基于SSM/I亮溫的海表面溫度、風速可視化應用系統開發

成印河，李家明，朱鳳芹，劉大召，付東洋

（廣東海洋大學 電子與信息工程學院海洋技術系，廣東 湛江 524088）

基于SSM/I亮溫的海表面溫度、風速可視化應用系統開發

成印河，李家明，朱鳳芹*，劉大召，付東洋

（廣東海洋大學 電子與信息工程學院海洋技術系，廣東 湛江 524088）

衛星遙感已成為海洋現象研究的主要手段。由于衛星數據資料數據量大，操作復雜，目前很難找到一種衛星數據的可視化工具，用以實現衛星數據的反演和可視化。基于Matlab開發了一套基于SSM/I亮溫的反演海表面溫度和風速的可視化應用系統。該系統集數據匹配、遙感反演方法及可視化于一體，具有界面友好、操作簡單和反演產品可靠，易于拓展的特點。該系統反演的海表面溫度和風速產品與文獻中其他結果是一致的。

遙感反演；神經網絡；D-矩陣；可視化

21世紀是海洋的世紀，在國家的海洋強國戰略下，越來越多的學者開始研究、開發海洋。面對廣闊的海洋，衛星遙感技術無疑是當今研究海洋的一種重要手段。衛星遙感具有全天候、可持續觀察，觀測范圍大和實時性高等特點，能為海洋研究帶來海量、實時、可靠的數據，更好地研究海洋。SST（Sea Surface Temperature）以及近海面風速是其中很重要的環境因子。

從SSM/I（Special Sensor Microwave Imager）亮溫數據中反演SST和風速算法主要有3種，物理算法，經驗統計和神經網絡算法。Wentz[1-2]建立和發展了一種反演包括風速的物理算法，SST是已知輸入參數。由于物理反演方法要求較多輻射傳輸物理機制知識，比較復雜，反演算法進而轉向經驗算法，包括統計方法和神經網絡算法。經驗算法方便簡單，適應性強。許多學者基于SSM/I亮溫數據利用經驗算法開展反演風速研究[3-5]。Goodberlet等[3]1989年給出了一種經驗統計算法，即D矩陣算法反演海表面風速，Petty等[5]1993年對其進行了改進，加入一個由水汽引起的校正項，來提高風速反演精度。另一種最成功的經驗算法是神經網絡算法，許多專家、學者都進行了研究[6-13]。在SST反演中有著同樣相似方法。Xia等[14]2001年給出了SST反演的D矩陣方法，Meng等[12]2007年利用神經網絡模型同時反演了風速和SST多個海表面參數。衛星遙感反演算法中都需要大量匹配的實測數據與衛星亮溫數據，尤其是經驗算法，匹配數據多少會影響反演的精度及普適性。本文采用了高分辨率浮標數據進行匹配，包括10 min和1 h的SST、風速數據，針對熱帶海洋區域給出新的D矩陣系數和BP神經模型，給出最優結果。

衛星遙感反演算法國內外已經開展了較多研究，然而關于海洋遙感的反演產品業務可視化僅有部分研究成果[15-16]。對于海洋工作者來說，需要的不僅是一個最優的算法，更需要能夠查看和方便使用遙感圖像的工具。因此本文在改進經驗模型參數的基礎上，利用最成功經驗算法，開發一套能通過操作GUI界面的窗體應用程序，并顯示最優結果的軟件系統。

1 可視化流程、數據及方法

1.1 可視化流程

本程序基于Matlab語言編寫而成。Matlab在科學計算中是一種主流的程序語言，擁有龐大的函數庫,對矩陣數據的處理方便快速，可較大程度地減少開發人員的工作量，并且Matlab擁有強大的繪圖能力，可方便制圖顯示，應用領域廣泛。同時Matlab還提供強大的GUI界面設計功能，可進行應用窗體設計。本文中程序包完整的可視化流程如圖1所示。

圖1 可視化流程

如圖1所示，衛星數據可視化的過程首先是匹配數據模塊，然后是根據需要選擇反演方法模塊，BP神經網絡模型或D-矩陣算法，訓練網絡或擬合求得系數，調整到最優，然后反演海洋要素參數，展示海洋參數，完成可視化。

1.2 數據

本程序包采用反演算法是神經網絡模型和D-矩陣方法。該算法都是基于大量實測數據的經驗算法，必須要匹配較大的衛星數據和浮標數據。數據匹配的數量和精度影響著海面要素反演的質量，所以數據匹配尤為重要。本文以2007年的SSM/I的5個低分辨率通道的亮溫數據和TAO（Tropical Atmosphere Ocean project）浮標的SST和風場數據為例進行匹配。

