EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 4: 212 - 219

DOI: https://doi.org/10.6046/zrzyyg.2024179

技术应用

FY-3D卫星微波资料反演湖南地区强降水

  • 王陶然 , 1, 2 ,
  • 吴莹 , 1 ,
  • 马靖雯 1 ,
  • 黄媛媛 1 ,
  • 付琪嘉 1
展开
  • 1.南京信息工程大学气象灾害预报预警与评估协同创新中心,南京 210044
  • 2.湖南省益阳市气象局,益阳 413099
吴 莹(1980-),女,博士,副教授,主要从事大气探测与卫星遥感研究。Email: 。

王陶然(2001-),女,学士,助理工程师,主要从事大气探测与卫星遥感研究。Email: 。

Copy editor: 陈昊旻

收稿日期: 2024-05-27

  修回日期: 2024-09-27

  网络出版日期: 2026-06-03

基金资助

国家自然科学基金联合基金项目“风云卫星产品对数值预报同化应用支撑的关键技术及应用效益评估研究”(U2242212)

收起

Inversion of heavy precipitation in Hunan based on FY-3D/MWRI data

  • WANG Taoran , 1, 2 ,
  • WU Ying , 1 ,
  • MA Jingwen 1 ,
  • HUANG Yuanyuan 1 ,
  • FU Qijia 1
Expand
  • 1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2. Meteorological Bureau of Yiyang City, Hunan Province, Yiyang 413099, China

Received date: 2024-05-27

  Revised date: 2024-09-27

  Online published: 2026-06-03

Fold

摘要

为减轻强降水带来的洪涝灾害风险,该文利用风云三号D星(FY-3D)微波成像仪的一级亮温数据,结合与之匹配的二级降水产品,基于极化订正温度(polarization-corrected temperature,PCT)及散射指数(scatter index,SI),建立湖南地区陆面强降水降水率反演模型,进而通过个例对所建立的反演模型进行验证。结果表明,FY-3D卫星一级亮温数据反演的降水率与二级产品所获降水结果基本一致; 反演所得降水率在降水量低值区略偏大,而在高值区中心区域偏小; 升轨反演模型的相关系数(R)、平均绝对误差(mean absolute evror,MAE)和均方根误差(root mean square evror,RMSE)分别为0.876 1,0.771 1 mm/h和1.151 4 mm/h,降轨反演模型的R、MAE和RMSE分别为0.911 3,1.130 4 mm/h和1.832 2 mm/h; 反演得到的降水分布范围比二级产品的分布范围有所增大; 相较于二级产品,该模型反演结果在与站点实测值的对比中体现出更高的精度。该研究比较成功地反演了湖南地区陆面强降水的分布区域,可为研究微波亮温与降水的关系,以及陆面强降水降水率估算提供参考。

关键词： FY-3D/MWRI; PCT-SI算法; 强降水; 降水率反演

本文引用格式

王陶然 , 吴莹 , 马靖雯 , 黄媛媛 , 付琪嘉 . FY-3D卫星微波资料反演湖南地区强降水[J]. 自然资源遥感, 2025 , 37(4) : 212 -219 . DOI: 10.6046/zrzyyg.2024179

Abstract

Using level-1 (L1) brightness temperature data from the Microwave Radiation Imager (MWRI) on board Fengyun-3D (FY-3D) satellite and the corresponding Level-2 (L2) precipitation products, this study established a precipitation rate inversion model for land surface heavy precipitation in Hunan Province based the polarization corrected temperature (PCT) and scatter index (SI). The proposed model was validated using individual examples. The results indicate that the precipitation rates retrieved from the L1 brightness temperature data of the FY-3D satellite were generally consistent with the results obtained from the L2 precipitation products. Compared to actual data, the retrieved precipitation rates were slightly higher in low precipitation areas but smaller in centers of high precipitation areas. The ascending orbit-based inversion model exhibited a correlation coefficient, mean absolute error (MAE), and root mean square error (RMSE) of 0.876 1, 0.771 1, and 1.151 4 mm/h, respectively. Conversely, the descending orbit-based inversion model presented a correlation coefficient, MAE, and RMSE of 0.911 3, 1.130 4, and 1.832 2 mm/h, respectively. The inversion results showed a larger precipitation distribution range than that of L2 products. Compared to the measurements at ground meteorological stations, the inversion model demonstrated higher accuracy than L2 products. This study successfully determined the distribution of land surface heavy precipitation in Hunan through inversion. The results of this study can provide a reference for investigating the relationship between microwave brightness temperature and precipitation and estimating land surface heavy precipitation.

