1 引言
云是大气中水汽凝结形成的产物， 降水是大气水循环的重要过程（Stephens et al， 2002）。云覆盖地球表面约67%的面积（King et al， 2013）， 在地球辐射收支和水循环过程中发挥重要的作用（Ramanathan et al， 1989； Stephens， 2006）。联合国政府间气候变化专门委员会（IPCC）第六次评估报告（AR6）指出， 水汽和温度的综合反馈对全球变暖的贡献最大， 云仍是气候系统中不确定性的重要来源（IPCC， 2021）。全球变暖导致云辐射强迫发生变化， 云对大气的任何扰动， 包括与气溶胶的相互作用等过程（Simpkins， 2018）， 都会对气候系统中的能量分布产生强烈的影响（Rosenfeld et al， 2014； 张华等， 2021）。赵宗慈等（2022）研究表明， 云量的减少会导致地球系统吸收的热量增加， 进而影响地球能量平衡。
青藏高原是中国最大、 世界海拔最高的高原， 淡水资源储量丰富， 被称为世界“第三级”和 “亚洲水塔”， 对东亚和全球气候变化均有重要的影响（Qiu， 2008； 黄建平等， 2021； 杨耀先等， 2022）。青藏高原被认为是对全球变化最敏感的地区之一（Rangwala and James， 2012）。近年来， 青藏高原气温在逐渐增加， 上升速率约为0.49 ℃·（10a）-1（周思儒等， 2022）。有证据表明， 在2000 -2010年青藏高原气温和地表温度显著增加， 在2010年之后出现增温变缓的趋势（王慧等， 2021）。青藏高原上空云的存在及其相关联的降水和辐射等因素影响着高原上空的大气环流和热力空间结构变化（刘屹岷等， 2018）。
近年来， 随着全球温度的不断升高， 青藏高原云相态及云水气候特征成为气候变化研究关注的热点（Li et al， 2019； Sunil et al， 2021； 马耀明等， 2021； 尚可和刘晓东， 2021）。云量作为云的重要宏观物理参数之一， 是调节云宏观特性的重要因素（Liu et al， 2011）。研究表明， 青藏高原地区的云分布具有显著的季节变化特征（Fujinami and Yasunari， 2001； 李兴宇等， 2008； 伯玥等， 2016）。汪会等（2011）利用CloudSat和Calipso卫星观测资料对青藏高原云季节分布进行了研究， 发现春夏季云出现的概率略高于秋冬季。尤其是在夏季， 一些典型的区域云对夏季风和降水的影响较为敏感（解承莹等， 2014）。高原大气可降水量的空间分布形态与降水量的分布形态相似， 东部高于西部（李文韬等， 2018）。
随着卫星云观测数据的增加和数据同化技术的发展， 云水资源和云气候学研究资料的时空分辨率得到了很大提升。国内外已有不少学者利用卫星云产品和再分析资料对云参数进行了研究和评价（Bao et al， 2019； 张正国等， 2021； 张德杰等， 2022）。Shang et al（2018）利用Himawari-8和MODIS等多源遥感卫星数据对青藏高原地区的云量日和季节变化进行了研究。Lei et al（2020）发现再分析数据和卫星观测的云量空间格局有很大的相似性， 观测数据和ERA5显示了青藏高原云量的明显的日变化特征。赫小红等（2020）利用1979 -2016年的ERA-Interim月平均资料对夏季青藏高原地区云水资源的时空分布特征进行了研究， 发现夏季高原的水汽含量呈由东南向西北逐渐减少的趋势， 大气整层水汽含量数值呈逐渐增加的趋势。
