《Remote Sensing》:Identifying Cloud Regimes and Their Transitions Related to Extreme Precipitation and Hail Events over the Alps Through Self-Supervised Learning
编辑推荐:
复杂地形上的极端降水与冰雹事件强烈依赖对流系统的多尺度演变,但其发展仍难以观测和模拟。本研究将自监督学习(self-supervised learning, SSL)框架应用于阿尔卑斯地区Meteosat红外10.8 μm影像,以获取整个日循环内具有物理意义的
复杂地形上的极端降水与冰雹事件强烈依赖对流系统的多尺度演变,但其发展仍难以观测和模拟。本研究将自监督学习(self-supervised learning, SSL)框架应用于阿尔卑斯地区Meteosat红外10.8 μm影像,以获取整个日循环内具有物理意义的对流云组织表征。学习到的表征将对流云场景组织为三个主要模态:早期对流(early convection, EC)、深对流(deep convection, DC)和阴蔽砧状系统(overcast anvil systems, OA),每个模态均表现出与既有对流发展阶段一致的独特云顶属性、空间结构和昼夜分布。在所建立的SSL框架内,已报告的极端降水与冰雹事件优先与这些模态相关联,并在潜空间中占据云顶高度、光学厚度和云覆盖率分布的上尾。这表明极端事件对应于连续对流变率中罕见而强烈的实现。研究识别出两条主要的云结构演变路径:快速的EC→DC转变和持续的DC模态。前者以云快速发展和增强为特征,后者对应于云属性持续维持的成熟对流系统。总体而言,结果表明,基于红外的SSL表征能够捕捉物理上一致的对流阶段及其转变,为表征极端对流事件提供新的观测框架,并支持对对流可分辨数值天气预报(numerical weather prediction, NWP)模式的评估。
研究背景方面,阿尔卑斯山是暴雨和冰雹热点,气候变化预计会放大降水极端;数值天气预报(numerical weather prediction, NWP)模式在复杂地形上对对流和降水的表征存在持续偏差,部分原因在于亚公里尺度湍流和云微物理过程难以表征,云组织也通常未被显式表征。地面观测方面,天气雷达可能受波束阻挡和地形伪影影响,阿尔卑斯外场观测受限于较小区域和较短时段;静止卫星红外(infrared, IR)观测可连续被动监测云演变,但卷云可遮挡下层对流信号。已有云分类和机器学习/深度学习研究,自监督学习(self-supervised learning, SSL)可直接从无标签数据学习稳健且可迁移的特征表征,对数据集不平衡具有韧性,适合研究稀有极端事件;然而,现有SSL云分类尚未用于复杂地形连续静止IR影像学习对流组织。为此,研究人员将SSL应用于Meteosat Second Generation Spinning Enhanced Visible and Infrared Imager(MSG-SEVIRI)10.8 μm亮温(brightness temperature, BT)影像,结合欧洲严重天气数据库(European Severe Weather Database, ESWD)极端降水和冰雹报告,识别云模态及其转变,回答SSL能否识别极端事件相关对流场景、能否刻画主导转变路径;该研究为表征极端对流事件和评估对流可分辨NWP模式提供观测框架。
关键技术方法(不超过250字):研究人员采用MSG-SEVIRI 10.8 μm BT影像(阿尔卑斯域,2013—2025年4—9月;训练年份2013、2017、2021、2025,测试年份其余),以CLAAS-3云掩膜预处理;极端事件样本来自ESWD中QC1/QC2的极端降水与冰雹(冰雹最大直径≥2 cm)报告,经DBSCAN空间聚类和轨迹链接构建事件中心轨迹,并向报告时段外延伸±2 h;采用DeepCluster-v2 SSL框架(Siamese ResNet-50)学习特征,聚类数k=7,结合CM SAF CLAAS-3云属性和IMERG Final Run降水进行物理表征。
研究结果如下。
3.1 训练数据集表征(Characterization of the Training Dataset):通过对训练crop的潜空间聚类和物理属性分析,模型识别7个云模态,排除175个无效标签crop;分为低云量晴空(clear sky, CS)和浅云(shallow clouds, SC)、中层云1/2(MC1/MC2)、早期对流(early convection, EC)、深对流(deep convection, DC)和阴蔽砧状系统(overcast anvil systems, OA)。t-SNE投影显示云量梯度;OA最频繁,EC和MC1最少;CS、EC和DC偏日间,EC峰值10—14 UTC,DC 12—19 UTC;CS/SC云覆盖率(cloud cover, CC)低、云顶高度(cloud top height, CTH)中位数(CTH
median)和云光学厚度(cloud optical thickness, COT)中位数(COT
median)低;MC2 CC>60%、夜间偏好、CTH
median约4 km,MC1 COT
median约8;EC CC约40%、CTH
median约4 km、COT
median约5,呈早期对流;DC CC中位约72%、CTH
median近9 km、COT较大,呈成熟对流核;OA CC最大、CTH
median约8 km、COT
