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。     

用模糊神经网络自动识别云的技术研究

采用模糊逻辑理论与神经网络技术方法, 构建一种新的分类识别方法--模糊神经网络 (FNN), 运用10.5～12.5 μm通道的红外卫星云图资料, 对(70°N～70°S, 70°E～150°W)范围不同的云类进行定量自动模式识别高云、中云、低云区和无云区以及相关的云量, 并结合数字图像处理的相关知识和技术, 将分类结果用直观的图像输出.     

中国东部地区卫星估计降水系统及其应用

基于两年的地面观测和GMS-5静止卫星云图等资料样本库，采用多元回归方法建立了中国东部地区六小时降水量分级估计业务系统。在大片层状云、孤立对流云等不同性质的降水条件下对该系统进行业务试运行，结果表明：1)使用多通道卫星云图资料，特别是红外和水汽通道亮温差、红外亮温的时间变率等云图衍生资料，可以有效的提高卫星定量估计降水准确率。2)由逐日实时资料库建立的回归估计方程，每6h更新一次，大大地改善了大片厚卷云和特殊地形引起的空报。     

利用卫星云图估算焦作市4-9月12h降水

利用2004-2006年FY-2C卫星云图资料,统计了云顶亮温与焦作市降水量的关系;并根据相邻两张云图中云顶低亮温中心移动的距离和时间,确定云的移速.在此基础上,建立了层状云和积状云降水估算方程.经对2005-2006年估算结果统计,层状云有无降水预报准确率为80%;对4次积状云降水的估算结果为1次漏报、1次降水量级误差较大、2次预报正确,准确率达50%.     

利用卫星云图估算焦作市4-9月12h降水

利用2004-2006年FY-2C卫星云图资料,统计了云顶亮温与焦作市降水量的关系;并根据相邻两张云图中云顶低亮温中心移动的距离和时间,确定云的移速。在此基础上,建立了层状云和积状云降水估算方程。经对2005-2006年估算结果统计,层状云有无降水预报准确率为80%;对4次积状云降水的估算结果为1次漏报、1次降水量级误差较大、2次预报正确,准确率达50%。     

地基可见光全天空云图云量图像处理识别方法

为增强地基可见光全天空云图中云与天空的特征和区别,提高云检测率,基于图像复原和图像增强技术提出一种改善云图质量的方法。该方法采用暗通道去雾算法进行图像复原;采用亮度直方图均衡增强图像纹理细节;综合两种方法,先图像复原,再图像增强。按低能见度薄云、低能见度厚云、高能见度薄云、高能见度厚云4种情况分别进行讨论,结果表明:除高能见度薄云采用单一的图像复原使云检测效果降低外,图像复原和图像增强都能使云检测和云量识别准确率提高;综合二者,云检测和云量识别准确率进一步提高;该方法对薄云和低能见度云图的改善最为显著。     

用多谱阈值法进行GMS-5卫星云图云型分类的研究

介绍了利用GMS-5卫星云图资料获得晴空、半透明云或碎云和高、中、低云的方法。基于最优回归统计法得出多谱阈值与等压面温度的统计关系，利用MM5中尺度数值预报模式的预报结果计算动态变化的多谱阈值，使云判别阈值能适应不同的天气。实际资料试验表明：多谱阈值法是一种可行的云判别和支分类的方法。该方法能较准确地区分云与晴空、判别出高云和低云，对半透明云或碎云及中云也有一定的判别能力。该方法基本能应用于实时云分类 业务。     

基于局部阈值插值的地基云自动检测方法

地基云自动化观测是当前气象业务发展的迫切需求.目前的地基云检测算法仍主要是以阈值为基础,针对固定阈值和全局阈值算法在云检测精度方面存在的不足,利用晴朗天空下天空呈蓝色、云呈白色的属件,提出了一种基于局部阈值插值的地基云自动检测方法.该方法在对云图进行重采样后,对云图蓝、红波段进行归一化差值处理,再将处理后的结果图像按空间像素位置自动分成互不重叠、大小相等的均匀子块,对每一子区域采用一定的规则并结合改进的最大类间方差自适应阈值算法计算局部阈值,然后对每一子区域形成的阈值矩阵采用双线性插值算法进行插值处理,形成与原始云图大小相等的阈值曲面,利用此阈值曲面与云图蓝、红波段归一化差值处理结果进行比较,即可完成地基云的自动检测.与固定阈值和全局阈值算法相比,局部阈值插值算法对一些细碎的云和与背景反差不大的云获得了更好的检测效果.定量的评估结果表明,固定阈值方法在正确率和精确度上都要远远低于全局阈值和局部阈值方法,而文中提出的局部阈值算法在正确率和精确度上相比全局阈值算法又有较大提高.     

