利用靜止衛星資料的川渝地區云覆蓋特征研究*

王健捷 胡秀清 樊絲慧 閔佳園 劉 超 張 鵬

1.寧波市氣象局，寧波，315000

2.中國遙感衛星輻射測量和定標重點開放實驗室，國家衛星氣象中心（國家空間天氣監測預警中心），北京，100081

3.許健民氣象衛星創新中心，北京，100081

4.西南交通大學，重慶，400000

5.南京信息工程大學大氣物理學院，南京，210044

1 引 言

云是地球大氣的重要組成部分，在地-氣系統的輻射收支和水循環過程中發揮著重要作用。目前，已有大量的研究（丁守國等，2005；劉奇等，2010；Dessler，2010；李 昀 英 等，2015；張 華 等，2016；Zhou，et al，2016；呂 巧 誼 等，2017；Scott，et al，2020；Myers，et al，2021）從云量、結構、物理特性、云-降水關系、輻射效應以及分布特征等多方面論證了云與天氣、氣候的緊密聯系。而川渝地區（如圖1所 示，文 中 主 要 指 范 圍 在 （25°—35°N，96.5°—110.5°E）的區域，而不僅僅是四川省和重慶市）是中國云量最多的地區，總云量以四川盆地為中心常年存在高值區，也是中國內陸的一個降雨中心（劉洪利等，2003；劉瑞霞等，2004；肖遞祥等，2017）。該地區作為世界上地形最復雜的區域之一，包括了山地、丘陵、平原、盆地和高原5 大地理類型，東、西部差異顯著，以近1500 m 等高線為界可將該地區分為東部低海拔地區和西部高海拔地區兩部分，西部屬于青藏高原東南緣，海拔大多超過3000 m，橫斷山脈縱貫南北并向東南傾斜，使得自西向東高度急劇下降，東部四川盆地，盆地內丘陵起伏，海拔在200—750 m，盆地四周山脈環繞，山嶺海拔一般為1500—2000 m。該地區地處南亞季風和東亞季風的交匯帶，橫斷山脈東西向起阻擋抬升作用，南北向起西南季風水汽輸送的通道作用，是中國冷、暖空氣交匯最活躍的區域之一；此外，受強烈的輻射強迫和復雜地形影響，也是中國主要災害天氣系統—西南渦生成活躍之地，而西南渦的東移則會影響中國東部大部分地區的降水，因此該地區獨特的地理位置決定了其氣候特征對中國乃至東亞天氣、氣候的重要性和特殊性（吳國雄等，2004；梁瀟云等，2005；李慧晶等，2014）。隨著中國經濟的快速發展，以成都、重慶為首的川渝地區雙城經濟圈在帶動西部地區經濟轉型升級、參與全球競爭與合作中發揮著越來越重要的作用，而川渝地區常年多云霧少日照，影響人們的生產和生活。云作為影響天氣、氣候的重要因子，揭示其時、空分布特征和變化規律不僅對天氣、氣候分析和預測有重要作用，也對人們生產、生活具有科學指導意義。

圖1 川渝地區地形地勢 （紅色實線是近1500 m 等高線）Fig.1 Topography of the Sichuan-Chongqing region （the solid red line indicates the elevation contour close to 1500 m）

