2001―2021年东亚地区CTP时空模态特征分析
0 引 言
云覆盖地球表面超过三分之二的地区,它对全球大气收支辐射和气候变化起着重要的作用[1,2],许多研究报告指出云参数的变化是影响气候变化的重要因素[3]。云顶气压 (CTP) 是研究云变化的重要参数之一,其主要应用在天气预报、空气质量检测等多个领域[4,5]。在诸多云参数中,CTP扮演着很重要的角色,在不同气压环境下,会产生不同的云反馈[6,7],CTP不但对一些复杂云 (例如:冰雪上空云、薄云等) 有很好的鉴别作用,而且还可以对不同高度的云有着很好的判断依据。
近年来,国内外许多学者利用遥感探测数据对云的特征变化进行了分析。崔林丽等[8]通过不同卫星资料对云顶参数的反演研究发现,在深厚云区内不同卫星反演的CTP都达到100~200 hPa,与实际观测一致。乔瑞等[9]基于高分五号卫星搭载的多角度偏振探测仪 (DPC) 在氧气A吸收带设置的763 nm和765 nm两个波段进行了云顶压强反演方法的研究,分析了气溶胶和大气廓线等因素对CTP变化的影响,并且将DPC反演压强与数字高程模型 (DEM) 估算压强进行对比验证。杨太平等[10]通过对比分析大气痕量气体差分吸收光谱仪 (EMI) 与对流层监测仪器 (TROPOMI) 的云量反演结果,发现海上云量偏低而陆地云量偏高。伟乐斯等[11]通过高分五号卫星搭载的大气多角度偏振探测仪对全球云分布和云辐射反馈进行研究,并利用多波反射率和表观压强等信息开发了一种云检测算法,同时与中分辨率成像光谱仪 (MODIS) 反演数据进行了对比验证。刘健[12]利用三种遥感数据对青藏高原地区的云量数据进行研究分析,结果发现在高原的东部和北部地区云量偏多,并且白昼云量大于夜晚的云量。符传博等[13]利用地面气象台观测站对1960年至2012年中国地区的总云量、平均气温和相对湿度进行时空特征分析,结果发现,平均气温和相对湿度在时空演变上均与总云量变化保持较高的同步性。李琦等[14]利用中国业务布网探空站观测的资料,通过相对湿度阈值法对云垂直结构进行分析,研究发现地形和气候带的差异与不同类型的云分布相关性较高。Menzel等[15]对MODIS反演的CTP与机载、激光雷达测量值进行了比较分析。Lindstrot等[16]利用MODIS研究了云的亚尺度空间异质性对反演云顶压力的影响。
东亚地区位于亚洲大陆东部,属于亚洲季风区,在此区域中有大量污染气体的排放,这就造成了该地区云参数变化具有诸多鲜明特征,其中CTP的变化是影响云辐射变化的重要因子,从宏观来看,CTP和云量的变化会影响云的辐射强迫[17]。以往学者在对云参数的研究中很少对东亚地区CTP时空特征进行分析研究,因此,本研究利用MODIS和大气红外探测仪 (AIRS) 遥感反演的 L3级数据产品,通过经验正交函数、MK (Mann-Kendall) 趋势分析、最小二乘法等气象研究方法,全面分析研究了东亚地区CTP的时空模态长期变化特征。
1 数据与方法
1.1 数据来源
采用MODIS和AIRS两种探测仪反演的产品资料对东亚地区2001年1月至2021年12月的CTP进行时空模态分析。
MODIS光谱探测仪共有36个光谱波段、490个探测器,光谱波段为1.405 μm至热红外14.385 μm,扫描宽度为2330 km。MODIS通过光谱探测反演的CTP和有效云量与地基探测获取的数据具有较高的拟合性[18-22]。本研究主要采用MOD03_08_v6.0版的三级数据,其空间分辨率为1° × 1°,使用的是月产品数据,数据来源地址为https://ladsweb.modaps.eosdis.nasa.gov/search/。
AIRS是搭载在Aqua卫星上的大气红外探测仪,共有2378个热红外通道,具有较高的光谱分辨率 (
MODIS和AIRS两种数据反演产品的异同主要表现在:MODIS产品数据通过CO2薄片技术反演出中高层云的有效云量和CTP,但是对于接近地面的云层 (CTP > 700hPa),由于云信息较少,可能造成反演气压数据不精确;AIRS数据产品是利用物理方法通过高级微波探测器反演得到的数据,但AIRS空间分辨率较低,因此反演时需要借助一些微波资料,由于反演仪器有效信息量不足、灵敏度较差,造成反演精度和分辨率可能产生误差[23-25]。
1.2 MODIS与AIRS数据产品对比讨论分析
本节着重对东亚地区2003—2021年两种不同探测仪获取的数据进行比较分析。
图 1. MODIS和AIRS反演数据时间序列比较及相关性分析。(a) 时间序列图; (b) 相关性分析图
