云不仅是影响地气系统辐射收支平衡的一个重要参数，同时也是研究大气环流及气候变化的一个重要指标。有关云的数据可以通过地面常规观测得到，但地面观测点的空间分布及观测时间均会受到各种条件限制。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，可获取大范围乃至全球多时次、连续的云数据。美国在1960年发射了第1颗气象卫星，获取了第1幅气象卫星遥感图像。尽管只搭载了1个类似摄像机的观测设备，但仍得到了很好的结果。自20世纪70年代开始，气象卫星提供业务化观测，无论是仅在特定的时间观测提供日全球观测的极地轨道气象卫星，还是高时间分辨率的静止轨道气象卫星，业务化的气象卫星已提供了40余年的观测数据，长时间序列的卫星数据为云气候研究提供了可能。

由于每颗卫星的生命周期有限，长时间序列的卫星云气候数据集会涉及多颗卫星。不同卫星搭载的探测仪器种类、性能有可能不同；云参数的反演算法也不尽相同。同一颗卫星在生命周期内，由于仪器的衰减，观测结果也会发生变化。作为长时间序列卫星云气候数据，需要保证不同卫星、不同传感器得到的数据，以及相同卫星相同传感器在不同时间获取的数据具有良好的一致性，再通过稳定可靠的反演算法，获得质量稳定的数据，从而在气候监测和气候变化研究中发挥作用。

长时间序列云气候数据集的研制涉及数据的再定位、重定标、反演算法等多领域问题。本文仅限于对目前在科研业务领域应用较为广泛的几个云气候数据集做一简述，不涉及再定位和重定标处理的具体算法。

通过遥感手段探测云，一般是利用某些对云敏感的光谱范围，测量地球表面或地球上大气系统发射或反射的辐射，再将测量辐射转换为云参数。云参数的反演一般需要两个步骤：首先是云检测，将探测像元分为云像元和晴空像元。其次在云检测基础上，采用数学和物理方法进行云参数的反演。可反演的云参数分为宏观参数，如云量、云顶高度、云顶温度、气压等；微观参数，如云红外发射率、云光学厚度、粒子有效半径、云水路径等。

已有静止和极轨气象卫星上均具有的载荷是可见光红外多光谱成像仪。通过有限的相互分离的波段(通常从可见光到热红外波段)上的辐射测量，可获取云的观测信息。静止气象卫星数据来源可包括我国的风云二号(FY-2)、日本的静止气象卫星(GMS，MTSAT，Himawari)、美国的GOES和欧盟的MTETOSAT等系列卫星。极轨卫星数据源可来自风云一号(FY-1)、风云三号(FY-3)、美国NOAA，NPP，Terra，Aqua及欧盟的Metop等。目前的全球云气候数据集中还未使用FY-1，FY-3和NPP的数据。

可见光红外成像仪提供的可见光通道反射率和红外通道亮温数据，是进行云检测、云量、云光学厚度、云顶粒子有效半径、云相态、云类等参数反演的主要探测仪器。云检测是云参数反演的基础。云一般表现比地表亮或冷，而且云在时间和空间上的分布比晴空下垫面具有更强的变化性。这些特征使大部分的云可以较为容易地被检测出来。然而在一些情况下，如云和地表的辐射差异很小(冰雪上的云，海洋或云边界处湿边界层附近低云和地表的差异很小时)，或地表比云顶更暖(大气逆温层)时云检测会遇到困难。

利用云检测数据，可计算云量，云量定义为总像元中云像元所占比例。基于正演辐射传输模式，利用辅助数据，计算出云在卫星接收辐射中的贡献量而实现对云参数如云光学厚度、云顶粒子有效半径等的反演。对同一场景的多角度观测可用来获取立体云顶高度，如Terra上的MISR(multiangle imaging spec-tro radiometer)具有4个可见光通道、9个观测角度^[1]。由于冰云的极化散射不同于水云，因此，可利用如PARASOL(polarization and anisotropy of reflectances from atmospheric sciences coupled with observations from a lidar)上的具有8个可见光通道(包括3个极化通道)，最多有16个观测视场的POLDER(polarization and directionality of earth’s reflectances)数据判识云相态^[2]。

