北冰洋卫星水色遥感观测能力评价与展望*

崔廷伟, 张 杰, 马 毅, 刘荣杰, 肖艳芳, 陈晓英, 韦云宏, 秦 平, 牟 冰

(1. 中山大学大气科学学院,广东省气候变化与自然灾害研究重点实验室，广州 珠海 519082； 2. 南方海洋科学与工程广东省实验室(珠海)，广州 珠海 519080； 3. 自然资源部第一海洋研究所海洋物理与遥感研究室，山东 青岛 266061； 4. 中国海洋大学信息科学与工程学院，山东 青岛 266100)

北冰洋被亚欧大陆和北美大陆环抱，通过挪威海、格陵兰海和巴芬湾与大西洋相连，通过白令海峡与太平洋相通，是四大洋中最小、最浅、最冷、盐度最低的大洋。北冰洋大陆岸线曲折，有较宽的大陆架，在亚欧大陆沿岸的边缘海有巴伦支海、喀拉海、拉普捷夫海、东西伯利亚海和楚科奇海；北美洲沿岸的边缘海和海湾有波弗特海、巴芬湾和格陵兰海[1](见图1)。

(红色虚线的纬度为66°33′39″N。The latitude of the dashed red circle is 66°33′39″N.)

丰富的自然资源、全球变暖背景下海冰融化带来的航运机遇，使北冰洋成为大国角力和海洋科学研究的热点区域。由于自然条件的特殊性，这里也成为了全球气候变化的敏感区和气候变化区域响应研究的重点区域，特别是全球变化背景下的北冰洋海洋生态系统演变受到了广泛关注[1]。

凭借大范围、长时间序列、快速重复观测的技术优势，卫星遥感已成为北冰洋研究的重要技术手段，特别是业务化运行的多颗水色卫星，为北冰洋海洋生态系统研究提供了长时间序列的观测资料，并取得了重要的科学发现。Arrigo和Dijken基于水色卫星叶绿素a浓度数据的研究发现，由于海冰融化导致的水域面积增加(+27%)和海表无冰覆盖时段的延长(+45 d)，1998—2009年间北冰洋浮游植物年均净初级生产力(Net Primary Productivity,NPP)增加了20%[2]。基于卫星遥感、数值模式和现场观测的最新研究，揭示了气候变化对北冰洋浮游植物群落组成和初级生产力的影响[3]。

然而，由于海冰覆盖、低光照条件等自然环境条件的特殊性，卫星水色遥感在北冰洋的综合观测能力受到了一定程度的制约，限制了其在北冰洋海洋学研究中作用的发挥；此外，极区高精度卫星水色遥感反演，还面临着对水体光学性质的科学认知不充分、大太阳天顶角下的卫星数据处理方法亟待突破、高质量大时空覆盖极区遥感验证资料获取困难等科学和技术瓶颈的制约，这也在一定程度上影响了卫星水色遥感技术在北冰洋海洋监测中的应用。

本文针对上述问题，从卫星水色遥感资料的时空覆盖能力、数据产品定量化精度及其制约因素入手，对北冰洋卫星水色遥感的观测能力进行了综合分析与评价，在此基础上，凝练了提升北冰洋水色遥感观测能力亟待突破的若干关键科学技术问题，以期为推动我国北冰洋卫星水色遥感技术的发展提供参考和借鉴。

