引用本文
王根, 张华, 杨寅. 高光谱大气红外探测器AIRS资料质量控制研究进展, 地球科学进展. 2017, 32(2): 139-150
Wang Gen, Zhang Hua, Yang Yin. Research Progress of Quality Control for AIRS Data. Advances in Earth Science, 2017, 32(2): 139-150  
Doi:10.11867/j.issn.1001-8166.2017.02.0139
Permissions
Copyright©2017, 地球科学进展 编辑部
高光谱大气红外探测器AIRS资料质量控制研究进展
王根1,2, 张华3,*, 杨寅3
1.中国气象局沈阳大气环境研究所,辽宁 沈阳 110016
2.安徽省气象信息中心, 安徽 合肥 230031
3.国家气象中心, 北京 100081
*通信作者:张华(1962-),男,甘肃兰州人,研究员,主要从事数值模拟、大气资料同化研究.E-mail:zhangh@cma.gov.cn

作者简介:王根(1983-),男,江苏泰州人,工程师,主要从事卫星资料同化、GRAPES数值模拟和多源数据融合研究.E-mail:203wanggen@163.com

基金:中国气象局沈阳大气环境研究所开放基金课题“基于非高斯模型的AIRS水汽通道同化初步研究”(编号:2016SYIAE14); 公益性行业(气象)科研专项“作物湿渍害星地一体化监测与预警技术研究及应用示范”(编号: GYHY201406028)资助
摘要

同化卫星资料能够得到模式较好的初始场,目前资料变分同化是基于误差服从高斯分布这一理论,因此在同化高光谱大气红外探测器(AIRS)资料前,必须进行资料质量控制。从通道选择、异常值剔除、偏差订正、云检测和数据稀疏化5个方面对AIRS资料质量控制研究现状进行分析与讨论。归纳总结了基于信息熵分步迭代法、主成分累计影响系数法和主成分—逐步回归法3种通道选择方法。经分析比较认为信息熵分步迭代法使用得较为广泛,但所选通道之间存在“弱相关”;主成分—逐步回归法能够获得信息量较大的通道组合,由于算法的原因,执行过程较耗时。探讨了莱茵达法则和稳健性较强的双权重法对异常离群值剔除,得到双权重法效果较好。介绍了离线和在线偏差订正方法,包括静态、自适应、回归法、变分、基于辐射传输模式、基于卡尔曼滤波偏差订正法和偏差订正的动态更新技术。对比发现静态法时效性较好;变分法能够解决数据漂移等问题;基于模式和卡尔曼法虽效果较好,但较耗时不适合业务化使用;综合而言,偏差订正动态更新技术的效果和时效性都较好。分析了晴空视场点、晴空通道、云辐射订正和不同仪器云产品的匹配4种云检测方法。从数值业务时效性角度出发,晴空视场点和晴空通道云检测法较为可行,但经过晴空视场点云检测后同化的资料量比晴空通道法少,会造成在气象敏感区如高层通道资料的丢弃,在一定程度上会影响分析场的质量。进一步分析了跳点跳线、box法和主成分分析法在AIRS资料稀疏化中的初步应用研究。从同化时效性和可操作性出发,得出box法可行;主成分分析法算法复杂度较高,但具有一定的应用前景。在综述质量控制部分基础上,进一步给出了该领域未来的相关研究方向。

关键词: 高光谱; AIRS; 质量控制; 异常值剔除; 数据稀疏化
中图分类号:P405 文献标志码:A 文章编号:1001-8166(2017)02-0139-12
Research Progress of Quality Control for AIRS Data
Wang Gen1,2, Zhang Hua3,*, Yang Yin3
1.The Institute of Atmospheric Environment, China Meteorological Administration, Shenyang 110016, China
2.Anhui Meteorological Information Centre, Hefei 230031, China
3.National Meteorological Center of China, Beijing 100081, China
*Corresponding author:Zhang Hua(1962-),male,Lanzhou City, Gansu Province, Professor. Research areas include numerical simulation and atmospheric data assimilation.E-mail:zhangh@cma.gov.cn

First author:Wang Gen(1983-),male,Taizhou City, Jiangsu Province, Engineer. Research areas include satellite data assimilation, numerical simulation of GRAPES and multi-source data fusion.E-mail:203wanggen@163.com

Fund:Project supported by the Shenyang Institute of Atmospheric Environment of China Meteorological Administration “Application of non-gaussian model on AIRS water channel brightness temperature assimilation”(No.2016SYIAE14); The China’s Research and Development Special Fund for Public Welfare Industry “Technology research and application demonstration of monitoring and warning of the combination satellite-ground on crops wet damages”(No.GYHY201406028)
Abstract

Satellite data assimilation can provide accurate initial field for Numerical Weather Prediction (NWP) models. So far, data variational assimilation is based on the theory where error obeys Gaussian distribution, so as to apply the least square method. During classical variational assimilation, if the data contain outliers, the results of optimal parameter estimation is meaningless. Therefore, quality control is quite necessary for Atmospheric Infrared Sounder (AIRS) data before data assimilation. This paper made a comment of the advances in the quality control using AIRS data, which analyzed and discussed the research status from five aspects: channel selection, outliers elimination, bias correction, cloud detection and data sparseness. Three methods for channel selection were summarized, which are stepwise iterative method based on information entropy, the cumulative effect coefficient of principal component and principal components—Stepwise regression, respectively. Comparatively, stepwise iterative method based on information entropy is more widely used, but the selected channels are weak related; Channel combination with large amount of information can be obtained through the method of principal components—stepwise regression, but the implementation process is time-consuming due to the algorithm. Both the lane of law and the double weight method were used in outliers elimination, and the result shows that the latter one is better. Two kinds of bias correction method including off-line and on-line, were introduced, which contain static, adaptive, regression method, variational, method based on the radiative transfer model, bias correction with Kalman filter and dynamic update of bias correction technique. It is found that the timeliness of static method is better; while variational method could solve the problems of data drift and so on. The result is better when using bias correction based on the model and Kalman methods, but it is more time-consuming and not suitable for business application. Generally, the effect and timeliness of dynamic update one is the best among them. In this paper four kinds of cloud detection method are discussed here, including the sky field-of-view, sky channel, cloud radiation correction and different instrument cloud products matching. The first two methods are more feasible from the perspective of timeliness for numerical prediction, but the data quantity using could detection method of sky field-of-view is less than sky channel, leading to discarding of lots of channel data in climate sensitive area such as upper channel, and thus affecting the quality of analysis field. Further on, the methods of hops jumper, box and principal component applied to AIRS data sparseness were analyzed. From assimilation timeliness and operability, box method is feasible; although there is high complexity with algorithm of principal component analysis, which has a certain application prospect. After reviewing the quality control section, some further research directions in these fields were given respectively.

