云量是影响地气系统辐射收支平衡的一个重要参数，也是研究大气环流及气候变化的一个重要指标，同时还是天气预报中一个重要参考要素。传统云量通过地面观测得到，可通过人工观测或器测^[1-3]，如天空成像仪、总天空成像仪、全天空数字相机等，但地面观测点的空间分布及观测时间均会受到各种条件的限制。气象卫星具有观测时次多、覆盖范围广的优点，通过气象卫星的观测，可获取到大范围乃至全球多时次的云量资料，使卫星资料成为地面观测云参数的补充。

目前大多数全球和区域云参数反演数据来自极轨和静止气象卫星。气象卫星通过遥感方式实现对云的观测，卫星观测是瞬时观测，可见光红外扫描辐射计的观测信号主要来自目标物的顶部，对云而言，主要反映云顶信息，地面观测主要体现云底的特征。卫星与地面人工观测的目标物常常不同，尤其当云存在多层结构时。不同的观测视角且缺乏地面真值，使对于卫星计算云量的精度评估十分困难^[4-6]，因此，任何对比分析都是相对的。卫星计算的云参数常与云雷达、激光雷达、光谱成像仪以及地面观测^[7-19]相比较。

自2014年1月1日起开展全国地面气象观测业务调整工作，其中，地面云观测项目调整要求：一般站取消云量、云高、云状观测；基准站、基本站保留白天云量、云高观测，取消云状观测，使传统的云观测数据有所减少。此时如何利用卫星观测补充地面观测，成为业务中亟需解决的问题。开展卫星反演云量的精度评估是业务应用的基础，也是充分发挥卫星观测效益的前提。

卫星反演云量的偏差分析可采用卫星与地面观测及卫星与卫星间交叉比对的方法。本文利用同类卫星产品EOS Aqua/MODIS云量与风云二号静止气象卫星G星 (以下简称FY-2G) 反演的云量产品进行交叉比对，分析FY-2G云量产品的相对偏差。

我国已有气象卫星可分为静止气象卫星 (风云二号，简称FY-2) 和极轨气象卫星 (风云一号，简称FY-1；风云三号，简称FY-3) 两大系列。静止气象卫星具有高时间分辨率的特点，极轨气象卫星具备高空间分辨率、多载荷的优势。在天气分析应用中，多以静止气象卫星观测数据为主，辅以极轨气象卫星观测数据。至今为止，FY-2共有7颗卫星，其中FY-2A和FY-2B为试验卫星，FY-2C，FY-2D，FY-2E，FY-2F和FY-2G为业务卫星，目前在轨业务运行的是FY-2E, FY-2F和FY-2G。业务卫星上均搭载有包括可见光 (0.5~0.9 μm)、中波红外 (3.5~4.0 μm)、热红外 (红外1通道 (10.3~11.3 μm)、红外2通道 (11.5~12.5 μm) 及水汽 (6.3~7.6 μm)) 探测通道。可见光通道具有1.25 km×1.25 km和5 km×5 km两种空间分辨率，红外通道的空间分辨率均为5 km×5 km。本文中主要采用FY-2G数据。

MODIS (Moderate Resolution Imaging Spectroradiometer) 是搭载在EOS Terra和EOS Aqua卫星上的可见光红外扫描辐射计，具有36个光谱通道，波长为0.4~14.385 μm，空间分辨率从250 m×250 km到1 km×1 km。其中22个光谱通道可用于云检测^[20-22]，表 1列出EOS/MODIS 36个通道及在云检测中的作用。由于其具有多光谱通道及高空间分辨率的优势，EOS/MODIS的云参数产品精度较好^[23]，对于云光学厚度大于0.4的云有很好的检测准确率^[24]，在完全云盖和完全晴空条件下，MODIS云检测与主动云探测的一致率超过80%，与CALIOP的云探测结果的一致性也超过80%^[17]。EOS/ MODIS的云量产品定义为5×5像元矩阵中有云像元与总像元的比例，空间分辨率为0.05°×0.05°^[25]。Kotarba^[9]对波兰地区2004年1月和7月EOS/MODIS云量数据进行了精度评估，发现与地面观测相比，EOS/MODIS云量在1月高估7.28%，夏季高估4.38%。曹芸等^[16]研究表明，在月平均尺度上，中国区域MODIS云量产品与地面云量观测资料的相关性超过80%，两者间的偏差随纬度和季节变化，冬季最大，中纬度地区偏差大于40%；夏季最小，一般可在10%左右。

