基于卫星遥感的热带气旋定强技术综述

胡天慧，余晖，鲁小琴

(1.中国气象局上海台风研究所，上海 200030；2.华东师范大学地理科学学院，上海 200041；3.中国气象局台风数值预报重点实验室，上海 200030)

1 引 言

热带气旋是影响全球范围许多国家并且每年引起巨大生命财产损失的自然灾害之一[1]，及时把握热带气旋位置、强度、结构等信息对灾害防御及其管理工作具有重要意义。在热带气旋的整个生命周期中，绝大部分时间都位于热带或者副热带海洋上，自动气象站和气象雷达等常规地面站网往往无法覆盖。卫星遥感观测因其探测范围广、采集数据快的特点，已逐渐成为获取热带气旋生成、发展以及运动状态等信息的最主要工具。

迄今为止，国内外已有许多采用卫星遥感观测资料对热带气旋强度进行估算的方法研究，通常称之为基于卫星遥感的热带气旋定强技术。静止卫星因覆盖范围广、成像面积大、时间分辨率高，应用最为广泛。其中，发展历史最悠久并在全球得到广泛应用的方法是Dvorak技术[2-3]。Dvorak技术[2]由美国国家海洋和大气管理局的气象工作者Dvorak于1970年代初提出，其主要缺陷在于主观性太强，业务应用中常由于分析员的经验差异导致对同一热带气旋同一时次的强度估计出现明显分歧。四十多年来，该方法在不断向自动化和客观化方向发展[3-9]。随着微波成像仪和微波垂直探测仪的发展，人们越来越重视微波资料在热带气旋定强中的应用，其主要原因是微波能穿透热带气旋中高层的非强降水云，可更好地识别出气旋低层环流中心及螺旋雨带强度和范围[10-11]。随着互联网、大数据的快速发展，人们开始把人工智能方法应用于多卫星、多通道资料相结合的热带气旋强度估算研究，从卫星图像中自动提取热带气旋云系特征从而进行客观定强，也是热带气旋定强技术的一个主要发展方向。

2 基于可见光和红外资料的热带气旋定强技术

2.1 Dvorak技术

自1960年第一颗气象卫星“TIROS”成功发射开始，就有气象工作者开始利用卫星云图对热带气旋进行研究分析，并尝试将热带气旋强度同云的组织程度及其大小等特征相联系[12-13]。直到1970年代初，Dvorak发展了分析预报热带气旋强度的系统性流程，这是卫星遥感监测热带气旋发展的重大突破。最初的Dvorak技术是将可见光云图识别和实际预报经验相结合，建立热带气旋强度同其云系特征变化之间的关系。这一方法主要关注气旋中心(包括眼区和眼壁)的云系特征和外围弯曲云带的特征，由这两部分云系特征得到一个强度指数(T指数)[2,11]。随着卫星技术的不断发展，Dvorak在1984年引入了红外云图分析，使该技术能应用于夜间观测[3]。Velden等[5]基于前人的经验[4]，利用静止红外卫星通道数据实现了Dvorak技术的客观化(Objective Dvorak Technique，ODT)。ODT利用计算机算法，通过计算眼区和对流云区的温度识别云型，然后根据选定规则得出强度。但是，ODT在其约束条件中规定热带气旋云系的T指数必须不小于3.5，因此该算法仅适用于热带风暴级别以上的热带气旋。在这之后，又有许多学者[6-8]对这项技术进行了改进，目前已发展为ADT[9](Advanced Dvorak Technique，ADT)。ADT能够应用于热带气旋的整个生命周期，其改进之处包括：增加了新的云场景类型、更新了热带气旋中心自动定位程序、修改了强度约束和规则、添加了微波资料的应用等。Olander等[9]对2018年大西洋飓风的对比分析表明(表1)，ADT的均方根误差为11.12 kt(9.71 hPa),而美国热带气旋分析预报中心主观Dvorak分析的均方根误差为10.4 kt(10.17 hPa)。他们同时还发现，在大西洋区域，ADT存在较大负偏差(表2)，这可能是由于大西洋的最佳路径资料更多参考了机载步进频率微波辐射计(Stepped Frequency Microwave Radiometer，SFMR)测量的风速，而SFMR估测的风速有时会偏高[14]。如果SFMR测量的风速偏高被验证，并且会继续使最佳路径产生更高的风速值，那么ADT就需要进行重新校正。表1和表2是根据文献[9]的分析归纳所得。

