面向资料同化的FY-4A 卫星GIIRS 探测仪偏差特征分析和偏差订正

刘娟娟 徐兰 成巍 王斌 巩欣亚 邓中仁 李亚云 狄迪

1 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室, 北京 100029

2 中国科学院大学, 北京100049

3 北京应用气象研究所, 北京100029

4 国家卫星气象中心, 北京 100081

5 南京信息工程大学大气物理学院, 南京 210044

6 南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室, 南京 210044

7 许健民气象卫星创新中心, 北京 100081

1 引言

卫星资料占据地球气象信息观测的主体，被广泛应用于世界各国的数值天气预报（Numerical Weather Prediction，简 称NWP）业 务 和 研 究 中（郑祚芳等, 2001; Liu and Barker, 2006; 董佩明等,2008）。而在各类星载观测仪器中，红外探测仪对预报的贡献较大（ECMWF, 2020），世界气象组织在2025 年全球观测系统愿景中也指出，未来全球观测系统应至少有6 颗地球静止卫星及3 颗极轨卫星，且都配备先进的高光谱红外探测仪（ECMWF,2014）。

高光谱红外测深仪具有上千个通道，光谱分辨率高，可以精确地测量大气温度和湿度的垂直结构信息。现有的高光谱红外大气垂直探测仪包括：美国EOS-AQUA 搭载的大气红外探测仪（AIRS），有2378 个红外探测通道，光谱范围为650～2760 cm−1；欧洲METOP-A/B/C 搭载的红外大气探测干涉仪（IASI）, 有8461 个 红 外 探 测 通 道, 光 谱 范 围 为645～2760 cm−1；美国Suomi-NPP 搭载的跨轨红外测深仪（CrIS），有1305 个通道，光谱范围为650～1095 cm−1、 1210～1750 cm−1、 2155～2550 cm−1（McNally et al., 2006; Collard, 2007; Goldberg et al.,2013; Gong et al., 2018, 2019），我国目前有两台在轨星载红外高光谱探测仪，分别为搭载于风云三号D 星（FY-3D）的红外高光谱大气垂直探测仪（HIRAS），包含2275 个通道；以及风云四号A星（FY-4A）搭载的干涉式大气垂直探测仪（GIIRS），携带1650 个通道，光谱探测范围为700～1130 cm−1、1650～2250 cm−1（Yang et al.,2017; 陆风等, 2017; 狄迪, 2019; Fan et al., 2019; Yin et al., 2020）。除了GIIRS 外，其余探测仪器均搭载于极地轨道卫星上，已经被各大业务中心广泛用于全球和区域数值预报模型中，并且大大改进了中长期和短期数值天气预报（Le Marshall et al., 2006;Schmit et al., 2009; Smith et al., 2009; 董 超 华 等,2013; Li et al., 2016; Menzel et al., 2018）。另外一些研究也发现，在对流尺度的区域模式中同化水汽吸收波段的辐射值，能够调整模式水汽的水平和垂直分布（特别是在边界层），从而对强风暴（深层对流、龙卷风）预报产生积极作用（Szyndel et al.,2005; Cintineo et al., 2016; Honda et al., 2018; Jones et al., 2018; Wang et al., 2018; Shen et al., 2021）。GIIRS 因为搭载在静止轨道卫星上，能提供时间连续的高光谱分辨率的大气探测信息，在高影响天气的监测、预警和预报方面有广阔的应用前景。

变分同化要求观测误差和背景误差都遵循无偏的高斯分布。对于目前主流的直接卫星资料同化，需要利用辐射传输模式将预报模式背景场转换为卫星辐射率，但是由于辐射传输模式的不确定性、卫星观测存在误差、插值误差以及时间及地形的影响等，会导致模拟的数据和观测的数据存在偏差，从而影响到数值预报的准确性，因此如何减小这些偏差是同化卫星资料时首先要解决的问题（Dee,2005; 薛纪善, 2009）。为了更好地开展偏差订正工作，对于各类传感器的偏差特征也已经进行了针对性的研究。结果表明，搭载于极轨卫星和对地静止卫星上的传感器资料的辐射偏差特征存在较大差异，而高光谱分辨率和低光谱分辨率的红外大气垂直探测仪的辐射偏差特征往往也不同（Eyre, 1992;Harris and Kelly, 2001; McNally et al., 2006; Collard and McNally, 2009; Li et al., 2019）。

