Un marco de aprendizaje profundo de múltiples etapas para la recuperación de la altura de la nube de múltiples fuentes a partir de datos de FY-4A/AGRI
Autores: Cheng, Yinhe; Shen, Long; Zhang, Jiulei; He, Hongjian; Gu, Xiaomin; Wang, Shengxiang; Ma, Tinghuai
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Altura de la cima de las nubes
Marco de aprendizaje profundo
Datos del satélite FY-4A
Fusión de datos de múltiples fuentes
Temperatura de la cima de las nubes
Presión de la cima de las nubes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 3
Citaciones: Sin citaciones
La Altura de la Cima de las Nubes (CTH), definida como la altitud de la capa de nubes más alta sobre el nivel medio del mar, es un parámetro geofísico crucial para cuantificar los efectos radiativos de las nubes, analizar sistemas meteorológicos severos y mejorar los modelos climáticos. Para mejorar la precisión de la recuperación del CTH a partir de los datos del satélite Fengyun-4A (FY-4A), este estudio propone un marco de aprendizaje profundo en múltiples etapas que refina progresivamente la estimación de parámetros de nubes. El método utiliza información de nubes del producto de datos de radiancia del escáner calibrado de nivel 1 FY-4A/AGRI (Imager de Radiación Geosincrónica Avanzado) para construir un modelo de red neuronal de fusión de datos de múltiples fuentes. Las entradas del modelo combinan datos de radiancia de múltiples canales con parámetros de nubes, incluyendo la Temperatura de la Cima de las Nubes (CTT) y la Presión de la Cima de las Nubes (CTP). Utilizamos los datos de medición del CTH del satélite de Observaciones de Lidar de Nubes y Aerosoles y Satélites Infrarrojos (CALIPSO) como referencia para verificar la salida del modelo. Los resultados demuestran que el modelo propuesto en múltiples etapas mejora significativamente la precisión de recuperación. En comparación con el producto oficial de CTH del FY-4A, el Error Absoluto Medio (MAE) se redujo en un 49.12% a 2.03 km, y el Coeficiente de Correlación de Pearson (PCC) alcanzó 0.85. Para probar la aplicabilidad del modelo bajo condiciones meteorológicas complejas, lo aplicamos a la inversión del CTH del evento de doble tifón del 10 de agosto de 2019. El modelo caracterizó con éxito la distribución espacial del CTH dentro de las regiones de tifón. Los resultados son consistentes con los informes del Centro Meteorológico Nacional de Satélites (NSMC) y revelan claramente las diferentes evoluciones de intensidad de los dos tifones. Esta investigación proporciona una solución efectiva para la recuperación de alta precisión del CTH de nubes de gran altitud a gran escala, utilizando datos de teledetección de satélites meteorológicos geoestacionarios.
Descripción
La Altura de la Cima de las Nubes (CTH), definida como la altitud de la capa de nubes más alta sobre el nivel medio del mar, es un parámetro geofísico crucial para cuantificar los efectos radiativos de las nubes, analizar sistemas meteorológicos severos y mejorar los modelos climáticos. Para mejorar la precisión de la recuperación del CTH a partir de los datos del satélite Fengyun-4A (FY-4A), este estudio propone un marco de aprendizaje profundo en múltiples etapas que refina progresivamente la estimación de parámetros de nubes. El método utiliza información de nubes del producto de datos de radiancia del escáner calibrado de nivel 1 FY-4A/AGRI (Imager de Radiación Geosincrónica Avanzado) para construir un modelo de red neuronal de fusión de datos de múltiples fuentes. Las entradas del modelo combinan datos de radiancia de múltiples canales con parámetros de nubes, incluyendo la Temperatura de la Cima de las Nubes (CTT) y la Presión de la Cima de las Nubes (CTP). Utilizamos los datos de medición del CTH del satélite de Observaciones de Lidar de Nubes y Aerosoles y Satélites Infrarrojos (CALIPSO) como referencia para verificar la salida del modelo. Los resultados demuestran que el modelo propuesto en múltiples etapas mejora significativamente la precisión de recuperación. En comparación con el producto oficial de CTH del FY-4A, el Error Absoluto Medio (MAE) se redujo en un 49.12% a 2.03 km, y el Coeficiente de Correlación de Pearson (PCC) alcanzó 0.85. Para probar la aplicabilidad del modelo bajo condiciones meteorológicas complejas, lo aplicamos a la inversión del CTH del evento de doble tifón del 10 de agosto de 2019. El modelo caracterizó con éxito la distribución espacial del CTH dentro de las regiones de tifón. Los resultados son consistentes con los informes del Centro Meteorológico Nacional de Satélites (NSMC) y revelan claramente las diferentes evoluciones de intensidad de los dos tifones. Esta investigación proporciona una solución efectiva para la recuperación de alta precisión del CTH de nubes de gran altitud a gran escala, utilizando datos de teledetección de satélites meteorológicos geoestacionarios.