怎样分析卫星云图 (二)几类主要云系的基本特征

当云图分析者拿到卫星云图照片后,第一步,是要识别照片上各种不同的云,并把云和地表面特征区别开;第二步,分析各种云组成的型式,通过云型识别各种大小不同的天气系统;第三步,比较前后时间的云图,判断各种天气系统的演变情况;第四步,从各种云型的结构来推论当时大气的各种特性,     

利用MODIS资料对中国西部地区的云检测

许多运用卫星资料的工作首先要求将卫星观测区域内的云去除,而美国国家航空和宇宙航行局(NASA,National Aeronautics and Space Administration)的中分辨率成像分光辐射计(MODIS,Mod-erate Resolution Imaging Spectroradiometer)云检测产品MOD35_L2在光亮表面(如中国西部地区)上空存在较大误差。因而对于云检测结果敏感的工作(如反演气溶胶光学特性),如果简单的采用MOD35_L2,将给最终的结果带来误差。本文提出时间序列方法和MODIS第1(0.659μm)、3(0.470μm)、4(0.555μm)通道多通道方差方法与MOD35_L2中部分云检测方法相结合对中国西部地区进行云检测,得到了较好的云检测结果。     

基于FY-4卫星资料分析暴雨云系特征

本文利用FY-4气象卫星单通道云图和多通道组合，以2019年7月28日四川省眉山市的一次暴雨过程为例，分析暴雨云系的演变和微观物理性质等特征，结果表明:此次暴雨过程中出现两次对流云团的合并，云团的合并造成了暴雨区域和强度增大，属于多个对流云团多次合并，暴雨云团中有强烈的大尺度垂直上升运动，整层大气水汽充足，为强降雨提供了较好的水汽输送和动力条件。多通道RGB合成图能以色彩的形式有针对性地突出对流系统、冷暖气团、云粒子相态等属性，造成此次暴雨过程的对流云团主要为伴随强烈上升气流的由冰粒子组成的高层积雨云。FY-4气象卫星在暴雨等强对流天气监测中有着重要的作用，补充了常规天气资料分析的不足，为短时天气预报提供一种思路。      

基于配料法的“08.6.3”河南强对流天气分析和短时预报

采用基于构成要素的预报方法(配料法),使用业务中能够及时获取的常规观测资料、静止气象卫星云图和多普勒天气雷达资料,对2008年6月3日下午发生在河南大部的以雷暴大风为主的强对流天气进行分析.针对2008年6月3日08时500、700、850 hPa和地面图上温、湿、风等的配置,结合探空、水汽云图和多普勒天气雷达回波图,对构成强对流天气的几个主要因素:层结稳定度、水汽、触发机制、垂直风切变、对流层干层等进行分析,结果表明:河南大部处于较强的条件不稳定、强烈的深层(地面到500 hPa)垂直风切变和明显的高空干平流的环境中,这种环境有利于高度组织性的超级单体风暴的产生和发展,导致雷暴大风和冰雹天气.而地面冷锋、辐合线和高空次天气尺度涡旋伴随的正涡度平流共同作用产生的上升气流导致雷暴在山西中南部生成,然后向东南方向移下太行山.进入河南有利的环境下获得猛烈发展.在充分利用"配料法"的主要思路和现有观测资料条件下,结合预报经验,2008年6月3日强对流过程可以提前数小时进行正确的短时预报.     