1 北冰洋卫星水色遥感资料的时空覆盖能力及其限制因素分析

本节首先简要介绍主流的水色卫星及其可获取的海洋学参数，然后着重分析原始卫星影像、卫星水色遥感产品在北冰洋的时空覆盖情况及其制约因素。

1.1 主流的水色卫星及其可获取的海洋参数

在海洋卫星水色遥感发展的近40年时间里，世界各国陆续发射了几十颗用于水色遥感的卫星。1978年，美国国家航空与航天局(National Aeronautics and Space Administration, NASA)发射的雨云卫星上搭载了全球首个用于海洋水色观测的遥感器——海岸带水色扫描仪CZCS(Coastal Zone Color Scanner)，开创了海洋水色卫星遥感时代[4]。1986年，CZCS停止运行，在随后的10年间，美、欧、印、日、韩和我国均积极推动各自的海洋水色卫星计划，海洋水色遥感技术也进入了快速发展期[5]。该时期有代表性的卫星水色遥感器是美国的宽视场水色扫描仪SeaWiFS(Sea-Viewing Wide Field-of-View Sensor)、中分辨率成像光谱仪MODIS(Moderate-resolution imaging spectra-radiometer)和欧空局的中等分辨率成像光谱仪MERIS(Medium-spectral Resolution Imaging Spectrometer)[6-7]。2010年至今陆续投入运行的卫星水色遥感器主要有：韩国的GOCI[8](Geostationary Ocean Color Imager，全球首个静止轨道水色遥感器，搭载在2010年发射的COMS卫星上)、美国的VIIRS[9](Visible infrared Imaging Radiometer，搭载在2011和2017年发射的Suomi NPP和JPSS-1/NOAA-20卫星上)、欧空局的OLCI[10](Ocean and Land Colour Instrument，搭载在2016和2018年发射的Sentinel-3A和Sentinel-3B卫星上)、日本的GCOM-C SGLI(2017年发射，https://ioccg.org/)、我国HY-1C(2018年发射)和 HY-1D(2020年发射)上搭载的COCTS[11](Chinese Ocean Color and Temperature Scanner)。

卫星水色遥感资料经云掩模、陆地掩模、几何校正、大气校正等数据处理后，得到海水遥感反射率光谱数据产品，在此基础上结合水色反演算法，可进一步得到众多的数据产品，主要包括：水色组分浓度(叶绿素a浓度、悬浮颗粒物浓度、溶解有机物浓度)、水体光学参数(水体各光学组分的吸收系数、颗粒物后向散射系数、水体漫射衰减系数、真光层深度)、浮游植物和悬浮颗粒物粒径、海水透明度、浅水区水深和底质等，这些信息已在全球碳循环、海洋生态环境监测、渔业资源调查、污染监测与海岸带综合管理等领域得到了广泛应用[4]。

1.2 原始卫星遥感影像在北冰洋的时空覆盖情况

北冰洋研究中采用的水色卫星数据，主要是绕地球两极运行、以全球观测为主要目标的极轨水色卫星获取的[2, 12-13]。以幅宽2 300 km的MODIS数据为例，其在24 h之内可对60°N以北区域进行多次重复观测(13 h可实现该区域的全覆盖)；随纬度的不同，每天重复观测的次数在2～15次不等，其中大于70°N的海域每天可观测6～8次，这远高于低纬度海域特别是赤道区域的水色卫星观测频次(见图2)。

图2 MODIS卫星24 h内对60°N以北区域的观测频次

需要说明的是，上述统计数据中包含了夜间观测的情形(主要是考虑到夜光遥感[14]虽然与水色遥感技术差异较大，但也是海洋光学遥感的一个重要方向，可能在未来的北冰洋遥感中发挥作用)；此外，对于图像幅宽较窄的水色卫星，如约1 000 km的MERIS，每天的重复观测次数统计结果也会有一定差别。

1.3 卫星水色遥感数据产品在北冰洋的时空覆盖情况

虽然原始卫星遥感影像在北冰洋的时空覆盖较好，但受到多种因素的影响，大量的卫星光学观测是无效的，即不能从中提取水色信息来制作水色遥感数据产品，由此导致卫星水色遥感数据产品在北冰洋的时空覆盖率并不高。

作为示例，图3给出了NASA官方网站(https://oceancolor.gsfc.nasa.gov/)发布的2005年1～12月MODIS卫星月平均叶绿素a浓度遥感产品，从中可以看出，数据产品空间覆盖最好的时段是7～8月(覆盖率为56%～62%，见图4)，而10月至来年3月的覆盖率不足20%，其中11月、12月和来年1月无观测数据。

(图中灰色为陆地，白色为由于海冰覆盖或云雾遮挡、太阳天顶角高等原因导致无叶绿素a浓度观测数据产品的海域，下同。Grey parts are lands, and white parts are regions without valid ocean colour retrievals due to sea ice cover, and/or cloud, sea fog and high solar zenith angle. )

(红色空心正方形为MODIS卫星数据，蓝色实心菱形为MODIS, SeaWiFS和MERIS三星融合结果。The red open squares are the MODIS results, and the blue filled diamonds are the result merged from MODIS, SeaWiFS and MERIS.)

