利用海洋（HY-2）卫星微波辐射计数据反演北极区域海冰密集度

石立坚 王其茂 邹斌 施英妮 焦敏

（1国家卫星海洋应用中心，北京100081；2中国人民解放军61741部队，北京100094；3上海海洋大学，上海201306）

0 引言

全球海冰面积约占海面面积的5%—8%，并有强烈的季节性变化，对全球气候变化产生直接影响。除了边缘海域，北冰洋几乎终年被海冰覆盖，约占全球海冰的30%。它的反照率高达80%以上，能够反射大部分的太阳辐射，从而使无冰海面区域和海冰覆盖区域的海气能量交换存在较大差异，所以影响海洋和大气的循环［1］，其时空变化也构成了北半球高纬度气候干扰的一个重要诱发因子。另外，海冰的分布对船舶航行、近岸海洋工程等方面也有一定影响［2］。近30年来由于全球气候变化，海冰覆盖范围呈下降趋势，1979—1996年北极海冰的覆盖范围以每10年－2.2%的速度减少，过去10年，这一数据达到了 －10.1%［3］，2012年 9月 16日达到最小值（3.41×106km2），这一数值是 1979—2010年北极每年最小海冰范围平均值的55.5%。

海冰密集度是描述极区海冰的主要参数，定义为单位面积内海冰覆盖所占的百分比。目前用于海冰密集度反演的数据主要来源于星载微波辐射计，该辐射计作为一种被动微波传感器，结合不同波段不同极化方式下的观测亮温，可以区分海冰和海水。美国冰雪数据中心提供自1978年以来利用星载微波辐射计获取的空间分辨率为25 km的两极海冰密集度数据，且多个微波辐射计的数据用于反演这一长时间序列的产品，如美国Nimbus-7和Seasat-A上的SMMR（Scanning Multi-frequency Microwave Radi-ometer）、美国 DMSP（Defense Meteorological Satellite Program）上的 SSMI（Special Sensor Microwave／Imager）、美国Aqua卫星上的AMSR-E（Advanced Microwave Scanning Radiometer for EOS）等［4］。现在在轨运行的 DMSP-F17 SSMIS、DMSP-F18 SSMIS、GCOMW1 AMSR2都在继续为这一产品提供数据源。

目前有多种利用星载微波辐射计亮温数据来反演海冰密集度的方法：NASA TEAM算法［5］和BOOTSTRAP算法［6］主要利用 19和 37.0 GHz两个频段的亮温数据来反演，可以得到空间分辨率为25 km的海冰密集度产品；近年来，89 GHz频段在不同方法得到应用，以获取更高分辨率的密集度产品，如 NASA TEAM2算法［7］、ASI算法［8］、LOMAX算法［9］等。上述方法中，NASA TEAM算法、NASA TEAM2算法和LOMAX算法除了给出整体冰的密集度，还可以分别给出一年冰和多年冰的密集度。近年来，国内诸多学者利用AMSR-E的亮温数据开展了海冰密集度方法的研究［10-11］。

HY-2卫星于2011年8月16日发射升空，星上携带的微波扫描辐射计亦可用于极区海冰监测。本文将对利用HY-2微波扫描辐射计亮温数据反演北极区域海冰密集度的方法开展研究，本文数据部分主要介绍本研究所用的HY-2微波扫描辐射计亮温数据和用于交叉验证的国际上公认的两种业务化海冰密集度产品；方法部分详细介绍用于海冰密集度反演的NASA TEAM算法及其具体参数的选择方法，并介绍了用于滤除大气中水蒸气、云中液态水、降雨等现象影响的天气滤波器；验证部分则通过计算已知区域海冰密集度和交叉验证两种方法说明本文方法的有效性，最后给出结论。

