基于FY4A?AGRI 反演東北地區云頂高度

董 焱，鮑艷松，許 丹，陳 強，李葉飛，崔 偉，孫 杰

（1.南京信息工程大學大氣物理學院，江蘇南京 210044；2.南京信息工程大學氣象災害預報預警與評估協同創新中心，氣象環境衛星工程與應用聯合實驗室中國氣象局氣溶膠與云降水重點開放實驗室，江蘇南京 210044；3.國防科技大學 氣象海洋學院，湖南 長沙 410073；4.上海衛星工程研究所，上海 200240）

0 引言

云對全球的能量收支及大氣循環系統具有不可替代的調節作用，是影響天氣及氣候變化的重要因子。由于受到大氣中溫度、濕度、氣流等相互作用的影響，云的生成和增長十分復雜。云量、生成與消散、外形特征以及其距離地面高度，不僅反映當下大氣運動狀態、水汽狀況的穩定程度，還可以進一步推算未來天氣的變化。對這些參數進行分析觀測可以進一步了解大氣的運動狀況，也是氣象工作者掌握天氣變化的一項重要任務。降水的形成與云的參與有著密不可分的關系。云頂高度作為云的重要參數，有助于分析云在大氣中的物理機制，對局部地區監測和預報具有實質性作用。因此，研究探討利用衛星反演云頂高度具有重要的價值和意義。同時，云頂高度等參數在航空氣象保障、數值天氣預報等領域也有重要體現。確定云頂高度等參數對于大氣物理及氣候研究、氣象保障等方面具有重要的現實意義。

氣象科學工作者根據其共性結合觀測和對歷史天氣的總結，按照云與地面的高度距離分為低云、中云、高云3 族。在此基礎上，按其物理結構、宏觀特征和形成因素劃分為10 屬和29 類。目前探測云頂高度可以通過利用地面雷達、衛星雷達和衛星光學掃描儀器作為計算云頂高度的手段。由于地面雷達的覆蓋范圍有限，衛星雷達搭載于極軌衛星上無法對某一區域進行連續性觀測。但是，基于靜止衛星光學掃描儀器則具有實現大范圍連續性觀測的特點。目前，基于衛星遙感手段反演云頂高度的方法主要分為2 大類，即幾何關系法和通道輻射特性法。幾何關系法需要同時利用至少2 顆衛星對同一區域進行觀測，其優勢在于反演結果與云物理特性無關，避免了對云輻射計算的誤差，但其是基于地球假定為球體的反演結果，而對于橢球體的幾何關系仍需要進一步實驗、分析和檢驗。其次，采用幾何關系法反演云高運用到了多顆衛星的數據，計算量大，在時空匹配上難度較高且實現困難，因此，目前此方法只停留在科學研究的范疇，并未在業務層面上操作使用。但是，基于衛星成像儀器的紅外遙感反演云頂高度的技術較為廣泛，可利用衛星探測得到的云頂亮度溫度值來判斷云頂高度。其主要原理是基于低層云或厚云（如積云、積雨云和層積云）發射率的一致，可以看作發射率為1 的黑云，而對于卷云則發射率比較小，因此存在差別。

目前，以此原理為基礎反演云頂高度的方法較多為CO薄片法。如果衛星通道接收到的輻射值與晴空輻射之間插值小于儀器噪聲，則該方法無法使用。該方法對存在2 層或者多層云疊加的像元反演結果誤差較大。基于衛星采用CO薄片法是對云頂氣壓進行反演，若想得到云頂高度，則需要借助此時的大氣廓線數據或者通過大氣壓高公式進行轉換，因此其時效性和準確性都會有所折扣。1985年，IMOUE首次利用分裂基于NOAA-AVHRR數據對熱帶海洋上空進行云識別分類。PAROL等同樣基于AVHRR 首次考慮到用11 μm 通道和12 μm 通道的亮溫差進行研究，結果發現若不考慮散射，兩通道的吸收系數比是影響結果的關鍵參數，并提出有效吸收系數。2008 年，HAMADA等首次提出可以用紅外分裂窗查算表的方法對云頂高度進行反演，但僅限于對非降水云的反演。隨后，HAMADA 等在2010 年利用MTSAT 衛星紅外分裂窗數據和Cloudsat 數據聯合建立云頂高度反演的查算表發現，利用查算表估算云頂高度能夠取得不錯的效果。但是，由于聯立查算表時未對云進行大致分類，導致在11 μm 通道的亮溫大于270 K時反演結果誤差較大。