Fig. 1. Comparison and correlation analysis between MODIS and AIRS satellite data. (a) Time series diagram; (b) correlation analysis chart
1.3 研究方法
卫星资料能做到在全球大面积的覆盖、不间断扫描并且受其他因素干扰较少,所以在对云参数研究时,许多学者使用卫星遥感手段进行分析[25-29]。东亚地区主要包括中国、朝鲜、日本和蒙古等国家,本研究选取东亚地区的范围为0° N~60° N,70° E~150° E。在做四季变化研究时,由于东亚地区位于北半球,研究采用北半球的四季划分,3—5月为春季,6—8月为夏季,9—11月为秋季,12月—次年2月为冬季;在探究东亚地区的CTP空间分布时,按照10度间隔把纬度从赤道到北半球的60° N划分为6个纬度带,每个纬度带的CTP都由该纬度带内的CTP样本信息进行算术平均。
MK趋势检验法是用于时间序列分析的非参数检验法[30],存在着两种应用方法,分别为趋势分析和突变点分析。该方法不要求变量遵从正态分布,不需要添加参数,算法易实现,比较适合对水文和气象序列参数进行检验。在趋势分析应用中,Z值代表标准化测试统计,P值代表趋势变化的显著性水平,当绝对值超过1.645、1.96、2.576时分别表示通过了置信度90%、95%、99%的显著性检验[31]。在突变检验法分析中,主要依靠UFK和UBK值,当UFK > 0时,说明持续增长趋势,值在0.05显著性水平线上,说明通过0.05显著性检验;当UFK和UBK曲线的交点在置信水平区间[-1.96,1.96]内,并且确定交点具体年份,说明该年份参数呈现突变性增长状态,如果交点不在检验范围内,说明交点没有通过0.05的检验,所以该年份参数突变性上升不具有突变性。
经验正交函数分析方法 (EOF),在气候、气象和地学中得到广泛的应用,该分析方法可以把随时间变化的变量场分解为不随时间变化的空间函数部分和只依赖时间变化的时间部分。空间函数主要代表场的地域分布特征,而时间函数部分主要是由场的空间点的变量线性组合构成。因此在利用EOF分析CTP在东亚区域的时空变化特征时,需要将空间函数部分与时间系数相结合进行趋势变化分析。EOF反应的是年CTP的均值状态,时间系数 (PC) 代表对应空间分布模态的时间变化特征。将空间EOF模态与时间系数相结合分析CTP趋势变化,决定趋势变化上升或下降主要来自空间模态正负值区域与时间系数正负值之间的同或运算。在空间模态正值区域,当时间系数为负值时,该区域CTP变化呈下降趋势;反之,当时间系数为正值时,呈上升趋势。在空间模态负值区域,当时间数为负值时,该区域 CTP 变化呈上升趋势;反之,当时间系数为正值时,呈下降趋势。上述变化趋势中,时间系数绝对值越大,表明这一年此模态越典型。
本研究首先对整个东亚地区CTP进行逐年趋势检验和突变分析;然后利用最小二乘法和MK趋势检验法对东亚地区进行空间趋势分析;最后再利用EOF分析方法对东亚地区进行时空模态特征分析。
2 MODIS反演的东亚地区云顶参数时空分布特征
2.1 空间分布
2.1.1 云顶参数多年平均空间分布
东亚地区2001―2021年CTP昼夜多年均值空间分布如
图 2. 2001—2021东亚地区CTP昼夜 (a)、白昼 (b)、夜晚 (c) 空间分布图以及海拔高度空间分布图(d)
Fig. 2. CTP spatial distribution map of day and night (a), day (b), night (c) and altitude spatial distribution map (d) in East Asia from 2001 to 2021
2.1.2 CTP四季平均空间分布
图 3. 2000—2020年东亚地区CTP的四季变化图
Fig. 3. Seasonal variation of CTP over East Asia from 2000 to 2020
图 4. 2000—2020年东亚地区CTP季节变化的空间分布图。(a) 春季; (b) 夏季; (c) 秋季; (d) 冬季
Fig. 4. Spatial distribution of CTP seasonal variations over East Asia from 2000 to 2020.(a) Spring; (b) summer; (c) autumn; (d) winter
2.2 CTP的时间序列变化趋势分析
2.2.1 CTP的年变化MK趋势和突变检验分析
