基于AMSR2微波辐射计的近海面气温反演算法研究

郭 黎,盛 辉,王 进,赵怀松

(1.中国石油大学(华东),山东青岛266580;2.国家海洋局第一海洋研究所,山东青岛266061; 3.青岛大学,山东青岛266071)

基于AMSR2微波辐射计的近海面气温反演算法研究

郭 黎1,2,盛 辉1*,王 进2,3,赵怀松3

(1.中国石油大学(华东),山东青岛266580;2.国家海洋局第一海洋研究所,山东青岛266061; 3.青岛大学,山东青岛266071)

基于多元线性回归方法,利用2013-01-06的AMSR2辐射计亮温数据和红外-微波融合SST数据产品,开展了近海面气温反演算法研究,并用TAO,RAMA和PIRATA等浮标实测数据对近海面气温的反演结果进行检验。近海面气温反演结果误差情况:均方根误差为0.66℃,偏差为0.02℃,相关系数R为0.91,该误差结果表明所建立近海面气温反演算法较好的反映在60°S～60°N纬度范围内的近海面气温分布情况;同时为进一步确定不同纬度近海面气温反演的误差分布,将近海面气温反演结果与ECMWF再分析数据进行了对比分析,结果表明,从赤道起算,纬度每升高或降低1°,反演均方根误差约增大0.1℃。

AMSR2;近海面气温;多元回归;SST

近海面气温与海气相互作用密切,是海洋、气象等模型中的一个非常重要的海面气象输入因子[1]。目前近海面气温的现场观测主要依赖于TAO等系留浮标阵列的实测数据,这些浮标阵列主要集中于低纬度海域,难以获取长时间、大面积的观测资料。基于星载平台的被动微波遥感技术具有全天时全天候工作、周期短、宽覆盖等优势,且能提供多频段多极化信息,可以实现对近海面气温的全球监测。

自20世纪70年代起,国内外学者开展了大量利用星载微波辐射计反演海气参量信息的研究工作。目前除近海面气温以外的其他海气参量,如海表温度、海表盐度、海表风速和风向、大气水汽和云液态水含量、雨率等,开展了大量研究,且已提供业务化数据产品[2-4]。但是针对近海面气温的反演研究目前尚没有成熟的反演算法,各星载微波辐射计也不提供近海面气温的数据产品。本文基于AMSR2数据开展近海面气温反演算法研究。

目前在反演海气参量中,较为常用的方法为统计方法。统计方法主要包括多元线性回归方法、神经网络方法和遗传算法等。多元线性回归方法是星载微波辐射计大气-海洋参数反演常见的业务化算法。Liu等利用无线电探空仪所获取的可降水资料,建立比湿和可降水量之间的关系,边界层热力学公式为其提供理论基础[5]。Konda等基于块体动力学公式,建立了近海面气温与海面温度、风速和近海面比湿之间的关系,其近海面气温的反演精度为(±1.2)℃[6]。Liu利用SSM/I和GMS-5数据,基于Konda的算法,提出统计回归方法,反演近海面气温,由实测数据检验,均方根误差为1.46℃[7]。Jackson等[8],He等[9]和伍玉梅等[10]利用线性回归方法,基于星载微波辐射计数据反演近海面气温,均方根误差为0.74～1.53℃。Jones等[11], Singh等[12],Roberts等[13]和吴新荣等[14]利用神经网络方法对近海面气温进行反演研究,得到均方根误差为0.72～1.3℃。遗传算法是一种自适应全局优化概率搜索算法。Singh等[12]利用遗传算法,基于SSM/I月平均数据产品、AVHRR海面温度产品反演近海面气温,实时资料均方根误差为1.4℃,月平均资料均方根误差为0.74℃[15]。王丽静等[16]利用遗传算法,基于AMSR-E数据反演了近海面气温,均方根误差为1.18℃。

(王 燕 编辑)

目前对于2012-05入轨的AMSR2星载微波辐射计尚没有近海面气温反演算法。多元线性回归方法是星载微波辐射计海气参数反演中的常规化算法,同时也是一种快速而有效的算法。故本文基于AMSR2的亮温数据,利用多元线性回归方法进行全球近海面气温反演研究,为近海面气温业务化产品的应用提供了基础。

