基于红外实时阈值的全天空云量观测

红外测温传感器在旋转平台控制下定时对全天空进行扫描,拼接全天空红外辐射亮温图像。利用天空中的云点与非云点在红外波段中表现出的不同特性,考虑不同仰角方向天空中云点与非云点的温度差异,结合地面环境参数,实时拟合天顶到水平区间内晴空时刻的温度阈值函数,利用阈值分割方式得出全天空云分布及云量信息。该方法可以有效减少地面环境参数及太阳光照对云图的影响,能够全天实时运行。将利用该方法获取的数据分别与人工观测数据及典型天气条件下可见光测云结果进行对比,结果表明该系统在云量观测方面具有一定的先进性和准确性。     

基于光谱分析和综合阈值的FY-3/MERSI云检测

云检测是卫星遥感影像应用中的重要环节。为了获取FY-3中分辨率光谱成像仪(Medium Resolution Spectral Imager,MERSI)传感器精确的云掩膜数据,在分析云与植被、水体、裸露地表等地物在不同波段光谱差异的基础上,结合FY-3/MERSI数据的通道特性,构建基于多光谱和综合阈值的云检测算法。采用热红外通道亮温(CH_5)检测出高云,使用云检测指数(Normalized Cloud Detection Index,I_(NCD))和可见光波段反射率(CH_3)检测中低云。利用江西地区的FY-3/MERSI数据进行应用,将检测结果与其他算法、人机交互解译结果进行了对比分析。结果表明,该算法对FY-3/MERSI影像上的云区具有较好的检测效果,同时利用地面气象观测资料进行验证,检测精度均高于88%,能够满足当前云检测精度需求。     

L波段探空判别云区方法的研究

利用2008年1月到2009年12月的L波段探空资料,和与之时空匹配的Cloudsat云观测资料,首先分析了云内和云外相对湿度的累积频率分布,发现以75%作为相对湿度阈值判断云准确率可达81%。随后利用BS（Bias Score）和TS（Threat Score）评分方法,对不同相对湿度阈值进行评分分析,发现以81%作为相对湿度阈值TS评分可达0.66,为最高。接着利用BS和TS评分方法分不同高度对相对湿度阈值进行评分分析,发现随高度的增加该高度上具有最好TS评分的相对湿度阈值在减小。利用这些阈值对云判断时,总的TS评分高于0.6,且其准确率达到84%以上,比利用单一相对湿度阈值判断云准确率要高。最后对这些阈值进行优化,得到一套适合于我国L波段探空秒数据的云垂直结构的判别方法。     

地基热红外云高观测与云雷达及激光云高仪的相互对比

2008年5月至12月中美（美国能源部大气辐射测量（ARM）计划）联合利用ARM移动观测设施（AMF）在安徽省寿县进行了大气辐射综合观测试验,地基云参数观测仪器主要有:（1）云雷达（ARM W-band (95 GHz) Cloud Radar）,观测结果为反射率廓线,时间分辨率为2 s;（2）云高仪（Vaisala Ceilometer）,观测结果为云底高度和后向散射廓线,时间分辨率为15 s.两者均为天顶方向观测.扫描式全天空红外成像仪（SIRIS-1型）于11月27日～12月30日在寿县参加了观测,观测方式为全天空扫描,时间间隔为15分钟.三种云观测仪器共并行观测16天.利用全天空红外成像仪测得的天空红外亮温和同步观测的地面气象数据进行了等效云底高的反演.以全天空红外成像仪天顶方向观测时间前后15次云雷达反射率廓线的平均廓线,云高仪12次观测中有云时次云底高的平均值分别作为同步观测结果,利用平均反射率廓线进行了各层云的云底、云顶、回波峰值高度和回波积分值的提取和计算.三种观测仪器以10 km云底高为限,共同步观测1661次,其中云雷达、红外成像仪和云高仪分别观测到云:428,287,225次.本文分3种情况:（1）全部有云观测情况,（2）单层云,（3）双层及三层云,分别进行了三个仪器观测云高的对比.对比结果:情况（1）,云雷达与云高仪、云雷达与红外成像仪的相关系数分别为0.6和0.82;情况（2）,三者共同观测75次,云雷达与红外成像仪相关系数为0.85,与云高仪相关系数为0.53,标准差分别为0.88 和1.61 km;情况（3）,红外成像仪云底高绝大多数在云雷达观测的最上、最下层云之间,有时接近上层云,有时接近下层云.对比结果显示,地基热红外对于观测中低云高具有稳定、可靠、经济和便捷等优势,但观测结果较云雷达系统偏高.文中同时提出了初步的校正方法.     

