本发明涉及一种基于风云静止卫星红外高光谱的对流潜势监测方法及系统，属于天气预报。
背景技术：
1、强对流天气的监测预警一直是天气预报的难题。随着观测手段的不断进步，特别是天气雷达，能够有效实现内部结构的精细化探测，有效提升了天气监测预警能力。对流潜势预报也就是在对流发生前，根据天气形势分析可能出现对流的区域、类型及强度大小等。在深厚对流发生的三个基本条件基础上建立起来的基于诊断对流发生条件的方法，即根据不同的物理量诊断其对不同强对流天气的指示意义，分类实现对流监测预警，是潜势预报的重要方法之一。目前，对流天气诊断物理量的计算和大气稳定度的分析主要依靠各种地基和高空观测，以及数值模式的预报产品进行。这里主要包括有基于探空资料计算观测环境参数进行对流天气预报。基于我国新一代多普勒业务雷达组网的构建，通过多部云雷达、双偏振雷达、相控阵雷达的组网观测等，实现对我国华南、江淮、华北等地区对流天气形成机理的认识及其监测预警能力的显著提升。
2、卫星遥感，特别是静止气象卫星区域连续观测的优势，使得我们对对流天气监测预警能力得到快速发展。因此，基于静止卫星光谱成像仪红外通道亮温及其演变分析，可实现对流初生的有效识别，与基于雷达回波进行的对流初生监测相比可提前10-30分钟。
3、但是，通过对以上基于雷达、卫星光谱成像仪的监测手段分析可发现，现有的对流监测预警技术还存在很大的不足，主要问题包括：1）有限时空分辨率的地基、探空等观测，限制了对偏远地区、海洋上空和局地发展较快对流系统的判识和预警；2）目前已有的方法，包括雷达观测、基于卫星光谱成像仪的对流初生监测，都更适用于发展相对成熟、生命史长的对流系统，而在对流发展早期，特别是对流初生前，从无到有过程的判别和监测还存在很大的空缺。
技术实现思路
1、本发明针对当前在对流监测评估中的不足，发挥静止卫星红外高光谱探测仪区域连续探测、高光谱、高分辨率优势，在获得大气温湿参数的基础上，构建区域最优对流潜势指标，实现对流潜势的监测评估，为气象防灾减灾提供技术支撑。
2、为实现上述的技术目的，本发明将采取如下的技术方案：
3、一种基于风云静止卫星红外高光谱的对流潜势监测方法，包括如下步骤：
4、步骤一、获取目标区域的格点化大气温湿廓线数据估计值：
5、根据目标区域的红外高光谱观测数据，基于大气温湿反演模型，开展大气温湿廓线的遥感，获得目标区域的格点化大气温湿廓线数据估计值；
6、步骤二、获得目标区域的修正大气稳定度参数：
7、根据步骤一获得的目标区域的大气温湿廓线数据估计值，构建多个大气稳定度参数，并根据目标区域的大气特点进行修正，以获得相应的修正大气稳定度参数，进而适应目标区域大气稳定度参数分析需要；
8、所获得的多个修正大气稳定度参数包括对流有效势能cape、对流抑制能量cin、修正最大对流稳定度参数mbi、修正沙氏指数msi以及修正k指数mk；
9、步骤三、确定各大气稳定度参数反映的目标区域的潜在对流发生区：
10、根据步骤二所获得的多个修正大气稳定度参数，分析每个大气稳定度参数的统计特征，确定各大气稳定度参数反映的目标区域的潜在对流发生区；
11、步骤四、综合评估目标区域的对流潜势：
12、根据步骤三所确定的各大气稳定度参数反映的潜在对流发生区，综合评估目标区域未来对流可能发生的区域，并输出对流潜势评估分析结果。
13、优选地，步骤三中，确定各大气稳定度参数反映的潜在对流发生区，具体包括如下步骤：
14、步骤301、分别计算目标区域内各大气稳定度参数的均值和标准差；
15、步骤302、分别构建目标区域内各大气稳定度参数的阈值标准；
16、基于步骤301所计算出的目标区域内的各大气稳定度参数的均值和标准差，构建相应大气稳定度参数的阈值标准；
17、所述的阈值标准有两个，对应为大值阈值标准以及小值阈值标准，其中：
18、；
19、；
20、上式中：表示第种大气稳定度参数的大值阈值标准；表示第种大气稳定度参数的均值；表示第种大气稳定度参数的标准差；表示第种大气稳定度参数的小值阈值标准；表示大气稳定度参数的种类，取值为[1,5]，其中：第1种大气稳定度参数为对流有效势能cape，第2种大气稳定度参数为对流抑制能量cin，第3种大气稳定度参数为修正最大对流稳定度参数mbi，第4种大气稳定度参数为修正沙氏指数msi，第5种大气稳定度参数为修正k指数mk；
21、步骤303、区域内格点类型标记：
