一种基于静止卫星的海面风矢量估测方法.pdf

张云开,徐娜,翟晓春,等.一种基于静止卫星的海面风矢量估测方法.应用气象学报,2 0 2 4,3 5(2):2 2 5-2 3 6.D O I:1 0.1 1 8 9 8/1 0 0 1-7 3 1 3.2 0 2 4 0 2 0 8一种基于静止卫星的海面风矢量估测方法张云开1)徐 娜2)3)*翟晓春2)3)张 鹏2)3)1)(中国气象科学研究院,北京 1 0 0 0 8 1)2)(许健民气象卫星创新中心,北京 1 0 0 0 8 1)3)(中国气象局中国遥感卫星辐射测量和定标重点开放实验室/国家卫星气象中心(国家空间天气监测预警中心),北京 1 0 0 0 8 1)摘 要参考大气动力学理论中风随高度、纬度的分布特征,提出一种基于静止卫星低层大气导风利用全连接神经网络估测海面风的新思路,构建基于卫星遥感数据的全连接神经网络海面风矢量估测模型,实现基于大气导风的海面风估测。基于G O E S-1 6先进基线成像仪可见光通道0.5 k m分辨率大气导风开展试验,并与2 0 2 1年1月1日1 2月3 1日北美近海岸和海上9 3个美国国家数据浮标中心浮标数据比对,结果表明:全连接神经网络估算得到基于大气导风的海面风风速均方根误差不大于1.5 ms-1,较传统模型降低0.2 4 ms-1。将模型应用于飓风场景,通过与2 0 2 2年3个北大西洋飓风和3个东太平洋飓风共1 3个时次的再分析数据比对表明:基于大气导风的海面风风速均方根误差不大于1.1 ms-1,相较于传统经验模型降低0.0 4 ms-1,在低风速区无系统性偏差。关键词:海面风矢量;大气导风;全连接神经网络;低层大气引 言海面风是海洋与大气的重要物理参数,直接影响海洋上层运动,在水文与能量循环、全球与局地气候中具有不可替代的作用。海面风与海上船舶航行直接相关,对于社会、经济等方面具有重要意义。常规海面风观测方法主要包括设置海上浮标、船舶观测及建立岛屿或沿岸气象观测系统。这种观测方法为海洋与气象研究提供了真实可靠的海面风数据,但在时空覆盖度上难以满足实际应用需求。卫星遥感为海面风观测提供了新手段,通过远距离、非接触式的探测方式,星载探测器可以获取全天候、全天时、全球覆盖的海面风观测数据。卫星海面风场为数值预报模式、天气诊断分析、灾害监测提供了丰富的数据资源。通过观测海表波浪信息,星载微波辐射计1、微波散射计2-3、合成孔径雷达4、全球导航卫星系统反射仪(g l o b a l n a v i g a t i o n s a t e l l i t e s y s t e m r e f l e c t o m e t r y,GN S S-R)5和卫星高度计6可用于海面风反演7。高频次的海面风场数据可以更好地满足多方面应用需求,但受仪器功耗与观测分辨率等限制,上述海面风观测仪器主要装载于极轨卫星。虽然探测能力不断进步,极轨卫星组网持续完善,但极轨卫星仍难以满足对固定区域的连续观测需求。与极轨卫星不同,地球同步轨道卫星可以获取固定地区高时空分辨率连续观测数据。通过跟踪连续云图中的云系,静止卫星可根据云系的移动或晴空水汽梯度 获取风场信息 大气导 风(a t m o s-p h e r i c m o t i o n v e c t o r,AMV)8-1 0。AMV是数值天气预报数据同化中风场信息的主要来源1 1-1 4。AMV为海洋区域提供高价值、高频次、大范围大气风矢量分布信息。传统红外导风主要集中于中高层且难以追踪厚云区风矢量,由于低层云系对太阳辐射的反射强于海表,卫星可见光和短波红外通道可以通过2 0 2 3-1 1-1 4收到,2 0 2 4-0 1-1 8收到再改稿。资助项目:国家重点研发计划(2 0 2 2 Y F B 3 9 0 3 0 0 0,2 0 2 2 Y F B 3 9 0 3 0 0 3)*通信作者,邮箱:x u n a c m a.g o v.c n 第3 5卷 第2期 2 0 2 4年3月 应 用 气 象 学 报J OUR NA L O F A P P L I E D ME T E O R O L OG I C A L S C I E N C E V o l.3 5,N o.2 M a r c h 2 0 2 4监测低云移动获得低层AMV。由于通常可见光通道分辨率更高,对中尺度风更为敏感,可以取得更精细的AMV1 5。