1 引言

云是气候系统的重要组成部分，它与地气系统的能量收支及水循环过程紧密相关，正确地认识云能够很大程度地提高气候变化的预测及敏感性评估的准确性(Slingo，et al，1988；Solomon，et al，2007)，故对于云的相关研究一直是国际热点之一。但目前对云的观测和数值模拟都存在很大的不确定性，导致人们对云的认识仍不够充分。

作为云的重要参数，云中水凝物含量(CWC，单位为g/m³)是用于描述云内各种不同粒径的液相或固相粒子总和的物理量。从分层结构上讲，它是由云液态水含量(LWC，单位为g/m³)和冰水含量(IWC，单位为g/m³)组成；而从积分总量上看，整个单位面积垂直气柱内的水凝物总量用云水路径(CWP，单位为g/m²)表示，它是所有液水路径(LWP，单位为g/m²)和冰水路径(IWP，单位为g/m²)的总和。这些基本的云参量，对于认识云的辐射性质和强迫效应，以及改善模式的预报性能都具有重要意义(Zhang，et al，2013；Cess，et al，1989；彭杰等，2013)。

目前对于水凝物的观测或模拟仍存在较大的不确定性。对于观测而言，近年来随着卫星探测技术日益提升，加之其具有覆盖范围广、分辨率高等优势，卫星遥感已逐渐成为研究全球云及云中水凝物含量的重要手段。例如，Chen等(2010)利用MODIS(Moderate Resolution Imaging Spectroradiometer)和CERES(Clouds and the Earth′s Radiant Energy System)观测结果分析了中国西北地区云的液态水路径，发现了显著的季节变化特征；杨大生等(2012)利用CloudSat卫星资料发现中国区域夏季云水含量的垂直分布特征受到青藏高原地形和东亚夏季风大气环流的影响；张华等(2015)利用CloudSat资料高垂直分辨率的优势，给出了主要的云微物理量在东亚不同区域和高度上的分布特征及其季节变化规律。此外，Horváth等(2007)比较了TMI(TRMM Microwave Imager)、MODIS和MISR(Multiangle Imaging SpectroRadiometer)的液水路径反演结果发现，对于冰云和降水云，不同算法反演的水凝物差异很大，这表明基于卫星观测的水凝物含量反演结果也存在一定的不确定性。另一方面，对于模式而言，在有云时进行数据同化仍存在很大的挑战性，所以通常采用的是参数化方案对云中水凝物含量进行计算，这在一定程度上也将存在误差。

由于卫星观测和模式模拟的水凝物都存在一定的不确定性，因此，各种卫星观测与模式结果之间的比较工作就显得尤为重要，这将有助于评估水凝物数据的可能误差范围，进而估计其辐射效应和在全球变化中的不确定性。Heng等(2014)用卫星观测资料多年的云产品数据和再分析资料分析了水凝物的全球分布情况，结果表明不同资料的水凝物空间分布都有较好的一致性；Li等(2012)利用多模式模拟的CMIP5(Coupled Model Intercomparison Project Phase 5)数据和CloudSat/CLIPOSO的观测资料进行研究，结果表明再分析资料和观测资料的云水分布具有一致性；Waliser等(2009)则指出不同模式模拟的冰云有很大差异。

考虑到中国及其周边地区地理位置独特，地形复杂，再加上亚洲季风区是全球气候系统的重要组成部分，而中国又是亚洲季风的主要活动区域，气候变化特征显著(Wang，et al，2002；Ding，et al，2005)，因此，将多种卫星观测资料以及模式再分析资料进行比较，从气候态角度来分析该区域各种水凝物的分布特征及不同资料之间水凝物的差异，从而更加正确地认识该区域云的时空变化特征，并为进一步理解该区域的气候变化机理和改进数值模式提供重要参考。

2 资料和方法 2.1 再分析数据 2.1.1 ERA-Interim

ERA-Interim(以下简称ERA)是由欧洲中期天气预报中心(ECMWF)发布的最新全球气象再分析数据集，是ERA-15、ERA-40的更新产品(Dee，et al，2011)。它采用了最新的四维变化同化技术。文中使用的是ERA提供的月平均以及逐6 h的液态水含量和冰水含量，该数据垂直方向从1到1000 hPa共分为37层(每层间隔从1到50 hPa不等)，通过垂直积分可得到对应的液水路径和冰水路径。