眾多基于衛星或氣象臺站觀測資料的研究不同程度上揭示了該地區云的時、空分布特征。其中，國際衛星云氣候計劃（ISCCP）積累了多年的全球衛星云觀測資料，為中外學者進行全球性或區域性的云研究提供了極大的便利（劉奇等，2010；劉健等，2017）。劉洪利等（2003）利用1983 年7 月至1993 年12 月2.5°×2.5°分辨率的ISCCP 云量資料，分析了中國的云氣候特征，指出在華北地區和中國南海北部的總云量有減少的趨勢，四川盆地、長江三角洲等地區存在低云量異常減少的現象。劉瑞霞等（2004）利用1983 年7 月至2001 年8 月的ISCCP 資料分析了中國總云量的空間分布特征和變化趨勢，重點指出四川、貴州等常年存在云量高值中心，并揭示了青藏高原冬季總云量與全國夏季降水的遙相關關系。劉奇等（2010）利用ISCCP 云量資料，發現全球云量空間分布極不均衡，且海、陸差異顯著，并揭示了云量與大氣環流背景場的相關。上述研究揭示了云在中國乃至全球的分布特征，同時也證明了衛星資料在云研究中發揮著重要作用。此外，氣象臺站資料在中國各地區的云研究中也有重要貢獻。張琪等（2011）用1960—2005 年西南地區85 個氣象臺站的月平均云量資料，分析了西南地區云量的季節變化特征，指出冬、春和秋季總云量和低云量在空間上均是東多西少，夏季則相反呈東少西多。徐興奎（2012）通過分析中國氣象臺站1960—2009 年總云量和低云量觀測數據得到了云的時間變化趨勢，結果顯示中國總云量整體上具有下降趨勢，且低云量以四川盆地為中心50 a間持續減少，平均每10 a 下降達4%。李慧晶等（2014）根據西南地區的73 個氣象臺站1956—2005 年月平均云量資料，同樣發現西南地區1990年以后全年總云量呈現出減少趨勢，并且地形和區域氣候也會影響總云量的空間分布。這些研究很大程度上揭示了該地區的云分布特征以及與氣候的相關，但早期的觀測數據存在衛星資料分辨率低、氣象臺站稀疏的不足，極大地限制了研究結果的精度。

隨著靜止氣象衛星的發展，其搭載的新一代光譜成像儀的時、空分辨率得到了大幅度提高，為定量分析特定區域的云特性提供了更加有效的觀測資料。例如，搭載于風云四號A 星（Fengyun-4A）和葵花8 號（Himawari-8）上的先進多光譜成像儀AGRI（Advanced Geostationary Radiation Imager）和AHI（Advanced Himawari Imagers），具有視野廣闊，能夠近乎同時且連續探測川渝地區的優勢，十分有利于對該地區的云特征研究（Yang，et al，2017；Chen，et al，2018）。在衛星云遙感領域，云檢測是獲取云量、云相態、反演云光學特性和微物理參數的前提和基礎，中外眾多研究提出了很多云檢測方法，其主要原理是利用云光學和微物理特性在可見光到紅外等通道之間的差異判斷云或晴空（Platnick，et al，2003；Frey，et al，2008；盧乃錳等，2017；Wang，et al，2019；Xu，et al，2021）。此外，不同地表類型的發射率和反射率不同，在特定區域衛星接收到的輻射強度具有明顯的區域特征，因此地表差異是影響檢測算法準確度的因素之一（Frey，et al，2008；Liu，et al，2010；Shang，et al，2017）。雖然AGRI 和AHI 都有業務上的云檢測產品（Wang，et al，2019），但目前尚無較為成熟的陸地大霧和霾的檢測產品，且云檢測產品中未區分低層云霧和霾。此外，川渝地區復雜的地表特征和氣候特征，給云檢測帶來了極大的挑戰，尤其是空間上同時存在晴空、水云、冰云、低層云霧、霾和積雪等類型，目前尚無一次性區分該6 種類型的衛星遙感產品。文中利用AGRI 和AHI 觀測資料，結合川渝地區獨特的地形特點，實現了適用于該地區6 種類型的檢測，進一步揭示其時、空分布特征和變化特點，為該地區的天氣預報和氣候預測提供觀測數據。

2 資料及方法

2.1 衛星儀器與數據

靜止氣象衛星風云四號A 星于2016 年12 月成功發射，其搭載的多光譜成像儀AGRI 有14 個通道，包括3 個可見光通道、3 個近紅外通道和8 個紅外通道，中心波長從0.47 μm 到13.5 μm，空間分辨率為0.5—4.0 km（Yang，et al，2017）。AGRI 每15 min可獲取1 次全圓盤數據，該衛星數據可免費從官方網站“風云衛星遙感數據服務網”（http://satellite.nsmc.org.cn/portalsite/default.aspx）獲取，文中所用數據是一級反射率和亮溫數據，具體如表1 所示。

表1 所用AGRI 和AHI 通道Table 1 AGRI and AHI channels used for the present study

靜止氣象衛星葵花8 號于2014 年10 月發射，2015 年7 月投入使用，其搭載的多光譜成像儀AHI有16 個通道，包括3 個可見光通道、3 個近紅外通道和10 個紅外通道，中心波長從0.47 μm 到13.3 μm，空間分辨率為0.5—2.0 km，每10 min 可獲取1 次全圓盤數據（Da，2015；Chen，et al，2020）。該衛星數據可免費從其官方網站（ftp://ftp.ptree.jaxa.jp/）獲得，文中所用數據是一級反射率和亮溫數據，具體如表1 所示。

