Processing math: 100%
 Register Login 切换中文
Chinese Satellites | Views : 769 Downloads: 663 CSCD: 3 More

  • Export

  • Share

  • Collection

  • Album

    • Atmospheric water vapor profiles retrieval algorithm for Occultation Satellite-based Infrared Payloads

    • MIAO Jing

      12 ,

      LI Xiaoying

      1 ,

      WANG Hongmei

      12 ,

      WANG Yapeng

      12 ,

      ZHU Songyan

      12 ,

      WANG Zhihao

      12
    • Vol. 25, Issue 6, Pages: 1201-1215(2021)   

      Published： 07 June 2021 ，

    • DOI： 10.11834/jrs.20218343     

    Scan for full text

  • Quote

    PDF

  • Miao J，Li X Y，Wang H M，Wang Y P，Zhu S Y and Wang Z H. 2021. Atmospheric water vapor profiles retrieval algorithm for occultation satellite-based infrared payloads. National Remote Sensing Bulletin， 25（6）：1201-1215 DOI： 10.11834/jrs.20218343.
  •  
  •  
    Sections

    Abstract

    The spatiotemporal distribution of water vapor has impact on precipitation state prediction, climatic disasters, and global ecological equilibrium. And the satellite-based occultation observations greatly improve the understanding of atmospheric vertical composition. This study proposed a modified water vapor retrieval algorithm.

    transl

    There has been information redundancy when retrieving with hyper-spectral remote sensing data of infrared occultation. The interference components will also greatly decline retrieval accuracy. Considering these problems, the Reference Forward Model (RFM) and the channels’ Jacobian were applied when choosing appropriate retrieval channels. 159 retrieval channels which include 13 micro-windows were extracted by using channel selection and sensitivity analysis. This will lessen calculative burden and improve retrieval efficiency. The hierarchical smoothing parameter, which makes the algorithm suitable for the layered detection characteristic of infrared occultation payload, was employed to modify the Rodgers’s Levenberg—Marquardt (LM) optimal estimation algorithm. Thus, smoothing coefficients at different altitudes were used when retrieving water vapor profiles based on infrared occultation data. To validate the reliability of the modified algorithm, the original and modified algorithms were used for the water vapor profiles retrieval based on the ACE-FTS observation data. The retrieval experiment based on GF5-AIUS simulation data was performed for the further validation of the modified algorithm applicability to the domestic occultation satellite payload. By comparing the overall differences and the relative differences at different altitudes of original and modified algorithms under the same number of iteration, the conclusion can be obtained.

    transl

    The result showed that the modified algorithm reduced the overall relative differences of retrieval from ±10% to ±6% for the ACE-FTS observation data. For the GF5-AIUS simulation data, it was from ±9% to ±5%. In addition, the relative differences was also significantly reduced in some atmospheric layers. The decrease of relative differences in different altitudes were more than 25.17% for the ACE-FTS observation data and more than 48.26% for the GF5-AIUS simulation data. The overall decrease of relative difference for the three-scene (Orbit numbers 40993, 43544, 38154) data were 34.7362%, 25.1706%, and 52.1346% for the ACE-FTS observation data. For the GF5-AIUS simulation data, they were 61.3239%, 48.2558%, and 51.9857%, respectively.

    transl

    In conclusion, the modified algorithm works efficiently and reliably in retrieving atmospheric water vapor profiles based on infrared occultation. Therefore, the modified algorithm provides a reference for the water vapor profile retrieval study when using infrared occultation data and is conducive to the further research in atmospheric water vapor retrieval of domestic occultation payload. It provides reliable fundamental data for water vapor for climate change prediction, global ecological balance, and other relevant fields.

    transl

    Keywords

    water vapor profiles retrieval; OEM; ACE-FTS; GF-5 AIUS; RFM

    transl

    1　引言

    大气水汽在气候研究中起重要作用，是驱动大气环流的重要反馈变量（

    Collier，1998；Trenberth等，2005）。同时，水汽是一种温室气体，它通过自身的热反馈增强其他温室气体的温室效应，影响全球变暖（Kiehl和Trenberth，1997；Trenberth等，2009）。因此，分析研究水汽含量的时空变化对于气候变化预测、天气灾害防治以及维持全球生态平衡至关重要（Dalu，1986； Bates和 Nicolet，1950）。目前，天底、临边、掩星探测是用于探测大气成分的主要遥感探测方式（Beer等，2001；Fedorova等，2009；Nedoluha等，1998）。天底探测具有较高的时间分辨率，但是在海洋区域具有较低的信噪比。相比之下，由于探测几何不同，临边和掩星探测具有较高的垂直分辨率。就掩星探测而言，垂直探测辐射信号主要受大气参数的影响，而经辐射校正后几乎可消除背景辐射的影响，所以通过掩星探测获得的大气成分浓度及其垂直分布的重要信息，大大提高了对大气成分可探测性，对大气水汽的遥感监测具有重要意义（Russell III等，1993；Harries等，1996）。
    transl

    国际上关于红外掩星的研究已有很长的历史。地基的球载以及机载探测方式是可靠的大气水汽数据来源，可获得高质量的水汽数据（

    Louisnard等，1983；Rinsland等，1984）。而星载探测仪可有效测量高时空分辨率的大范围水汽分布与浓度。搭载于SL-3 （Spacelab 3）的ATMOS （Atmospheric Trace Molecule Spectroscopy）（López-Valverde等，1998）首次同时观测到中高层大气的水汽以及CH4、N2O、CO和O3等4种痕量气体的廓线。已有研究证实，ATMOS的探测结果与基于地面、气球和星载的探测器测量结果基本一致（Gunson等，1990）。因此，它被广泛用于探测掩星水汽及部分痕量气体的垂直廓线（Irion等，2002；Gunson等，1996）。与ATMOS类似，HALOE （Halogen Occultation Experiment） 也是一种红外掩星传感器，它测量了1991年—2000年从对流层顶到中间层的全球水汽分布，其垂直分辨率已达到2 km（Randel等，2001）。Harries等（1996）、Rosenlof等（1997）和Rabdel等（2001）都进行了HALOE的相关实验研究，证明了HALOE水汽数据的整体高质量（Russell III等，1993）。ACE-FTS （Atmospheric Chemistry Experiment - Fourier Transform Spectrometer）（Koo等，2017；Sheese等，2017） 基于ATMOS探测器（ Gunson等，1996），以0.02 cm-1分辨率探测750—4400 cm-1水汽与数十种痕量气体的垂直分布（Bernath等，2005）。Nassar等从仪器、探测技术和反演方面对ATMOS和ACE-FTS进行了比较，为分析研究大气水汽的垂直分布提供了依据（Ray等，2005）。随着掩星探测技术的不断发展，在反演方法方面也有了很大的进步。红外掩星算法从剥洋葱算法（Onion-Peeling Algorithm）（Rinsland等，2009）演变为最优估计方法（OEM）（Rodgers，1976，2000）。ATMOS 和 HALOE早期就是用剥洋葱算法反演大气成分（Norton和Rinsland，1991）。该算法是一维方法，在反演过程中，将大气分层，并假设每层大气密度恒定不变的，同时110 km以上的大气层发射率忽略不计，所以每层观测的辐射变化仅与相邻上层相关（Harri等，2002）。 ATMOS后期、HALOE以及 ACE-FTS 均使用OEM 方法反演大气成分垂直廓线（Carlotti，1988；Irion等，2002；Suzuki等，1995）。该算法首先由Rodger（1976，2000）提出， 并且被广泛应用于临边掩星的反演过程中（Boone等，2005；Bowman等，2006；Livesey等，2006；Raspollini等，2006；Takahashi等，2010；Urban等，2004），经验证该算法具有普适性和可定量估计偏差的特点（Eriksson，2000；Rodgers，2000；Steck，2002；Zou等，2016），但是在以往的研究中未考虑掩星探测仪分层探测的特性，因此本文用分层平滑因子对Rodgers（1976）提出的LM （Levenberg-Marquardt）最优估计算法进行修正并对大气水汽廓线进行反演。
    transl

