部分云覆盖下红外辐射传输模型及对火山灰云的敏感性研究

赵营营，朱 琳，孙文彬，李文杰



部分云覆盖下红外辐射传输模型及对火山灰云的敏感性研究

赵营营1，朱 琳2，孙文彬1，李文杰1

（1. 中国矿业大学（北京）地球科学与测绘工程学院，北京 100083；2. 中国气象局国家卫星气象中心，北京 100081）

针对我国新一代地球同步气象卫星FY-4的预期发射和数据应用，本文借助与FY-4卫星成像仪类似的Meteosat-8卫星的SEVIRI仪器数据资料开展先期研究，建立了一种部分云覆盖条件下红外辐射传输模型，模拟了不同大气条件、火山灰云高度、有效云量和观测天顶角情况下卫星观测的红外通道的亮度温度的变化。美国标准气候态大气廓线和火山灰区实时大气廓线两种模拟结果都表明，模型模拟的8.3～9.1mm，9.8～11.8mm，11～13mm，12.4～14.4mm的入瞳亮度温度对云高度、有效云量较为敏感，基本呈线性相关；卫星天顶角对模拟的辐射亮温的影响相对较小。通过不同大气廓线状态和火山灰云发射率情景下的测试结果表明，只有同时考虑大气条件和火山灰云通道发射率的差异后，模式才能够较好地模拟出火山爆发情景下火山灰云中酸性物质在11mm和12mm的反吸收特性。与大气条件相比，通道的发射率差异对火山灰云的遥感建模更为重要。因此，可在传统的分裂窗通道的基础上，通过热红外多通道亮温及亮温差异信息联合反演火山灰云高度和有效云量等因子，提高部分覆盖下火山灰云的微物理参数的反演精度。本研究为建立基于我国新一代静止气象卫星FY-4数据的火山灰云浓度定量反演模型提供了理论基础。

火山灰云；部分云覆盖；红外辐射传输模型；有效云量；火山灰云高度；亮温敏感性

0 引言

一次大规模的火山喷发所形成的火山灰云通常能够冲破对流层并长期驻留在平流层中，这恰好是民航客机的飞行高度。平流层火山灰云给航空安全带来极大威胁[1-4]。首先，火山灰云中硅酸盐粒子极易被航空器发动机高温部件融化，并冷却覆盖在涡轮机上，引起发动机故障。此外，火山灰粒子还会覆盖在驾驶舱窗口、机身、引擎等造成部件磨损及长期侵蚀。从长期来看，大规模的火山灰云覆盖在地球上空，削弱了到达地面的太阳辐射，能够引起气温、降水异常，还会造成臭氧层破坏、大气污染、形成酸雨等现象，从而对全球气候和环境产生深远影响[5-9]。因此，定量反演火山灰云的高度、浓度等信息对航空安全及环境气候研究具有重要意义。

气象卫星数据具有较高的时间分辨率和丰富的光谱波段，有利于动态监测火山灰云的空间分布和扩散路径，并实时反演火山灰云的微物理特性。从20世纪90年代以来，学者利用气象卫星可见光至热红外通道特别是热红外的多通道组合，在检测火山灰云、沙尘等微物理特性方面进行了大量工作[10-13]。近年来，随着国际上新一代静止气象卫星的研制和陆续发射，传感器的通道个数和探测能力进一步增强。SEVIRI（Spring Enhanced Visible and Infrared Imager）仪器是搭载在欧洲第二代地球静止气象卫星MSG的成像仪。学者利用SEVIRI仪器热红外波段在火山灰云识别、火山灰云高度及微物理特性反演方面做了大量工作。Stohl等、Prata等利用SEVIRI分裂窗通道9.8～11.8mm，11～13mm的光谱响应特性通过亮温差模型获得火山灰平均粒子半径和光学厚度以及火山灰云的质量浓度等[14-16]。亮温差法在热带和高湿条件下，水汽吸收能屏蔽掉火山灰云在分裂窗通道反吸收特性的影响，导致火山灰云的误判，这是亮温差法的局限性[16]。Pavolonis等、Francis等和Cooke等利用SEVIRI热红外多通道数据根据比率方法监测火山灰云范围，并基于贝叶斯最优估计理论和一维变分方法反演火山灰云物理参数，如火山灰云所在高度的压强（或火山灰云高度、有效温度等）、火山灰云微物理参数（如粒子有效半径、柱浓度、粒子分布等）[17-20]。一维变分方法能够实现自动、实时火山灰云检测和火山灰云特性反演，但需要实时输入地表温度、地表发射率以及大气廓线等辅助数据，增加了反演需要的时间，辅助数据与卫星资料空间分辨率上的不匹配，也在一定程度上降低了反演结果的精度。

