FY 2D静止气象卫星OLR反演模式

介绍FY2D卫星OLR反演模式的建立过程以及模式与NOAA卫星OLR反演模式的相互对比,包括：地球大气红外辐射传输方程,全球3812条大气廓线的大气顶射出辐射率、射出长波辐射通量密度的模拟计算,3812条廓线FY2D窗区通道1、2、水汽通道的通道辐射率模拟计算, 通道辐射率的临边变暗订正关系式的确立、3个通道波段的窄波段辐射通量密度的模拟计算。通过3812条廓线的窄波段辐射通量密度与OLR的XY坐标散点图,建立OLR回归关系式;并通过NOAA17 AVHRR通道5 OLR反演模式与FY2D窗     

FY 4A卫星数据可视化及应用

2016年12月11日我国发射了FY-4A新一代静止气象卫星,其高时间和空间分辨率能够加强航空气象中的监测应用,为了更好地应用FY-4A卫星的各类观测产品,本文利用Python语言实现对FY-4A卫星AGRI观测仪器所探测的2km、4km分辨率的全圆盘和中国区域可见光、红外图像资料及7.8km分辨率闪电监测资料进行解码并可视化显示出图,将绘制的卫星图像与国家卫星气象中心网站对外开放的卫星云图进行对比。结果表明:两者显示较为一致,可以用于航空气象业务。Python语言语法简练,对于卫星HDF和NC格式数据读取速度快,Python的Numpy工具包基于矩阵的运算能快速处理卫星观测数据,Basemap库中多种投影方式可供业务应用,值得推广。     

用卫星OLR资料估算中国大陆月降水量

利用国家卫星气象中心处理的NOAA下午轨道卫星的OLR资料,用Xie等在1998年的文章中提出的月降水量计算模式,计算了1991-2008年地理范围在10°～60°N、75°～150°E、分辨率为0.5°×0.5°的中国大陆月降水量,得出:用OLR月距平资料可以计算出月降水量,模式估算出的降水量通过与NCEP提供的18年月降水量陆地观测数据对比,精度为:冬季相对误差49.14%、绝对误差7.97 mm;春季相对误差37.60%、绝对误差14.97 mm;夏季相对误差27.37%、绝对误差31.61mm;秋季相对误差37.99%、绝对误差16.95 mm,可见精度效果并不是太好,造成误差的主要原因是降水机制不一,层状云降水特别是逆温层状云和连续阴天不下雨,以及月平均OLR不能完整地反映月内降水云和降水量是造成用OLR月距平估算月降水量的主要误差来源.通过对FY-2C卫星云分类产品的图像分析,得出中国南方冬季主要是层状云降水,OLR月距平值较高,用全球的A、B系数估算出的降水量偏低于实况,因此对中国大陆进行分区、分季节统计A、B系数,是解决OLR月距平估算月降水量精度问题的途径.     

从FY3A卫星IRAS的多通道辐射率估算OLR

介绍了从FY3A卫星IRAS仪器的通道辐射率估算OLR的技术,包括:用红外辐射传输正演的方法建立IRAS多通道辐射率加权求和计算OLR的反演模式,以及由此模式计算得到的OLR产品。模式的全球RMS=3.53 W/m2,表明远高于从NOAA AVHRR通道5亮温计算OLR的反演模式精度。文中给出IRAS全球OLR产品个例,及该OLR产品与NOAA-17 OLR产品的精度对比。     

FY2卫星展宽云图接收机设计与实现

静止气象卫星是监测地表、大气、海洋以及空间环境等相关数据的重要手段,为气象、农业、空间环境等领域提供着大量的科学数据.重点对FY2接收机的实现方法进行了研究,主要内容包括二次变频方法、基于HSP50110/HSP50210的数字解调、差分解码、关键参数设置以及信号指示等.最后以误码率为指标并结合图像接收效果对接收机性能进行直观评估,结果表明,所设计的接收机图像清晰、误码率低,具有一定的实际意义与参考价值.     

