引用本文
王丹凤, 张记龙, 王志斌, 陈媛媛, 陈友华. 基于MODIS云产品的AIRS像素云检测[J]. 国土资源遥感, 2013,25(1): 13-17
WANG Danfeng, ZHANG Jilong, WANG Zhibin, CHEN Yuanyuan, CHEN Youhua. AIRS pixel cloud detection using MODIS cloud products[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(1): 13-17  
Permissions
Copyright©2013, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于MODIS云产品的AIRS像素云检测
王丹凤1,2, 张记龙1,2, 王志斌1,2, 陈媛媛1,2, 陈友华1,2
1.中北大学山西省光电信息与仪器工程技术研究中心,太原 030051
2.中北大学仪器科学与动态测试教育部重点实验室,太原 030051

第一作者简介: 王丹凤(1987-), 女, 硕士研究生, 研究方向为控制理论与控制工程。 E-mail:wangdanfeng316@163.com。

收稿日期: 2012-04-17
基金: 国家自然基金仪器专项基金项目(编号: 61127015)、国家自然科学基金项目(编号: 61040062)、国际科技合作项目(编号: S2012ZR0247)、山西省国际科技合作项目(编号: 2010081038)及2012山西省科技基础条件平台建设——地理信息遥感专业技术创新平台(编号: 2012091014)项目共同资助
摘要

为了利用MODIS云产品数据检测出大气红外探测器(AIRS)数据中像素云的特性,首先采用空间匹配算法对MODIS和AIRS数据进行匹配,然后结合MODIS云分类、云相态掩模及其业务上的云检测算法,实现了利用MODIS数据对AIRS像素云(单个视场云)特性的检测。结果表明,用MODIS 1 km分辨率产品数据可以实现对AIRS数据的云分类(低云、中云、高云)和云相态(水云、冰云、混合云)检测。

关键词: MODIS; AIRS; 像素云; 空间匹配; 云分类; 云相态
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)01-0013-05 doi: 10.6046/gtzyyg.2013.01.03
AIRS pixel cloud detection using MODIS cloud products
WANG Danfeng1,2, ZHANG Jilong1,2, WANG Zhibin1,2, CHEN Yuanyuan1,2, CHEN Youhua1,2
1.Shanxi Provincial Research Center for Opto-electronic Information and Instrument Engineering Technology, North University of China, Taiyuan 030051, China
2.Key Laboratory of Instrumentation Science & Dynamic Measurement, North University of China, Ministry of Education, Taiyuan 030051, China
Abstract

In order to utilize the Moderate Resolution Imaging Spectroradiometer (MODIS) cloud products to detect the properties of Atmospheric Infrared Sounder (AIRS) cloud, this paper first adopted space collocation algorithm to match the MODIS and AIRS, and then combined the MODIS cloud classification mask, cloud phase mask products and the operational algorithm of MODIS cloud retrieval to realize the utilization of MODIS data to detect AIRS single field of the cloud (pixel cloud). The results show that MODIS 1km resolution products can realize AIRS cloud classification (lower, midlevel or high clouds) and cloud phase (water, ice or mixed-phase clouds) detection.

Keyword: MODIS; AIRS; pixed cloud; space maching; cloud classification; cloud phase
0 引言

搭载在地球观测系统(EOS)Aqua卫星上的大气红外探测器(AIRS, atmospheric infrared sounder)[1]具有较高的光谱分辨率, 能够提供高精度大气温度、湿度和云结构的三维遥感观测数据[2], 所提供的大气温湿数据已经被广泛应用于全球气候研究和天气预报。但由于AIRS数据的空间分辨率较低(13.5 km), 对云进行检测还没有很好的算法[3], 因此, 研究一种适合AIRS数据的云检测算法用来确定其单个视场(像素)中的云特性具有重要意义。相对于AIRS而言, 同时搭载在Aqua卫星上的中分辨率成像光谱仪(MODIS, moderate resolution imaging spectroradiometer)空间分辨率较高, 可提供1 km分辨率的云掩模[4]、分类掩模[5]及云相态[6]等信息, 具有的多光谱特性能捕捉到地气系统中云的精细结构, 对云的检测能力超过AIRS。因此, 综合使用AIRS的探测功能和MODIS的成像功能, 能为全球气候观测提供最佳信息[7, 8]。

本文利用具有几何扫描特性的空间匹配算法匹配MODIS和AIRS的像素点, 借助MODIS的云分类和云相态产品, 利用MODIS云检测算法实现了基于MODIS云产品的AIRS像素云特性检测。利用匹配的1 km MODIS云分类结果可以确定AIRS视场内是部分还是全部被云覆盖, 是单层云还是多层云; 利用匹配的1 km MODIS云相态结果可以确定AIRS视场内是否包含水云、冰云或混合云信息[8]。这些信息将是晴空辐射校正、大气廓线反演和云微观物理特性反演的先决条件, 对精确探测云分布状态具有重要的意义[9]。

