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。     

SMAP卫星海表盐度产品精度评定与全球海表盐度特征分析

海表盐度是研究海洋变化及其气候效应重要的物理量。本文将2018年SMAP卫星的月均、日均海表盐度产品分别与Argo月均网格化产品、实时散点盐度数据进行比较,评定其精度,并分析全球海表盐度分布特征。结果表明：SMAP卫星月均产品RMSE为0.17,BIAS为0.11,STD为0.17,R为0.98,t检验呈显著相关;SMAP卫星日均产品RMSE为0.28,BIAS为0.23,STD为0.26,R为0.81,相较月均产品,精度较低。SMAP卫星月均产品偏差在中纬度海域较小,在高纬度海域较大;SMAP卫星日均产品偏差在太平洋海域为-0.6~0.6,在地中海海域超过1.0。全球海表盐度在25.0~40.0之间,沿纬度方向呈带状分布,其中大西洋海表盐度普遍高于太平洋和印度洋。     

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Argo浮标的西太平洋SMAP卫星海表面盐度数据质量评估

以西太平洋为研究区域,利用Argo浮标表层盐度观测值(5 m)对SMAP卫星获得的2016年海表面盐度反演质量进行了评估。首先将西太平洋2016-01—12期间的每日和每月SMAP卫星SSS数据与Argo实测SSS数据进行匹配,然后利用最小二乘线性回归法对其进行相关性分析,并对误差的分布特征进行了研究。结果表明:SMAP SSS与Argo SSS之间具有极显著的正相关关系;每日Argo浮标数据(WMO ID:2901520,WMO ID:2901548)和SMAP SSS的变化趋势基本一致,前者均方根误差(RMSE)、偏差(Bias)和相关系数(r)分别为0.43, 0.34和0.71,后者RMSE,Bias和r分别为0.41,0.26和0.69;研究区域内全年RMSE值处于0～0.35,在西太平洋南部海域偏差较大,这可能是由于该海域小岛众多,缺少Argo实测数据,导致其网格化的盐度存在较大误差。除夏季外,研究区域的大部分海域,RMSE都小于0.25。在海表盐度较低的海域,两者的对比结果误差较大,该现象在夏秋两季尤为显著。     

SMAP卫星海表盐度产品的检验与校正

In this study, sea surface salinity(SSS) Level 3(L3) daily product derived from soil moisture active passive(SMAP)during the year 2016, was validated and compared with SSS daily products derived from soil Moisture and ocean salinity(SMOS) and in-situ measurements. Generally, the root mean square error(RMSE) of the daily SSS products is larger along the coastal areas and at high latitudes and is smaller in the tropical regions and open oceans. Comparisons between the two types of daily satellite SSS product revealed that the RMSE was higher in the daily SMOS product than in the SMAP, whereas the bias of the daily SMOS was observed to be less than that of the SMAP when compared with Argo floats data. In addition, the latitude-dependent bias and RMSE of the SMAP SSS were found to be primarily influenced by the precipitation and the sea surface temperature(SST). Then, a regression analysis method which has adopted the precipitation and SST data was used to correct the larger bias of the daily SMAP product. It was confirmed that the corrected daily SMAP product could be used for assimilation in high-resolution forecast models, due to the fact that it was demonstrated to be unbiased and much closer to the in-situ measurements than the original uncorrected SMAP product.     

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。     

SMOS卫星遥感海表盐度资料处理应用研究进展

土壤湿度和海洋盐度卫星首次提供了覆盖全球的高频率、高精度、业务化的海表盐度产品,但其处理和延伸应用仍处于初级阶段,后续校准校正工作还将持续数年,如何及时把握其发展轨迹成为一个重要的科学问题.本研究从SMOS计划、数据概况、盐度反演算法、格点产品制作、多源数据融合和产品应用等方面,介绍和评述了SMOS计划及其海表盐度产品应用研究进展,着重分析了反演算法中的各种误差来源,对在轨2 a的运行情况进行了回顾、对未来的发展重点进行了展望,旨在为开发和应用SMOS产品提供参考.     