FY2卫星云图分析系统在热带气旋北冕过程中的应用

利用FY2卫星云图分析系统的各项分析功能,结合常规观测资料对热带气旋北冕的天气形势、云图演变以及路径变化、风雨情况等进行了分析。结果表明,副热带高压摆动,中纬度西风小槽东移,低层西南气流加强和减弱是"北冕"出现两次北抬和一次南折的直接原因;对流云团的发展和减弱对应低层西南气流的加强和减弱;强降水与云顶亮温的最低值中心及强度密切相关,而云团面积和云顶亮温与强降水也有很好的对应关系,其中发展的云系是强降水发生的信号。FY2卫星云图分析系统较好地分析了"北冕"整个过程的变化特点,对于短时临近预报有较好的辅助作用。     

FY 2F卫星和毫米波云雷达云高观测的个例对比分析

风云二号静止卫星上装载有可见光、水汽、中长波红外等探测通道,其中红外通道资料可提供卫星云顶温度数据。基于FY-2F静止卫星云顶温度资料,结合局地实时探空数据对北京南郊和朝阳站点上空云层进行云高反演,并展开与地基毫米波云雷达探测云顶高关系的对比,分析3种不同云厚(薄云、适中、厚云)条件下的云高观测结果。研究结果表明,二者云顶高匹配度受几何云厚的影响,其吻合度呈现出厚云最佳,薄云最差的特征。     

Python在FY 2G定量业务产品自动可视化中的应用

利用Python语言实现了每日对CMACast下发的最新风云二号G星(FY-2G)云导风(AMV)和射出长波辐射(OLR)两个定量业务产品的实时自动解码和可视化出图,并与国家卫星气象中心下发的卫星天气应用平台(SWAP)的显示进行了对比。结果表明:两者显示一致。在显示所有AMV文件风矢量数据的前提下,本文可视化产品较目前版本SWAP的显示更为疏密均匀,没有出现重叠现象;Python出图自带的高洛德(Gouraud)明暗处理渲染方式则在对OLR格点产品可视化显示中提供了一种更为平滑,细腻的方法。利用本研究方法对风云二号卫星定量产品进行可视化具备自动化和视觉美观的特点,值得在基层气象部门业务中推广。     

FY-2D静止气象卫星OLR反演模式

介绍FY-2D卫星OLR反演模式的建立过程以及模式与NOAA卫星OLR反演模式的相互对比,包括:地球大气红外辐射传输方程,全球3812条大气廓线的大气顶射出辐射率、射出长波辐射通量密度的模拟计算,3812条廓线FY-2D窗区通道1、2、水汽通道的通道辐射率模拟计算,通道辐射率的临边变暗订正关系式的确立、3个通道波段的窄波段辐射通量密度的模拟计算.通过3812条廓线的窄波段辐射通量密度与OLR的X-Y坐标散点图,建立OLR回归关系式;并通过NOAA-17 AVHRR通道5 OLR反演模式与FY-2D窗区通道2 OLR反演模式形式的互比,得出两星的OLR反演模式接近,给出2007年2～4月OLR产品个例和产品精度分析.     

CO2 Flux Estimation by Different Regression Methods from an Alpine Meadow on the Qinghai-Tibetan Plateau

CO2 efflux was estimated using different regression methods in static chamber observation from an alpine meadow on the Qinghai-Tibetan Plateau. The CO2 efflux showed a seasonal pattern, with the maximun flux occurring in the middle of July. The temperature sensitivity of CO2 efflux (Q10> was 3.9, which was at the high end of the range of global values. CO2 emissions calculated by linear and nonlinear regression were significantly different (p<0.05). Compared with the linear regression, CO2 emissions calculated by exponential regression and quadratic regression were 12.7% and 11.2% larger, respectively. However, there were no significant differences in temperature sensitivity values estimated by the three methods. In the entire growing season, the CO2 efflux estimated by linear regression may be underestimated by up to 25% compared to the real CO2 efflux. Consequently, great caution should be taken when using published flux data obtained by linear regression of static chamber observations to estimate the regional CO2 flux in alpine meadows on the Qinghai-Tibetan Plateau.     

