留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

应用于O2-A波段云检测的阈值选取方法

江新华 王先华 叶函函 卜婷婷 桑浩

江新华, 王先华, 叶函函, 卜婷婷, 桑浩. 应用于O2-A波段云检测的阈值选取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
引用本文: 江新华, 王先华, 叶函函, 卜婷婷, 桑浩. 应用于O2-A波段云检测的阈值选取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
JIANG Xinhua, WANG Xianhua, YE Hanhan, BU Tingting, SANG Hao. Threshold Selecting Method of Cloud Detection Applied to O2-A Band[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
Citation: JIANG Xinhua, WANG Xianhua, YE Hanhan, BU Tingting, SANG Hao. Threshold Selecting Method of Cloud Detection Applied to O2-A Band[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772

应用于O2-A波段云检测的阈值选取方法

doi: 10.13203/j.whugis20140772
基金项目: 

国家自然科学基金 No. 41175037

详细信息
    作者简介:

    江新华,博士,主要从事温室气体浓度反演的理论与方法研究。jxh2010@mail.ustc.edu.cn

    通讯作者: 王先华,博士,研究员。xhwang@aiofm.ac.cn
  • 中图分类号: P426.5;P407.4

Threshold Selecting Method of Cloud Detection Applied to O2-A Band

Funds: 

The National Natural Science Foundation of China No. 41175037

More Information
  • 摘要: 云污染直接决定了卫星数据用于反演的可行性,云检测是温室气体反演流程中的必要环节,阈值的选取决定了在O2-A波段利用阈值法对卫星数据进行云检测的效果,如何获取最优阈值成为关键,目前的阈值选取大多数是经验法,缺乏系统考虑。提出了一种半经验阈值选取方法,根据晴空涵盖率和误判率构建优选函数,通过求取优选函数的极值实现了最优阈值的选取。利用GOSAT卫星数据进行算法验证的结果显示,相比于传统的经验统计法,该方法所选取的阈值应用于O2-A波段云检测时,云判定的准确率提高近10%。
  • 图  1  表面压力差ΔP的分布特征

    Figure  1.  Characteristic of ΔP Distributing

    图  2  光谱拟合残差的分布特征

    Figure  2.  Characteristic of Residual Distributing

    图  3  表面压力差ΔP的最优阈值选取

    Figure  3.  Optimal Threshold Selecting of ΔP

    图  4  光谱拟合残差的最优阈值选取

    Figure  4.  Optimal Threshold Selecting of Residual

    图  5  FTS和CAI的观测示意图以及两者的像元匹配

    Figure  5.  FTS and CAI Observations as well as Their Matching

    表  1  利用O2-A波段云检测结果与CAI L2级云产品的一致性比较

    Table  1.   Comparison of Consistency Between CAI L2 Cloud Product and Cloud Detection Result Applying O2-A Band

    云检测结果对比判定一致 判定不一致
    场景数(总场景数967)811156
    占总场景数的比率/%83.8716.13
    下载: 导出CSV
  • [1] IPCC.IPCC Fourth Assessment Report[R]. Geneva:CPCC, 2007
    [2] Rayner P J, O'Brien D M. The Utility of Remotely Sensed CO2 Concentration Data In Surface Source Inversions[J]. Geophysical Research Letters, 2001, 28(1):175-178 doi:  10.1029/2000GL011912
    [3] Bousquet P, Peylin P, Ciais P, et al. Regional Changes in Carbon Dioxide Fluxes of Land and Oceans Since 1980[J]. Science, 2000, 290(5495):1342-1346 doi:  10.1126/science.290.5495.1342
    [4] Crisp D, Atlas R, Breon F M, et al. The Orbiting Carbon Observatory (OCO) Mission[J]. Advances in Space Research, 2004, 34(4):700-709 doi:  10.1016/j.asr.2003.08.062
    [5] Kuze A, Suto H, Nakajima M, et al. Thermal and Near Infrared Sensor for Carbon Observation Fourier-transform Spectrometer on the Greenhouse Gases Observing Satellite for Greenhouse Gases Monitoring[J]. Applied Optics, 2009, 48(35):6716-6733 doi:  10.1364/AO.48.006716
    [6] 刘毅,蔡兆男, 杨东旭,等. 中国二氧化碳科学实验卫星高光谱探测仪光谱指标影响分析及优化方案[J]. 科学通报, 2013, 58(27):2787-2789 doi:  10.1360/972013-518

