一种基于葵花卫星的对流初生预报方法技术

本发明专利技术涉及天气预报技术领域，且公开了一种基于葵花卫星的对流初生预报方法，包括以下步骤：S1：采集数据，采集历史气象卫星资料和天气雷达的雷达数据，进行雷暴识别跟踪，判别雷暴是否符合对流初生标准，构建对流初生个例库；S2：提取目标，对卫星不同通道数据进行处理，剔除晴空、卷云区域，提取积云目标，在进行积云识别时使用卫星云图不同通道数据，进行云检测，剔除晴空和卷云区，提取出积云的范围，并提取出积云单体的位置、大小属性；S3：积云跟踪。本发明专利技术能够实现在雷达尚未观测到对流云团时，利用卫星识别出潜在发展云团，提前预知对流发生，从而达到预报短时对流活动的目的。从而达到预报短时对流活动的目的。从而达到预报短时对流活动的目的。

【技术实现步骤摘要】
一种基于葵花卫星的对流初生预报方法


[0001]本专利技术涉及天气预报
，具体为一种基于葵花卫星的对流初生预报方法。

技术介绍

[0002]强对流天气是气象学上所指的发生突然、移动迅速、天气剧烈、破坏力极强的灾害性天气，主要有雷雨大风、冰雹、龙卷风、局部强降雨等。强对流天气发生于中小尺度天气系统，空间尺度小，一般水平范围大约在十几公里至二三百公里，水平尺度一般小于200公里，有的水平范围只有几十米至十几公里。
[0003]强对流天气的生命周期较短，从积云到强对流可能仅需30分钟时间。而当前的强对流短临预报技术主要还是基于雷电回波的移动趋势对回波走向进行预判，无法预测对流是否会发展增强，不能满足人们的要求，因此提出一种基于葵花卫星的对流初生预报方法。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于葵花卫星的对流初生预报方法，解决了当前的强对流短临预报技术主要还是基于雷电回波的移动趋势对回波走向进行预判，无法预测对流是否会发展增强，不能满足人们的要求的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于葵花卫星的对流初生预报方法，包括以下步骤：
[0009]S1：采集数据，采集历史气象卫星资料和天气雷达的雷达数据，使用葵花8号上的可见光红外扫描仪(AHI)数据，进行雷暴识别跟踪，判别雷暴是否符合对流初生标准，构建对流初生个例库；/>[0010]S2：提取目标，对卫星不同通道数据进行处理，剔除晴空、卷云区域，提取积云目标，在进行积云识别时使用卫星云图不同通道数据，进行云检测，剔除晴空和卷云区，提取出积云的范围，并提取出积云单体的位置、大小属性，由于云体种类繁多，存在卷积、晴空等情况，这些云体无法成长成为强对流，在进行对流初生判别时将其剔除，其次云体通常都连成一片，在进行对流初生判别时将其单独划分开来，寻找有潜在发展成为深对流云的积云单体；
[0011]S3：积云跟踪，读取相邻时刻卫星提取的积云目标，使用多目标追踪算法对提取出来的积云进行跟踪，记录积云单体的变化趋势；
[0012]S4：长短期记忆神经网络，根据历史个例搭建长短期记忆神经网络模型，对历史案例进行学习，学习训练时，使用反向传播算法，对样本进行训练，模型输入参数卫星云图的样本因子，模型真值为是否发生对流初生事件，进行多轮反复迭代训练，直到损失函数收敛，使用测试集进行交叉验证，检验模型准确率，并在检验过程中对模型进行调优，最后将训练好的模型进行保存，并接入实时业务环境中；
[0013]S5：对流初生预报，根据气象卫星的实况资料，进行积云识别、跟踪，然后对比对长短期记忆神经网络模型，对雷暴单体是否会发展成为强对流进行判别，生产对流初生预报。
[0014]作为本专利技术再进一步的方案，所述S1中在进行对流初生个例库建立时根据强对流发生的气象标准，从历史雷达资料中收集强对流案例，并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围，构建对流初生个例库。
