基于AMSR2微波輻射計的近海面氣溫反演算法研究

郭 黎,盛 輝,王 進,趙懷松

(1.中國石油大學(華東),山東青島266580;2.國家海洋局第一海洋研究所,山東青島266061; 3.青島大學,山東青島266071)

基于AMSR2微波輻射計的近海面氣溫反演算法研究

郭 黎1,2,盛 輝1*,王 進2,3,趙懷松3

(1.中國石油大學(華東),山東青島266580;2.國家海洋局第一海洋研究所,山東青島266061; 3.青島大學,山東青島266071)

基于多元線性回歸方法,利用2013-01-06的AMSR2輻射計亮溫數據和紅外-微波融合SST數據產品,開展了近海面氣溫反演算法研究,并用TAO,RAMA和PIRATA等浮標實測數據對近海面氣溫的反演結果進行檢驗。近海面氣溫反演結果誤差情況:均方根誤差為0.66℃,偏差為0.02℃,相關系數R為0.91,該誤差結果表明所建立近海面氣溫反演算法較好的反映在60°S～60°N緯度范圍內的近海面氣溫分布情況;同時為進一步確定不同緯度近海面氣溫反演的誤差分布,將近海面氣溫反演結果與ECMWF再分析數據進行了對比分析,結果表明,從赤道起算,緯度每升高或降低1°,反演均方根誤差約增大0.1℃。

AMSR2;近海面氣溫;多元回歸;SST

近海面氣溫與海氣相互作用密切,是海洋、氣象等模型中的一個非常重要的海面氣象輸入因子[1]。目前近海面氣溫的現場觀測主要依賴于TAO等系留浮標陣列的實測數據,這些浮標陣列主要集中于低緯度海域,難以獲取長時間、大面積的觀測資料。基于星載平臺的被動微波遙感技術具有全天時全天候工作、周期短、寬覆蓋等優勢,且能提供多頻段多極化信息,可以實現對近海面氣溫的全球監測。

自20世紀70年代起,國內外學者開展了大量利用星載微波輻射計反演海氣參量信息的研究工作。目前除近海面氣溫以外的其他海氣參量,如海表溫度、海表鹽度、海表風速和風向、大氣水汽和云液態水含量、雨率等,開展了大量研究,且已提供業務化數據產品[2-4]。但是針對近海面氣溫的反演研究目前尚沒有成熟的反演算法,各星載微波輻射計也不提供近海面氣溫的數據產品。本文基于AMSR2數據開展近海面氣溫反演算法研究。

目前在反演海氣參量中,較為常用的方法為統計方法。統計方法主要包括多元線性回歸方法、神經網絡方法和遺傳算法等。多元線性回歸方法是星載微波輻射計大氣-海洋參數反演常見的業務化算法。Liu等利用無線電探空儀所獲取的可降水資料,建立比濕和可降水量之間的關系,邊界層熱力學公式為其提供理論基礎[5]。Konda等基于塊體動力學公式,建立了近海面氣溫與海面溫度、風速和近海面比濕之間的關系,其近海面氣溫的反演精度為(±1.2)℃[6]。Liu利用SSM/I和GMS-5數據,基于Konda的算法,提出統計回歸方法,反演近海面氣溫,由實測數據檢驗,均方根誤差為1.46℃[7]。Jackson等[8],He等[9]和伍玉梅等[10]利用線性回歸方法,基于星載微波輻射計數據反演近海面氣溫,均方根誤差為0.74～1.53℃。Jones等[11], Singh等[12],Roberts等[13]和吳新榮等[14]利用神經網絡方法對近海面氣溫進行反演研究,得到均方根誤差為0.72～1.3℃。遺傳算法是一種自適應全局優化概率搜索算法。Singh等[12]利用遺傳算法,基于SSM/I月平均數據產品、AVHRR海面溫度產品反演近海面氣溫,實時資料均方根誤差為1.4℃,月平均資料均方根誤差為0.74℃[15]。王麗靜等[16]利用遺傳算法,基于AMSR-E數據反演了近海面氣溫,均方根誤差為1.18℃。

(王 燕 編輯)

目前對于2012-05入軌的AMSR2星載微波輻射計尚沒有近海面氣溫反演算法。多元線性回歸方法是星載微波輻射計海氣參數反演中的常規化算法,同時也是一種快速而有效的算法。故本文基于AMSR2的亮溫數據,利用多元線性回歸方法進行全球近海面氣溫反演研究,為近海面氣溫業務化產品的應用提供了基礎。

