基于客观分析的多源卫星叶绿素a浓度产品融合方法研究

施英妮,张亭禄,石立坚,胡晓华,南明星

（1 .中国海洋大学信息科学与工程学院,山东青岛266100；2 .北京5111信箱,北京100094；3 .国家卫星海洋应用中心,北京100081；4 .国家海洋局空间海洋遥感与应用研究重点实验室,北京100081；5 .北京市2433信箱,北京100081）



基于客观分析的多源卫星叶绿素a浓度产品融合方法研究

施英妮1,2,张亭禄1,石立坚3,4,胡晓华2,南明星5

（1 .中国海洋大学信息科学与工程学院,山东青岛266100；2 .北京5111信箱,北京100094；3 .国家卫星海洋应用中心,北京100081；4 .国家海洋局空间海洋遥感与应用研究重点实验室,北京100081；5 .北京市2433信箱,北京100081）

摘要:本文基于Aqua/M O DIS、Terra/M O DIS和Envisat/M E RIS多源卫星叶绿素a浓度产品,研究了客观分析融合方法,制作了西北太平洋海域（0°～50°N,100°～150°E）叶绿素a浓度融合产品,并从有效数据空间覆盖率和产品精度两个方面对融合方法进行了评价。与单传感器以及欧洲太空局发布的GS M模型业务化融合产品相比,客观分析融合产品空间覆盖率明显提高；与收集的2002 - 2012年间叶绿素a浓度实测数据比较,GS M模型业务化融合产品的匹配数据点为578个,偏差为- 0.20 mg/m3,均方根误差为0.37 mg/m3,客观分析法融合产品的匹配数据点为1 432个,偏差为- 0.21 mg/m3,均方根误差为0.36 mg/m3。结果表明:本文研究的客观分析融合方法在保证融合产品精度的同时可显著提高产品的空间覆盖率,在海洋水色融合应用前景广阔。

关键词:客观分析法；融合；叶绿素a浓度；空间覆盖率；产品精度

1 引言

叶绿素a（chlorophyll a ,简称Chl a）浓度是浮游植物生物量的表征,而浮游植物是海洋生物链的基础。浓度高表征浮游植物大量繁殖,会使海水水体中的氧气大量被消耗,造成海洋生物窒息死亡［1］。某些浮游植物的突发性增殖和聚集还会形成赤潮,引起一定范围内水体变色,影响部分海域的水质［2］。因此海洋叶绿素a浓度已成为衡量浮游植物的生物量和评价海洋水质、有机污染程度的重要参数［3］,监测叶绿素a浓度对了解海区的生态环境质量有重要意义。

目前海洋水色卫星已成为监测叶绿素a浓度全球分布的标准工具。据国际海色组织（International Ocean Colour Coordinating Group,简称IO CC G）统计,截至2014年底,搭载海色传感器的在轨卫星共有10余颗。这些卫星除了韩国G O CI（Geostationary Ocean Color Imager）属于静止卫星,其余都是极轨卫星。极轨海色卫星在运行过程中会受到太阳耀斑和云的影响,有效数据空间覆盖率有限,提取的信息往往不完整,不能满足实际应用的需求。遥感数据融合技术可将多源传感器的数据进行关联和复合,产生比单一数据源更完整、更可靠、更精确的结果,有效提高遥感数据的利用率,扩大遥感产品的空间和时间覆盖率,成为近些年来世界范围内遥感应用领域中的研究热点［4］。国外在海色遥感资料融合方面的研究起步较早。1997年美国N ASA（National Aeronautics and Space Administration）正式提出SIM BIOS（Sensor Intercomparison and M ergerfor Biological and Interdisciplinary Oceanic Studies）研究计划［5］,随后,欧洲空间局又提出G L O BColour研究计划［6］。这些计划利用平均法、GS M（Garver Sie-gel M aritorena）生物光学模型法等技术,对多颗卫星观测的水色数据进行融合,建立了高质量的海色数据集合。国内在水色遥感资料融合方面起步较晚,中国海洋大学利用小波分析融合方法计算了2001年Sea WiES和M O DIS叶绿素a浓度数据的年平均可利用率［7］。虽然目前国际上使用平均法、GS M生物法进行叶绿素融合产品的发布,但这两种方法对空间覆盖率的改善十分有限,如GS M融合产品的全球覆盖率约为25 %［8］,难以满足实际应用的需求。客观分析融合算法由于使用时空差值可以有效提高产品覆盖率和精度,目前已在海面温度和高度计融合产品制作中广泛应用［9—10］,但在海色融合方面应用较少。