表1 2018年ADT和热带气旋分析预报中心主观Dvorak分析在各海域的均方根误差[9]

表2 2018年ADT和热带气旋分析预报中心主观Dvorak分析在各海域的偏差[9]

Dvorak技术最初是一种利用可见光云图针对大西洋区域热带气旋的定强方法，而在西北太平洋区域，由于地理位置和环境因素的影响，直接运用该方法会产生一定偏差。因此，国内有不少学者提出了Dvorak技术在西北太平洋区域应用的改进方案。1980年，方宗义等[15]参照1975年版的Dvorak技术，综合考虑红外云图上热带气旋环流中心与深对流密蔽云区的相对位置、眼的形状、大小和清晰程度、中心深对流密闭云区范围的大小和螺旋云带的特征，提出了西北太平洋热带气旋强度特征T指数，并建立了热带气旋最大风速与T指数的经验关系。虽然这一方法能对热带气旋进行24小时连续监测，但是受样本不足的影响，对近中心风速大于45 m/s的热带气旋不能很好地估测，并且最终结果受分析员的经验影响较大。1993年，李修芳等[16]利用增强红外云图，建立了多种新的云特征因子与热带气旋强度的对应关系。燕芳杰等[17]利用卫星展宽云图资料建立了估计热带气旋强度的回归方程，并实现了人机交互。范蕙君等[18]采用数字云图资料，分析了热带气旋强度与其云系结构的关系，提出了云系结构紧密度因子的概念，改进了增强红外云图确定热带气旋强度的方法。1980—2012年，中国气象局根据业务应用需求采用了方宗义等[15]提出的简化方法，但由于该方法与国际上通用的Dvorak技术分析流程存在较大差异，其规范性和标准性不够，导致定强结果与国际上其他业务定强机构的结果不具有可比性，因此，自2012年起，我国中央气象台开始应用Dvorak技术分析流程(1984版)[19]，并在近十年的业务中，针对西北太平洋热带气旋的特点，对强度指数与风压的对应关系等方面进行了适用性的改进，一直沿用至今。

