利用静止卫星资料的川渝地区云覆盖特征研究*

王健捷 胡秀清 樊丝慧 闵佳园 刘 超 张 鹏

1.宁波市气象局，宁波，315000

2.中国遥感卫星辐射测量和定标重点开放实验室，国家卫星气象中心（国家空间天气监测预警中心），北京，100081

3.许健民气象卫星创新中心，北京，100081

4.西南交通大学，重庆，400000

5.南京信息工程大学大气物理学院，南京，210044

1 引 言

云是地球大气的重要组成部分，在地-气系统的辐射收支和水循环过程中发挥着重要作用。目前，已有大量的研究（丁守国等，2005；刘奇等，2010；Dessler，2010；李 昀 英 等，2015；张 华 等，2016；Zhou，et al，2016；吕 巧 谊 等，2017；Scott，et al，2020；Myers，et al，2021）从云量、结构、物理特性、云-降水关系、辐射效应以及分布特征等多方面论证了云与天气、气候的紧密联系。而川渝地区（如图1所 示，文 中 主 要 指 范 围 在 （25°—35°N，96.5°—110.5°E）的区域，而不仅仅是四川省和重庆市）是中国云量最多的地区，总云量以四川盆地为中心常年存在高值区，也是中国内陆的一个降雨中心（刘洪利等，2003；刘瑞霞等，2004；肖递祥等，2017）。该地区作为世界上地形最复杂的区域之一，包括了山地、丘陵、平原、盆地和高原5 大地理类型，东、西部差异显著，以近1500 m 等高线为界可将该地区分为东部低海拔地区和西部高海拔地区两部分，西部属于青藏高原东南缘，海拔大多超过3000 m，横断山脉纵贯南北并向东南倾斜，使得自西向东高度急剧下降，东部四川盆地，盆地内丘陵起伏，海拔在200—750 m，盆地四周山脉环绕，山岭海拔一般为1500—2000 m。该地区地处南亚季风和东亚季风的交汇带，横断山脉东西向起阻挡抬升作用，南北向起西南季风水汽输送的通道作用，是中国冷、暖空气交汇最活跃的区域之一；此外，受强烈的辐射强迫和复杂地形影响，也是中国主要灾害天气系统—西南涡生成活跃之地，而西南涡的东移则会影响中国东部大部分地区的降水，因此该地区独特的地理位置决定了其气候特征对中国乃至东亚天气、气候的重要性和特殊性（吴国雄等，2004；梁潇云等，2005；李慧晶等，2014）。随着中国经济的快速发展，以成都、重庆为首的川渝地区双城经济圈在带动西部地区经济转型升级、参与全球竞争与合作中发挥着越来越重要的作用，而川渝地区常年多云雾少日照，影响人们的生产和生活。云作为影响天气、气候的重要因子，揭示其时、空分布特征和变化规律不仅对天气、气候分析和预测有重要作用，也对人们生产、生活具有科学指导意义。

图1 川渝地区地形地势 （红色实线是近1500 m 等高线）Fig.1 Topography of the Sichuan-Chongqing region （the solid red line indicates the elevation contour close to 1500 m）