2.1.2 CFSR

CFSR(Climate Forecast System Reanalysis)是由美国环境预报中心(NCEP)提供的最新一代全球高分辨率再分析资料(Wang，et al，2011；Saha，et al，2010)，与前几代产品相比，其同化技术和分辨率有很大提高。文中使用的是CFSR月平均以及逐6 h的数据，该数据垂直方向从10到1000 hPa共分为32层(每层间隔从10到50 hPa不等)。由于CFSR仅提供每层总的水凝物含量，未分别提供每层的云冰和云水含量，故按照Meissner等(2004)的方法根据温度区分每层的云冰和云水。即如果该层的温度高于273 K，那么该层云水比例占100%；如果该层的温度低于253 K，那么云冰比例占100%；如果温度介于两者之间，则云中水和冰的比例按温度高低呈线性分配。在获得相应的分层液态水含量和冰水含量后，进一步采用与ERA类似的垂直积分处理方法得到相应的液水路径和冰水路径。

2.2 卫星观测数据 2.2.1 MODIS

MODIS是搭载在Terra和Aqua卫星上的一个被动光谱传感器，光谱范围宽，从可见光覆盖到热红外(Platnick，et al，2003)。MODIS采用双光谱反射率算法，基于可见光和红外波段的观测结果同步反演光学厚度τ和有效半径R_e。MODIS在反演液水路径时采用的算法为

(1)

反演冰云时

(2)

式中，τ是光学厚度，R_e是有效半径，ρ是冰(水)的密度，〈Q_e〉是冰粒子在0.66 μm处的消光系数(Yang，et al，2003；Wilcox，et al，2009)。文中使用的是Aqua卫星MODIS仪器的月平均云产品数据(MYD08_M3)，该资料直接提供了液水路径和冰水路径的反演结果。

2.2.2 ISCCP

ISCCP(International Satellite Cloud Climatology Project)是由世界气候研究计划(WCRP)于1982年发起的子计划(Rossow，et al，1999)，它是一项专门用于全球云观测的科学实验计划。文中使用的是D2级月平均水凝物资料，与之前的C2数据相比，D2数据在辐射定标和阈值确定等方面有很大提升(Rossow，et al，1991)。ISCCP算法按云顶温度区分冰云和水云，并将其有效半径取为固定值。因此，较MODIS所采用的液水路径(式(1))和冰水路径算法(式(2))，ISCCP的水凝物反演算法被简化为

(3)

(4)

式中，光学厚度τ是基于可见光波段反演得到的。由于ISCCP根据云顶气压和光学厚度将云分为15类并且提供了每一类云的液水(冰水)路径，故可得到整个大气柱的液水(冰水)路径。文中采用Eliasson等(2011)的方法将定义的15种云分成冰云和水云两种，将每种水云(冰云)的云量和其对应的液水(冰水)路径相乘累加，从而得到整个大气柱液水(冰水)路径。

2.2.3 CloudSat

CloudSat卫星于2006年4月在美国发射升空，是A-Train卫星观测系统的成员之一，有效载荷是一个94 GHz毫米波云廓线雷达(CPR)，每条轨道运行时间约为2 h，进行约37081次扫描。扫描星下点的沿轨分辨率为1.1 km，横轨分辨率为1.3 km，垂直分辨率为0.24 km (王帅辉等，2011)。文中使用的是CloudSat的2B-CWC-RO云水含量资料，该资料分别提供了云的分层液态水含量和冰水含量。

其中液态水含量

(5)

式中，假设云滴呈对数正态分布，ρ为水的密度，r为云滴半径。冰水含量的反演也采用了结合云粒子谱分布先验信息的贝叶斯算法(Austin，et al，2009)。在具体反演过程中，首先将每层云分别按水云和冰云进行反演，最后再根据温度按比例划分相应的云水和云冰含量。

2.3 数据处理方法

为了统一比较，在研究水凝物水平分布特征时选择MODIS、ISCCP、CFSR和ERA四套资料重合的时段2003-2009年月平均数据，并且统一到2.5°×2.5°格点；在研究水凝物垂直分布特征时，选择了2007-2014年同时段的ERA、CFSR和CloudSat数据。其中，由于CloudSat卫星在中国过境时大约是13时(北京时)多，选取ERA、CFSR逐6 h资料对应的06时(世界时)的水凝物数据与CloudSat卫星云廓线雷达探测资料进行比较，并且在垂直方向统一到2.5°×2.5°格点，32层(以CFSR数据的垂直分层为基准，从10至1000 hPa)。