1 數據與預處理

1.1 數據介紹

本文使用的數據包括:2013-01—06的AMSR2亮溫觀測資料、TAO浮標數據和紅外-微波融合的SST產品。

AMSR2亮溫觀測資料來自JAXA(Japan Aerospace Exploration Agency)官方網站。AMSR2是裝載于GCOM-W1衛星,于2012-05由JAXA發射的星載微波輻射計,用于接替2011-10停止運行的AMSR-E微波輻射計。AMSR2升軌于每天地方時間下午1:30過境,降軌于每天地方時上午1:30過境,它的軌道高度為700 km,保證了低軌道地球觀測的基本需求。AMSR2的觀測通道分布于6.9～89 GHz,共有7個頻率,每個頻率對應水平(H)和垂直極化(V)兩種方式,共14個觀測通道。圖1為AMSR2 2013-01-01 22V通道在60°S～60°N之間的亮溫分布。表1顯示了AMSR2的基本參數。

圖1 AMSR2 22V通道亮溫分布Fig.1 The brightness temperature distribution of AMSR2 22 V channel

表1 AMSR2的基本參數Table 1 The basic parameters of AMSR2

TAO/TRITON浮標陣列,主要為監測、預測厄爾尼諾與拉尼娜現象提供實測氣象數據。TAO浮標陣列分布范圍為95°W～137°E,10°S～10°N,可測量包括近海面氣溫、海溫、相對濕度、海面風速在內的多項參數。該數據集所測海面氣溫范圍14～32℃、精度、具有較高的時空分辨率,常用于熱帶地區海表參數反演結果的校驗[17]。本文所使用的25個TAO浮標,其分布圖如圖2a所示。

SST數據產品是由RSS提供的紅外(Terra MODIS, Aqua MODIS)-微波(TMI,AMSR-E,AMSR2,WindSat)融合產品,該產品是空間分辨率為9 km×9 km的日均數據。此產品既具有微波數據穿云透霧的特性,又具有紅外數據高分辨率的特性。數據存儲為NetCDF格式,其中數據填充值的含義分別是:0～250代表正常的SST觀測值;252代表海冰;254代表缺少數據;255代表陸地區域。圖2b為SST產品示例圖。

圖2 TAO浮標分布圖和SST數據示例圖Fig.2 The distribution of TAO buoys and SST data

歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts,ECMWF)再分析數據采用數據集ERA-interim是從1979年開始至今的大氣再分析數據集并持續更新。本文所用數據為全球0.25°×0.25°,每天提供0UTC,6UTC,12UTC和18UTC四次氣溫數據,用于近海面氣溫反演算法和結果的檢驗。

1.2 數據預處理

在建立算法之前,有必要對AMSR2亮溫數據進行基本的質量控制。本文利用海陸標記對海洋和陸地區域進行判斷,以避免陸地對海洋的污染,進而影響近海面氣溫的反演精度。AMSR2每一頻率亮溫數據均有與其相對應的海陸標記,選取對應海陸標記為0(0代表海洋)的點即可滿足條件。此外還應剔除異常亮溫值,根據亮溫直方圖統計結果,本文確定有效亮溫范圍為70～240 K。利用質量控制后的觀測數據與浮標實測數據進行匹配,匹配的時空窗口為60 min和0.5°,對匹配后的數據集加入SST數據產品,空間上采用最鄰近插值法,時間上采用日期相同,獲得有效匹配數據39 908組。

2 結果與討論

2.1 相關性分析

由于89 GHz通道亮溫的地面足印與其他通道差別較大,且該通道受氣候條件影響明顯,因此本文建立的反演算法中沒有選用89 GHz通道。為了評估近海面氣溫對AMSR2各通道亮溫的影響,本文對AMSR2的各通道亮溫數據與近海面氣溫的相關性進行了分析,各通道亮溫與近海面氣溫的相關系數如表2所示,各通道相關性均不大于0.33,而SST與近海面氣溫相關性則為0.82,這一結果同伍玉梅的結果一致[18]。所以將SST作為算法的輸入量之一。SST融合產品中AMSR2只是數據源之一,可認為SST有一定的獨立性。

表2 AMSR2各通道亮溫與近海面氣溫相關系數RTable 2 The correlation coefficient between brightness temperatures of AMSR2 and near sea surface air temperature

3.2 海面氣溫反演算法

多元統計回歸方法利用微波輻射計多個通道亮溫數據的線性組合反演海氣參量。這種方法假定近海面氣溫等海洋參數與輻射計各個通道亮溫數據之間存在著一定的線性關系,將質量控制、時空匹配后的亮溫數據與浮標數據或再分析數據等統計回歸,得到一組或數組系數,從而進行近海面氣溫的反演。

本文選用多元線性回歸算法反演近海面氣溫,其基本形式如下:

