利用地基红外高光谱发射率数据进行云参数反演(1): 云相态判别

刘 磊、孙学金、高太长

解放军理工大学气象海洋学院、江苏 南京 211101

利用地基红外高光谱发射率数据进行云参数反演(1): 云相态判别

刘 磊*、孙学金、高太长

解放军理工大学气象海洋学院、江苏 南京 211101

云相态是气候模式中的重要参数、也是遥感反演过程中进行云滴有效半径、云水含量等微物理参数反演的重要前提。在研究了云层有效发射率光谱对云相态敏感性的基础上、提出了基于云层有效发射率光谱的云相态表达特征、包括800～900 cm-1区域的有效发射率斜率、900～1 000 cm-1区域的有效发射率斜率、上述两个区域的有效发射率斜率之差、862.1与989.8 cm-1的有效发射率之比、862.1与989.8 cm-1的有效发射率之差、1 900.1与2 029.3 cm-1的有效发射率之比、远红外窗区有效发射率平均值与900 cm-1有效发射率之比等7个特征。建立了利用支持向量机进行云相态判别的方法、开展了模拟数据验证试验、并利用遗传算法优化了支持向量机的径向基核函数参数和惩罚因子。将该方法用于处理ARM计划中SGP站点的AERI仪器获得的数据、得到的云相态判别结果与Shupe提出的多仪器综合判别结果进行了比较。结果表明、利用红外波段不同窗区的有效发射率光谱特征可以实现发射率低于0.95的云层的相态判别、建立的基于支持向量机的云相态判别方法与Shupe方法的总体判别结果较为一致、但有约30%的云层由于发射率较大而标记为不透明云。基于红外高光谱发射率数据的云相态判别技术充分考虑了光谱斜率、比值和差值等信息、是较为稳定有效的薄云相态判别方法。

云相态； 红外高光谱辐射； 云发射率； 支持向量机

引 言

云相态主要分水相、冰相和混合相、不同相态的云具有不同的散射和吸收特性。云相态是气候模式的重要参数、对辐射通量计算有很大影响。此外、云相态又是进行云滴有效半径、云水含量等微物理参数反演的重要前提、相态判别错误直接引起单次散射特性计算错误、而这种错误会导致20%～100%的云滴有效半径和光学厚度的误差[1-2]。

目前已有很多有关云相态方面的研究。ISCCP[3]利用云体温度进行水云和冰云的判别、但实际上云相态并不完全由温度所决定。一些学者通过利用短波红外辐射、可见光辐射观测来推断云相态[2,4]。该方法只能用于白天、且对太阳天顶角和仪器观测角度比较敏感。当水云粒子尺寸太大或者冰云粒子尺寸太小时、云相态的识别会变得不确定。此外、由于云内不同相态的水成物粒子的形状、大小、密度和空间取向的不同、对一定偏振状态的电磁波有着不同的退偏振效应、可以通过分析这些观测量的差异反演出的云相态[5]。如利用偏振激光雷达获得的线性退偏比、通过经验阈值进行云相态判断。也有学者[6]研究采用微波雷达的退偏振因子进行降水云的相态识别、但这对雷达系统的灵敏度有很高的要求。Shupe[1]提出采用联合激光雷达退偏振比和毫米波雷达的反射率、多普勒速度、谱宽以及云体温度进行云相态判别、是目前较为实用的地基云相态判别方法。

利用红外波段进行云相态识别有较长时间的研究历史。基本思路是根据云内水相粒子与冰相粒子对在某些红外波段的吸收率(复折射指数的虚部)特征的差异(这种差异表现在发射率上)来判定云的相态。在8～10 μm、水和冰的吸收系数几乎相同、而在10～13 μm、冰的吸收要大于水、这会造成云体亮温、发射率等有所不相同。Ackerman等[7]首次提出了基于8、11和12 μm的三光谱云相态识别方法。在此基础上、Strabala等[8]进一步建立了8.5、11和12 μm的云相态识别算法。两者均采用了亮温差分析方法。Dan Lubin[9]和Turner等[10]针对高光谱红外辐射数据分别提出利用亮温斜率和云发射率比的方法进行云相态识别、均取得了较好的效果。这些方法对水汽吸收比较敏感、湿度廓线的测量误差容易造成相态识别的误差。需要说明的是、利用这些方法识别的云相态、确切地说应该是“辐射意义上的云相态”[11]、与实际云的热力学相态是有差异的。

