基于新兴目标自动跟踪算法的长期热带中尺度对流系统数据集外文翻译资料

 2022-11-13 16:16:25

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

基于新兴目标自动跟踪算法的长期热带中尺度对流系统数据集

摘要

中尺度对流系统（MCSs）是热带天气系统和气候系统的重要组成部分。MCS的长期数据在天气和气候研究中有着非常重要的作用。本文使用长期（1985-2008）全球卫星红外数据，开发了全新的目标自动跟踪算法，该算法将卡尔曼滤波方法与传统的区域覆盖思想结合，生成了全面的MCS数据集。这种新算法可以有效地跟踪小而快速移动的MCS，相比传统方法，该算法可以获得更接近实际更完全的跟踪结果。提供了一些例子来说明数据集的潜在应用，重点是陆地和海洋区域MCS的日变化。发现在陆地上形成的MCS倾向于在下午以更大的强度生成，但是海洋MCS更可能在清晨以较弱的强度生成。西太平洋地区的最大空间覆盖率达到双峰，特别是在南半球夏季的太平洋西南部。海洋MCS也比大陆MCS持续时间长约1小时。

关键词：中尺度对流系统 目标跟踪 区域覆盖 卡尔曼滤波

1 介绍

热带对流是全球气候系统的关键组成部分，因为它可以在垂直方向上传输质量、动量和热量。对流有时组织成中尺度对流系统（MCS），这是世界范围内出现的突出特征。由于其广泛的影响，包括强风，降水，洪水，冰雹和闪电，它们引起了很多关注（Houze 2004）。在海洋区域发生的MCS可能是热带气旋的前兆(Bister 1996; Gray 1998; Teng et al. 2014)。此外，MCS在联系对流活动与大尺度大气环流型方面发挥着关键作用(Chen et al. 1996; Laing and Fritsch 2000; Moncrieff 2010)。MCS由对流核心和层状云砧组成，其垂直和水平结构在其生命周期的不同阶段有不同的发展(Houze 1982)。特别地，MCS嵌入在热带波(Jakob 2003)、天气尺度的超级云团和Madden-Julian振荡中(Nakazawa 1988)，在各种尺度上影响了大气层和大气—海洋耦合(Moncrieff 2013)。MCS的复杂结构及其与周围环境的相互作用阻碍了MCS的监测和预测。为了更好地了解MCS在气候系统中的作用，亟需在整个热带地区建立一个全面的MCS长期数据集。

地球轨道卫星的出现和地球静止观测使得在全球尺度上连续观测MCS成为可能。使用卫星数据检测MCS的历程很长。通常，MCS的监测涉及两个主要步骤：MCS的识别和跟踪MCS的发展。(e.g., Machado and Rossow 1993; Machado et al. 1998; Schrouml;der et al. 2009; Hennon et al. 2011; Fiolleau and Roca 2013a)。在识别步骤中，使用一组标准和约束条件将每个MCS定位在卫星观测中。跟踪步骤中通过在连续时间比较MCS的各种属性来确定每个MCS的轨迹。在识别阶段，捕获并标记每个卫星快照中的对流云团。Boer和Ramanathan（1997）提出了一种迭代的多阈值云识别方案以改进云边界的划定。该方案识别与MCS相关的对流核心和层状砧，从而划定其“真实”空间范围。(Zhang et al. 1999; Wilcox and Ramanathan 2001; Roca et al. 2002; Xu et al. 2005)。然而，多阈值识别方法倾向于产生比单阈值方法更小的云团。Williams和Houze（1987）使用指定的阈值来客观地识别云团。Mapes和Houze（1993）进一步讨论了阈值的选择，并开发了一种单阈值方法，该方法在MCS的气候学研究中普遍采用。(Pope et al. 2008; Goyens et al. 2012; Fiolleau and Roca 2013b)。

跟踪阶段代表了一类特殊类型的多目标跟踪问题，因为MCS在其生命周期中不断发展和变形。MCS在形态和强度方面彼此显着不同，并且在MCS的寿命期间性质变化很快。此外，单个MCS可以拆分为两个或更多MCS或与其他MCS合并。结果导致连续跟踪每个目标对流系统一直是一个挑战。在早期研究中应用了手动跟踪，但这个过程是费力且主观的，具有很大的不确定性。为了克服这些限制，在过去的几十年中已经提出了各种客观的自动方法，包括面积重叠法（Williams和Houze 1987），椭圆等价物的重叠（Boer和Ramanathan 1997），质心跟踪法（Johnson et al.1998）和最大空间相关方法（Carvalho and Jones 2001）。