云-氣溶膠激光雷達和紅外探測衛星（CALIPSO）由美國航空航天局（NASA）和法國國家航天中心（CNES）聯合研制，并于2006 年成功發射。其搭載的云和氣溶膠探測激光雷達（CALIOP）是主要探測儀器之一，CALIOP 的二級數據垂直特征分類標識產品（VFM）能描述三維大氣中云和氣溶膠的垂直分布特征，大量驗證工作（Liu，et al，2009；Winker，et al，2009）證明CALIOP 數據及產品具有較高的精度，可有效用于本研究的結果驗證。

2.2 檢測算法

文中利用AGRI 和A HI 的一級數據（包括亮度溫度（BT）、反射率（R）），結合數字高程模型（DEM）以及背景場（BG），進行川渝地區各類型的檢測（圖2）。其中，云檢測是分析各云參數的前提和基礎，最常用的方法是閾值法，該方法利用衛星在云區和非云區得到輻射值會落入不同值域空間的特點進行區分（Platnick，et al，2003；盧乃錳等，2017）。由于川渝地區地形復雜、區域差異大，尤其是東、西兩部分存在高度急劇下降大坡面，文中結合地形特點以近1500 m 等高線為界，將該地區分為東部低海拔地區和西部高海拔地區兩部分進行檢測。為了提高云識別信度，利用AGRI 和AHI數據分別建立網格化（4.0 km×4.0 km 和2.0 km×2.0 km 分辨率）的無云背景場，各網格點的輻射值可以作為該格點非云時衛星接收到的輻射值，作為無云與有云輻射差異對比。若衛星觀測到的輻射值與無云背景場的輻射值相差越大，該格點是云的可信度越高。無云背景場制作方法是以相鄰10 d內相同時刻11.0 μm 通道最大亮溫值為依據，選取對應的可見光通道（0.47 μm）反射率數值作為背景場值。

圖2 AGRI 和AHI 的檢測算法流程Fig.2 Flowchart of AGRI and AHI detection algorithms

參考相關文獻（表2）中的方法，根據檢測目標選擇相應通道，并根據川渝地區實際情況調整適用閾值。雖然AGRI 和AHI 的通道大致相同，但兩者光譜響應函數、中心波長以及分辨率方面略有差異，這就造成了檢測算法閾值有所不同，當兩者差異較大時，前面添加儀器名稱以方便區分（表2）。檢測結果分為6 類（晴空、水云、冰云、霧（即低層云霧）、霾和積雪）。

表2 各類型檢測方法及閾值Table 2 Methods and thresholds for the detection of each type

（1）云霧檢測：與無云背景場相比，云霧在可見光通道呈現亮白色且變化快，所以利用可見光通道的反射率結合對應背景場可有效檢測云霧。當反射率R（0.47）＞0.12，且0.47 μm 通道反射率與對應背景場反射率差值大于0.10，即R（0.47）-BG（0.47）＞0.10 時，該格點判斷為云霧。此外，紅外通道不受太陽光影響，因此增加紅外通道測試，根據亮溫差法，當11.0 μm 和3.8 μm 通道的亮溫差滿足BTD（11.0-3.8）＜-14.0 K（Frey，et al，2008）時，該格點判斷為云霧。

（2）低層云霧：霧粒子的平均半徑僅為數微米，且其中常包含大量半徑為1 μm 左右的微小水滴，而云粒子的半徑多數大于5—6 μm（牛生杰等，2016）。根據米散射理論，云粒子在可見光通道（0.65 μm）和近紅外通道（1.61 μm）的散射效率相近，其反射率差值ΔR（0.65-1.61）一般大于0；對于霧滴粒子來說，其半徑與近紅外通道（1.61 μm）相當，此時的散射效率會變高，所以霧滴反射率差值ΔR（0.65-1.61）小于0（張培等，2019；Ryu，et al，2020；Yang，et al，2021）。即當滿足ΔR（0.65-1.61）＞0 時判斷為云，否則判斷為霧，其中AGRI 閾值略有差異，根據實際情況調整為-0.025。然而部分低云和霧具有十分相似的特性，對于陸地而言，尤其是川渝地區地形復雜云霧繚繞，難以準確地實現低云和霧的分離，所以這里把這一類分為“低層云霧”，為表述方便文中簡稱“霧”。

