FY-4B GIIRS导出的比湿廓线优化方法

《Atmosphere》：An Optimization Approach for Specific Humidity Profiles Derived from FY-4B GIIRS

　　

风云四号B星（FY-4B）搭载的地球静止干涉式红外探测仪（Geostationary Interferometric Infrared Sounder, GIIRS）导出的比湿廓线常因云污染而退化，同时严格的质量控制标记进一步限制了数据可用性。为解决这些问题，研究人员利用2023年1月至2024年1月的ERA5再分析数据，开发了FY-4B GIIRS比湿廓线的优化框架。选取广西和北部湾作为研究区域。未参与模型构建的独立ERA5数据集作为基准来评估性能。结果表明，原始FY-4B GIIRS比湿廓线相对于ERA5倾向于低估湿度。对于质量标记为0和1的廓线，偏差（Bias）、均方根误差（Root Mean Square Error, RMSE）和平均相对误差（Mean Relative Error, MRE）范围分别为?3~0 g/kg、0~4 g/kg和17~53%。优化后，偏差有效降低至0 g/kg。RMSE在700~300 hPa层平均降低15%，而MRE最显著的改善发生在1000~920 hPa之间。对于较低质量数据（标记2–3），偏差、RMSE和MRE范围为?12~0 g/kg、0~13 g/kg和48~140%。优化后，偏差范围缩小至?6~0 g/kg。RMSE从近地表层至400 hPa降低20~40%，MRE在300 hPa以下降低40%。台风“佩帕”的案例分析进一步证明了该模型的有效性。在经历强降雨的站点，优化后的比湿廓线精度显著提高，且导出的预报相关物理变量的平均绝对误差（Mean Absolute Error, MAE）大幅降低。总体而言，所提出的优化模型显著提升了FY-4B GIIRS比湿廓线的准确性和实际可用性，为监测台风和强降雨等灾害性天气提供了更可靠的数据支持。

**论文解读：FY-4B GIIRS比湿廓线优化方法研究**

**研究背景与问题**
大气温度与比湿廓线是天气分析的基础，对数值天气预报、灾害天气监测及数据同化至关重要。相较于传统探空仪观测，卫星遥感提供了更连续的时空覆盖，能捕捉地面站点稀疏区域的三维大气变化。风云四号B星（FY-4B）作为风云四号系列首颗业务卫星，搭载地球静止干涉式红外探测仪（GIIRS），以高时间频率（约45分钟）和宽空间覆盖反演大气廓线，在对流天气监测与临近预报中具有重要价值。然而，GIIRS产品存在两大瓶颈：一是云污染导致反演精度下降，云的发散、吸收与散射效应严重干扰红外探测；二是质量标记严格，大量低质量（标记2和3）廓线被直接丢弃，造成数据损失与垂直结构不完整。现有研究多集中于产品评估，对提升反演精度的关注有限。已有方法如概率密度匹配校正、全球导航卫星系统（GNSS）可降水量（PWV）比例校正等，虽有一定效果，但受限于GNSS站网分布，且无法充分捕捉各气压层变化。因此，亟需开发一种不依赖外部稀疏观测、能有效校正云污染与质量标记影响的优化方法，以提升FY-4B GIIRS比湿廓线的准确性与可用性。

**研究内容与结论**
研究人员利用2023年1月至2024年1月的ERA5再分析数据，针对广西及北部湾区域（103–113°E，18–27°N），构建了FY-4B GIIRS比湿廓线的优化框架。该框架通过迭代更新各气压层水汽密度，导出比湿调整因子，并采用包含年周期、半年周期与日周期的周期函数拟合，分别针对质量标记0–1和2–3两组廓线估计网格系数。以未参与模型构建的独立ERA5数据（2024年7–9月）为基准评估，结果表明：优化后，高质量廓线（标记0–1）的偏差趋于0 g/kg，均方根误差（RMSE）在700–300 hPa层平均降低15%，平均相对误差（MRE）在1000–920 hPa层改善最显著；低质量廓线（标记2–3）的偏差范围从?12~0 g/kg缩小至?6~0 g/kg，RMSE在近地表至400 hPa层降低20–40%，MRE在300 hPa以下降低约40%。台风“佩帕”案例验证显示，强降雨站点优化后廓线的RMSE与MRE在所有高度均降低，导出的预报相关物理变量（如500 hPa相对湿度、850 hPa比湿、露点温度、可降水量PWV、等效位温及K指数）的平均绝对误差（MAE）大幅减少，其中PWV误差平均降低5.24 mm，850 hPa等效位温误差降低超40%。该研究显著提升了FY-4B GIIRS比湿廓线的精度与实用价值，为台风、强降雨等灾害天气监测提供了更可靠的数据支撑，并发表于《Atmosphere》。

