-
颗粒物后向散射系数(particulate backscattering coefficient, bbp)是海洋光学中研究海洋生态学和生物地球化学的核心参数[1]。利用bbp可以估算叶绿素浓度、浮游植物初级生产力、颗粒有机碳含量、颗粒大小等重要的海洋特性[1-3]。因此，bbp的精确探测对于海洋科学研究意义重大。
bbp的测量通常采用原位方法或被动水色卫星遥感，前者只能将测量仪器搭载于船舶或浮标进行现场观测，需要极高的人力物力财力成本，并且无法在短时间进行大范围的探测，在全球海洋环境探测方面存在局限性[4-5]。被动水色卫星遥感提供了长达20余年的全球海洋表面信息的连续记录，但这种依赖自然光的测量方法也存在着固有的局限性：无法在夜间、云层较厚的白天以及高纬度的极地进行工作[6]。而星载激光雷达则可以突破此限制，它利用发射的脉冲激光获取水体数据，是一种主动探测技术。其主要优势在于不依赖于太阳光提供光源，从而为研究浮游生物特性的昼夜变化和在极夜期间的持续观察提供了可能[7]。此外，相较于全球探测能力会受到大气和太阳高度角的干扰的被动水色遥感手段[8]，激光雷达的探测精度更高[9-10]。
目前在轨运行的主要星载激光雷达是由美国国家航天局(National Aeronautics and Space Administration, NASA)与法国国家航天中心(Centre National d’Etudes Spatiales, CNES)合作研制的正交偏振云和气溶胶激光雷达(Cloud Aerosol Lidar with Orthogonal Polarization, CALIOP)，其于2006年4月28日搭载云-气溶胶激光雷达和红外探测者卫星(Cloud Aerosol Lidar and Infrared Pathfinder Satellite Observations, CALIPSO)发射。CALIOP运行轨道控制为每16天重复一次相同的地面轨道，相对于交叉轨道网格的误差小于10 km，向地面发射两个波长（532 nm和1064 nm）的激光脉冲，而其中532 nm对海水的穿透能力较强[7, 11]。尽管CALIOP最初发射目的是为研究大气中云和气溶胶的空间分布和光学特性，但近年来多项研究表明，CALIOP可以提供有价值的海洋光学特性信息[1, 2, 12-14]。2006年至今，CALIOP已超出预计在轨寿命四年(2018~2021)，原因之一是通过CALIOP能够探测海洋表层的光学特性[15]，其获得的全球多年数据集为我们提供了一个关于地球海洋的新视角。
2007年，Hu等[16]首次将CALIOP数据应用从大气拓展至海洋，研究展示了星载激光雷达获取全球海洋光学参数数据的可能性。进而，利用CALIOP数据反演bbp的研究进展迅速。2013年，Churnside等人[1]通过对近水面范围内后向散射退偏程度的研究，验证了利用CALIOP数据探测海洋次表层信息的可能性；同年，Behrenfeld等人[13]提出了通过CALIOP 532 nm的正交偏振通道的信号反演bbp的可行方法，通过bbp量化计算全球海洋的颗粒有机碳和浮游植物生物量，并用原位和被动遥感数据进行了对比验证。2014年Lu等人[14]改进了上述算法，去除了激光雷达瞬态响应对衰减后向散射的影响。2016年Lu等人[17]又提出了一个基于30°天底角的CALIOP数据计算bbp的新方法，同年Behrenfeld等人[2]使用CALIOP观测数据研究了极地浮游植物生物量年际循环，突破了被动水色遥感在极夜无法观测的局限性。2019年Behrenfeld等人[18]利用CALIOP反演bbp数据研究了全球浮游动物昼夜迁徙规律。2020年，在数据验证方面，Lacour等人[19]将CALIOP反演bbp与Bio-Argo的原位bbp数据在北大西洋进行对比分析；2021年Bisson等人[9]将范围扩大至全球，验证了CALIOP数据的可靠性。这一系列的研究进展展示了CALIOP星载激光雷达探测海洋的巨大潜力。文中详细介绍了CALIOP反演bbp的方法原理以及后续改进，旨在为我国未来星载海洋激光雷达的数据处理及应用工作提供参考。
-
图1给出了CALIOP的基本原理框图。一束脉冲激光发射入大气和海洋中，发射的532 nm脉冲激光为线偏振光，偏振纯度大于99%，1064 nm则为非偏振光。颗粒物产生的后向散射信号由直径为1 m的卡塞格林望远镜收集。标准具和干涉滤光片为532 nm通道提供了35 pm的带宽，可以减少太阳背景光影响，而1064 nm通道使用一个单独的干涉滤光片实现背景光滤除。偏振分束器将平行于和垂直于出射光束平面的532 nm返回信号分离开来，由两个光电倍增管探测器(Photomultiplier Tube, PMT)分别进行探测；对于1064 nm通道，则选择雪崩光电二极管(Avalanche Photo Diode, APD)进行探测，因为它在该波长的量子效率更高。位于分束器前面的退偏器可以移动到光束中，用于测量两个532 nm偏振通道的相对灵敏度[7, 20]。最后通过放大器和模数转换器(Analog to Digital Cnverter, ADC)将探测到的模拟信号转换为可供算法处理的数字信号输入计算机。
