0.   引言

强对流天气是指常伴有雷暴、大风、冰雹、龙卷和短时强降水等现象的灾害性天气，具有范围小、发展快和破坏性强等特点。强对流天气发生频率呈逐年增长趋势，对我国社会财产和人民安全造成了重大损失。因此，提高对强对流云团的监测识别能力，对于提升强对流天气预报能力和防灾抗灾具有重要意义。目前众多学者基于地基雷达和地面观测资料(杜坤，2011；李德俊等，2011；史纬恒，2014；俞小鼎和郑永光, 2011, 2020)以及再分析资料(王子昕等，2022；张娟娟和刘波，2019)，针对强对流天气监测和触发机制进行了研究。但由于地基雷达和站点受到地形和部署条件的影响，仍无法覆盖全国，无法实现全国强对流云团监测，给强对流的监测和预警带来了较大困难。

高分辨率静止卫星具有探测范围广、时间分辨率高和准确性强等优势，可有效弥补地基雷达和站点资料对强对流云团监测的不足，在强对流监测和预报预警中逐渐发挥重要作用。Maddox(1980)提出亮温阈值法并用于卫星红外图像识别强对流云团，研究雷暴单体的发展过程与生命周期。区别于可见光通道，红外通道在夜间不受影响，可进行不间断的监测，更好地进行强对流云团识别与预警。但是，由于亮温阈值法受到季节和经纬度影响，需要设定不同的阈值进行强对流云团的识别。该方法中较高的亮温阈值容易将卷云误判为强对流云，而较低的阈值则会产生遗漏。因此学者对该方法进行了改进，利用卫星多通道亮温资料进行强对流的监测。Inoue(1987)利用分裂窗通道间亮温差可区分卷云和强对流云，而红外与水汽通道间亮温差也被验证可用于强对流云识别(Ackerman，1996)。

近年来，国内在静止卫星识别强对流云团领域取得了诸多研究成果。例如，肖笑(2013)利用FY-2系列静止卫星资料，根据光谱特征和纹理特征识别强对流云团。郑永光等(2008)利用多年静止卫星红外亮温资料对夏季中国及周边地区进行统计分析，获得夏季对流的红外亮温统计特征。张晓芸(2020)利用FY-4A卫星闪电和温湿度廓线产品，分析了四类强对流云团特征，以及强对流与闪电的时空相关性和垂直特征。朱平(2019)则利用FY-4A和Himawari-8卫星资料，提出了卫星多通道动态阈值自动识别方法，对青海高原进行强对流的监测与预警，提出高原地区业务使用卫星观测结果的建议方案。目前基于静止卫星的强对流云团识别受限于阈值的设定，主要应用于地区强对流云团识别，尚未发挥卫星监测范围广的优势。文中，利用FY-4A卫星资料，基于滑动窗口方法和多通道动态阈值自动识别方法，扩大识别范围，避免人为设置阈值导致的主观误差，实现强对流云团自动识别，以期为灾害性天气的监测预警提供参考。

1.   资料与方法

1.1   FY-4A资料介绍

风云四号A星(FY-4A)于2016年12月11日发射，其搭载的多通道扫描成像辐射计(Advanced Geostationary Radiation Imager，AGRI)主要承担云图获取的任务。AGRI拥有至少14个通道，可观测目标物不同高度的物理特性，包括3个可见光/近红外波段、3个短波红外波段、2个中波红外波段、2个水汽波段和4个长波红外波段。

文中利用FY-4A卫星空间分辨率为4 km的全圆盘一级(L1)产品，该产品以HDF5格式存储，由文件属性和科学数据集两部分组成。文件属性包含了卫星图像的基础参数以及对该产品的描述信息，科学数据集主要存储了AGRI的14个通道的灰度图像数据、定标数据以及多项质量标识。

在利用FY-4A卫星一级产品进行强对流云团监测时，所选通道为红外通道12和13，以及水汽通道10，通道中心波长分别为10.7、12.0、7.1 μm。所选2个红外通道为红外分裂窗，通常被用于探测云、地表温度，而水汽通道则被用于探测中层水汽。通道亮温一定程度上代表区域内对流发生发展强度，可用于强对流云团的识别与监测。强对流云团垂直结构较为深厚，其云体可近似视作黑体，因此在强对流云区，红外和水汽通道的亮温差较小，区别于其他云系，通道间亮温差同样可作为判断强对流云的一项重要依据。

