论文部分内容阅读
摘要： 针对数值气象预报及陆面模拟分析系统中的同化模块，本文以ERAInterim再分析资料中的地表状态变量数据为依据，采用社区微波发射模型（community microwave emission model，CMEM）为观测算子，模拟水平和垂直极化方向的大气层顶亮温，并采用高级微波扫描辐射计地球观测系统（advanced microwave scanning radiometerearth observing system，AMSRE）亮温观测，对模拟结果进行验证和精度评定，分析亮温模拟与亮温观测存在偏差的原因。研究结果表明，CMEM模拟垂直极化方向的微波亮温比水平极化模拟效果好，更接近AMSRE观测数据;CMEM模拟的微波亮温在中国西北和西南地区的模拟效果较好，模拟与观测的相关系数达0.8左右，而中国南方地区亮温模拟效果较差，说明CMEM观测算子对裸地或者植被稀疏的地区模拟效果好，对有植被覆盖密集的地区亮温模拟效果较差。该研究为CMEM在中国地区的应用提供了理论依据。
关键词： CMEM观测算子; AMSRE; ERAInterim再分析资料; 亮温模拟
中图分类号： P237; P405 文献标识码： A
收稿日期： 20201126; 修回日期： 20201228
作者简介： 朱琳（1995），女，硕士研究生，主要研究方向为遥感数据同化。
通信作者： 白雲（1990），男，博士，主要研究方向为遥感大数据。 Email： byron506@126.com
数据同化中如何利用卫星遥感觀测数据是一个极具发展潜力的研究方向。在陆面数据同化系统中，可以将陆面模式的基本状态变量转换成星载仪器所获得的特定波长的电磁辐射值，也可以将观测到的电磁辐射值反算成模式的基本状态变量[1]，据此卫星资料直接同化需要引入复杂的观测算子，一般采用辐射传输模型模拟卫星亮温。同化资料中的卫星遥感观测、站点观测、浮标观测、机载雷达观测等[23]，其观测算子的模拟能力将直接影响同化结果。因此，在同化系统中必须选用合适的观测算子来描述辐射传输过程。随着卫星遥感技术不断发展，更容易获得较高时间和空间分辨率的微波遥感观测资料，而如何在数据同化系统中更好地利用这些卫星遥感观测资料[4]已成为研究的焦点。近年来，国内外一些学者利用辐射传输模型模拟微波亮温，并分析模拟结果与卫星观测之间的差异。贾炳浩等人[57]研究比较不同辐射传输模型与卫星实际观测间的差异;P.De Rosnay等人[8]探讨了不同介电常数模型在非洲西部地区对社区微波发射模型（community microwave emission model，CMEM）亮温模拟的影响。基于此，本文主要对中国地区CMEM观测算子微波亮温进行模拟，通过CMEM观测算子，将模式状态变量（土壤温度、土壤湿度、土壤质地、植被覆盖类型等）转换到观测空间（大气层顶亮温），模拟2010年8月14日到2010年8月23日，共10 d的6.9 GHz（C波段）的亮温，并采用AMSRE亮温观测，对模拟结果进行验证和精度评定，分析了模拟与观测存在偏差的可能原因。该研究为CMEM在中国地区的应用提供了参考依据。
1 观测算子和研究数据
1.1 CMEM观测算子
CMEM是2008年欧洲中期天气预报中心（european centre for mediumrange weather forecasts，ECMWF）提出的微波辐射传输模型，主要用于前向算子模拟地表低频（1～20 GHz）微波亮温[911]。CMEM是高度模块化模型，包括大气、土壤、植被和雪对辐射的贡献4个模块，每个模块含多种参数化方案，这也是CMEM具有吸引力的方面之一，一个模型可以适应不同土壤介电常数、表面粗糙度和植被光学厚度的亮温模拟。CMEM采用向量辐射传输方程的简化方案计算地表微波亮温[1213]，其参数化方案和物理机制主要来源于两个辐射传输模型：即生物圈L波段微波辐射（Lband microwave emission of the biosphere，LMEB）和陆面微波发射模型（land surface microwave emission model，LSMEM）。
CMEM模型的特征之一是考虑了次网格变异性，即每个网格分成若干片。每个网格内植被层顶亮温采用次网格加权平均计算，权重为每个次网格的面积所占比例。
当地表有雪覆盖时，考虑雪对辐射的传输作用，CMEM将雪作为单独的介电层，可采用雪发射模型
（helsinki university of technology，HUT）。当地表没有雪覆盖时，CMEM计算的大气层顶亮温主要来自土壤、植被和大气这3个介电层。若忽略大气与植被层交界面之间的反射作用，以及电磁波在植被内和植被层、土壤层之间多次散射作用，卫星接收到的辐射包含5个组成部分：即直接向上的大气辐射，经植被和大气减弱的地表辐射，经植被和大气减弱的向下大气辐射，经大气减弱的植被向上辐射，被地表散射经植被和大气减弱的植被向下辐射。CMEM观测算子示意图如图1所示。
根据CMEM模型，估算大气层顶亮温为