此方法在國內開展較少，劉誠等利用分裂窗對中緯度地區的陸地上空進行了云分類檢測。李冠林等在此基礎上先借助Cloudsat 數據將云進行簡單分類（透明云、半透明云和不透明云），后利用支持向量機（Support Vector Machine，SVM）的原理和紅外分裂窗理論，通過核回歸法分別對3 類云頂高度進行反演，顯示結果較好。梁玉冰等通過該方法利用日本搭載在靜止氣象衛星Himawari-8的 儀 器AHI（Advanced Himawari Imager）以 及Cloudsat 產品2B-GEOPROF 數據對半透明云的云頂高度進行反演。結果表明：利用該方法能得到較好的云頂高度反演結果，但是其反演結果的影響因素較多。利用紅外分裂窗查算表方法優勢在于可以進行全天候云頂高度反演，并且只需要利用對應通道的紅外數據直接得到反演結果，計算速度快，反演過程不受其他數據干擾，穩定性高。聯合主動式高精度設備的數據支撐，在熱帶海洋地區的云頂高度反演已經取得了較好的結果，此方法具有較大的發展前途。由于受較多因素的影響，比如緯度、季節、云類型等，則需要不斷地將查算表進一步細化。本文對高緯度地區云頂高度進行反演，其目的是探討靜止衛星對中高緯度地區，其天頂角等因素帶來的偏差范圍是否可以接受。建立不同季節的查算表，避免太陽直射點因季節變化導致云頂亮度溫度因季節變化產生誤差，使反演結果盡可能精準。

1 數據來源和研究區域

1.1 FY4A-AGRI 數據

FY4A 于2016 年12 月11 日發射升空，并在2017 年9 月25 日正式投入使用。FY4A 是繼風云二號（FY2）之后第二代同步軌道氣象衛星。與FY2的自旋穩定不同，FY4A 采用三軸穩定平臺，姿態確定精度為3?，其自身質量約為5 300 kg，整體輸出功率大于3 200 W。為確保其搭載的儀器可以同時進行大量的數據傳輸，星上內部采用1553B+Spacewire 數據總線技術。FY4A 衛星總共搭載了3 臺儀器，即閃電成像儀（Lighting Mapping Imager，LMI）、靜止軌道干涉式紅外垂直探測儀（Geostationary Interferometric Infrared Sounder，GIIRS）和多通道掃描輻射成像儀（Advanced Geostationary Radiation Imager，AGRI）。其中，AGRI 目前已躋身于世界靜止軌道成像儀最先進行列，并可以替換FY2 的可見光紅外掃描輻射計（Visible and Infrared Spin Scan Radiometer，VISSR）。AGRI 可以每15 min 生成一副全圓盤影像觀測，共擁有14 個通道，其中2 個可見光通道（紅、藍光）以及近紅外和熱紅外通道等。除可見光和近紅外通道，AGRI 的空間分辨率在4 km。自FY4A 發射之后，為了充分發揮AGRI的高頻次、高精度的定量化觀測作用，國內外學者圍繞AGRI 展開了各個通道的靈敏度評價、定標精度評價等定量應用的實驗，并取得了較好的結果。

實驗基于團隊自主研發的FY4A/AGRI 云識別數據集進行對云頂高度反演分析研究。該云識別數據集采用AGRI 的6 個通道結合正交偏振云-氣溶膠偏振雷達（Cloud Aerosol Lidar with Orthogonal Polarization，CALIOP）探測結果搭建數據庫，通過多通道的閾值篩選得到云識別結果，詳細原理和驗證在此不進行贅述。利用此數據結果，對基于AGRI 的云頂高度反演進行數據前處理。

