阅读说明：本技术 一种基于卫星云图的对流云机器学习识别方法 (Convection cloud machine learning identification method based on satellite cloud picture ) 是由 郭洪涛 宋金杰 于 2021-11-12 设计创作，主要内容包括：一种基于卫星云图的对流云机器学习识别方法,1获取云顶亮温历史时段和当前监测数据,获取相同历史时段内的地面降水；2通过双三次样条插值,将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；3生成历史时段亮温指标库和当前亮温指标库；4选取降水阈值；5计算Y和X的互信息；6通过支持向量机技术得到Y与相应参数之间的非线性关系；7计算Z和X的互信息；8通过支持向量机技术得到Z与相应参数之间的非线性关系；9估计当前有无降水的概率；10估计当前有无对流性降水的概率；11判断是否为对流云,本发明利用机器学习技术,定量识别对流云在不同通道卫星云图上的特征,发展对流云的实时识别技术。(A convection cloud machine learning identification method based on a satellite cloud picture comprises the steps of 1, obtaining historical time periods of cloud top brightness temperature and current monitoring data, and obtaining ground precipitation in the same historical time period; 2, interpolating the historical time interval and the current TBB data to a grid of the ground rainfall field in the historical time interval by bi-cubic spline interpolation; generating a historical time period brightness temperature index library and a current brightness temperature index library; 4, selecting a precipitation threshold value; 5, calculating mutual information of Y and X; 6, obtaining a nonlinear relation between Y and corresponding parameters by a support vector machine technology; 7 calculating mutual information of Z and X; 8, obtaining a nonlinear relation between Z and a corresponding parameter through a support vector machine technology; 9 estimating the probability of the existence of precipitation at present; 10 estimating the current probability of convective precipitation; and 11, judging whether the cloud is the convection cloud or not, and quantitatively identifying the characteristics of the convection cloud on the satellite cloud pictures of different channels by utilizing a machine learning technology to develop a real-time identification technology of the convection cloud.)

一种基于卫星云图的对流云机器学习识别方法

技术领域

本发明涉及卫星云图分析技术领域，特别是涉及一种基于卫星云图的对流云机器学习识别方法。

背景技术

强对流云团经常伴随着狂风、暴雨、巨浪等灾害性事件，不仅可以造成显著的人员伤亡，而且能够带来巨大的经济损失。陆上的对流云监测可以通过地面自动气象站、地基雷达、卫星等实现，而在宽广的海洋上，卫星是首要的对流云监测手段。早期研究主要依靠分析云的形态、云覆盖的面积等在卫星云图上的可视化外观特征来识别对流云。随着气象卫星的不断升级发展，后来研究主要通过计算卫星云图上的云顶高度、云顶温度、云区范围及其的空间梯度和时间变化等来定量识别对流云。当以上指标达到或超过相应的阈值时，就识别为对流云。这种方法是基于对流云的物理属性提出的，即：对流云相比其他云系往往具有更深厚的云体、更低的云顶温度、更高的云水含量、更多的云内冰相粒子等。由于不同地域上、不同季节内的对流云所处的环境背景不同，上述指标对应的阈值具有局地性。以云顶温度为例，不同研究采用了许多不同的阈值，包括207 K、215 K、235 K、241 K等等。在实时处理卫星云图的过程中，选定一个确定的阈值非常困难，这严重制约着对流云的实时监测。当前，随着人工智能、机器学习技术的发展，基于大数据的统计方法在图像识别、关联分析等领域越来越普及。因此，本发明利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。

发明内容

针对以上问题，本发明旨在提供一种基于卫星云图的对流云机器学习识别方法，利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。

本发明提供一种基于卫星云图的对流云机器学习识别方法，具体步骤如下，其特征在于：

步骤一：获取气象卫星p个通道的云顶亮温TBB历史时段和当前监测数据，获取相同历史时段内的地面降水再分析资料，包括总降水量TP和对流降水量CP；

步骤二：通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；

步骤三：生成历史时段亮温指标库（X _i ，i=1、……、）和当前亮温指标库（U _i ，i=1、……、），其中i表示指标的个数，p表示不同通道的TBB数据个数，表示任意两个通道TBB差值的个数；

步骤四：选取0.1mm的降水阈值，将历史时段TP和CP转化为有无降水标识库Y和有无对流性降水表示库Z；

步骤四中的转化公式为：

；

步骤五：计算Y和X的互信息；

步骤五中的互信息的计算公式为：

；

其中p(x,y)是第i个指标X _i 和Y的联合概率密度函数，p(x)和p(y)分别是X _i 和Y的密度函数；

步骤六：按的值从大到小排序，将排在最前面的两个指标分别为X _j 和X _k 作为自变量，将Y作为因变量，通过支持向量机SVM技术得到Y与X _j 、X _k 之间的非线性关系；

步骤七：计算Z和X的互信息;

步骤八：按的值从大到小排序，将排在最前面的两个指标分别为X _m 和X _n 作为自变量，将Z作为因变量，通过支持向量机SVM技术得到Z与X _m 、X _n 之间的非线性关系；

