用三通道合成彩色图像进行云的分类解释判读

为更好地利用FY-3A气象卫星上中分辨率光谱成像仪(MERSI)资料高空间分辨率及多光谱的优势,细致分析云系在宏、微观方面的多重特征,首先利用平面平行辐射传输模式(SBDART)证明了MERSI的0.65,1.6 μm和11.25 μm通道能够分别反映云光学厚度、云粒子大小、云顶高度的信息,然后采用三通道合成彩色图像的...     

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。     

评估FY-3A微波湿度计O-B对云的识别能力

应用FY-3A微波湿度计2010年1月份的Level-1c观测亮度温度O,NCEP GFS 6 h的预报场作为背景场,用RTTOV 9.3版本辐射传输模式模拟的亮度温度B以及美国NOAA-18 MHS业务微波地表和降水产品,研究了双权重质量控制算法对FY-3A MWHS 通道3至5云和降水视场的识别能力。研究表明双权重质量控制算法判断的负观测增量O-B的离群点中,大多数都受云和降水影响。通道3约占60%,通道4约80%,通道5超过80%。当降水率大于0.2 mm·h^-1时,通道3负离群点可识别超过60%降水云,随着降水率增大识别率超过80%。而通道4对大于0.2 mm·h^-1的降水的识别率超过90%。通道5负离群点几乎可以剔除100%的降水影响资料。在目前还没有MWHS自身云检测产品的条件下,双权重质量控制算法可剔除大部分云和降水影响视野。     

用FY-1C两个近红外太阳反射光通道的观测数据反演水汽总含量

FY-1C极轨气象卫星扫描辐射仪第10通道的观测波长为0.90~0.965μm，位于弱水汽吸收区，邻近的第2通道观测波长为0.84~0.89μm，位于大气窗区。该文根据R.Frouin提出的算法，用FY-1C资料实现了近红外水汽吸收区和窗区两个通道联合反演水汽总含量。所用的反演关系式为其中，水汽吸收区与窗区两个通道的反射率之比r可以从卫星测值中求出；在探空站所在的地方，沿光路的水汽总含量m为己知量，可以用统计方法求出系数A和B；在没有探空站的地方，可以根据系数A和B，用反演关系式求m。影响系数A的因素主要是大气的温、压、湿廓线和仪器的通道响应函数，影响系数B的因素是地表反射率。由于这些对反演关系式中的系数取值有影响的因素随时间和地点有变化，对不同地区和时段的探空站分别进行统计，得到不同的系数进行反演，取得了较好的效果。另外，还用质量控制手段控制了定位误差可能带来的影响。独立样本真实性检验表明，反演值和探空测值之间的偏差约为15%~20%，相关系数在90%以上。     

基于朴素贝叶斯的FY-4A/AGRI云检测方法

光学遥感云检测是定量遥感和遥感应用的基础, 尝试将朴素贝叶斯的机器学习方法应用于风云四号气象卫星A星(FY-4A)搭载的先进静止轨道辐射成像仪(AGRI)红外通道数据云检测。因辐射物理方法的云检测采用可见光通道导致存在日夜不连续现象,仅选取FY-4A/AGRI载荷7个红外通道的光谱数据,构建10种特征分类,利用正交偏振云-气溶胶激光雷达(CALIOP)与FY-4A/AGRI时空匹配数据,对不同地表类型和不同季节的数据集进行分类训练和验证。与CALIOP数据交叉验证显示除积雪上空云识别准确率约为81%,深海、浅水、陆地和荒漠上空的云识别准确率均高于92%,误判率基本低于10%,总体云识别精度达到90%;与2021年10月和2022年1,4,7月MODIS 2级云检测产品比对,深海、浅水云识别准确率均在88%以上,误判率分别低于3%和10%,夏季云识别效果最佳,总体云识别准确率高达90%。云检测结果不仅得到云、可能云、可能晴空和晴空4种分类结果,还得到每种特征和综合特征云检测分类器的不确定性概率值,这为云和地表相关检测产品提供重要参考。     

基于FY-2C红外资料进行夜间云检测的方法研究

应用2007年4月30日20时至5月1日03时的FY-2C红外亮温资料、地面云观测资料以及地理海拔高度资料,详细分析了无云条件下红外亮温与地理海拔高度之间的关系特征。通过建立夜间无云条件下红外亮温与地理海拔高度之间对应关系的标准数据库,以此为判据实现了有云区和无云区的分离,云检测个例结果表明正确率可达88%;将无云区误判为有云区的百分比为4%,同时将有云区误判为晴空区的百分比是8%。在云区的云检测正确率为82%;在无云区的云检测正确率达到92%。在业务化应用和适用性分析中,以5月1日00时资料建立的判据,分别对5月2日至5日00时整个区域进行云检测试验,分析结果表明其总体准确率与5月1日00时的基本接近但稍高,达到92%。在云区的判识正确率提高到93%,从而导致总体准确率稍微提高;而在无云区的判识效果与5月1日00时的一致为92%。     