利用卫星探测得到的原始数据，CALIOP官网提供了Level 1~Level 3的数据产品：Level 1通常指L1B数据产品，包含昼夜半轨道的校准和地理定位的单脉冲激光雷达廓线，主要包括532 nm垂直和平行通道以及1 064 nm通道的衰减后向散射廓线数据，被记录到恒定海拔网格上，不同海拔的分辨率也不同，见表1。在海平面附近的数据是反演bbp的关键参数，此时的532 nm高度分辨率为30 m，对应到水中为22.5 m。Level 2提供了云和气溶胶的分层信息，主要包括各层次海拔高度、光学厚度、积分衰减后向散射(Integrated Attenuated Backscattering，IAB)等参数。Level 3数据产品则是对Level 2数据的进一步提炼整合，提供了一定时间尺度上的各参数全球分布数据。笔者研究主要使用的是CALIOP的L1B数据。
表 1 不同海拔范围的CALIOP水平/垂直分辨率
Table 1. CALIOP horizontal/vertical resolution at different altitude ranges
Altitude range/km Bin number Horizontal resolution/km Vertical resolution/m 532 1 064 30.1-40.0 1-33 5 300 N/A 20.2-30.1 34-88 5/3 180 180 8.3-20.2 89-288 1 60 60 −0.5-8.3 289-578 1/3 30 60 −2.0- -0.5 579-583 1/3 300 300 -
CALIOP 532 nm平行通道信号中的海面反射信号可能比水体部分高几个数量级[21]，而垂直通道信号主要是水中颗粒物后向散射的结果。Churnside等人在海面附近三个位置观测到垂直通道信号相对于平行通道信号存在延迟和展宽，证明了CALIOP可以观测到海洋次表层的散射[1]。因此，目前CALIOP数据反演bbp主要是利用532 nm垂直与平行通道信号比值进行反演的方法[13]，这种方法也可以避免对大气透过率进行校准。
(1) 数据来源
该方法使用到的数据主要包括三部分，分别是CALIOP提供的L1B衰减后向散射廓线数据，用于核心数据反演计算，Level 2的5 km云和气溶胶层次数据，用于晴空条件筛选，目前数据已经更新到V4版本，以及中等分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer, MODIS)提供的月平均490 nm漫射衰减系数(diffuse attenuation coefficient，Kd)，用于颗粒物的退偏比计算。
(2) 数据预处理
由于MODIS给出的Kd数据是在波长为490 nm条件下测得，需要用转换公式[17]将其转换为532 nm下的Kd值：
$$\begin{split} \\ {K_{\rm{d}}}(532) = 0.68({K_{\rm{d}}}(490) - 0.022) + 0.054 \end{split}$$ (1) CALIOP的L1B数据、L2数据、MODIS的Kd数据之间的空间分辨率各不相同，无法直接一一对应进行计算。鉴于L1B数据的分辨率最高，并且是反演中的核心计算数据，需要将另外两种数据在经纬度上进行网格化统一，以便与L1B数据进行匹配。
(3) bbp反演
对bbp的估计主要基于CALIOP数据中的532 nm波长的垂直通道信号，因为该通道信号几乎都来自于水体颗粒物的后向散射，而海表菲涅尔反射和水分子散射的影响可以忽略不计。为了避免对大气透过率进行校准从而带来误差，利用垂直和平行通道信号之比δT来进行计算。由于垂直通道的海面反射贡献可以忽略，可以将水体柱积分衰减后向散射的垂直偏振分量写为：
$${\beta '_{{\rm{w + }}}} = {\delta _{\rm{T}}}({\beta '_{{\rm{w/}}}} + {\beta _{\rm{s}}}){\rm{ = }}{\delta _{\rm{T}}}\left(\frac{{{{\beta '}_{{\rm{w + }}}}}}{{{\delta _{\rm{w}}}}} + {\beta _{\rm{s}}}\right)$$ (2) 式中：
${\;\beta '_{{\rm{w/}}}}$ 为水体柱积分衰减后向散射的平行偏振分量；βs为水面后向散射，保留了激光脉冲的平行偏振特性，主要影响平行通道信号；${\delta _{\rm{w}}} = {{{{\beta '}_{{\rm{w + }}}}} / {{{\beta '}_{{\rm{w/}}}}}}$ 为水体柱积分退偏比。整理公式(2)得到：$${\beta '_{{\rm{w + }}}} = {\delta _{\rm{T}}}\frac{{{\beta _{\rm{s}}}}}{{1 - {{{\delta _{\rm{T}}}} / {{\delta _{\rm{w}}}}}}}$$ (3) δw参数中包含所有水中散射体，不能从CALIOP数据中反演，因为CALIOP粗糙的垂直分辨率（水下22.5 m）和探测器瞬态响应无法分离水面和水体后向散射。Behrenfeld根据Voss和Fry[22]和Kokhanovsky[23]的实验数据，假设δw = 0.1，由于δT值相对较小(~0.01)，所以δw的不确定度对推导出的bbp值的误差影响不大。因此，可以将公式(3)重新写为：