本文重点研究的探测仪是目前国际上首台搭载于静止轨道的红外高光谱探测仪GIIRS，其有特殊观测特性、优势及偏差特征，为保障对该类观测资料的有效利用，有必要对其进行详尽的偏差特征分析。Yin et al.（2020）利用GRAPES（全球/区域同化和预报系统）全球4DVar 对GIIRS 偏差进行统计评估，发现长波温度通道的偏差取决于视场（Field of View，简称FOV）和纬度分布，对流层上方通道偏差的日变化明显，对流层高层通道的偏差小于对流层低通道的偏差，并采用离线偏差订正（offline）的方法对其进行了偏差订正。然而，该研究主要分析了对二氧化碳敏感的前120 条温度探测通道，尚未考虑对水汽敏感的中波红外通道（1650～2250 cm−1）。卫星的水汽通道观测往往可以很好得弥补常规观测资料对湿度的观测能力不足的空缺，是提高湿度场模拟效果的有利条件，例如TIROS-N Operational Vertical Sounder（TOVS）的水汽通道、Advanced Microwave Sounding Unit-B（AMSU-B）探测器和Microwave Humidity Sounder（MHS）探测器资料的使用改善了NWP 中湿度分析场和预报场的模拟效果（Eyre et al., 1993; Karbou et al., 2005; Liu et al., 2012; Newman et al., 2015）。Xu et al.（2016）采用3DVar 方法同化FY-3B 的微波湿度计（MWHS）资料，对高于850 hPa 的比湿预报具有明显的正效果，并且能够较好得调整台风的初始位置和动力结构，产生更好的轨迹、强度和降水预报结果。新的高光谱红外探测仪在水汽区域拥有更好的光谱分辨率，更有利于改善对水汽的分析。Jung et al.（2009）认为高光谱红外探测仪（例如AIRS 和IASI）水汽通道同化的难点在于水汽通道亮温和Jacobian 矩阵的非线性，变分同化迭代过程中水汽通道亮温偏差存在周期性波动，导致极小化迭代难以收敛或迭代失败（靳双龙和王根,2017）。因此，为充分利用GIIRS 探测资料改善模式水汽预报，针对GIIRS 水汽通道的偏差分析、偏差订正以及新的水汽通道亮温同化算法的构建工作仍有待开展研究。本文将基于区域天气预报模式WRF 及其同化系统WRFDA 对GIIRS 通道特征进行全景分析，为WRFDA 同化GIIRS 提供通道选择和偏差订正的思路。

本文的章节安排如下：第二部分简单介绍模式信息和观测数据；第三部分描述了GIIRS 偏差特征，包括日变化、随扫描阵列的空间分布特征以及偏差与观测亮温大小和卫星天顶角的关系；第四部分介绍了偏差订正试验，并分析了偏差订正的效果；最后在第五部分中进行了总结与讨论。

2 模式与观测数据

2.1 数值模式及同化系统

本文研究采用美国国家环境预报中心（NCEP）、美国国家大气研究中心（NCAR）以及多个科研和业务部门共同开发的中尺度天气预报模式WRF（Weather Research and Forecasting Model）及其资料同化系统WRFDA，该同化系统包含了3DVar、4DVar、ETKF 以及Hybrid-3DVar 等多种同化方法，能够同化多源观测资料。辐射传输模式采用欧洲中期天气预报中心（ECMWF）开发的快速辐射传输模式（RTTOV），RTTOV v7 以后的版本能够模拟红外高光谱卫星探测资料，实现高光谱的直接同化。本文所有试验基于WRFDA v3.9.1 和RTTOV v11.3 完成，试验使用的地表发射率计算方案为RTTOV 模式自带的地表发射率计算模块（Sherlock,1999; Borbas et al., 2010; 刘乐和李耀东, 2016）。使用NCEP 全球预报系统（GFS）00:00（协调世界时，下同）、06:00、12:00 和18:00 时次的分析数据（水平分辨率为0.5°×0.5°）作为模式背景场输入（ftp://ftp.ncep.noaa.gov/pub/data/nccf/com/gfs/prod[2021-02-20]），对GIIRS 观测进行偏差分析。

2.2 GIIRS 观测数据及质量控制

GIIRS 干涉式大气红外高光谱探测仪包含689个LWIR 通道（700～1130 cm−1），961 个MWIR 通道（1650～2250 cm−1），最高光谱分辨率为0.625 cm−1，星下点分辨率为16 km。自2019 年4 月调整观测模式至今，GIIRS 主要观测范围为中国区及其周边区域（3°～55°N，66°～144°E），观测模式为从北向南包含7 条扫描线，每15 分钟完成一条扫描线探测，每15 分钟的10～15 分钟为观测定位定标时间，每2 个小时完成一次整个区域的扫描，且每天16:00～19:00 不安排观测任务。

