三種海冰密集度產品的北極海冰監測能力比較分析

黃睿 王常穎 李勁華 隋毅

研究論文

三種海冰密集度產品的北極海冰監測能力比較分析

黃睿 王常穎 李勁華 隋毅

(青島大學, 計算機科學技術學院, 山東 青島 266071)

選取國家海洋衛星應用中心提供的海洋二號B星掃描輻射計數據采用NASA TEAM算法反演的海冰密集度產品 (簡稱HY2數據集), 中國海洋大學提供的風云三號D星微波成像儀采用DT-ASI算法得到的海冰密集度產品 (簡稱OUC數據集), 以及美國冰雪中心提供的海冰密集度產品(簡稱NSIDC數據集)三種數據源對北極海冰監測能力進行比較分析。通過與德國不萊梅大學發布的海冰密集度數據產品(簡稱BRM數據集)和MODIS數據提取的海冰信息的比較發現: 在低緯度區域(≤70°N), HY2與BRM數據集最為接近; 在中緯度區域(70°N—80°N), OUC與BRM數據集的數據吻合程度最高; 在高緯度區域(80°N—87°N), NSIDC數據集與BRM數據集最接近。在北極東北航道區域, HY2數據集適用于通航窗口期第一和第四航段內的海冰監測; NSIDC數據集適用于東西伯利亞海域以及臨近窗口期時段的海冰監測; 而OUC數據集則適用于北極東北航道大部分航段的海冰監測需求。

北極海冰 海冰密集度 適用性 北極東北航道 HY-2B FY-3D

0 引言

北極海冰是地球系統的重要因子之一, 它影響著全球大氣環流和海洋水循環。海冰密集度是大氣、海冰和海洋模型中的重要參數之一, 也是估算海冰厚度的關鍵參數。特別是, 隨著北極區域海冰的覆蓋范圍、厚度和多年冰面積的逐年減少[1-3], 為北冰洋各航道的商業性通航[3-6]提供了條件, 這就要求能夠及時、準確地獲取航道區域海冰冰情[7], 基于被動微波遙感獲取的海冰密集度數據極好地滿足了上述需求, 對開展北極海冰相關研究具有重要價值。

被動微波遙感數據反演的海冰密集度產品成為北極海冰監測的主要數據源。其中德國不萊梅大學基于高級微波掃描輻射計2(AMSR2)數據采用ARTIST SEA ICE(ASI)算法, 美國冰雪中心(NSIDC)基于微波成像專用傳感器(SSMIS)數據采用Boostrap(BST)算法, 以及基于AMSR2數據采用NASA TEAM2(NT2)算法等反演的海冰密集度產品是目前可以公開獲取且使用較為廣泛的準實時數據[8]。由于這些產品數據的數據源、反演算法以及數據處理方式存在差異, 其反演得到的海冰密集度產品數據也存在差異。為深入了解這些產品數據在北極區域的海冰冰情監測能力和適用區域, 研究人員根據研究區域的不同, 主要從兩個方面開展了評估研究, 即整個北極區域不同海冰密集度產品數據的冰情監測能力分析, 以及重點觀測區域如航道區域的不同產品數據的冰情監測能力分析。

對于整個北極區域海冰狀況的監測, 研究人員主要以國內外能夠公開獲取的多種海冰密集度產品為數據源, 以更高分辨率的海冰密集度產品或中等分辨率成像光譜儀(MODIS)影像海冰監測結果作為對比數據, 分析不同產品數據的北極海冰冰情監測精確度。例如, 趙杰臣等[9]對7種被動微波遙感的海冰密集度產品進行了評估, 發現分辨率為6.25 km的AMSR2/ASI海冰密集度產品數據是研究北極海冰的首選產品。王劍等[10]利用MODIS數據對包含BRM數據集在內的8種海冰數據集比較評估, 發現AMSR2/BST產品和AMSR2/ASI產品同MODIS影像的海冰監測結果的相關性較高。Liang等[11]評估了兩極區域下SSMIS/ASI、AMSR2/BST等四種海冰密集度產品數據, 發現四類數據在北極夏季和邊緣海區的監測差異較大, 準確度較低。Kern等[12]基于MODIS影像對10種海冰密集度產品在北極區域夏季的監測能力進行分析, 結果發現, 由于海冰融池區域的影響, 這10種產品數據的監測結果與MODIS影像的海冰監測結果間均存在較大偏差。

對于航道區域的海冰監測, 研究人員主要是結合船舶走航觀測數據或空間分辨率更高的BRM海冰密集度數據, 分析不同海冰密集度產品數據的監測精度。例如, 李釗等[13]基于“雪龍”船的走航觀測數據對AMSR2和SSMIS兩種業務化產品在東北航道海冰監測的適用性進行評估, 結果發現AMSR2/ASI產品與走航觀測數據較為符合。尹鵬等[14]基于BRM數據、NSIDC和SICCI數據產品從北極整體區域、緯度區域、海冰密集度分區以及北極東北航道區域等四個尺度進行評估, 結果發現在中低海冰密集度區域占比高的航段區域, SICCI數據集更接近BRM數據集, 而在高海冰密集度區域占比高的航段區域, NISDC數據集更接近BRM數據集。

