Marine Meteorology

Retrieval of typhoon precipitation rate over ocean surface based on FY-3D/MWRI Data*

  • SHANG Jie , 1 ,
  • WU Ying , 1, 2 ,
  • ZOU Yike 1 ,
  • MA Jingwen 1
Expand
  • 1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, CMA Key Laboratory for Aerosol-Cloud-Precipitation, Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 2. School of Atmospheric Physics, Nanjing University of Information Science and Technology, Nanjing 210044, China
WU Ying. email:

Received date: 2023-10-17

  Revised date: 2024-01-12

  Online published: 2024-01-15

Supported by

National Natural Science Foundation of China(U2242212)

Abstract

Using the first level brightness temperature data of the microwave radiation imager (MWRI) carried on the FY-3D (Fengyun-3D) satellite, combined with the second level (L2) precipitation orbit product, and based on the polarization corrected temperature and scattering index (PCT-SI) comprehensive method, two precipitation rate inversion models for the ascending and descending orbit ocean surfaces were established, the two models established in this study were also validated by multiple typhoon cases. The results show that there is little difference in the effectiveness of inversion of precipitation between the ascending orbit data and the descending orbit data, and the precipitation distribution area retrieved is slightly larger than that of the L2 product precipitation area; both models tend to overestimate the low value of precipitation and underestimate the high value of precipitation; the correlation coefficient, mean absolute error, and root mean square error of the ascending orbit inversion model are 0.72632, 2.3055 mm·h-1 and 2.7254 mm·h-1, respectively. The correlation coefficient, average absolute error, and root mean square error of the descending orbit inversion model are 0.73363, 1.9079 mm·h-1 and 2.3651 mm·h-1, respectively. This study has successfully inverted the distribution area of ocean surface precipitation and near surface precipitation rate, providing a reference for estimating the distribution of ocean surface typhoon precipitation and precipitation rate inversion using satellite borne microwave imaging data.

Cite this article

SHANG Jie , WU Ying , ZOU Yike , MA Jingwen . Retrieval of typhoon precipitation rate over ocean surface based on FY-3D/MWRI Data*[J]. Journal of Tropical Oceanography, 2024 , 43(5) : 32 -40 . DOI: 10.11978/2023153

台风天气系统带来的大风、暴雨甚至冰雹和龙卷等强对流天气, 会对人类造成不同程度的经济损失和生命威胁(张哲然 等, 2023; 田城 等, 2023; 高娜 等, 2023)。通过卫星可以观测到台风的位置、大小和形状, 从而得到其移动路径、影响范围及发展情况(李卓 等, 2022)。随着卫星遥感技术的发展, 可通过卫星上搭载的遥感仪器对降水进行监测, 经过融合得到多种卫星反演降水产品(刘瑜 等, 2017)。微波探测以其全天时全天候的观测优势, 为监测台风提供了更丰富的观测资料(束艾青 等, 2022)。
国内外许多学者基于多种卫星微波观测资料, 采用不同的降水反演算法对台风降水进行了研究。针对早期的专用微波成像仪(special sensor microwave/ imager, SSM/I)数据, 发展了用散射指数(scattering index, SI)作为反演算子的地表降水反演方法(Grody, 1991)。利用SI对下垫面进行分类(海洋和陆地)研究降雨反演, 可以使上述算法更加完善, 并且反演效果良好(Ferraro et al, 1994, 1998)。继而提出的决策树和复合微波指数方法通过SSM/I数据对华东地区的夏季降雨识别和降雨率反演也是有效的(Li et al, 1998)。在上述研究的基础上, 同时把散射指数(SI)和85GHz极化订正温度(polarization-corrected temperature, PCT)作为反演算子可以更好地估计降雨量(Zhao et al, 2001; 李万彪 等, 2001; 李世伟 等, 2015)。
此后, 针对多种微波探测仪, 陆续开发了多种台风区降雨反演算法。如针对风云(FengYun, FY)系列卫星上的微波成像仪(microwave radiation imager, MWRI), 利用FY-3C卫星上微波探测仪的一级数据, 结合基于热带降雨测量任务卫星(tropical rainfall measuring mission, TRMM)的3B42降雨产品数据, 通过多元线性回归和反向传播神经网络两种算法反演台风区降雨(李娜 等, 2019); 利用FY-3B/MWRI的微波辐射观测资料, 使用基于18.7GHz和36.5GHz的垂直和水平极化亮温的Wentz & Spencer (W/S)物理反演算法和基于主动降水雷达观测资料构建的MWRI算法反演热带气旋降水(张软玉, 2019)。
对于新一代测雨卫星全球降水计划(global precipitation measurement, GPM), 以2017年的台风“杜苏芮”为例进行特征分析结果表明, GPM卫星探测台风外围降雨率与自动气象站探测资料比较吻合, 低频、中频、高频不同通道对于云水、冰水微物理因子探测能力不同(朱梅 等, 2018)。GPM卫星上搭载的微波成像仪(GPM microwave imager, GMI)不同频率下地表降雨速率与亮度温度之间存在时滞(You et al, 2019)。在同化预报系统中, GMI资料的加入可以提高对台风路径的预报水平(沈菲菲 等, 2021)。由于GPM被动微波算法趋于高估陆地上的弱降水(< 5mm·h-1), 在加入反演得到的动态地表资料后, 降水率反演降低了50%的错报率(Ringerud et al, 2021)。在利用GMI一级亮温数据对台风降雨进行水平结构分析的研究中, 不同时次和不同反演方法的对比结果发现, 全频段直接组合法反演降雨率效果最佳(邓欣柔 等, 2022)。
此外, 机器学习(machine learning, ML)算法也已应用于NOAA-18、NOAA-19上的先进微波探测器资料, 进行降水估计(Li et al, 2021)。结合多源卫星观测资料, 如日本葵花八号卫星(Himawari-8)、GPM和FY-3D/MWRI的观测资料和产品等, 对台风登陆前、后, 在云系、降水三维结构以及陆面降雨率等方面也有了相关研究(唐飞 等, 2021)。
上述研究成果中, 已有针对不同的微波成像仪, 如SSM/I和热带降雨测量任务卫星微波成像仪(tropical rainfall measuring mission/microwave imager, TMI) 等, 建立了微波PCT和SI综合指数法反演降雨率的模型。研究结果也表明, 同时利用PCT和SI可以更好地估计降雨量。但是对于我国新一代极轨气象卫星上搭载的微波成像仪, 还没有基于该算法的降雨率反演模型, 由于不同的微波辐射计在高度、入射角以及微波通道等方面都有差异, 所以在利用实际资料时, 需要重新考虑算法的适用性。因此, 本研究针对FY-3D/ MWRI的通道特性, 基于2212号台风“梅花”和2305号台风“杜苏芮”从生成到消亡的时间段内的一级亮温数据, 结合同期的二级降雨产品, 通过PCT及SI综合指数法, 建立洋面降雨率反演模型, 并进行显著性检验和误差分析。再选取2106号台风“烟花”和2211号台风“轩岚诺”对上述建立的洋面降雨率反演模型进行验证。本研究为检验PCT-SI综合指数算法的适用性以及提出改进算法的可能性或方向提供了一定的参考价值, 同时也对卫星监测台风登陆前的洋面降雨率变化有重要意义, 有利于及时推进防灾减灾工作。

