温度与湿度是研究大气状态的两个重要参数, 在大气科学各个分支学科的研究中都有着重要的应用, 大气温湿度廓线信息的准确性对数值天气预报精度的提高和气候变化预测与评估具有重要的意义.大气科学研究水平的发展对大气温湿度廓线精度的要求不断提高.传统的大气温湿度廓线站点探空观测由于受地理条件和成本等各方面因素的限制, 空间代表性有限, 已经不能满足当前科学和社会生产应用的需求.卫星遥感技术的发展, 为高频次、大面积地获取大气温湿度廓线提供了技术支持, 进而对区域和中小尺度天气、短期和短时天气, 特别是台风、暴雨等重大灾害性天气预报精度的提高具有重要的贡献.
传统的低光谱卫星光谱分辨率较低且权重函数过宽, 无法通过反演得到精细的结果, 只能得到较厚气层温湿度的平均值作为廓线, 而新一代高光谱卫星由于光谱分辨率较高, 能得到较窄的权重函数, 进而通过反演得到精细的廓线, 能够从本质上提高温湿度廓线的反演精度.为了进一步满足业务预报对大气遥感探测的要求, 国外于20世纪90年代初开始进行红外高光谱分辨率大气遥感的理论研究及业务试运行.美国国家航空航天局NASA(National Aeronautics and Space Administration)于2002年发射的AQUA卫星上装载的高光谱分辨率大气红外探测器AIRS(Atmospheric Infrared Sounder)采用了红外光栅阵分光技术, 光谱分辨率为1 200($\lambda $/$\lambda)$, 共有2 378个通道.大气红外探测仪AIRS极大地提高了对流层温度廓线测量准确度, 欧美等国近年已将AIRS资料应用于改进数值天气预报性能的研究中, 结果表明其能显著减小飓风路径预报误差, 提高预报时效, 使原来的5天预报延长至1周[1]. 2006年发射的欧洲极轨气象卫星MetOp-A(Meteorological Operational satellite programme-A)上搭载的红外大气探测干涉仪IASI(Infrared Atmospheric Sounding Interferometer), 采用了Fourier变换分光技术, 光谱分辨率在长波红外处为1 200($\lambda $/$\lambda)$, 而在短波红外处为5 400($\lambda $/$\lambda)$, 共有8 461个通道.红外高光谱大气探测仪IASI可提供高精度的大气垂直温度和湿度信息[2], 能够探测台风结构特征, 有效弥补台风影响区域观测资料稀缺的不足, 同化IASI资料能有效地提高对台风预报的准确度[3].此外, 美国于2011年发射的极轨气象卫星NPOESS系列卫星上搭载的CrIS(Cross-track Infrared Sounder)以及静止气象卫星GOES-R上搭载的HES(Hyperspectral Environmental Sensor, Advanced Baseline Sounder), 也都属于高光谱探测器.国内在星载大气探测器研制方面, 虽然起步较晚, 但进展很快.目前除在新一代极轨气象卫星中的实验卫星风云FY-3A上搭载了IRAS(Infrared Atmospheric Sounder)、MWTS(Microwe Temperature Sounder)、MWHS(Microwe Humidity Sounder)三种探测器外, 也开始了高光谱探测器ASI(Atmospheric Sounding Interferometer)的研究与论证.
国内外学者进行了大量的基于卫星高光谱红外数据反演大气温湿度廓线的研究.目前常用的反演方法主要可以分为两类:统计回归和物理反演.统计回归法不直接求解辐射传输方程, 在时效以及解的稳定性上有一定的优势.官莉[4]基于特征向量统计法利用高光谱分辨率大气红外探测器AIRS的观测辐射值做了中国地区的大气温湿度反演研究, 结果表明该方法所获得的温度、水汽反演结果与探空观测及ECMWF大气廓线分布一致, 且AIRS因其高光谱分辨率显示了精细的大气结构.刘旸等[5]基于人工神经网络算法利用AIRS观测辐射值做了中国地区的大气温湿度反演研究, 结果表明与特征向量统计法相比, 神经网络法反演精度高, 所获得的水汽廓线更加贴近真实廓线.在基于高光谱资料反演大气湿度廓线技术上, 神经网络显示出了较强的非线性处理能力.但该方法对于样本廓线依赖性较强, 无法适用于资料匮乏地区[6].欧洲中期天气预报中心ECMWF(European Centre for Medium-Range Weather Forecasts)的大气温湿度廓线再分析资料, 采用ECMWF第3代再分析资料ERA-Interim, ERA-Interim提供了自1979年以来的再分析资料, 并实时更新.相比第2代产品ERA-40数据同化模型, ERA-Interim采用了四维变分分析(4D-Var), 并结合改进的湿度分析、卫星数据误差校正等技术, 实现了再分析资料质量的提升.高路等[7]做了ECMWF数据在中国区域的研究, 结果表明其资料可信度较高.