[0015]进一步的，所述S1中进行对流初生个例库建立时使用风暴识别与跟踪法方法识别、跟踪连续风暴段的移动和演变趋势，依据对流初生条件判别对流初生时刻，设定强对流天气的标准为雷达回波大于20dBz面积大于20km2且雷达回波最大值大于35dBz，而对流初生指对流单体首次出现回波强度大于35dBz的积云单体，根据这个标准，结合雷暴追踪技术，从历史雷达资料中收集强对流案例，并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围，构建对流初生个例库。
[0016]在前述方案的基础上，所述S2中积云掩模的生成主要包括以下三个步骤：
[0017]云检测：从AHI多光谱图像中识别云区；
[0018]积云识别：积云对象识别，将相邻的云像素分组为积云单体对象，对积云单体进行划分切割；
[0019]剔除成熟对流云：剔除已经发展很旺盛的对流云体，仅寻找潜在对流单体发展区域。
[0020]进一步的，所述在进行云检测时分为白天云检测算法和夜间云检测算法，白天主要使用可见光结合红外通道数据进行云检测，夜间依托仅有的红外通道数据进行云检测，白天快速云检测时使用AHI 0.46μm,0.64μm和0.86μm通道的快速云检测方法来区分多云像素和晴空像素,首先计算基于可见光通道的积云指数VCI，根据AHI数据1、3、4通道即0.46μm、0.51μm、0.64μm通道反照率相互做差的均方根计算而来，公式如下：
[0021][0022]R
′
ch1
，R
′
ch3
，R
′
ch4
分别代表AHI1,3,4通道的增强反照率，反照率的增强采用Gumley提出的图像增强方式，提升卫星图像对比度，具体增强方式为对过(0,0)，(0.12,0.43)，(0.24,0.63)(0.47,0.82)(0.75,0.94)(1,1)共6个点的曲线进行三次样条拟合，将AHI数据1,3,4即0.46μm、0.51μm、0.64μm通道反照率数据按照该曲线进行调整，获得增强反照率。最后乘以系数255，将代表(0
‑
1)的反射比到(0
‑
255)亮度的转换。
[0023]在前述方案的基础上，所述在进行夜间云检测时以下几个条件可去除晴空和薄卷云像元：1)当目标像元10.4μm亮温比临近区域最暖像元低5K以下时判别该像素点为云区；2)目标像元的10.4
‑
12.4μm之间的通道间云顶亮温差BTD值比目标像元中心的19*19窗口内通道间云顶亮温差最高的像素的通道间云顶亮温差BTD值大0.6K，则判别该像素点为卷云区；3)在8.7
‑
12.4μm之间的通道间云顶亮温差BTD值比目标像素中心的19*19窗口范围内通道间云顶亮温差最高像素点的BTD值大1.6K则判别该像素点为卷云，通过使用上面两种不同的算法分别将白天和夜间积云区域从晴空和薄卷云中分离出来。
[0024]本专利技术再进一步的方案，所述S5中在进行积云识别时使用Abubaker提出的连接组件标记技术，提取积云轮廓信息，将云区分分割为单个积云单体对象，具体为首先确定一个灰度阈值用于将卫星图像二值化，二值化后的图像中存在着一些小面积的云团碎片，设定
一个面积阈值将面积小于该阈值的连通区域滤除，然后对剩余的连通区域采用边缘检测技术求出所有目标云团的外边界，作为目标云团的初始轮廓，最后使用分水岭算法从提取单个积云轮廓，在初始轮廓范围内寻找云顶温度较低，即云顶发展比较旺盛的区域，作为掩膜中的种子(分水岭算法中所谓的注水点)，根据掩膜中种子位置对图像上其他的像素点根据分水岭算法规则进行判断，并对每个像素点的区域归属进行划定，直到处理完图像上所有像素点，实现每一个积云单体的划分，利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于葵花卫星的对流初生预报方法，其特征在于，包括以下步骤：S1：采集数据，采集历史气象卫星资料和天气雷达的雷达数据，使用葵花8号上的可见光红外扫描仪(AHI)数据，进