式中,P為近海面氣溫;j代表輻射計通道;aj代表第j通道的反演系數;Tbj代表第j通道的亮溫;在這里均為線性函數,即

本研究匹配數據共39 908條,隨機選取其中20 000條數據建立算法,其余數據則用來檢驗算法精度。反演系數如表3所示,常數項a0為0.70。

表3 反演系數Table 3 The inversion coefficient

3.3 算法精度檢驗

根據反演系數進行精度檢驗,浮標實測值與微波輻射計反演值的比較如圖3a所示。結果表明,近海面氣溫反演的偏差為0.02℃,均方根誤差為0.66℃,相關系數R為0.91。圖3b顯示誤差直方圖,可以看出,誤差主要集中于-1～1℃。本文在近海面氣溫實測21～30℃范圍內,按1℃間隔統計了近海面氣溫反演平均偏差和均方根誤差,如圖4a和圖4b所示,結果表明在25℃以上的區域反演誤差較小,偏差約0.1～0.2℃,均方根誤差一般在0.5℃左右;在25℃以下區域反演誤差有增大的趨勢。

圖3 海面氣溫反演值與浮標實測值的比較和誤差直方圖Fig.3 The comparison between inversed of sea surface air temperature and buoy measured values and the error histogram

圖4 近海面氣溫實測數據1℃間隔統計偏差與均方根誤差Fig.4 The bias and root mean square error of retrieved sea surface air temperature by 1℃interval

由于浮標數據無法反映反演算法在中緯度海域的精度,本文又在60°S～60°N區域,將反演結果與ECMWF再分析數據進行了比較分析,并按照3°緯度間隔統計其比較分析誤差,如圖5所示。圖中可見,本文反演結果在低緯度海域與ECMWF吻合良好,偏差在1℃左右,均方根誤差約1℃;隨著緯度的升高,反演精度明顯下降,緯度每升高1°,偏差約增大0.1℃,均方根誤差約增大0.08℃。造成反演精度下降的原因是,反演算法所使用的TAO浮標數據分布30°S～30°N內的低緯度海域,缺少中緯度海域的數據。

圖5 3°緯度間隔統計偏差和均方根誤差Fig.5 The bias and root mean square error by 3°latitude interval

3 結 語

基于AMSR2亮溫數據,發展了一種海面氣溫的反演算法,并進行了檢驗。主要結論如下:

1)基于多元線性回歸算法,利用AMSR2數據和SST產品反演近海面氣溫,得到反演結果為均方根誤差為0.66℃,偏差為0.019℃,相關系數為0.91。

2)在60°S～60°N之間,將反演結果與再分析數據進行比較,發現在低緯度海域的反演誤差優于中緯度海域。緯度每升高1°,反演誤差約增大0.1℃。這是因為TAO浮標數據分布在赤道附近,沒有中緯度數據集所致。

[1] QI S H,WANG J B,ZHANG Q Y,et al.Study on the estimation of air temperature from MODIS Data[J].Journal of Remote Sensing, 2005,9(5):570-575.齊述華,王軍邦,張慶員,等.利用MODIS遙感影像獲取近地層氣溫的方法研究[J].遙感學報,2005,9(5):570-575.

[2] SUN L E,WANG J,CUI T W,et al.Statistical retrieval algorithms of the sea surface temperature(SST)and wind speed(SSW)for FY-3B Microwave Radiometer Imager(MWRI)[J].Journal of Remote Sensing,2012,16(6):1262-1271.

[3] WANG J,ZHANG J,WANG J.Quality assessment of spaceborne microwave radiometer Aquarius data product based on Argo buoy data [J].Haiyang Xuebao,2015,37(3):46-53.王進,張杰,王晶.基于Argo浮標數據的星載微波輻射計Aquarius數據產品質量評估[J].海洋學報,2015,37(3):46-53.

[4] LIU W T.Statistical relation between monthly mean precipitable water and surface-level humidity over global oceans[J].Monthly Weather Review,1986,114(8):1591-1602.

[5] SARKAR S K,PRASAD M V S N,DUTTA H N,et al.Rain rate measurements with 10 seconds integration time for microwave attenuation studies[J].Iete Technical Review,1992,9(5):344-348.

[6] KONDA M,IMASATO N,SHIBATA A.A new method to determine near-sea surface air temperature by using satellite data[J].Journal of Geophysical Research,1996,101(C6):14349-14360.

[7] LIU C C,LIU G R,CHEN W J,et al.Modified bowen ratio method in near-sea-surface air temperature estimation by using satellite data [J].IEEE Transactions on Geoscience&Remote Sensing,2003,41(5):1025-1033.