1 数据和方法

1.1 研究个例

本研究根据中央气象台台风网的台风综合信息, 选取2212号台风“梅花”(Muifa)和2305号台风“杜苏芮”(Doksuri)建立降雨率反演模型; 选取2106号台风“烟花”(In-fa)和2211号台风“轩岚诺”(Hinnamnor)验证所建立的模型。

1.2 数据

本研究使用FY-3D/MWRI的一级数据(Level 1, L1)和二级数据(Level 2, L2)降雨率沿轨产品, 以及GPM卫星的多卫星联合反演(Integrated Multi-satellitE Retrievals for GPM, IMERG)逐半小时全球多卫星降水量估计网格点数据。
FY-3D是我国第二代极轨气象卫星的第四颗星, 其上搭载的MWRI提供53°地面入射角的全球被动微波辐射亮温观测数据, 使用10.65GHz、18.7GHz、23.8GHz、36.5GHz、89.0GHz 5个观测频率, 每个频点包括垂直(V)和水平(H)两种极化方式, 共计10个通道(杨虎 等, 2012)。FY-3D/MWRI二级降水产品采用了统计反演方法。根据L1观测亮温数据, 通过质量控制、像元降水筛选判别降雨和非降雨区域, 利用TRMM卫星上的微波降水雷达(precipitation radar, PR)和微波辐射计(TRMM microwave imager, TMI)数据, 以及2002年6月至7月120个气象站的逐小时降水记录, 将每个TMI通道的亮度温度和8个组合因子作为回归因子进行统计反演。参考国际上成熟的统计公式, 形成了中国地区的降水反演算法(杨虎 等, 2013)。FY-3D/MWRI的L2降雨率沿轨产品分升轨和降轨两种。本研究根据所选台风个例的路径、登陆时间和影响范围, 结合所选L1数据和L2产品的观测时间、观测范围、降雨分布和海陆掩码, 分为升轨洋面和降轨洋面两组数据, 用于反演台风期间的洋面降雨率。
IMERG数据是通过对全球TRMM和GPM时代的多个卫星的微波降水量估计值, 以及微波校准红外卫星估计值、雨量计分析资料和可能的其他精细时间和空间尺度的降水量估计值进行相互校准、合并和插值得到的。该系统在每个观测时间运行几次, 首先给出早期运行(IMERG early run)的快速估计值, 然后随着更多数据的到达依次提供后期运行(IMERG late run)的更好的估计值, 最后一步使用月度计量数据创建最终运行(IMERG final run)得到的研究级产品。本研究使用IMERG研究级产品来验证所建立的降雨率反演模型得出的结果。