$${\beta '_{{\rm{w + }}}} \approx {\delta _{\rm{T}}}\frac{{{\beta _{\rm{s}}}}}{{1 - {\rm{10}}{\delta _{\rm{T}}}}}$$ (4) δT值为海洋表面以下第一个bin的垂直通道与平行通道衰减后向散射比值，
${\delta _{\rm{T}}}{\rm{ = }}{{{{\beta '}_ + }({{\textit{z}}_{{{p + 1}}}})} / {{{\beta '}_/}({{\textit{z}}_{{{p + 1}}}})}}$ ，可由CALIOP的L1B数据计算得到，其中p是海面位置bin的编号。βs的计算需要利用海洋表面风速数据，由于公认较准确的AMSR-E风速只有到2011年9月的数据，所以使用L1B数据中自带的风速数据替代，其从MERRA-2提供的辅助气象资料获得。利用风速数据计算海面均方波斜率<s2>，继而计算βs[24]：$${\beta _{\rm{s}}} \approx \frac{\rho }{{4\pi < {s^2} > {{\cos }^4}\theta }}\exp \left[ - \frac{{{{\tan }^2}\theta }}{{2 < {s^2} > }}\right]$$ (5) 式中：θ为CALIOP激光雷达系统的入射角，其值为0.3°，2007年11月28日之后调整为3°；ρ为菲涅耳反射率，在532 nm通道值约为0.020 9。
由于532 nm的垂直通道信号几乎都来自于水中颗粒物的后向散射，水分子散射可以忽略不计，
${\;\beta '_{{\rm{w + }}}}$ 可直接看作颗粒物柱积分垂直衰减后向散射${\;\beta '_{{{p + }}}}$ ，同样定义可得水中颗粒物退偏比${\delta _{{p}}} = {{{{\beta '}_{{{p + }}}}} / {{{\beta '}_{{{p/}}}}}}$ ，借此关系可由${\;\beta '_{{\rm{w + }}}}$ 计算得到颗粒物柱积分衰减后向散射${\;\beta '_{{p}}}$ ：$${\beta '_{{p}}} = {\beta '_{{{p/}}}}{\rm{ + }}{\beta '_{{{p + }}}}{\rm{ = }}\frac{{1 + {\delta _{{p}}}}}{{{\delta _{{p}}}}}{\beta '_{{\rm{w + }}}}$$ (6) 由于CALIOP激光雷达测量限制，需要利用MODIS提供的Kd信息对δp进行评估。基于有限的机载激光雷达测量数据[25]，具体来说，对于Kd < 0.15 m−1的水域，
${\delta _{{p}}} = 0.1 + 2({K_{\rm{d}}} - 0.05)$ ；对于Kd < 0.15 m−1的水域，δp = 0.3。${\;\beta '_{{p}}}$ 与颗粒物180°体积散射系数βp(π)有关：$${\beta '_{{p}}} = {t^2}\int\limits_0^\infty {{\beta _{{p}}}({\rm{\pi }}){{\rm exp}({ - 2{K_{\rm{d}}}{\textit{z}}}}){\rm{d}}{\textit{z}}} = {t^2}{{{\beta _{{p}}}({\rm{\pi }})} / {(2{K_{\rm{d}}})}}$$ (7) 式中：t表示海洋表面透过率，在532 nm处约为0.98。整理上式时可得：
$${\beta _{{p}}}({\rm{\pi }}) = 2{K_{\rm{d}}}{{{{\beta '}_{{p}}}} / {{t^2}}}$$ (8) 最后一步是将βp(π)从CALIOP测量值转换为可与被动海洋水色和现场数据相比较的参数，即440 nm处的后向散射系数bbp(440)。根据Sullivan和Twardowski的现场测量结果[26]，采用βp(π)与bbp的平均比值0.16进行转换，得到：
$${b_{{\rm{bp}}}}(440) \approx \frac{{{\beta _{{p}}}({\rm{\pi }})}}{{0.16}}\frac{{532}}{{440}}$$ (9) (4) 数据筛选
为了保证数据质量，需要进行数据筛选。由于CALIOP对云层的穿透能力有限，当气溶胶光学厚度大于3时，数据将被剔除。同时剔除风速>9 m·s−1的数据，以避免海面产生泡沫，浪涛造成信号污染，以及极低的风速(<2 m·s−1)，以避免这种情况下海洋平静表面的强镜面反射对后向散射信号产生较大影响。最后，对于冰层覆盖的区域，CALIOP发出的脉冲将会被冰面几乎完全反射，造成δT的值异常大(~0.7)，因此，采用δT<0.05的保守阈值来消除海冰覆盖数据。
-
