程崇慧，陳斯婕，鄭卓凡，董長哲，蘇林，柯舉，王帥博，仝博文，劉東

1.浙江大學(xué) 光電科學(xué)與工程學(xué)院,杭州 310027;

2.上海衛(wèi)星工程研究所,上海 200240;

3.中國科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100101

1 引 言

深對(duì)流云廣泛存在于中尺度對(duì)流系統(tǒng)和熱帶氣旋系統(tǒng)中，對(duì)整個(gè)對(duì)流層和平流層內(nèi)的水汽和熱量損益調(diào)控起著重要作用（Sherwood 等，2003）。對(duì)于臺(tái)風(fēng)云體來說，深對(duì)流云在距臺(tái)風(fēng)中心350 km內(nèi)出現(xiàn)頻率占所有種類云的70%以上（高洋和方翔，2018）。深對(duì)流云在臺(tái)風(fēng)降水云中的占比可達(dá)80%，對(duì)臺(tái)風(fēng)系統(tǒng)的降水性質(zhì)有著重要的影響（傅云飛等，2007）。因此，研究深對(duì)流云對(duì)理解與其相關(guān)的熱帶氣旋系統(tǒng)是必要的。

由于熱帶氣旋等系統(tǒng)能夠在短時(shí)間內(nèi)快速移動(dòng)并改變強(qiáng)度，給深對(duì)流云垂直結(jié)構(gòu)的探測造成了一定的困難（Wang 和Wu，2004）。近幾十年來，衛(wèi)星遙感技術(shù)的出現(xiàn)為熱帶氣旋研究提供了更多的數(shù)據(jù)支撐。例如，搭載于Aqua 衛(wèi)星的被動(dòng)傳感器中等分辨率成像光譜儀MODIS（Moderate?resolution Imaging Spectroradiometer）能在全球范圍內(nèi)提供經(jīng)校準(zhǔn)和地理定位的輻射及云特性數(shù)據(jù)（Platnick 等，2003）。基于云滴在MODIS 近紅外波段輻射吸收性質(zhì)的差別，周著華等（2005）利用點(diǎn)聚圖法分離出臺(tái)風(fēng)中的冰云與水云；崔林麗等（2020）基于第二代靜止氣象衛(wèi)星風(fēng)云四號(hào)（FY?4A）資料，建立了臺(tái)風(fēng)強(qiáng)度識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)模型CNN（Convolutional Neural Network），并發(fā)現(xiàn)CNN 模型具有良好的高維非線性處理能力和算法穩(wěn)定性，對(duì)不同臺(tái)風(fēng)強(qiáng)度等級(jí)識(shí)別精度均在97%以上。相比于被動(dòng)傳感器的寬幅輻射探測，主動(dòng)傳感器能通過發(fā)射激光脈沖，獲得單條或者多條沿軌固定角度的廓線數(shù)據(jù)。例如，搭載于云—?dú)馊苣z激光雷達(dá)與紅外觀測衛(wèi)星CALIPSO（Cloud?Aerosol Lidar and Infrared Pathfinder Satellite Observations）上的正交偏振云—?dú)馊苣z激光雷達(dá)可以分辨垂直剖面上細(xì)小顆粒的光學(xué)薄云和氣溶膠（Winker 等，2009）；搭載于CloudSat 衛(wèi)星上的云剖面雷達(dá)CPR（Cloud Profile Radar）使人們不僅能獲得深對(duì)流云的垂直剖面特征，還能反演剖面各高度層云的微物理量，為研究熱帶氣旋的內(nèi)部結(jié)構(gòu)提供了全新的平臺(tái)。

截至2019 年底，由美國海軍研究實(shí)驗(yàn)室和CloudSat 數(shù)據(jù)處理中心聯(lián)合發(fā)布的CloudSat 熱帶氣旋過境數(shù)據(jù)集共收集到距離氣旋中心1000 km 內(nèi)的10032 次CloudSat 過境記錄，其中50 km 內(nèi)有493次，主要分布在大西洋、東太平洋、西太平洋、太平洋中心、印度洋和南半球6個(gè)海洋地區(qū)。目前對(duì)臺(tái)風(fēng)參數(shù)空間變化特征的研究大都采用了統(tǒng)計(jì)分析不同時(shí)空主動(dòng)遙感廓線的方法，例如，Durden等（2009）基于CloudSat 和Aqua/AMSR?E 數(shù)據(jù)，利用高度輪廓頻率圖CFAD （Contoured Frequency by Altitude Diagram）統(tǒng)計(jì)分析了16個(gè)臺(tái)風(fēng)內(nèi)部云墻區(qū)深對(duì)流云和層狀云微物理參數(shù)的垂直變化特征；韓丁等（2013）統(tǒng)計(jì)分析了31個(gè)臺(tái)風(fēng)中不同距離環(huán)內(nèi)部CloudSat雷達(dá)反射率和冰云微物理參數(shù)的CFAD，發(fā)現(xiàn)隨著與臺(tái)風(fēng)眼距離的增加，冰水含量與冰粒子數(shù)濃度的最大值逐漸減小，有效粒子半徑和分布寬度參數(shù)的概率較大值區(qū)不斷抬升。但是，根據(jù)CloudSat熱帶氣旋過境數(shù)據(jù)集，實(shí)際能夠用于統(tǒng)計(jì)分析臺(tái)風(fēng)中心區(qū)域（距離氣旋中心50 km 以內(nèi)）深對(duì)流云參數(shù)可用的廓線數(shù)量非常少，只有493條。

