夜间降雨率的卫星反演方法

摘要

本发明公开了一种夜间降雨率的卫星反演方法，包括雨区划分和雨量估计两个步骤，雨区划分方法是通过建立降水概率判识矩阵RPIM后，获取各种亮温Tb1、亮温Tb4-1组合在降水概率判识矩阵RPIM中的降水发生概率，而降水概率判识矩阵RPIM是基于IR1-BTD41二维光谱空间建立的。因此，通过本发明所述的雨区划分方法、雨量估计方法所获得的雨量估计值，能够与实际的降水值具有较好的相关性及较小的偏差，即该雨量估计值与实测值具有较好的一致性，致使本发明在多光谱卫星图像夜间降雨反演及临近预报中，具有更好的应用优势。

权利要求

1.一种夜间降雨率的卫星反演方法，包括雨区划分和雨量估计两个步骤，其特征在于，所述的雨区划分步骤，用于识别暖云中的降水云，具体包括以下步骤：ⅰ、建立IR1-BTD41二维光谱空间——该IR1-BTD41二维光谱空间基于通道IR1所对应的亮温Tb1、通道BTD41所对应的亮温Tb4-1建立而成；其中：亮温Tb4-1是首先通过辐射模型，确定亮温Tb1与卫星光谱图像余下的各通道值或者BTD值的相关性，挑选出相关系数较低的通道值或者BTD值；然后再通过云辐射模拟结果，判断前述相关系数较低的通道值或者BTD值能否区分τ>15的厚云而选择出来的；通道IR1指波长介于10.3μm-11.3μm的红外通道，其值为Tb1，通道BTD41是一个虚拟通道，其值Tb4-1为中红外通道MIR与通道IR1的红外亮温差，中红外通道MIR为波长介于3.5μm-4.0μm的红外通道；ⅱ、基于IR1- BTD41二维光谱空间建立降水概率判识矩阵RPIM——首先将IR1- BTD41二维光谱空间，划分为若干个64*64的基本单元，每一个

64*64的基本单元对应为一个单位特征空间；接着，根据历史地面实测降水量值以及相应经纬度对应的卫星瞬时亮温Tb1观测值、亮温Tb4-1观测值，确定各单位特征空间的降水样本数和非降水样本数，然后通过所获得的各单位特征空间上降水样本数和非降水样本数，确定各单位特征空间的降水发生概率，即可得到降水概率判识矩阵RPIM；ⅲ、通过定量评估降水检测效果的评价指标，确定合适的降水概率为阈值，进行降水概率判识矩阵RPIM的雨区划分；ⅳ、根据已建立的降水概率判识矩阵RPIM，获取各种亮温Tb1、亮温Tb4-1组合下的降水发生概率。

2.根据权利要求1所述夜间降雨率的卫星反演方法，其特征在于，所述步骤ii中建立降水概率判识矩阵RPIM时，以亮温Tb1为列、 Tb4-1为行。

3.根据权利要求1所述夜间降雨率的卫星反演方法，其特征在于，所述步骤ⅲ中定量评估降水区域检测效果的评价指标为降水检出概率POD或者虚警率FAR 或者Heidke技术得分HSS；其中：式中， 是卫星估计和观测都无降雨的百分数、 是卫星估计有降雨而观测无降雨的百分数、 是卫星估计无降雨而观测有降雨的百分数， 是卫星估计和观测都有降雨的百分数。

4.根据权利要求1所述夜间降雨率的卫星反演方法，其特征在于，所述的雨量估计步骤，用于估计经雨区划分步骤判识为降水云区域的降水量，该雨量估计RR由下述方程确定：其中， 为亮温Tb1所对应的平均雨量； 是降水概率判识矩阵RPIM中由

Tb1和Tb4-1查找的降水发生概率； 为实时雨量估计校正因子，由Tb2-1决定；Tb2-1为通道IR2和通道IR1的红外亮温差，通道IR2指波长介于11.5μm -12.5μm的红外通道；

