CC BY
82
УДК 528.852
ПЕРВИЧНЫЕ РЕЗУЛЬТАТЫ ВНЕДРЕНИЯ ТЕХНОЛОГИИ ПО РАСПОЗНАВАНИЮ ТИПОВ И ХАРАКТЕРИСТИК ОБЛАЧНОСТИ
Валерий Николаевич Антонов
Сибирский центр ФГБУ «НИЦ "Планета"», 630099, Россия, г. Новосибирск, ул. Советская, 30, директор, тел. (383)334-45-42, e-mail: avn@rcpod.siberia.net
Михаил Геннадьевич Захватов
Сибирский центр ФГБУ «НИЦ "Планета"», 630099, Россия, г. Новосибирск, ул. Советская, 30, заведующий отделом НИР, тел. (383)334-45-42, e-mail: zahvatov@rcpod.ru
Анжелика Андреевна Косторная
Сибирский центр ФГБУ «НИЦ "Планета"», 630099, Россия, г. Новосибирск, ул. Советская, 30, младший научный сотрудник, тел. (383)334-45-42, e-mail: kostornaya@rcpod.ru
В статье представлен обзор методики получения карт облачных продуктов - классификации облачности, температуры и высоты ВГО, на основе данных AVHRR. Методика позволяет получать информацию независимо от времени года и оценивать поле облачности почти над всей территорией России.
Ключевые слова: классификация облачности, Байесовская облачная маска, количественные характеристики облачности, синоптические процессы.
PRIMARY RESULTS THE NEW TEHNOLOGY
FOR GENERATING QUANTITATIVE CLOUD PRODUCTS
Valeriy N. Antonov
Siberian State Research Center «Planeta», 630099, Russia, Novosibirsk, 30 Sovetskaya St., director, tel. (383)334-45-42, e-mail: avn@rcpod.siberia.net
Mikhail G. Zakhvatov
Siberian State Research Center «Planeta», 630099, Russia, Novosibirsk, 30 Sovetskaya St., head of department, tel. (383)334-45-42, e-mail: zahvatov@rcpod.ru
Angelika A. Kostornaya
Siberian State Research Center «Planeta» 630099, Russia, Novosibirsk, 30 Sovetskaya St., junior researcher, tel. (383)334-45-42, e-mail: kostornaya@rcpod.ru
In the article an overview of a methodology producing maps of cloud products - the clouds classification, cloud-top height and temperature is presented. Data AVHRR is used. The technique allows to obtain information independently of the seasons and estimate cloudy over the territory of Russia.
Key words: the clouds classification, Bayesian cloud mask, quantitative characteristics of cloud, synoptic processes.
Телевизионная и инфракрасная аппаратура дает возможность получать изображения Земли днем и ночью, позволяющие изучать особенности структу-
ры и распределения ее облачного покрова. Формы и структура облачных образований, их эволюция и перемещение отражают сложный комплекс физических процессов, протекающих в атмосфере. От характера процессов зависит картина распределения облачности на снимках. Важно и то, что тенденции в изменении и развитии синоптических процессов обнаруживаются в поле облачности раньше, чем эти признаки появляются в поле температуры и давления на картах погоды [1]. Так, используя снимки облачности, можно идентифицировать и прослеживать в глобальном масштабе различные синоптические объекты, ведь атмосферным процессам и барическим образованиям соответствуют определенные типы облачности - для холодного фронта второго рода это мощные кучево-дождевые формы, для струйного течения характерны широкие четкие полосы перистых форм, для различных стадий развития циклона это определенные формы облачных массивов и т. д.