在前人对云参数开展提取研究的基础上， 仍然存在一些不足。例如： 现有卫星云产品的时空精度有待提高； 利用模型模拟的云参数结果缺乏验证， 因此也没有及时改进； 云与气候变化和气候因子相互作用的认识和研究还不够深入， 缺乏可靠的云数据支撑。针对目前云遥感研究存在的问题， 本文聚焦于近20年青藏高原云参数时空特征研究。首先， 本文采用MODIS和ERA5数据结合生成近20年逐日青藏高原云数据集， 提取青藏高原云量和云参数时空分布特征。其次， 对青藏高原地区云相态和云水资源的变化特征开展更精细的研究。本文对近20年青藏高原云量和云水资源变化趋势进行分析， 对进一步探究高原地区云的时空分布及其变化机理、 提升气候变化应对机制的认识和空中水资源利用都具有重大意义。
2 研究区及数据介绍
2.1 研究区
研究区为青藏高原， 范围介于25°N -40°N、 73°E -105°E， 研究区的地理范围和气象站点分布如图1 所示。本文涉及的地图是基于自然资源部中华人民共和国自然资源部网上政务服务平台标准地图服务下载的审图号为GS（2019）1822号的标准地图制作， 底图无修改。青藏高原地势高耸， 平均海拔在4000 m以上， 总面积超过250×104 km2， 地表覆盖着积雪、 冰川、 河流和湖泊， 是亚洲最大的天然淡水库。由于其独特的高原山地气候条件， 地表植被种类较为稀少， 主要包括高寒草甸、 高寒草原、 高寒草丛、 针叶林等典型植被类型。由于高原地形、 气候和水文循环的空间异质性， 在不同植被覆盖条件下， 植被与地表温度和降水的响应关系也有所差异（周婷等， 2015； 王志鹏等， 2018）。
从图1 可以看出， 高原地形复杂， 区域辽阔， 观测台站分布较少且空间分布不均匀， 大多集中在高原东部地区， 远远不能满足大范围研究的需要。因此， 为了解云在大范围内的时空分布， 本文利用长时间序列的多源遥感数据来更全面地刻画整个地区云的精细变化。
2.2 数据来源和研究方法
本文采用NASA Goddard Earth Science DAAC地球科学分布式数据档案中心发布的MOD08_D3云产品数据。MODIS Terra卫星在1999年12月18日发射（Plantnick et al， 2017）， 该卫星在每天10:30（北京时， 下同）和22:30经过赤道（Hubanks et al， 2020）。NASA从2000年2月24日开始发布卫星云产品数据， 数据可在MODIS大气产品网站（https： //atmosphere-imager.gsfc.nasa.gov/）下载。
MODIS具有较高的空间分辨率， 有多个云检测光谱通道， 能探测到大气中云的水平和垂直结构。MODIS对云大面积观测的能力较强， 云检测命中率高， 并能通过高分辨率的飞机观测和地面站点数据及其他多源卫星观测数据进行了充分的验证。MODIS L3级产品为全球大气格网日平均统计数据， 具有较高的空间分析应用价值。
本文选取MODIS 2000年2月25日至2020年12月31日全球日平均1°×1°格点数据集。该数据集来自四个MODIS 二级大气产品， 大约有600个统计数据集， 包含云相态、 云水含量等约80个科学参数。本文选取了其中5个云参数进行研究， 分别为云量（Cloud Fraction）， 云相态检索冰云部分（Cloud Retrieval Fraction Ice）、 云相态检索水云部分（Cloud Retrieval Fraction liquid）、 大气水汽含量（Atmospheric Water Vapor）和近红外波段云水汽含量（Water Vapor Near Infrared Cloud）。
ERA5是欧洲中期天气预报中心（ECMWF）对全球气候的第五代大气再分析数据集， 数据下载的网站为（https： //cds.climate.copernicus.eu）。该数据是将模型与观测数据结合起来， 利用4D-Var数据同化技术和综合预报系统（IFS）CY41R2模式预报得到的。ERA5 HRES大气数据空间分辨率网格精确到31 km， 数据时间分辨率分为不同尺度， 大气数据共分为137层。本文获取的ERA5数据时间分辨率为1 h， 空间分辨率为0.25°×0.25°。这些数据通过ERA5官方统计工具计算每日的平均值， 再根据日平均值计算年、 季度等不同尺度的统计值， 与MODIS数据进行对比分析。