本文基于Aqua/M O DIS、Terra/M O DIS和Envisat/M E RIS多源卫星叶绿素a浓度产品,研究了客观分析融合方法,制作了西北太平洋海域的融合产品。文章首先介绍了研究中用于算法研究的卫星数据以及用于评价融合结果的实测数据和欧洲太空局发布的GS M业务化叶绿素a融合产品；然后对不同传感器之间的叶绿素a浓度数据进行交叉校准,为后续数据融合奠定基础；详细介绍客观分析融合算法,并从空间覆盖率和产品精度两个方面对融合产品进行评价；最后得出结论。

2 数据

2 .1 卫星数据

本文使用卫星数据为美国的Aqua/M O DIS、Terra/M O DIS和欧洲太空局的Envisat/M E RIS 3个传感器的叶绿素a浓度数据。3个传感器主要参数如表1所示,3个传感器的叶绿素a浓度数据均可在美国N ASA的O CE A N C O L O R网站［11］免费获取,数据产品为Level 3标准网格数据,数据格式为H DE格式（Hierarchical Data Eormat）,空间分辨率采用4 k m。

表1 Aqua/M O DIS、Terra/M O DIS和Envisat/M ERIS海色传感器性能参数Tab .1 The main characteristics of Aqua/M O DIS,Terra/M O DIS and Envisat/M ERIS

2.2 浮标数据

浮标数据用于验证融合产品的精度,由美国N ASA海洋生物光学数据库（Sea WiES Bio-optical Archive and Storage System,简称SeaB ASS）［12］提供。本文收集了数据库中2002 - 2012年5 844组叶绿素a浓度测量数据,与卫星数据进行匹配,生成试验验证的匹配数据集。匹配的时间间隔为1 d,空间间隔为4 k m。

3 多源卫星数据交叉校准

不同的海色传感器在仪器校准和反演算法等方面具有不同的差异,为消除传感器之间在时间、空间及反演精度等方面的差异,获取具有较高一致性的叶绿素a融合产品,需要进行各传感器之间的数据交叉校准,即用定标精度较高的传感器作为参考传感器,建立参考传感器输出和待定标传感器输出之间的关系,利用参考传感器的观测值和两个传感器输出之间的关系确定待定标传感器的观测值,进而将多个传感器平台的观测数据校准到同一基准［13］。交叉校准中参考传感器的选择很重要,Aqua/M O DIS具有完善的星上定标系统,星上定标系数的不确定度在2 %左右,且重访周期短,近年来的研究工作也印证了Aqua/M O DIS数据的稳定性和准确性［14—15］,因此本文使用Aqua/M O DIS传感器作为交叉校准中的参考传感器。

以2010年西北太平洋海域每日Aqua/M O DIS传感器叶绿素a浓度数据为基准数据,分别与Terra/ M O DIS和Envisat/M ERIS的叶绿素a浓度数据进行匹配,参照Campbell的方法［16］,对匹配的叶绿素数据取以10为底的对数运算,匹配数据点的密集度分布如图1所示。由图1可见,Terra/M O DIS、Envisat/M ERIS的叶绿素a浓度数据与Aqua/M O DIS叶绿素a浓度数据相关性较高,相关系数分别达到0.97和0.96,由此匹配数据集建立的相关关系如式（1）和（2）:

图1 不同传感器叶绿素a浓度匹配数据密集度分布Eig .1 Probability density distribution of the matched data between different sensors a .Aqua/M O DIS与Terra/M O DIS,b .Aqua/M O DIS与Envisat/M E RIS a .Aqua/M O DIS versus Terra/M O DIS,b .Aqua/M O DIS versus Envisat/M E RIS

