基于衛星遙感的熱帶氣旋定強技術綜述

胡天慧，余暉，魯小琴

(1.中國氣象局上海臺風研究所，上海 200030；2.華東師范大學地理科學學院，上海 200041；3.中國氣象局臺風數值預報重點實驗室，上海 200030)

1 引 言

熱帶氣旋是影響全球范圍許多國家并且每年引起巨大生命財產損失的自然災害之一[1]，及時把握熱帶氣旋位置、強度、結構等信息對災害防御及其管理工作具有重要意義。在熱帶氣旋的整個生命周期中，絕大部分時間都位于熱帶或者副熱帶海洋上，自動氣象站和氣象雷達等常規地面站網往往無法覆蓋。衛星遙感觀測因其探測范圍廣、采集數據快的特點，已逐漸成為獲取熱帶氣旋生成、發展以及運動狀態等信息的最主要工具。

迄今為止，國內外已有許多采用衛星遙感觀測資料對熱帶氣旋強度進行估算的方法研究，通常稱之為基于衛星遙感的熱帶氣旋定強技術。靜止衛星因覆蓋范圍廣、成像面積大、時間分辨率高，應用最為廣泛。其中，發展歷史最悠久并在全球得到廣泛應用的方法是Dvorak技術[2-3]。Dvorak技術[2]由美國國家海洋和大氣管理局的氣象工作者Dvorak于1970年代初提出，其主要缺陷在于主觀性太強，業務應用中常由于分析員的經驗差異導致對同一熱帶氣旋同一時次的強度估計出現明顯分歧。四十多年來，該方法在不斷向自動化和客觀化方向發展[3-9]。隨著微波成像儀和微波垂直探測儀的發展，人們越來越重視微波資料在熱帶氣旋定強中的應用，其主要原因是微波能穿透熱帶氣旋中高層的非強降水云，可更好地識別出氣旋低層環流中心及螺旋雨帶強度和范圍[10-11]。隨著互聯網、大數據的快速發展，人們開始把人工智能方法應用于多衛星、多通道資料相結合的熱帶氣旋強度估算研究，從衛星圖像中自動提取熱帶氣旋云系特征從而進行客觀定強，也是熱帶氣旋定強技術的一個主要發展方向。

2 基于可見光和紅外資料的熱帶氣旋定強技術

2.1 Dvorak技術

自1960年第一顆氣象衛星“TIROS”成功發射開始，就有氣象工作者開始利用衛星云圖對熱帶氣旋進行研究分析，并嘗試將熱帶氣旋強度同云的組織程度及其大小等特征相聯系[12-13]。直到1970年代初，Dvorak發展了分析預報熱帶氣旋強度的系統性流程，這是衛星遙感監測熱帶氣旋發展的重大突破。最初的Dvorak技術是將可見光云圖識別和實際預報經驗相結合，建立熱帶氣旋強度同其云系特征變化之間的關系。這一方法主要關注氣旋中心(包括眼區和眼壁)的云系特征和外圍彎曲云帶的特征，由這兩部分云系特征得到一個強度指數(T指數)[2,11]。隨著衛星技術的不斷發展，Dvorak在1984年引入了紅外云圖分析，使該技術能應用于夜間觀測[3]。Velden等[5]基于前人的經驗[4]，利用靜止紅外衛星通道數據實現了Dvorak技術的客觀化(Objective Dvorak Technique，ODT)。ODT利用計算機算法，通過計算眼區和對流云區的溫度識別云型，然后根據選定規則得出強度。但是，ODT在其約束條件中規定熱帶氣旋云系的T指數必須不小于3.5，因此該算法僅適用于熱帶風暴級別以上的熱帶氣旋。在這之后，又有許多學者[6-8]對這項技術進行了改進，目前已發展為ADT[9](Advanced Dvorak Technique，ADT)。ADT能夠應用于熱帶氣旋的整個生命周期，其改進之處包括：增加了新的云場景類型、更新了熱帶氣旋中心自動定位程序、修改了強度約束和規則、添加了微波資料的應用等。Olander等[9]對2018年大西洋颶風的對比分析表明(表1)，ADT的均方根誤差為11.12 kt(9.71 hPa),而美國熱帶氣旋分析預報中心主觀Dvorak分析的均方根誤差為10.4 kt(10.17 hPa)。他們同時還發現，在大西洋區域，ADT存在較大負偏差(表2)，這可能是由于大西洋的最佳路徑資料更多參考了機載步進頻率微波輻射計(Stepped Frequency Microwave Radiometer，SFMR)測量的風速，而SFMR估測的風速有時會偏高[14]。如果SFMR測量的風速偏高被驗證，并且會繼續使最佳路徑產生更高的風速值，那么ADT就需要進行重新校正。表1和表2是根據文獻[9]的分析歸納所得。