隨著同步或近同步飛行衛(wèi)星序列（如A?Train）中衛(wèi)星成員的相繼發(fā)射，如何利用被動(dòng)觀測的寬幅探測能力拓展主動(dòng)觀測的垂直剖面數(shù)據(jù)并為特定區(qū)域提供更多的數(shù)據(jù)支撐，成為國內(nèi)外研究方向之一。例如，F(xiàn)orsythe 等（2000）將地基觀測到的云底高度向地球靜止操作環(huán)境衛(wèi)星的云分類覆蓋結(jié)果傳遞，估算一定范圍內(nèi)的云底高；Miller 等（2014）基于相同類型的云具有相似的幾何和微物理特性的假設(shè)，提出了云類型匹配CTM（Cloud Type Matching）算法，并將CloudSat 觀測結(jié)果擴(kuò)展到MODIS 的寬幅觀測結(jié)果中，同時(shí)估算了MODIS觀測區(qū)域中超級(jí)臺(tái)風(fēng)彩云的云底高度和液態(tài)/固態(tài)水含量變化剖面；Li 和Sun（2014）基于相似云頂壓力CTP（Cloud Top Pressure）和云光學(xué)厚度COT（Cloud Optical Thickness）的云具有相同的云底高度的假設(shè)，提出了反演數(shù)據(jù)匹配RDM（Retrieved Data Matching）算法，并在對(duì)熱帶風(fēng)暴和天氣系統(tǒng)的應(yīng)用中證明了可行性；Barker等（2011）提出了一種根據(jù)光譜輻射相似性，將星載主動(dòng)傳感器測量得到的廓線信息與被動(dòng)傳感器得到的輻射信息相互匹配，從而對(duì)主動(dòng)軌道附近的二維平面進(jìn)行三維拓展的方法，稱為光譜輻射匹配法SRM（Spectral Radiance Matching）。在SRM 算法的基礎(chǔ)上，Sun 等（2016） 通過引入多層云標(biāo)識(shí)MLF（Multi?layer Flag）、CTP 和COT 等MODIS 云特性反演參數(shù)作為限制條件提出了CSRM算法，擴(kuò)大了算法的應(yīng)用范圍，并發(fā)現(xiàn)對(duì)于復(fù)雜云體而言，CSRM算法相比SRM、CTM 以及RDM 算法具有更精確的云底高度估計(jì)值。

本研究利用CSRM 算法將CloudSat 和CALIPSO數(shù)據(jù)融合后的垂直分布信息向MODIS 探測到的數(shù)據(jù)幅面?zhèn)鬟f；通過進(jìn)行臺(tái)風(fēng)事件中深對(duì)流云的三維結(jié)構(gòu)構(gòu)建，增加統(tǒng)計(jì)分析所研究的8個(gè)臺(tái)風(fēng)事件可用的廓線數(shù)量，進(jìn)一步保證對(duì)深對(duì)流云統(tǒng)計(jì)分析的有效性。

2 數(shù)據(jù)描述

本論文根據(jù)CloudSat熱帶氣旋過境數(shù)據(jù)集選擇了2009 年—2016 年中CloudSat 軌道距離氣旋中心50 km 內(nèi)8 個(gè)熱帶氣旋作為三維結(jié)構(gòu)構(gòu)建的對(duì)象，熱帶氣旋的信息如表1所示。

表1 CloudSat過境時(shí)熱帶氣旋的詳細(xì)信息Table 1 Detailed information of tropical cyclones when CloudSat transits

圖1為論文中研究的熱帶氣旋的路徑軌跡圖以及CloudSat 過境時(shí)的位置和時(shí)間。值得注意的是，CloudSat 衛(wèi) 星 分 別 于2009 年10 月16 日、21 日 對(duì)盧碧進(jìn)行了兩次近距離觀測。為了便于論述，下文將2009 年10 月16 日的增強(qiáng)期盧碧稱為盧碧1（LUPIT1），2009年10月21日的衰弱期盧碧稱為盧碧2（LUPIT2）；其中臺(tái)風(fēng)軌跡數(shù)據(jù)來源于日本氣象廳數(shù)據(jù)公開網(wǎng)站https：//www.jma.go.jp/jma/jma?eng/jma?center/rsmc?hp?pub?eg/besttrack.html［2020?05?19］。