1.3 方法

由于微波亮温在高频段和近地面降雨率有一定的负相关性, 低频段散射较弱, 低频亮温可以估计无散射条件下的高频亮温(李万彪 等, 2001; 李世伟 等, 2015), 因而本研究采用散射指数和极化订正温度对降雨率进行反演。
对低频亮温组合进行多元线性拟合得到89.0GHz垂直极化亮温估计值(Tb89Vp, 单位: K):
$\text{T}{{\text{b}}_{89\text{Vp}}}={{a}_{0}}+{{a}_{1}}\text{T}{{\text{b}}_{10\text{V}}}+{{a}_{2}}\text{T}{{\text{b}}_{18\text{V}}}+{{a}_{3}}\text{T}{{\text{b}}_{23\text{V}}}$
式中: Tb表示亮温值, 下标“10v”、“18v”和“ 23v”分别表示10.65GHz、18.7GHz和23.8GHz垂直极化通道, ${{a}_{0}}$${{a}_{1}}$${{a}_{2}}$${{a}_{3}}$为利用这3个垂直极化通道亮温对89.0GHz垂直极化亮温值进行多元线性拟合得到的回归系数。
89.0 GHz垂直极化亮温估计值与实际值做差得到所选地区的大气散射指数(SI, 单位: K)为:
$\text{SI}=\text{T}{{\text{b}}_{89\text{Vp}}}-\text{T}{{\text{b}}_{89\text{V}}}$
即, $ \text{SI}={{a}_{0}}+{{a}_{1}}\text{T}{{\text{b}}_{10\text{V}}}+{{a}_{2}}\text{T}{{\text{b}}_{18\text{V}}}+{{a}_{3}}\text{T}{{\text{b}}_{23\text{V}}}-\text{T}{{\text{b}}_{89\text{V}}}$
式中:$\text{T}{{\text{b}}_{89\text{V}}}$为89.0GHz垂直极化通道亮温(单位: K)。
89.0 GHz极化订正温度($\text{PC}{{\text{T}}_{89}}$, 单位: K)(李万彪 等, 2001):
$\text{PC}{{\text{T}}_{89}}=1.81800\text{T}{{\text{b}}_{89\text{V}}}-0.81800\text{T}{{\text{b}}_{89\text{H}}}$
式中: $\text{T}{{\text{b}}_{89\text{H}}}$为89.0GHz水平极化通道亮温(单位: K)。
以89.0GHz极化订正温度和大气散射指数进行多元线性拟合可得反演降雨率(precipitation rate, pr) (单位: mm·h-1):
$\text{p}{{\text{r}}_{{}}}={{b}_{0}}+{{b}_{1}}\text{PC}{{\text{T}}_{89}}+{{b}_{2}}\text{SI}$
式中:${{b}_{0}}$${{b}_{1}}$${{b}_{2}}$为利用89.0GHz极化订正温度和大气散射指数对降雨率进行多元线性拟合的回归
系数。

2 建立降雨率反演模型

本研究使用升轨洋面和降轨洋面两组一级亮温数据和对应的二级产品降雨率数据, 分别建立两个降雨率反演模型。基于上述两组一级亮温数据, 根据式(1)对89.0GHz垂直极化亮温值分别进行多元线性回归拟合, 可以得到其回归系数${{a}_{0}}$${{a}_{1}}$${{a}_{2}}$${{a}_{3}}$(表1)。再由式(3)、式(4)可以得到所选地区升轨洋面和降轨洋面两组数据的大气散射指数和89.0GHz极化订正温度$\text{PC}{{\text{T}}_{89}}$ (李万彪 等, 2001), 结合这两组数据对应的二级降雨率产品, 根据式(5)对降雨率进行多元线性回归拟合, 得到其回归系数${{b}_{0}}$${{b}_{1}}$${{b}_{2}}$ (表2)。模型显著性水平检验结果如表3所示, 置信度(α)设为0.05, 计算了判定系数(R2)、F统计量以及与F对应的概率P, 当P < α时, 回归模型成立。由表2可知, 概率统计模型检验P值约为0.00, 小于显著性水平, 所以模型成立。
表1 基于两组(升/降轨)一级亮温数据分别对89.0GHz垂直极化亮温进行多元线性拟合得到的回归系数

Tab. 1 Regression coefficients obtained by multivariate linear fitting of 89.0 GHz vertically polarized brightness temperature based on two sets (ascending/descending orbit) of L1 brightness temperature data

数据类型 ${{a}_{0}}$ ${{a}_{1}}$ ${{a}_{2}}$ ${{a}_{3}}$
升轨洋面 244.1540 0.1674 -1.2956 1.0746
降轨洋面 258.6989 -0.0507 -1.0842 0.9876
表2 基于两组(升/降轨)一级亮温数据和二级产品降雨率数据分别对降雨率进行多元线性拟合得到的回归系数

Tab. 2 Regression coefficients obtained by multivariate linear fitting of rainfall intensity based on two sets (ascending/descending orbit) of L1 brightness temperature data and L2 product precipitation rate data, respectively

数据类型 ${{b}_{0}}$ ${{b}_{1}}$ ${{b}_{2}}$
升轨洋面 76.2498 -0.2809 -0.2040
降轨洋面 67.6256 -0.2488 -0.1592
表3 模型的显著性水平检验结果