众多基于卫星或气象台站观测资料的研究不同程度上揭示了该地区云的时、空分布特征。其中，国际卫星云气候计划（ISCCP）积累了多年的全球卫星云观测资料，为中外学者进行全球性或区域性的云研究提供了极大的便利（刘奇等，2010；刘健等，2017）。刘洪利等（2003）利用1983 年7 月至1993 年12 月2.5°×2.5°分辨率的ISCCP 云量资料，分析了中国的云气候特征，指出在华北地区和中国南海北部的总云量有减少的趋势，四川盆地、长江三角洲等地区存在低云量异常减少的现象。刘瑞霞等（2004）利用1983 年7 月至2001 年8 月的ISCCP 资料分析了中国总云量的空间分布特征和变化趋势，重点指出四川、贵州等常年存在云量高值中心，并揭示了青藏高原冬季总云量与全国夏季降水的遥相关关系。刘奇等（2010）利用ISCCP 云量资料，发现全球云量空间分布极不均衡，且海、陆差异显著，并揭示了云量与大气环流背景场的相关。上述研究揭示了云在中国乃至全球的分布特征，同时也证明了卫星资料在云研究中发挥着重要作用。此外，气象台站资料在中国各地区的云研究中也有重要贡献。张琪等（2011）用1960—2005 年西南地区85 个气象台站的月平均云量资料，分析了西南地区云量的季节变化特征，指出冬、春和秋季总云量和低云量在空间上均是东多西少，夏季则相反呈东少西多。徐兴奎（2012）通过分析中国气象台站1960—2009 年总云量和低云量观测数据得到了云的时间变化趋势，结果显示中国总云量整体上具有下降趋势，且低云量以四川盆地为中心50 a间持续减少，平均每10 a 下降达4%。李慧晶等（2014）根据西南地区的73 个气象台站1956—2005 年月平均云量资料，同样发现西南地区1990年以后全年总云量呈现出减少趋势，并且地形和区域气候也会影响总云量的空间分布。这些研究很大程度上揭示了该地区的云分布特征以及与气候的相关，但早期的观测数据存在卫星资料分辨率低、气象台站稀疏的不足，极大地限制了研究结果的精度。

随着静止气象卫星的发展，其搭载的新一代光谱成像仪的时、空分辨率得到了大幅度提高，为定量分析特定区域的云特性提供了更加有效的观测资料。例如，搭载于风云四号A 星（Fengyun-4A）和葵花8 号（Himawari-8）上的先进多光谱成像仪AGRI（Advanced Geostationary Radiation Imager）和AHI（Advanced Himawari Imagers），具有视野广阔，能够近乎同时且连续探测川渝地区的优势，十分有利于对该地区的云特征研究（Yang，et al，2017；Chen，et al，2018）。在卫星云遥感领域，云检测是获取云量、云相态、反演云光学特性和微物理参数的前提和基础，中外众多研究提出了很多云检测方法，其主要原理是利用云光学和微物理特性在可见光到红外等通道之间的差异判断云或晴空（Platnick，et al，2003；Frey，et al，2008；卢乃锰等，2017；Wang，et al，2019；Xu，et al，2021）。此外，不同地表类型的发射率和反射率不同，在特定区域卫星接收到的辐射强度具有明显的区域特征，因此地表差异是影响检测算法准确度的因素之一（Frey，et al，2008；Liu，et al，2010；Shang，et al，2017）。虽然AGRI 和AHI 都有业务上的云检测产品（Wang，et al，2019），但目前尚无较为成熟的陆地大雾和霾的检测产品，且云检测产品中未区分低层云雾和霾。此外，川渝地区复杂的地表特征和气候特征，给云检测带来了极大的挑战，尤其是空间上同时存在晴空、水云、冰云、低层云雾、霾和积雪等类型，目前尚无一次性区分该6 种类型的卫星遥感产品。文中利用AGRI 和AHI 观测资料，结合川渝地区独特的地形特点，实现了适用于该地区6 种类型的检测，进一步揭示其时、空分布特征和变化特点，为该地区的天气预报和气候预测提供观测数据。

2 资料及方法

2.1 卫星仪器与数据

静止气象卫星风云四号A 星于2016 年12 月成功发射，其搭载的多光谱成像仪AGRI 有14 个通道，包括3 个可见光通道、3 个近红外通道和8 个红外通道，中心波长从0.47 μm 到13.5 μm，空间分辨率为0.5—4.0 km（Yang，et al，2017）。AGRI 每15 min可获取1 次全圆盘数据，该卫星数据可免费从官方网站“风云卫星遥感数据服务网”（http://satellite.nsmc.org.cn/portalsite/default.aspx）获取，文中所用数据是一级反射率和亮温数据，具体如表1 所示。

表1 所用AGRI 和AHI 通道Table 1 AGRI and AHI channels used for the present study

静止气象卫星葵花8 号于2014 年10 月发射，2015 年7 月投入使用，其搭载的多光谱成像仪AHI有16 个通道，包括3 个可见光通道、3 个近红外通道和10 个红外通道，中心波长从0.47 μm 到13.3 μm，空间分辨率为0.5—2.0 km，每10 min 可获取1 次全圆盘数据（Da，2015；Chen，et al，2020）。该卫星数据可免费从其官方网站（ftp://ftp.ptree.jaxa.jp/）获得，文中所用数据是一级反射率和亮温数据，具体如表1 所示。