基于晴空阈值法的全天空红外图像云量计算

为提高新疆戈壁地区云的自动化观测水平,基于全天空红外成像仪(WSIRCMS)获取的红外辐射图像,利用辐射传输模式SBDART分析了仪器测量波段对有云无云状况的敏感性并构建了拟合方程,同时利用典型季节的晴空辐射样本拟合了晴空曲线并统计形成了晴空阈值,最后利用统计晴空阈值对全天空红外辐射图像进行云像素识别和总云量计算。将不同季节总云量计算结果同人工观测结果对比验证表明：观测时段算法计算总云量和人工观测总云量差值在±2成以下的概率均在80%以上,说明该方法具有较高的准确度和较强的实用性,在观测业务中具有较好的应用前景。     

白天和夜间通用的卫星遥感沙尘判识算法构建与验证分析

Himawari-8是日本发射的新一代静止气象卫星,与前一代的MTSAT-2相比,在时间、空间分辨率上都有了很大提升,特别是红外通道数量从4个增至10个,为红外遥感沙尘提供了新的观测数据。本研究利用Himawari-8的红外观测数据,发展了仅用红外通道的沙尘全天候判识算法,可以实现对白天和夜间的连续监测。算法在前人基础上去除了可见光通道,同时引入更多红外通道来进行云检测和沙尘判识。由于一日之中,地表温度发生变化,因此针对白天和夜间设置了两套不同的判别阈值,来保证算法的全天适用性。最后通过两次沙尘事件对沙尘判别结果的分析和检验表明,遥感判识结果与地面气象站和PM_(10)观测较为一致,说明了只用红外通道全天候判识沙尘的可行性。     

基于可见光——红外图像信息融合的云状识别方法

云状的正确观测对降水测报具有指示性意义,云状自动识别技术是气象要素自动化观测领域的难题之一。本文基于全天空可见光成像仪采集的云图与中红外热像仪获取的云图结合,对天空云状进行分类和测量。结果表明:通过在北京、杭州和丽江气象台站采集的大量云图,从云图特征和降水指示性方面将云状划分为Clear、C_H、C_L、C_B及C_M共5类。选取14个色彩和纹理特征值作为云状计算参数,采用552张云图作为训练样本,信息分类利用特征值加权最小距离算法,对于5类500个被测样本进行云状的判别。对应自拟的标准云状分类,平均准确率为82%。基于可见光—红外图像信息融合的云状识别方法结合了可见光图像色彩信息丰富的特点及红外图像可以降低雾霾干扰的优势,对比单一可见光传感器云测量,准确性有所提高。本文在可见光与红外图像传感器等多种云观测设备的信息融合方面进行了有益的尝试。     

利用扫描式红外亮温仪对天空云量的试验观测

利用中国科学院大气物理研究所中层大气与全球环境探测实验室自主开发研制的全自动扫描式天空红外亮温仪,于2007年4-8月在北京市气象局南郊观象台进行了试验观测.利用获得的天空红外亮温数据和南郊观象台(54511站)实时地面气象数据,进行了天空云量的计算.将整点前30 min内观测的云量的平均值作为与观象台观测对应的整点观测云量,分不同情况与观象台目视观测结果进行了对比分析.结果表明:(1)对于中低云,两种观测的云量比较一致,但如果在此期间云消散或增加很快,则差别较大.其主要原因是观测的时间和方式不同所造成的.(2)对于以卷云为主的天空情况,特别是高层薄卷云的情况,两种观测的云量差别较大.原因是受到目前试验所使用的红外传感器低温测量范围的限制(-50℃),以及判定云的阈值算法目前还只对于中低云比较适用,对于卷云的判断能力比较薄弱.(3)对于天空情况比较复杂,以及能见度不好的情况(气象站目视云量记录为10-),两种观测的云量差别也很大.其差别既受到仪器性能的影响,也与观测员视力与经验有关.仪器受到最低测量温度的限制,反演算法也有其不确定性,而观测员在低能见度时的观测局限性亦是一个重要原因.利用SIRIS-1进行云量和云底高度观测的优点是时间分辨率高,且全天时自动化,但对于卷云的判断还较薄弱.     