Key words： FY-3D/MWRI; PCT-SI algorithm; heavy precipitation; precipitation rate inversion

0 引言

强降水是我国主要灾害性天气之一,加强对极端强降水的监测和预警,并及时采取措施应对其带来的不利影响,是减轻洪涝灾害风险的重要方法[1-2]。卫星遥感观测不受地域限制,且近几十年来时间和空间分辨率逐渐提高,其已逐渐成为降水资料不可缺少的重要来源之一[3-4]。尤其是微波可以穿透一定厚度的云层,星载微波辐射计能接收到来自云雨大气内部的微波辐射信号。因此,越来越多的学者通过微波观测获得更多的降水资料[5-7]。
在过去的几十年间,利用微波观测资料反演陆面降水已取得了很多研究成果。常用的星载微波资料主来自于专用微波成像仪(special sensor microwave/imager,SSM/I),热带降雨卫星的微波成像仪(tropical rainfall measuring mission(TRMM) microwave imager,TMI)[8]及其继任者全球降雨观测卫星(global precipitation measurement,GPM) 的微波成像仪(GPM microwave imager,GMI)[9],以及我国最新的风云三号G星(FY-3G)微波成像仪(the microwave radiation imager,即MWRI)[10] 等。微波反演降水的经验算法中,主要包括基于散射指数(scattering index,SI)、极化订正温度(polarization correction temperature,PCT)、微波指数和洪涝指数等。早期,Spencer等[11-12]提出利用不同极化通道的亮温差组合构成散射因子来反演降水率,进而又利用PCT[13]来检测散射导致的微波高频通道的低亮温; Grody[14]最初建立了全球SI,进而提出了适用于SSM/I数据反演陆面降水的基本方法; Ferraro等[15-16]使上述算法更加完善,在降水反演之前,利用SI将下垫面分成海洋和陆地两类,取得了良好的效果; Liu等[17]基于平面平行雨云的微波辐射传输模型的结果,结合发射和散射状态,提出了适用于SSM/I数据反演海洋和陆地降水量的算法; Li等[18]利用复合微波指数(composite microwave index,CMI)方法,通过SSM/I数据反演了华东地区的夏季降水量,实例分析表明,该研究提出的决策树和CMI方法对华东地区的降水识别和降水率反演是有效的。在上述研究的基础上,Zhao等[19]的结果表明,同时利用PCT和SI可以更好地估计降水量。针对TRMM/TMI资料,李万彪等[20]和李世伟等[21]成功地建立以SI和PCT为主的降水反演算法,并验证此方法的有效性; 闵爱荣等[22]同样针对TRMM资料用逐步回归方法建立统计反演降水的新算式,发现单纯利用微波亮温及站点降水数据很难建立一个良好的反演算式,尤其对于既含有层状云降水又含有对流云降水的部分; 邓欣柔等[23]基于GPM探测资料对台风降水进行水平结构分析,利用GMI一级亮温数据,选取不同时次和不同反演方法分别进行了降水反演,发现全通道直接组合的方案在整体上能反映出较强的优越性。
然而,由于不同的微波辐射计在高度、入射角以及微波通道等方面都有差异,对于我国风云三号D星(FY-3D)上搭载的MWRI尚没有准确的基于PCT-SI综合指数的反演算式。因此,本研究针对FY-3D/MWRI的通道特性,提出适用于该仪器的陆面强降水近地面降水率反演模型并进行验证,进而讨论其主要误差影响因素,为进一步识别和分析不同通道的微波资料与降水之间的关系,以及陆面强降水的定量估算提供参考。

1 研究区概况及数据源

1.1 研究区概况

湖南省位于我国中南部,介于24.7°~30.1°N和108.8°~114.2°E之间,地处南方山区,地形复杂,容易形成锋面、暖湿气流等天气系统,同时由于地处亚热带,夏季湿热冬季干燥,春秋季节交替气候变化大,季节性气候变化导致该地降水量较多。湖南省境内分别于2016年6月、2017年6月、2020年6月和2022年6月遭受了猛烈的强降水袭击,省内涝严重、山洪暴发、群众被困,多个城市受灾,多处高速公路、配电设施和通信线路等大量基础设施遭受了严重的破坏。因此,在进行防灾减灾工作中,必须高度重视强降水天气对工农业生产的不利影响,并采取积极有效措施予以应对。