1.2 CALIPSO/CALIOP 介紹

“云-氣溶膠激光雷達和紅外探測者衛星觀測”（Cloud-Aerosols Lidar and Infrared Pathfinder Satellite Observations，CALIPSO）是美國國家航空航天局（NASA）于1998 年同法國國家航天中心（CNES）一起合作，并實施建造。其主要功能是提供全球云和氣溶膠在大氣中的垂直探測剖面數據，并將這些數據用于研究云和氣溶膠在調節全球氣候中的作用，以及兩者之間在大氣中的相互影響。CALIPSO衛星主要儀器由寬視場相機（Wide Field Camera，WFC）、紅外成像輻射計（Infrared Imager Radiometer，IIR）、CALIOP（Cloud Aerosol Lidar with Orthogonal Polarization）。1994 年9 月20 日，“發 現號”航天飛機進行了激光雷達的空間技術實驗（Lidar In-space Technology Experiments，LITE），論證了空間激光雷達在氣溶膠和云研究中的潛力。LITE 成為世界上第一個地球軌道激光雷達的實驗。CALIOP 是世界上第一臺星載云和氣溶膠激光雷達，共有3 個收發通道，分別為1 064 nm 通道、532 nm垂直通道和平行通道。CALIOP 可探測到532 nm 的垂直剖面退偏比廓線，即532 nm 的垂直與平行通道的后向散射強度信號之比，進而得到被測粒子的不規則程度。CALIOP 還提供了顏色比，即1 064 nm處的后向散射強度與532 nm 處的總后向散射強度之比，顏色比值的大小與粒子大小成正相關。CALIPSO 衛星是美國A-Train 衛星編隊的一顆衛星，屬于太陽同軌道衛星，于北京時間中午12：00、夜間00：00 左右飛過我國華北地區。因為以16 日為一個軌道重復周期，每天的星下點軌道略有偏差，大致在1.5°左右。其搭載的云-氣溶膠交偏振激光雷達CALIOP 主要有Level 1B、Level 2 Profile 以及Level 2 VFM 等數據，數據主要為CALIOP 二級VFM，數據中提供云和氣溶膠類型及位置的信息。

2 區云頂高度反演原理

2.1 基于衛星遙感的云分類

紅外分裂窗查算表方法基于AGRI 的11 μm 和12 μm 紅外通道亮溫數據結合主動式高精度設備測量儀器得到云頂高度參數，共同建立云頂高度查找表。此方法需要采用11 μm 通道亮溫數據和11、12 μm 通道的亮溫差（Brightness Temperature Difference，BTD）進行聯立，所用AGRI通道見表1。主動式高精度探測設備需具有垂直高度相關信息并與衛星儀器探測到的紅外數據進行時空匹配，再提取其距離地面最高的云頂高度像素并進行在查算表中填充。

表1 FY4A/AGRI 實驗選取的通道Tab.1 Channels selected for FY4A/AGRI experiment

11、12 μm 的長波分裂窗紅外通道對于如積云、積雨云、層積云這樣高度較低或云層較厚的云類其發射率一致可看為1。同樣對于這兩個通道來說，卷云具有較小發射率且兩通道探測結果存在差異。長波紅外窗口通道主要是由于吸收了較少的水汽并且12 μm 通道的吸收大于11 μm 通道，存在以下關系：

而探測器接收到的輻射亮度

I

可以表示為

又因為

式中：

I

為衛星探測器在云區接收到的總輻射，即黑體云頂的輻射加上大氣的輻射。

式中：

I

為衛星探測器在無云區域接收到的總輻射亮度。

因此，根據式（3）～式（4），可以將式（2）進一步變換得到

因此，利用式（1），將11、12 μm 通道值相減可以得到

圖1 各云類的分類閾值圖Fig.1 Threshold diagram of cloud classification

2.2 構建紅外分裂窗查算表

利用主動式高精度測量儀器CALIOP 得到的云頂高度信息，聯合FY4A-AGRI 的兩通道BTD 值和11 μm 通道亮溫，建立中高緯度（北緯40°以上）不同季節和多種云類型的云頂高度查找表。選取2019 年的數據建立對查算表，并利用該表進行反演。從分裂窗數據中得到兩個通道的BTD 值和11 μm 通道的亮溫值，在查表中核對計算后得到云頂高度。實驗采用該表方法反演云頂高度的步驟具體如下：