TBtoa，p=TBau，p+e-τatm，p×TBtov，p （1）
式中，TBtoa为大气层顶亮温;下标p为极化方向（水平极化和垂直极化）;TBau为向上的大气辐射;TBtov为植被层顶亮温;τatm为大气层的光学厚度。植被层顶亮温为
TBtov，p=TBsoil，p×e-τveg，p+TBveg，p+TBveg，p×γr，p×e-τveg，p+TBad，p×γr，p×e-2τveg，p （2）
式中，TBsoil为土壤中地表辐射;TBad是大气层中向下的大气辐射;TBveg为植被层中的植被辐射;γr，p为粗糙地表的土壤反射率;τveg为植被的光学厚度。 本文实验采用的CMEM模型版本是2012年5月10日发布的CMEM Version4.1。
1.2 AMSRE亮温数据
AMSRE传感器搭载在地球卫星系统（earth observing system，EOS）的Aqua卫星上，于2002年发射升空，其主要任务之一就是在全球尺度上提供土壤水分观测数据，是一种改进型多频率、双极化的被动微波辐射计。AMSRE辐射计在6.9～89 GHz范围内分布着12个观测频道，入射观测角为55°。在降轨时，AMSRE基本上2 d覆盖1次，有的地方是1 d或者3 d覆盖1次，在纬度55°以上的地区是1 d覆盖1次。
ASMRE数据可用于土壤湿度、表面温度、植被等方面的研究。美国国家冰雪中心（national snow and ice data center，NSIDC）[14]可提供AMSRE辐射计过境的同期测量数据产品，包含观测地点的亮温、地表类型、土壤水分、植被水分及陆地表面温度等观测信息。
1.3 ERAInterim再分析资料
ERAInterim是ECMWF第三代再分析资料，其来自1979年以来的全球再分析资料，并实时更新，与第二代ERA40的数据同化模型相比，ERAInterim采用四维变分分析，同化了包括浮标、卫星高度计等数据在内的大量观测数据，实现了再分析资料质量的提升。其数据可从ECMWF网站上下载[15]。
2 数据处理
本文研究区域是中国地区，CMEM观测算子输入变量和参数有雪水当量、雪密度、地表温度、2 m大气温度、高程、土壤温度和湿度，其中温度和湿度在垂直方向上離散化为3层（自土壤表层向下依次为0～7 cm，7～28 cm，28～100 cm）。在ECMWF网站上，均可下载高、低植被的覆盖比例和植被类型等数据。土壤质地数据（沙土和粘土）在北师大网站[16]下载，只选取土壤表面第一层（0～4.5 cm）作为输入数据。CMEM观测算子允许3种输入数据格式，即NetCDF、ASCII和GRIB。实验中，输入的数据格式全部使用NetCDF。为了和验证数据AMSRE亮温数据进行比较，设置的入射角和AMSRE入射观测角相同，均为55°，频率选取6.9 GHz（C波段），数据时间选取2010年8月14日到2010年8月23日共10 d，每天UTC 12：00时刻的数据，数据空间分辨率为0.25°×0.25°。
CMEM观测算子在L波段全球范围内，将地表均方根高度设置为固定常数2.2 cm。由于在微波频率里，表面是否光滑是相对于波长而言，而在同一表面，对L波段是平滑的，但对C波段是粗糙的。土壤表面由平滑变化至粗糙，粗糙的增大会削弱微波在水平和垂直极化的辐射亮温差异，对微波辐射信号有去极化作用[17]，所以针对C波段数据需要修改地表均方根高度，如果不改变CMEM中地表均方根高度的默认值，则得到的水平极化和垂直极化亮温模拟结果相同。根据亮温模拟与观测相关系数最大化的选取指标，通过实验对比分析发现，当对中国区域地表均方根高度取0.35 cm时，有最好的亮温模拟效果。
P.De Rosnay等人[8]利用非洲季风多学科分析陆面模式比较计划（african land surface models intercomparison project，ALMIP）中的多种陆面模式和CMEM相耦合，讨论了ALMIPCMEM在西非的亮温模拟效果，指出Kirdyashev植被光学厚度模型和Wang & Schmugge介电常数模型[18]的亮温模拟效果最好。因此，本文选取此参数化方案[1823]进行实验。实验参数化方案如表1所示。
AMSRE卫星过境中国的时间基本稳定在北京时间04：00～06：00以及16：00～18：00，为了使卫星观测时间和地表状态观测时间尽量接近，AMSRE亮温选用降轨数据（北京时间18：00～21：00），2010年8月19日，AMSRE卫星C波段（6.9 GHz）降轨过境时间如图2所示。由于受地球形状影响，中国处于中低纬度地区，在每个扫描带之间，一天的数据会存在空隙。为了使研究区域内实现完全覆盖，通过Matlab软件，将AMSRE当天和前后两天的降轨数据编程合成，存在当天观测数据区域，观测值不变。对于观测数据不存在的区域，数据重复地区取平均值，数据不重复地区各自取值。实验中，对亮温数据进行简单的质量控制，去掉不合理点，本研究只考虑亮温值在200～320 K的数据[2425]。
3 模拟与观测比较分析
3.1 模拟与观测分析
