一种云天条件下近地面气温估算方法

摘要

本发明提供一种基于卫星遥感数据的云天条件下近地面气温估算方法，包括：(1)获取研究区域气象台站的历史数据；(2)将所述大气可降水量、近地面相对湿度、云顶温度、云顶高度和云光学厚度历史数据进行预处理，得到时空匹配的数据集；(3)将所述百叶箱气温作为神经网络的输出，将所述数据集作为神经网络的输入，构建神经网络；(4)获取待气温估算区域的数据集；(5)根据气象卫星的经纬度和时间信息，利用三次样条插值方法进行时间和空间插值，得到与气象卫星时空匹配的数据集；(6)将所述与气象卫星时空匹配的数据集输入已经构建好的神经网络进行云天条件下的近地面气温的估算。本发明方法简便易行、精度高。

权利要求

1.一种云天条件下近地面气温估算方法，其特征在于，包括以下步骤：(1)获取研究区域气象台站的历史数据；

所述历史数据包括：百叶箱气温、大气可降水量、近地面相对湿度、以及在有云条件下测量得到的云顶温度、云顶高度和云光学厚度；

(2)将所述大气可降水量、近地面相对湿度、云顶温度、云顶高度和云光学厚度历史数据进行预处理，得到时空匹配的数据集；

所述数据集包括：云顶温度、云顶高度、云光学厚度、大气可降水量和近地面相对湿度；

(3)将所述百叶箱气温作为神经网络的输出，将所述数据集作为神经网络的输入，构建包含两个隐层的前向多层神经网络，对网络进行训练，评估，误差分析，确定最佳的隐层节点个数以及相应的权重函数，从而得到构建好的神经网络；

(4)获取待气温估算区域的数据集；

所述待气温估算区域的数据集包括：利用气象卫星获取的实时卫星数据以及利用全球预报系统获取的实时大气可降水量和近地面相对湿度；

所述实时卫星数据包括在有云条件下测量得到的实时云顶温度，云顶高度和云的光学厚度；

(5)根据气象卫星的经纬度和时间信息，利用三次样条插值方法将所述实时大气可降水量和近地面相对湿度进行时间和空间插值，得到与气象卫星时空匹配的数据集；

所述与气象卫星时空匹配的数据集包括：云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度；

(6)将所述与气象卫星时空匹配的数据集输入已经构建好的神经网络进行云天条件下的近地面气温的估算。

2.根据权利要求1所述的云天条件下近地面气温估算方法，其特征在于，步骤(2)中所述预处理包括：根据气象台站的经纬度和时间信息，利用三次样条插值方法对所述云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度进行时间和空间插值处理来插值到气象台站的位置，从而提取时空匹配的数据集。

3.根据权利要求1所述的云天条件下近地面气温估算方法，其特征在于，所述步骤(3)中神经网络的输出还包括：观测像元经纬度、高程、儒略日。

说明书

一种云天条件下近地面气温估算方法

技术领域

[0001] 本发明涉及大气遥感技术领域，尤其涉及一种基于卫星遥感数据的云天条件下近地面气温估算方法。

背景技术

[0002] 近地面气温通常指的是距离地面1.5米的气象台站百叶箱测的大气温度，近地面气温是气象台站的常规观测项目之一。近地面气温是影响气候变化、水文、农业生产、干旱、居民生活能耗的重要参数，高分辨率的近地面气温信息也是众多陆面过程、气候模式的关键输入参数之一。目前，近地面气温观测主要是依靠气象台站的常规观测获取的，虽然气象台站观测气温精度高，但是只能获取离散点的气温数据，无法获取大范围、连续的气温分布信息。

[0003] 随着气象卫星遥感技术的发展，基于卫星遥感数据估算气温近地面气温成为可能。目前，卫星遥感近地面气温主要是利用气象卫星的地表温度产品开展，主要是利用近地面气温和其他辅助数据(比如归一化植被指数、高程和太阳高度角等)，基于线性回归方程、神经网络或者随机森林等技术构建气温估算模型。但由于气象卫星红外探测通道波长较短，其无法获取云天条件下的地表温度，因此基于卫星遥感的地表温度产品的气温估算模型仅能获得晴空条件下大范围、高空间分辨率的近地面气温信息。