圖1 本文所研究的熱帶氣旋的軌跡信息以及CloudSat過境時(shí)的軌道信息（其中CloudSat過境時(shí)的具體時(shí)間用字符yyyy?MM?ddTHH：mm表示；圖中粉色線條表示熱帶氣旋的路徑軌跡，棕色圓圈表示CloudSat過境時(shí)臺(tái)風(fēng)的位置，可以發(fā)現(xiàn)總共有8個(gè)）Fig.1 Track information of the tropical cyclones studied in this paper and the orbit information of CloudSat during its transit，where the specific time when CloudSat transits is represented by the characters yyyy?MM?ddTHH：mm；the pink line in this figure represents the track of the tropical cyclone，and the brown circle represents the location of the typhoon when CloudSat transits.It can be found that there are a total of 8 such positions

本研究利用了來自CALIPSO、CloudSat和Aqua衛(wèi)星的數(shù)據(jù)。3 顆衛(wèi)星都是A?Train 衛(wèi)星序列的成員，其中CALIPSO 和CloudSat 在前列，Aqua 在后列，它們的過境時(shí)間差大約在80 s 之內(nèi)，因此能在近似的空間和時(shí)間上進(jìn)行觀測（Savtchenko 等，2008）。得益于所發(fā)射的頻率為94 GHz的微波，搭載于CloudSat 衛(wèi)星上的CPR 能穿透較厚的云層并

反演出云層底部的信息（盧乃錳等，2016）。但是，CPR 難以檢測到高空稀薄的卷云。搭載于CALIPSO 衛(wèi)星上的CALIOP 對(duì)較小的冰顆粒很敏感，能夠探測到高空稀薄的卷云（Miller 等，2014）。因此，將CPR 和CALIOP 兩個(gè)主動(dòng)傳感器進(jìn)行融合能提供更加可靠的云類型判定和云相測定（Sassen 等，2008）。在本研究中，選取了CALIPSO 的Cloud Layer 1 km 數(shù)據(jù)產(chǎn)品和CloudSat的CLDCLASS、CWC 數(shù)據(jù)產(chǎn)品作為算法輸入的主動(dòng)數(shù)據(jù)。值得注意的是，為了保證三維構(gòu)建結(jié)果的準(zhǔn)確性，這里分別利用云氣溶膠鑒別指數(shù)CAD score （|CAD_score|>70） 和數(shù)據(jù)質(zhì)量Data Quality（good quality）參數(shù)對(duì)CALIPSO 和CloudSat 的像素點(diǎn)進(jìn)行篩選和異常值去除。搭載于Aqua 衛(wèi)星上的MODIS 能提供波長范圍為0.4—14.4 μm 的36 個(gè)光譜帶的輻射測量，沿衛(wèi)星地面投影軌道的標(biāo)定分辨率為250 m—1 km（MYD021KM）。MODIS 具有±55°的掃描范圍，它的平均軌道高度為705 km，水平幅值為2330 km，并且每一到兩天的數(shù)據(jù)就可以進(jìn)行全球覆蓋（Platnick 等，2003）。MYD03 中提供了相應(yīng)的位置和輔助信息。2 級(jí)云產(chǎn)品（MYD06_L2）提供了包括云頂高度、溫度、有效發(fā)射率和云相等重要的屬性。本研究通過WorldView 確定了MODIS 過境所研究臺(tái)風(fēng)的時(shí)間段，并從NASA 數(shù)據(jù)網(wǎng)站中分別下載相應(yīng)的MYD021、MYD03和MYD06_L2數(shù)據(jù)。為了保證三維結(jié)構(gòu)構(gòu)建的準(zhǔn)確性，本研究采用了MODIS C6.1版本作為三維拓展算法的被動(dòng)輸入數(shù)據(jù)，該版本已實(shí)現(xiàn)了更新過的多層云檢測方案，并為單個(gè)像素的多層云判定提供了確信度評(píng)價(jià)。

3 方 法

CSRM 算法的基本假設(shè)為：如果兩個(gè)時(shí)空間位置彼此接近的像素點(diǎn)具有（幾乎）相同的溫度和濕度分布以及表面光學(xué)特性，并且在多通道的光譜大氣頂端輻射上差異極小，那么這兩個(gè)像素點(diǎn)在云及氣溶膠的廓線分布上差異也是極小的（Sun等，2016）。區(qū)別于Barker 等（2011）提出的SRM算法，本研究所采用的CSRM 算法添加了MLF、CTP、COT、云頂溫度、云頂高度CTH（Cloud?top Height）、云水路徑、云有效半徑和云有效發(fā)射率這8個(gè)參數(shù)作為額外的限制條件。得益于這些限制條件，CSRM 算法不論對(duì)于頂部云層還是底部云層的云底高度都有著更精確的估計(jì)值（Sun 等，2016）。CSRM算法的計(jì)算方法可概括為圖2。