自2013年Behrenfeld等人提出上述利用CALIOP数据反演bbp算法后，越来越多研究者使用该算法进行海洋科学研究，但同时算法本身还较为粗糙，例如，CALIOP 532 nm接收系统存在瞬态响应，需要校正，算法的细节上不够完善等，针对这些问题，后续研究人员提出了一系列改进措施。
(1) 退卷积校正瞬态响应
CALIOP 532 nm的接收系统使用的光电倍增管在探测到一个强后向散射后，如被地面反射，信号会表现出非理想的恢复，即衰减噪声拖尾的瞬态响应现象[27-30]，影响几个相邻的范围bin，从而导致激光雷达信号的垂直分布以及退偏比的探测误差[14]。由于CALIOP粗糙的垂直分辨率不允许分离海洋表面反射率和次表面后向散射，因此，海洋次表面信号都受到来自海洋表面回波的噪声拖尾的污染，不能直接从CALIOP激光雷达测量得到。所以必须先消除CALIOP的瞬态响应对衰减后向散射廓线的影响，才能从数据产品中得到可靠的衰减后向散射剖面[14]。
Li等人[21]利用从地表相邻12个bin的CALIOP激光雷达信号计算出瞬态响应函数为：
$$F({{\textit{z}}_{{j}}}) = \frac{{\beta '({{\textit{z}}_{{j}}})}}{{\displaystyle\sum\nolimits_{i = p - 1}^{i = p + 10} {\beta '({{\textit{z}}_{{i}}})} }}(j = 1,2,3,\cdots,12)$$ (10) 式中：j表示的12个bin从峰值前的1个bin延伸到峰值后的第10个bin，因为相比于海面的强后向散射，此范围以外的信号都非常微弱，可以忽略[14]；
$\;\beta '({{\textit{z}}_{{j}}})$ 为各个通道测得的zj 对应bin的衰减后向散射值；p为对应地表反射的峰值bin的编号。观测到的衰减后向散射信号
${\;\beta '_{\rm{m}}}({\textit{z}})$ 是理想衰减后向散射信号${\;\beta '\rm c}({\textit{z}})$ 与瞬态响应函数F(z)卷积的结果[21]。这个卷积过程可以在数学上描述为：$${\beta '_{\rm{m}}}({\textit{z}}) = F({\textit{z}}) * {\beta '_{\rm{c}}}({\textit{z}})$$ (11) 即
$${\beta '_{\rm{c}}}({{\textit{z}}_1})F({{\textit{z}}_2}) + {\beta '_{\rm{c}}}({{\textit{z}}_2})F({{\textit{z}}_1}) = {\beta '_{\rm{m}}}({{\textit{z}}_1})$$ (12) $${\beta '_{\rm{c}}}({{\textit{z}}_1})F({{\textit{z}}_{\rm{3}}}){\rm{ + }}{\beta '_{\rm{c}}}({{\textit{z}}_{\rm{2}}})F({{\textit{z}}_2}) + {\beta '_{\rm{c}}}({{\textit{z}}_{\rm{3}}})F({{\textit{z}}_1}) = {\beta '_{\rm{m}}}({{\textit{z}}_{\rm{2}}})$$ (13) $$ \vdots {\rm{ = }} \vdots $$ (14) $$\sum\limits_{i = 2}^{n + 1} {{{\beta '}_{\rm{c}}}({{\textit{z}}_{{{n - i + 2}}}})F({{\textit{z}}_{{i}}})} = {\beta '_{\rm{m}}}({{\textit{z}}_{{n}}})$$ (15) 表示成矩阵的形式：
$$\left[ \begin{array}{l} F({{\textit{z}}_2}),F({{\textit{z}}_{\rm{1}}}),0, \cdots \cdots \cdots \cdots \cdots \cdots ,0 \\ F({{\textit{z}}_3}),F({{\textit{z}}_2}),F({{\textit{z}}_{\rm{1}}}),0, \cdots \cdots \cdots ,0 \\ \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \\ F({{\textit{z}}_{{{n + 1}}}}),F({{\textit{z}}_{{n}}}),F({{\textit{z}}_{{{n - 1}}}}), \cdots ,F({{\textit{z}}_2}) \\ \end{array} \right] \cdot \left[ \begin{array}{l} {{\beta '}_{\rm{c}}}({{\textit{z}}_1})\\ {{\beta '}_{\rm{c}}}({{\textit{z}}_2})\\ \vdots \\ {{\beta '}_{\rm{c}}}({{\textit{z}}_{\rm{n}}})\\ \end{array} \right] = \left[ \begin{array}{l} {{\beta '}_{\rm{m}}}({{\textit{z}}_1})\\ {{\beta '}_{\rm{m}}}({{\textit{z}}_2})\\ \vdots \\ {{\beta '}_{\rm{m}}}({{\textit{z}}_{{n}}})\\ \end{array} \right]$$ (16) 通过上式的退卷积过程，