表1 2018年ADT和熱帶氣旋分析預報中心主觀Dvorak分析在各海域的均方根誤差[9]

表2 2018年ADT和熱帶氣旋分析預報中心主觀Dvorak分析在各海域的偏差[9]

Dvorak技術最初是一種利用可見光云圖針對大西洋區域熱帶氣旋的定強方法，而在西北太平洋區域，由于地理位置和環境因素的影響，直接運用該方法會產生一定偏差。因此，國內有不少學者提出了Dvorak技術在西北太平洋區域應用的改進方案。1980年，方宗義等[15]參照1975年版的Dvorak技術，綜合考慮紅外云圖上熱帶氣旋環流中心與深對流密蔽云區的相對位置、眼的形狀、大小和清晰程度、中心深對流密閉云區范圍的大小和螺旋云帶的特征，提出了西北太平洋熱帶氣旋強度特征T指數，并建立了熱帶氣旋最大風速與T指數的經驗關系。雖然這一方法能對熱帶氣旋進行24小時連續監測，但是受樣本不足的影響，對近中心風速大于45 m/s的熱帶氣旋不能很好地估測，并且最終結果受分析員的經驗影響較大。1993年，李修芳等[16]利用增強紅外云圖，建立了多種新的云特征因子與熱帶氣旋強度的對應關系。燕芳杰等[17]利用衛星展寬云圖資料建立了估計熱帶氣旋強度的回歸方程，并實現了人機交互。范蕙君等[18]采用數字云圖資料，分析了熱帶氣旋強度與其云系結構的關系，提出了云系結構緊密度因子的概念，改進了增強紅外云圖確定熱帶氣旋強度的方法。1980—2012年，中國氣象局根據業務應用需求采用了方宗義等[15]提出的簡化方法，但由于該方法與國際上通用的Dvorak技術分析流程存在較大差異，其規范性和標準性不夠，導致定強結果與國際上其他業務定強機構的結果不具有可比性，因此，自2012年起，我國中央氣象臺開始應用Dvorak技術分析流程(1984版)[19]，并在近十年的業務中，針對西北太平洋熱帶氣旋的特點，對強度指數與風壓的對應關系等方面進行了適用性的改進，一直沿用至今。

