基于VIIRS观测的夜间海洋液态云光学与微物理参数反演：一种物理信息引导的机器学习方法

《Remote Sensing of Environment》：Retrieval of nighttime oceanic liquid cloud optical and microphysical parameters from VIIRS observations: a physics-informed machine learning approach

　　

•统一的机器学习框架从 VIIRS 检索夜间和白天云微物理特性。
•VIIRS 昼/夜带使月照条件下的云检索成为可能。
•物理信息修正减少了 4 微米太阳残余偏差。
•夜间 COT 和 CER 使用 AMSR2 液态水路径进行验证。
•将全球云微物理观测扩展到有月光的夜晚。

引言
云通过调节到达地表或逃逸回太空的短波和长波辐射量，显著影响地球的能量预算 (Ramanathan, 1987; Ramanathan et al., 1989)。云光学厚度 (COT) 和云有效半径 (CER) 是理解气溶胶 - 云 - 降水相互作用以及提高气候建模和天气预报准确性的重要光学和微物理特性 (Fan et al., 2016; Tao et al., 2012)。特别是 CER，反映了气溶胶如何影响云滴大小，即"Twomey"效应，即对于恒定的液态水路径，气溶胶增多会导致云滴更小、数量更多，从而增强云反射率 (反照率) (Twomey, 1977)。云滴尺寸的减小还延长了云寿命并增加了云量 (Albrecht, 1989)，同时降低了降水效率 (Rosenfeld, 1999)。如果环境条件有利于深对流，较小的液态水滴更容易被抬升形成冰粒，进而可能导致更严重的天气 (Wang et al., 2009)。夜间检索 COT 和 CER 对于捕捉整个昼夜周期的云特性至关重要，因为夜间的气溶胶 - 云相互作用可能与白天显著不同，这是由于增强的长波冷却、改变的对流混合以及缺乏太阳加热，所有这些都会影响云厚、液态水路径和降水动力学 (Chen et al., 2011)。
尽管它们很重要，但从太空检索夜间云光学和微物理特性仍然是大气卫星遥感领域的挑战之一。传统的 COT 和 CER 检索方法依赖于 Nakajima 和 King (1990) 开发的双光谱太阳反射技术。在这一框架中，COT 主要源自非水汽吸收的可见光和近红外 (VIS/NIR) 波长 (例如，0.67、0.87 微米)，而 CER 则源自对水滴大小高度敏感的水汽吸收短波红外 (SWIR) 波长 (例如，1.6、2.1、3.7 微米)。这种双光谱方法已被广泛用于云的被动遥感，并成为从高级甚高分辨率辐射计 (AVHRR) (Kawamoto et al., 2001) 和中等分辨率成像光谱辐射仪 (MODIS) (Platnick et al., 2016) 到可见光红外成像辐射仪系列 (VIIRS) (Platnick et al., 2016) 等许多现代云检索算法的基础，但由于缺乏短波测量，它尚未在夜间应用。这一限制导致了全球夜间云气候学的空白，阻碍了在云的整个生命周期中对夜间气溶胶 - 云相互作用过程的研究。近年来，几项努力试图克服这一空白。Walther et al. (2013) 遵循白天双光谱检索概念，将源自 VIIRS 昼 - 夜带 (DNB) (0.5–0.9 微米) 的月反射率与 3.75 微米 (M12) 通道测量的热辐射相结合。他们表明，云发射率和透过率之间的补偿，即它们对热辐射率相反的影响降低了对有效半径的敏感性，可以产生一种“盲点”机制，在这种机制中热辐射率对有效半径的敏感性很弱。这个盲点的位置取决于 COT 以及云顶温度、地表温度及其温差，突出了仅从夜间双光谱观测中约束云光学和微物理特性的挑战。