此处的水色遥感产品空间覆盖率，定义为水色产品所覆盖的海域面积除以60°N以北区域内除陆地之外的总面积。

图5进一步给出了北冰洋MODIS卫星每月有效水色观测日数(即每个像元一月之中有卫星水色产品的天数)的统计结果，从图5中可以看出，大部分海域每月的有效水色观测日数不足5 d，只有少数区域可达每月10～15 d。

图5 北冰洋MODIS卫星每月有效水色观测日数(单位：天)

制约北冰洋卫星水色遥感数据产品时空覆盖的主要因素有以下几个方面：一是光照。北冰洋高纬度的特点，决定了其常年太阳高度较低(即太阳天顶角大)、光照弱，甚至存在极夜情形，相应的决定了以太阳为光源的卫星水色遥感客观上做不到对该区域的全年有效观测，其中70°N以北的海域每年只有约6个月的有效水色数据产品[15]，如图3～5所示，11月、12月和来年1月北冰洋无水色遥感资料的主要原因就是该时段无光照， 总体来看，光照是导致北冰洋水色数据的空间覆盖存在明显季节差异性的重要因素。二是该区域多发的云/雾天气。云雾的存在一方面将直接遮蔽其下方的海表，另一方面，由于云雾反射信号强，因此与其临近的海水像元也将被掩模处理。卫星观测表明[16]，北冰洋云的出现概率存在一定的季节性差异。三是北冰洋常年存在的海冰。海冰的影响主要体现在以下几个方面：一是由于海冰的阻隔，冰下的水色信息无法被卫星遥感有效探测；二是由于冰的反射率高，其与海水的水体光学性质反差明显，因此海冰与海水混合的像元(甚至是海冰面积占比仅为百分之几的像元)、与海冰临近(几公里范围内)的海水像元，通常都会受到海冰的信号污染而被掩模处理，无法提取水色信息。由于海冰主要分布在高纬度海域，因此其对水色数据空间覆盖的影响也具有一定的空间差异性；从季节上看，北半球冬季是一年之中海冰覆盖范围最大的季节，相应的，该季节也是其对水色数据空间覆盖影响最大的时段。

为了定量表征上述环境因素对卫星水色数据空间覆盖的影响，图6以2005年为例，给出了各类掩模(Flags)在无效卫星水色数据中的(空间)占比情况(即某一类掩模的像元数除以同期无效像元总数)，从中可以看出，各类掩模的差异较大且均存在较为明显的季节变化，具体来讲，云雾覆盖(见图6中的蓝色部分)的影响主要出现4～8月，这一时段内研究区90%以上的无效卫星水色数据都受到其影响；与之相反，高太阳天顶角(见图6中的红色部分)的影响则主要出现在9月至来年3月，这一时段内90%以上的无效卫星数据受其影响；海冰(见图6中的绿色部分)影响最小的月份是9月，该月约50%的无效数据受其影响；与上述三种因素相比，大气校正失效这一掩模的占比较小(小于10%)，5～8月是该类掩模影响最小的时段。

(空间占比为某一类掩模的像元数除以无效像元总数。图中Cloud代表云雾覆盖，High SZA代表大太阳天顶角，Sea ice为海冰覆盖，AC failure代表大气校正失效。注意，一个像元可能同时存在多个掩模。Spatial coverage percentage is calculated as the number of pixels with certain flag divided by the number of all the invalid pixels. The “Cloud”represents cloud or fog cover.“High SZA”refers to high solar zenith angle.“Sea ice”means sea ice cover. “AC failure”corresponds to the failure of atmosphere correction processing.Note multiple flags may exist for one single pixel.)