2.2 其他統計方法

除了Dvorak技術關注的云型特征之外，近年來也有許多學者嘗試從紅外云圖數據中尋找與熱帶氣旋強度相關的其他特征因子，并運用這些因子對熱帶氣旋強度進行客觀估計。

王瑾等[20]應用日本靜止氣象衛星(GMS-5)紅外輻射亮溫資料研究了熱帶氣旋云系中各部分亮溫值與熱帶氣旋中心最低氣壓之間的定量關系，并且引入了緯度因子及時間滑動平均進行試驗。這一方法在熱帶風暴以上強度階段的運用效果更佳，但由于受樣本數量的限制和衛星某些時刻的資料缺乏及質量影響，對于某些強度快速變化的熱帶氣旋不能進行很好的估計。魯小琴等[21-22]應用MTSAT(Multi-functional Transport Satellite)紅外數據，提取熱帶氣旋云系中的對流核，發現其數量、分布、溫度等可以表征對流活動的強弱和組織結構。通過構造的對流核相關因子建立熱帶氣旋強度估算模型，獨立樣本測試的平均絕對誤差和均方根誤差分別為5.4 m/s和7.3 m/s，可應用于熱帶氣旋整個生命周期。張長江等[23]根據熱帶氣旋方位角亮溫分布不均勻的特征，將熱帶氣旋分為有眼和無眼兩類，構造了梯度共生矩陣，結合機器學習相關向量機(Relevance Vector Machine，RVM)的方法對熱帶氣旋強度進行估計。與線性回歸相比，RVM顯示了良好的非線性建模能力。張長江等[24]進一步討論了RVM模型的最優參數個數及范圍，結果表明在西北太平洋的最佳尺度范圍是250 km，利用該模型估算熱帶氣旋強度的均方根誤差是12.8 kt。戴李杰等[25]利用RVM方法對紅外衛星云圖中的有眼熱帶氣旋進行客觀定強，提取眼壁的亮溫梯度信息并選擇了三種不同的核函數來對模型進行測試，得到的平均絕對誤差為7.32～7.84 m/s。這些研究表明，RVM模型在處理高維非線性問題方面具有優勢，但需要選擇合適的維度。Asif等[26]將距離熱帶氣旋中心不同范圍內亮溫的最大值、最小值、熵等信息與其強度相聯系，通過最小二乘回歸、支持向量機、反向傳播神經網絡、極端梯度提升等機器學習方法對大西洋熱帶氣旋強度進行預估，發現運用支持向量機方法進行強度估算的效果最佳，其均方根誤差為11.2 kt，進行時間平滑處理之后的均方根誤差約10 kt。Pi?eros等[27]提出了一種從紅外圖像中獲取與熱帶氣旋云系形狀和動態特征的客觀技術，即偏角方差技術(Deviation Angle Variance Technique，DAV-T)。通過計算一定范圍內的亮溫梯度得到熱帶氣旋云系的組織程度，將其量化，來表征熱帶氣旋的強度。之后，Pi?eros等[28]將這項技術應用到北大西洋，建立基于DAV值的曲線擬合方程來估算熱帶氣旋強度。隨后，Ritchie等[29-30]將這一方法拓展到了西北太平洋和東北太平洋，并探討了距熱帶氣旋中心不同半徑范圍內的DAV值與熱帶氣旋強度的關系，還考慮中心位置可能存在的誤差，提出以最佳路徑中心點周圍9個像素為中心的平均DAV算法。從表3可以看出，偏角方差技術在北大西洋的應用效果最佳，但這可能是由于在建模過程中只考慮了熱帶風暴及以上等級的熱帶氣旋，將其與ADT的結果相比，這一方法也仍具有非常大的改進空間。袁猛等[31]利用風云系列衛星資料，從熱帶氣旋系統對稱化的角度對熱帶氣旋的整個生命史進行了研究，證明了DAV分布在熱帶氣旋不同階段有不同的特征，且其對應的DAV極小值對熱帶氣旋強度估算具有重要的指示意義。

表3 基于偏角方差技術估算的熱帶氣旋強度均方根誤差[29-30]

除從單張紅外云圖中提取特征因子進行統計外，也有研究嘗試將相似紅外云圖之間的聯系應用到熱帶氣旋客觀定強中。Jaiswal等[32]利用HURSAT-B1數據集建立了一個包含熱帶氣旋強度和對流特征信息的歷史云圖數據庫，并使用圖像匹配方法估算當前圖像強度。該方法通過計算紅外亮溫值的徑向直方圖和角直方圖對圖像進行匹配，根據匹配指數形成最佳匹配圖像對，其獨立測試的平均絕對誤差和均方根誤差分別為11.18 kt和14.48 kt。Fetanat等[33]提出了FASI(Feature Analogs in Satellite Imagery，FASI)算法，用165個風暴的歷史衛星紅外圖像來提取方位角亮溫剖面信息進行訓練，利用K-最近鄰域法(K-nearestneighbor，KNN)估算熱帶氣旋強度，其最大風速和最低氣壓估計的平均絕對誤差分別為10.9 kt和8.4 hPa。Kar等[34]通過圖像間歐氏距離的均值、方差、圖像的密度、離散程度構造熱帶氣旋強度的特征向量，利用每個灰度尺度下的權重值來找出測試圖像的灰度值，以此來進行強度預測。該方法在孟加拉灣測試應用的準確率達84%。