2.2 其他统计方法

除了Dvorak技术关注的云型特征之外，近年来也有许多学者尝试从红外云图数据中寻找与热带气旋强度相关的其他特征因子，并运用这些因子对热带气旋强度进行客观估计。

王瑾等[20]应用日本静止气象卫星(GMS-5)红外辐射亮温资料研究了热带气旋云系中各部分亮温值与热带气旋中心最低气压之间的定量关系，并且引入了纬度因子及时间滑动平均进行试验。这一方法在热带风暴以上强度阶段的运用效果更佳，但由于受样本数量的限制和卫星某些时刻的资料缺乏及质量影响，对于某些强度快速变化的热带气旋不能进行很好的估计。鲁小琴等[21-22]应用MTSAT(Multi-functional Transport Satellite)红外数据，提取热带气旋云系中的对流核，发现其数量、分布、温度等可以表征对流活动的强弱和组织结构。通过构造的对流核相关因子建立热带气旋强度估算模型，独立样本测试的平均绝对误差和均方根误差分别为5.4 m/s和7.3 m/s，可应用于热带气旋整个生命周期。张长江等[23]根据热带气旋方位角亮温分布不均匀的特征，将热带气旋分为有眼和无眼两类，构造了梯度共生矩阵，结合机器学习相关向量机(Relevance Vector Machine，RVM)的方法对热带气旋强度进行估计。与线性回归相比，RVM显示了良好的非线性建模能力。张长江等[24]进一步讨论了RVM模型的最优参数个数及范围，结果表明在西北太平洋的最佳尺度范围是250 km，利用该模型估算热带气旋强度的均方根误差是12.8 kt。戴李杰等[25]利用RVM方法对红外卫星云图中的有眼热带气旋进行客观定强，提取眼壁的亮温梯度信息并选择了三种不同的核函数来对模型进行测试，得到的平均绝对误差为7.32～7.84 m/s。这些研究表明，RVM模型在处理高维非线性问题方面具有优势，但需要选择合适的维度。Asif等[26]将距离热带气旋中心不同范围内亮温的最大值、最小值、熵等信息与其强度相联系，通过最小二乘回归、支持向量机、反向传播神经网络、极端梯度提升等机器学习方法对大西洋热带气旋强度进行预估，发现运用支持向量机方法进行强度估算的效果最佳，其均方根误差为11.2 kt，进行时间平滑处理之后的均方根误差约10 kt。Piñeros等[27]提出了一种从红外图像中获取与热带气旋云系形状和动态特征的客观技术，即偏角方差技术(Deviation Angle Variance Technique，DAV-T)。通过计算一定范围内的亮温梯度得到热带气旋云系的组织程度，将其量化，来表征热带气旋的强度。之后，Piñeros等[28]将这项技术应用到北大西洋，建立基于DAV值的曲线拟合方程来估算热带气旋强度。随后，Ritchie等[29-30]将这一方法拓展到了西北太平洋和东北太平洋，并探讨了距热带气旋中心不同半径范围内的DAV值与热带气旋强度的关系，还考虑中心位置可能存在的误差，提出以最佳路径中心点周围9个像素为中心的平均DAV算法。从表3可以看出，偏角方差技术在北大西洋的应用效果最佳，但这可能是由于在建模过程中只考虑了热带风暴及以上等级的热带气旋，将其与ADT的结果相比，这一方法也仍具有非常大的改进空间。袁猛等[31]利用风云系列卫星资料，从热带气旋系统对称化的角度对热带气旋的整个生命史进行了研究，证明了DAV分布在热带气旋不同阶段有不同的特征，且其对应的DAV极小值对热带气旋强度估算具有重要的指示意义。

表3 基于偏角方差技术估算的热带气旋强度均方根误差[29-30]

除从单张红外云图中提取特征因子进行统计外，也有研究尝试将相似红外云图之间的联系应用到热带气旋客观定强中。Jaiswal等[32]利用HURSAT-B1数据集建立了一个包含热带气旋强度和对流特征信息的历史云图数据库，并使用图像匹配方法估算当前图像强度。该方法通过计算红外亮温值的径向直方图和角直方图对图像进行匹配，根据匹配指数形成最佳匹配图像对，其独立测试的平均绝对误差和均方根误差分别为11.18 kt和14.48 kt。Fetanat等[33]提出了FASI(Feature Analogs in Satellite Imagery，FASI)算法，用165个风暴的历史卫星红外图像来提取方位角亮温剖面信息进行训练，利用K-最近邻域法(K-nearestneighbor，KNN)估算热带气旋强度，其最大风速和最低气压估计的平均绝对误差分别为10.9 kt和8.4 hPa。Kar等[34]通过图像间欧氏距离的均值、方差、图像的密度、离散程度构造热带气旋强度的特征向量，利用每个灰度尺度下的权重值来找出测试图像的灰度值，以此来进行强度预测。该方法在孟加拉湾测试应用的准确率达84%。

