基于Python語言的FY-4B衛星強對流云團識別

摘要：強對流云團的生成、演變及最終消散，構成了一個極為多變且錯綜復雜的自然現象，這使得對其實施精確且即時的追蹤監測變得極為困難。風云四號B衛星（FY-4B）作為中國新一代靜止軌道氣象衛星風云四號系列中的首顆業務衛星，憑借其所提供的高時空分辨率觀測數據，極大地增強了對中小尺度災害性天氣的觀測效能，特別是在強對流天氣的監測與預警方面展現出了非凡的價值。為了實現對強對流云團無間斷的監測識別，文章采用Python編程語言，有效讀取FY-4B衛星的L1級數據，運用亮溫差算法來甄別強對流云團。這一方法不僅突破了時間限制，實現了對強對流云團的全天候監測，更為提升強對流云團的監測識別精度開辟了新途徑，具有深遠的實踐意義。

關鍵詞：強對流云團；FY-4B靜止衛星；Python

中圖分類號：TP79" 文獻標志碼：A

0 引言

強對流云團的形成源于大氣內部的不穩定對流活動，特別是在大氣上層較為寒冷而下層相對溫暖的條件下，低層的暖空氣會上升并在達到一定高度后促使水汽凝結成云^［1］。目前，界定強對流天氣的主要標準包括單獨或同時出現的幾種極端天氣現象。例如：小時降水量達到或超過20mm的短時強降水、風力達到8至11級（即風速在17.2m/s以上）的對流性大風以及直徑不小于20mm的冰雹等，這些指標共同構成了判斷強對流天氣的依據^［2］。

眾多學者在衛星遙感技術的推動下，已經通過對衛星紅外亮溫數據的深入探索與分析，成功建立了強對流活動與紅外亮溫之間的復雜而精細的模型。這些研究不僅揭示了強對流活動在紅外亮溫表現上的獨特特征，還為理解中國及周邊地區夏季強對流活動的發生、發展和演變提供了寶貴的科學依據。特別是在過去的幾年里，隨著衛星技術的不斷進步和數據獲取手段的日益豐富，學者們在強對流活動與紅外亮溫關系的研究上取得了諸多突破性進展^［3-7］。

基于當前強對流活動監測研究的蓬勃發展態勢，文章旨在充分利用FY-4B靜止衛星AGRI提供的L1級數據資料，深入挖掘紅外亮溫在監測強對流活動中的巨大潛力。在數據處理與分析的關鍵環節，文章將重點依托Python編程語言，對FY-4B衛星的紅外亮溫數據進行細致解析與高效處理。Python語言憑借其簡潔明了的語法結構、廣泛且實用的庫函數集合以及卓越的數據處理能力，在氣象數據處理與分析領域已得到廣泛認可與應用。文章通過精心編寫高效的Python腳本程序，能夠實現對紅外亮溫數據的迅速讀取、精細預處理、直觀可視化以及關鍵特征的有效提取，從而為后續深入的分析工作奠定堅實而可靠的基礎。

1 數據

FY-4B標志著新一代靜止軌道氣象衛星業務化的開端，于2021年6月順利升空，與FY-4A攜手，共同搭建起一個前沿的雙星觀測體系。此體系極大地提升了大氣與云層的監測頻率與精確度，同時深入探索了晴空及薄云條件下的大氣垂直結構特征。FY-4B配備AGRI。AGRI的觀測性能實現了質的飛躍，特別是新增的水汽觀測波段，如表1所示，其顯著增強了水文循環、降水過程等關鍵氣象信息的捕捉與分析能力，全面涵蓋了地球輻射平衡、冰雪覆蓋、海面溫度、大氣微粒物以及臭氧濃度等核心環境指標。

2 方法

2.1 FY-4B衛星L1文件解析

FY-4B衛星L1文件的行列號轉換是一個復雜但至關重要的過程，它能夠將衛星觀測數據中的原始行列信息精確轉換為對應的地理經緯度信息，從而賦予數據以實際的地理意義。以下是這一轉換過程更為詳盡的步驟說明。

（1）獲取查找表：轉換過程第一步，需要從風云衛星遙感數據服務網這一權威渠道，下載與FY-4B衛星L1數據相匹配的行列號和經緯度查找表。這些查找表是精密編制的工具，它們依據數據的不同分辨率（如250m、500m、1km、2km和4km等）進行定制，以確保轉換的準確性和精度。獲取正確的查找表是后續所有步驟的基礎。

