Advanced Search
Article Contents

A Step Forward toward Effectively Using Hyperspectral IR Sounding Information in NWP


doi: 10.1007/s00376-017-7167-2

  • 摘要: 搭载在气象卫星上的作为全球观测资料重要来源之一的高光谱分辨率红外(IR)探测仪器, 例如搭载于Aqua卫星上的AIRS, Metop-A/B卫星上的IASI以及SNPP卫星上的CrIS, 其观测数据通过同化应用到业务数值天气预报(NWP)模式, 能够改进数值天气预报. 在全部的卫星观测中, 红外和微波探测器的观测对数值天气预报技术具有最重要的影响(Joo等, 2013; Cucurull和Anthes, 2014). 虽然先进的红外探测器在数值天气预报系统中占有重要地位, 但由于其观测数据量巨大, 在全部可用的通道中也只有数百个通道的观测可被同化利用. 例如, AIRS, IASI和CrIS分别拥有2372, 8461和1305个观测通道, 也只有部分观测通道被主要的业务中心同化应用到了数值天气预报模式中. 为了有效地将高光谱红外遥感信息同化到数值天气预报模式中, 提出了多种筛选通道的方法. 例如, Li和Huang(1994)提出一种基于逐步回归的方法, 用于AIRS的通道筛选; Collard(2007)提出了基于信息内容分析以及相关限制条件的筛选方案; Rabier等(2002)研究了基于雅可比矩阵及迭代方法的筛选方案, 用于顺序筛选通道以获得最大信息量; 在标准方法的基础上, Ventress和Dudhia(2014)发展的改进方案在通道筛选过程中可以更好的模拟和量化光谱相关误差; Migliorini(ECMWF技术备忘录, 编号727, 2014)研究了基于最优流依赖在有云情况下的通道筛选方案. 这些方法都可以有效地筛选一套通道, 为同化辐射量提供最优化信息, 尤其是地球同步卫星上的先进的高光谱探测器; 例如, 搭载在风云四号卫星上的地球同步干涉红外探测器(Yang等, 2017). 综上所述, 通道筛选方案都是基于信息内容分析, 同时考虑非线性及其他因素(例如, 相关误差)的影响. 信息内容分析方法的一大局限在于采用线性方法筛选具有高度非线性的吸收通道(例如, 与温度相比, 水汽吸收通道的辐射量与大气中水汽的含量之间具有较大的非线性关系). 这类通道筛选方法的另一个局限在于不同吸收区间的通道被独立筛选, 由于不同通道的权重不同, 将导致主观的通道筛选结果. 最近, 一个新的通道筛选方法被提出(Noh等, 2017). 采用这种方法, 通过计算每个独立添加的通道对一维变分分析结果的改进来筛选通道. 在通道筛选过程中, 定义通道评分指数(CSI)作为成功筛选的标准. 在314个EUMETSAT的IASI通道中, 通过计算每个独立通道的CSI 贡献, 200个通道被系统自动成功筛选. 在UKMO的统一模式中, 与目前业务使用的183个通道相比, 采用重新筛选的通道对上层大气中的水汽及总降水量的预报都具有改进作用(水汽预报误差减小). 与其他方法相比, 该方法有效地考量了非线性的作用, 尤其在水汽通道的筛选中, 使得更多的水汽通道最终被成功筛选. 该工作对于将高光谱红外探测器的遥感信息, 尤其是水汽遥感信息有效地应用到数值天气预报模式中, 具有至关重要的发展作用.
  • Cardinali C., 2009: Monitoring the observation impact on the short-range forecast.Quart. J. Roy. Meteor. Soc.,135,239-250,doi: 10.1002/qj.366.http://doi.wiley.com/10.1002/qj.v135%3A638
    Chahine, M. T., Coauthors, 2006: AIRS: Improving weather forecasting and providing new data on greenhouse gases.Bull. Amer. Meteor. Soc.,87,911-926,doi: 10.1175/BAMS-87-7-911.http://journals.ametsoc.org/doi/abs/10.1175/BAMS-87-7-911
    Collard A. D., 2007: Selection of IASI channels for use in numerical weather prediction.Quart. J. Roy. Meteor. Soc.,133,1977-1991,doi: 10.1002/qj.178.http://doi.wiley.com/10.1002/qj.v133%3A629
    Cucurull L., R. A. Anthes, 2014: Impact of infrared,microwave, and radio occultation satellite observations on operational numerical weather prediction. Mon. Wea. Rev., 142, 4164-4186, doi: 10.1175/MWR-D-14-00101.1.http://www.researchgate.net/publication/273607309_impact_of_infrared_microwave_and_radio_occultation_satellite_observations_on_operational_numerical_weather_prediction
    Gambacorta, A., Coauthors, 2014: An Experiment Using high spectral resolution CrIS measurements for atmospheric trace gases: Carbon monoxide retrieval impact study.IEEE Geoscience and Remote Sensing Letters,11,1639-1643,doi: 10.1109/LGRS.2014.2303641.http://ieeexplore.ieee.org/document/6740068/
    Hilton, F., Coauthors, 2012: Hyperspectral Earth observation from IASI: Five years of accomplishments.Bull. Amer. Meteor. Soc.,93,347-370,doi: 10.1175/BAMS-D-11-00027.1.http://journals.ametsoc.org/doi/abs/10.1175/BAMS-D-11-00027.1
    Joo S., J. Eyre, and R. Marriott, 2013: The impact of Metop and other satellite data within the Met Office global NWP system using an adjoint-based sensitivity method.Mon. Wea. Rev.,141,3331-3342,doi: 10.1175/MWR-D-12-00232.1.http://journals.ametsoc.org/doi/abs/10.1175/MWR-D-12-00232.1