Keyword: Hyper-spectral; AIRS; Quality control; Outlier elimination; Data sparseness.
1 引言

数值天气预报(Numerical Weather Prediction, NWP)是一个初/边值问题。卫星资料大大提高了资料的覆盖范围和时空分辨率。同化卫星资料则为数值预报模式提供尽可能精确的初始状态(也称为初值, 即变分同化的分析场)提供了可能[1, 2]。气象卫星对中小尺度的天气预报、台风以及暴雨等重大灾害性天气预报准确率的提高起到关键作用。高光谱探测器由于通道多, 其作用和优势日趋显著, 具有代表性的高光谱大气红外探测器(Atmospheric Infrared Sounder, AIRS)搭载在地球观测系统(Earth Observing System, EOS)第二颗卫星Aqua上, 采用红外光栅阵分光技术, 2 378个通道覆盖650~2 700 cm-1红外谱区域, 用来探测精细的大气温度和湿度廓线等[1, 3]。

气象资料变分同化是基于误差服从高斯分布这一理论, 采用国际上常用的变分方法(记为“ 经典变分” )同化AIRS资料时分2步执行, 首先进行AIRS资料的质量控制, 其次进行相关资料的同化[1]。AIRS资料质量控制的关键点是使经过质量控制后的资料误差服从高斯分布, 以满足变分同化的基本假设。考虑到探测扫描的方式和红外探测器受云影响, 因此所有AIRS资料同化前的质量控制均包括通道选择、较大异常值剔除、偏差订正、云检测和数据稀疏化。其中数据稀疏化考虑了模式变分同化时效性, 以期能够实时业务同化AIRS资料。

在变分同化目标总能量泛函中要求观测误差不相关, 加上考虑到同化的时效性, 需要进行通道选择。通道选择首先建立通道黑名单(如噪声较大的通道), 其次采用信息熵分步迭代法[4]、主成分累计影响系数法[5]和主成分— 逐步回归法[6]等目前主流的方法进行通道选择。卫星资料偏差的来源很广, 不同探测器亮温辐射率偏差既有共性又有各自的特点。偏差订正方法包括离线(off-line)和在线(on-line)偏差订正, 具体有静态偏差[7]、自适应[8]、回归法[9]、变分偏差[10]、基于辐射传输模式[11]、基于卡尔曼滤波偏差订正法[12]和偏差订正的动态更新技术[13]。偏差订正是一项具有挑战性的工程, 要针对不同仪器和不同通道采用具有自身特色的订正方法。红外探测器易受云的影响, 需要进行云检测。国内外常用的红外探测器云检测方法主要有4种:寻找“ 晴空视场点” [14]、“ 晴空通道” [15]、“ 云辐射订正” [16]和“ 不同仪器云产品的匹配” [17]。基于视场点的云检测方法主要寻找绝对晴空的视场点, 当通道组合中的某个通道在某个视场点被判断有云, 则剔除所有通道在此视场点的观测亮温。基于“ 晴空通道” 的云检测主要根据不同通道亮温对云的敏感性不同指定通道“ 高度” (类似于通道的权重函数), 然后进行通道排序寻找不受云影响的晴空通道, 具有代表性的是ECMWF方法。同化“ 晴空辐射” 的方法则是使用邻域的视场点消除云信息重构晴空辐射。针对高光谱大气红外探测器云检测方法的研究主要用于AIRS空间匹配的MODIS(Moderate-Resolution Imaging Spectro-radiometer)L2级云掩膜产品来确定AIRS受云影响的视场点[17]。实际使用模式(如我国自主研发的Global/Regional Assimilation and Prediction Enhanced System, GRAPES模式)同化红外探测器资料时, 需要进行“ 离群值” 的识别和剔除。同时考虑到变分同化的时效性, 还需进行卫星资料的稀疏化研究。下面分节进行详细论述。

2 AIRS资料质量控制

变分同化方法的基本思想是将资料同化归结为一个表征分析场与观测场、分析场与背景场偏差的二次泛函极小值问题。该目标泛函一般定义为[18]:

J=12(x-xb)TB-1(x-xb)+12(Hx-yo)TR-1(Hx-yo)

式中:x表示控制变量, 极小化后的x即为分析场, 用作数值预报模式的初始场; xb表示背景场; yo表示观测量, 指卫星辐射率, 通过Plank函数可以转化为亮温值; B表示背景误差协方差矩阵; R=O+F, 分别表示观测误差和观测算子(正演模式)代表性误差协方差矩阵; H表示观测算子, 该定义中为辐射传输模式。

传统上假定背景误差和观测误差无偏和相互独立, 即需要满足下列2个条件:

①E(ε b)=0, E(ε o)=0,

②E(ε b εoT)=0。

式中:ε b=xb-xt, 表示背景误差; ε o=yo-H(xt), 表示观测误差; xt表示分析场真值。

一般来说, 由于仪器误差、资料处理方式和模式的不完善等, 条件①不成立, 则需要进行偏差订正。由于真值无法获得, B和R难以估计, 因此背景(还涉及维数太大和逆矩阵病态问题)和观测误差协方差矩阵的构建已成为卫星资料同化领域的关键问题。在具体求解过程中, 由于受计算资源和现有技术的限制, 为简化起见一般需要做观测误差不相关的假定。因此对于高光谱卫星AIRS而言, 通道选择和观测资料稀疏化处理就显得尤为重要。对于大气红外探测器AIRS为避免云污染, 必须进行云检测。初始质量控制包括通道观测值“ 合理” 检查, 以剔除较大的异常值[19]。质量控制技术则用以保证同化分析过程收敛迅速和分析结果的质量。

总之, 高光谱大气红外辐射率资料的直接同化涉及到变分同化分析方案、观测算子、资料选择方案和质量控制(广义)等多方面的工作。

为了更好地阐述质量控制之间的逻辑关系以及与变分同化的关系, 结合参考文献[19], 图1给出了质量控制和同化的技术框架, 凸显出质量控制的重要性。

2.1 通道选择

在变分同化中, 为节省技术资源和提高分析质量, 最关键的一点是假设观测误差协方差矩阵是对角矩阵, 即假定观测之间不相关。AIRS由于通道多, 会存在几个问题:观测之间容易相关, 通道之间存在的相关性导致使用全部通道会带来大量的冗余信息, 并造成同化以及反演的不适定, 加上考虑到变分同化的时效性, 因此需要进行通道选择。

通道选择的具体思路是首先建立通道黑名单(如噪声较大的通道), 其次使用相应的方法进行通道选择。关于通道选择, 国内外学者做了一系列富有成效的研究。

国外, Rodgers[20]首先提出基于信息熵分步迭代法进行通道选择的思想。Rabier 等[4]在采用了分步迭代法选通道的基础上, 进一步提出了雅可比矩阵法和常量迭代法。Fourrié 等[21]基于实时数据评估了常量迭代法和手动选取通道的方法, 得出手动选取的通道更符合实际。Fourrié 等[22]从不同的廓线出发, 采用分步迭代法和手动选取通道的思想, 得到一系列通道子集, 然后取通道子集的交集得到适用性较强的63个通道组合。Collard等[19]和Cameron等[23]从模式同化AIRS观测亮温的角度出发, 对所选的通道数目进行了研究, 具体执行过程中先进行通道预处理, 然后用分步迭代法进行通道选择, 给出所选的通道组合, 即白天48个、夜晚62个通道组合。