4 客观分析融合方法

客观分析算法基于Gauss- M arkoff理论,采用时间空间窗口内的观测数据,确定插值范围内各个观测值的权重,使得插值误差最小,给出插值网络上的估计值［17］。在分析之前,首先要对以分析日期为中心的n天内的各种卫星数据进行预处理、质量控制,再以各卫星的空间分辨率和有效数据准确度划分优先选取顺序,根据顺序先后选用各种观测数据。以叶绿素浓度a产品为例,假设各种卫星资料空间分布是不规则的并有时间间隔,在点（x,y）处、时间t的叶绿素a浓度的线性最小平均平方估计为［9］:

式中,Chl aest为叶绿素a浓度的估计值,Φobs为叶绿素a浓度卫星观测数据,为卫星观测值自相关矩阵的逆矩阵,M为观测数据的反距离加权平均值,C为估计值与观测值二者的互相关矩阵,Δx、Δy、Δt分别为估计值与观测值的纬向距离、经向距离、时间差,L、T分别为空间和时间相关尺度,融合的具体流程如图2所示。首先,将3个传感器叶绿素a浓度数据在预定义的插值窗口搜索数据,对数据进行质量控制；然后,求空间窗口内卫星观测数据的自相关函数的逆矩阵,如果存在则采用式（3）给出估计值,如果不存在,直接采用观测数据的反距离加权平均值（M）给出估计值；最后输出融合结果。本文空间相关半径L选为1°,时间相关尺度T选为3 d。

图2 客观分析法融合叶绿素a浓度产品流程图Eig .2 Elow chart of the objective analysis for merging chlorophyll a data

5 融合结果评价

5 .1 空间覆盖率比较

为了评价融合产品的空间覆盖率,本文以2010 年2月24日A qua/M O DIS、Terra/M O DIS和Envisat/M E RIS 3个传感器在西北太平洋海域（0°～50°N,100°～150°E）叶绿素a浓度数据为例,计算单个传感器及欧洲太空局G S M生物光学模型和客观分析算法融合产品的空间覆盖率,如图3所示。A qua/M O DIS、Terra/M O DIS和Envisat/M E RIS单传感器有效值在该海域空间覆盖率分别为13.45 %、14.86 %和9.13 % ,G S M生物光学模型融合产品的空间覆盖率为31.11 % ,客观分析法融合产品空间覆盖率可达61.80 %。可见,利用客观分析算法对海洋水色资料进行融合,相比与单传感器及G S M生物光学模型融合产品,显著提高了资料的空间覆盖率。

5 .2 融合产品精度

图3 西北太平洋不同海域叶绿素a浓度产品分布（2012年2月24日）Eig .3 Comparison of Aqua/M O DIS,Terra/M O DIS,Envisat/M E RIS and merged chlorophyll a data in the northwest Pacific region a .Aqua/M O DIS产品,b .Terra/M O DIS产品,c .Envisat/M E RIS产品,d .GS M生物光学模型融合产品,e .客观分析法融合产品a . Aqua/M O DIS,b .Terra/M O DIS,c .Envisat/M E RIS,d .GS M merged,e .objective analysis merged

欧洲太空局发布的GS M模型业务化融合产品和本文客观分析法融合产品分别与SeaB ASS现场测量数据的对比,结果如图4所示。欧洲太空局发布的GS M模型业务化融合产品的匹配数据点为578个,相关系数为0.73,偏差为- 0.20 mg/m3,均方根误差为0.37 mg/m3；应用本文客观分析法融合产品的匹配数据点为1 432个,相关系数为0.75,偏差为- 0.21 mg/m3,均方根误差为0.36 mg/m3；通过对比发现,客观分析融合产品与GS M业务化融合产品的精度基本一致,但与实测数据的匹配点明显增加,表明空间覆盖明显增加。

图4 GS M模型业务化融合产品（a）和客观分析法融合结果（b）分别与实测数据比对的散点图Eig .4 Scatter diagram of merged chlorophyll a data and in-situ chlorophyll a data（a .GS M merged data,b .objective analysis merged data）

