出版日期: 2017-11-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176350
2017 | Volumn21 | Number 6
上一篇 | 下一篇

FY-3C VIRR大气可降水产品生成和检验

胡菊旸¹ , 唐世浩¹ , 刘海磊² , 郑婧¹

1. 国家卫星气象中心中国气象局中国遥感卫星辐射测量和定标重点开放实验室，北京 100081

2. 成都信息工程学院，成都 610225

收稿日期: 2016-10-14; 优先数字出版日期: 2017-11-01

基金项目: 国家重点研发计划(No. 2016YFA0600101)；公益性行业(气象)科研专项(No. GYHY201406001)；国家自然科学基金(No. 41305089)

第一作者简介: 胡菊旸(1987—　)，女，硕士研究生，研究方向为红外定量遥感的理论和应用。E-mail：hujy@cma.gov.cn

通讯作者简介: 唐世浩(1971—　)，男，研究员，研究方向为卫星遥感相关理论和应用。E-mail：tangsh@cma.gov.cn

中图分类号: P407.6

文献标识码: A

摘要

风云三号C星(FY-3C)可见光红外扫描辐射计(VIRR)两个红外分裂窗通道数据生成的晴空大气可降水(TPW)产品已投入业务使用。本文介绍了该产品的生成方法，并从产品精度和稳定性两个方面评价产品质量。与MODIS Terra TPW的月平均数据对比，FY-3C VIRR TPW能正确反应大气可降水的全球分布。与2015年3月—4月的全球探空数据对比，FY-3C VIRR TPW均方根误差为5.36 mm，相对误差在水汽值大于30 mm时在20%以内，并且夜间产品精度优于白天。相比于MODIS红外TPW产品与探空数据的误差，FY-3C TPW精度略好。计算2015年1月至2016年7月FY-3C VIRR TPW产品相对探空数据的月均方根误差，19个月均方根误差的标准差是0.54 mm，小于同期MODIS Terra TPW均方根误差的标准差，说明FY-3C VIRR TPW产品在检验时期内更稳定。FY-3C VIRR TPW产品精度较高且质量稳定，具备广泛应用能力。

关键词

FY-3C/VIRR, 红外分裂窗, 大气可降水, 探空, MODIS红外水汽产品

Production and validation of FY-3C VIRR total precipitable water products

HU Juyang¹ , TANG Shihao¹ , LIU Hailei² , ZHENG Jing¹

1.Key Laboratory of Radiometric Calibration and Validation for Environment Satellites, National Satellite Meteorological Center, China Meteorological Administration, Beijing 100081, China

2.Chengdu University of Information Technology, Chengdu 610225, China

Abstract

Total Precipitable Water (TPW) products, which are derived from satellite FY-3C Visible and Infrared Radiometer (VIRR) infrared split-window information, have been officially put into operation. High-quality FY-3C TPWs could be used in many fields, such as weather analysis, climate study, and atmospheric correction in land surface remote sensing. The retrieval method of TPW products has only been introduced briefly, and product assessments have yet to be conducted. Thus, we compared the product accuracies and stabilities of MODIS Terra infrared TPWs and radiosonde TPWs. The global distribution of FY-3C VIRR TPW was evaluated and compared with that of MODIS Terra monthly infrared TPW in March 2015. In addition, we selected two months (March to April 2015) of radiosonde TPWs to calculate FY-3C TPW errors and analyze the features of global errors, errors changed with water vapor, error day–night distributions, and error space distributions. At the same time, the same accuracy analyses for MODIS Terra daily TPWs were conducted by comparing them with the same radiosonde TPWs. The results can be used as reference for FY-3C TPW accuracy evaluations. Moreover, monthly RMSEs of FY-3C TPWs from January 2015 to July 2016, as well as monthly RMSEs of MODIS TPWs, were calculated by comparing with radiosonde data. The variations of two time series RMSEs were compared to assess FY-3C TPW stabilities relative to MODIS TPWs. FY-3C VIRR TPW is generally consistent with MODIS monthly TPW in space distribution. The differences between the two TPWs are smaller than 30° S to the south pole and 30° N to the north pole and relatively larger between 30° S and 30° N. The verifications of VIRR TPW, which were conducted by comparing with two-month radiosonde data, show that the bias, RMSE, and correlation coefficient are –0.16 mm, 5.36 mm, and 0.85, respectively, which are slightly better than the errors of MODIS TPWs, except in dry atmosphere (TPW<10 mm). Analyses of errors changed with water vapor indicate that the relative errors of VIRR TPWs are less than 20% when water vapor is more than 30 mm, which is much higher in dry atmosphere. In addition, in dry (TPW<10 mm) and wet (TPW>55 mm) atmospheres, the relative errors of VIRR TPWs are smaller than those of MODIS TPWs, whereas the differences between the two TPWs are small when TPWs are between 30 mm and 50 mm. The performances of VIRR and MODIS TPWs are better at night than at daytime. Moreover, the qualities of VIRR TPW are better than those of MODIS TPWs at daytime but slightly worse at night. Biases of VIRR TPWs mostly sit at ±2 mm. RMSEs are small in middle- and high-latitude areas and large in lower-latitude areas. Furthermore, most biases and RMSEs of VIRR TPWs in the maps are better than those of MODIS TPWs but worse near the coastlines. The mean and standard deviation of 19 VIRR TPW monthly RMSEs are 5.63 and 0.54 mm, whereas those of MODIS TPWs are 6.19 and 1.33 mm, respectively. These data indicate that the qualities of VIRR TPWs are more stable than those of MODIS TPWs. Given their good agreement with radiosonde data and higher precision than MODIS TPWs, FY-3C VIRR TPW products have good accuracies. In addition, FY-3C VIRR TPWs have better stability than MODIS TPWs. With high precision and stable qualities, FY-3C VIRR TPW products have wide application capabilities.

