基于Argo浮标数据的Aquarius数据产品质量评估

张 明，张 韧，王辉赞，窦 硌

（1.解放军理工大学气象海洋学院 南京市 20011； 2.解放军61769 部队 文水县）

海水盐度的观测一直以来都是一项挑战。传统的测量方法是依赖锚定浮标、漂流浮标和走航船等局地观测手段。在Argo 观测网建成之前，局地观测手段无论是时间上还是空间上都非常稀疏。2007年Argo 观测网建成，全球共有3 000多个浮标正常运行，可以在10 d 天和300 km 的时空分辨率上提供3000 条无冰海域2 000 m 以浅的温盐剖面数据[1]。Argo 浮标、船载CTD、热带锚定浮标观测矩阵（TAO）、滑翔机和其他观测手段为人类提供了前所未有的观测全球海域海水盐度结构的能力。

在特定频率上海水反射率依赖于海表盐度使从太空观测海表盐度成为可能。近年来，两颗用于观测海表盐度的卫星相继发射。2009年11月，欧空局的土壤盐度卫星（SMOS）发射升空，到2010年1月近实时的海表盐度数据已经可以使用。2010年6月，美国宇航局和阿根廷空间局共同开发的宝瓶座卫星（Aquarius/SAC-D）发射升空，2010年8月开始提供海表盐度数据。Aquarius/SAC-D 卫星由Aquarius 和SAC-D 两部分组成。Aquarius 是由NASA 开发研制，由被动式的L 波段推扫式微波辐射计（1.413GHz）和主动式的L 波段散射计（1.26GHz）组成，具有辐射分辨率更高、精度与稳定性更好的优点；卫星仪器的天线结构由一个偏移量为2.5 m 的抛物面反射器和3 个喇叭馈源组成，3 个喇叭状馈源形成入射角分别为25.8°、33.8°和40.3°的3 个固定波束，3 个波束在海面上形成的3 个空间分辨率分别为76 km × 94 km、84 km × 120 km、96 km ×156 km，3 个波束的刈幅为390 km[2]。因此，该卫星可从太空跟踪测量海表盐度，并检测其年际性和季节性变化，从而可以更好地研究全球水循环及其变化过程。

盐度反演技术不断在改进，大部分新版的盐度反演产品有能力描述海水盐度的空间和时间变化，一些文章已经展现出Aquarius 用于理解海洋和大气变化的巨大潜力[3-4]。但是，由于反演算法不完美和卫星采样不完全令人满意以及陆地无线电射频源（RFI）、海冰等各种污染的影响，Aquarius 仍存在误差。因此，关于Aquarius 数据产品存在两个十分重要的问题，一是Aquarius 数据产品的精度到底如何；二是如何将Aquarius 数据产品的误差合理地移除从而充分地使用Aquarius 数据产品。

关于第一个问题，由于Argo 数据的精度超过0.01 psu[5]，比Aquarius 设计目标精度高一个数量级，因此Argo 数据可以作为Aquarius 数据的参考。有学者利用Argo 数据开展对Aquarius 盐度产品的真实性检验，结果表明Aquarius 在开阔海域与现场观测数据的盐度标准差为0.3～0.6，并且在高纬、高风速、低海温海域反演误差较大[6]。同时有研究者利用现场数据，开展对Aquarius 在中国近海区域的精度验证工作，发现由于RFI、风场和降雨的影响，盐度数据的精度较大洋区域低[7]。大多数Argo 浮标每10 天收集一个剖面，所以浮标的全球覆盖率超过300 p/d。在本文中，我们用Argo 数据来验证Aquarius 数据产品的准确性。

针对第二个问题，由于反演模型十分复杂以及计算量等方面的限制，使得采用系统机理模型校正Aquarius 数据较为困难。统计和神经网络方法将实际过程看为黑箱对象，以过程输入输出数据为基础建立模型，在数据校正中应用广泛。比如，P.Xie 用统计方法移除SMOS 的偏差，使得数据偏差由-2.267 减小到0.014[8]。因此，我们用神经网络方法校正Aquarius 的误差。

目前对全球海域Aquarius 数据产品的质量评估大多采用Argo 网格化产品，但是网格化的Argo 产品会带来在网格化过程中产生的误差，因此对评估有一定影响。在本文中，利用2014年全年的Aquarius L2 级数据产品和Argo 现场数据，对Aquarius L2 级数据产品质量进行了分析和评价；此外利用BP 神经网络对Aquarius L2 级数据进行了校正，取得了较好的效果。