需要特别指出的是，北冰洋无效的卫星水色数据通常是由多种环境条件(即掩模，flags)共同作用导致的，仅由某一单一的环境条件导致数据无效的情形不足35%(见图7)。以6月为例(见图7)，超过70%的无效数据同时受到了2类掩模(云和海冰，或云和高太阳天顶角)的影响，该比例在4月份最低(约30%)，在11月份最高(大于80%)。同时存在3类掩模从而导致数据无效的情形(不包括上述的仅同时存在2类掩模的情形)也不少见，该比例在4月份最高(约60%)。这一结果凸显了北冰洋卫星水色遥感的复杂性，即只有同时克服多种因素的影响，才能显著提高卫星水色产品的空间覆盖。

图7 北冰洋无效卫星水色数据中多类掩模并存的情形统计

通过多源卫星的数据融合，可在一定程度上提高北冰洋水色遥感产品的空间覆盖[17]，如图8所示，在MODIS数据的基础上，进一步融合MERIS、SeaWiFS的数据产品后，巴芬湾、喀拉海以及格陵兰海的水色产品覆盖率得到了提高；进一步的统计表明，通过多星融合，可将3～10月北冰洋水色遥感数据空间覆盖率提高7%～15%(见图4)。目前，欧空局 (European Space Agency, ESA) GlobColour(http://hermes.acri.fr/index.php)以及NASA MEaSUREs(Making Earth System Data Records for Use in Research Environments,https://earthdata.nasa.gov/esds/competitive-programs/measures)等计划均提供包括北冰洋在内的全球水色遥感融合产品。

图8 2005年6月MODIS卫星叶绿素a浓度月平均产品(左)和在此基础上融合了SeaWiFS和MERIS之后的产品(右)

2 北冰洋卫星水色遥感数据产品的精度评价及其限制因素分析

本节针对主要的卫星水色遥感数据产品，分析其在北冰洋区域的精度表现以及影响因素。

2.1 遥感反射率光谱

利用Wei等[18]的方法，对于北冰洋MODIS 卫星的遥感反射率光谱数据质量进行了评价，图9给出了1～3月、4～6月、7～9月和10～12月平均的评价结果，图9中量值越高(颜色越暖，如红色区域)表示评分越高、数据质量越好，反之则表示数据质量较差(如蓝、绿色区域)。

图9 北冰洋MODIS遥感反射率光谱数据质量评价结果

总体来看，4～6月是“高质量数据”(评分>0.7)占有效观测数据比重最大的时段，约82%；其次是1～3月和7～9月，均约为75%，虽然1～3月有效观测数据的空间覆盖较7～9月低，但其“高质量数据”的占比并没有等比例减少；10～12月是“高质量数据”占比最小(57%)的时段，其有效观测产品的覆盖区域也最小。

2.2 叶绿素a浓度

基于实测数据(SeaWiFS Bio-optical Archive and Storage System, SeaBASS)，采用(3 h和3×3像元的现场-卫星时空匹配窗口[19]，对主流水色卫星的官方叶绿素a浓度产品进行了精度评估。星地时空匹配数据以6和7月居多，约占75%；从年份分布来看，MODIS和MERIS的星地匹配数据以2010和2011年为主，SeaWiFS则以1998—1999年为主。

精度验证结果表明，MODIS、MERIS、SeaWiFS等卫星的叶绿素a浓度产品均不同程度地存在低值区高估、高值区低估的问题(见图10)，与实测值的相对偏差(中值)为82%～112%(见表1)。

表1 基于实测数据的叶绿素a浓度卫星遥感产品精度评价结果

图10 基于实测数据的卫星叶绿素a浓度官方产品精度评估结果

上述标准卫星产品制作所采用的叶绿素a浓度反演算法，主要是针对全球开阔大洋清洁水体发展的。与之相比，北冰洋具有较为独特且复杂的海洋光学性质，这是导致该区域叶绿素a浓度卫星数据产品存在较大不确定性的主要原因。北冰洋水体光学性质的特殊性主要表现在以下两个方面：一是受高纬度海域光照弱的影响，浮游植物为了吸收支撑其生长所必需的光照，藻类细胞内的色素含量通常较高，相应的导致单位色素浓度的浮游植物光吸收系数较(中低纬度海域)低，即浮游植物色素打包效应(Package effect)显著[20-21]，该效应将导致叶绿素a浓度遥感反演结果的低估，而且在叶绿素a浓度越高的水体中，低估效应越显著。二是受大型河流径流输入的影响，北冰洋近岸海域水体中含有高浓度的溶解有机物(Colored dissolved organic matter, CDOM)，其对光的吸收作用随波长增加呈指数衰减，与浮游植物色素的光吸收特性差别迥异[22]，CDOM的存在将导致基于蓝绿波段比值算法的叶绿素a浓度反演结果存在高估。受上述因素的影响，当叶绿素a浓度较低时(小于0.9 mg/m3)，反演算法主要受到CDOM的干扰，反演值高估实测值；当叶绿素a浓度较高时，受色素打包效应的影响，算法反演值低估实测值；只有在叶绿素a浓度处于 0.6～2 mg/m3区间时，基于全球算法[23]的卫星反演误差才能达到35%这一叶绿素a浓度遥感反演的指标要求[20-21,24]。