可以看出, 不管是整個北極尺度, 還是航道尺度的研究, 目前研究人員大多采用美國冰雪中心、德國不萊梅大學、歐洲航天局等機構發布的海冰密集度產品數據集, 對國產海冰密集度產品數據的分析較少。實際上, 歷經40年發展, 我國已經成功發射了包括風云三號系列和海洋二號系列衛星等多顆遙感衛星, 也已經積累了多種海冰密集度產品[8,15], 如國家衛星海洋應用中心發布的HY-2系列、國家衛星氣象中心發布的FY-3系列等產品。為深入了解國產海冰密集度產品數據的北極海冰監測適用性, 已有研究人員開展了相關研究。例如, Zhao等[16]使用MODIS和合成孔徑雷達(SAR)影像對基于國產微波成像儀采用改進的ASI算法反演的海冰密集度產品數據進行整體評估, 發現風云三號衛星數據的北極海冰產品數據精度與國外常用的業務化數據相當。石立堅等[17]分析了掃描微波輻射計采用NASA TEAM算法反演得到的海冰密集度產品數據的精度, 發現該數據在對整個北極海冰評估時, 與國外產品數據相近, 但對于多年冰的識別精度仍需進一步提高。趙杰臣等[18]分析了包括HY-2系列國產衛星在內的多種國內外海冰密集度產品在北極區域海冰監測的適用性, 發現對于海冰密集度較低的區域, 不同數據集的差異較大, 但在高海冰密集度區域, 差異則不明顯。

可以看出, 大部分研究都是在整個北極區域探討不同海冰密集度產品的監測差異, 對于航道尺度的海冰監測適用性分析較少。因此, 本文基于中國海洋大學提供的以風云三號D星搭載的微波成像儀結合DT-ASI算法反演的海冰密集度產品(簡稱OUC數據集[19-21]), 國家海洋衛星應用中心提供的以海洋二號B星上搭載的掃描微波輻射計數據采用NASA TEAM[22]算法反演得到的海冰密集度產品(簡稱HY2數據集), 以及美國冰雪中心提供的以高級微波掃描輻射計2數據采用NASA TEAM2[23]算法反演得到的海冰密集度產品(簡稱NSIDC數據集), 從整個北極區域與東北航道區域兩個尺度分析三種海冰密集度產品的海冰監測能力, 進而揭示國產數據集在北極東北航道區域的海冰冰情監測的適用性。

1 數據與方法

1.1 數據

本文以HY2數據集、OUC數據集和NSIDC數據集這三種海冰密集度產品為研究數據源, 以業界公認分辨率和精度較高的6.25 km分辨率的BRM數據集[9-10, 24-25]與MODIS數據集為對比數據, 從整個北極區域和北極東北航道區域兩個尺度, 開展三種數據源的海冰冰情監測能力對比分析。其中, BRM數據集為德國不萊梅大學發布的基于高級微波掃描輻射計2數據結合ASI反演算法[26]得到的6.25 km分辨率海冰密集度產品; MODIS數據集是采用美國國家航空航天局發布的中等分辨率成像儀獲取的遙感影像為數據源, 結合海冰檢測方法提取出的海冰分布信息, 計算得到的海冰密集度數據。三種研究數據源和BRM數據集的相關參數如表1所示。其中, 四種海冰密集度數據產品的投影方式均為極地方位投影。

MODIS數據集來源于美國國家航空航天局的數據分發平臺(https://search.earthdata.nasa.gov/ search/)。該數據由搭載在Terra(EOSAM-1)和Aqua(EOSPM-1)衛星上的主要傳感器中等分辨率成像儀獲取。本研究選取MOD09GA數據產品L1B級產品, 包含空間分辨率為500 m的7個不同波段地表反射數據。作為驗證數據, 本文選取H19v01、H20v01、H21v01和H22v01共四個分區以覆蓋北極東北航道各關鍵海域, 收集2019年6—10月通航窗口期間數據, 經過篩選排除云層遮擋面積較大的樣本數據, 共收集60景MODIS影像數據。

表1 四種海冰密集度產品數據的相關參數比較

1.2 海冰密集度產品數據的比較評估方法

本文的評估流程如圖1所示。首先, 基于三種數據產品計算得到整個北極區域的海冰分布范圍, 開展整個北極區域海冰分布范圍評估。為便于同BRM數據進行交叉比較, 需要先對三種數據進行重采樣, 生成6.25 km分辨率的數據, 進而評估三種數據在整個北極區域的海冰監測能力。然后, 對于北極東北航道區域, 以MODIS影像提取的海冰密集度數據和BRM數據集作為對比數據, 分別評估三種數據源在北極東北航道各航段區域以及關鍵海域的海冰監測能力。

