基于FY4A⁃AGRI 反演东北地区云顶高度

董 焱，鲍艳松，许 丹，陈 强，李叶飞，崔 伟，孙 杰

（1.南京信息工程大学大气物理学院，江苏南京 210044；2.南京信息工程大学气象灾害预报预警与评估协同创新中心，气象环境卫星工程与应用联合实验室中国气象局气溶胶与云降水重点开放实验室，江苏南京 210044；3.国防科技大学 气象海洋学院，湖南 长沙 410073；4.上海卫星工程研究所，上海 200240）

0 引言

云对全球的能量收支及大气循环系统具有不可替代的调节作用，是影响天气及气候变化的重要因子。由于受到大气中温度、湿度、气流等相互作用的影响，云的生成和增长十分复杂。云量、生成与消散、外形特征以及其距离地面高度，不仅反映当下大气运动状态、水汽状况的稳定程度，还可以进一步推算未来天气的变化。对这些参数进行分析观测可以进一步了解大气的运动状况，也是气象工作者掌握天气变化的一项重要任务。降水的形成与云的参与有着密不可分的关系。云顶高度作为云的重要参数，有助于分析云在大气中的物理机制，对局部地区监测和预报具有实质性作用。因此，研究探讨利用卫星反演云顶高度具有重要的价值和意义。同时，云顶高度等参数在航空气象保障、数值天气预报等领域也有重要体现。确定云顶高度等参数对于大气物理及气候研究、气象保障等方面具有重要的现实意义。

气象科学工作者根据其共性结合观测和对历史天气的总结，按照云与地面的高度距离分为低云、中云、高云3 族。在此基础上，按其物理结构、宏观特征和形成因素划分为10 属和29 类。目前探测云顶高度可以通过利用地面雷达、卫星雷达和卫星光学扫描仪器作为计算云顶高度的手段。由于地面雷达的覆盖范围有限，卫星雷达搭载于极轨卫星上无法对某一区域进行连续性观测。但是，基于静止卫星光学扫描仪器则具有实现大范围连续性观测的特点。目前，基于卫星遥感手段反演云顶高度的方法主要分为2 大类，即几何关系法和通道辐射特性法。几何关系法需要同时利用至少2 颗卫星对同一区域进行观测，其优势在于反演结果与云物理特性无关，避免了对云辐射计算的误差，但其是基于地球假定为球体的反演结果，而对于椭球体的几何关系仍需要进一步实验、分析和检验。其次，采用几何关系法反演云高运用到了多颗卫星的数据，计算量大，在时空匹配上难度较高且实现困难，因此，目前此方法只停留在科学研究的范畴，并未在业务层面上操作使用。但是，基于卫星成像仪器的红外遥感反演云顶高度的技术较为广泛，可利用卫星探测得到的云顶亮度温度值来判断云顶高度。其主要原理是基于低层云或厚云（如积云、积雨云和层积云）发射率的一致，可以看作发射率为1 的黑云，而对于卷云则发射率比较小，因此存在差别。

目前，以此原理为基础反演云顶高度的方法较多为CO薄片法。如果卫星通道接收到的辐射值与晴空辐射之间插值小于仪器噪声，则该方法无法使用。该方法对存在2 层或者多层云叠加的像元反演结果误差较大。基于卫星采用CO薄片法是对云顶气压进行反演，若想得到云顶高度，则需要借助此时的大气廓线数据或者通过大气压高公式进行转换，因此其时效性和准确性都会有所折扣。1985年，IMOUE首次利用分裂基于NOAA-AVHRR数据对热带海洋上空进行云识别分类。PAROL等同样基于AVHRR 首次考虑到用11 μm 通道和12 μm 通道的亮温差进行研究，结果发现若不考虑散射，两通道的吸收系数比是影响结果的关键参数，并提出有效吸收系数。2008 年，HAMADA等首次提出可以用红外分裂窗查算表的方法对云顶高度进行反演，但仅限于对非降水云的反演。随后，HAMADA 等在2010 年利用MTSAT 卫星红外分裂窗数据和Cloudsat 数据联合建立云顶高度反演的查算表发现，利用查算表估算云顶高度能够取得不错的效果。但是，由于联立查算表时未对云进行大致分类，导致在11 μm 通道的亮温大于270 K时反演结果误差较大。

