Estimating atmospheric motion winds from satellite image data using space‐time drift models
Estimating atmospheric motion winds from satellite image data using space‐time drift models
复制标题
使用时空漂移模型根据卫星图像数据估算大气运动风
DOI：
10.1002/env.2818
复制
发表时间：
2023
期刊：
影响因子：
1.7
通讯作者：
Reich, Brian J.
中科院分区：
文献类型：
--
作者：
Sahoo, Indranil;Guinness, Joseph;Reich, Brian J.
地球静止气象卫星收集由一系列图像组成的高分辨率数据。派生运动风(DMW)算法通常用于处理这些数据，并通过跟踪图像中的特征来估计大气风。然而，来自DMW算法的风速估计经常丢失，并且没有不确定性测量。此外，DMW算法的估计只能是半整数，因为该算法要求原始数据和移位数据位于相同的位置，以便计算它们之间的位移向量。这促使我们对风的运动进行统计建模，将其作为随时间漂移的空间过程。使用依赖于时空滞后的协方差函数和漂移参数来捕获风速和风向，并利用局部最大似然估计来估计参数。我们的方法允许我们计算局部估计的标准误差，使用由估计方差的倒数加权的高斯核来实现估计的空间平滑。我们进行了广泛的模拟研究，以确定我们的方法在哪些情况下执行得很好。将该方法应用于科罗拉多州GOES-15亮温数据，与DMW算法相比，降低了亮温预报误差。
Geostationary weather satellites collect high‐resolution data comprising a series of images. The Derived Motion Winds (DMW) Algorithm is commonly used to process these data and estimate atmospheric winds by tracking features in the images. However, the wind estimates from the DMW Algorithm are often missing and do not come with uncertainty measures. Also, the DMW Algorithm estimates can only be half‐integers, since the algorithm requires the original and shifted data to be at the same locations, in order to calculate the displacement vector between them. This motivates us to statistically model wind motions as a spatial process drifting in time. Using a covariance function that depends on spatial and temporal lags and a drift parameter to capture the wind speed and wind direction, we estimate the parameters by local maximum likelihood. Our method allows us to compute standard errors of the local estimates, enabling spatial smoothing of the estimates using a Gaussian kernel weighted by the inverses of the estimated variances. We conduct extensive simulation studies to determine the situations where our method performs well. The proposed method is applied to the GOES‐15 brightness temperature data over Colorado and reduces prediction error of brightness temperature compared to the DMW Algorithm.
登录
查看更多内容
使用移动平均线和快速傅里叶变换 (FFT) 的灵活克里金法和协同克里金法空间模型
影响因子：
2.4
作者：
J. V. Ver Hoef;N. Cressie;Ronald P. Barry
通讯作者：
Ronald P. Barry
非均匀海洋气象场的随机模拟。
DOI：
--
发表时间：
2003
期刊：
International Conference on Conceptual Structures
影响因子：
--
作者：
A. Boukhanovsky;H. Krogstad;L. Lopatoukhin;V. Rozhkov;G. Athanassoulis;Christos N. Stephanakos
通讯作者：
Christos N. Stephanakos
改进大型数据集中的贝叶斯局部空间模型
影响因子：
2.4
作者：
Amanda Lenzi;S. Castruccio;H. Rue;M. Genton
通讯作者：
M. Genton
DOI：
--
发表时间：
2012
期刊：
影响因子：
--
作者：
W. Kleiber;R. Katz;B. Rajagopalan
通讯作者：
B. Rajagopalan
使用随机发电机减少全球风群的存储
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
J. Jeong;S. Castruccio;P. Crippa;M. Genton
通讯作者：
M. Genton