利用地基紅外高光譜發(fā)射率數(shù)據(jù)進行云參數(shù)反演(1): 云相態(tài)判別

劉 磊、孫學(xué)金、高太長

解放軍理工大學(xué)氣象海洋學(xué)院、江蘇 南京 211101

利用地基紅外高光譜發(fā)射率數(shù)據(jù)進行云參數(shù)反演(1): 云相態(tài)判別

劉 磊*、孫學(xué)金、高太長

解放軍理工大學(xué)氣象海洋學(xué)院、江蘇 南京 211101

云相態(tài)是氣候模式中的重要參數(shù)、也是遙感反演過程中進行云滴有效半徑、云水含量等微物理參數(shù)反演的重要前提。在研究了云層有效發(fā)射率光譜對云相態(tài)敏感性的基礎(chǔ)上、提出了基于云層有效發(fā)射率光譜的云相態(tài)表達特征、包括800～900 cm-1區(qū)域的有效發(fā)射率斜率、900～1 000 cm-1區(qū)域的有效發(fā)射率斜率、上述兩個區(qū)域的有效發(fā)射率斜率之差、862.1與989.8 cm-1的有效發(fā)射率之比、862.1與989.8 cm-1的有效發(fā)射率之差、1 900.1與2 029.3 cm-1的有效發(fā)射率之比、遠紅外窗區(qū)有效發(fā)射率平均值與900 cm-1有效發(fā)射率之比等7個特征。建立了利用支持向量機進行云相態(tài)判別的方法、開展了模擬數(shù)據(jù)驗證試驗、并利用遺傳算法優(yōu)化了支持向量機的徑向基核函數(shù)參數(shù)和懲罰因子。將該方法用于處理ARM計劃中SGP站點的AERI儀器獲得的數(shù)據(jù)、得到的云相態(tài)判別結(jié)果與Shupe提出的多儀器綜合判別結(jié)果進行了比較。結(jié)果表明、利用紅外波段不同窗區(qū)的有效發(fā)射率光譜特征可以實現(xiàn)發(fā)射率低于0.95的云層的相態(tài)判別、建立的基于支持向量機的云相態(tài)判別方法與Shupe方法的總體判別結(jié)果較為一致、但有約30%的云層由于發(fā)射率較大而標(biāo)記為不透明云?；诩t外高光譜發(fā)射率數(shù)據(jù)的云相態(tài)判別技術(shù)充分考慮了光譜斜率、比值和差值等信息、是較為穩(wěn)定有效的薄云相態(tài)判別方法。

云相態(tài)； 紅外高光譜輻射； 云發(fā)射率； 支持向量機

引 言

云相態(tài)主要分水相、冰相和混合相、不同相態(tài)的云具有不同的散射和吸收特性。云相態(tài)是氣候模式的重要參數(shù)、對輻射通量計算有很大影響。此外、云相態(tài)又是進行云滴有效半徑、云水含量等微物理參數(shù)反演的重要前提、相態(tài)判別錯誤直接引起單次散射特性計算錯誤、而這種錯誤會導(dǎo)致20%～100%的云滴有效半徑和光學(xué)厚度的誤差[1-2]。

目前已有很多有關(guān)云相態(tài)方面的研究。ISCCP[3]利用云體溫度進行水云和冰云的判別、但實際上云相態(tài)并不完全由溫度所決定。一些學(xué)者通過利用短波紅外輻射、可見光輻射觀測來推斷云相態(tài)[2,4]。該方法只能用于白天、且對太陽天頂角和儀器觀測角度比較敏感。當(dāng)水云粒子尺寸太大或者冰云粒子尺寸太小時、云相態(tài)的識別會變得不確定。此外、由于云內(nèi)不同相態(tài)的水成物粒子的形狀、大小、密度和空間取向的不同、對一定偏振狀態(tài)的電磁波有著不同的退偏振效應(yīng)、可以通過分析這些觀測量的差異反演出的云相態(tài)[5]。如利用偏振激光雷達獲得的線性退偏比、通過經(jīng)驗閾值進行云相態(tài)判斷。也有學(xué)者[6]研究采用微波雷達的退偏振因子進行降水云的相態(tài)識別、但這對雷達系統(tǒng)的靈敏度有很高的要求。Shupe[1]提出采用聯(lián)合激光雷達退偏振比和毫米波雷達的反射率、多普勒速度、譜寬以及云體溫度進行云相態(tài)判別、是目前較為實用的地基云相態(tài)判別方法。