式中，K为温度单位开尔文。

5.根据权利要求4所述夜间降雨率的卫星反演方法，其特征在于，所述平均雨量 由基于亮温Tb1的拟合函数拟合而得，该拟合函数的表达式如下：； 的单位为

mm/10min；亮温Tb1的单位为K。

6.根据权利要求1所述夜间降雨率的卫星反演方法，其特征在于，所述历史地面实测降水量值为10分钟间隔地面雨量计实测降雨率。

说明书

夜间降雨率的卫星反演方法

技术领域

[0001] 本发明涉及一种降雨率的卫星反演方法，尤其是一种针对夜间降雨率的卫星反演方法，属于大气科学研究领域，用于多光谱卫星图像夜间降雨反演及临近预报。

背景技术

[0002] 静止卫星夜间降水反演算法，一般包括以下两步，1)划分雨区，2）估计雨量；而划分雨区又主要包括以下两个步骤：1)从对流层云(即积雨云)中筛选卷云和卷云砧，2)从暖云中识别出雨层云 (Kurino 1997;Lensky and Rosenfeld 2003a; Luque et al.
2006)。

[0003] 早在1978年，Griffith et al.就直接采用云顶亮温阈值253K进行雨区划分，但这种较为武断的雨区划分方法很容易将厚卷云误判为降水云，故而科学家们(Adler and Negri 1988; Vicente et al. 1998; Ba and Gruber 2001 )在此基础上，利用弥补措施spatial gradient of cloud-top temperature去除卷云，以达到较好的雨区划分效果；而Inoue (1985, 1987)则利用BTD21（BTD21是一个虚拟通道，其值Tb2-1指通道IR2与通道IR1的红外亮温差， IR2为波长介于11.5μm-12.5μm的红外通道，通道IR1指波长介于10.3μm-11.3μm的红外通道）来识别卷云，但此方法仅限于热带海洋（ Inoue 1987）。
Lensky and Rosenfeld (2003a, 2003b)分析了云滴有效半径Re与辐射值的关系，提出了利用BTD41（BTD41是一个虚拟通道，其值Tb4-1指中红外通道MIR与通道IR1的红外亮温差，中红外通道MIR为波长介于3.5μm-4.0μm的红外通道）的值来划分雨区的方法，并认为一个适中的Tb4-1可能暗示了具有大Re的降水云的存在。根据以上的分析可知：在整个夜间雨区划分的研究历程中，科学家们主要还是集中于采用阈值组合进行判识，因此，雨区筛选的效果与实际监测情况还是存在一定的差距。

[0004] 对于夜间雨量估计，常用的方法主要基于以云顶亮温面积（Arkin and Meisner1987）或者亮温值（Ba and Gruber 2001; Kuligowski 2002；Vicente et al. 1998）为变量的的曲线拟合方法。

[0005] 另外，相对于日间降水反演的长足发展，夜间降水反演还存在较大的问题。由于静止卫星测量的红外辐射主要来自云顶，但降水量更多的是与云中的雨滴谱有关。降水与云顶红外辐射的关系不容易建立。在白天，可见光(VIS)反射率能够反映云的光学厚度信息，中红外(MIR;3.5-4.0μm)反射率信息能够反映云滴粒子半径信息(Nakajima and King,1990)。利用它们反演白天降水时能取得很好的效果。夜间反射率信息不能获得，只能依赖红外通道本身的信息来反演降水，这无疑增加了夜间反演的难度。

发明内容

[0006] 本发明针对现有技术的不足，提供一种夜间降雨率的卫星反演方法，其首要技术目的是改变现有的雨区划分方法，该雨区划分方法是通过建立降水概率判识矩阵RPIM后，获取各种亮温Tb1、亮温Tb4-1组合在降水概率判识矩阵RPIM中的降水发生概率，而降水概率判识矩阵RPIM是基于IR1- BTD41二维光谱空间建立的；本发明的次要技术目的是通过获取某特定亮温Tb1、亮温Tb4-1组合在降水概率判识矩阵RPIM中的降水发生概率，获取该特定亮温Tb1、亮温Tb4-1组合的雨量估计。因此，通过本发明所述的雨区划分方法、雨量估计方法所获得的雨量估计值，能够与实际的降水值具有较好的相关性及较小的偏差，即该雨量估计值与实测值具有较好的一致性，致使本发明在多光谱卫星图像夜间降雨反演及临近预报中，具有更好的应用优势。