    首先，基于Jacobian信息熵迭代的方法，使用RFM正向模型（Reference Forward Model）（Dudhia，2017）并结合通道敏感性分析选择水汽廓线反演的最优通道微窗组合。其次，为了验证修正算法的可靠性，采用修正的算法进行基于ACE-FTS的水汽廓线反演实验。为了进一步证明修正后算法的适用性，本文利用该算法对基于国内掩星载荷GF-5 AIUS的模拟光谱数据进行水汽廓线反演实验。最后，将两种反演实验中修正前后算法在同等迭代次数下得到的反演结果与ACE-FTS官方产品进行对比，从而评估修正算法的性能。

    transl

    2　实验数据与研究方法

    2.1　实验数据

    搭载在加拿大SCISAT-1卫星的ACE-FTS （Atmospheric Chemistry Experiment - Fourier Transform Spectrometer）掩星探测仪于2003-08发射升空。它主要用于探测中高对流层、平流层以及中间层（通常为8—100 km）的温压以及数十种大气成分的垂直廓线（

    Bernath等，2005）。它是使用太阳掩星观测对流层和平流层大气成分的典型代表（Jones等，2011；Waymark等，2012）。类似于ACE-FTS的特性，中国第一个在红外波段具有甚高分辨率的太阳掩星观测仪器GF-5AIUS同样是红外傅里叶变换光谱仪，采用太阳掩星的探测方式。GF-5于2018-05-09由中国发射升空，其上搭载的红外甚高分辨率探测仪AIUS用于探测南极地区10—90 km高度范围内大气成分的垂直分布和水平分布，为大气环境监测和气候变化研究提供科学数据。GF-5 AIUS有两个探测通道，MCT与InSb，MCT的波段范围为750—1850 cm-1，InSb的波段范围为1850—4160 cm-1。MCT与InSb两个波段的光谱分辨率都约为0.02 cm-1，而ACE-FTS的光谱分辨率也是0.02 cm-1，具体的主要参数表1（Li等，2018）。进行大气遥感的光谱探测时，需要合适的光谱分辨率和光谱覆盖范围以及探测光谱信噪比等，才能满足后续大气水汽廓线反演的应用需求。而ACE-FTS是傅里叶变换红外光谱仪，具有高通量、多通道、高光谱分辨率和宽光谱范围等优点，有效地能够满足大气成分探测的需求，并且已经在大气成分探测领域有了广泛的应用（Qi等，2013）。同理，对于具有相似仪器参数的GF-5 AIUS，750—4100 cm-1的光谱范围可以有效探测到大气水汽。同时，由于光谱分辨率直接影响系统的探测能力和反演数据的垂直分辨能力，在具有大气成分廓线反演需求的应用中，0.02 cm-1的光谱分辨率是比较适宜的，此时系统的噪声水平仍较小，探测数据具有较高的探测光谱信噪比（Soucy等，2002）。值得一提的是，由于GF-5 AIUS处于在轨测试阶段并且数据采集周期较长，因此本文利用RFM进行基于模拟GF-5 AIUS数据的水汽反演研究。
    transl

    表1  GF-5 AIUS 与 ACE-FTS的主要参数对比
    Table 1  Comparison of GF-5 AIUS and ACE-FTS
    参数名称GF-5 AIUSACE-FTS
    轨道类型 太阳同步 太阳同步
    观测模式 掩星观测 掩星观测
    光谱范围 750—4100 cm-1 750—4400 cm-1
    光谱分辨率 0.02 cm-1 0.02 cm-1
    视场角 1.25 mrad 1.25 mrad
    轨道高度 705 km 650 km
    轨道倾角 98.218° 74°
    信噪比 100—600 >300
    icon Download:  Export CSV icon Download:  Download Table Images

    2.2　研究方法

    本文的技术流程图如图1所示。首先，利用RFM正向模型并结合通道选择和敏感性分析选择合适的微窗口通道组合。其次，采用修正后算法和原始算法对ACE-FTS观测数据和GF-5AIUS模拟数据进行水汽廓线反演实验。最后，比较算法修正前后的总体相对偏差和不同高度层相对偏差，以验证修改后算法的适用性。

    transl

    fig

    图1  技术流程图

    Fig.1  Flow chart

    icon Download:  Full-size image | High-res image | Low-res image

    2.2.1　正向模型

    大气辐射传输模型对水汽廓线反演至关重要（

    Diaconu等，2012）。本文采用正向模型RFM v4.36进行水汽廓线反演实验。RFM是一种逐线积分辐射传输模型，最初是在20世纪90年代中期为在ENVISAT（Environmental Satellite）卫星上搭载的红外临边探测仪MIPAS （Michelson Interferometer for Passive Atmospheric Sounding）提供光谱计算而开发的。RFM可以用于模拟天底、临边、掩星等观测几何以及完成空基、地基、星基等观测位置的光谱模拟，Von Clarmann等比较了包括RFM在内的5种正向模型（Diaconu等，2012），发现RFM在定义观测几何以及传感器特征时具有很高的灵活性。该模型在计算过程中考虑了H2O、O2、N2和CO2的连续吸收特性，可以通过HITRAN或者外部文件获得截面（Von Clarmann等，2003；Li等，2018）。因此利用RFM正向模型进行红外掩星水汽廓线反演较为理想。
    transl

    2.2.2　通道的敏感性分析

    （1）通道选择。由于ACE-FTS 和 GF-5 AIUS均覆盖750—4100 cm-1较大的光谱探测范围，并且具有0.02 cm-1的高光谱分辨率，因此都存在波段信息冗余以及各成分的探测波段间信息干扰等问题。对于水汽探测，在水汽吸收波段范围内，存在温压、CO2、CH4、N2O、O3等其他干扰成分强吸收波段的干扰，严重影响反演精度。因此，水汽廓线反演时需要选择对水汽敏感度高对其他干扰成分敏感度低的波段（