1 数据

HY-2卫星搭载雷达高度计、微波散射计、微波扫描辐射计和校正微波辐射计等载荷，其中微波扫描辐射计工作频率为6.6、10.7、18.7、23.8和37.0 GHz，除了 23.8 GHz只有垂直极化以外，其他4个频段均具有水平和垂直两种极化方式，传感器扫描刈幅大于1 600 km，灵敏度在37.0 GHz频段优于 0.8 K，其余频段优于 0.5 K［12］。利用该传感器数据，可以反演得到全球海面温度、海面风场、大气水蒸气含量、云中水含量、海冰和降雨量等参数。本研究主要是基于微波扫描辐射计Level3级亮温产品进行海冰密集度反演，该级别产品是在Level2A产品基础上，经过平均处理，获得南北极网格化日平均亮温数据，其数据格式为 HDF，空间分辨率为25 km。本研究所用数据为2012年全年的HY-2微波扫描辐射计北极亮温数据，研究表明利用每轨数据（Level2A）和利用每天平均数据（Level3A）反演的海冰密集度结果平均偏差（mean difference）小于1%［13］，在误差允许范围之内，所以本研究直接利用Level3A每天平均数据进行反演，除去由于传感器不稳定等因素引起的数据缺失，共采用336天数据，占2012年总天数的91.8%。

为了验证本研究反演得到的海冰密集度产品的准确性，从网上下载两种业务化产品用于进行交叉检验。一种为美国冰雪数据中心提供利用NASA TEAM方法和DMSPF17卫星SSMIS传感器数据反演的海冰密集度产品［14］，该产品空间分辨率亦为25 km，每个栅格的地理位置与本研究反演得到的结果一致。另一种为德国不来梅大学提供的利用ASI方法和DMSPF18卫星SSMIS传感器数据反演的海冰密集度产品［15］，该产品空间分辨率为 6.25 km，经过空间插值降分辨率到25 km后用于交叉验证。

2 方法

2.1 海冰密集度反演方法

由于HY-2微波扫描辐射计与SSMIS、AMSR-E等传感器在频率设置、亮温精度等细节参数方面有差异，所以本文将主要参考NASA TEAM方法，对特征值选取、天气滤波器阈值等参数进行重新选取，利用不同频段和不同极化方式的亮温梯度来反演海冰的密集度，最终形成适用于HY-2微波扫描辐射计的NASA TEAM方法。

首先，根据18.7 GHz和37.0 GHz两个频段的亮温数据，得到两个独立变量：极化梯度率PR（Polarization Gradient Ratio）和光谱梯度率GR（Spectral Gradient Ratio），具体定义如下：

其中，Tb是指在特定频率和极化方向观测到的亮温。V和H分别代表垂直极化和水平极化。

基于极化梯度率和光谱梯度率，计算出一年冰密集度CFY和多年冰密集度CMY，进而得到整体海冰密集度CT：

其中，D＝D0＋D1·PR＋D2·GR＋D3·PR·GR，Mi、Fi和 Di（i＝0～3）这12个系数是关于9个亮温数值的函数。具体表达式如下：

其中

这9个亮温是指在18.7 V，18.7 H和37 V下观测到的无冰海面（Open water，OW）、一年冰（First year，FY）和多年冰（Multi-year，MY）上的亮温特征值（tie point）。为了得到亮温特征值，选取3个典型海域［16］，计算每个海域每个月份的亮温平均值。图1为典型海域的具体地理位置，多年冰选取格陵兰岛以北海域，一年冰选取楚科奇海部分海域，无冰海面选取挪威海部分海域。图2为上述三个区域极化梯度率和光谱梯度率2012年全年的变化，在北半球冬季和春季（11月至次年5月），海水的极化梯度率和光谱梯度率比一年冰和多年冰的相应参数要高，而一年冰和多年冰的极化梯度率没有明显区别，一年冰的光谱梯度率要高于多年冰的光谱梯度率；在夏秋两季，随着一年冰的融化，它的极化梯度率和光谱梯度率逐渐升高，直到8—9月份，一年冰全部融化为海水，而多年冰的这两个参数也由于海冰表面温度升高和海冰融化呈现不同程度的增长。

图1 用于特征值选取的三个典型海区的具体地理位置Fig.1.Locations of three typical sea surface for the tie point selection

针对三个海域，绘制每月月平均极化梯度率和光谱梯度的散点图，如图3所示。图3b为3a的局部放大。从图3a可以看出，海水的梯度率参数比较集中，所以选取月份为全年；一年冰从6月份开始，两个梯度率参数均开始上升，到9月份达到最大值，然后开始降低，这主要是一年冰夏季融化导致梯度率参数发生相应变化，所以一年冰的特征月份选取除6—10月以外的其余月份；从图3b中可以看出6—8月多年冰的参数与一年冰的参数差异较小，与一年冰特征月份点“混杂”在一起，所以多年冰的特征月份选取除6—8月以外的其余月份。根据选取的特征月份，计算出18.7 V，18.7 H和37 V的亮温平均值（即特征值），具体亮温特征值和选取月份如表1。

