Consistency of the Accuracy of FY-4B and FY-4A Cloud Top Products
-
摘要: 风云四号（FY4）气象卫星是我国第二代静止气象卫星，FY4B云顶温度、云顶高度和云顶压强的反演算法与FY4A相同，为了方便用户更好地应用FY4B云顶产品，本文利用美国EOS/MODIS极轨气象卫星和日本第二代静止气象卫星Himawari-8云产品检验FY4A和FY4B反演的云顶产品精度的一致性，结果表明，FY4B云顶产品与FY4A具有很好的一致性，其中B星多层云的较大误差主要是由于云分类将卷云错判成了多层云所致。从全样本的检验结果可以看出FY4B云顶参数产品的精度与FY4A精度大体相当，两者的差异主要来自于通道光谱特征的改变、定标精度及所用的辐射传输模式的不同。Abstract: The FengYun-4 (FY-4) meteorological satellite is the second generation of China's geostationary meteorological satellite. FY-4B satellite utilizes identical algorithms as its predecessor, FY-4A, for retrieving cloud top temperature, height, and pressure. To facilitate the application of FY-4B cloud top products, this paper evaluated the consistency of the accuracy of the cloud top retrievals from FY-4A and FY-4B, and compared them with those from the EOS/MODIS polar-orbiting meteorological satellite of the United States and Himawari-8, Japan's second-generation geostationary meteorological satellite. The results show that the cloud top retrievals from FY-4B exhibited good consistency with those from FY-4A. The larger error in FY-4B's classification of multi-layer clouds mainly arose from the misclassification of cirrus clouds into multi-layer clouds. The validation results of the whole sample show that the accuracy of FY-4B cloud top retrievals is consistent with that of FY-4A. The discrepancies between them are primarily attributed to the variations in channel spectral characteristics, calibration accuracy, and the difference in the radiative transfer model used.
-
Key words:
- FY-4 /
- cloud-top temperature /
- cloud-top height /
- cloud-top pressure /
- accuracy validation
-
表 1 基于MODIS云产品评估的2023年1月云顶温度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/K 均方根误差/K 样本数 平均偏差/K 均方根误差/K 水云 4 439 953 1.52 14.53 10 373 207 -0.09 16.80 过冷水云 767 438 -2.51 7.45 2 577 175 -3.58 8.25 混合云 295 104 -0.43 11.65 1 182 715 -0.03 11.47 厚冰云 1 744 157 6.62 11.27 4 957 767 7.25 11.93 卷云 1 346 186 14.23 25.85 1 613 528 14.96 30.48 多层云 1 286 978 30.62 34.93 2 383 658 44.28 49.80 全部 9 879 816 5.20 17.31 23 088 050 3.89 19.12 
下载: 导出CSV
表 2 基于MODIS云产品评估的2022年7月云顶温度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/K 均方根误差/K 样本数 平均偏差/K 均方根误差/K 水云 2 723 379 1.63 9.49 6 907 058 -1.91 10.73 过冷水云 607 252 0.78 8.07 1 332 124 -1.49 8.96 混合云 237 883 4.32 12.44 1 057 648 3.3 12.69 厚冰云 1 747 819 6.01 10.12 4 900 076 6.13 10.30 卷云 1 039 835 22.94 29.47 1 180 061 29.46 35.17 多层云 1 013 584 30.62 34.89 1 439 511 44.45 49.71 全部 7 369 752 9.68 18.92 16 816 478 6.96 19.82
下载: 导出CSV
表 3 基于MODIS云产品评估的2023年1月云顶高度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/m 均方根误差/m 样本数 平均偏差/m 均方根误差/m 水云 4 439 953 -549.47 2 453.75 10 373 207 -310.91 2 725.54 过冷水云 767 438 -201.05 1 534.24 2 577 175 -558.84 1 664.90 混合云 295 104 -357.25 2 449.93 1 182 715 -855.10 2 547.83 厚冰云 1 744 157 -949.36 1 618.74 4 957 767 -1 018.12 1 642.47 卷云 1 346 186 -1 775.95 3 425.18 1 613 528 -1 692.96 4 094.52 多层云 1 286 978 -3 928.09 4 578.84 2 383 658 -5 968.90 6 849.09 全部 9 879 816 -1 496.20 2 914.02 23 088 050 -854.90 2 922.35
下载: 导出CSV
表 4 基于MODIS云产品评估的2022年7月云顶高度误差统计结果
