西北太平洋海表温度融合产品交叉比对分析

奚萌,宋清涛,2,李文君,邹斌,2,林明森,2*

西北太平洋海表温度融合产品交叉比对分析

奚萌1,宋清涛1,2,李文君3,邹斌1,2,林明森1,2*

(1.国家卫星海洋应用中心,北京100081;2.国家海洋局空间海洋遥感与应用研究重点实验室,北京100081;3.国家海洋环境监测中心,辽宁 大连116023)

海表温度产品是研究全球海洋大气系统的重要数据源,在海洋相关领域的研究和应用方面具有重要价值。以西北太平洋海域为研究区域,本文对2007-2014年的3个海表温度融合数据(AVHRR OISST,MISST和OSTIA)的产品特性与Argo浮标进行了真实性检验,并对融合产品进行了交叉比对分析。结果表明,3个融合产品在空间尺度上均能反映西北太平洋海域的海表温度变化趋势。融合数据与Argo浮标的平均偏差在±0.1℃之间,均方根误差小于0.9℃。融合数据与浮标数据存在明显的季节性变化,其中冬季融合数据与浮标数据的平均偏差和均方根误差较小。在高纬海域,融合产品和浮标存在正偏差。与另两个融合产品相比,OSTIA的数据质量与Argo浮标最为接近。3个融合产品在近岸和高纬海域差异较大,三者对海冰的标识和处理方式不同对融合结果也有影响。在2012年6月之前MISST和OSTIA的海表温度数据质量更为接近,但在此之后MISST存在系统误差。红外数据、微波数据和实测数据作为输入数据,是制作高时空分辨率高精度海表温度融合产品必不可少的要素。

海表温度;融合产品;Argo数据;西北太平洋;统计分析

1 引言

海表温度(sea surface temperature,SST)作为海洋环境基础参量之一,其时空变化规律对分析海洋在气候系统和全球变化中的作用具有重要意义。目前获取海表温度有现场观测和卫星遥感两种方式。现场观测易受到海况、仪器、船只和人员等多种因素的制约,获取的数据量有限且时空覆盖范围小;而卫星遥感具有可实现大面积同步测量、获取速度快、更新周期短和信息量大等优势。卫星遥感探测分为热红外遥感和被动微波遥感:热红外遥感产品空间分辨率高达1.1 k m,但其空间覆盖率易受到天气条件制约;被动微波遥感产品可实现全天候观测,但空间分辨率低至25 k m且近岸海域易受陆地信号干扰无有效数据[1]。由此可见,为制作高时空分辨率和高精度的全天候近实时海表温度产品,需克服现场观测和单一卫星传感器获取数据存在的局限性和差异性,结合不同卫星传感器的特点,对数据进行有效融合。对现有融合产品进行比对分析是为发现现有产品存在的不足,探究改进方法。

近年来,国内外有许多学者对海表温度融合产品进行比对分析,如,Reynolds和Chelton[2]通过对不同空间分辨率融合产品的研究,发现在大梯度和观测数据稀少的区域里,融合产品之间的偏差甚至能达到5℃。Martin等[3]利用GMPE系统(GHRSST multiproduct ensemble)对海表温度融合产品数据与Argo浮标数据进行了比对分析,结果表明在全球范围大部分融合产品的平均偏差在0.02～0.04℃之间,标准偏差小于0.7℃,其中OSTIA的标准偏差甚至小于0.5℃。Dash等[4]介绍了基于网络平台的L4-SQUAM系统(the L4 SST Quality Monitor)并监测了13种海表温度融合产品的质量,最终发现由于各个融合产品有不同的处理方法,在高纬度海冰过渡地带往往存在大于2℃的差异。蒋兴伟等[5]展示了南大洋阿古拉斯回流与绕极环流交汇区域的6种不同融合产品(AVHRR OISST、AMSR+AVHRR OISST、NCODA、MISST、RTG-HR和 OSTIA),结果表明在红外数据覆盖率较好的情况下,微波数据不仅不能提供更多的海表温度信息,反而会降低产品的空间解析能力。胡晓悦等[6]利用Argo、Argos现场观测海表温度,对OSTIA、MISST、MWSST以及NGSST 4种融合产品在南海及其周边海域的适用性进行评估,发现它们在水深大于80 m的海区没有显著性差异,但彼此间的偏差会随水深变浅而增大,且产品偏差存在季节性差异。在前人研究的基础上,本文重点是对长时间序列融合产品的空间分布进行比对分析以便评定多源融合产品的优劣,同时也展示了西北太平洋海域分析结果的空间分布和差异。本文的工作可以为日后融合产品的质量控制和产品精度的提高提供重要的参考,同时也可以结合我国卫星辐射计海表温度数据和相关数据融合算法,为预报和应用等部门提供高时空分辨率、高精度的海表温度融合产品。