利用紅外波段進行云相態(tài)識別有較長時間的研究歷史?；舅悸肥歉鶕?jù)云內(nèi)水相粒子與冰相粒子對在某些紅外波段的吸收率(復(fù)折射指數(shù)的虛部)特征的差異(這種差異表現(xiàn)在發(fā)射率上)來判定云的相態(tài)。在8～10 μm、水和冰的吸收系數(shù)幾乎相同、而在10～13 μm、冰的吸收要大于水、這會造成云體亮溫、發(fā)射率等有所不相同。Ackerman等[7]首次提出了基于8、11和12 μm的三光譜云相態(tài)識別方法。在此基礎(chǔ)上、Strabala等[8]進一步建立了8.5、11和12 μm的云相態(tài)識別算法。兩者均采用了亮溫差分析方法。Dan Lubin[9]和Turner等[10]針對高光譜紅外輻射數(shù)據(jù)分別提出利用亮溫斜率和云發(fā)射率比的方法進行云相態(tài)識別、均取得了較好的效果。這些方法對水汽吸收比較敏感、濕度廓線的測量誤差容易造成相態(tài)識別的誤差。需要說明的是、利用這些方法識別的云相態(tài)、確切地說應(yīng)該是“輻射意義上的云相態(tài)”[11]、與實際云的熱力學(xué)相態(tài)是有差異的。

本文利用地基紅外高光譜輻射儀AERI[12-13]的觀測數(shù)據(jù)進行云相態(tài)判別。該儀器可以測量530～3 050 cm-1(19.0～3.3 μm)波段的大氣向下高光譜紅外輻射、光譜分辨率為1 cm-1。由于大氣向下紅外高光譜輻射數(shù)據(jù)不僅與云層物理屬性有關(guān)、還受到氣象條件的影響、本文在只與云層物理屬性有關(guān)的有效發(fā)射率基礎(chǔ)上開展工作、進行了云相態(tài)敏感性試驗并建立了基于發(fā)射率光譜的云相態(tài)特征表述方法、提出了利用支持向量機進行云相態(tài)判別的方法、最后將該方法與Shupe發(fā)展的基于地基多傳感器的云相態(tài)判別結(jié)果進行了比較分析。

1 物理基礎(chǔ)

1.1 用于云相態(tài)判別的窗口

采用高光譜紅外輻射數(shù)據(jù)進行云參數(shù)反演的重要優(yōu)勢在于可以在吸收線之間的多個小窗區(qū)進行計算、從而能夠顯著減少云下大氣對輻射的影響[14]。用于模擬輻射傳輸?shù)能浖門urner發(fā)展的LBLDIS[15]、該軟件采用LBLRTM結(jié)合DISORT的方式、可以模擬云、氣溶膠的紅外高光譜輻射特性。結(jié)合前人所做工作[16]、確定了用于研究云相態(tài)判別的窗口、如表1所示。

在紅外波段、水云和冰云的折射率虛部mi隨波長有一定的變化、具體如圖1(a)所示。進一步按照式(1)計算了吸收系數(shù)κ[17]、如圖1(b)所示。

(1)