此方法在国内开展较少，刘诚等利用分裂窗对中纬度地区的陆地上空进行了云分类检测。李冠林等在此基础上先借助Cloudsat 数据将云进行简单分类（透明云、半透明云和不透明云），后利用支持向量机（Support Vector Machine，SVM）的原理和红外分裂窗理论，通过核回归法分别对3 类云顶高度进行反演，显示结果较好。梁玉冰等通过该方法利用日本搭载在静止气象卫星Himawari-8的 仪 器AHI（Advanced Himawari Imager）以 及Cloudsat 产品2B-GEOPROF 数据对半透明云的云顶高度进行反演。结果表明：利用该方法能得到较好的云顶高度反演结果，但是其反演结果的影响因素较多。利用红外分裂窗查算表方法优势在于可以进行全天候云顶高度反演，并且只需要利用对应通道的红外数据直接得到反演结果，计算速度快，反演过程不受其他数据干扰，稳定性高。联合主动式高精度设备的数据支撑，在热带海洋地区的云顶高度反演已经取得了较好的结果，此方法具有较大的发展前途。由于受较多因素的影响，比如纬度、季节、云类型等，则需要不断地将查算表进一步细化。本文对高纬度地区云顶高度进行反演，其目的是探讨静止卫星对中高纬度地区，其天顶角等因素带来的偏差范围是否可以接受。建立不同季节的查算表，避免太阳直射点因季节变化导致云顶亮度温度因季节变化产生误差，使反演结果尽可能精准。

1 数据来源和研究区域

1.1 FY4A-AGRI 数据

FY4A 于2016 年12 月11 日发射升空，并在2017 年9 月25 日正式投入使用。FY4A 是继风云二号（FY2）之后第二代同步轨道气象卫星。与FY2的自旋稳定不同，FY4A 采用三轴稳定平台，姿态确定精度为3ʺ，其自身质量约为5 300 kg，整体输出功率大于3 200 W。为确保其搭载的仪器可以同时进行大量的数据传输，星上内部采用1553B+Spacewire 数据总线技术。FY4A 卫星总共搭载了3 台仪器，即闪电成像仪（Lighting Mapping Imager，LMI）、静止轨道干涉式红外垂直探测仪（Geostationary Interferometric Infrared Sounder，GIIRS）和多通道扫描辐射成像仪（Advanced Geostationary Radiation Imager，AGRI）。其中，AGRI 目前已跻身于世界静止轨道成像仪最先进行列，并可以替换FY2 的可见光红外扫描辐射计（Visible and Infrared Spin Scan Radiometer，VISSR）。AGRI 可以每15 min 生成一副全圆盘影像观测，共拥有14 个通道，其中2 个可见光通道（红、蓝光）以及近红外和热红外通道等。除可见光和近红外通道，AGRI 的空间分辨率在4 km。自FY4A 发射之后，为了充分发挥AGRI的高频次、高精度的定量化观测作用，国内外学者围绕AGRI 展开了各个通道的灵敏度评价、定标精度评价等定量应用的实验，并取得了较好的结果。

实验基于团队自主研发的FY4A/AGRI 云识别数据集进行对云顶高度反演分析研究。该云识别数据集采用AGRI 的6 个通道结合正交偏振云-气溶胶偏振雷达（Cloud Aerosol Lidar with Orthogonal Polarization，CALIOP）探测结果搭建数据库，通过多通道的阈值筛选得到云识别结果，详细原理和验证在此不进行赘述。利用此数据结果，对基于AGRI 的云顶高度反演进行数据前处理。