物理反演是建立在求解辐射传输方程基础上的, 由于大气辐射传输方程属于第一类Fredholm积分方程, 是不适定的.因此该反演方法的核心是光滑因子$\gamma $的选取, 而$\gamma $的取值又受到初始场的选择、观测误差和辐射传输模型误差等因素的影响, 因此很难确定.初始廓线的合理选择以及先验误差的正确估计对于解的稳定性, 计算速度和精度同样有很大影响.官莉[8]基于牛顿非线性物理迭代法利用高光谱分辨率大气红外探测器AIRS做了大气温湿度反演研究, 结果表明其温度反演误差小于1 K, 水汽相对湿度反演误差小于10%, 精度能达到数值天气预报的要求. Antonia Gambacorta[9]介绍了NOAA官方使用的NUCAPS算法, 其对高光谱红外探测器CrIS的全球范围的反演精度较高:温度RMSE小于1.5 K, 近地层小于2.5 K; 湿度RMSE小于25%. Sun B等[10]基于NUCAPS算法利用CrIS和ATMS (Advanced Technology Microwe Sounder)资料做了全球范围的大气温湿度廓线反演研究, 结果表明与探空资料相比其温度RMSE能达到1.5 K以内, 湿度RMSE能达到40%以内, 精度较高.蒋德明等[11]从最优化数学理论角度对大气廓线物理反演以及卫星辐射率资料直接同化中的最优化算法进行了回顾, 分析了各种方法的优点和缺点、联系和差别, 总结了卫星大气遥感反演问题的求解思路.
通过综合对比统计与物理两类反演方法的反演过程以及优缺点可以看出, 统计类反演方法虽然在时效及稳定性上有一定优势, 但由于受到样本的限制, 其反演精度往往不如物理类反演方法.因此, 能否通过选择合适的样本作为统计回归反演算法的反演背景场使得其反演精度与物理算法相当是一个值得研究的问题, 也是本文研究的主要内容.本文针对统计回归方法中常常存在匹配样本的资料不足和代表性有限的问题, 提出基于ECMWF大气温湿度廓线再分析资料, 选取更多数量且具有代表性的匹配样本用于计算回归系数, 利用美国威斯康星大学的William L. Smith Sr等[12]提出的D-R双回归反演算法进行了大气温湿度廓线的反演研究.并利用上海宝山站点2016年6—9月的实测的大气温湿度廓线探空数据和美国国家海洋与大气管理局NOAA官方NUCAPS算法提供的大气温湿度产品进行了对比与验证, 并分析其误差特征, 可以为将来我国高光谱大气探测资料的有效应用提供参考.
1 数据与处理 1.1 CrIS数据2011年10月28日, 美国对地观测卫星系统Suomi NPP(national polar-orbiting partnership)成功发射升空. CrIS是搭载于该卫星系统平台上的高光谱红外探测仪, 其提供了1 305个光谱通道, 分别覆盖了长波红外、中波红外以及短波红外三个波段范围.图 1为高光谱红外探测仪CrIS观测方式的空间分辨率图(来自CrIS-SDR用户手册[13]), 每个能视域FOR(Field of Regard)包含了3$\times $3的9个视场FOV(Field-Of-Views), 一次轨道扫描中包含了30个FOR.
图 1(Fig. 1) 图 1 高光谱红外探测仪CrIS观测方式的空间分辨率图 Fig.1 Spatial resolution map of CrIS observation mode for the hyperspectral infrared detector本文使用的CrIS辐射值数据来源于NOAA网站(https://www.class.ncdc.noaa.gov/saa/products/search?sub_id=0&datatype_family=CRIS_SDR&submit.x=36&submit.y=10)的CrIS-SDR产品的辐射值数据, 时间选取为2016年6—9月每日的14时, 空间范围为海宝山站点经纬度$\pm $0.5度的范围内, 时间范围为14时$\pm $1小时以内.另外根据从NOAA网站上下载的CrIS二级产品(CrIS-EDR)中的云参数数据进行云过滤, 保留了晴空像元的数据.