[0004] 云的存在是影响卫星遥感估算近地面气温估算的重要因素，已有的研究表明全球范围内平均云量超过60％，因此基于卫星遥感数据开展云天条件下的近地面气温估算具有非常重要的科学意义和实际的应用价值。目前，云天条件下的近地面气温估算主要是基于微波观测数据开展的，微波拥有穿透大气云层的能力，但是微波探测器的空间分辨率较低且容易受到地表类型(或者发射率)的影响，因此不论在空间分辨率还是在估算的精度上均无法满足科学研究或者实际业务的需求。基于微波不同频率(比如18.7和23.8GHz通道)观测亮温以及地表类型、卫星观测角、海拔等辅助数据，将卫星同步观测时间和空间匹配的气象台站观测气温作为因变量，微波各通道的观测亮温和其他辅助数据(比如地表类型、卫星观测角、海拔)作为自变量，基于线性模型构建近地面气温的估算模型。将构建的近地面气温估算模型，应用于无气象台站区域的微波观测数据，实现云天条件下的近地面气温估算。

[0005] 虽然基于卫星微波观测可以获取云天条件下的近地面气温估算，但是由于微波波长较长因此地气系统的微波通道的辐射信号很弱，这导致微波通道的空间分辨率非常低，空间分辨率通常低于32千米，这使得基于卫星微波观测数据获取的近地面气温空间分辨率很难满足科学研究和实际业务的需求。另外，地球各个地表类型的微波通道的发射率变化非常大，变化范围可从0.3到1.0，这直接使得基于微波亮温的近地面气温估算精度对微波地表发射率的精度依赖性非常强，这使得基于微波亮温的近地面气温估算的有非常大的不确定性，因此基于微波亮温的近地面气温估算精度很难优于3.0K。

发明内容

[0006] 本发明的目的在于解决云天条件下近地面气温估算问题，具体将利用气象卫星所提供的云顶高度、云顶温度、云光学厚度以及相关的辅助数据，构建以云的高度、温度和厚度信息为关键因子的云天条件下的高精度近地面气温估算模型，实现基于卫星遥感数据的云天条件下近地面气温估算。

[0007] 一种云天条件下近地面气温估算方法，包括以下步骤：

[0008] (1)获取研究区域气象台站的历史数据；

[0009] 所述历史数据包括：百叶箱气温、大气可降水量、近地面相对湿度、以及在有云条件下测量得到的云顶温度、云顶高度和云光学厚度；

[0010] (2)将所述大气可降水量、近地面相对湿度、云顶温度、云顶高度和云光学厚度历史数据进行预处理，得到时空匹配的数据集；

[0011] 所述数据集包括：云顶温度、云顶高度、云光学厚度、大气可降水量和近地面相对湿度；

[0012] (3)将所述百叶箱气温作为神经网络的输出，将所述数据集作为神经网络的输入，构建包含两个隐层的前向多层神经网络，对网络进行训练，评估，误差分析，确定最佳的隐层节点个数以及相应的权重函数，从而得到构建好的神经网络；

[0013] (4)获取待气温估算区域的数据集；

[0014] 该数据集包括：利用气象卫星获取的实时卫星数据以及利用全球预报系统获取的实时大气可降水量和近地面相对湿度；

[0015] 所述实时卫星数据包括在有云条件下测量得到的实时云顶温度，云顶高度和云的光学厚度；

[0016] (5)根据气象卫星的经纬度和时间信息，利用三次样条插值方法将所述实时大气可降水量和近地面相对湿度进行时间和空间插值，得到与气象卫星时空匹配的数据集；

[0017] 所述与气象卫星时空匹配的数据集包括：云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度；

[0018] (6)将所述与气象卫星时空匹配的数据集输入已经构建好的神经网络进行云天条件下的近地面气温的估算。

[0019] 进一步地，如上所述的云天条件下近地面气温估算方法，步骤(2)中所述预处理包括：

[0020] 根据气象台站的经纬度和时间信息，利用三次样条插值方法对所述云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度进行时间和空间插值处理来插值到气象台站的位置，从而提取时空匹配的数据集。