中国下一代静止气象卫星风云四号（FY-4）卫星的首发星FY-4A计划于2016年发射。FY-4A上搭载了多通道扫描成像辐射计（AGRI），包括14个成像通道，其中有8个热红外通道，通道设置和欧洲MSG上搭载的SEVIRI仪器对应通道相似。与中国第一代静止卫星FY-2相比，FY-4成像仪增加了8.5mm和13.5mm的两个热红外通道，将进一步增强对火山灰云微物理参数反演的数据支持。在FY-4产品算法研制阶段，欧洲的SEVIRI卫星数据为基于FY-4卫星的产品算法和模型测试提供了数据基础。如吴晓采用搭载于Meteosat-8的SEVIRI仪器的观测数据作为代理资料，建立了基于FY-4卫星的大气下行长波辐射通量密度反演模式[21]。

虽然目前国际上主流的静止气象卫星在对火山灰云探测能力方面进一步增强，但其空间分辨率大都在500m～5km之间，受到空间分辨率的限制导致混合像元效应显著。特别是在火山爆发的中后期，随着火山灰云的扩散和沉降，像元内部会出现部分为火山灰云，部分是其它地物信息的情况。假设火山灰云为不透明云，卫星观测到的上行辐射量可写成晴空辐射量和云辐射量两部分的线性组合，可理解为卫星视场被部分云覆盖[22]。部分云覆盖下红外辐射传输模式是否能够有效地体现火山灰云中微物理特性变化而导致的辐射量的变化，大气条件、观测角度以及云的覆盖比例如何影响最终卫星观测的红外辐射是后期有效建立火山灰云微物理参数反演模型的理论基础。然而，这方面的系统研究报道较少。

本文以搭载在欧洲MSG卫星上的SEVIRI数据作为代理资料，通过部分云覆盖下红外辐射传输模型，模拟了不同大气条件、火山灰云高度、有效云量和观测天顶角情况下卫星观测的红外通道的亮度温度，分析了不同通道模拟的亮温对火山灰云高度和有效云量等参数的敏感性，为建立部分云覆盖条件下基于FY-4卫星的火山灰云定量反演模型提供理论基础。

1 红外辐射传输理论

假设，以卫星视角观测，视野范围有部分云覆盖，大气环境无散射（无分子散射），云下行发射或分子发射经地表反射和透射到达对流层顶的部分可忽略（这一部分在红外波段很小），对一个给定的红外通道或波长，卫星接收到的向上辐射可以近似写成晴空和云辐射项的线性组合[17-18,22]：

obs()＝eff()cld()＋clr()(1－eff()) (1)

式中：为某一给定的热红外波长；obs为卫星观测到的辐射亮度；clr和cld分别代表卫星视场内晴空和云的辐射亮度，eff为该红外波长范围内的有效云量（由云的发射率与云量的乘积得到[23]）。为了避免使用额外的符号，公式隐含了角度。在某一高度下，云的辐射亮度（cld）由公式(2)给出：

cld()＝ac()＋ac()(,eff) (2)

式中：ac和ac分别为从云顶到大气顶的上行大气辐射量和透过率。是普朗克方程，eff为有效云温度。公式(2)中，晴空的透过率和辐射亮度的计算基于一种以回归方法为基础的晴空大气快速传输模式[24]。模型同时需要输入地表温度、地表发射率、大气温度廓线、水汽廓线和臭氧廓线、卫星天顶角等参数。其中，地表发射率来自SeeBor数据库，不同通道间地表发射率有所差异[25]。