表 1

表 1 EOS/MODIS通道及在云检测算法中的应用[20] Table 1 EOS/MODIS bands used in MODIS cloud mask algorithm (from reference [20]) 通道序号 中心波长/μm 是否用于云检测 云检测中的作用 1 0.659 是 云检测 2 0.865 是 云检测 3 0.470 是 烟尘检测 4 0.555 是 积雪/冰检测 5 1.240 是 烟尘检测 6 1.640 是 Terra积雪/冰检测 7 2.130 是 Aqua积雪/冰检测 8 0.415 是 沙漠上云检测 9 0.443 是 太阳耀斑区晴空检测 10 0.490 否 11 0.531 否 12 0.565 否 13 0.653 否 14 0.681 否 15 0.750 否 16 0.865 否 17 0.905 是 太阳耀斑区晴空检测 18 0.936 是 太阳耀斑区晴空检测 19 0.940 否 26 1.375 是 薄卷云、高云检测 20 3.750 是 陆地、太阳耀斑区晴空检测，积雪/冰、沙尘检测 21 3.959 否 烟尘检测 22 3.959 是 云检测 23 4.050 否 24 4.465 否 25 4.515 否 27 6.715 是 高云检测 28 7.325 是 云检测 29 8.550 是 云、沙尘、积雪检测 30 9.730 否 31 11.030 是 云、沙尘、积雪检测，陆地、太阳耀斑区晴空检测 32 12.020 是 薄卷云检测，云、沙尘检测 33 13.335 是 云检测 34 13.635 否 35 13.935 是 高云检测 36 14.235 否

表 1 EOS/MODIS通道及在云检测算法中的应用[20] Table 1 EOS/MODIS bands used in MODIS cloud mask algorithm (from reference [20])

总云量计算方法可分为两种。第1种计算方法为经云检测后，将像元分为晴空像元和完全云盖像元两类。在像元级云检测基础上，1个像元矩阵 (如3×3像元) 中，设像元矩阵中的总像元数为N，完全云像元数为N_cld，则对像元矩阵来讲，总云量A_c可表示为A_c=N_cld/N，此云量的定义与地面人工观测云量的定义一致。第2种总云量的计算方法是从辐射传输方程出发，设平行大气条件下卫星上接收到的辐射量可以表达为

(1)

式 (1) 中，A_c为云量, I_clr为晴空像元的辐射量, I_cld为完全云覆盖像元的辐射量。辐射量对于可见光通道可转化为反射率，对于红外通道可转化为亮温。根据上式可以求得云量

(2)

上面的云量计算中，由于考虑了云的发射率，因此，计算得到的云量为“有效云量”。比较两种方法，第1种方法的优点在于计算简单，与地面观测云量定义相似。但计算中考虑了观测像元矩阵，得到的云量无法反映亚像元云盖，可能造成云量的过高估计，且数据的空间分辨率有所降低。第2种云量的计算方法由于计算中考虑了云的发射率，保留了原始观测像元空间分辨率，从原理上改进了第1种方法中的亚像元问题，但计算的云量与地面观测云量的概念不同，与地面观测云量相比，会出现计算云量偏低现象。无论哪种方法，云检测是首要一步，云检测的精度直接影响云量的计算精度。

FY-2云检测业务算法以动态阈值方法为主，联合使用可见光、红外窗区、红外分裂窗和水汽通道，利用太阳天顶角区分白天和夜间，考虑海洋、植被覆盖陆地、积雪、沙漠等多种下垫面类型，构建云检测算法^[26-27]，经过像元级云检测，像元被识别为有云像元和晴空像元。