圖2 CSRM算法獲取最佳拓展匹配點(diǎn)流程圖Fig.2 Flow chart of CSRM algorithm to obtain the best extended matching point

圖2具體可以分為以下3個(gè)步驟：

（1）計(jì)算主被動(dòng)像素點(diǎn)間的匹配度評(píng)價(jià)函數(shù)。設(shè)主動(dòng)軌道的像素點(diǎn)為（i，0），初始位置即為（1，0），而待擴(kuò)充的被動(dòng)平面位置為（i，j）∈［?J，?1］∪［1，J］，J代表了拓展范圍的寬幅。對(duì)于待填充的像素點(diǎn)（i，j），其被動(dòng)傳感器觀測到的多通道輻射強(qiáng)度為rk（i，j），k代表不同通道。將可用于匹配的主動(dòng)軌道像素點(diǎn)的位置記為m，主被動(dòng)像素點(diǎn)間的匹配度評(píng)價(jià)函數(shù)G（i，j；m）可表示為：

式中，m∈［i?m1∪i+m2］是沿主動(dòng)軌道的主動(dòng)像素點(diǎn)選擇范圍。

（2）利用以下5個(gè)限制條件篩選掉部分主動(dòng)像素點(diǎn)：1）與被動(dòng)像素點(diǎn)具有相同的地表類型；2）與被動(dòng)像素點(diǎn)具有相近的太陽天頂和太陽方位角；3）與被動(dòng)像素點(diǎn)具有相同的MLF；4）與被動(dòng)像素點(diǎn)的MODIS 云特性反演參數(shù)的容忍度小于0.3；5）本身的質(zhì)量評(píng)估結(jié)果較高。在這些限制條件中，MLF 采用（Joiner 等，2010）提出的區(qū)別單層云，多層云和深對(duì)流云算法的計(jì)算得出。云特性反演參數(shù)具體為CTP、COT、云頂溫度、CTH、云水路徑、云有效半徑和云有效發(fā)射率，容忍度α計(jì)算公式為：

（3）將余下的主動(dòng)像素點(diǎn)按匹配度評(píng)價(jià)函數(shù)G（i，j；m）計(jì)算結(jié)果由大到小排列，選擇其中最小的前百分之十五的結(jié)果（如果余下的主動(dòng)像素點(diǎn)過少，則選擇G（i，j；m）最小的主動(dòng)像素點(diǎn)作為最佳匹配點(diǎn)），將這部分結(jié)果按照歐幾里德距離排列，取最小值得到最佳匹配點(diǎn)m*，這一步驟可表示為：

本研究除了采用CSRM 算法以外，還利用最近值算法和SRM 算法對(duì)臺(tái)風(fēng)進(jìn)行三維結(jié)構(gòu)構(gòu)建。這兩種算法流程圖與CSRM 算法類似，其中，最近值算法在上述步驟3中去除了匹配度評(píng)價(jià)函數(shù)的篩選作用，只將距離作為篩選最佳匹配點(diǎn)唯一指標(biāo)。SRM算法去除了步驟3中的限制條件，只利用匹配度評(píng)價(jià)函數(shù)和距離來篩選出最佳匹配點(diǎn)。

為了評(píng)價(jià)三維結(jié)構(gòu)構(gòu)建結(jié)果的準(zhǔn)確性，本研究采用了Barker 等（2011）提出的盲區(qū)重建方法對(duì)結(jié)果進(jìn)行測試；Chen 等（2020）在對(duì)夜間云拓展算法進(jìn)行驗(yàn)證時(shí)同樣用到了盲區(qū)重建方法。本研究利用該方法對(duì)算法進(jìn)行測試的過程可概括為以下兩步：（1）在CloudSat?CALIPSO 融合剖面中的一個(gè)像素點(diǎn)（i，0）周圍設(shè)立一定的盲區(qū)DZ（Dead Zone），利用CSRM 算法在盲區(qū)外尋找一個(gè)最佳匹配點(diǎn)m*并將該點(diǎn)的廓線匹配替換給（i，0），循環(huán)所有i構(gòu)建出重建剖面；（2）將CloudSat?CALIPSO 融合剖面與重建剖面進(jìn)行比較并計(jì)算匹配率，并將該值作為評(píng)估三維結(jié)構(gòu)構(gòu)建效果的指標(biāo)。匹配率計(jì)算公式為

式中，Nagree表示原剖面和重建剖面在相同海拔高度都顯示為有云的像素點(diǎn)的個(gè)數(shù)，Ndisagree表示原剖面和重建剖面顯示不一致的像素點(diǎn)個(gè)數(shù)。匹配率定量地反映了重建剖面與原主動(dòng)遙感探測剖面相似程度。