1 数据与方法

1.1 数据选取与数据处理

Aquarius 数据采用NASA 提供的Aquarius L2数据产品V3.0（最新版本是V3.1），这一版本的数据加入对盐度反演算法的修正，使数据质量大幅提高。时空覆盖率为2014年全年，每天大约30 轨数据，数据为HDF5 格式，包括Aquarius 辐射计、散射计测量的主要数据、数据质量标记、经纬度和时间等信息。Aquarius 数据是通过卫星星点下喇叭馈源中的3 个波束（下文称作beam1、beam2、beam3）得到的，因此L2 数据是3n 维，n 是馈源喇叭的采样点个数。

实测资料采用美国全球海洋资料同化实验室（USGODAE http：//www.usgodae.org/ftp/outgoing/argo/）提供的2014年全年的Argo 数据。为保证Argo 数据的有效性，对数据进行质量控制，仅保留盐度、温度、压力和时间质量标记符为正常（标记为‘1’）的数据。

在使用数据Aquarius 之前，我们对该数据进行滤波处理。图1 是2014年5月10日在东太平洋的单轨数据，图1a 是卫星的轨迹，图1b 是这条轨迹上海表盐度的随纬度的变化，灰色实线是原始数据，黑色实线是滤波后的数。原始的Aquarius 信号（灰色实线）在中高纬地区很明显的高频振荡，低纬地区稍小。Drucker 的研究结果表明这种高频率的振荡是噪音而不是真正海表面盐度的信号[9]，因此我们对原始信号进行低通滤波得到新的海表面盐度（黑色实线）。为了比较滤波前后数据的变化情况，我们以24 h，75 km为时空窗统计了匹配后的Aquarius 与Argo 数据组平均偏差和均方根误差如表1 所示：

在不同纬度上，滤波后均方根误差减小了10.1%～16.5%。考虑到Aquarius 数据的精度是0.2psu，滤波前后的偏差变化并不大。

最后，利用24 h，75 km 的时空窗对滤波后Aquarius 数据和Argo 数据进行匹配，得到近5 万组数据。由于Aquarius 数据会受到RFI 和海冰等污染，剔除了23.6%的受污染数据，最后得到了37 753 组数据，并计算平均偏差、均方根误差作为相关数据产品的质量评价指标。

图1 2014年5月10日03：00-04：12 的单轨数据

表1 滤波前均方根误差变化（圆括号内代表滤波后的数据统计量）

1.2 BP 神经网络

BP 神经网络是一个由输入层、隐含层和输出层构成的三层前馈神经网络。BP 网络的学习过程由信息的正向传播和误差的反向传播组成。当给定网络一组输入模式时，BP 网络将依次对这组输入模式按如下方式学习：首先，把输入模式从输入层传输到隐含层单元，经隐含层单元逐层处理后，产生一个输入模式传送到输出层，这一过程称为正向传播；然后将输出结果和期待值进行比较，如果没有达到所预计的期望，则转变为误差的反向传播，将误差沿原路径返回，通过修改各层神经元的连接权值，使误差信号变小。这种正向传播和反向传播相互交替，看成一个“记忆训练”的过程。系统不断地循环这两个过程，重复学习，一直到输出值和期待值的误差减小到规定范围内，系统停止学习。此刻将新样本输入到已经训练好的网络，就可以得到相应的输出值。

2 误差的总体分布

图2 表示的是匹配数据组的空间分布，颜色表示Aquarius 数据和Argo 数据偏差大小。整体来说，Aquarius 数据与Argo 数据有很好的一致性，偏差的大部分值都处在-1 和1 之间。在全球范围内没有一个相对恒定的偏差，不同大洋有不同的偏差特征。为此我们画出了不同大洋内Aquarius 数据和Argo 数据的散点图（图3）以及计算对应的统计量（表2）。由图3 可以看出，3个beam 中，beam1 的偏差最小，beam 3 的偏差最大。三大洋中，太平洋的偏差和均方根误差都是最小的，偏差印度洋大于大西洋，均方根误差大西洋大于印度洋。这与海表温度有密切关系，由于L 段亮温对海面盐度的敏感性随SST 的增大而增大，而三大洋的表层水温太平洋最高，平均为19.1，印度洋次之，为17.0，大西洋16.9，因此太平洋区域的盐度反演精度最高，印度洋和大西洋相差不大且都小于太平洋。