3 结果 3.1 水凝物积分量的分布特征 3.1.1 云水路径、液水路径和冰水路径的年平均分布

中国及其周边地区的年平均云水路径分布如图 1所示，所有的观测和再分析资料都能反映出中国及其周边地区云水路径南高北低的纬向分布特征，与降水的分布形式(刘鹏等，2012)很类似，这是由于北方地区气温较低，缺乏充足的水汽所致。从中国西南部到日本，有一条西南-东北的云水路径带状高值区。其中，对于中国西南地区，由于青藏高原的地形作用(黄荣辉，1998)，低层西风气流被分成南北两支，南支气流绕过高原南部时汇集了大量来自于孟加拉湾的水汽，由于横断山脉的阻挡，大量云水堆积在横断山脉西南侧，少部分云水经过云贵高原和四川盆地与北支气流在西南地区汇合，再加上西南地区低层辐合、高层辐散且存在逆温层，大面积的层云常年堆积(Li，et al，2006)，因此形成了云水路径高值中心。此外，由于帕米尔高原的地形作用，其迎风坡也存在一个较弱的高值中心。另外，云水路径的低值中心出现在常年为沙漠的新疆塔里木盆地塔克拉玛干沙漠区域，这是由于塔里木盆地常年干燥，难以提供形成水凝物所必须的水汽。尽管4种资料的高、低值中心分布都比较一致，两两之间的相关系数都在0.6以上(通过95%的置信检验，表 1)，但在云水路径的具体数值上仍存在差异。例如，ERA资料的高、低值差异更为明显，即在中国西南盆地以及横断山脉西南地区的高值更高(可超过200 g/m²)，而新疆地区的低值中心范围更广，且云水路径更小。ISCCP的云水路径值整体明显要低于其他3种资料，而MODIS则正相反，在大部分区域都比其他资料偏高，特别是在整个中国南部地区和印度洋的孟加拉湾地区。

进一步地，将云水路径分为液水路径和冰水路径，分别给出其水平分布(图 2、3)。对于液水路径而言，主要的高值中心位于层状云密集的中国西南地区，并一直向东延伸至东海地区，而整个中国北部地区都是液水路径的低值区。与云水路径的分布相比，不同资料的液水路径分布特征更加一致，两两之间的相关系数也更高，但是观测数据MODIS和ISCCP的具体液水路径数值均比再分析数据明显偏低。一个可能的原因是由于MODIS和ISCCP都是采用红外和可见光通道进行自上而下的探测，如果上层出现冰云，那么它们将无法反演出下层的云水含量(Lin，et al，1994)，特别是对于发展较为旺盛的对流云，这往往会造成对液态水含量的低估。同时也检验了液水路径占总的水凝物含量的比例，发现在印度洋和暖池等对流发展较为旺盛的海域以及地势较高的青藏高原，由于都存在大量的冷云，两种观测资料液水路径的比例都低于20%(图略)。另外，ERA的液水路径(包括比例，图略)也要明显高于另一种再分析数据CFSR，特别是在中国西南地区、横断山脉西南侧、日本东南洋面都超过120 g/m²，这可能是不同再分析资料所采用的模式在描述大气环流、积云参数化和云微物理过程上存在差异所导致(衡志炜，2013)。

对于冰水路径的分布(图 3)，不同资料间一致性更差，即使是观测资料或再分析资料间都差异明显。其中，尽管MODIS与ISCCP的高、低值中心较为相似，例如位于陆地的帕米尔高原、青藏高原东部和南侧、江淮流域一带，以及印度洋、暖池和日本以东海域等地区有较高的冰水路径，但MODIS所反演得到的冰水路径值要显著高于ISCCP，平均高出25 g/m²左右。对于再分析数据CFSR而言，陆地上的高值中心则与观测资料有所不同，例如观测资料所反映的青藏高原高值中心与印度洋地区水汽输送及高原抬升作用密不可分(Yu，et al，2004)，但在CFSR数据中这一中心移至青藏高原以外的东北侧区域，而观测资料中江淮流域的高值中心更是在CFSR数据中未得以体现。与观测数据差别更大的是ERA资料，它甚至连对流活动旺盛、水汽充足的印度洋地区的高值中心都不能很好地反映，其冰水路径的统计平均值较MODIS更是偏低了近40 g/m²。考虑到观测数据(特别是MODIS)在云冰含量的反演方面较液态水含量的可信度更高，故再分析资料的偏差更有可能是与其自身的模式参数化误差有关。