热带气旋周围的海面风场对于天气预报、应急管理及海事至关重要1 6。低层AMV与热带气旋周围的海面风场相关较显著1 7,对于估测热带气旋的海面风进而支撑飓风定位定强1 8-1 9具有较高价值1 6。为了更充分挖掘热带气旋附近AMV对海面风的估测价值,需要将云层高度AMV计算至海表。由AMV计算获得的海面风被称为基于大气导风的海面风WA(AMV-b a s e d s e a-s u r f a c e w i n d),WA可以更详细地提供热带气旋螺旋云系海面风场信息。传统的WA估算方法通常是建立低层AMV和海面风线性经验关系。研究表明:在热带气旋周围,可将低层AMV乘系数0.7 60.8近似估算WA1 7,2 0-2 1。但9 2 5 h P a高度以下的低层AMV主要位于大气边界层中的埃克曼层,风向、风速随高度变化呈非线性螺旋线规律,线性回归分析无法表征埃克曼层AMV与WA之间的非线性关系,同时也无法实现对风向的修正。当风速大于1 5 ms-1时WA风向和风速均出现严重高估现象1 7。而描述这种高度非线性关系的完整边界层模型中部分物理参数难以确定,直接利用边界层模型的低层AMV计算WA非常困难。目前以人工神经网络为基础的深度学习技术广泛应用于各学科领域,特别对于非线性问题的解决尤为适用。卫星遥感数据数量大、种类多、精度高的特点使其适用于深度学习技术。以卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)为代表的深度神经网络常用于卫星遥感影像处理2 2-2 4。在卫星遥感领域,C NN为云识别2 5、干旱预测2 6、数值预报模式 温 度 订 正2 7、台 风 强 度 估 测2 8、海 表 面流2 9、海面风场反演3 0等提供了强大技术手段。虽然C NN及其衍生出的一系列深度学习模型能充分考虑影像数据的空间特征,实现由面到面或由面到点的计算,却难以适用于两组高度离散数据,此时,相对传统的全连接神经网络不失为一种选择。全连接神经网络自适应、自学习、非线性的特性使其可以在低层AMV与海面风间建立高度非线性关系。但仅在AMV与海面风两个变量间建立神经网络会导致模型物理解释性较弱、代价函数约束单一,难以在物理框架下全面引导模型参数迭代。为提高模型物理解释性,本文提出一种基于全连接神经网 络 估 测WA的 方 法,该 方 法 可 以 充 分 考 虑AMV风速、风向、高度和纬度对WA的影响。1 数 据1.1 E R A 5数据E R A 5是欧洲中期天气预报中心(E CMWF)第5代全球天气与气候再分析数据。E R A 5 1 0 m纬向风、经向风数据范围覆盖全球海表,空间分辨率为0.2 5,时间分辨率为1 h,该数据集每日持续更新。E R A 5将气象观测与模式数据相结合,在中低风速条件下,其风速精度处于世界领先水平。本研究收集2 0 2 1年1月1日1 2月3 1日逐小时及2 0 2 2年3个北大西洋飓风和3个东太平洋飓风共1 3个时次的E R A 5数据。将2 0 2 1年部分数据作为模型训练标签,2 0 2 2年1 3个时次E R A 5数据作为飓风个例背景场,测试模型在飓风环境下的表现。1.2 G O E S-1 6 AMV数据GO E S-1 6于2 0 1 7年1 2月替代GO E S-1 3,是美国第3代GO E S系列卫星中的首颗卫星。相比上一代卫星,其装载了更为先进的高级基线成像仪(a d v a n c e d b a s e l i n e i m a g e r,A B I),具有更多观测通道和更高时空分辨率。GO E S-1 6 A B I拥有光谱范围为0.4 71 3.3 m的1 6个通道3 1,其中0.6 4、3.9、6.2、6.9、7.3 m和1 1.2 m通 道 被 用 于AMV反演。GO E S-1 6 A B I通过改进算法,获得了更高质量AMV产品。A B I在全圆盘模式下,每1 h生成1次AMV产品,在大陆区域模式下为1 5 m i n,在中尺度区域模式下为5 m i n。GO E S-1 6 A B I AMV产品3 2具备中尺度低层导风探测能力。本次研究仅针对A B I 0.6 4 m可见光通道AMV展开。研究使用海洋上空2 0 2 1年1月1日1 2月3 1日可见光通道AMV数据与2 0 2 2年3个北大西洋飓风和3个东太平洋飓风共1 3个时次数据。