一种基于卫星遥感的临近预报方法

刘 佳

(商丘师范学院信息技术学院，河南 商丘 476000)

近年来，在全球变暖为主要特征的气候变化背景下，极端天气现象逐渐增多，其中中尺度对流系统(mesoscale convective system,MCS)[1-4]是形成暴雨、冰雹等强对流天气的主要原因。因此，研究这些强对流天气以减少自然灾害带给社会的风险和损失意义重大。

强对流天气[5-6]的预报一般分为短期预报(12 h以内)和临近预报(0～2 h)[7-8]。临近预报的观测数据主要来源于雷达、探测器和卫星。预报强对流天气的一种方法是利用临近预报时间步长进行外推，另一种方法是利用数值天气预报(numerical weather prediction,NWP)模型。

目前，所有的临近预报算法都不能完全解决对流核的生消、分裂与合并等问题。因为对流核不是刚体，所以在其发展变化过程中通常会出现生长、消亡和形变等现象。相应的，描述这些对流核的参数也会随之发生变化，而这些变化的规律目前仍很难把握[9]。

云团在MCS生命周期中的分裂合并问题是临近预报的难点。为解决这一问题，本文提出FCC(forecasting convective cells)算法，该算法使用FY-2气象卫星数据预测多个对流单体的运动轨迹。由于对流单体是MCS中稳定的部分，因此，可通过预测对流单体代替MCS。对流单体的移动轨迹根据结合历史误差的几何质心位移进行预测。

1 临近预报方法

对流核的运动速度可以看做是均匀的，很多临近预报算法根据这一特性，对下一时刻对流核的位置进行了线性外推。文献[10]提出了利用ForTraCC算法预测对流核的运动，该算法具体描述了预测对流核时可能遇到的5种情况，即产生、消亡、连续、合并和分裂。文献[11]通过计算雷达回波的光流场得到回波的运动矢量场,并基于运动矢量场对雷达回波进行外推从而达到预报的目的。文献[12]通过在空间等属性上进行尺度变换处理,可获得预报在不同空间尺度上的评价信息。文献[13]根据固有模态函数(IMF)方差最大值对应层数的动态特性,建立并验证了两种强度的雷暴临近预报模型。

FCC预测算法通过给定的3个连续时刻(t-2Δt、t-Δt和t)预测MCS的位移。图1为FCC对流核预测方法的示意图，分为t-2Δt、t-Δt和t和t+Δt时刻，实线部分为真实的对流核位置，虚线部分为预测的对流核，实线箭头为对流核真实位移，虚线箭头为预测对流核位移。该算法通过结合前两个时刻的历史误差预测对流核的位置，相对于线性外推方法能得到更加准确的预测结果。

假定前一时间间隔位移向量为Vt-1，Vt-1利用t-2Δt和t-Δt时刻的质心位移计算。考虑这个位移在短时间内大小和方向不会发生很大的变化，产生了预测速度VP(t)。同时，计算t-2Δt和t-Δt时刻MCS的真实质心位移Vt。真实位移和预测位移之间的误差为

ΔVt=Vt-VP(t)

(1)

结合式(1)计算的误差，估计的MCS向量位移可通过下式计算

VEt+1=Vt+ΔVt

(2)

MCS的生命周期阶段(初生到消散)通常使用标准面积膨胀进行估计，该参数可表示为

(3)

式中，A表示某一时刻MCS的面积大小，正值表示面积增大，负值表示面积缩小。

MCS的生命周期阶段可表示如下

A(t)=aeat2+bt+c

(4)

式中，A(t)为生命周期中t时刻的MCS面积；a、b和c为根据生命周期持续时间定义的参数。

基于上述公式，ΔE是典型的直线

(5)

式中，a(斜率)和b(截距)取决于MCS整个生命周期的持续时间。

2 试验结果与分析

2.1 30 min预测的试验

选取FY-2F卫星2014年8月份，94°E—129°E，11°N—26°N区域的IR1通道数据进行案例分析，空间分辨率为5 km。图2为30 min时间间隔的对流核预测图。图2(a)为2014年8月27日1424UTC IR1通道红外灰度图像，可以看出存在白色的对流云团。图2(b)和图2(c)为1424UTC和1454UTC的亮温图像，从亮温图中可以看出对流核的大致轮廓。图2(d)为30 min后，即2014年8月27日1454UTC的对流核预测图，图中白色和灰色轮廓为EMTRG[14]算法检测到的两个时刻的对流核。其中，白色为当前时刻对流核的轮廓，灰色为预测的对流核轮廓，可以看出轮廓与亮温图中的对流核区域基本一致，体现出FCC预测算法的有效性。

2.2 60 min预测的试验

图3为时间间隔60 min的对流核预测图像，选择的图像序列为2014年8月27日0900UTC和1000UTC。图3(a)为0900UTC IR1通道红外灰度图像。图3(b)和(c)分别为0900UTC和1000UTC的亮温图像，从亮温图中可以看到对流核的大致轮廓。图3(d)为60 min后的对流核预测图。白色为当前时刻的对流核轮廓，灰色为预测轮廓。

2.3 方法验证

采用2014年8月的数据进行试验，将预测结果与实际图像进行相似度检测来评价FCC算法的有效性，客观评价指标为相关性系数和均方误差。

(1) 相关性系数(correlation coefficient,CORR):相关性系数是衡量变量之间线性相关程度的指标，计算公式为

(6)

式中，X和Y分别表示预测图像和实际图像；m、n分别对应图像的宽和高。CORR值越高，表明两幅图像之间的相关性越好。将FCC算法与线性外推、ForTraCC[10]、ETITAN[15]方法进行对比，对比结果见表1。

表1 不同方法的相关性系数对比

(2) 均方误差(root mean square error,RMSE):均方误差是衡量变量之间差异性的指标，计算公式为

(7)

式中，X和Y分别表示预测图像和实际图像；m、n分别对应图像的宽和高。RMSE值越小，表明两幅图像之间误差越小。

将FCC算法与线性外推、ForTraCC、ETITAN方法进行对比，对比结果见表2。

表2 不同方法的均方误差对比

由表1和表2的对比结果可知，4种算法的准确率都会随着外推时间的增加而下降。由于本文提出的FCC算法结合了前两个时刻的误差来预测下一时刻的位移，因此相对于其他方法更加准确有效。FCC算法在30 min时对流核临近预报与实际结果的相关系数为0.931，均方误差为8.856。若对整个扫描区域(2288×2288像素)进行预测，FCC算法处理单幅卫星云图的处理时间约为9.7 s，时间较短。因此，从时效性角度出发，FCC算法满足气象领域应用的实时性要求，适用于临近预报。

3 结 语

针对对流核消散、合并等问题，本文提出了临近预报算法FCC。该算法不以云团为目标而是以对流云核为目标进行预测，从而提高了云团临近预报的精度。FCC预测算法结合了前两个时刻的历史误差，预测下一时刻的位移，相对于其他方法更有效，并减少了误差。此外，FCC算法在时效性上的优势使其成为近实时操作的一个理想选择，如2 h内的临近预报。