${\;\beta '_{\rm{c}}}({\textit{z}}) = {[F]^{ - 1}}{\beta '_{\rm{m}}}({\textit{z}})$ 可以得到正确的衰减后向散射信号，利用校正后的信号进行后续反演处理，可提高结果的准确性。除了利用532 nm垂直通道信号反演bbp的方法，Lu等人[17]还提出了一种基于CALIOP 30°天底角和1064 nm通道数据的反演方法，自2015年9月以来，CALIPSO卫星每两周倾斜30°运行一圈，以减小的海面后向散射来收集海水的数据[2]，但由于NASA并未公布该数据，同时30°角的数据覆盖面较小[6]，此种方法并不常用。
(2) 新增的数据筛选条件
随着算法的发展，一些新的数据筛选条件和假设细节也在不断完善。
1) 选取衰减后向散射最大值所在bin作为海面，但该bin所对应的海拔需要在CALIOP L1B数据中记录的数字高程模型(Digital Elevation Map, DEM) “Surface_Elevation”参数的±120 m (±4个bin)范围内，这样可以筛去由低空大气层引起的信号峰值[15, 17]。
2) 垂直和平行通道的海面后向散射信号必须不饱和[31]，可以利用CALIOP L1B数据包内的“Surface_Saturation_Flag_532”参数是否为 0来判断。
3) 为了筛选出晴空条件，IAB需要小于0.017 sr−1[32]。
4) βs所需要用到的海洋表面平均方波斜率<s2>的计算方式细化为依据风速大小的分段函数：
$$\left\{ {\begin{array}{*{20}{l}} { < {s^2} > = 0.0{\rm{14\;6}}\sqrt v }&{(v < 7{\rm{\;m}}/{\rm{s}})}\\ { < {s^2} > = 0.003 + 0.005\;12v}&{({\rm{13}}.{\rm{3\;m}}/{\rm{s}} > v > 7{\rm{\;m}}/{\rm{s}})}\\ { < {s^2} > = 0.{\rm{138lo}}{{\rm{g}}_{{\rm{10}}}}v - 0.084}&{(v > 13.3{\rm{\;m}}/{\rm{s}})} \end{array}} \right.$$ (17) 5) 对于水体柱积分退偏比δw，Lu等人[14]在2014年提出了一种可利用CALIOP数据计算得到的方法：
$${\delta _{\rm{w}}}{\rm{ = }}\frac{{\displaystyle\sum\nolimits_{i = p + 1}^{i = p + 5} {{{\beta '}_ + }({{\textit{z}}_{{i}}})} }}{{\displaystyle\sum\nolimits_{i = p + 1}^{i = p + 5} {{{\beta '}_/}({{\textit{z}}_{{i}}})} }}$$ (18) 6) 筛选掉出现错误的数据：海面位置bin及其后2个bin后向散射有小于0的数据，以及δT < 0的数据将被剔除。
综合2.1和2.2小节的反演方法，CALIOP反演bbp具体流程可总结为图2。
图 2 CALIOP反演bbp方法流程图
Figure 2. Flow diagram of CALIOP inversion method bbp
-
利用MODIS的Kd数据和进行退卷积处理过后的CALIOP L1B数据，反演了2014全年的bbp结果，如图3所示，经纬度网格分辨率为1°×1°，为了使数据具有可读性，以对数坐标表示。图中bbp呈现出深海处较低，沿岸以及高纬度处数值较高的趋势，同时在太平洋中西部偏高。图4为bbp的概率密度分布图，可以看到bbp主要集中于0 以及0.002 m−1附近，由图3可以推测0附近的bbp值对应于大洋深处的清澈水域，如图3中的蓝色区域，0.002 m−1则对应赤道附近以及高纬度处的显示为青绿色的较大值。
图 3 2014年3月全球bbp (440 nm)反演结果
Figure 3. Global distribution map of retrievaled bbp(m−1) at 440 nm, with the time range of March 2014
图 4 bbp概率密度分布
Figure 4. Distribution probability density of bbp
-