Data-Assimilative Hindcast and Climate Forecast of Storm Surges with an ASGF Regression Model

ABSTRACT

This study demonstrates that long-term climate model solutions can be efficiently converted to storm surge time series at points of interest (POIs) for the future. The all-source Green's function (ASGF) regression model is used for this conversion. In addition to being data assimilative, the ASGF regression model can also simulate storm surges at a POI faster than the traditional modelling approach by orders of magnitude. This is demonstrated using the tidal gauge at Sept-Îles (Quebec, Canada) in the Gulf of St. Lawrence as the POI. First the ASGF regression model is used to assimilate 32 years of tidal gauge data, producing a continuous hindcast of storm surges and a set of best-estimate regression parameters. Second, the ASGF regression model with the best-estimate parameters is used to convert a Canadian Regional Climate Model solution (CRCM/AHJ) to an hourly time series of storm surges from 1961 to 2100. Gumbel's extreme value analysis (EVA) is then applied to the time series as a whole and also to tri-decadal segments. The tri-decadal approach is used to investigate whether there is any progressive shortening or lengthening of storm surge return periods as a result of future climate change. A method for correcting for bias due to the forcing field at the EVA level is also demonstrated.     

利用FY-2E红外和水汽波段对强对流云团的识别和演变研究

使用FY-2E静止气象卫星的红外1(10.3~11.3μm)和水汽波段(6.3~7.6μm)时序图像,对强对流云进行识别和短时预测。亮温阈值法是将强对流云和其他高云区分开的常用方法,但是合适的亮温阈值是随着时间和空间而变化的,过高的阈值会将许多卷云包括进来,太低的阈值会排除掉云顶发展还不是很高的强对流云。水汽波段所在的位置是水汽的一个强吸收带,而高度在400 h Pa上下的大气层是水汽波段的一个强吸收层,大气在垂直方向上的对水汽波段辐射吸收的分布模式使得卫星接收到的水汽波段辐射主要来自于400 h Pa以上的大气中高层,而卫星接收到的红外波段辐射主要来自于大气中低层,两个波段间辐射来源的差异使得不同光学厚度的高云的辐射观测值在红外—水汽光谱空间中的分布具有明显差别,并且这种差异具有时空的稳定性。本文将一定范围内的云团的象元测值在红外—水汽光谱空间中的分布的拟合直线斜率作为强对流云识别的依据,结果表明相对于亮温阈值法,本文的识别方法不仅能够较好地区别卷云和强对流云,同时也能更有效地识别未达到旺盛阶段的对流云。在对强对流云进行识别后,根据相邻时间段的卫星图像,利用交叉相关法反演得到强对流云团顶部的位移矢量场,并根据后向轨迹法对强对流云团位置形状进行短时预测,预报结果在短时间内(0~1 h)较好,并且对面积较大的云团的预报效果要优于较小的对流云团。此外文中还利用逐半小时的云顶黑体温度(Temperature of Black Body,TBB)资料分析了云顶亮温的分布变化,得到了整个强对流过程的演变特征。     

基于第8届国际探空比对试验对GTS1-2型探空仪技术改进与对比分析

经过国内学者和WMO的评估,GTS1-2型探空仪需要进行技术改进以适应高空气象观测业务的发展需求.2012年,GTS1-2型探空仪在原体制基础上进行了技术改进(暂命名为GTS1-2A型).2012年8月在阳江探空站开展比对试验,试验结果表明:GTS1-2A型探空仪夜间温度测量性能良好,系统误差在-0.3℃以内,标准偏差总体上在0.2℃左右;日间温度除探测中高层和出入云时外,系统误差整体上在-0.3℃,标准偏差整体上在0.4℃以内;气压除近地层有约-1.5 hPa的系统误差外,整体上系统误差和标准偏差小于GTS1-2型探空仪,尤其标准偏差在全量程范围内在0.7 hPa以内;GTS1-2A型探空仪湿度测量结果与RS92型探空仪一致性较好,灵敏度明显优于GTS1-2型探空仪,系统误差和标准偏差整体上均在10％RH以内.     

