卫星红外辐射（IR）观测由于其高空间和时间分辨率，以及捕捉云系垂直结构和水平分布的能力，在全球和区域数值天气预报（NWP）中发挥着重要作用（Le Marshall等人，2006；Li等人，2019；Li等人，2022；Wang等人，2025）。值得注意的是，多云和降雨区域的卫星观测通常包含与恶劣天气发生和演变密切相关的信息，而预报敏感区域也与云覆盖度密切相关（McNally，2002；Geer等人，2018）。这意味着充分利用多云区域的红外观测可以提高数值模型表示天气过程的能力（Honda等人，2018；Wang等人，2022）。因此，如何有效同化此类观测数据已成为数据同化（DA）中的一个重要问题。
然而，卫星IR观测的全天同化仍然面临许多困难，包括数值模型和辐射传输模型在多云区域的不确定性，以及由云相关物理过程引入的非高斯和非线性问题（Errico等人，2007；Kumar和Shukla，2019）。集合卡尔曼滤波器（EnKF）和变分方法都依赖于高斯先验分布和线性化假设。因此，当处理具有显著非线性和非高斯特性的问题时，它们可能存在局限性，尤其是在对流尺度的高网格分辨率下（Van Leeuwen等人，2019）。
与上述方法依赖于先验概率密度函数的高斯假设和观测算子的线性不同，粒子滤波器（PF）基于蒙特卡洛方法和贝叶斯定理。它使用一组粒子的加权狄拉克δ函数之和来近似集合先验分布，无需对先验分布或观测似然进行高斯假设。该方法的核心思想是根据观测似然为每个粒子分配权重，然后通过重采样过程丢弃低权重粒子并复制高权重粒子来更新集合。通过避免强参数假设，当粒子数量足够大时，该方法在大多数应用中表现良好（Doucet等人，2001；Poterjoy和Anderson，2016），这使得PF成为解决DA中非高斯和非线性问题的一个有吸引力的候选方法。
然而，尽管PF在理论上有优势，但其应用在DA中仍然受到限制。例如，这种方法通常需要一个极大的粒子集合，且集合大小往往随着系统维度的增加而呈指数级增长（Snyder等人，2008），这意味着在高维系统中计算上不可行。当集合大小不足时，可能会发生滤波器发散，即粒子权重逐渐集中在少数几个粒子上，从而降低集合的代表性。这长期以来一直是限制PF应用于高维地球科学问题的关键因素之一（Poterjoy，2016）。
最近，随着计算资源的进步和各种解决PF滤波器发散问题的策略的发展，如局部化（Van Leeuwen，2009；Poterjoy，2016；Potthast等人，2019）、提议密度方法（Doucet等人，2001）以及与EnKFs的混合同化（Frei和Künsch，2013；Potthast等人，2019；Poterjoy，2022），PF在NWP模型中的可行性明显提高。其中，引入局部化以将观测的影响限制在局部区域，从地球科学应用的角度来看是一种更直接的方法（Van Leeuwen等人，2019）。其目的是在同化大量数据时抑制观测之间的虚假相关性。Penny和Miyoshi（2016）提出了一种基于观测空间局部化的局部粒子滤波器，并使用40变量Lorenz-96（L96）模型证明了其在非高斯条件下的优势。在另一种方法中，Poterjoy（2016）引入了局部粒子滤波器（LPF），该滤波器将粒子重采样权重向量化并加入了局部化函数，使用L96模型表明该方法能有效避免滤波器发散，并在非线性情况下表现优于EnKFs。随后，Poterjoy等人（2019）进一步提出了LPF的改进措施，包括优化的权重计算和概率映射策略，以及在新观测稀疏但准确的情况下增强滤波器稳定性的新方法。使用L96模型和天气研究与预报（WRF）模型的数值实验证明了这些改进的积极效果，并突出了LPF在高维模型中的潜力。在此基础上，Poterjoy（2022）引入了正则化和自适应温度调节策略，进一步增强了LPF在采样误差较大的区域中的有效性。
中国新一代地球静止轨道卫星风云-4（FY-4）上的先进地球静止轨道辐射成像仪（AGRI）可以提供高空间和时间分辨率的大气观测数据（Yang等人，2017）。先前的研究表明，同化FY-4 A AGRI IR数据可以有效提高NWP的准确性。具体来说，Zhang等人（2022）使用3D-Var在同晴空条件下同化了FY-4 A AGRI水汽通道数据，从而获得了对台风“In-fa”的改进预报。随后，Xu等人（2023）首次尝试在全天条件下使用3D-Var同化FY-4 A AGRI水汽通道数据，获得了更接近观测结果的湿度分析场，并提高了模型的降水预报能力。最近，Zhong等人（2026）在不同同化频率下进行了FY-4 A AGRI全天DA实验，发现每小时同化频率的预报性能更优，因为它有效减少了由于频率过快或过慢造成的不协调问题。然而，尽管越来越多的研究关注AGRI同化，但大多数研究仍然依赖于基于高斯假设的变分或EnKF方法。
现有的LPF研究主要集中在传统观测或雷达数据上。近年来，一些研究开始探索将PF方法应用于与卫星相关的DA问题。例如，Kumar和Shukla（2019）应用PF处理卫星观测数据，以选择适当的模型物理参数化方案，从而减少与模型物理相关的不确定性。Shen等人（2024）开发了一种基于PF的云检测方案，以便于识别适合同化的晴空辐射。此外，Zhou等人（2023）在OSSE框架内使用LPF同化卫星可见辐射。总体而言，这些研究要么将PF视为辅助工具而不直接同化卫星辐射观测数据，要么专注于在模拟观测条件下进行的DA实验。
与以往的工作不同，本研究是首次尝试直接使用LPF在同流尺度模拟中同化全天真实红外亮度温度（BT）。以中国北部的“23.7”极端降雨事件为例，进行了一系列实验，以检验LPF对局部化半径和膨胀强度的敏感性，并将其性能与EnKF进行比较，从而展示了LPF在全天条件下的分析和预报场中的影响。
本文的其余部分组织如下。第2节介绍了本研究中使用的AGRI辐射数据和全天同化框架。第3节介绍了卫星数据的预处理和LPF方法。第4节介绍了选定的案例、区域模型和DA系统的配置以及实验设计。第5节展示了实验结果和分析，第6节给出了本研究的主要结论和讨论。
