A-Train衛(wèi)星傳感器的臺風云體三維結構構建

程崇慧，陳斯婕，鄭卓凡，董長哲，蘇林，柯舉，王帥博，仝博文，劉東

1.浙江大學 光電科學與工程學院,杭州 310027;

2.上海衛(wèi)星工程研究所,上海 200240;

3.中國科學院空天信息創(chuàng)新研究院 遙感科學國家重點實驗室,北京 100101

1 引 言

深對流云廣泛存在于中尺度對流系統(tǒng)和熱帶氣旋系統(tǒng)中，對整個對流層和平流層內的水汽和熱量損益調控起著重要作用（Sherwood 等，2003）。對于臺風云體來說，深對流云在距臺風中心350 km內出現(xiàn)頻率占所有種類云的70%以上（高洋和方翔，2018）。深對流云在臺風降水云中的占比可達80%，對臺風系統(tǒng)的降水性質有著重要的影響（傅云飛等，2007）。因此，研究深對流云對理解與其相關的熱帶氣旋系統(tǒng)是必要的。

由于熱帶氣旋等系統(tǒng)能夠在短時間內快速移動并改變強度，給深對流云垂直結構的探測造成了一定的困難（Wang 和Wu，2004）。近幾十年來，衛(wèi)星遙感技術的出現(xiàn)為熱帶氣旋研究提供了更多的數(shù)據(jù)支撐。例如，搭載于Aqua 衛(wèi)星的被動傳感器中等分辨率成像光譜儀MODIS（Moderate?resolution Imaging Spectroradiometer）能在全球范圍內提供經(jīng)校準和地理定位的輻射及云特性數(shù)據(jù)（Platnick 等，2003）?；谠频卧贛ODIS 近紅外波段輻射吸收性質的差別，周著華等（2005）利用點聚圖法分離出臺風中的冰云與水云；崔林麗等（2020）基于第二代靜止氣象衛(wèi)星風云四號（FY?4A）資料，建立了臺風強度識別的深度卷積神經(jīng)網(wǎng)絡模型CNN（Convolutional Neural Network），并發(fā)現(xiàn)CNN 模型具有良好的高維非線性處理能力和算法穩(wěn)定性，對不同臺風強度等級識別精度均在97%以上。相比于被動傳感器的寬幅輻射探測，主動傳感器能通過發(fā)射激光脈沖，獲得單條或者多條沿軌固定角度的廓線數(shù)據(jù)。例如，搭載于云—氣溶膠激光雷達與紅外觀測衛(wèi)星CALIPSO（Cloud?Aerosol Lidar and Infrared Pathfinder Satellite Observations）上的正交偏振云—氣溶膠激光雷達可以分辨垂直剖面上細小顆粒的光學薄云和氣溶膠（Winker 等，2009）；搭載于CloudSat 衛(wèi)星上的云剖面雷達CPR（Cloud Profile Radar）使人們不僅能獲得深對流云的垂直剖面特征，還能反演剖面各高度層云的微物理量，為研究熱帶氣旋的內部結構提供了全新的平臺。

截至2019 年底，由美國海軍研究實驗室和CloudSat 數(shù)據(jù)處理中心聯(lián)合發(fā)布的CloudSat 熱帶氣旋過境數(shù)據(jù)集共收集到距離氣旋中心1000 km 內的10032 次CloudSat 過境記錄，其中50 km 內有493次，主要分布在大西洋、東太平洋、西太平洋、太平洋中心、印度洋和南半球6個海洋地區(qū)。目前對臺風參數(shù)空間變化特征的研究大都采用了統(tǒng)計分析不同時空主動遙感廓線的方法，例如，Durden等（2009）基于CloudSat 和Aqua/AMSR?E 數(shù)據(jù)，利用高度輪廓頻率圖CFAD （Contoured Frequency by Altitude Diagram）統(tǒng)計分析了16個臺風內部云墻區(qū)深對流云和層狀云微物理參數(shù)的垂直變化特征；韓丁等（2013）統(tǒng)計分析了31個臺風中不同距離環(huán)內部CloudSat雷達反射率和冰云微物理參數(shù)的CFAD，發(fā)現(xiàn)隨著與臺風眼距離的增加，冰水含量與冰粒子數(shù)濃度的最大值逐漸減小，有效粒子半徑和分布寬度參數(shù)的概率較大值區(qū)不斷抬升。但是，根據(jù)CloudSat熱帶氣旋過境數(shù)據(jù)集，實際能夠用于統(tǒng)計分析臺風中心區(qū)域（距離氣旋中心50 km 以內）深對流云參數(shù)可用的廓線數(shù)量非常少，只有493條。