对MODIS数据处理分为三个步骤， 第一步是数据预处理。首先， 根据MODIS 1°×1°的经纬网格对全球数据进行波段提取和投影转换， 然后输出tiff图层， 对数据进行尺度转换和清洗， 对缺失值进行补充， 最后统一输出为tiff格式文件。利用Arcgis软件对全球数据进行青藏高原区域裁剪， 构建2000 -2020年青藏高原地区云参数日产品数据集。
第二步是对云量进行逐像素统计和平均值计算。根据日产品格点数据统计值， 计算得到云参数的多时空尺度变化趋势图。基于像元格点的日平均数据计算， 得到近20年云的概率密度空间分布图。并对这些结果进行初步分析。
第三步是云时空变化趋势分析。为了进一步分析云空间格点的时空分布变化特征， 采用Slope变化趋势分析法（Sen， 1968）对青藏高原地区的云像素进行逐像元分析， 计算公式如下：
式中： n为累计总年数， 本文为21年； CFi为第i年的云参数值； Slope为云像元值变化的斜率。
3 结果及分析
3.1 青藏高原云量的日时空分布特征
准确估算青藏高原地区的云量对云辐射强迫效应研究有重要意义（陈光灿等， 2021）。云分数（Cloud Fraction）是指卫星图象中每个像素或天气或气候模型中每个网格中被云覆盖的百分比。每个像元值表示云覆盖在1°×1°网格内从0到100%的概率。利用MODIS逐日云量数据进行多年日平均统计， 得到青藏高原地区云的时空特征分布［图2 （a）］。从MODIS卫星数据的统计结果可以得出， 青藏高原地区的日平均云量约为56%； 根据ERA5再分析资料的统计结果， 日平均云量约为57%［图2 （b）］。
从空间分布来看， 青藏高原云量总体分布呈东多西少、 南多北少的趋势。高值区在林芝地区， 平均云量约为72.5%， 高值区中心出现在藏南部的墨脱县， 平均云量约为77.3%。另外， 在青藏高原东部边缘地区有一个异常高值点， 位于四川西北部（32°N， 104°E）， 平均云量约为79.8%。
利用ERA5再分析数据对云量进行分析， 结果如图2 （b）所示。从ERA5云空间分布中可以看出， 云量总体呈由东南向西北减少的趋势。高值区域出现在林芝地区， 平均云量约为71.4%。云量最大值点出现在山南市错那县， 平均云量为85.9%， 云量最高的县仍为墨脱县， 平均云量为70.7%。东部地区有一个云量异常高值带， 位于高原边缘和四川盆地交界。
根据MODIS的日平均云量统计结果对像素值进行频率统计得出， 云量数据整体符合正态分布规律， 最大值主要集中在54%~56%区间内。云量出现的频率代表同一云量在近20年内出现的天数， 最大覆盖天数超过400天。
3.2 云量分布的年际时空特征
根据2000 -2020年青藏高原地区的云量年平均统计结果， 得到云量的年际变化曲线图， 如图3 所示。总体而言， MODIS云量年平均分布呈下降的趋势， ERA5云量表现为略微上升的趋势。MODIS和ERA5两种云量数据的变化趋势较为相似， ERA5的值高于MODIS， 变化幅度比MODIS小。
青藏高原的云量年平均分布与日分布格局相似， 表现为东多西少、 南多北少的空间格局。MODIS在青藏高原地区的喜马拉雅山东部和唐古拉山脉东南部山区的云量值均较高（CF>54%）， 其原因可以分别归结为下垫面为雅鲁藏布江等河流影响以及河流周围高山雪峰和冰川地形地貌的影响。这些地表变化会造成降水量增加， 同时这些区域海拔高温度低， 为水云的发生和聚集创造了有利的条件。另外， 在青藏高原西部的阿里地区和冈底斯山脉南部附近云量最低（CF<40%）， 西北部的帕米尔高原以及北部的柴达木盆地， 云量值相对较低（CF<50%）。阿里地区常年干旱， 降水和水汽输送少， 气候条件不利于云的形成。帕米尔高原和柴达木盆地由于地理位置的原因， 附近的河流较少， 水汽输入较困难， 因此云量分布也相对匮乏。