本试验中，GIIRS 观测数据时间范围是2019年6 月1～30 日与2020 年8 月1～31 日，每日选取4 个时次（00:00、06:00、12:00 和18:00）的观测数据进行分析。其中，00:00 的观测数据实际上包括00:00～01:45 之间的观测，06:00 和12:00 类似，18:00 实际仅包含19:00～19:45 之间3 条扫描线的观测数据。GIIRS 仪器于2019 年底改进了定标算法，本文分别选取2019 年与2020 年各一个月的数据进行分析，有利于比较定标前后的数据差异，对数据的正确应用具有很重要的意义。另外，因为本研究中使用的GIIRS 仪器系数采用了Hamming切趾处理（狄迪, 2019），进 入WRFDA 同化的GIIRS 资料也相应作了切趾处理。Hamming 切趾处理即利用Hamming 函数来消除Sinc 型函数模型模拟干涉仪通道光谱响应函数带来的旁瓣干扰。

红外遥感不能穿透云层，只能探测到云顶的信息，且辐射传输模式对云区红外探测器通道亮温模拟精度不高，因此本文对GIIRS 视场做了云检测，剔除受云影响的视场。本文利用同一卫星平台上的多通道扫描成像辐射计（Advanced Geosynchronous Radiation Imager，简称AGRI）云掩膜产品（Cloud Mask，简称CLM； Min et al., 2017）严格匹配到GIIRS 的视场，从而获得GIIRS 视场云覆盖情况。GIIRS 和AGRI 的空间视场匹配方法如下：由于AGRI 的星下空间分辨率是4 km，在均一视场条件下，根据经纬度信息对每个GIIRS 的视场匹配了最邻近的5×5 个AGRI 像元云掩膜产品，由此得到匹配后的GIIRS 视场的云检测结果（Gong et al.,2018, 2019）。同时考虑到云移动发展变化快，时间匹配上要求两台仪器观测时间差在15 分钟间隔以内。图1 给出GIIRS 匹配后的晴空视场以及AGRI 云产品的晴空视场分布，可以看出在共同的扫描范围内，两者的晴空区域匹配较好。因此基于AGRI 的云检测结果可以有效地提取GIIRS 的晴空视场。

图1 2019 年6 月1 日00:00（协调世界时，下同）（a）多通道扫描成像辐射计（AGRI）云掩膜产品（CLM） 和（b）干涉式大气红外高光谱探测仪（GIIRS）云检测的晴空视场分布。图红色和蓝色的圆点（即CLM=100% clear）代表该视场（Fields of View，简称FOV）云检测结果为完全晴空Fig.1 Clear sky spatial distribution of (a) AGRI (Advanced Geosynchronous Radiation Imager) cloud mask products and (b) cloud detection results of the GIIRS (Geostationary Interferometric Infrared Sounder) at 0000 UTC on 1 June 2019. Red and blue dots in (a) and (b) represent the fields of view (FOV) with cloud mask products of 100% clear

另外，分析发现2019 年6 月的观测亮温在个别时次存在异常观测条带噪声的现象，数据发布时给出的异常数据标示码（pclk）可以对这个问题进行部分剔除（图2a）。在2019 年底，国家卫星气象中心调整了GIIRS 定标算法，极大地改进了GIIRS观测数据质量，GIIRS 观测异常条带现象明显减少，pclk 标识对异常值也有较好的指示，但是仍存在少量异常情况（图2b）。为了不影响同化精度和效果，需通过质量控制（本文通过pclk 标识与三倍标准差方法相结合进行质量控制）对异常观测数据进行剔除。

3 GIIRS 偏差特征

3.1 偏差的整体特征

本文分别对2019 年6 月1～30 日及调整定标算法后2020 年8 月1～31 日的偏差进行统计，图3分别展示了两个时间段的GIIRS 1650 个通道的总体偏差特征。从图3a 中可以看出，2019 年6 月长波红外通道的偏差和标准差普遍小于中波红外通道，长波红外通道偏差在6 K 内震荡，多集中在−4～0 K之间，大多数通道的标准差在3 K 左右；中波红外通道偏差多集中在−4～10 K 之间，标准差在4～6 K左右。另外，在GIIRS 的1650 条通道中还存在一定的受污染的通道，其中通道29～70、通道500～600、通道690～900 的偏差和标准差都大于其它的通道，在通道选择时受污染的通道均不考虑。