1.2   资料预处理

利用FY-4A卫星AGRI的L1级产品进行强对流云团识别前，首先需要对其进行辐射定标，将可见光通道的灰度数值转换为反射率，红外通道则转换为亮温TBB。辐射定标利用对应通道的定标表CALChannel-xx以及灰度图像元数据NOMChannel-xx(xx=1，2，…，14)。灰度图中像元值即为定标表中的索引值，可直接获取定标后的反射率或亮温数据集。

FY-4A卫星采用CGMS LRIT/HRIT全球规范定义的静止轨道标称投影(王静等，2018)，并不包含经纬度等地理信息，不适用于常规应用场景，因此在辐射定标之后需要基于WGS84参考椭球计算得到行列号对应的经纬度，进行几何定标，采用最邻近插值法输出间距为0.04°的等经纬度投影的网格(刘珂珂，2019)。

1.3   研究方法

研究区域如图 1所示。原始的多通道阈值法受到研究区域影响，需要人为设定阈值，不适用于大范围的强对流云团识别。将FY-4A卫星红外通道12、13和水汽通道10作为红外1、红外2和水汽通道，输出各通道亮温值分别为T_BB1、T_BB2和T_BB3，结合多通道动态阈值自动识别方法(朱平，2019)及滑动窗口方法，以此进行中国地区的强对流云团识别。主要流程如下：

图  1  研究区域

Fig.  1  Study area

下载: 全尺寸图片

1) 设定滑动窗口大小为10°×10°，以1°为滑动步长从东至西、从南至北地遍历整个监测区域。

2) 基于FY-4A卫星的3个通道亮温数据T_BB1、T_BB2和T_BB3，计算整个监测区域内的红外通道亮温差T₂₁(T_BB2-T_BB1)和红外水汽通道亮温差T₃₁(T_BB3-T_BB1)。

3) 对于每个窗口，根据窗口内各通道最小亮温值T_{BBi_min}以及窗口内亮温分布特征，计算窗口内各通道满足$T_{\mathrm{BB} i\text{_} \min } \leqslant T_{\mathrm{BB} i} \leqslant T_{\mathrm{BB} i_\text{_} \min }+20$的像素点数N_L，以及满足$T_{\mathrm{BB} i\text{_} \min } \leqslant T_{\mathrm{BB} i} \leqslant T_{\mathrm{BB} i_\text{_} \min }+30$的像素点数N_H。当N_L/N_H≥K时，亮温阈值$T_{\mathrm{BB} i\text{_} \min }$+20，反之则为$T_{\mathrm{BB} i\text{_} \min }$+30。对于红外通道K取0.5，水汽通道则K取0.4。根据该方法可自动选定一个滑动窗口内3个通道各自的亮温阈值T_HBi，并筛选出各通道均小于阈值的格点，其中i=1，2，3，分别代表红外1、红外2和水汽通道(朱平和肖建设，2022)。

4) 根据步骤2和3计算得到的亮温阈值及通道间亮温差，采用T₂₁≥-3 K和T₃₁≥-8 K去除卷云信息并提取即将成熟的强对流云团，然后将满足条件一：T_BB3 < 190 K或T₃₁≥0 K，或条件二：T₂₁≥-3 K且T₃₁≥-3 K的云团筛选为已成熟的强对流云团(朱平，2019)。

5) 基于滑动窗口方法遍历整个监测区域，将所有滑动窗口的识别结果整合，得到全中国的对流云团信息。

6) 计算每一个强对流云团的面积，筛选出面积大于2 500 km²的云团作为强对流云团，绘制每个强对流云团的轮廓位置，实现对中国地区强对流系统的监测。

2.   全国强对流云团监测效果检验

为评估此方法对全国强对流云团的监测效果，选取危害较大的冰雹和龙卷这两类强对流天气，整理相关资料(蔡康龙等，2021；植江玲等，2022)和新闻报道，统计出2020年和2021年共26场具有明确发生时间的强对流过程，以此进行强对流云团监测结果的检验。考虑到卫星产品的时间分辨率以及监测的时效性，选用强对流发生之前和发生时的卫星产品用于监测。