有效云量的光谱变化直接与云的微物理特性相关，如粒子大小、形状和成分。两个不同的红外波段有效云量构造的有效吸收光学厚度比率（指数）能够直接反映火山灰云的微物理特性。对于给定的1和2两个波段的有效云量eff(1)和eff(2)，obs[1/2]由公式(3)定义：

公式(3)可以简单地解释为两个不同波长的有效吸收光学厚度abs.eff的比率。指数可以从单次散射特征方面进行解释，可以从一个给定的云的组成成分和粒径分布计算出来。在波长8～15mm的范围内，多次散射的影响很小，obs能够体现部分云覆盖条件下辐射传输的本质内容[18]。

2 数据来源及介绍

2.1 SEVIRI数据

SEVIRI（Spring Enhanced Visible and Infrared Imager）是搭载在欧洲第二代气象卫星MSG（Meteosat Second Generation）平台上的旋转增强可见光及红外成像仪，对地气系统进行观测，总共12个通道。其中，高分辨率可见光（HRV）通道在东-西方向进行半盘扫描，在南-北方向进行全盘扫描，其余11个通道以15min的重复周期对地球进行全盘观测。在天底点，HRV通道分辨率为1km，其他8个热红外通道和3个可见光和近红外通道空间采样分辨率为3km。SEVIRI仪器具体的通道设置和主要应用见表1[26]。

表1 SEVIRI在通道的中心、最小和最大波长处的光谱通道特征和每个通道的主要应用领域

2.2 廓线数据

文章进行亮温模拟时分别使用了美国标准（1976）大气模式下的气候态廓线数据和美国国家环境预报中心NCEP（National Centers for Environmental Prediction）的6小时全球资料同化系统T126分辨率的GFS（Global Forecast Model）分析数据，其数据来自美国威斯康辛大学空间科学与工程中心（ftp://ftp.ssec.wisc.edu/pub/eosdb/ancillary）。

GFS分析数据每个文件都包含了分量，分量，分量，温度，垂直速度，相对湿度，以及绝对涡度廓线，其中大多数都在26层强制气压层（1000～10hPa）上。垂直速度在1000～100hPa压强层范围，相对湿度在1000～300hPa压强层范围。另外也包含单层数据，例如，边界层的风、温度和相对湿度，对流层的温度、压力和风。数据采用全球1×1度格网。文件为GRIB格式。

在模拟亮温时，需要使用对应固定压强层的101层廓线数据，这就需要对GFS数据进行插值处理。廓线数据垂直插值方法如下[18]：

101()＝(－1)＋lg(()/(－1))*

(()－(－1))/lg(()/(－1)) (4)

式中：代表26层温度或水汽廓线（水汽廓线由相对湿度廓线转化得到，高层的水汽廓线由水汽最小值补齐），101代表101层温度或水汽廓线。代表()与(－1)之间的任意压强层，(－1)＜＜()。()与(－1)代表压强层()与(－1)处的值。

标准模式下的气候态数据和GFS 6小时全球资料同化系统分析数据经过处理均成为符合压强层光学厚度模型的101层压强层的廓线数据。输入其温度廓线、水汽廓线、臭氧廓线以及云层温度、地表发射率、有效云量和观测角度等利用快速辐射传输模型模拟火山灰云的辐射亮度并通过普朗克函数转化为亮温。

3 敏感性分析

3.1 标准大气与火山灰云大气条件下模拟亮温的敏感性

以地球同步轨道MSG平台上搭载的SEVIRI传感器对应的6个红外通道，即通道4、5、7、9、10、11的光谱响应特性为基础，利用本文第一节所述的正演模式，模拟不同有效云量、压强层高度和卫星天顶角条件下对应的入瞳亮度温度的变化。大气廓线数据采用美国标准（1976）大气模式下气候态数据以及2010年5月8日冰岛艾雅法拉冰河火山（Eyjafjallajokull volcano）区的GFS廓线数据。