本文利用地基红外高光谱辐射仪AERI[12-13]的观测数据进行云相态判别。该仪器可以测量530～3 050 cm-1(19.0～3.3 μm)波段的大气向下高光谱红外辐射、光谱分辨率为1 cm-1。由于大气向下红外高光谱辐射数据不仅与云层物理属性有关、还受到气象条件的影响、本文在只与云层物理属性有关的有效发射率基础上开展工作、进行了云相态敏感性试验并建立了基于发射率光谱的云相态特征表述方法、提出了利用支持向量机进行云相态判别的方法、最后将该方法与Shupe发展的基于地基多传感器的云相态判别结果进行了比较分析。

1 物理基础

1.1 用于云相态判别的窗口

采用高光谱红外辐射数据进行云参数反演的重要优势在于可以在吸收线之间的多个小窗区进行计算、从而能够显著减少云下大气对辐射的影响[14]。用于模拟辐射传输的软件为Turner发展的LBLDIS[15]、该软件采用LBLRTM结合DISORT的方式、可以模拟云、气溶胶的红外高光谱辐射特性。结合前人所做工作[16]、确定了用于研究云相态判别的窗口、如表1所示。

在红外波段、水云和冰云的折射率虚部mi随波长有一定的变化、具体如图1(a)所示。进一步按照式(1)计算了吸收系数κ[17]、如图1(b)所示。

(1)

表1 用于云相态判别研究的窗口

图1中同时绘制出了表1中小窗口的位置(用虚线表示)。可见、在远红外波段(如图示的小于600 cm-1的三个窗口)、水的吸收大于冰的吸收； 而在热红外波段直到1 000 cm-1左右、冰的吸收大于水的吸收、在1 100 cm-1附近冰与水的吸收几乎相同； 对于中红外波段(如图1所示的1 900～2 200 cm-1的区域)、冰的吸收也总体大于水的吸收、并有个别窗口两者吸收系数接近。传统的三波段判断云相态的方法主要选择的是热红外波段。从上述分析来看、理论上远红外波段和中红外波段的窗口也蕴含了云相态的信息。Rathke[18]提出了加入20 μm(500 cm-1)波段信息进行云相态判别的方案、这充分利用了水和冰的吸收系数出现交叉的优势。但在远红外波段、PWV超过30 mm后将由于达到饱和而无法使用[10]。

图1 水云和冰云的折射率虚部(a)及对应的吸收系数(b)

1.2 冰云、水云的发射率光谱特征分析

根据上述分析、进一步模拟了不同光学厚度和云滴有效半径条件下、水云和冰云的有效发射率分布情况。在忽略云上大气的辐射以及云底反射的地面和云下大气发射辐射的前提下、云层有效发射率εeff可以通过式(2)获得[19]

(2)

冰云的云滴形状取六角柱状、有效半径一般在20～100 μm、典型冰云粒子特征尺度在30 μm左右、图2—图4中绘出了20、30和50 μm的情况。水云的云滴有效半径一般取3～15 μm、典型水云粒子特征尺度在7 μm左右、图2—图4中绘出了3、7和10 μm的情况。两种相态云层的光学厚度均取0.2、0.5、1.0、3.0和8.0。

图2 热红外波段的水云和冰云有效发射率特征

由图2可见、在热红外波段、冰云的有效发射率随波长的变化不大、而水云则有较大的变化。在800～1 000 cm-1区域、水云的有效发射率斜率比冰云的要大很多、而且800～900 cm-1区域的有效发射率斜率比900～1 000 cm-1区域的更陡峭。可以利用这两个区域有效发射率斜率的差异进行冰云和水云的区分。在1 100 cm-1左右的区域、水云和冰云的有效发射率几乎都不随波长发生变化。不同光学厚度的冰云和水云、其有效发射率也有一定差异、光学厚度在0.5～3.0之间时、冰云和水云之间的差异较大； 较小的光学厚度(如图2所示的0.2)和较大的光学厚度(如图2所示的8.0)时、冰云和水云之间的差异不大、但仍有一定的区分度、尤其在较小光学厚度时。

图3 远红外波段的水云和冰云有效发射率特征

由图3可见、在远红外波段的三个窗口、由于水云在此区域有较强的吸收作用、其有效发射率较冰云的大。结合800 cm-1左右热红外窗区冰云和水云的有效发射率可知、可以利用550 cm-1附近和800 cm-1附近窗口的有效发射率之比进行冰云和水云的区分。