引入评分规则：1)正确率$P C=\frac{h}{h+f+s}$，2)空报率$F P R=\frac{f}{h+f}$，3)漏报率$F N R=\frac{s}{h+s}$。其中，h代表成功次数，即正确监测到强对流位置；f代表空报次数，即监测结果显示存在强对流云团，但是实况并未发生；s代表漏报次数，即实况出现强对流云团，但并未监测到。以成功、空报和漏报三个指标，检验2020年和2021年26次强对流监测效果(表 1)。分析发现，采用此方法监测成功次数为23次，空报次数0，漏报次数3次，识别强对流云团正确率为0.89，空报率为0，漏报率为0.11，造成识别失败的主要原因为漏报。3次漏报个例中，选用的卫星产品与强对流发生时间间隔均在40 min以上，识别过程中在强对流发生地区存在满足亮温及其差值条件的识别格点，但由于不满足对流云面积条件而被剔除。由此可见，采用此方法对于对流发生、发展不够深厚的时刻，识别条件相对严格。但总体而言，识别准确率仍高达89%，说明此方法对于全国强对流云团监测具有较好的效果。

3.   强对流个例监测分析

3.1   强对流个例1

选取2020年3月26日福建一次飑线过程作为第一个强对流个例，分析本方法在强对流发生、发展和移动过程中的识别与监测效果。2020年3月21—26日，中国内陆及东南沿海多地发生强对流天气，湖北、湖南、江西、广东和福建多地出现冰雹和短时强降水，并伴随雷暴大风。26日11：30(北京时，下同)左右强对流系统由江西移至福建并加强发展为飑线，福建省内出现雷暴大风，连江和华安地区出现短时强降水，17时左右屏南县出现冰雹，之后19时左右强对流系统移出福建并逐渐减弱。

图 2给出了13—19时雷达组合反射率拼图。由图 2可清晰地识别出强回波区域从进入至移出福建的过程，17时雷达图表现为福建北部出现大片强度30 dBz以上的强回波区，并且屏南县回波强度高达50 dBz。同时还可以发现，安徽、江苏和浙江等地均出现强回波，同样出现强对流天气。山西和陕西等地回波强度较低，尚未达到强对流的回波强度。

图  2  2020年3月26日(a)13时、(b)15时、(c)17时、(d)19时雷达反射率(单位：dBz)

Fig.  2  Radar reflectivity at (a) 13:00 BT, (b) 15:00 BT, (c) 17:00 BT, (a) 19:00 BT on March 26, 2020 (units: dBz)

下载: 全尺寸图片

图 3给出利用FY-4A资料识别强对流云团结果，其中填色部分为FY-4A卫星12通道，即红外通道亮温，红色框选区域为识别得到的强对流区域。对比雷达实况监测结果(图 2)，基于FY-4A识别所得的强对流区域与雷达组合反射率高值区域基本一致，可准确识别出福建、浙江、安徽和江苏一带的强回波区域，并且对于西安一带的弱回波区域未产生误判。26日15—17时，强对流云团移至福建西北部，云团TBB最低值可达到219 K，该时段内对流云团面积逐渐增大，表明对流在该地仍处于发展阶段。17—19时对流云移出福建，云团TBB最低值逐渐上升至240 K，对流减弱。利用多通道动态阈值自动识别方法和滑动窗口法能够清晰地识别强对流区域，较好地还原26日福建强对流过程，对于正在发展的对流云团同样具有较好的识别效果，可在强对流发生前进行云团的监测与追踪。此方法在识别过程中综合了多通道阈值法的优势，能够剔除部分卷云干扰，保留发生发展强烈的强对流云信息。

图  3  同图 2，但为FY-4A卫星强对流云团识别结果(单位：K)

Fig.  3  Same as Fig. 2, but for FY-4A convection identification results (units: K)

下载: 全尺寸图片

图 4给出2020年3月26日13—20时影响福建屏南地区的强对流云团TBB的最低值，以及整个识别所得强对流区域内平均通道间TBB差值。可以看出，在17时最低TBB值最小，且红外水汽通道亮温差T₃₁最大，符合该时刻出现冰雹，强对流发生发展最为显著的特征。

图  4  2020年3月26日13—19时云团特征参数变化时序

Fig.  4  Variation of clouds characteristic parameters from 13:00 to 20:00 BT on March 26, 2020

下载: 全尺寸图片

3.2   强对流个例2

文中选取2020年5月6日福建省一次冰雹过程作为第二个强对流个例。此次强对流过程主要受东亚大槽和地面切变线影响，是福建省较为罕见且典型的高空冷平流强迫形势(周建丁等，2022)。6日13时左右逐渐产生有利于对流发生发展的动力和热力条件，该对流处于初生阶段。15—17时对流发展旺盛，在福建泉州产生冰雹。