基于ERA5统计的高原的年平均云量最大约为87%， 高值点位于山南市南部的错那县。云覆盖较多的区域仍然是中东部和南部， 整体分布特征表现为从东南向西北递减的空间分布格局。和MODIS相比， ERA5的结果中云空间分布变化的范围更广， 具有较为丰富的空间异质性。在云量最高的林芝地区有明显的时间变化分异规律， 在2002年、 2005年、 2010年、 2015年和2019年分布值较高， 与MODIS卫星观测到的云空间分布变化较为一致。
利用MODIS年平均分布结果对青藏高原的云量变化趋势进行分析［图4 （a）］。从图4 （a）中可以发现， 在东部有一个云量较多的地区， 沿高原边缘呈东北-西南向带状分布。云量增加的地区约占47%， 平均变化的斜率约为-0.018， 总体分布表现为减少趋势。显著增加的地区主要在高原东北部和西北部， 最大值点出现在昌都市洛隆县和八宿县交界处（0.18）。云量减少的地区为中部的那曲地区和东南的甘孜藏族自治州南部。从空间变化趋势图可以得出以下三个结论： （1）在巴颜喀拉山脉和昆仑山脉以北的地区云量增加较大；（ 2）位于横断山脉附近山区的云量沿着垂直于山脉和河流的方向增加； （3）在高原中西部的那曲地区中部云量出现了显著减小的趋势。
对2000 -2020年青藏高原地区ERA5云量空间分布趋势进行分析， 得到的云量的年际变化趋势结果如图4 （b）所示。从图4 （b）中可以看出， ERA5与MODIS的变化趋势相比变化范围较小， 大部分地区变化范围较为相似， 有小部分不同之处是ERA5云量显著增加的区域在西南部高原边缘地区。
3.3 季、 月尺度云量时空分布特征
从对2000 -2020年MODIS云量进行季节空间分布统计（图5 ）中可以看出， 高原云量有明显的季节变化特征。春秋季的云空间分布较为相似， 呈东多西少的空间分布格局， 云量的空间变化表现为从东南向西北递减。夏季云分布较高且比较集中在雅鲁藏布江流域， 主要原因和印度洋及东南亚季风水汽输送的影响有关。冬季云分布较为分散， 和夏季趋势相反， 主要出现在青藏高原的西北部帕米尔高原、 北部柴达木盆地和中部昆仑山脉地带。
从利用多年日平均数据计算得到ERA5季节空间分布图（图6 ）中可以看出， ERA5春秋季云量表现为东部和南部较大， 西南部较小。云量值最高的是夏季， 高值中心出现在南部， 云量较少的区域是北部的塔里木盆地。MODIS在冬季观测的云量与ERA5的误差较大， 主要体现在冬季。云量分布较多的区域在中部和北部， 在西北部和北部地区云量较少， 这与MODIS观测结果有明显差异。
对云日分布数据按月进行分类， 得到云量月平均分布图（图7 ）。从月平均空间分布来看， 1月云在西北部帕米尔高原和北部塔里木盆地， 2月逐渐扩散到中部和南部， 从3月开始， 云从林芝地区南部开始迅速增加。青藏高原地区的云在4 -6月开始表现出明显的空间分异性， 东部越来越多， 西部越来越少。云量最高的月份出现在7月份， 空间上开始呈现南多北少的格局。8月之后西南地区的云逐渐向东部转移， 9月东西差异更为明显， 西部阿里地区的云量减少。在10 -12月， 云从东部逐渐扩散到北部塔里木盆地和西北部帕米尔高原， 均匀分散到高原的各个地区。
由云量多年月平均统计数据计算得到ERA5月尺度空间分布（图8 ）。与MODIS相比， ERA5月平均分布图更精细地刻画了云的空间分布特征。在1 -3月， 云量集中在中部和南部， 西南部云量较少； 在4 -6月， 云多集中在南部和东部， 呈东多西少的分布特征； 在7 -9月， 云量达到最高值， 呈南多北少的空间格局。云量平均值全年最高的月份是7月， 10 -12月云量开始减少， 最高值在林芝地区南部。