为了研究东亚地区的CTP长期变化趋势,本研究选取2001年1月至2021年12月期间的MODIS反演CTP产品,分别对昼夜、白昼和夜晚监测的数据进行MK趋势和突变检验分析。
图 5. 2001—2021年东亚地区CTP MK突变检验结果。(a) 年变化曲线; (b) 昼夜MK; (c) 白昼MK; (d) 夜晚 MK
Fig. 5. Results of CTP MK mutation testing in East Asia from 2001 to 2021. (a) Annual variation curve; (b) day and night MK; (c) day MK; (d) night MK
表 1. 2001—2021年东亚地区不同时间段的线性拟合和MK趋势检验
Table 1. Linear fitting and MK trend test for different time periods in East Asia from 2001 to 2021
|
结合
2.2.2 CTP的多维多角度时间变化分析
图 6. 2001—2021年东亚地区CTP变化图。(a) 东亚地区逐月趋势图; (b) 中国东北地区逐月趋势图; (c) 东青藏高原地区逐月趋势图; (d) 东亚及其子区域月均图; (e) 东亚地区纬向月均图; (f) 东亚地区不同纬度段年际变化图
Fig. 6. Variation of CTP in East Asia from 2001 to 2021. (a) Month-on-month trend of East Asia; (b) month-on-month trend of Northeast China; (c) monthly trend of the Eastern Tibetan Plateau region; (d) monthly mean map of East Asia and its sub-regions ; (e) monthly zonal mean map of East Asia ; (f) interannual variation map of different latitudes in East Asia
2.2.3 四季对全年CTP纬向均值影响
图 7. 2001—2021年东亚地区CTP纬向均值分布图
Fig. 7. Zonal mean distribution of CTP over East Asia from 2001 to 2021
综上分析可知,在东亚地区,无论从哪个纬度段上看,冬季对全年CTP均值影响最大,对全年CTP平均值而言是正贡献;夏季影响最小,对CTP全年平均值而言是负贡献;春秋季对全年CTP均值的影响随着纬度变化而有所不同。在20° N以南,春季影响明显大于秋季;但是在20° N以北,秋季对全年CTP均值的影响高于春季。
3 MODIS反演的东亚地区CTP空间变化趋势分析
3.1 CTP的空间长期变化趋势分析
为更好地了解东亚地区CTP的空间长期变化趋势,利用MK趋势检验和最小二乘法对2001—2021年东亚地区每个经纬度栅栏格点进行年变化速率分析。
图 8. 2001—2021年东亚地区CTP变化趋势空间分布图。(a) MK趋势检验变化图; (b) 年变化速率
Fig. 8. Spatial distribution of CTP trends over East Asia from 2001 to 2021. (a) MK trend test variation chart; (b) annual rate of change
3.2 东亚地区CTP空间分布的EOF模态分析
利用2001—2021年东亚地区CTP逐月数据进行EOF模态分析。EOF分析获取的CTP前六个模态的方差贡献率和累加贡献率如
表 2. 东亚地区CTP EOF分析前6个模态方差贡献率
Table 2. Variance contribution rate of the first six modes in EOF analysis of CTP over East Asia
|
图 9. 2001—2021年东亚地区CTP EOF1空间分布图(a) 和时间系数图(b)
Fig. 9. EOF1 spatial distribution map (a) and time coefficient map (b) of CTP in East Asia from 2001 to 2021
4 东亚地区CTP影响因素讨论分析
为分析东亚地区CTP影响因素情况,利用2003—2021年AIRS的地表温度、湿度、水汽月均数据与MODIS反演的CTP月均数据,分别分析白昼地表温度、湿度、水汽与CTP之间的相关性,