为了区分两种云量产品，利用第1种方法获得的FY-2G云量称为FY-2G云覆盖率 (简称CFR)，是基于云检测结果，采用滑动平均方法，计算1个像元矩阵 (3×3像元) 中有云像元数与总像元数的比值得到，每个计算像元的云覆盖率代表了原始像元矩阵3×3像元的平均云覆盖状况，在本文中称为云量。利用第2种方法获得的FY-2G云量称为总云量 (简称CTA)。

进行卫星反演产品比对时，均需要对检验源数据与被检验数据进行观测时空属性的匹配处理。为了获得更多的匹配数据，不考虑观测角度匹配，仅在观测空间覆盖范围和观测时间两个维度进行数据匹配。

FY-2G云量产品是小时标称投影数据。MODIS云量数据基于5 min轨道分块数据。首先将两种数据处理为相同空间分辨率和投影方式 (等经纬度投影) 的数据。其中，采用MODIS提供的MRTS (MODIS Reprojection Tool Swath) 软件中的方法，采用临近点插值方法对MODIS云量产品进行等经纬度投影和升尺度处理。对于FY-2G数据，则在标称投影数据基础上进行等经纬度投影处理，在投影处理中采用临近点插值方法。其次，因云是快速移动目标，为了保证观测目标的一致性，采用检验源数据与被检验数据观测时差小于10 min的数据匹配原则。

选取2015年6月和12月数据，将Aqua卫星MODIS云量产品与FY-2G云量进行比对分析，为了更好地说明问题，在选择匹配数据时，过滤了全云或全晴空数据，而选择了同时存在云和晴空区域的分析区数据。共匹配个例数据80个 (表 2、表 3)，包含像元344485个，其中, 6月匹配个例为45个，12月匹配个例为35个。匹配样本的空间覆盖区如图 1所示。匹配数据平均云量分布如图 2所示。由图 2可以看出，FY-2G与Aqua的云量总体趋势相当，匹配个例的FY-2G平均云量为72.81%，Aqua平均云量为76.19%。其中6月FY-2G平均云量为68.12%，Aqua平均云量为70.78%。12月FY-2G平均云量为78.84%，Aqua平均云量为83.14%。FY-2G与Aqua两者间云量绝对偏差分布如图 3所示，6月77.78%像元FY-2G与Aqua云量绝对偏差小于15%，绝对偏差为5%~10%的像元比例最高，为33.33%。12月81.24%像元FY-2G与Aqua云量绝对偏差小于15%，76.07%像元的云量绝对偏差小于5%。FY-2G与Aqua匹配个例总体云量间相关系数平均为0.74，6月个例FY-2G与Aqua云量相关系数平均为0.76，12月平均相关系数为0.72。