1.2 数据源

本研究使用FY-3D/MWRI的一级(Level 1,L1)亮温数据和二级(Level 2,L2)降水率轨道产品。FY-3D是我国第二代极轨气象卫星的第4颗星,其搭载的MWRI提供53°地面入射角的全球被动微波辐射亮温观测数据,具有10.65 GHz,18.7 GHz,23.8 GHz,36.5 GHz和89 GHz 5个频率双极化(水平和垂直),共10个观测通道[24]。FY-3D微波降雨率(microwave rain rate,MRR)L2产品是在L1产品原轨道分辨率的基础上,通过对数据的校正、处理和分析,得到的可供使用的全球降水率产品。

2 研究方法

由于大气中降水粒子对微波高频信号有一定的散射作用,高频通道的微波亮温观测值和近地面降水率呈现出一定的负相关性。对于多分量信号而言,单一的单波长亮温难以准确描述多源气象信息间复杂的非线性关系,导致无法有效区分各成分之间的相互耦合作用。由于单一通道的亮温和低频通道的亮温很难直接用于陆地降水的反演,可以通过对不同极化状态的亮温组合进行优化。

2.1 PCT-SI综合指数

本研究运用FY-3D/MWRI L1和L2资料,通过PCT-SI综合指数,建立适用于该仪器的近地面降水率反演算法。PCT-SI算法是一种用于降水反演的算法,该方法以气象学中常用的线性混合模型为理论框架,将卫星观测到的L1亮温数据作为输入参数,建立一个回归模型来估算出SI,利用PCT和SI之间的相互作用以及分别与降水率之间的密切关系,获得较高精度的近地面降水率,其公式为:
p r = b 0 + b 1 P C T 89 + b 2 S I
式中: b 0, b 1和 b 2分别为利用89 GHz PCT和SI对降水率进行多元线性拟合的回归系数; p r为近地面降水率估算值; P C T 89为89 GHz 的PCT[20]。

2.2 建立降水反演模型

在开展陆面降水反演工作之前,需要先对陆面降水个例进行筛选。本研究个例筛选依据如下: ①地区筛选,选取有代表性地区,例如气候类型和地形特征; ②降水类型筛选,选取对应降水类型,如强降水或暴雨。据此,本研究选取了中国雨水丰富的湖南地区2022年和2023年春、夏季3次比较明显的典型强降水案例。同时,本研究选取2022年6月1—10日湖南省一次降水过程共计10 d的数据。剔除L2产品无降水后的升、降轨数据,通过组合低频10 GHz,19 GHz,24 GHz垂直极化通道亮温(TB)来获取89 GHz垂直极化下的亮温估计值,得到SI后,再用PCT-SI算法估计近地面降水率,并将反演结果与L2产品进行比较分析。利用回归算法得到对应低频组合F,其公式为:
F A = - 749.3688 + 0.1276 T B 10 V - 1.1246 T B 19 V + 4.6003 T B 24 V
F D = - 824.1509 + 0.4880 T B 10 V - 3.4207 T B 19 V + 6.7978 T B 24 V
式中: FA和FD分别为升、降轨条件下的低频组合; TB10V,TB19V和TB24V分别为10.65 GHz,18.7 GHz和23.8 GHz的垂直极化通道的亮温; V为垂直极化。进一步可得到SI,其计算公式为:
S I = F - T B 89 V
即:
S I A = - 749.3688 + 0.1276 T B 10 V - 1.1246 T B 19 V + 4.6003 T B 24 V - T B 89 V
S I D = - 824.1509 + 0.4880 T B 10 V - 3.4207 T B 19 V + 6.7978 T B 24 V - T B 89 V
式中: SIA和SID分别为升、降轨条件下的SI; T B 89 V为89 GHz垂直极化通道的亮温。
89 GHz 的PCT[20]为:
P C T 89 = 1.818 T B 89 V - 0.818 T B 89 H
式中: PCT89为89 GHz的PCT; TB89H为89 GHz水平极化通道的亮温; H为水平极化。
通过SI和PCT,最终可得到反演降水率,其公式为:
p r A = 42.2020 - 0.1519 P C T 89 + 0.0077 S I A
p r D = 53.4048 - 0.1940 P C T 89 - 0.0090 S I D
式中prA和prD分别为升、降轨条件下的降水率。
依据式(8)和(9),分别与10 d升、降轨对应剔除无降水的降水数据进行拟合得到降水率的概率密度散点图,如图1所示。升轨条件下共2 413个采样点,PCT-SI算法所得反演算式与L2产品拟合的相关系数(R)为0.876 1,平均绝对误差(mean absolute evror,MAE)为0.771 1 mm/h,均方根误差(root mean square evror,RMSE)为1.151 4 mm/h; 降轨条件下共3 851个采样点,PCT-SI算法所得反演算式与L2产品拟合的R为0.911 3,MAE为1.130 4 mm/h,RMSE为1.832 2 mm/h。结果表明2个模型的反演精度较高,拟合散点图中回归方程的斜率小于1,说明模型反演的结果总体较L2产品值偏低。图中回归曲线与x=y直线在对应横坐标大约为5 mm/h处相交,可知当降水约小于5 mm/h时反演结果偏大,大于5 mm/h时反演结果偏小。
图1 2022年6月1—10日L2产品与反演降水率的概率密度散点图

