邓松, 主要从事资料同化研究. Email:
GRAPES-3Dvar大气红外高光谱云检测采用McNally and Watts(2003) 的晴空通道方案,该方案基于模拟观测与实际观测偏差(B-O)进行检测,其中阈值的选取与预报模式有关。传统对云检测阈值的选取多采用主观判定方法,如图像对比分析等。文章在主观判定的基础上提出两种新的较为客观的阈值判定方法:(1) 视场偏差分析:通过分析模拟观测与实际观测之间偏差的垂直分布,观察不同阈值下的云顶高度来评估阈值选取的合理性;(2) 云检测指标评分:通过建立一系列云检测指标,对其进行评分来选取最优的阈值。并结合上述三种方法,将其应用于IASI辐射率资料的云检测阈值判定,其中梯度阈值对最后的云检测效果影响不大,保持与欧洲中心相同的值;偏差阈值则采用综合的分析方法进行判定,从而克服了单纯利用云图对比而带来的视觉误差。分析结果表明,偏差阈值取2.0 K、窗区通道梯度阈值取0.4 K,非窗区通道梯度阈值取0.02 K时云检测的效果最好。最后进行的为期1个月的试验显示:通过对比不同云检测偏差阈值的同化效果,选取的云检测阈值是有效的。
The clear channel scheme presented by McNally and Watts (2003) is used to detect cloud radiances in GRAPES-3Dvar system measured by high-spectral-resolution infrared sounders. This scheme is based on the bias of simulated radiances and actual radiances, and the determination of bias is related to forecast model. Traditionally, we use subjective determination schemes to select threshold in cloud detection, such as image contrast analysis. This paper presents two new and objective schemes based on the subjective scheme. (1) Analysis of view field bias: observe the cloud top pressure under different thresholds to evaluate the rationality by analyzing the vertical distribution of bias between simulated observation and actual observation. (2) Evaluation of cloud detection index: establish a series of cloud evaluation indices to select appropriate thresholds. By combining the three methods mentioned above, we determine the IASI radiances cloud detection. The gradient threshold keeps the same value as that from European Center for it has a weak effect in cloud detection. The bias threshold is determined by a comprehensive analysis method, thus overcoming the visual error of the pure use of image. The results show that bias threshold selects 2.0 K, gradient threshold selects 0.4 K for window channels and 0.02 K for non-window channels. Finally, a month-long experiment shows that the cloud detection bias threshold is effective by comparing the assimilation results.
2006年10月装载着具有8461个通道的高光谱大气红外探测器(Infrared Atmospheric Sounding Interferometer, IASI)的METOP-A极轨气象卫星在欧洲成功发射(
云覆盖了50%以上的地球表面是重要的气象和气候要素之一,但其对红外辐射率资料影响巨大。对于红外波段的光谱来说,云中液态水和冰晶像完全的黑体一样,造成卫星的传感器不能探测来自地面和云顶以下的大气辐射,而只能测量到云顶以上的大气辐射(