近年來，人工智能在許多領域的應用取得了很大進步。深度學習作為包含多層非線性變換的機器學習方法，能夠從原始輸入數據中挖掘出抽象特征來替代人為提取的特征因子，而卷積神經網絡(Convolutional Neural Networks,CNN)作為深度學習的一種經典架構，在圖像分類、人臉識別、音頻檢索等方面有很大的優勢。Pradhan等[35]提出了一種基于CNN的熱帶氣旋強度估算技術，對所選大西洋和太平洋地區樣本的均方根誤差為10.18 kt。從表4可以看出，基于圖像識別CNN方法的定強精度比其他方法精度要高，人工智能方法能夠實現自動特征提取，無需人為干預，可以快速為預報員提供參考依據，但是前期需要較多的樣本量，并且其樣本所涵蓋信息的全面性對于訓練結果的準確性會有一定的影響。

表4 基于紅外亮溫信息的主要統計定強方法和誤差

3 基于微波資料的熱帶氣旋定強方法

衛星提供的可見光、紅外觀測資料可以實現對熱帶氣旋的全天候監測，但是受限于觀測原理，僅靠可見光、紅外觀測無法獲得熱帶氣旋云系內部信息。相對而言，微波的波長較長，其衍射能力強，能夠部分穿透云雨[11,36]。許多學者已經開始利用星載微波資料對熱帶氣旋特性展開研究。根據微波輻射源可以將微波資料分為被動遙感數據和主動遙感數據。

3.1 被動遙感數據的應用

基于探測目標的不同，被動式星載微波儀器可分為兩大類：一類是以探測大氣溫度和濕度垂直分布為目標的微波垂直探測器，探測通道位于氧氣和水汽的強吸收帶附近，根據所選取通道位于吸收帶的不同位置及吸收系數的差別，可以探測出有云情況下大氣的溫濕廓線分布；一類是以探測大氣云雨和地表特征為主要目標的微波成像儀器，探測通道位于大氣窗區或弱水汽吸收帶遠翼，主要受大氣中的水汽、液態水和冰晶粒子的吸收和散射作用[11]。

3.1.1 微波垂直探測儀的應用

Kidder等[36]驗證了掃描微波輻射計(Scanning Microwave Spectrometer，SCAMS)對強熱帶氣旋高層核心區溫度異常變化的探測能力。首次提出了利用其亮溫數據估算熱帶氣旋中心氣壓和最大風速半徑以外的地面風速的方法。將中心氣壓與亮溫異常相聯系，通過回歸分析確定氣壓值，并通過假設梯度平衡來計算外表面的風速。隨著首個先進的微波探測儀(Advanced Microwave Sounding Unit，AMSU)的升空，Kidder等[37]總結了使用AMSU數據進行熱帶氣旋分析的優勢，AMSU是第一個有潛力測量熱帶氣旋位置、移動、溫度、風速、降雨率等參數的衛星儀器，并且其空間分辨率和測量精度都有所提高，可以更準確地估計風暴強度。Brueskte等[38]對AMSU-A掃描角度偏差和衍射效應進行修正，提出利用AMSU-B通道數據改進氣旋眼區大小估計的方法。結果表明，微波技術有望成為一種替代的熱帶氣旋強度估算方法來補充常用的Dvorak技術。Yu等[39]應用2001年和2002年7—9月的AMSU-A數據提出了估算西北太平洋熱帶氣旋強度的方法，其獨立測試的平均絕對誤差和均方根誤差分別為6.3 m/s(11.3 hPa)、8.6 m/s(15.0 hPa)，并且發現除熱帶氣旋中心上空暖心異常外，以某一溫度異常等值線(1.0 K和0.5 K)位置表示的暖核高度是強度估算中另一個重要的預測因子。劉喆等[40]對AMSU-A的亮溫資料進行了掃描點修正，建立了利用雙通道信息進行熱帶氣旋強度估算的回歸模型，估算結果同Dvorak技術相比的標準偏差為12.2 hPa。張淼等[41]對FY-3C新型微波溫度計的亮溫數據進行了臨邊訂正，分析了5～8通道熱帶氣旋中心增暖與熱帶氣旋強度的相關性，最終將通道6和通道7最強亮溫距平的最大值作為回歸因子，建立熱帶氣旋強度估算式，標準偏差為11.1 hPa。除了微波資料時空分辨率引起的誤差外，輻射計噪聲、臨邊訂正精度、暖核區域不在掃描波束中心等均會影響估計結果的準確性，需要在后續相關研究中予以關注。