地基可见光/红外全天空成像仪数据融合

采用60m基线的双站可见光成像仪和扫描式红外成像仪构建地基双波段全天空测云系统,双站可见光成像仪根据双站测距原理准确地获取云底高,通过全方位立体扫描获取全天空可见光云图,扫描式红外成像仪基于大气辐射传输原理测量云底亮温,反演云底高度,通过全方位立体扫描获取全天空红外云图。结合双站可见光成像仪测得云底高,对大气温度垂直递减率进行实时订正,提高扫描式红外成像仪反演云底高精度,达到双波段云底高数据融合目的;基于小波变换多分辨率分析的图像融合技术,对全天空可见光和红外云图进行图像融合,提高能见度低、以及雾、霾等天气条件下云量计算准确度;最终实现昼夜云高、云量同时观测。     

基于模糊纹理光谱的全天空红外图像云分类

为了对全天空红外测云系统获得的红外图像进行云类自动识别, 提出了基于模糊纹理光谱结合云物理属性的全天空云类识别方法。首先根据不同滤波窗口的模糊纹理光谱图像特征, 确定了滤波窗口大小, 然后通过分析不同天空类型下的FUTS谱 (fuzzy uncertainty texture spectrum) 以及同一种天空类型下的FUTS谱, 考察了FUTS进行云类识别的适用性, 最后利用最小距离分类法和云基本物理属性对全天空红外图像进行了分类测试。在200个测试样本中, 层状云、积云、高积云、卷云和晴空的识别率分别为100%, 100%, 90%, 100%, 100%, 平均识别率达到98%。基于模糊纹理光谱的云分类算法对单一云空具有很好的分类效果, 可进一步应用于全天空红外图像的云分类识别。     

Examination of the quality of GOSAT/CAI cloud flag data over Beijing using ground-based cloud data

It has been several years since the Greenhouse Gases Observing Satellite （GOSAT） began to observe the distribution of CO2 and CH4 over the globe from space. Results from Thermal and Near-infrared Sensor for Carbon Observation-Cloud and Aerosol Imager （TANSO-CAI） cloud screening are necessary for the retrieval of CO2 and CH4 gas concentrations for GOSAT TANSO-Fourier Transform Spectrometer （FTS） observations. In this study, TANSO-CAI cloud flag data were compared with ground-based cloud data collected by an all-sky imager （ASI） over Beijing from June 2009 to May 2012 to examine the data quality. The results showed that the CAI has an obvious cloudy tendency bias over Beijing, especially in winter. The main reason might be that heavy aerosols in the sky are incorrectly determined as cloudy pixels by the CAI algorithm. Results also showed that the CAI algorithm sometimes neglects some high thin cirrus cloud over this area.     

基于FY-3/MERSI卫星资料的霾判识方法研究

选取2015年12月25日及2016年1月18日两次覆盖湖北的重污染天气过程,利用FY-3A(B)/MERSI卫星资料和气象、环境监测资料,应用图像色彩处理技术、可见光近红外通道反射率分析等技术,开展对湖北地区霾的遥感识别研究。研究结果表明:以不同波段进行红绿蓝三通道合成时,霾可以被识别,其中以全可见光模式合成时,霾以灰白色为主,比周围的云雾区略暗;以可见光、近红外、红外三通道合成时,霾以紫色、紫灰色为主,云类识别精细;以可见光、近红外两通道增强显示合成时,霾以紫灰色为主,与晴空地表及云区差异明显,但易将由小粒子组成的薄卷云误判为霾,需通过云顶黑体亮温进行剔除。通过建立红外亮温和可见光反射率识别指标,可将霾与晴空、厚云区区分开来,但很难与低云/雾区进行有效区分,加入对有效粒子半径敏感的近红外通道反射率后,借助两者在粒子大小上的差异,可在一定程度上解决这一问题,并通过地面人工观测资料进行分析验证。     

晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用

全天空图像自动云识别的研究相对来说是一项较新的研究领域。当前国际上较为通用的全天空图像云识别方法主要依靠图像蓝红灰度值对比的阈值方法进行判断。然而非洁净大气中气溶胶的增多给云识别增加了难度,同时太阳高度角不同天空色度分布情况也不同。文中利用Libradtran辐射传输模式,计算了不同能见度不同太阳高度角情况下3个典型波长(450,550,650nm;蓝/绿/红)无云及有云大气的天空辐亮度分布情况,并进行了比较分析。结果表明,相同太阳高度角情况下,无云及有云大气中蓝红比值随能见度的下降呈单调下降趋势。在特定的云光学厚度和能见度情况下,天空色度彼此呈现出类似的分布状况。全天空图像阈值判断云识别自适应算法的建立需要与太阳高度角、地面能见度联系起来。当前尚无法建立一个判断阈值随太阳高度角以及能见度变化的函数关系式。较为可行的办法是建立典型能见度、典型太阳高度角情况下的辐射信息库,在具体云识别时,首先确定太阳高度角,而后根据天空辐射比情况确定天空能见度,并利用辐射信息标准库做云或非云判别。该工作为全天空云识别算法提供判别依据,同时建立云识别随能见度和太阳高度角变化的判别信息库。     

