基于Argo浮標數據的Aquarius數據產品質量評估

張 明，張 韌，王輝贊，竇 硌

（1.解放軍理工大學氣象海洋學院 南京市 20011； 2.解放軍61769 部隊 文水縣）

海水鹽度的觀測一直以來都是一項挑戰。傳統的測量方法是依賴錨定浮標、漂流浮標和走航船等局地觀測手段。在Argo 觀測網建成之前，局地觀測手段無論是時間上還是空間上都非常稀疏。2007年Argo 觀測網建成，全球共有3 000多個浮標正常運行，可以在10 d 天和300 km 的時空分辨率上提供3000 條無冰海域2 000 m 以淺的溫鹽剖面數據[1]。Argo 浮標、船載CTD、熱帶錨定浮標觀測矩陣（TAO）、滑翔機和其他觀測手段為人類提供了前所未有的觀測全球海域海水鹽度結構的能力。

在特定頻率上海水反射率依賴于海表鹽度使從太空觀測海表鹽度成為可能。近年來，兩顆用于觀測海表鹽度的衛星相繼發射。2009年11月，歐空局的土壤鹽度衛星（SMOS）發射升空，到2010年1月近實時的海表鹽度數據已經可以使用。2010年6月，美國宇航局和阿根廷空間局共同開發的寶瓶座衛星（Aquarius/SAC-D）發射升空，2010年8月開始提供海表鹽度數據。Aquarius/SAC-D 衛星由Aquarius 和SAC-D 兩部分組成。Aquarius 是由NASA 開發研制，由被動式的L 波段推掃式微波輻射計（1.413GHz）和主動式的L 波段散射計（1.26GHz）組成，具有輻射分辨率更高、精度與穩定性更好的優點；衛星儀器的天線結構由一個偏移量為2.5 m 的拋物面反射器和3 個喇叭饋源組成，3 個喇叭狀饋源形成入射角分別為25.8°、33.8°和40.3°的3 個固定波束，3 個波束在海面上形成的3 個空間分辨率分別為76 km × 94 km、84 km × 120 km、96 km ×156 km，3 個波束的刈幅為390 km[2]。因此，該衛星可從太空跟蹤測量海表鹽度，并檢測其年際性和季節性變化，從而可以更好地研究全球水循環及其變化過程。

鹽度反演技術不斷在改進，大部分新版的鹽度反演產品有能力描述海水鹽度的空間和時間變化，一些文章已經展現出Aquarius 用于理解海洋和大氣變化的巨大潛力[3-4]。但是，由于反演算法不完美和衛星采樣不完全令人滿意以及陸地無線電射頻源（RFI）、海冰等各種污染的影響，Aquarius 仍存在誤差。因此，關于Aquarius 數據產品存在兩個十分重要的問題，一是Aquarius 數據產品的精度到底如何；二是如何將Aquarius 數據產品的誤差合理地移除從而充分地使用Aquarius 數據產品。

關于第一個問題，由于Argo 數據的精度超過0.01 psu[5]，比Aquarius 設計目標精度高一個數量級，因此Argo 數據可以作為Aquarius 數據的參考。有學者利用Argo 數據開展對Aquarius 鹽度產品的真實性檢驗，結果表明Aquarius 在開闊海域與現場觀測數據的鹽度標準差為0.3～0.6，并且在高緯、高風速、低海溫海域反演誤差較大[6]。同時有研究者利用現場數據，開展對Aquarius 在中國近海區域的精度驗證工作，發現由于RFI、風場和降雨的影響，鹽度數據的精度較大洋區域低[7]。大多數Argo 浮標每10 天收集一個剖面，所以浮標的全球覆蓋率超過300 p/d。在本文中，我們用Argo 數據來驗證Aquarius 數據產品的準確性。

針對第二個問題，由于反演模型十分復雜以及計算量等方面的限制，使得采用系統機理模型校正Aquarius 數據較為困難。統計和神經網絡方法將實際過程看為黑箱對象，以過程輸入輸出數據為基礎建立模型，在數據校正中應用廣泛。比如，P.Xie 用統計方法移除SMOS 的偏差，使得數據偏差由-2.267 減小到0.014[8]。因此，我們用神經網絡方法校正Aquarius 的誤差。

目前對全球海域Aquarius 數據產品的質量評估大多采用Argo 網格化產品，但是網格化的Argo 產品會帶來在網格化過程中產生的誤差，因此對評估有一定影響。在本文中，利用2014年全年的Aquarius L2 級數據產品和Argo 現場數據，對Aquarius L2 級數據產品質量進行了分析和評價；此外利用BP 神經網絡對Aquarius L2 級數據進行了校正，取得了較好的效果。