目前大多数研究者使用的CALIOPbbp反演算法[2, 5, 6, 15, 18, 19]都是基于2013年Behrenfeld提出的方法[13]，但此反演方法的基础假设较多，为反演结果带来很大不确定性[15]，并且对其反演数据的验证还比较欠缺。尽管CALIOP比起原位和水色更有优势，但其在水中的垂直分辨率(22.5 m)并不够精细，只能获得海洋次表层信息，无法更加深入探测水体的垂直分层结构。并且CALIOP在轨运行时间已超过寿命四年，数据质量不如从前，需要后继卫星数据接替，如NASA在2018年发射的ATLAS激光雷达(Advanced Topographic Laser Altimeter System)，搭载于IceSat-2 (Ice, Cloud and land Elevation Satellite-2)卫星，其拥有更高的垂直分辨率，目前也已在冰边浮游植物研究领域做出贡献[33]。未来，需要在CALIOP反演bbp的算法基础上，发展新型算法，提升CALIOP的反演精度，同时研发针对其他星载激光雷达的算法，如ATLAS，进一步为我国未来发射搭载海洋激光雷达卫星的数据处理提供参考。
Overview of inversion methods of ocean subsurface particulate backscattering coefficient by using CALIOP data
-
摘要:
颗粒物后向散射系数(particulate backscattering coefficient, bbp)是海洋光学应用于海洋生态学和生物地球化学研究的核心参数。但目前常用的原位方法短时间内无法完成大范围的探测，被动水色遥感无法在缺乏光照以及有云的条件下工作，相比之下，主动遥感方式星载激光雷达可以突破以上限制，在海洋探测方面具有极大的优越性。2006年发射的CALIOP成为首个能够提供全球海洋bbp数据的星载激光雷达，特别是为极地观测和昼夜观测提供了重要数据。文中详细介绍了CALIOP系统原理及其三级主要数据产品，重点梳理了利用CALIOP 532 nm偏振通道退偏比反演bbp的方法以及后续的退卷积校正系统瞬态响应等改进措施，总结出了一套详细完整的反演流程，开发出对应算法并展示了bbp的反演结果，旨在为我国未来星载海洋激光雷达的数据处理及应用工作提供参考。
-
关键词:
- 星载激光雷达 /
- CALIOP /
- 海洋颗粒物后向散射系数 /
- 反演算法
Abstract:Particulate backscatter coefficient (bbp) is the core parameter of ocean optics when applied to marine ecology and biogeochemistry. However, the current commonly used in-situ methods can not carry out large-scale detection in a short time, and passive ocean color remote sensing can not work under dark and cloudy conditions. In contrast, the active remote sensing method, spaceborne Light Detection and Ranging(lidar), can break through the above limitations, and has great advantages in ocean detection. Cloud Aerosol Lidar with Orthogonal Polarization(CALIOP), launched in 2006, became the first spaceborne lidar able to provide global seawater bbp, particularly important for polar and diurnal observations. In this paper, the principle of the CALIOP system and three levels of its major data products were introduced in detail. Paper focused on combing the method of bbp inversion with the depolarization ratio of the CALIOP 532 nm polarization channels and the subsequent improvement measures such like the deconvolution method correcting the transient response of the system. A corresponding algorithm was fully developed, which the detailed complete inversion process was summarized, and the current bbp inversion results were presented. The works were intended to provide reference for data processing and application of the China space-borne oceanic lidar in the future.