一种人工神经网络云分类方法的改进与应用

采用2005—2009年FY-2C静止气象卫星可见光和红外自旋扫描辐射计的红外1(IR1)、红外2(IR2) 和水汽 (WV) 亮温资料,选取2449个云分类样本。设计两层嵌套的前向传递后向反馈 (BP) 人工神经网络模型,第1层网络选取IR1,IR2,WV亮温及IR1与WV亮温差和IR2与WV亮温差5个特征量,第2层网络选取特征量IR1与IR2亮温差,两层网络都采用一层隐含层且带有附加动量法的简单网络,降低了网络的冗余度。误差分析表明:嵌套BP人工神经网络模型的分类准确率在中云和薄卷云这两类上分别提高了42.7%和11.3%,整个分类模型的平均平方误差和标准化平均平方误差分别降低了6.1%和44.7%,相关系数提高了3.4%。通过3个个例的对比分析发现,嵌套模型的分类结果比传统模型的分类结果更合理,特别是在中低云和薄卷云的云量和位置分辨能力上有了较大提高。     

用红外和水汽两个通道的卫星测值指定云迹风的高度

提出了一种改进的用红外和水汽两个通道的测值指定云迹风高度的算法。利用红外水汽散点图和云迹风本身自动地将有低云的目标区、有半透明卷云的目标区、有密蔽高云的目标区分开。在有低云的目标区和有密蔽高云的目标区用红外一个通道指定云高。在有半透明卷云的目标区用红外和水汽两个通道指定云高。在用两个通道的测值指定云高时，假定卷云高度以上不存在水汽，以红外和水汽两个通道亮温相同这个方程与两个通道辐射测值线性相关的方程联立解出云的高度     

地基双波段测云系统及其对比试验

针对地基测云系统中云在可见光波段与红外波段中表现出的不同特性,用双站数字式云高仪所测云高进行标校,结合地面实时观测天顶红外辐射亮温及地面环境参数,分析地面到云层底大气对红外辐射亮温的影响,从中发现利用天空红外辐射亮温来遥感云底高度的可行性,研发地基双波段测云系统。该系统以对流层大气的垂直温度递减率为理论基础,建立云层底到地面的温度递减梯度参数K,根据递减梯度参数反演天顶方向的云高。该算法不依赖于探空数据,通过实时定标形式得出符合仪器所在地的云底高反演公式。通过与维萨拉激光云高仪CL31进行数据对比分析得出,地基双波段测云系统反演结果具有较高的准确性。     

基于LBP算法的全天空红外云图的分类研究

利用局部二值模式（Local Binary Patterns,LBP）,结合局部云图的方差信息（VAR）,对全天空红外测云系统获得的红外云图进行了分类研究。首先建立了器测云状分类与传统分类的对应关系,其次分析了层状云、积状云、波状云、卷云和晴空5种类型天空的LBP谱和VAR特征,最后对274个样本进行了分类识别,并与人工观测结果比较,结果表明,层状云、积状云、波状云、卷云和晴空的识别正确率分别为100．0％、84．2％、70．3％、64．7％、99．0％,平均正确率达到87．2％。     

基于亮温通道变率的FY-3C微波湿度计陆地云检测新方法

云检测是卫星资料同化的重要前处理步骤,无论是晴空资料同化还是有云资料同化,都需要准确地区分有云和晴空资料。由于陆地地表发射率的多变性和微波能穿透部分云类的特点,微波湿度计资料在陆地上空的云检测研究一直是难点。利用快速辐射传输模式（CRTM）分析了不同云类条件下FY-3C微波湿度计（MWHS-Ⅱ）各通道亮温的通道间变率特征,根据MWHS-Ⅱ亮温通道间变率随云高以及云中液态水含量的增大而减小的特点,提出了一个基于亮温通道变率的MWHS-Ⅱ陆地资料云检测方法。与已有的云产品比较结果表明:新的云检测算法能有效地剔除大部分受云影响的资料,剔除后的晴空资料观测和模拟偏差更好地符合高斯分布。新方法对过冷水云、冰云、重叠云的检测能力较强,正确检测率可以达到80%,对卷云以及高度较低的水云的检测能力相对较弱。新方法能有效利用MWHS-Ⅱ观测资料自身完成云检测,在MWHS-Ⅱ资料同化中有很好的应用前景。      

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%。