Advances in Geosciences
Vol.07 No.04(2017), Article ID:21835,12 pages
10.12677/AG.2017.74060

Multi-Channel Atmospheric Motion Vectors Deduced from Geostationary Satellite Himawari-8

Chien-Ben Chou

“Central Weather Bureau”, Taipei Taiwan

Received: Aug. 5th, 2017; accepted: Aug. 20th, 2017; published: Aug. 28th, 2017

ABSTRACT

Several useful observations, which include visible channel, infrared window and three water vapor channels (6.2, 7.0 and 7.3 mu), could be used to derive the atmospheric motion vectors on board geostationary satellite Himawari-8. Given the high frequency and spatial resolution of these observations, we built a procedure to derive the atmospheric motion vectors by using multi-channel from geostationary satellite Himawari-8. This product can provide observed circulation information for weather analysis or data assimilation in the area where the traditional observations are rare. The estimation of atmospheric motion vectors error by radiosonde data found that the error of atmospheric motion vector is higher than 6 hours forecast wind fields from regional model with value about 1 m/s. It means that the atmospheric motion vectors derived from our procedure have potential for applications in weather analysis or forecast.

Keywords:Multi-Channels, Atmospheric Motion Vectors

地球同步卫星向日葵8号多频道 大气运动向量

周鉴本

“中央气象局”四组,台湾 台北

收稿日期:2017年8月5日;录用日期:2017年8月20日;发布日期:2017年8月28日

摘 要

日本地球同步卫星向日葵8号上,具有多个可用于推导大气运动向量的观测频道,其中包括可见光频道、红外线窗区频道、6.2、7.0及7.3微米三个水汽频道。因此建立多频道卫星推导大气运动向量系统,以求得较大范围与较高频率观测的大气风场信息,弥补传统探空于洋面或偏远地区的不足,作为天气分析或数值预报之运用。此系统推导的大气运动向量比对探空风场以计算其误差,定量上结果显示,大气运动向量的误差比数值预报模式6小时风场误差为大,但与6小时风场误差的差距约只在1 m/s左右。

关键词 :多频道,大气运动向量

Copyright © 2017 by author and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

1. 引言

卫星推导大气运动向量的作法,是先在某一时间的一张云图中找到可辨识物,例如云块或水汽结构,然后在下一观测时间云图中,追踪此可辨识物的位移量而得,另外加上指定其高度,即完成以连续两张云图估算大气运动向量的程序,这是其基本想法。但是若要实行起来得到正确的结果,如 [1] 所述,需满足下列的假设:1) 两张云图中可被识别被追踪物的高度没有改变。2) 被追踪物形状没有改变且没有加速度。3) 被追踪物的速度等同于大气运动速度。前两个假设在对流云时不易成立,只有以快速扫描模式(rapid scan mode)时也许可处理对流尺度的情形 [2] 。第三个假设则不易被评估,因目前并无“完美”的测量风速剖面的仪器;原因为仪器误差及小尺度大气变动(small-scale atmospheric variability),另外如垂直动量传输(边界层大尺度涡流;重力波)可为现场观测的测风仪器观测到但难为遥感探测的卫星观测到。即使上述的假设都成立,在推导过程中仍有可造成卫星推导大气运动向量产生误差的因素,例如 [3] 指出卫星推导大气运动向量产生误差中,约70%来自于估计其高度的过程,其产生的原因有:用于比对被追踪物温度的大气温湿剖面,来自于数值预报系统,其本身就有误差,且为水平相关。被追踪的云为多层或半透明的云时,较不易指定高度。另外在传统上将卫星推导大气运动向量视为单一层(level)的观测,这样的假设值得重新考虑,也许卫星推导大气运动向量代表一平均层(mean layer)的大气运动更为合适。更有甚者,某些天气现象产生的云,本身就不随大气运动,例如气流过山背风波(lee wave)产生的云。

虽然在实践卫星推导大气运动向量的过程中仍有许多需努力的空间,然而近年来卫星推导大气运动向量对数值预报的帮助为许多研究证实。例如: [4] , [5] 研究指出卫星推导的大气运动向量对全球数值预报系统预报台风路径有帮助。 [6] 比较三种不同数据源的云导风(南京信息工程开发的云导风系统;中国气象局国家卫星中星导出的FY2云导风;日本气象卫星中心的MTSAT云导风)对台风路径的影响,实验结果显示三种数据对台风路径的预报皆为正贡献。随着中尺度模式发展,使用更高时空分辨率数据,并经选择调稀(thinning)与合成观测(superobbing)及观测误差指定等手段,降低观测误差空间相关性(变分数据同化方法假设数据间是不相关的),找到运用高密度大气运动向量使其适于热带气旋尺度的分析 [1] 。 [7] 指出加强的大气运动向量(Enhanced Atmospheric Motion Vectors) [8] 在台风半径一千公里内和上层的数据对系集预报系统而言,对于系集预报的预报台风路径、强度与大小并无显着改进,但对初始位置、强度与预报的三维风场有帮助。