红外垂直探测仪最早的设计是利用红外波段CO₂、水汽和O₃吸收通道反演大气温湿廓线^[3-6]。可选用的数据包括NOAA和Metop搭载的HIRS(high resolution infrared radiation sounder)、Aqua搭载的AIRS(atmospheric infrared sounder)、Metop搭载的IASI(infrared atmospheric sounding interferometer)以及FY-3搭载的IRAS(infraRed atmospheric sounder)。这些数据的星下点空间分辨率约为15 km。MODIS上一些通道的设置类似于HIRS，具有相似的反演能力，且具有更高的空间分辨率。这些红外探测仪可提供白天和夜间更为准确的卷云(半透明冰云)探测数据。

云顶位置参数包括云顶温度、云顶气压和云顶高度。反演这些参数所需的大气温度廓线信息可从垂直探测或模式再分析数据中获取。不同数据集中云顶位置参数的差异可源于所采用的不同大气温度廓线数据，或不同仪器对云的探测能力。

除了红外探测仪，探测系统中还包括微波探测仪，如MSU(microwave sounding unit)、AMSU(adv-anced microwave sounding unit)。FY-3的微波温度计(microwave temperature sounding，MWTS)和微波湿度计(microwave humidity sounding，MWHS)也可用于大气廓线的反演，同时还可改进云检测精度^[7]。

DMSP(US air force defense meteorological satellite program)搭载的SSM/I(special sensor microwave imager)或Aqua搭载的AMSR-E(advanced microwave sounding radiometer for EOS)及FY-3微波成像仪，可用于反演洋面上云中液态水路径^[8]。

主动传感器扩展了被动传感器对云垂直廓线的探测。2006年发射的CALIPSO(cloud-aerosol lidar and infrared pathfinder satellite observations)激光雷达和云雷达可探测所有云层的底部和顶部高度^[9]。激光雷达较为敏感，可较好地实现对卷云的探测，但其光束只能到达光学厚度小于3的层次。当云光学厚度较大时，激光雷达只能探测到云顶部某些层次的信息。但同时运行的云雷达(CloudSat)则可以提供云底观测信息。尽管两种观测的空间覆盖度较低，但与其他卫星观测数据(如MODIS，AIRS，POLDER)联合使用，可很好地获取不同云类的垂直结构信息。

基于长时间序列的卫星数据，国际上生成了一系列的云气候数据集^[10]。如早期的国际卫星云气候计划(International Satellite Cloud Climatology Project，ISCCP)由世界气候研究计划(World Climate Research Project，WCRP)发起，成立于1982年，目标是收集和分析卫星数据以获取全球、长时间序列的云特征，从而加深云对辐射收支影响的理解及其云在水循环中所起的作用^[11]。美国构建的Patmos-x(pathfinder atmospheres extended)云参数数据，以AVHRR数据为基础，通过反演技术获取包含云量、云发射率、云顶温度、云顶高度、云顶气压、云光学厚度、云顶粒子有效半径、云相态、云水路径等参数^[12]。SCOPE-CM(Sustained and COordinated Processing of Environmental satellite data for Climate Monitoring)是在世界气象组织(WMO)主导下，与GCOS，CGMS，CEOS和GEO联合开展的卫星基本气候变量处理行动计划。在2008—2012年SCOPE-CM的第1阶段设置了5个先导主题，云是其中之一。该阶段的工作目标就是基于通过系统性地比对不同卫星及不同反演算法，获取30年时间序列的全球云参数。在SCOPE-CM框架下，EUMETSAT通过SAF(Satellite Application Facility)计划，构建了1982—2009年的NOAA/AVHRR长序列的云量、云顶高度、云光学厚度、云类、云水含量等云参数数据CLARA-A1数据集^[13-14]，随后更新了云参数的反演算法，并将数据集的时间从2009年延长至2015年，形成CLARA-A2数据。随着EOS/Terra和EOS/Aqua的相继发射，EOS/MODIS因具有36个探测通道，最高空间分辨率为250 m的数据优势，且至今已积累了近20年数据而成为云气候数据的重要组成部分。表 1是上述几类云数据集的主要信息。