国内, 杜华栋等[24]和张水平[25]基于信息熵分步迭代法, 从反演的角度分别进行了IASI和AIRS的通道选择研究。刘辉等[26]采用权重函数的思想进行了通道选择研究。张建伟等[5]提出了基于主成分累计影响系数法的通道选择方法, 主成分累计影响系数法可以得到主要的信息, 并能去除通道之间的相关性, 最终选出的通道组合是根据通道对主成分的累计得分排序, 选排序在前得分较高的一些通道。其存在问题在于一次选出的通道之间的相关性较弱, 但最终得到的通道子集, 通道之间存在一定的相关性。信息熵分步迭代法, 依赖于背景场和观测误差协方差矩阵的给定, 且每次迭代是选择信息量较大的通道, 存在以下几个问题:一是当后面的通道加入到所选的通道子集后, 前面的通道对主要的信息量变得较微弱时, 不能剔除先前所选的通道; 二是后续所选的通道往往是与先前被选入通道相关性较强的通道, 也就是大部分被选通道的邻近通道也被选入。Weisz[27]针对这个问题提出了通道聚类的思想, 主要是给定一个窗口, 在此窗口中只选一个通道。信息熵分步迭代法主要把握了信息量, 而对减弱通道之间的相关性不理想。信息熵分步迭代法每次只能从未被选的通道中选出一个, 在获取通道组合时较耗时。王根等[6]提出了主成分— 逐步回归法弥补了信息熵分步迭代法的局限, 把主成分分析和逐步回归法结合起来。主成分分析能得到最重要的信息, 而逐步回归法能得到对主成分较敏感的通道, 由逐步回归法的数学理论保证其所选出的通道资料之间的相关性较弱。逐步回归法在寻找对主成分较敏感的通道时从全局出发, 即考虑了整个模式层, 而在实际应用中, 有时需要更突出中上层或中下层信息, 需要考虑全局最优并兼顾局部, 进一步使用分区的思想, 采用主成分— 双区逐步回归法, 分区的思想可辅助逐步回归法找到局部最优。

图1 质量控制和变分同化逻辑关系框架
TBs表示亮温, “ O-B” 表示观测亮温-模拟亮温, “ O” 表示观测亮温, “ B” 表示模拟亮温Fig.1 The framework of logic relations of quality control and variational assimilation
TBs:Brightness Temperature, “ O-B” : Observation brightness temperature-simulation brightness temperature, “ O” : Observation brightness temperature, “ B” :Simulation-minus brightness temperature

需要说明的是, 通道选择存在技术难点:由于不同地区气候类型、下垫面、季节以及即时天气条件的不同, 会对通道的选择造成一定的影响。造成怎样的影响, 目前还没有针对这方面的深入研究[3]。王根等[28]提出了信号自由度(Degrees of Freedom for Signal, DFS)的方法从通道观测资料对分析场影响诊断出发进行通道选择, 这也是通道选择研究的方向。

2.2 异常值剔除

在数值天气预报同化分析中对观测资料的质量控制是重要的环节。考虑到地表温度、下垫面发射率(“ 模式空间” , 用于亮温模拟)不确定性以及卫星扫描亮温临边变暗(“ 观测空间” )等因素, 需要对观测和模拟值之间的偏差进行检验。

狭义的卫星资料质量控制基于卫星通道亮温偏差(观测亮温-模拟亮温, 即O-B)进行[29]。模拟亮温是利用预报模式格点资料并通过辐射传输方程(如欧洲中心Radiative Transfer for TIROS-N Operational Vertical Sounder(RTTOV)[30]或美国Community Radiative Transfer Model(CRTM))[31]计算得到。目前变分同化系统(包括我国自主研发的GRAPES-3DVar)采用基于莱茵达法则, 即亮温偏差3倍标准差的阈值检查法进行质量控制, 与Jung等[32]在美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)全球预报系统中对高光谱水汽通道资料质量控制设定一致, 该算法的缺点是难以有效地保留异常但可用的值(如一些天气现象和过程的观测值)。为了合理地剔除离群值, Zou 等[33]采用双权重法对GPS掩星资料进行质量控制, 取得了较好的效果。在国内, 双权重法被用于一系列资料的质量控制, 均取得了较好的效果(如FY-3B/IRAS(Infrared Atmospheric Sounder)资料的质量控制研究[29]等)。

质量控制需要找出离群点资料, 即与平均值“ 距离” 比较大的资料[29]。实际质量控制过程中, 离群值的定义(即多大的值称为离群值)对最终的结果会产生一定的影响。一般先研究大样本量观测资料统计特性以及模拟值与观测值之间的差别, 得到资料统计分布的结构和特征, 其次根据一定的理论并结合经验来确定离群值。双权重法能够有效地剔除偏离亮温偏差均值较大的离群点异常值, 用于对AIRS通道资料的质量控制, 目的是剔除受地表发射率、云影响或误差较大的离群资料。离群值剔除也可基于稳健统计的思想进行操作, 稳健统计具有2个优点:一是当数据分布结构未知或虽然已知但不服从高斯分布时, 稳健统计能够较好地描述所研究的问题; 二是当样本数据中存在离群值时, 稳健统计不会偏离实际解太远, 即稳健统计对离群值不太敏感[34]。在Tavolato等[35]给出的基于稳健性较强的Huber-估计进行观测资料(温度、气压、湿度等)的质量控制时, 得到此类观测资料较符合Huber-估计的特征分布, 即服从一定的非高斯性[1]。

在目前异常值剔除研究中, 需要剔除一些所谓的“ 离群值” , 使经过质量控制后的通道亮温偏差服从高斯分布, 以便使用经典变分同化方法。此做法的问题在于, 因为一些离群值代表了一些“ 天气现象” , 如果对其“ 过度” 剔除, 则会丢失很多有用的信息。如何度量离群值以及对经典变分同化目标泛函进行改写, 使其能够同化一定的非高斯分布观测资料是未来发展的方向, 也是资料质量控制和同化的技术难点。