    Jongma等，2006）。本文基于Jacobian的信息熵迭代的方法，利用RFM正向模型结合敏感性分析进行通道选择。首先在RFM中设置波长、光谱分辨率、大气背景库、切高、干扰气体等参数，结合HITRAN光谱库，模拟获得不同波段、不同大气背景、不同高度下的辐射传输特征值透过率以及各成分的Jacobian矩阵。Jacobian矩阵表示各通道在相应高度层上对大气成分的敏感程度，其峰值代表在该通道下目标成分吸收主要来自哪个高度层。根据Jacobian矩阵，在不同的高度层选择对水汽敏感且对干扰成分不敏感的光谱点。然后，基于信息熵原理，对满足条件的光谱点进行生长，整合不同高度层的通道选择结果，得到对水汽敏感对干扰气体不敏感的通道微窗组合。最终选定包括13个微窗共159个通道反演水汽垂直廓线（Li等，2018）。最终的微窗通道组合如图2所示。
    transl

    fig

    图2  水汽廓线反演的微窗通道组合

    Fig.2  The micro-windows selected for water vapor profiles retrieval

    icon Download:  Full-size image | High-res image | Low-res image

    信息熵原理由

    Shannon（1949），信息含量H（information content）是观测前后的概率密度函数的熵的差值，它表示通过观测获得的信息量。若观测前系统的概率分布用P1(X)表示，观测后系统的概率分布用P2(X)表示，则观测的信息熵量可以定义为

    H=S(P1)-S(P2)
         		（1）

    假设观测前后的概率分布符合高斯分布，则信息含量可记为

    transl

    H=12(ln|Sa|-ln|Se|)
         		（2）
    S-1e=KTS-1εK+S-1a
         		（3）
    H=12ln|S-1eSa|=12ln|E+KTS-1εKSa|
         		（4）

    式中，Sa代表观测前协方差，Se代表观测后协方差，Sε代表噪声协方差，K代表Jacobian矩阵。

    （2）敏感性分析。通常情况下水汽的探测通道会受到温压等干扰成分的影响，在不同的高度层上灵敏度也存在差异。因此，本文在通道选择的基础上，增加敏感性分析来验证通道选择的结果。将干扰成分的含量分别变动10%、20%、30%，其中温度变动1 K、2 K、3 K，利用RFM模拟得到透过率，逐高度层比较各干扰成分对水汽观测的影响，排除水汽探测通道中比较容易受影响的通道。以温度的敏感性分析为例，在通道选择的基础上，等间隔变动温度1 K、2 K、3 K，利用RFM模拟得到变动后的透过率，与变动前透过率求差得到变动百分比，逐高度层检测温度对水汽观测通道的影响。变动百分比P的计算公式如下：

    transl

    P=tra_change-tra_orginaltra_orginal×100
         		（5）

    式中，tra_original 是温度变动之前的透过率，tra_change 表示温度变动之后的透过率。温度的敏感性分析结果如图3所示。

    transl

    fig
    icon Download:  | High-res image | Low-res image

    图3  逐高度层的温度的敏感性分析结果

    Fig.3  Sensitivity analysis of temperature

    整体来看，随着高度的增加，温度变化对透过率的影响急剧变小，透过率变动百分比从低层的百分之几百到高层的万分之几。结合图1，发现每个微窗对应不同的探测高度，比如微窗1、2、6对应的探测高度分别是8—20 km、12—20 km、15—20 km，在图2（a）中，13个微窗共159个通道的整体分布情况被标注出来，同时由于18.14 km处在微窗1、2、6的探测高度范围内，高度分别是8—20 km、12—20 km、15—20 km，因此用18.14 km高度层上的透过率变动百分比来表征微窗1、2、6中通道的敏感性，图2（a）显示在微窗1、2、6中温度变动对透过率影响极小，表明利用微窗1、2、6进行水汽观测过程中温度的干扰较小。同理，图2（b）—（d）中，高度21.29 km、29.53 km、39.78 km分别处于微窗5、12、微窗5、10、11、微窗3、4、10、12、13的探测高度范围内，温度变动引起透过率的波动极小，表明此波段对水汽的敏感性高对温度的敏感性低，适合进行水汽观测。而在40 km以上的探测高度上，温度变化带来的扰动约在万分之几，此处的微窗对温度敏感性极低对水汽的敏感性高，适合进行水汽观测。

    transl

    2.2.3　修正的最优估计算法

    Rodger（1976）提出的OEM最优估计方法被广泛应用于各大气成分的反演（

    Boone等，2005；Bowman等，2006；Livesey等，2006；Takahashi等，2010；Urban等，2004）。Rodger（2000）提出LM迭代算法进行最优估计反演，经验证可定量估计误差并具有普适性。在此基础上，考虑到掩星的分层探测特性，本文用分层平滑因子修正LM最优估计算法，即在LM迭代算法的基础上给先验估计的协方差Sxa加上分层平滑因子A，A为一个对角矩阵，使得在不同气压层采用不同的平滑系数，调整先验协方差矩阵，从而使算法更加适用于掩星传感器的探测特征，改善反演结果。其修正后的反演原理如下：

    x(i+1)=x(i)+((1+γ)(ASxa)-1+KTS-1yK)-1(KTS-1y(y-f(x(i)))-(ASxa)-1(x(i)-xα))
         		（6）
    式中，权重函数K=∂f(x)∂x
         		（7）

    先验估计的协方差Sxa：

    Sxa=max(0,σ(i)σ(j)(1-(1-e-1))2|z(i)-z(j)|lc(i)+lc(j))
         		（8）

    式中，i、j分别表示在先验估计的协方差Sxa中的位置，σ表示标准差，z代表位置，lc代表相关长度（

    Eriksson等，2005；Wang等，2018）。

    解的协方差可表示为

    transl

    Sx=((ASxa)-1+KTS-1yK)-1
         		（9）

    代价函数ϕ(x)：

    ϕ(x)=((y-f(x))T×S-1y×(y-F(x))+(x-xa)T×(ASxa)-1×(x-xa))/ny
         		（10）

    式中，Sy是观测误差的协方差，x代表真实的大气参数，y 代表卫星观测值， f 是正向模型，xa是先验估计，ny代表观测值个数。在反演过程中，γ随着每次迭代不断更新，它与代价函数是线性关系，线性的系数α不断试验得到的常数，具体关系见下式：