22、将区域内任意格点对应的各大气稳定度参数均与步骤302所构建的相应大气稳定度参数的阈值标准进行比较，并根据比较结果标记相应格点类型：当比较结果表明时，将相应的格点标记为第种大气稳定度参数的大值区域：当比较结果表明时，将相应的格点标记为第种大气稳定度参数的小值区域；
23、步骤304、确定不同大气稳定度参数反映的潜在对流发生区：
24、对流有效势能cape的大值区域为通过对流有效势能cape反映的潜在对流发生区，对流抑制能量cin的小值区域为通过对流抑制能量cin反映的潜在对流发生区，修正k指数mk的大值区域为通过修正k指数mk反映的潜在对流发生区；修正最大对流稳定度指数mbi的小值区域为通过修正最大对流稳定度指数mbi反映的潜在对流发生区，修正沙氏指数msi的小值区域为通过修正沙氏指数msi反映的潜在对流发生区。
25、优选地，步骤四中，综合评估目标区域的对流潜势，具体包括如下步骤：
26、先判断通过对流有效势能cape反映的潜在对流发生区中格点连续的数量是否满足预设要求，若判断结果表明通过对流有效势能cape反映的潜在对流发生区中格点连续的数量满足预设要求的前提下，继续判断这些格点是否同时为修正最大对流稳定度指数mbi、修正沙氏指数msi以及修正k指数mk反映的潜在对流发生区，若判断结果表明这些格点同时为修正最大对流稳定度指数mbi、修正沙氏指数msi以及修正k指数mk反映的潜在对流发生区，即可将这些格点对应的区域综合判断为未来对流可能发生区域；
27、反之，若判断结果表明通过对流有效势能cape反映的潜在对流发生区中格点连续的数量不满足预设要求，则继续判断这些格点是否同时为对流抑制能量cin、修正最大对流稳定度指数mbi、修正沙氏指数msi以及修正k指数mk反映的潜在对流发生区，若判断结果表明这些格点同时为对流抑制能量cin、修正最大对流稳定度指数mbi、修正沙氏指数msi以及修正k指数mk反映的潜在对流发生区，即可将这些格点对应的区域综合判断为未来对流可能发生区域。
28、优选地，步骤二中，对流有效势能cape、对流抑制能量cin分别通过下式计算：
29、；
30、；
31、式中：为自由对流高度；为平衡高度；表示上升气块的虚温；是环境空气的虚温；为大气高度层的底层；为重力加速度，表示高度变化；
32、当目标区域为中国东部及沿海地区时，修正最大对流稳定度参数mbi、修正沙氏指数msi以及修正k指数mk分别通过下式计算：
33、；
34、；
35、；
36、上式中，表示大气高度层介于650-500 hpa间的假相当位温；表示大气高度层介于1013-850间的假相当位温；表示大气高度层为500 hpa的环境温度，表示大气高度层为500 hpa的气块温度；表示大气高度层为850 hpa的温度；表示大气高度层为850 hpa的露点温度；表示大气高度层为500 hpa的温度；表示大气高度层为700 hpa的温度；表示大气高度层为700 hpa的露点温度；
37、当目标区域为高原地区时，修正最大对流稳定度指数mbi、修正沙氏指数msi以及修正k指数mk分别通过下式计算：
38、；
39、；
40、；
41、上式中，表示大气高度层介于500-300 hpa间的假相当位温；表示大气高度层为250 hpa的环境温度，表示大气高度层为250 hpa的气块温度；表示大气高度层为500 hpa的温度；表示大气高度层为500 hpa的露点温度；表示大气高度层为300 hpa的温度；表示大气高度层为400 hpa的温度；表示大气高度层为400 hpa的露点温度。
42、优选地，上升气块的虚温、环境空气的虚温均通过下式计算：
43、；
44、其中：表示任意气压层的虚温；为相应气压层的实际温度，为相应气压层的水汽压力，为相应气压层的大气压。
45、优选地，假相当位温、假相当位温以及假相当位温均通过下式计算：
46、；
47、其中：表示任意气压层大气的假相当位温；表示相应气压层大气的温度，表示水蒸气的潜热，表示任意气压层大气的比热容，表示任意气压层大气的比湿。
48、优选地，步骤一中，大气温湿反演模型为深度学习的大气温湿反演模型，大气温湿反演模型的学习采用训练数据集，大气温湿反演模型的超参数调优采用验证数据集，大气温湿反演模型的泛化性能评估采用测试数据集；
49、训练数据集、验证数据集、测试数据集均包括历史温湿廓线观测数据以及与历史温湿廓线观测数据时空匹配的历史红外高光谱观测数据；
50、通过利用深度学习的大气温湿反演模型来多次处理来自训练数据集的历史红外高光谱观测数据，并将深度学习的大气温湿反演模型的输出与所输入的训练数据集中的历史温湿廓线观测数据进行比较，以计算损失函数来训练深度学习的大气温湿反演模型。