2.3 偏差订正

变分同化的理论基础是基于误差(“ 误差” 从数学算法的角度出发)服从高斯分布这一假定, 实际上偏差(“ 偏差” 从卫星资料特有的定义出发)包含了各种系统而不是随机的误差, 同化卫星资料进预报模式的首要问题是资料的偏差订正, 使订正后的偏差服从高斯分布[36]。早在1988年Kelly等[37]就进行了辐射值的调整研究。Mcmillin等[38]基于先验估计进行了卫星辐射值的调整, 为偏差订正的研究奠定了基础。偏差订正效果决定了同化卫星资料得到的分析场质量, 并影响最终模式的预报(如降水落区和雨量, 台风路径和强度)。偏差(更广泛地说是系统误差)在资料同化中普遍存在。所有的资料同化系统都受到偏差影响。所谓偏差是卫星实际观测亮温(O)与模拟亮温(B)之差, 定义为O-B。偏差的来源具有很多的不确定性。辐射传输模式本身包含有误差, 辐射传输模式的输入数据:温度、湿度廓线、臭氧总量等包含有误差; 卫星观测数据本身因仪器灵敏度、定标、云等的影响也包含有误差; 传感器的响应特性随时间改变, 也会造成辐射测量的系统偏差等。所有这些误差的综合效应造成观测辐射值与模拟值之间的系统偏差。这些偏差经常与数值预报模式短期预报大气温度场的典型误差相应的辐射变化相当, 除非辐射传输误差可以控制和订正到这个水平以下, 否则将卫星测量的辐射应用于NWP中很难获得正效应[36]。资料同化中偏差的一个显著特征是在分析增量中包含系统特征(如大的持续的平均值或规则重复出现的空间结构)。在数值同化系统中偏差的出现意味着有效的资料没有被充分利用, 甚至在某些情况下根本不能被利用。变分同化是基于误差服从高斯分布的假定, 如果使用无偏的模式同化有偏的观测资料, 则在同化过程中会引起偏差。如果把未经过偏差订正的卫星资料同化进变分系统, 存在的问题是同化系统只能用来订正随机误差, 不能订正此类的系统偏差, 则会造成变分极小化迭代的不收敛或失败。

各种不同来源的偏差(以及它们的组合形式)十分复杂, 而且偏差出现以后并不是一成不变, 它们可以随时间变化(日变化或者季节性变化); 随地理位置变化, 包括气团和下垫面(陆地, 海或者冰)的变化; 甚至会随卫星的扫描角度变化等。所以对于偏差订正需要开展大量的工作。

目前偏差订正方法主要包括离线(off-line)和在线(on-line)。订正分2步执行, 即扫描偏差订正和气团偏差订正。在卫星通道观测和模拟亮温统计过程中发现总体具有“ 临边变暗” 的现象, 即关于星下点两边亮温有所降低。原因是在给定通道频率和大气密度时大气的光学厚度会随着扫描角向远离星下点的位置而增加, 所以需要进行扫描偏差订正。同时, 由于不精确的快速辐射传输模式和透过率系数的计算引起的前向模式中的偏差有随气团和表面特征变化的趋向, 因此必须进行气团偏差订正。气团偏差订正的主要问题是预报因子的选取, 选取不同的预报因子, 会得到不同的偏差订正效果。常用预报因子有:地表温度、可降水量、1 000~300 hPa 厚度、850~300 hPa厚度(也称为对流层厚度)和200~50 hPa厚度(也称为平流层厚度)等[34]。

2.3.1 离线偏差订正

离线偏差订正主要思路是统计一个时间段的资料(通常2周或1个月), 把统计得到的系数写到文件中, 在变分同化极小化迭代过程中进行偏差订正时读出文件中的系数, 通过线性组合(偏差订正方程)求解完成。

国外, Eyre[39]首次提出卫星资料偏差订正执行分为扫描偏差订正和气团偏差订正的静态偏差订正法, 但其提出的方案中没有考虑扫描角随纬度的变化。Harris等[7]在Eyre方案的基础上, 引入了扫描偏差订正依赖纬度变化信息, 并以每10° 纬线为1个带将地球分成18个纬度带[34, 40]。同时Harris等[41]进一步提出的扩展静态离线气团偏差订正预报因子的使用从观念上将对观测值的订正变为对计算前向辐射值的订正。Auligne等[8]提出的自适应偏差订正主要是使用调整后的观测算子, 在每次使用偏差订正回归系数单独更新偏差方程系数时, 采用的预报因子信息来自于最初的背景场, 偏差系数的更新先于变分同化的目标泛函极小化迭代。Liu 等[9]在WRF-3DVar中对卫星探测器通道观测亮温和模拟亮温直接进行回归, 完成亮温资料的偏差订正。

国内, 刘志权等[36]基于Harris等的方法, 结合ATOVS(Advanced TIROS-N Operational Vertical Sounder)资料特征和国内的实际情况, 建立了适用于区域NOAA15/16/17 极轨气象卫星ATOVS 辐射资料的偏差订正方案。该方案偏差订正仍然分为2步进行扫描偏差订正和气团偏差订正, 并从国家气象中心 T213 背景场导出预报因子。试验结果表明订正结果显著。国内其他学者开展了风云三号卫星微波湿度计等一系列研究, 其核心思想是基于刘志权等的方法和思路。

需要说明的是off-line方法存在一定的问题:其只能在极小化迭代之前完成对辐射资料的订正, 对最新的观测资料没有订正能力, 因而新资料就无法及时接入到同化系统中。为解决上述问题, 国际上大多数全球业务数值天气预报系统采用变分偏差订正方法, 即on-line方法。与off-line法相比, on-line方法具有2个显著优势:一是它能够自动感应给定通道偏差的变化并作出相应的订正; 二是可以不断地加入新仪器的观测资料[42]。

2.3.2 在线偏差订正

在线偏差订正主要思想是把气团偏差订正中的回归系数作为变分同化目标泛函公式的一部分, 同温度、湿度、风和气压等模式变量一起参与整个目标泛函极小化迭代过程的更新。

国外, Dee[10]提出了变分偏差订正, 通过修改观测算子和定义新的控制变量, 把偏差订正预报因子系数作为控制参数, 在极小化过程中直接对模式状态变量和控制参数同时进行调整。此方法不仅可以在极小化过程中不断更新偏差量, 而且可以自动地感应给定传感器下特定通道的偏差变化并给出相应的订正, 采用的预报因子信息是每次得到的分析场而非背景场。大部分由于气团导致观测偏差的变化可以归因于辐射传输模式模拟卫星通道亮温时所产生的误差, 其原因是从非星下点观测到的辐射具有临边效应, 这种效应随着扫描角的变化而变化, 大气光学厚度会随着扫描角向远离星下点的位置而增加, 由辐射传输公式可知, 大气对卫星的辐射贡献是通过卫星通道的权重函数进行求解, 权重函数是透过率关于气压的偏导, 透过率是光学厚度的指数函数。基于此, Watts等[11]提出了基于辐射传输模式的偏差订正并要求每个通道单独统计透过率系数, 此方法订正效果较好, 但因耗时不适合实时业务使用。Elana等[12]提出基于局部集合变换卡尔曼滤波的偏差订正方法, 把模式变量作为集合数据同化的一部分估计卫星通道亮温偏差, 减小了观测偏差和分析误差, 但仍然存在依赖于集合成员数且较耗时等不足。