（3）云相態（冰云、水云）：在8.5 μm 通道冰云和水云的復折射指數的虛部相等，進而兩者具有較為一致的吸收特性，但冰云在11.0 μm 通道的吸收強于水云，該差異會有效反映在亮溫上。即，冰云8.5 μm 和11.0 μm 通道亮溫差BTD（8.5-11.0）一般為正，水云亮溫差BTD（8.5-11.0）為負。所以，結合AGRI 和AHI 通道差異可以確定亮溫差閾值進行冰云、水云的判斷（Baum，et al，2012；朝魯門等，2019）。由于紅外通道主要獲得的是云頂信息，因此這里的云相態主要是指云頂附近的相態。

（4）積雪：由于積雪的特性與云十分相似，但積雪變化緩慢或短期不變，且雪在0.65 μm 處反射率較大，而在1.61 μm 處較小。通過建立歸一化差異積雪指數NDSI=[R（0.65）-R（1.61）]/ [R（0.65）+R（1.61）]的方法可用于判斷積雪范圍（Xiao，et al，2001；Shang，et al，2017）。

（5）霾：在衛星視圖中霾在0.47 μm 通道的反射率介于云和陸地之間，且與陸地更為接近，霾層比云層更光滑，其探測算法強調0.47 μm 通道反射率的空間變化（Shang，et al，2017）。霾判據在選取上各個時刻不同，但差別微小，文中是建立的逐時動態閾值，其變化范圍在0.095—0.125。

2.3 個例分析與驗證

利用3 個儀器（AGRI、AHI 和CALIOP）的觀測資料，進行川渝地區4 個季節（1、4、7 和10 月為冬、春、夏和秋季代表月份）的個例檢測與分析，結果如圖3—6 所示。

圖3 檢測結果對比 （a.AHI，b.AGRI，c.RGB 真彩圖，d.CALIOP； AHI 和AGRI 數據時間是2020 年1 月1 日05 時00 分、04 時53 分，相應的CALIOP 時間是2020 年1 月1 日05 時37 分 （世界時，下同）；紫色實線為CALIOP 的軌跡）Fig.3 Comparison of detection results （a.AHI，b.AGRI，c.RGB true color，d.CALIOP；the AHI and AGRI observations are at 05:00 and 04:53 UTC 1 January 2020，respectively，and simultaneous CALIOP observation is at 05:37 UTC 1 January 2020；the solid purple line represents the CALIOP track）

圖3 是AHI（圖3a）和AGRI（圖3b）的檢測結果，并與真彩色圖像（圖3c）以及CALIOP 云產品（圖3d）進行對比。該個例是川渝地區冬季十分典型的分布狀態，從真彩色圖像可以看出東部低海拔地區幾乎被云層全覆蓋，其中盆地地區呈現灰白色，亮度介于云和陸地之間，西部高海拔地區以晴空為主，同時也存在一些與山體走向較為一致的枝杈狀亮白色，該云區和晴空的過渡區對應青藏高原與四川盆地間的陡峭地形區，表明這種云量分布與高原東側山地存在緊密聯系。如圖3a、b 所示，檢測結果分為6 類：晴空（Clear）、水云（Water）、冰云（Ice）、霧（Fog）、霾（Haze）和積雪（Snow）。通過對比發現，該結果實現了6 種類型的檢測。圖3d 是CALIOP 垂直特征分類標識產品，該產品清楚地展示了云和氣溶膠的垂直分布，其結果分為無效值（Invalid）、晴空（Clear）、云（Cloud）、氣溶膠（Aerosol）、平流特征（Strat）、表層（Surface）、次表層（Subsurface）和無信號（No Signal）。從CALIOP軌跡線上的云垂直分布特征來看，在海拔2—4 km存在較為平整的云系，這與AHI 和AGRI 中的檢測結果較為一致。

從4 月的個例結果（圖4）可以看出，東部低海拔地區云系仍然較多，同時西部地區云系有增多趨勢。該個例存在高云、低云以及霾等類型（圖4d），在[27°N，28°N]和31.5°N 附近地區存在高、低云共存的多層云特征，云頂高度在8—10 km，頂部以冰云為主，由于文中算法只檢測云頂相態，所以AHI 和AGRI 對應區域檢測結果為冰云；在30°N附近出現氣溶膠，AHI 和AGRI 檢測結果均為霾，與CALIOP 結果一致。

