A method to tighten the cloud screening thresholds based on local conditions is used to provide more stringent schemes for Orbiting Carbon Observatory-2 (OCO-2) cloud screening algorithms. Cloud screening strategies are essential to remove scenes with significant cloud and/or aerosol contamination from OCO-2 observations, which helps to save on the data processing cost and ensure high quality retrievals of the column-averaged CO 2 dry air mole fraction (XCO 2 ). Based on the radiance measurements in the 0.76 μm O 2 A band, 1.61 μm (weak), and 2.06 μm (strong) CO 2 bands, the current combination of the A-Band Preprocessor (ABP) algorithm and Iterative Maximum A Posteriori (IMAP) Differential Optical Absorption Spectroscopy (DOAS) Preprocessor (IDP) algorithm passes around 20%–25% of all soundings, which means that some contaminated scenes also pass the screening process. In this work, three independent pairs of threshold parameters used in the ABP and IDP algorithms are sufficiently tuned until the overall pass rate is close to the monthly clear-sky fraction from the MODIS cloud mask. The tightened thresholds are applied to observations over land surfaces in Europe and Japan in 2016. The results show improvement of agreement and positive predictive value compared to the collocated MODIS cloud mask, especially in summer and fall. In addition, analysis indicates that XCO 2 retrievals with more stringent thresholds are in closer agreement with measurements from collocated Total Carbon Column Observing Network (TCCON) sites. 本文优化了二氧化碳测量卫星OCO-2现在使用的ABP以及IDP云层筛选算法, 通过调整算法中的阈值组, 提升卫星反演XCO2数据质量. 这两种云层筛选算法是为了满足对OCO-2/GOSAT卫星数据进行快速、 准确的有云或无云判定的需求而提出的. 其基本原理为, 云与气溶胶的散射作用使得卫星测量得到的光谱与晴空条件下辐射传输模型模拟的光谱数据存在明显差异. 现有的阈值组较为宽松, 使得数据通过率较MODIS全球云覆盖率偏高, 说明一部分有云场景的数据会影响反演的精确度. 因此, 实验在欧洲、日本两个区域, 对2016年的OCO-2、 MODIS以及TCCON数据进行分析, 以MODIS云层数据为云场景判定真值, 通过逐步调整阈值组的方式, 使OCO-2卫星数据总体通过率接近当地MODIS云层覆盖率的月均值, 并据此分析最优阈值组的季度分布特征. 数据表明, 更严格的阈值选择提升了筛选结果与MODIS云层数据的匹配度, 降低了与地基站点TCCON的平均差值与标准差 (3.23±2.25 ppm 到 2.11±1.76 ppm). 该研究结果说明, 使用随区域情况变化的阈值组可以提升OCO-2云层筛选算法对云场景判定的能力, 降低卫星数据与TCCON地基数据之间的偏差值.

中文翻译：

---

OCO-2 云筛选算法的优化和针对欧洲和日本陆面 MODIS 和 TCCON 测量的评估

一种根据当地情况收紧云筛选阈值的方法用于为轨道碳天文台-2 (OCO-2) 云筛选算法提供更严格的方案。云筛选策略对于从 OCO-2 观测中去除具有显着云和/或气溶胶污染的场景至关重要，这有助于节省数据处理成本并确保对柱平均 CO 2 干空气摩尔分数 (XCO 2 ）。基于 0.76 μm O 2 A 波段、1.61 μm（弱）和 2.06 μm（强）CO 2 波段的辐射测量，A 波段预处理器 (ABP) 算法和迭代最大后验 (IMAP) 算法的当前组合) 差分光吸收光谱 (DOAS) 预处理器 (IDP) 算法通过了所有探测的大约 20%–25%，这意味着一些被污染的场景也通过了筛选过程。在这项工作中，ABP 和 IDP 算法中使用的三对独立的阈值参数被充分调整，直到整体通过率接近 MODIS 云掩模的每月晴空分数。收紧的阈值应用于 2016 年欧洲和日本的地表观测。结果表明，与配置的 MODIS 云罩相比，一致性和阳性预测值有所提高，尤其是在夏季和秋季。此外，分析表明，具有更严格阈值的 XCO 2 反演与来自并置的总碳柱观测网络 (TCCON) 站点的测量结果更加一致。本文优化了卫星卫星卫星OCO-2现在使用的ABP以及IDP云层筛选算法，通过调整算法中的阈值组，升级数据质量反演XCO2。这两种云层识别是为了满足对OCO-2/GOSAT卫星数据进行快速、准确的云计算或无云识别需求而提出的。其基本原理为云与气溶胶的作用，卫星测量的光谱与晴空条件下发射传输模拟模型的光谱数据存在差异。通过MODIS全球覆盖率偏高，说明某一方面有场景的数据会影响反演的合理性。因此，实验在欧洲、日本两个区域、对 2016 年的 OCO-2、MODIS 以及 TCCON 进行分析，以 MODIS 云层数据为云场景甄选真值，通过逐步数据调整阈值组的方式，使 OCO-2 卫星数据全局值通过接近局部MODIS云层覆盖率的月度值，并开始分析最小极限值组的分布特征。数据验证，更严格的阈值与MODIS层数据的匹配度，降低了与地基站点TCCON的平均差值与标准差（3.22.25 ppm到2.76 ppm）。该研究说明结果说明，使用随区域情况变化的阈值组可以提高OCO-2云层选择对云场景选择与TCCON地基的能力，降低卫星数据之间的误差值。