圖1 HY2、OUC、NSIDC三種海冰密集度產品的北極海冰冰情監測能力對比分析流程

Fig.1. The comparative analysis process of Arctic sea ice monitoring ability of HY2, OUC and NSIDC products with sea ice concentration

1.2.1 海冰分布范圍信息提取方法

海冰分布范圍是衡量不同數據集的北極海冰覆蓋程度的參數, 本文將其定義為所有超過界定閾值的海冰密集度網格面積之和[27]。國內外研究人員普遍選取15%[28]作為界定閾值來獲取北極海冰分布范圍, 選取90%界定閾值來提取多年冰的分布范圍。因此, 本文提取海冰分布范圍的計算公式如(1)所示。

其中,為海冰分布范圍;N為海冰密集度值為/100的網格點數量, 其中的取值范圍為[0,100];為數據集的空間分辨率;為界定閾值, 若=15%, 則為海冰分布范圍, 若=90%, 則為多年冰分布范圍。

1.2.2 MODIS影像海冰面積信息提取方法

基于空間分辨率為500 m的L1B級MOD09GA數據, 經過幾何校正、輻射定標等預處理, 再結合產品自帶的云掩膜數據對云霧遮蓋區域進行裁剪, 然后依據海冰與海水在可見光和近紅外波段的反射率差異, 采用Liang[28]總結得出的波段公式, 計算得到寬波段大氣頂部反照率, 如公式(2)所示。然后, 通過選擇合適的閾值, 提取出≥的區域, 即為海冰覆蓋區域。

其中,為寬波段大氣頂部反射率,134分別為MODIS影像中的第1、3、4波段的反射值。

為確定合適的分割閾值, 本文選取15景MODIS影像, 通過目視解譯, 分別確定每景影像的最優冰水分割閾值, 如圖2所示。其中, 圖2a為15景影像的最優分割閾值分布圖, 圖2b為2019年6月8日獲取的MODIS影像采用0.15閾值得到的冰水二值圖。可以看出, 15景MODIS影像中得到的最優分類閾值均在0.15上下浮動, 因此, 本文選取0.15作為冰水分類閾值。

圖2 最優冰-水分割閾值分析。a)最優分類閾值統計; b)2019年6月8日分類結果

Fig.2. Optimal ice-water segmentation threshold analysis. a) optimal category threshold statistics; b) classification results on June 8, 2019

基于處理得到的500 m分辨率冰-水二值圖, 使用陸地掩膜排除陸地區域影響, 并刪除云面積占比超過50%的網格點, 結合確定的經緯度坐標通過重投影操作將數據投影到空間分辨率為6.25 km分辨率的極地方位投影網格中, 通過計算每個網格中冰點占整個網格的比值得到海冰密集度[24], 獲得與三種數據集同處相同時空分辨率下的MODIS海冰密集度數據。

1.2.3 海冰產品數據適用性評估指標

本文以BRM海冰密集度產品數據和MODIS影像海冰提取結果作為基準, 使用均方根誤差()、偏差()和正偏差占比(R)三種參數來評估HY2、OUC和NSIDC三類數據集的海冰監測能力。其中正偏差占比(R)指網格數據中排除偏差為0的網格點后, 偏差為正的網格占據全部網格數量的比值, 具體公式如下:

(4)

2 結果與分析

2.1 整個北極范圍HY2、OUC、NSIDC三種數據產品的適用性分析

首先, 基于1.2.1節的海冰分布范圍信息提取方法, 計算得到HY2、OUC和NSIDC以及BRM四種海冰密集度數據在15%和90%兩種界定閾值下的海冰分布范圍, 得到2019年6月1日—2021年6月1日期間四種數據的每日海冰分布信息。其中, 由于2021年的OUC數據還未發布, OUC數據的截止日期為2020年12月31日。圖3給出了四種海冰密集度數據產品的海冰分布范圍的比較。圖4給出了HY2、OUC和NSIDC三種數據在界定閾值為15%和90%時與驗證BRM數據集之間的偏差情況, 圖4a為月均海冰密集度偏差, 圖4b為月均偏差極值。

在對北極海冰分布范圍進行評估時(界定閾值為15%), HY2數據集的海冰分布范圍與BRM數據的吻合程度最高, 日均偏差為–0.0937×106km2, 當日最大偏差為2019年6月19日的–1.0932×106km2。對多年冰分布范圍評估時(界定閾值為90%), HY2數據集的多年冰分布范圍較OUC和NSIDC數據集的分布范圍偏低, 而OUC數據的均方根誤差最低, 為1.2203×106km2, 與BRM數據集在多年冰分布范圍上最為接近。

