新型靜止氣象衛星對流初生識別展望

崔林麗

（上海市生態氣象和衛星遙感中心，上海 200030）

0 引言

強對流天氣主要包括短時強降水、雷暴大風、龍卷風、冰雹和颮等，是夏季發生頻率最高、危害最嚴重的災害性天氣系統之一。強對流天氣的準確預報對于公共安全、減災抗災和軍事行動等方面具有重要的意義[1-2]。對流初生（Convective Initiation，CI）是對流天氣開始活動的標志和強對流風暴發生初期的狀態。對CI的準確識別和追蹤是提高局地突發強對流天氣短時臨近預報水平的關鍵[3]，也是中尺度氣象界研究的重點、難點和熱點[4-5]。

由于新生對流空間尺度小、發展變化快，常規氣象觀測很難對CI進行有效的監測和預警[6]，但高時空分辨率的天氣雷達和靜止氣象衛星能夠觀測到邊界層輻合線和積云快速發展等用于評估CI發生條件的前兆信號，從而為定時定點的CI臨近預報提供有力支撐[7]。靜止氣象衛星能夠早于雷達探測到積云[4]和有效監測對流從積云到積雨云的發展歷程，且衛星輻射傳感器比地基雷達覆蓋范圍廣、信息收集量大、可觀測通道豐富（包括可見光、近紅外、紅外波段）[8]，因此，利用靜止氣象衛星數據實現CI監測預警，具有其他氣象資料無法比擬的優勢[3,9]。近年來，隨著靜止氣象衛星的更新換代[10]，如我國風云靜止氣象衛星由第一代風云二號（FY-2）系列升級為第二代風云四號（FY-4）；美國地球靜止環境業務衛星（GOES）由第一、第二代的GOES-N系列升級為第三代GOES-R系列；歐洲氣象衛星組織（EUMETSAT）靜止氣象衛星由第一代的Meteosat系列升級至MSG系列，新一代靜止軌道氣象衛星MTG系列[11]也在研制中；日本由第一代GMS、第二代MTSAT系列升級至第三代“葵花（Himawari）”系列，以及俄羅斯、印度、韓國等均有不同的提升計劃。新一代衛星多光譜成像儀的時空分辨率和產品精度顯著提升[12]，光譜通道數也持續增加，同時高光譜垂直探測儀、閃電成像儀等新型傳感器的出現也進一步增強了衛星識別CI優勢和潛力，有望為突發強對流天氣監測和氣象災害防御提供重要的支撐。

鑒于此，本文圍繞基于靜止氣象衛星的CI識別這一關鍵技術，從傳統衛星多光譜通道信息CI識別和衛星新型觀測儀器CI識別兩方面綜述國內外主要進展，并對未來研究進行思考與展望，以期為CI實時監測和短時臨近預報提供借鑒。

1 基于衛星多光譜通道信息的CI識別

使用地球靜止軌道氣象衛星多通道資料進行CI研究識別算法目前已經比較成熟，并在美國[9,13]、法國[14]以及日本[15]等國家形成了一定的業務支撐能力，國內應用最廣泛的是借鑒美國阿拉巴馬大學Mecikalski等[9,13]提出的SATCAST（Satellite Convection Analysis and Tracking）算法。

SATCAST算法最早采用美國靜地運行環境衛星GOES-12的空間分辨率為4～8 km的3個紅外通道資料，通過獲得各個通道的亮溫（IR-TBB），提取出用于描述對流云性質、發展和演變的8個指標，包括云頂亮溫、多通道差和云頂亮溫時間變化趨勢等，然后計算8個指標并與設置的閾值進行對比評估，最終通過閾值評分法來區分CI和快速發展對流[9]，可以提前約30～45 min預測出CI[9,13]。對2007年歐洲地區213例CI事件的驗證分析表明，準確率為80.75%[4]。之后，Siewert等[16]利用歐洲第二代氣象衛星（MSG）中6個紅外通道將8個指標擴展為17個，用于刻畫CI過程中云頂高度、云頂凍結效應和垂直發展強度3種積云發展特征。Mecikalski等[17]進一步總結了MSG衛星所有8個紅外通道所能提供的67個指標，并通過相關分析和主成分分析篩選出分別最能表征以上3種積云發展特征的6個、7個和8個指標。