最广泛使用的自动化方法是面积重叠方法（Williams和Houze 1987; Arnaud等1992; Mathon和Laurent 2001）。这种方法假定如果在前后图像中存在足够的共同重叠像素，则连续图像中的MCS表示相同的实体。一些方法使用搜索半径（Dixon和Wiener 1993; Johnson等人1998）在下一图像中找到MCS而不是搜索重叠像素。固定搜索半径方法的主要问题是MCS可以以不同的速度移动，因此固定半径对于所有MCS都不可靠。通过设置搜索半径，会使跟踪过程更加困难。面积重叠方法在概念上是直截了当的，并且对于跟踪大型和慢速移动的MCS而言跟踪得相当好。但是，它假定MCS的位置和面积不随时间显著变化。对于小而快速移动的MCS，该方法往往失败，特别是当可用卫星观测的时间分辨率较低时。此外，云跟踪算法（CTA）是另一种重叠方法，它使用椭圆等价物的重叠（Boer和Ramanathan 1997）。以前，云掩模需要被提取和存储以计算重叠区域。现在，CTA不再需要云掩模来降低其计算成本和内存负载。但是，CTA可能不适用于采样间隔较大的数据，因为MCS可能会在几个小时内走得太远以致无法确保准确关联。这个属性也解释了为什么用这些重叠方案无法跟踪小系统（Boer和Ramanathan 1997）。

为了弥补传统面积重叠方法的局限性，在本文中使用了基于卡尔曼滤波器（KF）的方法。KF是一种最佳估计器，可以预测过程的状态并使用测量值来纠正其预测值。（例如，Reid 1979; Xing et al.2009）。通过估计目标系统的速度和方向，KF方法可以稳健地跟踪小型和快速移动的系统，而在传统的面积重叠方法中，这些系统不能被很好地表示甚至遗漏。因此，卡尔曼滤波器可以更好地捕获MCS的完整生命周期。

先前在MCS识别和跟踪方面的努力通常在时间和空间分辨率方面受到限制。据我们所知，Hennon等人（2011年）提供了唯一可公开获得的长期热带云团（TCC）数据集。但是，在陆地区域发展或移动的MCS不包括在其TCC数据集中。在本研究中，我们将重叠方法与基于KF的方法相结合来跟踪MCS。此外，我们将这种方法应用于长期全球卫星红外亮温观测，生成涵盖陆地和海洋区域的长期热带MCS数据集。

该论文的结构如下。第2节介绍了卫星数据和我们新的跟踪算法的设计。MCS数据集和选定的应用程序在第3节中描述。第4节总结了结果，并讨论了该数据集的进一步潜在应用。

2 数据及方法

在这项工作中，我们使用了欧盟云图档案用户服务（CLAUS）项目数据集（Hodges等人，2000），这是一个基于经过校准的国际卫星云气候学项目（ISCCP）B3辐射数据（Rossow和Schiffer 1999）的全球数据集。CLAUS已被广泛用于监测对流活动（例如，Yang和Slingo 2001; Nguyen和Duvel，2008; Dias等，2012; Dong等，2016）。可用的CLAUS数据提供3小时间隔的全球亮度温度（BT），以30 km（或1/3°）的比例采样，这提供了对流的良好指示。

2.1 MCS识别

低BT值通常对应于对流系统的冷云盖。通常将BT阈值和最小区域覆盖阈值作为识别MCS的标准。MCS的识别在图1中示出。利用3小时卫星数据，将满足预定标准（下面定义）的像素与周围的连续亮温场隔离。图1的给出了如何检测潜在MCS的示例。在第一步中提取BT值小于阈值的所有像素。然后，相邻像素被认为是相关感兴趣区域（ROI）的一部分。大于区域覆盖阈值的ROI被认为是潜在的MCS。在步骤2中，发现区域B是潜在的MCS，而区域A被丢弃，因为它太小而不能满足区域覆盖阈值（图1）。

图1注释：MCS识别方法的示意图

顶部：从每个卫星快照（左图）获取连续亮度温度（BT）分布， 并从背景区域（右侧面板）中提取像素。底部图：说明我们如何在一个时间步骤内识别样本域中的潜在MCS。a识别满足BT阈值的所有像素并以浅蓝色标记。b如果相邻像素的大小大于规定的区域覆盖阈值，则相邻像素链接为相干区域（区域A显示为绿色，区域B显示为深蓝色）

识别MCS的一个难点是对MCS的定义缺乏共识。已提出的BT阈值范围从255到208K不等（Mapes和Houze 1993; Chen等人1996; Machado等人1998）。对于最小面积覆盖阈值，100至100,000 km2不等的值（Maddox 1980; Morel和Senesi 2002a; Kolios和Feidas 2010）已应用于具有不同分辨率和通道的卫星数据。Goyens等人提出的表1中提供了用于鉴定MCS的阈值的概述（2012年）。尽管这一概述并非详尽无遗，但它表明在以前的研究中已经使用了各种各样的阈值。一些研究在不同的海洋盆地中使用了可变的BT阈值来解释气候背景对流温度的差异（Hennon等，2011,2013）。使用更严格的标准肯定会剔除一些潜在的MCS，而使用不太严格的阈值可能会导致包含一些虚假的MCS。