表 1给出了CrIS各波段的分辨率、光谱范围以及通道数.在长波红外, CrIS的光谱分辨率为0.625 cm$^{-1}$, 在648.75$\sim $1 096.25 cm$^{-1}$的光谱范围内共有717个观测通道; 在中波红外, CrIS的光谱分辨率为1.25 cm$^{-1}$, 在1 207.5$\sim $1 752.5 cm$^{-1}$的光谱范围内共有437个观测通道; 在短波红外, CrIS的光谱分辨率为2.5 cm$^{-1}$, 在2 150$\sim $2 555 cm$^{-1}$的光谱范围内共有163个观测通道.图 2为利用美国标准大气晴空大气条件下模拟的CrIS亮温分布, 从图中明显可以看出CrIS的长波红外的光谱分辨率要高于短波红外, 亮温的分布给出了更多大气吸收光谱的细节特征.
表 1(Tab. 1) 表 1 高光谱红外探测仪CrIS的三个波段的参数 Tab. 1 Parameters for the three bands of the hyperspectral infrared detector CrIS 分辨率/cm$^{-1}$ 光谱范围/cm$^{-1}$ 通道数 长波红外 0.625 648.75$\sim $1 096.25 717 中波红外 1.25 1 207.5$\sim $1 752.5 437 短波红外 2.5 2 150$\sim $2 555 163 表 1 高光谱红外探测仪CrIS的三个波段的参数 Tab. 1 Parameters for the three bands of the hyperspectral infrared detector CrIS 图 2(Fig. 2) 图 2 基于美国标准大气模拟晴空条件下的CrIS亮温分布 Fig.2 CrIS brightness-temperature distribution based on American Standard atmosphere simulated clear air conditions 1.2 探空数据大气温湿度廓线数据来源于国家信息中心的L波段探空资料系统, 包括秒数据和分钟数据.秒级采样数据实体部分每个采集站点包含多条记录且记录数不定, 包含从施放点开始到采样结束这一时段内的采集数据, 每秒钟最多只有一条记录.如果某秒所有组的数据全部缺测, 则该秒不编发记录; 如果只是部分组的数据缺测, 则这些组采用缺测方式编发, 进行补组处理.同样, 分钟级数据为每分钟最多一条记录.探空观测数据涉及的要素包括采样时间, 气温, 气压, 湿度、仰角、方位、距离、经度偏差和纬度偏差.本文选取上海宝山站(31.4$^\circ$N, 121.26$^\circ$E)的数据作为验证资料, 时间为2014—2016年的6—9月.为了与CrIS卫星过境时间匹配, 选取了14时的加密探空数据.
1.3 ECMWF再分析数据欧洲中期天气预报中心ECMWF的再分析数据(http://apps.ecmwf.int/datasets/), 空间分辨率为0.125度, 包含了高度层、大气温度及相对湿度廓线数据以及云覆盖信息等参数.其数据时间点分别为世界时0时、6时、12时、18时, 由于CrIS经过本文研究区域的时间大约为北京时14时左右, 因此使用世界时6时的ECMWF再分析数据作为背景场.背景场的时间范围选取为2012—2013年的6—9月的14时, 空间范围选取为华东地区(23$^\circ$~37$^\circ$N, 115$^\circ$~122$^\circ$E), 所有廓线数据均插值为高度层101层.考虑到ECMWF温湿度廓线数据与CrIS辐射数据的空间匹配, 并根据ECMWF云标记和CrIS云标记剔除了有云条件下的廓线及辐射值, 最终获得的背景场廓线集为78 173组(见表 2).