表 2

表 2 FY-2G与Aqua云量匹配样本参数统计一览表 Table 2 Statistic properties of matched cloud fraction (CFR) cases between FY-2G and Aqua in Jun 2015 个例序号 FY-2G观测时间* 样本量 CFR平均值/% 相关系数 标准差 绝对差小于5%样本百分比/% FY-2G Aqua FY-2G Aqua 1 03T04:00 4080 53.42 47.99 0.76 45.25 40.40 46.25 2 03T16:00 14624 48.80 69.11 0.54 46.36 37.67 78.97 3 04T08:00 2736 82.96 86.54 0.83 33.89 25.23 67.50 4 04T20:00 3186 59.72 58.76 0.81 43.91 43.91 59.76 5 05T07:00 3465 75.54 87.69 0.63 36.44 22.47 53.16 6 05T19:00 4233 74.97 71.45 0.79 37.84 35.98 52.49 7 06T06:00 4524 77.54 83.45 0.86 36.24 21.96 54.24 8 06T18:00 3608 77.41 83.76 0.92 39.48 33.27 80.85 9 09T05:00 7564 90.82 88.09 0.82 26.31 26.52 78.22 10 09T17:00 6600 87.62 94.50 0.58 27.14 13.21 71.58 11 10T04:00 5039 37.66 52.75 0.77 45.59 41.55 27.81 12 10T16:00 3456 68.06 75.55 0.86 18.90 32.78 56.17 13 11T08:00 3589 88.24 89.94 0.78 28.35 22.46 72.89 14 11T20:00 4346 88.68 80.02 0.77 27.00 32.43 67.19 15 12T07:00 4554 67.62 74.14 0.89 44.28 34.45 59.71 16 12T19:00 5106 82.18 78.91 0.82 32.95 30.74 45.48 17 13T08:00 6104 79.36 60.54 0.62 12.57 22.07 60.15 18 13T20:00 4806 80.01 81.08 0.93 36.83 31.22 68.46 19 14T07:00 7027 84.42 72.11 0.80 35.12 34.77 23.68 20 14T19:00 3240 88.12 89.51 0.88 28.38 25.58 82.50 21 15T06:00 8176 83.85 78.42 0.66 33.00 34.59 59.16 22 15T18:00 7252 68.34 72.36 0.85 43.69 35.45 57.62 23 16T05:00 5848 73.81 85.41 0.83 41.59 23.86 62.98 24 18T05:00 4958 47.66 34.99 0.79 44.24 44.31 74.46 25 18T17:00 3471 63.67 68.02 0.90 44.72 35.41 45.10 26 19T04:00 4560 44.80 46.24 0.79 44.63 38.96 49.18 27 19T21:00 4144 93.30 90.12 0.79 21.58 23.28 79.80 28 20T08:00 4601 61.36 50.77 0.81 44.03 39.62 43.90 29 20T20:00 3000 75.06 82.78 0.85 39.79 31.03 66.36 30 21T07:00 9748 57.05 65.33 0.79 44.94 37.97 76.71 31 21T19:00 6965 27.21 35.11 0.82 39.94 41.24 41.52 32 22T06:00 6231 96.88 98.45 0.65 14.28 6.14 90.98 33 22T18:00 5886 35.52 65.87 0.65 45.03 38.76 77.54 34 24T06:00 3400 70.43 45.58 0.72 42.44 39.57 43.82 35 24T18:00 4080 87.36 91.87 0.72 28.73 16.73 69.00 36 25T05:00 14700 73.57 73.30 0.66 39.69 35.45 85.32 37 25T17:00 13431 48.24 57.96 0.74 46.02 38.74 90.85 38 26T04:00 4970 58.53 52.68 0.87 46.20 40.82 52.26 39 26T16:00 3744 93.92 96.89 0.57 21.32 11.17 88.07 40 27T08:00 6137 80.98 97.76 0.63 35.03 6.07 69.94 41 27T20:00 5080 89.23 97.52 0.62 28.18 11.67 84.55 42 29T08:00 8256 2.34 1.02 0.73 12.08 7.15 94.63 43 29T20:00 7885 89.78 95.92 0.67 26.99 13.10 80.28 44 30T07:00 4788 11.44 8.25 0.67 24.45 16.58 70.24 45 30T19:00 13527 38.11 66.72 0.61 45.38 42.39 92.86  注：*观测时间为世界时，下同。

表 2 FY-2G与Aqua云量匹配样本参数统计一览表 Table 2 Statistic properties of matched cloud fraction (CFR) cases between FY-2G and Aqua in Jun 2015