1.2 CALIPSO/CALIOP 介绍

“云-气溶胶激光雷达和红外探测者卫星观测”（Cloud-Aerosols Lidar and Infrared Pathfinder Satellite Observations，CALIPSO）是美国国家航空航天局（NASA）于1998 年同法国国家航天中心（CNES）一起合作，并实施建造。其主要功能是提供全球云和气溶胶在大气中的垂直探测剖面数据，并将这些数据用于研究云和气溶胶在调节全球气候中的作用，以及两者之间在大气中的相互影响。CALIPSO卫星主要仪器由宽视场相机（Wide Field Camera，WFC）、红外成像辐射计（Infrared Imager Radiometer，IIR）、CALIOP（Cloud Aerosol Lidar with Orthogonal Polarization）。1994 年9 月20 日，“发 现号”航天飞机进行了激光雷达的空间技术实验（Lidar In-space Technology Experiments，LITE），论证了空间激光雷达在气溶胶和云研究中的潜力。LITE 成为世界上第一个地球轨道激光雷达的实验。CALIOP 是世界上第一台星载云和气溶胶激光雷达，共有3 个收发通道，分别为1 064 nm 通道、532 nm垂直通道和平行通道。CALIOP 可探测到532 nm 的垂直剖面退偏比廓线，即532 nm 的垂直与平行通道的后向散射强度信号之比，进而得到被测粒子的不规则程度。CALIOP 还提供了颜色比，即1 064 nm处的后向散射强度与532 nm 处的总后向散射强度之比，颜色比值的大小与粒子大小成正相关。CALIPSO 卫星是美国A-Train 卫星编队的一颗卫星，属于太阳同轨道卫星，于北京时间中午12：00、夜间00：00 左右飞过我国华北地区。因为以16 日为一个轨道重复周期，每天的星下点轨道略有偏差，大致在1.5°左右。其搭载的云-气溶胶交偏振激光雷达CALIOP 主要有Level 1B、Level 2 Profile 以及Level 2 VFM 等数据，数据主要为CALIOP 二级VFM，数据中提供云和气溶胶类型及位置的信息。

2 区云顶高度反演原理

2.1 基于卫星遥感的云分类

红外分裂窗查算表方法基于AGRI 的11 μm 和12 μm 红外通道亮温数据结合主动式高精度设备测量仪器得到云顶高度参数，共同建立云顶高度查找表。此方法需要采用11 μm 通道亮温数据和11、12 μm 通道的亮温差（Brightness Temperature Difference，BTD）进行联立，所用AGRI通道见表1。主动式高精度探测设备需具有垂直高度相关信息并与卫星仪器探测到的红外数据进行时空匹配，再提取其距离地面最高的云顶高度像素并进行在查算表中填充。

表1 FY4A/AGRI 实验选取的通道Tab.1 Channels selected for FY4A/AGRI experiment

11、12 μm 的长波分裂窗红外通道对于如积云、积雨云、层积云这样高度较低或云层较厚的云类其发射率一致可看为1。同样对于这两个通道来说，卷云具有较小发射率且两通道探测结果存在差异。长波红外窗口通道主要是由于吸收了较少的水汽并且12 μm 通道的吸收大于11 μm 通道，存在以下关系：

而探测器接收到的辐射亮度

I

可以表示为

又因为

式中：

I

为卫星探测器在云区接收到的总辐射，即黑体云顶的辐射加上大气的辐射。

式中：

I

为卫星探测器在无云区域接收到的总辐射亮度。

因此，根据式（3）～式（4），可以将式（2）进一步变换得到

因此，利用式（1），将11、12 μm 通道值相减可以得到

图1 各云类的分类阈值图Fig.1 Threshold diagram of cloud classification

2.2 构建红外分裂窗查算表

利用主动式高精度测量仪器CALIOP 得到的云顶高度信息，联合FY4A-AGRI 的两通道BTD 值和11 μm 通道亮温，建立中高纬度（北纬40°以上）不同季节和多种云类型的云顶高度查找表。选取2019 年的数据建立对查算表，并利用该表进行反演。从分裂窗数据中得到两个通道的BTD 值和11 μm 通道的亮温值，在查表中核对计算后得到云顶高度。实验采用该表方法反演云顶高度的步骤具体如下：