Поэтому, важное значение имеет корректное дешифрирование облачности на исходных космических изображениях. В последние десятилетия разрабатывается большое количество технологий позволяющих осуществить не только автоматическое дешифрирование облачных массивов, но и получить информацию о количественных и качественных характеристиках облачности, позволяющих более подробно судить о мощности форм, а следовательно и о степени развития атмосферных процессов [2]. Но несмотря на наличие различных технологий для обнаружения и классификации облачности, нерешенным остается ряд проблем - невозможность детектирования облачности над заснеженными поверхностями, и небольшой охват территории. Поэтому, внедрение новых методов по детектированию облачности предоставляющих всю необходимую информацию об облачности, охватывающих максимально возможную территорию и работающих независимо от времени года и суток, значительно облегчило бы анализ текущей погоды.
На основе совместных разработок NOAA/NESDIS и Объединенного Метеорологического Университета Висконсин (Мэдисон, США) нами внедрена методика, с помощью которой могут быть получены следующие продукты -карты классификации облачности, температуры и высоты ВГО. В основе лежит несколько различных технологий (алгоритмов), часть из которых была улучшена и адаптирована для средних широт:
- алгоритм обнаружения облачности;
- алгоритм определения типов облачности и ее фазового состояния;
- алгоритм определения количественных характеристик облачности на верхней границе облачности (давление (P), температура (T), высота (H));
- алгоритм определения оптических и микрофизических свойств облака (оптическая толщина облака (т) и эффективный радиус частиц (ге)).
В качестве исходных спутниковых данных на данном этапе исследования обрабатываются файлы Level-1b AVHRR. Также, используются различные вспомогательные данные - моделей численных прогнозов погоды (NWP (NCEP)), расчеты моделей переноса излучения, маски побережий, снега, пустынь и т.д [3].
Первый этап методики - построение облачной маски, т.е. обнаружение поля облачности на всех пикселях. Процедура является "базовой" и необходима для расчета других алгоритмов. Основной расчет алгоритма основывается на упрощенной версии подхода Байеса - с помощью которого для каждого пикселя рассчитывается вероятность быть облачным:
где P(Cyes) и P(F I Cyes) - априорная и апостериорная вероятности любого пикселя быть облачным. Компоненты набора функций F - классификаторы облачной маски, или тесты, которым подвергается каждый пиксель. Классификаторы используют расчеты для отделения облачных пикселов от ясных, основанные на различных длинах волн, или сочетаниях длин волн. Итоговая облачная маска имеет четыре уровня - ясно, возможно ясно, облачно и возможно облачно, в зависимости от значений вероятности [4].
После создания облачной маски запускается алгоритм классификации облачных пикселей. Технология основана на различных интенсивностях поглощения излучения у воды и льда в интервале длин волн от 11 до 13,5 мкм. В результате получается карта классификации облачности со следующими типами -водная облачность, облачность переохлажденной воды, облачность непрозрачного льда, перистая облачность, облачность смешанных фаз, облачность глубокой конвекции и многослойная облачность [5]. Но полученная типизация облачности не включает в себя привычную морфологическую классификацию облачности, что затрудняет понимание полученной информации пользователем. Поэтому, данная типизация облачности была расширена пороговой методикой. В качестве параметров разделения облачности по классам, использовались значения высоты ВГО - как показателя яруса облачности и количества влаги для оценки ее мощности. Для нахождения этих облачных характеристик были задействованы дополнительные методики.
Высота облачности находится с помощью технологии split-window. S-W позволяет определить температуру верхнего слоя облака используя измерения яркостной температуры на 11 и 12 мкм (для AVHRR) и информацию об облачной микрофизике, представленной параметром в:
Температура ВГО рассчитывается на основе матрицы Якоби, с привлечением модели переноса излучения. Высота облака находится по температурным профилям численных прогнозов погоды используя найденную температуру как входную функцию [6]. Полученные величины (T и H) являются информативными продуктами, дающими важную информацию о степени развития облачных образований (рис. 1).
