Duffy血型抗体分布及输血策略研究

目的分析Duffy血型系统意外抗体分布特点并探讨患者输血策略。方法收集2012年1月至2022年12月西部战区总医院患者意外抗体筛查和鉴定资料,检测Duffy血型患者系统意外抗体标本的红细胞Duffy表型,通过疾病史、妊娠史、输血史等分析抗体产生原因,并探讨输血策略。结果351957例患者标本中检出2128例(0.6%)意外抗体,Duffy血型意外抗体34例(0.0097%),其中抗-Fy^(b)26例(76.5%),抗-Fy^(a)3例(8.8%),抗-Fy^(b)+抗-E 3例(8.8%),抗-Fy^(b)+抗-Le a 1例(2.9%),抗-Fy^(b)+抗-E+抗-c 1例(2.9%),免疫球蛋白G(IgG)抗体33例(97.1%),IgG+IgM抗体1例(2.9%),主要为妊娠或输血免疫刺激产生。34例Duffy血型意外抗体患者中2例输注自体血液(4 U),6例输注异体血液,共输注ABO、Rh血型相同,Duffy抗体相应抗原阴性悬浮红细胞36.5 U,均无输血不良反应,33例患者好转出院,1例患者因多器官功能衰竭放弃治疗。结论Duffy血型系统意外抗体较罕见,可导致溶血性输血反应和新生儿溶血病,主要因妊娠或输血免疫刺激产生,抗-Fy^(a)检出率远低于抗-Fy^(b),应采用多种方法保障患者临床输血安全。

FY-4A数据在2021年1月6—8日寒潮监测中应用

基于静止气象卫星图像解译理论和位涡理论,应用FY-4A水汽图像、干涉式大气垂直探测仪(GIIRS)产品和欧洲中心第五代大气再分析资料(ERA5)对2021年1月6—8日我国中东部地区寒潮天气进行分析。结果表明:高空冷涡和地面冷高压是影响此次寒潮天气的主要影响系统,冷空气5日08:00从贝加尔湖南部向东、向南加强发展,8日20:00减弱;对比FY-4A/GIIRS与ERA5850 hPa 24 h变温数据发现:两种数据反映的对流层低层冷空气东移南下特征和正负变温区域分布特征基本一致,FY-4A/GIIRS 850 hPa 24 h负变温中心和0℃等变温线的位置与ERA5数据接近,FY-4A/GIIRS 850 hPa 24 h变温中心值强度略大于ERA5。水汽图像暗区变暗附近的高层位涡的增加激发高层气旋性环流后侧下沉运动增强,干空气下沉造成了地面高压增强;500 hPa冷涡中心附近绝对涡度增加是引起冷空气增强的原因之一;冷空气急剧增强时段,中低层位涡的加大引起地面冷空气堆积,寒潮增强。FY-4A/GIIRS温度产品反映的冷空气移动特征与位涡理论对冷空气增强原因分析结果一致,说明应用FY-4A/GIIRS温度产品能够有效监测分析寒潮冷空气演变特征。

基于机器学习模型FY⁃3D MWRI海面风速反演

风云三号D星(FY-3D)微波成像仪(MWRI)L1级亮温数据可用于全球海面风速反演,本文讨论了在晴空区和云区使用多元线性统计回归模型和机器学习模型反演海面风速的情况,在晴空区将4 d测试集分别放入多元线性统计回归模型,采用随机森林(RF),支持向量回归(SVR),卷积神经网络(CNN)和Stacking融合(SF)模型对海面风速进行反演,最优的均方根误差(RMSE)分别为1.56、1.31、1.24、1.29和1.27 m/s;在云区2 d测试集上的最优RMSE分别为2.12、1.98、1.87、1.89和1.89 m/s。为了进一步验证晴空区海面风速反演的可靠性,选取美国国家浮标数据中心(NDBC)实测的浮标风速对海面反演风速进行验证,CNN反演风速与NDBC实测风速的RMSE为0.74 m/s,决定系数(R^(2))为0.80;SF反演风速与NDBC实测风速的RMSE为0.85 m/s,R^(2)为0.74。结果证实了通过机器学习模型能够很好地完成FY-3D MWRI亮温反演全球海面风速的任务。