图2 三个典型海区极化梯度率（a）和光谱梯度率（b）2012年全年的变化Fig.2.Annual change of three typical sea’s polarization gradient ratio（a）and spectral gradient ratio（b）in 2012

图3 2012年每个月月平均光谱梯度率和极化梯度率的散点图，（b）为（a）的局部放大图Fig.3.Monthly polarization gradient ratio versus spectral gradient ratio of 2012，（b）is partial enlarged drawing of（a）

表1 三种典型海面在18.7 V，18.7 H和37 V波段的亮温特征值Table 1.Selected tie point of 18.7 V，18.7 H and 37 V for the three surface types

2.2 天气滤波器

通过上述步骤获取的海冰密集度初步结果中，常会出现错误的计算结果，即在开阔海域会计算出低密集度的海冰，这主要是由于大气中水蒸气、云中液态水、降雨等现象引起的。Cavalieri等人［17］利用辐射传输模型模拟的271 K时（ice edge）不同大气水汽含量、降雨、云中液态水等参数下极化梯度率和光谱梯度率的变化，仅用GR（37／19）可以将云中液态水含量较高情况引起的误判去除；结合GR（22／19）可以将较高的大气水汽含量、降雨去除。另外在陆地边缘，受陆地比辐射率较高影响，亮温较高，引起海冰密集度反演结果在陆地边缘区域也有错误的结果，利用GR（22／19）将该现象也滤除了。本研究沿用上述光谱梯度率来滤除天气影响，主要包括以下两步：

（1）利用37 GHz和18.7 GHz的光谱梯度率过滤掉云中液态水和云层中冰晶的影响，如果GR（37／18.7）≥0.13，则 CT＝0；

（2）利用23.8 GHz和18.7 GHz的光谱梯度率去除水面上大量的水蒸气的影响，如果GR（23.8／18.7）≥0.085，则 CT＝0；其中 GR（23.8／18.7）定义类似 GR（37／18.7），利用23.8 GHz和 18.7 GHz的垂直极化方式的亮温计算光谱梯度率。

图4为利用2012年8月27日微波扫描辐射计亮温数据计算的北极区域海冰密集度初步结果、经过GR（37／18.7）光谱梯度率滤除的结果和经过两个光谱梯度率滤除的结果。从图4b中可以看出，GR（37／18.7）光谱梯度率可以将高纬度开阔海域的错误结果滤除，同时可以将云中液态水含量值较高的区域滤除（如图4a中冰岛与英国之间的海域）。但是GR（37／18.7）光谱梯度率无法滤除中纬度区域的错误结果，如图4b中日本东部太平洋海域和加拿大东部大西洋海域存在较大区域的错误结果，这主要是该海域的大气中水蒸气含量较高（20 mm左右），这一现象在夏季普遍存在。另外受陆地影响，在沿岸区域存在错误结果，利用GR（37／18.7）光谱梯度率也无法剔除这一现象。利用 GR（23.8／18.7）光谱梯度率可以将上述两种情况引起的错误结果很好地滤除，如图4c所示。

图4 2012年8月27日计算的北极区域海冰密集度初步结果（a）、经过GR（37／18.7）光谱梯度率滤除的结果（b）和经过两个光谱梯度率滤除的结果（c）Fig.4.Sea ice concentration result of north polar zone on Aug.27，2012.（a）Result without using weather filter；（b）Result with weather filter；（c）Resultwith two weather filter

3 验证

为了验证本文反演海冰密集度的准确性，采用两种方法进行验证：利用图1中进行特征值选取时三个海冰类型已知区域计算整体海冰和多年冰的密集度，来说明本文方法的可行性；利用国际上常用的两种业务化海冰密集度产品进行交叉对比，来验证本文反演结果的准确性。