Tab. 3 The significance level test results of the two models

轨道类型 判定系数(R2) F统计量观测值 检验的p的值 误差方差估计
升轨 0.5275 131790 0 7.4280
降轨 0.5382 136910 0 5.5935
由所选地区升轨洋面和降轨洋面两组数据的二级产品降雨率和反演降雨率, 计算模型精度评价指标参数: 相关系数(R)、平均绝对误差(mean absolute error, MAE)和均方根误差(root mean square error, RMSE):
$R=\frac{\mathop{\sum }_{i=1}^{N}\left( \mathrm{r}{{\mathrm{r}}_{i}}-\overline{\text{rr}} \right)\left( \mathrm{p}{{\mathrm{r}}_{i}}-\overline{\mathrm{pr}} \right)}{\sqrt{\mathop{\sum }_{i=1}^{N}{{\left( \mathrm{r}{{\mathrm{r}}_{i}}-\overline{\text{rr}} \right)}^{2}}}\sqrt{\mathop{\sum }_{i=1}^{N}{{\left( \mathrm{p}{{\mathrm{r}}_{i}}-\overline{\text{pr}} \right)}^{2}}}}$
$\text{MAE}=\frac{1}{N}\sum\nolimits_{i=1}^{N}{\left| \mathrm{r}{{\mathrm{r}}_{i}}-\mathrm{p}{{\mathrm{r}}_{i}} \right|}$
$\text{RMSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathop \sum }}\,{{\left( \mathrm{r}{{\mathrm{r}}_{i}}-\mathrm{p}{{\mathrm{r}}_{i}} \right)}^{2}}}$
式中: N为所选数据个数, $\mathrm{rr}$$\mathrm{pr}$分别表示二级产品降雨率(单位: mm·h-1)和反演降雨率(单位: mm·h-1), $\overline{\mathrm{rr}}$$\overline{\mathrm{pr}}$分别表示$\mathrm{rr}$$\mathrm{pr}$的平均值。

2.1 升轨洋面降雨反演模型

基于升轨洋面一级亮温数据和二级产品降雨率数据, 可得到大气散射指数和反演降雨率的计算式:
$\begin{align} & \text{S}{{\text{I}}_{\text{A}}}=244.154+0.1674\text{T}{{\text{b}}_{10\text{V}}}-1.2956\text{T}{{\text{b}}_{18\text{V}}}+ \\ & \text{ }1.0746\text{T}{{\text{b}}_{23\text{V}}}-\text{T}{{\text{b}}_{89\text{V}}} \\ \end{align}$
$\text{p}{{\text{r}}_{\mathrm{A}}}=76.2498-0.2809\mathrm{PC}{{\mathrm{T}}_{\mathrm{89}}}-0.2040\mathrm{S}{{\mathrm{I}}_{\mathrm{A}}}$
式中: $\text{S}{{\text{I}}_{\text{A}}}$表示升轨洋面大气散射指数(单位: K), $\text{p}{{\text{r}}_{\text{A}}}$表示升轨洋面反演降雨率(单位: mm·h-1)。
图1为2022年9月8日至9月16日台风“梅花”和2023年7月21日至7月29日台风“杜苏芮”持续期间, 升轨洋面二级降雨率产品分布图(图1a)、基于一级亮温数据(区域内二级产品中有降雨的像素)得到的反演降雨率分布图(图1b)、基于一级亮温数据(包含区域内所有像素)得到的反演降雨率分布图(图1c), 以及二级降雨率产品与反演降雨率的拟合直线与概率密度散点图(图1d)。
图 1 台风“梅花”和“杜苏芮”的升轨洋面

a. 二级产品降雨率分布图; b. 反演降雨率分布图; c. 反演降雨率分布区域图; d. 二级产品降雨率与反演降雨率概率密度散点图。图d中的红色实线表示二级产品降雨率与反演降雨率的拟合直线

Fig. 1 Ocean surface of ascending orbits (Typhoon Muifa and Doksuri).

(a) Distribution map of precipitation rate of L2 products; (b) inversion of precipitation rate distribution map; (c) inversion of regional map of precipitation rate distribution; (d) the probability density scatter-plot of the L2 product precipitation rate and the inversion precipitation rate

图1a可以发现登陆前台风结构紧密, 降雨主要分布在密蔽云区和外围螺旋雨带, 越靠近台风眼区降雨越强。其中, 密蔽云区降雨较强, 二级产品降雨率大于10mm·h-1甚至达到25mm·h-1, 而外围螺旋雨带降雨较弱, 均小于10mm·h-1。台风生成初期降雨区域较小且大体沿台风中心呈对称分布, 后期随着台风中心强度加强, 降雨范围不断扩大且逐渐沿台风中心呈不对称分布。图1b中, 反演的降雨区域与二级产品降雨区域基本一致, 但低估了强降雨、高估了弱降雨, 最大反演降雨率小于20mm·h-1图1c图1a相比, 反演降雨区域明显大于二级产品降雨区域, 由于在无降雨的区域也反演出了降雨, 特别是海陆分界线处, 更加突出了升轨洋面降雨模型高估弱降雨的问题, 但除分界线处外反演区域降雨分布的效果较好。图 1d中, 降雨率小的像素较为集中, 而降雨率大的则较为分散。由二级产品降雨率与反演降雨率的拟合直线y=0.52754x+2.3177可以发现, 该模型趋于高估降雨低值(降雨率<5mm·h-1)、低估降雨高值(降雨率>5mm·h-1)。二级产品降雨率与反演降雨率之间相关系数为0.72632, 说明两者紧密相关, 升轨洋面降雨反演模型的效果好。但平均绝对误差和均方根误差大, 分别为2.3055mm·h-1和2.7254mm·h-1, 说明不同区域的反演效果差异大。

