【文献阅读】OCO-2氧a波段通道反演海洋液态云性质的信息量—1

fosburning

已于 2024-08-13 19:47:36 修改

阅读量743

点赞数 11

文章标签：算法概率论

于 2024-08-13 19:45:26 首次发布

本文链接：https://blog.csdn.net/ooooooopppppp/article/details/141163739

版权

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 $\mathbf y$ 与先验状态向量 $x_{a}$ 相结合，并获得后验状态向量 $\hat x$ 。在这篇文章的例子中，状态向量又云顶压力 $P_{top}$ ，云压力厚度 $\Delta P_c$ 和云光学厚度 $\tau$ 组成。这里假设正演模型为线性（当然存在一些误差），即

$y=\mathbf{K}x+\epsilon$ （1）

式中，K是雅克比矩阵，这里不过多介绍。假设 $x_a$ 和 $\mathbf y$ 都符合高斯分布，则后验最优估计表示为

$\hat{\mathbf{x}}=\mathbf{x}_{a}+\mathbf{S}_{a}\mathbf{K}^{T}\left(\mathbf{K}\mathbf{S}_{a}\mathbf{K}^{T}+\mathbf{S}_{\epsilon}\right)^{-1}(\mathbf{y}-\mathbf{K}\mathbf{x}_{a})$ （2）

其协方差矩阵为

$\mathbf{\hat{S}}=\left(\mathbf{K}^{T}\mathbf{S}_{\epsilon}^{-1}\mathbf{K}+\mathbf{S}_{a}^{-1}\right)^{-1}$ （3）

式中， $\mathbf{S}_{a}$ 和 $\mathbf{S}_{\epsilon}$ 分别是先验和观测协方差矩阵。从式（2）可以看出，后验 $\hat x$ 是先验 $x_{a}$ 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 $\mathbf{S}_{\epsilon}$ 加权的雅可比矩阵K。 $\mathbf y(\mathbf x)$ 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：

$S\left(P\right)=-\sum_{i}P\left(x_{i}\right)\log_{2}P\left(x_{i}\right)$ （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）：

$\mathrm{IC}=S\left(P_0\right)-S\left(P_1\right)$ （5）

在多元高斯分布下，测量的信息含量为：

$\mathrm{IC}=\frac{1}{2}\ln|\mathbf{S}_{a}|-\frac{1}{2}\ln\left|\mathbf{\hat{S}}\right|=\frac{1}{2}\ln\left|\mathbf{S}_{a}\mathbf{\hat{S}}^{-1}\right|$ （6）

一个相关的性质是信号自由度 $d_s$ ，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：

$d_\mathrm{s}=\mathrm{tr}\left(1+\hat{\mathbf{S}}\mathbf{S}_a^{-1}\right)$ （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 $d_s$ 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：

$H=\sqrt{\frac{2\mathrm{LWP}}{C_\mathrm{w}}}$ （8）

$\mathrm{LWP}=\frac{\tau r_{\mathrm{eff}}10\rho_{\mathrm{w}}}{9Q_{\mathrm{ext}}}$ （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）