    γi=α⋅ϕ(x(i))
         		（11）

    此外，最优估计算法还涉及初始廓线估计，而且初始廓线估计的准确性决定了反演算法的效率和准确性。本文基于2014年—2016年MLS（Microwave Limb Sounder）2级v4.2产品、ACE-FTS 2级v3.6产品以及来自AFGL（Air Force Geophysics Laboratory）大气模型的廓线，按纬度5°，经度30°间隔，逐月进行统计分析，建立具有代表性的大气初始背景廓线库，从该初始廓线库中匹配与待反演的掩星观测经纬度和月份相对应的先验廓线作为初值估计（Li等，2018）。

    transl

    3　实验结果与讨论

    3.1　基于ACE-FTS的反演实验

    本文利用RFM正向模型，采用修正前后的最优估计算法，进行基于ACE-FTS一级数据的水汽廓线的反演实验，并比较修正前后算法在相同迭代次数下的反演结果。本文选取表2中6景数据进行实验。由于结果相似，文中只选取其中3组结果进行展示。需要指出的是，考虑到15 km以下，近地面区域温湿含量变化较大以及水汽的连续吸收作用明显，切高校正精度不够，以及仪器在探测低层大气时噪声水平的不确定性，导致反演精度下降。而高于85 km的区域内，反演精度明显降低，这与高层水汽含量明显降低有很大的关系，因此本文主要讨论15—85 km的水汽反演（

    Wang等，2018）。
    transl

    表2  GF-5 AIUS和ACE-FTS参考信息
    Table 2  Parameters of GF-5 AIUS and ACE-FTS
    序列号观测时间中心纬度/°N中心经度/°E
    sr38154 2010-09-13 63 -73
    sr43544 2011-09-14 63 75
    sr43611 2011-09-18 70 119
    sr39926 2011-01-11 -67.8 131.4
    sr48359 2012-08-03 -68 -72
    sr40993 2012-03-25 -78 87
    icon Download:  Export CSV icon Download:  Download Table Images

    图4（a）、图5（a）、图6（a）所示的是修正前后算法反演的水汽廓线（蓝色代表修正前算法、红色代表修正后算法）、ACE-FTS的二级产品廓线以及水汽的先验廓线。图4（b）、图5（b）、图6（b）表示反演结果与ACE-FTS二级产品的相对偏差对比（蓝色代表修正前算法、红色代表修正后算法）。从图4（a）、图5（a）、图6（a）可以明显看出，反演廓线、ACE-FTS二级产品廓线以及先验廓线的趋势基本保持一致，而且相比修正前算法，修正后算法得到的水汽廓线与ACE-FTS二级产品的趋势更接近。结合图4（b）、图5（b）、图6（b）中给出的相对偏差，可以看到修正后算法的反演偏差明显小于修正前算法的反演偏差。就单景数据而言，基于序列号为40993的ACE-FTS观测数据，在算法修正之前，在40—70 km附近的高度范围内，虽然反演结果与ACE-FTS二级产品相差较大，但是整体的反演相对偏差在±10%左右；在80 km以上，反演结果较接近于先验廓线，可能的原因是在此高度水汽的浓度受先验的影响较多。而修正算法后，整体的相对偏差缩小到±8%，改善在个别高度层上相对偏差极大的现象，例如在40—70 km处的相对偏差明显减小。对于序列号为43544的ACE-FTS观测数据，修正后的算法明显减小了在40 km高度处较大的相对偏差，有效地提高反演精度。对于序列号为38154的ACE-FTS观测数据，算法修正前除40 km、75 km高度处，整体相对偏差为±10%；算法修正后，相对偏差在不同高度层都有一定程度的减小。

    transl

    fig
    icon Download:  | High-res image | Low-res image

    图4  基于ACE-FTS 40993景观测值的水汽廓线反演实验

    Fig.4  H2O retrieval experiment based on ACE-FTS observation data for 40993

    fig
    icon Download:  | High-res image | Low-res image

    图5  基于ACE-FTS 43544景观测值的水汽廓线反演实验

    Fig.5  H2O retrieval experiment based on ACE-FTS observation data for 43544

    fig
    icon Download:  | High-res image | Low-res image

    图6  基于ACE-FTS 38154景观测值的水汽廓线反演实验

    Fig.6  H2O retrieval experiment based on ACE-FTS observation data for 38154

    本文用平均核（

    Eyre，1989）表征反演精度。它是反演结果ˉx与真实大气参数x的偏导数：

    AK=∂ˉx∂x
         		（12）

    平均核AK是一个矩阵，矩阵的每一行代表真实的大气状态在给定大气层的贡献，平均核越接近1，表示反演结果中来自观测信息的贡献越大，受先验的影响越小，即平均核越接近于1，反演结果越可靠。图7（a）和图7（b）显示的是算法修正前后的平均核，由于同种算法得到的平均核相近，文中只显示一组平均核图，从图中可以看出虽然算法修正前的平均核比修正之后小，但是总体都接近于1，均能表明反演结果中来自观测信息的贡献较大，受先验的影响小，反演结果具有可靠性。

    transl

    同时，本文采用定量评价的方式来验证修正后算法的有效性，即通过计算并对比修正前后算法反演结果的相对偏差大小。本文对产品反演的偏差百分比进行数值统计（表3），绘制图8相对偏差分布图、并计算了表4中的偏差变动百分比来表征反演精度。整体而言，修正后的算法可以有效减小不同高度层的反演偏差并提高反演精度。就单景数据而言，基于40993景的ACE-FTS观测数据，反演相对偏差减小最显著，从修正前算法的8.49%减小到4.06%，相对偏差减小了52.13%。而且结合相对偏差的标准差分析，从9.84减小到4.38，表明修正后的算法可以有效改善部分高度层反演偏差极大的问题，例如算法修正前在60—85 km处的相对偏差17.56%远高于平均偏差8.49%，而算法修正之后该层的相对偏差缩小到7.93%，与平均偏差之间差距明显缩小，整体相对偏差的离散程度降低，有效改善整体反演精度。对于序列号为43544的ACE-FTS观测数据，算法修正前后的反演偏差均值分别是6.62%和4.95%，偏差的标准差依次是4.11和4.61，此处标准差没有变小主要原因是算法修正之前偏差分布均匀。而修正后的算法显著减小了60—85 km高度处的反演偏差，精度提高最显著，因此最终的反演精度仍然能提高25.17%。对于38154景ACE-FTS观测数据，算法修正前后的反演偏差保持在±12%和±8%左右，平均偏差从6.86%缩小到4.48%，尤其是在30—60 km处，算法修正后的反演偏差从11.66%减小到7.62%，精度提升高达41.22%。结合相应的偏差标准差，从5.56减小到3.44，说明在不同高度层的反演相对偏差的离散程度降低，反演精度整体提升。

    transl

    fig
    icon Download:  | High-res image | Low-res image

    图7  平均核

    Fig.7  Average kernel

    表3  相对偏差统计表
    Table 3  Relative difference
    数值统计指标高度/kmsr40993sr43544sr38154
    原始—相对偏差/%修正—相对偏差/%原始—相对偏差/%修正—相对偏差/%原始—相对偏差/%修正—相对偏差/%
    平均值 15—30 2.56 3.44 6.64 5.19 6.01 4.43
    30—60 7.91 2.54 6.33 5.18 5.66 3.32
    60—85 17.56 7.93 6.95 4.37 11.66 7.62
    15—85 8.49 4.06 6.62 4.95 6.86 4.48
    标准差 15—85 9.84 4.38 4.11 4.61 5.56 3.44
    icon Download:  Export CSV icon Download:  Download Table Images
    fig

