联合高光谱红外探测仪和光谱成像仪同步反演温湿廓线和云参数的研究

Knowing the thermal and humidity environment conditions with high temporal and spatial resolution and of high quality is crucial for weather forecasting, especially for the short-term forecasting and now-casting of severe convective weather. But unfortunately, the temperature and humidity profiles of high quality could be achieved only under clear sky condition. To deal with cloud properly is a key issue in temperature and humidity retrieving, and it draws much focus but remains a challenge over the world wide. This study proposes to synergistically use measurements from hyper-spectral infrared sounder and spectral imager for simultaneously retrievals of atmospheric and cloud parameters using combined neural networks and physical retrieval methodologies. The temperature and humidity profiles and cloud parameter will be retrieved from collocated AIRS and MODIS observations, while the data such as radio sounder, reanalysis and CloudSAT/CALIOP measurements will be used for validations. Also, focus will be casted on researches that help to make the iteration-based physical retrieval algorithm more stabile, such as improvements in first guess field, in background error covariance matrices setting and new methodologies that control its updating. It is expected that the precision of temperature and humidity within the while atmosphere under optically thin cloud condition and above the cloud layer under optically thick cloud condition will be improved. It will provide atmospheric and cloud information of high spatial and temporal resolution and of high quality to help now-casting and forecasting. Additionally, the developed methodologies can applied to process future Chinese Fengyun-3 and Fengyun-4 advanced sounder and imager measurements for temperature, humidity and cloud property products.

天气预报，特别是强对流天气短时临近预报需要全天候高时空分辨率和高精度的温湿廓线，但目前高精度温湿廓线反演多集中于晴空区域。如何处理云是温湿廓线反演的关键问题，也是目前国际上极为关注但没有解决好的问题。本项目拟结合AIRS和MODIS观测资料，开展联合高光谱红外探测仪和高空间分辨率光谱成像仪资料同步反演温湿廓线和云参数的研究。本项目将采用神经网络和物理反演相结合的方法同步反演温湿廓线和云参数，研究利用改进初始场、优化背景误差协方差矩阵设定和客观更新等措施提高反演稳定性和加速迭代收敛的具体方法，并使用探空资料、再分析资料和激光雷达资料验证反演结果。本项目预计能提高半透明云区整层，以及不透明云区云层以上温湿廓线的反演精度，为天气预报提供更丰富、更精确的观测资料，提高监测和预报水平。更重要的是，该方法适用于未来我国风云三号和风云四号的高光谱红外探测仪和光谱成像仪。

大气温湿度是大气状态的重要参量，被广泛应用于临近预报、天气和气候分析、以及数值同化。卫星遥感是获取大气温湿度状态的重要手段。静止轨道的大气温湿度探测产品，因其极高的观测频次和灵活的观测模式，被广泛应用于临近预报和天气分析。但目前静止轨道只有红外探测仪器，不能获取全天候的温湿度产品，导致云区的应用受限。如何拓展云区的温湿度信息是一个国际难题。本项目通过空间匹配联合提取高空间分辨率的成像仪和高光谱分辨率的探测仪信息，将温湿度产品拓展到部分有云区域。同时，通过光谱插值模拟我国高光谱大气探测仪观测，加快算法成果向实际应用的转化。针对红外高光谱仪器，设计了双重回归和神经网络两种统计反演算法。这两种算法均能较为合理地反演晴空和部分云区的大气温湿度廓线信息。比较而言，基于神经网络的结果精度要优于双重回归的结果，这可能与神经网络能较好地考虑水汽、云参数的非线性效应有关。同时，基于推导的解析公式，获取了有云条件下温度和湿度的Jacobian矩阵。结果显示，随着云光学厚度的增加，观测辐射对云下层温度和水汽的敏感性逐渐降低。构建了统计反演和一维变分相结合的反演算法，提出了一种基于L-curve方法并结合熵的概念的新方法来为一维变分反演过程选择正则化参数。这一新方法被用于大气红外探测器（AIRS）观测数据的反演实验中，结果表明新的方法在反演精度上要优于L-curve方法和偏差原则方法。在神经网络的基础上，通过一维变分方法结果进行进一步迭代。结果发现迭代过程中存在迭代不收敛的情况，且不收敛的概率随着云光学厚度的增加而不断增加。整体而言，对于迭代收敛的观测，其反演的温湿度廓线精度略优于统计反演的结果。本项目的部分研究成果已在我国风云四号气象卫星红外探测仪（GIIRS）上应用，同时将尝试应用于风云三号的类似仪器（HIRAS）上。