Key words

FY-3C/VIRR, infrared split window, total precipitable water, radiosonde, MODIS infrared water vapor product

1 引　言

大气可降水量TPW (Total Precipitable Water)，也称大气水汽总量，是指晴空条件下大气垂直气柱方向水汽总量。大气中水汽的存在使得地球有别于太阳系其他星球，适宜于生物生存。水汽在大气物理和大气化学过程中都有重要的影响，还是地球大气中的一个重要温室气体。了解其空间分布对研究全球、区域和局地的水循环、能量收支以及气候变化都有很重要的意义(Held和Soden，2000；Trenberth 等，2005；Wagner 等，2006)。此外，大气水汽总量还是天气和气候模式的重要输入参数，可通过模式同化提高降雨区域精度、飓风路径和强度预测(Chen 等，2008；Liu 等，2011)。同时，在卫星遥感地表参数反演中，大气订正是关键环节，而水汽是主要影响因子，因此TPW产品对地表参数的准确反演有极其重要的作用。

利用卫星数据反演的TPW在空间分布连续、空间范围广等方面优于无线电探空数据，具有更大的应用价值。现有的反演算法，按使用通道可分为可见光/近红外方法，微波方法和热红外方法。可见光/近红外方法利用太阳反射光为辐射源，通过1 μm附近水汽弱吸收区和窗区通道的水汽吸收差异反演(Liu 等，2006；Bennartz和Fischer，2001)，可探测白天陆地和海洋晴空大气可降水，但无法探测夜间数据。微波方法利用微波10 GHz、19 GHz、23 GHz等水汽吸收频段观测(Schulz 等，1993；Du 等，2015)，可反演白天和夜晚全天候的大气可降水，但由于微波谱段地表发射率复杂，此方法一般用于海洋上空水汽反演，且空间分辨率低，目前应用有限。热红外的方法有两种，一是利用红外垂直探测仪6.7 μm附近水汽吸收翼区多个通道反演水汽廓线后积分为整层水汽(Kwon 等，2012)，另一个是利用成像仪11 μm附近分裂窗观测受水汽影响产生的差异进行反演，可获取白天和夜晚，包括陆地和海洋的晴空大气可降水。成像仪红外数据比探测仪具有更高的空间分辨率，应用更广泛。

风云三号(FY-3)系列卫星装载了可见光红外扫描辐射计(VIRR)，地面水平分辨率为1.1 km，扫描范围±55.4°。光谱范围为0.44—12.5 μm，有10个通道(Dong 等，2009)，其中2个热红外通道即分裂窗通道(10.3—11.3 μm和11.5—12.5 μm)可用于反演晴空大气可降水量。2013年9月23日11时7分，FY-3C在中国太原卫星发射中心成功发射。FY-3C是中国第二代极轨气象卫星–FY-3气象卫星继01批两颗试验应用卫星(FY-3A和FY-3B)后，02批业务星的首发星。FY-3C经在轨测试后，于2014年6月10日正式投入业务运行，并接替FY-3A星作为中国太阳同步轨道天基气象观测的主业务卫星，与FY-3B星共同组网进一步强化中国极轨气象卫星上、下午星观测的业务布局。FY-3C VIRR TPW产品是首批实现业务运行的产品，包含全球TPW产品空间分辨率为0.05°的日、旬和月平均TPW产品，以及新发布的空间分辨率为1.1 km，每5 min一个、全天288个文件的轨道产品，该产品给出了无云晴空条件下的白天和夜晚，海洋和陆地大气柱内大气可降水量。随着仪器制作技术水平的提升，定标技术的不断改进，FY-3C VIRR的定标精度相对于前两颗星(FY-3A和FY-3B)都有所改进(Xu 等，2014；Xu 等，2014)。5 min轨道产品的发布，拓宽了TPW产品的应用范围。一般在产品广泛使用前，需要对其精度和稳定性进行评价。Zheng等人(2010)检验了FY-3A VIRR TPW日产品在东亚地区的精度，但FY-3C VIRR TPW产品精度尚未被评价。