衛星數據主要采用5個低分辨率通道的SSM/I亮溫數據，分別是19 GHz(h)、19 GHz(v)、22 GHz(v)、37 GHz(h)和37 GHz(v)。下載網址為http://www. remss.com/missions/SSM/I。實測數據主要采用高分辨率TAO浮標數據，主要分布在南北緯10°范圍內的熱帶海域，包括太平洋，印度洋和大西洋，采樣間隔為10 min或 1 h。下載網址為：http://www.pmel. noaa.gov/tao/data_deliv/frames/main.html。該數據通過質量控制后與衛星SSM/I亮溫數據進行匹配。匹配標準為衛星數據中心坐標距離浮標為0.25°距離內，時間為前后10 min之內。匹配好的SST數據為45 525個，風速數據為39 586個。

1.3 溫度和風場反演方法

海洋要素反演算法也是結果展示準確性最為關鍵一步，計算出最優的反演模型，才能使得數據產品達到理想效果。該系統中可以選擇使用BP神經網絡模型和D-矩陣方法，進行SST和風速反演。1.3.1 BP神經網絡算法 BP神經網絡是一種多層的前饋神經網絡，信號前向傳遞，誤差反向傳播。本系統中可采用BP神經網絡網絡來反演SST和風速，具體流程見圖2。

圖2 基于SSM/I亮溫反演SST和風速的BP神經網絡模型

1.3.2 D-矩陣算法 本系統中采用的另一種經驗算法為D-矩陣方法。該算法基于匹配的衛星亮溫和浮標數據，擬合線性方程，可采用T19H、T19V、T22V、T37H和 T37V通道亮溫反演 SST，采用T19H、T22V、T37H和T37V通道亮溫反演海表面風速。SST和海表面風的D-矩陣反演算法公式分別為(1)和(2)[17]。

公式中D0，D1，D2，D3，D4和D5為需要擬合的線性系數，擬合方法采用最小二乘法。

2 可視化應用程序設計

2.1 系統介紹

本設計具有界面友好，操作簡易可靠的特點，其主窗體見圖3。

圖3 基于SSM/I亮溫反演SST和風速可視化系統主窗體

在主窗體的菜單欄上，有匹配、訓練/擬合、反演和可視化的功能，窗體中能顯示訓練和擬合的結果，并能輸出操作過程信息，以下為詳細的功能介紹。

（1）數據匹配，即把相同時間和位置的SSM/I衛星數據和TAO浮標數據關聯起來，并把匹配結果輸出到一個新的文件。并可以選擇匹配的位置精度和時間精度。

（2）訓練/擬合，即根據匹配好的數據，使用神經網絡的方式訓練出神經網絡，或使用D-矩陣的方式擬合出系數，并把訓練網絡或擬合系數以mat格式保存到文件。

點擊主窗體的“訓練/擬合”后，在下拉菜單選擇訓練或擬合的方法，選擇匹配好的數據文件，在設置界面里面會顯示相應的參數設置。如匹配數據為SSM/I亮溫和TAO浮標中的SST數據，則設置界面的輸出參數是SST，見圖4；如果TAO浮標的數據是風速，輸出參數就是U，V的風速分量，見圖5。

圖4 BP神經網絡訓練參數設置界面

圖5 D-矩陣方法擬合參數設置界面

在BP神經網絡訓練參數設置界面中，可選擇不同通道的SSM/I亮溫數據，隱含層、學習率、學習次數、學習目標和訓練函數等參數，不同參數設置，會達到不同的訓練效果。同理，在D-矩陣擬合參數設置界面中，可以根據不同的輸出參數，選擇不同的輸入通道，以達到理想效果。訓練好的BP神經網絡或者是擬合好的系數，都會以mat的格式保存，供解碼SSM/I亮溫數據時調用。

（3）反演，即調用反演算法，SSM/I亮溫數據解碼為SST、海表面風速等產品。反演的設置界面如圖6所示。

圖6 反演參數設置界面

反演輸出某參數產品如SST時，可根據實際情況，選擇反演方法，導入相應的訓練好BP神經網絡模型或D-矩陣方法擬合系數，可導入批量的SSM/I亮溫數據，輸出結果如SST會寫到netcdf格式文件里面。