云-气溶胶激光雷达和红外探测卫星（CALIPSO）由美国航空航天局（NASA）和法国国家航天中心（CNES）联合研制，并于2006 年成功发射。其搭载的云和气溶胶探测激光雷达（CALIOP）是主要探测仪器之一，CALIOP 的二级数据垂直特征分类标识产品（VFM）能描述三维大气中云和气溶胶的垂直分布特征，大量验证工作（Liu，et al，2009；Winker，et al，2009）证明CALIOP 数据及产品具有较高的精度，可有效用于本研究的结果验证。

2.2 检测算法

文中利用AGRI 和A HI 的一级数据（包括亮度温度（BT）、反射率（R）），结合数字高程模型（DEM）以及背景场（BG），进行川渝地区各类型的检测（图2）。其中，云检测是分析各云参数的前提和基础，最常用的方法是阈值法，该方法利用卫星在云区和非云区得到辐射值会落入不同值域空间的特点进行区分（Platnick，et al，2003；卢乃锰等，2017）。由于川渝地区地形复杂、区域差异大，尤其是东、西两部分存在高度急剧下降大坡面，文中结合地形特点以近1500 m 等高线为界，将该地区分为东部低海拔地区和西部高海拔地区两部分进行检测。为了提高云识别信度，利用AGRI 和AHI数据分别建立网格化（4.0 km×4.0 km 和2.0 km×2.0 km 分辨率）的无云背景场，各网格点的辐射值可以作为该格点非云时卫星接收到的辐射值，作为无云与有云辐射差异对比。若卫星观测到的辐射值与无云背景场的辐射值相差越大，该格点是云的可信度越高。无云背景场制作方法是以相邻10 d内相同时刻11.0 μm 通道最大亮温值为依据，选取对应的可见光通道（0.47 μm）反射率数值作为背景场值。

图2 AGRI 和AHI 的检测算法流程Fig.2 Flowchart of AGRI and AHI detection algorithms

参考相关文献（表2）中的方法，根据检测目标选择相应通道，并根据川渝地区实际情况调整适用阈值。虽然AGRI 和AHI 的通道大致相同，但两者光谱响应函数、中心波长以及分辨率方面略有差异，这就造成了检测算法阈值有所不同，当两者差异较大时，前面添加仪器名称以方便区分（表2）。检测结果分为6 类（晴空、水云、冰云、雾（即低层云雾）、霾和积雪）。

表2 各类型检测方法及阈值Table 2 Methods and thresholds for the detection of each type

（1）云雾检测：与无云背景场相比，云雾在可见光通道呈现亮白色且变化快，所以利用可见光通道的反射率结合对应背景场可有效检测云雾。当反射率R（0.47）＞0.12，且0.47 μm 通道反射率与对应背景场反射率差值大于0.10，即R（0.47）-BG（0.47）＞0.10 时，该格点判断为云雾。此外，红外通道不受太阳光影响，因此增加红外通道测试，根据亮温差法，当11.0 μm 和3.8 μm 通道的亮温差满足BTD（11.0-3.8）＜-14.0 K（Frey，et al，2008）时，该格点判断为云雾。

（2）低层云雾：雾粒子的平均半径仅为数微米，且其中常包含大量半径为1 μm 左右的微小水滴，而云粒子的半径多数大于5—6 μm（牛生杰等，2016）。根据米散射理论，云粒子在可见光通道（0.65 μm）和近红外通道（1.61 μm）的散射效率相近，其反射率差值ΔR（0.65-1.61）一般大于0；对于雾滴粒子来说，其半径与近红外通道（1.61 μm）相当，此时的散射效率会变高，所以雾滴反射率差值ΔR（0.65-1.61）小于0（张培等，2019；Ryu，et al，2020；Yang，et al，2021）。即当满足ΔR（0.65-1.61）＞0 时判断为云，否则判断为雾，其中AGRI 阈值略有差异，根据实际情况调整为-0.025。然而部分低云和雾具有十分相似的特性，对于陆地而言，尤其是川渝地区地形复杂云雾缭绕，难以准确地实现低云和雾的分离，所以这里把这一类分为“低层云雾”，为表述方便文中简称“雾”。

