CC BY
66
L.N. Ermacova, N.I. Tolmacheva
Modeling of cloud field and precipitation by means of satellite and radar observation
For the first time the satellite data of clouds for the period of 20 years (1985-2004) were concluded and analyzed. For the first time the annual and day fluctuation, the time trends of cloud amount and relations of cloud field with other meteorological characteristics were investigated. To estimate the results and statistics, the analyses of meteostation and radar observation of clouds (MR-5 Perm; MR-5 Ekaterinburg) was done.
Ермакова Людмила Николаевна Толмачева Наталья Игоревна Пермский государственный университет,
614990, г. Пермь, ГСП, ул. Букирева, 15.
E-mail: [email protected], [email protected]
Для исследования временной изменчивости характеристик наблюдаемых объектов проводился корреляционый анализ совмещенных изображений, полученных в разное время. На рис. 3 приводятся характерные графики коэффициентов корреляции совмещенных данных за теплый и холодный периоды. Во всех случаях коэффициент корреляции падает с уменьшением балла облачности. Относительное изменение рассчитанной величины к в зависимости от примененных методов может быть довольно значительным. Этот факт показывает важность обоснованного метода совмещения при комплексном анализе данных.
Выводы
В работе исследованы некоторые аспекты пространственно-временного совмещения спутниковых и наземных данных. Полученные результаты свидетельствуют о значительных потенциальных возможностях использования спутниковых измерений для оценки количества облачности. Применение разработанной процедуры анализа снимков делает возможным определение количества облачности с погрешностями, не превышающими 2 балла в 80% всех случаев сопоставления спутниковых и наземных наблюдений. Эффективность разработанной процедуры оценки количества облачности позволяет предложить ее в дальнейшем в качестве инструмента для осуществления мониторинга облачного покрова и решения задач региональной климатологии.
В исследовании впервые обобщены и проанализированы спутниковые наблюдения за облаками по Уралу за 20-летний период (1985-2004). Эти наблюдения использованы для построения статистической модели поля облаков, включающей такие характеристики, как средние значения, стандартные отклонения, асимметрию и эксцесс, спектральную плотность и корреляционные функции количества облаков. Исследована зависимость повторяемости и функции распределения количества облаков от площади обзора. Выявлена различная корреляционная связь в широтном и меридиональном направлениях. Впервые на основе спутниковых наблюдений на Урале исследованы годовые и суточные колебания, оценены временные тренды количества облаков, а также связи полей облаков с полями других метеовеличин. В целях подтверждения результатов и получения статистических параметров выполнен анализ станционных и радиолокационных наблюдений за облаками (МРЛ-5 г. Пермь и г. Екатеринбург). В работе получены характеристики облаков в таком виде, чтобы их можно было использовать при моделировании общей циркуляции атмосферы и климата Земли.
Поступила в редакцию 17.05.05.
б
' I 1
П0,9
П0,8
10,7
Рис. 3. Характерные функции коэффициента корреляции совмещенных данных: а - за теплый период; б - за холодный период
Аномалии облачности проявляют тенденцию выстраиваться в меридиональном направлении, так что положительная аномалия облачности располагалась в зоне Северного Урала и в полосе региона Черного моря. При этом Центральная и Восточная часть России находилась в области отрицательной аномалии облачности. В летний период аномалии облачности над Европейской частью также выстраиваются в северо-западном направлении (рис. 2а). Положительная аномалия распространяется от Южной и Центральной части России на северо-восток. Отрицательная аномалия ориентирована над Сибирью также в северном направлении. Проявление особенностей циркуляции хорошо представлено в поле облачности в рассматриваемом секторе.
Совмещение и комплексный анализ спутниковых и наземных наблюдений. Проблемы, возникающие при совместном анализе данных, полученных различными приборами, можно разделить на два типа. К первому относятся проблемы пространственно-временного совмещения информации, второй связан с построением модели, описывающей взаимосвязь этих данных. Этапами построения этой модели может стать выделение информации о параметрах совмещенных данных, имеющих высокую пространственную корреляцию.