（4）可視化，即反演產品顯示窗口設置，設置界面，如圖7所示。

圖7 可視化顯示設置窗口

根據輸出結果，選擇要顯示的變量產品，選擇繪圖的邊界，程序就會按照設置界面的參數，繪制輸出圖形。

2.2 BP神經網絡模型和D矩陣方法結果分析

2.2.1 BP神經網絡模型結果分析 在主窗體的“訓練/擬合”功能中，每次BP神經網絡模型訓練，都可以監視其訓練過程，完成后還會輸出誤差來提供參考，SST和海表面風速的誤差，見圖8。圖8中，BP神經網絡模型反演結果和浮標實測數據散點圖擬合的一次函數的斜率、平均誤差和均方差可表征BP神經網絡模型學習的好壞。可訓練多次，取斜率接近1，誤差最小的BP神經網絡模型，

圖8 BP神經網絡模型反演結果與浮標實測SST和風速對比圖

并進行保存，作為最優結果。本實例誤差為SST和海表面風速的網絡，斜率都接近于1，SST的平均誤差為0.86℃，標準差為0.73℃；海表面風速的平均誤差為0.96m/s，標準差為0.89m/s。

2.2.2 D矩陣方法結果分析 在主窗體的“訓練/擬合”功能中，也可選擇擬合功能，調整滑動條調整參與擬合系數和驗證數據多少，給出不同擬合系數和誤差等提供參考，SST和海表面風速的誤差，見圖9。

圖9 D-矩陣算法反演結果與TAO浮標實測SST和風速對比圖

從圖9中可知SST和海表面風速擬合系數，斜率都接近于1.0，SST的平均誤差為0.88℃，標準差為0.83℃；海表面風速的平均誤差為1.0m/s，標準差為0.95m/s。

利用該系統程序可以很方便地進行數據匹配及衛星SSM/I亮溫的處理，方便地利用BP神經網絡反演和D-矩陣方法開展SST和風速的反演。在BP神經網絡算法中，可以選擇不同通道亮溫、訓練函數、隱層神經元層數和個數、及學習次數等。D-矩陣反演過程中，也可以選擇輸入數據多少，選擇不同通道進行矩陣系數的計算，反演SST和風速。通過調節各種參數，達到最優的結果。本文中，BP神經網絡和D-矩陣方法都能夠給出較好的結果，Meng等給出結果是一致的[12]，從平均誤差方面，本文中兩種方法反演的SST比Meng等給出的結果稍低。因此該系統給出的結果是可靠的。

3 SST和風速可視化應用

利用該系統給出最優的反演算法對SSM/I亮溫數據進行反演，得到SST和海表面風速的可視化產品。以2014年6月1日一天SSM/I亮溫使用BP神經網絡方法反演的區域SST和海表面風速為例展示可視化產品，考慮TAO浮標實測數據空間分布導致的算法的準確度，該產品只顯示40°S～40°N之間的區域。

圖10 BP神經網絡反演的全球熱帶海洋SST和風速

4 結論

本文基于Matlab軟件開發了一個衛星數據反演參數可視化應用系統。該系統集數據匹配、遙感反演方法及可視化于一體，具有界面友好、操作簡單和反演產品可靠，易于拓展的特點。通過操作GUI界面的方式，匹配SSM/I亮溫數據和TAO浮標數據，可以選擇使用神經網絡模型和D矩陣方法反演SST和海表面風，可以顯示最優結果。該系統中通過神經網絡方法反演的SST平均誤差為0.86℃，標準差為0.73℃；由D-矩陣反演的SST平均誤差為0.88℃，標準差為0.83℃。通過BP神經網絡反演的風速平均誤差為0.92m/s，標準差0.86m/s；由D-矩陣反演的海表面風速的平均誤差為1.0 m/s，均方差為0.95m/s。這與其他結果是一致的。

由于匹配的數據只限于TAO浮標的數據，因此在空間尺度上，匹配的數據有限制，只限制于赤道附近的海域，緯度離赤道越遠的海域，產品精度會降低。衛星反演輸出產品遙感空白的區域進行插值處理，增加更多數據融合處理功能。

參考文獻：

[1]Wentz F J.MeasurementofOceanicWind Vector Using Satellite Microwave Radiometers[J].IEEE Trans GeosciRemote Sens,1992 (30):960-972.

[2]Wentz F J.AWellCalibrated Ocean Algorithm for SSM/I[J].JGeophys Res,1997(102):8703-8708.