1 数据与预处理

1.1 数据介绍

本文使用的数据包括:2013-01—06的AMSR2亮温观测资料、TAO浮标数据和红外-微波融合的SST产品。

AMSR2亮温观测资料来自JAXA(Japan Aerospace Exploration Agency)官方网站。AMSR2是装载于GCOM-W1卫星,于2012-05由JAXA发射的星载微波辐射计,用于接替2011-10停止运行的AMSR-E微波辐射计。AMSR2升轨于每天地方时间下午1:30过境,降轨于每天地方时上午1:30过境,它的轨道高度为700 km,保证了低轨道地球观测的基本需求。AMSR2的观测通道分布于6.9～89 GHz,共有7个频率,每个频率对应水平(H)和垂直极化(V)两种方式,共14个观测通道。图1为AMSR2 2013-01-01 22V通道在60°S～60°N之间的亮温分布。表1显示了AMSR2的基本参数。

图1 AMSR2 22V通道亮温分布Fig.1 The brightness temperature distribution of AMSR2 22 V channel

表1 AMSR2的基本参数Table 1 The basic parameters of AMSR2

TAO/TRITON浮标阵列,主要为监测、预测厄尔尼诺与拉尼娜现象提供实测气象数据。TAO浮标阵列分布范围为95°W～137°E,10°S～10°N,可测量包括近海面气温、海温、相对湿度、海面风速在内的多项参数。该数据集所测海面气温范围14～32℃、精度、具有较高的时空分辨率,常用于热带地区海表参数反演结果的校验[17]。本文所使用的25个TAO浮标,其分布图如图2a所示。

SST数据产品是由RSS提供的红外(Terra MODIS, Aqua MODIS)-微波(TMI,AMSR-E,AMSR2,WindSat)融合产品,该产品是空间分辨率为9 km×9 km的日均数据。此产品既具有微波数据穿云透雾的特性,又具有红外数据高分辨率的特性。数据存储为NetCDF格式,其中数据填充值的含义分别是:0～250代表正常的SST观测值;252代表海冰;254代表缺少数据;255代表陆地区域。图2b为SST产品示例图。

图2 TAO浮标分布图和SST数据示例图Fig.2 The distribution of TAO buoys and SST data

欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)再分析数据采用数据集ERA-interim是从1979年开始至今的大气再分析数据集并持续更新。本文所用数据为全球0.25°×0.25°,每天提供0UTC,6UTC,12UTC和18UTC四次气温数据,用于近海面气温反演算法和结果的检验。

1.2 数据预处理

在建立算法之前,有必要对AMSR2亮温数据进行基本的质量控制。本文利用海陆标记对海洋和陆地区域进行判断,以避免陆地对海洋的污染,进而影响近海面气温的反演精度。AMSR2每一频率亮温数据均有与其相对应的海陆标记,选取对应海陆标记为0(0代表海洋)的点即可满足条件。此外还应剔除异常亮温值,根据亮温直方图统计结果,本文确定有效亮温范围为70～240 K。利用质量控制后的观测数据与浮标实测数据进行匹配,匹配的时空窗口为60 min和0.5°,对匹配后的数据集加入SST数据产品,空间上采用最邻近插值法,时间上采用日期相同,获得有效匹配数据39 908组。

2 结果与讨论

2.1 相关性分析

由于89 GHz通道亮温的地面足印与其他通道差别较大,且该通道受气候条件影响明显,因此本文建立的反演算法中没有选用89 GHz通道。为了评估近海面气温对AMSR2各通道亮温的影响,本文对AMSR2的各通道亮温数据与近海面气温的相关性进行了分析,各通道亮温与近海面气温的相关系数如表2所示,各通道相关性均不大于0.33,而SST与近海面气温相关性则为0.82,这一结果同伍玉梅的结果一致[18]。所以将SST作为算法的输入量之一。SST融合产品中AMSR2只是数据源之一,可认为SST有一定的独立性。

表2 AMSR2各通道亮温与近海面气温相关系数RTable 2 The correlation coefficient between brightness temperatures of AMSR2 and near sea surface air temperature