近年来，人工智能在许多领域的应用取得了很大进步。深度学习作为包含多层非线性变换的机器学习方法，能够从原始输入数据中挖掘出抽象特征来替代人为提取的特征因子，而卷积神经网络(Convolutional Neural Networks,CNN)作为深度学习的一种经典架构，在图像分类、人脸识别、音频检索等方面有很大的优势。Pradhan等[35]提出了一种基于CNN的热带气旋强度估算技术，对所选大西洋和太平洋地区样本的均方根误差为10.18 kt。从表4可以看出，基于图像识别CNN方法的定强精度比其他方法精度要高，人工智能方法能够实现自动特征提取，无需人为干预，可以快速为预报员提供参考依据，但是前期需要较多的样本量，并且其样本所涵盖信息的全面性对于训练结果的准确性会有一定的影响。

表4 基于红外亮温信息的主要统计定强方法和误差

3 基于微波资料的热带气旋定强方法

卫星提供的可见光、红外观测资料可以实现对热带气旋的全天候监测，但是受限于观测原理，仅靠可见光、红外观测无法获得热带气旋云系内部信息。相对而言，微波的波长较长，其衍射能力强，能够部分穿透云雨[11,36]。许多学者已经开始利用星载微波资料对热带气旋特性展开研究。根据微波辐射源可以将微波资料分为被动遥感数据和主动遥感数据。

3.1 被动遥感数据的应用

基于探测目标的不同，被动式星载微波仪器可分为两大类：一类是以探测大气温度和湿度垂直分布为目标的微波垂直探测器，探测通道位于氧气和水汽的强吸收带附近，根据所选取通道位于吸收带的不同位置及吸收系数的差别，可以探测出有云情况下大气的温湿廓线分布；一类是以探测大气云雨和地表特征为主要目标的微波成像仪器，探测通道位于大气窗区或弱水汽吸收带远翼，主要受大气中的水汽、液态水和冰晶粒子的吸收和散射作用[11]。

3.1.1 微波垂直探测仪的应用

Kidder等[36]验证了扫描微波辐射计(Scanning Microwave Spectrometer，SCAMS)对强热带气旋高层核心区温度异常变化的探测能力。首次提出了利用其亮温数据估算热带气旋中心气压和最大风速半径以外的地面风速的方法。将中心气压与亮温异常相联系，通过回归分析确定气压值，并通过假设梯度平衡来计算外表面的风速。随着首个先进的微波探测仪(Advanced Microwave Sounding Unit，AMSU)的升空，Kidder等[37]总结了使用AMSU数据进行热带气旋分析的优势，AMSU是第一个有潜力测量热带气旋位置、移动、温度、风速、降雨率等参数的卫星仪器，并且其空间分辨率和测量精度都有所提高，可以更准确地估计风暴强度。Brueskte等[38]对AMSU-A扫描角度偏差和衍射效应进行修正，提出利用AMSU-B通道数据改进气旋眼区大小估计的方法。结果表明，微波技术有望成为一种替代的热带气旋强度估算方法来补充常用的Dvorak技术。Yu等[39]应用2001年和2002年7—9月的AMSU-A数据提出了估算西北太平洋热带气旋强度的方法，其独立测试的平均绝对误差和均方根误差分别为6.3 m/s(11.3 hPa)、8.6 m/s(15.0 hPa)，并且发现除热带气旋中心上空暖心异常外，以某一温度异常等值线(1.0 K和0.5 K)位置表示的暖核高度是强度估算中另一个重要的预测因子。刘喆等[40]对AMSU-A的亮温资料进行了扫描点修正，建立了利用双通道信息进行热带气旋强度估算的回归模型，估算结果同Dvorak技术相比的标准偏差为12.2 hPa。张淼等[41]对FY-3C新型微波温度计的亮温数据进行了临边订正，分析了5～8通道热带气旋中心增暖与热带气旋强度的相关性，最终将通道6和通道7最强亮温距平的最大值作为回归因子，建立热带气旋强度估算式，标准偏差为11.1 hPa。除了微波资料时空分辨率引起的误差外，辐射计噪声、临边订正精度、暖核区域不在扫描波束中心等均会影响估计结果的准确性，需要在后续相关研究中予以关注。