表1 用于云相態(tài)判別研究的窗口

圖1中同時繪制出了表1中小窗口的位置(用虛線表示)。可見、在遠紅外波段(如圖示的小于600 cm-1的三個窗口)、水的吸收大于冰的吸收； 而在熱紅外波段直到1 000 cm-1左右、冰的吸收大于水的吸收、在1 100 cm-1附近冰與水的吸收幾乎相同； 對于中紅外波段(如圖1所示的1 900～2 200 cm-1的區(qū)域)、冰的吸收也總體大于水的吸收、并有個別窗口兩者吸收系數(shù)接近。傳統(tǒng)的三波段判斷云相態(tài)的方法主要選擇的是熱紅外波段。從上述分析來看、理論上遠紅外波段和中紅外波段的窗口也蘊含了云相態(tài)的信息。Rathke[18]提出了加入20 μm(500 cm-1)波段信息進行云相態(tài)判別的方案、這充分利用了水和冰的吸收系數(shù)出現(xiàn)交叉的優(yōu)勢。但在遠紅外波段、PWV超過30 mm后將由于達到飽和而無法使用[10]。

圖1 水云和冰云的折射率虛部(a)及對應(yīng)的吸收系數(shù)(b)

1.2 冰云、水云的發(fā)射率光譜特征分析

根據(jù)上述分析、進一步模擬了不同光學(xué)厚度和云滴有效半徑條件下、水云和冰云的有效發(fā)射率分布情況。在忽略云上大氣的輻射以及云底反射的地面和云下大氣發(fā)射輻射的前提下、云層有效發(fā)射率εeff可以通過式(2)獲得[19]

(2)

冰云的云滴形狀取六角柱狀、有效半徑一般在20～100 μm、典型冰云粒子特征尺度在30 μm左右、圖2—圖4中繪出了20、30和50 μm的情況。水云的云滴有效半徑一般取3～15 μm、典型水云粒子特征尺度在7 μm左右、圖2—圖4中繪出了3、7和10 μm的情況。兩種相態(tài)云層的光學(xué)厚度均取0.2、0.5、1.0、3.0和8.0。

圖2 熱紅外波段的水云和冰云有效發(fā)射率特征

由圖2可見、在熱紅外波段、冰云的有效發(fā)射率隨波長的變化不大、而水云則有較大的變化。在800～1 000 cm-1區(qū)域、水云的有效發(fā)射率斜率比冰云的要大很多、而且800～900 cm-1區(qū)域的有效發(fā)射率斜率比900～1 000 cm-1區(qū)域的更陡峭?？梢岳眠@兩個區(qū)域有效發(fā)射率斜率的差異進行冰云和水云的區(qū)分。在1 100 cm-1左右的區(qū)域、水云和冰云的有效發(fā)射率幾乎都不隨波長發(fā)生變化。不同光學(xué)厚度的冰云和水云、其有效發(fā)射率也有一定差異、光學(xué)厚度在0.5～3.0之間時、冰云和水云之間的差異較大； 較小的光學(xué)厚度(如圖2所示的0.2)和較大的光學(xué)厚度(如圖2所示的8.0)時、冰云和水云之間的差異不大、但仍有一定的區(qū)分度、尤其在較小光學(xué)厚度時。

圖3 遠紅外波段的水云和冰云有效發(fā)射率特征

由圖3可見、在遠紅外波段的三個窗口、由于水云在此區(qū)域有較強的吸收作用、其有效發(fā)射率較冰云的大。結(jié)合800 cm-1左右熱紅外窗區(qū)冰云和水云的有效發(fā)射率可知、可以利用550 cm-1附近和800 cm-1附近窗口的有效發(fā)射率之比進行冰云和水云的區(qū)分。

由圖4可見、在中紅外波段、冰云和水云的有效發(fā)射率隨波長的變化整體上不如熱紅外波段顯著。比較1 900 cm-1附近和2 050 cm-1附近幾個窗口的有效發(fā)射率、可以看出、利用這兩個區(qū)域云的有效發(fā)射率之比可以進行冰云和水云的區(qū)分。2 100 cm-1以上的四個窗口的有效發(fā)射率隨波長變化不大。

圖4 中紅外波段的水云和冰云有效發(fā)射率特征

分析冰云和水云在遠紅外、熱紅外和中紅外波段有關(guān)窗口的有效發(fā)射率情況可知、可以利用適當(dāng)?shù)挠行Оl(fā)射率斜率或者不同窗口的比值等組合進行云相態(tài)判別。