国内, Wang等[43]首次利用变分偏差订正方法改进了GRAPES中原有的基于Harris等的订正方案, 开展了ATOVS资料同化试验, 得到了较好的分析场。王雪曼等[13]提出的方法实现了off-line和on-line的有效耦合。其思想是在Harris等的TOVS辐射偏差订正方案以及国外在数值天气预报系统中对卫星数据提出的偏差订正动态更新概念的基础上, 结合GRAPES分析预报系统和国家卫星气象中心的卫星预处理系统的特点以及仪器特征, 提出了GRAPES偏差订正动态更新方案, 较好地解决了数据的漂移等问题, 并采用变分方法对偏差订正预报因子系数进行了调整。进行NOAA18-AMSU辐射率为期2个月同化试验结果显示:动态更新方案可以自动、迅速地优化已经退化的偏差订正方程, 保持偏差订正的效果, 运行稳定, 其结果较理想。王根[34]进行了卫星亮温辐射资料偏差订正方法的总结, 并分析了不同订正方法的优缺点。

偏差订正存在的技术难点是偏差的来源较广, 不同探测器亮温辐射率偏差既具有共性又有各自的特点, 要针对不同的仪器不同的通道采用具有自身特色的订正方法。另外, 预报因子的选取和组合也很关键。偏差订正是一项具有挑战性的工程。AIRS资料偏差订正发展方向是“ 最优” 预报因子组合和基于“ 辐射传输模式” 订正法研究。

2.4 云检测

目前国际上大多数变分同化系统只能同化晴空的卫星探测器通道亮温。由于红外探测器易受到云的影响, 考虑到目前快速辐射传输模式对有云亮温模拟不精确, 在有云视场点一般中低层通道(此时通道权重函数峰值一般位于云顶之下)的亮温偏差会较大。如果把有云视场点作为晴空处理, 则会存在一定的问题, 如亮温偏差较大等, 进一步可能会造成变分同化极小化迭代不收敛, 导致变分同化失败。当晴空视场点中含有有云视场点时, 在红外探测器通道亮温偏差概率密度分布图上会呈现拖尾现象[44], 也就是概率密度不趋于高斯分布, 这与变分同化的假定矛盾, 从而在使用红外探测器通道亮温资料进行产品反演或变分同化时需要进行云检测。

国内外常用的红外探测器云检测方法主要有4种:寻找“ 晴空视场点” 、“ 晴空通道” 、“ 云辐射订正” 和“ 不同仪器云产品匹配” 。基于视场点的云检测是寻找绝对晴空的视场点, 当通道组合中的某个通道在某个视场点被判断有云, 剔除所有通道在此视场点的观测[14]。Menzel等[45]通过CO2分层法计算云顶气压和有效发射率来计算云导风。在此基础上, Smith等[46]通过CO2分层法计算云顶气压和有效发射率对ATOVS携带的大气红外探测器进行云检测研究。Goldberg等[47]利用AIRS通道和相应微波通道的经验组合, 提出了适用于AIRS的NESDIS-Goldberg云检测方案, 分别对陆地和海洋表面的视场点进行云检测。 Huang等[48]提出了局部最小方差发射率法。对于AIRS资料来说, 像元内完全晴空、无云的可能性很小, 初步统计结果表明:全球约10%的视场点没有受云影响, 从而造成大量的资料被丢弃[49]。研究表明:在NWP中那些引起预报误差增长的区域经常有云, 在有云的敏感区域, 应当谨慎剔除受云影响资料而尽可能保留不受云影响的信息。基于此, McNally等[15]根据通道对云的敏感性不同, 提出了一种寻找完全不受云影响的“ 晴空通道” 的云检测方案(也称为“ ECMWF方法” ), 根据不同通道亮温对云的敏感性不同, 指定通道“ 高度” 类似于通道的权重函数, 然后进行通道排序寻找不受云影响的晴空通道。在国内, 官莉[17]运用与AIRS空间匹配的MODIS的L2级云掩膜产品来确定AIRS受云影响的视场点, 即不同仪器间云产品的匹配得到晴空视场点。另外有学者提出了同化“ 晴空辐射” 的方法, 即使用邻域的视场点消除云信息重构晴空辐射[16]。陈靖等[50]借鉴NESDIS-Goldberg的AIRS云检测方案, 将其原来NESDIS-Goldberg的3个云检测步骤改为7个云检测步骤, 其中海洋表面4个, 陆地表面3个。首先, 选择最优的阈值; 其次, 利用GRAPES-3DVar分别对AIRS的海洋和陆地上的视场点进行云检测; 最后, 把AIRS资料同化进GRAPES模式[50]。朱文刚等[51]基于McNally等的云检测方案, 结合GRAPES-3DVar系统和AIRS仪器特征, 对各个视场通道进行云检测, 剔除受云影响的通道亮温, 该方案不但可以检测出晴空视场资料, 同时也可以检测出有云视场当中不受云影响的晴空通道资料。同化晴空通道的辐射率资料, 增加了同化资料的数量, 改善了预报模式初值, 提高数值预报的效果, 为有云资料在变分同化系统中的应用奠定基础。

目前GRAPES业务使用的AIRS云检测方法为“ 晴空视场点” 和“ 晴空通道” 法, 但其存在一定的问题, 在算法执行过程中只把云作为单层云, 没有考虑云的分层信息。针对此, 一些学者发展了能计算云对红外辐射影响的辐射传输模式及其伴随算子, 可以直接同化受云影响的红外探测器的通道亮温, 但只是基于蒙特— 卡罗进行了AIRS模拟资料的初步研究, 其也是高光谱AIRS受云影响资料的应用趋势[52]。

2.5 数据稀疏化

在数值天气预报同化系统中运用完整的观测资料可能会导致一系列的问题:一是观测值和状态向量的规模过大, 使得计算资源成本过高, 占用内存空间过多; 二是在观测密集区的观测值过于繁冗, 导致观测资料的利用效率较低[34]; 三是可能违背观测误差相互独立的假定或误差相关性不是很明确, 使得计算结果不理想。在实际应用中, 为了减少计算量, 通常假设观测误差协方差矩阵是对角阵, 即不考虑观测资料之间的相关性。由于卫星探测器扫描观测点之间的间隔较小, 从而观测资料数量较多, 考虑到变分同化的时效性和变分同化的理论要求, 在实际业务应用中卫星通道亮温资料进入变分同化系统之前需要进行数据的稀疏化处理[34]。目前数据稀疏化方法有3种:跳点跳线法、“ box” 方法和主成分分析(Principal Component Analysis, PCA)耦合双权重法。跳点跳线方法实际处理时考虑“ 旁瓣效应” , 一般每条扫描线的左右3个点在同化过程中不使用。对每一行扫描线跳2或3个像元, 对每一条轨道跳2或3条扫描线。此方法存在以下问题:一是直接降低了30° 以上中高纬地区的数据分辨率, 30° 以内稀疏化方法得到的数据分布不同, 整体数据分布不均匀; 二是稀疏化时仅做跳点处理, 没有考虑其他因素, 数据的代表性较差。“ box” 方案[53], 即在全球范围设定可以动态调整的小区域块。如果在某个小区块内有较多的观测点, 则只保留一个观测点的值。在选择的过程中需要比较各个观测点的物理参数, 把待判识中心视场点亮温值与通道周围视场点的亮温进行比较, 如果超过周围视场点亮温组合, 则判断此中心视场点的通道亮温异常, 通道亮温在此视场点被标记为“ 错误” , 在后期同化过程中不再使用此通道亮温, 标记为“ 正确” 的则进入同化系统。在GRAPES变分同化系统使用“ box” 方法较跳点跳线更科学, 但“ box” 方法只考虑到了视场点局部邻域信息, 没有从数据整体性出发。王根[34]尝试采用主成分分析PCA耦合双权重的思想进行了亮温数据的稀疏化研究, 通过定义Hoaglin-T参数度量“ 离群线” , 并在进入同化系统之前剔除“ 离群线” , 区别于之前的“ 离群点” , 取得了初步的研究结果。主成分分析法算法复杂度高, 但具有一定的应用前景。