為評估三類數據集在不同空間區域的分布差異, 本文選擇2019年6月8日獲取的三種數據源(如圖5), 同BRM數據集進行交叉評估, 得到的海冰空間分布差異如圖6所示。

如圖5和圖6所示, 存在明顯差異的區域集中于海洋與陸地交接區域以及北極點附近。在排除輻射計與反演算法差異導致的北極點附近區域缺失后, 差異主要集中于70°N—80°N之間的近岸海域, 該區域覆蓋了北極東北航道的主要航路。從結果上看, HY2數據集在陸海邊緣線附近較BRM數據存在明顯的數據低估, 相比之下, NSIDC和OUC數據集則在該區域存在明顯的高估。而北極點附近的海冰密集度差異較大則是因為各衛星傳感器的參數設置、像元大小以及數據處理方式不同導致。

以87°N, 80°N與70°N三條緯線作為分割北極區域的劃分線, 將整個北極分割為高緯度區域(80°N—87°N)、中緯度區域(70°N—80°N)和低緯度區域(70°N以南)三個研究區域來分析三種產品數據的海冰監測能力。本文收集了從2019年6月1日—2020年3月14日之間的三種產品數據, 逐日計算高、中、低三個緯度區域下三種數據源與BRM數據間的偏差、均方根誤差以及正偏差占比, 如圖7所示。因HY2數據在2020年3月14日前后存在明顯差異, 評估時間上選擇2019年6月1日到2020年3月14日, 使用1.2.3節中的評估方法, 逐日計算各緯度區域下與BRM數據間的偏差、均方根誤差以及正偏差占比, 評估結果如圖7所示。

可以看出, 盡管低緯度區域占整個研究區域比重最大(82.33%), 但該區域下各數據集間的差異卻最小。HY2數據集均方根誤差日均為4.73%, 較OUC和NSIDC數據分別低11%和16%, 與BRM數據吻合程度最高。

與BRM數據集相比, 中緯度海域三種數據集的偏差變化均符合海冰的季節性變化規律。其中, OUC數據集的日均均方根誤差最小, 僅為3.15%, 日均偏差也僅為0.79%, 優于NSIDC數據集的3.48%和1.61%, 比較適合該區域的海冰監測任務。相比之下, HY2數據集的偏差和均方根誤差則較大, 均方根誤差日均為9.72%, 不適合該區域海冰監測任務。

圖3 HY2、OUC、NSIDC數據集與BRM數據集在不同界定閾值下的每日海冰分布范圍

Fig.3.Daily sea ice extent of four datasets at different defined thresholds. a)daily sea ice extent data at the 15% threshold; b)daily sea ice extent data at the 90% threshold

圖4 HY2、OUC、NSIDC數據集與BRM數據集間的海冰分布范圍偏差情況

Fig.4. The BIAS of three other monthly mean sea ice extent data at 15% and 90% thresholds were compared with the BRM data. a) BIAS of monthly mean sea ice extent data at 15% and 90% thresholds; b) Extreme value of monthly average deviation

高緯度區域三種數據源與BRM數據集的比較發現, HY2和OUC數據的均方根誤差整體接近, 且偏差較大, 不適用于監測該區域的海冰狀況。相比之下, NSIDC數據集的均方根誤差和偏差水平則較低, 分別為2.25%和1.90%, 更適用于高緯度區域的海冰監測。

圖5 2019年6月8 日HY2、OUC、BRM、NSIDC海冰密集度網格

Fig.5. Sea ice concentration grid of HY2, OUC, BRM and NSIDC on June 8, 2019

圖6 2019年6月8日BRM與HY2、OUC、NSIDC海冰密集度數據的差異

Fig.6. The grid data differences of sea ice concentration between BRM and HY2, OUC, NSIDC on June 8, 2019

圖7 HY2、OUC、NSIDC數據集與BRM數據集在15%和90%閾值下的網格評估

Fig.7. HY2, OUC, NSIDC and BRM datasets were grid evaluated at 15% and 90% thresholds. a) daily average deviation; b) mean daily root mean square deviation

基于上述結果, HY2數據的優勢區域為浮冰區域和開闊水域為主的低緯度區域。這與HY2數據集在數據處理時使用的NASA TEAM反演算法有關, 作為本研究唯一僅使用低頻通道反演海冰密集度的數據集, 因低頻算法對云中液態水含量、大氣水蒸氣含量以及風引起的表面粗糙度更加敏感, 導致數據集對于新生冰辨識不足, 進而使得新冰區出現低估海冰密集度的情況, 低估水平跟新冰面積呈現正相關。這直接導致在夏季中緯度區域內, HY2數據集其偏差水平相比其他數據集明顯更高。