2 基于有效發(fā)射率光譜的云相態(tài)特征參數(shù)

據(jù)上述的敏感性試驗、進一步建立了7個用于表達云相態(tài)的特征。這些特征大多數(shù)采用有效發(fā)射率斜率或者有效發(fā)射率之比進行表達、這樣可以最大程度地減小由于其他氣象條件測量不精確引起的特征表達誤差。具體名稱及物理意義如下：

(1)800～900 cm-1區(qū)域的有效發(fā)射率斜率：主要利用862.1、873.6、892.9和900.0 cm-1四個波段的數(shù)據(jù)進行擬合、簡稱Slope1。若斜率為負、則云粒子較小、可判為水云；若斜率接近0、則認為粒子較大、可判為冰云、如圖5(a)所示。

圖5 基于有效發(fā)射率光譜的云相態(tài)特征參數(shù)

(2)900～1 000 cm-1區(qū)域的有效發(fā)射率斜率：主要利用934.9、961.9、989.8和1 080.0 cm-1四個波段的數(shù)據(jù)進行擬合、簡稱Slope2。物理意義同(1)、如圖5(b)所示。

(3)上述兩個區(qū)域有效發(fā)射率斜率之差：簡稱Slope_Diff、Slope_Diff= Slope2-Slope1。冰和水在800～900 cm-1區(qū)域和900～1 000 cm-1區(qū)域的吸收系數(shù)變化不同、水云的Slope1更陡峭、會出現(xiàn)差異。Slope_Diff接近0、可判為冰云； Slope_Diff為正、可判為水云、如圖5(c)所示。

(4)862.1與989.8 cm-1的有效發(fā)射率之比：簡稱Ratio1。在熱紅外區(qū)域、這兩個波段的冰和水吸收系數(shù)差異很大。862.1 cm-1波段的冰的吸收系數(shù)顯著高于水的吸收系數(shù)、而在989.8 cm-1波段、兩者吸收系數(shù)幾乎相同。這兩個波段的有效發(fā)射率之比若在1附近、則可判為冰云、否則可以判為水云。如圖5(d)所示。

(5)862.1與989.8 cm-1的有效發(fā)射率之差：簡稱Diff_E。物理意義同(4)。若兩波段有效發(fā)射率之差接近0、則判為冰云、否則可以判為水云。

(6)1 900.1與2 029.3 cm-1的有效發(fā)射率之比：簡稱Ratio2。選擇這兩個波段的物理意義與(4)基本相同。若比值在1附近、可判為冰云、否則可判為水云。如圖5(e)所示。

(7)遠紅外窗區(qū)有效發(fā)射率平均值與900 cm-1有效發(fā)射率之比：簡稱Ratio3。遠紅外窗區(qū)有效發(fā)射率平均值主要指利用530.4、561.2和572.3 cm-1三個波段的平均值。該區(qū)域是為數(shù)不多的水比冰的吸收系數(shù)高的區(qū)域。若比值在1附近、則可判為冰云、否則可以判為水云。具體如圖5(f)。

此外、由圖5可見、在高發(fā)射率區(qū)域、尤其是有效發(fā)射率大于0.95以后、冰云和水云幾乎難以區(qū)分。有研究表明、在900 cm-1處水云和冰云的有效發(fā)射率幾乎一致、這一點也可由圖2看出。因此、本研究將900 cm-1處發(fā)射率大于0.95的云視為不透明云、并不參與云相態(tài)的識別。