本文首先介绍了FY-3C VIRR TPW产品反演算法，然后以FY-3C VIRR TPW 5 min段产品为被检验对象，用MODIS Terra TPW月合成数据检验了其全球空间分布；利用全球探空水汽总量资料，通过计算分析2015年3月—4月共两个月的FY-3C TPW与探空数据的总体误差、误差随水汽值大小分布、误差日夜分布和空间分布，同时以MODIS红外水汽产品与探空数据对比的误差数据作为参照，评价FY-3C VIRR TPW产品的精度；通过分析自2015年1月至2016年7月期间FY-3C TPW与探空数据的逐月均方根误差，并以同期MODIS TPW误差分布为参照，评价FY-3C VIRR TPW产品的质量稳定性。

2 FY-3C VIRR大气可降水产品生成

FY-3C VIRR TPW产品生成采用了物理分裂窗算法，通过两个红外分裂窗通道(11 μm和12 μm)的透过率差异反演得到晴空无云条件下大气可降水产品。该算法由Jedlovec(1987)提出，其效果被Guillory等人(1993)和Suggs等人(1998)评价，并被广泛用于各种卫星数据大气可降水反演(Haines 等，2004；师春香和谢正辉，2005)。利用大气廓线参数和近地表大气和地表参数的初估值，通过辐射传输模式模拟卫星通道亮温，结合实测亮温，联立方程组(式(1)和式(2))求得大气可降水对于初估值的扰动值，利用式(3)可求得反演的大气可降水值U。

$\delta {T_{11}} = {\varepsilon _{11}}\left( {\delta {T_{\rm{s}}}{C_{11}} + \left( {\frac{{\delta U}}{{{U_0}}}} \right){D_{11}}} \right)$

(1)

$\delta {T_{12}} = {\varepsilon _{12}}\left( {\delta {T_{\rm{s}}}{C_{12}} + \left( {\frac{{\delta U}}{{{U_0}}}} \right){D_{12}}} \right)$

(2)

式中，δT₁₁和δT₁₂分别是两个分裂窗通道实测亮温与模拟亮温的差值，ε₁₁和ε₁₂是两个通道的地表发射率，δU和δT_s分别是大气可降水和地表温度相对初估值的扰动量，U₀是初估值的大气可降水量，C和D分别是两个通道的系数，可通过模式模拟的透过率和初始大气可降水量计算得到(Guillory 等，1993)。

$U{\rm{ = }}{U_0} + {\delta U} $

(3)

大气可降水产品的生成，需要从数值预报数据中提取大气温湿度廓线、初始地表温度，根据廓线计算初始大气可降水量。相较于前两颗星(FY-3A和FY-3B)的VIRR TPW产品，使用的数值预报模式从T213更替为模式谱分辨率、垂直层次和模式层顶更高的T639(管成功等，2008)。两个通道地表发射率采用NDVI阈值法计算, 使用VIRR红通道和近红外通道得到NDVI，其中夜晚NDVI使用当日白天的历史计算值，协同MODIS地表类型数据，根据每一类地表类型，采用查找表计算得到两个分裂窗通道发射率(杨虎和杨忠东，2006)。

然后利用上述数据，通过快速辐射传输模式RTTOV(Radiative Transfer for TOVS)计算每个晴空像元的两个窗区通道亮温、逐层透过率和整层透过率。计算两个通道的系数C和D，协同模式计算出的亮温与实测通道亮温之差，用上式(1)—(3)求得像元大气可降水量U。

反演像元大气可降水前，使用VIRR的云检测数据过滤掉有云像元观测。

3 检验数据和方法

3.1 检验数据介绍

3.1.1 MODIS红外大气可降水产品

FY-3C为上午星，选择同为上午星的Terra数据。本研究中使用了2015年3月—4月MODIS的大气类2级产品—第6版本的水汽产品(MOD05_L2)(https://ladsweb.nascom.nasa.gov/search/index.html [2016-10-14])。MOD05_L2包含了两种水汽产品，近红外数据反演产品和热红外数据反演产品。由于FY-3C VIRR TPW是热红外通道反演，选择同样使用热红外通道的MODIS IR TPW参与精度对照。MODIS红外通道光谱响应曲线如图1所示。MOD05_L2中热红外水汽产品是用4.5 μm到14.2 μm范围内11个热红外通道亮温作初始预测值，通过统计合成回归的方法得到湿度廓线，进而积分大气柱101层水汽混合比得到晴空条件下的大气柱水汽总量(Li 等，2000；Seemann 等，2003)。此产品空间分辨率为5 km，涵盖了日夜、海洋和陆地上空的大气可降水量。在此产品基础上合成了月平均产品(MOD08_M3)，为1°分辨率的全球大气水汽产品。