2020 年8 月GIIRS 总体偏差特征如图3b，改进定标算法后GIIRS 的数据质量明显提高，2020年8 月中波和长波通道的偏差和标准差相对于2019 年6 月均有明显的改善。长波红外通道偏差主要为−2 K 以内的负偏差，大多数通道的标准差在2～4 K 之间；中波红外通道偏差多集中在−4～5 K之间，标准差在2～5 K 之间。另外，2020 年8 月，GIIRS 的1650 条通道中也存在一定的受污染的通道，受污染的波段范围与2019 年6 月结果类似，但是受污染通道的偏差和标准差也明显减小（尤其对通道700～800 的水汽通道而言，改进十分明显）。

图4 进一步给出了2020 年8 月长波红外通道1～120 的偏差和标准差分布特征（2019 年6 月结果类似），图4a 为剔除异常的卫星数据后通道1～120 的偏差和标准差统计结果，从图4a 可以看出前120 条通道中未受污染的通道偏差均值在−2～0 K 之间震荡。受污染的通道主要有通道35～60，这些通道的偏差和标准差明显大于其他通道，偏差和标准差的最大值分别能够达到−10 K 和7 K。该结果与Yin et al.（2020）采用GRAPES 全球4DVar 进行评估的结果整体基本一致。图4b 为剔除异常的卫星数据后通道1186～1305 的偏差和标准差统计结果，偏差在−4～4 K 之间，标准差在3 K 左右。水汽通道的偏差整体比温度通道（剔除受污染通道后）偏大，水汽通道的偏差特征存在通道差异，但是标准差通道间差异小，这种特征增加了水汽通道偏差订正和同化的难度，但利用此特征一定程度上有利于水汽通道的筛选。

图2（a）2019 年6 月3 日00:00 与（b）2020 年8 月3 日00:00 使用异常数据标示码（pclk）标识剔除异常值后通道6 的观测亮温分布（单位：K）。缺少的FOV 代表pclk 标识剔除的异常FOVFig.2 Spatial distribution of the observed brightness temperature (units: K) of channel 6 after excluding the outliers using pclk marking at (a) 0000 UTC on 3 June 2019 and (b) 0000 UTC on 3 August 2020. The missing FOV represents the excluded outliers by pclk

图4 2020 年8 月剔除观测异常后部分（a）长波通道及（b）中波通道O−B 的偏差（红色）和标准差（蓝色）的一个月统计结果，单位: K。红色辅助线代表偏差为0 KFig.4 Statistical results of the bias (units: K, red lines) and standard deviation (STD, units: K, blue lines) between the observed and simulated brightness temperature (O−B) in August 2020 (a) in part of LWIR (long-wave infrared) channels with the elimination of the anomaly observation, (b)in part of MWIR (middle-wave infrared) channels with the elimination of the anomaly observation, units: K. The red auxiliary line denotes the O−B bias at 0 K

图3（a）2019 年6 月和（b）2020 年8 月GIIRS 通道O−B（观测亮温减去模拟亮温）的偏差（红色）和标准差（蓝色）的一个月统计结果，单位：K。粉色阴影为CO2 吸收波段；灰色阴影为窗区和O3 吸收波段；绿色阴影为H2O 吸收波段；黄色阴影为CO2 和N2O 吸收波段，红色辅助线代表偏差为0 KFig.3 Statistical results of the bias (units: K, red lines) and standard deviation (STD, units: K, blue lines) between the observed and simulated brightness temperature (O−B) in all channels in (a) June 2019 and (b) August 2020. The pink shade denotes the CO2 band; the gray shade denotes the window and the O3 band; the green shade denotes the H2O band; the yellow shade denotes the CO2 and N2O bands; the red auxiliary line denotes the O−B bias at 0 K

GIIRS 仪器光谱分辨率高，共有1650 个通道同时观测大气，如使用所有通道进行同化，一方面会增加计算成本，另一方面因临近的通道之间存在相关性，会增大观测误差矩阵的不确定性，再加上实际探测通道中包含许多受污染的通道（即偏差很大的通道），所以实际同化应用中需要对GIIRS仪器进行通道选择。本文综合采用阈值法与改进的信息熵迭代法（狄迪, 2019; Di et al., 2021）进行GIIRS 同化通道的筛选，且由于本研究使用的GIIRS 辐射传输模式系数采用了Hamming 切趾处理（Di et al., 2018），Hamming 切趾处理增大了临近通道的相关性，因此本研究进行通道选择时仅保留相邻两个通道中偏差较小的通道。按照这些规则，2019 年6 月筛选出偏差绝对值小于2 K，标准差小于4 K 的通道，共计268 个通道。另外，2020 年8 月的数据由于偏差和标准差均有提升，因此筛选偏差绝对值小于1 K，标准差小于3 K 的通道，筛选出292 条通道如表1 所示。2019 年6 月（2020年8 月）筛选出的268（292）条通道中，长波通道偏差标准差均值为2.99 K（2.41 K），中波通道偏差标准差均值为3.80 K（2.63 K），这也证明了长波通道的标准差小于中波通道。