图 10. 2003—2021年东亚地区CTP与地表温度 (a)、湿度 (b)、大气水汽 (c) 以及云量 (d) 气象因素相关系数空间分布
Fig. 10. Spatial distribution map of the correlation coefficients between CTP and meteorological factors in East Asia from 2003 to 2021. (a) Surface temperature; (b) humidity; (c) atmospheric water vapor; (d) cloud cover
已有的研究表明,云量对CTP的影响很大,其影响方式主要是通过高低云类型转变,因此进一步利用MODIS月均数据对东亚地区的云量和CTP做相关性分析,分析结果如
国内外也有关于云顶参数时空分布及影响因素的相关研究。徐寅等[33]利用ISCCP云气候资料,分析了中国1988—2007年期间夏季 (6—8月) 强对流CTP时空分布并讨论了变化因素,研究发现中国夏季CTP较低区域大致分布在青藏高原、东南沿海、四川中西部、新疆天山地区、内蒙古中部和甘肃等区域,这与本研究在分析CTP四季空间分布时所得结论一致。Huang等[34]对气溶胶和CTP、云量等相关因素进行了分析,研究发现CTP与气溶胶和云量均呈相反趋势,这与本研究的CTP与云量呈显著负相关的结论有较高的一致性。Chedzey等[35]利用CTP等参数对不同类型云进行了分析,发现云量变化与CTP变化有较高的契合性。以往学者对CTP的研究大多都是对某季节进行分析或通过研究某些大气参数的影响因素时引入CTP,而本研究是从多维多角度对卫星长期观测的CTP数据进行时空模态特征研究及相关影响因素分析,并且引用各种算法 (MK、线性回归、EOF模态分析等) 对CTP变化趋势进行了研究,相比较而言本研究较系统全面。
5 结论
通过对MODIS和AIRS反演的长期数据产品的综合分析,主要研究了东亚地区CTP的时空模态变化特征及影响因素,主要结论如下:
1) 利用MODIS和AIRS在东亚地区的CTP数据进行趋势变化和相关性分析,AIRS反演的数据值低于MODIS反演数据值,但是他们的趋势变化一致,Pearson相关系数达到0.95,因此在CTP趋势分析上,两探测仪反演的数据分析结果具有同等的可靠性。
2) 东亚地区的CTP年均值在280~800 hPa,呈现由东北到西南逐渐递减的趋势,在中国东北地区CTP最大,明显高于西南地区。东亚地区主要以中云分布为主,其中低云区主要集中在中国东北、京津冀、朝鲜半岛和中纬度海洋地区,在中国中原、南方 (广西、广东和长江中下游各省地区) 以及新疆部分等地区以中云为主,高云主要出现在中国青藏高原和塔克拉玛干沙漠。受海拔高度的影响,在中国西部地区、内蒙、四川和云南等区域与同纬度下的其他地区相比CTP较低。由于夜晚大气层的湿度相对较大,造成空气中水汽较多,稀释了空气,从而使夜晚气压值偏低。由于不同纬度带对太阳辐射不均匀和地理位置影响,促使中国东北地区CTP明显高于东南沿海地区。东亚地区CTP的季节空间变化差异显著,在一年四季中CTP呈现“√”字型变化,CTP随着季节变化从春季到冬季先减小后增大,在冬季最高,夏季最低。受地理位置和纬度带的影响,CTP的高值区在一年四季均分布在东北地区上空,低值区始终位于青藏高原地区。东亚地区的昼夜、白昼和夜晚CTP呈平稳性变化趋势,三者的变化速率分别为 -0.008、0.172、-0.021 hPa/a;东亚地区CTP在2—7月份逐渐下降,在7月份降至最低值为480.65 hPa,从7月份到次年2月份一直呈上升趋势;冬季CTP值最高,对全年CTP均值呈正贡献,夏季CTP最低,对CTP均值呈负贡献。在中国的广西、广东、云南和缅甸、印度等地属于热带季风区,冬季受来自大陆的干冷气流影响,干燥少雨,气候具有大陆性,对流云活动将会受到强烈抑制,限制云高的上升,容易形成CTP高值区。
3) 通过MK趋势分析和最小二乘法分析CTP在东亚地区年变化趋势的空间分布特征,在中国的新疆、印度半岛、缅甸、蒙古和贝加尔湖等区域呈现较高的增长趋势,在中国的青藏高原、南部沿海等部分区域以及东部海域均呈较明显的下降趋势。青藏高原地区变化速率在-2.4 hPa/a左右,贝加尔湖、印度半岛地区、缅甸、泰国、柬埔寨和马来西亚变化速率约在3 hPa/a左右。