由图4可见、在中红外波段、冰云和水云的有效发射率随波长的变化整体上不如热红外波段显著。比较1 900 cm-1附近和2 050 cm-1附近几个窗口的有效发射率、可以看出、利用这两个区域云的有效发射率之比可以进行冰云和水云的区分。2 100 cm-1以上的四个窗口的有效发射率随波长变化不大。

图4 中红外波段的水云和冰云有效发射率特征

分析冰云和水云在远红外、热红外和中红外波段有关窗口的有效发射率情况可知、可以利用适当的有效发射率斜率或者不同窗口的比值等组合进行云相态判别。

2 基于有效发射率光谱的云相态特征参数

据上述的敏感性试验、进一步建立了7个用于表达云相态的特征。这些特征大多数采用有效发射率斜率或者有效发射率之比进行表达、这样可以最大程度地减小由于其他气象条件测量不精确引起的特征表达误差。具体名称及物理意义如下：

(1)800～900 cm-1区域的有效发射率斜率：主要利用862.1、873.6、892.9和900.0 cm-1四个波段的数据进行拟合、简称Slope1。若斜率为负、则云粒子较小、可判为水云；若斜率接近0、则认为粒子较大、可判为冰云、如图5(a)所示。

图5 基于有效发射率光谱的云相态特征参数

(2)900～1 000 cm-1区域的有效发射率斜率：主要利用934.9、961.9、989.8和1 080.0 cm-1四个波段的数据进行拟合、简称Slope2。物理意义同(1)、如图5(b)所示。

(3)上述两个区域有效发射率斜率之差：简称Slope_Diff、Slope_Diff= Slope2-Slope1。冰和水在800～900 cm-1区域和900～1 000 cm-1区域的吸收系数变化不同、水云的Slope1更陡峭、会出现差异。Slope_Diff接近0、可判为冰云； Slope_Diff为正、可判为水云、如图5(c)所示。

(4)862.1与989.8 cm-1的有效发射率之比：简称Ratio1。在热红外区域、这两个波段的冰和水吸收系数差异很大。862.1 cm-1波段的冰的吸收系数显著高于水的吸收系数、而在989.8 cm-1波段、两者吸收系数几乎相同。这两个波段的有效发射率之比若在1附近、则可判为冰云、否则可以判为水云。如图5(d)所示。

(5)862.1与989.8 cm-1的有效发射率之差：简称Diff_E。物理意义同(4)。若两波段有效发射率之差接近0、则判为冰云、否则可以判为水云。

(6)1 900.1与2 029.3 cm-1的有效发射率之比：简称Ratio2。选择这两个波段的物理意义与(4)基本相同。若比值在1附近、可判为冰云、否则可判为水云。如图5(e)所示。

(7)远红外窗区有效发射率平均值与900 cm-1有效发射率之比：简称Ratio3。远红外窗区有效发射率平均值主要指利用530.4、561.2和572.3 cm-1三个波段的平均值。该区域是为数不多的水比冰的吸收系数高的区域。若比值在1附近、则可判为冰云、否则可以判为水云。具体如图5(f)。

此外、由图5可见、在高发射率区域、尤其是有效发射率大于0.95以后、冰云和水云几乎难以区分。有研究表明、在900 cm-1处水云和冰云的有效发射率几乎一致、这一点也可由图2看出。因此、本研究将900 cm-1处发射率大于0.95的云视为不透明云、并不参与云相态的识别。

3 基于支持向量机的云相态判别方法

3.1 训练样本集的建立

利用LBLDIS模拟建立了冰云、水云和混合相云的训练样本集。其中混合相云采用Sun等[20]的散射特性计算方案、冰云占比可定义为f=τi/(τw+τi)。模拟计算时、光学厚度均取0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、1.0、1.5、2.0、2.5、3.0、4.0、6.0和8.0。水云(取f=0)的云滴有效半径取2、3、5、7、10和15 μm、冰云(取f=1)的云滴有效半径取10、20、30、50、70和100 μm、混合云(取f=0.5)的云滴有效半径组合取(reff,w=3 μm、reff,i=20 μm)、(reff,w=3 μm、reff,i=30 μm)、(reff,w=5 μm、reff,i=30 μm)、(reff,w=7 μm、reff,i=20 μm)、(reff,w=7 μm、reff,i=30 μm)、(reff,w=10 μm、reff,i=40 μm)、分别得到三种相态各96组训练样本。