基于MODIS云宏微观特性的卫星云分类方法

利用MODIS云光学厚度、云粒子有效半径、云顶高度、云相态等产品,以及表征6种云类的云光学厚度、云粒子有效半径、云顶高度、云相态的特征值,采用最小距离分类法和多阈值判识法相结合,对卫星观测像元的云进行分类,包括层云、层积云、积云、积雨云、雨层云、高积云/高层云、卷云以及卷云伴随高积云或高层云的多层云、卷云伴随层云或层积云的多层云、高积云或高层云伴随层积云或层云的多层云10类。2008年、2013年卫星分类结果与地面站云类观测对比,达到60%的一致性;将相同时间的地面小时降水量与分类结果叠加显示,出现降水处多为雨层云或积雨云。     

用神经网络方法对NOAA-AVHRR资料进行云客观分类

利用NOAA AVHRR 5个通道资料建立了 6种云类以及陆地和水体的样本数据库 ,其中包括 8× 8象素样本和单象素样本。AVHRR的 5个探测通道都位于大气窗区 ,吸收物质少 ,比较透明 ,可以比较准确地反映探测表面的性质。理论分析和试验结果表明 :除了不同性质的云在 5个通道中有不同的表现外 ,通道之间的差别也可用于云分类。在理论分析和试验的基础上 ,对 8× 8象素样本库提取了包括光谱特征、灰度特征、通道差特征、灰度统计量和灰度直方图统计量特征在内的 80个特征 ,并利用逐步判别分析方法进行特征筛选 ,共选出 2 0个特征 ,用神经网络方法对 8种类型云和地表样本数据库分类 ,选择网络结构为 2 0 - 4 0 - 15 - 4的B P网络 ,利用 30 0 0多个样本进行神经网络训练 ,并用其余的 3万多个独立样本数据进行检验 ,测试正确率达 79%。类似地 ,对单象素样本数据 ,提取了包括光谱特征、灰度特征、通道差特征在内的 2 0个特征 ,用神经网络方法对 8种类型云和地表分类 ,选择网络结构为 2 0 - 4 0 - 15 - 4的 4层B P网络 ,利用 2 0 0 0多个样本进行神经网络训练 ,并用其余的 2万多个独立样本数据进行检验 ,测试正确率达 78%。设计并编写了实际云图客观云分类系统和软件 ,该系统输入为 5个通道的AVHRR数据 ,可自动获取已     

基于迁移学习的卫星云图云分类

针对在基于机器学习的云图识别中,由于不存在公认的云分类样本库的现实条件下,带来的训练样本数量不足和不平衡,从而难以获得可靠的分类模型的问题,利用迁移学习中的多源加权Tradaboost算法(内部采用极限学习机作为分类器)来进行卫星云图云的检测。利用多人(多源)标注的大量厚云的样本,构成多源辅助样本集;利用少量标注的薄云样板构成目标样本集。使用迁移学习和辅助样本集,对仅在薄云样本集下的训练获得的极限学习机分类器进行辅助训练,提高其薄云识别率。基于国家卫星气象中心的HJ-1A/B的卫星数据实验结果表明,迁移学习可以充分利用容易获得的大样本厚云辅助样本知识,对同类型有关联的小样本薄云分类器进行识别提高。实验表明,迁移学习算法可以进一步用于更多多源样本和其他云分类的任务。     

用雷达反射率作对流性降水和层状云降水自动分类

为提高雷达定量测量降水的精度,利用武汉CINRAD/SA雷达反射率数据,研究提出了对流性降水和层状云降水自动分类算法(ACSS)。该算法在二维反射率结构场初步分类降水的基础上,识别亮带并从体扫描数据中提取降水的三维结构特征,然后对初步分类结果进行订正。试验表明,ACSS能较准确地实现对流性降水和层状云降水的自动分类,相对于只根据二维结构分类降水性能上有较大提高,主要表现在能正确识别出亮带特征明显的强层状云和对流核外沿的对流弱回波区。     

GMS-5四通道云图的自动分类及其在定量降水估算中的应用

根据日本地球静止气象卫星（GMS-5）云图的新特点,运用动态分类方法对GMS-5四通道卫星云图进行分类,得到各种云类及地表。并由分类结果,根据一维云模式得到的对流云对流核心云顶温度与降水之间的关系,对层云和对流云做定量降水估算。并用1995年8月31日的云图资料进行对流云和层云的降水估计试验,将估算出的降水率和降水面积与地面1 h的观测降水资料进行比较,结果表明：假如设置40%为降水的允许误差,那么降水估计的准确覆盖率将达到70%。能在业务应用中推广,并且该方法可以应用到即将发射的风云2号气象卫星资料处理     