表 2(Tab. 2) 表 2 选取的ECMWF的廓线样本所对应的时间以及个数 Tab. 2 The date and number of samples of the selected ECMWF's profiles 时间 样本数 2012年6月 8 531 2012年7月 8 199 2012年8月 4 661 2012年9月 14 531 2013年6月 9 006 2013年7月 10 359 2013年8月 16 168 2013年9月 6 718 总计 78 173 表 2 选取的ECMWF的廓线样本所对应的时间以及个数 Tab. 2 The date and number of samples of the selected ECMWF's profiles 2 反演算法介绍 2.1 NUCAPS算法NUCAPS反演算法包含了多个步骤, 反演系统从微波反演迭代与特征向量回归反演开始, 以欧洲中心(ECMWF)的再分析数据和CrIS的有云辐射数据作为背景场, 然后在第二次回归时计算云影响, 在整个回归过程中都使用了CrIS和ATMS的辐射数据. NUCAPS算法最后一步为物理反演, 使用之前回归得到的作为初始场, 来推导反演得到大气廓线、云以及痕量气体.
2.2 D-R双回归反演算法D-R算法是一种基于统计回归的高效率的反演算法, 可以为直接广播卫星数据提供物理参数的实时反演, 其算法精度依赖于统计训练集中大气廓线、地表参数以及云参数的信息及其对应的波谱辐射值的统计特性, 进行晴空和有云两种条件下的反演.算法公式[12]为
$ \begin{align*} q_{ret}=q_0+(r_m-r_0)C. \end{align*} $其中, $r_m$为测量的辐射波谱, $q_0$、$r_0$分别为初始廓线与辐射波谱, $C$为统计回归参数.本文分别取背景场廓线及辐射值的统计平均值作为初始廓线$q_0$与辐射波谱$r_0$.统计回归参数[12]
$ \begin{align*} C=(R^{\rm T}R+E^{\mathrm T}E)^{-1}R^{\mathrm T}Q. \end{align*} $式中, $Q$和$R$为大气状态的气候组合和相关的计算辐射光谱, $E^{\mathrm T}E$为光谱辐射噪声的统计协方差.本文取背景场廓线作为$Q$, 取背景场辐射值作为$R$, 并且辐射噪声$E$取自MetOffice 1D-Var软件.
D-R反演算法的优势: ①算法的反演精度不需要依赖于天气预测模型的误差; ②以产品为中心, 因此可应用于各种观测仪器; ③只需进行一次辐射计算, 所以更加快速高效; ④反演参数的一致性, 可同时反演大气、云及化学气体的信息.
2.3 NUCAPS算法与D-R算法对比(1) NUCAPS算法涉及物理反演步骤, 需要辐射传输方程和加权函数分别计算每个视场, 因此计算效率比D-R算法慢, 但是NUCAPS算法通常可以反演更准确温湿度廓线.
(2) NUCAPS采用微波数据进行云检测, 因此提供了云下的信息, 这使得能较为准确地反演多云天气条件下的廓线.而D-R算法反演得到的是云以上部分的廓线以及浅薄云层下的廓线, 无法很好地反演得到深厚云层下的廓线.
(3) D-R算法可以提供CrIS每个视场角FOV(Field of View)的反演(空间分辨率高, 约为14 km), 而NUCAPS算法反演的是基于3$\times $3的视场角阵列(空间分辨率低, 约50 km). NUCAPS算法牺牲了空间分辨率但提供了更多的云下资料, 即完整的垂直大气廓线是以低空间分辨率为代价的. D-R算法保留了温度、水汽的高空间分辨率信息, 但不能很好地对厚云下的温湿度廓线进行反演.
(4) 目前NUCAPS算法只应用于CrIS和ATMS的反演, 而D-R算法可以应用于AIRS/IASI/CrIS的辐射数据, 这样就可以通过连续轨道上不同仪器的时间趋势来研究大气.但需要注意的是, 在不久的将来NUCAPS算法将应用于IASI/AMSU/MHS资料的反演.
(5) NUCAPS是JPSS NOAA的官方运行算法(联合极地卫星系统), 而D-R算法是一个开源的研究算法.
表 3给出了NUCAPS算法与D-R算法对比总结.