Качество применяемых методов совмещения данных различного пространственного разрешения, то есть характер и величина искажений, вносимых в исходные данные при совмещении, изучено недостаточно. В исследовании за критерий качества совмещения принята корреляция отдельно исходных и преобразованных данных. В первом случае это оправдано тождественностью исследуемых объектов, во втором — наличием известной (полученной эмпирически) аналитической связью между различными типами совмещаемых данных. В работе опробованы четыре метода пространственного совмещения данных с приведением их к единому пространственному разрешению. Реализован алгоритм интерполяции данных на географическую сетку. С использованием описанных выше методов выполнено совмещение данных МСЗ, метеостанций и радиолокаторов над различными районами Урала. Для проверки качества совмещения исходных данных проведен корреляционный анализ совмещенных данных.
Качество пространственного совмещения данных определялось по положению и величине максимума функции взаимной корреляции изображений. На рис. 3 а показан характерный вид функции взаимной корреляции по данным МСЗ и метеостанций, по горизонтальным осям показано взаимное совмещение в баллах облачности.
а)
&
I
S3
A
/ "0.2^^
0.2 С ) ) Л
V ( \ !fr
\ й
їж /
65
ВС
а
ар
ss
£
sc
4s
45 SO SS ВО 65 ТО
50 55 ^0 ' 65 70
Долгота, град.
Рис. 2. Аномалии облачности: а - в теплый период; б - в холодный период
ностью ± 2 балла — 15 %. Наибольшие ошибки (о > 2 баллов) возникают при облачности 0-5 баллов, при этом спутниковые оценки количества облачности оказываются в среднем несколько завышенными по сравнению с наземными.
Погрешности оценок облачности по спутниковым данным определяются главным образом особенностями детектирования облачности. Не всегда эффективно выявляются единичные облачные образования или разрывы в сплошном облачном покрове, площадь которых меньше размеров поля зрения спутникового прибора.
Погрешности определения облачности по данным наземных наблюдений обусловлены субъективностью оценок облачного покрова. На различие спутниковых и наземных оценок количества облачности могут оказывать влияние их пространственные масштабы. Масштаб осреднения спутниковых данных об облачности фиксирован и составляет около 10 км, в то время как область обзора небосвода наземным наблюдателем при определении количества облачности является переменной и зависит от типа облачности и высоты ее нижней границы. Следует учитывать и временной фактор, который вызывает дополнительные ошибки вследствие смещения облачного массива. Наличие погрешностей определения количества облачности по спутниковым и наземным наблюдениям делает невозможным достижение абсолютного совпадения оценок облачного покрова, полученных с их помощью. Если принять данные наземных наблюдений за истинные, то следует считать идеальным совпадение в пределах двух баллов, а оценки с погрешностями, составляющими 3 балла, - приемлемыми. Погрешности более трех баллов свидетельствуют о недостаточной эффективности используемой схемы определения облачности по спутниковым изображениям.
Структура и аномалии облачного поля. Исходные данные для построения карт облачности и ее аномалий подготовили по методике, изложенной выше. Для общего представления о поле облачности по территории 4070° с.ш., 40-70° в.д. на рис. 2 даны значения аномалий облачности за 19832002 гг. Заметим, что количество облачности по данным с МСЗ на 1-1,5 балла ниже, чем по наземным наблюдениям, но нам важно показать не абсолютную величину балльности облачности, а особенности ее пространственной структуры. Зимой Центральная и Северная часть России, включая регион Черного моря, находилась в области облачности, равной или превышающей 5 баллов, а регион Урала и Западной Сибири — преимущественно в области облачности ниже 5 баллов. Интересные результаты представлены на рис. 2.