4) 利用EOF模态分析方法对东亚地区CTP进行空间分析,前六个模态累计方差贡献率为77.76%,其中EOF1所占比重最大,可以更好地反应近些年CTP空间变化趋势,近14年CTP在中国东北、中国南部、新疆、印度半岛以及日本等地区呈上升趋势,在青藏高原、甘肃、陕西部分地区和菲律宾半岛等区域呈下降趋势。
5) 在东亚地区部分区域CTP与地表温度、湿度、水汽和云量均呈现较为显著的相关性,因此CTP的变化可以在一定程度上反应区域性天气变化情况。
[1] Liou K N, Davies R. Radiation and cloud processes in the atmosphere[J]. Physics Today, 1993, 46(9): 66-67.
[2] 杨太平. 基于多平台DOAS技术大气光学特性参数反演算法研究及应用 [D]. 合肥: 中国科学技术大学, 2020.
YangT P. Research and Application of Atmospheric Optical Characteristic Parameter Inversion Algorithm Based on Multi-Platform DOAS Technology [D]. Hefei: University of Science and Technology of China, 2020.
[3] 张华, 彭杰, 荆现文, 等. 东亚地区云的垂直重叠特性及其对云辐射强迫的影响[J]. 中国科学: 地球科学, 2013(4): 523-535.
Zhang H, Peng J, Jing X W, et al. Vertical overlapping characteristics of clouds in East Asia and their effects on cloud radiative forcing[J]. China Science: Earth Science, 2013(4): 523-535.
[4] 周红妹, 葛伟强, 柏 桦, 等. 气象卫星大雾遥感自动识别技术研究[J]. 热带气象学报, 2011, 27(2): 152-160.
Zhou H M, Ge W Q, Bai H, et al. Research on automatic fog identification technology by meteorological satellite remote sensing[J]. Journal of Tropical Meteorology, 2011, 27(2): 152-160.
[5] 李兴武, 董海萍, 郭卫东, 等. ATOVS不同卫星资料在台风模拟中的同化试验研究[J]. 热带气象学报, 2012, 28(2): 157-166.
Li X W, Dong H P, Guo W D, et al. Data assimilation experiments in typhoon numerical prediction using different ATOVS radiance[J]. Journal of Tropical Meteorology, 2012, 28(2): 157-166.
[6] Wang W C, Rossow W B, Yao M S, et al. Climate sensitivity of a one-dimensional radiative-convective model with cloud feedback[J]. Journal of the Atmospheric Sciences, 1981, 38(6): 1167-1178.
[7] Ramanathan V, Cess R D, Harrison E F, et al. Cloud-radiative forcing and climate: Results from the earth radiation budget experiment[J]. Science, 1989, 243(4887): 57-63.
[8] 崔林丽, 郭 巍, 葛伟强, 等. FY-4A卫星云顶参数精度检验及台风应用研究[J]. 高原气象, 2020, 39(1): 196-203.
Cui L L, Guo W, Ge W Q, et al. Comparisons of cloud top parameter of FY-4A satellite and its typhoon application research[J]. Plateau Meteorology, 2020, 39(1): 196-203.