    Liu Yi, Cai Zhaonan, Yang Dongxu, et al. Optimization of the Instrument Configuration for TanSat CO2 Spectrometer[J]. China Sci. Bull., 2013, 58(27):2787-2789 doi:  10.1360/972013-518
    [7] Eguchi N, Yokota T. Investigation of Clear-sky Occurrence Rate Estimated from CALIOP and MODIS Observations[J]. Geophysical Research Letters, 2008, 35(23):L23816 doi:  10.1029/2008GL035897
    [8] Ishida H, Nakajima T Y. Development of an Unbiased Cloud Detection Algorithm for a Spaceborne Multispectral Imager[J]. Journal of Geophysical Research:Atmospheres, 2009, 114(D7):D07206 http://cn.bing.com/academic/profile?id=d21089d9e060c340e589119ed786e78d&encoded=0&v=paper_preview&mkt=zh-cn
    [9] O'Dell C, Connor B, Bösch H, et al. The ACOS CO2 Retrieval Algorithm-Part 1:Description and Validation Against Synthetic Observations[J]. Atmos Meas Tech, 2012, 5(1):99-121 doi:  10.5194/amt-5-99-2012
    [10] Taylor T E, O'Dell C W, O'Brien D M, et al. Comparison of Cloud-screening Methods Applied to GOSAT Near-Infrared Spectra[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2012, 50(1):295-309 doi:  10.1109/TGRS.2011.2160270
    [11] Crisp D, Fisher B M, O'Dell C, et al. The ACOS CO2 Retrieval Algorithm-Part Ⅱ:Global XCO2 Data Characterization[J]. Atmos Meas Tech., 2012, 5(4):687-707 doi:  10.5194/amt-5-687-2012
    [12] Yamamoto G, Wark D Q. Discussion of the Letter by R. A. Hanel, "Determination of Cloud Altitude From a Satellite"[J]. Journal of Geophysical Research, 1961, 66(10):3596-3596 doi:  10.1029/JZ066i010p03596
    [13] Hanel R A. Determination of Cloud Altitude From a Satellite[J]. Journal of Geophysical Research, 1961, 66(4):1300-1300 doi:  10.1029/JZ066i004p01300
    [14] Wang P, Stammes P, Van der A R, et al. FRESCO+:An Improved O2 A-Band Cloud Retrieval Algorithm for Tropospheric Trace Gas Retrievals[J]. Atmos Chem Phys, 2008, 21(8):6565-6576
    [15] Koelemeijer R B, Stammes P, Hovenier J, et al. A Fast Method for Retrieval of Cloud Parameters Using Oxygen A Band Measurements From the Global Ozone Monitoring Experiment[J]. Journal of Geophysical Research:Atmospheres (1984-2012), 2001, 106(D4):3475-3490 doi:  10.1029/2000JD900657
    [16] Kokhanovsky A A, Rozanov V V. The Physical Parameterization of the Top-of-Atmosphere Reflection Function for a Cloudy Atmosphere -Underlying Surface System:the Oxygen A-Band Case Study[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2004, 85(1):35-55 doi:  10.1016/S0022-4073(03)00193-6
    [17] 张岩, 吕达仁, 段民征. 两种氧气A吸收带云顶高度反演算法的理论比较与实测结果验证[J]. 遥感技术与应用, 2011, 26(1):18-32 http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201101004.htm

