文章标题：A physics-based atmospheric precipitable water vapor retrieval algorithm by synchronizing MODIS near-infrared and thermal infrared measurements

发表期刊：Remote Sensing of Environment

作者：周书贵，博士，研究方向为热红外定量遥感

程 洁，教 授/博导，长期从事定量遥感与地球辐射平衡研究

作者单位：郑州大学 地球科学与技术学院；北京师范大学 遥感科学国家重点实验室

摘要

大气水汽(PWV)是云和降水形成的基本驱动力，在维持陆地与大气之间的能量平衡方面至关重要。本研究提出了一种协同利用MODIS的近红外(NIR)和热红外(TIR)观测数据精确估算晴空条件下PWV的物理算法。NIR-TIR联合反演算法由三个核心部分组成：(1) 通过假设反射率在0.85-1.25 μm波段范围内随波长的变化近似为线性，简化了近红外辐射传输方程，从而在无需反射率输入数据的情况下，基于近红外大气窗口通道大气层顶辐亮度以及大气廓线直接模拟近红外水汽吸收通道的大气层顶辐亮度；(2) 通过将单项变分原理应用于辐射传输方程，推导出NIR-TIR大气层顶辐亮度相对于对应背景场的偏导数；(3) 采用优化方法调整背景场，直至模拟的NIR-TIR大气层顶辐亮度与观测值之间的差异最小化。随后，对优化后的水汽廓线进行积分得到PWV。基于473个GPS站点和122个太阳光度计的地面站点的验证结果显示，NIR-TIR联合反演算法的PWV的平均偏差和RMSE分别为-0.55 mm和2.08 mm，优于MODIS的NIR PWV产品(偏差和RMSE分别为3.84 mm和4.86 mm)和TIR PWV产品(偏差和RMSE分别为0.41 mm和4.60 mm)。

研究方法

图1展示了在标准大气条件下，近红外(NIR)和热红外(TIR)大气层顶辐亮度对大气温度(Ta)、可降水量(PWV)、地表温度(LST)以及气溶胶光学厚度(AOD)变化的敏感性。TIR观测对LST、Ta和PWV敏感，但对AOD不敏感；而NIR观测对PWV敏感，但对AOD，LST, Ta不敏感。因此，协同使用NIR跟TIR观测，有助于更好地从TIR观测中分离温度和水汽信息。

图1. 由气溶胶光学厚度(AOD)、可降水量(PWV)、大气温度(Ta)和地表温度(LST)变化引起的大气层顶辐亮度扰动。(a) NIR区域，(b) TIR区域。大气温度和地表温度的扰动为1 K，而AOD和PWV分别按10%进行缩放。

本研究涉三个过程：(1) 近红外辐射传输模型的简化；(2) 大气层顶辐亮度相对于地表/大气背景场的偏导数；(3) 水汽廓线校正，积分得到PWV。本研究涉及的遥感数据如下：

研究结果

(1) NIR-TIR反演PWV验证

本研究搜集了2018至2020年北美地区Suominet网络中的473个GPS站点和AERONET网络中的122台太阳光度计的地面观测数据对PWV进行了验证。为了证明NIR-TIR联合反演算法的有效性，我们还使用相同的地面实测数据对MODIS的NIR PWV产品(MYD05)和TIR PWV产品(MYD07)进行了验证。图2展示了基于GPS实测数据的验证结果。如图2所示，MYD05 PWV显著高估，偏差和RMSE分别为3.72 mm和4.74 mm。MYD07 PWV的偏差较大，偏差和RMSE分别为-0.05 mm和4.67 mm。而NIR-TIR联合反演算法估算的PWV没有显著偏差，散点图在1:1线附近的离散性较小，偏差和RMSE分别为-0.87 mm和2.1 mm。显然，NIR-TIR联合反演算法优于MYD05和MYD07的PWV产品。

图2. Suominet网络站点中MYD05 (a)、MYD07 (b)和NIR-TIR联合反演算法(c)的PWV验证结果。

(2) NIR对TIR观测的补充及其在温度和水汽信息分离中的作用

当近地表的大气条件接近于等温状态且地表温度与边界层温度相当时，通过TIR观测探测近地面水汽(大部分水汽集中于此)变得具有挑战性。图3展示了MODIS的9个热红外通道以及1个近红外通道的辐亮度对不同高度的大气温度跟水汽的敏感性。

图3. 等温大气廓线的垂直分布(左)及其对应的雅可比矩阵。(中)九个TIR通道和(右)一个NIR通道。

考虑到NIR观测对地表温度，大气温度均不敏感，且对近地面水汽敏感。本研究进一步探讨了将NIR观测与TIR观测相结合，相比仅依赖TIR观测是否可以进一步提高近地表水汽的探测精度。首先，从Seebor大气廓线库中筛选出等温廓线。其次设置不同的场景(地表温度是否等于近地面空气温度)跟反演策略(单独使用TIR波段反演以及NIR-TIR联合反演)，基于1DVAR算法进行大气廓线反演。图4展示了不同场景跟反演策略下的结果。结果表明，相比仅使用TIR观测数据，引入NIR观测可以进一步提高近地面的水汽反演精度。

图4. 不同反演策略下水汽密度的反演误差。(Tair为近地面空气温度)

论文链接

https://doi.org/10.1016/j.rse.2024.114523

本研究得到国家自然科学基金（42201370; 42071308）项目资助。