基于L波段探空观测的FY-4A云顶温度产品评估及其在冬季降水相态判识中的应用

利用2019—2021年冬季上海宝山站L波段探空资料对FY-4A云顶温度(CTT)产品进行评估,分析发现,FY-4A的云顶温度产品能够较好地反映单层云的云顶温度,对双层云或多层云的云顶温度则普遍高估(平均高估幅度超过14℃);当探空观测到的云顶高度不超过6 km或云顶温度不低于-20℃时,FY-4A云顶温度产品误差较小,平均偏差约为3℃。根据2021—2022年冬季长三角地区地面站观测的降水现象统计云顶温度与降水相态的关系,并对典型个例进行分析,结果表明,云顶温度低是出现降雪的必要条件之一,绝大部分降雪出现在云顶温度低于-12℃的情况下。FY-4A的云顶温度产品时空分辨率高、精度尚可,可以辅助预报员判识雨雪落区,在雨雪转换过程的预报服务中有较大的应用潜力。

FY-4B与FY-4A云顶性质产品精度的一致性评估

风云四号(FY4)气象卫星是我国第二代静止气象卫星,FY4B云顶温度、云顶高度和云顶压强的反演算法与FY4A相同,为了方便用户更好地应用FY4B云顶产品,本文利用美国EOS/MODIS极轨气象卫星和日本第二代静止气象卫星Himawari-8云产品检验FY4A和FY4B反演的云顶产品精度的一致性,结果表明,FY4B云顶产品与FY4A具有很好的一致性,其中B星多层云的较大误差主要是由于云分类将卷云错判成了多层云所致。从全样本的检验结果可以看出FY4B云顶参数产品的精度与FY4A精度大体相当,两者的差异主要来自于通道光谱特征的改变、定标精度及所用的辐射传输模式的不同。

FY-3D MERSI-Ⅱ反射太阳波段长期响应衰减估计及订正方法

遥感仪器的长期辐射响应衰减估计与订正是提高卫星遥感数据稳定性和准确性的关键。利用MERSI-Ⅱ在沙漠和DCC稳定目标上空的长时间观测数据,建立仪器辐射响应与时间的函数关系模型,并通过逆方差加权平均方法融合两种稳定目标的结果,获取仪器辐射响应退化量和辐射定标系数的序列估计。辐射响应衰减跟踪监测结果表明,MERSI-Ⅱ自在轨开始业务运行到2022年9月,波长小于500 nm的3个蓝光波段(通道1,通道8—9)和波长大于1000 nm的4个近红外-短波红外波段(通道5—7,通道19)存在明显衰减,年衰减率为1.47%~4.32%。L1级产品精度检验也发现,7个明显衰减通道的业务定标偏差均超过±5%,其中通道5和8偏差最大,约为-20%。应用本研究获取的辐射定标系数序列后,L1产品辐射定标精度随时间变化平稳,定标偏差维持在±3%以内,同时L2级产品精度也明显提升,表明了该研究建立的辐射衰减估计与订正方法的有效性。

基于FY-3D卫星的微波与光学陆表温度融合研究

目前还没有基于国产卫星的1 km分辨率的全天候陆表温度(LST)产品,FY-3D卫星提供了中分辨率成像仪(MERSI)Ⅱ型1 km分辨率晴空LST产品与微波成像仪(MWRI)25 km全天候LST产品,因此可结合两者优势开展全天候1 km分辨率LST的融合研究。基于地理加权回归(GWR)方法,选择海拔、FY-3D归一化植被指数和归一化建筑指数等建立GWR模型对FY-3D/MWRI 25 km LST降尺度到1 km,并与MERSI 1 km LST进行融合;同时针对MWRI轨道间隙,利用前后1天融合后的云覆盖像元1 km LST进行补值,可以得到接近全天候下的1 km LST。基于以上融合算法,选择了中国区域多个典型日期FY-3D/MERSI和MWRI LST官网产品进行了融合试验,并利用公开发布的全天候1 km LST产品(TPDC LST)对FY-3D 1 km LST融合结果进行了评估。研究结果表明,基于GWR法的LST降尺度方法,可以有效避免传统微波LST降尺度方法中存在的“斑块”效应和局地温度偏低等问题;LST融合结果有值率从融合前的22.4%~36.9%可提高到融合后69.3%~80.7%,融合结果与TPDC LST的空间决定系数为0.503~0.787,均方根误差为3.6~5.8 K,其中晴空为2.6~4.9 K,云下为4.1~6.1 K;分析还表明目前官网产品FY-3D/MERSI和MWRI LST均存在缺值较多与精度偏低等问题,显示其存在较大改进潜力,这有利于进一步改进FY-3D LST融合质量。