表1 选定的292 条GIIRS 通道Table1 292 selected GIIRS channels

利用标准廓线计算GIIRS 所有通道的亮温及Jacobian 分布情况，图5 展示了所选通道的模拟亮温分布及Jacobian 分布情况。Jacobian 矩阵表征的是，在不同垂直高度层的大气参数或云参数或地表参数的单位扰动导致的每个通道辐射率/亮温的变化。对于某个指定的通道，Jacobian 矩阵能够清楚地显示出该通道对哪一高度层的温度/水汽的变化最敏感。从图5b 可以看出，挑选出的长波通道基本能够覆盖各个探测高度。从图5c 可以看出本文所选水汽通道主要可用于探测400～1000 hPa 高度层的大气水汽，但所选通道基本不具备对200～400 hPa 水汽的探测能力。这主要是由于GIIRS 仪器的690～900 通道（探测高度为200～400 hPa）受污染比较严重（图3）。

图5（a）GIIRS 通道的模拟亮温分布（单位：K）及挑选出的（b）长波通道的Jacobian（dTb dT−1, 单位：K K−1）和（c）中波通道的Jacobian（dTb dlnq−1, 单位：K [ln(g kg−1)] −1）的垂直分布。（a）中黑色实线代表所有通道的模拟亮温分布，蓝色圆点代表挑选出的通道的模拟亮温分布，阴影部分含义与图3 一致；（b）中加粗了通道6 和121 的Jacobian 分布；（c）中加粗了通道942 和1286 的Jacobian 分布Fig.5 (a) Simulated bright temperature distribution of the GIIRS, units: K, and the vertical distribution of the Jacobian in selected (b) LWIR (dTb dT−1, units: K K−1) and (c) MWIR (dTb dlnq−1, units: K [ln(g kg−1)] −1 channels. The black lines represent the simulated brightness temperature in all channels, blue dots represent the simulated brightness temperature in selected channels, the colorful shade in Fig 5a have the same meaning as in Fig.3;the Jacobian of channels 6 and 121 is bold in Fig 5b; the Jacobian of channels 942 and 1286 is bold in Fig 5c

本文将从偏差的日变化，偏差与扫描位置、观测亮温大小、卫星天顶角的关系这四个方面来分析GIIRS 的偏差分布特征。由于2020 年重新定标后GIIRS 观测数据质量更高且更能够代表数据目前的实际情况，因此后文以2020 年8 月的结果为代表进行分析。

3.2 偏差的日变化特征

本文选取两个长波通道6 和121，两个中波通道942 和1286 进行详细的偏差分析。探测高度（表现为通道对某一高度层大气变化更为敏感）相似的通道有类似的偏差特征，因此本文仅选取4 条探测高度不同的温度和水汽敏感通道进行具体分析。其中通道6 和通道121 是长波温度通道，权重函数峰值分别在对流层高层（300 hPa 左右）和对流层低层（低于900 hPa）；通道942 和通道1286 是中波水汽通道，权重函数峰值在对流层中低层（分别在400～500 hPa 及700～850 hPa 之间）。图6、图7为剔除2.2 节中提到的观测异常点后，偏差和标准差随时间变化情况及每个通道4 个时次（00:00、06:00、12:00 和18:00）的偏差和标准差的统计结果。从图6 和图7 中可以看到四个通道都存在弱的日变化，长波通道6 与121 相对明显一些。从00:00～12:00，4 个通道的偏差似乎存在“增暖”现象，从12:00～18:00，4 个通道的偏差存在“变冷”现象。具体而言，对于通道6、942、1286，原本00:00 呈现的冷偏差到12:00 已发展为暖偏差，到18:00 又变为冷偏差；对于通道121，原本00:00 的冷偏差到12:00 也明显减弱，到18:00 冷偏差又增强。

图6 2020 年8 月各通道O−B 偏差（单位：K，红色）及标准差（单位：K，蓝色）的一个月时间序列：（a）通道6；（b）通道121；（c）通道942；（d）通道1286Fig.6 Time series of the bias (units: K, red lines) and standard deviation (STD, units: K, blue lines) between the observed and simulated brightness temperature (O−B) in August 2020 in channels (a) 6, (b) 121, (c) 942, and (d) 1286