相比之下, 采用NASA TEAM2算法的NSIDC數據集和采用DT-ASI算法的OUC數據集通過引入高頻通道在一定程度上改善了反演結果, 使得上述數據在中緯度區域的偏差水平相對較低。但由于高頻通道對于大氣水蒸氣、云層含水量等參數比較敏感, 對于海冰融池區域具有較低的辨識度, 易將海冰融池區域辨識為開闊海域。對此, 兩類數據集在數據處理過程中都進行了不同的優化, 其中, NSIDC數據集通過引入高頻通道亮溫來解決反演過程中19 GHz通道水平極化亮溫表面積雪效應的影響, 并且通過引入大氣傳輸方程來解決高頻通道對大氣影響敏感的問題。而OUC數據集通過引入動態系點法來改善反演精度。但都受制于微波輻射計有限的穿透能力, 夏季系點亮溫存在的不確定性, 以及夏季海冰融池、冰間水道和覆蓋冰面的積雪融化產生的濕雪對海冰的發射率造成的影響, 給反演結果帶來不確定性, 使得在中緯度區域內各數據集間的差異最大, 讓夏季通航窗口期間對位于中緯度區域的北極東北航道區域內各數據集的海冰監測能力評估尤為重要。

2.2 東北航道區域不同數據產品的適用性分析

北極東北航道是指西起挪威北角附近的歐洲西北部, 經歐亞大陸和西伯利亞的北部沿岸, 穿過白令海峽到達太平洋的航線集合。按照緯度范圍可簡單劃分為低緯航線(近岸航線)和高緯航線。考慮到船舶航行時大都不會在某條航道一直航行, 所以本文依據地理方位和主要海域將北極東北航道劃分為四個航段[14], 如表2所示。

相較于空間分辨率更低的HY2、OUC等海冰密集度產品數據, 500 m分辨率的MODIS影像獲取的海冰覆蓋信息的精準度更高, 而6.25 km分辨率的BRM數據集對于海冰邊緣區域的識別效果更好[25], 數據的時間連續性更強, 可以完美覆蓋北極通航窗口期期間各航段區域。因此, 本文以MODIS影像海冰密集度提取結果和BRM數據集作為驗證數據, 探討HY2、OUC和NSIDC三種數據源在北極東北航道各航段以及關鍵海域的適用性評估。

表2 北極東北航道分段表

作為驗證數據, 本文選取2019年和2020年航道通航窗口期期間的BRM海冰密集度數據, 開展航段區域對比評估, 得到圖8a不同航段區域的日均偏差和偏差振幅, 圖8b為各航段的均方根誤差結果, 其中, 圖8的橫坐標表示特定的航段區域, 依據表2劃分, LOW1、LOW2、LOW3、LOW4分別表示低緯航道的第一、二、三、四航段區域, HIGH1、HIGH2、HIGH3、HIGH4分別表示高緯航道的第一、二、三、四航段區域。同時收集了2019年航道通航窗口期內15天共60景MODIS影像, 采用1.2.2節介紹的MODIS海冰提取方法, 得到MODIS海冰密集度數據, 關鍵海域的海冰密集度分布狀況如表3所示。其中, 冰況為基于MODIS數據集獲得的海域內海冰密集度的平均值, 密集度區域占比則為對應海冰密集度范圍內, 網格點數量占全部關鍵海域網格點數量的比例。可以看出, 6—7月初各海域平均海冰密集度都超過90%, 到9月初, 雖然各海域內仍然存在高密集度海冰區域, 但分布范圍都顯著降低, 冰況也有所降低。具體關鍵海域的劃分如圖9a所示, 基于MODIS數據的三種數據源在北極東北航道各關鍵海域的監測能力分析結果分別如圖9b、9c所示, 其中, 最優數據集占比為某一數據集在特定地理區域中均方根誤差最低的MODIS影像景數占總樣本數的比值, 通航窗口期為7—9月的數據結果, 臨近窗口期為6月和10月的數據結果。

表3 基于MODIS數據獲取的北極東北航道關鍵海域海冰信息

第一航段得益于穿越楚科奇海的太平洋暖流影響, 全年冰期僅為7個月, 在7—10月通航窗口期航道完全滿足通航條件。與之類似的還有第四航段, 受到穿越挪威海的大西洋暖洋流影響, 海面封凍時間短且海冰類型以浮冰為主, 其南端水域更是常年滿足通航條件。如圖8結果所示, 通航窗口期內該航段海域海冰密集度整體較低, 基于BRM數據集的比較發現, OUC和NSIDC數據在上述兩個航段區域存在明顯的數據高估。而HY2數據集的均方根誤差在上述區域更低, 為該數據集的優勢航段, 與BRM數據集的吻合程度更高。在第一航段區域, OUC和HY2相較BRM數據存在數據低估, 尤其是高緯航道下, 兩類數據的正偏差占比僅為34.7%和23%。相比之下, NSIDC數據集在該區域存在顯著的數據高估, 同區域內的正偏差占比為86.9%。