-
图 3 2014年3月全球bbp (440 nm)反演结果
Figure 3. Global distribution map of retrievaled bbp(m−1) at 440 nm, with the time range of March 2014
表 1 不同海拔范围的CALIOP水平/垂直分辨率
Table 1. CALIOP horizontal/vertical resolution at different altitude ranges
Altitude range/km Bin number Horizontal resolution/km Vertical resolution/m 532 1 064 30.1-40.0 1-33 5 300 N/A 20.2-30.1 34-88 5/3 180 180 8.3-20.2 89-288 1 60 60 −0.5-8.3 289-578 1/3 30 60 −2.0- -0.5 579-583 1/3 300 300 
下载: 导出CSV
-
[1] Churnside J, McCarty B, Lu X. Subsurface ocean signals from an orbiting polarization Lidar [J]. Remote Sensing, 2013, 5: 3457-3475. doi: 10.3390/rs5073457 [2] Behrenfeld M, Hu Y, Malley R, et al. Annual boom-bust cycles of polar phytoplankton biomass revealed by space-based lidar [J]. Nature Geoscience, 2017, 10(2): 118-122. doi: 10.1038/NGEO2861 [3] Sauzède R, Claustre H, Uitz J, et al. A neural network-based method for merging ocean color and Argo data to extend surface bio-optical properties to depth: Retrieval of the particulate backscattering coefficient [J]. Journal of Geophysical Research: Oceans, 2016, 121(4): 2552-2571. [4] Churnside J, Tatarskii V, Wilson J. Oceanographic Lidar attenuation coefficients and signal fluctuations measured from a ship in the southern California Bight [J]. Applied optics, 1998, 37: 3105-3112. doi: 10.1364/AO.37.003105 [5] Yan Huaibin. Retrieval of chlorophyll concentration in open sea by using CALIPSO lidar signal below the surface[D]. Qingdao: Ocean University of China, 2014. (in Chinese) [6] Yu Suzhen, Wu Dong. Methods of ocean subsurface particulate backscattering coefficient retrieval from CALIOP measurements [J]. Journal of Atmosphere and Environmental Optics, 2019, 14(5): 367-373. (in Chinese) [7] Winker D M , Vaughan M A, Omar A, et al. Overview of the CALIPSO mission and CALIOP data processing algorithms [J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(11): 2310-2320. doi: 10.1175/2009JTECHA1281.1 [8] Hostetler C A, Behrenfeld M J, Hu Yongxiang, et al. Spaceborne lidar in the study of marine systems [J]. Annual Review of Marine Science, 2018, 10: 13.1-13.27. [9] Bisson K M, Boss E, Werdell P J, et al. Particulate backscattering in the global ocean: A comparison of independent assessments [J]. Geophysical Research Letters, 2021, 48(2): e2020GL090909. doi: 10.1029/2020GL090909 [10] Li Ran, Wang Cheng, Su Guozhong, et al. Development and applications of spaceborne LiDAR [J]. Science & Technology Review, 2007(14): 58-63. (in Chinese) [11] Liu Dong, Liu Qun, Bai Jian, et al. Data processing algorithms of the space-borne lidar CALIOP: a review [J]. Infrared and Laser Engineering, 2017, 46(12): 1202001. (in Chinese) doi: 10.3788/IRLA201746.1202001 [12] Hu Y. Ocean, land and meteorology studies using space-based lidar measurements[C]//Proceedings of the Remote'09: Proceedings of the 5th Wseas International Conference on Remote Sensing, 2009. [13] Behrenfeld M, Hu Y, Hostetler C, et al. Space-based lidar measurements of global ocean carbon stocks [J]. Geophysical Research Letters, 2013, 40: 4355-4360. doi: 10.1002/grl.50816 [14] Lu Xiaomei, Hu Yongxiang, Trepte C, et al. Ocean subsurface studies with the CALIPSO spaceborne lidar [J]. Journal of Geophysical Research: Oceans, 2014, 119: 4305-4317. doi: 10.1002/2014JC009970 [15] Dionisi D, Brando V, Volpe G, et al. Seasonal distributions of ocean particulate optical properties from