图7 2020 年8 月00:00、06:00、12:00 和18:00 各通道O−B 的偏差（单位：K，红色）及标准差（单位：K，蓝色）的一个月统计结果：（a）通道6；（b）通道121；（c）通道942；（d）通道1286Fig.7 Statistical results of the bias (units: K, red bars) and standard deviation (STD, units: K, blue bars) between the observed and simulated brightness temperature (O−B) of 0000 UTC, 0600 UTC, 1200 UTC, and 1800 UTC in August 2020 in channels (a) 6, (b) 121, (c) 942, and (d) 1286

3.3 偏差与扫描阵列的关系

GIIRS 在其观测区域采用4×32 的大阵列/多探元进行高频次扫描观测，每个探元都提供一组GIIRS 全波段的观测结果（Yin et al., 2020）。如图8 所示，GIIRS 共携带有4 列探元，每列从北到南有32 个探元，每个探元探测16 km×16 km 的范围，且每列探元间相隔8 km。

图8 GIIRS 观测区域扫描阵列探元分布（框中数值代表探元编号）Fig.8 Positions and north–south pixel numbers of the GIIRS FOV in a single field-of-regard(the value in the boxes represents the number of detectors)

本文基于30 天的O−B 结果，针对每个通道进一步细化,分析其扫描阵列偏差特征。图9 分别给出了温度通道6 和121，水汽通道942 和1286 的随扫描阵列变化的偏差以及标准差分布。结果表明，温度通道偏差的绝对值在中间阵列（每条扫描线中编号为15～17 的探元）较小，南北两侧（每条扫描线中编号为32 和1 前后的探元）的绝对值普遍较大（图9a 和c）。这与卫星阵列探测定标精度一致，中间阵列往往比两边精度更高。但是，水汽通道942 中间阵列的偏差反而更大（图9e），该通道中间阵列（15～17）偏差绝对值大于两边阵列（5～8 和25～28），但是通道942 的标准差在中间阵列最小，可以说明中间阵列的探测仍是稳定可信的，之所以偏差大，可能是这个低层水汽通道存在一个系统性的冷偏差，这种冷偏差在水汽通道1286 中也存在，只是强度弱一些。

另外，温度通道标准差比较平缓，但是个别通道在两侧阵列会存在一些标准差异常偏大的扫描位置（例如通道6 较为明显）。相对而言，水汽通道的标准差普遍比温度通道大，且中间扫描阵列与南北两侧扫描阵列的偏差差异更大，因此水汽资料的偏差订正工作更难。

GIIRS 分7 个子区域进行扫描，可以进一步分析阵列偏差是否会随纬度变化而变化。图10 统计了一个月内在0.5°×0.5°的网格内的偏差及标准差的区域分布。从图中可以看到，4 个通道的偏差呈现随纬度的条带状分布，其中高层通道更为明显，例如通道6 和942，条带之间的边界分别在8°N、10°N、13°N、18°N、22°N、30°N 和36°N，这和7 个子区域很好地对应。低层探测通道的偏差空间上条带分布规律相对不明显，主要是因为较低层通道偏差有明显的地形特征（如图10c 和g），从图10可以看到青藏高原的冷偏差明显，高原东侧暖偏差明显，这些偏差甚至超过阵列两端视场的探测偏差。中波通道标准差的条带状分布（图10f 和h）相对于长波通道（图10b 和d）更加明显，这主要是因为中波通道中间阵列与南北两侧阵列的偏差标准差相差更大，这与图9 结果一致。所以进行GIIRS同化时必须重点对阵列偏差进行订正，而对于高原及复杂地形区，低层通道受地面影响更敏感，在这些地区用好卫星资料还需开展更多研究工作。

图9 2020 年8 月通道（a、b）6、（c、d）121、（e、f）942 和（g、h）1286 O−B 偏差（左列；单位：K）和标准差（右列；单位：K）与阵列的关系（Col 1～4 代表从西到东的4 列扫描阵列）Fig.9 Dependence of the bias (units: K; left column) and standard deviation (STD, units: K; right column) between the observed and simulated brightness temperature (O−B) in August 2020 in channels (a, b) 6, (c, d) 121, (e, f) 942, and (g, h) 1286. Cols 1–4 represent the 4 scanning positions from west to east

图10 2020 年8 月通道（a、b）6、（c、d）121、（e、f）942 和（g、h）1286 O−B 偏差（左列，单位：K）和标准差（右列，单位：K）的空间分布Fig.10 Spatial distribution characteristics of the bias (left column; units: K) and standard deviation (right column; units: K) between the observed and simulated brightness temperature (O−B) in August 2020 in channels (a, b) 6, (c, d) 121, (e, f) 942, and (g, h) 1286

