新一代静止卫星葵花-8的云分类研究及其应用

论文摘要

云在天气系统演变以及气候变化等方面发挥着极其重要的作用,它不仅决定性地影响全球辐射能量平衡,也影响全球水汽输送。云的类型对于天气的状况和未来的发展变化有着明确的指示意义,如积雨云之类的对流云与大气不稳定性、湍流和雷暴有关。准确的云检测和云分类对水文、气候、天气等研究和应用有着重要意义。为有效提升保障华南区域航空安全与效率的能力,需要实现全天时高时空分辨率客观化定量化的云类和降水反演。随着计算性能的提升和海量数据的不断积累,反演算法已从线性数学、数理统计向人工智能的机器学习、深度学习发展。近年来投入业务使用的新一代静止卫星如葵花-8提供了更精细的时空分辨率和更多的光谱通道,是否有利于云类和降水的反演值得深入研究。有如下几个问题需要尝试解决:1)机器学习算法高度依赖于已标记好的真值样本,但云型分类真值样本稀缺;2)过去使用旧代卫星反演夜间云和降水的效果明显不如白天,使用葵花-8能否得到改善;3)现有的一些静止卫星云分类产品所需外部依赖资料繁多、耗时长,业务应用困难。基于葵花-8的光谱通道对于云的辐射特性,本文研究实现了如何结合CloudSat的云类别廓线产品反演全天时云类,和如何结合地面雨量站反演降水强度的方法。通过与独立数据的对比检验,表明本文得到的全天时云分类和降水分布结果合理可靠,夜间效果与白天基本一致,而且最终得到的算法外部资料依赖少,运算速度极快,非常适合应用于业务监测。不过算法对于大雨尤其是暴雨存在低估,需要在以后的研究中改进。全文主要内容如下:1、将CloudSat的云类别廓线产品作为云分类的真值,通过和葵花-8图像匹配样本、基于最大似然估计和随机森林等统计和机器学习算法、检验Nida台风案例结果,并讨论分析定量和定性存在矛盾的原因,得到了4个可分别用于白天和夜间的分类器。结果表明,有可见光的情况下的两种算法整体准确率都要比不使用可见光高出许多,最大似然估计算法从夜间最佳的78.95%提升到白天最佳的87.38%,而随机森林算法则从85.23%提升到94.23%。单纯从定量分析的角度看,随机森林比最大似然估计算法明显准确率要更高,夜间随机森林的准确率甚至已经和白天的最大似然估计效果相近。尤其是对于卷云的识别,随机森林的表现明显更为优秀。然而,从云分类结果图上看,明显最大似然法更合理。分析表明随机森林算法严格按照训练样本的自身分布去拟合决策树模型,因此对数据的质量更为敏感,如实反映样本缺陷。2、考虑到云类本身在光谱空间的聚类特性,而最大似然估计分类器通过多次聚类迭代运算——事实上对错误样本进行了纠偏订正——是合理的。提出了结合最大似然估计算法和随机森林算法的全天时云分类方法。通过与美国海洋和大气管理局业务云类产品的对比检验证明,该方法能充分发挥新一代静止卫星更多光谱通道的优势,也对样本本身可能存在的错误具备较高的容忍度,尤其是夜间云分类能做到接近白天的水平。该分类器运算速度极快,而且使用时只需要用葵花-8的数据,便于业务化推广应用。3、使用地面雨量计降水量作为真值来估计葵花-8降水等级,并与GPM（Global Precipitation Measurement）降水反演产品和地面雨量计进行了验证。由于用于建模、反演和检验的资料是高时空分辨率的（卫星图像保持0.025°的分辨率信息,实测降雨资料为10分钟雨量计降水）,保证了该方法可以实现高精度的降雨反演。通过充足样本建立了较为合理的降水概率判识矩阵,因而能够比较准确地划分雨区与非雨区。结合云分类的结果进一步分析降水样本和云类的关系,实现了基于云分类结果和随机森林来反演降水等级的方法,得到了全天时一致的降水强度分类器。该分类器使用基于样本雨量平均值得到的判据来反演降水等级,分布与GPM产品大致一致,部分等级降水甚至比GPM产品略好。GPM校准降水资料一般要比探测时间落后3—4个月才发布,无法用于业务应用,分辨率也较粗,而本文提出的方法在时空分辨率和及时性上都是很大的优势。