利用AMSRE亮温数据（空间分辨率为0.25°，含水平极化和垂直极化）与CMEM模拟的6.9 GHz（C波段）亮温结果进行对比分析。为了获取CMEM亮温模拟与观测的误差空间变异信息，把中国区域分成7个不同的子区域分别进行比较。即华南地区、西南地区、华东地区、华中地区、华北地区、西北地区和东北地区，中国研究区域划分如表2所示。
参照文献[2]及对照AMSRE亮温观测数据，采用平均偏差、均方根误差和相关系数3个统计特征，评定CMEM观测算子亮温模拟精度。
平均偏差（mean bias error，MBE）、均方根误差（root mean square error，RMSE）和相关系数（correlation coefficient，CC）分别为
Emb=1n∑ni=1|Si-Oi|（3）
Erms= 1n∑ni=1（Si-Oi）2（4）
Cc=∑ni=1Si-S-（Oi-O-） ∑ni=1（Si-S-）2 ∑ni=1（Oi-O-）2（5）
式中，Emb是平均偏差;Erms是均方根误差;Cc是相关系数;Si和Oi是n维向量，Si是模拟亮温，Oi是观测亮温;和和分别是它们的时间均值。 将CMEM亮温模拟（6.9 GHz，C波段）结果与AMSRE亮温在中国7个子区域的分析结果进行比较。水平极化下模拟与观测平均偏差（Emb）如图3所示，水平极化下均方根误差（Erms）如图4所示，水平极化下相关系数如图5所示;垂直极化下模拟与Emb如图6所示，垂直极化下Erms如图7所示，垂直极化下相关系数如图8所示。图中，横坐标轴表示2010年8月14日到2010年8月23日这10 d的日期序列。
由图3～图8可以看出，在垂直极化方向，亮温模拟更接近AMSRE观测数据，比水平极化模拟效果好。在中国7个子区域中，华南和华东地区的平均偏差和均方根误差较大，表现出模拟与观测有较大的偏差。对于平均偏差，华南地区水平极化在20 K左右，华东地区水平极化在27 K左右，华南地区和华东地区垂直极化在16 K左右;对于均方根误差，华东地区水平极化甚至超过30 K，垂直极化超过20 K;在相关系数方面，华南地区和华东地区亮温模拟效果相对较差，与华南地区和华东地区毗邻的华中地区，其亮温模拟效果也较差。通过查阅中国植被覆盖资料可知，华南、华中和华东地区有植被覆盖，且比较密集，其实验时间段在8月，此时，茂盛的植被对亮温模拟结果影响较大。相对而言，西北和西南地区的亮温模拟效果较好，在垂直极化方向，亮温模拟与观测的相关系数达0.8左右，这是由于西北和西南区域的下垫面主要是裸土和草地，植被影响较小，因此模拟效果好。
3.2 模拟与观测偏差较大原因
1） 模型和参数化方案不准确。CMEM观测算子本身存在误差，辐射传输描述不够准确，并且模型的参数化方案对于某些地区可能并不适合，如地表均方根高度、植被几何结构系数、土壤容重等参数，应随不同的研究区域进行修改，本文只对土壤粗糙度参数——地表均方根高度进行参数率定，其余参数化方案并未修改，这直接导致亮温模拟结果误差较大。
2） 观测误差。由于卫星传感器存在几何定标和辐射定标等因素，使AMSRE亮温观测数据存在观测误差，CMEM模型输入数据是ERAInterim再分析资料，历史资料经过一系列中间处理，难免存在一定误差积累传播。
3） 时间不匹配。探空数据时间和AMSRE观测时间不匹配，CMEM模型模拟的是北京时间20：00的亮温，而AMSRE在中国地区过境时间是北京时间16：0018：00，两者相差约2～3 h，地表状态和大气状态都发生了变化，尤其是地表温度会有一定变化，这也直接导致亮温模拟结果与观测之间有偏差。
4 结束语
本文探讨了CMEM辐射传输模型在中国地区的适用性。实验结果表明，中国区域内CMEM模拟垂直极化方向的微波亮温比水平极化模拟效果好，表明在直接同化中考虑垂直极化比水平极化更合理。此外，CMEM在中国南方地区亮温模拟效果较差，而在中国西北和西南地区的模拟效果较好，说明CMEM观测算子对裸地或者植被稀疏的地区模拟效果好，对植被覆盖密集的地区，亮温模拟效果较差。该研究为中国区域内在直接同化中耦合CMEM模型的相关研究提供了实验参考依据。下一步将探讨和研究如何提高CMEM观测算子在中国植被茂盛地区的亮温模拟效果。
参考文献：
[1] 薛纪善. 气象卫星资料同化的科学问题与前景[J]. 气象学报， 2009， 67（6）： 903911.
[2] 吴凯， 舒红. 基于CCI资料与EnKF方法的单点土壤湿度同化[J]. 水资源与水工程学报， 2017， 28（1）： 236243.
[3] Dee D P， Uppala S M， Simmors A J， et al. The ERAinterim reanalysis： configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society， 2011， 137（656）： 553597.
[4] 吳凯， 舒红， 聂磊， 等. 基于Triple Collocation方法的土壤湿度误差分析[J]. 国土资源遥感， 2018， 30（3）： 6875.