3.4 偏差与观测亮温值的关系

GIIRS 是红外探测器，采用星上定标的方式，热源为仪器中的黑体，冷源为太空，而定标的非线性问题会导致不同通道对目标物探测辐射标定存在偏差（Saunders et al., 2013; Zou et al., 2016; 耿晓雯等, 2020）。本文通过统计观测亮温值和O−B 偏差之间的相关性来判断GIIRS 是否存在明显的定标问题。参考前人的研究方法，统计了观测亮温值间隔0.5 K 和偏差间隔0.5 K 范围内的观测频数和相关系数。

通道6、121、942、1286 的结果如图11 所示，几乎所有通道的偏差和观测亮温值之间存在正相关。无论温度通道和水汽通道，或者高层或底层通道，两者的相关性都十分高。温度通道6 的观测亮温值多集中在225 K 左右，偏差和观测亮温值相关性达到了0.97，而通道121 的观测亮温值多集中在285 K左右，偏差和观测亮温值相关性达到了0.86。水汽通道942 的观测亮温值多集中在250～260 K 左右，偏差和观测亮温值相关性达到了0.90，而通道1286 的观测亮温值多集中在270～290 K 左右，偏差和观测亮温值相关性达到了0.92。但2019 年高、低层通道观测模拟偏差与观测亮温值相关性存在一定差异，高层相关性高，低层相关性稍低。重新定标后修正了一些数据问题，使得观测亮温值对偏差的影响更显著。

图11 2020 年8 月通道（a）6、（b）121、（c）942 和（d）1286 O−B 偏差（单位：K）和观测亮温值（单位：K）的关系（Cor 代表相关系数，阴影代表观测数量）Fig.11 Dependence of the bias (units: K) between the observed and simulated brightness temperature (O−B) in August 2020 in channels (a) 6, (b)121, (c) 942, and (d) 1286 on the value of observed brightness temperature (OBS, units: K). Cor represents the correlation coefficient; observation counts are shaded

3.5 偏差与卫星天顶角的关系

O−B 偏差与卫星天顶角也存在一定相关性，本文通过统计O−B 偏差间隔0.5 K 和卫星天顶角间隔1°范围内的观测频数来研究两者的相关关系，并且计算了卫星天顶角和O−B 偏差之间的相关系数。从图12 可以看出, 无论温度通道和水汽通道，或者高层或低层通道，偏差与卫星天顶角不存在明显线性相关。除了高层通道，其它通道天顶角在45 度以上时，偏差的离散度明显增大，加大了偏差订正的难度。

图12 2020 年8 月通道（a）6、（b）121、（c）942 和（d）1286 O−B 偏差（单位：K）和卫星天顶角的关系（Cor 代表相关系数，阴影代表观测数量）Fig.12 Dependence of the bias (units: K) between the observed and simulated brightness temperature (O−B) in August 2020 in channels (a) 6,(b) 121, (c) 942, and (d) 1286 on the satellite zenith angle (units: °). Cor represents the correlation coefficient; observation counts are shaded

4 偏差订正试验及结果分析

4.1 试验设置

从前文对GIIRS 的偏差特征分析可以看出，偏差的日变化和偏差与卫星天顶角的关系相对较弱，而与卫星的观测亮温值及卫星的扫描阵列位置有关的偏差相关性较大。偏差与观测亮温值之间的关系为简单的线性关系，可以通过离线偏差订正对偏差与观测亮温值的关系进行订正。为了同化系统使用的普适性，本文采用在线偏差订正（VarBC）的方法，用与扫描阵列相关的预报因子对所有筛选出的通道进行偏差订 正（Dee, 2004; Auligné et al., 2007）。VarBC 的偏差订正系数迭代与变分同化的极小化迭代同时进行，代价函数为

其中，x代表大气状态矢量， β代表在线偏差订正系数，xb代 表背景场，y代 表观测，Bx、Bβ、R分别代表x、 β、y的 误差协方差矩阵。为偏差订正后的观测算子，即：

本文选取的在线订正的因子为扫描阵列位置的一次方、二次方、三次方以及常数项。即p0为常数项1，p1为 扫描阵列位置的一次方，p2为扫描阵列位置的二次方，p3为 扫描阵列位置的三次方， βi会随着同化迭代过程中自动更新。其中，常数项预报因子可以订正O−B 偏差与观测亮温值之间的线性相关性。