云类型 FY4A FY4B 样本数 云类型 样本数 云类型 样本数 云类型 水云 2 709 840 水云 2 709 840 水云 2 709 840 水云 过冷水云 607 098 过冷水云 607 098 过冷水云 607 098 过冷水云 混合云 237 869 混合云 237 869 混合云 237 869 混合云 厚冰云 1 747 807 厚冰云 1 747 807 厚冰云 1 747 807 厚冰云 卷云 1 039 566 卷云 1 039 566 卷云 1 039 566 卷云 多层云 1 013 544 多层云 1 013 544 多层云 1 013 544 多层云 全部 7 355 724 全部 7 355 724 全部 7 355 724 全部
下载: 导出CSV
表 5 基于MODIS云产品评估的2023年1月云顶压强误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/hPa 均方根误差/hPa 样本数 平均偏差/hPa 均方根误差/hPa 水云 4 439 953 26.79 158.63 10 373 207 -2.05 174.67 过冷水云 767 438 -20.31 137.16 2 577 175 -13.82 135.59 混合云 295 104 -5.61 165.00 1 182 715 36.72 163.15 厚冰云 1 744 157 25.12 126.14 4 957 767 26.59 57.36 卷云 1 346 186 41.45 143.93 1 613 528 21.98 189.65 多层云 1 286 978 148.80 191.87 2 383 658 260.39 319.99 全部 9 879 816 26.94 153.24 23 088 050 21.96 166.73
下载: 导出CSV
表 6 基于MODIS云产品评估的2022年7月云顶压强误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/hPa 均方根误差/hPa 样本数 平均偏差/hPa 均方根误差/hPa 水云 2 723 379 29.40 112.60 6 905 396 -36.48 134.36 过冷水云 607 252 22.73 96.23 1 332 124 1.78 122.89 混合云 237 883 33.02 102.51 1 057 643 47.14 133.91 厚冰云 1 747 819 22.58 42.06 4 899 926 24.22 44.97 卷云 1 039 835 97.49 152.27 1 180 056 132.72 181.52 多层云 1 013 584 166.04 212.24 1 439 498 296.96 357.34 全部 7 369 752 55.75 125.19 16 814 643 29.91 153.53
下载: 导出CSV
表 7 基于Himawari-8云产品评估的2023年1月云顶温度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/K 均方根误差/K 样本数 平均偏差/K 均方根误差/K 水云 110 159 388 2.01 5.68 230 026 260 0.01 4.65 过冷水云 13 250 712 -1.78 5.85 36 326 784 -1.86 4.46 混合云 23 792 658 1.45 14.71 60 020 754 1.37 12.50 厚冰云 101 227 308 -4.05 10.45 179 164 914 -2.13 8.00 卷云 50 933 766 3.35 21.28 38 466 546 10.42 24.25 多层云 59 495 022 10.17 22.72 51 327 810 25.05 35.13 全部 358 858 854 1.14 14.36 595 333 068 2.22 13.74
下载: 导出CSV
表 8 基于Himawari-8云产品评估的2022年7月云顶温度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/K 均方根误差/K 样本数 平均偏差/K 均方根误差/K 水云 136 645 633 3.71 6.99 299 574 221 -0.43 5.68 过冷水云 15 000 371 -1.76 7.4 31 160 429 -3.45 6.84 混合云 54 369 203 1.90 12.07 141 794 537 1.12 11.23 厚冰云 155 899 897 -2.60 10.16 336 875 880 -2.16 7.16 卷云 64 502 852 3.68 21.00 47 811 239 7.80 22.29 多层云 87 303 303 11.90 21.88 74 543 970 24.15 34.03 全部 513 721 259 2.83 14.07 931 760 276 1.46 12.95
下载: 导出CSV
表 9 基于Himawari-8云产品评估的2023年1月云顶高度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/m 均方根误差/m 样本数 平均偏差/m 均方根误差/m 水云 110 159 388 -896.28 1 529.43 230 026 260 -462.48 1 222.74 过冷水云 13 250 712 100.68 1 384.98 36 326 784 -148.27 1 218.14 混合云 23 792 658 -356.35 2 180.52 60 020 754 -506.79 2 053.72 厚冰云 101 227 308 396.45 1 304.58 179 164 914 186.04 1 010.18 卷云 50 933 766 -493.91 2 799.28 38 466 546 -1 326.77 3 225.67 多层云 59 495 022 -1 369.87 3 156.35 51 327 810 -3 599.39 5 077.31 全部 358 858 854 -409.61 2 085.20 595 333 068 -578.79 2 073.04
下载: 导出CSV
表 10 基于Himawari-8云产品评估的2022年7月云顶高度误差统计结果
云类型 FY4A FY4B 样本数 平均偏差/m 均方根误差/m 样本数 平均偏差/m 均方根误差/m 水云 136 645 633 -842.52 1 425.85 299 574 221 -99.49 1 159.86 过冷水云 15 000 371 147.92 1 447.23 31 160 429 282.69 1 358.08 混合云 54 369 203 -361.66 1 848.25 141 794 537 -485.81 1 982.22 厚冰云 155 899 897 222.32 1 651.93 336 875 880 170.34 963.88 卷云 64 502 852 -535.27 2 931.04 47 811 239 -1 071.97 3 153.51 多层云 87 303 303 -1 667.43 3 151.89 74 543 970 -3 610.82 5 109.97 全部 513 721 259 -541.17 2 135.08 931 760 276 -378.85 2 007.26
下载: 导出CSV
-