1 數據與方法

1.1 數據選取與數據處理

Aquarius 數據采用NASA 提供的Aquarius L2數據產品V3.0（最新版本是V3.1），這一版本的數據加入對鹽度反演算法的修正，使數據質量大幅提高。時空覆蓋率為2014年全年，每天大約30 軌數據，數據為HDF5 格式，包括Aquarius 輻射計、散射計測量的主要數據、數據質量標記、經緯度和時間等信息。Aquarius 數據是通過衛星星點下喇叭饋源中的3 個波束（下文稱作beam1、beam2、beam3）得到的，因此L2 數據是3n 維，n 是饋源喇叭的采樣點個數。

實測資料采用美國全球海洋資料同化實驗室（USGODAE http：//www.usgodae.org/ftp/outgoing/argo/）提供的2014年全年的Argo 數據。為保證Argo 數據的有效性，對數據進行質量控制，僅保留鹽度、溫度、壓力和時間質量標記符為正常（標記為‘1’）的數據。

在使用數據Aquarius 之前，我們對該數據進行濾波處理。圖1 是2014年5月10日在東太平洋的單軌數據，圖1a 是衛星的軌跡，圖1b 是這條軌跡上海表鹽度的隨緯度的變化，灰色實線是原始數據，黑色實線是濾波后的數。原始的Aquarius 信號（灰色實線）在中高緯地區很明顯的高頻振蕩，低緯地區稍小。Drucker 的研究結果表明這種高頻率的振蕩是噪音而不是真正海表面鹽度的信號[9]，因此我們對原始信號進行低通濾波得到新的海表面鹽度（黑色實線）。為了比較濾波前后數據的變化情況，我們以24 h，75 km為時空窗統計了匹配后的Aquarius 與Argo 數據組平均偏差和均方根誤差如表1 所示：

在不同緯度上，濾波后均方根誤差減小了10.1%～16.5%。考慮到Aquarius 數據的精度是0.2psu，濾波前后的偏差變化并不大。

最后，利用24 h，75 km 的時空窗對濾波后Aquarius 數據和Argo 數據進行匹配，得到近5 萬組數據。由于Aquarius 數據會受到RFI 和海冰等污染，剔除了23.6%的受污染數據，最后得到了37 753 組數據，并計算平均偏差、均方根誤差作為相關數據產品的質量評價指標。

圖1 2014年5月10日03：00-04：12 的單軌數據

表1 濾波前均方根誤差變化（圓括號內代表濾波后的數據統計量）

1.2 BP 神經網絡

BP 神經網絡是一個由輸入層、隱含層和輸出層構成的三層前饋神經網絡。BP 網絡的學習過程由信息的正向傳播和誤差的反向傳播組成。當給定網絡一組輸入模式時，BP 網絡將依次對這組輸入模式按如下方式學習：首先，把輸入模式從輸入層傳輸到隱含層單元，經隱含層單元逐層處理后，產生一個輸入模式傳送到輸出層，這一過程稱為正向傳播；然后將輸出結果和期待值進行比較，如果沒有達到所預計的期望，則轉變為誤差的反向傳播，將誤差沿原路徑返回，通過修改各層神經元的連接權值，使誤差信號變小。這種正向傳播和反向傳播相互交替，看成一個“記憶訓練”的過程。系統不斷地循環這兩個過程，重復學習，一直到輸出值和期待值的誤差減小到規定范圍內，系統停止學習。此刻將新樣本輸入到已經訓練好的網絡，就可以得到相應的輸出值。

2 誤差的總體分布

圖2 表示的是匹配數據組的空間分布，顏色表示Aquarius 數據和Argo 數據偏差大小。整體來說，Aquarius 數據與Argo 數據有很好的一致性，偏差的大部分值都處在-1 和1 之間。在全球范圍內沒有一個相對恒定的偏差，不同大洋有不同的偏差特征。為此我們畫出了不同大洋內Aquarius 數據和Argo 數據的散點圖（圖3）以及計算對應的統計量（表2）。由圖3 可以看出，3個beam 中，beam1 的偏差最小，beam 3 的偏差最大。三大洋中，太平洋的偏差和均方根誤差都是最小的，偏差印度洋大于大西洋，均方根誤差大西洋大于印度洋。這與海表溫度有密切關系，由于L 段亮溫對海面鹽度的敏感性隨SST 的增大而增大，而三大洋的表層水溫太平洋最高，平均為19.1，印度洋次之，為17.0，大西洋16.9，因此太平洋區域的鹽度反演精度最高，印度洋和大西洋相差不大且都小于太平洋。