行雷暴识别跟踪，判别雷暴是否符合对流初生标准，构建对流初生个例库；S2：提取目标，对卫星不同通道数据进行处理，剔除晴空、卷云区域，提取积云目标，在进行积云识别时使用卫星云图不同通道数据，进行云检测，剔除晴空和卷云区，提取出积云的范围，并提取出积云单体的位置、大小属性，由于云体种类繁多，存在卷积、晴空等情况，这些云体无法成长成为强对流，在进行对流初生判别时将其剔除，其次云体通常都连成一片，在进行对流初生判别时将其单独划分开来，寻找有潜在发展成为深对流云的积云单体；S3：积云跟踪，读取相邻时刻卫星提取的积云目标，使用多目标追踪算法对提取出来的积云进行跟踪，记录积云单体的变化趋势；S4：长短期记忆神经网络，根据历史个例搭建长短期记忆神经网络模型，对历史案例进行学习，学习训练时，使用反向传播算法，对样本进行训练，模型输入参数卫星云图的样本因子，模型真值为是否发生对流初生事件，进行多轮反复迭代训练，直到损失函数收敛，使用测试集进行交叉验证，检验模型准确率，并在检验过程中对模型进行调优，最后将训练好的模型进行保存，并接入实时业务环境中；S5：对流初生预报，根据气象卫星的实况资料，进行积云识别、跟踪，然后对比对长短期记忆神经网络模型，对雷暴单体是否会发展成为强对流进行判别，生产对流初生预报。2.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法，其特征在于，所述S1中在进行对流初生个例库建立时根据强对流发生的气象标准，从历史雷达资料中收集强对流案例，并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围，构建对流初生个例库。3.根据权利要求2所述的一种基于葵花卫星的对流初生预报方法，其特征在于，所述S1中进行对流初生个例库建立时使用风暴识别与跟踪法方法识别、跟踪连续风暴段的移动和演变趋势，依据对流初生条件判别对流初生时刻，设定强对流天气的标准为雷达回波大于20dBz面积大于20km2且雷达回波最大值大于35dBz，而对流初生指对流单体首次出现回波强度大于35dBz的积云单体，根据这个标准，结合雷暴追踪技术，从历史雷达资料中收集强对流案例，并记录对流单体首次从弱对流发展成为强对流的时刻以及对流单体发展成为强对流时的落区范围，构建对流初生个例库。4.根据权利要求1所述的一种基于葵花卫星的对流初生预报方法，其特征在于，所述S2中积云掩模的生成主要包括以下三个步骤：云检测：从AHI多光谱图像中识别云区；积云识别：积云对象识别，将相邻的云像素分组为积云单体对象，对积云单体进行划分切割；剔除成熟对流云：剔除已经发展很旺盛的对流云体，仅寻找潜在对流单体发展区域。5.根据权利要求4所述的一种基于葵花卫星的对流初生预报方法，其特征在于，所述在进行云检测时分为白天云检测算法和夜间云检测算法，白天主要使用可见光结合红外通道数据进行云检测，夜间依托仅有的红外通道数据进行云检测，白天快速云检测时使用AHI 0.46μm,0.64μm和0.86μm通道的快速云检测方法来区分多云像素和晴空像素,首先计算基
于可见光通道的积云指数VCI，根据AHI数据1、3、4通道即0.46μm、0.51μm、0.64μm通道反照率相互做差的均方根计算而来，公式如下：R
′
ch1
，R
′
ch3
，R
′
ch4
分别代表AHI1,3,4通道的增强反照率，反照率的增强采用Gumley提出的图像增强方式，提升卫星图像对比度，具体增强方式为对过(0,0)，(0.12,0.43)，(0.24,0.63)(0.47,0.82)(0.75,0.94)(1,1)共6个点的曲线进行三次样条拟合，将AHI数据1,3,4即0.46μm、0.51μm、0.64μm通道反照率数据按照该曲线进行调整，获得增强反照率。最后乘以系数255，将代表(0
...

【专利技术属性】
技术研发人员：张立霞，
申请(专利权)人：张立霞，
类型：发明
国别省市：