考虑到北冰洋海水光学性质的空间差异性，利用统一的算法实现全海域的叶绿素a浓度高精度反演难度较大，可尝试将其细分为若干个光学性质不同的子区域(Bio-optical provinces)并发展适用于每个子区域的反演算法。Lewis等[24]将北冰洋划分为3类子区域，分别为高营养水体向陆架对流混合的子区域(该区域占北冰洋陆架净初级生产力NPP的32%～78%)、陆源CDOM输入最多的子区域、低叶绿素a浓度的子区域；并根据Rrs蓝绿波段比值的大小将北冰洋的11个海区归入上述子区域；初步研究结果表明，利用其发展的OC3L算法可以较好地反演其中一个子区域(Inflow shelves)的叶绿素a浓度，而对于另2个子区域还需要发展有针对性的反演算法。

2.3 溶解有机物

溶解有机物(CDOM)是北冰洋主要的海洋光学组分，它对光的吸收作用随波长的增加呈指数衰减，其浓度通常以其在蓝光波段(443 nm)的吸收系数来表征。除了其对海洋光学性质的影响外，CDOM受关注的原因还在于，在受河流影响的海域，通常都存在着CDOM与溶解有机碳(DOC)的强相关关系，这为基于卫星遥感的DOC反演提供了一种可行的途径[25]。

研究表明[26]，由卫星数据和区域性的半分析算法[27]反演的北冰洋CDOM吸收系数与现场观测资料的平均相对误差为12%，均方根误差为0.3 m-1；对于北冰洋受河流影响的沿岸区域，DOC与CDOM相关显著(R2> 0.94)，借此可由卫星反演的CDOM进一步得到受河流影响的北冰洋沿岸表层水体中的DOC含量，不确定性为28%。

2.4 初级生产力

对于全球海洋碳循环的估计是海洋水色卫星的主要科学目标。为此，已发展了复杂程度不一、输入参数各异的多种海洋初级生产力遥感估算模型，并开展了多轮模型精度评价与对比研究[28-30]。初步研究结果表明，50%以上的模型反演误差是由输入变量的不确定性导致的，近岸海域模型精度低(NPP被高估)，大洋水体反演值与观测值接近(但略微低估)。

针对北冰洋海域，Lee等[31]开展了32种净初级生产力(NPP)遥感反演模型的对比研究，他们发现：①模型对海表叶绿素a浓度最敏感，而对光合有效辐射(PAR)、海表温度(SST)等参数不敏感。②对于低生产力的季节和深海区域，模型表现较好。③深度分辨的模型与实测数据的相关性较其他模型好，但是高估实测值的程度仍较大。④当水体不存在次表层叶绿素a浓度极大值(Subsurface chlorophyll maximum, SCM)时，模型表现普遍较好。⑤模型对于NPP的高估可部分地被忽略SCM导致的低估所抵消。⑥大部分模型在使用北冰洋区域化的参数作为输入时表现较好。因此，对于北冰洋的NPP反演，建议进行仔细的参数区域性调整。

作为示例，图11给出了基于广泛采用的VGPM(Vertically generalized production model)模型[32-33]估算的2005年3～10月北冰洋初级生产力空间分布(11月至来年2月水色数据的空间覆盖低，故结果未给出)，从中可以看出，高值区主要分别于巴伦支海、格陵兰海等海域，5～8月是一年之中初级生产力较高的时段。