需要注意的是、f可以按其他比例获得混合相云特征、而且云滴有效半径的混合方案也可以取更多种。但从训练数量均衡的角度出发、三种云相态初始训练样本集的数目设为相同、其他数据作为测试数据。

3.2 模拟验证结果

模拟验证时、采用的支持向量机核函数为径向基核函数。利用遗传算法对径向基核函数中的σ和惩罚因子C这两个参数进行了优选、最终确定的参数为：C取84.448 5、σ取3.031 4。利用3.1中方法模拟f为0.1～0.9(以0.1为步长)共9组混合相云的特征。模拟数据的验证结果如表2所示。

表2 混合相云的模拟分类结果

可见、在f<0.3(水云占比超过70%)或者f>0.7(冰云占比超过70%)时、混合云的判别更偏向于占比较多的云类。这些情况下准确判断为混合相云的比例将低于60%。当然、可以将所有不同冰云水云比例的模拟数据集加入训练集进行SVM训练、从而获得更高的模拟验证分类准确性。但这一方面会使得训练样本数失衡(混合相云的组合数量远远多于纯水或纯冰相)； 另一方面考虑到这些某一相态占比较大的混合云的特征与该纯相态的特征非常接近、加入这些训练样本的结果会得到很大的惩罚因子、以期加大对错分样本的惩罚程度、从而使得SVM的泛化推广性能大大降低。综合考虑这些因素、加之各种比例的混合云模拟验证效果较为合理、可以认为第三节中提出的特征以及采用优化参数后的SVM进行云相态判别是可行的。

4 实际判别结果及分析

将以上提出的云相态判别算法得到的结果与Shupe提出的云相态地基综合识别算法[1]的结果进行比较。Shupe云相态判别使用的数据包括激光雷达的退偏振比和后向散射强度、毫米波雷达的反射率、多普勒速度和谱宽以及温度廓线等。其基本判别过程包括[1]：利用激光雷达数据进行云相态初判、利用毫米波测云雷达数据进行云相态修正、标记降水数据、标记激光雷达未能观测到的数据、利用温度廓线进行再分类、利用液态水路径修正分类结果、均质化处理等。上述过程涉及到的阈值大多是经验结果。

采用的分析数据来自美国能源部大气辐射测量计划(ARM计划)的SGP站点2010年3月份数据。首先、基于激光雷达的云底高数据将AERI观测时次有云的数据选出、共3 374组； 然后、分别利用Shupe方法和本方法进行云相态判别。由于Shupe方法获得的是云相态廓线、为了进行比较需要进一步进行统计处理。主要方法是：若云相态廓线存在冰云、水云及混合相云这三种相态的两个及以上的相态且各相态的云点占该廓线总云点数均大于30%、则该时次的云层判为混合相云； 若存在雨、雪和毛毛雨、则判为有降水； 除此之外、将占比最大的相态作为该时次的云相态、若上述凝结物的类别均不存在、则判该时次为无云。最终Shupe方法统计后的云层可以为：水云、冰云、混合云、无云和降水等5类、本方法可能将云层判别为：水云、冰云、混合云和不透明云等4类。

总体情况如表3所示。可见两种方法对冰云和混合云的月总体判别结果较为一致、本方法得到的水云数量与Shupe方法差异较大。分析发现、出现差异的这些水云大多属于发射率较大的云层、本方法将发射率超过0.95的云层判为不透明云、共1 115组、约占30%。这其中包含了183组降水情况。

表3 2010年3月份SGP站点云相态分类结果比较表

图6 SGP站点2010年3月2日的激光雷达和毫米波云雷达数据

选择以SGP站点2010年3月2日的观测个例做进一步分析。图6是激光雷达和毫米波雷达观测数据。其中(a)为激光雷达的后向散射强度、(b)为激光雷达的线性退偏振比、(c)为毫米波雷达的反射率、(d)为毫米波雷达的多普勒速度、(e)为毫米波雷达的谱宽。