3.2 海面气温反演算法

多元统计回归方法利用微波辐射计多个通道亮温数据的线性组合反演海气参量。这种方法假定近海面气温等海洋参数与辐射计各个通道亮温数据之间存在着一定的线性关系,将质量控制、时空匹配后的亮温数据与浮标数据或再分析数据等统计回归,得到一组或数组系数,从而进行近海面气温的反演。

本文选用多元线性回归算法反演近海面气温,其基本形式如下:

式中,P为近海面气温;j代表辐射计通道;aj代表第j通道的反演系数;Tbj代表第j通道的亮温;在这里均为线性函数,即

本研究匹配数据共39 908条,随机选取其中20 000条数据建立算法,其余数据则用来检验算法精度。反演系数如表3所示,常数项a0为0.70。

表3 反演系数Table 3 The inversion coefficient

3.3 算法精度检验

根据反演系数进行精度检验,浮标实测值与微波辐射计反演值的比较如图3a所示。结果表明,近海面气温反演的偏差为0.02℃,均方根误差为0.66℃,相关系数R为0.91。图3b显示误差直方图,可以看出,误差主要集中于-1～1℃。本文在近海面气温实测21～30℃范围内,按1℃间隔统计了近海面气温反演平均偏差和均方根误差,如图4a和图4b所示,结果表明在25℃以上的区域反演误差较小,偏差约0.1～0.2℃,均方根误差一般在0.5℃左右;在25℃以下区域反演误差有增大的趋势。

图3 海面气温反演值与浮标实测值的比较和误差直方图Fig.3 The comparison between inversed of sea surface air temperature and buoy measured values and the error histogram

图4 近海面气温实测数据1℃间隔统计偏差与均方根误差Fig.4 The bias and root mean square error of retrieved sea surface air temperature by 1℃interval

由于浮标数据无法反映反演算法在中纬度海域的精度,本文又在60°S～60°N区域,将反演结果与ECMWF再分析数据进行了比较分析,并按照3°纬度间隔统计其比较分析误差,如图5所示。图中可见,本文反演结果在低纬度海域与ECMWF吻合良好,偏差在1℃左右,均方根误差约1℃;随着纬度的升高,反演精度明显下降,纬度每升高1°,偏差约增大0.1℃,均方根误差约增大0.08℃。造成反演精度下降的原因是,反演算法所使用的TAO浮标数据分布30°S～30°N内的低纬度海域,缺少中纬度海域的数据。

图5 3°纬度间隔统计偏差和均方根误差Fig.5 The bias and root mean square error by 3°latitude interval

3 结 语

基于AMSR2亮温数据,发展了一种海面气温的反演算法,并进行了检验。主要结论如下:

1)基于多元线性回归算法,利用AMSR2数据和SST产品反演近海面气温,得到反演结果为均方根误差为0.66℃,偏差为0.019℃,相关系数为0.91。

2)在60°S～60°N之间,将反演结果与再分析数据进行比较,发现在低纬度海域的反演误差优于中纬度海域。纬度每升高1°,反演误差约增大0.1℃。这是因为TAO浮标数据分布在赤道附近,没有中纬度数据集所致。

[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.齐述华,王军邦,张庆员,等.利用MODIS遥感影像获取近地层气温的方法研究[J].遥感学报,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.王进,张杰,王晶.基于Argo浮标数据的星载微波辐射计Aquarius数据产品质量评估[J].海洋学报,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,何宜军,孟雷.利用卫星资料反演月平均近海面气温和湿度[J].海洋与湖沼,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.吴新荣,韩桂军,张学峰,等.人工神经网络在南海近海面气温反演中的应用研究[J].热带海洋学报,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.王丽静,何宜军,张彪.利用遗传算法反演实时近海面气温和比湿[J].海洋科学,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,申辉,张胜茂,等.AMSR-E辐射计反演南大洋实时海面气温[J].遥感学报, 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

国家高技术研究发展计划项目——全球变化海洋特征参量遥感数据产品生成技术与应用(2013AA122803)

郭 黎(1990-),女,山东济宁人,硕士研究生,主要从事海洋遥感应用方面研究.E-mail:guozi1990@163.com

*通讯作者:盛 辉(1972-),男,山东定陶人,副教授,主要从事摄影测量与遥感应用方面研究.E-mail:hui_sh@163.com

Received:January 11,2016