为了尽可能扩展海洋上空AMV数据集,本研究中AMV数据由A B I的全圆盘模式生成。参考文献1 7,对7 0 0 h P a以下GO E S-1 6低层AMV进行精度分析(表1)。由于可见光通道随着高度的增加,AMV与海面风的误差逐渐增大,且多数可见光通道AMV位于9 0 0 h P a以下。为了使模型能够更加高效地获取大气导风与海风间的关联信息,选取质量标识为优且均为9 2 5 h P a高度以下、位于大气边界层以内的低层AMV,完成模型训练。622 应 用 气 象 学 报 第3 5卷 表1 2 0 2 1年G O S E-1 6可见光通道AMV高度分布及不同高度AMV与E R A 5 1 0 m平均风向和风速误差T a b l e 1 D i s t r i b u t i o n o f G O S E-1 6 V I S AMV a n d w i n d d i r e c t i o n a n d s p e e d e r r o r o f V I S AMV a g a i n s t E R A 5 1 0 m w i n d i n 2 0 2 1高度层/h P a样本量风速/(ms-1)均方根误差偏差风向/()均方根误差偏差(7 0 0,7 5 07 1 1 5 5 63.4 82.9 04 2.8 81.9 1(7 5 0,8 0 02 1 8 3 0 2 42.9 22.3 93 7.4 40.5 8(8 0 0,8 5 06 0 9 4 1 4 52.3 01.6 52 7.9 01.3 9(8 5 0,9 0 01 8 7 5 1 4 3 11.7 61.2 51 9.1 1-0.3 2(9 0 0,9 5 02 4 8 1 5 8 5 51.5 81.2 81 3.1 2-0.3 4(9 5 0,1 0 0 01 9 1 2 7 8 6 91.4 21.3 69.9 80.5 21.3 N D B C浮标站数据美国国家数据浮标中心(N a t i o n a l D a t a B u o y C e n t e r,N D B C)浮标站数据从浮标和海岸-海洋自动观测站网收集。虽然N D B C数据空间分布较稀疏,但其原位观测得到的数据最接近真实风场,对于卫星海风产品精度检验具有重要意义。因此,选用9 3个北美近海岸和海上N D B C浮标站数据作为真值检验模型,浮标站空间分布范围为3 2 4 2 N,1 2 2 1 3 0 W及1 5 4 5 N,5 0 9 8 W。1.4 数据预处理上述数据集来源不同,需要对多源数据进行整合,使其在时间和空间上互相匹配,进而完成研究。1.4.1 时间匹配由于风场随时间发生变化,若来自不同数据集的两个样本时间点间隔过长,则将为模型带来更大误差。为了使试验顺利进行,使模型具有较高精度,本研究将时间间隔在1 5 m i n以内的配对样本纳入模型训练。1.4.2 空间匹配风场在空间上也具有连续变化的特点。为减小空间变化带来的误差,将等经纬投影网格中距离0.0 5 以内来自不同数据集的两个最邻近样本点相互匹配,作为一组样本。在空间匹配过程中,仅保留海洋上空的AMV。1.4.3 高度匹配N D B C浮标站数据风速计高度分布不同,其观测风矢量位于不同高度。本研究中海面风为中性层结条件下1 0 m等效风,因此需要根据经验公式3 3将不同高度浮标测风转换到1 0 m。2 方 法2.1 大气层风随高度的分布特征大气边界层是地表直接接触的、有湍流特性的大气层,厚度约为11.5 k m。边界层由下至上可分为贴地层、近地层(常值通量层)、埃克曼层3 4。在边界层,虽然物理方程能在一定程度上描述风随高度的分布规律,但在全球尺度范围内准确测量方程中地转风东西分量、摩擦速度、卡门常数等物理参量,进而求解方程,难度极高。再者,方程物理假设高度理想化,即使方程成功求解,其结果也难以描述真实边界层大气中风随高度的分布规律;在自由大气,虽然可以通过气压场求解风场,但受观测条件限制,难以获取海表以上高频次、大范围、高精度气压场数据,直接通过物理方程从AMV准确推算出WA非常困难。此时若将AMV中存在强因果关系的风速、风向、高度以及表征科氏力参数的纬度信息作为特征,输入神经网络,利用神经网络自适应、自学习、非线性的特性推测出其他未知物理参量信息,便能由AMV计算得到WA。