3.4 云相态时空分布特征
地球大气中的水存在于三种热力学相态——液体、 冰和水蒸气， 每一种云相态在地球的辐射收支中都扮演着独特的角色（Baker et al， 1997）。云的辐射影响很大程度上取决于它在液相和冰相之间的划分（Matus et al， 2017）。青藏高原地区的云相态主要分为3类， 分别为冰云、 水云和混合相云。根据MODIS云相态数据进行年平均统计， 结果如图9 所示。
从青藏高原云相态年变化趋势图（图9 ）可以看出， 晴空约占总相态的三分之一， 其次是混合云， 平均概率约为28%。冰云年均发生的概率比水云高约6%。在单一相态中， 冰云对总体分布的影响最大。
对主要的两种类型： 冰云和水云的空间变化特征进一步分析（图10 ， 图11 ）。从季节变化图中可以发现， 春季冰云出现较多（26.5%）， 夏季水云出现较多（31.7%）。从冰云的季节分布（图10 ）可以看出， 冰云在春季和冬季空间分布范围较大， 夏秋季较小。春、 冬季冰云主要分布在中部唐古拉山脉地区和巴颜喀拉山脉北部地区， 夏季主要分布在高原东南部边缘。秋季冰云分布集中在高原的东北部。
从水云季节空间分布（图11 ）可以看出， 春季水云的分布出现全年最高值， 约为65%； 夏季水云的分布范围最大， 主要分布的范围在青藏高原的东南部， 最大值约为60%； 秋季水云分布的范围有所减小， 在东南部四川汶川县附近出现了两个高值点， 最大值为56%； 冬季水云的分布范围减小， 主要分布在藏南部墨脱高值中心， 最大值约为44%。
3.5 云水资源时空分布特征
云水资源主要参数包括大气水汽含量和云水含量。根据MODIS提供的这两个观测参数， 进行青藏高原地区年平均统计， 得到云水资源年际变化趋势曲线图， 结果如图12 所示。
云水含量是表征云特性的重要指标， 夏季气温上升， 云水含量在高原地区有所增加（刘菊菊等， 2021）， 大气可降水量与云液态水含量变化趋势一致。本文水汽含量和云水汽含量统计为1 m2范围内从地面到大气层顶部的水汽降落后的高度， 单位为厘米（cm）。从MODIS云水资源年平均变化趋势图中可以得出（图12 ）， 从2000 -2020年， 云水含量年平均比大气水汽含量高约0.01 cm， 云水总含量增加了约0.04 cm； 大气水汽含量总体呈下降趋势， 云水含量总体表现为上升的趋势。该趋势可归结为由气候变暖导致的高原地区大气水循环加快、 大气水含量下降、 水汽输送增加使云中水含量增多。另外， 从图中的变化趋势曲线可以发现， 云水含量的变化和大气水含量的变化密切相关。
MODIS云水含量的分布结果相比ERA5的云水含量空间变化更加丰富准确， 因此对青藏高原云水含量多年月平均分布进行分析。从MODIS云水含量月平均分布结果（图13 ）可以得出， 云水含量呈先增加后减小的趋势总体呈东南多西北少的空间分布格局。在6 -8月， 夏季风过境， 云水含量在7月达到最大， 与前人研究结果一致（Gao et al， 2003）。秋季降水和水汽输送减少， 云水分布减少， 在秋季9月开始急速下降， 减少了约35%， 10 -11月云水含量下降到0.27 cm。在12月之后云水整体空间分布呈减少趋势， 云水含量增加较大的区域为西南部那曲市和阿里地区。
4 讨论
本文以MOD08_D3卫星日观测资料数据为基准， 选用了一套与其接近的再分析资料ERA5对年、 月、 日等不同时空尺度的云参数变化进行了对比分析， 得出了气候模式中云的参数定量化分析解决方案。首先， 通过云的分布可以计算云的概率密度， 再对云量分区进行统计， 最后确定最大分布区间为藏南墨脱县。MODIS与ERA5资料得出的结果相近， 但由于观测手段和观测时间的不同， 不同资料对高原云特性的具体描述会有所差异。本文的研究成果对青藏高原云水资源和数值模拟研究有重要的参考意义。
4.1 MODIS与ERA5云量的差异分析
