
中国气象学会主办。
文章信息
- 朱利剑, 秦正坤, 王金成. 2018.
- ZHU Lijian, QIN Zhengkun, WANG Jincheng. 2018.
- 基于亮温通道变率的FY-3C微波湿度计陆地云检测新方法
- A new cloud detection algorithm based on brightness temperature variation for FY-3C Microwave Humidity Sounder over land
- 气象学报, 76(3): 434-448.
- Acta Meteorologica Sinica, 76(3): 434-448.
- http://dx.doi.org/10.11676/qxxb2018.007
-
文章历史
- 2017-04-17 收稿
- 2017-12-10 改回
2. 南京信息工程大学资料同化与研究应用中心, 南京, 210044;
3. 国家气象中心, 北京, 100081;
4. 中国气象局数值预报中心, 北京, 100081
2. Joint Center for Data Assimilation Research and Applications, Nanjing University of Information Science & Technology, Nanjing 210044, China;
3. National Meteorological Center, Beijing 100081, China;
4. Numerical Weather Prediction Center of China Meteorological Administration, Beijing 100081, China
20世纪90年代,Eyre在变分资料同化的框架内对星载大气垂直探测仪资料进行直接同化,使卫星资料在数值预报中的应用进入新的时期(薛纪善,2009),摆脱了资料同化研究中观测资料缺乏的困境,各类卫星观测资料同化对数值预报初始场的精度有显著的改善。在众多的卫星观测资料中,对于包含水汽信息的卫星资料同化的研究尤为重要。研究表明,中层水汽初值的误差是数值预报不确定性的重要来源之一,尤其是短期预报(Fabry, et al, 2010)。但是常规资料获取的水汽观测信息存在时空分布的局限性,并且在300 hPa以上存在湿度探测精度低的问题(Elliott, et al, 1991; Miloshevich et al, 2006)。随着1998年第一个搭载了先进微波湿度计(AMSU-B: Advanced Microwave Sounder Unit-B)的极轨卫星NOAA-15的升空,微波湿度计资料开始在数值预报中扮演起重要角色,它所提供的大气湿度信息能有效弥补常规水汽观测资料的不足。Geer(2013)、Singh等(2010, 2011)、Otkin(2010)在资料同化系统中直接同化湿度探测通道数据,发现能改进全球模式对流层中高层水汽分布、温度场以及风场的分析和预报。中国学者也对微波湿度计辐射率资料的直接同化进行了大量研究工作(张利红等, 2007; 任强等, 2009; 陆其峰等, 2010; 张旭煜等, 2013; 董佩明等, 2014),进一步明确了同化微波湿度计资料对数值天气预报的积极作用。
但是微波湿度计资料同化中还存在许多问题,除了偏差订正、地面发射率的修正外,还需要考虑对云和降水的检测(McNally, et al, 1999)。这是因为虽然微波对于非降水云有一定的穿透能力,但是依然会受到云雨粒子的散射和吸收的影响。并且目前同化研究中所使用的快速辐射传输模式对云雨区辐射量的模拟能力有限,难以准确模拟云对辐射能量的吸收、反射和散射过程,容易产生较大的模拟误差,进而影响分析场的质量,所以需要在同化前通过云检测方法将云雨区资料剔除。Qin等(2013)在利用GSI(Gridpoint Statistic Interpolation)同化系统进行静止卫星成像仪资料同化影响的研究中,发现由于有云资料未能剔除,MHS(Microwave Humidity Sounder)观测资料的引入反而降低了降水的预报评分。
相比可见光和红外波段,微波对云的敏感性相对较弱,从而导致利用微波资料进行云检测相对困难。因此,中外开展了大量的针对微波湿度计云检测的研究工作。微波湿度计的窗区通道对大粒子云类和降水粒子有很强的散射作用,能够利用基于AMSU-B窗区通道观测亮温差的Bennartz散射因子和窗区通道亮温观测模拟误差的大小检测冰云和降水(Bennartz, et al, 2002; 董佩明等, 2014)。Zou等(2013)针对GSI系统中微波湿度计资料云检测效果的不足,发展了一个基于静止气象卫星红外成像仪资料的新的云检测方法,该方法采用MHS的两个窗区通道和190 GHz水汽通道,在3个MHS通道和GOES成像仪10.7 μm通道的资料之间建立线性统计关系。此外,也有一些采用湿度计高频水汽通道进行云检测的方法,例如Candy等(2004)曾利用代价函数J=(y-yb)TR-1(y-yb)的值检测卷云,其中y和yb分别是183 GHz通道的观测和模拟亮温,R为误差协方法矩阵。
研究表明(方翔等, 2008; Yeh, et al, 1990),微波湿度计对冰态粒子有很高的敏感性,而对水云响应相对较弱。在海洋上,可以通过其他仪器的低频通道配合来反演液态水路径和冰水路径,从而根据反演结果进行云检测(Weng et al, 2000, 2003; Zhao, et al, 2002; Tang, et al, 2017)。陆地上的情况则更为复杂,陆地的地表发射率变化较大,地表发射率变化对亮温的影响远大于云的影响,利用低频通道难以有效反演陆地液态水路径。模式对地表参数的模拟能力也有限,使得陆地的地表发射率影响难以确定(Aires, et al, 2011),很难分辨观测亮温的异常变化究竟是由地表发射率导致的还是因为云的影响。由于地表发射率和背景场廓线的不精确,使得海洋上适用的依赖于O-B的常规云检测方法也存在较大的误差。所以陆地云检测研究的主要难点就是陆地地表发射率变化的影响较难确定。如何消除地表发射率的影响进行云检测是微波湿度计陆地云检测研究的一个重要发展方向。考虑到在单视场内的地表发射率是确定的,如果能够利用单点观测资料进行云检测,就可以很好地消除地表发射率的影响,同时仅用观测资料进行云检测也不会受到亮温模拟偏差的影响。因此,针对中国FY-3C卫星微波湿度计资料,在分析微波湿度计单视场不同通道亮温对云水响应特征的基础上,尝试利用亮温在通道间的变率建立一个新的微波湿度计陆地资料云检测方法。新方法仅依靠单视场的观测亮温进行云检测,能够有效消除陆地地表发射率的影响,也很容易在同化系统中得以实现,因此在微波湿度计资料同化效果改进方面有很好的应用前景。