隨著同步或近同步飛行衛(wèi)星序列（如A?Train）中衛(wèi)星成員的相繼發(fā)射，如何利用被動觀測的寬幅探測能力拓展主動觀測的垂直剖面數(shù)據(jù)并為特定區(qū)域提供更多的數(shù)據(jù)支撐，成為國內外研究方向之一。例如，F(xiàn)orsythe 等（2000）將地基觀測到的云底高度向地球靜止操作環(huán)境衛(wèi)星的云分類覆蓋結果傳遞，估算一定范圍內的云底高；Miller 等（2014）基于相同類型的云具有相似的幾何和微物理特性的假設，提出了云類型匹配CTM（Cloud Type Matching）算法，并將CloudSat 觀測結果擴展到MODIS 的寬幅觀測結果中，同時估算了MODIS觀測區(qū)域中超級臺風彩云的云底高度和液態(tài)/固態(tài)水含量變化剖面；Li 和Sun（2014）基于相似云頂壓力CTP（Cloud Top Pressure）和云光學厚度COT（Cloud Optical Thickness）的云具有相同的云底高度的假設，提出了反演數(shù)據(jù)匹配RDM（Retrieved Data Matching）算法，并在對熱帶風暴和天氣系統(tǒng)的應用中證明了可行性；Barker等（2011）提出了一種根據(jù)光譜輻射相似性，將星載主動傳感器測量得到的廓線信息與被動傳感器得到的輻射信息相互匹配，從而對主動軌道附近的二維平面進行三維拓展的方法，稱為光譜輻射匹配法SRM（Spectral Radiance Matching）。在SRM 算法的基礎上，Sun 等（2016） 通過引入多層云標識MLF（Multi?layer Flag）、CTP 和COT 等MODIS 云特性反演參數(shù)作為限制條件提出了CSRM算法，擴大了算法的應用范圍，并發(fā)現(xiàn)對于復雜云體而言，CSRM算法相比SRM、CTM 以及RDM 算法具有更精確的云底高度估計值。

本研究利用CSRM 算法將CloudSat 和CALIPSO數(shù)據(jù)融合后的垂直分布信息向MODIS 探測到的數(shù)據(jù)幅面?zhèn)鬟f；通過進行臺風事件中深對流云的三維結構構建，增加統(tǒng)計分析所研究的8個臺風事件可用的廓線數(shù)量，進一步保證對深對流云統(tǒng)計分析的有效性。

2 數(shù)據(jù)描述

本論文根據(jù)CloudSat熱帶氣旋過境數(shù)據(jù)集選擇了2009 年—2016 年中CloudSat 軌道距離氣旋中心50 km 內8 個熱帶氣旋作為三維結構構建的對象，熱帶氣旋的信息如表1所示。

表1 CloudSat過境時熱帶氣旋的詳細信息Table 1 Detailed information of tropical cyclones when CloudSat transits