表 1

表 1 主要云数据集信息 Table 1 Some kinds of cloud climate dataset information 数据集名称 空间分辨率 时间分辨率 时间范围 主要数据源 ISCCP 2.5°×2.5°(C和D系列) 30 km×30 km(DX数据) 3 h, 日, 月 1983—2009年 NOAA，GMS，GOES，METEOSAT Patmos-x 0.1°×0.1° 每日2次，月 1979年至今 NOAA，Metop CLARA-A1 0.25°×0.25° 日，月 1982—2009年 NOAA CLARA-A2 0.25°×0.25° 日，月 1982—2015年 NOAA，Metop MODIS-ST 1 km×1 km，5 km×5 km 每日2次，月 2000年至今 2003年至今 EOS/Terra EOS/Aqua HIRS 月 1980—2015年 NOAA，Metop

表 1 主要云数据集信息 Table 1 Some kinds of cloud climate dataset information

ISCCP数据来自全球所有的业务气象卫星观测系统^[15]。为了保证气候研究所需的数据质量，ISCCP数据将不同仪器的定标通过归一化方法订正到同一标准并进行数据质量检查^[16]。根据统一的数据反演算法，处理生成全球云参数数据。第1版本的辐射数据于1984年发布，云参数数据(C系列)于1998年发布^[17]。在云参数反演算法更新、云参数种类扩充后，发布了第2版数据(D系列)^[18]。其中，D1是日气候数据集，包含206个参数；D2数据是月气候数据集，包含130个与云有关的参数。参数反演中云顶温度利用红外通道进行反演，云光学厚度在假设了水云和冰云的有效粒子半径后利用可见光通道数据反演；利用白天可见光-红外通道与仅用红外通道两种方法计算中的云量差订正夜间仅有红外通道计算的云量，从而保证云量日夜的计算精度相当。

ISCCP DX数据空间分辨率为30 km×30 km，时间分辨率为3 h。DX数据包含有定标后的可见光和红外通道辐射值、观测角度信息、分析得到的晴空辐射值、云检测信息及3种辐射云模式的输出结果^[18]。由于覆盖全球的各静止气象卫星的观测频次不同，3 h时间分辨率的DX数据中出现了较多的没有观测的空白区域。ISCCP已发布数据在2009年后停止更新。

Rossow等^[19]用其他数据与ISCCP数据进行对比，得到ISCCP数据的云量与其他云数据吻合较好，全球偏差为4%左右。魏丽等^[20]对中国大陆ISCCP-C2和地面数据中1983年7月、1984年1月云量进行对比，得到二者月平均总云量的分布形势相当一致，但ISCCP-C2的数据云量普遍偏低。翁笃鸣等^[21]对比了1984—1988年207个地面站和ISCCP两种数据总云量关系，也得到了类似的结论，并指出地面数据的优势是较真实地反映了局地云的性质，而ISCCP数据更适合于揭示大范围地区的云气候特征。刘洪利等^[22]对比了1983年7月—1993年12月中国大陆地区600个地面站的月平均云量数据与ISCCP-D2数据，发现二者总云量的整体分布和气候变化都比较一致，但定量上略有差异，尤其是中国北方地区差异较大。丁守国等^[23]利用ISCCP月平均云气候数据集的总云量数据，采用趋势分析的方法，得到1983年7月—2001年9月全球平均总云量的变化趋势，并分析云量变化的可能原因。王旻燕等^[24]分析了1984—2006年ISCCP-D2产品和我国地面观测总云量的空间和时间差异，分析表明：ISCCP-D2总云量产品比地面观测偏高8.45%，华南地区差异最小，东北地区差异最大。刘瑞霞等^[25]研究表明：ISCCP的云量与常规观测相比，7月两者的空间分布具有很好的一致性，白天ISCCP的云量比常规观测偏多，夜间ISCCP云量比常规观测偏少，7月ISCCP云量的精度高于1月。王可丽等^[26]利用青藏高原地面观测站的总云量数据、ISCCP-C2总云量数据和NCEP再分析总云量数据，对比了三者在青藏高原地区的时空分布关系，发现ISCCP-C2总云量与地面观测总云量有较好的相关关系，它们在青藏高原地区的空间分布形势相似，年变化和年际变化趋势大致相同，并指出量值上的差异主要源于探测手段不同。陈勇航等^[27-28]利用1983—2001年ISCCP-D2月平均云数据，对西北地区15种不同类型云的分布特征进行了分析，结果表明:高原气候区是各种云出现最多的地区，但云水路径值低；西北地区云量的高值区出现在天山山区、北疆地区、陕西东南部和青藏高原的部分地区，此外高云和部分中云云量空间分布特征与降水有较好的一致性。