3 基于支持向量機的云相態(tài)判別方法

3.1 訓(xùn)練樣本集的建立

利用LBLDIS模擬建立了冰云、水云和混合相云的訓(xùn)練樣本集。其中混合相云采用Sun等[20]的散射特性計算方案、冰云占比可定義為f=τi/(τw+τi)。模擬計算時、光學(xué)厚度均取0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、1.0、1.5、2.0、2.5、3.0、4.0、6.0和8.0。水云(取f=0)的云滴有效半徑取2、3、5、7、10和15 μm、冰云(取f=1)的云滴有效半徑取10、20、30、50、70和100 μm、混合云(取f=0.5)的云滴有效半徑組合取(reff,w=3 μm、reff,i=20 μm)、(reff,w=3 μm、reff,i=30 μm)、(reff,w=5 μm、reff,i=30 μm)、(reff,w=7 μm、reff,i=20 μm)、(reff,w=7 μm、reff,i=30 μm)、(reff,w=10 μm、reff,i=40 μm)、分別得到三種相態(tài)各96組訓(xùn)練樣本。

需要注意的是、f可以按其他比例獲得混合相云特征、而且云滴有效半徑的混合方案也可以取更多種。但從訓(xùn)練數(shù)量均衡的角度出發(fā)、三種云相態(tài)初始訓(xùn)練樣本集的數(shù)目設(shè)為相同、其他數(shù)據(jù)作為測試數(shù)據(jù)。

3.2 模擬驗證結(jié)果

模擬驗證時、采用的支持向量機核函數(shù)為徑向基核函數(shù)。利用遺傳算法對徑向基核函數(shù)中的σ和懲罰因子C這兩個參數(shù)進行了優(yōu)選、最終確定的參數(shù)為：C取84.448 5、σ取3.031 4。利用3.1中方法模擬f為0.1～0.9(以0.1為步長)共9組混合相云的特征。模擬數(shù)據(jù)的驗證結(jié)果如表2所示。

表2 混合相云的模擬分類結(jié)果

可見、在f<0.3(水云占比超過70%)或者f>0.7(冰云占比超過70%)時、混合云的判別更偏向于占比較多的云類。這些情況下準(zhǔn)確判斷為混合相云的比例將低于60%。當(dāng)然、可以將所有不同冰云水云比例的模擬數(shù)據(jù)集加入訓(xùn)練集進行SVM訓(xùn)練、從而獲得更高的模擬驗證分類準(zhǔn)確性。但這一方面會使得訓(xùn)練樣本數(shù)失衡(混合相云的組合數(shù)量遠遠多于純水或純冰相)； 另一方面考慮到這些某一相態(tài)占比較大的混合云的特征與該純相態(tài)的特征非常接近、加入這些訓(xùn)練樣本的結(jié)果會得到很大的懲罰因子、以期加大對錯分樣本的懲罰程度、從而使得SVM的泛化推廣性能大大降低。綜合考慮這些因素、加之各種比例的混合云模擬驗證效果較為合理、可以認為第三節(jié)中提出的特征以及采用優(yōu)化參數(shù)后的SVM進行云相態(tài)判別是可行的。

4 實際判別結(jié)果及分析

將以上提出的云相態(tài)判別算法得到的結(jié)果與Shupe提出的云相態(tài)地基綜合識別算法[1]的結(jié)果進行比較。Shupe云相態(tài)判別使用的數(shù)據(jù)包括激光雷達的退偏振比和后向散射強度、毫米波雷達的反射率、多普勒速度和譜寬以及溫度廓線等。其基本判別過程包括[1]：利用激光雷達數(shù)據(jù)進行云相態(tài)初判、利用毫米波測云雷達數(shù)據(jù)進行云相態(tài)修正、標(biāo)記降水?dāng)?shù)據(jù)、標(biāo)記激光雷達未能觀測到的數(shù)據(jù)、利用溫度廓線進行再分類、利用液態(tài)水路徑修正分類結(jié)果、均質(zhì)化處理等。上述過程涉及到的閾值大多是經(jīng)驗結(jié)果。