該算法不需要建立復雜的天氣活動模型，直接使用云圖進行CI預測。我國學者利用該算法也進行了較多的CI識別實踐，如宋珍妮[18]基于FY-2C衛星數據，利用Mecikalski等[9]提出的指標計分統計法并對部分指標閾值調整，開展京津地區一次強對流天氣的CI預警試驗，結果表明，該方法可以提前30 min實現強對流天氣預警。劉健等[19]利用FY-2C提供的平均10 min觀測間隔的局地掃描數據對強對流天氣進行分析，結果也表明，靜止氣象衛星的高時間分辨率觀測能有效地監測CI和快速發展的對流。周鑫等[20]基于FY-2F提供的2015年5—9月的6 min高分辨率數據，分析和比較了深、淺對流在CI至發展階段中云頂高度、云頂快速降溫率以及多通道差值等云頂物理量特征的變化異同。卜茂賓等[21]基于FY-2G衛星數據和Mecikalski等[9]提出的八分法，利用多小波融合、積云掩膜、金字塔圖像和面積重疊法得到CI預警算法，并對北京地區兩次強對流天氣過程進行CI預警研究，結果表明，預警算法能夠提前30～40 min預警出北京地區的CI過程。李五生等[2]利用MTSAT-1R衛星資料中的紅外1（10.3～11.3 μm）、紅外2（11.5～12.5 μm）和水汽通道（6.5～7.0 μm）亮溫數據，在目標云塊識別對比的基礎上計算并修正了SATCAST算法中CI預報的8個指標閾值，并對2006—2007年京津地區進行17日次CI預報試驗，結果表明，該預報方法能夠對1 h內的CI進行有效預報。

研究表明，經過適當的閾值調整或方法改進（如結合機器學習方法），SATCAST算法也能夠有效地移植到與GOES衛星具有相當探測能力的其他靜止衛星上用于CI預報，如MSG[22]、FY-2F[20]、FY-2G[21]、日本多功能運輸衛星（MTSAT）[2,23]、韓國通信、海洋和氣象衛星（COMS）[24]、日本新一代靜止氣象衛星葵花8號（Himawari-8）[25]等。由于使用了可見光通道數據，Mecikalski算法僅能在白天對CI進行預測，而對夜間發生的CI無法進行提前預測。

2 新型衛星觀測儀器的CI識別

2016年11月19日，美國新一代地球靜止軌道環境業務衛星（GOES-R）首顆星GOES-16發射升空，衛星裝載的有效載荷包括先進基線成像儀（ABI）、閃電成像儀（GLM）以及空間環境探測儀器[26]。2016年12月11日，我國也成功發射了新一代靜止軌道氣象衛星風云四號首顆業務星FY-4A，其攜帶先進靜止軌道多通道掃描輻射成像儀（AGRI）、靜止軌道干涉式紅外探測儀（GIIRS）、閃電成像儀（LMI）和空間環境監測儀4種主要觀測儀器，并于2018年5月1日正式投入業務應用，其中，將高光譜分辨率紅外干涉式大氣垂直探測儀搭載在靜止軌道氣象衛星上，這在國際上尚屬首次。這些新一代靜止衛星所攜帶的新型傳感器將對CI監測和強對流天氣短時臨近預報提供極大的數據支撐和算法突破。

2.1 衛星閃電成像儀

閃電是對流系統發展的“示蹤器”，衛星閃電成像儀可以實現對云中閃電的實時監測，為對流系統預警提供重要支撐。早期主要搭載在低軌道衛星上，包括裝載于Microlab-1衛星上的閃電光學瞬變探測器（OTD）和裝載于熱帶降水測量任務（TRMM）衛星上的閃電成像儀（LIS）[27-30]。這些低軌道衛星雖然能夠提供更高空間分辨率的云圖，但其重復觀測間隔太長（12 h），難以對同一個對流過程進行連續監測。