为进一步了解各种资料在描述水凝物年际变化特征方面的异同，也给出了4种资料云水路径标准差的水平分布(图 4)。可以发现，不同资料间表现迥异。其中年际变化最小的是ISCCP，大部分区域的标准差都在50 g/m²以下，它在长江以南地区以及印度洋存在两个变化的高值中心，标准差可达70 g/m²。但需要强调的是，这两个变化幅度大的区域形成原因并不相同：对于前者，主要是由于液水路径在冬、夏季存在明显区别所造成(图略)；而对于后者，则主要是因为夏季强烈的对流活动造成印度洋区域冰水路径过高(实际上液水路径此时也较高，但无法被光谱类仪器所观测到)，而冬季又过低(10 g/m²以下，图略)所导致。与ISCCP相比，另一套观测数据MODIS的标准差明显偏高，例如在印度洋区域可超过100 g/m²。究其原因在于MODIS在获取水凝物含量的过程中是首先反演两个变量，即有效半径和光学厚度，而ISCCP仅反演一个变量--光学厚度，这导致后者在一定程度上约束了水凝物的可能变化(Rossow，et al，1993；Han，et al，1999)。单从这一角度而言，MODIS的水凝物含量较ISCCP有更高的准确性。另一方面，对于再分析数据而言，CFSR的年际变化整体上略低于MODIS，但仍高于ERA，除缅甸及周边地区外(该区域主要是由ERA过大的液水路径冬、夏季差异所造成，图略)。一个可能的原因是CFSR的液水路径和冰水路径在冬、夏季均存在差异，而ERA的冰水路径被低估，故其云水路径仅反映了液水路径的冬、夏季差异。

由以上分析可知，4种资料在描述水凝物的水平分布特征方面，尽管模态上较为一致(除了冰水路径)，但在具体数值方面仍差异较大。这种差异有可能被进一步传递到辐射强迫计算等问题中，从而造成气候变化估计的不确定性。事实上，由于每一种资料自身都存在着可能且无法被克服的误差，比如MODIS的观测可能错过冰云下的水云，ISCCP固定了R_e则可能约束了水凝物的含量变化，ERA对冰云的低估等，因此无法明确地判定上述哪一种资料的准确性更高。为了更好地了解水凝物数据的不确定性，将这4种数据进行平均，获得一套“水凝物平均数据”，并计算其标准差，然后用标准差与平均值之比来表征水凝物的不确定性(图 5)，对于总的水凝物而言，整个长江以南地区的不确定性较低，特别是云、贵、川地区作为进入中国的水汽通道第一站，不确定性在10%以内，这表明几种资料都能很好地描述该区域的水凝物分布特征。而中国大陆最大的不确定性区域位于西北地区(50%以上)，主要是由于该区域本身水凝物含量较低，相对误差很容易就变得很大。而另一水汽的堆积区--青藏高原东南侧，水凝物的不确定性也较大，对比图 1可知，这有可能是由于ISCCP在此处过低，而ERA又过高所导致。另一方面，大部分海域的云水路径不确定性都在30%-40%。对于液水路径，低纬度地区洋面的不确定性就可认为已达到需“慎重”使用的地步，如阿拉伯海东部、孟加拉湾和暖池区域都已达到80%。考虑到这些区域与ENSO循环和东亚夏季风等气候动力学过程相联系(Nigam，1994；Goswami，1998)，都属于洋面的“敏感”地区，因此，建立和发展更准确的液水路径数据就显得更加重要。而在中国近海，如南海、东海和渤海地区，液水路径的不确定性则小于50%。对于陆面，长江以南季风区的液水路径的不确定性仅为20%左右，但是在沿整个青藏高原南侧这一上升气流的“迎风坡”处，液水路径的不确定性都高于60%。这说明当下垫面状况比较复杂时，观测仪器可能产生更大的反演误差，对于模式而言则有可能是陆面过程需要更好的改进。同样地，洋面地区的冰水路径的不确定性也较大，甚至中国南海地区也达到50%以上。