Fig.1 Scatter plot of L2 products and retrieved rain rate from 1 to 10,June,2022

图2是MRR L2降水产品(图2(a)和(c))与反演结果(图2(b)和(d)),对比可得反演所得降水结果与实际降水资料状态近似度很高,且基本符合拟合散点图预期,可较为清晰地显示降水高值区(降水中心区)反演结果偏小,低值区反演结果偏大,进而导致反演的总降水范围有所扩大。
图2 2022年6月1—10日反演降水率与FY-3D卫星L2产品对比

Fig.2 Comparison of retrieved rain rate with FY-3D satellite L2 products from 1 to 10, June, 2022

3 模型验证

为进一步验证所建立的反演模型,再次选取2022年6月18—21日和2023年4月2—4日湖南省2次强降水个例,采用反演结果与MRR降水率L2产品的概率密度散点图如图3所示。分别得到2022年6月18—21日升轨时R为0.918 7、MAE为0.822 4 mm/h、RMSE为1.299 5 mm/h; 降轨时R为0.907 5、MAE为 1.086 7 mm/h、RMSE为1.476 1 mm/h; 23年4月2—4日升轨时R为0.929 6、MAE为1.319 7 mm/h、RMSE为2.117 7 mm/h; 降轨时R为0.869 2、MAE为1.461 3 mm/h、RMSE为1.906 4 mm/h。
图3 2个降水个例反演所得降水与L2产品拟合概率密度散点图

Fig.3 The rain rate obtained from the inversion of two precipitation cases fitted to the scatter plot of the L2 product

本研究所建立的模型反演降水率结果和L2产品之间的R、MAE及RMSE如表1所示。从表1中可以看出,3次强降水过程中,反演结果和L2产品之间的R均在0.87左右,MAE不超过1.47 mm/h,RMSE低于2.12 mm/h。可知,建立的2个模型精度较好。
表1 模型精度评价指标

Tab.1 Model precision evaluation indicators

个例 数据
量/个		 R MAE/
(mm·h-1)		 RMSE/
(mm·h-1)
2022年6月1—10日升轨 241 3 0.876 1 0.771 1 1.151 4
2022年6月1—10日降轨 385 1 0.911 3 1.130 4 1.832 2
2022年6月18—21日升轨 374 8 0.918 7 0.822 4 1.299 5
2022年6月18—21日降轨 276 1 0.907 5 1.086 7 1.476 1
2023年4月2—4日升轨 138 8 0.929 6 1.319 7 2.117 7
2023年4月2—4日降轨 205 1 0.869 2 1.461 3 1.906 4
同时,为判断模型反演结果较其L2产品误差来源,进一步将反演得到的降水空间分布与MRR L2产品降水率以及湖南气象站点降水率观测值进行比较(图4—7)。图4和图5分别是2022年6月18—21日和2023年4月2—4日2次强降水过程中,反演降水率、降水率L2产品和湖南气象站点降水率观测值的空间分布状况。图6和图7则是分别对应图4和图5的降水率概率密度散点图(以升轨为例)。
图4 2022年6月18—21日反演降水率与FY-3D卫星L2产品、站点数据对比

Fig.4 Comparison of retrieved rain rate with FY-3D satellite L2 products and station data from 18 to 21, June, 2022