图2 匹配数据的空间分布

图3 Aquarius 盐度数据和Argo 盐度数据散点图

表2 偏差和均方根误差统计表

3 误差分析

3.1 误差随纬度的变化

本文在纬度60°S～60°N 范围内，按10°间隔统计了盐度反演的平均偏差以及均方根误差，如图4 所示，图中黑色水平实线偏差为-0.03。从图中可以看出，热带区域Aquarius 的偏差小于0。值得注意的是大部分Argo 测量的最浅深度是水下5 m 左右[10]，而Aquarius 测量的是距海面2 cm处海水的盐度，因此热带充足的降水带来的盐度分层可能是产生盐度负偏的一个原因。Drucker和Riser 的工作发现，在热带降水产生的垂向盐度分层发生频率非常低并且持续时间很短，它只贡献0.03 的偏差[11]。但是热带区域Aquarius 的偏差达到了0.03 的两倍以上（图4），所以必然还有其他原因导致Aquarius 负偏。James Reagan 等人的研究结果表明，可能是反演算法本身不完美导致热带Aquarius 数据负偏，并且他们还发现用CAP（Combined Active-Passive）算法得到Aquarius 数据在热带偏差就要小的多[11]。

图4 SSS 的均值和方差随纬度的变化

由热带向两级的区域内偏差由负值变为正值，剩余均方根误差也逐渐变大（图4），在55°S和55°N 都超过了1。这个区域的误差来源有很多：海表温度过低、陆地无线电射频源干扰（RFI）和海冰都会影响海表盐度的反演。在低海表温度的条件下，亮温敏感性降低。盐度反演在近岸海域的易受到陆地亮温的污染和RFI 的污染，导致盐度反演误差增大。另外，海冰同样会造成盐度反演中的污染性误差。

总体来说：Aquarius 在热带地区准确度比较高，由于反演算法的不完美以及降水产生的盐度分层使得Aquarius 负偏。在中高纬地区，Aquarius 受低海表温度、RFI 和海冰的影响，使得反演海表盐度的难度增加，Aquarius 的误差较大。

3.2 误差与风速和海表面温度的关系

海表面温度和风是影响海面辐射亮温的两个主要因素。为了研究反演误差与海表温度和风速的关系，分别做出了偏差与海表温度和风速的散点图，如图5a 所示，实线和虚线分别表示动态平均（N≈5%）的均值和标准差。随着海表温度的增加，偏差逐渐由正值变为负值，这个结果与上文中热带地区Aquarius 负偏差的结果是一致的：热带地区海Aquarius 负偏。标准差随着温度的增加而逐渐减小，这是由于海表温度高，亮温的敏感性增大，Aquarius 数据的质量提高所致。

Aquarius V3.0 数据中改进了海面粗糙度校正，减小了风导致的误差。图5b Aquarius 反演的偏差随Aquarius 散射计测量风速的变化。从图中可以看出，偏差的均值稳定在0 附近，标准差稳定在0.5。

图5 （a）盐度反演误差（Aquarius-Argo）和海表温度的散点图（b）盐度反演误差（Aquarius-Argo）和风速的散点图实线和虚线分别表示动态平均（N≈5%）的均值和标准差

图5 表明了S 与海表温度和风速的关系，但实际上海表温度和风速对S 影响并不独立，为此，我们计算1 m/s 和1℃的网格内平均偏差和均方根误差，然后经对网格进行滤波（图6）。如图，Aquarius 数据的偏差主要受海表温度的影响，风速对偏差的影响并不明显。当海表温度低于10℃时，偏差较大，有的地方甚至超过0.2；当海表温度大于15，大部分区域Aquarius 表现稳定而良好；只在海温20～25 ℃，风速大于8 m/s时，有一负的高值区，达到-0.12。均方根误差受风速的影响与偏差相比要大，比如海表温度在10～15 ℃时，均方根误差随着风速增大而先增大后减小。另外，当海温在20～25℃，风速在10～16 m/s 的区域内，有一高值区，均方根误差达到了0.3。总体来说，Aquarius 反演误差与海表温度、风速有关系，但是相对来说风速对反演精度的影响要弱，这可能是因为V3.0 数据中反演算法中海面粗糙度校正方法改进的原因。

图6 S 均值（a）和标准差（b）对风和海表温度的依赖性网格的范围是1m/s 和1℃，然后经过高斯滤波去除噪音

4 误差校正

BP 神经网络的输出为Argo 的盐度值，其中long、lat、windspeed、SST 和SSS 分别代表经度、纬度、风速、海表温度和海表面盐度，代表三个不同的大洋和三个不同的beam。经过样本的训练找出合适的使得最小，其中为Argo 测量的海表盐度值，为3.1 中Aquarius 盐度值。根据系统输入输出数据特点构建网络结构，由于输入信号有6 维，输出信号只有1 维，BP 神经网络的结构为6-12-4，即输入层有6 个节点，隐含层有12 个节点，输出层有1 个节点。在37 784 组匹配数据中随机选择30 000 组数据作为神经网络训练数据，剩余7 784 组数据作为测试数据测试误差校正能力。