综上所述, 数据稀疏化首先在众多观测数据中仅保留晴空视场点; 其次在这些晴空视场点中进一步考虑数据分布的均匀性; 最后不同卫星轨道重叠时, 取最接近分析时间的观测点。对卫星观测资料的稀疏化, 能够减小卫星数据集的规模。其技术难点在于如何更好地恢复出资料中的“ 有用和有效” 信息, 以期提高分析场质量, 进而提高数值天气预报精度。

基于上述提到的综合质量控制法(信息熵分步迭代法、双权重法、Harris和Kelly法、ECMWF方法和box法), 利用 2013年5月1~31日为期1个月的AIRS数据同化进GRAPES模式开展影响试验。进一步给出综合应用质量控制后同化结果对数值预报的效应情况。其中GRAPES-3DVar垂直分层为60层、水平分辨率为0.5° 。通过比较控制预报试验(Control:conv.+AMSUA+GPS)、控制+AIRS预报试验的预报评分技巧的改善状况来评价数值预报应用潜力[54]。其中, conv.为常规GTS(Global Telecommunication System)资料。预报技巧考核指标采用500 hPa等压面位势高度距平相关系数ACC(Anomaly Correlation Coefficient)进行度量(图2)。距平相关检验在2.5° 分辨率网格进行, 检验时间点为世界时12点。

图2 预报24~120小时距平相关系数Fig.2 Anomaly correlation coefficient of forecast 24~120 hours

由图2可知, 综合应用质量控制后的高光谱AIRS资料同化结果对南北半球数值预报场有弱的正贡献, 此结论与参考文献[55]的结论具有较好的一致性。

3 研究展望

本文介绍了高光谱大气红外探测器AIRS资料质量控制研究进展。从通道选择、异常值剔除、偏差订正、云检测和数据稀疏化5个方面介绍了较多有效的研究成果。经分析得到如下结论:

(1) 应针对不同地区气候类型、下垫面、季节以及天气条件的不同情况“ 动态” 形成相应的通道组合。

(2) 在数值天气预报同化分析中对观测资料的质量控制是重要的环节。通常需要对下垫面、临边、极值、观测和模拟值之间的异常值进行检验。双权重法和基于Huber-估计的质量控制方法对离群值的识别具有稳健性, 能够在剔除异常值的基础上, 保留一些天气现象引起的“ 合理” 值。

(3) 偏差的来源很广, 不同探测器亮温辐射率偏差既具有共性又有特性。偏差订正方法有离线(off-line)和在线(on-line)2种偏差订正。包括:静态、自适应、回归法、变分偏差、基于辐射传输模式、基于卡尔曼滤波偏差订正法和偏差订正的动态更新技术。偏差订正是一项具有挑战性的工程, 要针对不同的仪器不同的通道采用具有自身特色的订正方法, 尤其是预报因子的选取。

(4) 当晴空视场点中含有云视场点时在红外探测器通道亮温偏差概率密度分布图上呈现“ 拖尾现象” , 即概率密度不趋于高斯分布, 这与变分同化的基本假定矛盾, 从而在采用红外探测器通道亮温资料进行产品反演或进入数值天气预报同化系统时需要进行云检测。云检测的方法主要有“ 基于晴空视场点” 、“ 基于晴空通道” 、“ 云辐射订正” 和“ 不同仪器间的匹配” , 不同的方法各有优缺点, 需要从同化预报效果出发, 找出符合不同探测器和模式的“ 最佳” 云检测方法。

(5) 数据稀疏化常采用的方法有跳点跳线方法、“ box” 方案、PCA耦合双权重的思想, 后者从资料整体结构入手, 具有一定的合理性, 但需要进行大量试验验证。

文中提到的都是较有益的研究成果, 这些经验和方法可以应用到我国未来气象卫星或其他卫星搭载的高光谱探测器资料的质量控制中。对于高光谱AIRS资料的使用需要做两方面的努力:如果采用国际上通用的误差基于高斯分布的经典变分同化方法, 则需要进行AIRS资料的质量控制; 如果采用别的方法, 如非高斯模型同化法, 则可以尝试进行近地面、水汽通道和受云影响亮温同化, 以期提高分析场中的湿度信息, 进而更能较好地进行降水和台风的预报。但目前做非经典变分同化的相关研究较少, 还需要相关研究人员和同行共同的努力。

The authors have declared that no competing interests exist.