圖1為論文中研究的熱帶氣旋的路徑軌跡圖以及CloudSat 過境時的位置和時間。值得注意的是，CloudSat 衛(wèi) 星 分 別 于2009 年10 月16 日、21 日 對盧碧進行了兩次近距離觀測。為了便于論述，下文將2009 年10 月16 日的增強期盧碧稱為盧碧1（LUPIT1），2009年10月21日的衰弱期盧碧稱為盧碧2（LUPIT2）；其中臺風軌跡數(shù)據(jù)來源于日本氣象廳數(shù)據(jù)公開網(wǎng)站https：//www.jma.go.jp/jma/jma?eng/jma?center/rsmc?hp?pub?eg/besttrack.html［2020?05?19］。

圖1 本文所研究的熱帶氣旋的軌跡信息以及CloudSat過境時的軌道信息（其中CloudSat過境時的具體時間用字符yyyy?MM?ddTHH：mm表示；圖中粉色線條表示熱帶氣旋的路徑軌跡，棕色圓圈表示CloudSat過境時臺風的位置，可以發(fā)現(xiàn)總共有8個）Fig.1 Track information of the tropical cyclones studied in this paper and the orbit information of CloudSat during its transit，where the specific time when CloudSat transits is represented by the characters yyyy?MM?ddTHH：mm；the pink line in this figure represents the track of the tropical cyclone，and the brown circle represents the location of the typhoon when CloudSat transits.It can be found that there are a total of 8 such positions

本研究利用了來自CALIPSO、CloudSat和Aqua衛(wèi)星的數(shù)據(jù)。3 顆衛(wèi)星都是A?Train 衛(wèi)星序列的成員，其中CALIPSO 和CloudSat 在前列，Aqua 在后列，它們的過境時間差大約在80 s 之內，因此能在近似的空間和時間上進行觀測（Savtchenko 等，2008）。得益于所發(fā)射的頻率為94 GHz的微波，搭載于CloudSat 衛(wèi)星上的CPR 能穿透較厚的云層并

反演出云層底部的信息（盧乃錳等，2016）。但是，CPR 難以檢測到高空稀薄的卷云。搭載于CALIPSO 衛(wèi)星上的CALIOP 對較小的冰顆粒很敏感，能夠探測到高空稀薄的卷云（Miller 等，2014）。因此，將CPR 和CALIOP 兩個主動傳感器進行融合能提供更加可靠的云類型判定和云相測定（Sassen 等，2008）。在本研究中，選取了CALIPSO 的Cloud Layer 1 km 數(shù)據(jù)產(chǎn)品和CloudSat的CLDCLASS、CWC 數(shù)據(jù)產(chǎn)品作為算法輸入的主動數(shù)據(jù)。值得注意的是，為了保證三維構建結果的準確性，這里分別利用云氣溶膠鑒別指數(shù)CAD score （|CAD_score|>70） 和數(shù)據(jù)質量Data Quality（good quality）參數(shù)對CALIPSO 和CloudSat 的像素點進行篩選和異常值去除。搭載于Aqua 衛(wèi)星上的MODIS 能提供波長范圍為0.4—14.4 μm 的36 個光譜帶的輻射測量，沿衛(wèi)星地面投影軌道的標定分辨率為250 m—1 km（MYD021KM）。MODIS 具有±55°的掃描范圍，它的平均軌道高度為705 km，水平幅值為2330 km，并且每一到兩天的數(shù)據(jù)就可以進行全球覆蓋（Platnick 等，2003）。MYD03 中提供了相應的位置和輔助信息。2 級云產(chǎn)品（MYD06_L2）提供了包括云頂高度、溫度、有效發(fā)射率和云相等重要的屬性。本研究通過WorldView 確定了MODIS 過境所研究臺風的時間段，并從NASA 數(shù)據(jù)網(wǎng)站中分別下載相應的MYD021、MYD03和MYD06_L2數(shù)據(jù)。為了保證三維結構構建的準確性，本研究采用了MODIS C6.1版本作為三維拓展算法的被動輸入數(shù)據(jù)，該版本已實現(xiàn)了更新過的多層云檢測方案，并為單個像素的多層云判定提供了確信度評價。

