Neuer FY-3G-Algorithmus schärft globale Niederschlagsüberwachung

KNOXVILLE, TN, 03. November 2026 /24-7PressRelease/ -- Ein Niederschlagsabrufalgorithmus für den chinesischen Satelliten Fengyun-3G (FY-3G) wandelt passive Mikrowellenbeobachtungen in ein operationelles Produkt um, das Oberflächenniederschlag und Hydrometeorprofile beschreibt. Durch die Kombination von Bayes'scher Retrieval mit einer physikalisch optimierten A-priori-Datenbank erzeugt die Methode Schätzungen, die mit etablierten Produkten des Global Precipitation Monitoring (GPM) konsistent sind, während die Darstellung von Wolkenflüssigwasser verbessert wird, was die Sturmüberwachung und die Niederschlagsforschung unterstützt.

Genaue Niederschlagsmessungen sind entscheidend für Wettervorhersage, Klimaforschung, Wasserwirtschaft und Katastrophenvorsorge, doch Niederschlag bleibt eine Hauptquelle der Unsicherheit in Umweltmodellen. Passive Mikrowellensatelliten können Niederschlag über Ozeanen, Gebirgen und Gebieten mit schlechter Abdeckung durch Bodeninstrumente überwachen und bieten eine breitere Abdeckung als Radar. Fengyun-3G (FY-3G) trägt das fortschrittliche MWRI für die Regenmission (MWRI-RM) Radiometer mit 26 Kanälen von 10,65–183 GHz, aber für diese Beobachtungen fehlte ein dedizierter Algorithmus für eine umfassende operationelle Ableitung. Statistische Methoden hängen stark von Referenzdatensätzen ab, während physikalische Ansätze rechenintensiv sein können. Angesichts dieser Herausforderungen ist eine tiefergehende Forschung zu spezialisiertem Mehrkanal-Niederschlagsretrieval für FY-3G erforderlich.

Forscher der University of Science and Technology of China, des National Satellite Meteorological Center, des Meteorological Observation Centre der China Meteorological Administration und Mitarbeiter entwickelten den ersten systematischen Retrieval-Algorithmus für das MWRI-RM von FY-3G. Veröffentlicht (DOI: 10.34133/remotesensing.1057) am 11. August 2026 im Journal of Remote Sensing, adressiert die Studie eine Lücke: FY-3G sammelt reichhaltige passive Mikrowelleninformationen, aber keine dedizierte Methode hatte diese Kanäle vollständig genutzt, um ein operationelles Niederschlagsprodukt zu erzeugen. Das Framework leitet Oberflächenniederschlag und vertikale Hydrometeorstruktur ab.

Der Algorithmus erzeugte ein Multiple-Hydrometeor-Profile (MHP)-Produkt, das gut mit zwei etablierten GPM-Produkten, dem Goddard Profiling Algorithm (GPROF) und dem Combined Radar-Radiometer Algorithm (CMB), in Bezug auf Oberflächenniederschlagsrate, Regenwasserpfad und Eiswasserpfadmuster übereinstimmte. Die Schätzungen des Oberflächenniederschlags zeigten im Allgemeinen relative mittlere Abweichungen innerhalb von 14 % über Ozean und Land. Ein wesentlicher Vorteil ergab sich für Wolkenflüssigwasser: MHP zeigte eine deutlich stärkere Beziehung zwischen Wolkenflüssigwasserpfad und Niederschlagsintensität als beide Vergleichsprodukte, was auf eine physikalisch realistischere Wolken-Regen-Verknüpfung hindeutet. Die Methode leitet auch vertikale Profile von Wolkenflüssigwasser, Regenwasser und Eiswasser ab und bietet mehr Informationen zur Sturm-Mikrophysik als reine Niederschlagsprodukte.