圖2 匹配數據的空間分布

圖3 Aquarius 鹽度數據和Argo 鹽度數據散點圖

表2 偏差和均方根誤差統計表

3 誤差分析

3.1 誤差隨緯度的變化

本文在緯度60°S～60°N 范圍內，按10°間隔統計了鹽度反演的平均偏差以及均方根誤差，如圖4 所示，圖中黑色水平實線偏差為-0.03。從圖中可以看出，熱帶區域Aquarius 的偏差小于0。值得注意的是大部分Argo 測量的最淺深度是水下5 m 左右[10]，而Aquarius 測量的是距海面2 cm處海水的鹽度，因此熱帶充足的降水帶來的鹽度分層可能是產生鹽度負偏的一個原因。Drucker和Riser 的工作發現，在熱帶降水產生的垂向鹽度分層發生頻率非常低并且持續時間很短，它只貢獻0.03 的偏差[11]。但是熱帶區域Aquarius 的偏差達到了0.03 的兩倍以上（圖4），所以必然還有其他原因導致Aquarius 負偏。James Reagan 等人的研究結果表明，可能是反演算法本身不完美導致熱帶Aquarius 數據負偏，并且他們還發現用CAP（Combined Active-Passive）算法得到Aquarius 數據在熱帶偏差就要小的多[11]。

圖4 SSS 的均值和方差隨緯度的變化

由熱帶向兩級的區域內偏差由負值變為正值，剩余均方根誤差也逐漸變大（圖4），在55°S和55°N 都超過了1。這個區域的誤差來源有很多：海表溫度過低、陸地無線電射頻源干擾（RFI）和海冰都會影響海表鹽度的反演。在低海表溫度的條件下，亮溫敏感性降低。鹽度反演在近岸海域的易受到陸地亮溫的污染和RFI 的污染，導致鹽度反演誤差增大。另外，海冰同樣會造成鹽度反演中的污染性誤差。

總體來說：Aquarius 在熱帶地區準確度比較高，由于反演算法的不完美以及降水產生的鹽度分層使得Aquarius 負偏。在中高緯地區，Aquarius 受低海表溫度、RFI 和海冰的影響，使得反演海表鹽度的難度增加，Aquarius 的誤差較大。

3.2 誤差與風速和海表面溫度的關系

海表面溫度和風是影響海面輻射亮溫的兩個主要因素。為了研究反演誤差與海表溫度和風速的關系，分別做出了偏差與海表溫度和風速的散點圖，如圖5a 所示，實線和虛線分別表示動態平均（N≈5%）的均值和標準差。隨著海表溫度的增加，偏差逐漸由正值變為負值，這個結果與上文中熱帶地區Aquarius 負偏差的結果是一致的：熱帶地區海Aquarius 負偏。標準差隨著溫度的增加而逐漸減小，這是由于海表溫度高，亮溫的敏感性增大，Aquarius 數據的質量提高所致。

Aquarius V3.0 數據中改進了海面粗糙度校正，減小了風導致的誤差。圖5b Aquarius 反演的偏差隨Aquarius 散射計測量風速的變化。從圖中可以看出，偏差的均值穩定在0 附近，標準差穩定在0.5。

圖5 （a）鹽度反演誤差（Aquarius-Argo）和海表溫度的散點圖（b）鹽度反演誤差（Aquarius-Argo）和風速的散點圖實線和虛線分別表示動態平均（N≈5%）的均值和標準差

圖5 表明了S 與海表溫度和風速的關系，但實際上海表溫度和風速對S 影響并不獨立，為此，我們計算1 m/s 和1℃的網格內平均偏差和均方根誤差，然后經對網格進行濾波（圖6）。如圖，Aquarius 數據的偏差主要受海表溫度的影響，風速對偏差的影響并不明顯。當海表溫度低于10℃時，偏差較大，有的地方甚至超過0.2；當海表溫度大于15，大部分區域Aquarius 表現穩定而良好；只在海溫20～25 ℃，風速大于8 m/s時，有一負的高值區，達到-0.12。均方根誤差受風速的影響與偏差相比要大，比如海表溫度在10～15 ℃時，均方根誤差隨著風速增大而先增大后減小。另外，當海溫在20～25℃，風速在10～16 m/s 的區域內，有一高值區，均方根誤差達到了0.3。總體來說，Aquarius 反演誤差與海表溫度、風速有關系，但是相對來說風速對反演精度的影響要弱，這可能是因為V3.0 數據中反演算法中海面粗糙度校正方法改進的原因。

圖6 S 均值（a）和標準差（b）對風和海表溫度的依賴性網格的范圍是1m/s 和1℃，然后經過高斯濾波去除噪音

4 誤差校正

BP 神經網絡的輸出為Argo 的鹽度值，其中long、lat、windspeed、SST 和SSS 分別代表經度、緯度、風速、海表溫度和海表面鹽度，代表三個不同的大洋和三個不同的beam。經過樣本的訓練找出合適的使得最小，其中為Argo 測量的海表鹽度值，為3.1 中Aquarius 鹽度值。根據系統輸入輸出數據特點構建網絡結構，由于輸入信號有6 維，輸出信號只有1 維，BP 神經網絡的結構為6-12-4，即輸入層有6 個節點，隱含層有12 個節點，輸出層有1 個節點。在37 784 組匹配數據中隨機選擇30 000 組數據作為神經網絡訓練數據，剩余7 784 組數據作為測試數據測試誤差校正能力。