spaceborne lidar measurements in Mediterranean and Black sea [J]. Remote Sensing of Environment, 2020, 247: 111889. doi: 10.1016/j.rse.2020.111889 [16] Hu Y. Ocean color related studies using CALIPSO data[C]//Proceedings of the NASA Ocean Color Research Team Meeting, Seattle, F, 2007. [17] Lu X, Hu Y, Pelon J, et al. Retrieval of ocean subsurface particulate backscattering coefficient from space-borne CALIOP lidar measurements [J]. Optics Express, 2016, 24: 29001. doi: 10.1364/OE.24.029001 [18] Behrenfeld M, Gaube P, Penna A, et al. Global satellite-observed daily vertical migrations of ocean animals [J]. Nature, 2019, 576(7786): 257-261. doi: 10.1038/s41586-019-1796-9 [19] Lacour L, Larouche R, Babin M. In situ evaluation of spaceborne CALIOP lidar measurements of the upper-ocean particle backscattering coefficient [J]. Optics Express, 2020, 28: 26989-26999. [20] Hunt W H, Winker D M, Vaugh M A, et al. CALIPSO lidar description and performance assessment [J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(7): 1214-1228. [21] Li J, Hu Y, Huang J, et al. A new method for retrieval of the extinction coefficient of water clouds by using the tail of the CALIOP signal [J]. Atmospheric Chemistry and Physics, 2011, 11(223): 2903-2916. [22] Voss K J, Fry E S. Measurement of the Mueller matrix for ocean water [J]. Appl Opt, 1984, 23(23): 4427-4439. doi: 10.1364/AO.23.004427 [23] Kokhanovsky, Alexander A. Parameterization of the Mueller matrix of oceanic waters [J]. Journal of Geophysical Research Oceans, 2003, 108(C6): 3175. doi: 10.1029/2001JC001222 [24] Hu Y, Stamnes K, Vaughan M, et al. Sea surface wind speed estimation from space-based lidar measurements [J]. Atmospheric Chemistry and Physics, 2008, 8(13): 3593-3601. [25] Churnside J H. Polarization effects on oceanographic lidar [J]. Optics Express, 2008, 16(2): 1196-1207. [26] Sullivan J M, Twardowski M S. Angular shape of the oceanic particulate volume scattering function in the backward direction [J]. Applied Optics, 2009, 48(35): 6811-6819. doi: 10.1364/AO.48.006811 [27] McGill M J, Vaughan M A, Trepte C R, et al. Airborne validation of spatial properties measured by the CALIPSO lidar [J]. Journal of Geophysical Research-Atmospheres, 2007, 112(D20). doi: 10.1029/2007JD008768 [28] He Yongxiang, Kathy P, Mark V, et al. Elevation information in tail (EIT) technique for lidar altimetry [J]. Optics Express, 2007, 15(22). [29] Lu Xiaomei, Hu Yongxiang, Liu Zhaoyan, et al. CALIOP receiver transient response study[C]//Proceedings of the Polarization Science and Remote Sensing VI, 2013, 8873: 887316. [30] Lu X, Hu Y. Estimation of particulate organic carbon in the ocean from space-based polarization lidar measurements[C]//Proceedings of the Ocean Remote Sensing and Monitoring from Space, F, 2014. [31] Lu X, Hu Y, Yang Y, et al. Laser pulse bidirectional reflectance from CALIPSO mission [J]. Atmospheric Measurement Techniques, 2018, 11(6): 3281-3296. [32] Josset D, Pelon J, Hu Y. Multi-instrument calibration method based on a multiwavelength ocean surface model [J]. Geoscience and Remote Sensing Letters, IEEE, 2010, 7(1): 195-199. doi: 10.1109/LGRS.2009.2030906 [33] Lu X, Hu Y, Yang Y, et al. Antarctic spring ice-edge blooms observed from space by ICESat-2 [J]. Remote Sensing of Environment, 2020, 245: 111827. doi: 10.1016/j.rse.2020.111827 -
点击查看大图
计量
- 文章访问数: 553
- HTML全文浏览量: 224
- 被引次数: 0