[9] 乔 瑞, 伽丽丽, 许 华, 等. 基于高分五号DPC氧气A吸收波段的云顶压强反演[J]. 大气与环境光学学报, 2021, 16(3): 256-268.
[10] 杨太平, 司福祺, 周海金, 等. EMI云量反演及与TROPOMI的对比研究[J]. 大气与环境光学学报, 2021, 16(3): 223-230.
[11] 伟乐斯, 尚华哲, 胡斯勒图, 等. GF-5 DPC数据的云检测方法研究[J]. 遥感学报, 2021, 25(10): 2053-2066.
Wei L S, Shang H Z, Husi L T, et al. Cloud detection algorithm based on GF-5 DPC data[J]. Journal of Remote Sensing, 2021, 25(10): 2053-2066.
[12] 刘 健. 三种卫星云量数据在青藏高原地区的比对分析[J]. 遥感学报, 2021, 25(7): 1445-1459.
Liu J. Performance of cloud fraction of three satellite cloud climate date records over the Tibetan Plateau[J]. Journal of Remote Sensing, 2021, 25(7): 1445-1459.
[13] 符传博, 丹 利, 冯锦明, 等. 1960—2012年中国地区总云量时空变化及其与气温和水汽的关系[J]. 大气科学, 2019, 43(1): 87-98.
Fu C B, Dan L, Feng J M, et al. Temporal and spatial variations of total cloud amount and their possible relationships with temperature and water vapor over China during 1960 to 2012[J]. Chinese Journal of Atmospheric Sciences, 2019, 43(1): 87-98.
[14] 李 琦, 蔡 淼, 周毓荃, 等. 基于探空云识别方法的云垂直结构分布特征[J]. 大气科学, 2021, 45(6): 1161-1172.
Li Q, Cai M, Zhou Y Q, et al. Characteristics of cloud vertical distribution based on cloud identification by radiosonde[J]. Chinese Journal of Atmospheric Sciences, 2021, 45(6): 1161-1172.
[15] Menzel W P, Frey R A, Zhang H, et al. MODIS global cloud-top pressure and amount estimation: Algorithm description and results[J]. Journal of Applied Meteorology and Climatology, 2008, 47(4): 1175-1198.
[16] Lindstrot R, Bennartz R, Preusker R, et al. The impact of subscale inhomogeneity on oxygen A band cloud-top pressure estimates: Using ESA's MERIS as a proxy for DSCOVR-EPIC[J]. Remote Sensing, 2012, 4(7): 1963-1973.
[17] 王 根, 邵立瑛, 丁卫东, 等. 高光谱GIIRS中波通道的最优选择及其对云检测的影响[J]. 红外, 2021, 42(7): 36-42.
[18] Toller G N, Xiong X X, Chiang K F, et al. Status of earth observing system Terra and Aqua moderate-resolution imaging spectroradiometer level 1B algorithm[J]. Journal of Applied Remote Sensing, 2008, 2(1): 023505.
[19] Frey R A, Baum B A, Menzel W P, et al. A comparison of cloud top heights computed from airborne lidar and MAS radiance data using CO2 slicing[J]. Journal of Geophysical Research: Atmospheres, 1999, 104(D20): 24547-24555.
[20] 张颖蕾, 崔希民. 基于MODIS_C061的长三角地区AOD与Angström指数时空变化分析[J]. 环境科学, 2020, 41(6): 2617-2624.
Zhang Y L, Cui X M. Spatial and temporal characteristics of AOD and Angström exponent in the Yangtze River Delta based on MODIS_C061[J]. Environmental Science, 2020, 41(6): 2617-2624.
[21] 常钰阳, 孙斌, 黄禅, 等. 多角度偏振云检测及云参数反演[J]. 光学学报, 2020, 40(11): 11-21.
Chang Y Y, Sun B, Huang C, et al. Cloud detection and parameter inversion using multi-directional polarimetric observations[J]. Acta Optica Sinica, 2020, 40(11): 11-21.
[22] 刘瑞霞, 陈洪滨, 郑照军, 等. 总云量产品在中国区域的分析检验[J]. 应用气象学报, 2009, 20(5): 571-578.