圖4 同圖3，但AHI 和AGRI 數據時間是2020 年4 月1 日06 時00 分、05 時38 分，相應的CALIOP 時間是2020 年4 月1 日05 時48 分Fig.4 Same as Fig.3 except that the AHI and AGRI observations are at 06:00 and 05:38 UTC 1 April 2020，respectively，and simultaneous CALIOP observation is at 05:48 UTC 1 April 2020

7 月的檢測個例結果（圖5）顯示，盆地中心地區呈現灰白色，北部為暗黑色，表明盆地地區云系減少，以霾為主，盆地北部地區是晴空的陸地區域，而西部高海拔地區云系明顯增多，東、西部云區分界線仍與地形存在明顯關系。結合圖5d 發現，緯度區間[25°N，28°N]主要為中低層云，與AHI 和AGRI 檢測結果較為一致；盆地地區（緯度[28°N，32°N]）有明顯氣溶膠存在，其中區間[28°N，30°N]部分與AHI 和AGRI 檢測結果較為一致，結果判斷為霾。但在區間[30°N，32°N]部分，RGB 圖像上呈暗黑色，該檢測結果為陸地，而CALIOP 檢測結果還是氣溶膠。所以與CALIOP 相比，霾漏檢大多出現在霾與晴空相接區域，原因可能為閾值隨地形和霾濃度變化而發生了變化。

圖5 同圖3，但AHI 和AGRI 數據時間是2019 年7 月1 日06 時00 分、05 時38 分，相應的CALIOP 時間為2019 年7 月1 日06 時02 分Fig.5 Same as Fig.3 except that the AHI and AGRI observations are at 06:00 and 05:38 UTC 1 July 2019，respectively，and simultaneous CALIOP observation is at 06:02 UTC 1 July 2019

10 月的檢測個例結果顯示（圖6），東部地區大部分被云層覆蓋，西南部云系增多，西部高海拔地區有零星云系，以晴空為主。結合圖6d 發現，該個例存在明顯冰云（高云）、低云（水云）分布，緯度[25°N，28°N]地區主要為高 層冰云，緯度[28°N，35°N]地區存在低層水云，這與AHI 和AGRI 檢測結果較為一致。

圖6 同圖3，但AHI 和AGRI 數據時間是2019 年10 月5 日06 時00 分、05 時38 分，相對應的CALIOP 時間為2019 年10 月5 日05 時54 分Fig.6 Same as Fig.3 except that the AHI and AGRI observations are at 06:00 and 05:38 UTC 5 October 2019，respectively，and simultaneous CALIOP observation is at 05:54 UTC 5 October 2019

CALIOP 可以較準確地獲得大氣中的云信息，有成熟的云相態識別產品（Winker，et al， 2009），被廣泛應用到被動衛星遙感儀器的云產品驗證和評估中。因此，文中將2019 年的AHI 數據根據時間和地理信息與CALIOP 垂直分類標識產品（VFM）數據匹配，選取兩者相近觀測時間（30 min 內）、相近地理位置（5 km 內）的數據進行統計分析。圖7是AHI 檢測結果（晴空、水云和冰云）和CALIOP產品驗證對比。圖中的80.4%表示CALIOP 云產品檢測為晴空的像素點中有80.4%與AHI 一致，兩者都判斷為晴空。若以CALIOP 數據作為更加準確的“真值”，在所有的AHI 和CALIOP 匹配的樣本中，AHI 晴空檢測的準確率超80%，另8.7%誤判為水云，10.9%誤判為冰云；水云檢測的準確率超85.7%，其中8.1%誤判為晴空，6.2%誤判為冰云；冰云檢測的準確性較低（70.5%），14.5%誤判為晴空，15.0%誤判為水云。出現晴空誤判率高的主要原因是CALIOP 對冰云中光學厚度較小的薄卷云的敏感性更高，而AHI 較難探測到此類云，因此判斷為晴空的概率更大；出現水云誤判率高的主要原因是，大氣中存在一種雙相態結構的多層云（即上層是冰云、下層是水云），目前該類云的探測屬于衛星遙感領域的難點，當上層冰云較薄且下層水云較厚時常會誤判為水云。該驗證受到以下兩個方面的限制：（1）CALIOP 是在極軌衛星軌道上進行的，以上驗證僅表示各個時次軌跡線上的驗證結果；（2）VFM 數據的水平分辨率為333 m，而AHI 的分辨率為2 km，可能存在采樣引入的誤差。