利用Shupe方法得到的云相态廓线如图7(a)所示。00 h—03 h天空存在两层云、其中上层为冰云、下层为水云； 03 h—08 h天空存在一层冰云； 11 h—22 h天空存在一层水云、其中11 h—15 h激光雷达观测到云层而毫米波雷达没能观测到。已有研究表明[21]毫米波雷达对于光学厚度小于2 的薄卷云的漏测率超过了30%、且难以探测到光学厚度小于0.2 的薄卷云。

利用AERI观测的数据、基于本研究的支持向量机云相态判别方法获得的结果如图7(b)所示。该方法获得的结果表达了整层云在辐射意义下的云相态、为了与Shupe方法获得的云相态廓线进行比较、将判别结果绘制在该云层所在云底高度上。其中云底高度采用的是激光雷达反演的结果。可见、两种方法得到的云相态结果有很好的一致性。天空出现两层云时、AERI的红外辐射光谱只反映了下层水云特征。由于毫米波雷达、激光雷达与AERI仪器有一定的距离、且AERI观测一次需要3 min、若天空云层不均匀且下层水云的缝隙足以露出上层冰云时、可能会出现以下情况：(1)AERI的原始观测辐射光谱包含了水云和冰云的信息、此时Shupe的结果可能是上层冰云、下层水云、而利用AERI数据判别的结果为混合相云、如03 h数据； (2)激光雷达提供的云底高度是低层云的云底高度、由于AERI和激光雷达有一定的距离、AERI数据可能测量的是上层冰云的辐射光谱、如01、04和06 h数据。这一情况也说明本研究采用发射率差值、斜率等特征进行云相态区分时、对云底高度的准确性要求不高、判别结果更多依赖于发射率光谱的相对大小。分析图7还发现、在01 h—02 h、18 h—20 h左右、存在AERI原始辐射光谱饱和导致无法判别云相态的数据、该段云层的发射率大多数大于0.95、标记为不透明云。

图7 SGP站点2010年3月2日的云相态判别结果

进一步、给出了部分时次的TSI全天空云图、如图8所示。由于TSI只能获得白天的观测数据、所以选择了14:00、15:00、17:30和20:00的TSI图像。可以发现、14 h之后天空以层积云为主。18 h—22 h的云层较厚、部分观测时次AERI的辐射光谱饱和、故难以进行云相态判别。

图8 SGP站点2010年3月2日部分时次的TSI图像

分析表3还发现、Shupe方法将492组判为无云。这些数据大多数是激光雷达探测到有云而毫米波云雷达没有探测到云层、且该云层的线性退偏比和后向散射强度均较小。以2010年3月22日12 h—18 h的数据为例(如图9—图11所示)、查看TSI图像可见、这段时间应存在较高且很薄的卷云。这一误判的原因是Shupe方法中将线性退偏比小于0.25的云层判为了气溶胶层。

图9 SGP站点2010年3月22日的激光雷达和毫米波云雷达数据

图10 SGP站点2010年3月22日的云相态判别结果

图11 SGP站点2010年3月22日部分时次的TSI图像

5 结 论

研究了云层有效发射率光谱对云相态的敏感性、提出了基于云层有效发射率光谱的云相态表达特征、建立了利用支持向量机进行云相态判别的方法、并将所提出的方法获得的云相态判别结果与Shupe提出的多仪器综合判别结果进行了比较。研究表明、对于发射率低于0.95的云层、利用红外波段不同窗区的有效发射率斜率或比值可以实现云相态的判别。其中800～900 cm-1区域和900～1 000 cm-1区域的有效发射率斜率以及两个区域有效发射率斜率之差、862.1与989.8 cm-1的有效发射率比值和差值、1 900.1与2 029.3 cm-1的有效发射率之比、远红外窗区有效发射率平均值与900 cm-1有效发射率之比等特征有效地反映了云的相态。建立的基于支持向量机的云相态判别方法与Shupe建立的地基综合云相态廓线判别方法总体判别结果较为一致。约30%的云层发射率较大、本方法标记为不透明云。Shupe方法由于阈值设置的原因、对约10%的线性退偏比和后向散射强度均较小的薄云层误判为晴空。本研究基于红外高光谱发射率数据的云相态判别技术充分考虑了光谱斜率、比值等信息、是较为稳定有效的薄云相态判别方法。

[1] Shupe M D. Geophysical Research Letters,2007,34：L22809.

[2] Key J R,Intrieri J M. J. Appl. Meteor.,2000,39: 1797.

[3] Rossow W B,Schiffer R A. Bull. Amer. Meteor. Soc.,1999,80: 2261.