晴空通道云检测方案基于模拟及实际观测偏差进行检测,即方案阈值的选取与预报模式有关。并且阈值的选择对资料应用影响较大,阈值过小会去除过多的卫星观测资料,不能充分发挥资料作用;而阈值过大,则会使受云污染的观测资料进入预报模式进而影响最终效果。因此,选取合适的阈值对云检测的效果及预报模式的质量起着关键作用,目前这部分的研究工作还很缺少。传统对云检测阈值的选取多采用主观判定方法,比如通过与云图对比来判定阈值选取的合理性,这种方法很可能产生比较大的视觉误差,造成阈值选取的不合理。本文将提出更为客观的判定方法来确定阈值的选取,由于偏差不只是云带来的,仪器的老化、观测数据漂移等都会带来偏差,最终采用传统主观和客观相结合的综合判定方法来选取最优的云检测阈值。分析结果表明,通过综合判定方法选取的云检测阈值是有效的。
假设模式模拟亮温和实际观测亮温不受各种误差的影响,那么它们之间的偏差主要来自云的影响,将受云污染的通道记为有云通道,不受云污染的通道记为晴空通道。而实际上仪器噪声、模式误差和大气状态等都会引起偏差,这些噪声混淆了对云信息的识别。为了将偏差中的云信息隔离出来,首先根据通道高度将观测亮温减去模拟亮温的偏差进行排序。由于这个排序没有考虑到红外光谱中各波段的云发射率不同,所以将红外光谱按不同的波段分成五个光谱带分别排序,并采用滑动平均滤波消除仪器噪声。根据以上的云检测思想,具体步骤为:
(1) 根据通道对云的敏感性定义通道高度:
式中,
(2) 将IASI光谱分为五个光谱带:长波CO2(650~770 cm-1)、臭氧(770~980 cm-1)、水汽(1210~1650 cm-1)、4.5
(3) 采用滑动平均滤波减少各种噪声在云信息中的幅度,使得偏差中只包含云信息。滑动平均滤波是基于统计规律的一种低通滤波,其滤波的思想是将需要进行滤波的一维数组
式中,
(4) 在每个光谱带从高度最低的那个通道开始检测,当某个通道亮温偏差值和变分同化目标函数的梯度值同时满足:
式中,
此时这个通道的高度就是云顶高度,高于云顶高度的通道为晴空通道,低于云顶高度的通道为有云通道。
五个光谱带根据通道高度排序后的偏差
Bias of five bands based on ranked channel height
云检测方案流程
Flow chart of cloud detection scheme
欧洲中期天气预报中心最早将晴空通道云检测方案应用于AIRS辐射率资料并给出了偏差阈值和梯度阈值的标准,其中
偏差阈值(a)和梯度阈值(b)对云检测效果的影响
Effect of bias threshold and gradient threshold on cloud detection
传统对云检测阈值的选取多采用主观判定方法,如基于云图对比分析等。本文在主观判定的基础上提出两种新的较为客观的阈值判定方法:(1) 视场偏差分析法;(2) 云检测指标评分法。视场偏差分析法通过分析模拟观测与实际观测之间偏差的垂直分布,观察不同阈值的云顶高度(云高)来评估阈值选取的合理性。云检测指标评分法则通过建立一系列云检测指标,并对其进行评分来选取最优的阈值。这两种新的客观方法克服了单纯利用图像对比而带来的视觉误差,考虑到其主要是基于B-O偏差进行的,而偏差并不仅仅是云带来的。因此采用三种分析方法结合的综合分析方法对云检测阈值进行判定。
以世界时2013年5月1日06时的观测资料为例,分析区域(5°S~40°N、50°~140°E)内高、中、低三个通道的云检测结果,将其与FY-2E卫星的红外云图作比较,给出合理的阈值选择。
通道212依据不同偏差阈值(a)1.0 K, (b)2.0 K和(c)3.0 K的云检测结果与红外云图的对比
Comparison between cloud detection of CH212 and infrared cloud image with different bias thresholds
同
Same as
红外云图中亮白的区域为中高云,灰暗的区域为低云,根据视场点所在区域呈现的亮暗区域选取南北半球及热带地区高、中、低云观测视场。
IASI通道根据高度排序后的偏差及依据不同偏差阈值确定的云顶高度
Bias of IASI channels based on ranked channel height and cloud-top height with different bias thresholds
经验表明,云污染会导致的背景场模拟亮温与观测亮温之间的偏差变大,本文定义模拟亮温减观测亮温差的绝对值小于等于3倍观测误差标准差作为观测资料没有受到云污染的视场,即满足下面公式:
式中,
(1) 第一类:方案检测为有云,并且
(2) 第二类:方案检测为有云,并且
(3) 第三类:方案检测为晴空,并且
定义正检率
根据指标的定义,正检率应该越大越好,空检率和漏检率越小越好,为用一个指标反映云检测效果的好坏,定义云检测综合指数为:
当
按照以上的评估标准,分别计算选取不同阈值的高层通道212、中层通道275和低层通道921的正检率
高层通道212(a)和中层通道275(b)云检测方案中选取不同偏差阈值的云检测指标评分