（3）云相态（冰云、水云）：在8.5 μm 通道冰云和水云的复折射指数的虚部相等，进而两者具有较为一致的吸收特性，但冰云在11.0 μm 通道的吸收强于水云，该差异会有效反映在亮温上。即，冰云8.5 μm 和11.0 μm 通道亮温差BTD（8.5-11.0）一般为正，水云亮温差BTD（8.5-11.0）为负。所以，结合AGRI 和AHI 通道差异可以确定亮温差阈值进行冰云、水云的判断（Baum，et al，2012；朝鲁门等，2019）。由于红外通道主要获得的是云顶信息，因此这里的云相态主要是指云顶附近的相态。

（4）积雪：由于积雪的特性与云十分相似，但积雪变化缓慢或短期不变，且雪在0.65 μm 处反射率较大，而在1.61 μm 处较小。通过建立归一化差异积雪指数NDSI=[R（0.65）-R（1.61）]/ [R（0.65）+R（1.61）]的方法可用于判断积雪范围（Xiao，et al，2001；Shang，et al，2017）。

（5）霾：在卫星视图中霾在0.47 μm 通道的反射率介于云和陆地之间，且与陆地更为接近，霾层比云层更光滑，其探测算法强调0.47 μm 通道反射率的空间变化（Shang，et al，2017）。霾判据在选取上各个时刻不同，但差别微小，文中是建立的逐时动态阈值，其变化范围在0.095—0.125。

2.3 个例分析与验证

利用3 个仪器（AGRI、AHI 和CALIOP）的观测资料，进行川渝地区4 个季节（1、4、7 和10 月为冬、春、夏和秋季代表月份）的个例检测与分析，结果如图3—6 所示。

图3 检测结果对比 （a.AHI，b.AGRI，c.RGB 真彩图，d.CALIOP； AHI 和AGRI 数据时间是2020 年1 月1 日05 时00 分、04 时53 分，相应的CALIOP 时间是2020 年1 月1 日05 时37 分 （世界时，下同）；紫色实线为CALIOP 的轨迹）Fig.3 Comparison of detection results （a.AHI，b.AGRI，c.RGB true color，d.CALIOP；the AHI and AGRI observations are at 05:00 and 04:53 UTC 1 January 2020，respectively，and simultaneous CALIOP observation is at 05:37 UTC 1 January 2020；the solid purple line represents the CALIOP track）

图3 是AHI（图3a）和AGRI（图3b）的检测结果，并与真彩色图像（图3c）以及CALIOP 云产品（图3d）进行对比。该个例是川渝地区冬季十分典型的分布状态，从真彩色图像可以看出东部低海拔地区几乎被云层全覆盖，其中盆地地区呈现灰白色，亮度介于云和陆地之间，西部高海拔地区以晴空为主，同时也存在一些与山体走向较为一致的枝杈状亮白色，该云区和晴空的过渡区对应青藏高原与四川盆地间的陡峭地形区，表明这种云量分布与高原东侧山地存在紧密联系。如图3a、b 所示，检测结果分为6 类：晴空（Clear）、水云（Water）、冰云（Ice）、雾（Fog）、霾（Haze）和积雪（Snow）。通过对比发现，该结果实现了6 种类型的检测。图3d 是CALIOP 垂直特征分类标识产品，该产品清楚地展示了云和气溶胶的垂直分布，其结果分为无效值（Invalid）、晴空（Clear）、云（Cloud）、气溶胶（Aerosol）、平流特征（Strat）、表层（Surface）、次表层（Subsurface）和无信号（No Signal）。从CALIOP轨迹线上的云垂直分布特征来看，在海拔2—4 km存在较为平整的云系，这与AHI 和AGRI 中的检测结果较为一致。

从4 月的个例结果（图4）可以看出，东部低海拔地区云系仍然较多，同时西部地区云系有增多趋势。该个例存在高云、低云以及霾等类型（图4d），在[27°N，28°N]和31.5°N 附近地区存在高、低云共存的多层云特征，云顶高度在8—10 km，顶部以冰云为主，由于文中算法只检测云顶相态，所以AHI 和AGRI 对应区域检测结果为冰云；在30°N附近出现气溶胶，AHI 和AGRI 检测结果均为霾，与CALIOP 结果一致。