3.1.2 微波成像儀的應用

Bankert等[42]提出了利用特殊傳感器微波成像儀(Special Sensor Microwave Imager，SSM/I)數據估計熱帶氣旋強度的方法。從85 GHz的亮溫圖像和多通道反演的降雨率圖像數據中提取了15個特征因子，結合KNN方法對熱帶氣旋強度進行估計，其中2個熱帶氣旋的17個樣本相對最佳路徑數據的均方根誤差為15.6 kt，相對飛機偵察數據的均方根誤差為19.7 kt。Hoshino等[43]利用熱帶測量降水任務(Tropical Rainfall Measuring Mission,TRMM)衛星的微波成像儀(TRMM Microwave Imager，TMI)數據，提取不同的亮溫參數建立了熱帶氣旋強度估算模型。張淼等[44]利用FY-3B微波成像儀(Microwave Radiation Imager，MWRI)數據，研究了各通道不同半徑的同心圓或圓環的亮溫參數與熱帶氣旋最大風速之間的定量關系，然后運用主分量分析和多元線性回歸，建立了適合西北太平洋熱帶氣旋強度估算的模型，均方根誤差為13 kt。也有學者針對北大西洋、東北太平洋和中太平洋的熱帶氣旋，利用TRMM/TMI的85 GHz通道的亮溫和近地表降雨率這兩種數據，提出了基于被動微波遙感進行強度估計的算法，該算法旨在提供當前熱帶氣旋強度和未來6小時強度的客觀估計值[45]。與考慮單一數據相比，同時考慮兩種數據的熱帶氣旋定強模型效果最佳，未來6小時最大風速的平均絕對誤差和均方根誤差分別為9 kt和12 kt。微波觀測被證實可以穿透中心密閉云區(Center Dense Overcast，CDO)的卷云蓋，觀察到對流結構的演變過程[46]，因此，在ADT第8版本中微波成像儀資料被應用于觀察熱帶氣旋眼的形成[47-48]，當數據可獲取并滿足強度增強等條件時，其估算強度可覆蓋基于紅外資料的估測強度[9]。

3.2 主動遙感數據的應用

微波散射計是一種主動式非成像微波傳感器，它通過向海表、陸面發射微波脈沖信號并接收其后向散射回波信號能量來探測有關目標的信息[49]，能夠同時測量風速和風向，也可以應用于植被、沙漠和極冰、積雪覆蓋等陸地特征的監測。Katsaros等[50]、Sharp等[51]研究了衛星散射計資料對于熱帶低壓早期預警及熱帶氣旋早期探測的有效性。國內也有不少學者對QuikSCAT衛星攜帶的洋面風場散射探測儀的探測資料開展了研究，其提供的風速分布信息，可以幫助確定熱帶氣旋大風區位置和強度，能夠有效監測海上臺風路徑和強度發展[52-53]。隨著我國第一顆海洋環境衛星——海洋二號(HY-2)的升空，張登榮等[54]利用HY-2散射計數據對熱帶氣旋的路徑和強度發展開展了相關研究，證明了HY-2和QuickSCAT一樣具有應用于熱帶氣旋監測的潛力。鄒巨洪等[55]提出了基于海洋二號衛星散射計風矢量產品的熱帶氣旋自動識別算法，并對該算法進行了驗證。楊典等[56]提出了一種基于散射計風場數據的熱帶氣旋定強方法，通過求取熱帶氣旋所在海區的海表面風速平均值來進行強度估算。該方法可以克服散射計反演熱帶氣旋風速過低的問題，但對于風速大于41.5 m/s的熱帶氣旋仍不適用。

