[发明专利]基于背景场资料和机器学习的静止轨道卫星对流初生预警方法

说明书

本发明公开了一种基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，所述方法包括：对静止轨道气象卫星连续采集的两帧卫星云图进行预处理；对预处理后的两帧图像分别进行对流快速粗判别得到对应的对流目标；计算预处理后的两帧图像间的光流，根据光流对对流目标进行位置的订正，再采用面积重叠的方法进行判别跟踪，确定对流目标；根据判别跟踪确定的对流目标的多光谱响应，结合数值预报背景场，构造敏感因子；将敏感因子输入预先建立和训练好的基于随机森林方法的对流初生预警模型，得到分类结果，从而实现对流初生预警。本发明能够实现在保证提前于雷达回波35dBZ的前提下，对虚假目标进行过滤，从而降低对流初生预警的虚警率。

技术领域

本发明涉及强对流天气预警技术领域，尤其涉及基于背景场资料和机器学习的静止轨道卫星对流初生预警方法。

背景技术

美国阿拉巴马大学(University of Alabama in Huntsville)开发的多光谱的对流初生识别预警算法，用来监测未来两个小时内可能发展成为回波强度≥35dBz强对流系统的发生，目前的版本是v2.0。该算法包括对流体判识、对流体跟踪和多光谱对流初生识别三大部分。主要判据为12条。利用MSG资料进行的算法验证结果表明，产品精度为80.75％。GOES-R对流初生算法的核心来自SATCAST(Satellite Convection Analysis AndTracking)，这是从2002年开始研发的算法，由NASA(National Aeronauticas and spaceAdministration)、NOAA(National Ocean and Atmospheric Administration)和NFS(National Science Foundation)共同资助，业务应用于美国飞控中心、一些国家天气预报服务部门、GOES-R测试平台、航空预报中心和海洋预报中心，目前版本v2.0。

美国威斯康辛大学的UWCI(University of Wisconsin Convective Initiation)算法(Sieglaff,et al,2011)的物理基础是：快速发展的对流因为云顶升高而导致云顶温度下降，因此具有较大的云顶降温率。在技术方法上，该算法提出了块平均(box-average)的概念，利用当前时刻的块平均云顶亮温与前一时刻的块平均亮温差来粗判对流，通过7条判据，进一步剔除因平流、薄卷云等影响的非对流像元，最后符合云顶降温率的像元即对流初生。该算法采用单通道数据和云类型产品作为辅助数据，因此简单、快速和高效，但缺点是在有云水平移动、薄卷云移动和复杂多层云的情况下，会产生误判。

国家卫星气象中心基于美国阿拉巴马大学的SATCAST算法，针对风云四号气象卫星也开发了对流初生预警算法。该算法主要采用了动态阈值的对流初判识、光流与面积重叠方法进行对流体跟踪，以及BP_Adaboost机器学习等技术方法，并且目前该算法产品已经进入业务使用。

值得指出的是，目前这些对流初生预警方法只采用了红外通道信息，并未引入可见光\近红外的信息。目前国家卫星气象中心业务对流初生产品解决了提前量与命中率问题，但在有云水平移动、薄卷云移动和复杂多层云的情况下，仍然受到干扰会产生虚警。

发明内容

本发明的目的在于克服现有技术缺陷，提出了基于背景场资料和机器学习的静止轨道卫星对流初生预警方法。

为了实现上述目的，本发明提出了一种基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，所述方法包括：

对静止轨道气象卫星连续采集的两帧卫星云图进行预处理；

对预处理后的两帧图像分别进行对流快速粗判别得到对应的对流目标；

计算预处理后的两帧图像间的光流，根据光流对对流目标进行位置的订正，再采用面积重叠的方法进行判别跟踪，确定对流目标；

根据判别跟踪确定的对流目标的多光谱响应，结合数值预报背景场，构造敏感因子；