星载毫米波测云雷达资料的云特征分析

基于CloudSat卫星资料,综合地基和天基遥感资料云特征反演算法,开展了云分类和云相态识别方法研究,并将所得结果分别与CloudSat数据处理中心(DPC)发布的云分类产品和CALIPSO星上载荷Lidar产品进行了比对分析和个例研讨。

A-Train卫星编队及其在云研究领域中的应用

地球环境变化日益成为工、农业和人类社会的关注对象。21世纪初,美国国家航空航天局(NASA)推出了地球科学事业(ESE)计划,旨在加强对地球系统变化的认识和预测能力。轨道列车(A-Train)作为ESE计划的顶层组成部分之一,以多卫星的编队组合方式飞行,实现多平台、多传感器、多谱段的协同对地观测。该编队能够获取时空近似一致的云综合信息,涵盖了云可见光、红外、微波和激光谱段的属性,为云研究提供最为有效的技术支持。本文基于A-Train卫星编队,概述了编队涉及的ESE计划和ESSP计划,介绍了编队云使命载荷,结合协同对地观测思想,着重分析了编队在云宏观物理特性、云微观物理结构和云综合分析研究领域中的应用。

基于模糊逻辑的CloudSat卫星资料云分类算法

为了提高星载毫米波雷达资料云分类的准确性,从基于云角色的分类思想出发,利用源于Cloud-Sat/CPR(云廓线雷达)和CALIPSO/Lidar(激光雷达)的云几何廓线数据产品2B-GEOPROF-LIDAR以及相关资料,通过对云的特征参数进行提取,采用模糊逻辑技术对特征参数进行处理并完成对云的分类,将分类结果与CloudSat数据处理中心(DPC)发布的云分类产品、以及CALIPSO激光雷达的观测数据进行对比分析,结果表明分类具有较高的一致性。

基于最优估计理论、联合星载主被动传感器资料的液态云微物理特性反演研究

针对液态云微物理特性精确反演的迫切需求,综合主被动传感器的探测优势,联合CloudSat雷达反射率和Aqua光学厚度资料,提出基于最优估计理论的液态云微物理参数反演算法.通过假设粒子谱服从对数正态分布,基于前向物理模式建立测量变量与反演变量的函数关系,借助谱分布参数的先验信息、通过算法迭代得到谱参数的最优解,进而利用前向物理模式反演液态云微物理参数,并根据误差传递理论计算反演不确定度.通过设计反演方案,基于实测个例数据并与CloudSat官方发布产品和经验算法反演结果对比验证.结果表明:基于最优估计理论、联合主被动传感器资料的液态云微物理参数反演结果与官方发布产品一致性较好,弥补了经验算法误差大、扩展性差的不足,对于开展国内星载和机载W波段毫米波雷达液态云微物理参数反演研究具有重要的借鉴意义.