鉴于卫星推导大气运动向量对气象分析与预报的效益,及新一代地球同步卫星的发展,观测的频道数目增加,观测的频率与水平空间分辨率提高,驱使我们建立求取地球同步卫星多频道卫星推导大气运动向量的系统,以现有成熟的技术开发新一代日本地球同步卫星向日葵8号的大气运动向量数据,由于向日葵8号较原来的地球同步卫星MTSAT卫星新增两个水气频道,因各水汽频道权重函数极值高度不同,理论上可增加卫星推导大气运动向量的数量与空间分布范围,另外因扫描频率由原先30分钟增为10分钟扫描一次,亦可降低用于追踪的云块于两张影像中,因云的对流或消散而产生高度或形状变化的可能性,使得推导过程更合于如前所述的基本假设,提高推导的成功率,而产生较多的大气运动向量,或可提供描述较小尺度风场的大气运动向量的可能性。第2节中我们叙述本系统所采取的方法与流程,第3节简介数据,第4节叙述实验过程与实验结果。最后为结论。

2. 方法

求取大气运动向量的方法,采用互相关法。这个方法首先在云图上寻找含可用于追踪的云块或水汽结构的N乘N的矩阵,例如图1中;6乘6的蓝色矩阵具有一个可追踪的云块,则在下一个观测时间中,

Figure 1. A chart describes the cross correlation method deriving atmospheric motion vectors

图1. 以互相关法求取大气运动向量的示意图

寻找这N乘N的矩阵所在位置附近,例如图1中,黄色框所围的范围内,下一时间观测影像中N乘N的矩阵,具与原矩阵图像相似性最高者,即经计算两者相关系数最大者,如图1中6乘6的绿色矩阵含云块者,即视为可能是追踪的云块或水汽结构经此时间运动所到的位置,因此下一时间观测中,其他N乘N的矩阵,其与原矩阵相关性必较此矩阵为小,如图1中6乘6的绿色矩阵不含云块者,因此透过寻找下一时间某一矩阵与原矩阵相关性最大,且其相关系数亦需大于某一设定相关系数阈值(表1,参数3)者,算出此矩阵与原矩阵的位移量,除以两观测时间差,即得追踪的云块或水汽结构移动的速度,以此速度代表大气运动的速度。在计算机选取追踪云块或水汽结构有不同的方法,在此我们采用比较简易的方法:此法计算N乘N的矩阵每个元素的梯度大小,及元素最大值与最小值的差值,当梯度及差值大于设定梯度阈值(表1,参数1)及设定差值阈值(表1,参数2)时,定义此矩阵具可追踪云块或水汽结构。

本次实验以互相关法运用于见光频道、红外线窗区频道及三个水汽频道求大气运动向量的设定阈值列于表1,N的设定为15。

接下来是指定大气运动向量高度,对于可见光频道与红外窗区频道观测而言,需依靠标的物的红外线窗区频道观测指定云高,选标的矩阵中红外线窗区频道观测象元中,亮度温度最小的20%亮温平均值代表标的物的温度,在假设标的物为黑体情形下,即代表云顶的温度,以此温度比对数值预报6预报的温度垂直剖面,当云顶温度与温度垂直剖面最接近时,此气压值即指定为大气运动向量的高度。因红外线窗区频道观测对卷云而言,黑体辐射的假设并不成立,因此对卷云的情形,我们采用水汽截断法,指定大气运动向量的高度。最后以下列的代价函数求极小值决定最终的云高,代价函数的定义如下:

(1)

公式中v为风速向量、T为温度、P为气压、dd为风向、S为风速,各参数的权重为Fx,其作用在决定各参数对代价函数的贡献,数值的设定参考 [9] 的文献,下标m代表观测卫星推导大气运动向量的参数,下标i,j代表数值预报模式内插至大气运动向量所在位置坐标,k为数值预报模式垂直坐标。在以代价函数求极小值决定最终的云高时,只容许在初始指定高度正负100 hPa范围内寻求,而且调整幅度限制于80 hPa之内,这与此系原始设计时有些不同,原先设计时并未有此限制,参阅 [10] 。