2.2 全连接神经网络全连接神经网络(f u l l y-c o n n e c t e d n e u r a l n e t-w o r k,F C NN)是一种基础的人工神经网络结构,每两层之间的神经元全部连接3 5。对于完成时空匹配的一组样本,参考边界层模型中物理量间因果关系,可以将AMV的风速、纬向风速、经向风速、高度和纬度输入神经网络,通过网络前向传播到输出层,输出 的WA风 速 及 其 纬 向 风、经 向 风 分 量 会 与E R A 5对应分量通过指定的代价函数求取模型误差,进而通过数值微分的手段实现梯度下降,更新网络参数。F C NN包含1个输入层、2个隐藏层和1个输出层,输入层、隐藏层和输出层分别包含了5、1 2、3个神经元。神经网络共迭代5 0 0次,单批次样本量为6 4组,损 失 函 数 为 均 方 误 差,学 习 率 为0.0 0 0 1,除输出层外,各层均有激活函数,激活函数均为H a r d S w i s h。低层大气中AMV风速及其纬向风、经向风分722 第2期 张云开等:一种基于静止卫星的海面风矢量估测方法 量均与高度和科氏力有关,这些多维物理参量能够更全面地描述AMV,也能够更准确地将AMV映射到WA,因此模型采用AMV风速、纬向风、高度和纬度作为5个特征输入网络,训练网络获得WA,其中高度采用对数气压。为了在降低算力消耗、避免过拟合的同时训练出精度较高的模型,将按照完成匹配的2 0 2 1年GO E S-1 6 AMV和E R A 5 1 0 m风样本对序列,从前往后,对数据集间隔5 0取样。为了检验模型训练效果与泛化能力,将间隔采样得到的数据集的2 5%作为测试集,不参与网络参数更新,仅用于测试模型训练效果;另7 5%作为训练集,迭代更新模型参数;2 0 2 2年包含6个飓风共1 3个时次个例为独立数据,用于检验模型,不参与模型训练。2.3 线性回归线性回归模型是一种常用的统计模型,由于基于AMV估算WA的传统经验模型在全天空条件下无准确经验系数,将基于已收集数据,利用线性回归计算系数以代表同为无偏置线性回归模型的传统经验模型及加入偏置后的改进模型,用于与F C NN产品对比。2.4 反距离加权平均为了更好地展示飓风区周围AMV与WA的空间分布、更好地与E R A 5背景风场对比,使用反距离加权平均插值法,将AMV、WA及E R A 5插值到0.5 0.5 经纬网格。2.5 模型精度评价指标为了全面评价模型WA计算结果,选用均方根误差、偏差和相关系数作为模型评价指标。3 结果与分析3.1 精度评估3.1.1 模型测试集结果对比对2 0 2 1年1月1日1 2月3 1日GO E S-1 6可见光通道AMV与E R A 5再分析数据进行时空匹配,共获得3 1 3 9 3 1 0 5对数据,其中4 7 0 8 9 7对数据用于模型训练,1 5 6 9 2 8对数据用于模型检验,两者约占数据总量的2%。图1为AMV及其产品与E R A 5风速对比结果。其中AMV产 品 分 别 为F C NN计 算 得 到 的WA;基于相同的训练集,采用无偏置和有偏置两种线性模型,通过最小二乘法拟合得到的AMV产品,分 别 记 为WS(s i m p l e AMV-b a s e d s e a-s u r f a c e w i n d)和WL(l i n e a r AMV-b a s e d s e a-s u r f a c e w i n d),前者为传统经验模型,后者为加入偏置后的改进模型。结果显示:F C NN、无偏置线性模型和有偏置线性模型均可实现对AMV风速的有效修正,3个模型均 具有较低的 风速偏差,无系统性偏差。WA对原始AMV修正最为明显,均方根误差降低0.7 2 ms-1。与线性回归结果相比,F C NN输出的WA 均方根误差更低、线性相关系数更高。此外,WS存在模型对高风速高估,对低风速低估的问题。需要注意的是,G O E S-1 6 AMV业务算法可估计的大气导风最低风速为3 ms-1,故在图1的风速图1 AMV及其产品与E R A 5风速对比(填色表示0.5 ms-1范围内点的数量)F i g.1 C o m p a r i s o n o f AMV a n d i t s p r o d u c t s w i t h E R A 5 i n w i n d s p e e d(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 0.5 ms-1)822 应 用 气 象 学 报 第3 5卷 续图1图中 纵 坐 标3 ms-1处出现截断,导致3 ms-1以下WA精度较低。