表 3

表 3 2015年12月FY-2G与Aqua云量匹配样本参数统计一览表 Table 3 Statistic properties of matched CFR cases between FY-2G and Aqua in Dec 2015 个例序号 FY-2G观测时间* 样本量 CFR平均值/% 相关系数 标准差 绝对差小于5%样本百分比/% FY-2G Aqua FY-2G Aqua 1 01T06:00 1620 89.02 92.31 0.59 20.36 22.61 76.96 2 04T20:00 1230 55.05 72.91 0.74 45.58 39.07 54.88 3 05T07:00 4857 45.03 65.66 0.56 47.07 40.40 47.79 4 06T03:00 3612 74.09 83.79 0.67 38.77 31.42 61.70 5 06T20:00 2646 95.24 95.18 0.72 18.92 16.84 88.51 6 07T07:00 2193 95.78 94.71 0.65 17.45 17.68 86.82 7 08T18:00 3149 81.97 95.34 0.52 36.05 19.25 79.10 8 09T05:00 3010 75.85 78.14 0.81 40.40 38.00 78.27 9 09T17:00 2844 92.40 93.68 0.84 25.21 22.31 92.26 10 12T04:00 2310 43.58 62.31 0.76 47.37 43.4 60.39 11 12T16:00 1769 69.36 82.8 0.71 42.36 30.67 62.63 12 14T07:00 2329 74.93 86.81 0.57 39.56 26.79 61.75 13 15T06:00 2021 92.46 96.03 0.65 22.88 13.67 84.17 14 16T05:00 2610 94.69 94.75 0.81 19.47 18.77 89.51 15 16T19:00 1247 92.16 92.17 0.62 23.9 20.77 78.43 16 17T06:00 1410 41.82 45.72 0.75 46.01 42.92 55.53 17 18T05:00 1690 67.94 63.44 0.88 41.71 46.19 67.16 18 18T17:00 1290 88.06 92.76 0.86 30.06 22.5 85.35 19 19T04:00 2065 91.37 92.94 0.71 24.68 18.87 80.48 20 20T08:00 1073 79.10 80.58 0.87 38.38 37.24 82.47 21 20T20:00 3889 84.90 83.59 0.81 33.54 31.24 74.67 22 21T07:00 2067 84.19 90.92 0.80 34.87 23.71 81.28 23 24T06:00 1891 72.69 75。00 0.94 43.28 41.15 88.42 24 24T18:00 2881 97.95 92.03 0.56 10。00 24.77 87.82 25 25T05:00 2009 92.79 96.13 0.72 24.14 16.88 90.54 26 25T17:00 1480 97.29 94.24 0.52 11.37 18.7 85.88 27 26T04:00 1768 76.65 79.19 0.94 41.22 38.57 87.56 28 27T05:00 2090 72.03 69.08 0.87 41.39 39.51 63.06 29 27T17:00 1692 73.85 80.22 0.75 38.48 29.03 53.25 30 28T16:00 1802 98.52 97.62 0.60 9.71 10.52 92.17 31 29T20:00 2257 82.87 87.87 0.78 34.21 30.13 81.44 32 30T07:00 2472 75.27 85.67 0.74 39.63 29.84 69.98 33 30T19:00 2520 50.26 55.16 0.64 43.90 44.25 50.63 34 31T06:00 2448 88.67 90.56 0.77 28.83 24.89 81.94 35 31T18:00 1519 71.46 70.72 0.56 40.47 40.08 55.23

表 3 2015年12月FY-2G与Aqua云量匹配样本参数统计一览表 Table 3 Statistic properties of matched CFR cases between FY-2G and Aqua in Dec 2015

图1

图1 FY-2G与Aqua匹配的80个样本空间覆盖范围 Fig.1 The space distribution of matched sample between FY-2G and Aqua

图2

图2 FY-2G与Aqua研究匹配个例平均云量 Fig.2 The mean cloud fraction of matched cases of FY-2G and Aqua

图3

图3 2015年6月 (a) 和12月 (b) FY-2G与Aqua匹配个例平均云量绝对偏差 Fig.3 Histogram of absolute CFR bias between FY-2G and Aqua in Jun 2015(a) and Dec 2015(b)

80个个例中，白天个例43个，FY-2G和Aqua白天云量平均值分别为70.42%和72.21%，两者间绝对偏差小于5%的像元比例为67.74%，平均相关系数为0.754。6月白天个例为23个，FY-2G和Aqua平均云量平均值分别为65.23%和64.41%，两者间绝对偏差小于5%的像元比例为61.62%，平均相关系数为0.755。12月白天个例20个，FY-2G云量平均值为76.4%，Aqua云量平均值为81.19%, 两者间绝对偏差小于5%的像元比例为74.79%，平均相关系数0.753。夜间个例37个，FY-2G和Aqua夜间云量平均值分别为75.59%和80.81%，平均相关系数为0.73。6月夜间个例22个，FY-2G夜间云量平均值为71.15%，Aqua夜间云量平均值为77.44%，两者间绝对偏差小于5%的像元比例为69.86%，平均相关系数为0.76。12月夜间个例15个，FY-2G夜间云量平均值为82.09%，Aqua夜间云量平均值为85.75%，两者间绝对偏差小于5%的像元比例为74.82%，平均相关系数为0.68。