参考文献
[1] Wang G, Zhang J W. Generalised variational assimilation of cloud-affected brightness temperature using simulated hyper-spectral atmospheric infrared sounder data[J]. Advances in Space Research, 2014, 54(1): 49-58. [本文引用:4]
[2] Pan Liujie, Zhang Hongfang, Wang Jianpeng. Progress on verification methods of numerical weather prediction[J]. Advances in Earth Science, 2014, 29(3): 327-335.
[潘留杰, 张宏芳, 王建鹏. 数值天气预报检验方法研究进展[J]. 地球科学进展, 2014, 29(3): 327-335. ] [本文引用:1]
[3] Liu Yang, Cai Bo, Ban Xianxiu, et al. Research progress of retrieving atmosphere humidity profiles from AIRS data[J]. Advances in Earth Science, 2013, 28(8): 890-896.
[刘旸, 蔡波, 班显秀, 等. AIRS红外高光谱资料反演大气水汽廓线研究进展[J]. 地球科学进展, 2013, 28(8): 890-896. ] [本文引用:2]
[4] Rabier F, Fourrie N, Chafai D, et al. Channel selection methods for infrared atmospheric sounding interferometer radiances[J]. Quarterly Journal of the Royal Meteorological Society, 2002, 128(581): 1 011-1 027. [本文引用:2]
[5] Zhang Jianwei, Wang Gen, Zhang Hua, et al. Experiment on hyper-spectral atmospheric infrared sounder channel selection based on the cumulative effect coefficient of principal component[J]. Transactions of Atmospheric Sciences, 2011, 34(1): 36-42.
[张建伟, 王根, 张华, 等. 基于主成分累计影响系数法的高光谱大气红外探测器的通道选择试验[J]. 大气科学学报, 2011, 34(1): 36-42. ] [本文引用:2]
[6] Wang Gen, Lu Qifeng, Zhang Jianwei, et al. Study on method and experiment of hyper-spectral atmospheric sounder channel selection[J]. Remote Sensing Technology and Application, 2014, 29(5): 795-802.
[王根, 陆其峰, 张建伟, 等. 高光谱大气红外探测器通道选择方法及试验研究[J]. 遥感技术与应用, 2014, 29(5): 795-802. ] [本文引用:2]
[7] Harris B A, Kelly G. A satellite radiance-bias correction scheme for data assimilation[J]. Quarterly Journal of the Royal Meteorological Society, 2001, 127(574): 1 453-1 468. [本文引用:2]
[8] Auligne T, McNally A P, Dee D P. Adaptive bias correction for satellite data in a numerical weather prediction system[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133(624): 631-642. [本文引用:2]
[9] Liu Z Q, Barker D M. Radiance Data Assimilation in WRF-Var: Implementation and Initial Results[R]. The 7th WRF Users’ Workshop, 2006. [本文引用:2]
[10] Dee D P. Variational bias correction of radiance data in the ECMWF system[C]∥Proceedings of the ECMWF Workshop on Assimilation of High Spectral Resolution Sounders in NWP, Reading, UK, 2004. [本文引用:2]
[11] Watts P D, McNally A P. Identification and correction of radiative transfer modeling errors for atmospheric sounders: AIRS and AMSU-A[C]∥Proceeding of the ECMWF Workshop on Assimilation of High Spectral Resolution Sounders in NWP, UK, 2004. [本文引用:2]
[12] Elana J F, Seung J B, Brianr H, et al. Observation bias correction with an ensemble Kalman filter[J]. Tellus, 2009, 61(2): 210-226. [本文引用:2]
[13] Wang Xueman, Li Gang, Zhang Hua. Application of online bias correction of polar orbit satellite observations in GRAPES-3Dvar[J]. Meteorological Monthly, 2015, 41(7): 863-871.
[王雪曼, 李刚, 张华. 极轨卫星观测偏差订正动态更新技术在GRAPES-3Dvar的应用研究[J]. 气象, 2015, 41(7): 863-871. ] [本文引用:2]
[14] English S J, Eyre J R, Smith J A. A cloud-detection scheme for use with satellite sounding radiances in the context of data assimilation for numerical weather prediction[J]. Quarterly Journal of the Royal Meteorological Society, 1999, 125(559): 2 359-2 378. [本文引用:2]
[15] McNally A P, Watts P D. A cloud detection algorithm for high-spectral-resolution infrared sounders[J]. Quarterly Journal of the Royal Meteorological Society, 2003, 129(595): 3 411-3 423. [本文引用:2]
[16] Li J, Liu C Y, Huang H L, et al. Optimal cloud-clearing for AIRS radiances using MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(6): 1 266-1 278. [本文引用:2]
[17] Guan Li. The Application of Space-borne Infrared Hyper-spectral Data[M]. Beijing: China Meteorological Press, 2008: 55-56.
[官莉. 星载红外高光谱资料的应用[M]. 北京: 气象出版社, 2008: 55-56. ] [本文引用:3]
[18] Zhang Hua, Xue Jishan, Zhuang Shiyu, et al. Idea experiments of GRAPES three-dimensional variational data assimilation system[J]. Acta Meteorological Sinica, 2004, 62(1): 31-41.
[张华, 薛纪善, 庄世宇, 等. GRAPES三维变分同化系统的理想试验[J]. 气象学报, 2004, 62(1): 31-41. ] [本文引用:1]
[19] Collard A, Saunders R, Cameron J, et al. Assimilation of data from AIRS for improved numerical weather prediction[C]∥13th International TOVS Study Conferences. Adele, Canada, 2003. [本文引用:2]
[20] Rodgers C D. Information content and optimisation of high spectral resolution remote measurements[J]. Advances in Space Research, 1998, 21(3): 361-367. [本文引用:1]
[21] Fourrié N, Thépaut J N. Validation of the NESDIS Near Real Time AIRS Channel Selection[M]. England : European Center for Medium Range Weather Forcasts, 2002. [本文引用:1]
[22] Fourrié N, Thépaut J N. Evaluation of the AIRS near-real-time channel selection for application to numerical weather prediction[J]. Quarterly Journal of the Royal Meteorological Society, 2003, 129(592): 2 425-2 439. [本文引用:1]
[23] Cameron J R N, Collard A D, English S J. Operational use of AIRS observations at the met office[C]∥Proceeding of the 14th International TOVS Study Conferences. Beijing, 2005. [本文引用:1]
[24] Du Huadong, Huang Sixun, Shi Hanqing. Method and experiment of channel selection for high spectral resolution data[J]. Acta Physica Sinica, 2008, 57(12): 7 685-7 692.
[杜华栋, 黄思训, 石汉青. 高光谱分辨率遥感资料通道最优选择方法及试验[J]. 物理学报, 2008, 57(12): 7 685-7 692. ] [本文引用:1]
[25] Zhang Shuiping. Hyperspectral atmospheric sounding information channel selection study[J]. Scientia Meteorologica Sinica, 2009, 29(4): 475-481.
[张水平. AIRS资料反演大气温度廓线的通道选择研究[J]. 气象科学, 2009, 29(4): 475-481. ] [本文引用:1]
[26] Liu Hui, Dong Chaohua, Zhang Wenjian, et al. Retrieval of clear-air atmospheric temperature profiles using AIRS observations[J]. Acta Meteorologica Sinica, 2008, 66(4): 513-519.
[刘辉, 董超华, 张文建, 等. AIRS晴空大气温度廓线反演试验[J]. 气象学报, 2008, 66(4): 513-519. ] [本文引用:1]
[27] Weisz E. Temperature Profiling by the Infrared Atmospheric Sounding Interferometer (IASI): Advanced Retrieval Algorithm and Performance Analysis[R]. Graz, Austrnd: Karl-Franzwns Universitat, 2001. [本文引用:1]