图 1 红外通道光谱响应曲线图

Fig. 1 IR spectral response functions

3.1.2 无线电探空数据

高空观测数据中大气温度和湿度廓线可计算大气可降水量，是评价卫星遥感大气可降水反演精度的通用数据(Lee 等，2014；Sobrino 等，1999；Schmit 等，2002)。本研究下载Wyoming大学网站 (http://weather.uwyo.edu/upperair/sounding.html [2016-10-14])全球1058个站点(站点分布如图2所示)2015年1月至2016年7月的探空记录，提取记录中00时和12时整层大气水汽含量值。经过筛选，保留水汽总量值有效的记录。与卫星数据对比时，通过站点经纬度匹配，查找前后1 h内卫星数据像元反演值。

图 2 探空站点分布图

Fig. 2 The distribution of radiosonde sites

3.2 检验方法及结果

对FY-3C VIRR TPW产品的检验分为两部分，精度评价和稳定性评价。

首先，选取2015年3月—4月期间数据，与MODIS Terra TPW数据对比，评价FY-3C VIRR TPW的产品全球分布合理性；同时将FY-3C和MODIS TPW数据与探空TPW数据对比，评价FY-3C TPW产品在对比时间范围内的整体精度，及误差随不同水汽值大小分布、日夜分布和空间分布特征。

另外，选取2015年1月至2016年7月共19个月的探空数据，经过时空匹配，剔除含有无效值的记录后，统计每个月内所有匹配记录的均方根误差，分析误差在时间序列上的变化特征。同时统计此时间范围内MODIS TPW与探空数据的均方根误差作为参照，评价FY-3C VIRR TPW产品的质量稳定性。

4 检验结果及分析

4.1 产品精度评价

将每日288个数据文件拼接，经过去重复处理，将一个月内所有日数据平均可得到月平均数据。选取2015年3月的FY-3C和MODIS大气可降水月平均数据，将FY-3C数据从0.05°分辨率平均后重采样到1°网格，与MODIS数据分辨率一致。对于两种卫星产品同时为有效值的像元，计算二者的差值。处理后的两种TPW数据和二者的差值数据空间分布如图3所示。对比FY-3C TPW和MODIS TPW的空间分布可见，从两极到赤道水汽含量逐渐递减的趋势一致。图3中二者差值图显示出，在南北纬30°到极地区域，为水汽含量相对小的区域，FY-3C TPW与MODIS TPW差异较小，偏差为5 mm以内，且差异的变化范围也较小；在南北纬30°之间，水汽含量相对较大，二者差异变化也较大，在海洋高水汽含量区域，FY-3C TPW较低，在东亚、南非区域，以及美洲靠近太平洋的大陆地区，FY-3C TPW相对MODIS TPW更高。此外，东亚地区可能还受地形复杂的影响。此评价结果与Zheng等人(2010)的FY-3A VIRR TPW与MODIS Terra TPW对比结果一致。南美洲大陆与海洋之间0—30°N之间的非洲大陆与大西洋之间，MODIS TPW有明显跳变，FY-3C TPW过度更为平缓。

图 3 2015年3月月平均大气可降水量全球空间分布图

Fig. 3 The global distribution of the monthly mean TPW

选取2015年3月1日至4月30日期间，每日00:00UTC和12:00UTC两个时次的探空数据。对每一条探空记录，分别遍历探空时间前后1小时，共两个小时内FY-3C TPW和MODIS TPW，根据两种卫星数据的经纬度信息，通过查找与探空站点经纬度距离最小的像元，匹配到此探空记录对应的FY-3C TPW和MODIS TPW。令TPW值在0—80 mm区间内为有效值。图4显示了两种卫星数据分别与探空数据匹配到的站点分布，颜色表示该站点匹配到的记录次数。由于匹配到的卫星数据是每日23:00—01:00UTC和11:00—13:00UTC，在固定时次观测到的地面区域比较一致，匹配到的站点均集中在如图4所示的两条轨道区域上。FY-3C和MODIS匹配到的探空站点分布基本相同，但图4(a)中显示出各站点的匹配记录大多数比图4(b)中多。由于FY-3C数据空间分辨率更高，云检测的尺度更小，有效像元会更多，FY-3C合计匹配到6119条记录，MODIS为2045条。

图 4 卫星数据匹配到的探空站点分布图

Fig. 4 The distribution of matching records between satellite data and radiosonde data

FY-3C和MODIS TPW对比误差统计如表1所示，给出了两种卫星数据与探空数据对比的匹配样本数和3种误差值：FY-3C TPW平均偏差为–0.1631 mm，小于MODIS TPW的1.0733 mm，均方根误差为5.3618 mm，略大于MODIS的5.2861 mm，相关系数为0.8557，高于MODIS的0.8318。从图5和图6 FY-3C TPW和MODIS TPW与探空数据对比散点图和误差分布直方图中也可以看出，图5(a)中散点相对x=y线的分布比较均匀，只是当探空TPW小于10 mm时，FY-3C TPW相对探空TPW值偏小的记录较多，图5(b)中正值误差和负值误差的频率接近，负值的略多，而图6(a)中散点分布在x=y的直线下方的比例更多，图6(b)中正值误差的频率比负值误差的高，即MODIS TPW对比探空数据整体上偏高的记录更多。由于FY-3C TPW与探空数据的匹配记录比较多，散点图上点也更多，同时差异大的值也更多，MODIS TPW与探空数据的匹配记录较少，散点图上差异大的点较少。两种TPW的误差数值较为接近，但算法的差异导致了反演结果特点不同。FY-3C TPW通过两个分裂窗通道的水汽吸收差异得到，当水汽较小时，差异很小，而窗区通道地表发射辐射是强信号，所以造成了水汽值小于10 mm时难以准确反演，散点图中散点分布也更为分散。MODIS红外TPW算法是先由11种通道亮温反演分层水汽再积分而成，而不同的通道信息虽然主要来源于敏感层的水汽，但仍会包含其他层的水汽信息，积分后会使得对整体水汽的估计偏高，即平均偏差大于0。整体评价，两种卫星反演大气可降水相对于探空数据均有较好的一致性，但FY-3C TPW相对MODIS TPW，与探空数据相关性更好，精度略高。