论文目录

• 摘要
• ABSTRACT
• 缩写注释表
• 第一章 绪论
•   1.1 研究意义
•   1.2 研究背景
•     1.2.1 观测云的方式
•     1.2.2 云类型的标准
•     1.2.3 卫星云类反演的方法进展
•     1.2.4 静止卫星云分类的评估分析
•     1.2.5 降水的观测和反演进展
•     1.2.6 人工智能算法在遥感领域的应用展望
•   1.3 研究目标与内容
•     1.3.1 研究目标
•     1.3.2 研究内容
• 第二章 数据和预处理
•   2.1 引言
•   2.2 关注区域
•   2.3 葵花-8数据和预处理
•     2.3.1 时空分辨率筛选
•     2.3.2 可见光反照率的归一化
•     2.3.3 云分类数据集
•     2.3.4 降水数据集
•   2.4 训练检验集数据
•     2.4.1 云垂直廓线
•     2.4.2 地面雨量站降水
•     2.4.3 全球预报模式产品
•   2.5 对比测试集数据
•     2.5.1 云分类对比测试集
•     2.5.2 降水对比测试集
• 第三章 云分类方法的试验
•   3.1 引言
•   3.2 云类定义和流程
•   3.3 样本匹配
•     3.3.1 云类上的匹配
•     3.3.2 时空上的匹配
•   3.4 分类器的设计和训练
•     3.4.1 最大似然估计算法及分析
•     3.4.2 随机森林算法及分析
•   3.5 训练结果和讨论
•     3.5.1 定量分析
•     3.5.2 个例比较
•     3.5.3 对于不一致的讨论
•     3.5.4 分类器运算速度
•   3.6 小结
• 第四章 云分类的对比测试和改进
•   4.1 引言
•   4.2 分类器对比测试
•     4.2.1 样本选取和对应
•     4.2.2 全部样本的表现
•   4.3 分类器的改进
•   4.4 改进后的分类器对比测试
•     4.4.1 定量分析
•     4.4.2 个例比较
•   4.5 云分类产品对比
•   4.6 小结
• 第五章 云分类在降水反演中的应用
•   5.1 引言
•   5.2 样本匹配和质量控制
•     5.2.1 样本匹配
•     5.2.2 质量控制
•     5.2.3 降水等级定义
•   5.3 降水区判识
•   5.4 机器学习反演降水
•     5.4.1 结合云分类构造降水强度矩阵
•     5.4.2 随机森林反演全天时降水
•   5.5 评估和讨论
•     5.5.1 总体评估
•     5.5.2 个例分析
•   5.6 测试集数据的对比检验
•     5.6.1 总体评估
•     5.6.2 个例分析
•   5.7 小结
• 第六章 总结与展望
•   6.1 全文总结
•   6.2 特色和创新之处
•   6.3 展望
• 参考文献
• 附录A 云状电码及符号表
• 附录B 最大似然优化算法的IDL核心程序
• 致谢

文章来源

类型: 博士论文

作者: 张成伟

导师: 伍荣生,郁凡

关键词: 静止卫星,葵花,云分类,降水反演,机器学习

来源: 南京大学

年度: 2019

分类: 基础科学

专业: 气象学,气象学

单位: 南京大学

基金: “突发性强对流天气演变机理和监测预报技术研究”,国家973项目(2013CB430100),“梅雨期降水卫星高精度连续反演和现时预报研究”,国家自然科学基金项目(41275030),“淮河流域多源多光谱卫星信息梅雨监测预报方法研究”,淮河流域气象开放研究基金项目(HRM200704)

分类号: P426.5;P412.27

DOI: 10.27235/d.cnki.gnjiu.2019.000049

总页数: 132

文件大小: 11370K

下载量: 409