基于FY-3B被动微波数据的青藏高原降尺度机器学习雪深反演

作为中国三大积雪区之一,青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题,不适用于青藏高原复杂的山区地形。因此,本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型,利用机器学习算法,将筛选后的亮温差作为参数输入,同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征,最终进行了500 m分辨率的青藏高原雪深制图。结果显示,极端梯度提升XGBoost算法的决定系数(R^(2))和均方根误差(root mean square error,RMSE)分别为0.762和5.732 cm,明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化,结果表明,在积雪天数为30~60 d时,模型表现良好,平均相对误差(mean relative error,MRE)最低为36.79%,RMSE为2.78 cm;随着积雪覆盖度的增加,模型的RMSE逐渐增大,在积雪覆盖度为0.25~0.50时,MRE和RMSE分别达到39.97%和3.12 cm;植被覆盖度对模型精度的影响较为复杂,可能与具体的土地覆盖类型相关,在0.25~0.50范围内模型表现出较高的精度,MRE和RMSE分别为32.77%和2.94 cm。

四川盆地及川西高原地区FY-3D/VASS温湿度廓线检验

利用2020—2021年探空站及ERA5再分析资料,对FY-3D大气垂直探测系统(VASS)温湿度廓线在四川盆地及川西高原地区的精度进行检验。结果表明:与ERA5数据相比,FY-3D/VASS温度在盆地和高原地区不同季节的平均偏差分别为-0.631~0.500℃和-2.230~-1.234℃,均方根误差分别为2.117~3.222℃和3.077~3.460℃,高原比盆地地区大,在垂直高度上,盆地地区的精度在800~700 hPa较低,高原地区的精度随高度的减小逐渐降低;FY-3D/VASS比湿呈现一致的负偏差,平均偏差在盆地和高原地区分别为-0.775~-0.525 g·kg^(-1)和-1.096~-0.347 g·kg^(-1),均方根误差分别为1.251~2.367 g·kg^(-1)和0.696~1.991 g·kg^(-1),在700~600 hPa的精度较低;通过将两组检验的平均偏差相加,间接建立FY-3D/VASS基于探空温湿度数据的检验结果,其中FY-3D/VASS温度在盆地地区的平均偏差较小,高原地区平均偏低2.440℃左右,比湿在盆地和高原地区平均偏低0.612 g·kg^(-1)左右。上述结果可提升FY-3D/VASS温湿度反演产品在四川盆地及川西高原地区的天气气候应用能力。

地基云雷达与FY-4A卫星云顶高度联合反演方法

基于地基毫米波云雷达与FY-4A卫星对云顶同步观测的特点,分析云雷达垂直顶空观测的云顶高度与FY-4A卫星AGRI载荷通道数据之间关系,提出了地基云雷达与FY-4A卫星云顶高度联合反演方法,实现云雷达安装点周边区域卫星云顶高度的融合反演,并对反演结果进行验证分析。结果表明,AGRI载荷的第11~14通道值与云雷达观测云顶高度呈线性相关,且卫星通道值与云雷达观测云顶高度比值呈现冬季最小、春秋季次之、夏季最大的季节性变化特点;星地融合反演云顶高度与云雷达观测云顶高度相关系数0.84,融合后比融合前均方根误差减小了0.7 km,提高了卫星云顶高度的反演精度。