从上述统计可以看出，分析个例的平均云量FY-2G小于Aqua，从时间分布看，白天和夜间FY-2G与Aqua云量间相对偏差基本稳定，白天FY-2G与Aqua两者间平均云量偏差小于5%的像元比例小于夜间，相关性高于夜间。白天有13个个例相关系数小于0.7，占白天个例的30.23%。夜间有14个个例相关系数小于0.7，占夜间个例的37.84%。从季节分布看，6月FY-2G与Aqua两者间平均云量相对偏差小于5%的像元比例小于12月，相关性高于12月。夜间比白天偏差小，12月比6月偏差减少的原因可能是因为夜间比白天、12月比6月云的均匀性好，在具有不同空间分辨率的Aqua和FY-2G卫星上表现较为一致。

由表 2和表 3可见，FY-2G与Aqua/MODIS云量间相对偏差主要分为两类：第1类是FY-2G平均云量小于Aqua/MODIS，同时FY-2G云量标准差大于Aqua/MODIS，反映出FY-2G云检测出现漏检；第2类是FY-2G平均云量大于Aqua/MODIS，同时FY-2G云量标准差小于Aqua/MODIS，说明FY-2G云量相对高估。引起偏差的一个主要原因来自云检测的精度。上述分析显示FY-2G平均云量小于MODIS，说明FY-2G将一些云像元识别为晴空像元。

两颗卫星观测能力差异和云检测算法不同是产生两个卫星云量产品偏差的主要原因。由表 1所列出的MODIS最新第6版本云检测算法^[17]可知，MODIS云检测主要应用0.65 μm，0.86 μm，0.47 μm (烟/沙尘检测)、0.55 μm (冰雪检测)、1.24 μm (烟/沙尘检测)、1.64 μm (冰雪检测)、2.13 μm (冰雪检测)、0.415 μm (沙漠上空云检测)、0.443 μm (太阳耀斑检测)、0.905 μm (太阳耀斑检测)、0.936 μm (太阳耀斑检测)、1.375 μm (薄卷云/高云检测)、3.75 μm (冰雪、沙尘检测)、6.715 μm (高云检测)、7.325 μm (高云检测)、8.55 μm (云、沙尘、雪检测)、11.03 μm (云、沙尘、雪检测，薄卷云检测)、12.02 μm (云、沙尘、雪检测)、13.335 μm (逆温检测) 和13.935 μm (高云检测) 通道。对比MODIS云检测，FY-2G具有的5个探测通道，云检测能力弱于Aqua/MODIS。如缺乏积雪检测的1.64 μm；对于高云，尤其是薄卷云的检测，由于其具有半透明性，可见光通道反射率和红外窗区通道亮温特征不明显，仅能采用红外分裂窗亮温差方法，检测精度不高，易造成薄卷云漏检。除了Aqua/MODIS具有多探测通道的优势外，与FY-2G星下点0.05°×0.05°空间分辨率相比，Aqua/MODIS数据具有更高的空间分辨率，使得Aqua/MODIS在识别小尺度云上具有优势。另外，FY-2G与Aqua/MODIS观测性能的差异还体现在光谱波长相似的几个通道，FY-2G与Aqua的光谱响应函数间的差异。图 4是Aqua/ MODIS可见光通道1和FY-2G可见光通道1光谱响应函数图。由图 4可见，与Aqua/MODIS相比，FY-2G的可见光通道光谱段较宽，表现为图像中不同类型的目标更容易被区分。图 5是2015年6月26日16：00(表 2中个例39) FY-2G红外通道1亮温、云量与16：10的Aqua通道31的亮温和云量图像。由图 5可知，5 km×5 km分辨率的FY-2G与1 km×1 km分辨率的Aqua/MODIS红外亮温图像清晰度有所差别，云量整体分布相同。对比FY-2G和Aqua/MODIS，两者云量偏差大的地方主要出现有小积云、薄云及丝缕状卷云出现的地方，造成FY-2G云量出现误差。对于12月8日18:00和12月25日17:00的两个个例 (表 4)，FY-2G与Aqua/MODIS相关系数为0.52。表 4列出两个个例的云量等级中像元数分布。由表 4中可见，与Aqua/MODIS云量相比，FY-2G低云量像元多于MODIS，高云量 (云量大于80%) 像元数少于MODIS，说明两个分析个例的主要偏差来自FY-2G对云的漏检。