    Zhang Yan, Lv Daren, Duan Minzheng. Two Kinds of Cloud Top Height Retrieval Methods With Oxygen A-Band Comparison by Simulated Data and Verification With Experimental Results in China[J]. Remote Sensing Technology and Application http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201101004.htm
    [18] Bril A, Oshchepkov S, Yokota T, et al. Parameterization of Aerosol and Cirrus Cloud Effects on Reflected Sunlight Spectra Measured from Space:Application of the Equivalence Theorem[J]. Applied Optics, 2007, 46(13):2460-2470 doi:  10.1364/AO.46.002460
    [19] Bril A, Oshchepkov S, Yokota T. Correction of Atmospheric Scattering Effects in Space-based Observations of Carbon Dioxide:Model Study of Desert Dust Aerosol[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2008, 109(10):1815-1827 doi:  10.1016/j.jqsrt.2008.02.012
  • [1] 康一飞, 潘励, 孙明伟, 陈奇, 王越.  基于高斯混合模型法的国产高分辨率卫星影像云检测 . 武汉大学学报 ● 信息科学版, 2017, 42(6): 782-788. doi: 10.13203/j.whugis20140875
    [2] 余磊, 张永军, 孙明伟, 朱昕宇.  联合云检测与高通滤波的含云影像融合方法 . 武汉大学学报 ● 信息科学版, 2016, 41(9): 1160-1167. doi: 10.13203/j.whugis20140505
    [3] 殷亚秋, 李家国, 余涛, 鞠颂, 米晓飞, 侯海倩.  结合正则化最小二乘进行高空间分辨率四波段相机云识别 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 190-195. doi: 10.13203/j.whugis20140208
    [4] 吴炜, 骆剑承, 沈占锋, 王卫红.  分类线性回归的Landsat影像去云方法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 983-987.
    [5] 刘良明, 魏然, 周正.  利用动态阈值的森林草原火灾火点检测算法 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1434-1437.
    [6] 孙中苗, 翟振和.  航空重力测量数据的小波阈值滤波 . 武汉大学学报 ● 信息科学版, 2009, 34(10): 1222-1225.
    [7] 申邵洪, 万幼川, 龚浩, 赖祖龙.  遥感影像变化检测自适应阈值分割的Kriging方法 . 武汉大学学报 ● 信息科学版, 2009, 34(8): 902-905.
    [8] 文雄飞, 董新奕, 刘良明.  “云指数法”云检测研究 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 838-841.
    [9] 樊雅婷, 杨建宇, 朱德海, 王彦集.  基于阈值的城镇土地定级距离衰减模型 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 277-280.
    [10] 赵秀萍, PhilGreen.  彩色印刷复制中色差公式加权系数的计算和可接受阈值的评价 . 武汉大学学报 ● 信息科学版, 2006, 31(9): 814-817.
    [11] 张孟君, 舒红, 刘艳, 王涛.  基于空间曲面拟合的自适应阈值选取方法 . 武汉大学学报 ● 信息科学版, 2006, 31(5): 395-398.
    [12] 王家成, 杨世植, 麻金继, 王先兵.  东南沿海MODIS图像自动云检测的实现 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 270-273.
    [13] 李微, 方圣辉, 佃袁勇, 郭建星.  基于光谱分析的MODIS云检测算法研究 . 武汉大学学报 ● 信息科学版, 2005, 30(5): 435-438.
    [14] 马慧云, 李德仁, 刘良明, 梁益同.  基于MODIS卫星数据的平流雾检测研究 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 143-145.
    [15] 江柳, 沈未名, 种衍文, 段汉文.  基于多尺度空间分析的图像阈值分割方法 . 武汉大学学报 ● 信息科学版, 2002, 27(6): 582-585.
    [16] 卜方玲, 徐新.  一种基于小波分析的SAR图像斑点噪声滤波算法 . 武汉大学学报 ● 信息科学版, 2001, 26(4): 315-319,330.
    [17] 郑宏, 潘励.  遗传算法及其在图像阈值选取中的应用 . 武汉大学学报 ● 信息科学版, 1999, 24(1): 20-23.
    [18] 吴纪桃.  因子分析用于对单元分类时与聚类分析的比较 . 武汉大学学报 ● 信息科学版, 1991, 16(1): 56-61.
    [19] 张剑清.  基于特征的最小二乘匹配理论精度 . 武汉大学学报 ● 信息科学版, 1988, 13(4): 82-90.
    [20] 吕言.  序贯一维型边缘检测新算法 . 武汉大学学报 ● 信息科学版, 1988, 13(4): 51-59.
  • 加载中
图(5) / 表(1)
计量
  • 文章访问数:  1351
  • HTML全文浏览量:  63
  • PDF下载量:  373
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-10-22
  • 刊出日期:  2017-02-05