如图1(a)所示，在美国标准大气廓线条件、压强＝515.72hPa，卫星天顶角＝0°的情况下，模式模拟出的SEVIRI第4、7、9、10、11通道亮度温度与有效云量表现出明显的负线性相关。相对第4通道，第7、9、10、11通道亮度温度与有效云量的线性关系更理想。有效云量从0.1变化到1，模拟的亮度温度在第7、9、10通道分别由284K、287K、286K降低到252K、253K、253K，改变了32K、34K、33K；在第11通道由265K降低到246K，改变了19K。可见与第11通道相比，SERIVI卫星观测的第7、9、10红外辐射值随着有效云量的增加，表现出更强的吸收特性。与其他通道相比，第5通道亮度温度对有效云量的变化没有表现出明显的响应。如果保持有效云量和卫星天顶角不变（以有效云量＝0.5，卫星天顶角＝0°为例）（图1(b)），SEVIRI第7、9、10、11通道亮度温度与压强层高度表现出近似的正线性相关，特别是在300百帕到近地面层。压强层高度由200hPa降低到850hPa，第7、9、10、11通道亮度温度分别由261.5K、261.5K、260K、245K升高到281.5K、284.5K、283K、264K，分别改变了20K、23K、23K、19K，可见第9和第10通道对高度的变化最为敏感。而第4、5通道较其他通道表现的线性关系较弱。与有效云量、压强层高度相比，随着天顶角的增加，第5和第11通道的亮度温度缓慢减小，其他通道基本上对卫星天顶角的变化不敏感。

对比图1和图2的结果可见，在标准大气廓线和有火山灰云大气廓线2种大气条件下，模式模拟出的入瞳辐射亮度表现出相似的规律。这说明无论是在气象云还是在火山灰云的情景下，大气条件的改变基本不影响模式对有效云量、云高度以及卫星天顶角的敏感性总体规律，气象云是影响火山灰云判识和微物理参数反演的主要因素之一。

图1 美国标准气候态数据模拟SEVIRI传感器第4、5、7、9、10、11通道的亮温分别与(a) 有效云量，(b)压强层，(c)卫星天顶角的关系

图2 2010年5月8日UTC1200冰岛艾雅法拉冰河火山区的GFS分析数据模拟SEVIRI传感器第4、5、7、9、10、11通道的亮温分别与(a)有效云量，(b)压强层，(c)卫星天顶角的关系

3.2 晴空与有火山灰云条件下亮温差的敏感性

以典型火山爆发时的大气廓线为例，进一步测试了火山爆发情景下SEVIRI各个热红外通道晴空和有云两种情况的亮温差的变化。如图3(a)所示，在压强＝515.72hPa，卫星天顶角＝0°的情况下，第7、9、10、11通道晴空与有火山灰云条件下的亮温差与有效云量表现出明显的线性相关。有效云量从0.1变化到1，模拟的晴空与有火山灰云条件下的亮温差在第7、9、10通道大约分别由2K、2.5K、3K上升到26K、27K、27K，改变了24K、24.5K、24K；在第11通道，由3K上升到18K，改变了15K。SEVIRI第11通道这种独特的吸收特性对建立有效云量的反演方法非常重要。图3(b)表明，在有效云量和卫星天顶角不变的情况下，SEVIRI第7、9、10、11通道晴空与有火山灰云条件下的亮温差与压强层高度表现为近似的线性相关。压强层高度由200hPa降低到850hPa，第7、9、10、11通道晴空与有火山灰云条件下的亮温差分别由25K、28K、30K、25K下降到3K、3K、4K、2K，分别改变了22K、25K、26K、23K。SEVIRI第4通道晴空和有云条件下亮温差只在大气中低层表现出和高度的负线性关系，而第5通道则相反，只在中高层大气表现出和高度的线性相关。卫星天顶角的变化对最终模拟的亮温差变化波动性较大，没有表现出明显的规律。