步驟1

選取FY4A-AGRI 的分裂窗通道圖像數據，分別對11

、

12 μm 通道亮溫和載有主動遙感探測儀器CALIOP 的二級VFM 數據進行前處理。

步驟2

通過利用VFM 數據的垂直探測特性，得到云頂高度數據。利用AGRI 的分裂窗數據計算得到BTD 值和11 μm 的亮溫數據。上述數據分別前處理后進行時空匹配。

步驟3

將VFM 數據的云頂高度數據與BTD值和11 μm 的亮溫數據相對應，分別對不同云類不同季節進行分類。選取北緯40°以上地區，對匹配數據進行填充后得到查算表數據庫。

步驟4

利用實時的AGRI數據對分裂窗通道進行預處理后得到BTD 值和11 μm 的亮溫結果，并與建立的查算表進行對比，得到相匹配的云頂高度數據。

云頂高度反演實驗流程如圖2 所示。

圖2 云頂高度反演實驗流程Fig.2 Experimental process of cloud top height inversion

實驗分別針對不同季節、云類，選取北緯40°以上地區建立查算表，有效規避了該方案的局限性。AGRI 數據預處理階段可以有效規避衛星天頂角所帶來的探測精度下降的問題。利用衛星數據進行云頂高度反演，采用此方法具有較高的可行性。

在AGRI 一級數據和VFM 數據時空匹配之后，首先需要篩選北緯40°以上的區域，將緯度大于北緯40°的區域為查算表填充的條件。根據圖1 不同云類的大致閾值分類，將云分為卷云、厚卷云、積云、積雨云和其他類型云共5 種類型。之后，建立這5種云類型的查算表，并進行相應的填充。將2019 年數據分成4 個季節，其中，3、4、5 月為春季，6、7、8 月為夏季，9、10、11 月為秋季，12、1、2 月為冬季。可以分別得到不同云類型、不同季節的查算表并進行分析。

2.3 查算表優化

通過對上述的實踐，初步得到了查算表。但查算表還較為粗糙，有大量的重復值影響計算效率和反演時間，需對查算表進行降重。查算表中存在AGRI 的BTD 值和11 μm 的亮溫數據重復，但是匹配的CALIOP-VFM 數據出現云頂高度信息不同的情況。出現這種情況有2 種原因：1）數據在時間匹配上的問題。由于云受大氣湍流的影響較為明顯，且變化也比較快，而VFM 數據來自極軌衛星，且一個數據所跨的時間范圍大約在1 h 以上，即使選取北緯40°以上的數據，也會出現掃描先后的問題。而AGRI 數據來源于靜止衛星，在于VFM 數據空間上所能匹配的地區AGRI 可以快速甚至相當于瞬時數據。由于云層變化較快導致CALIOP 探測滯后，從而出現在2 個數據時間窗變大的問題，影響查算表填充數據的質量。2）CALIOP 探測靈敏度較高，容易出現AGRI 的BTD 值和11 μm 通道的亮溫數據重復而VFM 數據十分接近的情況。為此，在查算表中對同樣的11 μm 十分亮溫和BTD 亮溫差值對應不同高度的數據進行了處理和整合。首先，在查算表中找出相同特征值，提取不同高度的數據并進行保存；之后，判斷這種數據每一批相同的重復個數，如果重復個數為2，則進行平均處理；如果為3，則選擇其中位數；如果為4，則刪去一個所匹配到高度最高數據對和高度最低的數據對，并進行平均計算；如果大于4，則刪去2 個高度極值之后取中位數進行替換。因此，將重復個數大于5 個的部分進行如下分析。

