本文文献链接
https://amt.copernicus.org/articles/11/1515/2018/
基于OCO-2的氧A波段高分辨率光谱仪,利用信息含量分析选择了海洋液态云反演通道。期望的反演属性是云光学厚度、云顶压力和云的压力厚度(以百帕斯卡表示的垂直方向几何厚度)。基于信息内容标准,文中选择了853个功能性OCO-2通道中的75个,跨度为763.5-764.6 nm,并在扰动初始条件下进行了一系列合成反演。从样本的标准差估计后验误差,得到光学厚度为±0.75,云顶压力和厚度均为±12.9 hpa。
引言部分不再赘述,感兴趣读者可以查看原文。
2. 数据来源和分析技术
OCO-2以推扫方式运行,其面积取决于观测模式,但通常为1.2-2.3公里。有8个探测轨道,每一组被称为一个帧。OCO-2 O2-A波段仪器是一种孔径成像光栅光谱仪,可测量波长为759.2-771.8 nm的1016个通道。许多FPA元件已经失效。1016个通道中的853个在所有的探测中都是可用的。氧A波段的信息存在冗余,这意味着可以使用更少的通道来减少反演的计算负担。所需通道的最小数量等于反演状态向量中的元素数量,前提是这些通道关于状态向量的属性变化相互是正交的。因此,对于期望的光学厚度,物理厚度和云顶压力的反演,至少需要三个通道。本研究的目的是确定需要多少个通道来覆盖一系列实际的测量,并确定这些通道。
2.1 OCO-2辐射传输计算
辐射传输使用OCO-2 2级全物理辐射传输模型(L2RTM),该模型是为OCO-2 XCO2反演而开发的,在这里不再详述,参考文献
https://doi.org/10.1016/j.jqsrt.2006.05.005
https://doi.org/10.1029/2009JD012803
2.2 最优估计和信息量
遵循Rodgers(2000)的最优估计原则,其中 贝叶斯反演将观测向量与先验状态向量相结合,并获得后验状态向量。在这篇文章的例子中,状态向量又云顶压力,云压力厚度和云光学厚度组成。这里假设正演模型为线性(当然存在一些误差),即
(1)
式中,K是雅克比矩阵,这里不过多介绍。假设和都符合高斯分布,则后验最优估计表示为
(2)
其协方差矩阵为
(3)
式中,和分别是先验和观测协方差矩阵。从式(2)可以看出,后验是先验加上一个迭代,该迭代基于观测和期待的y之间的差异,并对不确定度进行适当的加权。由式(3)可知,后验不确定度减少的量取决于由观测不确定度加权的雅可比矩阵K。的潜在的非线性是通过迭代来解决的,每一步迭代的线性展开是确定的。
在OCO-2云检索中,状态向量包含光学厚度、云压厚度和云顶压力,而观测向量是853个有效OCO-2 O2A波段通道的任意子集。使用更少的通道减少计算负担,无论是辐射传输方面还是迭代反演方面,否则将涉及853*853矩阵的重复反演。
通常的做法是根据信号的信息量或自由度来选择通道,该方法已用于气溶胶反演的氧A波段和B波段分析。
信息量基于香农熵的概念,与代表知识的概率分布P所占据的状态空间的体积有关:
(4)
反演减少了概率分布体积,这导致的香农熵的变化就是该次测量的信息量(IC):
(5)
在多元高斯分布下,测量的信息含量为:
(6)
一个相关的性质是信号自由度,它表示测量中有用的独立量的数量。它可以看作是从一次测量中可以获得多少不同的变量,对于三维的状态向量,我们需要一个接近3的值。它可以由先验和后验协方差计算如下:
(7)
虽然理论上三通道足以反演三个状态向量元素,但并不清楚相同的三个通道是否适用于所有情况,因此,文中考虑了各种大气和云的性质。
通过扰动大气廓线和IC得到观测所需的协方差,并利用和后验协方差选择最优微通道。最后,开发了一种反演方法,并在多云大气中进行了测试,其中分配了“真实值”,并通过从先前定义的协方差矩阵中采样提供了伪观测值和先验值。
3. 方法论,大气状态和云的情况
为了便于表述,文中将分析限制在三种代表性的大气状态,三种云高度(680,750,850 hpa),和三种云光学厚度(5,15,25),这一共构成了27种情况。假设液滴有效半径为12 μm,云压力厚度定义如下:
(8)
(9)
里面的参数不重要,这里就不介绍了。
对于具有代表性的大气状态,选取了2015年11月MODIS和CALIPSO均识别为单层液态云的所有并置探测数据,并根据纬度在0-20、20-50和50-90°范围内进行分类。MODISA数据来自水平分辨率为1 km的MYD06产品,CALIPSO数据来自1公里分辨率的云层产品01kmCLay。在每个bin(可以理解为每一类)里面,配置有OCO-2 ECMWF-AUX气象剖面图(包括压力、比湿度、温度和风速)逐层平均。这包括L2RTM使用的所有气象输入。
(剩下的过几天接着更,累了吃饭去了)