表 3(Tab. 3) 表 3 NUCAPS算法与D-R算法的对比 Tab. 3 The difference between the NUCAPS algorithm and the D-R algorithm NUCAPS(NOAA) Dual-Regression(UW/CIMSS) 统计回归与物理解 统计回归解 反演红外与微波波段 只反演红外波段 云下也反演 深厚云层下无法反演 3$\times $3视场角(50km) 单个视场角(14km) 目前用于CrIS 用于多种传感器(AIRS、IASI、CrIS) 用于业务 用于研究 表 3 NUCAPS算法与D-R算法的对比 Tab. 3 The difference between the NUCAPS algorithm and the D-R algorithm 3 结果与分析 3.1 温湿度廓线反演的个例分析图 3和图 4分别给出了2016年7月22日基于D-R算法和NUCAPS算法反演得到的大气温湿度廓线与实测探空资料的对比.从温度廓线的个例中(见图 3)可以看出, 总体上D-R算法和NUCAPS算法反演得到的温度廓线与探空廓线都很接近, 反演效果较好, 能够很好地反映出大气温度的垂直变化特征, 温度随高度逐渐降低.而在近地层(900 hPa以下), D-R算法反演得到的温度廓线比NUCAPS反演的精度要高, 更接近于探空廓线.
图 3(Fig. 3) 图 3 温度廓线 Fig.3 Temperature profile 图 4(Fig. 4) 图 4 相对湿度廓线 Fig.4 Relative humidity profile由图 4可以看出, D-R算法和NUCAPS算法反演得到的大气湿度廓线误差比大气温度要大, 但总体上二者反映的湿度曲线和探空观测的形状基本一致, 也能够反映出水汽垂直方向上的变化, 即水汽随高度先增大, 后减小, 再增大, 最后再减小的趋势.在高层(300 hPa以上)NUCAPS算法精度略高; 在中低层(300~1 000 hPa高度)二者的反演效果相当.
通过对比分析发现, 基于高精度的ECMWF的再分析资料的D-R算法反演精度与NUCAPS算法相当, 甚至略优于NUCAPS算法, 尤其在近地面处.其主要原因是统计反演算法依赖于背景场精度, 而本文选取ECMWF的再分析资料作为背景场, 能够获得较多数量且具有代表性的匹配样本用于计算回归系数, 极大地提高了统计反演算法的精度, 这为缺少探空资料地区需要进行统计反演提供了一个新的借鉴思路.
3.2 温湿度廓线反演的统计分析为了进一步检验D-R算法和NUCAPS算法的精度, 利用D-R算法基于表 2中的背景场反演了2014—2016年6—9月晴空条件下的117组大气温湿度廓线, 并以实测探空资料为真值进行了对比, 分别计算了D-R算法和NUCAPS算法反演的温湿度廓线的均方根误差RMSE与偏差BIAS.均方根误差RMSE与偏差BIAS计算公式如下:
$ \begin{align*} &\mathrm {RMSE}=\sqrt{\frac{\sum_{i=1}^n(x_{\mathrm {obs}, i}-x_{{\rm model}, i})^2}{n}}, \\ &\mathrm {BIAS}=\frac{\sum_{i=1}^n(x_{\mathrm {obs}, i}-x_{{\rm model}, i})}{n}. \end{align*} $其中, $x_{\mathrm {obs}, i}$为观测值, $x_{{\rm model}, i}$为真值.温湿度廓线反演的统计分析结果如表 4.