3.1 三个特征值区域的验证

针对图1中三个区域及计算亮温特征值时选取的不同月份（如表1中选取月份），计算每个区域对应的整体海冰和多年冰的密集度平均值，然后与不同海区的理论值进行比较。需要说明的是，这里的整体海冰和多年冰的密集度没有经过天气滤波器的处理。在格陵兰岛以北的多年冰区域，整体海冰和多年冰的密集度理论上应该均为1，本文计算结果分别为98.9%和85.2%，与理论值比较吻合，但是6—8月份的多年冰的计算结果较差，这主要是夏季海冰表面温度升高，部分冰面出现融化等现象造成的。在楚科奇海一年冰区域，整体海冰密集度的理论值为1，多年冰密集度理论值为0，本文计算结果分别为99%和9.6%。挪威海的无冰海面，整体海冰和多年冰密集度的理论值均为0，本文计算结果分别为14.9%和6.8%，这主要是由于大气中水蒸气、云中液态水等现象引起的，特别在夏季，这种错误更为明显。总体来说，本文反演的整体海冰密集度结果要优于多年冰密集度结果。

3.2 交叉对比

分别利用美国冰雪数据中心和德国不来梅大学提供的海冰密集度业务化产品进行交叉对比，验证本文反演的海冰密集度的准确性。

图5为2012年1月5日的海冰密集度差异图，图5a为本文结果与美国冰雪数据中心结果的差异，图5b为本文结果与德国不来梅大学结果的差异，红色代表本文计算结果高于业务化产品，蓝色代表本文计算结果低于业务化产品。从图中可以看出：本文计算的结果与另外两种业务化产品在大部分区域结果都很接近，差别在±2%以内；但在北极点附近区域，本文结果要低于另外两种业务化产品；差距主要集中在冰水边缘区域，差异在10%左右，本文结果与德国不来梅大学的结果更为接近。

图5 2012年1月5日的海冰密集度差异图.（a）本文结果与美国冰雪数据中心结果的差异；（b）本文结果与德国不来梅大学结果的差异Fig.5.Ice concentration difference on Jan.5，2012.（a）This paper-NSIDC；（b）This paper-Berman

图6为2012年由3种海冰密集度数据得到的海冰覆盖面积时间序列，在计算每天的海冰覆盖面积时，只统计3种数据都有有效数据的点。与图5一样，本文结果高于另外两种产品，与德国不来梅大学产品更接近。相对于冬季来讲，夏季的结果差异稍大。表2给出了3种数据对比分析的统计结果，从各项数据可以看出，本文结果与德国不来梅大学产品更接近，2012年日平均偏差为0.111 7×106平方公里，远小于与美国冰雪数据中心的日平均差异0.432 4×106平方公里。

4 结论

本文参考NASA TEAM方法，研究了利用HY-2卫星微波扫描辐射计亮温数据反演北极海冰密集度的方法，并对结果进行了初步验证，主要结论如下。

图6 2012年由3种海冰密集度数据得到的北极海冰覆盖面积时间序列Fig.6.Daily averaged time series of total Arctic ice area for 2012，by three kinds of ice concentration data

表2 本文结果与另外两种产品的2012年北极海冰覆盖面积差异的统计分析Table 2.Statistical analysis of the total Arctic ice area difference for 2012

（1）利用NASA TEAM方法进行海冰密集度反演的关键是选择18.7 V，18.7 H和37 V下观测到的无冰海面、一年冰和多年冰上的亮温特征值。选择格陵兰岛以北海域、楚科奇海部分海域和挪威海部分海域作为多年冰、一年冰和无冰海面的典型海域，对上述3个区域2012年的极化梯度率和光谱梯度率进行统计分析，这两个参数呈现明显的季节变化。根据两个梯度率参数的月平均散点图，选择了特征月份和亮温特征值。

（2）利用 GR（37／18.7）和 GR（23.8／18.7）两个天气滤波器有效地去除了开阔海域由于大气中水蒸气、云中液态水、降雨等现象引起的海冰密集度错误结果。

（3）在本文方法研究的基础上，计算了2012年全年的北极海冰密集度产品，并通过计算三个海冰类型已知区域的海冰密集度和交叉验证两种方法检验产品精度。三个海冰类型已知区域的海冰密集度计算结果表明本文计算的整体海冰密集度结果和理想值非常接近，多年冰的精度需要进一步提高。交叉验证结果表明，本文计算的结果与国际上常用的两种业务化海冰密集度产品一致，其中与德国不来梅大学产品更接近，2012年日平均偏差为0.111 7×106km2，远小于与美国冰雪数据中心的日平均差异0.432 4×106km2。本研究中仅利用全年统计的差异参数说明了不同产品的差异，后续工作中，将对不同季节的偏差进行比较，并在此基础上进一步改进本算法。