2 数据源及其介绍

全球海洋同化实验计划(Global Ocean Data Assi milation Experi ment,GODAE)专门成立了高分辨率遥感海表温度融合小组GHRSST-PP(the GODAE High-Resolution Sea Surface Temperature Pilot Project)[7],采用不同的数据源、融合算法和时空分辨率发布了很多海表温度融合产品。本文使用的数据源为3个融合产品海表温度数据(AVHRR OISST、MISST和OSTIA)和Argo浮标数据,研究时间范围为2007-2014年,研究区域范围为西北太平洋海域(0°～60°N,100°～160°E)。西北太平洋海域受副热带高压和季风系统影响台风高发,黑潮经该海域蜿蜒北上,气候和水动力环境复杂多变,是海表温度融合产品精度检验的理想海域。

2.1 AVHRR OISST

OISST产品是由Reynolds团队制作的逐日海表温度产品[8],包括AVHRR OISST和AVHRR+AMSR OISST两种融合产品,空间分辨率为25 k m,网格间距为(1/4)°。由于AMSR-E卫星天线故障,AVHRR+AMSR OISST产品从2011年10月5日起停止提供相应产品。AVHRR OISST仅使用AVHRR红外数据和实测数据,首先利用实测数据修正白天遥感数据产生的大尺度偏差,然后使用最优插值算法(Opti mum Interpolation,OI)计算生成融合产品。

AVHRR OISST所使用的插值算法是Reynolds OI算法的第二个版本,主要是在第一版的基础上增添了一些额外的时间平滑。时间平滑主要用来分析连续3天的遥感数据,分析的日期定义为3天时间段的中间1天,其中中间1天的数据权重高于其他两天。

2.2 MISST

MISST产品由RSS(Remote Sensing Systems)制作的全球每日平均海表温度产品,空间分辨率为9 k m,全球数据格点数为4 096×2 048。MISST是以最优插值算法为基础,并融合了能够穿透云层的微波数据和高空间分辨率的红外数据。其中,微波数据由TMI、AMSR-E(或AMSR-2)以及 WindSat提供,红外数据由Terra和Aqua上搭载的MODIS提供。

MISST产品通过时间平滑来确定连续3天的遥感观测数据中间1天的海表温度。所有的白天观测数据都由当地时间的风速进行调整校正[9]。值得一提的是,MISST并不像AVHRR OISST和OSTIA两个海表温度融合产品直接使用实测数据,因此MISST没有校正基本温度。但AMSR和TMI数据已经通过浮标数据进行了校正和验证,大尺度MODIS数据偏差也已通过AMSR数据调整校正。由于MISST在处理过程中没有对数据进行充分的平滑滤波,导致海表温度梯度分析结果会含有许多小尺度特征。

2.3 OSTIA

OSTIA是Met Office基于GHRSST-PP提供的数据发布的。OSTIA使用了AATSR数据、SEVIRI数据、AVHRR数据、AMSR数据、TMI数据和实测数据,其空间分辨率为5 k m,网格间距为(1/20)°[10]。为了消除白天海表升温带来的误差影响,所有输入的数据均滤除了白天风速小于6 m/s的观测值。所有卫星的海表温度数据均参考并结合AATSR数据和浮标实测数据进行调整。OSTIA目前可提供全球均方根误差小于0.6℃的近实时、高空间分辨率海表温度数据。OSTIA在本文研究时间范围内缺少2007年8月1日和2011年9月19日两天的海表温度融合产品数据。

2.4 Argo

Argo计划是旨在快速、准确的收集全球海洋上层的海水温度、盐度和海流等剖面资料,于1998年推出的全球海洋观测计划[11-12]。图1为2007-2014年在西北太平洋海域Argo浮标的观测点分布,这些观测点均经过质量控制并插值到(1/4)°空间分辨率的空间网格,共计100 185个观测数据,能够覆盖研究海域的66.57%,日本海南部海域和北太平洋副热带环流区西部海域观测频次较高,在南海南部、东海、黄海、渤海和鄂霍茨克海等海域获得的数据稀少。

图1 2007—2014年西北太平洋Argo浮标海表温度观测点数分布Fig.1 SST observation points distribution of Argo SST during 2007 to 2014 in the Northwest Pacific Ocean

3 研究方法

3.1 匹配方法

本文选取水深0～1 m范围内的Argo浮标数据,先剔除无质量标识或包含错误地理及时间信息的数据,并参考Marcello等[13]的做法对浮标数据进行了修订和剔除;再根据空间就近点原则,将其经纬度信息和时间信息逐日插值到空间分辨率为(1/4)°的均匀网格上,当一个网格点包含多个数据时,需进行算术平均后作为网格点观测值保留。由于浮标数据和融合数据的时间分辨率均为1 d,因此选取与融合产品在同一天内的同一网格点的浮标海表温度数据进行匹配。空间窗口的匹配参考Bailey和Werdell[14]的方法,具体如下:(1)以Argo浮标对应的网格点为中心,选取5×5的空间网格作为空间窗口匹配融合数据;(2)计算有效数据的均值X-和标准差σ,剔除X-±(1.5×σ)之外的数据,以减少较异常数据对均值计算的影响;(3)重新计算均值和标准差,并计算方差系数CV=标准差/均值,若CV≤0.15,则通过均匀性判识。