（2）確定數據分辨率：轉換過程第二步，確認所處理的L1數據的具體分辨率。這一步至關重要，因為它將決定選擇哪個查找表進行轉換。不同的分辨率對應著不同的查找表，選擇錯誤的查找表將導致轉換結果的不準確。

（3）選擇編程語言：轉換過程第三步，選擇一種適合處理大數據和復雜計算的編程語言。Python憑借其簡潔的語法、豐富的庫函數以及強大的數據處理能力，可以利用Python的內置函數或第三方庫（如NumPy）來讀取查找表文件。這些文件通常包含大量的經緯度數據，這些數據以特定的格式（如二進制或文本）進行存儲，而Python則提供了強大的文件處理功能，能夠輕松應對這些挑戰。

（4）解析數據：轉換過程第四步，根據查找表的格式來解析數據，通常涉及將文件中的原始數據讀入內存，存儲在適當的數據結構中（如NumPy數組）。這一過程需要對查找表的格式有深入的了解，以確保數據的正確解析和存儲。

（5）提取行列號：轉換過程第五步，需要從L1數據中提取出原始的行列號。這些行列號代表了數據在衛星圖像中的具體位置，提取行列號的過程可能涉及對L1數據文件的解析和讀取。

（6）查找經緯度：第六步，利用這些行列號在查找表中查找對應的經緯度信息。這一步驟可能需要執行一些數學運算，如插值或查找最近鄰，以確保能夠準確地找到與每個行列號對應的經緯度。這一過程需要對查找表的結構和算法有深入的理解，以確保轉換的準確性。

（7）存儲結果：轉換過程第七步，需要將轉換后的經緯度信息存儲在適當的數據結構中，以便后續的分析或可視化。這可以是一個新的數據文件、一個數據庫表或任何其他適合需求的數據存儲方式。存儲結果時，需要確保數據的完整性和準確性，以便在后續的分析和可視化過程中能夠得到可靠的結果。

2.2 強對流識別方法

在FY-4B衛星的AGRI所提供的L1級數據中，10.8μm波長的紅外亮溫信息，因其獨特的溫度敏感性，在氣象監測與分析中發揮著舉足輕重的作用。在氣象監測與分析的實踐中，科學家們發現，利用10.8μm波長的紅外亮溫信息，可以有效地識別出強對流云團。這些云團通常伴隨著強烈的天氣活動，如暴雨、雷暴、冰雹等，對人們的生命財產安全構成嚴重威脅。為了充分利用這一獨特的數據源，提高強對流云團的識別精度，科學家們經過深入研究，選定了一個特定的溫度閾值作為識別標準。這個溫度閾值設定在-52℃左右，它能夠有效地區分出那些溫度異常低、可能預示著強烈天氣活動的云團。為了充分利用這一獨特的數據源，文章選擇小于等于-52℃的溫度作為強對流云團識別標準，這一閾值的選定，有效地區分出那些溫度異常低、可能預示著強烈天氣活動的云團。

3 方法實現

文章的行列號轉換部分代碼如下，使用Python編程語言，將行列號轉換為經緯度：

def linecolumn2latlon（line， column， resolution）：

x = deg2rad（（column - COFF［resolution］）/（2^** -16 * CFAC［resolution］））

y = deg2rad（（line - LOFF［resolution］）/（2^** -16 * LFAC［resolution］））

cosx = cos（x）

cosy = cos（y）

siny = sin（y）

cos2y = cosy^** 2

hcosxcosy = h * cosx * cosy

cos2y_ea_eb_siny_2 = cos2y + （ea/eb * siny）^** 2

sd = sqrt（hcosxcosy^** 2 - cos2y_ea_eb_siny_2 * （h^** 2 - ea^** 2））

sn = （hcosxcosy - sd）/cos2y_ea_eb_siny_2

s1 = h - sn * cosx * cosy

s2 = sn * sin（x） * cosy

s3 = -sn * siny

sxy = sqrt（s1^** 2 + s2^** 2）

lon = rad2deg（arctan（s2/s1） + λD）

lat = rad2deg（arctan（ea^** 2/eb^** 2 * s3/sxy））

return lat， lon

上述代碼中常用的參數ea是地球的半長軸，值為6378.137km；參數eb值為地球的短半軸，值為6356.7523km；h為地心到衛星質心的距離，值為42164km。代碼主要解釋如下：