2.2 降轨洋面降雨反演模型

用同样的方法, 基于降轨洋面一级亮温数据和二级产品降雨率数据, 可得到大气散射指数和反演降雨率的计算式:
$\begin{align} & \text{S}{{\text{I}}_{\text{D}}}=258.6989-0.0507\text{T}{{\text{b}}_{10\text{V}}}- \\ & \text{ }1.0842\text{T}{{\text{b}}_{18\text{V}}}+0.9876\text{T}{{\text{b}}_{23\text{V}}}-\text{T}{{\text{b}}_{89\text{V}}} \\ \end{align}$
$\text{p}{{\text{r}}_{\text{D}}}=67.6256-0.2488\text{PC}{{\text{T}}_{89}}-0.1592\text{S}{{\text{I}}_{\text{D}}}$
式中: $\text{S}{{\text{I}}_{\text{D}}}$表示降轨洋面大气散射指数(单位: K);$\text{p}{{\text{r}}_{\text{D}}}$表示降轨洋面大气散射指数(单位: K); $\text{p}{{\text{r}}_{\text{D}}}$表示降轨洋面反演降雨率(单位: mm·h-1)。
与升轨图像特征相类似, 降轨洋面降雨反演结果(图略)显示, 降雨主要沿台风中心对称分布在密蔽云区和外围螺旋雨带, 离台风眼区越近降雨率越大。其中, 密蔽云区降雨较强, 二级产品降雨率大于10mm·h-1, 甚至达到25mm·h-1, 而外围螺旋雨带降雨较弱, 均小于10mm·h-1。反演的降雨区域与二级产品降雨区域基本一致, 但低估了强降雨、高估了弱降雨, 最大反演降雨率小于20mm·h-1。反演降雨区域大于二级产品降雨区域, 由于在无降雨的区域也反演出了降雨, 特别是海陆分界线处, 更加突出了升轨洋面降雨模型高估弱降雨的问题, 但除分界线处外反演区域降雨分布的效果较好。降雨率小的像素较为集中, 降雨率大的较为分散。由二级产品降雨率与反演降雨率的拟合直线y=0.53821x+1.8304可以发现, 该模型趋于高估降雨低值(降雨率<4mm·h-1)、低估降雨高值(降雨率>4mm·h-1)。二级产品降雨率与反演降雨率之间相关系数为0.73363, 说明两者紧密相关, 降轨洋面降雨反演模型的效果好。但平均绝对误差和均方根误差较大, 分别为1.9079mm·h-1和2.3651mm·h-1, 说明不同区域的反演效果差异较大。

3 模型验证

为了验证本研究所建立模型的准确性, 使用2106号台风“烟花”和2211号台风“轩岚诺”洋面升/降轨的一级亮温数据, 分别根据公式(10)和(12)计算得到这两个个例升/降轨数据反演的降雨率, 用于验证基于2212号台风“ 梅花”和2305号台风“杜苏芮”建立的升轨洋面和降轨洋面两种降雨反演模型。并根据式(6)~(8), 分别计算这两个个例的二级产品降雨率和反演降雨率之间的相关系数、平均绝对误差、均方根误差, 表4为升轨, 表5为降轨。
表4 台风个例的二级产品降雨率与反演降雨率之间的R、MAE、RMSE (升轨)

Tab. 4 R, RMSE and MAE between L2 product precipitation rate and inverted precipitation rate of the typhoon cases (ascending orbits)

数据类型 台风个例 数据个数 R MAE/(mm·h-1) RMSE/(mm·h-1)
升轨洋面 梅花+杜苏芮 118038 0.72632 2.3055 2.7254
烟花 91829 0.69336 2.3048 2.7166
轩岚诺 37815 0.70121 2.2256 2.6404

注: R为相关系数, MAE为平均绝对误差, RMSE为均方根误差

表5 台风个例的二级产品降雨率与反演降雨率之间的R、RMSE、MAE (降轨)

Tab. 5 R, RMSE and MAE between L2 product precipitation rate and inverted precipitation rate of the typhoon cases (descending orbits)

数据类型 台风个例 数据个数 R MAE/(mm·h-1) RMSE/(mm·h-1)
降轨洋面 梅花+杜苏芮 117476 0.73363 1.9079 2.3651
烟花 52153 0.68845 1.9782 2.5495
轩岚诺 43314 0.70847 2.0549 2.6255

注: R为相关系数, MAE为平均绝对误差, RMSE为均方根误差

表4 (升轨)和表5 (降轨)可以发现, 基于不同台风个例升/降轨数据分别得到的相关系数大小在0.67~ 0.74之间, 说明反演模型得到的降雨率与二级产品降雨率紧密相关, 升轨数据与降轨数据反演降雨的效果差异不大。对于洋面降雨而言, 升轨数据的平均绝对误差和均方根误差都略高于降轨, 说明升轨模型反演降雨的精度略低于降轨模型。