6 结论

目前海色卫星大都是极轨运行,产品日有效覆盖率有限,为了提高产品有效覆盖率,本文基于Aqua/ M O DIS、Terra/M O DIS和Envisat/M E RIS多源卫星叶绿素a浓度产品,详细研究了客观分析融合方法,实现了多源海洋水色遥感资料的融合。通过空间覆盖率分析发现,客观分析融合方法可显著提高有效数据空间覆盖率；与现场测量资料对比发现,基于客观分析方法的融合产品与欧洲太空局业务化GS M融合产品的精度基本一致。客观分析融合方法在保证融合产品精度的同时可显著提高产品的空间覆盖率,在海洋水色融合应用前景广阔。

参考文献:

［1］ 丛丕福.海洋叶绿素遥感反演及海洋初级生产力估算研究［D］.北京:中国科学院遥感应用研究所,2006 . Cong Pifu . Oceanic ChloroPhyllretrieval by remote sensing and ocean Primary production estimate［D］.Beijing:Institute of Remote Sensing Applications,Chinese Academy of Sciences,2006 .

［2］ 黄韦艮,楼秀琳,肖清梅.国内外赤潮卫星遥感技术研究与发展［J］.遥感技术与应用,2002,17（1）:32 - 36 . H uang W eigen,Lou Xiulin,Xiao Qingmei. Recent progress on remote sensing of red tides by satellite［J］. Remote Sensing Technology and Application,2002,17（1）:32 - 36 .

［3］ 疏小舟,汪骏发,沈鸣明.航空成像光谱水质遥感研究［J］.红外和毫米波,2000,19（4）:273 - 276 . Shu Xiaozhou,W ang Junfa,Shen Mingming . Remote sensing of water quality monitoring using an airborneimaging spectrometer［J］.JInfrared Millim W aves,2000,19（4）:273 - 276 .

［4］ 施英妮,张红雷,杨楠.卫星海色融合方法概述［J］.遥测遥控,2011,32（6）:18 - 21 . Shi Yingni,Zhang H onglei,Yang Nan . Review of ocean color data merging methods［J］.Journal of Telemetry,Tracking and Com mand,2011,32 （6）:18 - 21 .

［5］ Eargion G S,McClain C R .SIM BIOS Project 2001 Annual Report［R］. N ASA Technical M emorandu m,no .2002 - 21005 .2002:1 - 308 .

［6］ GlobColour . The European Service for Ocean Colour［O L］.http://w w w .globcolour .info/

［7］ 曲利勤,管磊,贺明霞.Sea WiES和M O DIS叶绿素浓度数据及其融合数据的全球可利用率［J］.中国海洋大学学报,2006,36（2）:321 - 326 . Qu Liqin,Guan Lei,He Mingxia . The globalavailabilities of Sea WiES,M O DIS and M erged Chlo rophylla Data［J］.Periodical of Ocean U niversity of China,2006,36（2）:321 - 326 .

［8］ M aritorena S,D'Andon O H E,M angin A,et al. M erged satellite ocean color data products using a bio-optical model:Characteristics,benefits and issues［J］. Remote Sensing of Environ ment,2010,114（8）:1791 - 1804 .

［9］ Guan L,Kawamura H . M erging satellite infrared and microwave ssts:methodology and evaluation of the new sst［J］.Journal of Oceanography, 2004,60:905 - 912 .

［10］ Traon P Y L,Nadal E,Ducet N . An improved mapping method of multisatellite altimeter data［J］.Journal of Atmospheric & Oceanic Technology, 1998,15（2）:522 - 534 .

［11］ Oceancolor . The A merican Service for Ocean Colour［O L］.http://oceancolor .gsfc .nasa .gov/

［12］ SeaB ASS .Sea WiES Bio-optical Archive and Storage System［O L］.http://seabass .gsfc .nasa .gov/.s

［13］ 童进军,邱康睦,李小文,等.利用E OS/M O DIS交叉定标E Y1 D/VIR R可见光-近红外通道［J］.遥感学报,2005,9（4）:349 - 356 . Tong Jinjun,Qiu Kangmu,Li Xiaowen,et al. Radiometric cross-calibration of the E Y1 D/VIR R and E OS/M O DIS in the visible and near-infrared spectral bands［J］.Journal of Remote Sensing,2005,9（4）:349 - 356 .