[5] 贾炳浩， 谢正辉等. 基于微波亮温及集合Kalman滤波的土壤湿度同化方案[J]. 中国科学， 2010， 40（2）： 239251.
[6] 白翎， 师春香， 刘冰， 等. CRTM微波亮温模拟对地表和云参数的敏感性分析[J]. 气象， 2014， 40（11）： 13631371.
[7] 吴莹. 微波地表发射率的卫星遥感反演和模式模拟研究[D]. 南京： 南京信息工程大学， 2012.
[8] De Rosnay P， Drusch M， Wigneron J P， et al. Soil moisture remote sensing for numerical weather prediction： lband and cband emission modeling over land surfaces， the community microwave emission model （CMEM）[C]∥Geoscience and Remote Sensing Symposium. Boston， MA， USA： IEEE， 2008： 563 566.
[9] 成印河， 杨欣坤， 张玉生， 等. 基于ECMWF数据的中国近海低空波导特征研究[J]. 海洋与湖沼， 2021， 52（1）： 8696.
[10] Drusch M， Holmes T， De Rosnay P， et al. Comparing ERA40 based Lband brightness temperatures with skylab observations： a calibration/validation study using the community microwave emission model[J]. J Hydrometeor， 2009， 10（1）： 213226. [11] Holmes T R H， Drusch M， Wigneron J P， et al. A global simulation of microwave emission： error structures based on output from ecmwf′s operational integrated forecast system[J]. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（3）： 846856.
[12] Drusch M， Crewell S. Principles of radiative transfer[M]. Atlanta： American Cancer Sroceedings， 2006.
[13] Kerr Y H， Njoku E G. A semiempirical model for interpreting microwave emission from semiarid land surfaces as seen from space[J]. IEEE Transactions on Geoscience and Remote Sensing， 1990， 28（3）： 384393.
[14] 美國国家冰雪中心（NSIDC）. AMSRE亮温数据[DB/OL]. 美国： 美国国家冰雪中心， （2010）[2015]. http：∥nsidc. org/
[15] ERAInterim数据网站. 地表状态变量数据集[DB/OL]. 欧洲： ECMWF， （2010）[2015]. http：∥apps. ecmwf. int/datasets/data/interimfulldaily/
[16] Wei S G， Dai Y J， Liu B Y， et al. A china dataset of soil properties for land surface modeling[J]. Journal of Advances in Modeling Earth Systems， 2013， 5： 212224.
[17] 高小六， 张慧慧. 粗糙度对被动微波遥感反演土壤水分影响的试验研究[J]. 测绘通报， 2014（8）： 5961.
[18] Wang J R， Schmugge T J. An empirical model for the complex dielectric permittivity of soils as a function of water content[J]. IEEE Transactions on Geoscience and Remote Sensing， 1980， 18（4）： 288295.
[19] Mo T， Choudhury B J， Schmugge T J， et al. A model for microwave emission from vegetationcovered fields[J]. Journal of Geophysical Research， 1982， 87（C13）： 1122911237.
[20] Choudhury B J， Schmugge T J， Chang A， et al. Effect of surface roughness on the microwave emission from soils[J]. Journal of Geophysical Research Oceans， 1979， 84（C9）： 56995706.
[21] Kirdiashev K P， Chukhantsev A A， Shutko A M. Microwave radiation of the Earth’s surface in the presence of vegetation cover[J]. Radio Eng Elect， 1979， 24： 256264.
[22] Pellarin T， Wigneron J P， Calvet J C， et al. Twoyear global simulation of Lband brightness temperature over land[J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（9）： 21352139.
[23] Pulliainen J T， Grandell J， Hallikainen M T. HUT snow emission model and its applicability to snow water equivalent retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing， 1999， 37（3）： 13781390.
[24] De Lannoy， Gabrille J M， Reichle R H. Assimilation of SMOS brightness temperatures or soil moisture retrievals into a land surface model[J]. Hydrology and Earth System Sciences， 2016， 20（12）： 48954911.
[25] Wu K， Nie L， Shu H . A comparison of SMAP and SMOS Lband brightness temperature observations over the global landmass[J]. International Journal of Remote Sensing， 2019， 41（2）： 121. Microwave Brightness Temperature Simulated by CMEM Observation Operator in China
ZHU Lin， BAI Yun
（College of Computer Science & Technology， Qingdao University， Qingdao 266071， China）
Abstract： The assimilation module is a core part in the numerical meteorological forecasting and analysis system of the land surface simulation. In this paper， we use surface state variable from ERAInterim reanalysis data and CMEM （Community Microwave Emission Model） observation operator to simulate horizontal and vertical polarizations of brightness temperature at top of the atmosphere. Then the simulation result and accuracy are verified and analyzed by the AMSRE （Advanced Microwave Scanning Radiometer for EOS Aqua） observations. The result shows that vertically polarized simulation is closer to AMSRE observation and better than horizontally polarized simulation. CMEM has a superior simulation performance in northwestern and southwestern regions of China as the correlation coefficients between the simulation and AMSRE observations are larger than 0.8. By contrast， CMEM has a poor performance in southern areas of China. These results illustrate that CMEM observation operator has better simulation effect in bare or sparse vegetation area than in dense vegetation area. Our results reveal that special attention should be paid to the vegetated areas in China when assimilating or simulating brightness temperature at the top of the atmosphere. Moreover， we recommend to use vertically polarized brightness temperature in direct assimilation system with the aim to improve the accuracy of soil moisture in the topmost of soil layer. This study provides a theoretical basis for the application of CMEM in China.