图11 卫星遥感估算的2005年3～10月北冰洋初级生产力

当前，北冰洋初级生产力遥感反演结果存在显著的高估或低估，主要的原因有以下几个方面：一是作为模型输入的叶绿素a浓度卫星遥感反演值存在不确定性，并传递到NPP结果之中；对于北冰洋来说，径流输入的CDOM以及颗粒物导致的水体光学性质变异是影响叶绿素a浓度反演精度的主要因素。二是北冰洋叶绿素a浓度的垂向分布普遍存在次表层最大值[12,34]，而且与低纬度海域不同的是[35]，北冰洋的SCM具有颗粒碳和初级生产力的极大值[34]。由于卫星水色遥感接收的离水辐射信号主要来自于第一光学深度(Z90=1/Kd, 是真光层深度的1/4.6)，更深水层的信息遥感难以准确分辨，因此忽略叶绿素a浓度的垂直结构(即SCM的存在)将导致卫星估算的水柱初级生产力存在较大的不确定性。虽然有研究指出，由此引入的误差有可能会被海表叶绿素a浓度卫星遥感结果的高估所部分地抵消[12]，但也有可能导致模型精度的季节差异性，例如对于水柱垂向均匀的春季和初夏，卫星估算的NPP较为可靠，而到了夏季和早秋水体SCM形成时模型反演值则存在低估[15]；还有的研究认为，考虑SCM时全北冰洋的NPP将翻倍[36]。三是模型中的藻类光合作用参数设置。北冰洋所具有的低光照、低温等极端环境可能会对浮游植物的光合作用产生影响[37]，而目前模型中并未对其予以充分考虑。四是精度验证不充分，一方面缺乏时空覆盖较为均匀的现场观测资料来验证NPP遥感结果，另一方面对于模型输入参数的精度评估也未充分开展[15]。

最后需要指出的是，在海冰覆盖下的区域，冰下藻类对于北冰洋初级生产力的贡献[38-39]目前仍难以利用卫星遥感资料进行探测，这客观上将导致卫星遥感估算的海洋初级生产力存在低估。

3 提高北冰洋水色遥感观测能力需突破的关键技术

尽管卫星水色遥感在北冰洋的观测能力面临着诸多的局限性和制约因素，但是凭借其长时间序列、大范围重复观测的技术优势，水色遥感对于北冰洋海洋生态系统和海洋生物地球化学通量的研究来说仍是至关重要、不可或缺的技术手段。为更好地发挥卫星水色遥感的作用，应着力突破以下关键技术。

3.1 高纬度海域卫星水色遥感资料的高精度处理方法

低太阳高度角是极区的典型情形，这也是高纬度海域水色卫星大气校正处理的一个难题，该情形下卫星遥感器接收到的大气信号更强，因此一个小的大气校正误差就将导致水体光谱计算结果的较大误差。

传统的大气校正方法所使用的查找表是基于大气平行平面假设的辐射传输模拟得到的，有别于真实的大气球面分布，而由此导致的误差在太阳高度低的时候尤为明显，因此业务化的大气校正算法只对太阳高度大于20°的观测数据进行处理，以保证水色数据产品的质量。

如果能通过算法的改进突破上述限制，将太阳高度角的下限进一步降低(如16°)，则北冰洋的水色产品时空覆盖可得以提高[13]。因此，有必要发展适合于高纬度海域低太阳高度角的卫星水色遥感资料大气校正方法。

此外，发生在海冰边缘的春季藻华对于北冰洋海洋生态系统来说具有潜在的重要性[37]，而海冰的存在会对其周边海域的水色信号产生干扰，对北冰洋春季藻华的遥感探测造成不利影响。因此，需要发展更为有效的水色卫星资料海冰干扰辨识与抑制方法，得到更准确的北冰洋春季藻华信息。

3.2 基于北冰洋水体光学特性的高精度区域性水色反演模型

受到河流径流特别是陆源CDOM输入的影响，北冰洋水色光学性质较为复杂，且具有明显的空间差异性；此外，受到高纬度海域低光照的影响，这里的浮游植物色素光吸收性质(色素打包效应)也与清洁大洋水体具有明显差异。受上述因素影响，目前的北冰洋叶绿素a浓度反演算法精度还有待提高，未来的算法研究应重点针对北冰洋高CDOM含量、强色素打包效应特点，发展适用于北冰洋不同生物光学分区的反演算法，特别是区域性的半分析算法[40-43]。