[8] JACKSON D L,WICK G A,BATES JJ.Near-surface retrieval of air temperature and specific humidity using multisensor microwave satellite observations[J].Journal of Geophysical Research Atmospheres(1984-2012),2006,111(D10):1879-1894.

[9] HE Y J,WU Y M,ZHANG B,et al.Near sea surface air temperature estimated from NOAA data[C]∥Proceedings.2005 IEEE International Geoscience and Remote Sensing Symposium,IGARSS'05.IEEE,2005(3):1845-1848.

[10] WU Y M,HE Y J,MENG L.Monthly mean near sea surface air temperature and humidity retrieved from satellite data[J].Oceanologia et Limnologia Sinica,2008,39(6):546-551.伍玉梅,何宜軍,孟雷.利用衛星資料反演月平均近海面氣溫和濕度[J].海洋與湖沼,2008,39 (6):546-551.

[11] JONES C,PETERSON P,GAUTIER C.A new method for deriving ocean surface specific humidity and air temperature:An artificial neural network approach[J].Journal of Applied Meteorology,1999,38(8):1229-1245.

[12] SINGH R,VASUDEVAN B G,PAL P K,et al.Artificial neural network approach for estimation of surface specific humidity and airtemperature using multifrequency scanning microwave radiometer[J].Journal of Earth System Science,2004,113(1):89-101.

[13] ROBERTS J B,CLAYSON C A,ROBERTSON F R,et al.Predicting near-surface atmospheric variables from Special Sensor Microwave/ Imager using neural networks with a first-guess approach[J].Journal of Geophysical Research Atmospheres,2010,115(D19):1485-1490. [14] WU X R,HAN G J,ZHANG X F,et al.Retrieving near-surface air temperature in the South China Sea using artificial neural network[J]. Journal of Tropical Oceanography,2012,31(2):7-14.吳新榮,韓桂軍,張學峰,等.人工神經網絡在南海近海面氣溫反演中的應用研究[J].熱帶海洋學報,2012,31(2):7-14.

[15] SINGH R,JOSHI P C,KISHTAWAL C M.A new method to determine near surface air temperature from satellite observations[J].International Journal of Remote Sensing,2006,27(27):2831-2846.

[16] WANG L J,HE Y J,ZHANG B.Retrieval of near surface air temperature and specific humidity based on AMSR-E satellite data[J].Marine Sciences,2009,33(4):20-24.王麗靜,何宜軍,張彪.利用遺傳算法反演實時近海面氣溫和比濕[J].海洋科學,2009,33(4):20-24.

[17] GENTEMANN C L,WENTZ F J,MEARS C A,et al.In situ validation of Tropical Rainfall Measuring Mission microwave sea surface temperature[J].Journal of Geophysical Research,2004,109(4):249-260.

[18] WU Y M,SHEN H,ZHANG S M,et al.Real-time sea surface air temperature retrieval over Southern Ocean using AMSR-E data[J]. Journal of Remote Sensing,2013,17(2):467-475.伍玉梅,申輝,張勝茂,等.AMSR-E輻射計反演南大洋實時海面氣溫[J].遙感學報, 2013,17(2):467-475.

Retrieving Near Sea Surface Air Temperature by AMSR2 Radiometer

GUO Li1,2,SHENG Hui1,WANG Jin2,3,ZHAO Huai-song3
(
1.China University of Petroleum,Qingdao 266580,China; 2.The First Institute of Oceanography,SOA,Qingdao 266061,China; 3.Qingdao University,Qingdao 266071,China)

In this paper,based on multiple linear regression method and AMSR2 brightness temperature data,the inversion algorithm for near sea surface air temperature is developed,and validated with TAO,RAMA and PIRATA buoy measured data.The results show the root mean square error of 0.66℃,standard deviation of 0.02℃,and correlation coefficient of 0.91.The proposed algorithm reproduces the sea surface air temperature distribution of the low latitudes(60°S～60°N).Further comparison with ECMWF data indicates that when the latitude increases by 1°,the root mean square error of retrieval increases by about 0.1℃.

AMSR2;near sea surface air temperature;multiple regression;SST

P407.7;P731.11

:A

1671-6647(2017)01-0124-07

10.3969/j.issn.1671-6647.2017.01.013

2016-01-11

國家高技術研究發展計劃項目——全球變化海洋特征參量遙感數據產品生成技術與應用(2013AA122803)

郭 黎(1990-),女,山東濟寧人,碩士研究生,主要從事海洋遙感應用方面研究.E-mail:guozi1990@163.com

*通訊作者:盛 輝(1972-),男,山東定陶人,副教授,主要從事攝影測量與遙感應用方面研究.E-mail:hui_sh@163.com

Received:January 11,2016