1 MODIS和AIRS的空间匹配算法

用作空间匹配的2个探测器通常被分为主探测器和从探测器。所谓空间匹配, 就是让从探测器在地面上的观测点重叠到主探测器的视野上[10]。本研究认为AIRS是主探测器, MODIS是从探测器。主探测器对地观测视野较大, 有一些MODIS观测视场落在其中。探测器的视场往往不是规则的圆形(星下点除外)。当仪器的扫描角增大时, 视野就逐渐变成数学上很难描述的“ 鸡蛋型” , 这样就大大增加了算法的复杂性。假设一种较为普遍的情况, 即要进行空间匹配的2个探测器载在不同的卫星上, 如图1所示, 主探测器在卫星M上, 从探测器在卫星S上。假设主探测器的投影在地面上的视野是一个朝向卫星的大圆盘MAB, 探测方向是ME方向。我们的目的就是寻找落在MAB视野中的所有从仪器的观测点。从主卫星M来看, 如果从探测器在地面的投影点(如图1中F点)落在M卫星的视野MAB内, 则认为主、从仪器的观测点重叠, 此时斜距ME与MF的夹角应α 小于圆盘的角半径θ max。通过夹角α 不仅能确定是否有从观测点落在主视野内, 而且还能确定在主探测器观测范围内每个从观测点所占的权重。 如果从探测器的观测点位于MAB的边缘, 那么就赋予此从观测点较小的权重; 相反, 若刚好落在MAB的中心, 则赋予最大的权重。

图1 不同卫星上的主、从探测器观测视场重叠Fig.1 Observation view overlap of primary and secondary instruments from different satellites

基于上述空间匹配算法, 本文的目的是寻找所有匹配在某个AIRS视野内的MODIS像素点。Auqa卫星上同时载有AIRS(主探测器)和MODIS(从探测器), 即图1中的卫星M和卫星S重合。假设Auqa卫星高度为h km, 则AIRS像素与匹配的MODIS观测点间最大的可能角度差θ max为[11]

θ max=57.295 78× 13.5/2h。 (1)

如果AIRS到地面观测点间的斜距ME与MODIS到地面观测点的斜距MF之间的夹角α < θ max, 则认为此MODIS观测点落在了AIRS视野内。根据夹角α 的大小, 给每个落在AIRS视野内的MODIS像素点赋予不同的权重值。如果2个探测器提供的几何信息是准确的, 那么, 二者空间匹配的精度可达到1 km [12]。寻找落在AIRS瞬时视场中的每个MODIS像素点的步骤如下:

1)从MODIS的地球定位资料MOD 03/MYD 03(可以从http://ladsweb.nascom.nasa.gov/data/search.html网站获得)中提取每个像素点的经纬度。

2)给定任意AIRS观测点的经纬度, 搜索与该点最近的MODIS像素点经纬度, 采用的公式为

dmin= (x-x0)2+(y-y0)2, (2)

式中: x0, y0为给定的AIRS观测点经纬度; x, y为MODIS像素点经纬度; dmin为两者间的最近距离。

3)以这个最近的MODIS像素点为中心, 向外寻找邻近的MODIS点, 这些点的斜距与AIRS斜距间的夹角须小于θ max。

4)记下落在AIRS视野内的所有MODIS像素点的索引及权重。

2 MODIS云检测原理和方法
2.1 云分类检测原理和方法

云的分类检测主要是基于云在可见光和红外波段与植被、土壤、雪和下垫面等的反射率和辐射亮温具有差异的原理 [13]。MODIS分类检测方法不仅可以鉴别出不同的云类型, 而且可以鉴别出高云、低云等云层信息。

首先由MODIS云掩模信息定义一个训练区, 选择一个初始分类中心, 利用逐次迭代的方法对像素进行转换。当迭代结果达到预设定的条件时, 迭代结束; 否则进行下一次迭代, 直到满足条件为止。迭代分类算法中使用了3个参数(不同波段反射率、辐射强度差异和光谱亮温差异)[14], 所有参数分辨率都是1 km。用此方法, 可以把每个MODIS像素的云类型分为低云、中云和高云。