图4 同图3，但AHI 和AGRI 数据时间是2020 年4 月1 日06 时00 分、05 时38 分，相应的CALIOP 时间是2020 年4 月1 日05 时48 分Fig.4 Same as Fig.3 except that the AHI and AGRI observations are at 06:00 and 05:38 UTC 1 April 2020，respectively，and simultaneous CALIOP observation is at 05:48 UTC 1 April 2020

7 月的检测个例结果（图5）显示，盆地中心地区呈现灰白色，北部为暗黑色，表明盆地地区云系减少，以霾为主，盆地北部地区是晴空的陆地区域，而西部高海拔地区云系明显增多，东、西部云区分界线仍与地形存在明显关系。结合图5d 发现，纬度区间[25°N，28°N]主要为中低层云，与AHI 和AGRI 检测结果较为一致；盆地地区（纬度[28°N，32°N]）有明显气溶胶存在，其中区间[28°N，30°N]部分与AHI 和AGRI 检测结果较为一致，结果判断为霾。但在区间[30°N，32°N]部分，RGB 图像上呈暗黑色，该检测结果为陆地，而CALIOP 检测结果还是气溶胶。所以与CALIOP 相比，霾漏检大多出现在霾与晴空相接区域，原因可能为阈值随地形和霾浓度变化而发生了变化。

图5 同图3，但AHI 和AGRI 数据时间是2019 年7 月1 日06 时00 分、05 时38 分，相应的CALIOP 时间为2019 年7 月1 日06 时02 分Fig.5 Same as Fig.3 except that the AHI and AGRI observations are at 06:00 and 05:38 UTC 1 July 2019，respectively，and simultaneous CALIOP observation is at 06:02 UTC 1 July 2019

10 月的检测个例结果显示（图6），东部地区大部分被云层覆盖，西南部云系增多，西部高海拔地区有零星云系，以晴空为主。结合图6d 发现，该个例存在明显冰云（高云）、低云（水云）分布，纬度[25°N，28°N]地区主要为高 层冰云，纬度[28°N，35°N]地区存在低层水云，这与AHI 和AGRI 检测结果较为一致。

图6 同图3，但AHI 和AGRI 数据时间是2019 年10 月5 日06 时00 分、05 时38 分，相对应的CALIOP 时间为2019 年10 月5 日05 时54 分Fig.6 Same as Fig.3 except that the AHI and AGRI observations are at 06:00 and 05:38 UTC 5 October 2019，respectively，and simultaneous CALIOP observation is at 05:54 UTC 5 October 2019

CALIOP 可以较准确地获得大气中的云信息，有成熟的云相态识别产品（Winker，et al， 2009），被广泛应用到被动卫星遥感仪器的云产品验证和评估中。因此，文中将2019 年的AHI 数据根据时间和地理信息与CALIOP 垂直分类标识产品（VFM）数据匹配，选取两者相近观测时间（30 min 内）、相近地理位置（5 km 内）的数据进行统计分析。图7是AHI 检测结果（晴空、水云和冰云）和CALIOP产品验证对比。图中的80.4%表示CALIOP 云产品检测为晴空的像素点中有80.4%与AHI 一致，两者都判断为晴空。若以CALIOP 数据作为更加准确的“真值”，在所有的AHI 和CALIOP 匹配的样本中，AHI 晴空检测的准确率超80%，另8.7%误判为水云，10.9%误判为冰云；水云检测的准确率超85.7%，其中8.1%误判为晴空，6.2%误判为冰云；冰云检测的准确性较低（70.5%），14.5%误判为晴空，15.0%误判为水云。出现晴空误判率高的主要原因是CALIOP 对冰云中光学厚度较小的薄卷云的敏感性更高，而AHI 较难探测到此类云，因此判断为晴空的概率更大；出现水云误判率高的主要原因是，大气中存在一种双相态结构的多层云（即上层是冰云、下层是水云），目前该类云的探测属于卫星遥感领域的难点，当上层冰云较薄且下层水云较厚时常会误判为水云。该验证受到以下两个方面的限制：（1）CALIOP 是在极轨卫星轨道上进行的，以上验证仅表示各个时次轨迹线上的验证结果；（2）VFM 数据的水平分辨率为333 m，而AHI 的分辨率为2 km，可能存在采样引入的误差。