应用于O2-A波段云检测的阈值选取方法

doi: 10.13203/j.whugis20140772
    基金项目:

    国家自然科学基金 No. 41175037

    作者简介:

    江新华,博士,主要从事温室气体浓度反演的理论与方法研究。jxh2010@mail.ustc.edu.cn

    通讯作者: 王先华,博士,研究员。xhwang@aiofm.ac.cn
  • 中图分类号: P426.5;P407.4

摘要: 云污染直接决定了卫星数据用于反演的可行性,云检测是温室气体反演流程中的必要环节,阈值的选取决定了在O2-A波段利用阈值法对卫星数据进行云检测的效果,如何获取最优阈值成为关键,目前的阈值选取大多数是经验法,缺乏系统考虑。提出了一种半经验阈值选取方法,根据晴空涵盖率和误判率构建优选函数,通过求取优选函数的极值实现了最优阈值的选取。利用GOSAT卫星数据进行算法验证的结果显示,相比于传统的经验统计法,该方法所选取的阈值应用于O2-A波段云检测时,云判定的准确率提高近10%。

English Abstract

江新华, 王先华, 叶函函, 卜婷婷, 桑浩. 应用于O2-A波段云检测的阈值选取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
引用本文: 江新华, 王先华, 叶函函, 卜婷婷, 桑浩. 应用于O2-A波段云检测的阈值选取方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
JIANG Xinhua, WANG Xianhua, YE Hanhan, BU Tingting, SANG Hao. Threshold Selecting Method of Cloud Detection Applied to O2-A Band[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
Citation: JIANG Xinhua, WANG Xianhua, YE Hanhan, BU Tingting, SANG Hao. Threshold Selecting Method of Cloud Detection Applied to O2-A Band[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 202-207. doi: 10.13203/j.whugis20140772
  • 人类活动所排放的CO2等温室气体是导致全球变暖的主要因素[1],对温室气体进行高精度的全球监测显现出其必要性[2]。地基观测精度高,但站点分布稀疏难以在全球范围内研究CO2源汇分布及其时空变化[3],因此国内外发展了多种专门的温室气体观测卫星,如已经在轨运行的日本温室气体观测卫星(greenhouse gases observing satellite,GOSAT),2014年发射的美国轨道碳观测器(orbiting carbon observatory,OCO-2),以及中国的碳卫星(“Tan” carbon in Chinese,TanSat)和高光谱观测卫星[4-6]。虽然卫星观测在空间尺度上的全球性具有地基观测不可替代的优势,但观测视场内有云时其观测数据无法用于温室气体反演,以GOSAT卫星上分辨率为10km左右的傅立叶变换光谱仪(fourier transform spectrometer,FTS)圆形视场为例,全球年平均晴空率只有大约11%[7],因此对卫星观测数据进行云检测以筛选出晴空场景是实现高精度温室气体反演的基础。为了进行云检测,GOSAT、TanSat等温室气体观测卫星都配有相应的云探测载荷,如GOSAT的云和气溶胶成像仪(cloud and aerosol imager,CAI)载荷,这种多光谱云检测仪器有较好的云检测效果,但与温室气体观测载荷存在一定的视场配准误差等技术难题[8-10]。利用温室气体探测载荷自身观测数据,发展相应的云检测方法能够解决这一难题。