4 結(jié)果與討論

4.1 重建結(jié)果

為了評(píng)估CSRM算法在臺(tái)風(fēng)深對(duì)流云中應(yīng)用的準(zhǔn)確性并且證明該算法的優(yōu)越性，本研究重建了強(qiáng)熱帶風(fēng)暴燦鴻（CHAN?HOW）的剖面圖，燦鴻的具體信息如表1 所示，同時(shí)分別利用最近值，SRM 和CSRM 算法計(jì)算了所有臺(tái)風(fēng)盲區(qū)重建結(jié)果的偏差值和深對(duì)流云匹配率。

圖3（a）表示利用CloudSat與CALIPSO對(duì)強(qiáng)熱帶風(fēng)暴燦鴻進(jìn)行融合探測的結(jié)果，圖3（b）、（c）和（d）表示利用CSRM 算法對(duì)燦鴻進(jìn)行重建的結(jié)果，其盲區(qū)范圍分別為100 km、200 km 以及400 km。為了更加方便地與SRM 的重建結(jié)果進(jìn)行比較，這里用綠線和粉線分別表示SRM 算法對(duì)云頂高和云底高的重建結(jié)果。由圖3（b）和3（c）可知，當(dāng)盲區(qū)范圍為100 km 和200 km 時(shí)，基于CSRM 算法所重建的深對(duì)流云云底、云頂高度與基于SRM算法所重建的結(jié)果相似；如圖3（d）所示，當(dāng)盲區(qū)范圍增大至400 km 時(shí)，兩個(gè)算法在緯度為12°附近對(duì)于深對(duì)流云云底的重建結(jié)果出現(xiàn)差別，其中CSRM 算法重建的剖面與CloudSat?CALIPSO聯(lián)合剖面的匹配度更高，這是因?yàn)樵诟俚臐撛谙袼攸c(diǎn)中僅僅通過多光譜無法準(zhǔn)確挑選出合適深對(duì)流云，而CSRM 算法因?yàn)榧尤肓薓LF 限制條件，能去除與深對(duì)流云光譜近似像素點(diǎn)的干擾。計(jì)算匹配率可得，在100 km 時(shí)，SRM 與CSRM 重建的匹配率分別為88.0%和91.2%；200 km 時(shí)分別為86.1%和90.5%；400 km時(shí)分別為79.3%和89.8%。

圖3 強(qiáng)熱帶風(fēng)暴燦鴻C(jī)loudSat?CALIPSO 融合剖面與盲區(qū)重建剖面（其中空白部分為無數(shù)據(jù)像素；藍(lán)色部分為CloudSat和CALIPSO都探測到有云的區(qū)域；綠色和粉色的線為SRM方法重建出來的云頂和云底高度）Fig.3 CloudSat?CALIPSO fusion profile of severe tropical storm CHAN?HOW and dead?zone reconstruction profile.The blank part is the pixel without data；the blue part is the clouded area detected by both CloudSat and CALIPSO；the green and pink lines are the height of the cloud top and the cloud base reconstructed by the SRM method

為了評(píng)估三維拓展算法的準(zhǔn)確度。本研究分別利用最近值、SRM 和CSRM 算法對(duì)各臺(tái)風(fēng)進(jìn)行盲區(qū)重建測試。將3 種算法重建結(jié)果剖面的CTH、云 底 高 度CBH （Cloud Base Height） 分 別 與CloudSat?CALIPSO 的探測結(jié)果比較，并計(jì)算兩者的平均偏差MD（Mean Deviation）和均方根誤差RMSE（Root Mean Square Error），結(jié)果如圖4所示。當(dāng)盲區(qū)為100 km 時(shí)，CSRM 算法對(duì)于云頂高度和云底高度估計(jì)的平均偏差最小，分別為1.21 km 和1.57 km；SRM 算法次之，其值分別為1.60 km 和2.14 km；最近值算法最大，其值分別為1.64 km 和2.19 km。隨著盲區(qū)范圍的增大至200 km，3 種算法對(duì)于云層估計(jì)的偏差都有所增大，其中CSRM算法仍然最小，云頂和云底高度的平均偏差值分別為1.49 km 和1.81 km；當(dāng)盲區(qū)范圍繼續(xù)增大至400 km時(shí)，CSRM 算法對(duì)于云頂和云底高度估計(jì)的平均偏差處于2 km 附近，而SRM 和最近值算法均大于3 km。由此可見，CSRM 相比于另外兩種算法具有更廣的應(yīng)用范圍，其對(duì)于較大的拓展距離，仍具有較低的云體高度估計(jì)誤差。

圖4 各臺(tái)風(fēng)重建剖面中云頂、云底高度相比于CloudSat?CALIPSO 探測結(jié)果的平均偏差和均方根誤差Fig.4 The mean deviation and root mean square error of the cloud top and cloud bottom height in each typhoon reconstruction profile compared with CloudSat?CALIPSO detection result