3.1 升轨洋面降雨反演模型

图2a图3a可以看到, 台风登陆前降雨主要分布在密蔽云区和外围螺旋雨带, 二级产品最大降雨率大于25mm·h-1。台风“烟花”的降雨沿其中心呈不对称分布, 北侧降雨区域大于南侧; 台风“轩岚诺”前期降雨区域较小且大体沿其中心对称分布, 但后期降雨区域扩大, 逐渐呈不对称分布。图2b图3b中, 反演的降雨区域与二级产品降雨区域基本一致, 但低估了强降雨、高估了弱降雨, 台风“烟花”最大反演降雨率小于20mm·h-1, 而台风“轩岚诺”的最大反演降雨率超过20mm·h-1图2c图2a相比、图3c图3a相比, 反演降雨区域明显大于二级产品降雨区域, 由于在无降雨的区域也反演出了降雨, 特别是海陆分界线处, 更加突出了升轨洋面降雨模型高估弱降雨的问题, 但除分界线处外反演区域降雨分布的效果较好。图2d图3d中, 降雨率小于10mm·h-1的数据点分布较为集中。由这两个个例的二级产品降雨率与反演降雨率的拟合直线可以发现, 该模型趋于高估降雨低值(台风“烟花”< 5mm·h-1, 台风“轩岚诺”<4mm·h-1)、低估降雨高值(台风“烟花”>5mm·h-1, 台风“轩岚诺”>4mm·h-1)。两个个例二级产品降雨率与反演降雨率之间相关系数约为0.7, 说明对于这个两个个例升轨洋面降雨反演模型的效果好。但平均绝对误差和均方根误差均大于2mm·h-1, 说明这两个个例不同区域的反演效果差异大。
图2 升轨洋面(2021年7月17日—2021年7月31日, 台风“烟花”)

a. 二级产品降雨率分布图; b. 反演降雨率分布图; c. 反演降雨率分布区域图; d. 二级产品降雨率与反演降雨率概率密度散点图。图d中的红色实线表示二级产品降雨率与反演降雨率的拟合直线

Fig. 2 Ocean surface of ascending orbits (July 17, 2021 — July 31, 2021, Typhoon In-fa).

(a) Distribution map of precipitation rate of L2 products; (b) inversion of precipitation rate distribution map; (c) inversion of regional map of precipitation rate distribution; (d) the probability density scatter-plot of the L2 product precipitation rate and the inversion precipitation rate

图3 升轨洋面(2022年8月29日—2022年9月3日, 台风“轩岚诺”)

a. 二级产品降雨率分布图; b. 反演降雨率分布图; c. 反演降雨率分布区域图; d. 二级产品降雨率与反演降雨率概率密度散点图。图d中的红色实线表示二级产品降雨率与反演降雨率的拟合直线

Fig. 3 Ocean surface of ascending orbits (August 29, 2022 — September 3, 2022, Typhoon Hinnamnor).

(a) Distribution map of precipitation rate of L2 products; (b) inversion of precipitation rate distribution map; (c) inversion of regional map of precipitation rate distribution; (d) the probability density scatter-plot of the L2 product precipitation rate and the inversion precipitation rate

为了进一步验证本研究所建模型的反演效果, 用GPMI卫星的IMERG逐半小时全球多卫星降水量网格点数据来验证“烟花”和“轩岚诺”持续期间洋面上的降水。图4为IMERG产品降雨率与反演降雨率之间的关系图。比较图2d图4a图3d图4b, 可以看出, 各项精度指标均比较接近, 且反演结果和IMERG的一致性相较于FY3D/MWRI二级产品略高。
图4 IMERG产品降雨率与反演降雨率概率密度散点图(升轨)

a. 台风“烟花”; b. 台风“轩岚诺”。图中红色实线表示IMERG产品降雨率与反演降雨率的拟合直线

Fig. 4 The probability density scatter-plot of IMERG precipitation rate product and the inversion precipitation rate (ascending orbits).

(a) Typhoon In-fa; (b) Typhoon Hinnamnor

3.2 降轨洋面降雨反演模型

用“烟花”和“轩岚诺”来验证上述降轨反演模型(图略), 用IMERG逐半小时数据来验证也得到了和升轨模型类似的结果(图略)。可以发现, 二级产品最大降雨率超过25mm·h-1。台风“烟花”登陆前结构紧密, 降雨主要分布在密蔽云区和外围螺旋雨带, 沿台风中心呈不对称分布。台风“轩岚诺”前期结构紧密, 降雨区域小且大体沿台风中心对称分布在密蔽云区和外围螺旋雨带, 后期逐渐沿台风中心呈不对称分布, 擦过朝鲜半岛南侧时台风北侧降雨弱于南侧。反演的降雨区域与二级产品降雨区域基本一致, 但远远低估了强降雨、高估了弱降雨, 两个个例的最大反演降雨率均小于20mm·h-1。反演降雨区域大于二级产品降雨区域, 由于在无降雨的区域也反演出了降雨, 特别是海陆分界线处, 更加突出了升轨洋面降雨模型高估弱降雨的问题, 但除分界线处外反演区域降雨分布的效果较好。降雨率小于10mm·h-1的数据点分布较为集中。由这两个个例的二级产品降雨率与反演降雨率的拟合直线可以发现, 该模型趋于高估降雨低值(台风“烟花”<4mm·h-1,台风“轩岚诺”<5 mm·h-1)、低估降雨高值(台风“烟花”>4 mm·h-1,台风“轩岚诺”>5mm·h-1)。两个个例的二级产品降雨率与反演降雨率之间相关系数约为0.7, 说明对于这个两个个例降轨洋面降雨反演模型的效果好。但平均绝对误差均约等于2mm·h-1, 均方根误差均大于2.5mm·h-1, 说明这两个个例不同区域的反演效果差异较大。