为了证明多种物理参量的加入能够为F C NN提供更多有效信息,作为对比,在F C NN输入层与输出层仅设置风速为唯一物理参量训练模型。该模型得到的WA(图2)虽然在均方根误差与相关系数的表现上稍优于WS与WL,却略逊于全物理参量F C NN产品。这说明由于F C NN具有非线性特性,相比于线性模型,F C N N拟合能力更强,并且F C N N图2 单一物理量WA与E R A 5风速对比(填色表示0.5 ms-1范围内点的数量)F i g.2 C o m p a r i s o n o f WA w i t h E R A 5 i n w i n d s p e e d(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 0.5 ms-1)能通过接收多种有效物理参量、提取有效信息,达到更好拟合效果。图3为风向对比结果。利用F C NN模型,可获得WA纬向风和经向风分量,进而估算出WA风向。受模型限制,线性回归模型无法获得风向。在求取AMV及WA与E R A 5风向均方根误差时,将风向差在1 8 0 以上的各组样本对称换算至1 8 0 以内(用3 6 0 减 去 绝 对 风 向 差)。结 果 显 示:低 层AMV本 身 与E R A 5海 面 风 向 均 方 根 误 差 为1 0.7 9,而WA风向均方根误差为1 0.0 6,模型对风向有一定修正。3.1.2 浮标检验结果将2 0 2 1年1月1日1 2月3 1日GO E S-1 6可见光通道AMV与N D B C浮标数据进行时空匹配,共获取1 9 6 9 6组样本用于对比分析。结果如图4所示,WA对原始AMV的均方根误差修正可达0.4 7 ms-1,且有效避免了AMV整体风速较浮标风速偏大0.9 2 ms-1的情况,此外WA虽然相对浮标风速整体偏低0.2 6 ms-1,但相比另两种线性模型均方根误差更低、线性相关系数更高。WS在中低风速区出现系统性偏差,整体风速相对E R A 5偏小0.3 2 ms-1;WL虽然偏差最小,但对低风速区高估,对高风速区低估。测试集样本量为2 1 7 2 5组。风向方面(图5),AMV风向在8 0 处相对浮标偏大,WA将该处风向进行修正,WA与浮标的风向均方根误差(2 0.6 0)相比AMV(2 0.9 6)小幅下降。测试集样本量为2 1 7 2 5对。922 第2期 张云开等:一种基于静止卫星的海面风矢量估测方法 图3 AMV及WA与E R A 5风向对比(填色表示1 2 范围内点的数量)F i g.3 C o m p a r i s o n o f AMV a n d WA w i t h E R A 5 i n w i n d d i r e c t i o n(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 1 2)3.2 飓风场景应用效果选取2 0 2 2年6个飓风共1 3个时次个例(表2)检验模型飓风场景应用效果。样本时间均为当日1 8:0 0(世界时,下同),在此时刻GO S E-1 6可见光通道AMV观测覆盖范围达到最大,便于个例收集。在制作飓风区 WA时,将所有高度的可见光通道AMV输入F C NN模型进行计算;作为模型对比,线性模型方面,根据文献1 5,在飓风区使用0.7 6的经验系数获得WS作为F C NN WA产品效果的对照。由于浮标所能收集到的飓风样本有限,加之AMV在飓风区域样本较少,该部分将使用E R A 5作为参考。通过选定特定区域,将区域内的AMV输入F C NN模型获得WA,并与E R A 5数据进行时空匹配后获得数据集,进而完成效果分析。