Tác giả

Nguyễn Vinh Thư 1

Đơn vị công tác

1Đài Khí tượng Cao không, Trung tâm Khí tượng Thủy văn quốc gia

Tóm tắt

Phân loại mây thời gian thực có ý nghĩa rất quan trọng cho dự báo khí tượng thủy văn (KTTV). Với hiện trạng mạng lưới trạm KTTV rất thưa thớt trong nước, đặc biệt là tại các vùng núi, hải đảo thì việc phân tích mây chủ yếu dựa vào vệ tinh và radar thời tiết. Trong những năm gần đây, nhiều phương pháp phân loại mây được nghiên cứu, nâng cao độ chính xác của phân loại mây. Bài báo giới thiệu nghiên cứu sử dụng bảng tra cứu đa chiều (LUT) để phân loại mây trên cơ sở các thông tin nhiệt bức xạ tại các dải phổ hồng ngoại nhiệt và hơi nước của vệ tinh MTSAT, kết hợp với số liệu mây từ các trạm quan trắc bề mặt. Khu vực nghiên cứu ở đây bao gồm toàn bộ lãnh thổ Việt Nam được chia thành 18 vùng nhỏ kích thước 050 x 050. Thử nghiệm áp dụng cho thấy kết quả rất hữu ích cho các nhà dự báo trong việc phân tích mây và có thể đưa vào ứng dụng trong nghiệp vụ, mặc dù còn hạn chế đối với trường hợp mây thấp và mây tầng trung.

Từ khóa

Nhiệt độ bức xạ , kênh hồng ngoại nhiệt , MTSAT

Trích dẫn bài báo

Nguyễn Vinh Thư (2017), Nghiên cứu phương pháp phân loại mây từ thông tin vệ tinh địa tĩnh MITSAT. Tạp chí Khí tượng Thủy văn, 675, 27-34.

Tài liệu tham khảo

1. Bin Tian, Mukhtiar A. Shaikh, Mahmood R. Azimi-Sadjidi (1999), A study of cloud classification with neural network using spectral and textural features., Vol. 10, No 1, January.

2. Chen, T., W. B. Rossow, and Y. Zhang (2000), Cloud type radiative effects from the international satellite cloud climatology project. Proc. 11th Symposium on Global Change Studies, Long Beach, California, American Meteorological Society, 86-89.

3. Conway, E. D. (1997), An introduction to satellite image interpretation, pp. 1-242 Maryland: The John Hopkins University Press.

4. Duchon, C. E., and M. S. O’Malley (1999), Estimating cloud type from pyranometer observations. J. Appl. Meteor., 38, 132-141.

5. Dwi Prabowo Yuga Suseno, Tomohito J. Yamada (2012), Two-dimensional threshold-based cloud-type classification using MTSAT data, Graduate School of Engineering, Hokkaido University, Sapporo 060-8628, Japan.

6. Inoue (1987), An instantaneous delineation of convective rainfall areas using split window data of NOAA-7. Japan of Meteorological Society, 65, pp. 469-480.

7. Liu, G. S., J. A. Curry, and R. S. Sheu (1995), Classification of clouds over the western equatorial Pacific Ocean using com-bined infrared and microwave satellite data. J. Geophys. Res., 100, 13 811 -13 826.

8. Luo, G., P. A. Davis, L. L. Stowe, and E. P. McClain (1995), A pixel-scale algorithm of cloud type, layer, and amount for AVHRR data, Part I: Night time. J. Atmos. Oceanic. Technol., 12, 1013- 1037.

9. Miller, S. W., and W. J. Emery (1997), An automated neural net-work cloud classifier for use over land and ocean surfaces, Journal of Applied Meteorology, 36, 1346-1362.

10. Rossow, W. B., and R. A. Schiffer (1999), Advances in understanding clouds from ISCCP. Bull. Amer. Meteor. Soc., 80, 2261-2286.

11. Rossow, W.B. and Garder, L.C (1993), Cloud detection using satellite measurements of infrared and visible radiances for ISCCP, Journal of Climate, 6, pp 2341-2369.