3.3 火山灰云大气条件下SEVIRI传感器第9、10通道亮温差的敏感性

红外通道之间在不同有效云量、高度上表现出的对火山灰云粒子的差异性吸收特性是选择合适的通道进行火山灰云反演的关键依据。火山灰与水或冰在11mm和12.0mm两个分裂窗通道具有相反的吸收特性，这是广泛使用的分裂窗亮温差算法区分火山灰云与气象云的理论基础。Prata（1989）指出，对于火山灰云部分云覆盖的视野，两个红外分裂窗区的亮温差小于0，即BT11mm－BT12mm＜0[27]。找出影响SEVIRI 第9和10两个分裂窗通道亮温差的因素是后期建立火山灰云反演模式的关键步骤。结合我们正演模式（本文第1章所示）分析可知，大气廓线条件是模型正向模拟的输入数据，是影响最终模拟的入瞳亮度温度的直接因素之一。本章分别以美国标准（US Standard）气候态数据和火山灰区GFS数据的大气廓线作为输入数据模拟SEVIRI传感器第9、10通道的亮温差，并对亮温差对有效云量、压强层高度以及卫星天顶角的敏感性进行分析。在模拟SEVIRI传感器第9、10通道的亮温差时，忽略两个通道之间有效云量的差异。如图4(a)所示，有效云量从0.1变化到1.0时，根据火山灰区GFS大气廓线数据模拟的第9、10通道亮温差明显小于美国标准气候态大气廓线数据模拟的结果。而且，第9、10通道亮温差随有效云量的增大而减小。图4(b)显示，不同压强层高度上，除个别点外，火山灰区GFS数据模拟的第9、10通道亮温差总体小于美国标准气候态数据模拟的结果。图4(c)模拟结果表明在不同卫星天顶角下，火山灰区GFS数据模拟的第9、10通道亮温差小于美国标准气候态数据模拟的亮温差。由上述分析可见，与美国标准气候态廓线数据相比，利用实时的火山灰云区的大气廓线得出的SEVIRI第9、10通道亮温差总体小于美国标准气候态数据模拟的结果，能够从一定程度上反映由于这两个通道对火山灰云的反吸收特性造成的吸收能力的差异。然而，仅利用实时的火山灰云区的大气廓线，仍不能较好地模拟第9和第10通道的反吸收特性，即理论上，对于火山灰云区，第9和第10通道的亮温差应该小于0，而上述模拟结果表明，大部分情况下，亮温差都是大于0的。出现这一现象的主要原因是我们在进行正向模拟时，忽略了通道间有效云量的差异，即默认为通道之间有效云量是一致的。实际上，由于热红外通道之间的辐射和吸收特性的差异，即使像元内真实云量对于各个通道来说是一致的，但由于实际通道之间云的发射率的不同，导致有效云量在通道之间还是有变化的。

图3 2010年5月8日UTC1200 GFS分析数据模拟SEVIRI传感器第4、5、7、9、10、11通道晴空与有火山灰云条件下的亮温差分别与(a)有效云量，(b)压强层，(c)卫星天顶角的关系

大量实验表明，在火山灰云区，由两个分裂窗通道组成的比率指数（如本文第1章所述）小于1，而对于气象云、冰雪等其它地物，对应的比率指数大于1[16]。比率指数实际反映了由于通道间云的发射率的不同而导致的火山灰云与气象云或其它地物不同的独特特性。下文以12/11mm比率指数分别等于0.2、0.4、0.6、0.8为例，模拟在火山爆发情景下，不同有效云量、压强层高度和卫星天顶角情况下第9、10通道的亮温差（Brightness Temperature Difference，BTD）。模拟结果如图5(a)-(c)所示，通过引入指数，9、10通道亮温差均小于0，模拟结果较好地反映出分裂窗通道的反吸收特性。总体上，12/11mm越小，9、10通道亮温差的绝对值越大，表明其反吸收特性表现越强。随有效云量的增加，亮温差的绝对值增大（图5(a)）。随着压强层的升高，反吸收作用增强（图5(b)），说明模式在高层的模拟精度要高于低层。与有效云量和压强层相比，9、10通道亮温差与卫星天顶角关系不大，这与本文第3.1和3.2节的敏感性分析结果一致。由上述分析可见：只有同时考虑大气条件和通道发射率的差异，模式才能更好地模拟火山爆发情景下火山灰云中酸性物质在11mm和12mm的反吸收特性。与大气条件相比，通道的发射率差异对火山灰云的遥感建模更为重要。