图4

图4 FY-2G可见光通道1与Aqua/MODIS可见光通道1光谱响应函数分布曲线 Fig.4 Spectral response function for FY-2G and Aqua/MODIS visible channel 1

图5

图5 2015年6月26日16:00 FY-2G红外通道1亮温 (a) 和云量 (b) 与16:10 Aqua亮温 (c) 和云量 (d) Fig.5 The image of IR1 brightness temperature (a) with CFR (b) of FY-2G at 1600 UTC 26 Jun 2015 and brightness temperature (c) with CFR (d) of Aqua at 1610 UTC 26 Jun 2015

表 4

表 4 2015年12月8日和12月25日FY-2G与Aqua/MODIS云量等级像元分布 Table 4 Pixels of cases on different cloud fraction level between FY-2G and Aqua/MODIS on 8 Dec and 25 Dec in 2015 云量/% 12-08 12-25 FY-2G像元数 Aqua像元数 FY-2G像元数 Aqua像元数 [0, 10) 423 96 17 4 [10, 20) 39 8 17 2 [20, 30) 26 18 8 8 [30, 40) 35 11 22 6 [40, 50) 34 12 11 11 [50, 60) 45 4 16 2 [60, 70) 41 20 31 15 [70, 80) 33 80 23 10 [80, 100] 2473 2972 1335 1422

表 4 2015年12月8日和12月25日FY-2G与Aqua/MODIS云量等级像元分布 Table 4 Pixels of cases on different cloud fraction level between FY-2G and Aqua/MODIS on 8 Dec and 25 Dec in 2015

与0.01°×0.01°的Aqua/MODIS相比，FY-2G的0.05°×0.05°的空间分辨率对一些小的、破碎云探测能力有限，会出现云量低估情况的同时，也会高估某些未充满观测视场的云覆盖程度。表现为与Aqua相比，FY-2G云量大，方差小。如表 2中个例14和个例17，表 3中个例17和个例24(图略)。

产生偏差原因除了观测能力差异和云检测算法不同外，FY-2G与Aqua/MODIS数据属性不同也会引起偏差。首先，FY-2G与Aqua数据的空间分辨率不同。Aqua/MODIS的云量数据基于5×5空间分辨率是0.01°×0.01°的云检测像元矩阵的云检测计算得到，空间分辨率是0.05°×0.05°，其值以0.04为数据步长间隔。如果在5×5云检测像元矩阵中出现1个像元云检测误差，对云量计算的影响仅有4%。FY-2G云量产品基于3×3空间分辨率0.05°×0.05°的云检测像元矩阵计算而来，云量从0/9，1/9，直到9/9共10个值，数据步长间隔为为0.11。如果在3×3云检测像元矩阵中出现1个像元云检测误差，对FY-2G云量计算的影响可达11%。FY-2G在0.05°×0.05°空间分辨率上出现1个云检测误差，相当于Aqua/MODIS在0.01°×0.01°空间分辨率上出现5个云检测误差，对MODIS云量计算的影响是20%。由于FY-2G与Aqua/MODIS云量不同，两者间相关系数不能完全反映FY-2G与Aqua云量数据间的关系。如2015年12月31日18:00个例中，两类数据的平均值和方差相近，两类数据的云量直方图分布如图 6，在不同云量等级中的分布几乎相同，两类数据云量相同的像元比例为55.63%, 但因云量值域不同，两者间相关系数仅为0.56。

图6

图6 2015年12月31日18:00 FY-2G与Aqua/MODIS像元云量分布直方图 Fig.6 The cloud fraction of FY-2G and Aqua/MODIS at 1800 UTC 31 Dec 2015