Следует отметить, что первоначально поиск значений проводился для различных размеров пикселов (2x2, 3x3, 4x4 до 20x20). Однако последующие расчеты на выборках показали слабую зависимость значений исследуемых параметров от размера фрагмента. Вследствие этого зависимость N от размера пикселов не учитывалась.
В работе исследована также возможность определения количества облаков по спутниковым снимкам, состоящая в подсчете количества пикселов изображения, яркость которых выше определенного порога К. Для определения значения К производилась оценка соответствия яркости пикселов изображения и наличия облачности. Для апробации методики использовались фрагменты спутниковых снимков (3x3 пиксела).
Результаты и обсуждение
Для каждого заданного порогового значения К и фрагмента снимка производился подсчет числа облачных пикселов и степени покрытия небосвода облачностью (%). Далее, рассчитанные значения переводились в баллы и сравнивались с соответствующими результатами наземных наблюдений. Для контроля привлекались близкие по времени (15 мин) наблюдения метеорологических радиолокаторов МРЛ-5(г. Пермь, г. Екатеринбург). Оптимальным считалось пороговое значение, обеспечивающее точность классификации (число случаев, когда различия спутниковых и наземных оценок количества облачности не превышают трех баллов).
Поиск пороговых значений К показал, что практически все рассматриваемые значения попадают на некоторый интервал, то есть число случаев, когда различия между оценками количества облачности по спутниковым и наземным данным не превышают 3 баллов, практически одинаково. Для уточнения пороговых значений и оценок точности расчета количества облачности было проделано следующее. Для каждой из 11 или 9 цифр кода (0-10
баллов, 0-8 октантов) рассчитывалось среднее количество облачности N,
среднее отклонение dN =(£^мсз - NМС)/N и среднее квадратическое отклонение (о) спутниковых оценок количества облачности от наземных данных. Дополнительно рассчитывалось количество случаев S (в процентах общего числа рассматриваемых случаев), когда абсолютные ошибки d\N\ = (Х(^мсз -Nмс\)/N составляли более одного, двух, трех и четырех баллов. Оптимальными признавались те значения, для которых рассчитанные по данным МСЗ значения N для всех градаций количества облачности были достаточно близкими к наблюдаемым с поверхности земли, а значения dN и о — минимальными.
Отмечено некоторое увеличение ошибок определения количества облачности для выборки 1985-1997 гг. по сравнению с выборкой за 1998-2004 гг. Это связано с увеличением интервала времени между спутниковыми и наземными измерениями, так как увеличивается вероятность смещения облачных массивов в зоне видимости метеорологической станции. Средняя ошибка оценок количества облачности с точностью ± 1 балл составляет 30 %, с точ-
а
Рис. 1. Снимок облачного покрова 07.04.2000 г., 01ч. 33 мин.: а - МСВ; б - фрагменты (3x3 пиксела) для подсчета количества облачности и осадков
вания могут дать ценную информацию для эмпирической диагностики трендов климата.
Изображения облачности в видимом и инфракрасном диапазонах спектра регулярно поступают с метеорологических спутников. Одним из основных источников информации об облачном покрове регионального покрытия за последние 20 лет являются данные измерений МСЗ «КОЛА» (рис. 1а). Цель работы состояла в статистическом анализе и моделировании полей облачности по спутниковым и радиолокационным (МРЛ-5) наблюдениям на Урале. Материалы и методика исследований
Разработка и испытание метода оценки количества облачности по данным измерений МСЗ «КЮАА» проводились для фрагментов снимков с пространственным линейным размером около 10 км (сегменты 3x3 пиксела) с центром в точке, соответствующей положению синоптической станции и квадратам МРЛ. Таковы в среднем линейные размеры области на небосводе, для которой наземный наблюдатель определяет параметры облачного покрова.