表 1 FY-3C TPW和MODIS TPW对比探空数据误差表
Table 1 The error table for a comparison between FY-3C TPW and MODIS TPW

下载CSV

卫星	匹配样本数	有效匹配数	平均偏差/mm	均方根误差/mm	相关系数
FY-3C TPW	6137	6119	–0.1631	5.3618	0.8557
MODIS TPW	2053	2045	1.0733	5.2861	0.8318

图 5 FY-3C VIRR TPW与探空数据对比图

Fig. 5 The comparison between FY-3C VIRR TPW and radiosonde TPW

图 6 Terra MODIS TPW与探空数据对比图

Fig. 6 The comparison between Terra MODIS TPW and radiosonde TPW

为评价精度随水汽值的分布情况，将探空观测的水汽值在0—70 mm范围内划分为14等分，用式(4)计算每个区间的相对误差的平均值(RE)。

$RE = \frac{1}{N}\sum\limits_{i = 1}^N {\left( {\left| {\frac{{TP{W_{{\rm{sat}}}} - TP{W_{{\rm{raob}}}}}}{{TP{W_{{\rm{raob}}}}}}} \right|} \right)} $

(4)

式中，N表示区间内记录的个数，TPW_sat指卫星反演TPW值，TPW_raob表示无线电探空TPW值。首先计算区间内每条记录的绝对相对误差，可以在同一个尺度下统计反演值与探空值间的绝对偏差，将所有记录取平均后可得区间内的整体误差水平。

图7指示了相对误差的演化规律，蓝色柱表示FY-3C VIRR TPW相对误差，红色柱代表MODIS TPW相对误差。两种卫星反演数据的相对误差变化趋势一致，均在大气的实际可降水数值较小时，反演误差较大，随着大气的实际可降水量的增加，反演误差逐渐减小，当水汽值大于55 mm后又略为增加。MODIS TPW相对误差在大气可降水小于5 mm和大于55 mm区间显著大于FY-3C TPW，大于65 mm区间MODIS TPW没有匹配记录，故没有相对误差值。MODIS TPW在30—50 mm，FY-3C TPW在30—70 mm相对误差在20%以内。对比可见，两种卫星反演TPW在水汽值极小和极大时差异较明显，FY-3C TPW相对误差更小。

图 7 不同探空水汽值下FY-3C VIRR TPW和Terra MODIS TPW相对误差分布柱状图

Fig. 7 The bar graph of the relative errors between FY-3C VIRR TPW and Terra MODIS TPW under different radiosonde TPWs

分别使用FY-3C L1级GEO文件和MODIS MOD05_L2产品文件中太阳天顶角数据集，太阳天顶角大于87°为夜晚，小于为白天。分别统计两种卫星TPW两类像元的误差值，统计结果如表2。两种卫星匹配探空记录值个数，白天夜间相差不大，白天略多。白天相对于夜间均是均方根误差较大，相关系数较小，即显示出夜间精度优于白天。对比平均偏差，FY-3C TPW和MODIS TPW均是白天大于0，夜晚小于0，即平均白天TPW反演偏大，夜晚偏小。相对于MODIS TPW与探空TPW的误差，FY-3C TPW白天平均偏差较小，RMSE接近，相关系数更大。夜间平均偏差更小，RMSE略大，但相关系数较大。综上，对比探空数据，FY-3C TPW夜间精度高于白天。相比MODIS TPW与探空数据的误差值，FY-3C TPW白天的误差值均更优，夜晚略差。因为从水汽的日变化可知，夜晚水汽含量相对低于白天(Ningombam 等，2016)，低水汽值的偏差量会小于高水汽值，所以夜间误差值会更小。由图5(a)可见，低水汽值小于10 mm时FY-3C TPW相对探空值偏小情况较严重，而图6(a)中MODIS TPW的情况较好，故前者的夜间精度会相对更低。白天水汽含量相对夜间大，由于MODIS TPW相对偏高，则精度略差于FY-3C TPW。

