SMAP卫星的RBF神经网络海表盐度遥感反演

针对传统海表盐度遥感反演精度不高、影响因素较少等问题,本文基于SMAP(Soil Moisture Active Passive)卫星L2C(Level 2 C)数据、Argo(Array for Real-time Geostrophic Oceanography)数据和其他辅助数据,以太平洋部分海域（160°E～120°W,0°～30°N）为研究区域,综合考虑海面粗糙度以及白冠覆盖率等参量,利用径向基神经网络建立RBF亮温增量模型,并对平静海面亮温进行修正,然后基于Meissner-Wentz介电常数模型得到反演后的盐度值。验证结果表明：模型预测盐度和SMAP卫星盐度相对于Argo实测盐度的均方根误差分别为0.4和0.5,平均绝对误差分别为0.3和0.4。实验证明,利用RBF神经网络建立的亮温增量模型可以提高海表盐度反演的精度,对海表盐度反演具有实用意义。     

遥感海表盐度分析产品的有效分辨率研究

针对SMOS和Aquarius海表盐度误差分析没有区分不同空间频谱信噪特征的问题,基于6种主要的遥感盐度分析产品,根据定性图像、纬向波数谱、均方根误差等指标,分析产品的有效分辨率并探讨其原因机制。研究表明:CATDS-0.25°分析产品所描述的盐度场中小尺度结构失真,其较高谱能量密度在热带海域以噪音为主,而在西边界流等海域以信号为主;BEC-L3-0.25°有着较小的均方根误差、清晰的盐度图像、显著的中尺度能量,最适于描绘中尺度(25~100 km)盐度特征;BEC-L4-0.25°被奇异谱分析方法过度平滑了盐度场;Aquarius-V2-1.00°通过局部平滑处理,在描述大尺度(＞100 km)盐度现象方面表现较好;Aquarius-CAP-1.00°通过主动-被动联合算法(CAP)减小了均方根误差,但图像中卫星轨道形态明显;CATDS-1.00°的图像形态、能量分布和误差特征与Aquarius-V2-1.00°相当。这些结论可为用户正确使用产品进行地球物理学研究提供参考。     

基于Argo的SMAP与SMOS盐度产品质量评估与比对

以2016年SMAP 8日均、月均海表盐度(Sea Surface Salinity, SSS)产品与SMOS日均、月均SSS产品为研究对象,基于Argo浮标实测盐度数据与Argo月均盐度网格产品,进行了质量评估,并开展了SMAP和SMOS盐度遥感产品间的交叉比对。结果表明:SMAP 8日均、月均SSS产品均比SMOS日均、月均SSS产品更接近于Argo盐度数据;SMAP SSS产品在12个月里的标准差均小于SMOS SSS产品,SMAP SSS产品年均偏差与标准差在大部分海域小于SMOS SSS产品,除高纬度地区,4种SSS产品与Argo数据的平均偏差和标准差随纬度变化浮动不大;SMAP 8日均、月均与SMOS日均、月均产品的年平均SSS空间分布特征一致,SMAP 8日均与SMOS日均、SMAP与SMOS月均SSS产品间的年平均偏差在全球范围内总体在-0.50～0.50,标准差总体为0～1.00。     

基于SMOS卫星数据的海表面盐度模型

海表面盐度是研究海洋对全球气候影响以及大洋环流的重要参量之一,而卫星遥感技术是获取海表面盐度数据的最有效方法.目前,L波段的SMOS和Aquarius/SAC-D遥感卫星正在用于探测海表面盐度,并根据卫星观测数据和物理机制反演出海表面盐度的产品.但在某些近陆地区域,由于淡水流入及陆地射频(RFI)等因素影响,卫星反演盐度的产品精度较低.文中利用“东方红2号”科学考察船的实测数据、SMOS卫星数据,首次针对中国南海海域提出了用贝叶斯网络模型计算海表面盐度,并用验证数据集(实测Argo盐度)对模型进行适应性评估.经过计算,模型误差和验证误差分别为0.47 psu和0.45 psu,而相应的SMOS Level 2产品的精度分别为1.90 psu和1.82 psu.此模型为海表面盐度的计算提供了一个新方法.     