    图8  相对偏差分布图

    Fig.8  Distribution of the relative difference

    icon Download:  Full-size image | High-res image | Low-res image
    表4  偏差变动百分比
    Table 4  Decreased percentage of relative difference
    高度/kmsr40993/%sr43544/%sr38154/%
    15—30 -34.38 21.91 26.32
    30—60 67.87 18.13 41.22
    60—85 54.81 37.08 34.65
    15—85 52.13 25.17 34.74
    icon Download:  Export CSV icon Download:  Download Table Images

    综上所述，基于ACE-FTS观测数据的水汽廓线反演实验结果说明加入分层平滑因子修正过后的最优估计算法更加适用于红外掩星水汽廓线反演。

    transl

    3.2　基于模拟数据的水汽廓线反演实验

    上文基于ACE-FTS观测数据的水汽廓线反演实验已经证明修正的最优估计算法可以提高反演精度，为进一步验证修正后的反演算法对国产掩星载荷GF-5 AIUS水汽廓线反演精度的改善情况，本文基于GF-5 AIUS的模拟数据，利用修正前后的反演算法反演水汽廓线，并与ACE-FTS官方产品进行对比，对比分析反演精度。

    transl

    与上文的ACE-FTS产品反演相似，图9（a）、图10（a）、图11（a）所示的是算法修正前后反演的水汽廓线、ACE-FTS的二级产品廓线以及水汽先验廓线，图9（b）、图10（b）、图11（b）表示反演结果与ACE-FTS二级产品的偏差对比。从图9（a）、图10（a）、图11（a）可以看出，反演廓线、ACE-FTS二级产品廓线以及先验廓线的趋势基本保持一致。但是，在部分高度层算法修正前的反演结果与ACE-FTS二级产品存在相差较大的现象，修正算法得到的廓线与ACE-FTS二级产品的整体趋势更接近。结合图9（b）、图10（b）、图11（b）中给出的反演相对偏差，可以看到修正后算法的反演相对偏差明显小于算法修正之前。就单景数据而言，针对基于40993景GF-5 AIUS模拟数据，算法修正前的反演偏差为±10%，在50—80 km高度范围内的反演结果相对ACE-FTS二级官方产品之间的偏差存在大的波动，而通过算法修正，从整体上缩小了反演偏差，消除了在个别高度上偏差极大的现象。对于43544景GF-5 AIUS模拟数据而言，修正后的算法可以明显减小在55 km和70 km高度附近偏差的较大波动，有效地提高反演精度。对于38154景GF-5 AIUS模拟数据而言，算法修正前除82 km高度附近，整体偏差为±10%，算法修正之后明显减小反演相对偏差，反演精度有所提升。

    transl

    fig
    icon Download:  | High-res image | Low-res image

    图9  基于GF-5 AIUS模拟数据40993景的水汽廓线反演实验

    Fig.9  H2O retrieval experiment based on simulated spectra data for 40993

    fig
    icon Download:  | High-res image | Low-res image

    图10  基于GF-5 AIUS模拟数据43544景的水汽廓线反演实验

    Fig.10  H2O retrieval experiment based on simulated spectra data for 43544

    与图7相似，图12中表示算法修正前后的平均核，其值均接近于1，表明反演结果受先验的影响小受观测信息的影响大，反演结果仍然可靠。

    transl

    为更直观分析反演效果，本文将反演结果与ACE-FTS二级产品之间的相对偏差百分比进行数值统计，如表5所示。结合图13中的偏差分布图以及表6的偏差变动百分比，分层统计反演偏差的分布特征，发现利用修正的反演算法，得到的反演效果在不同高度层有不同程度的改善。就单景数据而言，对于基于38154景GF-5 AIUS模拟数据的反演实验，相比算法修正前反演偏差为±10%，修正后的算法反演偏差为±5%左右，尤其是在15—60 km范围内，相对偏差缩小到±1.5%左右。从整体来看，在15—85 km的高度范围内反演偏差从算法修正前的5.74%减小到2.22%，整体相对偏差变动将近61.32%，而且依次统计不同高度范围的精度改善情况，发现15—30 km高度层对精度提高的贡献率最大，相对偏差变动程度高达70.46%，在30—60 km，60—85 km高度范围内，精度依次提高57.79%、42.44%。结合相对偏差标准差从3.94减小到2.34，表明算法修正前的反演结果与ACE-FTS官方产品之间的偏差分布较离散，且在60—85 km 处的反演相对偏差极大，而修正后整体偏差的离散程度变小，说明采用分层平滑因子的修正算法可以有效提高不同高度层的反演精度。对于43544景GF-5 AIUS模拟数据，算法修正前后的反演相对偏差分别是保持在约±6%和±4%，相应的偏差均值分别是3.7949%和2.2186%，偏差的标准差依次是3.37和1.66，可以看出修正的算法在不同高度层上有效地缩小了反演偏差，整体的相对偏差变动较算法修正前提高了71.05%，尤其是在15—30 km范围内，反演相对偏差从3.36%缩小到0.98%，精度显著提升。对于40993，整体反演偏差从4.09%缩小到1.96%，相对偏差变动高达48.26%，精度提升最显著的高度范围仍然出现在15—30 km，整体相对偏差存在波动的问题得到有效地改善。

    transl

    fig
    icon Download:  | High-res image | Low-res image

    图11  基于GF-5 AIUS模拟数据38154景的水汽廓线反演实验

    Fig.11  H2O retrieval experiment based on simulated spectra data for 38154

    fig
    icon Download:  | High-res image | Low-res image

    图12  平均核

    Fig.12  Average kernel

    表5  相对偏差统计表
    Table 5  Relative difference
    数值统计指标高度/kmsr40993sr43544sr38154
    原始—相对偏差/%修正—相对偏差/%原始—相对偏差/%修正—相对偏差/%原始—相对偏差/%修正—相对偏差/%
    平均值 15—30 1.70 1.85 3.36 0.98 4.18 1.24
    30—60 3.87 1.03 2.62 1.79 3.37 1.42
    60—85 7.71 3.98 5.81 3.41 8.91 5.13
    15—85 4.09 1.96 3.79 1.96 5.74 2.22
    标准差 15—85 3.93 1.91 3.37 1.66 3.94 2.34
    icon Download:  Export CSV icon Download:  Download Table Images
    fig

    图13  相对偏差分布图

    Fig.13  Distribution of the relative difference

    icon Download:  Full-size image | High-res image | Low-res image
    表6  偏差变动百分比
    Table 6  Decreased percentage of relative difference
    高度/kmsr40993/%sr43544/%sr38154/%
    15—30 -8.94 70.76 70.46
    30—60 73.46 31.58 57.79
    60—85 48.38 41.37 42.44
    15—85 51.99 48.26 61.32
    icon Download:  Export CSV icon Download:  Download Table Images