刘健^[29]利用1983—2007年ISCCP-D2数据对覆盖我国及周边区域不同云类云顶温度的年、日变化特征进行分析，得到云顶温度的分布特征；对晴空下垫面与最暖云云顶温度差随纬度分布特征、不同区域晴空下垫面及云顶温度与晴空地表温度差日变化特征进行分析，将分析得到的云分布特征及每3 h的晴空下垫面24年平均亮温作为云检测算法的背景场，用以判识实时动态提取云检测阈值的合理性。

上述研究表明：尽管观测手段和数据再处理方法不同，ISCCP云参数与其他云数据间有较好的吻合性，能够反映云的真实分布情况，是目前得到全球公认的云气候数据集。但ISCCP数据的空间分辨率较低，不能完全满足科研和业务需求，且目前数据未更新。

2013年开始，Patmos-x数据实现了每日更新，实现了1979年至今历史与实时数据的对接。Patmos-x数据取自极轨卫星的AVHRR数据，主要是NOAA卫星，后期包含Metop卫星。Patmos-x使用AVHRR/GAC数据，经过重采样后，形成全球0.1°×0.1°经纬度空间分辨率的产品。重采样主要处理包括一条轨道上的轨道星下点和轨道边缘不同空间分辨率像元及多个轨道重叠时数据的处理^[12]。可见光通道和中波红外通道的再定标方法来自文献[30-31]，再定标数据来自文献[32-33]。Patmos-x红外通道的再定标方法取自Pathfinder方法^[34]。与ISCCP主要通过静止卫星数据构建长时间序列云参数数据相比，Patmos-x算法与ISCCP有所不同^[12]。Patmos-x在云检测算法中采用Navie Bay-esian方法，选择深海、浅水、陆地、积雪、南极、北极和沙漠7种下垫面类型，使用6个Bayesian分类器进行云检测，分类器所选用的数据来自CALIPSO^[35]。采用最优估计迭代方法^[36]，利用两个红外通道反演云顶气压和发射率。云光学厚度和云顶粒子有效半径使用可见光通道反演。云水路径由云光学厚度和云顶粒子有效半径推导得到^[37]。目前Patmos-x提供卫星的瞬时观测产品，没有日、月合成产品。

Heidinger等^[38]利用Aqua/MODIS云检测产品(MYD35)和CALIPSO数据对Patmos-x云量数据进行了比对，结果表明：在数据没有做任何空间滤除处理的条件下，Patmos-x与CALIPSO相关系数为0.9，运用空间滤除处理后相关系数达到0.95。Patmos-x与MYD35相比也有相似结果。直接比较2003—2014年的Patmos-x和MYD35，两种数据在云量的平均值、季节变化和线性趋势等方面，除冰雪覆盖的大部分地区外具有高度一致性。Foster等^[39]利用Patmos-x数据分析了北美云量的变化，发现1982—2012年的30年间北美云量减少了约4.2%。