步骤1

选取FY4A-AGRI 的分裂窗通道图像数据，分别对11

、

12 μm 通道亮温和载有主动遥感探测仪器CALIOP 的二级VFM 数据进行前处理。

步骤2

通过利用VFM 数据的垂直探测特性，得到云顶高度数据。利用AGRI 的分裂窗数据计算得到BTD 值和11 μm 的亮温数据。上述数据分别前处理后进行时空匹配。

步骤3

将VFM 数据的云顶高度数据与BTD值和11 μm 的亮温数据相对应，分别对不同云类不同季节进行分类。选取北纬40°以上地区，对匹配数据进行填充后得到查算表数据库。

步骤4

利用实时的AGRI数据对分裂窗通道进行预处理后得到BTD 值和11 μm 的亮温结果，并与建立的查算表进行对比，得到相匹配的云顶高度数据。

云顶高度反演实验流程如图2 所示。

图2 云顶高度反演实验流程Fig.2 Experimental process of cloud top height inversion

实验分别针对不同季节、云类，选取北纬40°以上地区建立查算表，有效规避了该方案的局限性。AGRI 数据预处理阶段可以有效规避卫星天顶角所带来的探测精度下降的问题。利用卫星数据进行云顶高度反演，采用此方法具有较高的可行性。

在AGRI 一级数据和VFM 数据时空匹配之后，首先需要筛选北纬40°以上的区域，将纬度大于北纬40°的区域为查算表填充的条件。根据图1 不同云类的大致阈值分类，将云分为卷云、厚卷云、积云、积雨云和其他类型云共5 种类型。之后，建立这5种云类型的查算表，并进行相应的填充。将2019 年数据分成4 个季节，其中，3、4、5 月为春季，6、7、8 月为夏季，9、10、11 月为秋季，12、1、2 月为冬季。可以分别得到不同云类型、不同季节的查算表并进行分析。

2.3 查算表优化

通过对上述的实践，初步得到了查算表。但查算表还较为粗糙，有大量的重复值影响计算效率和反演时间，需对查算表进行降重。查算表中存在AGRI 的BTD 值和11 μm 的亮温数据重复，但是匹配的CALIOP-VFM 数据出现云顶高度信息不同的情况。出现这种情况有2 种原因：1）数据在时间匹配上的问题。由于云受大气湍流的影响较为明显，且变化也比较快，而VFM 数据来自极轨卫星，且一个数据所跨的时间范围大约在1 h 以上，即使选取北纬40°以上的数据，也会出现扫描先后的问题。而AGRI 数据来源于静止卫星，在于VFM 数据空间上所能匹配的地区AGRI 可以快速甚至相当于瞬时数据。由于云层变化较快导致CALIOP 探测滞后，从而出现在2 个数据时间窗变大的问题，影响查算表填充数据的质量。2）CALIOP 探测灵敏度较高，容易出现AGRI 的BTD 值和11 μm 通道的亮温数据重复而VFM 数据十分接近的情况。为此，在查算表中对同样的11 μm 十分亮温和BTD 亮温差值对应不同高度的数据进行了处理和整合。首先，在查算表中找出相同特征值，提取不同高度的数据并进行保存；之后，判断这种数据每一批相同的重复个数，如果重复个数为2，则进行平均处理；如果为3，则选择其中位数；如果为4，则删去一个所匹配到高度最高数据对和高度最低的数据对，并进行平均计算；如果大于4，则删去2 个高度极值之后取中位数进行替换。因此，将重复个数大于5 个的部分进行如下分析。