第二航段覆蓋東西伯利亞海域, 由于海域氣候寒冷, 緯度較高, 海域冰情嚴重。但南部海域受到洋流和海洋鹽度的影響, 通常無冰或短期結冰, 導致整體冰情復雜。基于BRM數據比較發現, 三種數據集的均方根誤差在低緯航道十分接近, 但在高緯航道區域因受海冰密集度整體增大的影響, NSIDC和OUC數據與BRM數據集的吻合程度更高, 均方根誤差分別為1.27%和1.21%, 優于HY2數據集。

第三航段作為跨越拉普杰夫海域、喀拉海域和巴倫支海海域以及基爾基維茨海峽等多個關鍵海域的重要航段, 在航行窗口期間冰情變化快且復雜。通過結合表3的MODIS海冰信息發現, 同一日期內的拉普捷夫海域整體冰情雖相較東西伯利亞海域更輕, 但在通航窗口期依舊存在浮冰, 而喀拉海海域的海冰密集程度與拉普捷夫海域相當。基于BRM數據比較評估表明, 該航段內, OUC和NSIDC數據評估結果接近, 與BRM數據的吻合程度更高。

綜合圖9b和圖9c可見, 位于第二航段的東西伯利亞海域內, NSIDC數據集在任何監測時段的適用性更好, 與MODIS數據集最為接近, 其數據在該海域的最優數據集占比均超過80%。相比之下, 在航道的通航窗口期, OUC數據集對位于第三航段和第四航段的新西伯利亞島北部海域、拉普捷夫海域以及喀拉海域的識別占據優勢, 在上述海域及航道區域其最優數據集占比明顯優于其他兩類數據集, 整體更為適用, 在新西伯利亞島北部海域最優數據集占比更是達到了89%, 與MODIS數據集接近。三類數據集在維利基茨基海峽海域的適用性相當, 最優數據集占比均為33%。而在非窗口期, NSIDC與OUC數據集在東北航道各關鍵海域的適用性更好, 在除東西伯利亞海域外各關鍵海域的最優數據集占比均為50%。

圖8 基于BRM數據集的北極東北航道分航段評估結果

Fig.8. Segmented assessment results of the Arctic Northeast Passage based on BRM data. a) daily average deviation; b) mean daily root mean square deviation

圖9 基于MODIS數據集的北極東北航道關鍵海域評估

Fig.9. Verification of key areas of the Northeast Arctic Passage based on MODIS data. a) MODIS images selected key sea areas; b) assessment of applicability to key sea areas during navigation window; c) assessment of applicability to key sea areas during adjacent navigation periods

綜上所述, 從整體上看, 基于MODIS海冰密集度數據集得到的關鍵海域對比結果與基于BRM數據集得到的航段區域對比結果高度一致。其中, OUC數據集在除東西伯利亞海域外的北極東北航道區域的海冰監測能力評估中均占據優勢, 適用于監測海冰類型變化快且復雜的關鍵海域及航段區域的海冰監測任務, 為三類數據集中的首選。NSIDC數據集則在海冰密集度較大的海域識別結果較好, 尤其是東西伯利亞海域, 在臨近通航時段各海域及航道區域的識別結果也存在優勢, 但在海冰密集度整體明顯較低的航段, 如第一和第四航段的識別較BRM數據集存在明顯高估。HY2數據集雖然在通航窗口期內的第一和第四航段評估結果較好, 但在上述航段存在數據低估問題。

3 結論

本文對兩種國產海冰密集度數據產品和NSIDC數據集分別從北極整體區域和北極東北航道航段及其關鍵海域開展了北極海冰監測能力評估, 結論如下。

1. 在整個北極區域, 相較于OUC數據和NSIDC數據, HY2數據在整體海冰分布范圍上與BRM數據最為接近; 在低緯度區域(LAT≤70°N), HY2數據與BRM數據最為接近; 在冰情變化較快的中緯度區域(70°N≤LAT≤80°N), HY2數據則存在明顯的低估; 在高緯度區域下, HY2與OUC數據的海冰冰情監測能力相當; 而在北極東北航道區域, HY2數據適用于第一和第四航段區域的冰情監測。

2. OUC海冰密集度產品與BRM數據一致性較高。在整個北極區域, OUC數據集的多年冰分布范圍與BRM數據最為接近; 在中緯度區域, OUC數據的海冰監測能力較強, 但在中、低緯度區域較BRM數據存在高估。在北極東北航道區域, OUC數據在第二、三航段的海冰密集度與MODIS數據較為接近, 適用于低緯航道海冰冰情的監測; 在臨近通航窗口期的7月和10月以及冰情復雜且相對嚴重的新西伯利亞海域、拉普捷夫海域、喀拉海海域, OUC海冰密集度精度較高。這說明OUC數據適用于監測海冰類型變化快且復雜的航道海域海冰狀況。