图2是上述方法于可见光频道与红外窗区频道求云高的流程。至于以水汽频道求大气运动向量时,云高的指定流程比较简短,图2中不需处理卷云的程序,且图2中,标的矩阵中11微米20%最低温像元,改为标的矩阵中水汽频道20%最低温像元。

Table 1. The values of threshold are used in cross-correlation method for deriving atmospheric motion vectors

表1. 本次实验以互相关法求取大气运动向量时,相关参数的设定

Figure 2. A flow chart describes the assignment of the height of atmospheric motion vectors

图2. 本次实验指定大气运动向量高度的流程

当最终的高度指定之后,所得的大气运动向量需经过质量检定,质量检定的方法:1) 大气运动向量与数值预报风场向量的差值小于某设定阈值,在本次实验时我们分别将此阈值设为4 m/s与8 m/s进行测试。2) [[大气运动速度大小 − 数值预报风速大小][0.5 × 大气运动速度大小 + 0.5 × 数值预报风速大小]] < 0.7。3) 当大气运动速度大于4 m/s,则另加一个限制,即大气运动速度与数值预报风速的方向差不得大于50度。

3. 资料

本文用于求取大气运动向量的频道为0.64微米可见光频道、10.4红外线窗区频道、及3个水汽频道,3个水汽频道的中心频率分别为6.2、7.0与7.3微米。用于水汽截断法求取卷云云高的频道有6.2微米水汽频道及11.2二氧化碳吸收频道。用于侦测卷云存在与否的频道有6.2、8.6、10.4、11.2及12.3微米频道。以上向日葵8号的观测数据均为2公里的水平分辨率,用于本次实验的观测,时间为2016年12月1日至9日,每天0时0分与0时10分的资料。用于求取大气运动向量高度的温度场及风场等数据,由本局20公里水平分辨率的区域模式提供。相对应时间的探空数据,即推导卫星大气运动向量时间一小时内的探空,用于估算大气运动向量的误差,本次实验探空观测风速向量经简单的质量检定,即探空观测风速向量减数值预报风场需小于10 m/s的探空,才用于计算大气运动向量的误差。

4. 实验结果

我们以2016年12月1日至9日的数据,测试5个频道所得的大气运动向量的误差。计算大气运动向量的误差的方式为:选取大气运动向量水平距离与探空观测最近;且小于110公里,垂直方向距离与探空观测最近,且小于20百帕的大气运动向量,其与探空观测风速向量的差,视为大气运动向量的误差。另外我们也计算数值天气预报场的风场误差与其作比较,数值天气预报场的误差的记算方法为:将数值天气预报的风场内插至探空风场的位置与高度,将其与探空数据的差值视为其误差大小。5个频道求取大气运动向量的结果列于表2表6中。表2是红外窗区频道的实验结果,由表中可以看见:当质量检定设定为4 m/s时,大气运动向量误差与数值天气预报6小时的风场误差的大小相差约在1 m/s左右。可见光频道、6.2微米、7.0微米及7.3微米的情形分别列于表3表4表5表6中。

为了方便观察,我们将质量检定设定为4 m/s时的误差画于图3中,图中红线为大气运动向量的误差,蓝色线为数值天气预报6小时的风场误差,由图中可以看见两者的差距约在1 m/s上下,无论对那一个频道而言。另外图中黑色线代表平均得探空风速,由图显示水汽频道的平均风比可见光频道与红外窗区频道为大,这是因为水汽频道求得的昰大气中高层的大气运动向量,一般而言高层的风速较低层为大,而可见光频道与红外窗区频道求得的大气运动向量从高层到低层都有。

当质量检定设定为8 m/s时大气运动向量误差增加,对于运用此数据于数据同化比较不好,但此时可保留较多的大气运动向量,或可提供较多的信息于洋面等数据较少的地区进行主观天气分析之用。

我们将2016年12月1日0时0分由5个频道推导的大气运动向量画于图4中,图中红、绿、黄三种颜色的向量分别代表由红外线窗区频道、三个水汽频道及可见光频道所推导的大气运动向量。由图中可以看见由于各频道观测对不同物理量的敏感度不同,如红外线窗区频道可由云块运动道推导大气运动向量,而水汽频道可对无云但有水汽的地区求出大气运动向量,使得各个频道推导的大气运动向量在水平空间分布上除了有重迭外也有互补作用,使得多频道大气运动向量的水平分布较单一频道时为广。另外我们将多频道大气运动向量依高度分类画于图5,高度在100至350百帕之间为红色,高度在351至