其次，数据匹配处理过程会引进偏差。为了匹配数据，对Aqua/MODIS数据进行再处理，降分辨率数据的处理算法也会对比对结果有所影响，邻近点插值、面积平均、双线性插值等插值算法在云空间分布均匀性很好的条件下，差异很小。但如果0.01°×0.01°空间分辨率的云像元在0.15°×0.15°空间内非均匀分布，不同的插值方法得到的格点上数值有所差异。图 7是2015年12日31日18:00个例分别采用临近像元 (NN) 插值和面积平均 (MEAN) 插值两种方法，将0.05°×0.05°分辨率数据处理到0.15°×0.15°分辨率条件下的Aqua/MODIS数据。横、纵坐标分别是临近像元插值和面积平均插值得到的云量。可以看到，两种插值方法得到的结果不在45°对角线上分布，而是在一定值域内离散型分布，说明存在较为明显的差异。在直方图分布上 (图 8)，也可进一步说明两种插值方法得到的结果不同，在晴空和完全云盖条件下，临近点插值方法得到的像元数多于面积平均值插值方法得到的像元数。

图7

图7 临近像元 (NN) 插值和面积平均 (MEAN) 插值两种方法处理的2015年12日31日18:00 Aqua/MODIS云量散点图 Fig.7 The scatter diagram of Aqua/MODIS cloud fraction calculated by the nearest distance (NN) and average area (MEAN) methods at 1800 UTC 31 Dec 2015

图8

图8 临近像元 (NN) 插值和面积平均 (MEAN) 插值两种方法处理的2015年12日31日18:00 Aqua/MODIS云量分布直方图 Fig.8 The histogram of Aqua/MODIS cloud fraction calculated by the nearest distance (NN) and average area (MEAN) methods at 1800 UTC 31 Dec 2015

为了更好地说明问题，在选择匹配数据时，过滤了全云或全晴空数据，而选择了同时存在云和晴空区域的分析区数据。基于观测时空匹配原则，选取了2015年6月和12月共80个例。个例分析结果显示：

1) FY-2G与Aqua/MODIS云量分布整体相当，匹配个例的FY-2G平均云量为72.81%，Aqua平均云量为76.19%，FY-2G与Aqua匹配个例总体云量间相关系数平均为0.74。

2) 从时间分布看，白天和夜间FY-2G与Aqua云量间相对偏差基本稳定。43个白天个例的FY-2G和Aqua云量平均值分别为70.42%和72.21%，两者间绝对偏差小于5%的像元比例为67.74%，平均相关系数为0.754。37个夜间个例的FY-2G和Aqua云量平均值分别为75.59%和80.81%，平均相关系数为0.73。

3) 从季节分布看，6月有77.78%像元FY-2G与Aqua云量绝对偏差小于15%，12月有81.24%像元FY-2G与Aqua云量绝对偏差小于15%。

4) 产生偏差的主要原因来自云检测精度。与Aqua/MODIS相比，FY-2G易出现对破碎云、薄卷云及未充满0.05°×0.05°观测视场云的漏检。

检验分析FY-2G与EOS卫星云量偏差时，数据间的匹配十分重要。本研究为了获得更多的匹配数据，并未严格匹配观测角度，也不涉及不同卫星轨道高度对观测的影响，仅在观测空间覆盖范围和观测时间两个维度进行数据匹配。在分析区选择时尽量考虑到覆盖不同下垫面类型。但在分析过程中未区分下垫面类型 (水体/陆地) 和下垫面地理高程。此外，本研究未考虑不同云厚、云类等云特性对云量偏差分析的影响。这些影响因素对偏差的影响均需要进一步细化分析。

没有绝对真值对卫星计算云量的精度进行评估，采用同类卫星产品间的交叉比对是目前评估卫星产品精度的一种通用方法。通过分析比对，总结出反演算法的不足，提高产品自身精度是分析产品偏差的出发点和目的。同时，在分析比对结果时也需要同时考虑不同卫星数据间观测能力、观测数据时空属性及数据匹配算法对比对数据的影响。