由于出現特征重復且目標值不重復的數據有限，很多重復個數并沒有大于5 個，較多的查算表無法進行箱型圖的可視化繪制。冬季厚卷云特征重復部分的箱型圖如圖3 所示，春季積云特征重復部分的箱型圖如圖4 所示。縱坐標為高度，橫坐標為AGRI 的11 μm 通道的亮溫值（TB_11）。每個箱形中綠色線條對應縱坐標的數值，代表此特征重復組的中位數。圖3 中，隨著11 μm 通道亮溫逐漸增加，冬季厚卷云的云頂高度也逐步增加；圖4 中，春季積雨云的云頂高度隨11 μm 積雨通道亮溫逐漸增加而有降低的趨勢，其原因主要是因為低亮溫的云頂溫度較低，除了大氣逆溫干擾外，此時的云頂高度也相對較高。對箱型圖中選取綠色線的部分來代替其他重復特征數據所對應的高度。其做法具有提高計算效率、節省反演時間、有利于實時檢測、節省數據內存等優點。同時，剔除匹配高度的最大值和最小值，可以有效地防止在上文所述在時空匹配上所產生的誤差，有利于提高數據的準確性。

圖3 冬季厚卷云箱型Fig.3 Box chart of winter thick cirrus cloud

圖4 春季積云箱型Fig.4 Spring cumulus box chart

2.4 云高反演模型

將查算表（Look Up Table，LUT）按照不同類型進行上述整理后，可以利用查算表建立查算模型。

本次利用AGRI 反演云頂高度模型的流程如圖5 所示。云頂高度反演模型的搭建主要有以下步驟：

從實驗室測試設備的先驅發展成為歐洲最大的電子測量儀器制造廠商，羅德與施瓦茨公司在無線通信和測量領域已成為最具影響的跨國公司之一。該公司在全球雇員大約為7 500人，業務遍布全球主要市場。如今，該公司在世界各地擁有70多家子公司和辦事處，建立了一個國際化的服務和銷售網絡，確保就近為客戶提供便利的支持與服務。

圖5 云頂高度反演模型流程Fig.5 Flow chart of the cloud top height inversion model

步驟1

讀取數據和預處理。

步驟2

選擇北緯40°以上我國東北地區為反演數據。

步驟3

進行云識別計算。

步驟4

對不同云類型進行分類后按照不用季節進行查找。首先，將探測像元的11 μm 通道到亮溫與算表中11 μm 通道亮溫數據（TB11）做差（

X

為11 數據通道的亮溫數據），如果絕對值（abs）小于1 K 則取出該像元的BTD 在查算表中的最佳擬合位置，得到其對應的高度數據并進行輸出；如果絕對值大于1 K，則選取其像素點附近的云頂高度，如果其像素附近沒有云高數值，那么則輸出錯誤值-9 999。最后，再將數據進行加工打包，畫圖得到結果。為了使結果看上去更加美觀，以及在不影響結果并且可能更加突出云層之間的空間高度變化關系，對數據結果進行加工，選取高斯濾波的方案，具體二維公式如下：

式中：

x

、

y

為圖像中的像素位置信息；

G

（

x

，

y

）為某像素點經過高斯平滑后的結果；

σ

為高斯的核，其數值取決于核的寬度，即像素點周圍的參與加權計算的范圍，核的寬度取3×3 的網格。

3 結果與討論

3.1 不同季節的云頂高度對比

通過上述對查算表，建立查算模型，分別對4 個季節進行反演。以CALIOP-VFM 數據為真值進行精度檢驗，并選取同一時刻的官方二級數據進行橫向對比，以此來驗證此方法對于靜止衛星在中高緯度地區的影響。選取的時間春季為2020 年5 月1 日下午1 時、夏季為2020 年8 月1 日12 時、秋季為2020年10 月1 日12 時、冬季為2020年1月1日12時的AGRI 和CALIOP數據。