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%。     

Cloud Classification and Distribution of Cloud Types in Beijing Using Ka-Band Radar Data

A cloud clustering and classification algorithm is developed for a ground-based Ka-band radar system in the vertically pointing mode. Cloud profiles are grouped based on the combination of a time–height clustering method and the k-means clustering method. The cloud classification algorithm, developed using a fuzzy logic method, uses nine physical parameters to classify clouds into nine types: cirrostratus, cirrocumulus, altocumulus, altostratus, stratus, stratocumulus, nimbostratus,cumulus or cumulonimbus. The performance of the clustering and classification algorithm is presented by comparison with all-sky images taken from January to June 2014. Overall, 92% of the cloud profiles are clustered successfully and the agreement in classification between the radar system and the all-sky imager is 87%. The distribution of cloud types in Beijing from January 2014 to December 2017 is studied based on the clustering and classification algorithm. The statistics show that cirrostratus clouds have the highest occurrence frequency(24%) among the nine cloud types. High-level clouds have the maximum occurrence frequency and low-level clouds the minimum occurrence frequency.     

基于云类型匹配和距离误差权重的单层云云底高度估计

云底高度(cloud base height,CBH)的观测对地气系统的辐射模拟和保障飞行安全有重要意义。本文结合CloudSat/CPR、CALIPSO/CALIOP和Aqua/MODIS的主被动观测资料,建立了基于云类型和距离的CBH估计算法。本文云分类方法采取国际卫星云气候计划(International Satellite Cloud Climatology Project,ISCCP)的云分类法,并利用A-Train数据对估计结果进行验证。结果表明,CBH的平均误差小于3 km,而低云CBH的平均误差小于1 km。在0~500 km的估计范围内,CBH估计的绝对误差主要在1 km以内,均方根误差不超过3 km。最后,基于此方法,本文重建了一个锋面云系的三维结构。     

应用AMSU-B微波资料识别强对流云区的研究

微波遥感可以穿透云顶直接探测对流云内的冰态粒子分布,受冰晶粒子的强烈散射衰减作用,AMSU-B的3个微波水汽吸收波段亮温随冰粒子的增加而降低.由于探测权重高度不同,辐射传输过程中受冰粒子的散射影响也不尽相同,3个水汽通道之间存在亮温差异,这种差异与对流云的强弱密切相关.利用微波向量辐射传输模式(VDISORT)模拟了云雨粒子对微波水汽通道观测的影响,并利用2005年8月12日华北地区的对流天气过程,分析了AMSU-B通道亮温与对流强弱变化之间的对应关系.在此基础上,建立了一种利用NOAA卫星AMSU-B水汽通道亮温差定量判识深对流云和冲顶对流云的方法.利用该方法对典型对流降水云团进行判识,结果显示,微波识别的对流云区可以较好地表征强降水的分布,其中的冲顶对流区与可见光云系的上冲云顶结构有着很好的对应.     

利用FY-2F快速扫描资料分析对流初生阶段的云顶物理量特征

基于FY-2F静止气象卫星提供的2015年5—9月的高分辨率数据,通过温度阈值法识别出深、浅对流后,分析和比较了深、浅对流在对流初生(convective initiation,CI)至发展阶段中云顶高度、云顶快速降温率(cloud top cooling rate,CTC)以及多通道差值等云顶物理量特征的变化异同。结果表明:深、浅对流在CI阶段的云顶物理量特征具有相似变化特征,即云顶高度均在短时间内快速上升,CTC值均先减小后增大;深、浅对流差异表现为深(浅)对流云顶上升高度能(不能)超越水汽层高度;深对流CTC最低值较浅对流CTC最低值更低。基于CI阶段深、浅对流的CTC最低值的差异,通过个例验证,表明利用深、浅对流CTC最低值的差异,可以在识别出CI的基础,判断出CI是否发展成为深对流,从而能提前做出预警。     

基于径向基函数网络的云自动分类研究

采用 GMS- 5红外 ( 1 0 .5～ 1 2 .5μm)和可见光 ( 0 .55～ 0 .9μm)两通道资料 ,采集了 1 999年 7— 1 0月中国东南沿海 57区、58区和 59区包括晴空在内的 1 2类云目标样本 2 91 2个 ,采样窗尺寸为 8× 8像素 ,随机生成训练和测试两个样本子集。对径向基函数网络 ( radial base function neural network,RBF)在云分类问题研究中的应用价值进行了全面的测试与分析 ,得到了肯定的结论 ,提出了优化设计的方法。对6类云型分类试验 ,平均正确率为 86 % ;对 1 1类云型分类试验 ,平均正确率为6 7%。采用自组织竞争神经网络实现寻找 RBF神经网络的隐层神经元中心。在特征空间生成过程中 ,采用小波包分解算法实现模式特征抽出。结果表明 ,小波包分解特征能很好地描述不同云型的差异。