Key words： CMEM observation operator; AMSRE; ERAInterim reanalysis data; Brightness temperature simulation
关键词： CMEM观测算子; AMSRE; ERAInterim再分析资料; 亮温模拟
中图分类号： P237; P405 文献标识码： A
收稿日期： 20201126; 修回日期： 20201228
作者简介： 朱琳（1995），女，硕士研究生，主要研究方向为遥感数据同化。
通信作者： 白雲（1990），男，博士，主要研究方向为遥感大数据。 Email： byron506@126.com
数据同化中如何利用卫星遥感觀测数据是一个极具发展潜力的研究方向。在陆面数据同化系统中，可以将陆面模式的基本状态变量转换成星载仪器所获得的特定波长的电磁辐射值，也可以将观测到的电磁辐射值反算成模式的基本状态变量[1]，据此卫星资料直接同化需要引入复杂的观测算子，一般采用辐射传输模型模拟卫星亮温。同化资料中的卫星遥感观测、站点观测、浮标观测、机载雷达观测等[23]，其观测算子的模拟能力将直接影响同化结果。因此，在同化系统中必须选用合适的观测算子来描述辐射传输过程。随着卫星遥感技术不断发展，更容易获得较高时间和空间分辨率的微波遥感观测资料，而如何在数据同化系统中更好地利用这些卫星遥感观测资料[4]已成为研究的焦点。近年来，国内外一些学者利用辐射传输模型模拟微波亮温，并分析模拟结果与卫星观测之间的差异。贾炳浩等人[57]研究比较不同辐射传输模型与卫星实际观测间的差异;P.De Rosnay等人[8]探讨了不同介电常数模型在非洲西部地区对社区微波发射模型（community microwave emission model，CMEM）亮温模拟的影响。基于此，本文主要对中国地区CMEM观测算子微波亮温进行模拟，通过CMEM观测算子，将模式状态变量（土壤温度、土壤湿度、土壤质地、植被覆盖类型等）转换到观测空间（大气层顶亮温），模拟2010年8月14日到2010年8月23日，共10 d的6.9 GHz（C波段）的亮温，并采用AMSRE亮温观测，对模拟结果进行验证和精度评定，分析了模拟与观测存在偏差的可能原因。该研究为CMEM在中国地区的应用提供了参考依据。
1 观测算子和研究数据
1.1 CMEM观测算子
CMEM是2008年欧洲中期天气预报中心（european centre for mediumrange weather forecasts，ECMWF）提出的微波辐射传输模型，主要用于前向算子模拟地表低频（1～20 GHz）微波亮温[911]。CMEM是高度模块化模型，包括大气、土壤、植被和雪对辐射的贡献4个模块，每个模块含多种参数化方案，这也是CMEM具有吸引力的方面之一，一个模型可以适应不同土壤介电常数、表面粗糙度和植被光学厚度的亮温模拟。CMEM采用向量辐射传输方程的简化方案计算地表微波亮温[1213]，其参数化方案和物理机制主要来源于两个辐射传输模型：即生物圈L波段微波辐射（Lband microwave emission of the biosphere，LMEB）和陆面微波发射模型（land surface microwave emission model，LSMEM）。
CMEM模型的特征之一是考虑了次网格变异性，即每个网格分成若干片。每个网格内植被层顶亮温采用次网格加权平均计算，权重为每个次网格的面积所占比例。
当地表有雪覆盖时，考虑雪对辐射的传输作用，CMEM将雪作为单独的介电层，可采用雪发射模型
（helsinki university of technology，HUT）。当地表没有雪覆盖时，CMEM计算的大气层顶亮温主要来自土壤、植被和大气这3个介电层。若忽略大气与植被层交界面之间的反射作用，以及电磁波在植被内和植被层、土壤层之间多次散射作用，卫星接收到的辐射包含5个组成部分：即直接向上的大气辐射，经植被和大气减弱的地表辐射，经植被和大气减弱的向下大气辐射，经大气减弱的植被向上辐射，被地表散射经植被和大气减弱的植被向下辐射。CMEM观测算子示意图如图1所示。
根据CMEM模型，估算大气层顶亮温为
TBtoa，p=TBau，p+e-τatm，p×TBtov，p （1）
式中，TBtoa为大气层顶亮温;下标p为极化方向（水平极化和垂直极化）;TBau为向上的大气辐射;TBtov为植被层顶亮温;τatm为大气层的光学厚度。植被层顶亮温为
TBtov，p=TBsoil，p×e-τveg，p+TBveg，p+TBveg，p×γr，p×e-τveg，p+TBad，p×γr，p×e-2τveg，p （2）
式中，TBsoil为土壤中地表辐射;TBad是大气层中向下的大气辐射;TBveg为植被层中的植被辐射;γr，p为粗糙地表的土壤反射率;τveg为植被的光学厚度。 本文实验采用的CMEM模型版本是2012年5月10日发布的CMEM Version4.1。