[0007] 为实现以上的技术目的，本发明将采取以下的技术方案：

[0008] 一种夜间降雨率的卫星反演方法，包括雨区划分和雨量估计两个步骤，所述的雨区划分步骤，用于识别暖云中的降水云，具体包括以下步骤：ⅰ、ⅰ、建立IR1-BTD41二维光谱空间——该IR1-BTD41二维光谱空间基于通道IR1所对应的亮温Tb1、通道BTD41所对应的亮温Tb4-1建立而成；其中：通道IR1指波长介于10.3μm-11.3μm的红外通道，其值为Tb1，通道BTD41是一个虚拟通道，其值Tb4-1为中红外通道MIR与通道IR1的红外亮温差，中红外通道MIR为波长介于3.5μm-4.0μm的红外通道；ⅱ、基于IR1- BTD41二维光谱空间建立降水概率判识矩阵RPIM——首先将IR1- BTD41二维光谱空间，划分为若干个64*64的基本单元，每一个64*64的基本单元对应为一个单位特征空间；接着，根据历史地面实测降水量值以及相应经纬度对应的卫星瞬时亮温Tb1观测值、亮温Tb4-1观测值，确定各单位特征空间的降水样本数和非降水样本数，然后通过所获得的各单位特征空间上降水样本数和非降水样本数，确定各单位特征空间的降水发生概率，即可得到降水概率判识矩阵RPIM；ⅲ、通过定量评估降水检测效果的评价指标，确定合适的降水概率为阈值，进行降水概率判识矩阵RPIM的雨区划分；ⅳ、根据已建立的降水概率判识矩阵RPIM，获取各种亮温Tb1、亮温Tb4-1组合下的降水发生概率。

[0009] 所述步骤ii中建立降水概率判识矩阵RPIM时，以亮温Tb1为列、 Tb4-1为行。

[0010] 所述步骤ⅲ中定量评估降水检测效果的评价指标为降水检出概率POD或者虚警率FAR 或者Heidke技术得分HSS；其中：

[0011]

[0012]

[0013]

[0014] 式中， 是卫星估计和观测都无降雨的百分数、 是卫星估计有降雨而观测无降雨的百分数、 是卫星估计无降雨而观测有降雨的百分数， 是卫星估计和观测都有降雨的百分数。

[0015] 所述的雨量估计步骤，用于估计经雨区划分步骤判识为降水云区域的降水量，该雨量估计RR由下述方程确定：

[0016]

[0017] 其中， 为亮温Tb1所对应的平均雨量； 是降水概率判识矩阵RPIM中由Tb1和Tb4-1查找的降水发生概率； 为实时雨量估计校正因子，由Tb2-1决定；Tb2-1为通道IR2和通道IR1的红外亮温差，通道IR2指波长介于11.5μm -12.5μm的红外通道；

[0018]

[0019] 式中，K为温度单位开尔文。

[0020] 所述平均雨量 由基于亮温Tb1的拟合函数拟合而得，该拟合函数的 表 达 式 如 下： ；
的单位为mm/10min；亮温Tb1的单位为K。

[0021] 所述历史地面实测降水量值为10分钟间隔地面雨量计实测降雨率。

[0022] 根据以上的技术方案，可以实现以下的有益效果：

[0023] 1、本发明采用卫星光谱的通道IR1和通道BTD41建立二维光谱空间，原因在于通道BTD41的亮温值不仅与IR1的亮温值具有较低的相关系数，而且通过辐射模型的计算，对于厚云（光学厚度τ>15），通道BTD41的亮温值因不同的云滴半径Re而不同，即BTD41的亮温值能够用于区分厚云。与现有技术相比，这种雨区划分方法能够更好地进行暖云中的降水云判识。

[0024] 2、本发明所述雨量估计方法，先采用Tb1估计平均雨量，然后再采用 以及进行调整，其中， 为Tb1、Tb4-1组合在降水概率判识矩阵RPIM中的降水发生概率， 则为实时雨量估计校正因子，由Tb2-1决定。因此，与现有技术相比，本发明能够实时获取雨量估计。