    4　结论

    本文基于通道选择和敏感性分析选出13个微窗通道共159个通道进行水汽廓线反演。同时针对掩星传感器的分层探测特性，在最优估计算法的基础上，引入分层平滑因子，实现在不同的气压层使用相应的平滑系数，完成红外掩星水汽廓线反演算法的修正。通过对比算法修正前后的相对偏差以及反演精度，得到结论如下：

    transl

    （1） 本文利用Jacobian信息熵迭代的方法完成通道选择和敏感性分析有效地解决了信息冗余的问题，提高了对大气有效信息的利用率，提升了反演算法的计算效率。

    transl

    （2）修正的算法能够充分利用掩星传感器的分层探测特点，改善个别高度层反演偏差相对较大的情况，减小了整体偏差。对于ACE-FTS的水汽廓线反演实验，3景数据的反演精度分别提高34.74%、25.17%、52.13%，验证了该修正算法的有效性。对于GF-5 AIUS开展水汽反演实验，相比修正算法前，修正后的算法将3景的反演精度分别提到61.32%、48.26%、51.99%，进一步说明了修正的最优估计算法的有效性和适用性。

    transl

    综上所述，本文提出的修正算法能够为掩星探测水汽廓线提供参考，同时也为中国今后开展掩星探测领域大气水汽探测奠定基础，为预测降雨、天气灾害、维持全球生态平衡等领域的研究提供高质量的水汽基础数据。

    transl

    Acknowledgements

    致谢：此次实验的ACE-FTS数据是由来自加拿大宇航局CSA的ACE-FTS研究团队SCISAT提供。此外我们还得到了Anu Dudhia教授提供的RFM源代码和帮助。在此表示衷心的感谢！

    参考文献（References）

    Auvinen H, Oikarinen L and Kyrölä E. 2002. Inversion algorithms for recovering minor species densities from limb scatter measurements at UV-visible wavelengths. Journal of Geophysical Research: Atmospheres, 107(D13): 4172 [DOI: 10.1029/2001JD000407] [Baidu Scholar] 

    Bates D R and Nicolet M. 1950. The photochemistry of atmospheric water vapor. Journal of Geophysical Research, 55(3): 301-327 [DOI: 10.1029/JZ055i003p00301] [Baidu Scholar] 

    Beer R, Glavich T A and Rider D M. 2001. Tropospheric emission spectrometer for the Earth Observing System’s Aura satellite. Applied Optics, 40(15): 2356-2367 [DOI: 10.1364/AO.40.002356] [Baidu Scholar] 

    Bernath P F, McElroy C T, Abrams M C, Boone C D, Butler M, Camy‐Peyret C, Carleer M, Clerbaux C, Coheur P F, Colin R, DeCola, DeMazière M, Drummond J R, Dufour D, Evans W F J, Fast H, Fussen D, Gilbert K, Jennings D E, Llewellyn E J, Lowe R P, Mahieu E, McConnell J C, McHugh M, McLeod S D, Michaud R, Midwinter C, Nassar R, Nichitiu F, Nowlan C, Rinsland C P, Rochon Y J, Rowlands N, Semeniuk K, Simon P, Skelton R, Sloan J J, Soucy M A, Strong K, Tremblay P, Turnbull D, Walker K A, Walkty I, Wardle D A, Wehrle V, Zander R and Zou J. 2005. Atmospheric Chemistry Experiment (ACE): mission overview. Geophysical Research Letters, 32(15): L15S01 [DOI: 10.1029/2005GL022386] [Baidu Scholar] 

    Boone C D, Nassar R, Walker K A, Rochon Y, McLeod S D, Rinsland C P and Bernath P F. 2005. Retrievals for the atmospheric chemistry experiment Fourier-transform spectrometer. Applied Optics, 44(33): 7218-7231 [DOI: 10.1364/AO.44.007218] [Baidu Scholar] 

    Bowman K W, Rodgers C D, Kulawik S S, Worden J, Sarkissian E, Osterman G, Steck T, Lou M, Eldering A, Shephard M, Worden H, Lampel M, Clough S, Brown P, Rinsland C, Gunson M and Beer R. 2006. Tropospheric emission spectrometer: retrieval method and error analysis. IEEE Transactions on Geoscience and Remote Sensing, 44(5): 1297-1307 [DOI: 10.1109/TGRS.2006.871234] [Baidu Scholar] 

    Carlotti M. 1988. Global-fit approach to the analysis of limb-scanning atmospheric measurements. Applied Optics, 27(15): 3250-3254 [DOI: 10.1364/AO.27.003250] [Baidu Scholar] 

    Collier C G. 1998. Atmospheric water vapor//Herschy R W and Fairbridge R W, eds. Encyclopedia of Hydrology and Water Resources. Dordrecht: Springer: 98 [DOI: 10.1007/1-4020-4513-1_26] [Baidu Scholar] 

    Dalu G. 1986. Satellite remote sensing of atmospheric water vapour. International Journal of Remote Sensing, 7(9): 1089-1097 [DOI: 10.1080/01431168608948911] [Baidu Scholar] 

    Diaconu B M, Cruceru M, Gheorghian A T and Popescu L G. 2012. View factors in a finite length axysymmetric cylindrical annulus enclosure. Journal of Quantitative Spectroscopy and Radiative Transfer, 113(16): 2100-2112 [DOI: 10.1016/j.jqsrt.2012.06.022] [Baidu Scholar] 

    Eriksson P. 2000. Analysis and comparison of two linear regularization methods for passive atmospheric observations. Journal of Geophysical Research: Atmospheres, 105(D14): 18157-18167 [DOI: 10.1029/2000JD900172] [Baidu Scholar] 

    Eriksson P, Jiménez C and Buehler S A. 2005. Qpack, a general tool for instrument simulation and retrieval work. Journal of Quantitative Spectroscopy and Radiative Transfer, 91(1): 47-64 [DOI: 10.1016/j.jqsrt.2004.05.050] [Baidu Scholar] 

    Eyre J R. 1989. Inversion of cloudy satellite sounding radiances by nonlinear optimal estimation. I: theory and simulation for TOVS. Quarterly Journal of the Royal Meteorological Society, 115(489): 1001-1026 [DOI: 10.1002/qj.49711548902] [Baidu Scholar] 

    Fedorova A A, Korablev O I, Bertaux J L, Rodin A V, Montmessin F, Belyaev D A and Reberac A. 2009. Solar infrared occultation observations by SPICAM experiment on Mars-Express: simultaneous measurements of the vertical distributions of H2O, CO2 and aerosol. Icarus, 200(1): 96-117 [DOI: 10.1016/j.icarus.2008.11.006] [Baidu Scholar] 