1.2 AMSRE亮温数据
AMSRE传感器搭载在地球卫星系统（earth observing system，EOS）的Aqua卫星上，于2002年发射升空，其主要任务之一就是在全球尺度上提供土壤水分观测数据，是一种改进型多频率、双极化的被动微波辐射计。AMSRE辐射计在6.9～89 GHz范围内分布着12个观测频道，入射观测角为55°。在降轨时，AMSRE基本上2 d覆盖1次，有的地方是1 d或者3 d覆盖1次，在纬度55°以上的地区是1 d覆盖1次。
ASMRE数据可用于土壤湿度、表面温度、植被等方面的研究。美国国家冰雪中心（national snow and ice data center，NSIDC）[14]可提供AMSRE辐射计过境的同期测量数据产品，包含观测地点的亮温、地表类型、土壤水分、植被水分及陆地表面温度等观测信息。
1.3 ERAInterim再分析资料
ERAInterim是ECMWF第三代再分析资料，其来自1979年以来的全球再分析资料，并实时更新，与第二代ERA40的数据同化模型相比，ERAInterim采用四维变分分析，同化了包括浮标、卫星高度计等数据在内的大量观测数据，实现了再分析资料质量的提升。其数据可从ECMWF网站上下载[15]。
2 数据处理
本文研究区域是中国地区，CMEM观测算子输入变量和参数有雪水当量、雪密度、地表温度、2 m大气温度、高程、土壤温度和湿度，其中温度和湿度在垂直方向上離散化为3层（自土壤表层向下依次为0～7 cm，7～28 cm，28～100 cm）。在ECMWF网站上，均可下载高、低植被的覆盖比例和植被类型等数据。土壤质地数据（沙土和粘土）在北师大网站[16]下载，只选取土壤表面第一层（0～4.5 cm）作为输入数据。CMEM观测算子允许3种输入数据格式，即NetCDF、ASCII和GRIB。实验中，输入的数据格式全部使用NetCDF。为了和验证数据AMSRE亮温数据进行比较，设置的入射角和AMSRE入射观测角相同，均为55°，频率选取6.9 GHz（C波段），数据时间选取2010年8月14日到2010年8月23日共10 d，每天UTC 12：00时刻的数据，数据空间分辨率为0.25°×0.25°。
CMEM观测算子在L波段全球范围内，将地表均方根高度设置为固定常数2.2 cm。由于在微波频率里，表面是否光滑是相对于波长而言，而在同一表面，对L波段是平滑的，但对C波段是粗糙的。土壤表面由平滑变化至粗糙，粗糙的增大会削弱微波在水平和垂直极化的辐射亮温差异，对微波辐射信号有去极化作用[17]，所以针对C波段数据需要修改地表均方根高度，如果不改变CMEM中地表均方根高度的默认值，则得到的水平极化和垂直极化亮温模拟结果相同。根据亮温模拟与观测相关系数最大化的选取指标，通过实验对比分析发现，当对中国区域地表均方根高度取0.35 cm时，有最好的亮温模拟效果。
P.De Rosnay等人[8]利用非洲季风多学科分析陆面模式比较计划（african land surface models intercomparison project，ALMIP）中的多种陆面模式和CMEM相耦合，讨论了ALMIPCMEM在西非的亮温模拟效果，指出Kirdyashev植被光学厚度模型和Wang & Schmugge介电常数模型[18]的亮温模拟效果最好。因此，本文选取此参数化方案[1823]进行实验。实验参数化方案如表1所示。
AMSRE卫星过境中国的时间基本稳定在北京时间04：00～06：00以及16：00～18：00，为了使卫星观测时间和地表状态观测时间尽量接近，AMSRE亮温选用降轨数据（北京时间18：00～21：00），2010年8月19日，AMSRE卫星C波段（6.9 GHz）降轨过境时间如图2所示。由于受地球形状影响，中国处于中低纬度地区，在每个扫描带之间，一天的数据会存在空隙。为了使研究区域内实现完全覆盖，通过Matlab软件，将AMSRE当天和前后两天的降轨数据编程合成，存在当天观测数据区域，观测值不变。对于观测数据不存在的区域，数据重复地区取平均值，数据不重复地区各自取值。实验中，对亮温数据进行简单的质量控制，去掉不合理点，本研究只考虑亮温值在200～320 K的数据[2425]。
3 模拟与观测比较分析
3.1 模拟与观测分析
利用AMSRE亮温数据（空间分辨率为0.25°，含水平极化和垂直极化）与CMEM模拟的6.9 GHz（C波段）亮温结果进行对比分析。为了获取CMEM亮温模拟与观测的误差空间变异信息，把中国区域分成7个不同的子区域分别进行比较。即华南地区、西南地区、华东地区、华中地区、华北地区、西北地区和东北地区，中国研究区域划分如表2所示。
参照文献[2]及对照AMSRE亮温观测数据，采用平均偏差、均方根误差和相关系数3个统计特征，评定CMEM观测算子亮温模拟精度。