由于出现特征重复且目标值不重复的数据有限，很多重复个数并没有大于5 个，较多的查算表无法进行箱型图的可视化绘制。冬季厚卷云特征重复部分的箱型图如图3 所示，春季积云特征重复部分的箱型图如图4 所示。纵坐标为高度，横坐标为AGRI 的11 μm 通道的亮温值（TB_11）。每个箱形中绿色线条对应纵坐标的数值，代表此特征重复组的中位数。图3 中，随着11 μm 通道亮温逐渐增加，冬季厚卷云的云顶高度也逐步增加；图4 中，春季积雨云的云顶高度随11 μm 积雨通道亮温逐渐增加而有降低的趋势，其原因主要是因为低亮温的云顶温度较低，除了大气逆温干扰外，此时的云顶高度也相对较高。对箱型图中选取绿色线的部分来代替其他重复特征数据所对应的高度。其做法具有提高计算效率、节省反演时间、有利于实时检测、节省数据内存等优点。同时，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时空匹配上所产生的误差，有利于提高数据的准确性。

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

图4 春季积云箱型Fig.4 Spring cumulus box chart

2.4 云高反演模型

将查算表（Look Up Table，LUT）按照不同类型进行上述整理后，可以利用查算表建立查算模型。

本次利用AGRI 反演云顶高度模型的流程如图5 所示。云顶高度反演模型的搭建主要有以下步骤：

从实验室测试设备的先驱发展成为欧洲最大的电子测量仪器制造厂商，罗德与施瓦茨公司在无线通信和测量领域已成为最具影响的跨国公司之一。该公司在全球雇员大约为7 500人，业务遍布全球主要市场。如今，该公司在世界各地拥有70多家子公司和办事处，建立了一个国际化的服务和销售网络，确保就近为客户提供便利的支持与服务。

图5 云顶高度反演模型流程Fig.5 Flow chart of the cloud top height inversion model

步骤1

读取数据和预处理。

步骤2

选择北纬40°以上我国东北地区为反演数据。

步骤3

进行云识别计算。

步骤4

对不同云类型进行分类后按照不用季节进行查找。首先，将探测像元的11 μm 通道到亮温与算表中11 μm 通道亮温数据（TB11）做差（

X

为11 数据通道的亮温数据），如果绝对值（abs）小于1 K 则取出该像元的BTD 在查算表中的最佳拟合位置，得到其对应的高度数据并进行输出；如果绝对值大于1 K，则选取其像素点附近的云顶高度，如果其像素附近没有云高数值，那么则输出错误值-9 999。最后，再将数据进行加工打包，画图得到结果。为了使结果看上去更加美观，以及在不影响结果并且可能更加突出云层之间的空间高度变化关系，对数据结果进行加工，选取高斯滤波的方案，具体二维公式如下：

式中：

x

、

y

为图像中的像素位置信息；

G

（

x

，

y

）为某像素点经过高斯平滑后的结果；

σ

为高斯的核，其数值取决于核的宽度，即像素点周围的参与加权计算的范围，核的宽度取3×3 的网格。

3 结果与讨论

3.1 不同季节的云顶高度对比

通过上述对查算表，建立查算模型，分别对4 个季节进行反演。以CALIOP-VFM 数据为真值进行精度检验，并选取同一时刻的官方二级数据进行横向对比，以此来验证此方法对于静止卫星在中高纬度地区的影响。选取的时间春季为2020 年5 月1 日下午1 时、夏季为2020 年8 月1 日12 时、秋季为2020年10 月1 日12 时、冬季为2020年1月1日12时的AGRI 和CALIOP数据。