涂钢等^[40]利用1986—2006年Patmos-x及ISCCP总云量和低云云量产品与中国区域地面台站观测的总云量、低云云量数据进行对比分析，分析不同来源、不同观测方法造成的云量数据在时间、空间上的差异。比对结果表明：与站点观测数据相比，无论Patmos-x还是ISCCP，其总云量数据的空间分布与站点观测数据的格点相关性均好于低云云量数据；Patmos-x总云量、低云云量多年平均的空间分布较ISCCP更接近地面观测；中国区域平均低云云量的线性趋势Patmos-x与地面观测一致，表现为显著上升趋势，而ISCCP低云云量则呈微弱下降趋势。

EUMETSAT研制的云气候数据取自极轨卫星的AVHRR数据。CLARA-A1数据^[13-14]的水平分辨率为0.25°×0.25°，时间跨度为1982—2009年。CLARA-A1利用数值预报温湿廓线数据，在RTTOVS基础上，反演云顶气压，再根据不同的云类(密实云、部分水云和半透明卷云)反演得到云顶温度和云顶高度。CLARA-A2在A1版数据的基础上，对NOAA/AVHRR可见光通道的定标进行均一化处理，改进了NOAA/AVHRR红外通道定标精度，对AVHRR 3.7 μm通道进行中值滤波处理，将数据时间由2009年延长至2015年，保持了A1数据的水平分辨率。A1和A2数据的时间尺度以日产品为主，并提供月平均产品，包括每颗卫星和不分卫星的数据。A2数据在云检测、云相态产品上提供卫星的瞬时观测产品。在云参数处理方法上，与A1相比，A2数据主要的改进体现在利用CALIPSO/CALIOP数据对云的光学厚度进行归类，将云检测阈值细化为区分厚云和半透明云两类云；引入最暖像元的海表温度检验，改进了针对洋面上薄云和部分覆盖云情况下的云检测方法；新增基于亮温差的动态阈值云检测方法。云检测算法改进后，A2云检测偏差从A1的14.4%下降到13.2%，命中率从A1的75.8%提高到79.7%^[41]。与Patmos-x保持轨道观测信息的数据不同，CLARA数据将云参数处理成日平均、白天和夜间数据。

Sun等^[42]利用ISCCP，Patmos-x，CLARA-A1与地面观测数据进行对比，并分析了美国大陆上云量的变化。结果显示，总体上Patmos-x与地面观测数据间具有最高的相关性。CLARA-A1在白天与地面观测相关性最低。Patmos-x 13:30(地方时)的数据与地面观测数据的变化趋势最为接近，其次是Patmos-x日数据和ISCCP数据，CLARA-A1与地面观测数据相比有较大不同。

青藏高原由于海拔高，下垫面复杂，是卫星遥感云参数反演的难点区域，同时又是与地面观测相比具有较大观测优势的区域。从各卫星的升降交点地方时的时序变化(图 1)可以看到，不同卫星、或卫星不同生命周期内，NOAA卫星的漂移比较明显。选择下午星系列卫星(NOAA-07，NOAA-09，NOAA-11，NOAA-14，NOAA-16和NOAA-18)，比较1982—2015年20°~40°N，73°~105°E区域内CLARA-A1，CLARA-A2和Patmos-x白天(图 2)和夜间(图 3)月平均云量分布。3种数据分布趋势相同，白天CLARA-A1云量最大，Patmos-x云量最小。夜间Patmos-x云量最大，CLARA-A1云量最小。在采用了相似云检测算法后，CLARA-A2与Patmos-x的差异小于CLARA-A1与Patmos-x的差异，且整体云量的差异夜间小于白天。从卫星的发展看，后期卫星(如NOAA-16，NOAA-18)，Patmos-x与CLARA-A2云量差异小于前期卫星(如NOAA-07，NOAA-09)：NOAA-16和NOAA-18 Patmos-x与CLARA-A2白天云量决定系数均大于0.93，Patmos-x与CLARA-A2夜间云量决定系数均大于0.96。NOAA-09 Patmos-x与CLARA-A2白天云量决定系数为0.78，Patmos-x与CLARA-A2夜间云量决定系数为0.72。