利用FY-4B地球静止气象卫星观测南海北部内孤立波及传播速度

本文利用中国新一代静止轨道气象卫星FY-4B数据开展了南海北部海域内孤立波观测及传播速度研究。首先使用500 m分辨率的全圆盘ARGI数据对FY-4B卫星可观测内波区域进行了讨论,确认了南海北部为研究区域。之后利用250 m分辨率的GHI数据使用多时相图像比较法(Multitemporal Image Comparison Method,MTI)计算了南海北部内孤立波的传播速度,其平均传播速度为1.78 m/s,东部深海区平均传播速度为3.02 m/s,向西传播至东沙群岛附近后平均速度减小至1.90 m/s,经过东沙群岛分裂后南部比北部传播速度更快,分别为2.08 m/s和1.54 m/s;最终在向西传播到近岸区域后内孤立波传播速度减小至0.42 m/s,直至最终消散。将MTI方法与两层模式下扩展KdV方程(extended Korteweg-de Vries,eKdV)计算得到的理论传播速度进行了对比,二者相关系数达到了0.89,证明eKdV理论方程对南海北部内孤立波传播速度反演的可行性,但仍具有一定的局限。最后将实测数据与遥感影像匹配计算内孤立波传播速度的结果与单一遥感影像计算内孤立波传播速度的结果进行了比较,两者相关性达到了0.93。本文验证了静止轨道卫星光学遥感数据的高时间分辨率特点对内孤立波传播速度研究具有的较大优势,对南海北部内孤立波参数反演等研究工作具有一定意义。

FY-3G降水测量雷达海洋定标精度检验与评估

2023年4月发射的风云三号气象卫星G星(FY-3G)是我国首颗专用降水测量卫星,双频降水测量雷达(precipitation measurement radar,PMR)是该颗卫星上最核心的仪器。基于2023年7月数据,利用海洋定标理论模型,模拟海洋表面后向散射截面,与观测海洋表面后向散射截面进行比对,实现对PMR定标精度的初步评估。通过与国外星载双频降水测量雷达(global precipitation measurement,dual-frequency precipitation radar,GPM DPR)海洋定标检验结果比对,评估FY-3G PMR定标的准确性。海洋定标精度检验结果表明:FY-3G PMR Ku波段在入射角小于15°时观测值与模型模拟值的偏差较小,此时FY-3G PMR的偏差为1.65~2.73 dB,偏差标准差为0.74~1.82 dB。FY-3G PMR Ka波段在18°入射角时偏差小于0.27 dB,偏差的标准差为3.49 dB。FY-3G PMR与GPM DPR的定标偏差存在较为固定的偏差,差异主要源自于数据本身的后向散射统计特性,各入射角下FY-3G PMR Ku与Ka波段海洋表面后向散射数据稳定性与GPM DPR相当。

青藏高原夏季FY-4A卫星对流初生产品的分类识别

为了解并提升风云四号卫星A星(FY-4A)对流初生(Convective Initiation,CI)产品对青藏高原夏季降水的指示意义,基于FY-4ACI产品及全球降水测量计划(GlobalPrecipitationMeasurement,GPM)降水数据,根据青藏高原地区2020—2022年6—8月FY-4ACI产品识别出的CI样本与1h后实际观测降水的对应关系,将CI样本划分为无降水CI、弱降水CI和强降水CI三类,并结合大气对流参数与地理位置等信息,利用决策树和随机森林两种机器学习算法建立CI类别识别模型并检验,结果表明:青藏高原地区对流初生后1h内的降水情况存在明显区域差异,其西北部无降水比例高而东南部降水的比例高;利用抬升指数、云水总量、垂直风切变、中低层湿度、云底高度、零度层高度等大气对流参数信息,能较好区分青藏高原CI出现后是否有降水及降水的强弱;随机森林识别模型结果对于CI类别的识别效果优于决策树识别模型结果,利用随机森林识别模型可以更有效地对青藏高原夏季CI按照降水强度的分类进行识别。

Fusion SST from Infrared and Microwave Measurement of FY-3D Meteorological Satellite