云顶高度4 个季节的结果与二级数据结果对比如图6 所示。从图6（a）反演结果显示，在黑龙江地区和内蒙古北部地区都出现了云顶高度较高的云区，在内蒙古与外蒙古的交接处也有云层较高的区域。黑龙江地区云高两张图都大致在9 km 的高度，内蒙古北部的云顶高度更是接近12 km。云顶高度数值在空间分布的趋势清晰，并且在内蒙古最北处的云高低值区也有所体现。但是，部分地区存在噪点需要进一步提高。夏季是对流云高发季，由图6（b）中的结果可知，位于我国黑龙江南至牡丹江地区横跨佳木斯市一直到我国边境，存在云顶高度较高的云区。根据其高度和形状，可以判断为积雨云，且此积雨云的尺度较大。可以清晰地看到云顶高度与空间分布的特性，判断各地区大致的天气状况，即在吉林和内蒙古交界处的对流云。图6（c）位于内蒙古北部和黑龙江西北部，存在高值区。由于秋季降雨多为层状降雨云为主，根据图6 给出的结果，可以较清晰地判断各地区大致的天气状况。在图6（d）中，吉林北部以及内蒙古北面边境地区有高云云区。位于黑龙江绥化地区以及内蒙古西北部地区的实验，云顶高度反演结果高至9 km。从云顶高度变化趋势来看，内蒙古和黑龙江交界处的低值区有较好的体现。在图像的后期加工上，仍可以进一步提高。

图6 AGRI 云顶高度反演区域分布Fig.6 Regional distribution of cloud top height retrieved by AGRI

3.2 反演结果精度验证

图7 CALIPSO 试验区域飞行路径Fig.7 Flight path diagram of CALIPSO test area

在数据匹配和质量控制上，首先，将北纬40°以下的数据进行剔除。其次，将时空匹配到的非云像素点进行剔除。另外，实验将匹配数据进行质量控制，采用标准化误差筛选，具体方法为

式中：

X

为向量中某个真实值，在实验中则为CALIOP 与AGRI 时空匹配后的CALIOP 某一位置的云顶高度数据；

Y

为向量中某个待测值，为第

i

个AGRI 反演的云顶高度值；

ε

为匹配点中的第

i

个偏差值；

N

为分别进行精度验证的2 个数所匹配的个数值。

式中：

S

为标准偏差。

式中：

e

为第

i

个匹配数值的标准化误差。

e

的大小对数据的可靠性具有一定影响，选取的

e

范围为［-3，3］，即若第

i

对匹配数据的标准化误差值

e

∈[-3，3]，则进行保存，否则将被剔除。最后将匹配的数据进行散点图的绘制，得到如图8所示的精度检验结果。

图8 精度检验散点图Fig.8 Scatter diagrams of precision tests

续图8 精度检验散点图Continue fig.8 Scatter diagrams of precision tests

图（8）左列为云顶高度反演4 个季节的个例以VFM 数据结果为真值的散点图，纵坐标为反演结果，横坐标为对应时空的CALIPSO-VFM 云顶高度结果；右边列图表示利用AGRI 的二级云顶高度数据，该数据采用CO薄片法。4 个季节的个例结果以CALIOP 数据结果为真值的散点图。散点图中给出了拟合线和相关系数（

R

）。

首先，反演结果和二级数据的散点图中散点位置都比较类似。反演数据和二级数据都与CALIOP的云顶高度结果相关性较高。在春季横向精度检验结果中，明显地看出此次个例的精度检验匹配了两类云，一类的云顶高度集中在4 km 以下，另一类的云顶高度集中在12 000 m 的高空。二级数据存在异常值，绝大部分原因是图像后期处理所产生的现象。为了可以更加直观地看出云顶高度的变化趋势，从而在精度上进行了一些牺牲。反演结果散点较为紧实，但在高度大约为4 km 区域，反演的AGRI 结果精度不高，在4 km 区域AGRI 和CALIOP 所匹配到的数据中，AGRI 有较多的相同值，但是相较于CALIOP 探测结果有所区别，可能是查算表所搭建的数据库中数据量不够所导致。在夏季的散点图中，结果的相关性相较于其他3 个季节最高，反演的结果与CALIOP 探测结果相关性达到0.95，而二级数据也高达0.84。从季节对比来看，反演结果和二级数据夏季表现的效果相较于其他3 个季节相关性最好。在秋季的散点图中，反演的个例结果相关性为0.71，相较于其他3 个季节相关性偏低。其主要原因是位于7 000 m 的云顶高度的数据与CALIOP所探测到的结果出现了偏离，可能是由于CALIOP一个数据大约含盖100 min 的数据信息。而AGRI往往15 min 便可打包成一个数据。但云的时空变化较大导致了两仪器在探测上产生偏离，从而引起检验精度的下降。冬季结果的选取时间为2020 年1 月1 日中午，反演结果部分地区云顶高度要高于二级结果。通过与CALIOP 探测的结果对比，二级数据结果散点图中拟合线的斜率要低于反演的结果散点图中拟合线。可能是由于二级数据均衡化而采用了大量的平滑处理，导致其云顶高低普遍降低。但同样存在与春季结果类似的问题，即由于数据库的数据不够丰富而导致部分高度精度下降。因此，数据库部分仍需要进一步提高。