    目前在轨运行和正在研制的温室气体探测器都包含0.76 μm处的O2-A波段[6, 11]。这个波段有独特的O2吸收性质,并且其吸收的动态范围大,不受水汽等其他气体吸收的影响且具有多样化的吸收特征。大气中O2混合均匀且含量稳定,O2在0.76 μm波段的吸收特征可通过反演技术转化成表面压力、反照率以及大气廓线等多种参数,已有的研究论证了O2-A波段的这一能力[12, 13],并在该波段发展了SACURA (semi-analytical cloud retrieval algorithm)、FRESCO+(fast method for retrieval scheme for clouds from the oxygen a band)和ABO2(A-band of O2)等多种云高/云检测算法。其中SACURA、FRESCO+算法目前已经应用于大气吸收扫描成像制图仪(scanning imaging absorption spectrometer for atmospheric cartography,SCIAMACHY)的数据处理,主要着重于云高等参量的反演,其对象通常为厚云[14-17],而温室气体反演中的云检测,是以云对大气辐射的影响为研究对象,涉及厚云、薄云、半透云,但不涉及云参数的反演,从应用上这两个算法不适合用于温室气体反演中的云检测。ABO2算法已应用在OCO-2卫星数据的云检测中,该算法通过阈值判定法进行云检测,判定阈值通过统计分析经验数据来选取[10],这种方法存在准确度不高以及需要大量样本等不足之处,当前已有的文献对ABO2算法中判定阈值的具体选取方法没有进行深入说明。

    利用阈值判定法在O2-A波段进行云检测,其关键在于阈值的选取,因为阈值的优劣决定着云检测的准确度。阈值的设置是云检测的核心并且跟仪器相关,为了更好地服务于我国的温室气体卫星,对阈值选取方法进行预先研究很有必要。本文以O2-A波段的吸收特征为基础,针对利用该波段进行云检测的算法技术特点,提出了一种半经验阈值选取方法,为O2-A波段的云检测选取出合适的判定阈值。

    • 根据O2-A波段处的辐射传输机理和大气吸收特征,本文利用辐射传输模型在O2-A波段模拟晴空条件下的卫星接收光谱,结合卫星观测数据将该波段的大气吸收特征通过反演技术转化成表面压力、地表反射率、温度廓线偏移量等大气参数;当卫星观测视场中有云时,反演获得的大气参数与先验大气参数之间将存在明显差异同时产生较大的光谱拟合残差,根据这种差异性将表面压力差(反演得到的表面压力与先验表面压力之差)、光谱拟合残差设置为云判定参数,将两者与判定阈值进行比较即可实现云检测,ABO2云检测算法为应用之一[10]。判定阈值的优劣将直接决定云判定结果的准确度,阈值的选取是云检测的关键。

    • 为了确定云检测中的判定阈值,首先分析判定表面压力差、光谱拟合残差参量在晴空和有云场景中的特征差异。本文选取GOSAT卫星在2010~2012年间华北区域的600个观测数据(300个晴空场景,300个有云场景),对其进行反演获得表面压力差(ΔP)和光谱拟合残差,它们的分布特征如图 1图 2所示。

      图  1  表面压力差ΔP的分布特征

      Figure 1.  Characteristic of ΔP Distributing

      图  2  光谱拟合残差的分布特征

      Figure 2.  Characteristic of Residual Distributing

      图 1图 2显示,从600个观测场景反演得到的云判定表面压力差、光谱拟合残差参量中,晴空和有云场景的结果有明显差异但并没有突变界线,而是存在交叉重叠区。这就导致单纯根据经验统计法,难以选出合适的阈值将晴空和有云场景最大程度地分离,因此需要一个比传统经验法更有效的方案从该交叉区中选取出一个最优判定阈值。