采用的分析數(shù)據(jù)來自美國能源部大氣輻射測量計劃(ARM計劃)的SGP站點2010年3月份數(shù)據(jù)。首先、基于激光雷達的云底高數(shù)據(jù)將AERI觀測時次有云的數(shù)據(jù)選出、共3 374組； 然后、分別利用Shupe方法和本方法進行云相態(tài)判別。由于Shupe方法獲得的是云相態(tài)廓線、為了進行比較需要進一步進行統(tǒng)計處理。主要方法是：若云相態(tài)廓線存在冰云、水云及混合相云這三種相態(tài)的兩個及以上的相態(tài)且各相態(tài)的云點占該廓線總云點數(shù)均大于30%、則該時次的云層判為混合相云； 若存在雨、雪和毛毛雨、則判為有降水； 除此之外、將占比最大的相態(tài)作為該時次的云相態(tài)、若上述凝結(jié)物的類別均不存在、則判該時次為無云。最終Shupe方法統(tǒng)計后的云層可以為：水云、冰云、混合云、無云和降水等5類、本方法可能將云層判別為：水云、冰云、混合云和不透明云等4類。

總體情況如表3所示?？梢妰煞N方法對冰云和混合云的月總體判別結(jié)果較為一致、本方法得到的水云數(shù)量與Shupe方法差異較大。分析發(fā)現(xiàn)、出現(xiàn)差異的這些水云大多屬于發(fā)射率較大的云層、本方法將發(fā)射率超過0.95的云層判為不透明云、共1 115組、約占30%。這其中包含了183組降水情況。

表3 2010年3月份SGP站點云相態(tài)分類結(jié)果比較表

圖6 SGP站點2010年3月2日的激光雷達和毫米波云雷達數(shù)據(jù)

選擇以SGP站點2010年3月2日的觀測個例做進一步分析。圖6是激光雷達和毫米波雷達觀測數(shù)據(jù)。其中(a)為激光雷達的后向散射強度、(b)為激光雷達的線性退偏振比、(c)為毫米波雷達的反射率、(d)為毫米波雷達的多普勒速度、(e)為毫米波雷達的譜寬。

利用Shupe方法得到的云相態(tài)廓線如圖7(a)所示。00 h—03 h天空存在兩層云、其中上層為冰云、下層為水云； 03 h—08 h天空存在一層冰云； 11 h—22 h天空存在一層水云、其中11 h—15 h激光雷達觀測到云層而毫米波雷達沒能觀測到。已有研究表明[21]毫米波雷達對于光學(xué)厚度小于2 的薄卷云的漏測率超過了30%、且難以探測到光學(xué)厚度小于0.2 的薄卷云。

利用AERI觀測的數(shù)據(jù)、基于本研究的支持向量機云相態(tài)判別方法獲得的結(jié)果如圖7(b)所示。該方法獲得的結(jié)果表達了整層云在輻射意義下的云相態(tài)、為了與Shupe方法獲得的云相態(tài)廓線進行比較、將判別結(jié)果繪制在該云層所在云底高度上。其中云底高度采用的是激光雷達反演的結(jié)果?？梢?、兩種方法得到的云相態(tài)結(jié)果有很好的一致性。天空出現(xiàn)兩層云時、AERI的紅外輻射光譜只反映了下層水云特征。由于毫米波雷達、激光雷達與AERI儀器有一定的距離、且AERI觀測一次需要3 min、若天空云層不均勻且下層水云的縫隙足以露出上層冰云時、可能會出現(xiàn)以下情況：(1)AERI的原始觀測輻射光譜包含了水云和冰云的信息、此時Shupe的結(jié)果可能是上層冰云、下層水云、而利用AERI數(shù)據(jù)判別的結(jié)果為混合相云、如03 h數(shù)據(jù)； (2)激光雷達提供的云底高度是低層云的云底高度、由于AERI和激光雷達有一定的距離、AERI數(shù)據(jù)可能測量的是上層冰云的輻射光譜、如01、04和06 h數(shù)據(jù)。這一情況也說明本研究采用發(fā)射率差值、斜率等特征進行云相態(tài)區(qū)分時、對云底高度的準(zhǔn)確性要求不高、判別結(jié)果更多依賴于發(fā)射率光譜的相對大小。分析圖7還發(fā)現(xiàn)、在01 h—02 h、18 h—20 h左右、存在AERI原始輻射光譜飽和導(dǎo)致無法判別云相態(tài)的數(shù)據(jù)、該段云層的發(fā)射率大多數(shù)大于0.95、標(biāo)記為不透明云。