3.1.2 微波成像仪的应用

Bankert等[42]提出了利用特殊传感器微波成像仪(Special Sensor Microwave Imager，SSM/I)数据估计热带气旋强度的方法。从85 GHz的亮温图像和多通道反演的降雨率图像数据中提取了15个特征因子，结合KNN方法对热带气旋强度进行估计，其中2个热带气旋的17个样本相对最佳路径数据的均方根误差为15.6 kt，相对飞机侦察数据的均方根误差为19.7 kt。Hoshino等[43]利用热带测量降水任务(Tropical Rainfall Measuring Mission,TRMM)卫星的微波成像仪(TRMM Microwave Imager，TMI)数据，提取不同的亮温参数建立了热带气旋强度估算模型。张淼等[44]利用FY-3B微波成像仪(Microwave Radiation Imager，MWRI)数据，研究了各通道不同半径的同心圆或圆环的亮温参数与热带气旋最大风速之间的定量关系，然后运用主分量分析和多元线性回归，建立了适合西北太平洋热带气旋强度估算的模型，均方根误差为13 kt。也有学者针对北大西洋、东北太平洋和中太平洋的热带气旋，利用TRMM/TMI的85 GHz通道的亮温和近地表降雨率这两种数据，提出了基于被动微波遥感进行强度估计的算法，该算法旨在提供当前热带气旋强度和未来6小时强度的客观估计值[45]。与考虑单一数据相比，同时考虑两种数据的热带气旋定强模型效果最佳，未来6小时最大风速的平均绝对误差和均方根误差分别为9 kt和12 kt。微波观测被证实可以穿透中心密闭云区(Center Dense Overcast，CDO)的卷云盖，观察到对流结构的演变过程[46]，因此，在ADT第8版本中微波成像仪资料被应用于观察热带气旋眼的形成[47-48]，当数据可获取并满足强度增强等条件时，其估算强度可覆盖基于红外资料的估测强度[9]。

3.2 主动遥感数据的应用

微波散射计是一种主动式非成像微波传感器，它通过向海表、陆面发射微波脉冲信号并接收其后向散射回波信号能量来探测有关目标的信息[49]，能够同时测量风速和风向，也可以应用于植被、沙漠和极冰、积雪覆盖等陆地特征的监测。Katsaros等[50]、Sharp等[51]研究了卫星散射计资料对于热带低压早期预警及热带气旋早期探测的有效性。国内也有不少学者对QuikSCAT卫星携带的洋面风场散射探测仪的探测资料开展了研究，其提供的风速分布信息，可以帮助确定热带气旋大风区位置和强度，能够有效监测海上台风路径和强度发展[52-53]。随着我国第一颗海洋环境卫星——海洋二号(HY-2)的升空，张登荣等[54]利用HY-2散射计数据对热带气旋的路径和强度发展开展了相关研究，证明了HY-2和QuickSCAT一样具有应用于热带气旋监测的潜力。邹巨洪等[55]提出了基于海洋二号卫星散射计风矢量产品的热带气旋自动识别算法，并对该算法进行了验证。杨典等[56]提出了一种基于散射计风场数据的热带气旋定强方法，通过求取热带气旋所在海区的海表面风速平均值来进行强度估算。该方法可以克服散射计反演热带气旋风速过低的问题，但对于风速大于41.5 m/s的热带气旋仍不适用。