（1）輸入參數：line為行號；column為列號；resolution為分辨率級別，可能用于選擇特定的投影參數（如偏移量和縮放因子）。

（2）轉換行列號到弧度：文章使用deg2rad和預定義的偏移量（COFF［resolution］和LOFF［resolution］）及縮放因子（CFAC［resolution］和LFAC［resolution］）將行列號轉換為弧度表示的x和y。

（3）三角函數計算：文章計算cosx， cosy， siny，這些是后續計算的基礎；cos2y是cosy的平方；hcosxcosy是參數h與cosx和cosy的乘積。

（4）橢球體投影公式：cos2y_ea_eb_siny_2是一個結合了橢球體的長半軸（ea）和短半軸（eb）以及siny的表達式；sd是計算中的一個中間變量，與橢球體的幾何特性有關；sn是另一個中間變量，用于進一步計算。

（5）計算經緯度：s1， s2， s3是基于sn， cosx， cosy， sin（x）， siny的表達式，用于計算最終的經緯度；sxy是s1和s2的平方和的平方根；lon（經度）是通過arctan（s2/s1）加上某個偏移量λD并轉換為度數得到的；lat（緯度）是通過arctan函數和一個考慮了橢球體特性的表達式計算得到的，也轉換為度數。

（6）返回經緯度：函數返回計算得到的緯度lat和經度lon。

以下為識別強對流云團并繪制圖片代碼：

def SC（fy4b_file）：

DS = fy4b.AGRI_L1（fy4b_file）.to_dataset（）

tbb13 = DS.Channel13 - 273.15

rgb_array = DataArray（

tbb13，

coords=tbb13.coords，

dims=tbb13.dims

）

predict_plot = rgb_array.plot（

vmax = -52，

cmap='autumn_r'，

transform=ccrs.PlateCarree（），

add_colorbar=False，

）

4 結語

FY-4B衛星作為中國新一代靜止軌道氣象衛星的典范，其提供的L1級數據為觀測中小尺度災害性天氣提供了強有力的支撐。文章通過運用Python編程語言和亮溫識別技術，成功實現對強對流云團的有效監測與識別。展望未來，筆者將持續深化算法優化與數據處理技術的研究，旨在進一步提升對強對流云團的監測能力，為保障人民生命財產安全及推動社會經濟發展作出更大貢獻。

參考文獻

［1］許愛華，孫繼松，許東蓓，等.中國中東部強對流天氣的天氣形勢分類和基本要素配置特征［J］.氣象，2014（4）：400-411.

［2］中國氣象局.強對流天氣等級：QX/T 416—2018［S］.北京：氣象出版社，2018.

［3］ZHANG X L，SUN J H，ZHENG Y G，et al.Progress in severe convective weather（SCW）forecasting in China since the 1950s［J］.Journal of Meteorological Research，2020（34）：699-719.

［4］俞小鼎，鄭永光.中國當代強對流天氣研究與業務進展［J］.氣象學報，2020（3）：391-418.

［5］鄭永光，周康輝，盛杰，等．強對流天氣監測預報預警技術進展［J］．應用氣象學報，2015（6）：641-657.

［6］鄭永光，陳炯，朱佩君.中國及周邊地區夏季中尺度對流系統分布及其日變化特征［J］.科學通報，2008（53）：471-481.

［7］趙文化，單海濱.基于紅外窗區與水汽通道對流云團識別方法研究［J］.氣象，2018（6）：814-824.

（編輯 王永超）

Identification of strong convective clouds on FY-4B satellite based on Python language

ZHANG" Xiang

（Inner Mongolia Autonomous Region Meteorological Data Center， Hohhot 010051， China）

Abstract： The generation， evolution， and eventual dissipation of convective cloud clusters constitute an extremely variable and complex natural phenomenon， making it extremely difficult to implement precise and realtime tracking and monitoring. The FY-4B satellite， as the first operational satellite in the Fengyun-4 series of China’s new generation of geostationary orbit meteorological satellites， greatly enhances the observation efficiency of small and mediumsized catastrophic weather with its high spatiotemporal resolution observation data， especially in the monitoring and early warning of severe convective weather， demonstrating extraordinary value. In order to achieve uninterrupted monitoring and recognition of strong convective cloud clusters， this paper uses Python programming language to effectively read L1 level data from FY-4B satellite， and uses brightness temperature difference algorithm to identify strong convective cloud clusters. This method not only breaks through time constraints and achieves allweather monitoring of strong convective cloud clusters， but also opens up new avenues for improving the accuracy of monitoring and identification of strong convective cloud clusters， with profound practical significance.

Key words： strong convective cloud clusters; FY-4B geostationary satellite; Python