median约15,呈广泛光学厚砧状云盾,北侧更频繁。结论:SSL可无监督组织出与对流发展阶段一致的模态。
3.2 极端事件云场景的特征空间表征(Feature Space Representation of Extreme-Event Cloud Scenes):将ESWD测试轨迹输入冻结模型,极端事件特征向量主要重叠EC、DC、OA,少量MC2;50百分位密度中心位于DC;测试样本61.30%为DC、15.29%为EC、15.62%为OA;余弦相似度显示EC测试与训练相近,DC和OA测试均值更低,OA更异质;极端事件位于类质心较远,是各模态不频繁而强烈的尾实现;OA更分散,可能混合孤立对流砧状外流和锋面嵌入对流。结论:极端事件可在SSL特征空间识别,但不是独立模态。
3.3 极端事件云场景物理特征(Physical Characteristics of Extreme-Event Cloud Scenes):比较测试与训练物理属性,三类对流模态测试样本CC、CTH
median、COT
median整体向更高值偏移,CTH
10+和COT
30+增加,OA的COT增幅最大;EC日间驱动峰值约13 UTC,DC全天峰值约16 UTC,OA较均匀;约40%事件在夜间18—04 UTC;极端事件不是独立云模态,而是DC等模态内更冷、更高、光学更厚、覆盖更广的实现。结论:SSL表征捕捉云形态和风暴组织。
3.4 路径统计(Pathways Statistics):通过路径匹配保留699条轨迹(18,421测试crop),337条持续、281条二元、81条三元;21种理论组合观察到14种,保留≥10次共10条;主导为持续DC(243条)和EC→DC(188条),合计61.7%;t-SNE显示EC→DC跨越EC到DC区域,DC持续集中于DC质心,外围轨迹云属性更发展(CC 85% vs 71%,CTH
median 10.2 vs 9.2 km,COT
median 12.1 vs 10.2);代表性影像显示EC→DC冷云区逐渐扩展,DC持续初始已有广泛冷云区且扩展不规则。结论:两条路径代表不同对流演变模式。
3.5 EC→DC转变(EC → DC Transition):时间对齐分析显示EC余弦相似度下降、DC上升,转变集中;CTH
median由约5.9 km升至9.8 km并达约10.6 km,CC由约51%升至68%并达76%,CTH
10+由约23%升至49%并达67%,COT
30+由约9%升至约24%后稳定;平均雨率由约0.10 mm h
?1升至0.42并达0.49 mm h
?1,降水面积由约5%升至21%;轨迹采样由日间转向夜间。结论:EC→DC对应快速垂直增强和降水扩展,类似成熟深对流前云顶快速冷却。
3.6 DC持续(DC Persistence):DC余弦相似度稳定在约0.82—0.85;CTH
median由约9.0 km升至9.7并达10.5 km,COT
median由约6.1升至8.7后稳定;CC稳定在约77—83%,CTH
10+由约33%升至45%并达63%,COT
30+由约18%升至26%后维持25—28%;平均雨率由约0.24升至0.46并达0.57 mm h
?1,降水面积由约16%升至22%后维持21—24%;采样由日间转夜间。结论:DC持续对应成熟组织化深对流,云属性维持。
讨论部分总结认为,极端事件是现有对流模态的上尾,而非独立模态,但这一结论限于当前SSL表征和k=7聚类配置;EC→DC类似快速垂直增强,DC持续可能对应组织化深对流,受持续水汽、不稳定和地形强迫维持;SSL类与经典COT-CTH直方图和其他云模态分类一致。局限包括SEVIRI约4 km有效分辨率、IR对薄卷云和云微物理不敏感、云掩膜不确定、离散聚类边界模糊、k=7非最优、夜间COT缺失、ESWD报告和轨迹链接插值外推不确定;未来多光谱、Meteosat Third Generation更高分辨率和无聚类SSL可改进。
研究结论(翻译):本研究将SSL框架应用于MSG-SEVIRI IR 10.8 μm影像并结合云掩膜,识别阿尔卑斯地区云模态并刻画其与极端降水和冰雹的关系。模型直接从无标签静止卫星观测学习,按空间形态和热结构组织云场景而无需预定义类别;IR影像支持昼夜连续分析,约40%轨迹发生在18:00—04:00 UTC。针对RQ1,极端降水和冰雹相关云场景占据学习潜空间的优先区域,主要位于DC(61.3%)、EC(15.3%)和OA(15.6%);在这些模态内,极端事件样本系统性地更冷、更高、光学更厚、空间更广,EC的CTH
median由5.25 km增至6.74 km,OA的COT
median由14.52增至20.71,DC的COT
30+由15.9%增至26.0%,OA由24.0%增至35.9%。这表明SSL表征可直接从红外卫星影像捕捉对流云组织的有物理意义变化,同时在当前表征和聚类配置下将极端事件表示为既有对流模态的强烈实现。针对RQ2,ESWD轨迹中两条主导演变路径为EC→DC转变(188条)和持续DC(243条),合计占61.7%;EC→DC以云顶高度和空间范围显著增加为特征,CTH
median由约5.9 km升至10.6 km,CC由51%升至76%,CTH
10+由23%升至67%;持续DC轨迹初始CC已约77—83%,CTH
10+由33%升至63%。这些结果表明学习潜空间可用于研究瞬时云形态和与已报告极端事件相关的云模态转变。总体而言,本工作证明SSL可从静止IR卫星档案中无监督恢复物理可解释的对流组织与演变表征,所得云模态和演变路径为评估对流可分辨天气和气候模式中的云表征提供观测基准,补充传统基于像元的验证。