云頂高度4 個季節的結果與二級數據結果對比如圖6 所示。從圖6（a）反演結果顯示，在黑龍江地區和內蒙古北部地區都出現了云頂高度較高的云區，在內蒙古與外蒙古的交接處也有云層較高的區域。黑龍江地區云高兩張圖都大致在9 km 的高度，內蒙古北部的云頂高度更是接近12 km。云頂高度數值在空間分布的趨勢清晰，并且在內蒙古最北處的云高低值區也有所體現。但是，部分地區存在噪點需要進一步提高。夏季是對流云高發季，由圖6（b）中的結果可知，位于我國黑龍江南至牡丹江地區橫跨佳木斯市一直到我國邊境，存在云頂高度較高的云區。根據其高度和形狀，可以判斷為積雨云，且此積雨云的尺度較大。可以清晰地看到云頂高度與空間分布的特性，判斷各地區大致的天氣狀況，即在吉林和內蒙古交界處的對流云。圖6（c）位于內蒙古北部和黑龍江西北部，存在高值區。由于秋季降雨多為層狀降雨云為主，根據圖6 給出的結果，可以較清晰地判斷各地區大致的天氣狀況。在圖6（d）中，吉林北部以及內蒙古北面邊境地區有高云云區。位于黑龍江綏化地區以及內蒙古西北部地區的實驗，云頂高度反演結果高至9 km。從云頂高度變化趨勢來看，內蒙古和黑龍江交界處的低值區有較好的體現。在圖像的后期加工上，仍可以進一步提高。

圖6 AGRI 云頂高度反演區域分布Fig.6 Regional distribution of cloud top height retrieved by AGRI

3.2 反演結果精度驗證

圖7 CALIPSO 試驗區域飛行路徑Fig.7 Flight path diagram of CALIPSO test area

在數據匹配和質量控制上，首先，將北緯40°以下的數據進行剔除。其次，將時空匹配到的非云像素點進行剔除。另外，實驗將匹配數據進行質量控制，采用標準化誤差篩選，具體方法為

式中：

X

為向量中某個真實值，在實驗中則為CALIOP 與AGRI 時空匹配后的CALIOP 某一位置的云頂高度數據；

Y

為向量中某個待測值，為第

i

個AGRI 反演的云頂高度值；

ε

為匹配點中的第

i

個偏差值；

N

為分別進行精度驗證的2 個數所匹配的個數值。

式中：

S

為標準偏差。

式中：

e

為第

i

個匹配數值的標準化誤差。

e

的大小對數據的可靠性具有一定影響，選取的

e

范圍為［-3，3］，即若第

i

對匹配數據的標準化誤差值

e

∈[-3，3]，則進行保存，否則將被剔除。最后將匹配的數據進行散點圖的繪制，得到如圖8所示的精度檢驗結果。

圖8 精度檢驗散點圖Fig.8 Scatter diagrams of precision tests

續圖8 精度檢驗散點圖Continue fig.8 Scatter diagrams of precision tests

圖（8）左列為云頂高度反演4 個季節的個例以VFM 數據結果為真值的散點圖，縱坐標為反演結果，橫坐標為對應時空的CALIPSO-VFM 云頂高度結果；右邊列圖表示利用AGRI 的二級云頂高度數據，該數據采用CO薄片法。4 個季節的個例結果以CALIOP 數據結果為真值的散點圖。散點圖中給出了擬合線和相關系數（

R

）。

首先，反演結果和二級數據的散點圖中散點位置都比較類似。反演數據和二級數據都與CALIOP的云頂高度結果相關性較高。在春季橫向精度檢驗結果中，明顯地看出此次個例的精度檢驗匹配了兩類云，一類的云頂高度集中在4 km 以下，另一類的云頂高度集中在12 000 m 的高空。二級數據存在異常值，絕大部分原因是圖像后期處理所產生的現象。為了可以更加直觀地看出云頂高度的變化趨勢，從而在精度上進行了一些犧牲。反演結果散點較為緊實，但在高度大約為4 km 區域，反演的AGRI 結果精度不高，在4 km 區域AGRI 和CALIOP 所匹配到的數據中，AGRI 有較多的相同值，但是相較于CALIOP 探測結果有所區別，可能是查算表所搭建的數據庫中數據量不夠所導致。在夏季的散點圖中，結果的相關性相較于其他3 個季節最高，反演的結果與CALIOP 探測結果相關性達到0.95，而二級數據也高達0.84。從季節對比來看，反演結果和二級數據夏季表現的效果相較于其他3 個季節相關性最好。在秋季的散點圖中，反演的個例結果相關性為0.71，相較于其他3 個季節相關性偏低。其主要原因是位于7 000 m 的云頂高度的數據與CALIOP所探測到的結果出現了偏離，可能是由于CALIOP一個數據大約含蓋100 min 的數據信息。而AGRI往往15 min 便可打包成一個數據。但云的時空變化較大導致了兩儀器在探測上產生偏離，從而引起檢驗精度的下降。冬季結果的選取時間為2020 年1 月1 日中午，反演結果部分地區云頂高度要高于二級結果。通過與CALIOP 探測的結果對比，二級數據結果散點圖中擬合線的斜率要低于反演的結果散點圖中擬合線。可能是由于二級數據均衡化而采用了大量的平滑處理，導致其云頂高低普遍降低。但同樣存在與春季結果類似的問題，即由于數據庫的數據不夠豐富而導致部分高度精度下降。因此，數據庫部分仍需要進一步提高。