图5 2023年4月2—4日反演降水率与FY-3D卫星L2产品、站点数据对比

Fig.5 Comparison of retrieved rain rate with FY-3D satellite L2 products and station data from 2 to 4, April, 2023

图6 2个降水个例L2产品与站点真值拟合概率密度散点图(升轨)

Fig.6 The L2 products of two precipitation cases fitted to the scatter plot of the station data (ascending orbits)

图7 2个降水个例反演所得降水与站点真值拟合概率密度散点图(升轨)

Fig.7 The rainfall intensity obtained from the inversion of two precipitation cases fitted to the scatter plot of the station data (ascending orbits)

由图4可以看出,模型反演所得的降水结果(图4(b)和(e))与L2产品(图4(a)和(d))之间有较高一致性,但L2产品中降水高值区对应的反演结果偏小,而低值区的反演结果则偏大,同时反演总降水范围也较L2产品偏大,这与图2得出的结论一致。与站点真实降水率观测值(图4(c)和(f))相比,L2产品总降水范围偏小(图4(a)和(d)),有所漏报; 而模型反演的总降水范围(图4(b)和(e))较 L2产品大,更接近于实际情况。图5中个例也有类似的情况。降轨条件下的情况与升轨条件下类似。
与站点真实降水率观测数据对比(图6和7)显示,2个强降水个例的L2产品与站点真值之间的相关性不高(图6),R分别是0.168 6和0.256 4,MAE分别是3.430 7 mm/h和2.067 5 mm/h,RMSE分别是10.625 8 mm/h和4.972 1 mm/h; 而反演的降水率与站点真值之间的相关性稍高(图7),R分别是0.414 2和0.349 5,MAE分别是2.519 3 mm/h和1.871 4 mm/h,RMSE分别是4.400 5 mm/h和3.468 6 mm/h。可以看出,在这2个个例中,L2产品与站点降水率实测值之间的整体一致性并不理想,L2产品总体降水范围偏小,有所漏报,且在降水率高值区效果不稳定,存在偏大或漏报情况,最终导致产品的整体误差较大。而模型反演结果与站点实测值之间的整体一致性稍高,精度也有所提高,特别是在降水率低的区域表现较为准确,能够更好地捕捉这些区域的降水特征,且总体上能够较好地反映降水的空间分布。但在强降水区域,反演结果出现了明显的低估,这可能由于传感器的动态范围、算法的精细度等因素导致,这种低估影响整体的降水率估计。

4 讨论

本研究通过PCT-SI综合指数法建立了2种(升/降轨)降水反演模型,利用FY-3D/MWRI L1亮温数据,比较成功地反演了湖南省陆面降水分布区域,可为定量估算强降水过程近地面降水率提供参考。但PCT-SI算法的反演结果受到多种因素的综合影响,其中存在误差的主要根源可能涉及反演模型的不确定性、误差传递的复杂性、数据处理的误差以及反演过程中参数调整的不准确性。具体有:
1)尽管使用高频与低频通道组合可以获得较好的反演结果,但仍存在误差。因此,在PCT-SI算法的反演过程中,需要对多个参数进行调整,如对不同散射信号进行分解时的参数、对降水粒子分布的参数等。如果这些参数调整不够精确,就会增大反演结果的误差。
2)在PCT-SI算法中,反演结果是基于MWRI接收到的微波辐射信号进行计算得到的,然而,由于受到大气、地表等多种因素的影响,这些因素可能会引入一定的误差,影响降水的准确反演。
3)可能漏测的降水像素点也是误差产生的原因之一。在PCT-SI算法的数据处理过程中,需要去除干扰杂散信号以进行反演计算,但这可能会引入误差,区分水陆面信号的方法不够完善,可能会影响反演结果的准确性。
4)由于降水过程的强烈程度、短时变化快、降水范围小、空间分布不均匀,因此算法需要对多种散射信号进行分解,并对不同尺度和形态下的降水粒子进行反演。然而,这些模型的精度和适用范围有限,可能存在一定的误差,从而对反演结果的准确性产生影响。