中国区域云特性分析及在FY-2云检测中的应用

云检测中所使用的云检测阈值正确与否是关系到云检测精度的重要因素。该文利用1983年7月-2007年6月ISCCP数据对覆盖我国及周边区域不同云类云顶温度的年、日变化特征进行分析, 得到云顶温度的分布特征; 对晴空下垫面与最暖云云顶温度差随纬度分布特征、不同区域晴空下垫面及云顶温度与晴空地表温度差日变化特征进行分析, 这些特征及每3 h的晴空下垫面24年平均亮温作为云检测算法的背景场, 用以判识实时动态提取云检测阈值的合理性。个例分析表明:利用多年平均晴空下垫面温度及最暖云云顶温度与晴空下垫面温度之差, 可有效识别云检测阈值的合理性, 合理的阈值有助于提高连续多日被云覆盖及冰雪下垫面条件下的云检测精度。     

用双通道动态阈值对GMS-5图像进行自动云检测

该文用双通道动态阈值法对GMS-5图像进行自动的云检测。在红外通道和可见光通道，分别对每32×32个像元组成的像元阵进行直方图统计，求出区别云和地物值域的阈值，然后对每个像元阵内的逐个像元进行云判识。讨论了在进行直方图分析以求取阈值的过程中，像元阵大小的选取和动态平滑间距的选取对云检测结果的影响。分析结果表明:像元阵大小取32×32时，像元阵所占的地域空间尺度足够小，像元阵内的观测像元样本数足够多，保证了在直方图聚类分析时，每一类含有足够多的样本；GMS-5观测图像的红外通道对原始直方图进行二次平滑时小平滑间距取1.6 K，可见光通道小平滑间距取1.2%，使得确定动态阈值时步长相对小，保证了分析的精度。用目视图像对分析结果进行真实性检验，在中低纬度地区，可见光和红外两个通道都有资料时，该算法的云判识精度较好。在高纬度地区，由于地表温度低，积雪覆盖多，太阳光照角低，该算法的云判识精度较差。     

Detection of clouds and identification of their parameters from the satellite data in the daytime

A complex method for analysis of measurement data of the AVHRR radiometer of the NOAA satellite is presented, which allows detecting clouds, classifying their types, detecting precipitation zones, and estimating cloud and precipitation parameters in the daytime the year round in the midlatitudes. Tuning and testing of the method (threshold algorithms of classification) are carried out on the synchronous satellite and surface meteorological and radar data archive for central European Russia in 1998–2006. As a result of validation, characteristics are presented of reliability of satellite estimates of cloud amount, top height, maximum liquid water content in the cloud layer, and precipitation rate.     

用TRMM卫星微波成像仪遥感云中液态水

应用热带降雨测量卫星微波成像仪(TRMM/TMI)的被动遥感资料,选用对云中液态水变化非常敏感的85.5 GHz垂直极化通道的亮温信息,通过离散纵坐标矢量辐射传输模式,采取逐步逼近的方法确定出地表的微波比辐射率,并运用迭代方法有效地反演出云中液态水含量及其分布.与对应的卫星红外云图对比结果表明,反演的云中液态水分布是合理和可信的.     

DETECTION OF DAYTIME FOG IN SOUTH CHINA SEA USING MODIS DATA

Based on a current fog detection theory, a multiband threshold method for MODIS data was put forward to detect daytime fog in the South China Sea. It used Bands 1, 2, 18, 20 and 31 of MODIS data to separate fog from the cloud and the sea surface. The digital detection indexes were as follows. If RB1<20%, RB2<20% and RB1>RB2, the pixel was identified to be the sea surface. If RB1>55%, RB2>55% and TB31<273 K, the pixel was identified to be a middle- and high-level cloud. If IFC>20, the pixel was classified to be sea fog. The method was verified with sea fog data observed from the coastal region of Guangdong during January-April 2011. Out of the 13 samples of satellite detection, nine were consistent with the surface observations, three were identified to be low-level the cloud according to the satellite detection but fog according to the surface observations, and only one sample was identified to be the ocean surface by the satellite detection but fog by the surface observations. Because the MODIS data cannot penetrate the cloud or fog, the model was designed for a single field of view which had only one layer of cloud or fog. It can accurately distinguish fog which is not covered by the cloud, but it identifies fog as cloud if the former is covered by a cloud. Generally speaking, the model is effective and feasible.