Рис. 1. Карты Т (°С) и Н (км) ВГО, NOAA19 за 21.10.2014, 08:24 GTM
Оценка содержания воды в облачности осуществляется параметрами LWP -для водной и смешанной облачности, и IWP - для лёдной (при предположении, что содержание жидкости в облаке распределено согласно адиабатическому закону):
где т - оптическая толщина облака, г^ - эффективный радиус частиц у ВГО, -плотность жидкой воды. Величины т и ^ выводятся из решения частного случая уравнения переноса излучения, используя наблюдения в каналах 0,6 и 3,7 мкм [7].
В итоге, на основе полученных количественных характеристиках - высоты ВГО облачности и содержания воды в ней, стало возможным осуществление пороговой классификации. Так, типизация облачности, полученная ранее, была разделена пороговой методикой (табл. 1) на дополнительные классы. Причем, пороги различны для холодного и теплого времени года.
Таблица 1
Классы облачности, полученные с использованием пороговой методики
Ci+Cb Ci+med О; Cs Ac Sc
Многослойная облачность, верхний ярус над облачным слоем более низкого яруса (Cu, Cb, Ns) Многослойная облачность, верхний ярус над средним или нижним ярусом As, Sc, Ac) Класс перистооб-разных (О, Cs, Преимущественно Ac, отдельные маломощные или плотные As Преимущественно Sc, небольшой мощности и иногда Ac
Ns; Cb St; As Low+As Cb cap; Cb calv Cb inc
Ns, мощные Cu, мало развитые по вертикали Cb (Cb hum) As (в теплое время года), St, низкие Ac, Sc Многослойная облачность, нижний ярус - №, St, Sc, ^ под As, реже Ac Помимо указанных, могут включать в себя также мощные Cu Кучево-дождевые облака с наковальней
Готовая карта классификации облачности (рис. 2) позволяет даже неопытному пользователю, не разбирающемуся в расшифровке снимков облачности, извлечь необходимые сведения и сделать соответствующие выводы.
Рис. 2. Расширенная классификация облачности, NOAA19 за 21.10.2014, 08:24 GTM
Полученные продукты (рис. 1, 2) являются важным источником информации, который вместе с анализом традиционных метеорологических данных в ряде случаев улучшает диагноз и прогноз развития синоптических процессов и условий погоды, и ярко отражает текущую синоптическую обстановку. Карты можно использовать для мониторинга крупномасштабных облачных полос, оценки мощности облачных образований и степени их опасности для различных областей и структур.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гарбук С. В., Гершензон В. Е. Космические системы дистанционного зондирования Земли // М.: Издательство А и Б, 1997. - 296 с.
2. Герман М. А. Космические методы исследования в метеорологии // Л.: Гидроме-теоиздат, 1985. - 354 с.
3. Heidenger A. The clouds from AVHRR Extended User's Guide. Version 5.4.1 / A. Heidenger // NOAA Center for Satellite Applications and Research (STAR). - 2014. - 60 с.
4. Heidinger A. A naive Bayesian cloud-detection scheme derived from CALIPSO and applied within PATMOS-x / A. K. Heidinger, A. T. Evan, M. J. Foster, A. Walther // Journal of Applied Meteorology and Climatology. - Volume 51. - Issue 6. - 2012. - С. 1129-1144.
5. Pavolonis M. Daytime cloud overlap detection from AVHRR and VIIRS / M. J. Pavolonis, A.K. Heidinger // Journal of Applied Meteorology. - 2004. - V. 43. - С. 762-778.
6. Pavolonis M. Gazing at Cirrus Clouds for 25 Years through a Split-Window. Part I: Methodology in press / M. J. Pavolonis, A. K. Heidinger // Journal of Applied Meteorology. - 2009. - V. 48. - С. 1100-1116.
7. Walther A. Implementation of the Daytime Cloud Optical and Microphysical Properties algorithm (DCOMP) in PATMOS-x / Journal of Applied Meteorology and Climatology // A. Walther, A.K. Heidinger. -V. 51. - Issue 7. - 2012. - С.1371-1390.
© В. Н. Антонов, М. Г. Захватов, А. А. Косторная, 2015