表 4(Tab. 4) 表 4 温湿度廓线反演结果统计 Tab. 4 Statistics of inversion results from the temperature and humidity profiles 高度层/hPa 温度RMSE/K 温度BIAS/K 湿度RMSE/% 湿度BIAS/% D-R NUCAPS D-R NUCAPS D-R NUCAPS D-R NUCAPS 100 1.54 1.44 -0.77 -0.31 27.33 12.13 23.16 6.13 200 1.35 1.16 0.47 -0.15 23.19 9.99 17.77 3.50 300 1.09 1.26 -0.16 -0.70 23.30 11.95 19.54 5.51 400 1.07 1.16 -0.38 -0.37 14.26 13.70 3.92 1.25 500 1.10 1.08 -0.61 -0.16 15.44 15.27 3.99 0.63 600 0.99 1.04 -0.31 -0.28 17.96 15.13 0.70 1.70 700 1.27 1.30 -0.22 -0.44 17.90 16.19 -6.61 2.22 800 1.55 1.70 -0.36 -0.61 22.03 21.51 -8.45 1.50 900 1.89 1.90 0.21 -0.44 17.81 16.97 -12.87 -7.41 1 000 1.97 2.60 0.27 -1.41 13.64 16.27 1.77 9.63 整层平均 1.34 1.44 -0.18 -0.49 19.78 14.04 6.54 2.54 表 4 温湿度廓线反演结果统计 Tab. 4 Statistics of inversion results from the temperature and humidity profiles图 5给出了各个气压层上统计的D-R算法和NUCAPS算法反演的晴空大气温度廓线与实测探空大气温度廓线之间的RMSE(图 5a)和BIAS(图 5b), 图 5(b)中的误差线为两种反演算法在各层统计的标准差.从图 5(a)中可以看出, D-R算法和NUCAPS算法反演得到的温度廓线精度都较高, 整层平均RMSE分别为1.34 K(D-R)和1.44 K(NUCAPS).在中高层(800 hPa以上)部分, 两种算法得到的温度廓线精度相当, 其RMSE都在2 K以内, 精度最高的部分RMSE能达到1.5 K以内.在低层(800 hPa以下)部分, D-R算法反演得到的温度廓线精度略优于NUCAPS算法, 基本上RMSE仍能保持在2 K以内, 而NUCAPS算法得到的温度廓线在近地层RMSE超过了2 K, 但仍能保持在3 K以内.从BIAS的图 5(b)中可以看出两种算法反演的温度廓线都较稳定, 其BIAS基本都保持在$\pm $1 K以内.对于本文研究的上海宝山站点来说, D-R算法反演得到的温度廓线的RMSE在2 K以内, BIAS在$\pm $1 K以内, 精度较高.与国外学者Sun B等[10]以及Nalli N R等[14]基于NUCAPS算法做的CrIS/ATMS的全球范围大气温湿度反演研究所得结果相近; 另外, 与国内学者马鹏飞等[15]基于牛顿迭代法利用CrIS辐射数据做的中国延安站点的反演研究所得的精度较为相近.这表明本文所反演的温度廓线精度较高, 同时表明本文使用合适的背景场后, 统计反演方法的精度能与物理反演算法相当.
图 5(Fig. 5) 图 5 温度廓线的RMSE (a)和BIAS(b) Fig.5 The RMSE (a) and BIAS (b) of the temperature profile图 6给出了各个气压层上统计的D-R算法和NUCAPS算法反演的晴空大气相对湿度廓线与实测探空大气相对湿度廓线之间的RMSE和BIAS, 图 6(b)中的误差线为两种反演算法在各层统计的标准差.从图 6(a)中可以看出, D-R算法和NUCAPS算法反演得到的相对湿度廓线精度都较高, 整层平均RMSE分别为19.78%(D-R)和14.04%(NUCAPS), 相对而言NUCAPS算法反演得到的相对湿度廓线精度要稍高一些.在中低层(300 hPa以下)部分, 两种算法得到的相对湿度廓线精度相当, 其RMSE基本都在20%以内, 精度最高的部分RMSE能达到10%.在高层(300 hPa以上)部分, D-R算法反演得到的相对湿度廓线的RMSE明显增大但仍能控制在30%以内. Sun B等[10]的研究结果表明, 与探空资料对比, 全球范围NUCAPS反演的湿度廓线在400 hPa以下时RMSE在20%以内, 但在400 hPa以上时RMSE同样明显增大; Nalli N R等[14]也得到了类似结论.造成这一现象的原因是由于高层水汽较少, 探空资料的观测数据不够准确, 往往测得的水汽数据与实际相比偏小[10].从图 6(b)中可以看出两种算法反演的相对湿度廓线在中低层(300 hPa以下)部分都较稳定, 其BIAS基本都保持在$\pm$10%以内.对于本文研究的上海宝山站点来说, D-R算法反演得到的相对湿度廓线的RMSE在300 hPa以下部分保持在20%以内, BIAS在$\pm$10%以内, 精度较高.而在300 hPa以上部分D-R算法反演得到的相对湿度廓线的RMSE和BIAS有一个明显的增大.同样与Sun B[10], Nalli N R[14], 以及马鹏飞[15]等研究所得的精度较为相近.表明利用本文提出的方法反演的相对湿度廓线精度合理, 且具有很强的可操作性.