图1

图1 不同卫星白天观测地方时的时序变化 Fig.1 Day-time equator observation times for satellites

图2

图2 1982—2015年20°~40°N，73°~105°E区域内NOAA-07，NOAA-09，NOAA-11，NOAA-14，NOAA-16和NOAA-18卫星的CLARA-A1，CLARA-A2及Patmos-x月平均白天云量时序图 Fig.2 Monthly mean cloud fraction at day-time from CLARA-A1, CLARA-A2 and Patmos-x by NOAA-07, NOAA-09, NOAA-11, NOAA-14, NOAA-16 and NOAA-18 over 20°-40°N, 73°-105°E during 1982-2015

图3

图3 1982—2015年20°~40°N，73°~105°E区域内NOAA-07，NOAA-09，NOAA-11，NOAA-14，NOAA-16和NOAA-18卫星的CLARA-A1，CLARA-A2及Patmos-x月平均夜间云量时序图 Fig.3 Monthly mean cloud fraction at night-time from CLARA-A1, CLARA-A2 and Patmos-x by NOAA-07, NOAA-09, NOAA-11, NOAA-14, NOAA-16 and NOAA-18 over 20°-40°N, 73°-105°E during 1982-2015

EOS/MODIS云产品有两类：一类是ST(science team)数据，使用光谱通道检测方法计算云量^[43-44]，利用CO₂薄片法计算云顶气压和发射率^[45]，利用可见光通道的查找表方法反演白天的云光学厚度和云顶粒子有效半径^[46]，目前更新至第6版(C6)；另一类是MODIS Clouds and the Earth’s Radiant Energy System (CERES) Science Team (MODIS-CE)数据^[47-48]，利用红外通道的辐射值反演云顶温度和发射率，基于反射率查找表反演白天的云光学厚度和云顶粒子有效半径。

Kotarba^[49]对波兰地区2004年1月和7月EOS/MODIS云量数据进行精度评估，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^[50]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数据的相关性超过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，一般在10%左右。

刘瑞霞等^[51]选用2004年1月和7月的ISCCP-D1、常规观测以及Terra/MODIS总云量进行对比，结果表明：1月MODIS总云量比其他两种数据偏大，而7月最小。相对常规观测，1月ISCCP总云量精度优于MODIS，而7月MODIS总云量略优于ISCCP。