2 0 2 2年9月2 2日1 8:0 0位于大西洋西北部、图4 AMV及其产品与N D B C浮标风速对比(填色表示0.5 ms-1范围内点的数量)F i g.4 C o m p a r i s o n o f AMV a n d i t s p r o d u c t s w i t h N D B C b u o y i n w i n d s p e e d(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 0.5 ms-1)032 应 用 气 象 学 报 第3 5卷 续图4图5 AMV及WA与N D B C浮标风向对比(填色表示1 2 范围内点的数量)F i g.5 C o m p a r i s o n o f AMV a n d WA w i t h N D B C b u o y i n w i n d d i r e c t i o n(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 1 2)美国以东海域的飓风菲奥娜正处于成熟阶段(图6)。GO E S-1 6 A B I可见光通道在螺旋云系外围西南与西北方向识别出大量AMV。与 E R A 5 1 0 m风场相比,螺旋云系外围西南与西北方向AMV风速偏大,而通过F C NN算法获得的WA风速在此区域与E R A 5较为一致。综合包含6个飓风共1 3个时次个例,统计结果显示,在风速方面,飓风区WA与E R A 5相比于原始AMV修正明显。虽然由于飓风区AMV处在飓风外围云系,高风速样本并不多,但对于少量高风速样本,F C NN仍能结合样本所在高度、纬度、风速及风速分量较为合理地估算WA(图7)。WS在飓风区均方根误差较小,特别是对于中高风速区,能够有效估算大风样本。但在1 0 ms-1以下的风速区,WS出现明显系统性偏差,平均风速相对E R A 5偏低0.6 7 ms-1,而WA在该风速区效果较好。同时,WA与E R A 5风速的均方根误差低于WS。测试集样本量为1 7 1 0 9对。在风向方面,飓风区AMV与E R A 5风向的均方根误差为9.7 6,较9 2 5 h P a以下全天候AMV偏132 第2期 张云开等:一种基于静止卫星的海面风矢量估测方法 表2 各时刻飓风信息T a b l e 2 H u r r i c a n e i n f o r m a t i o n b y m o m e n t飓风名称取样时刻取样范围所属海域凯伊2 0 2 2-0 9-0 6 T 1 8:0 0:0 08 2 8 N,1 0 1 1 2 1 W东太平洋凯伊2 0 2 2-0 9-0 7 T 1 8:0 0:0 01 1 3 1 N,1 0 3 1 2 3 W东太平洋玛德琳2 0 2 2-0 9-1 9 T 1 8:0 0:0 01 2 3 2 N,1 0 0 1 2 0 W东太平洋菲奥娜2 0 2 2-0 9-2 0 T 1 8:0 0:0 01 2 3 2 N,6 2 8 2 W北大西洋菲奥娜2 0 2 2-0 9-2 1 T 1 8:0 0:0 01 5 3 5 N,6 2 8 2 W北大西洋菲奥娜2 0 2 2-0 9-2 2 T 1 8:0 0:0 02 0 4 0 N,6 0 8 0 W北大西洋菲奥娜2 0 2 2-0 9-2 3 T 1 8:0 0:0 02 8 4 8 N,5 2 7 2 W北大西洋伊恩2 0 2 2-0 9-2 6 T 1 8:0 0:0 01 0 3 0 N,7 5 9 5 W北大西洋伊恩2 0 2 2-0 9-2 7 T 1 8:0 0:0 01 4 3 4 N,7 4 9 4 W北大西洋伊恩2 0 2 2-0 9-2 8 T 1 8:0 0:0 01 6 3 6 N,7 2 9 2 W北大西洋罗斯林2 0 2 2-1 0-2 1 T 1 8:0 0:0 07 2 7 N,9 5 1 1 5 W东太平洋罗斯林2 0 2 2-1 0-2 2 T 1 8:0 0:0 08 2 8 N,9 8 1 1 8 W东太平洋马丁2 0 2 2-1 1-0 2 T 1 8:0 0:0 02 6 4 6 N,3 8 5 8 W北大西洋图6 2 0 2 2年9月2 2日1 8:0 0飓风菲奥娜附近的WA与G O S E-1 6可见光通道AMV和E R A 5对比(a)GO E S-1 6可见光通道AMV风羽与G O S E-1 6可见光云图,(b)WA风羽与GO E S-1 6 可见光云图,(c)E R A 5风羽与G O E S-1 6 可见光云图F i g.6 C o m p a r i s o n o f WA w i t h GO S E-1 6 