Liu R X, Chen H B, Zheng Z J, et al. Analysis and validation of total cloud amount data in China[J]. Journal of Applied Meteorological Science, 2009, 20(5): 571-578.
[23] Susskind J, Blaisdell J M, Iredell L. Improved methodology for surface and atmospheric soundings, error estimates, and quality control procedures: The atmospheric infrared sounder science team version-6 retrieval algorithm[J]. Journal of Applied Remote Sensing, 2014, 8(1): 084994.
[24] 王闰芳, 马晓丹, 赵天良, 等. 利用地面观测资料和AIRS卫星资料评估MACC再分析臭氧数据中国地区的适用性[J]. 环境科学, 2019, 40(10): 4412-4422.
Wang R F, Ma X D, Zhao T L, et al. Evaluation of MACC reanalysis ozone data over China using ground-based and AIRS satellite observations[J]. Environmental Science, 2019, 40(10): 4412-4422.
[25] Susskind J, Barnet C D, Blaisdell J M. Retrieval of atmospheric and surface parameters from AIRS/AMSU/HSB data in the presence of clouds[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(2): 390-409.
[26] 丁守国, 赵春生, 石广玉, 等. 近20年全球总云量变化趋势分析[J]. 应用气象学报, 2005, 16(5): 670-677.
Ding S G, Zhao C S, Shi G Y, et al. Analysis of global total cloud amount variation over the past 20 years[J]. Journal of Applied Meteorological Science, 2005, 16(5): 670-677.
[27] 吴伟, 王式功. 中国北方云量变化趋势及其与区域气候的关系[J]. 高原气象, 2011, 30(3): 651-658.
Wu W, Wang S G. Tendency change of cloud over northern China and its relation with regional climate[J]. Plateau Meteorology, 2011, 30(3): 651-658.
[28] 刘柏鑫, 李栋梁. 我国云量时空变化特征及其与副热带夏季风北边缘带关系研究[J]. 气象, 2018, 44(3): 382-395.
Liu B X, Li D L. Spatio-temporal variation features of cloud cover in China and its correlation to north boundary belt of subtropical summer monsoon[J]. Meteorological Monthly, 2018, 44(3): 382-395.
[29] Zhong L, Ma Y M, Su Z B, et al. Estimation of land surface temperature over the Tibetan Plateau using AVHRR and MODIS data[J]. Advances in Atmospheric Sciences, 2010, 27(5): 1110-1118.
[30] Mann H B. Nonparametric tests against trend[J]. Econometrica, 1945, 13(3): 245.
[31] Kendall M G. Rank correlation methods[J]. British Journal of Psychology, 1990, 25(1): 86-91.
[32] Zhao C F, Chen Y Y, Li J M, et al. Fifteen-year statistical analysis of cloud characteristics over China using Terra and Aqua moderate resolution imaging spectroradiometer observations[J]. International Journal of Climatology, 2019, 39(5): 2612-2629.
[33] 徐寅, 金莲姬, 许潇锋. 近20年来我国夏季强对流CTP的空间分布及变化趋势[J]. 气象研究与应用, 2011, 32(2): 1-4.
Xu Y, Jin L J, Xu X F. Spatial distribution and variation tendency of summer convection cloud-top pressure over China in recent 20 years[J]. Journal of Meteorological Research and Application, 2011, 32(2): 1-4.
[34] Huang J, Bu L, Kumar K R, et al. Investigating the relationship between aerosol and cloud optical properties inferred from the MODIS sensor in recent decades over East China[J]. Atmospheric Environment, 2020, 239: 117812.
[35] Chedzey H, Menzel W P, Lynch M. Changes in HIRS detection of cloud over Australia from 1985 to 2001[J]. Remote Sensing, 2021, 13(5): 917.
Article Outline
孙乐, 唐超礼, 魏圆圆, 黄友锐. 2001―2021年东亚地区CTP时空模态特征分析[J]. 大气与环境光学学报, 2023, 18(6): 569. Le SUN, Chaoli TANG, Yuanyuan WEI, Yourui HUANG. Spatial-temporal mode analysis of cloud top pressure over East Asia during 2001―2021[J]. Journal of Atmospheric and Environmental Optics, 2023, 18(6): 569.