圖7 SGP站點2010年3月2日的云相態(tài)判別結(jié)果

進一步、給出了部分時次的TSI全天空云圖、如圖8所示。由于TSI只能獲得白天的觀測數(shù)據(jù)、所以選擇了14:00、15:00、17:30和20:00的TSI圖像?？梢园l(fā)現(xiàn)、14 h之后天空以層積云為主。18 h—22 h的云層較厚、部分觀測時次AERI的輻射光譜飽和、故難以進行云相態(tài)判別。

圖8 SGP站點2010年3月2日部分時次的TSI圖像

分析表3還發(fā)現(xiàn)、Shupe方法將492組判為無云。這些數(shù)據(jù)大多數(shù)是激光雷達探測到有云而毫米波云雷達沒有探測到云層、且該云層的線性退偏比和后向散射強度均較小。以2010年3月22日12 h—18 h的數(shù)據(jù)為例(如圖9—圖11所示)、查看TSI圖像可見、這段時間應(yīng)存在較高且很薄的卷云。這一誤判的原因是Shupe方法中將線性退偏比小于0.25的云層判為了氣溶膠層。

圖9 SGP站點2010年3月22日的激光雷達和毫米波云雷達數(shù)據(jù)

圖10 SGP站點2010年3月22日的云相態(tài)判別結(jié)果

圖11 SGP站點2010年3月22日部分時次的TSI圖像

5 結(jié) 論

研究了云層有效發(fā)射率光譜對云相態(tài)的敏感性、提出了基于云層有效發(fā)射率光譜的云相態(tài)表達特征、建立了利用支持向量機進行云相態(tài)判別的方法、并將所提出的方法獲得的云相態(tài)判別結(jié)果與Shupe提出的多儀器綜合判別結(jié)果進行了比較。研究表明、對于發(fā)射率低于0.95的云層、利用紅外波段不同窗區(qū)的有效發(fā)射率斜率或比值可以實現(xiàn)云相態(tài)的判別。其中800～900 cm-1區(qū)域和900～1 000 cm-1區(qū)域的有效發(fā)射率斜率以及兩個區(qū)域有效發(fā)射率斜率之差、862.1與989.8 cm-1的有效發(fā)射率比值和差值、1 900.1與2 029.3 cm-1的有效發(fā)射率之比、遠紅外窗區(qū)有效發(fā)射率平均值與900 cm-1有效發(fā)射率之比等特征有效地反映了云的相態(tài)。建立的基于支持向量機的云相態(tài)判別方法與Shupe建立的地基綜合云相態(tài)廓線判別方法總體判別結(jié)果較為一致。約30%的云層發(fā)射率較大、本方法標(biāo)記為不透明云。Shupe方法由于閾值設(shè)置的原因、對約10%的線性退偏比和后向散射強度均較小的薄云層誤判為晴空。本研究基于紅外高光譜發(fā)射率數(shù)據(jù)的云相態(tài)判別技術(shù)充分考慮了光譜斜率、比值等信息、是較為穩(wěn)定有效的薄云相態(tài)判別方法。

[1] Shupe M D. Geophysical Research Letters,2007,34：L22809.

[2] Key J R,Intrieri J M. J. Appl. Meteor.,2000,39: 1797.

[3] Rossow W B,Schiffer R A. Bull. Amer. Meteor. Soc.,1999,80: 2261.

[4] Daniel J S,Solomon S,Portmann R W,et al. Journal of Geophysical Research,2002,107: 4599.

[5] Sassen K. Bulletin of the American Meteorological Society,1991,72(12): 1848.

[7] Ackerman S A,Smith W L,Revercomb H E,et al. Mon. Wea. Rev.,1990,118: 2377.