3.1.2 经验正交函数(EOF)分析

从以上分析可以看出，ISCCP、MODIS、ERA和CFSR的水凝物在中国及其周边地区年平均分布等方面均存在差异。为了探究不同资料在描述水凝物的主要气候态变化特征方面是否存在差异，比较了它们的经验正交函数分析结果。

从4种资料云水路径、液水路径和冰水路径的经验正交函数第1模态的空间分布(图 6)可以看出，除了ISCCP以外，MODIS、ERA和CFSR的云水路径第1模态空间分布都十分一致，方差解释率都在10%左右，低值区从青藏高原南部、四川盆地一直向东北延伸至日本一带，高值区则出现在中国沿海，中心位于暖池附近。而ISCCP的第1模态方差解释率达到了15.9%，一个与其他资料不同的低值中心出现在中亚地区，并且高低值间的差异并不明显。在经验正交函数第1模态时间序列方面(图 7)，除了ISCCP以外，其他资料两两间的相关系数均较高(在0.85以上)，都能很好地反映水凝物的季节内振荡。对于液水路径，ISCCP与其他3种资料同样也有所差异，比如空间分布上中国沿海一带的高值中心并不明显，时间序列上与其他资料的相关性也较差(相关系数基本上在0.4以下)。而冰水路径的第1模态则与前面的年平均分布类似，不同资料间的差异就显著得多，其中空间分布差别最大的仍然是ISCCP，且与其他资料时间序列的相关系数也不能通过置信度检验。

3.1.3 特征区域月变化

为了分析不同区域不同数据的水凝物具体变化特征差异，在中国及周边地区分别选取了3个典型陆面和3个典型洋面区域(图 1中方框所示)做进一步的研究，它们包括：华南地区(23°-35°N，102°-120°E)、华北地区(35°-42°N，102°-120°E)、青藏高原地区(28°-37°N，78°-101°E)以及印度洋孟加拉湾地区(12°-22°N，85°-95°E)、东海地区(26°-33°N，122°-126°E)、南海地区(15°-22°N，110°-120°E)。图 8给出了4种资料的云水路径在上述不同区域从2003至2009年每月多年平均的月际变化时间序列，可以看出，对于云水路径，除ISCCP外的其余3种资料在陆地上的一致性较好(两两之间的相关系数都在0.8以上)，特别是MODIS和CFSR，在3个陆地区域的具体数值方面都相差不大。在青藏高原，水凝物总量的季节变化特征十分明显，即便是ISCCP也能很好地捕捉到冬低夏高的这种变化趋势，但其变化幅度要低于另外3种资料，其原因如前所述，对有效半径的假定可能在一定程度上约束了水凝物的变化。而在华南地区，由于水汽充沛，平均的水凝物含量基本上是华北地区的2倍，其季节变化特征就更为复杂。另外，该区域ISCCP与其他资料的相关最弱，都在0.3左右。另外，对于洋面而言，孟加拉湾也呈现出显著的季节变化，并且冬、夏季的差别也是所有区域中最大的，这与Lin等(1996)的研究结果一致。其中变化幅度最大的是MODIS数据，可以高达200 g/m²，而变化幅度最小的ISCCP也有100 g/m²的差异。东海地区的水凝物含量则较高，即使是最低值也在50 g/m²左右，最高值通常出现在春季，且存在一定的季节内振荡。与之相比，南海区域的季节变化更加不明显，各种数据的标准差也最小。