AVHRR OISST、MISST和OSTIA 3个融合产品的空间网格间距各不相同,首先对MISST和OSTIA进行插值,将3个融合产品的网格间距统一为(1/4)°,选取时间窗口为1 d后,再分别进行交叉匹配。

3.2 比对方法

本文对海表温度匹配点数据分别进行了平均偏差、绝对偏差、标准偏差和均方根误差的统计分析[15]。平均偏差bias计算公式为:

式中,S和I表示不同融合产品或Argo浮标的海表温度数据;Si表示第i个匹配点海表温度数据的大小;n表示匹配点海表温度数据总数,是两种数据的系统偏差之间差异程度的量度。

绝对偏差abs_bias计算公式为:

由于离差被绝对值化,不会出现正负抵消的情况,因此能更好的反映系统偏差的实际情况。

标准偏差std计算公式为:

标准偏差反映了观测的海表温度数据之间的偏差相对于其平均偏差的离散程度,标准偏差越大则海表温度数据的偏差分布越分散。

均方根误差r mse计算公式为:

对产品之间特大或特小误差非常敏感,能够很好的反映出观测结果的精密度。

4 结果与分析

4.1 融合产品海表温度数据分布

由于融合产品的海表温度数据均是全覆盖,因此3个融合产品与Argo浮标匹配点数量,以及融合产品之间的匹配点数量基本一致据,在高纬海域对海冰标识方式不同,造成了各个融合产品之间匹配点数量的差异。

图2和图3分别为2014年7月2日(夏季)和12月27日(冬季)3个融合产品的海表温度分布图和海表温度梯度分布图[16]。定性比较各个海表温度融合产品的单天海表温度分布和梯度分布,结果表明3个融合产品均能明确反映西北太平洋海域夏季和冬季单日的海表温度变化趋势且比较一致,研究海域的温度梯度变化冬季比夏季更明显。

MISST融合产品由于在数据处理过程中缺少必要的中值滤波,相对于AVHRR OISST和OSTIA的海表温度梯度分布,MISST的噪音更为明显。在鄂霍茨克海西北部海域,相对于图2d和图2f,图2b显示的AVHRR OISST海表温度偏高;图3d比图3b和图3f中海冰边缘的海表温度梯度值明显偏高,原因主要是不同产品在数据融合过程中对海冰的处理方式不同,这与Dush等[4]研究得到的现象一致。为减少海冰对融合数据的影响,在今后的融合算法中可以选取更丰富的数据源作为输入数据以便增加观测数据的覆盖率,或者增加对高纬海域海表温度数据的质量控制并对海冰单独进行标识认定。

4.2 融合产品与实测海表温度数据比对结果

表1至表3为3个融合产品分别与Argo浮标匹配点海表温度的统计分析结果,包括匹配点数量、平均偏差、绝对偏差、标准偏差和均方根误差。AVHRR OISST与Argo浮标存在-0.01℃的负偏差,MISST与Argo浮标存在-0.04℃的负偏差,OSTIA与Argo浮标存在0.04℃的正偏差。表1和表3表明,AVHRR OISST和OSTIA两种融合产品与Argo浮标比对结果较为稳定,平均偏差均没有年际变化;但MISST与Argo浮标比对结果并不稳定(表2),2012年以前都为正偏差,2012-2014年呈负偏差并逐年增大,说明在2012年以后MISST存在一定的系统误差,可能是MISST中新引入的AMSR-2数据造成的。AVHRR OISST、MISST、OSTIA与Argo浮标的绝对偏差分别为0.49℃、0.45℃和0.44℃;AVHRR OISST、MISST、OSTIA与Argo浮标的标准偏差分别为0.76℃、0.69℃和0.71℃;AVHRR OISST、MISST、OSTIA与Argo浮标的均方根误差分别为0.76℃、0.69℃和0.71℃。本文统计分析结果与Martin等[3]分析结果基本一致,但研究区域融合数据比对分析结果略差于全球数据。绝对偏差、标准偏差和均方根误差结果均表明MISST和OSTIA略优于AVHRR OISST,说明微波传感器提供的微波数据能够有效提高了海表温度融合数据的产品质量。与奚萌等[15-16]研究内容相比较发现,融合产品与Argo的统计分析结果介于两种传感器反演海表温度的统计分析结果之间,优于微波辐射计,略差于红外辐射计。这说明融合产品通过多源数据的输入、融合算法的时空平滑处理有效提高了覆盖率,并没有降低产品的精度,但也不会明显改善产品质量。