    Le Marshall, J., Coauthors, 2005: Impact of atmospheric infrared sounder observations on weather forecasts.Eos,86(11),109-116,doi: 10.1029/2005EO110002.http://onlinelibrary.wiley.com/doi/10.1029/2005EO110002/abstract
    Le Marshall, Coauthors, 2006a: Improving global analysis and forecasting with AIRS.Bull. Amer. Meteor. Soc.,87,891-894,doi: 10.1175/BAMS-87-7-891.http://journals.ametsoc.org/doi/abs/10.1175/BAMS-87-7-891
    Le Marshall, J., J. Jung, T. Zapotocny, J. Derber, R. Treadon, S. Lord, M. Goldberg, W. Wolf, 2006b: The application of AIRS radiances in numerical weather prediction. Aust. Meteor. Mag., 55, 213- 217.http://www.researchgate.net/publication/242748964_The_application_ofAIRS_radiances_in_numerical_weather_prediction
    Li. J., H.-L. Huang, 1994: Optimal use of high resolution infrared sounder channels in atmospheric profile retrieval.Adv. Atmos. Sci.,11,271-276,doi: 10.1007/BF02658145.http://link.springer.com/10.1007/BF02658145
    Noh Y.-C., B.-J. Sohn, Y. Kim, S. Joo, W. Bell, and R. Saunders, 2017: A new infrared atmospheric sounding interferometer channel selection and assessment of its impact on Met Office NWP forecasts. Adv. Atmos. Sci.,34(11), doi: 10.1007/ s00376-017-6299-8.http://159.226.119.58/aas/EN/10.1007/s00376-017-6299-8
    Rabier F., N. Fourriè D. Chafäi, and P. Prunet, 2002: Channel selection methods for infrared atmospheric sounding interferometer radiances.Quart. J. Roy. Meteor. Soc.,128,1011-1027,doi: 10.1256/0035900021643638.http://doi.wiley.com/10.1256/0035900021643638
    Ventress L., A. Dudhia, 2014: Improving the selection of IASI channels for use in numerical weather prediction.Quart. J. Roy. Meteor. Soc.,140,2111-2118,doi: 10.1002/qj.2280.http://doi.wiley.com/10.1002/qj.2280
    Yang J., Z. Q. Zhang, C. Y. Wei, F. Lu, and Q. Guo, 2017: Introducing the new generation of Chinese geostationary weather satellites-FengYun 4 (FY-4). Bull. Amer. Meteor. Soc., doi: 10.1175/BAMS-D-16-0065.1 (in press).http://www.researchgate.net/publication/312311863_Introducing_the_new_generation_of_Chinese_geostationary_weather_satellites_-_FengYun_4_FY-4
  • [1] Young-Chan NOH, Byung-Ju SOHN, Yoonjae KIM, Sangwon JOO, William BELL, Roger SAUNDERS, 2017: A New Infrared Atmospheric Sounding Interferometer Channel Selection and Assessment of Its Impact on Met Office NWP Forecasts, ADVANCES IN ATMOSPHERIC SCIENCES, 34, 1265-1281.  doi: 10.1007/s00376-017-6299-8
    [2] Tido SEMMLER, Thomas JUNG, Marta A. KASPER, Soumia SERRAR, 2018: Using NWP to Assess the Influence of the Arctic Atmosphere on Midlatitude Weather and Climate, ADVANCES IN ATMOSPHERIC SCIENCES, 35, 5-13.  doi: 10.1007/s00376-017-6290-4
    [3] XIE Jiping, ZHU Jiang, XU Li, GUO Pinwen, 2005: Evaluation of Mid-Depth Currents of NCEP Reanalysis Data in the Tropical Pacific Using ARGO Float Position Information, ADVANCES IN ATMOSPHERIC SCIENCES, 22, 677-684.  doi: 10.1007/BF02918711
    [4] Myoung-Hwan AHN, Eun-Ha SOHN, Byong-Jun HWANG, 2003: A New Algorithm for Sea Fog/Stratus Detection Using GMS-5 IR Data, ADVANCES IN ATMOSPHERIC SCIENCES, 20, 899-913.  doi: 10.1007/BF02915513
    [5] Li Jun, Zhou Fengxian, 1992: On Accurate Detection of Oceanic Features from Satellite IR Data Using ICSED Method, ADVANCES IN ATMOSPHERIC SCIENCES, 9, 373-382.  doi: 10.1007/BF02656948