[28] Wang Gen, Tang Fei, Liu Xiaobei, et al. Application of M-estimators method on FY3B/IRAS channel brightness temperature generalized variational assimilation[J]. Journal of Remote Sensing, 2017, 21(1): 52-61.
[王根, 唐飞, 刘晓蓓, 等. M-估计法广义变分同化FY3B/IRAS通道亮温[J]. 遥感学报, 2017, 21(1): 52-61. ] [本文引用:1]
[29] Wang Gen, Liu Xiaobei, Yang Yin, et al. Application of bi-weighting quality control method to FY-3B/IRAS data[J]. Journal of Chengdu University of Information Technology, 2014, 29(6): 609-615.
[王根, 刘晓蓓, 杨寅, 等. 双权重质量控制法在FY-3B/IRAS资料中的应用研究[J]. 成都信息工程学院学报, 2014, 29(6): 609-615. ] [本文引用:3]
[30] Hocking J, Rayer P, Saunders R, et al. RTTOV v10 Users Guide[Z]. NWPSAFMO-UD-023, EUMETSAT, Darmstadt, Germany, 2010. [本文引用:1]
[31] Weng F, Han Y, Delst P, et al. JCSDA community radiative transfer model (CRTM)[C]∥Proceedings of the 14th International TOVS Study Conference. Beijing, 2005. [本文引用:1]
[32] Jung J A, Le Marshall J F, Riishojgaard L P, et al. The development of hyperspectral infrared water vapor radiance assimilation techniques in the NCEP Global Forecast System[C]∥ECMWF/EUMETSAT NWP-SAF Workshop on the Assimilation of IASI in NWP, 2009. [本文引用:1]
[33] Zou X, Zeng Z. A quality control procedure for GPS radio occultation data[J]. Journal of Geophysical Research: Atmospheres, 2006, 111(D2), doi: 10.1029/2005JD005846. [本文引用:1]
[34] Wang Gen. FY3B/IRAS Data Bias Correction, Cloud Detection, Quality Control and Assimilation Test[D]. Nanjing: Nanjing University of Information Science and Technology, 2014.
[王根. FY3B/IRAS资料偏差订正、云检测、质量控制和同化测试[D]. 南京: 南京信息工程大学, 2014. ] [本文引用:7]
[35] Tavolato C, Isaksen L. On the use of a Huber norm for observation quality control in the ECMWF 4D-Var[J]. Quarterly Journal of the Royal Meteorological Society, 2015, 141(690): 1 514-1 527. [本文引用:1]
[36] Liu Zhiquan, Zhang Fengying, Wu Xuebao, et al. A regional ATOVS radiance bias correction scheme for radiance assimilation[J]. Acta Meteorological Sinica, 2007, 65(1): 113-123.
[刘志权, 张凤英, 吴雪宝, 等. 区域极轨卫星ATOVS辐射偏差订正方法研究[J]. 气象学报, 2007, 65(1): 113-123. ] [本文引用:3]
[37] Kelly G, Flobert J F. Radiance tuning[C]∥Technical Proceedings della 4th International TOVS Study Conference. Igls, Austria, 1988. [本文引用:1]
[38] Mcmillin L M, Crone L J, Crosby D S. Adjusting satellite radiances by regression with an orthogonal transformation to a prior estimate[J]. Journal of Applied Meteorology, 1989, 28(9): 969-975. [本文引用:1]
[39] Eyre J R. A Bias Correction Scheme for Simulated TOVS Brightness Temperatures[R]. Technical Memorand um. Shinfield: ECMWF, 1992. [本文引用:1]
[40] Cui L M, Sun J H, Qi L L. Two bias correction schemes for ATOVS radiance data[J]. Journal of Tropical Meteorology, 2010, 16(1): 71-76. [本文引用:1]
[41] Harris B A, Kelly G. A satellite radiance bias correction scheme for data assimilation[J]. Quarterly Journal of the Royal Meteorological Society, 2001, 127(574): 1 453-1 468. [本文引用:1]
[42] Wang Xiang. ATVOS Radiation Data Bias Correction Scheme Research and Application[D]. Nanjing: Nanjing University of Information Science and Technology, 2009: 4-5.
[王祥. ATVOS辐射率资料偏差订正方案研究与应用[D]. 南京: 南京信息工程大学, 2009: 4-5. ] [本文引用:1]
[43] Wang Xiang, Li Gang, Zhang Hua, et al. The GRAPES variational bias correction scheme and associated preliminary experiments[J]. Acta Meteorological Sinica, 2011, 25(1): 51-62. [本文引用:1]
[44] Auligne T, McNally A P. Interaction between bias correction and quality control[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133(624): 643-653. [本文引用:1]
[45] Menzel W P, Smith W L, Stewart T R. Improved cloud motion wind vector and altitude assignment using VAS[J]. Journal of Climate and Applied Meteorology, 1983, 22(3): 377-384. [本文引用:1]
[46] Smith W L, Frey R. On cloud altitude determinations from high resolution interferometer sounder (HIS) observations[J]. Journal of Applied Meteorology, 1990, 29(7): 658-662. [本文引用:1]
[47] Goldberg M D, Qu Y, McMillin L M, et al. AIRS near-real-time products and algorithms in support of operational numerical weather prediction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(2): 379-389. [本文引用:1]
[48] Huang H L, Smith W L, Li J, et al. Minimum local emissivity variance retrieval of cloud altitude and effective spectral emissivity-simulation and initial verification[J]. Journal of Applied Meteorology, 2004, 43(5): 795-809. [本文引用:1]
[49] Huang Hunglung, Li Jun, Baggett K, et al. Evaluation of cloud-cleared radiances for numerical weather prediction and cloud contaminated sounding applications[C]∥Atmospheric and Environmental Remote Sensing Data Processing and Utilization: Numerical Atmospheric Prediction and Environment Monitoring. Proceedings of SPIE 5890. SanDiego, California, USA, 2005: 38-45. [本文引用:1]
[50] Chen Jing, Li Gang, Zhang Hua, et al. Application of cloud detection to assimilation of AIRS radiance data[J]. Meteorological Monthly, 2011, 37(5): 555-563.
[陈靖, 李刚, 张华, 等. 云检测在高光谱大气红外探测器辐射率直接同化中的应用[J]. 气象, 2011, 37(5): 555-563. ] [本文引用:2]
[51] Zhu Wengang, Li Gang, Zhang Hua, et al. Study on application technique of cloud detection and clear channels hyperspectral atmospheric infrared detector AIRS data[J]. Meteorological Monthly, 2013, 39(5): 633-644.
[朱文刚, 李刚, 张华, 等. 高光谱大气红外探测器AIRS资料云检测及晴空通道应用技术初步研究[J]. 气象, 2013, 39(5): 633-644. ] [本文引用:1]
[52] Heilliette S, Garand L. A practical approach for the assimilation of cloudy infrared radiances and its evaluation using AIRS simulated observations[J]. Atmosphere—Ocean, 2007, 45(4): 211-225. [本文引用:1]
[53] Dee D P, Rukhovets L, Todling R, et al. An adaptive buddy check for observational quality control[J], Quarterly Journal of the Royal Meteorological Society, 2001, 127(577): 2 451-2 471. [本文引用:1]
[54] Lu Qifeng. Initial evaluation and assimilation of FY-3A atmospheric sounding data in the ECMWF system[J]. Science in China (Series D), 2011, 41(7): 890-894.
[陆其峰. 风云三号A星大气探测资料数据在欧洲中期天气预报中心的初步评价与同化研究[J]. 中国科学: D辑, 2011, 41(7): 890-894. ] [本文引用:1]
[55] McNally A P, Watts P D, Smith J A, et al. The assimilation of AIRS radiance data at ECMWF[J]. Quarterly Journal of the Royal Meteorological Society, 2006, 132(616): 935-957. [本文引用:1]