基于卫星资料同化和LAPS-WRF模式系统的云天太阳辐射数值模拟改进方法

太阳能光伏发电已成为仅次于水电和风能的第三大可再生能源,光伏发电受云量时空变化的影响较大,因此准确模拟云天太阳辐射的时空变化对电网安全运行至关重要。围绕如何减小中尺度气象模式的云初始场误差,进而改进云天的太阳辐射模拟这一关键科学问题,本文通过研究基于卫星资料同化的LAPS（Local Analysis Prediction System）多时间层三维云分析同化方法,改进三维云结构,并将LAPS模式输出结果作为WRF（Weather Research and Forecasting）模式的初始场,模拟了2008年1月及夏季（6～8月）北京地区的总云量和总辐射的时空分布,重点分析了多云和有降水天气过程总辐射的模拟改进效果及其原因。结果表明,同化前后的总云量模拟值与观测值的时间变化趋势基本一致,但大部分时次总云量的模拟值低于观测值;大部分多云及降水时段同化后总云量模拟值较接近于实测值。1月晴天、多云天以及夏季晴天同化前后总辐射模拟值与实测值的时间变化趋势较一致,但同化前后两者的相关性差异不明显;晴天条件下同化前后总辐射模拟值均低于实测值,1月多云条件下多数时段同化后总辐射模拟误差减小不明显,与总云量的改进效果不显著有关。夏季多云、有降水及6月典型降水三种天气条件下同化前后总辐射模拟值与观测值的相关性稍差,同化后两者的相关性较同化前有所改进,尤其是6月典型降水过程改进效果较明显;同化前总辐射模拟误差较大,而同化后误差显著减小,尤其是6月典型降水过程同化后均方根误差和平均相对误差较同化前分别减小了102.6 W m-2和355.9%,最大相对误差减小更显著;同化后总辐射模拟误差小于同化前的比例高达75%,即大部分时刻同化后模拟误差小于同化前。多云和有降水天气过程总辐射模拟效果的显著改进与总云量的改进密切相关,即同化后总云量模拟值增加,云的反射和散射作用增强,导致模拟总辐射减小,即更接近于实测总辐射值。研究结果对于多云和降水天气条件下太阳辐射的模拟效果改进、太阳能资源客观评估以及光伏电站的发电量预测具有一定的科学和实际应用价值。     

η模式边界层方案的优化及其对暴雨的数值试验

利用16层垂直不等距MEM，引入高分辨边界层方案，将模式垂直分层增加至2l层，并将改进后的模式用于暴雨的数值模拟。结果表明：改进后的模式对降水的预报特别是暴雨的预报有了很大的改进，其降水场的预报TS评分、特别是暴雨TS评分明显高于以前的模式，这对模式进一步的业务化具有重要意义。敏感性试验表明：提高模式的垂直分辨率有益于暴雨预报水平的提高。模式对混合长和湿有效率较为敏感；模式下垫面特征分类的精确性对模式的预报结果有很大的影响。     

A Two-Day Case Study: Comparison of Turbulence Data from an Unmanned Aircraft System with a Model Chain for Complex Terrain

The airborne measurement platform MASC-3 (Multi-Purpose Airborne Sensor Carrier) is used for measurements over a forested escarpment in the Swabian Alps to evaluate the wind field. Data from flight legs between 20 and 200 m above the ground on two consecutive days with uphill (westerly) flow in September 2018 are analyzed. In the lowest 140 m above the ground a speed-up is found with increased turbulence and changes in wind direction directly over the escarpment, whereas in the lowest 20 to 50 m above the ground a deceleration of the flow is measured. Additionally, simulation results from a numerical model chain based on the Weather Research and Forecasting (WRF) model and an OpenFOAM (Open Source Field Operation and Manipulation) model, developed for complex terrain, are compared to the data captured by MASC-3. The models and measurements compare well for the mean wind speed and inclination angle.

     

Quantifying the Spatial Variability of Surface Fluxes Using Data from the 2002 International H2O Project

Spatial variability in the exchange of energy and moisture is a key control on numerous atmospheric, hydrologic, and environmental processes. Using observations made on fair weather days during the 2002 International H2O Project, four methods for quantifying the spatial variability of surface fluxes are investigated. The first two methods utilize applied statistical techniques to describe the spatial variability of the surface fluxes, while the third method is a geostatistical technique rooted in variography. Typically, the methods yield similar results, with median values of horizontal variability consistent to within 5%. The geostatistical technique, however, provides much more information than the other statistical methods; it not only provides an estimate of the spatial variability, but also provides estimates of the total variability, the non-spatial variability due to measurement error, and the range of spatial correlation among the data points. The fourth method is based on the relationship between the components of the surface energy budget. This method describes the variability in the fluxes in terms of the slope of the best-fit line relating the time-averaged latent and sensible heat fluxes from different locations along the flight path. The meaning of the slopes can also be interpreted in terms of the spatial variability in the available energy. For four of the five days analyzed, the key control on the spatial variability in the turbulent heat fluxes was horizontal variability in the soil heat flux. In turn, the soil heat flux varied as a function of surface properties including surface temperature, soil moisture content, and leaf area index. On the remaining day, 25 May, the primary control was the variability in net radiation.