Синхронный архив спутниковых, наземных и радиолокационных данных формировался для территории 45-65° с.ш., 45-65° в.д. и периода 19852004 гг. Разность во времени между спутниковыми и наземными измерениями не превышала 15 мин. Оценка классификации выполнялась путем сопоставления спутниковых данных с результатами синхронных наземных наблюдений за облачным покровом и осадками.
Снимки за 1985-1997 гг. представлены атласами фотомонтажей Уральского территориального управления по гидрометеорологии и контролю природной среды (спутники «Метеор» - 8, 10, 11, «КОЛА» - 6, 7, 11, 12, 14). Архив за 1999-2004 гг. создан на дисках. Снимки охватывают Европейскую территорию России, Урал и западную часть Сибири.
Данные радиолокатора представлены информацией, полученной с помощью автоматизированного метеорологического радиолокационного комплекса «Метеоячейка», действующего на базе МРЛ-5 (АМСГ Пермь, Екатеринбург), за 1998-2004 гг.
Для решения задачи определения количества облаков по спутниковым снимкам требуется детальная и достаточно точная методика их определения. Количество облаков N в большинстве методик находится как отношение площади, занятой облачностью, к площади всего выбранного условного участка. В работе количество облачности определялось подсчетом облачных пикселов. Такая процедура подсчета балла облачности является наиболее простой и быстрой, что важно при оперативной обработке больших объемов спутниковой информации. Для каждого фрагмента снимка размером 3x3 пиксела (рис.1б) производился подсчет числа облачных пикселов и определялась степень покрытия небосвода облачностью в процентах. Далее, рассчитанные в процентах значения N переводились в баллы и октанты и сравнивались с соответствующими результатами наземных наблюдений.
ИССЛЕДОВАНИЯ ФИЗИКО-ГЕОГРАФИЧЕСКИХ ОСОБЕННОСТЕЙ РЕГИОНА
УДК 551.5
Л.Н. Ермакова, Н.И. Толмачева
МОДЕЛИРОВАНИЕ ПОЛЕЙ ОБЛАЧНОСТИ И ОСАДКОВ ПО СПУТНИКОВЫМ И РАДИОЛОКАЦИОННЫМ НАБЛЮДЕНИЯМ
Впервые обобщены и проанализированы спутниковые наблюдения за облаками по Уралу за 20-летний период (1985-2004), исследованы годовые и суточные колебания, оценены временные тренды облаков и осадков, выполнен анализ станционных и радиолокационных наблюдений за облаками (МРЛ-5 г. Пермь и г. Екатеринбург).
Ключевые слова: космические снимки, пространственное распределение облачности и осадков, метеорологический радиолокатор, статистическое моделирование облачности.
Введение
Облачный покров как самый мощный и изменчивый регулятор радиационного режима атмосферы и подстилающей поверхности относится к числу ведущих факторов формирования климата. Исследование поля облаков и получение его климатических характеристик — важная составная часть Всемирной программы изучения климата, продолжающей и развивающей Программу исследования глобальных атмосферных процессов.
Наиболее полными рядами наблюдений оставались и остаются наблюдения за такими метеовеличинами, как температура, давление, скорость ветра. Возможность получения достаточно надежных характеристик таких метеовеличин, как облачность, влажность, радиация, была ограниченна. Обстановка изменилась в связи с широким использованием дистанционных средств зондирования атмосферы: метеорологических спутников Земли (МСЗ) и метеорологических радиолокаторов (МРЛ). Если по длительности спутниковые и радиолокационные измерения существенно уступают наземным, то по объему и пространственному охвату они многократно превосходят последние. Облака относятся к числу наиболее изменчивых во времени и пространстве метеоявлений, и практически невозможно сведения об облаках, полученные в одном районе, распространить и считать репрезентативными в других районах. Интерес представляет выявление информационного содержания спутниковых данных по облачности и исследование предсказуемости климата на основе статистического моделирования временной изменчивости облачных полей. При наличии длинных рядов спутниковых наблюдений такие исследо-