[0025] 因此，通过本发明所述的雨区划分方法、雨量估计方法所获得的雨量估计值，能够与实际的降水值具有较好的相关性及较小的偏差，即该雨量估计值与实测值具有较好的一致性，致使本发明在多光谱卫星图像夜间降雨反演及临近预报中，具有更好的应用优势。

[0026] 3、本发明采用的历史地面实测降水量值为10分钟间隔地面雨量计实测降雨率，即本发明在夜间降雨样本采集时，将卫星瞬时测值与10分钟间隔地面雨量计实测降雨率建立统计关系，与现有技术中惯常采用的将卫星瞬时测值与1小时间隔地面雨量计实测降雨率建立统计关系相比，本发明能够更好地降低夜间降雨样本采集误差，原因在于：生成暴雨的积雨云团移动和发展的速度很快，匹配时，地面实测1小时降雨率并不总是落在对流旺盛的积雨云团中，反而常常处于积雨云团边缘的卷云区，甚至是其前方的晴空区。因此，实测雨量累计时段与卫星观测瞬时越接近，降雨样本误差就会越小。本发明采用10min雨量计降雨率与卫星瞬时测值进行匹配，由于10min内，云团的移动和发展较小，故而10min实测降雨率一般都会与云团所在位置和发展强度具有较好的匹配。

附图说明

[0027] 图1是适用于暖云的由SBDART计算的BTD关于光学厚度的变化曲线图；

[0028] 图2是夜间降水概率判识矩阵RPIM的示意图；

[0029] 图3是平均雨量RR关于Tb1的拟合函数曲线图。

具体实施方式

[0030] 附图非限制性地公开了本发明所涉及优选实施例的示意图；以下将结合附图详细地说明本发明的技术方案。

[0031] 本文所用的光谱数据来源于日本新一代静止气象卫星multifunctional transport satellite (MTSAT)-2，涉及的通道或亮温差（BTD）的定义如表1所示。卫星图像都采用等经纬度投影方式，经度和纬度的分辨率都是0.05°。有2010年7-9月的每半小时一次的卫星图像用作研究，其中8月的图像用来形成算法，其他两个月的图像用作算法评估。

[0032] 本 文 采 用 了 中 国 安 徽（纬 度 范 围 29 °18'-34 °52'N，经 度 范 围114°56'-119°37'E）300多个自动站雨量计在卫星资料相同时段内所记录的地面 分钟降雨率数据。这些降水数据用来作为检验卫星反演的参考值。

[0033]Wavelength(μm) ChannelLabel ValueLabel ValueDescription
110.3~11.3 IR1 Tb1 BT
211.5-12.5 IR2 Tb2 BT
36.5-7.0 WV Tb3 BT
43.5-4.0 MIR Tb4 BT
53.5-4.0 MIRd ρ TheReflectanceondaytime
60.55-0.90 VIS A Albedo
7- BTD21 Tb2-1 BTDofIR2andIR1
8- BTD31 Tb3-1 BTDofWVandIR1
9- BTD41 Tb4-1 BTDofMIRandIR1

[0034] 表1

[0035] 表1公开了卫星光谱图像中通道、亮温BT或亮温差BTD的定义，表中：红外通道1（IR1，10.3μm-11.3μm）；红外通道2（IR2，11.5μm-12.5μm）；水汽通道（WV，6.5μm-7.0μm）；中红外通道（MIR，3.5μm-4.0μm）；可见光通道（VIS，0.55μm-0.9μm）。

[0036] 建立IR1- BTD41二维光谱空间

[0037] 本申请首先选择IR1的亮温值作为IR1- BTD41二维光谱空间的列，然后，在卫星光谱图像余下的各通道值或者BTD值中，挑选出与IR1值具有较低相关系数的通道值或者BTD值。通过计算各个通道值或BTD值之间的相关系数，可以看出： IR2、WV、MIR以及BTD31的值与IR1值都有很高的相关系数，被用作IR1- BTD41二维光谱空间的行都不适合；可选的只有BTD21和BTD41，然后，通过辐射模型讨论，进一步对BTD21、BTD41进行选择。