[4] Daniel J S,Solomon S,Portmann R W,et al. Journal of Geophysical Research,2002,107: 4599.

[5] Sassen K. Bulletin of the American Meteorological Society,1991,72(12): 1848.

[7] Ackerman S A,Smith W L,Revercomb H E,et al. Mon. Wea. Rev.,1990,118: 2377.

[8] Strabala K I,Ackerman S A,Menzel W P. Journal of Applied Meteorology 1994,33: 212.

[9] Lubin D. Journal of Geophysical Research,2004,109: D04204.

[10] Turner D D,Ackerman S A,Baum B A,et al. Journal of Applied Meteorology,2003,42(6): 701.

[11] Garrett T J,Zhao C. Atmospheric Measurement Techniques,2013,6(5): 1227.

[12] Knuteson R O,Revercomb H E,Best F A,et al. J. Atmos. Oceanic Technol.,2004,21: 1763.

[13] Knuteson R O,Revercomb H E,Best F A,et al. J. Atmos. Oceanic Technol.,2004,21: 1777.

[14] Smith W L,Ma X L,Ackerman S A,et al. Journal of Atmospheric Sciences,1993,50: 1708.

[15] Turner D D. Journal of Applied Meteorology,2005,44(4): 427.

[16] DeSlover D H,Smith W L,Piironen P K,et al. J. Atmos. Oceanic Technol.,1999,16: 251.

[17] Bohren C F,Huffman D R. Absorption and Scattering of Light by Small Particles. Germany: Wiley-VCH Verlag GmbH & Co. KGaA 2007.

[18] Rathke C. Geophysical Research Letters,2002,29: 1209.

[19] Linjun P,Daren L. Atmpspheric and Oceanic Science Letters,2012,5(5): 439.

[20] Sun Z,Shine K P. J. Climate,1995、(8): 1874.

[21] Borg L A,Holz R E,Turner D D. Geophysical Research Letters,2011,38(5): L05807.

*Corresponding author

Research on Cloud Phase Detemination Using Infrared Emissivity Spectrum Data (1): Cloud Phase Determination

LIU Lei*,SUN Xue-jin,GAO Tai-chang

College of Meteorology and Oceanography,PLA University of Science and Technology,Nanjing 211101,China

As a key factor in the climate model,cloud phase is an important prerequisite to performing cloud property retrievals from remote sensor measurements. The ability to infer cloud phase using cloud emissivity spectra is investigated by numerical simulations. It is shown that for emissivity below 0.95,several spectral features such as the slopes,the ratios and the differences of the emissivity are consistent with the variation of cloud phase in some spectral regions. Specifically,these features include the slope of the cloud emissivity between 800 and 900 cm-1,the slope of the cloud emissivity between 900 and 1 000 cm-1,the difference in the mean emissivity between above-mentioned two regions,the ratio of the emissivity at 862.1 cm-1to the emissivity at 989.8 cm-1,the difference in the emissivity between 862.1 and 989.8 cm-1,the ratio of the emissivity at 1 900.1 cm-1to the emissivity at 2 029.3 cm-1,the ratio of the mean emissivity for far-infrared region to the emissivity at 900 cm-1. A cloud phase classifier is proposed based on support vector machines (SVM). A series of simulations including various cloud patterns are performed. The RBF kernel function parameters and the penalty factor of SVM are selected by using the genetic algorithm. The phase determination algorithm is applied for collecting data from the AERI at the SGP site. The results from the ground-based multisensor cloud phase classifier proposed by Shupe are used to validate the phase determination algorithm. It is found the two results are consistent in general. 30% clouds are indicated as opaque due to its high emissivity. The cloud with small lidar’s depolarization is misclassified as clear sky by the Shupe method. It can be concluded that the proposed algorithm considering the spectral information (spectral slopes,ratios and differences) is efficient for cloud phase determination of thin cloud.

Cloud phase; Hyperspectral infrared radiance; Cloud emissivity; Support vector machine

Dec. 23,2015; accepted Apr. 15,2016)

2015-12-23、

2016-04-15

国家自然科学基金项目(41205125、41575024)资助

刘 磊、1983年生、解放军理工大学气象海洋学院讲师 e-mail: liuleidll@gmail.com *通讯联系人

P414.9

A

10.3964/j.issn.1000-0593(2016)12-3885-10