3 方 法

CSRM 算法的基本假設為：如果兩個時空間位置彼此接近的像素點具有（幾乎）相同的溫度和濕度分布以及表面光學特性，并且在多通道的光譜大氣頂端輻射上差異極小，那么這兩個像素點在云及氣溶膠的廓線分布上差異也是極小的（Sun等，2016）。區(qū)別于Barker 等（2011）提出的SRM算法，本研究所采用的CSRM 算法添加了MLF、CTP、COT、云頂溫度、云頂高度CTH（Cloud?top Height）、云水路徑、云有效半徑和云有效發(fā)射率這8個參數(shù)作為額外的限制條件。得益于這些限制條件，CSRM 算法不論對于頂部云層還是底部云層的云底高度都有著更精確的估計值（Sun 等，2016）。CSRM算法的計算方法可概括為圖2。

圖2 CSRM算法獲取最佳拓展匹配點流程圖Fig.2 Flow chart of CSRM algorithm to obtain the best extended matching point

圖2具體可以分為以下3個步驟：

（1）計算主被動像素點間的匹配度評價函數(shù)。設主動軌道的像素點為（i，0），初始位置即為（1，0），而待擴充的被動平面位置為（i，j）∈［?J，?1］∪［1，J］，J代表了拓展范圍的寬幅。對于待填充的像素點（i，j），其被動傳感器觀測到的多通道輻射強度為rk（i，j），k代表不同通道。將可用于匹配的主動軌道像素點的位置記為m，主被動像素點間的匹配度評價函數(shù)G（i，j；m）可表示為：

式中，m∈［i?m1∪i+m2］是沿主動軌道的主動像素點選擇范圍。

（2）利用以下5個限制條件篩選掉部分主動像素點：1）與被動像素點具有相同的地表類型；2）與被動像素點具有相近的太陽天頂和太陽方位角；3）與被動像素點具有相同的MLF；4）與被動像素點的MODIS 云特性反演參數(shù)的容忍度小于0.3；5）本身的質量評估結果較高。在這些限制條件中，MLF 采用（Joiner 等，2010）提出的區(qū)別單層云，多層云和深對流云算法的計算得出。云特性反演參數(shù)具體為CTP、COT、云頂溫度、CTH、云水路徑、云有效半徑和云有效發(fā)射率，容忍度α計算公式為：

（3）將余下的主動像素點按匹配度評價函數(shù)G（i，j；m）計算結果由大到小排列，選擇其中最小的前百分之十五的結果（如果余下的主動像素點過少，則選擇G（i，j；m）最小的主動像素點作為最佳匹配點），將這部分結果按照歐幾里德距離排列，取最小值得到最佳匹配點m*，這一步驟可表示為：

本研究除了采用CSRM 算法以外，還利用最近值算法和SRM 算法對臺風進行三維結構構建。這兩種算法流程圖與CSRM 算法類似，其中，最近值算法在上述步驟3中去除了匹配度評價函數(shù)的篩選作用，只將距離作為篩選最佳匹配點唯一指標。SRM算法去除了步驟3中的限制條件，只利用匹配度評價函數(shù)和距離來篩選出最佳匹配點。

為了評價三維結構構建結果的準確性，本研究采用了Barker 等（2011）提出的盲區(qū)重建方法對結果進行測試；Chen 等（2020）在對夜間云拓展算法進行驗證時同樣用到了盲區(qū)重建方法。本研究利用該方法對算法進行測試的過程可概括為以下兩步：（1）在CloudSat?CALIPSO 融合剖面中的一個像素點（i，0）周圍設立一定的盲區(qū)DZ（Dead Zone），利用CSRM 算法在盲區(qū)外尋找一個最佳匹配點m*并將該點的廓線匹配替換給（i，0），循環(huán)所有i構建出重建剖面；（2）將CloudSat?CALIPSO 融合剖面與重建剖面進行比較并計算匹配率，并將該值作為評估三維結構構建效果的指標。匹配率計算公式為