    • 图 1中云判定参量的分布特征可以看出,判定阈值设置得越小,有云场景被误判为晴空的概率越小,但与此同时被筛选掉的晴空场景也越多;而判定阈值设置得越大,则被筛选掉的晴空场景会变得很少,但同时将有云场景误判为晴空的概率却变大了。因此,一个最优的云判定阈值应该能够兼顾如下两个原则。

      (1) 该阈值能够将尽可能多的实际晴空场景涵盖在内,即晴空涵盖率越大越好;

      (2) 该阈值判定的“晴空”场景中,实际有云场景被判为晴空的概率(即误判率)越小越好。

      假设测试样本中晴空场景数量为M,有云场景数量为N(本文中M=N=300),当表面压力差阈值为TΔP(光谱拟合残差阈值为Tr)时,判定出的“晴空”场景数量为m+n,其中m是实际晴空场景数量,n是被误判为晴空的有云场景数量。定义两个参数:① 晴空涵盖率:实际是晴空且被判定为晴空的场景数量与晴空样本总数的比值,用RCC表示;② 误判率:实际是有云但被误判为晴空的场景数量与被判定为“晴空”的场景总数的比值,用RFD表示。根据定义,RCCRFD可分别表示为:

      $${R_{CC}} = m/M,{R_{FD}} = n/\left( {m + n} \right)$$ (1)

      晴空涵盖率RCC、误判率RFD与待选阈值TΔP (以及Tr)之间存在如图 3图 4所示的关系图。

      图  3  表面压力差ΔP的最优阈值选取

      Figure 3.  Optimal Threshold Selecting of ΔP

      图  4  光谱拟合残差的最优阈值选取

      Figure 4.  Optimal Threshold Selecting of Residual

      图 3图 4图中可以看出,无论是表面压力差还是光谱拟合残差,阈值取得越大时晴空涵盖率也越大,但误判率也同时随着增大(正判率减小),即晴空涵盖率与正判率是两个互相制约的函数,能使两者达到最佳平衡的阈值即为最优阈值。为了选取最优阈值,构建一个优选函数fos

      $${f_{os}} = {R_{CC}}\cdot(1 - {R_{FD}})$$ (2)

      相对于误判率RFD,式(2)中(1-RFD)表示的是正判率,它随阈值的增大而减小,优选函数fos随阈值的变化曲线如图 3图 4中的绿色线所示,最优判定阈值将通过此优选函数来选取。

    • 图 34中绿色线可以看出,无论是表面压力差还是光谱拟合残差,优选函数fos都存在一个极大值点,特定的含义是:优选函数fos作为晴空涵盖率与正判率两者的乘积,其极大值点在数学上就表示这两个相互制约的函数能够达到最优平衡;从实际物理意义,以这个极大值点所对应的表面压力差(光谱拟合残差)为阈值时,能够保证较高的正判率(较低的误判率),不会将过多的有云场景误判为晴空从而影响后续的温室气体反演;又能够将尽可能多的晴空场景判识出来,不会将过多的晴空误判为有云场景从而减少可用的观测数据。根据优选函数fos的极大值点所代表的意义,图 3图 4中fos极大值点所对应的横坐标(表面压力差、光谱拟合残差)即可选为最优的云判定阈值。图 3图 4中优选函数(绿线)极大值点所对应的横坐标分别为54hpa和3.2,因此将这两个值分别作为表面压力差和光谱拟合残差两个云判定参量的最优阈值。

    • 为了检验本文所提出阈值选取方法在实际云检测中的效果,以GOSAT卫星上另一个载荷CAI的Level-2级云产品数据,如图 5(a)所示,它能够提供与FTS同时空条件下的云标识数据,作为参考标准,对该方法进行评价。