訓練數據的Aquarius 和Argo 的散點圖如圖7（a）所示，訓練數據的神經網絡輸出結果和Argo的散點圖如圖7（b）所示，柱狀圖代表所對應數據的分布。訓練數據的相關系數為0.876，均方根誤差為0.507；經過神經網絡方法校正后，相關系數增加到0.954，均方根誤差減小到0.298。Aquarius 精度目標是月平均場的誤差小于0.2，相比較而言單軌數據的誤差減小到0.298 已經是非常好的效果了。

圖7 （a）訓練數據中Aquarius 和Argo 的散點圖柱狀圖分別表示Aquarius 和Argo 的分布（b）驗證數據中Aquarius 和Argo 的散點圖，柱狀圖分別表示Aquarius 和Argo 的分布，圖中r 是相關系數，rmsd 是均方根誤差，N 是數據個數

校正前后的數據變化清楚地表明BP 神經網絡可以校正鹽度反演中的誤差。將全球的Aquarius 數據輸入已經訓練好的神經網絡中，就可以校正全部Aquarius 數據，因此神經網絡方法也不失為一種簡單有效的數據校正方法。

5 結 論

利用Argo 現場鹽度數據對Aquarius 2014年鹽度數據的誤差進行分析，討論了Aquarius 鹽度反演誤差的分布特征以及誤差與幾個海氣參數的關系，另外用BP 神經網絡方法對數據進行校正，得到的主要結論如下：

（1）Aquarius 數據總體偏差為正，但是由于降水和反演算法的不完美偏差使得熱帶海域為負偏差。三大洋中，太平洋的鹽度反演最精確，3個beam 中，beam 1 反演最精確。

（2）Aquarius 反演誤差受海表溫度的影響，低海表溫度使得亮溫的敏感性降低，使得低溫海域誤差反演誤差較大。另外，反演算法中粗糙海面模型的改進使得風對反演誤差的影響降低。

（3）BP 神經網絡校正方法使得Aquarius 數據均方根誤差由0.507 減小到0.298，因此神經網絡方法是一種有效的校正方法。

[1] Boutin J，Martin N.ARGO upper salinity measurements：Perspectives for L-band radiometers calibration and retrieved sea surface salinity validation[J].Geoscience and Remote Sensing Letters，IEEE，2006，3（2）：202-206.

[2] Vine D M L，Lagerloef G S E，Colomb F R，et al.Aquarius：An Instrument to Monitor Sea Surface Salinity From Space[J].Geoscience&Remote Sensing IEEE Transactions on，2007，45（7）：2 040-2 050.

[3] Lee T，Lagerloef G，Gierach M M，et al.Aquarius reveals salinity structure of tropical instability waves[J].Geophysical Research Letters，2012，39（12）.

[4] Grodsky S A，Reul N，Lagerloef G，et al.Haline hurricane wake in the Amazon/Orinoco plume：AQUARIUS/SACD and SMOS observations[J].Geophysical Research Letters，2012，39（20）.

[5] Grunseich G，Subrahmanyam B，Wang B.The Madden-Julian oscillation detected in Aquarius salinity observations[J].Geophysical Research Letters，2013，40（20）：5 461-5 466.

[6] Ebuchi N，Abe H.Evaluation of sea surface salinity observed by Aquarius[C].Geoscience and Remote Sensing Symposium（IGARSS），2014 IEEE International.IEEE，2014：4 427-4 430.

[7] 王新新，楊建洪，趙冬至，等.Aquarius/SAC-D 衛星鹽度數據在中國南海的準確度評估[J].熱帶海洋學報，2013，32（5）：23-28.

[8] Xie P，Boyer T，Bayler E，et al.An in situ-satellite blended analysis of global sea surface salinity[J].Journal of Geophysical Research，2014，119（9）：6 140-6 160.

[9] Drucker R，Riser S C.Validation of Aquarius sea surface salinity with Argo：Analysis of error due to depth of measurement and vertical salinity stratification[J].Journal of Geophysical Research，2014，119（7）：4 626-4 637.

[10] Reverdin G，Morisset S，And J B，et al.Rain-induced variability of near sea-surface T and S from drifter data[J].Journal of Geophysical Research Oceans，2012，117（C2）：41-52.

[11] Reagan J，Boyer T，Antonov J，et al.Comparison analysis between Aquarius sea surface salinity and World Ocean Database in situ analyzed sea surface salinity[J].Journal of Geophysical Research：Oceans，2014，119（11）：8 122-8 140.