基于客觀分析的多源衛星葉綠素a濃度產品融合方法研究

施英妮,張亭祿,石立堅,胡曉華,南明星

（1 .中國海洋大學信息科學與工程學院,山東青島266100；2 .北京5111信箱,北京100094；3 .國家衛星海洋應用中心,北京100081；4 .國家海洋局空間海洋遙感與應用研究重點實驗室,北京100081；5 .北京市2433信箱,北京100081）

?

基于客觀分析的多源衛星葉綠素a濃度產品融合方法研究

施英妮1,2,張亭祿1,石立堅3,4,胡曉華2,南明星5

（1 .中國海洋大學信息科學與工程學院,山東青島266100；2 .北京5111信箱,北京100094；3 .國家衛星海洋應用中心,北京100081；4 .國家海洋局空間海洋遙感與應用研究重點實驗室,北京100081；5 .北京市2433信箱,北京100081）

摘要:本文基于Aqua/M O DIS、Terra/M O DIS和Envisat/M E RIS多源衛星葉綠素a濃度產品,研究了客觀分析融合方法,制作了西北太平洋海域（0°～50°N,100°～150°E）葉綠素a濃度融合產品,并從有效數據空間覆蓋率和產品精度兩個方面對融合方法進行了評價。與單傳感器以及歐洲太空局發布的GS M模型業務化融合產品相比,客觀分析融合產品空間覆蓋率明顯提高；與收集的2002 - 2012年間葉綠素a濃度實測數據比較,GS M模型業務化融合產品的匹配數據點為578個,偏差為- 0.20 mg/m3,均方根誤差為0.37 mg/m3,客觀分析法融合產品的匹配數據點為1 432個,偏差為- 0.21 mg/m3,均方根誤差為0.36 mg/m3。結果表明:本文研究的客觀分析融合方法在保證融合產品精度的同時可顯著提高產品的空間覆蓋率,在海洋水色融合應用前景廣闊。

關鍵詞:客觀分析法；融合；葉綠素a濃度；空間覆蓋率；產品精度

1 引言

葉綠素a（chlorophyll a ,簡稱Chl a）濃度是浮游植物生物量的表征,而浮游植物是海洋生物鏈的基礎。濃度高表征浮游植物大量繁殖,會使海水水體中的氧氣大量被消耗,造成海洋生物窒息死亡［1］。某些浮游植物的突發性增殖和聚集還會形成赤潮,引起一定范圍內水體變色,影響部分海域的水質［2］。因此海洋葉綠素a濃度已成為衡量浮游植物的生物量和評價海洋水質、有機污染程度的重要參數［3］,監測葉綠素a濃度對了解海區的生態環境質量有重要意義。

目前海洋水色衛星已成為監測葉綠素a濃度全球分布的標準工具。據國際海色組織（International Ocean Colour Coordinating Group,簡稱IO CC G）統計,截至2014年底,搭載海色傳感器的在軌衛星共有10余顆。這些衛星除了韓國G O CI（Geostationary Ocean Color Imager）屬于靜止衛星,其余都是極軌衛星。極軌海色衛星在運行過程中會受到太陽耀斑和云的影響,有效數據空間覆蓋率有限,提取的信息往往不完整,不能滿足實際應用的需求。遙感數據融合技術可將多源傳感器的數據進行關聯和復合,產生比單一數據源更完整、更可靠、更精確的結果,有效提高遙感數據的利用率,擴大遙感產品的空間和時間覆蓋率,成為近些年來世界范圍內遙感應用領域中的研究熱點［4］。國外在海色遙感資料融合方面的研究起步較早。1997年美國N ASA（National Aeronautics and Space Administration）正式提出SIM BIOS（Sensor Intercomparison and M ergerfor Biological and Interdisciplinary Oceanic Studies）研究計劃［5］,隨后,歐洲空間局又提出G L O BColour研究計劃［6］。這些計劃利用平均法、GS M（Garver Sie-gel M aritorena）生物光學模型法等技術,對多顆衛星觀測的水色數據進行融合,建立了高質量的海色數據集合。國內在水色遙感資料融合方面起步較晚,中國海洋大學利用小波分析融合方法計算了2001年Sea WiES和M O DIS葉綠素a濃度數據的年平均可利用率［7］。雖然目前國際上使用平均法、GS M生物法進行葉綠素融合產品的發布,但這兩種方法對空間覆蓋率的改善十分有限,如GS M融合產品的全球覆蓋率約為25 %［8］,難以滿足實際應用的需求。客觀分析融合算法由于使用時空差值可以有效提高產品覆蓋率和精度,目前已在海面溫度和高度計融合產品制作中廣泛應用［9—10］,但在海色融合方面應用較少。