    Gunson M R, Abbas M M, Abrams M C, Allen M, Brown L R, Brown T L, Chang A Y, Goldman A, Irion F W, Lowes L L, Mahieu E, Manney G L, Michelsen H A, Newchurch M J, Rinsland C P, Salawitch R J, Stiller G P, Toon G C, Yung Y L and Zander R. 1996. The Atmospheric Trace Molecule Spectroscopy (ATMOS) experiment: deployment on the ATLAS space shuttle missions. Geophysical Research Letters, 23(17): 2333-2336 [DOI: 10.1029/96GL01569] [Baidu Scholar] 

    Gunson M R, Farmer C B, Norton R H, Zander R, Rinsland C P, Shaw J H and Gao B C. 1990. Measurements of CH4, N2O, CO, H2O, and O3 in the middle atmosphere by the Atmospheric Trace Molecule Spectroscopy experiment on Spacelab 3. Journal of Geophysical Research: Atmospheres, 95(D9): 13867-13882 [DOI: 10.1029/JD095iD09p13867] [Baidu Scholar] 

    Harries J E, Russell III J M, Tuck A F, Gordley L L, Purcell P, Stone K, Bevilacqua R M, Gunson M, Nedoluha G and Traub W A. 1996. Validation of measurements of water vapor from the Halogen Occultation Experiment (HALOE). Journal of Geophysical Research: Atmospheres, 101(D6): 10205-10216 [DOI: 10.1029/95JD02933] [Baidu Scholar] 

    Irion F W, Gunson M R, Toon G C, Chang A Y, Eldering A, Mahieu E, Manney G L, Michelsen H A, Moyer E J, Newchurch M J, Osterman G B, Rinsland C P, Salawitch R J, Sen B, Yung Y L and Zander R. 2002. Atmospheric Trace Molecule Spectroscopy (ATMOS) experiment version 3 data retrievals. Applied Optics, 41(33): 6968-6979 [DOI: 10.1364/AO.41.006968] [Baidu Scholar] 

    Jones A, Walker K A, Jin J J, Taylor J R, Boone C D, Bernath P F, Bernath P F, Brohede S, Manney G L, McLeod S, Hughes R and Daffer W H. 2011. Technical note: a trace gas climatology derived from the atmospheric chemistry experiment Fourier transform spectrometer dataset. Atmospheric Chemistry and Physics Discussions, 11(11): 29845-29882 [DOI: 10.5194/acpd-11-29845-2011] [Baidu Scholar] 

    Jongma R T, Gloudemans A M S, Hoogeveen R W M, Aben I, De Vries J, Escudero-Sanz I, Van Den Oord G and Levelt P F. 2006. Sensitivity analysis of a new SWIR-channel measuring tropospheric CH4 and CO from space//Proceedings of SPIE Imaging Spectrometry XI. San Diego, California, United States: SPIE: 630214 [DOI: 10.1117/12.680277] [Baidu Scholar] 

    Kiehl J T and Trenberth K E. 1997. Earth's annual global mean energy budget. Bulletin of the American Meteorological Society, 78(2): 197-208 [DOI: 10.1175/1520-0477(1997)078<0197:eagmeb>2.0.co;2] [Baidu Scholar] 

    Koo J H, Walker K A, Jones A, Sheese P E, Boone C D, Bernath P F and Manney G L. 2017. Global climatology based on the ACE-FTS version 3.5 dataset: addition of mesospheric levels and carbon-containing species in the UTLS. Journal of Quantitative Spectroscopy and Radiative Transfer, 186: 52-62 [DOI: 10.1016/j.jqsrt.2016.07.003] [Baidu Scholar] 

    Li X Y, Cheng T H, Xu J, Chen T H, Shi H L, Zhang X Y, Ge S L, Wang H M, Wang Y P, Zhu S Y, Miao J and Luo Q. 2019. Monitoring Trace Gases over the Antarctic Using Atmospheric Infrared Ultraspectral Sounder Onboard GaoFen-5: Algorithm Description and First Retrieval Results of O3, H2O, and HCl, Remote Sensing, 11(17):1991 [DOI: 10.3390/rs11171991] [Baidu Scholar] 

    Livesey N J, Van Snyder W, Read W G and Wagner P A. 2006. Retrieval algorithms for the EOS Microwave limb sounder (MLS). IEEE Transactions on Geoscience and Remote Sensing, 44(5): 1144-1155 [DOI: 10.1109/TGRS.2006.872327] [Baidu Scholar] 

    López-Valverde M A, López-Puertas M, Taylor F W and Gunson M R. 1998. Correlation between ISAMS and ATMOS measurements of co in the middle atmosphere. Advances in Space Research, 22(11): 1517-1520 [DOI: 10.1016/S0273-1177(99)00015-0] [Baidu Scholar] 

    Louisnard N, Fergant G, Girard A, Gramont L, Lado-Bordowsky O, Laurent J, Le Boiteux S and Lemaitre M P. 1983. Infrared absorption spectroscopy applied to stratospheric profiles of minor constituents. Journal of Geophysical Research: Oceans, 88(C9): 5365-5376 [DOI: 10.1029/JC088iC09p05365] [Baidu Scholar] 

    Nassar R, Bernath P F, Boone C D, Manney G L, McLeod S D, Rinsland C P, Skelton R and Walker K A. 2005. Stratospheric abundances of water and methane based on ACE‐FTS measurements. Geophysical Research Letters, 32(15): L15S04 [DOI: 10.1029/2005GL022383] [Baidu Scholar] 

    Nedoluha G E, Bevilacqua R M, Gomez R M, Siskind D E, Hicks B C, Russell III J M and Connor B J. 1998. Increases in middle atmospheric water vapor as observed by the Halogen Occultation Experiment and the ground‐based Water Vapor Millimeter-Wave Spectrometer from 1991 to 1997. Journal of Geophysical Research: Atmospheres, 103(D3): 3531-3543 [DOI: 10.1029/97JD03282] [Baidu Scholar] 

    Norton R H and Rinsland C P. 1991. ATMOS data processing and science analysis methods. Applied Optics, 30(4): 389-400 [DOI: 10.1364/AO.30.000389] [Baidu Scholar] 

    Qi W H, Wei H Y and Yi L N. 2013. Analysis on infrared spectrometer system specification for atmospheric composition detecting. Spacecraft Recovery and Remote Sensing, 34(5): 36-45 [Baidu Scholar] 

    齐卫红, 尉昊赟, 阴丽娜. 2013. 大气成分探测红外光谱仪系统指标分析. 航天返回与遥感, 34(5): 36-45 [DOI: 10.3969/j.issn.1009-8518.2013.05.006] [Baidu Scholar] 

    Randel W J, Wu F, Gettelman A, Russell III J M, Zawodny J M and Oltmans S J. 2001. Seasonal variation of water vapor in the lower stratosphere observed in Halogen Occultation Experiment data. Journal of Geophysical Research: Atmospheres, 106(D13): 14313-14325 [DOI: 10.1029/2001JD900048] [Baidu Scholar] 