[1] 陆风, 张晓虎, 陈博洋, 等. 风云四号气象卫星成像特性及其应用前景[J]. 海洋气象学报, 2017, 37(2): 1-12. [2] 杨军, 咸迪, 唐世浩. 风云系列气象卫星最新进展及应用[J]. 卫星应用, 2018(11): 8-14. [3] 卢乃锰, 谷松岩. 气象卫星发展回顾与展望[J]. 遥感学报, 2016, 20(5): 832-841. [4] ZHANG P, CHEN L, XIAN D, et al. Recent progress of Fengyun meteorology satellites[J]. Chinese Journal of Space Science, 2018, 38 (5): 788-796. [5] MIN M, LI J, WANG F, et al. Retrieval of cloud top properties from advanced geostationary satellite imager measurements based on machine learning algorithms[J]. Remote Sensing of Environment, 2020, 239: 111-616. [6] 樊宏杰, 黄亦鹏, 李万彪. 基于卫星红外遥感的云顶高度反演算法综述[J]. 北京大学学报(自然科学版), 2017, 53(4): 783-792. [7] MIN M, WU C Q, LI C, et al. Developing the science product algorithm testbed for Chinese next-generation geostationary meteorological satellites: Fengyun-4 series[J]. J Meteor Res, 2017, 31(4): 708-719. [8] 王富, 赵宇. 风云四号静止气象卫星的云顶高度反演算法[J]. 四川师范大学学报: 自然科学版, 2021, 44(3): 412-418. [9] WANG T, LUO J, LIANG J, et al. Comparisons of AGRI/FY4A cloud fraction and cloud top pressure with MODIS/Terra measurements over East Asia[J]. J Meteor Res, 2019, 33(4): 705-719. [10] TAN Z H, MA S, ZHAO X B, et al. Evaluation of cloud top height retrievals from China's Next-Generation geostationary meteorological satellite FY4A[J]. J Meteor Res, 2019, 33(3): 182-191. [11] LIU B, HUO J, LYU D, et al. Assessment of FY4A and Himawari-8 cloud top height retrieval through comparison with Ground-Based Millimeter Radar at Sites in Tibet and Beijing[J]. Adv Atmos Sci, 2021, 38(8): 1 334-1 350. [12] 崔林丽, 郭巍, 葛伟强, 等. FY4A卫星云顶参数精度检验及台风应用研究[J]. 高原气象, 2020, 39(1): 196-203. [13] BAUM B, MENZEL W P, FREY R, et al. MODIS cloud top property refinements for Collection 6[J]. J Appl Meteorol Climatol, 2012, 51(6): 1 145-1 163. [14] MENZEL W P, FREY R A, BAUM B A, et al. Cloud top properties and cloud phase - algorithm theoretical basis document[R]. NASA Goddard Space Flight Center, 2006. [15] HUANG Y I, SIEMS S, MANTON M, et al. Evaluating Himawari-8 Cloud Products Using Shipborne and CALIPSO Observations: Cloud-Top Height and Cloud-Top Temperature[J]. J Atmos Oceanic Technol, 2019, 36(12): 2 327-2 347. [16] LI Q H, SUN X J, WANG X L. Reliability Evaluation of the Joint Observation of Cloud Top Height by FY4A and HIMAWARI-8[J]. Remote Sensing, 2021, 13(19): 3 851. [17] WANG F, MIN M, XU N, et al. Effects of Linear Calibration Errors at Low-Temperature End of Thermal Infrared Band: Lesson From Failures in Cloud Top Property Retrieval of FengYun-4A Geostationary Satellite[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022(60): 1-11. [18] MIN M, CHEN B, XU N, et al. Nonnegligible Diurnal and Long-Term Variation Characteristics of the Calibration Biases in Fengyun-4A/AGRI Infrared Channels Based on the Oceanic Drifter Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022(60): 1-15. [19] MATRICARDI M, CHEVALLIER F, KELLY G, et al. An improved general fast radiative transfer model for the assimilation of radiance observations[J]. Q J Roy Meteorol Soc. 2004, 130(596): 153-173. [20] LI J, WOLF W, HUANG H L, et al. International ATOVS processing package: algorithm design and its preliminary performance[C]. Optical Remote Sensing of the Atmosphere and Clouds, SPIE Proceedings, 1998, 3501: 196-206. -
点击查看大图
图(2) / 表(10)
计量
- 文章访问数: 103
- HTML全文浏览量: 15
- PDF下载量: 37
- 被引次数: 0
粤公网安备 4401069904700003号