表2 為所有8 個(gè)熱帶氣旋深對(duì)流云匹配率具體數(shù)值。當(dāng)盲區(qū)范圍較小時(shí)，最近值、SRM 與CSRM算法盲區(qū)重建測試效果相差不大，隨著盲區(qū)范圍的增大，3 種算法的重建匹配率都有所下降，其中，CSRM 算法下降幅值較小，當(dāng)盲區(qū)為400 km時(shí)，其匹配率仍能保持在85%以上。而最近值和SRM 算法的重建匹配率下降幅值較大，當(dāng)盲區(qū)為400 km 時(shí)，其匹配率平均值分別在77.1%和78.3%附近。這一結(jié)果進(jìn)一步證明了利用CSRM 算法三維結(jié)構(gòu)構(gòu)建時(shí)的優(yōu)越性。

4.2 臺(tái)風(fēng)分析

圖5（a）為CloudSat?CALIPSO 對(duì)臺(tái)風(fēng)彩云進(jìn)行聯(lián)合觀測的剖面圖，底圖為MODIS 光譜波段R1（620—670 nm）輻射數(shù)據(jù)，梅紅色的線為A?Train軌道在地面的投影。當(dāng)A?Train 序列衛(wèi)星經(jīng)過經(jīng)度為153°E，緯度為23°N 的位置時(shí)，CloudSat?CALIPSO聯(lián)合探測剖面正好切過臺(tái)風(fēng)眼區(qū)域；圖5（b）為利用CSRM 算法對(duì)CloudSat?CALIPSO 融合云剖面數(shù)據(jù)進(jìn)行三維拓展的結(jié)果，其中紫色的長方形區(qū)域?yàn)檫\(yùn)用拓展算法的范圍。利用相同的方法對(duì)剩下的7 個(gè)臺(tái)風(fēng)都進(jìn)行三維拓展?？紤]到CSRM 算法對(duì)云底估計(jì)的準(zhǔn)確度隨著拓展距離的增加而降低（Sun 等，2016），同時(shí)又需要保證拓展距離能足夠覆蓋到臺(tái)風(fēng)所有的云體（所研究臺(tái)風(fēng)半徑最大為500 km 左右）。因此，本研究將圍繞主動(dòng)像素點(diǎn)的被動(dòng)像素點(diǎn)選取范圍設(shè)定為600 km。

圖5 對(duì)強(qiáng)熱帶風(fēng)暴彩云進(jìn)行三維結(jié)構(gòu)構(gòu)建前后對(duì)比圖Fig.5 Comparison of before and after three?dimensional structure construction of strong tropical storm CHOI?WAN

圖6 左側(cè)為對(duì)2013 年10 月17 日臺(tái)風(fēng)范斯高（增強(qiáng)期）的三維廓線數(shù)據(jù)進(jìn)行多角度切割的平面圖。為了研究深對(duì)流云的水平分布特征，這里選擇內(nèi)圈層（距離氣旋中心350 km，用粉色的線表示）作為研究范圍，過氣旋中心做4 條角間隔為45°且以圈層邊界為起始的臺(tái)風(fēng)切線（分別為A—A'、B—B'、C—C'和D—D'），同時(shí)在切割線之間以順時(shí)針方向依次定義了8塊區(qū)域Ⅰ—Ⅷ。在接下來的研究中，將研究這8 塊區(qū)域的深對(duì)流云參數(shù)特征。圖6右側(cè)為對(duì)應(yīng)切割線的云層剖面圖，自上而下分別與左圖的4 條切線一一對(duì)應(yīng)。比較4 張組圖可知，圖6 剖面A 深對(duì)流云占比最大，達(dá)到了80.3%且主要分布于剖面圖右側(cè)區(qū)域，圖6 剖面C和D 占比次之，分別為53.2%和55.3%，占比最小為圖6 剖面B，其值為40.3%。進(jìn)一步計(jì)算臺(tái)風(fēng)范斯高Ⅰ—Ⅷ這8個(gè)區(qū)域的深對(duì)流云占比，結(jié)果分別見表3 第4 行所示，平均值為51.9%，標(biāo)準(zhǔn)差為13.4%；其中，占比最高區(qū)域Ⅱ、Ⅵ相對(duì)于臺(tái)風(fēng)眼對(duì)稱，它們的占比分別為67.8%和67.9%。

圖6 對(duì)臺(tái)風(fēng)范斯高三維拓展結(jié)果進(jìn)行多角度切割的云剖面圖（右圖中的A、B、C、D分別對(duì)應(yīng)左圖中的A×A'、B×B'、C×C'、D×D'切線所在的云層剖面圖）Fig.6 Cloud profiles of the multi?angle cutting of the three?dimensional expansion result of Typhoon FRANCISCO.The A，B，C，and D in the right panel correspond to the cloud profiles where the A×A'，B×B'，C×C'，and D×D'tangents are located in the left panel，respectively