Sea surface temperature(SST)is one of the important parameters of global ocean and climate research,which can be retrieved by satellite infrared and passive microwave remote sensing instruments.While satellite infrared SST offers high spatial resolution,it is limited by cloud cover.On the other hand,passive microwave SST provides all-weather observation but suffers from poor spatial resolution and susceptibility to environmental factors such as rainfall,coastal effects,and high wind speeds.To achieve high-precision,comprehensive,and high-resolution SST data,it is essential to fuse infrared and microwave SST measurements.In this study,data from the Fengyun-3D(FY-3D)medium resolution spectral imager II(MERSI-II)SST and microwave imager(MWRI)SST were fused.Firstly,the accuracy of both MERSIII SST and MWRI SST was verified,and the latter was bilinearly interpolated to match the 5km resolution grid of MERSI SST.After pretreatment and quality control of MERSI SST and MWRI SST,a Piece-Wise Regression method was employed to correct biases in MWRI SST.Subsequently,SST data were selected based on spatial resolution and accuracy within a 3-day window of the analysis date.Finally,an optimal interpolation method was applied to fuse the FY-3D MERSI-II SST and MWRI SST.The results demonstrated a significant improvement in spatial coverage compared to MERSI-II SST and MWRI SST.Furthermore,the fusion SST retained true spatial distribution details and exhibited an accuracy of–0.12±0.74℃compared to OSTIA SST.This study has improved the accuracy of FY satellite fusion SST products in China.

基于FY-4A和机器学习的太阳辐照度超短期预测

针对中国西部地区辐射资源充沛但观测资料匮乏的特点,提出一种基于辐照度观测数据、遥感数据、McClear和随机森林算法的太阳辐照度超短期预测方法,并重点分析遥感数据对辐照度预测效果的影响。结果表明:添加遥感数据能够优化不同时间步长的辐照度预测效果,并能显著降低平均绝对百分比误差(MAPE)值高于40%的预测大误差出现概率。同时,添加遥感数据对预测效果的提升随时间步长呈线性增加关系,nRMSE的差值变化范围从2.08%变为13.81%;nMAE的差值从1.64%变化为14.52%;R2的差值随时间步长的变化最为明显,从-0.03变为-0.43。但值得注意的是,添加卫星数据会显著增加模型的建立和超参寻优时间。

FY-3E掩星反演电离层foF2、hmF2和TEC参数精度评估

在分析FY-3E提供的每日掩星数据数量及其全球分布特征基础上,利用电离层垂测仪数据获取的F2层临界频率值(foF2)和F2层峰值高度(hmF2)、高精度全球电离层格网(GIM)及国际参考电离层模型(IRI2016)提供的总电子含量(TEC)对FY-3E掩星反演的foF2、hmF2和TEC精度进行评估。结果表明,电离层垂测仪和FY-3E反演的foF2和hmF2数据的相关系数分别为0.86和0.75,RMSE分别为0.99 MHz和19.26 km。以GIM数据获取的TEC为参考,FY-3E GPS和北斗(BDS)数据反演的TEC精度大致相当。FY-3E TEC精度与太阳活动呈负相关;FY-3E TEC与GIM TEC的相关系数为0.90,RMSE为5.23 TECu。FY-3E TEC与同高度范围的IRI2016 TEC的相关系数为0.88,RMSE为3.70 TECu。

FY-4 A/GIIRS反演夏冬季有云时大气温湿度廓线的精度评估

FY-4A/GIIRS(Geostationary Interferometric Infrared Sounder)首次实现了地球静止轨道红外高光谱探测,可以连续获得高垂直分辨率的大气温度和湿度廓线信息。当GIIRS视场内有云存在时,目前Level 2业务大气温湿度垂直廓线产品只提供观测视场内云顶以上高度的温度廓线,且不反演整个视场的湿度廓线。基于GIIRS辐射观测值用U-Net卷积神经网络算法实现了全天空大气温湿度廓线反演,包括晴空和全云覆盖视场,同时利用常规无线电探空观测资料对反演精度进行了检验。结果表明:U-Net算法有云视场的温湿度廓线反演能力与晴空相当,且夏季温度反演精度优于冬季,有利于灾害性天气多发季节的监测。在云系较活跃的夏季,随着视场内云量的增加温度廓线反演精度逐渐变高,表明该算法适用于有云时大气温度廓线反演,而湿度随着云量的增加反演均方根误差RMSE增大。视场内不同云光学厚度时温度反演误差相差不大,RMSE均在2.5 K左右,平均偏差ME在1 K以内,对流层高层薄云时反演误差相对而言较小。湿度反演随着云光学厚度的增大反演误差也增大,说明对于一定程度的薄云,GIIRS能够获得不错的反演精度。虽然U-Net算法物理意义不明确,但是能够快速实现全天空大气温湿度廓线反演,尤其在有云时能够获得更高的反演精度。