圖7 2019 年AHI 檢測結果 （晴空、水云和冰云） 和CALIOP 產品驗證對比Fig.7 Comparison of AHI results （clear，water，and ice）and CALIOP products in 2019

整體而言，該算法基本實現了各種類型檢測，但尚存在不足之處。首先，與CALIOP 產品相比，存在霧、霾漏檢的不足，大多出現在霧、霾與晴空交界區域，原因可能是該地區地勢復雜，閾值隨地形和目標濃度變化而發生了變化。其次，受到衛星成像儀探測原理的限制，當上層有云遮擋時，衛星主要接收到的是云頂信息，低層霧、霾無法有效探測，所以云的遮擋是低層霧、霾檢測結果偏少的主要原因之一。

2.4 AGRI 和AHI 時間序列對比

由于AGRI 和AHI 在通道的光譜響應函數、空間分辨率、觀測角度和時間上略有差異，為了進一步驗證兩個儀器的檢測效果，文中利用兩者2021年的觀測資料進行檢測并做統計分析。為保證數據的連續性且避免太陽高度角過低造成不必要的誤差，所用數據為每天的世界時03—08 時（即北京時11—16 時）?？紤]到川渝地區復雜的地形地勢，將東部低海拔地區和西部高海拔地區分開統計對比。AGRI 和AHI 數據是預處理成等面積投影的網格化數據，這里通過統計6 種類型面積占比情況以定量分析兩個儀器的結果差異。圖8 展示了AGRI和AHI 在東部低海拔地區和西部高海拔地區6 種類型面積占比情況。結果表明，兩個儀器在低海拔地區檢測到的各類型差別在4.0%以內，除積雪外水云檢測一致性最好，誤差在0.7%，晴空類型差別最大，誤差近3.8%；兩個儀器在高海拔地區具有更好的一致性，誤差均在1.7%以內。

圖8 川渝地區2021 年AGRI 和AHI 的檢測結果對比（a.東部低海拔，b.西部高海拔）Fig.8 Comparison of AGRI and AHI results in the Sichuan-Chongqing region during 2021 （a.low altitude，b.high altitude）

3 川渝地區云分布特征

3.1 時、空分布特征

文中進一步利用空間分辨率更高（2.0 km×2.0 km）的AHI 觀測數據，進行6 種類型的檢測，并統計分析2016—2021 年的時、空分布特征。所使用的數據同樣是每天的世界時03—08 時（即北京時11—16 時）。網格中各格點的云覆蓋頻率計算方法如下

式中，Fcloud為云覆蓋頻率，ncloud為統計的云覆蓋個數，N為6 種類型總數。

圖9 是2016—2021 年各月云覆蓋頻率分布。從圖9 中可以看出，該地區云具有明顯的區域和月變化特征。首先，1—3 月和10—12 月東部低海拔地區的云覆蓋頻率較高，且明顯大于西部高海拔地區。1、2 月和11、12 月整體的云覆蓋頻率相對較低；4—9 月西部高海拔地區云覆蓋頻率明顯較高，且整個區域的云覆蓋頻率較高。選擇1、4、7 和10 月作為冬、春、夏、秋四季的代表月進行分析，可以發現1、4 和10 月整個地區分布呈“東多西少”型，但7 月分布發生反向變化，呈“東少西多”型，這與張琪等（2011）的結論一致。出現這種季節特征的原因與該地區地形地勢、水汽條件和大氣環流季節變化有關。冬季，受青藏高原主體和云貴高原的屏障作用，西風氣流被阻擋并出現南、北分支，四川盆地處在這兩支西風氣流的輻合區內，低層是北支冷氣流，高層是南支暖氣流。低層受北支下沉冷氣流控制，風力微弱，天氣穩定，而上層有中國南海高壓輸送來的較暖濕空氣滑行，使四川盆地多云寡照。夏季，盛行東亞季風，受偏南暖濕氣流控制，帶來豐富的水汽，容易形成云雨天氣，且下墊面溫度升高，青藏高原熱力作用加劇了對流活動的發展，因此整體的云覆蓋率都較高。然而在盛夏（7、8 月），四川盆地東部被副熱帶高壓脊控制，脊前的偏南氣流越過云貴高原進入川渝，受下沉增溫影響氣層更趨穩定，導致盆地地區云系減少，出現連晴高溫天氣。