式中，Nagree表示原剖面和重建剖面在相同海拔高度都顯示為有云的像素點的個數(shù)，Ndisagree表示原剖面和重建剖面顯示不一致的像素點個數(shù)。匹配率定量地反映了重建剖面與原主動遙感探測剖面相似程度。

4 結果與討論

4.1 重建結果

為了評估CSRM算法在臺風深對流云中應用的準確性并且證明該算法的優(yōu)越性，本研究重建了強熱帶風暴燦鴻（CHAN?HOW）的剖面圖，燦鴻的具體信息如表1 所示，同時分別利用最近值，SRM 和CSRM 算法計算了所有臺風盲區(qū)重建結果的偏差值和深對流云匹配率。

圖3（a）表示利用CloudSat與CALIPSO對強熱帶風暴燦鴻進行融合探測的結果，圖3（b）、（c）和（d）表示利用CSRM 算法對燦鴻進行重建的結果，其盲區(qū)范圍分別為100 km、200 km 以及400 km。為了更加方便地與SRM 的重建結果進行比較，這里用綠線和粉線分別表示SRM 算法對云頂高和云底高的重建結果。由圖3（b）和3（c）可知，當盲區(qū)范圍為100 km 和200 km 時，基于CSRM 算法所重建的深對流云云底、云頂高度與基于SRM算法所重建的結果相似；如圖3（d）所示，當盲區(qū)范圍增大至400 km 時，兩個算法在緯度為12°附近對于深對流云云底的重建結果出現(xiàn)差別，其中CSRM 算法重建的剖面與CloudSat?CALIPSO聯(lián)合剖面的匹配度更高，這是因為在更少的潛在像素點中僅僅通過多光譜無法準確挑選出合適深對流云，而CSRM 算法因為加入了MLF 限制條件，能去除與深對流云光譜近似像素點的干擾。計算匹配率可得，在100 km 時，SRM 與CSRM 重建的匹配率分別為88.0%和91.2%；200 km 時分別為86.1%和90.5%；400 km時分別為79.3%和89.8%。

圖3 強熱帶風暴燦鴻CloudSat?CALIPSO 融合剖面與盲區(qū)重建剖面（其中空白部分為無數(shù)據(jù)像素；藍色部分為CloudSat和CALIPSO都探測到有云的區(qū)域；綠色和粉色的線為SRM方法重建出來的云頂和云底高度）Fig.3 CloudSat?CALIPSO fusion profile of severe tropical storm CHAN?HOW and dead?zone reconstruction profile.The blank part is the pixel without data；the blue part is the clouded area detected by both CloudSat and CALIPSO；the green and pink lines are the height of the cloud top and the cloud base reconstructed by the SRM method

為了評估三維拓展算法的準確度。本研究分別利用最近值、SRM 和CSRM 算法對各臺風進行盲區(qū)重建測試。將3 種算法重建結果剖面的CTH、云 底 高 度CBH （Cloud Base Height） 分 別 與CloudSat?CALIPSO 的探測結果比較，并計算兩者的平均偏差MD（Mean Deviation）和均方根誤差RMSE（Root Mean Square Error），結果如圖4所示。當盲區(qū)為100 km 時，CSRM 算法對于云頂高度和云底高度估計的平均偏差最小，分別為1.21 km 和1.57 km；SRM 算法次之，其值分別為1.60 km 和2.14 km；最近值算法最大，其值分別為1.64 km 和2.19 km。隨著盲區(qū)范圍的增大至200 km，3 種算法對于云層估計的偏差都有所增大，其中CSRM算法仍然最小，云頂和云底高度的平均偏差值分別為1.49 km 和1.81 km；當盲區(qū)范圍繼續(xù)增大至400 km時，CSRM 算法對于云頂和云底高度估計的平均偏差處于2 km 附近，而SRM 和最近值算法均大于3 km。由此可見，CSRM 相比于另外兩種算法具有更廣的應用范圍，其對于較大的拓展距離，仍具有較低的云體高度估計誤差。