2 资料和模式介绍 2.1 FY-3C微波湿度计风云3号系列卫星是中国自主研发的第2代极轨卫星,该系列第3颗卫星(FY-3C)于2013年9月23日发射升空,其上搭载了中国最新研制的微波湿度计(MWHS-Ⅱ)。MWHS-Ⅱ包含了15个不同频率的通道,其中通道1—9在星下点的视场约为33 km,通道10—15约为16 km,每条扫描线上的视场数为98个,完成单条扫描线的时间约为2.67 s,扫描宽度为±53.35°,幅宽为2600 km(Zhang, et al, 2012)。表 1给出了MWHS-Ⅱ和MWHS各个频率通道的信息①。
① http://satellite.nsmc.org.cn/PortalSite/StaticContent/DeviceIntro_FY3C_MWHS.aspx
MWHS-Ⅱ通道号 | 中心频率(GHz) | 极化方式 | MWHS通道号 | 中心频率(GHz) | 极化方式 |
1 | 89 | 垂直 | 1 | 150 | 垂直 |
2 | 118.75±0.08 | 水平 | - | - | - |
3 | 118.75±0.2 | 水平 | - | - | - |
4 | 118.75±0.3 | 水平 | - | - | - |
5 | 118.75±0.8 | 水平 | - | - | - |
6 | 118.75±1.1 | 水平 | - | - | - |
7 | 118.75±2.5 | 水平 | - | - | - |
8 | 118.75±3.0 | 水平 | - | - | - |
9 | 118.75±5.0 | 水平 | - | - | - |
10 | 150 | 垂直 | 2 | 150 | 水平 |
11 | 183.31±1 | 水平 | 3 | 183.31±1 | 垂直 |
12 | 183.31±1.8 | 水平 | - | - | - |
13 | 183.31±3 | 水平 | 4 | 183.31±3 | 垂直 |
14 | 183.31±4.5 | 水平 | - | - | - |
15 | 183.31±7 | 水平 | 5 | 183.31±7 | 垂直 |
与上一代搭载于FY-3A和3B的微波湿度计(MWHS)不同的是,新型的微波湿度计在183 GHz水汽吸收线附近新增了2个湿度探测通道,在118.3 GHz的氧气吸收线附近新增了8个温度探测通道,这些通道对温度和云非常敏感。这也是118 GHz频率附近通道首次应用于极轨卫星。另外,89和150 GHz这2个窗区通道也取代了原有的一对150 GHz双极化窗区通道,对冰云和地表特征有很好的观测能力。图 1给出了利用辐射传输模式(CRTM)根据1976年美国标准大气廓线模拟的MWHS-Ⅱ通道权重函数的分布特征,通道1、10以及通道7—9权重函数峰值位于地面,通道2—4权重函数峰值位于平流层,剩余通道权重函数位于对流层。通道2—9主要用于大气温度和降水参数的探测,通道11—15则用于探测湿度的垂直结构。这为数值预报和气候研究提供了更加详细的大气温、湿度和水汽信息。
![]() |
图 1 MWHS-Ⅱ各通道权重函数分布 Figure 1 Weighting functions of MWHS-Ⅱ channels |
文中选用2016年7月18日01时49分(世界时,下同)的FY-3C微波湿度计level-1c观测资料进行研究,研究范围为(20°—50°N,100°—130°E)内的东亚陆地区域。另外,为了检验云检测的效果,还选用了搭载于日本向日葵8号(Himawari-08)上的先进成像仪(AHI)的云分类产品(ftp://ftp.ssec.wisc.edu/clavr/him08/processed)。该产品是NOAA业务云处理系统采用贝叶斯算法得到的Clavr-x(Clouds from Advanced Very High Resolution Radiometer Extended)格式产品(Heidinger et al, 2012),产品为全圆盘格式,不仅利用了仪器的红外通道,还用到了可见光通道和近红外通道。卫星位于赤道上空的140.7°E,星下点处的水平分辨率为2 km,东西和南北方向的像元数均为5500。
2.2 CRTM辐射传输模式为了分析MWHS-Ⅱ各通道亮温随云的变化特征,这里选用了快速辐射传输模式CRTM进行研究。CRTM是由美国卫星资料同化联合中心(Joint Center for Satellite Data Assimilation)开发的一个快速辐射传输模式,其设计目标是为实现数值天气预报过程中全天候条件下卫星资料的同化应用,突出优点是对云雨条件下卫星观测资料有较强的模拟能力(Han, et al, 2006),可用于模拟大气层顶的辐射量和不同大气及地表条件下的卫星梯度辐射量(谷松岩等, 2013)。CRTM中辐射传输过程包含地表发射/反射模型、气溶胶吸收/散射模型、云吸收/散射模型和气体吸收模型(Han, et al, 2005)。目前CRTM模式中对云光学参数和降水散射效应的考虑是通过米散射理论计算的,考虑了云和降水的辐射效应。
3 敏感性试验结果分析为了避免多变的陆地地表发射率和背景场误差对云检测效果的影响,尝试建立一种仅依赖于单个视场不同通道观测亮温的陆地云检测方法。利用单个视场各通道亮温观测资料进行云检测研究,就需要明确同一视场内MWHS-Ⅱ各个通道的亮温随不同云参数的变化情况。选用1976年美国标准大气廓线作为大气背景场,在同一背景场条件下,分析不同云高、不同云水含量条件下,各通道模拟亮温的变化特征。
3.1 MWHS-Ⅱ模拟亮温对云高的敏感性分析云顶高度是区分云类的重要标准,不同高度的云通常能表现出不同的辐射强迫特征(宇路等,2017)。首先以水云为例,为了简化,不考虑云微物理结构,将云水粒子的有效半径设置为15 μm (董佩明等, 2009),固定云层积分含水量为0.3 kg/m2,试验中设置云层厚度为2—3 km,其中高云位于360—250 hPa,中云位于725—550 hPa(顾成明等, 2016),低云位于930—750 hPa,地表发射率默认为0.95。