为了更加直观地反映此方法在利用AGRI 上的可靠性，对上述4 个结果进行了精度统计。其中，包含平均偏差（ME）、均方根误差（RMSE）以及平均相对偏差（MRE），见表2。表中，AGRI 和AGRI_L2表示反演和二级数据分别以CALIOP 为真值进行的横向对比结果。总体上看，反演4 个季节的统计结果精度较好。ME 有3 个季节的个例结果小于±500 m，而最高的夏季ME 仅为749.31 m。RMSE 大约在1.2 km，冬季仅为1.0 km 左右。MRE 在4 个季节的结果中都在20% 左右，其中，秋季高达21.75%，而夏季最低仅为10.89%。通过对4 个季节分别建立查算表，发现其结果都较为稳定且都有较好的精度表现。春季和秋季的ME 要明显小于夏季和冬季的结果，这2 个季节ME 都在±300 以内。其次，秋季的RMSE 和MRE 相较于夏季要略低一些。因此可以说明，虽然在ME 上春季和秋季的结果差不多，但是从RMSE 和MRE 上看，春季的结果相较于秋季结果与真值更加贴合且稳定。反演的4个季节结果中，春季的泛化误差最小。而在其他3个季节中，冬季的RMSE 最低，说明冬季的结果与CALIOP 探测的结果趋势最为相似。而夏季的平均相对误差仅为10.89%，说明夏季结果的偏差结果最为稳定。秋季的ME 要明显优于夏季和冬季的结果，虽然秋季的结果稳定性相对较低，但其在精度上有较高的表现。通过进行季节性对比，从精度检验个例中可以看出，4 个季节的统计结果都具有一定的可靠性。其中，春季的统计结果相较于其他3个季节相对更优，而冬季结果与真值最为同步，夏季结果最为稳定，秋季结果虽然稳定性有所下降，但绝大部分结果精度较高。

表2 与二级数据横向对比结果Tab.2 Horizontal comparison results of AGRI AND AGRI_L2 data

通过与二级数据横向对比，可以判断利用AGRI 进行红外分裂窗查算表的方法对云顶高度进行反演在结果上具有可行性。运用静止卫星对我国中高纬度地区进行此方法的云顶高度反演，同样具有较好的表现。由于CALIOP 波长较CPR 波长短，所以衰减较高。尤其是对降水云和对流云以及云层较厚的云，其衰减较为明显，但对于联合建立云顶高度查算受其影响较小。另外可以看出，虽然AGRI 属于静止卫星仪器，容易受到纬度影响，但是通过与CALIOP 的云顶高度结果进行检验后发现，即使受到影响但精度依然可信。考虑到单个时刻的对比结果具有偶然性，选取春季2020 年5 月1—10 日的数据，夏季为2020 年8 月1—10 日的数据，秋季和冬季分别选取2020 年10 月1—10 日和2020 年1 月1—10 日的数据，分别用于对季节的分析。