FY-4A/LMI閃電觀測時間上可精確到1 min，空間分辨率精確到7.8 km，不僅能夠對大尺度對流系統中的閃電活動進行連續不間斷的觀測，而且能夠對局地小對流云團中的閃電活動進行監測[31]。在對流迅速發展的初期，LMI對閃電的觀測超前于ADTD雷電定位系統，并且鋒面降水階段中這種超前特征持續時間更長一些[32]。因此，LMI 閃電探測產品對于CI判識和強天氣監測預警具有很大的應用潛力[31-32]。林小紅等[33]研究表明，FY-4A LMI閃電頻次的時空變化與2019年臺風“利奇馬”臺前颮線的演變過程相一致，LMI閃電爆發對臺前颮線強度增強具有提早約1 h的指示作用。張曉蕓等[34]以2018年5月7日廈門暴雨為研究個例，研究FY-4A LMI閃電數據在強降水監測預警中的應用，結果表明，閃電強度與雨強成正比，且閃電頻數峰值多出現在降水峰值前45 min左右。任素玲等[35]利用FY-4A AGRI和LMI數據，分析了反演產品在強雷暴天氣中的應用，表明LMI產品較地面閃電探測產品能夠探測到更多的閃電，對新生對流和較弱對流產生的閃電監測具有優勢。

2.2 衛星垂直探測儀

衛星成像儀主要是觀測與CI相關的積云發展過程，衛星垂直探測儀則能夠通過獲取大氣溫度和濕度廓線來評估積云發展和CI發生前的環境條件[7]。自從1994年以來，美國GOES系列靜止衛星搭載的紅外探測儀（Sounder）開始為北美地區及其附近海域提供1次/h、10 km空間分辨率的大氣溫濕廓線及其衍生產品[36]，初步解決了常規探空和低軌道衛星觀測間隔長（通常1次/2 d）、不能夠有效地監測對流的快速變化過程的問題，但GOES Sounder僅配置18個較低光譜分辨率的紅外寬波段通道，對于獲取大氣精細化廓線尤其是底層信息仍然有限[7]。相對于具有較粗光譜分辨率的GOES Sounder，高光譜分辨率垂直探測儀可以更精確獲取CI前環境條件，如大氣穩定度指標——對流有效位能（CAPE）和抬升指數（LI），從而對CI潛勢具有重要的指示作用[37-40]。Apke等[41]分析了對流環境對于CI的作用，結果表明，CAPE和對流抑制能量（CIN）對于改進衛星的CI預報具有積極的作用。在高CAPE、低CIN的環境下，對流初生具有更好的預報性。

3 未來工作展望

強對流天氣研究的主要目的是提高其監測、預報和預警水平[42]，CI識別對強對流天氣預測預報具有重要的意義。基于靜止衛星的CI研究呈現出從定性到定量描述、從單一到多光譜通道聯合運用、從僅使用光學成像儀到不同星載儀器運用、從僅關注CI過程本身到關注CI前環境條件和CI后續對流強度的發展趨勢[7]。衛星觀測通道和觀測資料的要素不斷增加，時空分辨率從最初的小時級到現在的分鐘級，同時也解決了雷達受空間和時間的限制，實現了連續性、大范圍觀測[21]，應用前景很大。未來工作方向主要概況為以下兩大方面。

3.1 綜合光譜/閃電成像儀、大氣垂直探測儀和天氣雷達等，實現CI協同觀測和數據快速獲取

新一代靜止氣象衛星在時間、空間和光譜分辨率、光譜通道數以及搭載儀器性能等方面都有質的提升[7]，尤其是多通道的觀測數據組合可更好地觀測云的溫度、微物理結構、相態等特征，更準確地監測強對流天氣[35]。我國FY-4A是國際上首顆單星實現對地“多光譜二維成像+高光譜三維探測+超窄帶閃電成像”綜合觀測的靜止軌道氣象衛星，研究FY-4靜止氣象衛星搭載的多種傳感器資料的使用，可以提高強對流天氣的預報水平和服務質量[43]。將大氣垂直探測儀獲取的CI前環境信息和光譜/閃電成像儀獲取的積云發展信息相結合，建立不同星載儀器（成像儀和探測儀）對同一CI過程的協同觀測和預報流程，能夠有效地改善CI預報的命中率和空報率[44]。因此迫切需要充分挖掘新一代靜止氣象衛星高時空分辨率的優勢，為CI監測預警業務服務提供支撐。