平均偏差（mean bias error，MBE）、均方根误差（root mean square error，RMSE）和相关系数（correlation coefficient，CC）分别为
Emb=1n∑ni=1|Si-Oi|（3）
Erms= 1n∑ni=1（Si-Oi）2（4）
Cc=∑ni=1Si-S-（Oi-O-） ∑ni=1（Si-S-）2 ∑ni=1（Oi-O-）2（5）
式中，Emb是平均偏差;Erms是均方根误差;Cc是相关系数;Si和Oi是n维向量，Si是模拟亮温，Oi是观测亮温;和和分别是它们的时间均值。 将CMEM亮温模拟（6.9 GHz，C波段）结果与AMSRE亮温在中国7个子区域的分析结果进行比较。水平极化下模拟与观测平均偏差（Emb）如图3所示，水平极化下均方根误差（Erms）如图4所示，水平极化下相关系数如图5所示;垂直极化下模拟与Emb如图6所示，垂直极化下Erms如图7所示，垂直极化下相关系数如图8所示。图中，横坐标轴表示2010年8月14日到2010年8月23日这10 d的日期序列。
由图3～图8可以看出，在垂直极化方向，亮温模拟更接近AMSRE观测数据，比水平极化模拟效果好。在中国7个子区域中，华南和华东地区的平均偏差和均方根误差较大，表现出模拟与观测有较大的偏差。对于平均偏差，华南地区水平极化在20 K左右，华东地区水平极化在27 K左右，华南地区和华东地区垂直极化在16 K左右;对于均方根误差，华东地区水平极化甚至超过30 K，垂直极化超过20 K;在相关系数方面，华南地区和华东地区亮温模拟效果相对较差，与华南地区和华东地区毗邻的华中地区，其亮温模拟效果也较差。通过查阅中国植被覆盖资料可知，华南、华中和华东地区有植被覆盖，且比较密集，其实验时间段在8月，此时，茂盛的植被对亮温模拟结果影响较大。相对而言，西北和西南地区的亮温模拟效果较好，在垂直极化方向，亮温模拟与观测的相关系数达0.8左右，这是由于西北和西南区域的下垫面主要是裸土和草地，植被影响较小，因此模拟效果好。
3.2 模拟与观测偏差较大原因
1） 模型和参数化方案不准确。CMEM观测算子本身存在误差，辐射传输描述不够准确，并且模型的参数化方案对于某些地区可能并不适合，如地表均方根高度、植被几何结构系数、土壤容重等参数，应随不同的研究区域进行修改，本文只对土壤粗糙度参数——地表均方根高度进行参数率定，其余参数化方案并未修改，这直接导致亮温模拟结果误差较大。
2） 观测误差。由于卫星传感器存在几何定标和辐射定标等因素，使AMSRE亮温观测数据存在观测误差，CMEM模型输入数据是ERAInterim再分析资料，历史资料经过一系列中间处理，难免存在一定误差积累传播。
3） 时间不匹配。探空数据时间和AMSRE观测时间不匹配，CMEM模型模拟的是北京时间20：00的亮温，而AMSRE在中国地区过境时间是北京时间16：0018：00，两者相差约2～3 h，地表状态和大气状态都发生了变化，尤其是地表温度会有一定变化，这也直接导致亮温模拟结果与观测之间有偏差。
4 结束语
本文探讨了CMEM辐射传输模型在中国地区的适用性。实验结果表明，中国区域内CMEM模拟垂直极化方向的微波亮温比水平极化模拟效果好，表明在直接同化中考虑垂直极化比水平极化更合理。此外，CMEM在中国南方地区亮温模拟效果较差，而在中国西北和西南地区的模拟效果较好，说明CMEM观测算子对裸地或者植被稀疏的地区模拟效果好，对植被覆盖密集的地区，亮温模拟效果较差。该研究为中国区域内在直接同化中耦合CMEM模型的相关研究提供了实验参考依据。下一步将探讨和研究如何提高CMEM观测算子在中国植被茂盛地区的亮温模拟效果。
参考文献：
[1] 薛纪善. 气象卫星资料同化的科学问题与前景[J]. 气象学报， 2009， 67（6）： 903911.
[2] 吴凯， 舒红. 基于CCI资料与EnKF方法的单点土壤湿度同化[J]. 水资源与水工程学报， 2017， 28（1）： 236243.
[3] Dee D P， Uppala S M， Simmors A J， et al. The ERAinterim reanalysis： configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society， 2011， 137（656）： 553597.
[4] 吳凯， 舒红， 聂磊， 等. 基于Triple Collocation方法的土壤湿度误差分析[J]. 国土资源遥感， 2018， 30（3）： 6875.
[5] 贾炳浩， 谢正辉等. 基于微波亮温及集合Kalman滤波的土壤湿度同化方案[J]. 中国科学， 2010， 40（2）： 239251.
[6] 白翎， 师春香， 刘冰， 等. CRTM微波亮温模拟对地表和云参数的敏感性分析[J]. 气象， 2014， 40（11）： 13631371.
[7] 吴莹. 微波地表发射率的卫星遥感反演和模式模拟研究[D]. 南京： 南京信息工程大学， 2012.