图4 美国标准（US Standard, US）气候态数据和火山灰(Volcanic Ash, VA)区GFS分析数据分别在SEVIRI传感器第9、10通道的亮温差(BTD9-10)与 (a)有效云量，(b)压强层，(c)卫星天顶角的关系

图5 利用火山灰区的大气廓线数据模拟SEVIRI 9、10通道亮温差在不同β指数下分别与(a)有效云量，(b)压强层，(c)卫星天顶角的关系

4 结论

本文以FY-4成像仪代理资料Meteosat-8卫星的SEVIRI仪器光谱响应特性为基础，建立了一种部分云覆盖条件下红外辐射传输模型。该模型反映大气条件的改变基本不影响入瞳视场下亮温对有效云量、云高度以及卫星天顶角的敏感性总体规律，气象云是影响火山灰云判识和微物理参数反演的主要因素之一，因此在火山灰云识别时要考虑气象云的干扰，提高火山灰云识别精度。该模型还间接反映了火山灰云发射率、高度等微物理特性在不同通道间的差异。

总体上，模式对有效云量、云高度两个参数较为敏感，但对卫星天顶角的变化较不敏感，说明亮温与卫星天顶角可近似为独立变量。模式模拟的SEVIRI第7、9、10、11通道入瞳亮度温度与有效云量表现出明显的负线性相关、与压强层高度表现出近似的正线性相关。SEVIRI第4通道（3.48～4.36mm）入瞳亮度温度与有效云量也表现出明显的负相关，但该通道目前只适用于夜间，在白天由于反射辐射难以模拟，需要进一步研究。

通过敏感性分析进一步表明，SEVIRI第11通道的吸收特性与第10通道相似但在不同条件下吸收的速率有所不同，因此在传统的分裂窗通道（9.8～11.8mm，11～13mm）基础上，增加第11通道（12.4～14.4mm）能够加强对云辐射温度的敏感性。同时，不同大气廓线情景和通道发射率情景下的测试结果表明，只有同时考虑大气条件和火山灰云通道发射率的差异，模式才能够较好地模拟出火山爆发情景下火山灰云中酸性物质在11mm和12mm的反吸收特性。与大气条件相比，通道的发射率差异对火山灰云的遥感建模更为重要。考虑到通道发射率的差异隐含在参数有效云量中，在下一步的建模工作中，可通过热红外多通道亮温及亮温差异信息联合反演火山灰云高度和有效云量等参数，提高部分覆盖下火山灰云的微物理参数的反演精度。本文的研究为建立基于我国新一代静止气象卫星FY-4数据的火山灰云浓度定量反演模型及参数选择提供了理论基础。

致谢

衷心感谢美国威斯康辛大学李俊教授在红外辐射传输理论和SEVIRI数据应用方面给予的指导和帮助。此外，国家卫星气象中心的闵敏副研究员、高玲工程师在正向模型调试和廓线数据压强层插值等方面给予了技术上的帮助，在此一并衷心感谢！

[1] Miller T P, Casadevall T J.[M]. In:Sigurdsson H(ed),Encyclopedia of Volcanoes.Academic Press, San Diego,Calif, 2000: 915-930.

[2] International Civil Aviation Organization(ICAO).[M/OL]. 2ndedition, 2007: 500. http://www.paris.icao.int/news/pdf/9691.pdf..

[3] Webley P, Mastin. Improved prediction and tracking of volcanic ash clouds[J]., 2009, 186: 1-9.

[4] 赵谊, 李永生, 樊祺诚, 等. 火山灰云在航空安全领域研究进展[J]. 矿物岩石地球化学通报, 2014, 33(4): 531-539.