    Raspollini P, Belotti C, Burgess A, Carli B, Carlotti M, Ceccherini S, Dinelli B M, Flaud J M, Funke B, Höpfner M, López-Puertas M, Payne V, Piccolo C, Remedios J J, Ridolfi M and Spang R. 2006. MIPAS level 2 operational analysis. Atmospheric Chemistry and Physics, 6(12): 5605-5630 [DOI: 10.5194/acp-6-5605-2006] [Baidu Scholar] 

    Rinsland C P, Chiou L, Boone C, Bernath P, Mahieu E and Zander R. 2009. Trend of lower stratospheric methane (CH4) from atmospheric chemistry experiment (ACE) and atmospheric trace molecule spectroscopy (ATMOS) measurements. Journal of Quantitative Spectroscopy and Radiative Transfer, 110(13): 1066-1071 [DOI: 10.1016/j.jqsrt.2009.03.024] [Baidu Scholar] 

    Rinsland C P, Goldman A, Devi V M, Fridovich B, Snyder D G S, Jones G D, Murcray F J, Murcray D G, Smith M A H, Seals Jr R K, Coffey M T and Mankin W G. 1984. Simultaneous stratospheric measurements of H2O, HDO, and CH4 from balloon‐borne and aircraft infrared solar absorption spectra and tunable diode laser laboratory spectra of HDO. Journal of Geophysical Research: Atmospheres, 89(D5): 7259-7266 [DOI: 10.1029/JD089iD05p07259] [Baidu Scholar] 

    Rodgers C D. 1976. Retrieval of atmospheric temperature and composition from remote measurements of thermal radiation. Reviews of Geophysics, 14(4): 609-624 [DOI: 10.1029/RG014i004p00609] [Baidu Scholar] 

    Rodgers C D. 2000. Inverse Methods for Atmospheric Sounding: Theory and Practice. Singapore: World Scientific [DOI: 10.1142/3171] [Baidu Scholar] 

    Rosenlof K H, Tuck A F, Kelly K K, Russell III J M and McCormick M P. 1997. Hemispheric asymmetries in water vapor and inferences about transport in the lower stratosphere. Journal of Geophysical Research: Atmospheres, 102(D11): 13213-13234 [DOI: 10.1029/97JD00873] [Baidu Scholar] 

    Russell III J M, Gordley L L, Park J H, Drayson S R, Hesketh W D, Cicerone R J, Tuck A F, Frederick J E, Harries J E and Crutzen P J. 1993. The halogen occultation experiment. Journal of Geophysical Research: Atmospheres, 98(D6): 10777-10797 [DOI: 10.1029/93JD00799] [Baidu Scholar] 

    Shannon C E. 1949. Communication theory of secrecy systems. The Bell System Technical Journal, 28(4): 656-715 [DOI: 10.1002/j.1538-7305.1949.tb00928.x] [Baidu Scholar] 

    Sheese P E, Walker K A, Boone C D, Bernath P F, Froidevaux L, Funke B, Raspollini P and Von Clarmanng T. 2017. ACE-FTS ozone, water vapour, nitrous oxide, nitric acid, and carbon monoxide profile comparisons with MIPAS and MLS. Journal of Quantitative Spectroscopy and Radiative Transfer, 186: 63-80 [DOI: 10.1016/j.jqsrt.2016.06.026] [Baidu Scholar] 

    Soucy M A A, Chateauneuf F, Deutsch C and Etienne N. 2002. ACE-FTS instrument detailed design//Proceedings of Earth Observing Systems VII. Seattle, WA, United States: SPIE: 70-82 [DOI: 10.1117/12.451701] [Baidu Scholar] 

    Steck T. 2002. Methods for determining regularization for atmospheric retrieval problems. Applied Optics, 41(9): 1788-1797 [DOI: 10.1364/AO.41.001788] [Baidu Scholar] 

    Suzuki M, Matsuzaki A, Ishigaki T, Kimura N, Araki N, Yokota T and Sasano Y. 1995. ILAS, the improved limb atmospheric spectrometer, on the advanced earth observing satellite. IEICE Transactions on Communications, 78(12): 1560-1570 [Baidu Scholar] 

    Takahashi C, Ochiai S and Suzuki M. 2010. Operational retrieval algorithms for JEM/SMILES level 2 data processing system. Journal of Quantitative Spectroscopy and Radiative Transfer, 111(1): 160-173 [DOI: 10.1016/j.jqsrt.2009.06.005] [Baidu Scholar] 

    Trenberth K E, Fasullo J and Smith L. 2005. Trends and variability in column-integrated atmospheric water vapor. Climate Dynamics, 24(7/8): 741-758 [DOI: 10.1007/s00382-005-0017-4] [Baidu Scholar] 

    Trenberth K E, Fasullo J T and Kiehl J. 2009. Earth's global energy budget. Bulletin of the American Meteorological Society, 90(3): 311-324 [DOI: 10.1175/2008bams2634.1] [Baidu Scholar] 

    Urban J, Baron P, Lautié N, Schneider N, Dassas K, Ricaud P and De La Noë J. 2004. Moliere (v5): a versatile forward- and inversion model for the millimeter and sub-millimeter wavelength range. Journal of Quantitative Spectroscopy and Radiative Transfer, 83(3/4): 529-554 [DOI: 10.1016/S0022-4073(03)00104-3] [Baidu Scholar] 

    Von Clarmann T, Höpfner M, Funke B, López-Puertas M, Dudhia A, Jay V, Schreier F, Ridolfi M, Ceccherini S, Kerridge B J, Reburn J and Siddans R. 2003. Modelling of atmospheric mid-infrared radiative transfer: the AMIL2DA algorithm intercomparison experiment. Journal of Quantitative Spectroscopy and Radiative Transfer, 78(3/4): 381-407 [DOI: 10.1016/S0022-4073(02)00262-5] [Baidu Scholar] 

    Wang H M, Li X Y, Xu J, Zhang X Y, Ge S L, Chen L F, Wang Y P, Zhu S Y, Miao J and Si Y D. 2018. Assessment of retrieved N2O, NO2, and HF profiles from the atmospheric infrared ultraspectral sounder based on simulated spectra. Sensors, 18(7): 2209 [DOI: 10.3390/s18072209] [Baidu Scholar] 

    Waymark C, Walker K A, Boone C, Dupuy E, Bernath P F Anderson J, Froidevaux L, Randall C E and Zawodny J M. 2012. Validation of the ACE-FTS Dataset, AGU Fall Meeting. AGU Fall Meeting Abstracts [Baidu Scholar] 

    Zou M M, Chen L F, Fan M, Li S S and Tao J H. 2016. An improved constraint method in Optimal Estimation of CH4 from GOSAT SWIR observations//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium. Beijing: IEEE: 374-376 [DOI: 10.1109/IGARSS.2016.7729091] [Baidu Scholar] 

    Alert me when the article has been cited
    Submit

    Related Articles

    Related Author

    No data

    Related Institution

    School of Electrical Engineering, Nantong University
    State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing Normal University
    Beijing Institute of Space & Mechanical Electricity
    0