一種基于衛(wèi)星遙感的臨近預(yù)報方法

劉 佳

(商丘師范學(xué)院信息技術(shù)學(xué)院，河南 商丘 476000)

近年來，在全球變暖為主要特征的氣候變化背景下，極端天氣現(xiàn)象逐漸增多，其中中尺度對流系統(tǒng)(mesoscale convective system,MCS)[1-4]是形成暴雨、冰雹等強對流天氣的主要原因。因此，研究這些強對流天氣以減少自然災(zāi)害帶給社會的風(fēng)險和損失意義重大。

強對流天氣[5-6]的預(yù)報一般分為短期預(yù)報(12 h以內(nèi))和臨近預(yù)報(0～2 h)[7-8]。臨近預(yù)報的觀測數(shù)據(jù)主要來源于雷達、探測器和衛(wèi)星。預(yù)報強對流天氣的一種方法是利用臨近預(yù)報時間步長進行外推，另一種方法是利用數(shù)值天氣預(yù)報(numerical weather prediction,NWP)模型。

目前，所有的臨近預(yù)報算法都不能完全解決對流核的生消、分裂與合并等問題。因為對流核不是剛體，所以在其發(fā)展變化過程中通常會出現(xiàn)生長、消亡和形變等現(xiàn)象。相應(yīng)的，描述這些對流核的參數(shù)也會隨之發(fā)生變化，而這些變化的規(guī)律目前仍很難把握[9]。

云團在MCS生命周期中的分裂合并問題是臨近預(yù)報的難點。為解決這一問題，本文提出FCC(forecasting convective cells)算法，該算法使用FY-2氣象衛(wèi)星數(shù)據(jù)預(yù)測多個對流單體的運動軌跡。由于對流單體是MCS中穩(wěn)定的部分，因此，可通過預(yù)測對流單體代替MCS。對流單體的移動軌跡根據(jù)結(jié)合歷史誤差的幾何質(zhì)心位移進行預(yù)測。

1 臨近預(yù)報方法

對流核的運動速度可以看做是均勻的，很多臨近預(yù)報算法根據(jù)這一特性，對下一時刻對流核的位置進行了線性外推。文獻[10]提出了利用ForTraCC算法預(yù)測對流核的運動，該算法具體描述了預(yù)測對流核時可能遇到的5種情況，即產(chǎn)生、消亡、連續(xù)、合并和分裂。文獻[11]通過計算雷達回波的光流場得到回波的運動矢量場,并基于運動矢量場對雷達回波進行外推從而達到預(yù)報的目的。文獻[12]通過在空間等屬性上進行尺度變換處理,可獲得預(yù)報在不同空間尺度上的評價信息。文獻[13]根據(jù)固有模態(tài)函數(shù)(IMF)方差最大值對應(yīng)層數(shù)的動態(tài)特性,建立并驗證了兩種強度的雷暴臨近預(yù)報模型。

FCC預(yù)測算法通過給定的3個連續(xù)時刻(t-2Δt、t-Δt和t)預(yù)測MCS的位移。圖1為FCC對流核預(yù)測方法的示意圖，分為t-2Δt、t-Δt和t和t+Δt時刻，實線部分為真實的對流核位置，虛線部分為預(yù)測的對流核，實線箭頭為對流核真實位移，虛線箭頭為預(yù)測對流核位移。該算法通過結(jié)合前兩個時刻的歷史誤差預(yù)測對流核的位置，相對于線性外推方法能得到更加準(zhǔn)確的預(yù)測結(jié)果。

假定前一時間間隔位移向量為Vt-1，Vt-1利用t-2Δt和t-Δt時刻的質(zhì)心位移計算?？紤]這個位移在短時間內(nèi)大小和方向不會發(fā)生很大的變化，產(chǎn)生了預(yù)測速度VP(t)。同時，計算t-2Δt和t-Δt時刻MCS的真實質(zhì)心位移Vt。真實位移和預(yù)測位移之間的誤差為

ΔVt=Vt-VP(t)

(1)

結(jié)合式(1)計算的誤差，估計的MCS向量位移可通過下式計算

VEt+1=Vt+ΔVt

(2)

MCS的生命周期階段(初生到消散)通常使用標(biāo)準(zhǔn)面積膨脹進行估計，該參數(shù)可表示為

(3)

式中，A表示某一時刻MCS的面積大小，正值表示面積增大，負值表示面積縮小。

MCS的生命周期階段可表示如下

A(t)=aeat2+bt+c

(4)