**主要关键技术方法**
（1）数据来源：FY-4B大气垂直廓线（AVP）产品（空间分辨率约12 km，时间间隔45分钟，101个气压层，0.005–1100 hPa），来自风云卫星遥感数据服务网；ERA5再分析数据（0.25°×0.25°，2小时间隔，37个气压层），来自ECMWF官网。模型构建时段为2023年1月16日至2024年1月16日，独立评估时段为2024年7月至9月。研究区域为广西及北部湾（103–113°E，18–27°N）。（2）对于每个AVP视场，采用双线性插值获取ERA5在AVP位置的气压、温度与比湿，进而计算水汽密度。（3）迭代更新AVP比湿廓线：利用ERA5与AVP水汽密度之比，按公式迭代直至收敛因子达到1×10^?8 g/m³，导出比湿调整因子。（4）将调整因子拟合为周期函数（含年、半年及日周期项），通过最小二乘法分别估计质量标记0–1和2–3两组廓线的网格系数。（5）评估指标包括偏差（Bias）、均方根误差（RMSE）及平均相对误差（MRE）。

**研究结果**
**3.1 精度评估**
通过对比优化前后FY-4B GIIRS比湿廓线与独立ERA5数据的偏差、RMSE和MRE，得出以下结论：原始廓线普遍低估湿度，低质量廓线偏差更为显著（1000–850 hPa层超过?10 g/kg）。优化后，高质量廓线偏差集中至0 g/kg附近，变化范围缩小至?0.5~1 g/kg；低质量廓线偏差在850 hPa以下降低约6 g/kg，但仍存在轻微低估。RMSE方面，高质量廓线在近地表至700 hPa层约3.5 g/kg，优化后300 hPa以下各层均降低，夜间改善更明显；低质量廓线在400 hPa以下RMSE降低20–40%，850 hPa以下改善最突出。MRE方面，高质量廓线优化后300 hPa以下改善，低层1000–920 hPa夜间降低约30%；低质量廓线MRE在300 hPa以下降低约40%，但200 hPa以上因水汽含量极低，RMSE和MRE反而增加，表明优化在高层效果有限。总体而言，优化在中低层提升显著，夜间效果优于白天，低质量廓线可用性大幅提高。

**3.2 台风事件应用**
选取台风“佩帕”（2024年7月20–23日）影响广西及北部湾期间三个强降雨站点，评估优化模型的实际应用效果。结果显示，优化后所有站点廓线的RMSE和MRE均降低，尤其在850 hPa以下和600–250 hPa层改善明显。与总体统计不同，台风条件下上层MRE未出现恶化，推测与台风丰富水汽降低了MRE对微小变化的敏感性有关。进一步计算导出的物理变量MAE：相对湿度500 hPa（RH500）误差降低29–40%以上，比湿850 hPa（q850）误差降至约3 g/kg，露点温度误差限制在2.6°C以内，可降水量PWV误差平均降低5.24 mm（站点N9024降低44%），850 hPa与500 hPa等效位温（θ_se）误差分别降低超40%和显著减少，K指数误差降至7.5°C以下。这表明优化后的廓线能更准确刻画大气湿度分布与热力结构，为台风强降雨监测提供可靠信息。

**讨论与结论**
讨论部分指出，优化效果在中低层（400 hPa以下）显著，因其水汽含量高；高层（200 hPa以上）水汽极低，导致微小比湿变化引起RMSE和MRE的放大，且卷云与对流云顶降低红外灵敏度，模型难以可靠重建完全被云遮蔽的上层信息。夜间云少时优化效果更佳，故数据同化等应用中可优先采用夜间廓线。台风案例中，丰富水汽为模型提供稳定信息，避免上层误差放大，展示了模型在极端天气下的鲁棒性。优化模型简单高效，可业务化提升FY-4B比湿廓线质量，但改善上层水汽估计的能力有限，且低质量廓线优化后仍存在一定偏差，需进一步研究。结论部分翻译如下：

本研究利用ERA5再分析数据开发了FY-4B GIIRS大气比湿廓线的优化方法，并依据数据质量标记分别处理廓线。模型在广西及北部湾区域使用独立ERA5数据评估，并在台风“佩帕”期间检验了其适用性。主要发现如下：
（1）总体而言，FY-4B GIIRS大气比湿廓线相对于ERA5低估比湿。偏差和RMSE随高度递减，而MRE递增。对于质量标记0和1的廓线，夜间（21:00 UTC）精度高于白天（05:00 UTC）；对于质量标记2和3的廓线，白天与夜间精度无明显差异。
（2）优化模型通过有效降低系统偏差提升了产品精度与可用性。通过为质量标记0–1和2–3廓线分别使用独立系数集，模型显著改善了低质量廓线优化后的精度，使先前被丢弃的数据具有实用价值，大幅提高了整体产品可用性。
（3）在台风“佩帕”期间，所有站点优化后廓线的RMSE和MRE沿整个大气柱降低，上层未出现恶化。由优化比湿廓线导出的若干湿度相关物理变量的误差也显著降低。这些结果证明了模型在强降雨监测中的实用价值，能为预报员评估降雨强度和影响区域提供更详细、可靠的信息。

总体而言，所提出的优化模型简单高效，有效提升了FY-4B比湿廓线的准确性与可用性，为这些廓线的业务化质量提升提供了可行途径。然而，其在改善上层水汽估计方面的能力仍有限。对于质量标记2和3的廓线，优化后偏差仍跨度较大，需进一步研究残余误差成因。该优化思路也可扩展至其他气象变量廓线，如温度和露点。未来工作应整合更多数据源以改善上层性能，并进一步探索在数值数据同化与极端降水机制研究中的应用。