3.2 水凝物的垂直分布特征

为进一步了解水凝物在垂直方向上的分布特征，将CloudSat卫星云廓线雷达探测得到的分层液态水含量和冰水含量与ERA和CFSR这两套再分析资料进行了比较。

从前面的分析可以看出，中国南方地区云水明显高于北方，且青藏高原对南方地区的云水分布有很大影响。因此，分别给出中国南方地区(27°- 35°N，75°-125°E)和北方地区(35°-45°N，75°-125°E)纬向平均的ERA、CFSR和云廓线雷达探测的水凝物垂直分布(图 9和10)。对于液态水含量的垂直分布，在中国北方地区(图 9a-c)，3种资料的液态水含量分布特征比较一致，最大水云高度可发展到8 km左右，在中部95°-110°E，6 km附近存在一个高值中心。在西部液态水含量大于1 mg/m³的云层基本位于3 km以上，而在东部地区则逐渐向下延伸，最低可达1 km以下。与此结果相比，ERA的液态水含量在中东部地区明显偏高，大约是云廓线雷达结果的两倍以上，而CFSR的液态水含量则整体偏低，最高值不超过5 mg/m³。中国南方地区(图 9d-f)的液态水含量则明显高于北方。对于云廓线雷达的探测结果而言，存在两个高值中心(大于13 mg/m³)，其中一个从四川盆地东部一直向东延伸至110°E附近，与前述水平分布中的高值中心(图 2)对应，而另一个位于青藏高原西侧迎风坡，这主要是印度洋的暖湿气流所带来的充沛水汽所致(戴新刚等，2002)。而与中国北部地区类似的，ERA的液态水含量要明显偏高，大部分云层都大于13 mg/m³，而CFSR的液态水含量则较观测低得多，最大值也仅达到9 mg/m³。

对于冰水含量(图 10)的垂直分布，可注意到无论是中国北方还是南方区域，尽管高值中心位置基本一致，但再分析资料的冰云层都较探测结果更加深厚，特别是冰云顶的高度普遍高于探测结果，这对于CFSR尤为明显，表明模式有可能高估了中国区域云的热动力学过程。在北方地区(图 10a-c)，CFSR的结果要普遍大于探测结果，而ERA则有所低估；在南方区域(图 10d-f)，再分析资料的值则均较雷达探测偏小，这说明模式的冰云参数化方案与探测相比，仍存在较大的不确定性。

此外，还分析了液态水含量和冰水含量的经向平均(75°-125°E)分布特征(图略)，发现ERA的液态水含量更加深厚，而CFSR的液态水含量明显偏低，而再分析资料的冰水含量与云廓线雷达探测的差异较大。这与前述结果类似，在此不再赘述。

4 结论

选择目前较为常用的几种水凝物资料，包括卫星观测资料ISCCP、MODIS和CloudSat，以及再分析资料CFSR和ERA，对中国及周边地区水凝物的气候态水平及垂直分布特征进行了比较研究，结果表明：

在总的水凝物含量方面，MODIS、ERA和CFSR三种资料都显示出较高的一致性，无论是在描述整个中国及周边地区的水平分布特征和主要变化模态，还是在描述不同区域的月变化方面，MODIS数据的绝对数值和变化幅度都最大，CFSR在陆地上与其他资料相差不大，而ERA则是三者中较小的。与之相比，尽管ISCCP也能捕捉到水凝物总量水平分布的一些主要特征，但在一些具体细节和时间与空间的相关性方面与其他3种数据存在一定差别，且绝对数值和变化幅度都是最小的。

在液态水含量方面，几种资料间的一致性更高。但是，观测数据MODIS和ISCCP的绝对值要明显低于再分析资料ERA和CFSR。特别地，ERA的液态水含量占总水凝物的比例最大，且无论是在水平分布还是垂直分布方面，都较CFSR更高。上述差异导致在低纬度洋面和青藏高原南侧等气候敏感区域，液水路径的“不确定性”高达60%以上，这需要引起足够的重视。

对于冰水含量，不同资料间无论是水平和垂直分布形式还是具体数值都存在明显差异，因此除云贵川地区外，其他区域的“不确定性”都较大。其中MODIS数据的值最高，CFSR次之，而ERA冰水含量占总水凝物比例最低，其绝对数值也最低。

事实上需再次强调的是，不同的水凝物资料各自均存在可能的误差来源(其中部分甚至是无法克服的)，例如基于星载被动光谱类传感器的探测结果无法获取冰云下的云水信息，基于云雷达的云水和冰水划分标准值得商榷，不同模式的参数化方案和下垫面处理方式存在不确定性等。因此，本研究的目的并非通过比较来明确哪种数据的水凝物结果更好，而仅是指出不同数据间可能存在的差异，以便在使用相应数据进行分析时对其“不确定性”程度有所认识。总之，未来还需要进一步发展更为准确的水凝物反演算法和参数化方案以及相应数据产品，以降低其不确定性，从而更好地估计云的辐射效应，以及理解其在气候变化中所扮演的角色。例如，在“不确定性”较高的低纬度洋面，可以利用被动微波穿透性较好的特点，获得冰云下的液态水信息，从而提高液态水含量反演的精度。