在此，我们介绍了 UI-Cloud (Unified Illumination Cloud Microphysics Retrieval Framework，统一照明云微物理检索框架)，这是一个基于神经网络的框架，利用多波段 VIIRS 观测统一白天和夜间检索，以检索 COT 和 CER。人工智能 (AI) 的最新进展加速了机器学习 (ML) 模型在云遥感中的应用，使得宏观和微物理特性的改进检索成为可能。Yang et al. (2022) 应用极端梯度提升 (XGBoost) 到 Himawari-8/AHI 红外辐射中，检索云掩膜、云顶温度 (CTT)、云顶高度 (CTH) 和云相，而 Wang et al. (2022b) 使用深度神经网络 (DNN) 检索 CTH 和冰云 COT，实现了比业务算法更好的改进。与热红外检索微物理特性的研究更为广泛的冰云相比 (例如，Wang et al. (2016b))，相对较少的研究探索了热红外观测在液态云 CER 检索中的应用。在云微物理方面，Minnis et al. (2016) 表明，MODIS 3.7、6.7、11.0 和 12.0 微米热红外 (TIR) 通道可用于检索夜间不透明冰云的 COT，将可检索范围扩展到 COT ≈150，尽管由于厚云的绝对黑体行为，最深的云仍然被低估。Zhang et al. (2019) 和 Hu et al. (2021) 使用云 - 气溶胶激光雷达正交偏振 (CALIOP)-MODIS 匹配来训练神经网络模型以获取 CER、云滴数浓度 (CDNC)、液态水含量 (LWC)，展示了激光雷达约束学习的优势，但受限于 CALIOP 的窄幅宽且未检索 COT。Wang et al. (2022a) 使用卷积神经网络 (CNN) 结合 MODIS TIR 辐射同时进行云掩膜、COT、CER 和 CTH 的检索；然而，与所有仅 TIR 方法一样，该方法仍受限于对光学厚云敏感性降低以及热辐射中微物理信号的非唯一性 (Iwabuchi et al., 2014; Wang et al., 2016a)。Zhao et al. (2023) 开发了一种使用静止卫星多光谱亮度的深度学习 ResUnet 模型来检索 COT 和 CER，以及云相和 CTH，实现了薄至中等厚云准确性的改进，尽管在 TIR 敏感性有限的非常厚或空间异质性云场中性能下降。总之，这些研究突出了实质性的进展，但也存在持续的挑战——特别是夜间训练数据有限、基于激光雷达参考数据集的窄幅宽以及仅从 TIR 辐射联合约束 COT 和 CER 的根本困难——强调了需要统一的、物理引导的 ML 框架，能够实现一致的昼夜云微物理检索。
与之前依赖有限的双波段信息 (DNB 月反射率和 M12 热辐射)、仅 TIR 或受激光雷达稀疏空间采样限制的夜间方法不同，UI-Cloud 利用了白天和夜晚可用的更广泛预测因子；它们包括 VIIRS 热发射带 (M13–M16) 和 DNB，允许单个模型学习在太阳和月光照下均有效的辐射 - 微物理关系，并且这种关系体现在多个波段中。通过基线实验 (第 4.1 节) 进一步量化了 DNB 和 M13 的相对贡献，提供了关于其互补作用的物理见解，并突出了所提出框架相对于仅热红外检索方法的优势。一个关键挑战源于 4.065 微米通道 (M13)，该通道在白天包含太阳贡献 (Zhang et al., 2024)，破坏了与夜间仅热测量的一致性。为了应对这一点，我们使用统一线性化矢量辐射传输模型 (UNL-VRTM, Wang et al., 2014) 构建配对的白天和夜间查找表 (LUTs)，从而实现白天 M13 太阳残余偏差的物理修正，并确保 UI-Cloud 在照明条件下保持一致的热 - 微物理约束。UNL-VRTM 已被广泛应用于基于卫星的云和气溶胶检索，包括 VIIRS、MODIS 和臭氧监测仪器 (OMI) 传感器的模拟研究 (Xu et al., 2019; Zhou et al., 2021)。例如，Zhou et al. (2021) 表明，该模型能够以高精度复现多个波长的观测顶大气层 (TOA) 反射率和亮度 (BT)，确认了其适用于正演建模和反演应用。
通过将机器学习与基于物理的辐射传输相结合，UI-Cloud 使得利用白天数据学到的知识进行稳定的夜间检索成为可能。通过这些统一预测因子和 UNL-VRTM 修正确保训练和预测之间的物理一致性，UI-Cloud 在全球白天和夜间条件下检索 COT 和 CER，产生与白天气候学和独立微波验证相符的物理一致结果。第 2 节描述数据集，第 3 节详细说明方法论，第 4 节呈现检索结果，第 5 节总结结论。