2.2 云相态检测原理和方法

若要进一步判断云的特性, 还需进行云相态检测。本文使用的MODIS云相态检测算法是业务上的红外相态算法。云相态检测原理[15] 是: 在8.5~11 μ m波长范围内(对应MODIS的红外光谱通道), 水滴和冰晶微观物理和光学性质不同。光学厚度大的水云在8.5 μ m波长处的辐射值远低于11 μ m处的辐射值, 因此, 当辐射值之差BTD8.5~11≤ -2 K时, 判断为水云; 短波中因为有强水汽吸收作用导致晴空中8.5 μ m波长处的辐射值低于11 μ m处的, 因此, 当辐射值之差-2 K< BTD8.5~11≤ 0时, 判断为晴空; 冰晶在8.5 μ m波长处的吸收远远小于在11 μ m处的吸收, 因此, 冰晶组成的卷云(冰云)在8.5 μ m处的辐射值高于11 μ m处的辐射值, 二者辐射值之差BTD8.5~11≥ 0 K。

依据上述原理, 可判别出云相态信息, 具体流程如图2所示。

图2 MODIS云相态检测算法流程图Fig.2 Flowchart of MODIS cloud phase detection algorithm

上述云相态算法将每个MODIS云像素分别分类为不确定相、混合相、冰、水或者晴空。由此, 通过判断空间匹配的MODIS像素点的云相态就可判别AIRS像素的云相态[16]。

3 AIRS像素云检测结果与分析
3.1 检测结果

图3为2002年9月6日AIRS第193景数据的第763通道(波数901.69 cm-1)亮度温度(BT)图, 图上冷云由蓝色表示。

图3 AIRS亮度温度图(A1, A2, A3为研究区域)Fig.3 AIRS BT image(A1, A2, and A3 are study areas)

根据上述几何扫描空间匹配算法, 制作了与AIRS匹配的MODIS亮温图, 图4显示了A1研究区(见图3中标注处)与AIRS视野匹配的MODIS 11 μ m波长处的亮温图。

图4 A1研究区中与AIRS匹配的MODIS亮温图Fig.4 MODIS BTs image matching to AIRS of A1 area

图4上每个圆圈代表一个AIRS视野, 大部分AIRS视野是均匀的。每个AIRS视野中大概有100~200个MODIS像素点。亮温值高的代表中低云或者地表, 亮温值低的代表高云。借助于MODIS观测值, AIRS视野可显示出更精确的云特性。本文应用上述MODIS云特性检测算法, 实现了AIRS像素云的检测, 其结果如图5所示。

由图5可知, 应用MODIS云相态掩模可检测出AIRS视野中的冰云和水云; 应用MODIS分类掩模可检测出AIRS视野中的单层高云和低云; 云相态产品上的水云和冰云模式和MODIS云分类产品上的低云和高云模式是相对应的。另外, 利用匹配的MODIS云分类掩模还可检测出AIRS视场中的单层云和多层云等相关信息。

图5 与AIRS匹配的MODIS云相态掩摸(左)和云分类掩摸(右)Fig.5 MODIS cloud phase mask(left) and classification mask(right)

图6显示了利用匹配的MODIS 1 km云分类产品检测出的AIRS像素云。

图6 MODIS云分类掩模检测的AIRS像素云视场Fig.6 AIRS pixel cloud field identified by MODIS classification mask

由图6可以看出, 大约55%的AIRS视场是晴空, 22%是单层云, 23%是多层云。这与图3在直观视觉上吻合得很好。对检测结果的进一步验证及对云参数等的检测, 还需在后续工作中进行。

3.2 结果分析

由以上检测结果可知, 利用几何扫描的空间匹配算法, 实现了MODIS和AIRS像素点的匹配; 再结合MODIS的云产品和业务上的云分类、云相态检测方法, 实现了利用MODIS数据检测AIRS像素云的目的。另外, 利用MODIS云分类掩模还可检测出AIRS视场中的单层云和多层云。

由图5的MODIS云相态和云分类检测结果可知, 采用MODIS云相态掩模检测出了AIRS视野中的冰云、水云和混合云; 采用MODIS云分类掩模检测出了AIRS视野中的高云、低云和中云。云相态产品上水云和冰云的模式与云分类产品上的低云、高云模式是相对应的。也就是说, 利用MODIS云相态产品对冰云或者水云的确认相当于利用MODIS云分类产品对单层云的确认; 有些AIRS视场中存在混合云相态, 相当于分类产品中的多层云。因此, 采用与AIRS视野匹配的1 km空间分辨率的MODIS云分类掩模产品还可以确定每一个AIRS视野中有几层云的存在, 这点在图6中得到了验证。

4 结论

1)利用具有几何扫描特性的空间匹配算法可以对MODIS数据和AIRS数据进行空间匹配。这是使用MODIS数据检测AIRS像素云的基础。

2)利用与AIRS视野匹配的MODIS云相态掩模可以检测出AIRS视野中的冰云、水云和混合云。这在利用云微观物理特性对AIRS像素云相态进行检测是很重要的, 因为云散射模型需要云相态信息。

3)采用与AIRS视野匹配的MODIS云分类掩模可以检测出AIRS视野中的低云、高云和中云, 并与MODIS云分类产品检测出的低云和高云有很好的对应。这为AIRS的廓线检测和认证提供了重要信息。

4)采用与AIRS视野匹配的MODIS云分类掩模还可以确定每个AIRS视野中有几层云的存在。这在单层— 多层云参数的初始反演中是很重要的。

The authors have declared that no competing interests exist.