陈勇航等^[52]采用2002年7月—2004年6月CERES SSF Aqua MODIS Edition 1B云数据，选取我国西北地区不同气候环境条件下的4个典型地域，研究了总云量、低云云量和高云云量的空间分布特征以及季节和年变化特征。结果表明：低云云量的高值区不仅分布在山脉地区，而且也分布在非山脉地区。但高云云量高值区只分布在山脉地区；总体上云量大小随地域的不同相差相当大，高云云量年平均值的最大差异发生在祁连山区和塔克拉玛干沙漠之间，两者相差16.14 %。而总云量和低云云量年平均值在季风区和塔克拉玛干沙漠地区相差最大，分别可达27.16 %和19.15 %。季风区和祁连山区云量最大值一般都出现在夏季，天山和塔克拉玛干沙漠地区云量最大值一般都出现在春季，最小值则均出现在秋冬季。3个云量参数值在3—9月较高，最低值出现在10—12月。段皎等^[53]利用ISCCP-D2和MODIS云数据，分析了中国地区云的光学厚度和云滴有效半径的分布特征，结果表明，夏季云的光学厚度和有效半径的变化趋势最显著。吴晓等^[54]利用MODIS云光学厚度、云粒子有效半径、云顶高度、云相态等产品，以及表征6种云类的云光学厚度、云粒子有效半径、云顶高度、云相态的特征值，采用最小距离分类法和多阈值判识法相结合，对卫星观测像元的云进行分类，包括层云、层积云、积云、积雨云、雨层云、高积云/高层云、卷云以及卷云伴随高积云或高层云的多层云、卷云伴随层云或层积云的多层云、高积云或高层云伴随层积云或层云的多层云10类。2008年、2013年卫星分类结果与地面云类观测对比，达到60%的一致性。刘健^[55]分析比较了青藏高原上空2000—2007年MODIS-ST云参数与ISCCP云参数，两种数据的云光学厚度和云水路径的多年变化趋势相当，数值的大小有所不同，出现差别的主要原因是采用了不同的反演算法。高空间分辨率数据比低空间分辨率数据具有更多的波动性，反映出高空间分辨率数据可以更好地反映云性质的局地性特征。利用2000—2010年MODIS-ST云参数分析青藏高原云微物理特性的时空变化可知：2000—2010年青藏高原上云的光学厚度有减小的趋势；云水路径年季变化有少许波动，但没有明显的多年变化趋势。青藏高原的云光学厚度和云水路径近10年变化间的同步性大体相当，2002年春季出现了较为明显的反相，云光学厚度减小的同时云水路径增大。青藏高原夏季的云光学厚度和云水路径是全年中的极大值，近10年出现较明显的减小趋势，反映出近年来青藏高原夏季云的厚度逐渐变薄，云中含水量逐渐减小。在空间分布上，青藏高原的云光学厚度和云水路径从东南向西北减少。图 4和图 5分别为2005—2015年20°~40°N，73°~105°E区域内Patmos-x和CLARA-A2中NOAA-18和Aqua/MODIS月平均白天(图 4)和夜间(图 5)云量时序分布图。对比图 4和图 5可知，月平均白天云量Patmos-x，CLARA-A2和Aqua/MODIS 3种数据间的差异较小，尤其是夏季云量较多时。在夜间，同样采用NOAA-18数据源的Patmos-x和CLATA-A2云量基本相同，Aqua与NOAA-18差异主要体现在冬春的云量低值时段。主要原因可能来自两颗卫星的探测能力和反演算法不同及两颗卫星的观测时间存在差异。

图4

图4 2005—2015年20°~40°N，73°~105°E区域内CLARA-A2, Patmos-x的NOAA-18和Aqua/MODIS月平均白天云量时序图 Fig.4 Monthly mean cloud fraction at day-time from CLARA-A2, Patmos-x by NOAA-18 and Aqua/MODIS over 20°-40°N, 73°-105°E during 1982-2015

图5

图5 2005—2015年20°~40°N，73°~105°E区域内CLARA-A2, Patmos-x的NOAA-18和Aqua/MODIS月平均夜间云量时序图 Fig.5 Monthly mean cloud fraction at night-time from CLARA-A2, Patmos-x by NOAA-18 and Aqua/MODIS over 20°-40°N, 73°-105°E during 1982-2015

从1978年至今的NOAA，Metop极轨卫星上均搭载有红外辐射探测仪(high resolution infrared radiation sounder，HIRS)。其4.3 μm和15 μm CO₂及6.7 μm通道可获取云顶部参数信息，如云顶高度、云顶温度、云顶有效发射率等^[56-57]。通过定标再处理^[58-59]，星-星间HIRS数据的差异得到降低。将Patmos-x的AVHRR云检测结果和云类判识结果引入HIRS云检测算法中^[60-61]。云顶参数(高度、气压、温度)采用与EOS/MODIS第6版数据相同的反演算法^[62-63]。Menzel等^[64]对1980—2015年HIRS再处理数据评估后认为，引入AVHRR数据可以较好地提高HIRS亚像元的云检测精度。采用CO₂薄片法可以较好地解决半透明卷云云顶气压和有效发射率的反演，但对于与地面没有明显红外辐射差值的低云反演误差较大。对HIRS进行再定标和云检测算法改进后，从1980—2015年HIRS数据分析得到云出现频次为76.5%，其中高云出现频次为36.1%。