MWHS-Ⅱ的通道2—9为温度探测通道,不仅对温度敏感,而且对云和水汽有一定的敏感性,尤其是通道2—4权重函数峰值所在高度较高,是纯粹的温度通道,不能很好地反映出云和水汽的特征,所以,本研究主要是基于MWHS-Ⅱ的窗区通道和水汽通道资料进行。图 2给出了不同高度云存在时,MWHS-Ⅱ通道1、通道10—15模拟亮温的变化情况。对于中心频率在89 GHz以上的微波波段,云粒子对辐射的影响主要是以散射为主,而且云顶发射率要明显低于陆地地表发射率,所以在陆地有云条件下,云区亮温要比晴空亮温低。从图 2可以看出,无论是某一高度云还是多个高度的云存在时,各通道亮温都低于晴空亮温。当仅存在低云、中云和高云的其中一种时,各通道亮温都会降低,尤其是存在高云时,亮温的降低最为明显,其中183±7 GHz的通道亮温减少幅度最大,亮温比晴空条件下可降低最多约50 K。低云对亮温的降低大约为3 K,中云的影响则是3—10 K。当存在不同高度的多种云时,各个通道的模拟亮温主要取决于较高层次云,这是因为各层云对辐射的散射作用,透过的地面辐射较少,卫星的观测亮温主要是来自高层云发射的辐射。值得注意的是,任何一种云的存在,都会使得各个通道的亮温趋于一致,这在高云条件下尤其明显,所有通道的亮温都是位于220 K附近,只是通道1的亮温略高于其他通道。
![]() |
图 2 不同高度云存在时MWHS-Ⅱ通道亮温(a)和7个通道的亮温标准差(b)(单位:K) Figure 2 Brightness temperatures (a) and their standard deviations (b) when clouds of different heights exist (unit: K) |
为了更好地表现不同通道观测亮温随云的变化特征,图 2b还给出了存在不同高度云时MWHS-Ⅱ的7个通道(通道1、通道10—15)间亮温的标准差,可以看出有云时亮温的标准差普遍减小,仅存在低云时,标准差约为13 K,和晴空情况相差1.7 K,有中云存在时约为6.5 K,高云条件下的标准差最小,不超过2 K。
3.2 MWHS-Ⅱ模拟亮温对云水含量的敏感性分析除了云的高度外,另外一个影响辐射亮温观测的因素是云水含量。这里首先以低云为例,从0.1 kg/m2到0.5 kg/m2逐渐增加云水含量,分析同样大气廓线条件下,云水含量对亮温的影响特征。MWHS-Ⅱ的7个通道亮温值随云水含量的变化特征(图 3a)表明,与云高的影响相比,亮温随着云水含量增加的变化幅度相对较小。相比而言,变化较大的通道有3个:2个地面通道和通道15,亮温降低约5 K;通道11—14亮温基本无变化,一方面是由于这些通道权重函数峰值高度位于云顶以上,另一方面是因为MWHS-Ⅱ本身对水云的响应较弱。图 3b对应为高云的情况,当高云存在时,亮温对云水含量变化的响应比低云强的多,所有7个通道亮温都有明显降低。在云水含量从0.1 kg/m2增至0.2 kg/m2时,这些通道亮温变化范围在5—15 K,当云水含量进一步增大后,亮温的变化幅度有所减小。值得注意的是,虽然亮温的变化幅度较小,但是各通道间亮温的差异同样有减小的趋势,由图 3c可以看出,不同云高条件下7个通道之间亮温的标准差均随云水含量的增大而减小。
![]() |
图 3 不同云水含量的低云(a)和高云(b)条件下MWHS-Ⅱ各个通道亮温变化情况以及不同云类的组合条件下亮温通道间标准差(c) Figure 3 Brightness temperatures (a, b) of all MWHS-Ⅱ channels and their standard deviations (c) when low (a) and high clouds (b) with different cloud water contents exist |
以上试验结果表明,水云云水粒子的存在对于窗区通道和离183 GHz吸收线中心较远通道亮温的影响比对中心频率附近通道的影响大,并且当有不同高度和不同云水含量的云存在时,都能在一定程度上使MWHS-Ⅱ亮温的通道间变率减小,其中高云对亮温变率的影响最大,这就为利用MWHS-Ⅱ亮温通道间变率变化特征来进行云检测提供了基础。
除了水云以外,MWHS-Ⅱ亮温还受其他固态水成物的影响,如冰、雪、霰和雹等。图 4给出了高的雪云和雹云存在时MWHS-Ⅱ各通道的模拟亮温。高的雪云能使湿度计各通道亮温明显降低,通道间亮温标准差减小,其中通道1和2的降温幅度最小;而高的雹云存在时,通道1和2的降温则比其他通道更为显著。这也表明当雪、霰和雹云存在时,云对亮温的影响特征更为复杂,但是值得注意的是两个窗区通道的升温和降温幅度总是相似的。
![]() |
图 4 不同云水含量的高雪云(a)和高雹云(b)条件下MWHS-Ⅱ各通道的模拟亮温 Figure 4 Brightness temperatures of MWHS-Ⅱ channels when high snow (a) or high hail clouds (b) with different cloud water contents exist |
当然除了云的影响外,温湿廓线的变化也会影响MWHS-Ⅱ通道间的亮温标准差。比如当地面温度与高层大气温度出现反向变化,或者大气中水汽增加到足够多的情况下,地面通道亮温与高层通道亮温的变化容易出现较大的差异,从而增大亮温的通道间标准差,云检测过程中就需要很好地区分温湿廓线的影响和云的作用。
4 实际观测资料分析上述的理想试验证明,不同云高和云水含量的水云存在时,都会导致MWHS-Ⅱ亮温的通道间变率减小,但是冰云、雪云、霰云和雹云会对亮温标准差产生不同的影响。为了进一步验证理想试验的结果,采用实际资料的对比进行验证。这里随机选用2016年7月18日01时49分的亚洲地区观测资料为例,图 5是MWHS-Ⅱ通道1、通道10—15这7个通道观测亮温的空间分布,作为参考,图 5h为同日02时FY-2F红外通道1的观测亮温,红外通道1波段为10.3—11.3 μm,仅受水汽等少数气体影响,对云的穿透性差,亮温低的区域能很好地表示云区。可以看出MWHS-Ⅱ的7个通道均能在一定程度上反映出云的中心区(25°—30°N,110°—110°E)和(30°—40°N,105°—110°E)的亮温特征,特别是窗区通道和183.31 GHz附近3个距吸收中心较远的通道(通道13—15)。因为在对流旺盛的区域,云水含量较高,并且还可能存在其他固态的降水粒子,由于云的强散射作用和低的发射率,云区亮温明显降低,可以观察到几个通道都有明显的亮温低值中心。
![]() |