表3 各臺(tái)風(fēng)I—Ⅷ區(qū)域中的深對(duì)流云占所有種類云的比例Table 3 Proportion of deep convective clouds in each typhoon I—Ⅷarea to all types of clouds/%

依次計(jì)算剩下7個(gè)熱帶氣旋不同區(qū)域的深對(duì)流云占比得表3。由表3 可知，不同熱帶氣旋不同區(qū)域有著較大的差別。其中，臺(tái)風(fēng)盧碧1（增強(qiáng)期）的8 個(gè)區(qū)域深對(duì)流云占比的平均值為70.9%，標(biāo)準(zhǔn)差為11.3%，占比最高的兩個(gè)區(qū)域?yàn)棰窈廷?，同樣相?duì)于臺(tái)風(fēng)眼對(duì)稱；與盧碧1 相比，盧碧2（衰弱期）深對(duì)流云平均占比顯著降低至23.0%，并且不同方向扇形區(qū)域間變化更小，其值為7.3%；臺(tái)風(fēng)妮妲（衰弱期）的情況同臺(tái)風(fēng)盧碧2類似，它的平均占比和標(biāo)準(zhǔn)差分別為27.5%和9.5%。與臺(tái)風(fēng)相比，強(qiáng)熱帶風(fēng)暴的深對(duì)流云平均占比在30.0%—60.0%之間，并且不同方向扇形區(qū)域間的變化更大（平均標(biāo)準(zhǔn)差達(dá)到了23.1%），其中，強(qiáng)熱帶風(fēng)暴燦鴻的不同方向之間的深對(duì)流云占比差別最大，達(dá)到了37.9%。進(jìn)一步分析表3 可得，增強(qiáng)期臺(tái)風(fēng)盧碧1 和范斯高深對(duì)流云占比平均為61.4%，沿各方向標(biāo)準(zhǔn)差平均為12.4%。相比較而言，衰弱期臺(tái)風(fēng)盧碧2和妮妲的占比和標(biāo)準(zhǔn)差均有所下降，分別為25.3%和8.4%。對(duì)于臺(tái)風(fēng)而言，熱帶風(fēng)暴米克拉、燦鴻、天鵝和彩云中深對(duì)流云占比均值為45.2%，并且在不同方向下差別更大，標(biāo)準(zhǔn)差達(dá)到了23.1%。

CSRM 算法將主動(dòng)衛(wèi)星的單廓線測量數(shù)據(jù)拓展到三維空間，增加了統(tǒng)計(jì)分析深對(duì)流云內(nèi)部微物理參量可用的廓線數(shù)量，進(jìn)一步保證對(duì)深對(duì)流云統(tǒng)計(jì)分析的有效性。為了比較不同階段時(shí)深對(duì)流云的微物理特征，本研究利用CSRM 算法對(duì)處于熱帶低壓時(shí)期的盧碧（下文記為盧碧0 或者LUPIT0，其未被列入CloudSat過境數(shù)據(jù)集）進(jìn)行廓線拓展并與上述研究的盧碧1、盧碧2 三維廓線數(shù)據(jù)進(jìn)行比較。

圖7中（a）—7（i）分別為盧碧0，盧碧1和盧碧2中深對(duì)流云各微物理參數(shù)如冰云有效粒子半徑IER（Ice Cloud Effective Radius）、冰水粒子數(shù)濃度INC（Ice Water Number Concentration）和冰水含量IWC（Ice Water Content）等的垂直分布圖，其中Ⅰ—Ⅷ分別對(duì)應(yīng)圖6左圖分區(qū)中的廓線數(shù)據(jù)。比較圖7（a）、7（d）和7（g），結(jié)果表明：處于熱帶低壓期、臺(tái)風(fēng)增強(qiáng)期以及臺(tái)風(fēng)衰弱期這3個(gè)階段的盧碧中深對(duì)流云的IER都隨著海拔高度的增加而增加，在高度為14 km附近時(shí)，IER都達(dá)到了最大值，其值分別為10 μm、10 μm、14 μm左右，并且同一臺(tái)風(fēng)中不同區(qū)塊間的差別不大；由圖7（b）、7（e）和7（h）對(duì)比表明，這3 個(gè)階段盧碧中深對(duì)流云的INC都先隨著海拔高度的增加而增加，到達(dá)凝結(jié)層（5—6 km 左右）時(shí)，又隨著海拔高度的增加而降低，不同階段臺(tái)風(fēng)深對(duì)流云的INC都在凝結(jié)層附近存在一個(gè)最大值，并且對(duì)于不同區(qū)塊而言，最大值也有著較大差別；區(qū)別于IER 和INC，不同階段臺(tái)風(fēng)中深對(duì)流云的IWC 的垂直分布特征差別較大，分別如圖7（c）、7（f）和7（i）所示，在熱帶低壓階段時(shí)，IWC 的高值區(qū)位于8—10 km 附近，其不同區(qū)塊間垂直分布曲線差別比較大，在高值區(qū)平均值達(dá)到了580 mg/cm3。在增強(qiáng)期臺(tái)風(fēng)階段時(shí)，IWC的垂直分布曲線趨于扁平化（尤其對(duì)于Ⅱ和Ⅲ區(qū)域），其不同區(qū)塊最大值平均值為300 mg/cm3。在衰弱期臺(tái)風(fēng)階段時(shí)，IWC 的垂直分布曲線在高度11—14 km 附近重新出現(xiàn)了明顯的高值區(qū)，其不同區(qū)塊最大值平均值為560 mg/cm3。