[0021] 进一步地，如上所述的云天条件下近地面气温估算方法，所述步骤(3)中神经网络的输出还包括：观测像元经纬度、高程、儒略日。

[0022] 有益效果：

[0023] 本发明实现了基于气象卫星遥感数据的云天条件下近地面气温估算，方法简便易行；本发明利用了大气温度随高度存在气温垂直递减率的特征，将卫星观测的云顶温度、云顶高度以及云的厚度作为气温估算模型的主要输入参数，同时将观测像元的海拔高度、经度、纬度、大气可降水量、相对湿度、时间信息等辅助参数也作为气温估算的预测因子，结果表明近地面气温估算精度约为2.19℃，这个精度高于现有技术的估计方法得到的精度。

[0024] 另外，由于目前气象卫星遥感的云产品空间分辨率较高，因此基于本发明可实现云天条件下的高空间分辨率的近地面气温估算。

[0025] 此外，本发明的云天条件下近地面气温估算模型的主要输入是气象卫星的云产品和数值预报模式产品，这些数据格式标准，利于气象卫星遥感近地面气温的实时处理。

[0026] 而且，采用本发明的方法可实现热红外遥感数据估算云天条件下近地面气温的问题，且估算精度较高。

附图说明

[0027] 图1是本发明实施例1云天条件下近地面气温估算方法流程图；

[0028] 图2是本发明提供的基于葵花八号卫星云产品的云天条件下近地面气温估算结果和气象台站实测数据气温的二维直方分布图；

具体实施方式

[0029] 为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0030] 随着卫星遥感探测技术的发展，基于气象卫星的红外和可见光传感器可以同时探测云顶温度，云顶高度和云的光学厚度，由于大气温度存在着随高度变化的温度垂直递减率，因此当知道云顶温度、云顶高度、云光学厚度以及观测像元的海拔高度等信息，通过构建合理的气温估算模型是可以基于卫星遥感数据估算云天条件下的近地面气温信息。本发明的主要内容是基于气象卫星云产品以及像元高程等辅助信息，基于神经网络技术构建云天条件下的近地面气温估算模型。

[0031] 实施例1：

[0032] (1)获取研究区域气象台站的历史数据；

[0033] 所述历史数据包括：百叶箱气温、大气可降水量、近地面相对湿度、以及在有云条件下测量得到的云顶温度、云顶高度和云光学厚度；

[0034] 具体地，获取研究区域气象台站的百叶箱气温、基于全球预报系统(GFS)的大气可降水量和近地面相对湿度历史数据，同时获取该区域对应的气象卫星数据，该气象卫星数据包括在有云条件下检测得到：云顶温度、云顶高度和云光学厚度；

[0035] (2)将所述大气可降水量、近地面相对湿度、云顶温度、云顶高度和云光学厚度历史数据进行预处理，得到时空匹配的数据集；

[0036] 所述数据集包括：云顶温度、云顶高度、云光学厚度、大气可降水量和近地面相对湿度；

[0037] 具体地，所述预处理的方法为：根据气象台站的经纬度和时间信息，利用三次样条插值方法对所述云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度进行时间和空间插值处理来插值到气象台站的位置，从而提取时空匹配的由云顶温度、云顶高度、云光学厚度、大气可降水量和近地面相对湿度构成的数据集；

[0038] (3)将步骤(2)得到的所述数据集作为神经网络的输入，将步骤(1)得到的所述百叶箱气温作为网络的输出，构建包含两个隐层的前向多层神经网络，对网络进行训练，评估，误差分析，确定最佳的隐层节点个数以及相应的权重函数，从而得到构建好的神经网络；

[0039] (4)获取待气温估算区域的数据集，该数据集包括：利用气象卫星获取的实时卫星数据以及利用全球预报系统获取的实时大气可降水量和近地面相对湿度；所述实时卫星数据包括在有云条件下测量得到的实时云顶温度，云顶高度和云的光学厚度；