圖9 2016—2021 年月平均云覆蓋率分布Fig.9 Distributions of monthly mean cloud cover frequency in each month over 2016—2021

圖10 給出了川渝地區2016—2021 年云覆蓋率空間分布。整體來看，該地區云覆蓋率常年存在高值中心，總體呈東多西少、盆地多高原少的特征。為進一步定量分析東部低海拔和西部高海拔地區的差異，文中統計了研究時段內兩地區云覆蓋率和晴空率分布情況。圖11 定量給出了川渝地區東部和西部地區云覆蓋率（圖11a）和晴空率（圖11b）的差異，其中東部低海拔地區云覆蓋率大部分在70%—80%，峰值在75%，而西部高海拔地區的云覆蓋率主要在50%—65%。東部低海拔地區晴空率大部分低于20%，而西部高海拔地區的晴空率集中在40%—50%。值得注意的是，在青藏高原與四川盆地之間的陡峭地形區—主要是橫斷山脈東北到東部邊緣狹長區域，狀如縱貫南北的大坡面，該坡面對應云覆蓋率的高、低值過渡區。這一地區的主導天氣、氣候系統包括西風帶、西南季風、東亞季風和南亞高壓，疊加上橫斷山區不同尋常的南北走向與高低起伏的地形，對途經該區域的西風、東亞季風和南亞季風既有東西向阻擋抬升作用，又有南北向的通道作用，使得該區域云覆蓋率常年存在高值。

圖10 2016—2021 年云覆蓋率空間分布Fig.10 Spatial distributions of cloud cover frequency over 2016—2021

圖11 2016—2021 年東部低海拔 （Low） 和西部高海拔 （High） 地區云覆蓋率 （a） 和晴空率 （b） 分布Fig.11 Distributions of cloud cover （a） and clear （b） frequency in the east low-altitude region and the west high-altitude region over 2016—2021

3.2 月變化特征

圖12 是川渝地區6 種類型占總面積的比及月變化。如圖12a 所示，川渝地區東部低海拔地區云覆蓋面積占比常年最大，若將水云、冰云、低層云霧皆計算在內，則各個月云覆蓋面積占比在60%—80%。其中冰云和水云具有明顯的月變化，冰云在1—7 月呈現上升趨勢，8—12 月呈現下降趨勢，具有顯著的單峰特征，7 月面積占比最大（約37%），6—7 月冰云面積占比大于水云面積占比，其他月份與此相反。出現這種特征主要是因為夏季東亞季風帶來豐富的水汽，疊加青藏高原熱力作用，對流活動旺盛，云頂高度高，所以冰云占比明顯上升。其中，8 月總的云覆蓋面積最小，主要因為該時節四川盆地東部被副熱帶高壓脊控制，脊前下沉氣流導致云系減少，這與前文分析一致。值得注意的是，雖然水云覆蓋面積呈現出了和冰云覆蓋面積相反的趨勢，但由于多層云（即上層是冰云、下層是水云）的存在，文中僅探測云頂相態，因此無法判斷水云呈現該趨勢的具體原因。如圖12b 所示，西部高海拔地區云覆蓋面積各月差異較大，1—7 月呈現明顯的上升趨勢，8—12 月呈現下降的趨勢，7 月面積占比最大（峰值約76%），即總的云覆蓋面積隨月份也呈明顯的單峰分布，而晴空面積具有相反的趨勢；其中冰云面積1—7 月呈現波動上升，8—12 月呈現下降趨勢。呈現這樣的云量變化主要是因為，在冬季西部高海拔地區（川西高原）盛行來自印度大陸的偏西或西南干暖空氣，因此云覆蓋面積較少，典型分布狀態如圖3 所示；進入夏季，由于季節轉換，一方面受偏南風帶來的豐富水汽影響，另一方面橫斷山脈東南傾斜利于水汽抬升凝結，且疊加青藏高原熱力作用，十分有利于成云致雨（張琪等，2011），典型分布狀態如圖5 所示。綜上所述，受地形地勢、水汽條件和大氣環流特征共同影響，造成了該地區東、西兩部分云覆蓋面積月變化的差異。

