УДК 551.508.82б:[551.576+551.577]
Детектирование облачности и выделение зон осадков регионального масштаба по данным полярно-орбитальных метеорологических ИСЗ
Е. В. Волкова», А. Б. Успенский*
Рассмотрен пороговый метод автоматической классификации данных измерений радиометра А УНЯЛ ИСЗ серии "МОЛА ", позволяющий в светлое время суток оценивать количество облачности и выделять зоны осадков. Настройка и испытание метода проводились на материале архива синхронных спутниковых и наземных синоптических данных для центрального региона европейской территории России и периода с мая 1998 г. по апрель 2001 г. Приводятся оценки точности определения количества облачности и распознавания зон осадков предложенным методом отдельно для теплого и холодного периодов года. Обсуждаются возможности совершенствования метода.
1. Введение
Спутниковые данные о параметрах облачного покрова и зонах осадков могут существенно дополнить информацию наземной наблюдательной сети (синоптические наблюдения, данные метеорологического радиолокатора), поэтому таким постоянным является интерес к развитию спутниковых методов наблюдений за облачностью и осадками [5].
К настоящему времени созданы и эксплуатируются различные системы обработки и автоматической классификации спутниковых многоспектральных изображений для обнаружения облачности и оценки ее параметров, а также выделения зон осадков. Изображения облачности и подстилающей поверхности в видимом и инфракрасном диапазонах спектра {в дальнейшем изложении — ТВ- и ИК-снимки) регулярно поступают с оперативных полярно-орбитальных {"Метеор", "NOAA") и геостационарных ("Meteosat", "GOES", "GMS") метеорологических ИСЗ.
Выходные информационные продукты систем обработки, а именно данные о параметрах облачного покрова, зонах выпадения осадков и, возможно, их интенсивности, необходимы для решения многих задач анализа и прогноза погоды, климатических исследований. Кроме того, облачные образования представляют собой главный фактор, затрудняющий дистанционное зондирование атмосферы и подстилающей поверхности на основе спутниковых измерений уходящего теплового излучения, поэтому детектирование облачности (формирование маски "ясно — облачность") является весьма актуальной задачей.
* Научно-исследовательский центр космической гидрометеорологии "Планета ".
Одним из основных источников информации об облачном покрове регионального и глобального покрытия за последние 20 лет (и в ближайшей перспективе) являются данные измерений 5-канального радиометра AVHR.Il ИСЗ "МОАА". Среди существующих оперативных систем обработки данных АУШШ. отметим системы [6, 7], основанные на анализе спектральных и текстурных признаков и пороговых алгоритмах классификации. Альтернативой пороговым процедурам являются статистические алгоритмы кластеризации и распознавания образов [8].
В данной работе, продолжающей исследования [1, 2], рассматривается пороговый метод анализа данных АУНМ1 для детектирования облачности и зон осадков в умеренных широтах в светлое время суток. Основная цель — создать достаточно эффективную и не требующую больших вычислительных и информационных ресурсов систему спутникового мониторинга облачности и осадков регионального покрытия. Для этого потребовались уточнение параметров пороговых алгоритмов и адаптация метода [1, 2] для холодного периода года.
2. Исходные данные
Разработка и испытание метода оценки количества облачности и выделения зон осадков по данным измерений радиометра АУН1И1 ИСЗ "1ЧОАА-14" проводились для фрагментов снимков с пространственным линейным размером около 10 км (сегменты 7x7 пикселов) с центром в точке, соответствующей положению синоптической станции. Анализируемые данные включают измерения в каналах 1 (Я, = 0,58—0,68 мкм и 2 (Я2 = 0,73—1,1 мкм) видимого диапазона (альбедо А1 и А2), в каналах 3 (Я, = 3,55—3,93 мкм), 4 (Я4 = 10,3—11,3 мкм) и 5 (Я5 = 11,5—12,5 мкм) ИК-диапазона (радиационные температуры 73, ТА и 73).
Синхронный архив спутниковых и наземных синоптических данных формировался для территории 53—63° с. ш., 26—41° в. д. и периода с 26 мая 1998 г. по 10 апреля 2001 г. Разность по времени между спутниковыми и наземными измерениями не превышала 15 мин.
Валидация алгоритмов классификации выполнялась путем сопоставления спутниковых данных с результатами синхронных наземных наблюдений за облачным покровом и осадками.
Данные синоптических наблюдений за количеством общей облачности извлекались из телеграмм ЗУЫОР за 12 ч МСВ (в кодах КН-01) [2]. Значения кода (0—8) соответствуют покрытию небосвода облачностью в октах (1 окт = 12,5%). Для удобства сопоставления облачного покрытия, определенного на синоптических станциях и по данным со спутника, значения количества облачности, рассчитанные по данным с ИСЗ в процентах покрытия рассматриваемого сегмента снимка облачности, переводились в окты следующим образом:
Количество облачности
процент 0 1—15 16—35 36—45 46—55 56—65 66—85 86—99 100
окты 01234 5 6 78
3. Пороговые алгоритмы классификации
Для обнаружения облачности и зон осадков в [1, 2] применялись пороговый и кластерный методы. В результате сравнительного анализа указанных методов предпочтение было отдано пороговому как более простому и удобному для обновления параметров решающего правила и оперативной эксплуатации. Дело в том, что при использовании кластерного метода необходимо наличие большого статистического материала для уточнения значений центров классов, а точность классификации с помощью обоих методов практически одинакова.