此外，应发展充分考虑极区浮游植物光合作用特点、叶绿素a浓度垂直分布特征的初级生产力估算模型，建立适用于极区的浮游植物功能群(Phytoplankton functional types，PFTs)遥感探测模型，为北冰洋浮游植物群落在海洋生物地球化学循环中的作用研究提供信息。在上述模型算法的研究中，尤其应注重模型的精度验证以及针对自主海洋卫星数据开展研究。

3.3 多星协同的水色观测技术

云雾干扰是制约北冰洋水色遥感资料时空覆盖的重要因素[13]，多颗极轨卫星的协同观测可在一定程度上抑制云雾干扰、提高有效水色观测的概率[17,44]。为此，需要发展多星协同的水色遥感观测方法，重点突破多源卫星水色遥感数据的一致性评价与偏差消除技术、多星融合产品制作技术，研发多星协同观测的新型数据产品。

该技术的发展还可在一定程度上克服单一卫星工作寿命有限所带来的数据不连续问题，利用多星“接力”的方式，构建几十年尺度的长时间序列的卫星遥感观测资料[45]，服务于北冰洋生态系统的长期演变及气候变化响应研究。

3.4 协同卫星遥感与无人移动观测的北冰洋环境监测技术

大范围的冰下浮游植物藻华是北冰洋重要的生态现象[39]，但目前的卫星水色遥感技术尚无法直接对其进行探测。未来需要综合利用glider、Argo的水下(剖面)观测信息，通过与卫星数据的互补与协同(如估算海冰的光透过率)，发展北冰洋冰下藻华的立体综合观测技术，确定冰下藻华的范围以及对北冰洋初级生产力的贡献。

针对北冰洋环境特点和监测需求，发展适合极区低温、低光照环境的长航时无人机水色遥感观测技术、基于Waveglider等新型无人移动平台的水色现场观测技术，建立面向北冰洋特定海洋过程和现象的星-机-船组网协同观测技术。

3.5 北冰洋海洋光学性质的时空差异性与参数化模型

水色遥感技术的发展需要深入理解和掌握北冰洋海洋光学性质(包括光学参数的空间分布与季节差异特征，以及光场二向性等)，并建立相应的参数化模型。但目前相关研究还存在明显不足，主要瓶颈在于海洋光学观测的时空覆盖和数据量严重不足[46]。未来，应结合“雪龙探极”等重大工程，充分利用北极科考航次资源，挖掘志愿船资源，积极参与国际合作，探索浮标、glider等新型光学观测技术，加强海洋光学现场观测资料的获取和积累。

4 结语与展望

卫星水色遥感是研究北冰洋海洋生态系统及其气候变化响应的重要技术手段，其空间覆盖和定量化水平存在较大的提升空间。

从北冰洋卫星水色遥感的产品空间覆盖来看，由于受到海冰、云雾和低光照等因素的显著影响，该区域的遥感产品空间覆盖率并不理想，每年10月至来年3月不足20%，7～8月是一年之中最好的时段，可达约56%～62%；多星融合可在一定程度上提高水色产品的空间覆盖率。

从北冰洋卫星水色遥感产品的精度来看：①4～6月是遥感反射率产品精度最高的时段，高质量数据的占比可达82%，1～3月和7～9月均约为75%，10～12月仅为57%。②MODIS、MERIS、SeaWiFS等卫星的叶绿素a浓度产品均不同程度地存在低值区高估、高值区低估的问题，相对误差为82%～112%。③基于区域性半分析算法的北冰洋CDOM反演精度较高(相对误差为12%)。④初级生产力遥感估算结果存在较大不确定性，模型参数的区域性调整是下一步的工作重点。

未来，提高北冰洋水色遥感观测能力，应重点突破以下关键技术：①高纬度海域卫星水色遥感资料的高精度处理方法。②基于北冰洋水体光学特性的高精度区域性水色反演模型。③多星协同的北冰洋水色观测技术。④协同卫星遥感与无人移动观测的北冰洋环境监测技术。⑤北冰洋海洋光学性质的参数化模型构建。

致谢：感谢NASA提供MODIS、SeaWiFS数据，ESA提供MERIS数据。