本文基于Aqua/M O DIS、Terra/M O DIS和Envisat/M E RIS多源衛星葉綠素a濃度產品,研究了客觀分析融合方法,制作了西北太平洋海域的融合產品。文章首先介紹了研究中用于算法研究的衛星數據以及用于評價融合結果的實測數據和歐洲太空局發布的GS M業務化葉綠素a融合產品；然后對不同傳感器之間的葉綠素a濃度數據進行交叉校準,為后續數據融合奠定基礎；詳細介紹客觀分析融合算法,并從空間覆蓋率和產品精度兩個方面對融合產品進行評價；最后得出結論。

2 數據

2 .1 衛星數據

本文使用衛星數據為美國的Aqua/M O DIS、Terra/M O DIS和歐洲太空局的Envisat/M E RIS 3個傳感器的葉綠素a濃度數據。3個傳感器主要參數如表1所示,3個傳感器的葉綠素a濃度數據均可在美國N ASA的O CE A N C O L O R網站［11］免費獲取,數據產品為Level 3標準網格數據,數據格式為H DE格式（Hierarchical Data Eormat）,空間分辨率采用4 k m。

表1 Aqua/M O DIS、Terra/M O DIS和Envisat/M ERIS海色傳感器性能參數Tab .1 The main characteristics of Aqua/M O DIS,Terra/M O DIS and Envisat/M ERIS

2.2 浮標數據

浮標數據用于驗證融合產品的精度,由美國N ASA海洋生物光學數據庫（Sea WiES Bio-optical Archive and Storage System,簡稱SeaB ASS）［12］提供。本文收集了數據庫中2002 - 2012年5 844組葉綠素a濃度測量數據,與衛星數據進行匹配,生成試驗驗證的匹配數據集。匹配的時間間隔為1 d,空間間隔為4 k m。

3 多源衛星數據交叉校準

不同的海色傳感器在儀器校準和反演算法等方面具有不同的差異,為消除傳感器之間在時間、空間及反演精度等方面的差異,獲取具有較高一致性的葉綠素a融合產品,需要進行各傳感器之間的數據交叉校準,即用定標精度較高的傳感器作為參考傳感器,建立參考傳感器輸出和待定標傳感器輸出之間的關系,利用參考傳感器的觀測值和兩個傳感器輸出之間的關系確定待定標傳感器的觀測值,進而將多個傳感器平臺的觀測數據校準到同一基準［13］。交叉校準中參考傳感器的選擇很重要,Aqua/M O DIS具有完善的星上定標系統,星上定標系數的不確定度在2 %左右,且重訪周期短,近年來的研究工作也印證了Aqua/M O DIS數據的穩定性和準確性［14—15］,因此本文使用Aqua/M O DIS傳感器作為交叉校準中的參考傳感器。

以2010年西北太平洋海域每日Aqua/M O DIS傳感器葉綠素a濃度數據為基準數據,分別與Terra/ M O DIS和Envisat/M ERIS的葉綠素a濃度數據進行匹配,參照Campbell的方法［16］,對匹配的葉綠素數據取以10為底的對數運算,匹配數據點的密集度分布如圖1所示。由圖1可見,Terra/M O DIS、Envisat/M ERIS的葉綠素a濃度數據與Aqua/M O DIS葉綠素a濃度數據相關性較高,相關系數分別達到0.97和0.96,由此匹配數據集建立的相關關系如式（1）和（2）:

圖1 不同傳感器葉綠素a濃度匹配數據密集度分布Eig .1 Probability density distribution of the matched data between different sensors a .Aqua/M O DIS與Terra/M O DIS,b .Aqua/M O DIS與Envisat/M E RIS a .Aqua/M O DIS versus Terra/M O DIS,b .Aqua/M O DIS versus Envisat/M E RIS