图 5 2016年7月18日01时49分的MWHS-Ⅱ各通道(a—g)观测亮温与同日02时FY-2F VISSR红外通道1(h)观测亮温(单位:K) Figure 5 Observations of MWHS-Ⅱ at 01:49 UTC 18 July 2016 (a-g) and observations of channel IR1 of VISSR onboard FY-2F at 02:00 UTC 18 July 2016 (h) (unit: K) |
183.31 GHz位于水汽吸收线附近,对湿度非常敏感。183.31±1.8 GHz、183.31±3 GHz频率对对流层中层的湿度有很好的响应,除了云和降水外,较高的相对湿度也会使亮温降低,所以很难把云和降水区与相对湿度较高的非云区区分开。剩余3个183 GHz频率通道权重函数峰值高度较低,在暖的晴空背景下能很好地反映云和降水的特征。通道对云的敏感性随着通道频率远离吸收线中心频率而增加,这些离中心频率较远的通道能很好地反映云的垂直结构。同时随着频率的增大,对云的敏感性也增加,对流区亮温衰减幅度增大(Bizzarri, et al, 2002)。而在以水云为主的非对流云区,MWHS-Ⅱ的部分通道不能很好地观测到亮温的衰减。这些都在上述的模拟结果中有所反映。
Muller等(1994)通过模拟水汽、云水和云冰对AMSU亮温的影响指出,水云比卷云更能影响89 GHz频率通道的亮温,而183 GHz通道亮温主要受冰云的影响,高云对183 GHz频率通道亮温的影响要比低云大。从图 5可以发现,89 GHz地面窗区通道的亮温与FY-2F红外通道1观测亮温有很好的对应关系,温度低于286 K的范围几乎都对应了图 5h中的亮温低值区。但是窗区通道没能观测到40°N以北以及(25°N,110°E)附近的云,而183±7.0 GHz通道却能识别出内蒙古北侧的条带状云系。
5 微波湿度计单视场陆地云检测方案虽然MWHS-Ⅱ的多个通道观测亮温的空间分布特征与云有一定的对应关系,但是由于通道11—15是水汽通道,亮温还会随着大气温度和大气水汽含量的变化而变化,所以仅仅依靠亮温大小不能准确确定哪些资料受到云的影响,需要建立一个稳定客观的标准来判断观测资料是否受到云的污染。分析模拟结果和MWHS-Ⅱ观测资料表明不同云的存在会使湿度计2个窗区通道和5个水汽通道之间的亮温变率发生不同的变化,利用这一特性可以建立一个新的针对陆地区域的云检测指数
![]() |
(1) |
![]() |
(2) |
式中,Ti表示MWHS-Ⅱ通道i的观测亮温,T1nor表示标准化后的通道1亮温,该指数越大表明越有可能有云存在,n是参与计算的MWHS-Ⅱ通道个数,T是7个通道的平均亮温。
MWHS-Ⅱ观测的各通道亮温主要受到地表发射率、地表温度、大气温度和水汽廓线、各类痕量气体和云的影响。但是由于这些影响因子是随着时间和空间变化的,所以无法通过亮温大小的直接对比来确定是否有云的影响。但是对于同一视场的所有通道而言,地面发射率和地面温度是固定的,而且对所有通道的影响方向是一致,发射率的增大和地面温度的升高会导致所有通道亮温的升高,反之亦然。通过计算通道亮温的平均值,并在通道1的亮温中减去平均值,就可以很大程度消除这两个因素的影响。理想试验结果表明,云对通道1亮温的影响相对较小,所以通道1有较高的亮温,通道1亮温的距平值多为正值,云的存在又进一步降低了亮温通道间的标准差,从而标准化的通道1亮温在云区表现为大的正值。
如上所述,云检测需要正确的区分大气温湿廓线变化的影响和云对亮温的作用。当近地面温度显著升高,或者水汽含量明显增大的情况下,通道1的亮温都会明显增大,过高的通道1亮温也会使得标准化通道1亮温为大的正值。所以进一步引入通道10亮温作为分母。与通道1相似,通道10同样显著地受地表温度的影响,在高地表温度的晴空区,高的通道10亮温能够使得云检测指数接近于0。另外,图 4的理想试验结果还表明,当高的雹云存在时,通道1的降温幅度会高于其他通道,这又会使标准化通道1亮温表现为负值。但是理想试验结果表明在雹云区,通道10亮温降低幅度和通道1相近,而且通道10更容易受到大气的影响,大部分情况下通道10的降温幅度要大于通道1。因此,在云检测指数中增加一个和通道10亮温有关的分母还能消除雹云等特殊云类的影响,保证了有云区的云检测指数为较大的正值。
图 6a为云检测指数的空间分布,图 6b则是与2016年7月18日01时49分MWHS-Ⅱ观测资料视场时、空匹配后的向日葵8号先进成像仪的云分类资料。向日葵8号是日本气象厅于2015年1月22日发射的一颗静止卫星,能提供10 min一次的红外、水汽以及彩色图像。由于不同类型资料的观测时间和空间分辨率存在差异,需要将MWHS-Ⅱ湿度计资料和云产品分别在时、空上进行匹配。与气压、温度等不同,云类并不连续,在同一个MWHS-Ⅱ视场内往往会出现不止一种类型的云,因此,在空间上将微波湿度计一个扫描视场范围内出现最多的云类作为该视场的代表云类,根据湿度计扫描视场的大小,视场的直径经平均后取为20 km;在时间上选取两者观测最接近的时次,最大时间误差限定在30 min以内。通过与匹配后的AHI云分类产品比较可以发现,云指数较高的地区与云区有很好的对应关系。
![]() |
图 6 2016年7月18日01时49分(a)MWHS-Ⅱ云检测指数(Lindex)分布和(b)匹配后的AHI云分类产品的空间分布 Figure 6 Spatial distributions of Lindex(a) for MWHS-Ⅱ and collocated AHI cloud types (b) at 01:49 UTC 18 July 2016 |
在研究区域中主要出现的云类有非透光性冰云和上冲云顶、水云、过冷水云、多层云以及卷云,在中国东部、东北部以及内蒙古以北地区以晴空为主。为了能进一步对云检测方法的准确性进行定量分析,需要给出合理的云指数的阈值,文中提出以下评估标准:
![]() |
(3) |
![]() |
(4) |
式中,Pd为“检出率”,即云资料被检测出的比例;Pclr为晴空资料被剔除的比例。Nd表示云产品中被指数检测出的像元个数,Ncld表示其中有云资料的像元总数,Nclr为统计的云产品中晴空资料的像元个数,Nclrm为晴空资料被云指数错误剔除的像元数。
将AHI云产品中的云分为5种主要类型:纯水云、过冷水云、非透光性冰云、多层云以及卷云。从不同云指数阈值下不同云类的检出率以及晴空资料被剔除的比例(图 7)可以看出,在云指数的阈值由0.4增至0.5时,对过冷水云、冰云以及多层云的检出率减小得较慢,均超过80%,随着阈值进一步增大,这3类云的检出率迅速减小。较小的阈值虽然能检测出更多的云,但是同时也剔除了大部分晴空资料;而当阈值较大时,云资料则不能被有效剔除。综合考虑,选取0.5作为云指数的阈值,即当指数大于0.5时,认为该视场受云影响,剔除该视场的MWHS-Ⅱ观测资料;反之亦然。