圖4 各臺風重建剖面中云頂、云底高度相比于CloudSat?CALIPSO 探測結果的平均偏差和均方根誤差Fig.4 The mean deviation and root mean square error of the cloud top and cloud bottom height in each typhoon reconstruction profile compared with CloudSat?CALIPSO detection result

表2 為所有8 個熱帶氣旋深對流云匹配率具體數(shù)值。當盲區(qū)范圍較小時，最近值、SRM 與CSRM算法盲區(qū)重建測試效果相差不大，隨著盲區(qū)范圍的增大，3 種算法的重建匹配率都有所下降，其中，CSRM 算法下降幅值較小，當盲區(qū)為400 km時，其匹配率仍能保持在85%以上。而最近值和SRM 算法的重建匹配率下降幅值較大，當盲區(qū)為400 km 時，其匹配率平均值分別在77.1%和78.3%附近。這一結果進一步證明了利用CSRM 算法三維結構構建時的優(yōu)越性。

4.2 臺風分析

圖5（a）為CloudSat?CALIPSO 對臺風彩云進行聯(lián)合觀測的剖面圖，底圖為MODIS 光譜波段R1（620—670 nm）輻射數(shù)據(jù)，梅紅色的線為A?Train軌道在地面的投影。當A?Train 序列衛(wèi)星經(jīng)過經(jīng)度為153°E，緯度為23°N 的位置時，CloudSat?CALIPSO聯(lián)合探測剖面正好切過臺風眼區(qū)域；圖5（b）為利用CSRM 算法對CloudSat?CALIPSO 融合云剖面數(shù)據(jù)進行三維拓展的結果，其中紫色的長方形區(qū)域為運用拓展算法的范圍。利用相同的方法對剩下的7 個臺風都進行三維拓展?？紤]到CSRM 算法對云底估計的準確度隨著拓展距離的增加而降低（Sun 等，2016），同時又需要保證拓展距離能足夠覆蓋到臺風所有的云體（所研究臺風半徑最大為500 km 左右）。因此，本研究將圍繞主動像素點的被動像素點選取范圍設定為600 km。

圖5 對強熱帶風暴彩云進行三維結構構建前后對比圖Fig.5 Comparison of before and after three?dimensional structure construction of strong tropical storm CHOI?WAN

圖6 左側為對2013 年10 月17 日臺風范斯高（增強期）的三維廓線數(shù)據(jù)進行多角度切割的平面圖。為了研究深對流云的水平分布特征，這里選擇內圈層（距離氣旋中心350 km，用粉色的線表示）作為研究范圍，過氣旋中心做4 條角間隔為45°且以圈層邊界為起始的臺風切線（分別為A—A'、B—B'、C—C'和D—D'），同時在切割線之間以順時針方向依次定義了8塊區(qū)域Ⅰ—Ⅷ。在接下來的研究中，將研究這8 塊區(qū)域的深對流云參數(shù)特征。圖6右側為對應切割線的云層剖面圖，自上而下分別與左圖的4 條切線一一對應。比較4 張組圖可知，圖6 剖面A 深對流云占比最大，達到了80.3%且主要分布于剖面圖右側區(qū)域，圖6 剖面C和D 占比次之，分別為53.2%和55.3%，占比最小為圖6 剖面B，其值為40.3%。進一步計算臺風范斯高Ⅰ—Ⅷ這8個區(qū)域的深對流云占比，結果分別見表3 第4 行所示，平均值為51.9%，標準差為13.4%；其中，占比最高區(qū)域Ⅱ、Ⅵ相對于臺風眼對稱，它們的占比分別為67.8%和67.9%。

