融合光谱特征与激光雷达测量的通用云顶特性反演算法及其在北极地区的性能评估

《International Journal of Applied Earth Observation and Geoinformation》：A general algorithm to retrieve cloud top properties by incorporating spectral characteristics and lidar measurements

为解决被动辐射计反演云顶参数存在显著不确定性的问题，研究人员开展了一项结合多光谱特征与激光雷达测量建立查找表（LUT）的研究，提出了一种通用算法同时反演云顶高度（CTH）、云顶温度（CTT）和云顶压力（CTP）。该算法在独立验证年中表现出色，平均均方根误差分别为1.70 km、9.0 K和118 hPa，精度较MODIS产品提升约40%，且不依赖辅助数据，为全球云层时空模式研究提供了可靠工具。

　　

云，作为覆盖地球表面三分之二的自然现象，在天气变化、能量收支和全球大气循环中扮演着至关重要的角色。特别是云顶高度（CTH）、云顶温度（CTT）和云顶压力（CTP）这些宏观变量，不仅直接影响辐射预算，还关系到航空安全，因此一直是气象和气候研究的重点。然而，尽管被动辐射计如MODIS（Moderate Resolution Imaging Spectroradiometer）等传感器已提供长期的气候数据记录，但由于云的复杂多变性和现有算法对光谱特征利用的局限性，这些云顶产品的反演仍存在显著的不确定性。传统方法如11 μm亮温法假设云为黑体，忽略地表和大气发射，仅对高而厚的云有效；CO₂切片法虽避免了黑体假设，但受仪器噪声影响大，且需大气剖面输入，用户友好性差。此外，多数算法仅使用1-2个通道，难以充分捕捉云的复杂变化，尤其在处理薄云、亚像元云、半透明云和极低云时，往往漏检或反演不准确。

相比之下，星载激光雷达（如CALIOP）通过发射激光脉冲并接收回波信号，能更灵敏、准确地探测云顶特性，尤其是CTH，因为它直接测量卫星与云顶的距离，避免了被动传感器的光谱模糊问题。然而，激光雷达的空间覆盖非常有限，通常仅在天底点测量，不适合大范围制图和监测。近年来，机器学习和深度学习技术被 increasingly 应用于云顶参数反演，虽显示出潜力，但大多研究集中于静止卫星（如Himawari-8），且缺乏机制透明度，同时未能充分利用A-Train星座卫星的协同过境特性。这些 gaps 共同促使研究人员开发物理透明、训练高效的替代方案，能够利用协同卫星配置。

为此，Chuanye Shi、Tianxing Wang、Zheng Li、Xuewei Yan和Husi Letu在《International Journal of Applied Earth Observation and Geoinformation》上发表了一项研究，提出了一种通用算法，通过建立激光雷达测量与云敏感光谱特征之间的查找表（LUT），同时反演CTH、CTT和CTP。该算法旨在解决被动传感器反演的不确定性问题，实现高精度、大范围的云顶特性制图。

研究人员主要采用了以下关键技术方法：利用MODIS/Aqua的36个光谱通道数据和CALIOP/CALIPSO的激光雷达测量数据进行 spatio-temporal 匹配，确保空间距离小于1 km且时间差小于2分钟，从而构建包含730万条记录的LUT；选取了16个云敏感特征，包括亮温（如BT₁₁、BTD_11-12）、表观反射率（如R_0.66、R_1.38）以及年积日（DoY）、海拔和太阳天顶角（SZA）等，以 mitigate 大气多重解问题；应用Z-score归一化处理特征，并基于欧几里得距离进行LUT查找，取最匹配的10个记录的 median 值作为反演结果；最后采用5 * 5中值滤波减少随机噪声。所有数据来源于EARTHDATA网站，研究区域为北极和亚北极地区（50°N–90°N），以挑战亮表面对反演准确性的影响。

研究结果部分通过多个案例和综合分析展示了算法的性能。在案例研究中，以2017年一个飓风案例为例，LUT算法反演的CTH、CTT和CTP空间模式与MODIS业务产品（MYD06）相似，但细节更准确。与CALIOP测量值相比，LUT算法的CTH、CTT和CTP的偏差和均方根误差（RMSE）分别为-0.08 km和0.74 km、-0.5 K和2.1 K、-10 hPa和15 hPa，而MYD06的相应值分别为-1.14 km和2.34 km、1.2 K和3.5 K、15 hPa和25 hPa，表明LUT算法精度显著更高。垂直结构图进一步显示，LUT估计的CTH与云层顶部吻合良好，而MYD06估计值分散，部分高估或低估4-6 km。

在综合精度评估中，基于2015年随机选取的528幅MODIS图像进行独立验证，LUT算法反演的CTH、CTT和CTP的RMSE分别为1.70 km、9.0 K和118 hPa，仅相当于MODIS业务产品RMSE的63.9%、59.6%和58.1%，表明算法有效缓解了大气多重解问题。与近年研究相比，LUT算法的CTH RMSE为1.70 km，低于Ri等（2022）的2.98 km、Wang等（2022）的2.72 km、Min等（2020）的1.54 km平均绝对误差（MAE）和Wang等（2024）的2.30 km，显示出优越性，且无需大气剖面或其他辅助数据。

在不同场景下的性能分析中，算法在白天和夜间、单层和多层云条件下表现出差异。白天反演精度更高，CTH、CTT和CTP的RMSE分别为1.58 km、8.2 K和113 hPa，而夜间RMSE高出10-23%，归因于白天有太阳短波通道辅助。单层云反演精度优于多层云，单层CTH的RMSE为1.2 km，而多层为2.5 km；单层CTT的RMSE仅为多层的43%。此外，算法在极低单层云中高估CTH、低估CTP，而在多层云中低估CTH、高估CTT和CTP，这是由于低云发射辐射被大气吸收或混合信号导致，这是所有光学被动传感器的固有局限。在其他条件如云相、厚度、下垫面类型和季节下，算法表现稳定，RMSE在1.48 km至1.86 km之间，仅冬季由于极夜和云层增厚，RMSE升至2.01 km。

研究结论和讨论部分强调，该LUT算法通过 incorporating 云敏感光谱特征、 employing LUT方法以更好地检测极端情况（如薄云、亚像元云）、以及直接使用激光雷达测量作为参考值，实现了高精度反演，且不依赖大气剖面，用户友好性好。算法不仅精度高于MODIS业务产品和近年研究，还能同时处理白天和夜间数据，适用于全球云层时空模式表征。然而，研究也存在局限性，如CALIOP仅天底测量导致卫星天顶角变化影响未充分考量，以及激光雷达偶尔漏检薄低云。未来工作应整合多数据源（如CALIOP、CPR、MODIS、ARM地面站和MODTRAN辐射传输模型）以构建更稳健的真值数据集，并将算法扩展至全球范围。总体而言，这项研究为云顶特性反演提供了了一种可靠、高效的解决方案，对气候研究和应用具有重要意义。