本文分别设计了2019 年6 月1～7 日及2020年8 月1～7 日00:00、06:00、12:00 和18:00 四个时次的偏差订正试验。利用WRF 模式（包括WRFDA V3.9.1 及RTTOV V11.3），模式模拟的区域为（5°～35°N，90°～130°E），格距为9 km，选择相应时次0.5°×0.5° 分辨率的GFS 分析场作为背景场，采用3DVar 方法进行同化。2019 年与2020 年分别设计了两组试验，第一组试验不进行偏差订正，第二组进行在线偏差订正，并对两组试验进行同化分析。

4.2 偏差订正结果

图13 分别给出了2019 年与2020 年两组试验的偏差，蓝线和红线分别代表未进行偏订正和订正后的结果。2019 年6 月挑选出的268 条通道中，未进行VarBC 偏差订正的模拟偏差集中在±0.8 K范围内。因为同化只能修正随机误差，无法修正偏差信息，所以同化后268 条通道的观测亮温与未进行VarBC 偏差订正的分析亮温（O−A）的偏差仍然存在。采用VarBC 偏差订正后，所有通道的模拟偏差基本小于0.15 K，所有同化后分析偏差也得到明显改进。2020 年8 月挑选出的293 条通道中，未进行VarBC 偏差订正的模拟偏差集中在±0.3 K范围内；采用VarBC 偏差订正后，所有通道的模拟偏差基本小于0.1 K，所有同化后分析偏差也得到明显改进。同时，对比图12a 和b 可以看出，2020 年8 月未进行偏差订正的同化试验O−B 与O−A 的偏差整体比2019 年6 月未进行偏差订正的同化试验的结果小得多，进一步证明了重新定标后GIIRS 观测数据质量的提高。虽然偏差订正中仅考虑了扫描阵列作为偏差订正的预报因子，但是订正效果比较好，对定标算法调整前后的数据都适用，不但将O−B 的系统性误差（偏差）很好地订正，而且进行偏差订正后同化，O−A 的系统性误差也能够很好地订正，说明扫描阵列是影响GIIRS 偏差分布的一个主要因素。

图13 2019 年6 月（左列）和2020 年8 月（右列）挑选出的通道观测分别与（a、b）背景场、（c、d）分析场的模拟偏差，单位：K。红色和蓝色分别代表进行VarBC 偏差订正和未进行VarBC 偏差订正的结果Fig.13 Bias in June 2019 (a) between the observed and simulated background brightness temperature (O−B, units: K) and (c) between the observed and analysis brightness temperature (O−A, units: K). Bias in August 2020 (b) between the observed and simulated background brightness temperature(O−B, units: K) and (d) between the observed and analysis brightness temperature (O−A, units: K) in all selected channels (Red lines represent the results with VarBC; blue lines represent the results without VarBC)

5 总结与讨论

GIIRS 作为国际上第一台搭载于静止卫星上的高光谱红外探测仪，具有重要的科研价值和广泛的应用前景。本文利用WRFDA v3.9.1（包括RTTOV v11.3）和GFS 分析场数据研究了GIIRS 长波和中波通道的偏差分布特征，并进行了偏差订正试验。

从偏差分布来看：（1）长波通道偏差和标准差略小于中波通道，中波通道中存在较多受污染的通道；（2）不同通道的日变化特征不同，位于对流层中高层的长波通道日变化较明显，而中波通道偏差的离散度大，没有明显的日变化；（3）所有筛选通道的偏差都与卫星的扫描阵列有关，尤其高层通道的偏差水平分布呈现明显的条带状，然而随着通道探测高度的下降，偏差水平分布的条带状规律越来越不明显，主要是因为低层通道偏差有明显的地形特征，这些偏差甚至超过阵列两端视场的探测偏差；（4）几乎所有通道的偏差和观测亮温值之间存正相关，且所有通道相关性都能达到0.9 左右，而长波和中波通道与卫星天顶角基本不相关。总体而言，偏差与日变化和卫星天顶角的关系不是很明显，而所有通道的偏差都与观测亮温值及卫星的扫描阵列有关，且阵列位置引起的偏差水平分布也很显著。

因阵列偏差显著，本文采用阵列位置作为预报因子对所有筛选出的通道进行在线偏差订正。结果表明订正后所有通道O−B 和O−A 的系统性误差（偏差）都变小，说明扫描位置是影响GIIRS 偏差分布的一个主要因素。

本文利用阈值法初步选取了超过两百条通道，后续在此基础上，可以通过各通道同化后分析误差的减小情况、对预报效果的改进情况进行有针对性的通道挑选。由于在高原及复杂地形区，低层通道受地面影响更敏感，在这些地区用好GIIRS 资料，需要更多的工作，比如，针对青藏高原地区训练卫星的透射率系数从而提高辐射传输模式在高原区域的模拟精度。