![]() |
图 7 不同云指数阈值下不同云类的检出率以及晴空资料被剔除的比例 Figure 7 Detectable rates for different cloud types with different Lindex thresholds |
利用2016年7月18日ERA-Interim再分析资料作为背景场对晴空条件下观测的亮温进行模拟,资料的空间分辨率为0.75°×0.75°,时间分辨率为6 h(00、06、12、18时)。由于模拟过程中未考虑各类水成物的吸收和散射作用而将各视场作晴空处理,因此云雨区的模拟亮温较观测值更大,表现为观测增量的负偏差。图 8a、b分别为在2016年7月18日01时49分新的云检测方法和AHI云分类产品所剔除的区域内通道12的观测增量空间分布,通道12权重函数峰值所在高度位于对流层中层约500 hPa,受地面影响较弱。可以看出,AHI云产品认为有云的区域内几乎包含了所有观测增量为负偏差的像元;而新的云检测方案在剔除大部分观测增量为负偏差像元的同时能保留部分观测增量绝对值接近0的像元。图 8c是通道12模拟误差与云指数的散点分布情况,红色和黑色的散点分别表示指数保留和剔除的观测资料。随着云指数的增大,观测增量主要表现为绝对值较大的负偏差,绝对值较大的负偏差应该是由于云的影响,云的散射、吸收和云相对较小的发射率导致的观测亮温降低,所以模拟的晴空亮温会明显高于观测亮温,这也表明云检测指数能够有效检测强影响的云类。图 8d是研究区域内通道12观测模拟亮温差的概率分布。云检测前,观测增量的偏度系数和峰度系数分别为-2.33和21.55,呈现出负偏态特征;而云检测后观测增量的偏度系数和峰度系数分别为0.33和0.89,更接近正态分布。
![]() |
图 8 2016年7月18日01时49分云指数所剔除的区域(a)和AHI云产品检测出的云区(b)内MWHS-Ⅱ通道12观测增量(O-B)的空间分布、(c)云指数和观测增量的散点分布以及(d)观测增量的频数分布 Figure 8 Spatial distributions of O-B of MWHS-Ⅱ channel 12 for data rejected by new cloud detection (a), and cloudy radiances identified by AHI cloud product (b), scatter plots of Lindex versus O-B (c) and the frequency numbers of O-B (d) at 01:49 UTC 18 July 2016 |
为了明确天气系统对云检测效果的影响,这里还选取另外两个时次的MWHS-Ⅱ资料和云分类产品对云检测效果进行检验。图 9a、b分别为2016年7月19日01时30分中国部分地区以及2017年12月2日00时50分澳大利亚部分地区经匹配后的AHI云类分布,图 9c、d为同时刻云指数所剔除和保留的观测资料的分布。可以看出新的云检测方法能检测出主要的云区,尤其是能剔除部分位于云区边缘的资料,同时大部分的晴空资料被保留下来,只是对位于中国东北地区南部的部分卷云、华南地区上空的卷云和水云以及位于地表附近的雾的检测效果相对较差。
![]() |
图 9 2016年7月19日01时30分中国东部(a、c)和2017年12月2日00时50分澳大利亚部分地区(b、d)云类空间分布(a、b)以及云指数保留的观测资料(c、d) Figure 9 Spatial distributions of collocated cloud types (a, b) and observations retained by Lindex (c, d) in the parts of China at 01:30 UTC 19 July 2016 (a, c) and in the parts of Australia at 00:50 UTC 2 December 2017 (b, d) |
研究以AHI云类产品的结果为真值,统计了2016年7月19日01时30分中国部分地区和2017年12月2日00时50分澳大利亚部分地区经匹配后的AHI云分类产品中不同云类的像元数量以及不同云类被云检测方法检测到的像元数量,利用“检出率”公式计算得到云检测方法对不同云类的检出率。图 10a、b分别是这两个时次中云指数对不同云类的检出率。可以发现,绝大部分的纯水云、过冷水云、多层云以及非透光性冰云能被该云指数检测出来,其中该云检测方案对过冷水云、非透光性冰云和多层云的检测能力最强,检出率均超过80%,而对卷云的检测能力则相对较弱些,这和微波对薄卷云较强的穿透性有关。在这两个时次中,晴空资料被剔除的比例分别为33.5%和21.4%,可见该云指数能够保留大部分的晴空资料。另外,云指数还能检测出大部分的纯水云。由于水云所在的高度较低,在第3节的敏感性试验结果中,可以看出低云的存在虽然能使MWHS-Ⅱ亮温通道间变率减小,但这一变化并不明显,并且受到大气温湿廓线的影响,这可能导致了云检测方法对水云的检测能力不如其他云类。
![]() |
图 10 2016年7月19日01时30分中国部分区域(a)和12月2日00时50分澳大利亚部分区域内(b)云指数对水云(蓝)、过冷水云(天蓝)、非透光冰云(黄)、卷云(橙)、重叠云(紫)和所有云类(黑)的检出率 Figure 10 Detectable rates of water clouds (blue), supercooled water clouds (blue), opaque ice (skyblue), clouds (yellow), cirrus (orange), overlapping (purple) and all clouds (black) at 01:30 UTC 19 July 2016 over China (a) and 00:50 UTC 2 December 2017 over Australia (b) |