圖12 2016—2021 年東部低海拔地區 （a） 和西部高海拔地區 （b） 各類型面積占比月際變化Fig.12 Monthly variation characteristics of area proportions for all types in the east low-altitude region （a） and the west high-altitude regions （b） over 2016—2021

圖13 為2016—2021 年東部低海拔地區和西部高海拔地區各類型面積占比逐年變化情況，整體而言，各種類型年際波動較小，高、低海拔地區差異較大，整體來看不同年份各類云覆蓋的結果基本相近，但不同年份也有些微差異。東部低海拔地區（圖13a），晴空面積占比較小，云覆蓋面積占比常年在70%上下，其中水云占比最大（35%—40%），冰云占比次之，在20%左右，低層云霧占比最小，約13%。結合前文分析，東部低海拔地區云覆蓋頻率常年存在高值區（圖10），且冬、春、秋3 季都是水云覆蓋面積最大，只有盛夏（7、8 月）強對流發展旺盛時，出現冰云覆蓋面積大于水云的情況（圖12a）。因此平均到全年時，仍是水云覆蓋面積最大，這與上述結論一致。不同年份的分布差異可能跟年際氣候差異有關，這需要結合年氣候特征做深入機理分析，文中不再展開。

圖13 2016—2021 年東部低海拔地區 （a） 和西部高海拔地區 （b） 各類型面積占比逐年變化情況Fig.13 Annual variation characteristics of area proportions for all types in the east low-altitude region （a） and the west high-altitude region （b） over 2016—2021

西部高海拔地區（圖13b），晴空面積占比約40%，云面積占比最大約50%，其中水云和冰云面積占比較接近，水云在24%—26%，冰云在22%—25%，低層云霧約10%。西部高海拔地區，以夏季偏南氣流水汽輸送下抬升凝結的云系占主導，此時多發展旺盛的對流云系，且該地區本身海拔高，所以其云頂高度高、溫度低，因此冰云覆蓋面積較大，整體上幾乎與水云覆蓋面積持平。

4 總 結

利用新一代靜止氣象衛星風云四號A 星和葵花8 號搭載的先進成像儀AGRI 和AHI 觀測資料，根據川渝地區獨特的地形地勢將其分為東部低海拔地區和西部高海拔地區，并建立高分辨率的網格化無云背景場，作為無云與有云輻射差異對比，提高云識別信度，實現了適用于該地區的晴空、水云、冰云、低層云霧、霾和積雪的檢測，并統計分析了其在2016—2021 年的時、空分布特征，主要結論結如下。

（1）川渝地區云的區域特征顯著，將該地區分為東部低海拔地區和西部高海拔地區兩部分，東、西部差異明顯，總體呈東多西少、盆地多高原少的現象。云覆蓋頻率常年存在高值中心，云覆蓋面積有明顯的月變化。東部低海拔地區云覆蓋率常年在70%—80%，而西部高海拔地區云覆蓋率在50%—65%。云覆蓋率的高、低值過渡區對應青藏高原與四川盆地之間的陡峭地形區，出現這種現象的原因與地形地勢、水汽條件和大氣環流特征相關。

（2）云覆蓋面積月變化特征明顯。東部低海拔地區各月的云覆蓋面積相對穩定，占比在60%—80%，而西部高海拔地區各月差異較大。東部低海拔地區冰云和西部高海拔地區總云面積具有顯著月變化（單峰）特征，峰值出現在7 月分別為37%和76%，相鄰月份有依次遞減趨勢。

（3）各類型面積占比年際波動較小。東部低海拔地區云覆蓋面積常年最大（約70%），其中水云占比最大（35%—40%），冰云占比次之（20%左右），低層云霧占比最?。s13%）；西部高海拔地區云覆蓋面積常年占比約60%（水云在24%—26%，冰云在22%—25%，低層云霧占10%）。

總體而言，文中實現了基于靜止衛星成像儀的川渝地區云覆蓋類型檢測和時空分布特征分析，但尚存在不足之處。首先，文中主要側重于該地區云的分布特征分析，在霧、霾檢測方面存在不足。其次，受到衛星成像儀探測原理的限制，當上層有云遮擋時，衛星只能接收到云頂信息，低層霧、霾無法有效探測，所以云的遮擋是低層霧、霾檢測結果偏少的主要原因之一。針對霧、霾檢測和多層云的情況，還有待未來進一步研究。