SMAP卫星辐射计在中国近海及沿岸的RFI特征分析

射频干扰RFI(Radio-Frequency Interference)的校正和抑制一直是微波遥感研究领域的重要问题之一。本文基于SMAP卫星2015年5月1日至5日L波段辐射计亮温数据对中国近海及沿岸的射频干扰进行了特征分析。研究发现RFI分布不均匀,主要集中在城市群及其周边地区;通过对比辐射计天线接收的亮温数据与射频干扰校正和抑制后的数据,发现研究区域主要的射频干扰(95%)的平均值为1.4 K,整体射频干扰平均值为2.5 K,标准差为6.5;研究区域中不同波段和极化的数据受到射频干扰影响较为相似,受射频干扰影响最大的是升轨的垂直极化数据,受影响最小的是升轨的水平极化数据。     

基于随机森林方法反演墨西哥湾海表盐度

盐度是表征物理和生物地球化学过程的重要参数之一,光学遥感可满足较高分辨率的监测需要并避免射频干扰问题,为沿海水域的海表盐度研究提供可行的途径。本文基于MODIS-Aqua的412 nm、443 nm、488 nm、555 nm和667 nm波段的遥感反射率(Rrs412、Rrs443、Rrs488、Rrs555、Rrs667)、海表温度以及实测的海表盐度数据构建随机森林模型,基于模型结果分析墨西哥湾海表盐度时空异质性及海表盐度与影响因子(海表温度和遥感反射率)之间的相关关系。研究结果表明：(1)随机森林模型能较准确地反演墨西哥湾海表盐度,其均方根误差为0.335,决定系数为0.931;(2)湾区海表盐度空间分布呈近岸−河口低、离岸高,环状向内增值的态势,其变化受河流流量、风力以及环流的影响;(3)海表温度与海表盐度存在较强的相关性,海表温度对海表盐度的反演影响显著;(4)海表温度、遥感反射率与海表盐度的相关性呈现空间异质性。     

长江河口径流与盐度的谱分析

根据大通水文站的流量和引水船站的盐度系列资料,应用谱分析方法研究长江口径流、盐度的变化规律及两者的相互关系.分析表明,长江口径流存在4～8a,2～3a,1.5a,1a,30～60d及20d的及化周期;盐度存在5～10a,2～3a,1.5a,1a,0.5a,40～50d,26～30d,14～15d7～8d及3.5d的变化周期.径流和盐度的谱结构在各水文年基本一致,均以1a周期变化占优势,但盐度谱结构在高频部分较径流的谱结构具有更大的振荡.盐度与流量的5～10a,2～3a,1.5a,1a的周期振动上存在高相关.径流对盐度变化的影响主要体现在低频部分.在低频变化中表现为盐度变化滞后于径流变化,在高频带呈同步变化.     

基于随机森林的香港海域海表盐度遥感反演模型

提出了一种基于随机森林反演海盐的算法模型,基于研究海域的实测数据,分析并筛选出与海表盐度敏感性较高的影响因子(总氮、悬浮固体、温度),利用2003-2008年共6期ASTER影像数据,从中提取、计算敏感因子的光谱参数,结合相应实测盐度,作为模型的原始数据集,运用R语言构建随机森林算法对数据进行训练,将训练得到的随机森林用于海表盐度的预测。结果显示,预测值与实测值之间平均相对误差较小,吻合度高,R2均在0.85以上,多数达0.95以上。研究表明,基于多因子参数的随机森林反演海表盐度是可行且高效的。     

基于现场观测与MyOcean模式数据的印度洋东南部Aquarius反演海表盐度的评价与纠正

The in situ sea surface salinity(SSS) measurements from a scientific cruise to the western zone of the southeast Indian Ocean covering 30°–60°S, 80°–120°E are used to assess the SSS retrieved from Aquarius(Aquarius SSS).Wind speed and sea surface temperature(SST) affect the SSS estimates based on passive microwave radiation within the mid- to low-latitude southeast Indian Ocean. The relationships among the in situ, Aquarius SSS and wind-SST corrections are used to adjust the Aquarius SSS. The adjusted Aquarius SSS are compared with the SSS data from My Ocean model. Results show that:(1) Before adjustment: compared with My Ocean SSS, the Aquarius SSS in most of the sea areas is higher; but lower in the low-temperature sea areas located at the south of 55°S and west of 98°E. The Aquarius SSS is generally higher by 0.42 on average for the southeast Indian Ocean.(2) After adjustment: the adjustment greatly counteracts the impact of high wind speeds and improves the overall accuracy of the retrieved salinity(the mean absolute error of the Zonal mean is improved by 0.06, and the mean error is-0.05 compared with My Ocean SSS). Near the latitude 42°S, the adjusted SSS is well consistent with the My Ocean and the difference is approximately 0.004.     