4 客觀分析融合方法

客觀分析算法基于Gauss- M arkoff理論,采用時間空間窗口內的觀測數據,確定插值范圍內各個觀測值的權重,使得插值誤差最小,給出插值網絡上的估計值［17］。在分析之前,首先要對以分析日期為中心的n天內的各種衛星數據進行預處理、質量控制,再以各衛星的空間分辨率和有效數據準確度劃分優先選取順序,根據順序先后選用各種觀測數據。以葉綠素濃度a產品為例,假設各種衛星資料空間分布是不規則的并有時間間隔,在點（x,y）處、時間t的葉綠素a濃度的線性最小平均平方估計為［9］:

式中,Chl aest為葉綠素a濃度的估計值,Φobs為葉綠素a濃度衛星觀測數據,為衛星觀測值自相關矩陣的逆矩陣,M為觀測數據的反距離加權平均值,C為估計值與觀測值二者的互相關矩陣,Δx、Δy、Δt分別為估計值與觀測值的緯向距離、經向距離、時間差,L、T分別為空間和時間相關尺度,融合的具體流程如圖2所示。首先,將3個傳感器葉綠素a濃度數據在預定義的插值窗口搜索數據,對數據進行質量控制；然后,求空間窗口內衛星觀測數據的自相關函數的逆矩陣,如果存在則采用式（3）給出估計值,如果不存在,直接采用觀測數據的反距離加權平均值（M）給出估計值；最后輸出融合結果。本文空間相關半徑L選為1°,時間相關尺度T選為3 d。

圖2 客觀分析法融合葉綠素a濃度產品流程圖Eig .2 Elow chart of the objective analysis for merging chlorophyll a data

5 融合結果評價

5 .1 空間覆蓋率比較

為了評價融合產品的空間覆蓋率,本文以2010 年2月24日A qua/M O DIS、Terra/M O DIS和Envisat/M E RIS 3個傳感器在西北太平洋海域（0°～50°N,100°～150°E）葉綠素a濃度數據為例,計算單個傳感器及歐洲太空局G S M生物光學模型和客觀分析算法融合產品的空間覆蓋率,如圖3所示。A qua/M O DIS、Terra/M O DIS和Envisat/M E RIS單傳感器有效值在該海域空間覆蓋率分別為13.45 %、14.86 %和9.13 % ,G S M生物光學模型融合產品的空間覆蓋率為31.11 % ,客觀分析法融合產品空間覆蓋率可達61.80 %?？梢?利用客觀分析算法對海洋水色資料進行融合,相比與單傳感器及G S M生物光學模型融合產品,顯著提高了資料的空間覆蓋率。

5 .2 融合產品精度

圖3 西北太平洋不同海域葉綠素a濃度產品分布（2012年2月24日）Eig .3 Comparison of Aqua/M O DIS,Terra/M O DIS,Envisat/M E RIS and merged chlorophyll a data in the northwest Pacific region a .Aqua/M O DIS產品,b .Terra/M O DIS產品,c .Envisat/M E RIS產品,d .GS M生物光學模型融合產品,e .客觀分析法融合產品a . Aqua/M O DIS,b .Terra/M O DIS,c .Envisat/M E RIS,d .GS M merged,e .objective analysis merged

歐洲太空局發布的GS M模型業務化融合產品和本文客觀分析法融合產品分別與SeaB ASS現場測量數據的對比,結果如圖4所示。歐洲太空局發布的GS M模型業務化融合產品的匹配數據點為578個,相關系數為0.73,偏差為- 0.20 mg/m3,均方根誤差為0.37 mg/m3；應用本文客觀分析法融合產品的匹配數據點為1 432個,相關系數為0.75,偏差為- 0.21 mg/m3,均方根誤差為0.36 mg/m3；通過對比發現,客觀分析融合產品與GS M業務化融合產品的精度基本一致,但與實測數據的匹配點明顯增加,表明空間覆蓋明顯增加。

