫星群等基本概况。CloudSat卫星主要有效载荷是94GHz（3mm波）云雷达,它可以“切开”云层,获得许多有关云的最新气象数据,主要数据产品包括了云的宏观物理参量和微观物理参量。介绍了CloudSat卫星已获得的典型天气和云的初期观测结果：从首次观测的云三维图片,可以清楚地看到南极洲上空风暴云的垂直剖面结构特征;从首张获得降雪云的垂直剖面图像可以得到降雪云层的发展状态以及结构特点;使用CloudSat统计数据可分析全球水凝物的分布特征。将TRMM卫星上的测雨雷达与CloudSat卫星上的云雷达联合观测研究,可以获得从薄云到浓厚云及降水的精细垂直结构特征。通过下载的CloudSat观测资料,对我国典型台风和层状云系等两类不同天气条件下云的宏微观结构特征等进行了初步分析,可以看到台风眼区附近云系的垂直结构随台风发展不同阶段的演变;从层状云系的垂直剖面可以清楚地发现云层的内部分层结构及不同相态的垂直分布特征等。     

联合星载毫米波雷达和中分辨率光谱成像仪的云底高度反演

云底高度是云重要的宏观物理参数。本文基于MODIS和CPR探测得到的可见光、红外和毫米波数据,提出了用主成分分析(Principal Component Analysis,PCA)和BP神经网络反演云底高度的新方法,并以相对湿度阈值法处理探空资料所获取的云底高度为基准,对PCA-BP法和CloudSat产品获取的云底高度进行了对比分析。结果表明:对绝大部分类型的云,PCA-BP法的反演偏差小于CloudSat产品。PCA-BP法和CloudSat产品反演的云底高度在夏季偏低,在其他季节偏高,且PCA-BP法与探空仪的均方根误差在所有季节均小于CloudSat产品,两者反演的云底高度具有一致的季节特征,即夏高冬低。PCA-BP法和CloudSat产品所获取的云底高度随纬度升高有减小趋势,在不同地区,两者具有不同的反演效果,反演误差随纬度升高而逐渐减小,对比结果说明了PCA-BP法反演云底高度具有一定的可行性。     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

FY-2C静止气象卫星资料对不透明云云顶气压的反演研究

采用红外窗区通道法尝试对FY-2C静止气象卫星图像上的不透明云的云顶气压进行反演,并结合MODIS反演产品和CloudSat/CPR雷达探测产品对反演结果进行对比分析。结果表明:（1） 对于厚实密蔽的云层,不透明云云顶气压的反演结果与MODIS反演结果一致性较好,特别是对于发展较强的对流云和厚实密蔽的多层云,易满足云层比辐射率近似为1的条件,可近似看作黑体;（2） 对于单层云和光学厚度不够厚的云层,反演结果更接近辐射中心,尤其是对于锋面云带暖水云上空覆盖卷云的情况,由于FY-2C对于薄卷云的检测不如MODIS细致,导致反演结果与MODIS和CloudSat存在一定偏差。      

支持向量机方法在单站降水预报中的应用探讨

将武汉天空云量预报的81个预报因子运用到该站中等以上强度的降水预报中,基于SVM方法进行了交叉验证和预报试验。结果表明用81个预报因子建立的5～9月和全样本的降水预报模型有较好稳定性、且对降水都有正的预报技巧。因此天空云量的预报因子可以用来做降水的预报因子,同时也证明了这些预报因子在天空云量和降水预报中是协调的。SVM方法为天空云量和降水的预报提供了客观参考依据。     

支持向量机在雷雨天气预报中的应用

支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。     

基于支持向量机(SVM)方法的冬季温度预测

选取河南省5个代表站,分别代表河南省5个片,将气候预测中常用的74项环流特征量资料进行归一化处理,分别将其与5个代表站的冬季温度进行相关普查,在筛选预测因子的基础上,利用SVM两类分类和回归方法,建立河南各代表站冬季温度预测推理模型,用2000/2001~2004/2005年4年进行试报,结果显示SVM方法是处理非线性分类和回归等问题的有效方法,做分类和回归预测时,各代表站对应的SVM推理模型均具有良好的预报能力,且对温度预测SVM回归优于SVM分类。     

Identification of Convective and Stratiform Clouds Based on the Improved DBSCAN Clustering Algorithm