图7 2019 年AHI 检测结果 （晴空、水云和冰云） 和CALIOP 产品验证对比Fig.7 Comparison of AHI results （clear，water，and ice）and CALIOP products in 2019

整体而言，该算法基本实现了各种类型检测，但尚存在不足之处。首先，与CALIOP 产品相比，存在雾、霾漏检的不足，大多出现在雾、霾与晴空交界区域，原因可能是该地区地势复杂，阈值随地形和目标浓度变化而发生了变化。其次，受到卫星成像仪探测原理的限制，当上层有云遮挡时，卫星主要接收到的是云顶信息，低层雾、霾无法有效探测，所以云的遮挡是低层雾、霾检测结果偏少的主要原因之一。

2.4 AGRI 和AHI 时间序列对比

由于AGRI 和AHI 在通道的光谱响应函数、空间分辨率、观测角度和时间上略有差异，为了进一步验证两个仪器的检测效果，文中利用两者2021年的观测资料进行检测并做统计分析。为保证数据的连续性且避免太阳高度角过低造成不必要的误差，所用数据为每天的世界时03—08 时（即北京时11—16 时）。考虑到川渝地区复杂的地形地势，将东部低海拔地区和西部高海拔地区分开统计对比。AGRI 和AHI 数据是预处理成等面积投影的网格化数据，这里通过统计6 种类型面积占比情况以定量分析两个仪器的结果差异。图8 展示了AGRI和AHI 在东部低海拔地区和西部高海拔地区6 种类型面积占比情况。结果表明，两个仪器在低海拔地区检测到的各类型差别在4.0%以内，除积雪外水云检测一致性最好，误差在0.7%，晴空类型差别最大，误差近3.8%；两个仪器在高海拔地区具有更好的一致性，误差均在1.7%以内。

图8 川渝地区2021 年AGRI 和AHI 的检测结果对比（a.东部低海拔，b.西部高海拔）Fig.8 Comparison of AGRI and AHI results in the Sichuan-Chongqing region during 2021 （a.low altitude，b.high altitude）

3 川渝地区云分布特征

3.1 时、空分布特征

文中进一步利用空间分辨率更高（2.0 km×2.0 km）的AHI 观测数据，进行6 种类型的检测，并统计分析2016—2021 年的时、空分布特征。所使用的数据同样是每天的世界时03—08 时（即北京时11—16 时）。网格中各格点的云覆盖频率计算方法如下

式中，Fcloud为云覆盖频率，ncloud为统计的云覆盖个数，N为6 种类型总数。

图9 是2016—2021 年各月云覆盖频率分布。从图9 中可以看出，该地区云具有明显的区域和月变化特征。首先，1—3 月和10—12 月东部低海拔地区的云覆盖频率较高，且明显大于西部高海拔地区。1、2 月和11、12 月整体的云覆盖频率相对较低；4—9 月西部高海拔地区云覆盖频率明显较高，且整个区域的云覆盖频率较高。选择1、4、7 和10 月作为冬、春、夏、秋四季的代表月进行分析，可以发现1、4 和10 月整个地区分布呈“东多西少”型，但7 月分布发生反向变化，呈“东少西多”型，这与张琪等（2011）的结论一致。出现这种季节特征的原因与该地区地形地势、水汽条件和大气环流季节变化有关。冬季，受青藏高原主体和云贵高原的屏障作用，西风气流被阻挡并出现南、北分支，四川盆地处在这两支西风气流的辐合区内，低层是北支冷气流，高层是南支暖气流。低层受北支下沉冷气流控制，风力微弱，天气稳定，而上层有中国南海高压输送来的较暖湿空气滑行，使四川盆地多云寡照。夏季，盛行东亚季风，受偏南暖湿气流控制，带来丰富的水汽，容易形成云雨天气，且下垫面温度升高，青藏高原热力作用加剧了对流活动的发展，因此整体的云覆盖率都较高。然而在盛夏（7、8 月），四川盆地东部被副热带高压脊控制，脊前的偏南气流越过云贵高原进入川渝，受下沉增温影响气层更趋稳定，导致盆地地区云系减少，出现连晴高温天气。