[0038] 众所周知，降水云因为对流发展旺盛，往往具有很大的光学厚度，同时云要形成降水必须具有很大半径的雨滴，这说明光学厚度(τ)和云滴半径(Re)都可以作为降水发生的判据。不同的云滴半径(Re as 5 or 20μm)、不同的optical thickness at 0.55μm (τfrom 0 to 30)的云辐射模拟结果显示在图1中。从图上显然可以看出，BTD21和BTD41都受到τ和Re的影响。但是对于光学厚度很大的云（τ>15），BTD21的值接近于0，几乎与Re和τ无关。这表明BTD21在区分厚云（比如将厚的积云和层云从对流云中筛选出来）是不可用的。厚云的BTD41值其因不同的Re而不同。因此，本研究最终选择IR1和BTD41的组合来建立RPIM。

[0039] 建立降水概率判识矩阵RPIM

[0040] 首先将IR1-BTD41二维光谱空间，划分为若干个64*64的基本单元，每一个64*64的基本单元对应为一个单位特征空间；接着，根据历史地面实测降水量值以及相应经纬度对应的卫星瞬时亮温Tb1观测值、亮温Tb4-1观测值，确定各单位特征空间的降水样本数和非降水样本数，然后通过所获得的各单位特征空间上降水样本数和非降水样本数，确定各单位特征空间的降水发生概率，即可得到如图2所示的降水概率判识矩阵RPIM。

[0041] 根据图2所示的降水概率判识矩阵RPIM来看，对于暖于230K的云而言，降水发生概率的高值处于Tb4-1接近于0的区域。这与Lensky and Rosenfeld (2003a, 2003b) 筛选雨区选用的是-1~4K的Tb4-1范围相差不大。在RPIM的左上角（也就是Tb4-1小于-10K、Tb1小于230K的区域）存在一个奇怪的降水概率高值区，这是由卫星定标的缺陷造成的。

[0042] 利用该降水概率判识矩阵RPIM可分析各种Tb1和Tb4-1组合下的降雨发生的可能性，进而区分雨区和无雨区。以不同的降雨概率为阈值划分雨区，所分析的雨区大小就会有所不同。为了防止雨区过大或者过小，要确定一个合适的降水概率阈值来判识雨区。

[0043] 定量评估降水检测效果的评价指标主要是： 降水检出概率(POD) 、虚警率(FAR) 和Heidke技术得分 (HSS)，其定义如下:

[0044] (1)

[0045] (2)

[0046] (3)

[0047] 其中， 是卫星估计和观测都无降雨的百分数、 是卫星估计有降雨而观测无降雨的百分数、 是卫星估计无降雨而观测有降雨的百分数， 是卫星估计和观测都有降雨的百分数。

[0048] 表2显示了对76146个降水数据使用不同的概率作为阈值得出的降雨或非降雨的分析结果。

[0049]

[0050] 表2

[0051] 表2表明，随着阈值的提高，虽然虚警率显著降低，但降水检测概率也在降低，HSS呈现一个抛物线型。把阈值定为50%比较合适，这种情况下HSS为0.357， FAR为0.552，POD达到0.528。

[0052] 选用50%的概率阈值时，所有暖于253K的云都划分为非降水云。这种划分漏掉一些云顶很低的雨层云。因为如果直接采用Tb1<253的阈值，POD为0.692，还有30.8%的降水样本没有检测出来。云顶冷于230K的都认为是降水云的设定，实际上放弃了对稠密卷云的筛选。如果能有有效方法筛选稠密卷云，必然能提高筛选雨区的精度。

[0053] 按照 Ba and Gruber (2001) 筛选夜间雨区，HSS为0.245。

[0054] 雨量估计

[0055] 本文的降水估计方法类似于Ba and Gruber (2001)提出的方法，也是先由Tb1估计平均雨量，再由几个因子调整，具体函数为

[0056] （4）

[0057] 其中， 为平均雨量，由拟合得到（图3）。

[0058] 是根据图2的RPIM由Tb1和Tb4-1查找的降水概率。

[0059] 估计降水时还要考虑环境湿度。Ba and Gruber (2001)利用可降水量与湿度的乘积PWRH来调整估计降水量。PWRH每3小时才能获取一次，为了实时估计降水，本发明用湿度调整因子 来代替这个指数。 由Tb2-1决定，具体定义如下：