［14］ Eargion G S,McClain C R . M O DIS validation,data merger and other activities accomplished by SIM BIOS project:2002 - 2003［R］//N ASA Tech M emo . M aryland,2003:76 .

［15］ 徐磊,马灵玲,胡坚,等.基于Terra/M O DIS数据的HJ-1B/CC D1交叉定标方法研究［J］.遥感信息,2011（2）:26 - 31 . Xu Lei,M a Lingling,H u Jian,et al.Cross-calibration of HJ-1B/CC D1 Against Terra/M O DIS［J］. Remote Sensing Information,2011（2）:26 - 31 .

［16］ Campbell J W . Thelognormal distribution as a modelfor bio-optical variabilityin the sea［J］.Journal Geophysics Research,1995,100（C7）:13237 - 13254 .

［17］ Carter E,Robinson A . Analysis M odelsforthe Estimation of Oceanic Eields［J］.Journal of Atmospheric & Oceanic Technology,1987,4（1）:49 -74 .

中图分类号:T P79

文献标志码:A

文章编号:0253-4193（2016）03-0082-06

收稿日期:2015-04-01；

修订日期:2015-07-15。

基金项目:国家国际科技合作专项资助（2011 DE A22260）；国家基金委——山东省联合基金项目“海洋环境动力学和数值模拟”（U1406404）,高分专项。

作者简介:施英妮（1979—）,女,山东省烟台市人,博士研究生,工程师,主要从事海洋遥感应用研究。E-mail:nini0303 @ 163 .com

施英妮,张亭禄,石立坚,等.基于客观分析的多源卫星叶绿素a浓度产品融合方法研究［J］.海洋学报,2016,38（3）:82 - 87,doi: 10.3969/j.issn .0253-4193.2016.03.008

Shi Yingni,Zhang Tinglu,Shi Lijian,et al.Objective analysis for merging multisensory chlorophylla data［J］. Haiyang Xuebao,2016,38 （3）:82 - 87,doi:10.3969/j.issn .0253-4193.2016.03.008

Objective analysis for merging multisensory chlorophyll a data

Shi Yingni1,2,Zhang Tinglu1,Shi Lijian3,4,H u Xiaohua2,Nan Mingxing5
（1 .Collegeof Information Science & Engineering,Ocean University of China,Qingdao 266100,China；2 . Mailbox NO 5111,Beijing 100094,China；3 . NationalSatellite Ocean Application Service,Beijing 100081,China；4 . Key Laboratory of Space Ocean Remote Sensing and Application,State Oceanic Administration,Beijing 100081,China；5 . Mailbox NO 2433,Beijing 100081,China）

Abstract:In this paper,the objective analysis method is studied to merge the daily chlorophylla concentration products over the northwest Pacific from three ocean color sensors:M oderate Resolution Imaging Spectroradiometer （M O DIS）on the Aqua platform,M O DIS on the Terra platform and the M ediu m Resolution Imaging Spectrometer （M E RIS）on the E N VISAT platform . The objective analysis method is evaluated from the spatial coverage ratio and the accuracy of the merged result. The evaluation result showed that the spatial coverage of objective analysis method products is much larger than that of the single sensor products and the GS M merged products . Through validation with thein-situ data during periodsfrom 2002 to 2012,the matched data ofthe GS M merged data and the Objective Analysis method merged datais 578 and 1 432,respectively . The correlation coefficient and the root mean square error（R M SE）ofthe GS M merged data are - 0.20 mg/m3and 0.37 mg/m3. The same evaluation parameters of objective analysis are - 0.21 mg/m3and 0.36 mg/m3. The results show thatthe objective analysisis an effective method for merging chlorophyll a data and the product of this method has the similar accuracy with other products and higher spatial coverage ratio .

Key words:objective analysis method；data merge；chlorophyll a concentration；spatial coverage；validation