章节摘录
VIIRS 1b 级校准产品
美国 Suomi 国家极地轨道伙伴关系 (S-NPP) 卫星上的 VIIRS 提供了跨越可见光到热红外波长的宽谱范围，用于云特性检索的关键观测。VIIRS 提供高分辨率和全球覆盖，使其成为研究云、气溶胶和地表特性的重要工具。该仪器由 22 个光谱波段组成，包括五个成像波段 (I-bands)，分辨率为 375 米，十六个中等分辨率

夜间 COT 和 CER 检索算法
图 2 说明了处理 VIIRS 数据和检索夜间 (NT) COT 和 CER 的工作流程。该过程涉及以下步骤：
1) 根据 VIIRS 1b 级辐射计算 DNB 顶大气层反射率，白天 (DT) 使用太阳辐照度，夜间使用月球辐照度 (第 3.1 节)
2) 通过汇总辐射和云特性至约 6 公里分辨率并与 MERRA-2 气象场匹配来组装训练数据集。
3) 选择高质量的白天 CLDPROP 像素以

检索演示与讨论
本节评估了 UI-Cloud 检索框架及其夜间条件 ML 扩展的性能。我们首先使用白天 VIIRS CLDPROP L2 检索作为参考来评估模型的准确性 (第 4.1 节)，并通过 SHapley 可加性解释 (SHAP) 分析来解释特征贡献。接下来，我们描述基于 UNL-VRTM 的修正的开发和应用，以解决 M13 波段中的太阳残余效应 (第 4.2 节)。修正后的夜间

结论
本研究开发并展示了一种 UI-Cloud，即一种从 VIIRS 观测检索夜间海洋液态云光学和微物理特性 COT 和 CER 的 ML 框架，该框架使用物理引导修正和月照约束。该方法利用白天训练的神经网络模型，联合预测 COT、CER 和 DNB 顶大气层反射率，使用多光谱热发射带 (M13–M16)、DNB 和几何参数作为预测因子。模型实现了

CRediT 作者贡献声明
Ying-Chieh Chen: 可视化，验证，方法论，正式分析，数据整理，概念构思。Meng Zhou: 监督，软件，方法论，概念构思。Jun Wang: 监督，方法论，资金获取，概念构思。Xi Chen: 监督，方法论，概念构思。Jing Zeng: 资源，调查。Yongxiang Hu: 验证，资源。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
致谢
本工作部分由 NASA 的 Terra、Aqua 和 SNPP 项目在第 80NNSC21L1976 号资助下支持；部分由 NASA 建模和分析计划 (MAP) 在第 80NSSC21K1494 号资助下支持；以及部分由 NASA TEMPO–GOES/R 计划在第 80NSSC25K0221 号资助下支持。
作者感谢 NASA LAADS DAAC 和 NASA GMAO 提供本研究使用的 VIIRS 和 MERRA-2 数据集。作者还感谢 Kerry G. Meyer (NASA 戈达德太空飞行中心) 提供的有益指导。
Ying-Chieh Chen|Meng Zhou|Jun Wang|Xi Chen|Jing Zeng|Yongxiang Hu