[3]Goodberlet M A,C T Swift,JCWilkson.Remote Sensing of Ocean Surface Winds with the Special Sensor Microwave/Imager [J].JGeophysRes,1989(94):14547-14555.

[4]GoodberletM A,CTSwift.Improved Retrievals from the DMSPWind Speed Algorithm Under AdverseWeather Conditions[J].IEEE Trans GeosciRemote Sens,1992(30):1076-1077.

[5]Petty GW.A Comparison of SSM/IAlgorithms for the Estimation of Surface Wind[C]//Proc Shared Processing Network DMSP SSM/IAlgorithm Symp,Monterey,CA,NRL,1993.

[6]Stogryn A P,C T Butler,T JBartolac.Ocean Surface Wind Retrievals from Special Sensor Microwave Imager Data with Neural Networks[J].JGeophys Res,1994(99):981-984.

[7]Thiria S,CMejia,FBadran.A NeuralNetwork Approach forModelling Nonlinear Transfer Functions:Application forWind Retrieval from Spaceborne ScatterometerData[J].JGeophysRes,1993(98):22827-22842.

[8]Krasnopolsky VM,LCBreaker,W H Gemmill.Developmentofa Single“All-Weather”NeuralNetwork for Estimating Ocean Surface Winds from the SpecialSensorMicrowave Imager[R].NMC/NOAA Tech.Note,OPCContribution 94,1994.

[9]Krasnopolsky V M,LCBreaker:A NeuralNetwork as a Nonlinear Transfer Function Model for Retrieving SurfaceWind Speeds from the SpecialSensorMicrowave Imager[J].JGeophys Res,1995(100):11033-11045.

[10]王振占.用19.35GHz星載微波輻射計(SSM/I)亮溫反演海面風速[J].海洋技術學報,2003,22(2):1-6.

[11]宋新改.神經網絡反演散射計風場算法的研究[D].青島:中國海洋大學,2005.

[12]Meng Lei,He Yijun,Chen Jinnian,etal.NeuralNetwork RetrievalofOcean Surface Parameters from SSM/IData[J].2007,135:586-597.

[13]雷林,陳新軍,毛志華.基于微波輻射計SSM/I的海面風速反演算法研究及應用[J].上海海洋大學學報,2012,21(1):124-131.

[14]Xia Y.Sea-Surface Temperature and Sea-Surface Wind Speed Retrievals from Space Borne Radiometer Measurements[D]. Amherst:University ofMassachusetts,2001.

[15]陳宏.海表溫度_SST_遙感反演系統設計與實現[D].福州:福建師范大學,2009.

[16]韓冬.衛星高度計海面風速反演與風場可視化[D].青島:中國海洋大學,2005.

[17]劉于光.衛星海洋學[M].北京：高等教育出版社，2009.

Development of the Visualization Application System of SST and Wind Speed Inverted from SSM/IBrightness Temperature

CHENG Yin-he,LIJia-ming,ZHU Feng-qin,LIU Da-zhao，FU Dong-yang
Department of Ocean technology,College of Electronic and information Engineering,Guangdong Ocean University,Zhanjiang 524088, Guangdong Province,China

The satellite remote sensing technology has become a major means to study ocean phenomena.Since the data of remote sensing have some common features such as huge volume and relative complex algorithm,it is difficult to find a visualization tool for the inversion and visualization of satellite remote sensing data.A visualization application system for SSM/I data is designed based on the Matlab GUI(Graphical User Interface) technique,which serves as an integrated system including datamatching,two methods of inversion of SST(Sea Surface Temperature)and wind speed,and image visualization.The software has the advantages of friendly interface,visible operation,convenient operating and good expansibility.The product of inversion from the SSM/I brightness temperature is proved accurate and consistentwith the results form other literatures.

retrieval of remote sensing;neural networkmodel;D-matrix algorithm;visualization

P714；TP75

A

1003-2029（2017）01-0014-05

10.3969/j.issn.1003-2029.2017.01.003

2016-08-15

國家自然科學基金資助項目（41406041）；廣東省自然科學基金資助項目（2016A030313751）；廣東省教育廳創新強校項目（GDOU2016050242）；廣東海洋大學優秀青年教師專項人才培養特別資助項目（HDYQ2015008）

成印河（1980-），男，博士，副教授，碩士生導師，主要從事海氣相互作用與數值模擬研究。E-mail：yinhe_9951@163.com

朱鳳芹（1981-），女，講師，主要從事軟件開發及信號處理。E-mail:fqzhu_07@163.com