由于辐射传输模式对受云影响的亮温模拟精确度不足,晴空资料同化效果改进依然是目前微波湿度计资料同化的重要发展方向,而有效的云检测方法正是影响晴空资料同化的关键技术。在下垫面一致的洋面地区,已经发展了一系列成熟的物理和统计方法进行云检测,但是在陆地上空的云检测方法研究则相对较少。由于陆地地表发射率的复杂多变,难以精确估计,降低了模拟精度,使得常规依赖观测增量的云检测方法误差较大。针对MWHS-Ⅱ资料,首先利用CRTM模式分析了云对MWHS-Ⅱ各通道亮温影响的主要特征,发现在有云存在时,亮温的通道间变率随云高和云水含量的增大而减小。根据这一特点,提出了一个仅依赖于MWHS-Ⅱ观测资料自身的云检测方法,新方法通过对通道亮温的标准化尽可能消除陆地地表发射率的影响,并结合通道10对固态水成物响应明显的特点,建立一个新的云检测指数。通过与高分辨率静止卫星的云产品对比,结果表明超过80%的过冷水云、多层云以及非透光性冰云能被有效检测出来,而对水云和卷云的检测能力则相对较弱些,同时能有效保留大部分的晴空资料。
新的云指数检测方法仅依赖于观测资料自身,在资料同化系统中有很好的利用前景。但是实际应用前还需要利用更长时间的观测资料进行检验,另外目前的云检测方法还没有考虑扫描角偏差的影响,云检测方法在海洋地区的适用性如何,这些都需要做进一步的研究。
董佩明, 刘健文, 刘桂青, 等. 2014. ATMS卫星资料的同化应用及与AMSUA/MHS的比较研究. 热带气象学报, 30(4): 623–632. Dong P M, Liu J W, Liu G Q, et al. 2014. Study on the assimilation of ATMS satellite data and comparison with AMSUA/MHS. J Trop Meteor, 30(4): 623–632. (in Chinese) |
董佩明, 王海军, 韩威, 等. 2009. 水物质对云雨区卫星微波观测模拟影响. 应用气象学报, 20(6): 682–691. Dong P M, Wang H J, Han W, et al. 2009. The effect of water content on the simulation of satellite microwave observation in cloudy and rainy area. J Appl Meteor Sci, 20(6): 682–691. DOI:10.11898/1001-7313.20090605 (in Chinese) |
方翔, 邱红, 曹志强, 等. 2008. 应用AMSU-B微波资料识别强对流云区的研究. 气象, 34(3): 22–29. Fang X, Qiu H, Cao Z Q, et al. 2008. Research on severe convective cloud identification by using AMSU-B microwave data. Meteor Mon, 34(3): 22–29. DOI:10.7519/j.issn.1000-0526.2008.03.004 (in Chinese) |
顾成明, 王云峰, 张晓辉, 等. 2016. 云参数对微波亮温模拟计算的影响试验. 应用气象学报, 27(3): 380–384. Gu C M, Wang Y F, Zhang X H, et al. 2016. Effects of cloud parameter on brightness temperature computation in microwave band. J Appl Meteor Sci, 27(3): 380–384. DOI:10.11898/1001-7313.20160313 (in Chinese) |
谷松岩, 郭杨, 王振占, 等. 2013. 风云三号A星微波湿度计探测通道定标分析. 气象科技进展, 3(4): 43–49. Gu S Y, Guo Y, Wang Z Z, et al. 2013. Calibration analyses for sounding channels of MWHS onboard FY-3A. Adv Meteor Sci Technol, 3(4): 43–49. (in Chinese) |
陆其峰, 张文江, 张鹏, 等. 2010. 基于区域ATOVS数据同化的2008中国南方低温雨雪冰冻灾害的暴雪监测研究. 中国科学:地球科学, 53(8): 1216–1228. Lu Q F, Zhang W J, Zhang P, et al. 2010. Monitoring the 2008 cold surge and frozen disasters snowstorm in South China based on regional ATOVS data assimilation. Sci China Earth Sci, 53(8): 1216–1228. (in Chinese) |
任强, 董佩明, 薛纪善. 2009. 台风数值预报中受云影响微波卫星资料的同化试验. 应用气象学报, 20(2): 137–146. Ren Q, Dong P M, Xue J S. 2009. The use of microwave satellite data affected by cloud in numerical forecast of typhoon. J Appl Meteor Sci, 20(2): 137–146. DOI:10.11898/1001-7313.20090202 (in Chinese) |
薛纪善. 2009. 气象卫星资料同化的科学问题与前景. 气象学报, 67(6): 903–911. Xue J S. 2009. Scientific issues and perspective of assimilation of meteorological satellite data. Acta Meteor Sin, 67(6): 903–911. DOI:10.11676/qxxb2009.088 (in Chinese) |
宇路, 傅云飞. 2017. 基于星载微波雷达和激光雷达探测的夏季云顶高度及云量差异分析. 气象学报, 75(6): 955–965. Yu Lu, Fu Yunfei. 2017. Analysis of cloud-top height and cloud amount difference between spaceborne microwave radar and laser radar detection in boreal summer. Acta Meteor Sinica, 75(6): 955–965. DOI:10.11676/qxxb2017.070 (in Chinese) |