    [6] Pei WANG, Zhenglong LI, Jun LI, Timothy J. SCHMIT, 2021: Added-value of GEO-hyperspectral Infrared Radiances for Local Severe Storm Forecasts Using the Hybrid OSSE Method, ADVANCES IN ATMOSPHERIC SCIENCES, 38, 1315-1333.  doi: 10.1007/s00376-021-0443-1
    [7] Marcus JOHNSON, Youngsun JUNG, Daniel DAWSON, Timothy SUPINIE, Ming XUE, Jongsook PARK, Yong-Hee LEE, 2018: Evaluation of Unified Model Microphysics in High-resolution NWP Simulations Using Polarimetric Radar Observations, ADVANCES IN ATMOSPHERIC SCIENCES, 35, 771-784.  doi: 10.1007/s00376-017-7177-0
    [8] Yanni Qu, Mitchell D. Goldberg, Murty Divakarla, 2001: Ozone Profile Retrieval from Satellite Observation Using High Spectral Resolution Infrared Sounding Instrument, ADVANCES IN ATMOSPHERIC SCIENCES, 18, 959-971.
    [9] Kanghui ZHOU, Jisong SUN, Yongguang ZHENG, Yutao ZHANG, 2022: Quantitative Precipitation Forecast Experiment Based on Basic NWP Variables Using Deep Learning, ADVANCES IN ATMOSPHERIC SCIENCES, 39, 1472-1486.  doi: 10.1007/s00376-021-1207-7
    [10] Li Jun, Zhou Fengxian, Gao Qinghuai, 1990: Delineation of Mesoscale Features of Ocean on Satellite IR Image, ADVANCES IN ATMOSPHERIC SCIENCES, 7, 423-432.  doi: 10.1007/BF03008872
    [11] Xuan LI, Ruiqiang DING, Jianping LI, 2019: Determination of the Backward Predictability Limit and Its Relationship with the Forward Predictability Limit, ADVANCES IN ATMOSPHERIC SCIENCES, 36, 669-677.  doi: 10.1007/s00376-019-8205-z
    [12] MA Shuqing, CHEN Hongbin, WANG Gai, PAN Yi, LI Qiang, 2004: A Miniature Robotic Plane Meteorological Sounding System, ADVANCES IN ATMOSPHERIC SCIENCES, 21, 890-896.  doi: 10.1007/BF02915591
    [13] Federico OTERO, Diego C. ARANEO, 2022: Forecasting Zonda Wind Occurrence with Vertical Sounding Data, ADVANCES IN ATMOSPHERIC SCIENCES, 39, 161-177.  doi: 10.1007/s00376-021-1007-0
    [14] YAO Zhigang, Jun LI, Jinlong LI, 2012: Sunglint Impact on Atmospheric Soundings from Hyperspectral Resolution Infrared Radiances, ADVANCES IN ATMOSPHERIC SCIENCES, 29, 455-463.  doi: 10.1007/s00376-011-1013-8
    [15] Chao MIN, Xiangying ZHOU, Hao LUO, Yijun YANG, Yiguo WANG, Jinlun ZHANG, Qinghua YANG, 2022: Toward Quantifying the Increasing Accessibility of the Arctic Northeast Passage in the Past Four Decades, ADVANCES IN ATMOSPHERIC SCIENCES.  doi: 10.1007/s00376-022-2040-3
    [16] Wang Yunfeng, Wu Rongsheng, Wang Yuan, Pan Yinong, 2000: A Simple Method of Calculating the Optimal Step Size in 4DVAR Technique, ADVANCES IN ATMOSPHERIC SCIENCES, 17, 433-444.  doi: 10.1007/s00376-000-0034-5
    [17] Da-Lin ZHANG, Xiaoxue WANG, 2003: Dependence of Hurricane Intensity and Structures on Vertical Resolution and Time-Step Size, ADVANCES IN ATMOSPHERIC SCIENCES, 20, 711-725.  doi: 10.1007/BF02915397
    [18] Yu Rucong, 1994: A Two-Step Shape-Preserving Advection Scheme, ADVANCES IN ATMOSPHERIC SCIENCES, 11, 479-490.  doi: 10.1007/BF02658169
    [19] Yang Hui, Zhang Daomin, Ji Liren, 2001: An Approach to Extract Effective Information of Monthly Dynamical Prediction-The Use of Ensemble Method, ADVANCES IN ATMOSPHERIC SCIENCES, 18, 283-293.  doi: 10.1007/s00376-001-0020-6
    [20] Xiao Jingwei, Lu Naiping, Zhou Mingyu, 1985: APPLICATION OF SODAR SOUNDING TO ATMOSPHERIC DISPERSION-MIXING DEPTH AND CONCENTRATION AT THE GROUND, ADVANCES IN ATMOSPHERIC SCIENCES, 2, 63-71.  doi: 10.1007/BF03179738