图9 2016—2021 年月平均云覆盖率分布Fig.9 Distributions of monthly mean cloud cover frequency in each month over 2016—2021

图10 给出了川渝地区2016—2021 年云覆盖率空间分布。整体来看，该地区云覆盖率常年存在高值中心，总体呈东多西少、盆地多高原少的特征。为进一步定量分析东部低海拔和西部高海拔地区的差异，文中统计了研究时段内两地区云覆盖率和晴空率分布情况。图11 定量给出了川渝地区东部和西部地区云覆盖率（图11a）和晴空率（图11b）的差异，其中东部低海拔地区云覆盖率大部分在70%—80%，峰值在75%，而西部高海拔地区的云覆盖率主要在50%—65%。东部低海拔地区晴空率大部分低于20%，而西部高海拔地区的晴空率集中在40%—50%。值得注意的是，在青藏高原与四川盆地之间的陡峭地形区—主要是横断山脉东北到东部边缘狭长区域，状如纵贯南北的大坡面，该坡面对应云覆盖率的高、低值过渡区。这一地区的主导天气、气候系统包括西风带、西南季风、东亚季风和南亚高压，叠加上横断山区不同寻常的南北走向与高低起伏的地形，对途经该区域的西风、东亚季风和南亚季风既有东西向阻挡抬升作用，又有南北向的通道作用，使得该区域云覆盖率常年存在高值。

图10 2016—2021 年云覆盖率空间分布Fig.10 Spatial distributions of cloud cover frequency over 2016—2021

图11 2016—2021 年东部低海拔 （Low） 和西部高海拔 （High） 地区云覆盖率 （a） 和晴空率 （b） 分布Fig.11 Distributions of cloud cover （a） and clear （b） frequency in the east low-altitude region and the west high-altitude region over 2016—2021

3.2 月变化特征

图12 是川渝地区6 种类型占总面积的比及月变化。如图12a 所示，川渝地区东部低海拔地区云覆盖面积占比常年最大，若将水云、冰云、低层云雾皆计算在内，则各个月云覆盖面积占比在60%—80%。其中冰云和水云具有明显的月变化，冰云在1—7 月呈现上升趋势，8—12 月呈现下降趋势，具有显著的单峰特征，7 月面积占比最大（约37%），6—7 月冰云面积占比大于水云面积占比，其他月份与此相反。出现这种特征主要是因为夏季东亚季风带来丰富的水汽，叠加青藏高原热力作用，对流活动旺盛，云顶高度高，所以冰云占比明显上升。其中，8 月总的云覆盖面积最小，主要因为该时节四川盆地东部被副热带高压脊控制，脊前下沉气流导致云系减少，这与前文分析一致。值得注意的是，虽然水云覆盖面积呈现出了和冰云覆盖面积相反的趋势，但由于多层云（即上层是冰云、下层是水云）的存在，文中仅探测云顶相态，因此无法判断水云呈现该趋势的具体原因。如图12b 所示，西部高海拔地区云覆盖面积各月差异较大，1—7 月呈现明显的上升趋势，8—12 月呈现下降的趋势，7 月面积占比最大（峰值约76%），即总的云覆盖面积随月份也呈明显的单峰分布，而晴空面积具有相反的趋势；其中冰云面积1—7 月呈现波动上升，8—12 月呈现下降趋势。呈现这样的云量变化主要是因为，在冬季西部高海拔地区（川西高原）盛行来自印度大陆的偏西或西南干暖空气，因此云覆盖面积较少，典型分布状态如图3 所示；进入夏季，由于季节转换，一方面受偏南风带来的丰富水汽影响，另一方面横断山脉东南倾斜利于水汽抬升凝结，且叠加青藏高原热力作用，十分有利于成云致雨（张琪等，2011），典型分布状态如图5 所示。综上所述，受地形地势、水汽条件和大气环流特征共同影响，造成了该地区东、西两部分云覆盖面积月变化的差异。