表 2 日夜误差表
Table 2 The errors of day and night

下载CSV

数据	类别	匹配点数	Bias/mm	RMSE/mm	相关系数R²
FY-3C TPW	日	3307	0.9368	5.8240	0.8374
FY-3C TPW	夜	2812	–1.4566	4.7612	0.8902
MODIS TPW	日	1164	2.3704	5.8250	0.8173
MODIS TPW	夜	881	–0.6404	4.4758	0.8469

统计两种卫星数据和探空数据对比误差的空间分布如图8。FY-3C和MODIS的整体误差分布比较相似。从平均偏差分布图(图8(a)(b))中可见，偏差的大小与图4中所示的匹配记录成反比，匹配记录多的偏差小，90°E—180°E，50°N—80°N区域平均偏差多在±2 mm以内，匹配记录少的偏差则大。均方根误差的分布与水汽含量有关，中高纬度水汽含量小时误差小，中低纬水汽含量大时误差也大。从图8中可以看出，MODIS TPW平均偏差偏高的比FY-3C TPW多。30°N以南的海岸线附近，FY-3C TPW和MODIS TPW相对探空数据均偏高，前者偏高更多；30°N以北FY-3C TPW的平均偏差更小，尤其是欧洲地区。太平洋西部海洋上站点FY-3C TPW平均偏差均小于0，MODIS TPW则多大于0，前者均方根误差分布优于后者。因此，FY-3C TPW整体优于MODIS TPW，但在海岸线附近误差较大，可能与地表发射率的处理误差有关。

图 8 两种卫星反演大气可降水与探空数据对比误差空间分布图

Fig. 8 The space distribution of biases and RMSEs between satellites retrieved TPWs and radiosonde TPWs

4.2 产品稳定性评价

选用2015年1月至2016年7月共19个月的探空数据，与FY-3C TPW进行时空匹配，统计每日的均方根误差(RMSE)，并在此基础上统计月均RMSE和月内最大、最小RMSE。同时，统计MODIS TPW与探空数据的均方根误差，作为FY-3C TPW稳定性评价的参照。计算19个月均RMSE的平均值和标准差，FY-3C TPW分别是5.63 mm和0.54 mm，MODIS TPW分别是6.19 mm和1.33 mm，前者的标准差小于后者，说明前者月间RMSE波动性更小。

图9显示了19个月两种卫星反演TPW均方根误差的时间分布图。误差棒的中间点为每月平均RMSE值，上、下边界分别表示此6月内日RMSE的最大值和最小值。在2015年12个月内，表示FY-3C TPW和MODIS TPW月均RMSE的两条曲线差异极小，表现出基本一致的季节波动性，均是6月—8月较大，达6 mm以上，其他月份均小于6 mm。从图4中站点分布可见，陆地站点大部分分布在北半球，6月—8月为夏季，水汽含量较高，所以误差的值也会较高。在2016年1月—7月的半年内，两种曲线的值均是逐月增高，但增幅不同。FY-3C TPW在2016年前7个月的值增幅相对2015年有所缓解，且每月的月均RMSE都比2015年对应月份小。而MODIS TPW的月均RMSE在2016年1月—7月间增幅较大，每月的值高于2015年对应月份，其中5月—7月的RMSE均大于7 mm，超过了2015年的最大值，显示出相对2015年存在较大的波动。对比两种数据每月最大值和最小值分布，FY-3C TPW的波幅均较小。通过以上分析可得，FY-3C TPW产品在2015年具有与MODIS TPW相似的稳定性，但年间的稳定性明显优于MODIS TPW。

图 9 FY-3C VIRR TPW的均方根误差时间序列图

Fig. 9 The time series of FY-3C VIRR TPW RMSEs

5 结　论

本文在介绍FY-3C VIRR TPW产品生成使用数据和算法的基础上，利用MODIS Terra红外TPW产品和探空数据评价了FY-3C VIRR TPW产品精度和稳定性两方面的质量。

首先与2015年3月MODIS月平均TPW的全球空间分布对比，FY-3C VIRR TPW全球干湿分布呈现出与MODIS一致的特征，与MODIS TPW的差值在南北极到南北纬30°范围内较小，差值的变化范围也较小，在南北纬30°之间差值较大，且变化范围也较大。

用2015年3月—4月的全球无线电探空数据同时评价FY-3C VIRR TPW和MODIS TPW的精度。FY-3C TPW相对MODIS TPW，与探空数据间平均偏差更小，相关系数更高，均方根误差略高，整体精度略好于MODIS TPW。对比MODIS TPW与探空数据的误差分布，FY-3C TPW误差在0±1 mm区间内频率更高。分析不同水汽范围卫星反演相对误差的分布显示，随着大气的实际可降水数值的增大，反演误差先减小后增加。在水汽值极小(<10 mm)和极大(>55 mm)时FY-3C TPW的相对误差比MODIS TPW小，在30—50 mm的中间区域二者均在20%以内，差异较小。对比反演误差日夜分布差异显示，两种卫星产品均是夜间优于白天，FY-3C TPW白天精度优于MODIS TPW，夜间略差。对比误差的空间分布，FY-3C TPW整体优于MODIS TPW，但海岸线附近误差较后者大，与地表发射率的处理精度有关。