ZHAO Yi, LI Yongsheng, FAN Qicheng, et al. The progress of volcanic ash cloud study in aviation safety[J]., 2014, 33(4): 531-539.

[5] 屈春燕, 单新建, 马瑾. 卫星热红外遥感在火山活动性检测中的应用[J]. 地震地质, 2006, 28: 99-110.

QU Chunyan, SHAN Xinjian, MA Jin. Application of satellite thermal infrared remote sensing in detection of volcano activity[J].2006, 28: 99-110.

[6] 徐光宇, 皇甫岗. 国外火山减灾研究进展[J]. 地震研究, 1998, 21: 397-405.

XU Guangyu, HUANG Fugang. Recent developments in volcanic hazards mitigation [J] ., 1998, 21: 397-405.

[7] 刘嘉麒, 郭正俯, 刘强. 火山灾害与监测[J]. 第四纪研究, 1999, 20: 414-421.

LIU Jiaqi, GUO Zhengfu, LIU Qiang. Volcanic hazards and monitoring[J]., 1999, 20: 414-421.

[8] 王欢, 郝志新, 郑景云. 1750-2010年强火山喷发事件的时空分布特征[J]. 地理学报, 2014, 69(1): 134-140.

WANG Huan, HAO Zhixin, ZHENG Jingyun. Spatial and temporal characteristics of large volcanic eruptions in 1750-2010[J]., 2014, 69(1): 134-140.

[9] 尹京苑, 沈迪, 李成范. 卫星遥感技术在火山灰云监测中的应用[J]. 地震地质, 2013, 35(2): 347-362.

YIN Jingyuan, SHEN Di, LI Chengfan. Application of satellite Remote Sensing in volcanic ash cloud monitoring [J]., 2013, 35(2): 347-362.

[10] Wen S, Rose W I. Retrieval of sizes and total masses of particles in volcanic clouds using AVHRR bands 4 and 5 [J]., 1994, 99: 5421-5431.

[11] Mccarthy E B, Bluth G. J S, Watson I M, et al. Detection and analysis of the volcanic clouds associated with the 18 and 28 August 2000 eruptions of Miyakejima volcano, Japan[J]., 2008, 29: 6597-6620.

[12] 朱琳, 刘健, 刘诚, 等. 复杂气象条件下火山灰云遥感监测新方法[J]. 中国科学:地球科学, 2011, 41(7): 1029-1036.

ZHU Lin, LIU Jian, LIU Cheng, et al. Satellite remote sensing of volcanic ash cloud in complicated meteorological conditions [J].2011, 41(7): 1029-1036.

[13] Kwon Ho Lee, Man Sing Wong, Sung-Rae Chung, et al. Improved volcanic ash detection based on a hybrid reverse absorption technique[J]., 2014, 143: 31-42.

[14] Stohl A, Prata A J, Eckhardt S, et al. Determination of time- and height-resolved volcanic ash emissions and their use for quantitative ash dispersion modeling: the 2010 Eyjafjallajokull eruption[J]., 2011, 11: 4333-4351.

[15] A J Prata, A T Prata. Eyjafjallajökull volcanic ash concentrations determined using Spin Enhanced Visible and Infrared Imager measurements[J]., 2012, 117: D00U23.

[16] Prata A J，Grant I F. 2001. Determination of mass loadings and plume heights of volcanic ash clouds from satellite data. CSIRO Atmospheric Research Technical Paper no. 48.

[17] Pavolonis M J, Andrew K. Heidinger, et al. Automated retrievals of volcanic ash and dust cloud properties from upwelling infrared measurements[J]., 2013, 118: 1436-1458. doi:10.1002/jgrd.50173.

[18] Pavolonis M J, J Sieglaff.[M]. 2010: 72.

[19] Francis P N, Cooke M C, Saunders R W. Retrieval of physical properties of volcanic ash using Meteosat: A case study from the 2010 Eyjafjallajokull eruption [J]., 2012: 117, D00U09, doi:10.1029/2011JD016788.

[20] Cooke M C, Francis P N, Millington S C, et al. Detection of the Grimsvotn 2011 volcanic eruption plumes using infrared satellite measurements [J].2014. doi: 10.1002/asl2.506.