由于VFM 数据在不同高度的分辨率不同，当高度小于8 km 时，空间分辨率为333 m，8～20 km 的空间分辨率为1 km，且AGRI 的官方和本次实验的结果空间分辨率都为4 km。对于有云的情况，一个AGRI 的像素至少可以匹配到4 个VFM 的云顶高度值。若AGRI 匹配的VFM 云顶高度值少于4，则可能为云的边界或者是受CALIOP 仪器所限。为了尽可能排除该影响，本文将AGRI 单个像元与VFM 数据匹配，剔除匹配VFM 云顶高度值小于4 个的情况。同时，若该像元满足上述条件，在此基础上本实验继续做移差处理，即匹配的VFM 值中的最大值减去最小值，且满足≤2 km 的条件，则满足数据匹配的要求。做该处理主要是由于不同云类型对应的云顶高度不同，考虑到4 km 的像元可能恰好扫面到多种不同类型的云过渡区，因此将该情况同样进行了剔除。通过上述的质量控制方法，得到如图9 所示的不同季节上的横向对比结果。图中，左侧散点图的横坐标为CALIOP 的探测数据，纵坐标为本实验反演的云顶高度结果；右侧散点图的纵坐标为二级云顶高度产品结果，横坐标相同。从总体上看，各季节的相关系数

R

都大于0.6。另外，对于AGRI_L2云顶高度产品在不同季节都存在低估的现象，同样在本次实验中春季结果较为明显，其原因可能是受多层云的干扰。AGRI 探测的是整层大气柱的亮温，若是在多层云的情况下，CALIIOP 只提取最上层的云顶高度作为其云顶高度结果。因此，该误差是导致AGRI 结果低估的主要原因。

图9 季节散点图Fig.9 Seasonal scatter diagrams

续图9 季节散点图Continue fig.9 Seasonal scatter diagrams

为了更直观地体现该方案反演云顶高度的可行性，分别计算不同的统计结果，结果如图10 所示。图10（a）为AGRI_L2 产品和本次反演结果与VFM数据在不同季节上的RMSE 和ME。其中，蓝色线为AGRI_L2 产品对比结果，紫色线为本次反演对比结果。实线表示RMSE，虚线表示ME。可以看出，AGRI_L2 产品不同季节的RMSE 结果普遍在2.5～3.5 km 之间，而本实验结果的RMSE 普遍在1.5～2.0 km 之间。AGRI_L2 数据在夏季的结果较好，其ME 小于500 m。图10（b）为AGRI_L2 产品和本次反演结果与VFM 数据在不同季节上的MRE 和相关系数（

R

）。其中，深蓝色线为AGRI_L2产品对比结果，橙色线为本次反演对比结果。实线表示MRE，虚线表示

R

。通过对比可以发现，本次反演结果冬季和夏季的相关系数大于二级数据结果，MRE 也略优于二级产品。

图10 精度检验雷达图Fig.10 Radar chart for accuracy test

4 结束语

基于2019 年的AGRI 一级数据以及地理信息数据，提取出红外分裂窗区通道，并选取对应时间的CALISPO-VFM 数据；建立2019 年的北纬40°以上不同季节不同云类型的红外分类窗查算表；利用2020 年不同季节的个例对其进行云识别计算后，再到查算表中选取其对应的云顶高度值。将结果进行平滑降噪处理后得到东北地区云顶高度分布图，得到以下结论：

1）在4 个季节的分布图中，可以清晰看出云顶高度在东北地区的分布情况，4 个季节都具有较好的结果。

2）从4 个季节的统计结果来看，RMSE 上都小于2.3 km。说明反演结果与CALIOP 探测结果具有较高的一致性，结果的稳定性较好，受季节的影响在可控范围以内，但秋季仍可以进一步提高。

3）与VFM 数据进行精度对比的相关系数在4个季节中都高于0.6，效果较好。此方具有较高的可信度。在横向对比中，利用该方法基于AGRI结果精度不亚于官方采用的CO薄片法的二级数据。该方法估算的RMSE 和相对误差较小，在反演过程中不需要其他数据进行辅助计算，节省了计算资源，提高了计算效率。部分云类在某些数值区间上的精度需要进一步提高，查算表数据量应进一步丰富。

4）无论是AGRI 二级云顶高度数据还是本次反演结果，都有不同程度低估的现象，可能是多层云所造成的，该推断仍需要进一步实验。