[0060] (5)

[0061] Tb2-1反映了陆面总的可降水量(Eck and Holben 1994; Sobrino et al. 1999)，用来定义湿度调整因子是合理的。

[0062] 另外，本发明在建立降水概率判识矩阵RPIM时，所述历史地面实测降水量值为10分钟间隔地面雨量计实测降雨率。即本发明是将10分钟间隔地面雨量计实测降雨率与卫星瞬时测值建立统计关系，从而与云团所在位置和发展强度具有较好的匹配。

[0063] 进行半小时降水估计时，通过云团移动趋势跟踪算法，可以得到连续的每10分钟一次的云图，将3幅由云图反演得到的10分钟降水分布相加就得到了半小时的降水。由于考虑了云的移动，这种方式能够动态地估计降水云覆盖测站的时间和强度变化，因此显著提高了半小时降水估计的精度。

[0064] 另外，本发明将采用均方根偏差 和相关系数 对所述的雨量估计进行评估。

[0065] (6)

[0066] (7)

[0067] 其中， (8)

[0068] (9)

[0069] 式中， 和 分别为卫星估计降雨率和雨量计实测降雨率。

[0070] 另外，考虑到降水落区受风向、地形等因素影响(Scofield 1987; Vicente et al.2002)，以及卫星观测和雨量计观测方式的不一致，本发明采用 “比较半径Rc”概念。用测站为中心，以“比较半径”为半径的反演降水区最接近实际降雨率的卫星反演降雨率来代表该站的估计值。本文将Rc分别设定为1、3、5个像素。

[0071] 评估十分钟降水所用的样本共计13954个， 是 0.7212 mm (10 min)-1。评估结果(图4)表明，方程（4）容易高估弱降水，低估强降水。Rc=1时，有大量弱降水[<2.5 mm -1 -1(10 min) ] 样本被高估成超过强降水[>5 mm (10 min) ]，而所有的超强降水[>12 mm (10 -1
min) ]则全部被低估。弱降水被高估主要是由于卷云被当做降水云处理导致的，当增大Rc时，这种高估现象得到了缓解。但超强降水被低估并没有随着评估条件的放宽而显著改善，这是方程（4）限制的。因为即使云顶亮温为190K，在潮湿的环境下（ =2），按照方程（4）-1
估计的降水也只有15 mm (10 min) 。

[0072] 尽管如此，Rc=3时，cc仍达到了0.776。Rc=5时，cc进一步提高到0.85。

[0073] 中纬度地区的降水主要分成3类：层状云降水、强对流降水，和介于其间的混合降水。2010年7月和9月共计13场降水中，混合降水个例为7个，层状云降水个例为1个，强对流降水个例为5个。下面分别讨论利用ITCAT（半小时降水估计）估计三种夜间降水的结果。

[0074] 对混合降水估计结果的评估表明，ITCAT可以完全胜任对这类降水的估计。即使是点对点的统计（Rc=1），估计降水和实际降水的相关系数也能超过0.64（最高的可达0.71），-1Rc=3时，rmsd的范围在1-1.87 mm (0.5h) ，cc至少为0.83。若进一步扩大Rc，则相关系数几乎都能达到0.9。

[0075] 混合降水是最为常见的降水类型，占了所有降水个例的53.8%。ITCAT实现了对混合降水的估计，表明ITCAT对中纬度地区大部分降水的估计结果是可以接受的。

[0076] ITCAT可以层状云降水有很好的估计，在Rc=3时，估计降水和实际降水的相关系-1 -1数已经达到0.88，平均值的偏差只有0.03 mm (0.5h) ，rmsd为 0.32 mm (0.5h) 。Rc=5-1
时，相关系数甚至可以达到0.97，rmsd也只有0.16 mm (0.5h) 。虽然在2010年7月和9月，纯粹的层状云的个例只有一个，但这结果表明，综合考虑降水强度、覆盖范围和持续时间，可以得到精确的层状云降水量估计。