训练数据的Aquarius 和Argo 的散点图如图7（a）所示，训练数据的神经网络输出结果和Argo的散点图如图7（b）所示，柱状图代表所对应数据的分布。训练数据的相关系数为0.876，均方根误差为0.507；经过神经网络方法校正后，相关系数增加到0.954，均方根误差减小到0.298。Aquarius 精度目标是月平均场的误差小于0.2，相比较而言单轨数据的误差减小到0.298 已经是非常好的效果了。

图7 （a）训练数据中Aquarius 和Argo 的散点图柱状图分别表示Aquarius 和Argo 的分布（b）验证数据中Aquarius 和Argo 的散点图，柱状图分别表示Aquarius 和Argo 的分布，图中r 是相关系数，rmsd 是均方根误差，N 是数据个数

校正前后的数据变化清楚地表明BP 神经网络可以校正盐度反演中的误差。将全球的Aquarius 数据输入已经训练好的神经网络中，就可以校正全部Aquarius 数据，因此神经网络方法也不失为一种简单有效的数据校正方法。

5 结 论

利用Argo 现场盐度数据对Aquarius 2014年盐度数据的误差进行分析，讨论了Aquarius 盐度反演误差的分布特征以及误差与几个海气参数的关系，另外用BP 神经网络方法对数据进行校正，得到的主要结论如下：

（1）Aquarius 数据总体偏差为正，但是由于降水和反演算法的不完美偏差使得热带海域为负偏差。三大洋中，太平洋的盐度反演最精确，3个beam 中，beam 1 反演最精确。

（2）Aquarius 反演误差受海表温度的影响，低海表温度使得亮温的敏感性降低，使得低温海域误差反演误差较大。另外，反演算法中粗糙海面模型的改进使得风对反演误差的影响降低。

（3）BP 神经网络校正方法使得Aquarius 数据均方根误差由0.507 减小到0.298，因此神经网络方法是一种有效的校正方法。

[1] Boutin J，Martin N.ARGO upper salinity measurements：Perspectives for L-band radiometers calibration and retrieved sea surface salinity validation[J].Geoscience and Remote Sensing Letters，IEEE，2006，3（2）：202-206.

[2] Vine D M L，Lagerloef G S E，Colomb F R，et al.Aquarius：An Instrument to Monitor Sea Surface Salinity From Space[J].Geoscience&Remote Sensing IEEE Transactions on，2007，45（7）：2 040-2 050.

[3] Lee T，Lagerloef G，Gierach M M，et al.Aquarius reveals salinity structure of tropical instability waves[J].Geophysical Research Letters，2012，39（12）.

[4] Grodsky S A，Reul N，Lagerloef G，et al.Haline hurricane wake in the Amazon/Orinoco plume：AQUARIUS/SACD and SMOS observations[J].Geophysical Research Letters，2012，39（20）.

[5] Grunseich G，Subrahmanyam B，Wang B.The Madden-Julian oscillation detected in Aquarius salinity observations[J].Geophysical Research Letters，2013，40（20）：5 461-5 466.

[6] Ebuchi N，Abe H.Evaluation of sea surface salinity observed by Aquarius[C].Geoscience and Remote Sensing Symposium（IGARSS），2014 IEEE International.IEEE，2014：4 427-4 430.

[7] 王新新，杨建洪，赵冬至，等.Aquarius/SAC-D 卫星盐度数据在中国南海的准确度评估[J].热带海洋学报，2013，32（5）：23-28.

[8] Xie P，Boyer T，Bayler E，et al.An in situ-satellite blended analysis of global sea surface salinity[J].Journal of Geophysical Research，2014，119（9）：6 140-6 160.

[9] Drucker R，Riser S C.Validation of Aquarius sea surface salinity with Argo：Analysis of error due to depth of measurement and vertical salinity stratification[J].Journal of Geophysical Research，2014，119（7）：4 626-4 637.

[10] Reverdin G，Morisset S，And J B，et al.Rain-induced variability of near sea-surface T and S from drifter data[J].Journal of Geophysical Research Oceans，2012，117（C2）：41-52.

[11] Reagan J，Boyer T，Antonov J，et al.Comparison analysis between Aquarius sea surface salinity and World Ocean Database in situ analyzed sea surface salinity[J].Journal of Geophysical Research：Oceans，2014，119（11）：8 122-8 140.