5 结论

本研究通过FY-3D/MWRI的微波亮温数据,根据不同微波频段通道亮温的特性,运用微波通道亮温组合来判别降水区域,结合与FY-3D/MWRI相匹配的L2降水产品,利用SI与PCT相结合的方法建立了湖南省的强降水降水率反演模型,并对其进行了验证。基于上述工作,得到如下结论:
1)通过对湖南省强降水个例的FY-3D/MWRI亮温数据和与其匹配的L2降水产品样本的统计,建立了适用于FY-3D/MWRI仪器的以PCT和SI为反演因子的强降水过程近地面降水率反演算法。升轨陆面和降轨陆面2个降水反演模型均倾向于高估降水低值、低估降水高值,反演的降水分布区域比L2产品降水区域略大,与站点实测的降水分布区域一致性更高。
2)相较于L2产品,该算法反演结果在与站点实测值的对比中体现出更高的精度,且升轨陆面模型的精度略高于降轨陆面模型,一定程度上这也体现出PCT-SI算法反演降水率模型有一定的应用价值。
由于L2产品和L1数据的时空分辨率完全一致,加上L2产品和地面站点观测数据之间的差异,可以考虑通过站点实测值建立L2产品的订正模型,提高建模过程中所使用的目标值的准确性,从而提高模型的反演精度。同时,也可以考虑结合地面雨量计进行数据融合,从而更好地提高降水估计的准确性。后续可以尝试建立不同季节、不同区域的降水反演模型,考虑增加样本量、结合多个降水个例或多传感器进行建模。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李莹, 赵珊珊. 2001—2020年中国洪涝灾害损失与致灾危险性研究[J]. 气候变化研究进展, 2022, 18(2):154-165.

Li Y, Zhao S S. Floods losses and hazards in China from 2001 to 2020[J]. Climate Change Research, 2022, 18(2):154-165.

[2]
马铮, 王国复, 张颖娴. 1961—2019年中国区域连续性暴雨过程的危险性区划[J]. 气候变化研究进展, 2022, 18(2):142-153.

Ma Z, Wang G F, Zhang Y X. The risk regionalization of regional continuity rainstorm processes in China during 1961—2019[J]. Climate Change Research, 2022, 18(2):142-153.

[3]
李新同, 史岚, 陈多妍. 基于深度学习的闽浙赣GPM降水产品降尺度方法[J]. 自然资源遥感, 2023, 35(4):105-113.doi:10.6046/zrzyyg.2022270.

Li X T, Shi L, Chen D Y. A deep learning-based study on downscaling of GPM products in Fujian-Zhejiang-Jiangxi area[J]. Remote Sensing for Natural Resources, 2023, 35(4):105-113.doi:10.6046/zrzyyg.2022270.

[4]
Wei X C, Min M, Li J, et al. Characteristics of strong storms at the pre-convection stage from satellite microwave sounder observations[J]. Journal of Geophysical Research:Atmospheres, 2022, 127(22):e2022JD037216.

[5]
杜方洲, 石玉立, 盛夏. 基于深度学习的TRMM降水产品降尺度研究——以中国东北地区为例[J]. 国土资源遥感, 2020, 32(4):145-153.doi:10.6046/gtzyyg.2020.04.19.

Du F Z, Shi Y L, Sheng X. Research on downscaling of TRMM precipitation products based on deep learning:Exemplified by Northeast China[J]. Remote Sensing for Land and Resources, 2020, 32(4):145-153.doi:10.6046/gtzyyg.2020.04.19.

[6]
Hayden L, Liu C T. Differences in the diurnal variation of precipitation estimated by spaceborne radar,passive microwave radiometer,and IMERG[J]. Journal of Geophysical Research:Atmospheres, 2021, 126(9):e2020JD033020.

[7]
Bi M M, Zou X L. Comparison of cloud/rain band structures of Typhoon Muifa (2022) revealed in FY-3E MWHS-2 observations with all-sky simulations[J]. Journal of Geophysical Research:Atmospheres, 2023, 128(23):e2023JD039410.

[8]
何会中, 崔哲虎, 程明虎, 等. TRMM卫星及其数据产品应用[J]. 气象科技, 2004, 32(1):13-18.

He H Z, Cui Z H, Cheng M H, et al. TRMM satellite and application of its products[J]. Meteorological Science and Technology, 2004, 32(1):13-18.

[9]
唐国强, 万玮, 曾子悦, 等. 全球降水测量(GPM)计划及其最新进展综述[J]. 遥感技术与应用, 2015, 30(4) :607-615.