[8] De Rosnay P， Drusch M， Wigneron J P， et al. Soil moisture remote sensing for numerical weather prediction： lband and cband emission modeling over land surfaces， the community microwave emission model （CMEM）[C]∥Geoscience and Remote Sensing Symposium. Boston， MA， USA： IEEE， 2008： 563 566.
[9] 成印河， 杨欣坤， 张玉生， 等. 基于ECMWF数据的中国近海低空波导特征研究[J]. 海洋与湖沼， 2021， 52（1）： 8696.
[10] Drusch M， Holmes T， De Rosnay P， et al. Comparing ERA40 based Lband brightness temperatures with skylab observations： a calibration/validation study using the community microwave emission model[J]. J Hydrometeor， 2009， 10（1）： 213226. [11] Holmes T R H， Drusch M， Wigneron J P， et al. A global simulation of microwave emission： error structures based on output from ecmwf′s operational integrated forecast system[J]. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（3）： 846856.
[12] Drusch M， Crewell S. Principles of radiative transfer[M]. Atlanta： American Cancer Sroceedings， 2006.
[13] Kerr Y H， Njoku E G. A semiempirical model for interpreting microwave emission from semiarid land surfaces as seen from space[J]. IEEE Transactions on Geoscience and Remote Sensing， 1990， 28（3）： 384393.
[14] 美國国家冰雪中心（NSIDC）. AMSRE亮温数据[DB/OL]. 美国： 美国国家冰雪中心， （2010）[2015]. http：∥nsidc. org/
[15] ERAInterim数据网站. 地表状态变量数据集[DB/OL]. 欧洲： ECMWF， （2010）[2015]. http：∥apps. ecmwf. int/datasets/data/interimfulldaily/
[16] Wei S G， Dai Y J， Liu B Y， et al. A china dataset of soil properties for land surface modeling[J]. Journal of Advances in Modeling Earth Systems， 2013， 5： 212224.
[17] 高小六， 张慧慧. 粗糙度对被动微波遥感反演土壤水分影响的试验研究[J]. 测绘通报， 2014（8）： 5961.
[18] Wang J R， Schmugge T J. An empirical model for the complex dielectric permittivity of soils as a function of water content[J]. IEEE Transactions on Geoscience and Remote Sensing， 1980， 18（4）： 288295.
[19] Mo T， Choudhury B J， Schmugge T J， et al. A model for microwave emission from vegetationcovered fields[J]. Journal of Geophysical Research， 1982， 87（C13）： 1122911237.
[20] Choudhury B J， Schmugge T J， Chang A， et al. Effect of surface roughness on the microwave emission from soils[J]. Journal of Geophysical Research Oceans， 1979， 84（C9）： 56995706.
[21] Kirdiashev K P， Chukhantsev A A， Shutko A M. Microwave radiation of the Earth’s surface in the presence of vegetation cover[J]. Radio Eng Elect， 1979， 24： 256264.
[22] Pellarin T， Wigneron J P， Calvet J C， et al. Twoyear global simulation of Lband brightness temperature over land[J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（9）： 21352139.
[23] Pulliainen J T， Grandell J， Hallikainen M T. HUT snow emission model and its applicability to snow water equivalent retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing， 1999， 37（3）： 13781390.
[24] De Lannoy， Gabrille J M， Reichle R H. Assimilation of SMOS brightness temperatures or soil moisture retrievals into a land surface model[J]. Hydrology and Earth System Sciences， 2016， 20（12）： 48954911.
[25] Wu K， Nie L， Shu H . A comparison of SMAP and SMOS Lband brightness temperature observations over the global landmass[J]. International Journal of Remote Sensing， 2019， 41（2）： 121. Microwave Brightness Temperature Simulated by CMEM Observation Operator in China
ZHU Lin， BAI Yun
（College of Computer Science & Technology， Qingdao University， Qingdao 266071， China）
Abstract： The assimilation module is a core part in the numerical meteorological forecasting and analysis system of the land surface simulation. In this paper， we use surface state variable from ERAInterim reanalysis data and CMEM （Community Microwave Emission Model） observation operator to simulate horizontal and vertical polarizations of brightness temperature at top of the atmosphere. Then the simulation result and accuracy are verified and analyzed by the AMSRE （Advanced Microwave Scanning Radiometer for EOS Aqua） observations. The result shows that vertically polarized simulation is closer to AMSRE observation and better than horizontally polarized simulation. CMEM has a superior simulation performance in northwestern and southwestern regions of China as the correlation coefficients between the simulation and AMSRE observations are larger than 0.8. By contrast， CMEM has a poor performance in southern areas of China. These results illustrate that CMEM observation operator has better simulation effect in bare or sparse vegetation area than in dense vegetation area. Our results reveal that special attention should be paid to the vegetated areas in China when assimilating or simulating brightness temperature at the top of the atmosphere. Moreover， we recommend to use vertically polarized brightness temperature in direct assimilation system with the aim to improve the accuracy of soil moisture in the topmost of soil layer. This study provides a theoretical basis for the application of CMEM in China.
Key words： CMEM observation operator; AMSRE; ERAInterim reanalysis data; Brightness temperature simulation