Kalibrierungstests zeigten eine starke Übereinstimmung zwischen simulierten und beobachteten MWRI-RM-Helligkeitstemperaturen. Unter klarem Himmel übertrafen die Pearson-Korrelationen 0,94 über alle Kanäle, die mittleren Abweichungen blieben innerhalb von ±0,4 K und die RMSEs lagen unter 2,5 K über Land und unter 2,0 K für die meisten Ozeankanäle. In einem Taifunfall erfassten alle drei Produkte das Auge und drei Spiralregenbänder; MHP erzielte eine räumliche Korrelation zwischen Wolkenflüssigwasser und Niederschlag von 0,84, gegenüber 0,72 für GPROF und 0,52 für CMB. In einem Landregenfall lagen die Korrelationen bei 0,84, 0,76 und 0,47. Die Validierung gegen 2.486 Regenmesser zeigte, dass die Ausdehnung der Akkumulation von 10 auf 60 Minuten die Korrelation von 0,455 auf 0,542 erhöhte und den Root Mean Square Error (RMSE) von 1,743 auf 1,341 mm/h reduzierte. Verbleibende Abweichungen spiegelten die Unterschätzung von Starkregen und Unsicherheiten im Zusammenhang mit Oberflächentyp und Eispartikelannahmen wider. Der ozeanische Regenwasserpfad wurde im Vergleich zu GPROF um 27 % und im Vergleich zu CMB um 19 % unterschätzt.

Die Autoren stellen fest, dass „das MHP-Produkt eine gute Konsistenz mit GPROF und CMB aufweist“. Sie fügen hinzu, dass seine niederschlagsbezogenen Variablen die Sturm-Mikrophysik aufdecken und eine verbesserte Modellparametrisierung unterstützen können. Das Team sieht auch Potenzial, das Retrieval-Framework über FY-3G hinaus auf andere Fengyun-Mikrowellenimager und zukünftige Satellitenmissionen auszudehnen.

Das Team entwickelte ein Bayes'sches Retrieval um eine A-priori-Datenbank herum, die Hydrometeorprofile und Atmosphärenzustände mit Mikrowellen-Helligkeitstemperaturen verknüpft. GMI-Beobachtungen, GPROF-Profile, ERA5-Variablen und Strahlungstransferberechnungen wurden kombiniert. Eine eindimensionale Variationsmethode passte Wolkenflüssigwasser, Regenwasser, Eiswasser und Oberflächenemissivität an, um die physikalische Konsistenz zu verbessern. Die Datenbank wurde auf FY-3G MWRI-RM-Beobachtungen angewendet, mit separaten Retrievals für Ozean, Küste, tiefliegendes Land und hochgelegenes Gelände. Die Leistung wurde gegen GPROF, CMB, Fallstudien und Bodenregenmesser bewertet.

Der Prototyp könnte die operationelle Niederschlagsüberwachung über China und global stärken, insbesondere dort, wo Bodennetze spärlich sind. Da MHP Niederschlag zusammen mit Wolken- und Gefrierwasserstruktur ableitet, könnte es die Taifun- und Hochwasserüberwachung, die Wolken-Niederschlagsforschung, die Klimamodellbewertung und eine verbesserte mikrophysikalische Parametrisierung unterstützen. Die Autoren schlagen vor, die A-priori-Datenbank und die Retrieval-Architektur auf Mikrowellenimager auf anderen FY-3-Satelliten, insbesondere zukünftigen Missionen, zu übertragen. Weitere Verfeinerungen der Starkregendarstellung, der Retrievals in hochgelegenem Gelände und der Eispartikelmodelle könnten die Genauigkeit verbessern und die zukünftige operationelle Nutzung erweitern.

Referenzen
DOI
10.34133/remotesensing.1057

URL der Originalquelle
https://spj.science.org/doi/10.34133/remotesensing.1057

Förderinformationen
Diese Arbeit wurde unterstützt durch den Meteorological Joint Fund der National Natural Science Foundation of China (Förderkennzeichen U2542205 und U2442214); das Anhui Provincial Key Research and Development Project (Förderkennzeichen 2408055UQ005); die FY Satellite Advanced Planning (Förderkennzeichen FY-APP-ZX-2022.0212); die China Meteorological Administration Science and Technology Projects (Förderkennzeichen CMAJBGS202502); und die National Natural Science Foundation of China (Förderkennzeichen 42075124).

Über das Journal of Remote Sensing
Das Journal of Remote Sensing, eine ausschließlich online verfügbare Open-Access-Zeitschrift, die in Zusammenarbeit mit AIR-CAS veröffentlicht wird, fördert Theorie, Wissenschaft und Technologie der Fernerkundung sowie interdisziplinäre Forschung in den Erd- und Informationswissenschaften.

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt im Wesen von Übertragung und Verbindung, spiegelt unser Engagement wider, Innovation zu fördern und den Weg von Ideen von der Entstehung bis zur Verwirklichung zu erleichtern.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.