中国气象局国家卫星气象中心基于存档的中国及周边区域NOAA/AVHRR轨道数据，在人工定位导航进行再定位的基础上，选用NOAA公布的再定标系数，改进的云检测算法和云量计算方法，生成10°~60°N，64°~145°E区域，水平分辨率为0.01°×0.01°，1989—2008年共20年的逐日云量数据。经分析，NOAA/AVHRR计算的总云量能较好地反映中国总云量的变化特征，总体上在统计意义上要比站点观测总云量略偏低。当以地面观测云为真值，与MODIS云检测产品相比，利用NOAA/AVHRR检测的云像元准确性较高，误判率较低。利用EOF和SVD分解分析NOAA/AVHRR计算总云量与地面观测和MODIS产品的相似度，得到NOAA/AVHRR计算总云量在空间分布上更接近站点观测值。AVHRR计算值和地面观测值的前5个模态相关系数分别为0.95，0.95，0.94，0.92和0.88，均大于MODIS和地面观测值前5个模态相关系数0.89，0.91，0.90，0.88和0.74，说明与MODIS总云量产品相比，AVHRR计算总云量与地面观测总云量间的吻合度更高，AVHRR计算值更加接近于地面观测值，特别在冬季，NOAA/AVHRR计算总云量明显好于MODIS总云量产品^[65-66]。与CLARA和Patmos-x数据相比，目前中国气象局国家卫星气象中心处理的NOAA/AVHRR云量数据的区域空间分辨率较高，但不是全球数据且时间序列较短。

随着气象卫星观测能力的提升，数据累积时间的延长，数据处理算法的改进，卫星云气候数据必将成为云气候研究中的重要数据源。由于每颗卫星都有其业务运行的生命周期，不同卫星也具有观测时间和性能的差异，因此，将长时间序列卫星数据处理成为气候数据需要解决的科学问题还很多，不仅涉及到稳定高效的反演算法，而且还有为保证卫星数据均一性的基础互定标准确性问题：

1) 已有的卫星气候数据除ISCCP外，均以极轨气象卫星数据为主。分别以极轨卫星和静止卫星观测数据为基础的全球长时间序列云气候数据集各有优缺点。对卫星的瞬时观测而言，极轨卫星尽管观测时间频次较低，不利于研究云的日变化，但一颗极轨卫星平均14条轨道即可获取到全球观测数据，已有的极轨卫星的观测能力相近，形成长时间序列数据需要解决的问题集中在同一卫星观测周期内及不同卫星在不同观测周期间的相对定标精度。静止气象卫星具有较高的观测频次，可满足云日变化研究的需求。但任何一颗静止气象卫星都无法获取到全球观测，需要几颗静止气象卫星的组网观测。多颗卫星数据的联合使用，就需要卫星间的观测性能(空间、时间、光谱)相近，定标精度相同。这对长时间序列的静止气象卫星气候数据处理要求较高。

2) 对日平均、月平均数据处理而言，极轨气象卫星由于在生命周期内会出现轨道漂移，数据均一化订正技术是处理的重点。同轨道一条扫描线上像元具有不同的空间分辨率，在高纬度和极地出现多条轨道的重叠，使极轨卫星数据的重采样方法成为极轨卫星数据处理中的一个重要技术环节。静止气象卫星自身的定位精度是日、月尺度合成数据处理中不可忽视的问题，但同颗卫星重采样处理的技术难度较小。

3) 构建长时间序列的卫星云气候数据集，定标精度、定位精度、数据重处理算法等是除了云参数反演算法外，非常重要的数据处理环节，对最终的数据质量有重要影响。如何发挥极轨气象卫星和静止气象卫星的各自优势，融合两类卫星数据，形成高时间分辨率、质量稳定的长时间序列云气候数据集，以满足业务、科研需求，是未来要解决的问题。

4) 卫星观测可以提供大范围、客观、定量化的云观测，与地基云观测相比，各有其特点和局限性，两类数据存在差异，如当云同时存在于同一大气柱的不同层次时，地面观测能准确地记录低云的信息，却观测不到受低云遮挡的高云。同样，卫星观测对高云的观测准确性高于对低云的观测，但无法准确探测到高云下的低云信息。在综合使用长时间序列不同观测源数据时，需要了解各种数据的特点。