张利红, 沈桐立, 王洪利. 2007. AMSU资料变分同化及在暴雨数值模拟中的应用研究. 高原气象, 26(5): 1004–1012. Zhang L H, Shen T L, Wang H L. 2007. Variational assimilation of AMSU data and its application to numerical simulation of heavy rainfall. Plateau Meteor, 26(5): 1004–1012. (in Chinese) |
张旭煜, 朱克云, 张杰, 等. 2013. FY-3A卫星MWHS资料同化及四川盆地暴雨数值模拟分析. 成都信息工程学院学报, 28(3): 258–266. Zhang X Y, Zhu K Y, Zhang J, et al. 2013. Use of assimilating FY-3A MWHS data of the heavy rain over Sichuan province. J Chengdu Univ Inf Technol, 28(3): 258–266. (in Chinese) |
Aires F, Marquisseau F, Prigent C, et al. 2011. A land and ocean microwave cloud classification algorithm derived from AMSU-A and-B, trained using MSG-SEVIRI infrared and visible observations. Mon Wea Rev, 139(8): 2347–2366. DOI:10.1175/MWR-D-10-05012.1 |
Bennartz R, Thoss A, Dybbroe A, et al. 2002. Precipitation analysis using the Advanced Microwave Sounding Unit in support of nowcasting applications. Meteor Appl, 9(2): 177–189. DOI:10.1017/S1350482702002037 |
Bizzarri B, Albin J G, David H S, et al. 2002. Requirements and Perspectives for MW/Sub-mm sounding from Geostationary Satellite//Proceedings of EUMETSAT Meteorology Satellite Conference. Dublin, Ireland, 97-105 |
Candy B, English S, Renshaw R, et al. 2004. Use of AMSU data in the Met Office UK Mesoscale Model//Proceedings of the 13th International TOVS Study Conference. Ste Adele, Canada |
Elliott W P, Gaffen D J. 1991. On the utility of radiosonde humidity archives for climate studies. Bull Amer Meteor Soc, 72(10): 1507–1520. DOI:10.1175/1520-0477(1991)072<1507:OTUORH>2.0.CO;2 |
Fabry F, Sun J Z. 2010. For how long should what data be assimilated for the mesoscale forecasting of convection and why? Part Ⅰ:On the propagation of initial condition errors and their implications for data assimilation. Mon Wea Rev, 138(1): 242–255. DOI:10.1175/2009MWR2883.1 |
Geer A J. 2013. All-sky assimilation: Better snow-scattering radiative transfer and addition of SSMIS humidity sounding channels. Technical Report 706, ECMWF |
Han Y, van Delst P, Liu Q H, et al. 2005. User's guide to the JCSDA community radiative Transfer Model (Beta Version). Joint Center for Satellite Data Assimilation, Camp Springs, Maryland, USA |
Han Y, van Delst P, Liu Q H, et al. 2006. JCSDA community radiative Transfer Model (CRTM)-version 1. NOAA Technology Report, NESDIS, No. 122 |
Heidinger A K, Evan A T, Foster M J, et al. 2012. A naive bayesian cloud-detection scheme derived from CALIPSO and applied within PATMOS-x. J Appl Meteor Climatol, 51(6): 1129–1144. DOI:10.1175/JAMC-D-11-02.1 |
McNally A P, Andersson E, Kelly G A, et al. 1999. The use of raw TOVS/ATOVS radiances in the ECMWF 4D-Var assimilation system//Proceedings of the 10th International ATOVS Study Conference. Boulder, Colorado, USA, ECMWF Newsletter |