3个融合产品与Argo浮标匹配点的统计分析结果逐月演变如图4所示,变化曲线基本一致,数据质量相对稳定;OSTIA与Argo浮标的正偏差更为明显;AVHRR OISST的平均偏差更接近Argo观测结果;自2012年6月之后,MISST与Argo浮标存在明显的负偏差且波动较大,说明产品存在系统误差需要校正,但由于MISST缺乏实测数据所以无法对遥感数据的大尺度偏差进行校正,因此这也显示出实测数据作为输入数据在融合产品中起到的重要作用。相对于Argo浮标,3个融合产品的海表温度都存在明显的季节性变化,平均偏差均是夏季为正、冬季为负,夏季的标准偏差和均方根误差略大于冬季的结果,与微波辐射计[15]和红外辐射计[16]检验结果一致。标准偏差和均方根误差逐月演变结果显示,在绝大部分月份MISST和OSTIA略好于AVHRR OISST,尤其在夏季差别表现的更为明显。这是因为在夏季多云区域红外数据会大量缺失,使用了微波数据的MISST和OSTIA可以改善融合产品的质量,也进一步说明不同季节中云覆盖率的变化对AVHRR OISST融合产品的质量有显著影响。因此,当红外传感器无法提供有效数据时,微波传感器提供的海表温度数据是一种重要补充。2011年4-7月3种融合产品的平均偏差、标准偏差和均方根误差明显高于其他年份的同时段。通过对3个融合产品与Argo浮标的统计结果进行的比对分析可以看出,红外数据、微波数据和实测数据在融合产品中都起到了必不可少的作用,因此,相比于AVHRR OISST和MISST的数据质量,使用了这3类数据的OSTIA数据质量与Argo数据更为接近。

表1 AVHRR OISST与Argo浮标海表温度匹配点统计分析结果Tab.1 SST statistical analysis of matching points bet ween AVHRR OISST and Argo

表2 MISST与Argo浮标海表温度匹配点统计分析结果Tab.2 SST statistical analysis of matching points bet ween MISST and Argo

表3 OSTIA与Argo浮标海表温度匹配点统计分析结果Tab.3 SST statistical analysis of matching points bet ween OSTIA and Argo

图2 融合产品单天海表温度分布Fig.2 Daily SST distribution of merging productsa.2014年7月2日AVHRR OISST;b.2014年12月27日AVHRR OISST;c.2014年7月2日MISST;d.2014年12月27日MISST;e.2014年7月2日OSTIA;f.2014年12月27日OSTIAa.AVHRR OISSTfor 2 July 2014;b.AVHRR OISSTfor 27 December 2014;c.MISSTfor 2 July 2014;d.MISSTfor 27 December 2014;e.OSTIA for 2 July 2014;f.OSTIA for 27 December 2014

图3 融合产品单天海表温度梯度分布Fig.3 Daily SST gradient distribution of merging productsa.2014年7月2日AVHRR OISST;b.2014年12月27日AVHRR OISST;c.2014年7月2日MISST;d.2014年12月27日MISST;e.2014年7月2日OSTIA;f.2014年12月27日OSTIAa.AVHRR OISSTfor 2 July 2014;b.AVHRR OISSTfor 27 December 2014;c.MISSTfor 2 July 2014;d.MISSTfor 27 December 2014;e.OSTIA for 2 July 2014;f.OSTIA for 27 December 2014

图4 2007—2014年融合产品与Argo浮标海表温度匹配点统计分析结果逐月演变Fig.4 Monthly SST statistical analysis of matching points among merging products and Argo during 2007 to 2014,respectivelya.平均偏差;b.标准偏差;c.均方根误差a.Bias;b.standard deviation;c.root mean square error

图5 2007—2014年融合产品与Argo浮标海表温度匹配点误差棒分析Fig.5 SST error bar analysis of matching points among merging products and Argo during 2007 to 2014a.AVHRR OISST与Argo;b.MISST与Argo;c.OSTIA与Argoa.AVHRR OISST and Argo;b.MISST and Argo;c.OSTIA and Argo

图5 为海表温度误差棒分析结果,展示的是在1℃温度区间内融合产品与Argo浮标的匹配点个数、平均偏差和标准偏差。在低温区域(小于16℃),3种融合产品均与Argo浮标存在正偏差(大于0.1℃),且随着温度的降低偏差有增大的趋势,标准偏差也均大于1℃。这部分匹配点主要集中在高纬海域(35°N以北),只占匹配点总数的14.1%,与微波辐射计反演的海表温度结果在高纬海域得到的结论相似[15],与红外辐射计反演的海表温度结果略有不同[16],这说明输入数据精度对融合产品精度有直接影响,在高纬海域红外数据观测点稀少,融合产品受微波数据影响较大。如果希望在低温或多云区域内得到高质量的融合产品,一方面需要改进微波辐射计反演产品的质量,另一方面应增加红外数据在融合过程中的权重系数。3个融合产品与Argo浮标匹配点主要分布在17～31℃的温度区间,占匹配点总数的85.7%,最为集中的27～30℃占匹配点总数的43.4%。在16～30℃温度区间,融合产品与Argo浮标的平均偏差比较一致(±0.1℃之间)。在25～32℃温度区间,AVHRR OISST与Argo浮标的标准偏差小于0.7℃,占匹配点总数的58.1%;在27～32℃温度区间,AVHRR OISST与Argo浮标的标准偏差小于0.5℃,占匹配点总数的47.4%。在23～32℃温度区间,MISST与Argo浮标的标准偏差小于0.7℃,占匹配点总数的66.5%;在27～32℃温度区间,MISST与Argo浮标的标准偏差小于0.5℃,占匹配点总数的47.4%。在23～32℃温度区间,OSTIA与Argo浮标的标准偏差小于0.7℃,占匹配点总数的66.5%;在26～32℃温度区间,OSTIA与Argo浮标的标准偏差小于0.5℃,占匹配点总数的53.2%。相对于AVHRR OISST和MISST,在相同的标准偏差范围内,OSTIA有更宽广的温度区间。但总体上看,3种融合数据与浮标数据的偏差程度和离散程度均较小,数据质量可靠。在高温区域(大于30℃),3个融合产品与Argo浮标都存在负偏差(小于-0.1℃),且随着温度升高偏差增大;匹配点稀少,只占匹配点总数的4.0%。相比于MISST和OSTIA,AVHRR OISST与Argo浮标数据质量差异更大。