式中，A(t)為生命周期中t時刻的MCS面積；a、b和c為根據(jù)生命周期持續(xù)時間定義的參數(shù)。

基于上述公式，ΔE是典型的直線

(5)

式中，a(斜率)和b(截距)取決于MCS整個生命周期的持續(xù)時間。

2 試驗結(jié)果與分析

2.1 30 min預(yù)測的試驗

選取FY-2F衛(wèi)星2014年8月份，94°E—129°E，11°N—26°N區(qū)域的IR1通道數(shù)據(jù)進行案例分析，空間分辨率為5 km。圖2為30 min時間間隔的對流核預(yù)測圖。圖2(a)為2014年8月27日1424UTC IR1通道紅外灰度圖像，可以看出存在白色的對流云團。圖2(b)和圖2(c)為1424UTC和1454UTC的亮溫圖像，從亮溫圖中可以看出對流核的大致輪廓。圖2(d)為30 min后，即2014年8月27日1454UTC的對流核預(yù)測圖，圖中白色和灰色輪廓為EMTRG[14]算法檢測到的兩個時刻的對流核。其中，白色為當(dāng)前時刻對流核的輪廓，灰色為預(yù)測的對流核輪廓，可以看出輪廓與亮溫圖中的對流核區(qū)域基本一致，體現(xiàn)出FCC預(yù)測算法的有效性。

2.2 60 min預(yù)測的試驗

圖3為時間間隔60 min的對流核預(yù)測圖像，選擇的圖像序列為2014年8月27日0900UTC和1000UTC。圖3(a)為0900UTC IR1通道紅外灰度圖像。圖3(b)和(c)分別為0900UTC和1000UTC的亮溫圖像，從亮溫圖中可以看到對流核的大致輪廓。圖3(d)為60 min后的對流核預(yù)測圖。白色為當(dāng)前時刻的對流核輪廓，灰色為預(yù)測輪廓。

2.3 方法驗證

采用2014年8月的數(shù)據(jù)進行試驗，將預(yù)測結(jié)果與實際圖像進行相似度檢測來評價FCC算法的有效性，客觀評價指標(biāo)為相關(guān)性系數(shù)和均方誤差。

(1) 相關(guān)性系數(shù)(correlation coefficient,CORR):相關(guān)性系數(shù)是衡量變量之間線性相關(guān)程度的指標(biāo)，計算公式為

(6)

式中，X和Y分別表示預(yù)測圖像和實際圖像；m、n分別對應(yīng)圖像的寬和高。CORR值越高，表明兩幅圖像之間的相關(guān)性越好。將FCC算法與線性外推、ForTraCC[10]、ETITAN[15]方法進行對比，對比結(jié)果見表1。

表1 不同方法的相關(guān)性系數(shù)對比

(2) 均方誤差(root mean square error,RMSE):均方誤差是衡量變量之間差異性的指標(biāo)，計算公式為

(7)

式中，X和Y分別表示預(yù)測圖像和實際圖像；m、n分別對應(yīng)圖像的寬和高。RMSE值越小，表明兩幅圖像之間誤差越小。

將FCC算法與線性外推、ForTraCC、ETITAN方法進行對比，對比結(jié)果見表2。

表2 不同方法的均方誤差對比

由表1和表2的對比結(jié)果可知，4種算法的準(zhǔn)確率都會隨著外推時間的增加而下降。由于本文提出的FCC算法結(jié)合了前兩個時刻的誤差來預(yù)測下一時刻的位移，因此相對于其他方法更加準(zhǔn)確有效。FCC算法在30 min時對流核臨近預(yù)報與實際結(jié)果的相關(guān)系數(shù)為0.931，均方誤差為8.856。若對整個掃描區(qū)域(2288×2288像素)進行預(yù)測，F(xiàn)CC算法處理單幅衛(wèi)星云圖的處理時間約為9.7 s，時間較短。因此，從時效性角度出發(fā)，F(xiàn)CC算法滿足氣象領(lǐng)域應(yīng)用的實時性要求，適用于臨近預(yù)報。

3 結(jié) 語

針對對流核消散、合并等問題，本文提出了臨近預(yù)報算法FCC。該算法不以云團為目標(biāo)而是以對流云核為目標(biāo)進行預(yù)測，從而提高了云團臨近預(yù)報的精度。FCC預(yù)測算法結(jié)合了前兩個時刻的歷史誤差，預(yù)測下一時刻的位移，相對于其他方法更有效，并減少了誤差。此外，F(xiàn)CC算法在時效性上的優(yōu)勢使其成為近實時操作的一個理想選擇，如2 h內(nèi)的臨近預(yù)報。