圖6 對臺風范斯高三維拓展結果進行多角度切割的云剖面圖（右圖中的A、B、C、D分別對應左圖中的A×A'、B×B'、C×C'、D×D'切線所在的云層剖面圖）Fig.6 Cloud profiles of the multi?angle cutting of the three?dimensional expansion result of Typhoon FRANCISCO.The A，B，C，and D in the right panel correspond to the cloud profiles where the A×A'，B×B'，C×C'，and D×D'tangents are located in the left panel，respectively

表3 各臺風I—Ⅷ區(qū)域中的深對流云占所有種類云的比例Table 3 Proportion of deep convective clouds in each typhoon I—Ⅷarea to all types of clouds/%

依次計算剩下7個熱帶氣旋不同區(qū)域的深對流云占比得表3。由表3 可知，不同熱帶氣旋不同區(qū)域有著較大的差別。其中，臺風盧碧1（增強期）的8 個區(qū)域深對流云占比的平均值為70.9%，標準差為11.3%，占比最高的兩個區(qū)域為Ⅰ和Ⅴ，同樣相對于臺風眼對稱；與盧碧1 相比，盧碧2（衰弱期）深對流云平均占比顯著降低至23.0%，并且不同方向扇形區(qū)域間變化更小，其值為7.3%；臺風妮妲（衰弱期）的情況同臺風盧碧2類似，它的平均占比和標準差分別為27.5%和9.5%。與臺風相比，強熱帶風暴的深對流云平均占比在30.0%—60.0%之間，并且不同方向扇形區(qū)域間的變化更大（平均標準差達到了23.1%），其中，強熱帶風暴燦鴻的不同方向之間的深對流云占比差別最大，達到了37.9%。進一步分析表3 可得，增強期臺風盧碧1 和范斯高深對流云占比平均為61.4%，沿各方向標準差平均為12.4%。相比較而言，衰弱期臺風盧碧2和妮妲的占比和標準差均有所下降，分別為25.3%和8.4%。對于臺風而言，熱帶風暴米克拉、燦鴻、天鵝和彩云中深對流云占比均值為45.2%，并且在不同方向下差別更大，標準差達到了23.1%。

CSRM 算法將主動衛(wèi)星的單廓線測量數(shù)據(jù)拓展到三維空間，增加了統(tǒng)計分析深對流云內部微物理參量可用的廓線數(shù)量，進一步保證對深對流云統(tǒng)計分析的有效性。為了比較不同階段時深對流云的微物理特征，本研究利用CSRM 算法對處于熱帶低壓時期的盧碧（下文記為盧碧0 或者LUPIT0，其未被列入CloudSat過境數(shù)據(jù)集）進行廓線拓展并與上述研究的盧碧1、盧碧2 三維廓線數(shù)據(jù)進行比較。

圖7中（a）—7（i）分別為盧碧0，盧碧1和盧碧2中深對流云各微物理參數(shù)如冰云有效粒子半徑IER（Ice Cloud Effective Radius）、冰水粒子數(shù)濃度INC（Ice Water Number Concentration）和冰水含量IWC（Ice Water Content）等的垂直分布圖，其中Ⅰ—Ⅷ分別對應圖6左圖分區(qū)中的廓線數(shù)據(jù)。比較圖7（a）、7（d）和7（g），結果表明：處于熱帶低壓期、臺風增強期以及臺風衰弱期這3個階段的盧碧中深對流云的IER都隨著海拔高度的增加而增加，在高度為14 km附近時，IER都達到了最大值，其值分別為10 μm、10 μm、14 μm左右，并且同一臺風中不同區(qū)塊間的差別不大；由圖7（b）、7（e）和7（h）對比表明，這3 個階段盧碧中深對流云的INC都先隨著海拔高度的增加而增加，到達凝結層（5—6 km 左右）時，又隨著海拔高度的增加而降低，不同階段臺風深對流云的INC都在凝結層附近存在一個最大值，并且對于不同區(qū)塊而言，最大值也有著較大差別；區(qū)別于IER 和INC，不同階段臺風中深對流云的IWC 的垂直分布特征差別較大，分別如圖7（c）、7（f）和7（i）所示，在熱帶低壓階段時，IWC 的高值區(qū)位于8—10 km 附近，其不同區(qū)塊間垂直分布曲線差別比較大，在高值區(qū)平均值達到了580 mg/cm3。在增強期臺風階段時，IWC的垂直分布曲線趨于扁平化（尤其對于Ⅱ和Ⅲ區(qū)域），其不同區(qū)塊最大值平均值為300 mg/cm3。在衰弱期臺風階段時，IWC 的垂直分布曲線在高度11—14 km 附近重新出現(xiàn)了明顯的高值區(qū)，其不同區(qū)塊最大值平均值為560 mg/cm3。