造成海表温度融合产品与浮标偏差的原因主要有以下几方面:(1)Argo浮标数据测得是水下1 m的水体温度,而融合产品的海表温度是结合了观测水下1μm的红外数据和1 mm的微波数据计算而成,尽管对Argo浮标数据进行了质量校正,但由于观测深度不同仍会产生偏差[17];(2)西北太平洋海域海洋表层和次表层的温度差异存在明显的季节变化,皮温与体温的差异在冬季比夏季更小,海表温度垂直结构的季节变化也是融合数据和浮标数据产生偏差的原因;(3)Argo浮标数据是指时间窗口内的瞬时温度,而融合产品是按不同融合算法、时空尺度和质量控制流程计算的日平均海表温度,这必然会影响检验精度;(4)Argo浮标数据是(1/4)°的观测网格内所有单点观测的海表温度平均值,而融合产品海表温度是网格化结果,即(1/4)°的观测网格内观测海表温度的平均值。在海表温度梯度变化较大的区域,融合数据与浮标数据差异值会更大。由于西北太平洋海域有黑潮经过,会产生诸多涡旋和锋面,所以该海域海表温度时空变化相对剧烈。

4.3 融合产品海表温度数据交叉比对结果

表4至表6分别为2007-2014年MISST与AVHRR OISST、OSTIA与 AVHRR OISST、MISST与OSTIA的海表温度数据匹配点统计分析结果;图6、图7、图9和图10分别为MISST与AVHRR OISST、OSTIA与AVHRR OISST、OSTIA与 MISST的平均偏差分布、均方根误差分布、统计分析结果逐月演变和海表温度误差棒分析结果;图8为2012年9月30日至10月13日AVHRR OISST的异常点海表温度分布图;图11为2007-2014年异常值海表温度观测点分布。

表4 MISST与AVHRR OISST海表温度匹配点统计分析结果Tab.4 SSTstatistical analysis of matching points bet ween MISST and AVHRR OISST

表5 OSTIA与AVHRR OISST海表温度匹配点统计分析结果Tab.5 SST statistical analysis of matching points bet ween OSTIA and AVHRR OISST

表6 MISST与OSTIA海表温度匹配点统计分析结果Tab.6 SST statistical analysis of matching points bet ween MISST and OSTIA

图6 2007—2014年融合产品海表温度匹配点平均偏差分布Fig.6 SST bias distribution of matching points among merging products during 2007 to 2014,respectivelya.MISST与AVHRR OISST;b.OSTIA与AVHRR OISST;c.MISST与OSTIAa.MISST and AVHRR OISST;b.OSTIA and AVHRR OISST;c.MISST and OSTIA

图7 2007—2014年融合产品海表温度数据匹配点均方根误差分布Fig.7 SST root mean square error distribution of matching points among merging products during 2007 to 2014,respectivelya.MISST与AVHRR OISST;b.OSTIA与AVHRR OISST;c.MISST与OSTIAa.MISST and AVHRR OISST;b.OSTIA and AVHRR OISST;c.MISST and OSTIA

图8 2012年9月30日至10月13日AVHRR OISST异常点海表温度分布Fig.8 Abnor mal SST distribution of AVHRR OISST during 30 September 2012 to 13 October 2012

由图6和图7所示,近岸海区水汽、气溶胶等复杂的大气条件,泥沙悬浮物含量较高的水体,以及上升流、波浪破碎等诸多海洋动力因素,都会对卫星传感器接收到的海面辐射产生影响从而给遥感反演海表温度的准确性带来一定误差,进而导致融合产品之间近岸数据差异较大,数据质量较差。这一分析结果与Xie等[18]的研究结果一致,他们认为在水深小于80 m的东海陆架海域,产品之间的偏差会随水深的减小而迅速增大,并且在水深40 m和80 m存在两个较大斜率的拐点,因此大于80 m的海域海表温度融合产品可独立使用,但在近岸则需进一步修正。在高纬海域尤其是鄂霍茨克海海域,由于AVHRR OISST没有使用微波数据作为输入数据,其输入数据覆盖率远低于其他两个融合产品从而导致海表温度偏高。因此在高纬海域AVHRR OISST与MISST、OSTIA的平均偏差比对结果会出现负偏差,均方根误差也远远大于低纬海域。