图 5为2020年5月6日13—19时雷达组合反射率拼图，13时福建省内雷达并未探测到强回波信息，15时之后出现强回波区域，且范围逐渐扩大，中心强度在17时超过55 dBz，对流发展旺盛，强回波中心与冰雹出现地区相对应。17—19时强回波区略有东移，强度减弱，对流逐渐衰退。13—19时，江西省内存在强回波区域向东南移动，同时中心强度逐渐增强至50 dBz。15时甘肃省南部有对流初生，之后强度增强并且影响范围扩大，发展成为强对流。

图  5  2020年5月6日(a)13时、(b)15时、(c)17时、(d)19时雷达反射率因子(单位：dBz)

Fig.  5  Radar reflectivity at (a) 13:00 BT, (b) 15:00 BT, (c) 17:00 BT, (d) 19:00 BT on May 6, 2020 (units: dBz)

下载: 全尺寸图片

图 6给出了2020年5月6日FY-4A卫星识别强对流结果。分析发现，FY-4A卫星识别强对流结果与雷达强回波区域位置对应关系较好，福建、江西和甘肃省内强回波区域均被识别。15时福建泉州地区云团最低TBB已达到195 K，并维持至17时，对流云团面积显著扩大。之后云团最低TBB缓慢回升至198 K，云团往东移出福建省。对于江西省内对流系统的移动过程，FY-4A卫星具有良好的监测效果。云团的位置与移动路径与雷达监测一致，其最低TBB由13时的211 K逐渐降低至17时的201 K，而后逐渐升高至19时的203 K。FY-4A同样监测到甘肃省内对流的发生发展过程，其云团内最低TBB基本保持在215 K左右。对于海南岛以南海面，15—19时有强对流逐渐生成并发展，该地区由于地理位置原因缺少雷达观测，而利用FY-4A资料可弥补这一缺陷，对海洋地区进行强对流云团的监测，体现了卫星探测范围广这一优势。

图  6  同图 5，但为FY-4A卫星的强对流云团识别结果(单位：K)

Fig.  6  Same as Fig. 5, but for FY-4A convection identification results (units: K)

下载: 全尺寸图片

图 7给出了2020年5月6日13—20时影响福建屏南地区的强对流云团的最低TBB，以及整个识别所得强对流区域内平均通道间TBB差值。分析发现，云顶最低TBB值先减小后增大，而两个TBB差值变化则与之相反。最低TBB和TBB差值均在16时出现极值，与该时段内冰雹出现时间相呼应。

图  7  2020年5月6日13-20时云团特征参数变化时序

Fig.  7  Variation of clouds characteristic parameters from 13:00 to 20:00 BJT on May 6, 2020

下载: 全尺寸图片

通过以上两次强对流过程的验证，发现FY-4A卫星识别强对流云团结果与雷达组合反射率因子高值区基本一致，表明识别结果具有较高的准确性。利用多通道动态阈值自动识别方法和滑动窗口方法，可克服强对流云团识别的区域局限性，准确识别强对流的发生发展过程，进行大范围区域的强对流云团监测。应用此方法可较为准确地获得强对流实时情况，对于偏远地区与海洋，卫星监测可以弥补雷达观测缺少的不足，为强对流预警提供重要依据。

4.   结束语

文中基于FY-4A资料，结合多通道动态阈值自动识别方法和滑动窗口方法，克服地区差异和季节影响，实现全国范围的强对流云团识别，并通过与天气雷达监测结果进行对比，检验此方法对强对流发生、发展过程的识别和监测效果，得到主要结论：

1) 多通道动态阈值自动识别方法和滑动窗口方法相结合，对于大范围区域的强对流云团识别具有较好的效果。通过该方法可以基于区域特征自动设置亮温阈值，从而识别强对流云团，并将各窗口的识别结果整合至整个区域，以实现大范围区域强对流云团的识别。

2) 此方法一定程度上克服了地区特征导致的亮温差异，避免人为设置阈值产生的主观误差，对全国强对流的监测和预警具有较好的效果。

3) FY-4A卫星识别区与天气雷达监测区重合度较高，对于对流云的发生发展过程具有良好的监测效果。

FY-4A卫星可弥补雷达监测的不足，用于进行海洋地区的强对流云团监测，对于我国沿海地区强对流的监测和预警具有积极意义，有利于灾害性天气的预报和预警。此方法可适用于全国范围内的强对流天气的监测，但对于对流强度较弱的短时强降水天气的监测效果仍有待进一步验证。今后将进一步改善FY-4A卫星监测对流方法，提高对短时强降水天气的监测效果。