利用海表盐度等遥感观测产品重构三维盐度场的性能评估

Several remotely sensed sea surface salinity(SSS) retrievals with various resolutions from the soil moisture and ocean salinity(SMOS) and Aquarius/SAC-D missions are applied as inputs for retrieving salinity profiles(S) using multilinear regressions. The performance is evaluated using a total root mean square(RMS) error, different error sources, and the feature resolutions of the retrieved S fields. In the mixed layer of the salinity, the SSS-S regression coefficients are uniformly large. The SSS inputs yield smaller RMS errors in the retrieved S with respect to Argo profiles as their spatial or temporal resolution decreases. The projected SSS errors are dominant, and the retrieved S values are more accurate than those of climatology in the tropics except for the tropical Atlantic, where the regression errors are abnormally large. Below that level, because of the influence of a sea level anomaly, the areas of high-accuracy S values shift to higher latitudes except in the high-latitude southern oceans, where the projected SSS errors are abnormally large. A spectral analysis suggests that the CATDS-0.25° results are much noisier and that the BEC-L4-0.25° results are much smoother than those of the other retrievals. Aquarius-CAP-1° generates the smallest RMS errors, and Aquarius-V2-1° performs well in depicting large-scale phenomena. BEC-L3-0.25°,which has small RMS errors and remarkable mesoscale energy, is the best fit for portraying mesoscale features in the SSS and retrieved S fields. The current priority for retrieving S is to improve the reliability of satellite SSS especially at middle and high latitudes, by developing advanced algorithms, combining both sensors, or weighing between accuracy and resolutions.     

最新SMOS卫星海表盐度L3/4级产品的误差分析

选取SMOS任务的2个海洋盐度专家中心(法国的CATDS-CECOS和西班牙的BEC)的5种经过再处理的新版SSS L3/4产品作为研究对象,以Argo浮标资料及WOA09资料作为参考标准,对其误差特征进行了细致的分析比较,为将其同化到海洋模式中以及用于其它海洋学的分析应用研究,提供必要的参考。主要结论如下:SMOS年平均海表盐度场与WOA09资料很接近,一些已知的重要的分布形势都有所体现;大洋中部误差较小,近陆误差大;热带误差较小,高纬地区误差较大;三大洋中太平洋均方根误差最小。随着时空分辨率的降低,SMOS SSS资料的均方根误差显著减小。检验的几种资料中,CATDS/CEC-OS处理制作的月平均海表盐度L3级产品误差最小,全球平均均方根误差(RMSE)为0.314;另外几种高分辨率产品中,除由BEC制作的简单加权平均产品均方根误差最大,全球平均0.543以外,其他3种资料的均方根误差量级相当,差异不太明显,全球平均的RMSE为0.3~0.4;BEC的两种分析产品总体上RMSE更小。     

一种利用SMOS卫星观测的海表面盐度反演海水盐度廓线的方法

This paper proposes a new method to retrieve salinity profiles from the sea surface salinity(SSS) observed by the Soil Moisture and Ocean Salinity(SMOS) satellite. The main vertical patterns of the salinity profiles are firstly extracted from the salinity profiles measured by Argo using the empirical orthogonal function. To determine the time coefficients for each vertical pattern, two statistical models are developed. In the linear model, a transfer function is proposed to relate the SSS observed by SMOS(SMOS_SSS) with that measured by Argo, and then a linear relationship between the SMOS_SSS and the time coefficient is established. In the nonlinear model, the neural network is utilized to estimate the time coefficients from SMOS_SSS, months and positions of the salinity profiles. The two models are validated by comparing the salinity profiles retrieved from SMOS with those measured by Argo and the climatological salinities. The root-mean-square error(RMSE) of the linear and nonlinear model are 0.08–0.16 and 0.08–0.14 for the upper 400 m, which are 0.01–0.07 and 0.01–0.09 smaller than the RMSE of climatology. The error sources of the method are also discussed.     

基于机器学习的SMAP卫星海表盐度反演

针对传统海表盐度的物理机制反演模型拟合过程复杂且反演精度不高等问题,借助大范围、全天时、L波段探测的SMAP卫星微波海洋遥感产品,以北太平洋(135°～165°E,15°～45°N)范围为研究海域,利用深层神经网络(Deep Neural Network, DNN)和支持向量机(Support Vector Machine, SVM)建立海表盐度(Sea Surface Salinity, SSS)遥感反演模型。验证结果表明:DNN与SVM模型测试集反演SSS与Argo(Array for Real-time Geostrophic Oceanography))实测SSS的均方根误差(Root Mean Square Error, RMSE)分别为0.179 0和0.257 0,平均绝对误差(Mean Absolute Error, MAE)为0.129 3和0.182 1,最小绝对误差为0.642 6和2.038 0,最大绝对误差为1.324 1和2.373 2,反演模型数据与实测Argo数据拟合后的的相关系数分别为0.89和0.84。总体来看,DNN模型比SVM模型的反演精度更高,...     