在融合算法中[19],空间网格点上的分析值是由网格点的背景场值(又称为预报值)加上修订值而确定的,背景场值是前一天融合产品的分析值,其修订值由相关半径内各观测点的观测值与背景场值的偏差加权求得,其权重系数(即最优插值系数)不是任意选择的,应该使得网格点分析值的误差达到最小。公式如下:

式中,νam代表变量在空间网格点上的分析值;νem代表变量在空间网格点上的背景场值;K为权重系数;νos代表变量在观测点的观测值;νes代表变量在观测点的背景场值。

当受到云覆盖和气溶胶的影响时,红外数据会得到异常观测值。若通过质量控制没有删除该异常观测值,而继续将其作为正常值引入到融合算法中进行计算,则会导致融合产品的此分析点结果异常。如果第1天的融合结果异常,但第2天该区域得到正常观测值时,融合产品会通过计算观测增量修正背景场异常值,最终会得到第2天的正确值。但若该区域在第2天没有获得新的观测值时,只能选用分析点相关半径内的其他观测值来计算分析点的增量,即使这些观测值正常,但在引入到融合算法时仍然无法消除和修正已经存在的异常值,直到分析点有新的正确观测值出现才会得到正确的融合结果。图7a和7b中10°N,150°E存在异常值(图内红圈所示),图7c在该海域却不存在异常值,这是由于2012年9月29日AVHRR OISST融合产品的受到17号“杰拉华”台风的影响,输入数据AVHRR在该海域产生了异常,之后又一直受到云覆盖没有新的观测数据,直至10月13日获得新的观测值才完全修正了9月29日产生的异常值,如图8所示。MISST和OSTIA由于有微波数据作为输入数据和不同的质量控制方法,因而避免了异常值的出现。

由图9所示,比较 MISST与AVHRR OISST、OSTIA与AVHRR OISST、MISST与OSTIA的数据匹配点逐月演变统计分析结果。2012年6月之后MISST融合结果出现明显负偏差,其他月份之间平均偏差不超过±0.3℃,AVHRR OISST、OSTIA在整个研究时间范围内数据质量一直保持稳定(图9a)。从图9b标准偏差的逐月演变过程可以看出,MISST与OSTIA的离散程度最小,MISST与AVHRR OISST的离散程度最大;也就是说MISST与OSTIA产品质量更为接近,MISST与AVHRR OISST产品差异更大。将图9与图2比对发现,融合产品之间比对的标准偏差和均方根误差均小于与Argo浮标比对的结果。在3个融合产品与Argo浮标比对时出现的季节变化,却没有出现在3个融合产品的比对过程中,从而可以说明3个融合产品没有因为海表温度的季节变化产生质量差异。

图9 2007—2014年融合产品海表温度匹配点统计分析结果逐月演变Fig.9 Monthly SST statistical analysis of matching points among merging products during 2007 to 2014,respectivelya.平均偏差;b.标准偏差;c.均方根误差a.Bias;b.standard deviation;c.root mean square error

图10 2007-2014年融合产品海表温度匹配点误差棒分析Fig.10 SST error bar analysis of matching points among merging products during 2007 to 2014,respectivelya.MISST与AVHRR OISST;b.OSTIA与AVHRR OISST;c.MISST与OSTIAa.MISST and AVHRR OISST;b.OSTIA and AVHRR OISST;c.MISST and OSTIA

图11 2007—2014年AVHRR OISST异常值海表温度观测点分布Fig.11 Abnor mal SST observation points distribution of AVHRR OISST during 2007 to 2014

由图10所示,3种融合产品之间的匹配点均主要分布在18～31℃的温度区间,占匹配点总数的78.6%。其中27～30℃的匹配点占总数的47.8%。在低温区域(小于6℃)MISST和OSTIA都与AVHRR OISST存在小于-0.1℃的负偏差,而MISST与OSTIA之间却没有出现这种情况。说明微波辐射计作为输入数据修订了高纬海域这部分数据负偏差。将图10与图3比对可以看出,MISST和OSTIA与Argo浮标数据依然存在偏差,只是相比于AVHRR OISST有所改善。在10～30℃温度区间,3个融合产品之间的平均偏差较一致(±0.1℃之间)。在20～31℃温度区间,MISST与AVHRR OISST标准偏差小于0.7℃,占匹配点总数的73.5%;在28～31℃温度区间,MISST与AVHRR OISST标准偏差小于0.5℃,占匹配点总数的44.6%。在18～32℃温度区间,OSTIA与AVHRR OISST标准偏差小于0.7℃,占匹配点总数的77.2%;在25～31℃温度区间,OSTIA与AVHRR OISST标准偏差小于0.5℃,占匹配点总数的60.9%。在18～33℃温度区间,MISST与OSTIA标准偏差小于0.7℃,占匹配点总数的77.2%;在26～32℃温度区间,MISST与OSTIA标准偏差小于0.5℃,占匹配点总数的64.5%。说明在该温度区间内3种融合数据之间的偏差程度和离散程度都较小,数据质量可靠。