[0040] (5)根据气象卫星的经纬度和时间信息，利用三次样条插值方法将所述实时大气可降水量和近地面相对湿度进行时间和空间插值，得到与气象卫星时空匹配的数据集；

[0041] 所述与气象卫星时空匹配的数据集包括：云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度；

[0042] 具体地，由于获取的实时卫星数据包括在有云条件下获取的实时数据，也包括在晴空下获取的实时数据，而本发明的目的是针对有云条件下来估计近地面气温，因此，需要提取出实时卫星数据中在有云条件下的实时卫星数据，即所述有云像元下的实时卫星数据。

[0043] (6)将所述与气象卫星时空匹配的数据集输入已经构建好的神经网络进行云天条件下的近地面气温的估算。

[0044] 实施例2：

[0045] 本实施例在实施例1的基础上还增加了观测像元经纬度、高程、儒略日作为神经网络的输入因子，从而提高了本申请地面气温估计的精度。其方法具体如下：

[0046] (1)获取研究区域气象台站的百叶箱气温、基于全球预报系统(GFS)的大气可降水量和近地面相对湿度历史数据，同时获取该区域对应的气象卫星数据，该气象卫星数据包括在有云条件下测量得到：云顶温度、云顶高度和云光学厚度；

[0047] (2)根据气象台站的经纬度和时间信息，利用三次样条插值方法对所述云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度进行时间和空间插值处理来插值到气象台站的位置，从而提取时空匹配的由云顶温度、云顶高度、云光学厚度、大气可降水量和近地面相对湿度构成的数据集；

[0048] (3)将步骤(2)得到的所述数据集作为气温估算关键因子，同时考虑观测像元经纬度、高程、儒略日作为自变量，将以上因子作为神经网络的输入，将步骤(1)得到的所述百叶箱气温作为网络的输出，构建包含两个隐层的前向多层神经网络，对网络进行训练，评估，误差分析，确定最佳的隐层节点个数以及相应的权重函数，从而得到构建好的神经网络；

[0049] (4)获取待气温估算区域的数据集，该数据集包括：利用气象卫星获取的实时卫星数据以及利用全球预报系统获取的实时大气可降水量和近地面相对湿度；

[0050] (5)从所述实时卫星数据中提取出有云像元下的实时卫星数据；所述实时卫星数据包括：云顶温度，云顶高度和云的光学厚度；

[0051] 具体地，由于获取的实时卫星数据包括在有云条件下获取的实时数据，也包括在晴空下获取的实时数据，而本发明的目的是针对有云条件下来估计近地面气温，因此，需要提取出实时卫星数据中在有云条件下的实时卫星数据，即所述有云像元下的实时卫星数据。

[0052] (6)根据气象卫星观测像元的经纬度和时间信息，利用三次样条插值方法将所述实时大气可降水量和近地面相对湿度进行时间和空间插值，最终得到与气象卫星逐个像元时空匹配的数据集；所述与气象卫星时空匹配的数据集包括：云顶温度、云顶高度和云光学厚度、大气可降水量、近地面相对湿度；

[0053] (7)将所述与气象卫星时空匹配的数据集输入已经构建好的神经网络来进行云天条件下的近地面气温的估算。

[0054] 图2是本发明提供的基于葵花八号卫星云产品的云天条件下近地面气温估算结果和气象台站实测数据气温的二维直方分布图；图2是发明人根据本发明气温估计方法，利用2017的数据建模，2018年的数据去估算气温，然后利用气象台站百叶箱的实际观测气温去验证估算的气温精度，结果表明两者的相关系数为0.938，均方根误差为2.19℃，这一精度相比已有的文献报道而言，精度还是相当不错的。

[0055] 发明人根据本发明气温估计方法，利用2017的数据建模，2018年的数据去估算气温，然后利用气象台站百叶箱的实际观测气温对每个台站位置的卫星数据估算气温的精度，结果表明在中国中东部地区、东南部地区气温估算均方根误差可小于2.0℃。

[0056] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。