基于Aquarius 卫星数据的孟加拉湾海表盐度分析

海洋表面盐度(Sea Surface Salinity,SSS)是海洋的重要物理和化学参量,SSS的时空分布与全球大洋环流和水汽循环密切相关。本文基于美国国家航空航天局(NASA)发射的Aquarius卫星3 a的SSS遥感数据,给出了孟加拉湾及其附近海域海表盐度的空间分布特征,并重点分析了影响孟加拉湾海表盐度变化的可能因素。研究结果从一个侧面说明了利用Aquarius卫星遥感观测海洋大尺度盐度变化的可行性。     

基于深度神经网络的海表盐度反演

海表盐度（Sea Surface Salinity,SSS）是研究海洋对全球气候影响的重要参量,欧洲航天局（European Space Agency,ESA）设计研发的SMOS(Soil Moisture and Ocean Salinity)是专用于探测海水盐度的卫星之一。受射频干扰（Radio Frequency Interference, RFI）等因素的影响,SMOS卫星盐度产品的精度难以达到预期效果。为了提高SMOS卫星海表盐度产品精度,本文提出一种基于深度神经网络的海表盐度反演算法。以太平洋中部海域（150°E～180°,5°～30°N）为研究区域,利用Argo浮标实测盐度数据为参考真值,将SMOS卫星L1C、L2级产品与Argo盐度数据进行时空匹配。并根据海洋遥感和辐射传输理论,选取亮温（Brightness Temperature,TB）、海表温度（Sea Surface Temperature,SST）、降雨率（Rain Rate,RR）、波高（Significant Wave Height,SWH）、纬向风速（Zonal Wind Speed,ZWS）、经向风速（...     

海表面盐度的高精度预测模型

为了建立高精度的海洋表面盐度预测模型,采用BP神经网络的方法,针对SMOS卫星level 1C级亮度温度数据和辅助数据建立了一种海表面盐度预测模型,以ARGO浮标观测值作为海表盐度实测值来检验新模型预测结果的准确度,同时利用验证集对模型的精度进行验证.结果表明:通过新模型预测的海表盐度(SSS0)比SMOS卫星的3个粗...     

无线射频干扰对SMOS卫星盐度数据产品准确度的影响研究

SMOS卫星数据发布以来,相关学者针对海表盐度数据开展了大量的真实性检验工作,但是在受无线射频干扰（RFI）影响海域开展的相关工作很少。本文以西太平洋海域为研究区域,选择合理的时空匹配窗口,将WOD13实测海表盐度数据与SMOS卫星单轨海表盐度数据进行数据匹配,采用统计学方法开展SMOS卫星数据真实性检验,并分析RFI对SMOS卫星数据的影响。结果表明,SMOS卫星受分布在西太平洋沿岸射频干扰源的影响,RFI污染高风险区单轨L2数据准确度相对较低,最优仅为3.45,RFI污染低风险区的卫星数据准确度最优为1.07,可见,RFI对单轨卫星数据准确度的影响很大,最终导致西太平洋海域西部大面积海域数据缺失,尤其是中国近海海域,如何检测和减缓RFI对卫星数据的影响是亟待解决的问题。     

基于SODA数据集的南海海表面盐度分布特征与长期变化趋势分析

盐度是南海物理环境的重要组成部分之一,盐度的变化对南海的水动力环境有重要影响。利用1972-2010年的SODA数据集的5.01 m层月平均数据,分析南海海域海表面盐度的时空分布特征,采用基于最小二乘法的线性拟合分析南海海表面盐度的长期变化趋势。结果表明南海海域的海表面盐度在39 a间90%以上区域均呈现盐度下降趋势,整个海域SSS则以每年0.005 88 psu的速率下降,春季SSS下降速率最大为0.006 4 psu/a,夏季SSS下降速率在四季中最小为0.005 19 psu/a。     

基于T/P卫星海面测高的黄东海海面地形变化探讨

利用Topex/Posedion卫星的SSHA数据对黄、东海1993-2001年期间的平均海面地形的空间形态特征、变化速率的空间分布特征及年内变化特征等3个方面进行了分析.研究结果表明,该海区9a平均海面地形的基本特征为：东南高、西北低,由东南向西北倾斜,最大高差超过90 cm;1993-2001年期间全海区均呈现海面上升趋势,上升速率值在5～8.6 mm/a之间,海面上升的空间分异表现为南快北慢,东快西慢.海面地形的年内变化在时间上呈正弦波动,空间上中、北部区域变化速度快,年较差大;南部区域变化速度慢,年较差小;变化空间特征复杂.     

微波辐射计遥感海水盐度的水池实验研究

通过水池实验研究了L波段微波辐射和盐度的关系,并进行了盐度的反演计算。实验中,先向水池内加入天然海水,然后通过向水池中添加自来水的方式调节降低池内水体的盐度,使盐度从31.67逐步降低到27.48。在此期间,利用微波辐射计观测池内水体的L波段H极化和V极化辐射值以及S波段V极化辐射值,利用CTD观测池内水体的温度和盐度。L波段微波辐射值和根据辐射理论计算出的亮温值具有很好的线性关系。利用最大和最小的2个盐度下的微波辐射值和由辐射理论计算的亮温得到定标公式,将观测的辐射值换算为亮温。最后利用半解析的反演算法反演盐度。本次实验的反演最大误差为2.1,均方差为0.3。