圖4 GS M模型業務化融合產品（a）和客觀分析法融合結果（b）分別與實測數據比對的散點圖Eig .4 Scatter diagram of merged chlorophyll a data and in-situ chlorophyll a data（a .GS M merged data,b .objective analysis merged data）

6 結論

目前海色衛星大都是極軌運行,產品日有效覆蓋率有限,為了提高產品有效覆蓋率,本文基于Aqua/ M O DIS、Terra/M O DIS和Envisat/M E RIS多源衛星葉綠素a濃度產品,詳細研究了客觀分析融合方法,實現了多源海洋水色遙感資料的融合。通過空間覆蓋率分析發現,客觀分析融合方法可顯著提高有效數據空間覆蓋率；與現場測量資料對比發現,基于客觀分析方法的融合產品與歐洲太空局業務化GS M融合產品的精度基本一致。客觀分析融合方法在保證融合產品精度的同時可顯著提高產品的空間覆蓋率,在海洋水色融合應用前景廣闊。

參考文獻:

［1］ 叢丕福.海洋葉綠素遙感反演及海洋初級生產力估算研究［D］.北京:中國科學院遙感應用研究所,2006 . Cong Pifu . Oceanic ChloroPhyllretrieval by remote sensing and ocean Primary production estimate［D］.Beijing:Institute of Remote Sensing Applications,Chinese Academy of Sciences,2006 .

［2］ 黃韋艮,樓秀琳,肖清梅.國內外赤潮衛星遙感技術研究與發展［J］.遙感技術與應用,2002,17（1）:32 - 36 . H uang W eigen,Lou Xiulin,Xiao Qingmei. Recent progress on remote sensing of red tides by satellite［J］. Remote Sensing Technology and Application,2002,17（1）:32 - 36 .

［3］ 疏小舟,汪駿發,沈鳴明.航空成像光譜水質遙感研究［J］.紅外和毫米波,2000,19（4）:273 - 276 . Shu Xiaozhou,W ang Junfa,Shen Mingming . Remote sensing of water quality monitoring using an airborneimaging spectrometer［J］.JInfrared Millim W aves,2000,19（4）:273 - 276 .

［4］ 施英妮,張紅雷,楊楠.衛星海色融合方法概述［J］.遙測遙控,2011,32（6）:18 - 21 . Shi Yingni,Zhang H onglei,Yang Nan . Review of ocean color data merging methods［J］.Journal of Telemetry,Tracking and Com mand,2011,32 （6）:18 - 21 .

［5］ Eargion G S,McClain C R .SIM BIOS Project 2001 Annual Report［R］. N ASA Technical M emorandu m,no .2002 - 21005 .2002:1 - 308 .

［6］ GlobColour . The European Service for Ocean Colour［O L］.http://w w w .globcolour .info/

［7］ 曲利勤,管磊,賀明霞.Sea WiES和M O DIS葉綠素濃度數據及其融合數據的全球可利用率［J］.中國海洋大學學報,2006,36（2）:321 - 326 . Qu Liqin,Guan Lei,He Mingxia . The globalavailabilities of Sea WiES,M O DIS and M erged Chlo rophylla Data［J］.Periodical of Ocean U niversity of China,2006,36（2）:321 - 326 .

［8］ M aritorena S,D'Andon O H E,M angin A,et al. M erged satellite ocean color data products using a bio-optical model:Characteristics,benefits and issues［J］. Remote Sensing of Environ ment,2010,114（8）:1791 - 1804 .

［9］ Guan L,Kawamura H . M erging satellite infrared and microwave ssts:methodology and evaluation of the new sst［J］.Journal of Oceanography, 2004,60:905 - 912 .

［10］ Traon P Y L,Nadal E,Ducet N . An improved mapping method of multisatellite altimeter data［J］.Journal of Atmospheric & Oceanic Technology, 1998,15（2）:522 - 534 .

［11］ Oceancolor . The A merican Service for Ocean Colour［O L］.http://oceancolor .gsfc .nasa .gov/

［12］ SeaB ASS .Sea WiES Bio-optical Archive and Storage System［O L］.http://seabass .gsfc .nasa .gov/.s

［13］ 童進軍,邱康睦,李小文,等.利用E OS/M O DIS交叉定標E Y1 D/VIR R可見光-近紅外通道［J］.遙感學報,2005,9（4）:349 - 356 . Tong Jinjun,Qiu Kangmu,Li Xiaowen,et al. Radiometric cross-calibration of the E Y1 D/VIR R and E OS/M O DIS in the visible and near-infrared spectral bands［J］.Journal of Remote Sensing,2005,9（4）:349 - 356 .