A convective and stratiform cloud classification method for weather radar is proposed based on the density-based spatial clustering of applications with noise (DBSCAN) algorithm. To identify convective and stratiform clouds in different developmental phases, two-dimensional (2D) and three-dimensional (3D) models are proposed by applying reflectivity factors at 0.5° and at 0.5°, 1.5°, and 2.4° elevation angles, respectively. According to the thresholds of the algorithm, which include echo intensity, the echo top height of 35 dBZ (ET), density threshold, and ε neighborhood, cloud clusters can be marked into four types: deep-convective cloud (DCC), shallow-convective cloud (SCC), hybrid convective-stratiform cloud (HCS), and stratiform cloud (SFC) types. Each cloud cluster type is further identified as a core area and boundary area, which can provide more abundant cloud structure information. The algorithm is verified using the volume scan data observed with new-generation S-band weather radars in Nanjing, Xuzhou, and Qingdao. The results show that cloud clusters can be intuitively identified as core and boundary points, which change in area continuously during the process of convective evolution, by the improved DBSCAN algorithm. Therefore, the occurrence and disappearance of convective weather can be estimated in advance by observing the changes of the classification. Because density thresholds are different and multiple elevations are utilized in the 3D model, the identified echo types and areas are dissimilar between the 2D and 3D models. The 3D model identifies larger convective and stratiform clouds than the 2D model. However, the developing convective clouds of small areas at lower heights cannot be identified with the 3D model because they are covered by thick stratiform clouds. In addition, the 3D model can avoid the influence of the melting layer and better suggest convective clouds in the developmental stage.     

改进阈值的冰晶粒子形状分类方法及其应用

基于历史航测数据,对Holroyd云粒子形状分类方法的阈值进行了改进,使得改进阈值后的Holroyd云粒子形状分类方法更适合机载云粒子成像仪（Cloud Imaging Probe, CIP）在我国华北地区所测冰晶粒子形状识别。将改进阈值后的方法应用于山西一次降水性层状云的飞机观测资料分析发现,此次降水性层云中无论在水平分布还是垂直分布上,出现频率在15%以上的冰晶粒子形状有4种,其中有3种较为固定,分别是霰、线形状和不规则状,另外一种形状则与具体的云内环境有关,垂直方向上不同温度区间内为枝状（?8～0°C）和微小状（?12～?8°C）,不同高度的水平方向上则是枝状（5200 m）、微小状（5500 m）和板状（5800 m）;云中冰晶粒子数浓度在水平和垂直方向上波动较大,最小值小于1 L?1,最大值则大于20 L?1,垂直方向上的最大值分别位于每层云中的下部;云中冰水含量值在水平方向和垂直方向上波动范围也很大,其在垂直方向上的云中最大值区域与冰晶粒子数浓度的最大值区域基本一致。     

基于压缩感知的地基红外云图云状识别

为了对地基全天空红外测云仪获得的云图进行分类,该文从压缩感知理论出发,提出了一种利用云图灰度稀疏性进行云状识别的新方法。首先运用典型云图样本构造冗余字典,然后通过梯度投影 (GPSR) 算法和正交匹配 (OMP) 算法求取测试样本在冗余字典中的l1范式最优解,最后利用残差法和稀疏比例法对云状进行判别并输出。采用压缩感知理论进行云状识别,降低了对特征提取技术的要求,为云状的自动识别提供了新思路,对典型波状云、层状云、积状云、卷云和晴空的总体识别率分别达到75%,91%,70%,85%和93%,平均识别率为82.8%。     

基于雷达回波强度面积谱识别降水云类型

基于谱分析原理提出了雷达回波强度面积谱的概念及算法,利用宁夏银川多普勒天气雷达回波资料,分析了不同性质降水云的雷达回波强度面积谱,并根据不同性质降水云雷达回波强度面积谱特征,提出了基于雷达回波强度面积谱识别降水云类型的方法,利用强回波面积（回波强度不小于40 dBZ的回波面积）占总回波面积百分比和基本降水回波面积（回波强度不小于20 dBZ的回波面积）占总回波面积百分比作为降水云类型判别的主要因子,提炼出基于雷达回波强度面积谱特征参数的层状云、积层混合云、对流云等不同类型降水云的判别指标,建立了基于雷达回波的降水云类型自动判识模型。利用该模型对2016-2017年6次强降水过程进行了降水云类型判别试验,模型准确判别出6次强降水过程中2次为对流云降水、4次为混合云降水,判别结果较好地反映了降水云类型,验证了判识方法的可行性。     

基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。      

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.