В связи с существенным пополнением архивов синхронных спутниковых и наземных данных была выполнена коррекция пороговых значений предикторов, используемых в [1, 2] для обнаружения облачности и осадков, а также рассмотрены пути улучшения качества классификации.
Как и в [2], использовались лишь спектральные признаки (характеристики) облачного покрова. Текстурные признаки достаточно эффективно применяются для детектирования облачности над водными поверхностями, отличающимися однородностью яркостных и температурных свойств; над сушей с достаточно большой пространственной изменчивостью альбедо и температуры поверхности они менее эффективны [4, 6].
По сравнению с [1, 2] были несколько увеличены размеры сегментов снимка, "вырезаемых" вокруг синоптических станций (с 5 х 5 до 7 х 7 пикселов); одновременно было введено дополнительное ограничение: количество нсклассифицируемых пикселов в пределах выделенного сегмента должно быть меньше 50%,
С целью поиска подходящего набора предикторов (признаков) были построены и проанализированы гистограммы повторяемости значений предикторов. Для детектирования облачности выбирались только случаи с количеством облачности (СЬ), равным 0 и 8 октам по наземным оценкам, и строились гистограммы для минимальных, максимальных и средних по сегменту значений предикторов. Аналогично для выделения зон осадков выбирались значения кодов погоды в срок наблюдения (даш), равные 0—7 (класс "без осадков") и 50—99 (класс "осадки").
В результате выполненного анализа отобран следующий набор спектральных предикторов: альбедо Л и А2, значения температуры 73, 74, Т5 и разности (А2 - А\), (73 - ТА), (ТА - Т5).
Исследования показали, что предиктор (73 - ТА), который близок к предикторам А1 и А2, целесообразно в каждом пикселе нормировать на высоту Солнца. Предложена следующая эмпирическая формула:
(73 - ТА)Н = (73 - ТА)-0,25//)0,
где (73 - ТА)» — новое нормированное значение, (73 - ТА) — исходное значение, И0 — высота Солнца в радианах.
Поиск оптимальных наборов предикторов и их порогов осуществлялся отдельно для каждого месяца. Для контроля использовались данные синоптических наблюдений за 12 ч МСВ, а для теплого периода (для визуального контроля) дополнительно привлекались близкие по време-30
метеорология и гидрология 2002 № 4
ни (dt < 10 мин) наблюдения метеорологического радиолокатора (Москва), К теплому периоду были отнесены 7 месяцев (с апреля по октябрь), к холодному — 5 (с ноября по март).
Для оценки точности (достоверности) классификации введены, как и в [1, 2], следующие стандартные характеристики:
а) детектирование облачности:
— (1 - errl) — число случаев (%), когда рассогласование спутниковых и наземных оценок количества облачности не превышает 2 октов;
— POD — вероятность распознавания классов с разным количеством облачности (выделены классы "ясно", "разорванная облачность", "сплошная облачность" или <о„ ш2, <о3, отнесенные к следующим градациям количества облаков по данным SYNOP: 0—1, 2—6 и 7—8 октов);
— Serr — суммарная ошибка, т. е. число случаев из общей выборки (%), когда спутниковые оценки не попадают в соответствующие классы по данным SYNOP;
— dev, СКО — среднее отклонение и среднее квадратическое отклонение спутниковых оценок количества облачности (CLnoaa) от наземных данных (CLsynop);
б) выделение зон осадков:
— PODr и PODw — вероятности распознавания классов "осадки" и "без осадков";
— FAR — "ложная тревога", т. е. ошибочное спутниковое детектирование зон осадков по сравнению с наземными данными;
— ERR — суммарная ошибка, т. е. число случаев, неправильно причисленных к соответствующему классу;
— РОР3 и РОРв — вероятность выпадения осадков, оцененная по спутниковым данным, в пределах зоны осадков, выделенной по наземным данным, и вне ее.
Рассмотрим отдельно полученные результаты для теплого и холодного периодов.
3.1. Теплый период
Для детектирования облачности в теплый период рекомендуется использовать набор из трех предикторов: AI, (73 - ТА) и /12. Первые два предиктора необходимы для распознавания облачности над сушей, а третий предиктор — над водной поверхностью. Пороговые значения этих предикторов несколько меняются от месяца к месяцу; пиксел причисляется к "облачному", если одновременно выполняются следующие условия: апрель: А2 > 8%, А\> 8% и (73 - 74) > 3,5 К; май: А2 > 10% и (AI > 7,5% или (73 - 74) > 2,5 К); июнь: А2 > 10% и (AI > 7,5% или (73 - Г4) > 2 К); июль: А2 > 10% и (AI > 7,5% или (73 - Т4) > 3 К); август: А2 > 10% и (AI > 7,5% или (73 - ТА) > 3,5 К); сентябрь: А2 г 10%, А1 > 9% и (73 - ТА)
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.