圖7 不同階段盧碧中各區(qū)域深對(duì)流云的IER、INC和IWC平均值的垂直分布特征（Ⅰ—Ⅷ對(duì)應(yīng)圖6左圖分區(qū)）Fig.7 Vertical distribution characteristics of the average values of IER，INC and IWC of deep convective clouds in different regions of LUPIT in different stages（Ⅰ—Ⅷcorrespond to the partitions on the left picture of Fig.6）

5 結(jié) 論

本研究利用CSRM算法構(gòu)建西太平洋臺(tái)風(fēng)云體的三維結(jié)構(gòu)模型，同時(shí)分析了臺(tái)風(fēng)云層在不同發(fā)展階段水平分布特征和微物理特征。利用CSRM 算法對(duì)臺(tái)風(fēng)云體進(jìn)行三維拓展的意義在于增加統(tǒng)計(jì)分析可用的同一臺(tái)風(fēng)事件廓線數(shù)量，有助于分析復(fù)雜云系統(tǒng)中的云分布及微物理參數(shù)特征。盲區(qū)測試結(jié)果表明：隨著拓展距離的增加，傳統(tǒng)SRM算法對(duì)深對(duì)流云的匹配率迅速下降，而利用CSRM算法的匹配率仍然能保持85%以上，這一結(jié)果保證了對(duì)深對(duì)流云水平分布特征和內(nèi)部微物理參數(shù)特征分析的有效性。

對(duì)所研究熱帶氣旋中深對(duì)流云水平分布特征和內(nèi)部微物理參數(shù)特征的統(tǒng)計(jì)分析結(jié)果表明：（1）增強(qiáng)期臺(tái)風(fēng)盧碧1 和范斯高深對(duì)流云占比平均為61.4%，沿各方向標(biāo)準(zhǔn)差平均為12.4%；衰弱期臺(tái)風(fēng)盧碧2和妮妲的占比和標(biāo)準(zhǔn)差均有所降低，分別為25.3%和8.4%；相比于臺(tái)風(fēng)，熱帶風(fēng)暴米克拉、燦鴻、天鵝和彩云中深對(duì)流云占比均值為45.2%，在不同方向下差別更大，標(biāo)準(zhǔn)差達(dá)到了23.1%。（2）由圖7 所示，臺(tái)風(fēng)內(nèi)部深對(duì)流云的IER 與高度成正比，INC在凝結(jié)層以下與高度成正比，凝結(jié)層以上與高度成反比。分析圖7（c）、（f）以及（i）可知，隨著熱帶低壓演化為臺(tái)風(fēng)，其內(nèi)部深對(duì)流云中的IWC 高值區(qū)由云中部逐漸向云頂部聚集，并且當(dāng)臺(tái)風(fēng)從增強(qiáng)期演化為衰弱期時(shí)，其云頂部的IWC最大值略微增加。

CSRM 三維拓展算法的本質(zhì)是利用主動(dòng)和被動(dòng)傳感器的測量結(jié)果識(shí)別出的深對(duì)流云、周邊云層及無云像素，并根據(jù)被動(dòng)傳感器所獲取的輻射及物理特性，將主動(dòng)傳感器軌道上單像素?cái)?shù)據(jù)逐一匹配填充給非主動(dòng)軌道上的像素。這意味著CSRM算法無法在非主動(dòng)軌道像素上構(gòu)建出未在主動(dòng)軌道剖面中出現(xiàn)的云體垂直結(jié)構(gòu)，進(jìn)而限制了算法所構(gòu)建的三維結(jié)構(gòu)的準(zhǔn)確度。針對(duì)臺(tái)風(fēng)這一類周期性且具有一定相似性的天氣系統(tǒng)而言，利用主動(dòng)傳感器的歷年廓線數(shù)據(jù)建立臺(tái)風(fēng)云體數(shù)據(jù)庫并將該數(shù)據(jù)庫作為算法的主動(dòng)輸入是提升算法精度的思路之一。