孟加拉湾海表盐度变化特征的卫星遥感应用研究

本文利用2011年8月至2014年3月Aquarius卫星盐度产品结合Argo等实测盐度资料,探讨了孟加拉湾海表盐度的季节及年际变化特征。结果显示,Aquarius与Argo盐度呈显著线性正相关,总体较Argo盐度值低,偏差为-0.13,其中在孟加拉湾北部海域负偏差值比南部海域更大,分别为-0.28和-0.10。Aquarius卫星与Argo浮标在表层盐度观测深度上的差别是造成此系统偏差的主因。Aquarius盐度资料清晰显示了孟加拉湾海表盐度具有明显的季节变化特征,包括阿拉伯海高盐水的入侵引起湾南部海域盐度的变化以及湾北部淡水羽分布范围的季节性迁移等主要特征。此外,分析还揭示了2011(2012)年春季整个湾内出现异常高盐(低盐)现象。研究表明,2010(2011)年湾北部夏季降雨减少(增加)导致该海域海水盐度偏高(偏低),并通过表层环流向南输运引起次年春季湾内表层盐度出现异常高盐(低盐)现象,春季风应力旋度正(负)距平通过影响盐度垂直混合过程对同期表层盐度异常高盐(低盐)变化也有影响。     

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。     

2017年中国近海海表温度特征

通过对OISST资料1982—2017年中国近海海表面温度(SST)分析,发现2017年中国渤、黄、东海海表温度较常年偏高0～1.5℃,南海海表温度接近常年。2017年渤海海表温度是近36 a来最热的一年,达到14.4℃,黄海第二以及东海第三热的年份,整个中国近海海表温度的平均是历史第二高的年份。渤、黄、东海海表温度1—8月份达到或接近极端高温情况,之后海表温度降低并达到常年同期以下。对中国近海不同海区海表温度和陆地气温相关分析表明:不同海区受陆地气温影响区域不同,同时海表温度与陆地相关区域随着季节而变化。从2017年平流输运、净热通量、热含量和陆地大气温度影响等方面来看,造成渤、黄、东海海表温度偏高的主要原因是黑潮流速增强导致平流热输送增加,0～700 m热含量增加以及我国陆地区域气温的异常偏高,净热通量对其海表温度升高起抑制作用。     

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...     

基于现场观测资料的卫星海表盐度网格化产品误差分析与质量评估

自欧洲土壤湿度和盐度卫星SMOS和美国宝瓶座盐度卫星Aquarius相继发射之后,多个数据中心发布了两颗卫星的海表盐度网格化产品,其中包括法国海洋研究院SMOS卫星数据小组发布SMOS Locean L3盐度产品、西班牙巴塞罗那专家中心发布SMOS BEC L4盐度产品和美国宇航局喷气动力实验室发布AquariusV3.0 CAP L3盐度产品。本文利用精确盐度现场观测资料从产品精度和模拟海洋现象能力两个方面对以上3种产品质量进行了评估。研究表明:(1) 在精度方面,与盐度现场资料相比,Aquarius CAP 产品质量最高,产品盐度偏差和均方根误差全年稳定且偏差较小,部分海域达到了设计精度;SMOS两种卫星产品在全球海域偏差较不稳定,个别月份出现异常偏差值;SMOS产品在低纬和开阔海域的数据质量相对较高,但在高纬海域仍存在较大误差,需要进一步提升;(2) 在刻画海洋现象方面,Aquarius产品在热带太平洋较好刻画了淡池东缘盐度锋,SMOS BEC产品的刻画能力次之,SMOS Locean产品在热带太平洋充满了小尺度噪音,描述物理现象方面表现偏差。     

SMOS卫星盐度数据在中国近岸海域的准确度评估

盐度是描述海洋的关键变量,对海表面盐度进行观测可以推进对全球水循环的理解。本文的主要目的是在中国近海海域对SMOS卫星盐度数据进行准确度评估。主要方法是将SMOS卫星L2海洋盐度数据产品(V317)与实测ARGO数据和走航数据进行匹配,并采用统计学的方法对SMOS卫星数据准确度进行评估。结果表明:匹配数据的线性关系不显著,SMOS卫星盐度数据(V317)在南海和东海的均方根误差分别约为1.2和0.7,应用海表面粗糙度修正模型得到的3组海表盐度数据准确度都相对较低,尤其在近岸强风场区域,海表盐度卫星数据相对于实测数据偏高,这可能是由于海表粗糙度和陆地射频干扰(RFI)作用影响的结果;SMOS卫星数据在东海的均方根误差比南海高0.5左右,这可能是由于东海海域为相对开阔海域,受陆地RFI影响相对南海较小;在中国近岸海域,应用SSS1和SSS3模型得到的盐度数据准确度相对较高,可以对模型进行地球物理参数修正,进行局地化改进,预计可以提高近岸海域盐度反演的准确度。     

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.