3. NSIDC數據集作為美國冰雪中心發布的較為成熟的產品數據, 在北極整體尺度的評估中與BRM數據的吻合程度較高。在海冰密集度較大的海域, 如高緯度區域和高海冰密集度區域(SIC≥61%), NSIDC與BRM數據較為接近。但對開闊水域和細小浮冰區域為主的低緯度區域, NSIDC數據存在明顯的高估。在北極東北航道區域, NSIDC數據集適用于第二、三航段的高緯航道區域的海冰冰情監測任務; 對臨近通航窗口期的7月和10月, 特別是東西伯利亞海域, NSIDC數據與MODIS數據較為接近, 適用于北極東北航道的高緯航道以及鄰近通航時段各海域的海冰監測任務。

總體來看, 三種被動微波海冰密集度產品在整體上均可較好地反映北極海冰的時空格局。但由于三類產品基于不同的微波輻射計, 且各傳感器在頻率設置、輻射校準、定標精度和像元足跡大小等關鍵參數上存在不同, 使得亮溫源數據存在差異, 進而導致反演的海冰密集度結果不同。同樣, 由于MODIS海冰密集度數據源自5 min一景的MODIS影像, 可視作特定區域內獲取時刻的瞬時海冰密集度, 而被動微波輻射計數據產品則為多景條帶數據融合處理得到的平均海冰密集度數據, 兩類數據在時間和空間分辨率上存在的差異可能會給評估帶來影響[24]。

致謝感謝國家衛星海洋應用中心提供的數據支持(HY-2B衛星數據獲取自: https://osdds. nsoas.org.cn[2021-06]), 感謝中國海洋大學極地海洋過程與全球海洋變化重點實驗室提供的OUC數據集(獲取自: http://coas.ouc.edu.cn/ pogoc/sy/list.htm[2021-06]), 感謝美國宇航局國家冰雪數據中心, 戈達德太空飛行中心提供NSIDC(獲取自: https://nsidc.org/data/AU_ SI25/versions/1[2021-06])和MODIS數據集(獲取自: https://osdds.nsoas.org.cn), 以及德國不萊梅大學環境物理研究所提供BRM數據集(獲取自: https://www.iup.unibremen.de/iuppage/psa/2019/amsrop.html[2021-06])。

1 MARCIANESI F, AULICINO G, WADHAMS P. Arctic sea ice and snow cover albedo variability and trends during the last three decades[J]. Polar Science, 2021, 28: 100617.

2 SERREZE M C, MEIER W N. The Arctic's sea ice cover: Trends, variability, predictability, and comparisons to the Antarctic[J]. Annals of the New York Academy of Sciences, 2019, 1436(1): 36-53.

3 隋翠娟, 張占海, 吳輝碇, 等. 1979—2012年北極海冰范圍年際和年代際變化分析[J]. 極地研究, 2015, 27(2): 174-182.

4 WANG Y H, BI H B, HUANG H J, et al. Satellite-observed trends in the Arctic sea ice concentration for the period 1979–2016[J]. Journal of Oceanology and Limnology, 2019, 37(1): 18-37.

5 柯長青, 彭海濤, 孫波, 等. 2002年—2011年北極海冰時空變化分析[J]. 遙感學報, 2013, 17(2): 459-466, 452.

6 CAVALIERI D J, PARKINSON C L. Arctic sea ice variability and trends, 1979–2010[J]. The Cryosphere, 2012, 6(4): 881-889.

7 ROGERS T S, WALSH J E, RUPP T S, et al. Future Arctic marine access: Analysis and evaluation of observations, models, and projections of sea ice[J]. The Cryosphere, 2013, 7(1): 321-332.

8 蔣興偉, 何賢強, 林明森, 等. 中國海洋衛星遙感應用進展[J]. 海洋學報, 2019, 41(10): 113-124.

9 趙杰臣, 周翔, 孫曉宇, 等. 北極遙感海冰密集度數據的比較和評估[J]. 遙感學報, 2017, 21(3): 351-364.

10 王劍, 邱玉寶, 熊振華, 等. 北極海冰密集度遙感數據產品對比及航道關鍵區驗證研究[J]. 極地研究, 2020, 32(3): 301-313.

11 LIANG S, ZENG J Y, LI Z, et al. Consistent comparison of remotely sensed sea ice concentration products with ERA-interim reanalysis data in polar regions[J]. Remote Sensing, 2020, 12(18): 2880.

12 KERN S, LAVERGNE T, NOTZ D, et al. Satellite passive microwave sea-ice concentration dataset inter-comparison for Arctic summer conditions[J]. The Cryosphere, 2020, 14(7): 2469-2493.

13 李釗, 嚴明, 劉凱, 等. 兩種準實時遙感海冰密集度產品在中國第五次北極考察期間的適用性評估[J]. 海洋預報, 2018, 35(3): 8-16.

14 尹鵬, 王常穎, 楊俊鋼. 長時間序列北極海冰密集度遙感數據的比較評估[J]. 冰川凍土, 2020, 42(3): 734-744.