Miloshevich L M, Vömel H, Whiteman D N, et al. 2006. Absolute accuracy of water vapor measurements from six operational radiosonde types launched during AWEX-G and implications for AIRS validation. J Geophys Res, 111(D9): D09S10. |
Muller B M, Fuelberg H E, Xiang X W. 1994. Simulations of the effects of water vapor, cloud liquid water, and ice on AMSU moisture channel brightness temperatures. J Appl Meteor, 33(10): 1133–1154. DOI:10.1175/1520-0450(1994)033<1133:SOTEOW>2.0.CO;2 |
Otkin J A. 2010. Clear and cloudy sky infrared brightness temperature assimilation using an ensemble Kalman filter. J Geophys Res, 115(D19): D19207. DOI:10.1029/2009JD013759 |
Qin Z K, Zou X L, Weng F Z. 2013. Evaluating added benefits of assimilating GOES imager radiance data in GSI for coastal QPFs. Mon Wea Rev, 141(1): 75–92. DOI:10.1175/MWR-D-12-00079.1 |
Singh R, Pal P K, Joshi P C. 2010. Assimilation of Kalpana very high resolution radiometer water vapor channel radiances into a mesoscale model. J Geophys Res, 115(D18): D18124. DOI:10.1029/2010JD014027 |
Singh R, Kishtawal C M, Pal P K. 2011. A comparison of the performance of Kalpana and HIRS water vapor radiances in the WRF 3D-Var assimilation system for mesoscale weather predictions. J Geophys Res, 116(D8): D08113. DOI:10.1029/2010JD014969 |
Tang Fei, Zou Xiaolei. 2017. Liquid water path retrieval using the lowest frequency channels of Fengyun-3C Microwave Radiation Imager (MWRI). J Meteor Res, 31(6): 1109–1122. DOI:10.1007/s13351-017-7012-7 |
Weng F Z, Grody N C. 2000. Retrieval of ice cloud parameters using a microwave imaging radiometer. J Atmos Sci, 57(8): 1069–1081. DOI:10.1175/1520-0469(2000)057<1069:ROICPU>2.0.CO;2 |
Weng F Z, Zhao L M, Ferraro R R, et al. 2003. Advanced microwave sounding unit cloud and precipitation algorithms. Radio Sci, 38(4): 8068. |
Yeh H Y M, Prasad N, Mack R A, et al. 1990. Aircraft microwave observations and simulations of deep convection from 18 to 183 GHz.Par Ⅱ:Model results. J Atmos Ocean Technol, 7(3): 392–410. DOI:10.1175/1520-0426(1990)007<0392:AMOASO>2.0.CO;2 |
Zhang S W, Li J, Wang Z Z. 2012. Design of the second generation Microwave Humidity Sounder (MWHS-Ⅱ) for Chinese meteorological satellite FY-3//Proceedings of 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Munich, Germany: IEEE, 4672-4675 |
Zhao L M, Weng F Z. 2002. Retrieval of ice cloud parameters using the advanced microwave sounding unit. J Appl Meteor, 41(4): 384–395. DOI:10.1175/1520-0450(2002)041<0384:ROICPU>2.0.CO;2 |
Zou X L, Qin Z K, Weng F Z. 2013. Improved quantitative precipitation forecasts by MHS radiance data assimilation with a newly added cloud detection algorithm. Mon Wea Rev, 141(9): 3203–3221. DOI:10.1175/MWR-D-13-00009.1 |