為了更加直觀地反映此方法在利用AGRI 上的可靠性，對上述4 個結果進行了精度統計。其中，包含平均偏差（ME）、均方根誤差（RMSE）以及平均相對偏差（MRE），見表2。表中，AGRI 和AGRI_L2表示反演和二級數據分別以CALIOP 為真值進行的橫向對比結果。總體上看，反演4 個季節的統計結果精度較好。ME 有3 個季節的個例結果小于±500 m，而最高的夏季ME 僅為749.31 m。RMSE 大約在1.2 km，冬季僅為1.0 km 左右。MRE 在4 個季節的結果中都在20% 左右，其中，秋季高達21.75%，而夏季最低僅為10.89%。通過對4 個季節分別建立查算表，發現其結果都較為穩定且都有較好的精度表現。春季和秋季的ME 要明顯小于夏季和冬季的結果，這2 個季節ME 都在±300 以內。其次，秋季的RMSE 和MRE 相較于夏季要略低一些。因此可以說明，雖然在ME 上春季和秋季的結果差不多，但是從RMSE 和MRE 上看，春季的結果相較于秋季結果與真值更加貼合且穩定。反演的4個季節結果中，春季的泛化誤差最小。而在其他3個季節中，冬季的RMSE 最低，說明冬季的結果與CALIOP 探測的結果趨勢最為相似。而夏季的平均相對誤差僅為10.89%，說明夏季結果的偏差結果最為穩定。秋季的ME 要明顯優于夏季和冬季的結果，雖然秋季的結果穩定性相對較低，但其在精度上有較高的表現。通過進行季節性對比，從精度檢驗個例中可以看出，4 個季節的統計結果都具有一定的可靠性。其中，春季的統計結果相較于其他3個季節相對更優，而冬季結果與真值最為同步，夏季結果最為穩定，秋季結果雖然穩定性有所下降，但絕大部分結果精度較高。

表2 與二級數據橫向對比結果Tab.2 Horizontal comparison results of AGRI AND AGRI_L2 data

通過與二級數據橫向對比，可以判斷利用AGRI 進行紅外分裂窗查算表的方法對云頂高度進行反演在結果上具有可行性。運用靜止衛星對我國中高緯度地區進行此方法的云頂高度反演，同樣具有較好的表現。由于CALIOP 波長較CPR 波長短，所以衰減較高。尤其是對降水云和對流云以及云層較厚的云，其衰減較為明顯，但對于聯合建立云頂高度查算受其影響較小。另外可以看出，雖然AGRI 屬于靜止衛星儀器，容易受到緯度影響，但是通過與CALIOP 的云頂高度結果進行檢驗后發現，即使受到影響但精度依然可信。考慮到單個時刻的對比結果具有偶然性，選取春季2020 年5 月1—10 日的數據，夏季為2020 年8 月1—10 日的數據，秋季和冬季分別選取2020 年10 月1—10 日和2020 年1 月1—10 日的數據，分別用于對季節的分析。