步骤九：选择与步骤六相同的两个指标分别为第j个和第k个，通过非线性关系，估计当前有无降水的概率；

步骤十：选择与步骤八相同的两个指标分别为第m个和第n个，通过非线性关系，估计当前有无对流性降水的概率；

步骤十一：根据Prob₁和Prob₂判断是否为对流云，其中Prob₁为有无降水的概率，Prob₂为是否有对流性降水的概率。

作为本发明进一步改进，所述步骤十一中的判据为：

。

本发明提供了一种基于卫星云图的对流云机器学习识别方法，步骤一：获取气象卫星p个通道的云顶亮温（TBB）历史时段和当前监测数据，获取相同历史时段内的地面降水再分析资料；步骤二：通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上；步骤三：生成历史时段亮温指标库和当前亮温指标库。步骤四：选取0.1mm的降水阈值，将历史时段和CP转化为有无降水标识库和有无对流性降水表示库；步骤五：计算Y和X的互信息；步骤六：按的值从大到小排序，将排在最前面的两个指标作为自变量，将Y作为因变量，通过支持向量机技术得到Y与X _j 、X _k 之间的非线性关系；步骤七：计算Z和X的互信息；步骤八：按的值从大到小排序，将排在最前面的两个指标作为自变量，将Z作为因变量，通过支持向量机技术得到Z与X _m 、X _n 之间的非线性关系；步骤九：选择与步骤六相同的两个指标（第j个和第k个），通过非线性关系，估计当前有无降水的概率；步骤十：选择与步骤八相同的两个指标（第m个和第n个），通过非线性关系，估计当前有无对流性降水的概率；步骤十一：根据Prob1和Prob2判断是否为对流云，本发明利用机器学习技术，定量识别对流云在不同通道卫星云图上的特征，发展对流云的实时识别技术。

附图说明

图1是技术架构和执行流程图；

图2是具体实施例的对流云识别结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明工作流程图如图1所示，具体为：

第一步，获取气象卫星p个通道的云顶亮温TBB历史时段和当前监测数据，以Himawari-8卫星为例，包括10个通道的红外亮温观测（通道7~16）；获取相同历史时段内的地面降水再分析资料，以ERA5为例，包括总降水量TP和对流降水量CP；

第二步，通过双三次样条插值，将历史时段和当前TBB数据插值到历史时段地面降水场的网格上，使得TBB、TP和CP所处的水平格点保持一致；

步骤三：生成历史时段亮温指标库（X _i ，i=1、……、 ）和当前亮温指标库（U _i ，i=1、……、），其中i表示指标的个数，p表示不同通道的TBB数据个数，表示任意两个通道TBB差值的个数；

第四步，选取0.1mm的降水阈值，将历史时段TP和CP转化为有无降水标识库Y和有无对流性降水表示库Z，公式为：

；

第五步，计算Y和X的互信息，公式为：

（2）

其中p(x,y)是第i个指标Xi和Y的联合概率密度函数，p(x)和p(y)分别是Xi和Y的密度函数；

第六步，按的值从大到小排序，将排在最前面的两个指标（例如X _j 和X _k ，即第j个和第k个历史时段亮温指标X）作为自变量，将Y作为因变量，通过支持向量机SVM技术得到Y与X _j 、X _k 之间的非线性关系，即：

第七步，计算Z和X的互信息（），公式为：

其中p(x，z)是第i个指标X _i 和Z的联合概率密度函数，p(x)和p(z)分别是X _i 和Z的密度函数；

第八步，按的值从大到小排序，将排在最前面的两个指标（例如X _m 和X _n ，即第m个和第n个历史时段亮温指标X）作为自变量，将Z作为因变量，通过支持向量机SVM技术得到Z与X _m 、X _n 之间的非线性关系，即：

第九步，选择与第六步相同的两个指标（第j个和第k个，即第j个和第k个的当前亮温指标U），通过非线性关系，估计当前有无降水的概率，即：

第十步，选择与第八步相同的两个指标（第m个和第n个，即第m个和第n个的当前亮温指标U），通过非线性关系，估计当前有无对流性降水的概率，即：

第十一步，根据Prob₁和Prob₂判断是否为对流云，即：

作为本发明具体实施例；

对2021年7月20日00：00世界时的降水进行预报，预报区域：0°~20°N、150°E~160°W；

第一步：获取历史时段（2021年6月20日00：00世界时~2021年7月19日23：00世界时）和当前（2021年7月20日00：00世界时）的Himawari-8卫星资料，包括10个通道的红外亮温观测（通道7~16）；获取历史时段（2021年6月20日00：00世界时~2021年7月19日23：00世界时）的ERA5再分析资料，包括总降水量和对流降水量；

第二步：利用双三次样条插值，将Himawari-8卫星亮温数据插值到ERA5的水平格点上；

第三步：生成历史时段亮温指标库和X _i 和Himawari-8卫星当前亮温指标库；

第四步：选取0.1mm的降水阈值，将历史时段ERA5的降水量转化为有无降水标识库Y和有无对流性降水表示库Z；

第五步：计算互信息；

第六步：将最大的两个指标（通道11减通道16的亮温差和通道13减通道16的亮温差）作为自变量，将Y作为因变量，通过支持向量机技术，得到非线性关系；

第七步：计算互信息；

第八步：将最大的两个指标（通道8的亮温和通道10的亮温）作为自变量，将Z作为因变量，通过支持向量机技术，得到非线性关系；

第九步：利用当前的通道11减通道16的亮温差和通道13减通道16的亮温差，通过非线性关系，得到有无降水的概率Prob₁；

第十步：利用当前的通道8的亮温和通道10的亮温，通过非线性关系，得到有无降水的概率Prob₂；

第十一步：判断是否为对流云（图2，灰度填色为通道13的亮温，实线包围区域为对流云活动区）。

以上所述，仅是本发明的较佳实施个例而已，并非是对本发明作任何其他形式的限制，而是依据本发明的技术实质所作的任何修改或等同变化，仍然属于本发明所要求保护的范围。