在图10a和10b中高于32℃且偏差大于1℃的匹配点共有2 683个,相对较稀少,不到匹配点总量的0.002 7%,MISST和OSTIA较AVHRR有明显负偏差(小于-1.0℃),从图11的观测点分布来看,主要分布在上文提到的2012年9月29日至10月12日在10°N,150°E的异常值处,南海东部海域也是由于类似异常值引入导致海表温度融合结果异常升高。

由以上融合产品之间交叉比对分析结果可以看出,与AVHRR OISST相比,MISST和OSTIA的海表温度数据质量更为接近。

5 结论

本文对西北太平洋海域2007-2014年的3个海表温度融合产品(AVHRR OISST,MISST和OSTIA)以及Argo浮标的产品特性进行了介绍,并进行了交叉比对分析。为了评估融合产品的特性,计算了研究区域的融合产品单天海表温度分布、单天海表温度梯度分布、Argo浮标的观测点数分布、统计分析结果逐月演变曲线、海表温度误差棒分析、以及融合产品之间的平均偏差分布和均方根误差分布。结果表明:

(1)3个融合产品在空间尺度上都能比较一致的反映西北太平洋海域的海表温度变化趋势。

(2)融合数据与Argo浮标的平均偏差在±0.1℃之间,均方根误差小于0.9℃。但是融合数据与浮标数据却存在季节性变化,从融合数据与浮标数据匹配点统计分析结果逐月演变曲线可以看出,融合数据与浮标数据冬季的平均偏差和均方根误差较小,夏季偏差较大。在高纬海域,融合产品与Argo浮标存在正偏差。相比于AVHRR OISST和MISST,OSTIA的数据质量与Argo浮标更接近。

(3)从2012年6月开始,MISST与Argo浮标、AVHRR OISST和OSTIA都存在偏差,使用时需要对其进行系统校正。相比AVHRR OISST和OSTIA,MISST也缺乏平滑处理,造成融合产品的温度梯度偏大,噪音偏多。

(4)从平均偏差分布和均方根误差分布可以看出,融合产品之间在近岸和高纬海域差异较大,需要进一步校正;对海冰的标识和处理也还需要改进。从整个比对分析过程可以看出,与AVHRR OISST相比,MISST和OSTIA的海表温度数据质量更为接近。

(5)作为融合产品的输入数据,红外数据可以提高产品的特征分辨率,丰富产品的细节特征;微波数据的引入可以改善空间覆盖率,弥补云对红外数据的影响,降低异常值出现的概率;实测数据可以校正海表温度大尺度偏差。因此为了制作高时空分辨率高精度的海表温度融合产品,红外数据、微波数据和实测数据都是必不可少的。

[1] 蒋兴伟,宋清涛.海洋卫星微波遥感技术发展现状与展望[J].科技导报,2010,28(3):105-111.Jiang Xingwei,Song Qingtao.Satellite microwave measurements of the global oceans and f uture missions[J].Science Guide,2010,28(3):105-111.

[2] Reynolds R W,Chelton DB.Comparisons of daily sea surfacetemperature analysesfor 2007-08[J].American Meteorological Society,2010,23:3545-3562.

[3] Martin M,Dash P,Ignatov A,et al.Group for High Resolution Sea Surface temperature(GHRSST)analysis fieldsinter-comparisons.Part 1:A GHRSST multi-product ensemble(GMPE)[J].Deep-Sea Research PartⅡ:Topical Studies in Oceanography,2012,77-80:21-30.

[4] Dash P,Ignatov A,Martin M,et al.Group for High Resolution Sea Surface Temperature(GHRSST)analysis fields inter-comparisons.Part 2:Near real ti me web-based level 4 SST Quality Monitor(L4-SQUAM)[J].Deep-Sea Research PartⅡ:Topical Studies in Oceanography,2012,77-80:31-43.

[5] 蒋兴伟,奚萌,宋清涛.六种遥感海表温度产品的比对分析[J].海洋学报,2013,35(4):88-97.Jiang Xingwei,Xi Meng,Song Qingtao.A comparison of six sea surface temperature analyses[J].Haiyang Xuebao,2013,35(4):88-97.

[6] 胡晓悦,张彩云,商少凌.南海及周边海域融合海表温度产品的验证与互较[J].遥感学报,2015,19(2):328-338.Hu Xiaoyue,Zhang Caiyun,Shang Shaoling.Validation and inter-comparison of multi-satellite merged sea surface temperature products in the South China Sea and its adjacent waters[J].Journal of Remote Sensing,2015,19(2):328-338.

[7] Donlon C,Rayner N,Robinson I,et al.The global ocean data assi milation experi ment high-resolution sea surface temperature pilot project[J].Bulletin of the American Meteorological Society,2007,88(8):1197-1213.

[8] Reynolds R W,Smith T M,Liu C,et al.Daily high-resolution blended analysesfor sea surfacetemperature[J].Journal of Cli mate,2007,20(22):5473-5496.

[9] Gentemann C L,Donlon CJ,Stuart-Menteth A,et al.Diur nal signalsin satellite sea surface temperature measurements[J].Geophysical Research Letters,2003,30(3):1140.

[10] Reynolds R W,Gentemann C L,Corlett G K.Evaluation of AATSR and TMI satellite SST data[J].Journal of Cli mate,2010,23(1):152-165.