[8] Strabala K I,Ackerman S A,Menzel W P. Journal of Applied Meteorology 1994,33: 212.

[9] Lubin D. Journal of Geophysical Research,2004,109: D04204.

[10] Turner D D,Ackerman S A,Baum B A,et al. Journal of Applied Meteorology,2003,42(6): 701.

[11] Garrett T J,Zhao C. Atmospheric Measurement Techniques,2013,6(5): 1227.

[12] Knuteson R O,Revercomb H E,Best F A,et al. J. Atmos. Oceanic Technol.,2004,21: 1763.

[13] Knuteson R O,Revercomb H E,Best F A,et al. J. Atmos. Oceanic Technol.,2004,21: 1777.

[14] Smith W L,Ma X L,Ackerman S A,et al. Journal of Atmospheric Sciences,1993,50: 1708.

[15] Turner D D. Journal of Applied Meteorology,2005,44(4): 427.

[16] DeSlover D H,Smith W L,Piironen P K,et al. J. Atmos. Oceanic Technol.,1999,16: 251.

[17] Bohren C F,Huffman D R. Absorption and Scattering of Light by Small Particles. Germany: Wiley-VCH Verlag GmbH & Co. KGaA 2007.

[18] Rathke C. Geophysical Research Letters,2002,29: 1209.

[19] Linjun P,Daren L. Atmpspheric and Oceanic Science Letters,2012,5(5): 439.

[20] Sun Z,Shine K P. J. Climate,1995、(8): 1874.

[21] Borg L A,Holz R E,Turner D D. Geophysical Research Letters,2011,38(5): L05807.

*Corresponding author

Research on Cloud Phase Detemination Using Infrared Emissivity Spectrum Data (1): Cloud Phase Determination

LIU Lei*,SUN Xue-jin,GAO Tai-chang

College of Meteorology and Oceanography,PLA University of Science and Technology,Nanjing 211101,China

As a key factor in the climate model,cloud phase is an important prerequisite to performing cloud property retrievals from remote sensor measurements. The ability to infer cloud phase using cloud emissivity spectra is investigated by numerical simulations. It is shown that for emissivity below 0.95,several spectral features such as the slopes,the ratios and the differences of the emissivity are consistent with the variation of cloud phase in some spectral regions. Specifically,these features include the slope of the cloud emissivity between 800 and 900 cm-1,the slope of the cloud emissivity between 900 and 1 000 cm-1,the difference in the mean emissivity between above-mentioned two regions,the ratio of the emissivity at 862.1 cm-1to the emissivity at 989.8 cm-1,the difference in the emissivity between 862.1 and 989.8 cm-1,the ratio of the emissivity at 1 900.1 cm-1to the emissivity at 2 029.3 cm-1,the ratio of the mean emissivity for far-infrared region to the emissivity at 900 cm-1. A cloud phase classifier is proposed based on support vector machines (SVM). A series of simulations including various cloud patterns are performed. The RBF kernel function parameters and the penalty factor of SVM are selected by using the genetic algorithm. The phase determination algorithm is applied for collecting data from the AERI at the SGP site. The results from the ground-based multisensor cloud phase classifier proposed by Shupe are used to validate the phase determination algorithm. It is found the two results are consistent in general. 30% clouds are indicated as opaque due to its high emissivity. The cloud with small lidar’s depolarization is misclassified as clear sky by the Shupe method. It can be concluded that the proposed algorithm considering the spectral information (spectral slopes,ratios and differences) is efficient for cloud phase determination of thin cloud.

Cloud phase; Hyperspectral infrared radiance; Cloud emissivity; Support vector machine

Dec. 23,2015; accepted Apr. 15,2016)

2015-12-23、

2016-04-15

國家自然科學(xué)基金項目(41205125、41575024)資助

劉 磊、1983年生、解放軍理工大學(xué)氣象海洋學(xué)院講師 e-mail: liuleidll@gmail.com *通訊聯(lián)系人

P414.9

A

10.3964/j.issn.1000-0593(2016)12-3885-10