由于VFM 數據在不同高度的分辨率不同，當高度小于8 km 時，空間分辨率為333 m，8～20 km 的空間分辨率為1 km，且AGRI 的官方和本次實驗的結果空間分辨率都為4 km。對于有云的情況，一個AGRI 的像素至少可以匹配到4 個VFM 的云頂高度值。若AGRI 匹配的VFM 云頂高度值少于4，則可能為云的邊界或者是受CALIOP 儀器所限。為了盡可能排除該影響，本文將AGRI 單個像元與VFM 數據匹配，剔除匹配VFM 云頂高度值小于4 個的情況。同時，若該像元滿足上述條件，在此基礎上本實驗繼續做移差處理，即匹配的VFM 值中的最大值減去最小值，且滿足≤2 km 的條件，則滿足數據匹配的要求。做該處理主要是由于不同云類型對應的云頂高度不同，考慮到4 km 的像元可能恰好掃面到多種不同類型的云過渡區，因此將該情況同樣進行了剔除。通過上述的質量控制方法，得到如圖9 所示的不同季節上的橫向對比結果。圖中，左側散點圖的橫坐標為CALIOP 的探測數據，縱坐標為本實驗反演的云頂高度結果；右側散點圖的縱坐標為二級云頂高度產品結果，橫坐標相同。從總體上看，各季節的相關系數

R

都大于0.6。另外，對于AGRI_L2云頂高度產品在不同季節都存在低估的現象，同樣在本次實驗中春季結果較為明顯，其原因可能是受多層云的干擾。AGRI 探測的是整層大氣柱的亮溫，若是在多層云的情況下，CALIIOP 只提取最上層的云頂高度作為其云頂高度結果。因此，該誤差是導致AGRI 結果低估的主要原因。

圖9 季節散點圖Fig.9 Seasonal scatter diagrams

續圖9 季節散點圖Continue fig.9 Seasonal scatter diagrams

為了更直觀地體現該方案反演云頂高度的可行性，分別計算不同的統計結果，結果如圖10 所示。圖10（a）為AGRI_L2 產品和本次反演結果與VFM數據在不同季節上的RMSE 和ME。其中，藍色線為AGRI_L2 產品對比結果，紫色線為本次反演對比結果。實線表示RMSE，虛線表示ME。可以看出，AGRI_L2 產品不同季節的RMSE 結果普遍在2.5～3.5 km 之間，而本實驗結果的RMSE 普遍在1.5～2.0 km 之間。AGRI_L2 數據在夏季的結果較好，其ME 小于500 m。圖10（b）為AGRI_L2 產品和本次反演結果與VFM 數據在不同季節上的MRE 和相關系數（

R

）。其中，深藍色線為AGRI_L2產品對比結果，橙色線為本次反演對比結果。實線表示MRE，虛線表示

R

。通過對比可以發現，本次反演結果冬季和夏季的相關系數大于二級數據結果，MRE 也略優于二級產品。

圖10 精度檢驗雷達圖Fig.10 Radar chart for accuracy test

4 結束語

基于2019 年的AGRI 一級數據以及地理信息數據，提取出紅外分裂窗區通道，并選取對應時間的CALISPO-VFM 數據；建立2019 年的北緯40°以上不同季節不同云類型的紅外分類窗查算表；利用2020 年不同季節的個例對其進行云識別計算后，再到查算表中選取其對應的云頂高度值。將結果進行平滑降噪處理后得到東北地區云頂高度分布圖，得到以下結論：

1）在4 個季節的分布圖中，可以清晰看出云頂高度在東北地區的分布情況，4 個季節都具有較好的結果。

2）從4 個季節的統計結果來看，RMSE 上都小于2.3 km。說明反演結果與CALIOP 探測結果具有較高的一致性，結果的穩定性較好，受季節的影響在可控范圍以內，但秋季仍可以進一步提高。

3）與VFM 數據進行精度對比的相關系數在4個季節中都高于0.6，效果較好。此方具有較高的可信度。在橫向對比中，利用該方法基于AGRI結果精度不亞于官方采用的CO薄片法的二級數據。該方法估算的RMSE 和相對誤差較小，在反演過程中不需要其他數據進行輔助計算，節省了計算資源，提高了計算效率。部分云類在某些數值區間上的精度需要進一步提高，查算表數據量應進一步豐富。

4）無論是AGRI 二級云頂高度數據還是本次反演結果，都有不同程度低估的現象，可能是多層云所造成的，該推斷仍需要進一步實驗。