4 结论和讨论

本研究利用FY-3D/MWRI一级亮温数据和二级降雨率产品, 基于PCT-SI综合指数法, 建立了洋面升轨和降轨两个台风降雨率反演模型, 并使用2106号“烟花”和2211号“轩岚诺”两个台风个例对这两个模型进行验证, 主要有以下结论:
1) 升轨数据与降轨数据反演降雨的效果差异不大。对于洋面降雨而言, 升轨数据反演降雨率的精度略低于降轨数据。
2) 升轨洋面和降轨洋面两个降雨率反演模型均倾向于高估降雨率低值、低估降雨率高值, 反演降雨分布区域比二级产品降雨区域大。在区域降雨分布方面, 除海陆分界线附近, 反演的洋面降雨分布区域与二级产品降雨分布区域一致性好。
总体而言, 本研究通过PCT-SI综合指数法建立了两种降雨率反演模型, 利用FY-3D/MWRI一级亮温沿轨数据, 比较成功地反演了洋面降雨分布区域, 可为估算台风洋面降雨率提供参考。但本研究仅选择台风个例在其生命期内的影响范围作为研究区域, 未区分台风降雨和非台风降雨, 在此基础上建立的降雨反演模型也受到非台风降雨的影响, 所以研究结果存在一定的误差。此外, 采用两个台风个例进行建模, 其模型的普适性仍需要进一步验证。在今后的研究中可以考虑在不同降雨强度情况下, 同时使用多个台风个例建立反演模型。而且, 本研究构建的降水率反演模型存在着低值高估和高值低估的问题, 后续会对当前模型进一步调试, 以期能提高降水率反演精度, 从而增强研究成果的实际应用价值。
[1]
邓欣柔, 吴莹, 2022. 基于GPM探测资料的台风降水水平结构分析[J]. 地球物理学进展, 37(5): 1799-1806.

DENG XINROU, WU YING, 2022. Analysis of horizontal precipitation structure of typhoon area based on GPM detection data[J]. Progress in Geophysics, 37(5): 1799-1806 (in Chinese with English abstract).

[2]
高娜, 赵明利, 马毅, 等, 2023. 台风对珠江口风暴增水的影响分析[J]. 热带海洋学报, 42(1): 32-42.

DOI

GAO NA, ZHAO MINGLI, MA YI, et al, 2023. Effect of typhoon on storm surge in the Pearl River Estuary[J]. Journal of Tropical Oceanography, 42(1): 32-42 (in Chinese with English abstract).

DOI

[3]
李娜, 张升伟, 何杰颖, 2019. 基于FY-3C MWHTS的台风降水反演算法研究[J]. 遥感技术与应用, 34(5): 1091-1100.

DOI

LI NA, ZHANG SHENGWEI, HE JIEYING, 2019. Research on typhoon precipitation retrieval algorithm based on FY-3C MWHTS[J]. Remote Sensing Technology and Application, 34(5): 1091-1100 (in Chinese with English abstract).

[4]
李世伟, 赖格英, 盛盈盈, 等, 2015. PCT-SI综合指数法反演陆面雨强[J]. 气象与环境科学, 38(2): 102-107.

LI SHIWEI, LAI GEYING, SHENG YINGYING, et al, 2015. Refutation of rainfall density over land by PCT-SI[J]. Meteorological and Environmental Sciences, 38(2): 102-107 (in Chinese with English abstract).

[5]
李万彪, 陈勇, 朱元竞, 等, 2001. 利用热带降雨测量卫星的微波成像仪观测资料反演陆地降水[J]. 气象学报, 59(5): 591-601.

LI WANBIAO, CHEN YONG, ZHU YUANJING, et al, 2001. Retrieval of rain over land by using TRMM/TMI measurements[J]. Acta Meteorologica Sinica, 59(5): 591-601 (in Chinese with English abstract).

[6]
李卓, 黎伟标, 张奡褀, 2022. 台风登陆前华南地区降水日变化特征分析[J]. 热带海洋学报, 41(2): 26-37.

DOI

LI ZHUO, LI WEIBIAO, ZHANG AOQI, 2022. Analysis of diurnal variation characteristics of precipitation over South China before typhoon landfall[J]. Journal of Tropical Oceanography, 41(2): 26-37 (in Chinese with English abstract).

DOI

[7]
刘瑜, 吴裕珍, 冯志州, 等, 2017. 多种卫星降水产品对中国极端降雨反演效果评估[J]. 热带地理, 37(3): 417-433.

DOI

LIU YU, WU YUZHEN, FENG ZHIZHOU, et al, 2017. Evaluation of a variety of satellite retrieved precipitation products based on extreme rainfall in China[J]. Tropical Geography, 37(3): 417-433 (in Chinese with English abstract).

DOI

[8]
沈菲菲, 闵锦忠, 李泓, 等, 2021. GPM微波成像仪资料同化对台风“麦德姆”路径预报的影响研究[J]. 海洋学报, 43(10): 124-136.

SHEN FEIFEI, MIN JINZHONG, LI HONG, et al, 2021. Effect of data assimilation of GPM microwave imager on the track forecast of Typhoon Matmo[J]. Haiyang Xuebao, 43(10): 124-136 (in Chinese with English abstract).

[9]
束艾青, 许冬梅, 李泓, 等, 2022. FY-3D卫星MWHS-2辐射率资料直接同化对台风“米娜”预报的影响[J]. 热带海洋学报, 41(5): 17-28.

DOI

SHU AIQING, XU DONGMEI, LI HONG, et al, 2022. Assimilating MWHS-2 radiance of FY-3D satellite and its influence on the forecast of Typhoon Mitag[J]. Journal of Tropical Oceanography, 41(5): 17-28 (in Chinese with English abstract).