对两种云量数据进行尺度转换和空间相关分析， 大部分地区（80%以上）空间相关性都较高（r>0.6）， 少部分地区（95°E -97°E， 30°N -32°N）相关性较弱（r<0.3）。在P<0.05的水平上， 绝大部分地区（85%以上）均通过了显著性检验。少部分地区（96°E -101°E， 30°N -32°N）显著性较低， 原因可归结为山脉地区海拔较高， 地形起伏较大， 地表植被覆盖水文和热状况不同导致MODIS在该地区的云量观测结果有一定差距。
通过对MODIS云量与ERA5计算结果的年平均差值进行对比， 空间分布如图14 所示。MODIS和ERA5的云量差异平均值为0.007。差异较大的地区在青藏高原西部和南部喜马拉雅山脉南边缘。差异的主要原因可归结为地形影响， 高原内部大气加热效应和南部东亚季风的影响。有研究表明， 大气热源效应对高原季风和大气环流有重要影响（赖欣等， 2021）， 夏季风为高原提供了充足的水汽条件和地气温差， 因此导致该地区云量增加， MODIS观测到的结果高于ERA5模拟的结果。
4.2 青藏高原云水资源的变化规律
云水资源在不同观测方式和数据模拟下的结果有很大的差异。利用ERA5日平均数据统计的青藏高原地区大气水汽含量年平均值为5.6 kg·m-2， 在近20年内ERA5的大气水汽含量增加了0.25 kg·m-2， 而MODIS观测的大气水汽含量减少了约0.08 cm。ERA5云水含量主要表征参数为云冰水含量和云液态水含量， 云冰水含量平均值为2.6 kg·m-2， 云液态水含量平均值为2.3 kg·m-2。由于ERA5云水含量数据年平均结果和月空间分布状态几乎保持不变， 且ERA5计量单位和MODIS云水含量波段名称不同、 参数计量单位不同， 不能放在同一坐标下对比分析。因此， 本文仅用了MODIS观测的年平均变化趋势和月平均空间分布结果进行对比分析。
云量、 云相态和云水含量的分布在年际尺度上变化差异不大， 而在季、 月尺度上分布的空间异质性较明显， 在不同的月份， 云参数的变化差异是多种影响因子共同作用的结果。此外， 本研究还存在一些不足。首先， 对云量、 云热力学相态和云水含量进行了定量研究， 虽然做到了像素尺度的分析结果， 但对比研究总结得还不够系统全面， 对云和降水之间的关系和其他气候因子之间的联系没有进行深入探讨。其次， 对青藏高原地气相互作用过程理解不够全面， 尤其是不同下垫面的云量特征对比分析还需要加强， 今后将进一步开展更深入的研究， 更全面地总结变化的原因和整个地气系统下的变化规律。
5 结论
本研究利用2000 -2020年的MODIS和ERA5再分析日平均资料， 采用时间序列分析、 回归分析和趋势分析法， 分析了青藏高原云参数的时空分布特征， 并与再分析资料进行了对比， 得到以下主要结论：
（1） 根据MOD08卫星云量日平均资料统计得出： 青藏高原地区的日平均云量约为56%， ERA5再分析资料统计的云量约为57%， 二者变化趋势较为相似， 相关系数为0.83。MODIS云量高值中心出现在藏南部墨脱县（77.3%）， 云覆盖较多的地区为林芝地区（72.5%）， 近20年青藏高原地区云量下降了0.04%；
（2） 根据云相态分布统计结果， 对季节、 月变化特征进行了分析。从季节时间分布来看， 夏季水云出现的概率最高（31.7%）， 春季冰云出现的概率最高（26.5%）。冰云年均发生的概率比水云高约2%； 从月平均分布来看， 冰云在4月达到最大值， 在9月最小， 水云在7月达到最大值。
（3） 在全球气候变暖的背景下， 青藏高原地区的大气水汽含量表现出下降的趋势， 云水含量呈逐渐上升的趋势， 云水含量年平均比大气水汽含量高约0.01 cm， 云水总含量增加了约0.04 cm。这一研究结论为深入理解青藏高原云水资源对全球气候变化影响和高原水汽循环过程提供了依据。