DOI

Tang G Q, Wan W, Zeng Z Y, et al. An overview of the global precipitation measurement (GPM) mission and it’s latest development[J]. Remote Sensing Technology and Application, 2015, 30(4):607-615.

[10]
谷松岩, 张鹏, 陈林, 等. 中国首颗降水测量卫星(风云三号G星)的探测能力概述与展望[J]. 暴雨灾害, 42(5):489-498.

Gu S Y, Zhang P, Chen L, et al. 2023. Overview and prospect of the detection capability of China’s first precipitation measurement satellite FY-3G[J]. Torrential Rain and Disasters, 2023, 42(5):489-498.

[11]
Spencer R W. A satellite passive 37-GHz scattering-based method for measuring oceanic rain rates[J]. Journal of Climate and Applied Meteorology, 1986, 25(6):754-766.

[12]
Spencer R W, Goodman H M, Hood R E. Precipitation retrieval over land and ocean with the SSM/I:Identification and characteristics of the scattering signal[J]. Journal of Atmospheric and Oceanic Technology, 1989, 6(2):254-273.

[13]
Cecil D J, Chronis T. Polarization-corrected temperatures for 10-,19-,37-,and 89-GHz passive microwave frequencies[J]. Journal of Applied Meteorology and Climatology, 2018, 57(10):2249-2265.

[14]
Grody N C. Classification of snow cover and precipitation using the special sensor microwave imager[J]. Journal of Geophysical Research:Atmospheres, 1991, 96(D4):7423-7435.

[15]
Ferraro R R, Grody N C, Marks G F. Effects of surface conditions on rain identification using the DMSP-SSM/I[J]. Remote Sensing Reviews, 1994, 11(1/2/3/4):195-209.

[16]
Ferraro R R, Smith E A, Berg W, et al. A screening methodology for passive microwave precipitation retrieval algorithms[J]. Journal of the Atmospheric Sciences, 1998, 55(9):1583-1600.

[17]
Liu G S, Curry J A. Retrieval of precipitation from satellite microwave measurement using both emission and scattering[J]. Journal of Geophysical Research:Atmospheres, 1992, 97(D9):9959-9974.

[18]
Li L, Zhu Y J, Zhao B L. Rainfall retrieval over land from satellite remote sensing (SSM/I)[J]. Chinese Science Bulletin, 1998, 43(22):1913-1917.

[19]
Zhao B L, Yao Z Y, Li W B, et al. Rainfall retrieval and flooding monitoring in China using TRMM microwave imager(TMI)[J]. Journal of the Meteorological Society of Japan, 2001, 79(1B):301-315.

[20]
李万彪, 陈勇, 朱元竞, 等. 利用热带降雨测量卫星的微波成像仪观测资料反演陆地降水[J]. 气象学报, 2001, 59(5):591-601.

Li W B, Chen Y, Zhu Y J, et al. Retrieval of rain over land by using TRMM/TMI measurements[J]. Acta Meteorologica Sinica, 2001, 59(5):591-601.

[21]
李世伟, 赖格英, 盛盈盈, 等. PCT-SI综合指数法反演陆面雨强[J]. 气象与环境科学, 2015, 38(2):102-107.

Li S W, Lai G Y, Sheng Y Y, et al. Refutation of rainfall density over land by PCT-SI[J]. Meteorological and Environmental Sciences, 2015, 38(2):102-107.

[22]
闵爱荣, 游然, 卢乃锰, 等. TRMM卫星微波成像仪资料的陆面降水反演[J]. 热带气象学报, 2008, 24(3):265-272.

Min A R, You R, Lu N M, et al. Retrieval of precipitation over land using TRMM microwave image[J]. Journal of Tropical Meteorology, 2008, 24(3):265-272.

[23]
邓欣柔, 吴莹. 基于GPM探测资料的台风降水水平结构分析[J]. 地球物理学进展, 2022, 37(5):1799-1806.

Deng X R, Wu Y. Analysis of horizontal precipitation structure of typhoon area based on GPM detection data[J]. Progress in Geophysics, 2022, 37(5):1799-1806.

[24]
闵爱荣, 张翠荣, 王晓芳. 基于微波成像仪资料反演陆面降水[J]. 气象科技, 2008, 36(4):495-498.

Min A R, Zhang C R, Wang X F. Retrieval of precipitation over land using microwave imagers[J]. Meteorological Science and Technology, 2008, 36(4):495-498.

Options
文章导航

/

〈 〉