[21] 吴晓. 从 FY-4 静止气象卫星估算晴空地表下行长波辐射通量的反演模式[J]. 气候与环境研究, 2014, 19(3): 362-370.

WU Xiao. Retrieval Model for Estimating Clear-Sky Downward Longwave Radiation at the Surface from the FY-4 Geostationary Satellite[J]., 2014, 19(3): 362-370.

[22] HUANG H L, Smith W L, LI J, et al. Minimum Local Emissivity Variance Retrieval of Cloud Altitude and Effective Spectral Emissivity- Simulation and Initial Verification[J]., 2004: 795-809.

[23] Li J, Liu C Y, Huang H L, et al. Optimal cloud-clearing for AIRS radiances using MODIS[J]., 2005, 43(6):1266-1278.

[24] Hannon S E, L L Strow, and W W McMillan. Atmospheric infrared fast transmittance models: a comparison of two approaches[J]., 1996, 2830: 94-105.

[25] Borbas, E. E, Seemann S W, Huang H L, et al. Global profile training database for satellite regression retrievals with estimates of skin temperature and emissivity[C]//2005: 763-770.

[26] Schmetz J, Govaerts Y, König M, et al. A short introduction to Meteosat Second Generation (MSG)[J/OL]., 2002.http://www.met. wau.nl/education/atmospract/unit10/MSG_old.pdf

[27] Prata A J. Observations of volcanic ash clouds in the10–12 μm window using AVHRR/2 data[J]., 1989, 10: 751-761.

Study of an Infrared Radiative Transfer Model under Partially Cloud-Covered and Its Sensitivity to Volcanic Ash Cloud

ZHAO Yingying1，ZHU Lin2，SUN Wenbin1，LI Wenjie1

(1.,,100083,;2.,,100081,)

Based on instrument spectral response characteristics of Meteosat-8 SEVIRI which is adopted as a proxy of the FY-4 Imager which will be launched next year, an infrared radiative transfer model under partially cloud-covered is established. Observed brightness temperatures of SEVIRI infrared spectral bands (with 8.3-9.1mm, 9.8-11.8mm, 11-13mm and 12.4-14.4mm, respectively) under different atmospheric conditions, volcanic ash cloud heights, effective ash cloud emissivity and observation zenith angles are simulated. We found that no matter whether under U.S. standard atmosphere or in-situ atmospheric condition, the simulated brightness temperatures always show high sensitivity to cloud heights and effective ash cloud emissivity. The relationship between simulated brightness temperatures and cloud heights, effective ash cloud emissivity is nearly linear. However, the effect of satellite zenith angle on the simulated brightness temperatures is relatively small. Further simulation tests under both different atmospheric profiles and volcanic emissivity conditions demonstrate that only when the atmospheric effect and channel emissivity are all taken into account, the mineral particles’ reverse absorption effect in 11μm and 12μm in a volcanic eruption scenario can be simulated. Compared with the atmospheric conditions, the channel emissivity difference is more important for radiative modeling the ash cloud. Therefore, based on the traditional split-window temperature difference method, the joint use of multi-channel thermal infrared brightness temperature information can improve the retrieval accuracy of volcanic ash height and effective ash cloud emissivity under partial cloud-covered conditions. This study provides a theoretical basis on the establishment of quantitative volcanic ash inversion model for China’s new generation geostationary meteorological satellite FY-4.

volcanic ash cloud，partially cloud-covered，infrared radiative transfer model，effective cloud fraction，ash cloud level，sensitivity of brightness temperature

TP70

A

1001-8891(2016)04-0348-08

2015-10-08；

2015-12-24

赵营营（1988-），女，山东省聊城东阿县人，硕士研究生，主要研究领域为遥感技术与应用。

朱琳（1978-），女，河南安阳市人，副研究员，主要研究领域为定量遥感建模及应用。E-mail：zhulin@cma.gov.cn。

国家自然科学基金“基于多源卫星数据的火山灰云质量浓度定量反演研究”（41201448）。