表2. 2016年12月01至12月9日(缺12月3日)00时00分共8个个案。以红外窗区频道云图所得

Table 3. Same as Table 2 but for visible channel case

表3. 2016年12月01至12月9日(缺12月3日)00时00分共8个个案。以可见光频道云图所得

表4. 2016年12月01至12月9日(缺12月3日)00时00分共8个个案。以6.2微米水汽频道云图所得

700百帕为绿色,高度在701至999百帕为青色。比对对图5青色箭头所在位置于图4中多为黄色(可见光堆导所得)或红色(红外窗区频道推导所得)箭头,如拣、越北部、闽、广沿岸及太平洋上云图亮度温度较高处,这表示要求得低层风需依赖这两种观测,而中高层的大气运动向量则供献来自于可见光、水汽

表5. 2016年12月01至12月9日(缺12月3日)00时00分共8个个案。以7.0微米水汽频道云图所得

表6. 2016年12月01至12月9日(缺12月3日)00时00分共8个个案。以7.3微米水汽频道云图所得

及红外线窗区频道,例如图5中日本南方海上红色向量所在位置于图4中含有红、绿、黄三种颜色的向量。

为方便观察另画一张高度在250至350百帕之间的大气运动向量于图6中;与高度在650至750百帕之间的大气运动向量于图7中。由图6中可看见红、绿、黄三种颜色的向量分布其中,显示大气上层

Figure 3. Comparing the errors of atmospheric motion vectors with the error of 6 hours wind fields from numerical weather prediction is displayed when the quality check parameter is setting 4 m/s in deriving atmospheric motion vector system. The red line is the errors for derived atmospheric motion vectors. The blue line is the errors of 6 hours wind filed from forecast model. The black line is the mean wind speed of radiosonde data. (a), (b), (c), (d) and (e) are representing the infrared window channel, visible channel, and three water vapor channels

图3. 质量检定设定为4 m/s的情形下大气运动向量的误差小与数值预报6小时预报风场的比较。黑色线为平均探空风场,红色线为大气运动向量误差,蓝色线为6小时预报风场误差,方格内上方数字为数据个数。(a)、(b)、(c)、(d)及(e)分别为红外现窗区频道、可见光频道、6.2微米、7.0微米及7.3微米的情形

Figure 4. Atmospheric motion vectors are derived from multi-channels. Red vectors are derived from infrared window channel. Green vectors are deduced from three water vapor channels. Yellow vectors are from visible channel. The wind field at 500 hPa from numerical weather prediction model were displayed by blue vectors

图4. 多频道推到的大气运动向量。红色箭头为红外线窗区频道所得,绿色箭头为3个水汽频道所导出,黄色箭头是由可见光所导出者,蓝色箭头为500百帕区域模式6小时预报风场

Figure 5. Atmospheric motion vectors derived from multi-channels. Red color vectors represent the atmospheric motion vectors between 100 hPa to 350 hPa. Green color vectors are those between 351 hPa to 700 hPa. Cyan color vectors are those between 701 hPa to 999 hPa

图5. 多频道推到的大气运动向量。红色箭头为高度在100至350百帕,绿色箭头为高度在351至700百帕,青色箭头为高度在701至999百帕

Figure 6. The atmospheric motion vectors between 250 to 350 hPa derived from multi-channels. Red vectors are from infrared window channel. Green vectors are from three water vapor channels. Yellow color vectors are from visible channels. The blue vectors are 6 hours wind field at 300 hPa from numerical weather prediction

图6. 多频道推到的大气运动向量,其锁在高度于250至350百帕间。红色箭头为红外线窗区频道所得,绿色箭头为3个水汽频道所导出,黄色箭头是由可见光所导出者,蓝色箭头为300百帕区域模式6小时预报风场

Figure 7. Same as Figure 6 but the atmospheric motion vectors between 650 to 750 hPa. And blue vectors are 6 hours wind field at 700 hPa from numerical weather prediction

图7. 多频道推到的大气运动向量,其锁在高度于650至750百帕间。红色箭头为红外线窗区频道所得,绿色箭头为3个水汽频道所导出,黄色箭头是由可见光所导出者,蓝色箭头为700百帕区域模式6小时预报风场