参考文献
[1] Aumann H H, Chahine M T, Gautier G, et al. AIRS/AMSU/HSB on the Aqua mission: Design, science objectives, data products, and processing systems[J]. IEEE Tran sactions on Geoscience and Remote Sensing, 2003, 41(2): 253-264. [本文引用:1]
[2] Susskind J, Reuter D, Chahine M T. Cloud fields retrieved from analysis of HIRS2/MSU sounding data[J]. Journal of Geophysical Research, 1987, 92(4): 4035-4050. [本文引用:1]
[3] Li J, Schmit T J, Menzel W P, et al. Advanced baseline imager(ABI)for future geostationary operational environmental satellites(GOES-R and beyond)[C]//Menzel W P. Applications with Weather Satellites. USA: SPIE, 2002, 4895: 111-122. [本文引用:1]
[4] Ackerman S A, Strabala K I, Menzel W P, et al. Discriminating clear sky from clouds with MODIS[J]. Journal of Geophysical Research, 1998, 103(24): 32141-32157. [本文引用:1]
[5] Li J, Menzel W P, Yang Z D, et al. High-spatial-resolution surface and cloud-type classification from MODIS multispectral band measurements[J]. Journal of Applied Meteorology, 2003, 42(2): 204-226. [本文引用:1] [JCR: 1.702]
[6] Baum B A, Kratz D P, Yang P, et al. Remote sensing of cloud properties using MODIS airborne simulator imagery during SUCCESS 1. data and models[J]. Journal of Geophysical Research, 2000, 105(9): 11767-11780. [本文引用:1]
[7] Zhang H, Hung L H, Agnes L, et al. Analysis and characterization of the synergistic AIRS and MODIS cloud cleared radiances[J]. Frontiers of Earth Science in China, 2010, 4(3): 363-373. [本文引用:1]
[8] Li J, Menzel W P, Zhang W, et al. Synergistic use of MODIS and AIRS in a variational retrieval of cloud parameters[J]. Journal of Applied Meteorology, 2004, 43(11): 1619-1634. [本文引用:2] [JCR: 1.702]
[9] 官莉. 星载红外高光谱资料的应用[M]. 北京: 气象出版社, 2007: 21-22.
Guan L. Spaceborne infrared hyperspectral data application[M]. Beijing: Meteorological Press, 2007: 21-22. [本文引用:1]
[10] Nagle F W. The association of disparate satellite observations[C]//Phoenix A Z. Second symposium on integrated observing systems. American Meteorological Society, 1998: 49-52. [本文引用:1] [JCR: 11.574]
[11] Frey R A, Ackerman S A, Soden B J. Climate parameters from satellite spectral measurements, part I: Collocated AVHRR and HIRS/2 observations of spectral greenhouse parameter[J]. Climate, 1996, 9(2): 327-344. [本文引用:1]
[12] 官莉, 王振会. 用空间匹配的MODIS云产品客观确定AIRS云检测[J]. 气象科学, 2007, 27(5): 516-521.
Guan L, Wang Z H. Objective determintion of AIRS cloud mask using colocated MODIS cloud mask[J]. Scientia Meteorologica Sinica, 2007, 27(5): 516-521. [本文引用:1] [CJCR: 1.349]
[13] Haertel V, Land grebe D A. On the classification of classes with nearly equal spectral response in remote sensing hyperspectral image data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2374-2385. [本文引用:1] [JCR: 2.933]
[14] 何全军, 曹静, 黄江, 等. 基于多光谱综合的MODIS数据云检测研究[J]. 国土资源遥感, 2006, 18(3): 19-22.
He Q J, Cao J, Huang J, et al. Cloud detection in MODIS data based on multi-spectrum synthesis[J]. Remote Sensing for Land and Resources, 2006, 18(3): 19-22. [本文引用:1]
[15] 包书新. 基于MODIS数据的云识别研究[D]. 长春: 吉林大学, 2008.
Bao S X. Cloud recognition using MODIS data[D]. Changchun: Jilin University, 2008. [本文引用:1]
[16] 梁守真, 施平, 邢前国. MODIS NDVI时间序列数据的去云算法比较[J]. 国土资源遥感, 2011, 23(1): 33-36.
Liang S Z, Shi P, Xing Q G. A comparison between the algorithms for removing cloud pixel from MODIS NDVI time series data[J]. Remote Sensing for Land and Resources, 2011, 23(1): 33-36. [本文引用:1]