51、优选地，训练数据集、验证数据集、测试数据集通过下述步骤获取：
52、步骤101、提取目标区域的历史温湿廓线观测数据、红外高光谱观测数据：
53、从大气再分析资料中提取历史年度内预设大气高度层内的历史温湿廓线观测数据，并将预设大气高度层垂直划分为若干个气压层；
54、提取与历史温湿廓线观测数据时间对应的红外高光谱观测资料中的红外高光谱观测数据；
55、步骤102. 构建目标区域的格点数据：
56、将步骤101所提取获得的历史温湿廓线观测数据以及全通道光谱数据进行时空匹配，形成格点数据；
57、步骤103. 计算统计参数：
58、逐一计算各格点数据中的历史温湿廓线观测数据在每个气压层的平均值和标准差；逐一计算各格点数据中的红外高光谱观测数据的平均值和标准差；
59、步骤104. 格点数据的标准化处理：
60、基于步骤103所计算出的各历史温湿廓线观测数据的平均值和标准差、各红外高光谱观测数据的平均值和标准差，将相应格点数据中的历史温湿廓线观测数据、红外高光谱观测数据进行标准化处理，以获得标准化的格点数据；
61、步骤105. 构建训练数据集、验证数据集和测试数据集；
62、将步骤104获得的格点数据按时间的先后顺序进行排序后，将其分为三部分，其中一部分为训练数据集，一部分为验证数据集，还有一部分为测试数据集。
63、优选地，步骤104中，格点数据的标准化处理，具体包括：将格点数据中的每一个数据均减去其平均值，再除以对应的标准差。
64、本发明的另一个技术目的是提供一种基于风云静止卫星红外高光谱的对流潜势监测系统，其包括被编程为执行上述的基于风云静止卫星红外高光谱的对流潜势监测方法。
65、基于上述的技术目的，相对于现有技术，本发明具有如下的优势：
66、本发明提供了一种基于风云静止卫星红外高光谱的对流潜势监测方法及系统，能够根据卫星实时观测数据，近实时获得区域大气温湿廓线资料，多个大气稳定度参数，最终根据最优组合，获得区域对流潜势结果，实现对未来发生对流区的评估和预警。发挥卫星观测时空优势，可以实现45分钟及以上对未来对流发生的评估，在空间上实现了0.25度格点化的监测预警，有效提升对对流过程认识、预判和预警，具有广泛的应用前景。
1.一种基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，步骤三中，确定各大气稳定度参数反映的潜在对流发生区，具体包括如下步骤：
3.根据权利要求2所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，步骤四中，综合评估目标区域的对流潜势，具体包括如下步骤：
4.根据权利要求3所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，步骤二中，对流有效势能cape、对流抑制能量cin分别通过下式计算：
5.根据权利要求4所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，上升气块的虚温、环境空气的虚温均通过下式计算：
6.根据权利要求4所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，假相当位温、假相当位温以及假相当位温均通过下式计算：
7.根据权利要求2所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，步骤一中，大气温湿反演模型为深度学习的大气温湿反演模型，大气温湿反演模型的学习采用训练数据集，大气温湿反演模型的超参数调优采用验证数据集，大气温湿反演模型的泛化性能评估采用测试数据集；
8.根据权利要求7所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，训练数据集通过下述步骤获取：
9.根据权利要求8所述的基于风云静止卫星红外高光谱的对流潜势监测方法，其特征在于，步骤104中，格点数据的标准化处理，具体包括：将格点数据中的每一个数据均减去其平均值，再除以对应的标准差。
10.一种基于风云静止卫星红外高光谱的对流潜势监测系统，其特征在于，所述的对流潜势监测系统包括被编程为执行权利要求1-9中任一项权利要求所述的基于风云静止卫星红外高光谱的对流潜势监测方法。