Statistical index in cloud-detection scheme based on different bias thresholds
结合云图对比分析、视场偏差分析和云检测指标评分分析的结果,选取最优的偏差阈值
为了评估选取的云检测阈值对数值模式预报效果的影响,设计了一组循环同化对比试验,如
同化试验方案
Scheme of assimilation experiment
试验 | 同化的观测资料 | 云检测偏差阈值/K |
注:temp,synop,ships,airep分别是探空、地面、船舶和航空资料;ATOVS |
||
Exp1 | temp+synop+ships+airep+ATOVS+IASI | 1.0 |
Exp2 | temp+synop+ships+airep+ATOVS+IASI | 2.0 |
Exp3 | temp+synop+ships+airep+ATOVS+IASI | 3.0 |
位势高度的均方根误差:(a)北半球, (b)赤道, (c)南半球
Root-mean-square error of geopotential height: (a) Northern Hemisphere, (b) Tropics, (c) Southern Hemisphere
本文将McNally和Watts的晴空通道云检测方案应用到GRAPES-3Dvar同化预报系统中,由于预报模式和观测资料的不同,需要对云检测阈值重新进行确定。目前对云检测阈值的选取主要采用云图对比的分析方法,而这种方法往往会有比较大的视觉误差,比较主观。为解决这个问题,本文提出了两种新的、较为客观的阈值判定方法:(1) 视场偏差分析法:通过分析模拟观测与实际观测之间偏差的垂直分布,观察不同阈值下的云顶高度来评估阈值选取的合理性。(2) 云检测指标评分:建立一系列云检测指标“正检率”、“空检率”、“漏检率”以及云检测综合指数值,通过对其评分来选取最优的阈值。随后采用三种方法结合的综合分析方法对云检测阈值进行判定,得到最优的偏差阈值为2.0 K,而窗区通道的梯度阈值和非窗区通道的梯度阈值保持与欧洲中心一致,分别为0.4和0.02 K。从最后的同化效果来看,选取的云检测阈值是有效的,对同化效果能起到正贡献。
陈渭民, 2005.卫星气象学(第二版)[M].北京:气象出版社:535.
卡莱尼, 2005. 大气模式、资料同化和可预报性. 蒲朝霞, 杨福全, 邓北福等译[M]. 北京: 气象出版社: 115-171.
张磊, 董超华, 张文建, 等, 2008.METOP星载干涉式超高光谱分辨率红外大气探测仪(IASI)及其产品[J].气象科技, 36(5):639-642.
朱文刚, 李刚, 张华, 等, 2013.高光谱大气红外探测器AIRS资料云检测及晴空通道应用技术初步研究[J].气象, 39(5):633-644.
邹晓蕾, 2009.资料同化理论和应用(上册)[M].北京:气象出版社:120.
Collard A D, McNally A P, 2009. The assimilation of infrared atmospheric sounding interferometer radiances at ECMWF[J]. Quart J Roy Meteor Soc, 135(641):1044-1058.
Joiner J, Brin E, Treadon R, et al, 2007. Effects of data selection and error specification on the assimilation of AIRS data[J]. Quart J Roy Meteor Soc, 133(622):181-196.
McNally A P, Watts P D, 2003. A cloud detection algorithm for high-spectral-resolution infrared sounders[J]. Quart J Roy Meteor Soc, 129(595):3411-3423.
McNally A P, Watts P D, Smith L A, 2006. The assimilation of AIRS radiance data at ECMWF[J]. Quart J Roy Meteor Soc, 132(616):935-957.
Pangaud T, Fourrie N, Guidard V, et al, 2009. Assimilation of AIRS radiances affected by Mid-to Low-Level clouds[J]. Mon Wea Rev, 137(12):4276-4292.
Webapp E, 2009. Assimilation of water vapour radiances from geostationary imagers and HIRS at ECMWF[J]. Progress in Photovoltaics Research & Applications, 17(2):115-125.