［14］ Eargion G S,McClain C R . M O DIS validation,data merger and other activities accomplished by SIM BIOS project:2002 - 2003［R］//N ASA Tech M emo . M aryland,2003:76 .

［15］ 徐磊,馬靈玲,胡堅,等.基于Terra/M O DIS數據的HJ-1B/CC D1交叉定標方法研究［J］.遙感信息,2011（2）:26 - 31 . Xu Lei,M a Lingling,H u Jian,et al.Cross-calibration of HJ-1B/CC D1 Against Terra/M O DIS［J］. Remote Sensing Information,2011（2）:26 - 31 .

［16］ Campbell J W . Thelognormal distribution as a modelfor bio-optical variabilityin the sea［J］.Journal Geophysics Research,1995,100（C7）:13237 - 13254 .

［17］ Carter E,Robinson A . Analysis M odelsforthe Estimation of Oceanic Eields［J］.Journal of Atmospheric & Oceanic Technology,1987,4（1）:49 -74 .

中圖分類號:T P79

文獻標志碼:A

文章編號:0253-4193（2016）03-0082-06

收稿日期:2015-04-01；

修訂日期:2015-07-15。

基金項目:國家國際科技合作專項資助（2011 DE A22260）；國家基金委——山東省聯合基金項目“海洋環境動力學和數值模擬”（U1406404）,高分專項。

作者簡介:施英妮（1979—）,女,山東省煙臺市人,博士研究生,工程師,主要從事海洋遙感應用研究。E-mail:nini0303 @ 163 .com

施英妮,張亭祿,石立堅,等.基于客觀分析的多源衛星葉綠素a濃度產品融合方法研究［J］.海洋學報,2016,38（3）:82 - 87,doi: 10.3969/j.issn .0253-4193.2016.03.008

Shi Yingni,Zhang Tinglu,Shi Lijian,et al.Objective analysis for merging multisensory chlorophylla data［J］. Haiyang Xuebao,2016,38 （3）:82 - 87,doi:10.3969/j.issn .0253-4193.2016.03.008

Objective analysis for merging multisensory chlorophyll a data

Shi Yingni1,2,Zhang Tinglu1,Shi Lijian3,4,H u Xiaohua2,Nan Mingxing5
（1 .Collegeof Information Science & Engineering,Ocean University of China,Qingdao 266100,China；2 . Mailbox NO 5111,Beijing 100094,China；3 . NationalSatellite Ocean Application Service,Beijing 100081,China；4 . Key Laboratory of Space Ocean Remote Sensing and Application,State Oceanic Administration,Beijing 100081,China；5 . Mailbox NO 2433,Beijing 100081,China）

Abstract:In this paper,the objective analysis method is studied to merge the daily chlorophylla concentration products over the northwest Pacific from three ocean color sensors:M oderate Resolution Imaging Spectroradiometer （M O DIS）on the Aqua platform,M O DIS on the Terra platform and the M ediu m Resolution Imaging Spectrometer （M E RIS）on the E N VISAT platform . The objective analysis method is evaluated from the spatial coverage ratio and the accuracy of the merged result. The evaluation result showed that the spatial coverage of objective analysis method products is much larger than that of the single sensor products and the GS M merged products . Through validation with thein-situ data during periodsfrom 2002 to 2012,the matched data ofthe GS M merged data and the Objective Analysis method merged datais 578 and 1 432,respectively . The correlation coefficient and the root mean square error（R M SE）ofthe GS M merged data are - 0.20 mg/m3and 0.37 mg/m3. The same evaluation parameters of objective analysis are - 0.21 mg/m3and 0.36 mg/m3. The results show thatthe objective analysisis an effective method for merging chlorophyll a data and the product of this method has the similar accuracy with other products and higher spatial coverage ratio .

Key words:objective analysis method；data merge；chlorophyll a concentration；spatial coverage；validation