隨著衛星觀測技術的發展和遙感儀器能力的提升，高分辨率衛星云圖監測的積云新生時間能夠早于雷達觀測到的新生單體的時間，可以提前發現CI[45]。例如，張夕迪等[46]利用日本Himawari-8資料對2016年汛期27次暴雨CI情況進行分析，并與雷達進行了對比，研究表明，Himawari-8衛星由于高頻次觀測的優勢對暴雨對流強弱的變化刻畫得更加細致，在監測暴雨對流云團方面具有時間上的明顯優勢。然而，靜止氣象衛星觀測的主要是對流云頂的發生、發展特征，無法實現對流系統內部的觀測。天氣雷達則可以觀測對流風暴的內部分布特征，較衛星觀測資料更容易達到傳統的CI判定條件[43]，因此，雷達觀測資料能夠與靜止氣象衛星數據形成互補，實現對流系統的多方面觀測，從而為CI的精細化預報（甚至于后續對流的發展強度）提供指示作用。在CI研究和預報過程中，未來需要依托先進的數據融合和同化系統，實現雷達和衛星觀測之間的聯動，如雷達上觀測到的輻合線和對流過程與衛星上觀測到的積云發展過程之間的串聯[7]。結合先進的資料同化方案（如集合卡爾曼濾波等），在對流可分辨模式中同化高分辨率的雷達和衛星觀測，將有望進一步改善CI的臨近預報能力[47]。

考慮到CI預報的短時效性，要求衛星能夠快速成像、觀測數據能夠盡快回傳并能夠進行近實時處理。2021年6月3日，我國風云四號B星（FY-4B）發射成功。在繼承A星基礎上，B星提升原有載荷性能，同時新增快速成像儀，在國際上首次實現靜止軌道250 m空間分辨率全天時觀測，通過長線列探測器和二維靈活掃描成像，實現更高分辨率、更靈活快速地對特定區域掃描成像，大幅提高了我國中小尺度災害性天氣觀測能力。憑借最新搭載的快速成像儀，FY-4B可以實現對數百萬平方公里區域1 min/次的成像，對中小尺度的天氣系統具備更強的監測能力。因此，FY-4B快速成像儀數據產品在CI監測預報中的應用潛力也應重點關注。

3.2 引入機器學習、大數據挖掘等技術，探索衛星多源數據的融合和集成應用，提高CI識別時效性和精確性

數據分析處理方面，目前所用方法上無論是閾值法還是灰度－梯度共生矩陣法均仍是傳統的分析方法為主。但隨著衛星儀器的升級，其資料性能在波段、時間與空間三個維度均獲得了極大的提升，直接導致數據量的激增，例如FY-4A和Himawari-8/9資料均比原來的FY-2和MTSAT多達上百倍，但多源觀測數據表現形式、物理意義各異，如何將這些數據有效融合，也是當前面臨的挑戰之一[7]。人工智能在大數據處理方面具有不可比擬的優勢，不僅可以總結專家知識經驗，還可以充分利用統計與數值模式中無法利用的抽象預報知識。作為一種實現人工智能的方法，機器學習算法能夠自動學習并提取特征，為多源數據融合提供了新的思路。隨機森林方法、卷積神經網絡模型[48]等已被初步證實在災害性天氣監測中明顯優于常規方法。Mecikalski等[49]結合GOES-R靜止氣象衛星數據和數值天氣預報（NWP）模式得到的對流環境預報場如CAPE、LI和風切變等數據，通過選取25個相關要素，并借助邏輯回歸和隨機森林方法，建立了一種CI概率預報系統，有效地減少了歐洲地區CI空報率。Ahijevych等[50]利用隨機森林方法，融合雷達、衛星云圖和數值預報數據，預報未來0～2 h的CI，結果表明模型有效檢測了99%以上（總數550個）的初生系統。Han等[51]基于Himawari-8衛星數據，利用決策樹、隨機森林和邏輯回歸等機器學習方法建立了CI預報模型，實現了算法性能的提升。劉子菁[52]將Himawari-8先進成像儀（AHI）觀測資料、數值模式場資料與深度機器學習的隨機森林方法結合，建立起局地CI預警模型，該模型能夠在局地爆發對流系統前1～2 h 將對流云團標記出來，模型的準確率為0.79，對強對流和中等強度對流的探測率可分別達到0.66和0.70。鄭益勤等[53]基于Himawari-8衛星數據構建了基于深度信念網絡（DBN）的強對流云團自動識別法，該方法可以有效識別處于初生到消散不同階段的強對流云團，提高了強對流云團的識別精度，并在一定程度上去除卷云。因此，在對一些天氣現象發生的物理機理還沒有完全理解的情況下，充分利用機器學習的大數據挖掘分析方法非常值得探索。