15 譚繼強, 詹慶明, 殷福忠, 等. 面向極地海冰變化監測的衛星遙感技術研究進展[J]. 測繪與空間地理信息, 2014, 37(4): 23-31.

16 ZHAO X, CHEN Y, KERN S, et al. Sea ice concentration derived from FY-3D MWRI and its accuracy assessment[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-18.

17 石立堅, 王其茂, 鄒斌, 等. 利用海洋(HY-2)衛星微波輻射計數據反演北極區域海冰密集度[J]. 極地研究, 2014, 26(4): 410-417.

18 趙杰臣, 李子軒, 李杰, 等. HY-2衛星反演海冰密集度在北極地區的適用性評估[J]. 海洋預報, 2018, 35(6): 84-91.

19 HAO G H, SU J. A study on the dynamic tie points ASI algorithm in the Arctic Ocean[J]. Acta Oceanologica Sinica, 2015, 34(11): 126-135.

20 LI L L, CHEN H H, GUAN L. Study on the retrieval of snow depth from FY3B/MWRI in the Atctic[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, XLI-B8: 513-520.

21 HAO H R, SU J, SHI Q, et al. Arctic sea ice concentration retrieval using the DT-ASI algorithm based on FY-3B/MWRI data[J]. Acta Oceanologica Sinica, 2021, 40(11): 176-188.

22 CAVALIERI D J, CRAWFORD J P, DRINKWATER M R, et al. Aircraft active and passive microwave validation of sea ice concentration from the Defense Meteorological Satellite Program special sensor microwave imager[J]. Journal of Geophysical Research: Oceans, 1991, 96(C12): 21989-22008.

23 MARKUS T, CAVALIERI D J. An enhancement of the NASA Team sea ice algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1387-1398.

24 劉艷霞, 王澤民, 劉婷婷. 利用多源數據對海冰密集度反演的算法驗證[J]. 測繪科學, 2016, 41(7): 93-97, 149.

25 季青, 龐小平. 北極海冰密集度產品的走航比較與冰情分析[J]. 華東交通大學學報, 2016, 33(5): 33-38.

26 SPREEN G, KALESCHKE L, HEYGSTER G. Sea ice remote sensing using AMSR-E 89-GHz channels[J]. Journal of Geophysical Research: Oceans, 2008, 113(C2): C02S03.

27 PANG X P, PU J, ZHAO X, et al. Comparison between AMSR2 sea ice concentration products and pseudo-ship observations of the Arctic and Antarctic sea ice edge on cloud-free days[J]. Remote Sensing, 2018, 10(2): 317.

28 LIANG S L. Narrowband to broadband conversions of land surface albedoⅠ: Algorithms[J]. Remote Sensing of Environment, 2001, 76(2):213-238.

Comparative analyses of Arctic sea ice monitoring capability of three sea ice concentration products

Huang Rui, Wang Changying, Li Jinhua, Sui Yi

(College of Computer Science & Technology, Qingdao University, Qingdao 266071, China;)

In this paper, three sea ice concentration products are compared: i) data from the Scanning Microwave Radiometer carried on the HY-2B satellite combined with NASA’s TEAM algorithm (“the HY2 dataset”), ii) data from the Microwave Radiometer Imager carried on FY-3D satellite combined with the DT-ASI algorithm provided by Ocean University of China (“the OUC dataset”), and iii) the sea ice concentration product provided by the Ice and Snow Center of the United States (“the NSIDC dataset”). Using the BRM sea ice concentration product with higher spatial resolution and the Moderate Resolution Imaging Spectrometer (MODIS) remote sensing images as reference datasets, we report that: At low latitudes (≤70°N), HY2 is most consistent with. In the mid-latitude region (70°N–80°N), OUC was the most consistent with BRM. At high latitudes (80°N–87°N), the NSIDC dataset is most consistent with the BRM dataset. In the Northeast Passage region, the HY2 dataset is most suitable for sea ice monitoring in the Chukchi Sea and Norwegian Sea segments of the Arctic Northeast Passage during navigation window periods.The NSIDC dataset performs better in each section of the Arctic Northeast Passage near the navigable window period, especially for sea ice monitoring in the East Siberian Sea. The OUC dataset is suitable for the sea ice monitoring needs of most sections of the Arctic Northeast Passage.

Arctic sea ice, sea ice concentration, suitability assessment, Arctic Northeast Passage, HY-2B, FY-3D

2021年11月收到來稿, 2022年4月收到修改稿

國家自然科學基金(62172247)、山東省重點研發計劃重大科技創新工程(2019JZZY020101)和全國統計科學研究項目(2020335)資助

黃睿, 男, 1997年生。碩士, 主要從事極地海冰和數據挖掘研究。E-mail:huangrui_7046@163.com

王常穎, E-mail:wcing80@126.com

10.13679/j.jdyj.20210087