[11] Argo Science Team.Argo:The global array of profiling floats,in observing the oceans in the 21st Century[R].GODAE Project Office,2001:248-258.

[12] Roemmich D,Owensw B.The ARGO Project:global ocean observations for understanding and prediction of cli mate variability[J].Oceanography,2000,13(2):45-50.

[13] Marcello J,Eugenio F,Hernandez A.Validation of MODISand AVHRR/3 sea surface temperature retrieval algorith ms[J].Geoscience and Remote Sensing Sy mposium,2004,2:839-842.

[14] Bailey S W,Werdell PJ.A multi-sensor approach for the on-orbit validation of ocean color satellite data products[J].Remote Sensing of Environment,2006,102(1/2):12-23.

[15] 奚萌,宋清涛,林明森,等.西北太平洋多源微波辐射计海表温度数据交叉比对分析[J].海洋学报,2016,38(7):32-47.Xi Meng,Song Qingtao,Lin Mingsen,et al.Intercomparison analysis of multi-microwave radiometer sea surface temperature data for the Northwest Pacific[J].Haiyang Xuebao,2016,38(7):32-47.

[16] 奚萌,宋清涛,林明森,等.西北太平洋红外辐射计海表温度数据交叉比对分析[J].海洋与湖沼,2017,48(3):436-453.Xi Meng,Song Qingtao,Lin Mingsen,et al.Intercomparison analysis of multi-infrared sea surface temperature data for the Northwest Pacific[J].Oceanologia et Li mnologia Sinica,2017,48(3):436-453.

[17] Ricciardulli L,Wentz FJ.Uncertaintiesin sea surfacetemperature retrievals fromspace:Comparison of microwave and infrared observations from TRMM[J].Journal of Geophysical Research,2004,109(C12):481-497.

[18] Xie J P,Zhu J,Li Y.Assessment and inter co mparison of five high-resolution sea surface temperature productsin the shelf and coastal seas around China[J].Continental Shelf Research,2008,28(10/11):1286-1293.

[19] 奚萌.基于最优插值算法的红外和微波遥感海表温度数据融合[D].北京:国家海洋环境预报研究中心,2011.Xi Meng.Merging infrared radiometer and microwave radiometer sea surface temperature data based on the opti mu minterpolation[D].Beijing:National Marine Environ mental Forecasting Research Center,2011.

Intercomparison analysis of merging sea surface temperature products for the Northwest Pacific Ocean

Xi Meng1,Song Qingtao1,2,Li Wenjun3,Zou Bin1,2,Lin Mingsen1,2

(1.National Satellite Ocean Application Service,State Oceanic Ad ministration,Beijing 100081,China;2.Key Laborator y of Space Ocean Remote Sensing and Applications,Beijing 100081,China;3.National Marine Environ mental Monitoring Center,Dalian 116023,China)

Sea surface temperature products are significant data sources for global ocean at mosphere systemstudies,and play an i mportant role for research and applications in marine related fields.Focusing on the Northwest Pacific Ocean,three merging SST products(AVHRR OISST,MISST and OSTIA)have been validated and compared with Argo,and interco mparison analysis among merging products during 2007 to 2014 in this paper.The results suggest that the overall trend of the variability changes of the three merging products is consistent in the study area.Bias is±0.1℃and root mean square error is less than 0.9℃bet ween merging products and Argo.Comparisons of merging data and buoy data have obvious seasonal cycles especially,bias and root mean square error are s maller in winter.There are positive deviation in the high latitude area.The data quality of OSTIAis moreideal than other merging products.The differences of data among merging products are relatively large in coastal and high latitude sea area.When seaiceis processed in different ways,merging products will be affected strongly.Before June 2012,the data qualities of SST are much closer bet ween MISST and OSTIA,but henceforth MISST exists system deviation.Infrared data,microwave data and situ data as input data are essential elements in order to produce high temporal-spatial resolution and high precision of merging SST products.

sea surface temperature;merging products;Argo data;the Northwest Pacific Ocean;statistical analysis

P716+.12;P731.11

A

0253-4193(2017)12-0136-17

奚萌,宋清涛,李文君,等.西北太平洋海表温度融合产品交叉比对分析[J].海洋学报,2017,39(12):136-151,

10.3969/j.issn.0253-4193.2017.12.013

Xi Meng,Song Qingtao,Li Wenjun,et al.Intercomparison analysis of merging sea surface temperature products for the Northwest Pacific Ocean[J].Haiyang Xuebao,2017,39(12):136-151,doi:10.3969/j.issn.0253-4193.2017.12.013

2016-11-26;

2017-05-13。

海洋公益性行业科研专项经费项目“HY-2卫星海洋动力环境探测数据应用服务技术系统与示范”(201305032);基金面上项目“大气对小尺度海表温度结构的响应(41276019)”;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”(U1606405)。

奚萌(1985—),男,北京市人,助理研究员,从事海温反演、数据融合方面研究。E-mail:xi meng@mail.nsoas.org.cn

*通信作者:林明森。E-mail:mslin@mail.nsoas.org.cn