AMV a n d E R A 5 i n t h e v i c i n i t y o f H u r r i c a n e F i o n a a t 1 8 0 0 UT C 2 2 S e p 2 0 2 2(a)GO E S-1 6 V I S AMV b a r b s a n d G O E S-1 6 V I S i m a g e,(b)WA b a r b s a n d GO E S-1 6 V I S i m a g e,(c)E R A 5 w i n d b a r b s a n d G O E S-1 6 V I S i m a g e图7 飓风区AMV及其产品与E R A 5风速对比(填色表示0.5 ms-1范围内点的数量)F i g.7 C o m p a r i s o n o f AMV a n d WA w i t h E R A 5 i n w i n d s p e e d i n t h e v i c i n i t y o f h u r r i c a n e(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 0.5 ms-1)232 应 用 气 象 学 报 第3 5卷 小,但WA风向较原始风向均方根误差略有升高(9.8 1)(图8)。测试集样本量为1 7 1 0 9对。图8 飓风区AMV及WA与E R A 5风向对比(填色表示1 2 范围内点的数量)F i g.8 C o m p a r i s o n o f AMV a n d WA w i t h E R A 5 w i n d d i r e c t i o n i n t h e v i c i n i t y o f h u r r i c a n e(t h e s h a d e d d e n o t e s t h e n u m b e r o f p o i n t s i n t h e r a n g e o f 1 2)4 结论与讨论本研究提出一种基于卫星大气导风数据估测海面风的新思路。以大气中风随高度、纬度的分布特征引导模型特征参数选取思路,与传统全连接神经网络方法相结合,构建基于物理特征参数的F C NN模型,实现基于静止卫星低层大气导风的海面风估测,相比于线性模型,基于物理参量的F C NN能充分考虑科氏力与高度对风矢量的影响,从而更为精准地估算海面风,具体结论如下:1)在E R A 5再分析数据测试集比对试验中,WA与E R A 5风速均方根误差不大于1.1 ms-1,相比WL与WS分别降低0.1 2 ms-1和0.3 7 ms-1;试验证明,强因果关系物理参量的引入能有效提升WA风速估算精度;在北美近海岸和海上9 3个N D B C浮标比对试验中,WA风速均方根误差不大于1.5 ms-1,相比WL与WS分别降低0.1 2 ms-1和0.2 4 ms-1;2)在包含6个飓风共1 3个时次个例E R A 5再分析数据比对试验中,WA与E R A 5风速均方根误差优于1.1 ms-1,相比WS降低0.0 4 ms-1,且避免了WS低风速区系统性偏差。3)各阶段WA均表现出对AMV风速的明显修正,在E R A 5测试集、浮标测试和飓风区应用效果试验中,WA对原始AMV风速均方根误差修正分别可达0.7 2 ms-1、0.4 7 ms-1和0.4 9 ms-1,且在前两个试验中对AMV风向有小幅修正,但飓风区风向均方根误差却有小幅升高。本次研究证明将AMV风速、风向、高度和纬度输入神经网络获得更高精度WA的可行性。但目前模型采用的训练标签为E R A 5数据,该数据在低估高风速的同时会对低风速高估3 6。为了提升F C-NN在大风条件下的WA计算效果,后续可以考虑加入飓风天气研究与预报模式产品以及星载微波散射计、机载测风雷达等多源风场数据训练模型,使模型更准确地估算大风区WA;可见光通道在夜晚无AMV生成且可见光通道AMV多位于大气中低层,为了后续实现WA全天时覆盖与基于全高度层AMV的WA估算,可引入短波红外与窗区红外AMV估算WA。考虑到自由大气AMV对于温压场的敏感性,特别是针对于飓风发展深厚云系中的高层AMV,在后续工作中可尝试将温压场数据作为自由大气AMV物理特征参数加入到模型训练,实现基于窗区红外通道高层AMV的WA估算。