图12 2016—2021 年东部低海拔地区 （a） 和西部高海拔地区 （b） 各类型面积占比月际变化Fig.12 Monthly variation characteristics of area proportions for all types in the east low-altitude region （a） and the west high-altitude regions （b） over 2016—2021

图13 为2016—2021 年东部低海拔地区和西部高海拔地区各类型面积占比逐年变化情况，整体而言，各种类型年际波动较小，高、低海拔地区差异较大，整体来看不同年份各类云覆盖的结果基本相近，但不同年份也有些微差异。东部低海拔地区（图13a），晴空面积占比较小，云覆盖面积占比常年在70%上下，其中水云占比最大（35%—40%），冰云占比次之，在20%左右，低层云雾占比最小，约13%。结合前文分析，东部低海拔地区云覆盖频率常年存在高值区（图10），且冬、春、秋3 季都是水云覆盖面积最大，只有盛夏（7、8 月）强对流发展旺盛时，出现冰云覆盖面积大于水云的情况（图12a）。因此平均到全年时，仍是水云覆盖面积最大，这与上述结论一致。不同年份的分布差异可能跟年际气候差异有关，这需要结合年气候特征做深入机理分析，文中不再展开。

图13 2016—2021 年东部低海拔地区 （a） 和西部高海拔地区 （b） 各类型面积占比逐年变化情况Fig.13 Annual variation characteristics of area proportions for all types in the east low-altitude region （a） and the west high-altitude region （b） over 2016—2021

西部高海拔地区（图13b），晴空面积占比约40%，云面积占比最大约50%，其中水云和冰云面积占比较接近，水云在24%—26%，冰云在22%—25%，低层云雾约10%。西部高海拔地区，以夏季偏南气流水汽输送下抬升凝结的云系占主导，此时多发展旺盛的对流云系，且该地区本身海拔高，所以其云顶高度高、温度低，因此冰云覆盖面积较大，整体上几乎与水云覆盖面积持平。

4 总 结

利用新一代静止气象卫星风云四号A 星和葵花8 号搭载的先进成像仪AGRI 和AHI 观测资料，根据川渝地区独特的地形地势将其分为东部低海拔地区和西部高海拔地区，并建立高分辨率的网格化无云背景场，作为无云与有云辐射差异对比，提高云识别信度，实现了适用于该地区的晴空、水云、冰云、低层云雾、霾和积雪的检测，并统计分析了其在2016—2021 年的时、空分布特征，主要结论结如下。

（1）川渝地区云的区域特征显著，将该地区分为东部低海拔地区和西部高海拔地区两部分，东、西部差异明显，总体呈东多西少、盆地多高原少的现象。云覆盖频率常年存在高值中心，云覆盖面积有明显的月变化。东部低海拔地区云覆盖率常年在70%—80%，而西部高海拔地区云覆盖率在50%—65%。云覆盖率的高、低值过渡区对应青藏高原与四川盆地之间的陡峭地形区，出现这种现象的原因与地形地势、水汽条件和大气环流特征相关。

（2）云覆盖面积月变化特征明显。东部低海拔地区各月的云覆盖面积相对稳定，占比在60%—80%，而西部高海拔地区各月差异较大。东部低海拔地区冰云和西部高海拔地区总云面积具有显著月变化（单峰）特征，峰值出现在7 月分别为37%和76%，相邻月份有依次递减趋势。

（3）各类型面积占比年际波动较小。东部低海拔地区云覆盖面积常年最大（约70%），其中水云占比最大（35%—40%），冰云占比次之（20%左右），低层云雾占比最小（约13%）；西部高海拔地区云覆盖面积常年占比约60%（水云在24%—26%，冰云在22%—25%，低层云雾占10%）。

总体而言，文中实现了基于静止卫星成像仪的川渝地区云覆盖类型检测和时空分布特征分析，但尚存在不足之处。首先，文中主要侧重于该地区云的分布特征分析，在雾、霾检测方面存在不足。其次，受到卫星成像仪探测原理的限制，当上层有云遮挡时，卫星只能接收到云顶信息，低层雾、霾无法有效探测，所以云的遮挡是低层雾、霾检测结果偏少的主要原因之一。针对雾、霾检测和多层云的情况，还有待未来进一步研究。