FY-3C VIRR TPW与2015年1月—2016年7月共19个月探空数据对比，分析月均方根误差的时间序列显示，误差值在不同月份均会有所波动，6月—8月高于其他月份。FY-3C TPW与MODIS TPW 19个月均方根误差的标准差分别是0.54 mm和1.33 mm，前者显著小于后者。2015年内二者月均方根误差的时间分布差异极小，但2016年MODIS TPW的波动幅度比FY-3C TPW的大。即FY-3C TPW在19个月内月均方根误差相对MODIS TPW波动更小，稳定性更佳。

FY-3C VIRR TPW产品精度除受自身算法影响，还受限于定标精度、云检测精度和地表发射率精度的影响，而这3个方面相对MODIS都有一定差距。但从检验结果可见，经过前两颗实验星数据产品的基础上发展和测试，FY-3C VIRR TPW产品作为中国首颗风云三号业务星的首批业务化产品，精度整体优于MODIS IR TPW，且质量稳定，具备天气和气候等方面的广泛应用能力。

参考文献(References)

Bennartz R and Fischer J. 2001. Retrieval of columnar water vapour over land from backscattered solar radiation using the Medium Resolution Imaging Spectrometer. Remote Sensing of Environment, 78 (3): 274–283. [DOI: 10.1016/S0034-4257(01)00218-8]

Chen S H, Zhao Z, Haase J S, Chen A D and Vandenberghe F. 2008. A study of the characteristics and assimilation of retrieved MODIS total precipitable water data in severe weather simulations. Monthly Weather Review, 136 (9): 3608–3628. [DOI: 10.1175/2008MWR2384.1]

Dong C H, Yang J, Yang Z D, Lu N M, Shi J M, Zhang P, Liu Y J, Cai B and Zhang W J. 2009. An overview of a new Chinese weather satellite FY-3A. Bulletin of the American Meteorological Society, 90 (10): 1531–1544. [DOI: 10.1175/2009BAMS2798.1]

Du J Y, Kimball J S and Jones L A. 2015. Satellite microwave retrieval of total precipitable water vapor and surface air temperature over land from AMSR2. IEEE Transactions on Geoscience and Remote Sensing, 53 (5): 2520–2531. [DOI: 10.1109/TGRS.2014.2361344]

Guan C G, Chen Q Y, Tong H and Wang H. 2008. Experiments and evaluations of global medium range forecast system of T639L60. Meteorological Monthly, 34 (6): 11–16. [DOI: 10.7519/j.issn.1000-0526.2008.06.002] ( 管成功, 陈起英, 佟华, 王辉. 2008. T639L60全球中期预报系统预报试验和性能评估. 气象, 34 (6): 11–16. [DOI: 10.7519/j.issn.1000-0526.2008.06.002] )

Guillory A R, Jedlovec G J and Fuelberg H E. 1993. A technique for deriving column-integrated water content using VAS split-window data. Journal of Applied Meteorology, 32 (7): 1226–1241. [DOI: 10.1175/1520-0450(1993)032<1226:ATFDCI>2.0.CO;2]

Haines S L, Jedlovec G J and Suggs R L. 2004. The GOES Product Generation System. NASA Marshall Space Flight Center Tech. Memo., NASA/TM-2004-213286, Huntsville, Alabama: NASA: 64

Held I M and Soden B J. 2000. Water vapor feedback and global warming. Annual Review of Energy and the Environment, 25 : 441–475. [DOI: 10.1146/annurev.energy.25.1.441]

Jedlovec G J. 1987. Determination of atmospheric moisture structure from high resolution MAMS radiance data. Madison: The University of Wisconsin

Kaufman Y J and Gao B C. 1992. Remote sensing of water vapor in the near IR from Eos/MODIS. IEEE Transactions on Geoscience and Remote Sensing, 30 (5): 871–884. [DOI: 10.1109/36.175321]

Kwon E H, Li J, Li J L, Sohn B J and Weisz E. 2012. Use of total precipitable water classification of a priori error and quality control in atmospheric temperature and water vapor sounding retrieval. Advances in Atmospheric Sciences, 29 (2): 263–273. [DOI: 10.1007/s00376-011-1119-z]

Lee Y K, Li Z L, Li J and Schmit T J. 2014. Evaluation of the GOES-R ABI LAP retrieval algorithm using the GOES-13 sounder . Journal of Atmospheric and Oceanic Technology, 31 (1): 3–19. [DOI: 10.1175/JTECH-D-13-00028.1]

Li J, Wolf W W, Menzel W P, Zhang W J, Huang H L and Achtor T H. 2000. Global soundings of the atmosphere from ATOVS measurements: the algorithm and validation. Journal of Applied Meteorology, 39 (8): 1248–1268. [DOI: 10.1175/1520-0450(2000)039<1248:GSOTAF>2.0.CO;2]