的大气运动向量来自于可见光、红外线窗区及水汽频道。图7中绝大部分为红和黄两种颜色的向量,大气下层的大气运动向量来自于可见光及红外线窗区频道。同时于这两张图中可以看到,大气运动向量与6小时数值预报的风场(蓝色向量)十分契合,可说明本系统产生的大气运动向量于定性上,应足以用来分析大气的环流特性。

5. 结论

由卫星推导的大气运动向量可以弥补传统探空观测缺乏地区之不足,例如偏远山区或广大的洋面,对于主观的天气分析或客观的数据同化都有帮助。由于近年地球同步卫星观测技术的改进,不但观测的频率增高,观测的频道数也增多,可提供较过去水平涵盖范围更广;垂直分布更多的大气风场信息,因此我们利用过去卫星推导大气运动向量发展成熟的技术,开发新一代地球同步卫星的大气运动向量产品。经实际数据的测试,结果显示其误差大小与6小时天气预报风接近,具有一定程度的准确度,应可提供更多的参考气象信息作为气象研究或作业之用。同时目前建立的卫星推导大气运动向量的系统,也提供测试不同参数或开发相关技术提供研究的平台。

文章引用

周鉴本. 地球同步卫星向日葵8号多频道大气运动向量
Multi-Channel Atmospheric Motion Vectors Deduced from Geostationary Satellite Himawari-8[J]. 地球科学前沿, 2017, 07(04): 586-597. http://dx.doi.org/10.12677/AG.2017.74060

参考文献 (References)

  1. 1. Bedka, K.M., Velden, C.S., Petersen, R.A., Feltz, W.F. and Mecikalski, J.R. (2009) Comparisons of Satellite-Derived Atmospheric Motion Vectors, Rawinsondes, and NOAA Wind Profiler Observations. Journal of Applied Meteorology and Climatology, 48, 1542-1561. https://doi.org/10.1175/2009JAMC1867.1

  2. 2. Cordoba, M., Dance, S.L., Kelly, G.A., Nichols, N.K. and Waller, A. (2017) Diagnosing Atmospheric Motion Vector Observation Errors for an Operational High-Resolution Data Assimilation System. Quarterly Journal of the Royal Meteorological Society, 143, 333-341. https://doi.org/10.1002/qj.2925

  3. 3. Velden, C. and Bedka, K. (2009) Identifying the Uncertainty in Determining Satellite-Derived Atmospheric Motion Vectors Vector Height Attribution. Journal of Applied Meteorology and Climatology, 48, 450-463. https://doi.org/10.1175/2008JAMC1957.1

  4. 4. Goerss, J.S. (2009) Impact of Satellite Observation on the Tropical Cyclone Track Forecasts of the Navy Operational Global Atmospheric Prediction System. Monthly Weather Review, 137, 41-50. https://doi.org/10.1175/2008MWR2601.1

  5. 5. Langland, R.H., Velden, C., Pauley, P.M. and Berger, H. (2009) Impact of Satellite-Derived Rapid-Scan Wind Observation on Numerical Model Forecasts of Hirricane Katrina. Monthly Weather Review, 137, 1615-1622. https://doi.org/10.1175/2008MWR2627.1

  6. 6. 河惠卿, 王振会, 等. 三种云导风数据及其对台风数值预报影响实验的比较分析[J]. 热带气象学报, 2009, 25(1): 82-87.

  7. 7. Wu, T.-C., Venlden, C.S., Majumdar, S.J., Liu, H. and Anderson, J.L. (2015) Understanding the Influence of Assimilating Subsets of Enhanced Atmospheric Motion Vectors on Numerical Analyses and Forecasts of Tropical Cyclone Track and Intensity with an Ensemble Kalman Filter. Monthly Weather Review, 143, 2506-2350. https://doi.org/10.1175/MWR-D-14-00220.1

  8. 8. Velden, C., et al. (2005) Recent Innovations in Deriving Tropospheric Winds from Meteorological Satellites. Bulletin of the American Meteorological Society, 86, 205-223.

  9. 9. Nieman, S.J., Menzel, W.P., Hayden, C.M., Gray, D., Wanzong, S.T., Velden, C.S. and Anniels, J. (1997) Fully Automated Cloud-Drift Wind in NESDIS Operations. Bulletin of the American Meteorological Society, 78, 1121-1133.

  10. 10. 周鉴本. 地球同步卫星向日葵8号水汽频道推算高层大气运动向量[J]. 地球科学前沿, 2017, 7(2): 142-150.

期刊菜单