FY-3D MWRI在轨交叉辐射定标和海表温度反演

海表温度(sea surface temperature,SST)在气候监测、海洋学研究、渔业经济研究和污染监测等多个方面起着重要作用。本文利用风云三号D星(FY-3D)微波成像仪(Microwave Radiation Imager,MWRI)数据对海表温度进行了反演。首先,以全球降水测量(Global Precipitation Measurement,GPM)卫星微波成像仪(GPM Microwave Imager,GMI)作为参考传感器,采用基于海洋微波辐射传输模型(radiative transfer model,RTM)的双差异方法对FY-3D MWRI进行交叉辐射定标,消除了其在轨辐射定标偏差,为精确反演海表温度奠定了基础;然后,在波段选择的基础上提出耦合微波海表发射率的海表温度多波段反演新算法,与传统的多波段反演算法相比,新反演算法的均方根误差从0.74 K减少至0.69 K;最后,用新反演算法从2020年的FY-3D MWRI数据反演得到全球的海表温度,并用时空匹配的iQuam浮标数据和GMI海表温度产品对反演结果进行精度验证,误差分别为0.04±1.13 K和−0.07±1.18 K。另外,在相同的条件下,用传统多波段算法反演得到的海表温度的误差分别为0.30±1.17 K和0.10±1.17 K。新算法的理论精度和实际反演精度均优于传统的多波段算法,说明本文发展的耦合微波海表发射率的多通道反演新算法是有效和精确的。

基于随机森林算法优选FY-4BAGRI通道订正雨量产品研究

为提高卫星反演地面定量降水产品的精度,基于2022年6月1日—7月31日FY-4B静止轨道辐射成像仪AGRI(Advanced Geosynchronous Radiation Imager)中国区域一级辐射观测产品、二级云检测产品、二级定量降水估计业务产品及国家站雨量观测,利用随机森林算法分别建立了白天和夜间的降雨有无判断模型和降雨量反演模型,评估了AGRI一级辐射观测15个通道重要性,筛选白天和夜间适合判断和反演地面雨量的优选通道并建立各自优选通道判断和反演模型,最后依据各自优选通道模型反演2022年8月的降水并与FY-4B AGRI的二级定量降水估计业务产品进行检验对比,结果表明:(1)白天中波红外通道7和8重要性较低,白天判断和反演模型不使用通道7和8,夜间判断和反演模型使用所有红外通道,反演的降水量与国家站雨量观测最接近;(2)白天和夜间优选通道判断模型对有无降水的判断均优于FY-4B降水业务产品,尤其是命中率大大提高,但两种优选通道雨量反演模型反演雨量都偏多,白天反演雨量的准确率高于夜间;(3)白天和夜间两种优选通道雨量反演模型反演雨量的误差均小于FY-4B降水业务产品,降水业务产品和两种优选通道模型反演结果均高估小雨雨量、低估大雨雨量,降水强度越强低估越严重;(4)对于优选通道反演模型不同量级降水的反演,除夜间暴雨外,白天和夜间其他量级降水的均方根误差均较降水业务产品有所提升,其中小到中雨的精度提升最明显。

基于FY-4A卫星数据的短时强降水监测预警指标

选取2018—2021年汛期短时强降水天气过程,利用相关性分析、箱线图法和极值统计法,尝试研究FY-4A卫星产品在短时强降水天气过程中的监测预警指标。研究表明:(1)FY-4A卫星多通道数据可以作为短时强降水监测预警的定量化指标予以应用。(2)筛选出相关性较好的13项产品统计出短时强降水的监测预警指标,其中赋值类指标4项,数值判别类指标9项(含辅助指标3项);初步设定13项指标中有9项达标时,短时强降水会发生。(3)在评估基础上完善了指标,监测预警效果有所提高,TS评分提高5.4%,空报率降低2.7%,漏报率降低1.9%。