表5 基于被动式星载微波仪资料的定强方法和误差

4 多种资料结合的热带气旋定强方法

考虑到卫星观测波段的多样性，不少学者开展了结合多卫星、多通道的热带气旋强度估算方法研究。Olander等[57]证明了基于卫星数据的多光谱差分方案在热带气旋应用中的潜力。他们将红外窗区(infrared window，IRW)和水汽窗(water vapor channel，WV)通道联合，将WV-IRW的亮温差为正的像素点表示强对流区域。Zhuge等[58]提取了距热带气旋中心150 km的内核区的WV和IRW的亮温信息，采用WV-IRW与IRW的比值这一指标来确定热带气旋强度，这一方法参考了Dvorak技术中的场景类型，可以作为ADT的补充。崔林丽等[59]基于2017年FY-4A部分热带气旋的7个通道资料，包括中波红外、水汽、长波红外通道，建立了深度卷积神经网络模型，其对热带气旋强度估算的平均绝对误差为1.75 m/s，均方根误差为2.04 m/s。Xiang等[60]提出了一种基于海洋散射仪和微波成像仪数据对西北太平洋热带气旋强度进行估算的方法。根据提取的亮温和海表面风速的相关因子建立多元回归模型，该模型的均方根误差、平均绝对误差和偏差分别为5.94 m/s，4.62 m/s和-0.43 m/s。张圣雪等[61]基于FY-2F、FY-2G云顶亮温数据和ASCAT散射计风场数据，并结合偏角方差技术，建立了包括偏角方差、云顶亮温、海表风速等参数的热带气旋强度回归模型，其平均绝对误差和均方根误差分别为3.99 m/s和4.66 m/s。Wimmers等[62]利用37 GHz和85～92 GHz波段的微波图像数据结合深度学习技术对全球热带气旋强度进行估计，其独立样本检验的均方根误差为14.3 kt。Chen等[63]利用卫星红外亮温和微波降雨率数据对传统的卷积神经网络技术进行了改进，使用2017年全球的热带气旋数据进行独立样本检验，均方根误差为8.39 kt。

表6 多种卫星遥感资料结合的定强方法和误差

5 总结与展望

静止卫星的可见光和红外通道可以提供较为连续的热带气旋云系发展信息，其水汽通道可以提供大范围的水汽输送信息，有助于判别热带气旋的发展情况。目前基于可见光和红外资料的热带气旋定强方法中，发展时间最长、运用最广的是Dvorak技术，这一主观方法在各海域的均方根误差在9.71～12.08 kt(6.67～10.80 hPa)之间，其他基于可见光和红外资料的客观统计方法的表现和它基本相当。

非静止卫星(极轨卫星和TRMM卫星)的微波通道可以穿透上层卷云，探测到卷云下不同层次上的热带气旋内部信息[44]，有助于开展热带气旋强度估算研究。但是，利用微波资料的热带气旋定强技术，其均方根误差大都在12～20 kt(9.9～15.0 hPa)之间，效果不如Dvorak技术，这可能是由于这些方法受到非静止卫星时间分辨率低、空间分辨率分布不均匀的影响。

单类卫星多通道资料以及不同类型卫星资料的结合应用，可相互取长补短，这一类方法的均方根误差在4～15 kt之间，表现出比较明显的潜力。此外，考虑到热带气旋强度与相关影响因子间的非线性关系和人工特征提取的局限性，利用卫星图像直接进行热带气旋强度估算的方法逐渐增多。这类深度学习方法的均方根误差在4～14 kt之间，在多源资料综合应用时表现得比Dvorak技术更有优势。

可见，多卫星多通道的数据融合以及深度学习方法的运用，使得热带气旋定强技术有了新的进展。展望未来，将依赖于人为经验的热带气旋云系特征表达和经计算机深层挖掘的图像特征相结合，应会带来新的突破。此外，目前微波观测仪器均搭载在轨道高度较低的非静止卫星上，时间分辨率偏低，无法满足业务预报的需求，而我国早已在风云静止卫星未来规划中将微波垂直探测纳入设计和发射计划[64-66]，并在风云四号卫星上成功装载了一个小型微波探测试验载荷，这使得更连续地获得热带气旋内部结构成为可能。将微波对云雨大气独具的穿透性探测能力和静止卫星的高时空分辨率相结合，预计会对热带气旋定强能力有更大的提升。