      图  5  FTS和CAI的观测示意图以及两者的像元匹配

      Figure 5.  FTS and CAI Observations as well as Their Matching

    • 利用FTS瞬时视场中心矢量与CAI像元中心矢量的标量积来完成两者观测区域匹配,当该标量积处于所设定的截断值范围内时便认为该CAI像元落在FTS的瞬时视场内,FTS瞬时视场的立体角半角为7.9mrad,考虑到仪器指向误差以及测量时间上的微小差异,设定cos(8.9 mrad)作为该标量积的截断值[10],当某个CAI像元矢量与FTS瞬时视场中心矢量的标量积大于cos(8.9mrad) (也即两者夹角小于8.9 mrad)时,便认为此CAI像元落在FTS的瞬时视场内(如图 5(b)所示),否则将该像元判定为分布在FTS的瞬时视场以外。当落在FTS瞬时视场内的所有CAI像元都是晴空时,则将该FTS瞬时视场判定为晴空,否则判定为有云。

    • 本文选取华北平原区域在2013年的GOSAT-FTS观测数据进行反演,并利用两个判定阈值(54hpa、3.2)对反演结果进行云判定,然后将该判定结果按照§2.1节中的验证方法与同时空条件下CAI的Level-2级云产品进行空间匹配和对比验证,结果如表 1所示。

      表 1  利用O2-A波段云检测结果与CAI L2级云产品的一致性比较

      Table 1.  Comparison of Consistency Between CAI L2 Cloud Product and Cloud Detection Result Applying O2-A Band

      云检测结果对比判定一致 判定不一致
      场景数(总场景数967)811156
      占总场景数的比率/%83.8716.13

      表 1中可看出,本文方法所确定阈值的云判定结果与GOSAT-CAI-L2级云产品判定一致的场景有811个,占总测试场景的83.87%,显示了所选取的判定阈值应用于云检测时具有较高的准确性;相同的云检测原理,但判定阈值根据经验法确定时,O2-A波段的云检测结果与CAI-L2级云产品的一致性只有74.1%[10],而本文方法的应用使得云判定的准确性提高了将近10个百分点,这表明本文所提出的半经验阈值选取方法有较高效率。对于另外156个(占总场景16.13%)结果不一致的场景,其可能的原因及拟解决途径如下。

      (1) GOSAT卫星上FTS与CAI两个载荷之间的视场配准误差。这既是误差源也是发展O2-A波段云检测算法的基础,同时从这个误差源可以推测出本文方法所选取的阈值应用于O2-A波段云检测时,其实际准确度要高于83.87%。

      (2) 低云场景的误判。低云场景反演得到的表面压力与地表表面压力较为接近,由此计算得到的表面压力差较小,这容易导致将低云误判为晴空;低云的云顶高度较低,其强散射与高反射特性使得低云与邻近的气溶胶之间发生强烈的多散射,从而拉长了光子在辐射传输中的光程。因此,解决低云误判的一个可考虑的办法是,从光程的角度对所有被判定为“晴空”的场景进行二次筛选[18, 19]

      (3) 先验大气参数(如先验表面压力)的不准确。先验大气参数的不准确在产生反演误差的同时还会在表面压力差的计算中带来偏差,这也将影响云判定结果。探索新的高精度大气数据获取途径,改进大气数据的二维插值方法是可行的解决方案。

    • 本文基于温室气体天基观测中云检测的实际需求,针对在O2-A波段利用阈值法进行云检测的技术特点,根据晴空涵盖率最大化和误判率最小化的原则,提出了一种准确可靠的半经验阈值选取方法。利用该方法选取的判定阈值对GOSAT-FTS实测数据进行了云检测,并利用同时空条件下的GOSAT-CAI-L2级云产品进行了验证,结果显示两者判定的一致性高达83.87%,相对于利用传统经验法所确定阈值进行云判定时,准确率提高了将近10个百分点,表明本文所提出阈值选取方法的准确性和可靠性;同时对判定结果不一致的原因作了分析并提出了进一步研究中的解决途径,为我国温室气体探测卫星的数据应用提供了一个可行的云检测方案以及相应的阈值选取方法。

参考文献 (19)

目录

    /

    返回文章
    返回