Get Citation+

Export:  

Share Article

Manuscript History

Manuscript received: 05 July 2017
Manuscript accepted: 21 June 2017
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

A Step Forward toward Effectively Using Hyperspectral IR Sounding Information in NWP

  • 1. Cooperative Institute for Meteorological Satellite Studies, University of Wisconsin-Madison, 1225 West Dayton Street, Madison, WI 53706, USA
  • 2. Numerical Weather Prediction Center, China Meteorological Administration, Beijing 100081, China

Abstract: 

摘要: 搭载在气象卫星上的作为全球观测资料重要来源之一的高光谱分辨率红外(IR)探测仪器, 例如搭载于Aqua卫星上的AIRS, Metop-A/B卫星上的IASI以及SNPP卫星上的CrIS, 其观测数据通过同化应用到业务数值天气预报(NWP)模式, 能够改进数值天气预报. 在全部的卫星观测中, 红外和微波探测器的观测对数值天气预报技术具有最重要的影响(Joo等, 2013; Cucurull和Anthes, 2014). 虽然先进的红外探测器在数值天气预报系统中占有重要地位, 但由于其观测数据量巨大, 在全部可用的通道中也只有数百个通道的观测可被同化利用. 例如, AIRS, IASI和CrIS分别拥有2372, 8461和1305个观测通道, 也只有部分观测通道被主要的业务中心同化应用到了数值天气预报模式中. 为了有效地将高光谱红外遥感信息同化到数值天气预报模式中, 提出了多种筛选通道的方法. 例如, Li和Huang(1994)提出一种基于逐步回归的方法, 用于AIRS的通道筛选; Collard(2007)提出了基于信息内容分析以及相关限制条件的筛选方案; Rabier等(2002)研究了基于雅可比矩阵及迭代方法的筛选方案, 用于顺序筛选通道以获得最大信息量; 在标准方法的基础上, Ventress和Dudhia(2014)发展的改进方案在通道筛选过程中可以更好的模拟和量化光谱相关误差; Migliorini(ECMWF技术备忘录, 编号727, 2014)研究了基于最优流依赖在有云情况下的通道筛选方案. 这些方法都可以有效地筛选一套通道, 为同化辐射量提供最优化信息, 尤其是地球同步卫星上的先进的高光谱探测器; 例如, 搭载在风云四号卫星上的地球同步干涉红外探测器(Yang等, 2017). 综上所述, 通道筛选方案都是基于信息内容分析, 同时考虑非线性及其他因素(例如, 相关误差)的影响. 信息内容分析方法的一大局限在于采用线性方法筛选具有高度非线性的吸收通道(例如, 与温度相比, 水汽吸收通道的辐射量与大气中水汽的含量之间具有较大的非线性关系). 这类通道筛选方法的另一个局限在于不同吸收区间的通道被独立筛选, 由于不同通道的权重不同, 将导致主观的通道筛选结果. 最近, 一个新的通道筛选方法被提出(Noh等, 2017). 采用这种方法, 通过计算每个独立添加的通道对一维变分分析结果的改进来筛选通道. 在通道筛选过程中, 定义通道评分指数(CSI)作为成功筛选的标准. 在314个EUMETSAT的IASI通道中, 通过计算每个独立通道的CSI 贡献, 200个通道被系统自动成功筛选. 在UKMO的统一模式中, 与目前业务使用的183个通道相比, 采用重新筛选的通道对上层大气中的水汽及总降水量的预报都具有改进作用(水汽预报误差减小). 与其他方法相比, 该方法有效地考量了非线性的作用, 尤其在水汽通道的筛选中, 使得更多的水汽通道最终被成功筛选. 该工作对于将高光谱红外探测器的遥感信息, 尤其是水汽遥感信息有效地应用到数值天气预报模式中, 具有至关重要的发展作用.

Reference

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return