圖7 不同階段盧碧中各區(qū)域深對流云的IER、INC和IWC平均值的垂直分布特征（Ⅰ—Ⅷ對應圖6左圖分區(qū)）Fig.7 Vertical distribution characteristics of the average values of IER，INC and IWC of deep convective clouds in different regions of LUPIT in different stages（Ⅰ—Ⅷcorrespond to the partitions on the left picture of Fig.6）

5 結 論

本研究利用CSRM算法構建西太平洋臺風云體的三維結構模型，同時分析了臺風云層在不同發(fā)展階段水平分布特征和微物理特征。利用CSRM 算法對臺風云體進行三維拓展的意義在于增加統(tǒng)計分析可用的同一臺風事件廓線數(shù)量，有助于分析復雜云系統(tǒng)中的云分布及微物理參數(shù)特征。盲區(qū)測試結果表明：隨著拓展距離的增加，傳統(tǒng)SRM算法對深對流云的匹配率迅速下降，而利用CSRM算法的匹配率仍然能保持85%以上，這一結果保證了對深對流云水平分布特征和內部微物理參數(shù)特征分析的有效性。

對所研究熱帶氣旋中深對流云水平分布特征和內部微物理參數(shù)特征的統(tǒng)計分析結果表明：（1）增強期臺風盧碧1 和范斯高深對流云占比平均為61.4%，沿各方向標準差平均為12.4%；衰弱期臺風盧碧2和妮妲的占比和標準差均有所降低，分別為25.3%和8.4%；相比于臺風，熱帶風暴米克拉、燦鴻、天鵝和彩云中深對流云占比均值為45.2%，在不同方向下差別更大，標準差達到了23.1%。（2）由圖7 所示，臺風內部深對流云的IER 與高度成正比，INC在凝結層以下與高度成正比，凝結層以上與高度成反比。分析圖7（c）、（f）以及（i）可知，隨著熱帶低壓演化為臺風，其內部深對流云中的IWC 高值區(qū)由云中部逐漸向云頂部聚集，并且當臺風從增強期演化為衰弱期時，其云頂部的IWC最大值略微增加。

CSRM 三維拓展算法的本質是利用主動和被動傳感器的測量結果識別出的深對流云、周邊云層及無云像素，并根據(jù)被動傳感器所獲取的輻射及物理特性，將主動傳感器軌道上單像素數(shù)據(jù)逐一匹配填充給非主動軌道上的像素。這意味著CSRM算法無法在非主動軌道像素上構建出未在主動軌道剖面中出現(xiàn)的云體垂直結構，進而限制了算法所構建的三維結構的準確度。針對臺風這一類周期性且具有一定相似性的天氣系統(tǒng)而言，利用主動傳感器的歷年廓線數(shù)據(jù)建立臺風云體數(shù)據(jù)庫并將該數(shù)據(jù)庫作為算法的主動輸入是提升算法精度的思路之一。