通过本研究，实现了利用HY-2微波扫描辐射计亮温数据反演北极区域海冰密集度产品，为利用中国自主卫星数据业务化监测极区海冰密集度变化，发布准实时产品奠定了基础。下一步工作将集中在以下三方面：（1）利用高分辨率光学数据（如Landsat）或SAR数据反演的海冰范围和2012年第五次北极科学考察的现场测量数据验证本文计算结果；（2）对选择的亮温特征值进行敏感性实验，研究采用不同季节或者不同月份亮温特征值的可能性；（3）对于南极区域，开展相应研究，制作海冰密集度产品。

致谢 感谢芬兰气象研究所的程斌博士对文章的修改，感谢两位审稿人提出的宝贵意见，感谢美国冰雪数据中心和德国不来梅大学提供海冰密集度数据。

1 Comiso JC.Large-scale characteristics and variability of the global sea ice cover／／Thomas D N，Dieckman GS.Sea Ice：An Introduction to its Physics，Chemistry，Biology，and Geology.Malden，USA：Blackwell Publishing，2003：112—140.

2 Spreen G，Kaleschke L，Heygster G.Sea ice remote sensing using AMSR-E 89-GHz channels.Journalof Geophysical Research：Oceans，2008，113（C2），C02S03，doi：10.1029／2005JC003384.

3 Comiso JC，Parkinson C L，Gersten R，et al.Accelerated decline in the Arctic sea ice cover.Geophysical Research Letters，2008，35（1），L01703，doi：10.1029／2007GL031972.

4 Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM／I-SSMISPassive Microwave Data.2013-08-31.http：／／nsidc.org／data／nsidc-0051.html

5 Cavalieri D J，Crawford JP，Drinkwater M R，et al.Aircraft active and passivemicrowave validation of sea ice concentration from the DMSP SSM／I.Journal of Geophysical Research：Oceans，1991，96（C12）：21989—22008.

6 Comiso JC.SSM／Isea ice Concentrations Using the Bootstrap Algorithm.NASA Reference Publication 1380，1995：40.

7 Markus T，Cavalieri D J.An enhancement of the NASA Team sea ice algorithm.IEEE Transactions on Geoscience and Remote Sensing，2000，38（3）：1387—1398.

8 Svendsen E，Matzler C，Grenfell T C.A model for retrieving total sea ice concentration from a spaceborne dual-polarized passivemicrowave instrument operating near 90 GHz.International Journal on Remote Sensing，1987，8（10）：1479—1487.

9 Lomax A S，Lubin D，Whritner R H.The potential for interpreting total and multiyear ice concentrations in SSM／I 85.5 GHz imagery.Remote Sensing of Environment，1995，54（1）：13—26.

10 张树刚.海冰密集度反演以及北极中央区海冰和融池变化物理过程研究.青岛：中国海洋大学，2012.

11 王欢欢，Heygster G，韩树宗，等.应用AMSR-E 89 GHz遥感数据反演北极多年冰密集度.极地研究，2010，21（3）：186—196.

12 海洋二号卫星介绍.2011-08-16.http：／／www.nsoas.gov.cn／HY2AZhuanti／HY2A／hy202.html

13 Spreen G，Kaleschke L，Heygster G.Sea ice remote sensing using AMSR-E 89-GHz channels.Journal of Geophysical Research：Oceans，2008，113（C2），C02S03，doi：10.1029／2005JC003384.

14 Cavalieri D J，Parkinson C L，Gloersen P，et al.Sea Ice Concentrations from Nimbus-7 SMMR and DMSPSSM／I-SSMISPassive Microwave Data.Boulder，Colorado USA：NASA DAAC at the National Snow and Ice Data Center，1996.

15 Daily Updated SSMISSea Ice Maps.2012-08-01.http：／／iup.physik.uni-bremen.de：8084／ssmis／index.html

16 Comiso JC，Cavalieri D J，Parkinson C L，et al.Passivemicrowave algorithms for sea ice concentration：A comparison of two techniques.Remote Sensing of Environment，1997，60（3）：357—384.

17 Cavalieri D J，St.Germain K M，Swift C T.Reduction ofweather effects in the calculation of sea ice concentration with the DMSPSSM／I.Journal of Glaciology，1995，41（139）：455—464.