后三个变量表示每个MCS的平均寿命，大小和移动速度。通过对每个MCS在其寿命期间对时间的平均来计算尺寸和移动速度。AOL和KF方法对MCS识别比较是基于BT阈值233 K，区域覆盖阈值5000 km2和重叠阈值15％。灵敏度实验改变的标准是KF_T228，KF_A10000和KF_25％，BT阈值较低，为228 K，较大的区域覆盖阈值为10,000 km2，重叠阈值较高，分别为25％。

Goyens等（2012）研究了用于识别MCS的标准，并建议广泛采用BT阈值233 K来表示热带大气对流。Fiolleau和Roca（2013b）也得出结论，233 K的阈值是合理的，并且该值已在许多先前的调查中被广泛使用。因此，在这项工作中，BT阈值设置为233 K，最小区域覆盖率设置为5000 km2，以生成原型数据集而不失一般性。考虑到广泛使用的BT和区域覆盖阈值，我们提供了一个灵活的界面，使用户能够提供自己的MCS识别标准，以生成感兴趣的数据集。因此，我们关注的是算法的适用性而不是所使用的特定标准。

2.2 MCS的跟踪

一旦所有潜在的MCS在连续时间被识别出来，我们就需要确定它们的轨迹。MCS的演变是一个连续的过程，但卫星观测是离散的，并受其时间分辨率的限制。对于在当前时间t识别的每个潜在MCS，搜索下一时间步骤t 1的潜在MCS以识别匹配。跟踪策略中的关键技术挑战是如何匹配潜在的MCS，即如何在连续时间图像中识别相同的潜在MCS。

物理上，单个MCS在两个连续图像中的位置受到MCS可以移动的理论最大距离的约束。因此，传统的面积重叠跟踪方法假设如果在其图像中存在足够的共同重叠像素，则连续图像中的MCS属于同一实体。首先预定义重叠率阈值，对于时间处的每个潜在MCS，如果在时间有多于一个潜在MCS满足要求，则算法选择具有最大重叠程度的潜在MCS。但是，如果连续图像之间没有重叠像素，则该方法失效; 例如，当使用3小时间隔时，小而快速移动的MCS可能不会重叠。另一方面，KF方法假设在时间的潜在MCS的移动状态从其在时间的先前状态演变。移动状态St的概率可以表示为

根据以下等式，潜在的MCS在时间从先前状态演变而来

其中移动状态向量包含MCS在时间的坐标和速度。状态转移矩阵描述了从时刻到的动力状态。过程中的噪声项假定为由标准正态分布导出。

初始化后，在每个跟踪时间步，KF方法首先预测潜在MCS的移动状态，然后通过最大化目标MCS的观察位置的后验概率来更新其估计（更多细节见附录A）。然后计算潜在MCS的位置与时间处的预测潜在MCS的位置之间的距离，以确定用于延续的最合适的潜在MCS（图2中的右图）。KF算法的一个不确定性源于潜在MCS的测量位置。我们通过平均冷云盖内最冷的10个像素的坐标来确定潜在MCS的位置。如果潜在的MCS包含少于10个像素，则对所有像素的地理信息进行平均以建立位置。由于云盖的不规则形状和不均匀的空间分布，这两种方法都会在位置确定中引入不确定性。潜在的MCS越大，准确确定其准确位置就越困难。注意，较大的MCS在连续图像中更可能与其自身重叠。

图2注释：面积重叠法（左）和KF法（右）跟踪之间差异的示意图。步骤1确定来自识别阶段的所有潜在MCS。步骤2将后续时间步中的每个潜在MCS与当前时间步中的所有潜在MCS相关联。步骤3将相同的潜在MCS列入到同一轨迹中 面积重叠方法基于较大的重叠率将C2与B1匹配。KF方法选择B1，因为B1的预测位置（pB2）更接近C2的位置（pC2）

在图2中示意性地比较了面积重叠方法和KF方法的跟踪过程。每列中的每个面板代表跟踪算法的三个不同步骤之一。在第一步中连续两次识别所有潜在的MCS。两种跟踪方法之间的主要区别在图2的中间面板中突出显示。面积重叠方法通过评估重叠百分比（左侧面板）将时间t处的潜在MCS与时间 (t 1) 处的每个潜在MCS进行比较。在这种情况下，来自

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18304]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章