此外,如何提升模型对于风向的修正效果也是未来研究的重点。受静止卫星观测频率与AMV算法限制,目前332 第2期 张云开等:一种基于静止卫星的海面风矢量估测方法 美国GO E S-1 6业务产品AMV在飓风区主要位于飓风外围,而国内风云四号静止气象卫星3 7对于获取高频次飓风区AMV具有较大潜力,在AMV算法方面有大量工作亟待完成。随着静止卫星AMV算法不断进步,飓风深厚云区AMV观测不足的问题将得到解决。获取整个飓风云系的AMV,进而估算飓风区WA,可为台风定位定强提供更有力的支撑。今后在飓风区AMV数据充足的条件下,结合温压场数据,研究飓风深厚云区WA估算方法具有较高理论与实践价值。参 考 文 献1 W a n g J,Z h a n g J,W a n g J.S e a s u r f a c e w i n d s p e e d r e t r i e v a l u n-d e r r a i n w i t h t h e HY-2 m i c r o w a v e r a d i o m e t e r.A c t a O c e a n o l S i n i c a,2 0 1 7,3 6(7):3 2-3 8.2 Z h a n g P,H u X Q,L u Q F,e t a l.F Y-3 E:T h e f i r s t o p e r a t i o n a l m e t e o r o l o g i c a l s a t e l l i t e m i s s i o n i n a n e a r l y m o r n i n g o r b i t.A d v A t m o s S c i,2 0 2 2,3 9(1):1-8.3 安大伟,谷松岩,杨忠东,等.散射计海面非气旋风场块状模糊去除方法.应用气象学报,2 0 1 2,2 3(4):4 8 5-4 9 2.A n D W,G u S Y,Y a n g Z D,e t a l.M e t h o d f o r r e m o v e b l o c k y a m b i g u i t y o f n o n-g a s c y c l o n e f i e l d o n s e a s u r f a c e o f s c a t-t e r o m e t e r.J A p p l M e t e o r S c i,2 0 1 2,2 3(4):4 8 5-4 9 2.4 S h a o W Z,N u n z i a t a F,Z h a n g Y G,e t a l.W i n d s p e e d r e t r i e v a l f r o m t h e G a o f e n-3 s y n t h e t i c a p e r t u r e r a d a r f o r VV-a n d HH-p o l a r i z a t i o n u s i n g a r e-t u n e d a l g o r i t h m.E u r J R e m o t e S e n s,2 0 2 1,5 4(1):3 1 8-3 3 7.5 C h e n K R,Z h o u Y,L i S S,e t a l.E x p l o i t i n g f r e q u e n c y-d o m a i n i n f o r m a t i o n o f GN S S r e f l e c t o m e t r y f o r s e a s u r f a c e w i n d s p e e d r e t r i e v a l.I E E E T r a n s G e o s c i R e m o t e S e n s,2 0 2 3,6 1.D O I:1 0.1 1 0 9/T G R S.2 0 2 3.3 2 8 4 8 4 9.6 Z h a o D L,T o b a Y.A s p e c t r a l a p p r o a c h f o r d e t e r m i n i n g a l t i m-e t e r w i n d s p e e d m o d e l f u n c t i o n s.J O c e a n o