表5 基于被動式星載微波儀資料的定強方法和誤差

4 多種資料結合的熱帶氣旋定強方法

考慮到衛星觀測波段的多樣性，不少學者開展了結合多衛星、多通道的熱帶氣旋強度估算方法研究。Olander等[57]證明了基于衛星數據的多光譜差分方案在熱帶氣旋應用中的潛力。他們將紅外窗區(infrared window，IRW)和水汽窗(water vapor channel，WV)通道聯合，將WV-IRW的亮溫差為正的像素點表示強對流區域。Zhuge等[58]提取了距熱帶氣旋中心150 km的內核區的WV和IRW的亮溫信息，采用WV-IRW與IRW的比值這一指標來確定熱帶氣旋強度，這一方法參考了Dvorak技術中的場景類型，可以作為ADT的補充。崔林麗等[59]基于2017年FY-4A部分熱帶氣旋的7個通道資料，包括中波紅外、水汽、長波紅外通道，建立了深度卷積神經網絡模型，其對熱帶氣旋強度估算的平均絕對誤差為1.75 m/s，均方根誤差為2.04 m/s。Xiang等[60]提出了一種基于海洋散射儀和微波成像儀數據對西北太平洋熱帶氣旋強度進行估算的方法。根據提取的亮溫和海表面風速的相關因子建立多元回歸模型，該模型的均方根誤差、平均絕對誤差和偏差分別為5.94 m/s，4.62 m/s和-0.43 m/s。張圣雪等[61]基于FY-2F、FY-2G云頂亮溫數據和ASCAT散射計風場數據，并結合偏角方差技術，建立了包括偏角方差、云頂亮溫、海表風速等參數的熱帶氣旋強度回歸模型，其平均絕對誤差和均方根誤差分別為3.99 m/s和4.66 m/s。Wimmers等[62]利用37 GHz和85～92 GHz波段的微波圖像數據結合深度學習技術對全球熱帶氣旋強度進行估計，其獨立樣本檢驗的均方根誤差為14.3 kt。Chen等[63]利用衛星紅外亮溫和微波降雨率數據對傳統的卷積神經網絡技術進行了改進，使用2017年全球的熱帶氣旋數據進行獨立樣本檢驗，均方根誤差為8.39 kt。

表6 多種衛星遙感資料結合的定強方法和誤差

5 總結與展望

靜止衛星的可見光和紅外通道可以提供較為連續的熱帶氣旋云系發展信息，其水汽通道可以提供大范圍的水汽輸送信息，有助于判別熱帶氣旋的發展情況。目前基于可見光和紅外資料的熱帶氣旋定強方法中，發展時間最長、運用最廣的是Dvorak技術，這一主觀方法在各海域的均方根誤差在9.71～12.08 kt(6.67～10.80 hPa)之間，其他基于可見光和紅外資料的客觀統計方法的表現和它基本相當。

非靜止衛星(極軌衛星和TRMM衛星)的微波通道可以穿透上層卷云，探測到卷云下不同層次上的熱帶氣旋內部信息[44]，有助于開展熱帶氣旋強度估算研究。但是，利用微波資料的熱帶氣旋定強技術，其均方根誤差大都在12～20 kt(9.9～15.0 hPa)之間，效果不如Dvorak技術，這可能是由于這些方法受到非靜止衛星時間分辨率低、空間分辨率分布不均勻的影響。

單類衛星多通道資料以及不同類型衛星資料的結合應用，可相互取長補短，這一類方法的均方根誤差在4～15 kt之間，表現出比較明顯的潛力。此外，考慮到熱帶氣旋強度與相關影響因子間的非線性關系和人工特征提取的局限性，利用衛星圖像直接進行熱帶氣旋強度估算的方法逐漸增多。這類深度學習方法的均方根誤差在4～14 kt之間，在多源資料綜合應用時表現得比Dvorak技術更有優勢。

可見，多衛星多通道的數據融合以及深度學習方法的運用，使得熱帶氣旋定強技術有了新的進展。展望未來，將依賴于人為經驗的熱帶氣旋云系特征表達和經計算機深層挖掘的圖像特征相結合，應會帶來新的突破。此外，目前微波觀測儀器均搭載在軌道高度較低的非靜止衛星上，時間分辨率偏低，無法滿足業務預報的需求，而我國早已在風云靜止衛星未來規劃中將微波垂直探測納入設計和發射計劃[64-66]，并在風云四號衛星上成功裝載了一個小型微波探測試驗載荷，這使得更連續地獲得熱帶氣旋內部結構成為可能。將微波對云雨大氣獨具的穿透性探測能力和靜止衛星的高時空分辨率相結合，預計會對熱帶氣旋定強能力有更大的提升。