[10]
唐飞, 陈凤娇, 诸葛小勇, 等, 2021. 利用卫星遥感资料分析台风“烟花”(202106)的影响过程[J]. 大气科学学报, 44(5): 703-716.

TANG FEI, CHEN FENGJIAO, ZHUGE XIAOYONG, et al, 2021. Analysis of influence process of Typhoon In-fa (202106) based on satellite remote sensing data[J]. Transactions of Atmospheric Sciences, 44(5): 703-716 (in Chinese with English abstract).

[11]
田城, 黎鑫, 杜洋, 等, 2023. 基于贝叶斯网络和GIS的热带气旋灾害风险评估[J]. 热带海洋学报, 42(5): 17-29.

TIAN CHENG, LI XIN, DU YANG, et al, 2023. Assessment of tropical cyclone disaster risk based on the Bayesian network and GIS[J]. Journal of Tropical Oceanography, 42(5): 17-29 (in Chinese with English abstract).

[12]
杨虎, 李小青, 游然, 等, 2013. 风云三号微波成像仪定标精度评价及业务产品介绍[J]. 气象科技进展, 3(4): 136-143.

YANG HU, LI XIAOQING, YOU RAN, et al, 2013. Environmental data records from FengYun-3B Microwave Radiation Imager[J]. Advances in Meteorological Science and Technology, 3(4): 136-143 (in Chinese with English abstract).

[13]
杨虎, 商建, 吕利清, 等, 2012. 星载微波辐射计通道分辨率匹配技术及其在FY-3卫星MWRI中的应用[J]. 上海航天, 29(1): 23-28, 51.

YANG HU, SHANG JIAN, LYU LIQING, et al, 2012. Study of channel resolution matching of spaceborne microwave radiometer and its application in MWRI of FY-3 satellite[J]. Aerospace Shanghai, 29(1): 23-28, 51 (in Chinese with English abstract).

[14]
张软玉, 2019. 基于FY-3B星微波成像仪MWRI观测亮温的热带气旋降水反演研究[D]. 北京: 中国科学院大学(中国科学院国家空间科学中心).

ZHANG RUANYU, 2019. Study on the tropical cyclone rain retrieval from FY-3B Microwave Imager (MWRI) Brightness Temperature[D]. Beijing: The University of Chinese Academy of Sciences (National Space Science Center, the Chinese Academy of Sciences) (in Chinese with English abstract).

[15]
张哲然, 胡俊洋, 周凯, 等, 2023. 不同类型台风气象场对深圳近海海域风暴潮模拟的比较研究——以台风“山竹”为例[J]. 热带海洋学报, 42(6): 1-14.

ZHANG ZHERAN, HU JUNYANG, ZHOU KAI, et al, 2023. Storm surge simulations of the coastal area of Shenzhen using different types of typhoon meteorological fields —— a case study of Typhoon Mangkhut[J]. Journal of Tropical Oceanography, 42(6): 1-14 (in Chinese with English abstract).

[16]
朱梅, 何君涛, 方勉, 等, 2018. GPM卫星资料在分析“杜苏芮”台风降水结构中的应用[J]. 干旱气象, 36(6): 997-1002.

ZHU MEI, HE JUNTAO, FANG MIAN, et al, 2018. Application of GPM data in analysis of precipitation structure of Typhoon Doksuri[J]. Journal of Arid Meteorology, 36(6): 997-1002 (in Chinese with English abstract).

[17]
FERRARO R R, GRODY N C, MARKS G F, 1994. Effects of surface conditions on rain identification using the DMSP‐SSM/I[J]. Remote Sensing Reviews, 11(1-4): 195-209.

[18]
FERRARO R R, SMITH E A, BERG W, et al, 1998. A screening methodology for passive microwave precipitation retrieval algorithms[J]. Journal of the Atmospheric Sciences, 55(9): 1583-1600.

[19]
GRODY N C, 1991. Classification of snow cover and precipitation using the special sensor microwave imager[J]. Journal of Geophysical Research: Atmospheres, 96(D4): 7423-7435.

[20]
ZHU YUANJING, ZHAO BOLIN, 1998. Rainfall retrieval over land from satellite remote sensing (SSM/I)[J]. Chinese Science Bulletin, 43(22): 1913-1917.

[21]
LI ZHI, WEN YIXIN, SCHREIER M, et al, 2021. Advancing satellite precipitation retrievals with data driven approaches: Is black box model explainable?[J]. Earth and Space Science, 8(2): e2020EA001423.

[22]
RINGERUD S, PETERS-LIDARD C, MUNCHAK J, et al, 2021. Applications of dynamic land surface information for passive microwave precipitation retrieval[J]. Journal of Atmospheric and Oceanic Technology, 38(2): 167-180.

DOI PMID

[23]
YOU YALEI, MENG HUAN, DONG JUN, et al, 2019. Time-lag correlation between passive microwave measurements and surface precipitation and its impact on precipitation retrieval evaluation[J]. Geophysical Research Letters, 46(14): 8415-8423.

[24]
ZHAO BOLIN, YAO ZHANYU, LI WANBIAO, et al, 2001. Rainfall retrieval and flooding monitoring in China using TRMM Microwave Imager (TMI)[J]. Journal of the Meteorological Society of Japan, 79(1B): 301-315.

Outlines

/