图 6(Fig. 6) 图 6 相对湿度廓线的RMSE (a)和BIAS(b) Fig.6 The RMSE (a) and BIAS (b) of the relative humidity profile 3.3 温湿度反演的空间特征分析为了进一步对比D-R算法和NUCAPS算法的温湿度反演结果在空间上的表达能力, 本文选取了2016年8月28日覆盖华东地区的一景CrIS图像来对比D-R算法与NUCAPS算法的空间分布差异.
图 7为700 hPa高度层上NUCAPS算法(见图 7a、图 7b)和D-R算法(见图 7c、图 7d)分别反演的温湿度和ECMWF再分析资料(图 7e、图 7f)的空间分布图.由图 7可知, 由于D-R算法基于卫星单个视场角的辐射观测资料进行温湿度的反演, 相比较NUCAPS算法而言, 有着更高的空间分辨率, 能够刻画出更为细致的温湿度空间分布特征.而且从温度对比图图 7a和图 7c中也可以看出, 与ECMWF的温度图像(见图 7e)对比, D-R算法反演得到的温度空间分布与ECMWF结果更接近.这说明利用D-R算法反演的结果比NUCAPS算法在空间的分布上更好, 反演的精度更高.从湿度对比图(见图 7b、图 7d、图 7f)中可以看出, 两种算法反演的相对湿度精度相当, 但D-R算法给了更多的细节信息.这说明D-R算法提供的大气温湿度资料既具有较高的空间分辨率, 还保持了较高的反演精度, 可以为物理反演方法、数值模式、数据同化等研究领域提供很好的初始廓线.
图 7(Fig. 7) 注:温度单位为K, 相对湿度单位为% 图 7 700 hPa高度层上一景的NUCAPS温度(a)、NUCAPS相对湿度(b)、D-R温度(c)、D-R相对湿度(d)、ECMWF温度(e)和ECMWF相对湿度(f) Fig.7 Temperature (NUCAPS (a), D-R (c), ECMWF (e)) and relative humidity (NUCAPS (b), D-R (d), ECMWF (f)) at a location at a height levelof 700 hPa 4 结论高光谱分辨率探测是大气遥感的发展趋势, 本文基于Suomi-NPP卫星上的新一代高光谱红外传感器CrIS的辐射观测资料, 选取了华东地区2012—2013年6—9月14时的ECMWF的温湿度廓线作为背景场匹配样本, 利用D-R算法反演了上海宝山站2014—2016年6—9月14时晴空条件下的CrIS的温湿度廓线.反演结果与站点实测探空廓线对比, 能够较好地揭示大气温度和湿度的垂直分布规律.温度的RMSE在2 K以内, 最好的能达到1 K以内, BIAS保持在$\pm $1 K以内, 反演的温度廓线精度较高且稳定; 相对湿度的RMSE在300 hPa以下时保持在20%左右, BIAS也在$\pm $10%左右, 反演结果较好, 但在300 hPa以上时RMSE和BIAS都有一个明显的增大, 反演效果降低.
将D-R算法反演的结果和官方业务所使用的NUCAPS算法反演的结果与探空廓线作比较, 可以看出两种算法反演的结果都较好, 相差不大.但在低层, NUCAPS算法反演的温度的RMSE略有些偏大, 而D-R算法反演的温度的RMSE仍然较小.因此, 在低层, D-R算法反演的温度的精度要比NUCAPS算法反演的高.然而从反演的相对湿度来看, D-R算法反演的湿度在300 hPa以下精度和NUCAPS算法相当, 但在300 hPa以上, 与NUCAPS算法相比, 精度明显降低.
从两种算法反演结果的空间分布图可以看出, D-R算法在保持较高反演精度的同时空间分辨率也比NUCAPS算法有显著提高.而且D-R算法计算方便, 反演效率高.由此可见, 基于统计回归方法反演大气温湿度的精度很大程度上取决于统计匹配样本的数量及其资料的代表性.通常很多地方由于条件限制, 能够选用的统计匹配样本较少, 其代表性有限, 使得反演精度一般.本文提出基于ECMWF的廓线数据集和CrIS的辐射观测资料进行统计样本匹配, 可以有效解决样本数量不足和精度不高的问题, 显著提高大气温湿度的反演精度.本文仅基于有限的几个月资料对方法的有效性在单个站点上进行了验证, 还需要在将来的工作中利用更多的站点资料进行系统验证.此外, D-R算法中有云条件下的统计回归反演方法的研究也有待开展.