Liu J M, Liang H, Sun Z A and Zhou X J. 2006. Validation of the moderate-resolution imaging spectroradiometer precipitable water vapor product using measurements from GPS on the Tibetan Plateau. Journal of Geophysical Research, 111 (D14): D14103 [DOI: 10.1029/2005JD007028]

Liu Y C, Chen S H and Chien F C. 2011. Impact of MODIS and AIRS total precipitable water on modifying the vertical shear and Hurricane Emily simulations. Journal of Geophysical Research, 116 (D2): D02126 [DOI: 10.1029/2010JD014528]

Ningombam S S, Jade S, Shrungeshwara T S and Song H J. 2016. Validation of water vapor retrieval from Moderate Resolution Imaging Spectro-radiometer (MODIS) in near infrared channels using GPS data over IAO-Hanle, in the trans-Himalayan region. Journal of Atmospheric and Solar-Terrestrial Physics, 137 : 76–85. [DOI: 10.1016/j.jastp.2015.11.019]

Schmit T J, Feltz W F, Menzel W P, Jung J, Noel A P, Heil J N, Nelson J P and Wade G S. 2002. Validation and use of GOES sounder moisture information. Weather and Forecasting, 17 (1): 139–154. [DOI: 10.1175/1520-0434(2002)017<0139:VAUOGS>2.0.CO;2]

Schulz J, Schluessel P and Grassl H. 1993. Water vapour in the atmospheric boundary layer over oceans from SSM/I measurements. International Journal of Remote Sensing, 14 (15): 2773–2789. [DOI: 10.1080/01431169308904308]

Seemann S W, Li J, Menzel W P and Gumley L E. 2003. Operational retrieval of atmospheric temperature, moisture, and ozone from MODIS infrared radiances. Journal of Applied Meteorology, 42 (8): 1072–1091. [DOI: 10.1175/1520-0450(2003)042<1072:OROATM>2.0.CO;2]

Shi C X and Xie Z H. 2005. Operational method of total precipitable water retrieved from satellite multi-channels’ infrared data. Journal of Infrared and Millimeter Waves, 24 (4): 304–308. [DOI: 10.3321/j.issn:1001-9014.2005.04.015] ( 师春香, 谢正辉. 2005. 卫星多通道红外信息反演大气可降水业务方法. 红外与毫米波学报, 24 (4): 304–308. [DOI: 10.3321/j.issn:1001-9014.2005.04.015] )

Sobrino J A, Raissouni N, Simarro J, Nerry F and Petitcolin F. 1999. Atmospheric water vapor content over land surfaces derived from the AVHRR data: application to the Iberian Peninsula. IEEE Transactions on Geoscience and Remote Sensing, 37 (3): 1425–1434. [DOI: 10.1109/36.763306]

Suggs R J, Jedlovec G J and Guillory A R. 1998. Retrieval of geophysical parameters from GOES: evaluation of a split-window technique. Journal of Applied Meteorology, 37 (10): 1205–1227. [DOI: 10.1175/1520-0450(1998)037<1205:ROGPFG>2.0.CO;2]

Trenberth K E, Fasullo J and Smith L. 2005. Trends and variability in column-integrated atmospheric water vapor. Climate Dynamics, 24 (7/8): 741–758. [DOI: 10.1007/s00382-005-0017-4]

Wagner T, Beirle S, Grzegorski M and Platt U. 2006. Global trends (1996-2003) of total column precipitable water observed by Global Ozone Monitoring Experiment (GOME) on ERS-2 and their relation to near-surface temperature. Journal of Geophysical Research, 111 (D12): D12102 [DOI: 10.1029/2005JD006523]

Xu H L, Xu N and Hu X Q. 2014. Inter-calibration of infrared bands of FY-3C MERSI and VIRR using hyperspectral sensor CrIS and IASI//Proceedings of SPIE 9264, Earth Observing Missions and Sensors: development, Implementation, and Characterization. Beijing, China: SPIE, 9264: 92640B [DOI: 10.1117/12.2069581]

Xu N, Chen L, Hu X Q, Zhang L Y and Zhang P. 2014. Assessment and correction of on-orbit radiometric calibration for FY-3 VIRR thermal infrared channels. Remote Sensing, 6 (4): 2884–2897. [DOI: 10.3390/rs6042884]

Yang H and Yang Z D. 2006. A modified land surface temperature split window retrieval algorithm and its applications over China. Journal of Remote Sensing, 10 (4): 600–607. [DOI: 10.11834/jrs.20060488] ( 杨虎, 杨忠东. 2006. 中国陆地区域陆表温度业务化遥感反演算法及产品运行系统. 遥感学报, 10 (4): 600–607. [DOI: 10.11834/jrs.20060488] )

Zheng J, Shi C X, Lu Q F and Xie Z H. 2010. Evaluation of total precipitable water over East Asia from FY-3A/VIRR infrared radiances. Atmospheric and Oceanic Science Letters, 3 (2): 93–99. [DOI: 10.1080/16742834.2010.11446853]

摘要

关键词