基于仿真的6.9 GHz通道亮温改进FY-3D MWRI海面温度产品

张淼 孙逢林 窦芳丽 谷松岩

(国家卫星气象中心 中国气象局中国遥感卫星辐射测量和定标重点开放实验室,许健民气象卫星创新中心，北京 100081)

引言

海洋表面温度SST(Sea Surface Temperature)是全球海洋和气候研究的重要参数之一[1-2]。相比于船舶和浮标对SST的观测，卫星遥感实现了大范围、高分辨的长期重复观测[3-4]，成为SST观测不可或缺的数据源[5]。卫星遥感SST主要有红外和被动微波两种方式[6]，微波可以克服红外方法受太阳辐射日变化、水汽、气溶胶和云等影响的缺陷，实现全天候观测[7-8]，因此被越来越多的应用到SST研究中。

目前用于SST反演的微波辐射计主要包括：热带测雨卫星(TRMM)搭载的微波辐射成像仪TMI(TRMM Microwave Imager)及其后续星GPM(Global Precipitation Measurement)搭载的微波成像仪GMI(GPM Microwave Imager)，美国Aqua卫星搭载的先进微波扫描辐射计AMSR-E(Advance Microwave Scanning Radiometer)及AMSR-2，美国Coriolis卫星搭载的全球第一颗星载全极化微波辐射计Windsat，风云三号(FY-3)卫星搭载的微波成像仪(MWRI)，海洋二号(HY-2)卫星搭载的微波成像仪(RM)。表1比较了各微波辐射计通道设置，可以看出FY-3 MWRI缺少了对SST更加敏感的7 GHz附近垂直极化通道[9]，是其SST反演精度较差的原因之一。因此本研究将FY-3与Aqua进行时空匹配，采用神经网络方法，利用匹配的FY-3 MWRI的通道亮温模拟仿真AMSR-2的6.9 GHz垂直极化通道亮温(以下简称6.9V)，通过引入仿真的6.9V来提高FY-3 MWRI SST的反演精度。

表1 星载微波辐射计通道设置比较

1 资料介绍

本文使用的FY-3D/MWRI亮温数据来自“国产多系列遥感卫星历史资料再定标技术”项目，该项目通过解决国产卫星载荷历史数据辐射基准统一、精度可靠气候数据集构建的全链路技术难题，产生了稳定的高精度的长序列定标产品，为气候遥感产品开发提供了必要的基准数据支撑。AMSR-2 L1R数据是L1B数据经过分辨率匹配和质量控制后生成的，将所有频率的观测位置都转换到了89 GHz扫描点上，包含了不同空间分辨率的产品，本文选择L1R数据集中与6.9 GHz分辨率匹配的6.9V数据，数据详细介绍见参考文献[10]。浮标资料从NESDIS/STAR的FTP服务器下载, 高分辨率融合分析场日平均海温(Opetimum Interpolation SST，OISST)资料从NOAA/NCDC的FTP服务器下载，2个数据的详细介绍见参考文献[11]。

2 敏感性分析

将标准大气廓线输入VDISORT微波辐射传输模式[12]模拟6.9V和10V(FY-3 MWRI 10.65 GHz垂直极化通道亮温，下同)对SST在-2～35 ℃的敏感度，如图1所示，从图中可以看出，在-2 ℃，6.9V对SST的敏感度为0.4 K·℃-1，而10V对SST的敏感度仅为0.1 K·℃-1，随着SST的增大，6.9V和10V对SST的敏感性均先增大后减小，并且6.9V和10V对SST敏感性的差异逐渐减小，说明6.9V对低SST的探测更有优势。

图1 模拟6.9V和10V对SST的敏感度分析

3 模拟仿真关系的建立及检验

选择2019、2020年FY-3D MWRI观测时空间隔在10 min和10 km内最接近的单一AMSR2像素进行匹配，剔除7×7像元内标准差大于1 K或者有陆地的数据，并利用MWRI降水和海冰产品剔除3×3像元内有降水、7×7像元内有海冰的数据。采用带3层隐藏层的BP神经网络方法[13](图2)，利用匹配的MWRI通道亮温建立模拟AMSR-2 6.9V的仿真关系。

图2 BP神经网络模型示意

BP神经网络参数配置如下：迭代次数100，学习率0.01，目标函数的值0.00002，隐藏层神经元数分别为5、7、6，隐藏层激活函数采用tansig函数(式(1))。样本数为1239400条，随机挑选867580条样本用于训练，剩下371820条样本用于检验评估。结果如图3所示，训练样本和检验样本的误差均值分别为0.000544 K与0.00459 K，标准差分别为0.8610 K与0.8723 K。说明模拟结果具有很好的稳定性。

图3 6.9V模拟亮温与AMSR-2实际观测亮温的散点图:(a)训练样本，(b)检验样本

(1)

4 产品精度检验

FY-3 MWRI SST采用统计算法，详细算法介绍见参考文献[11]。本文在FY-3D MWRI SST业务产品算法中引入仿真的6.9V，模型与业务算法相同，海洋表面温度(SST)计算如下式所示[14]，唯一的区别是业务算法不包括仿真的6.9V:

(2)

式中,对于仿真的6.9V及10.65、18.7、36.5 GHz观测亮温,ti=TBi-150，对于23.8 GHz观测亮温,ti=-ln(290-TBi)；TBi是对应频率和极化状态下仿真的6.9V及MWRI观测亮温;a0、ai、bi是回归系数。

首先利用2019年1、4、7、10月的MWRI资料与浮标进行匹配，获得算法系数。之后选取2020年1、4、7、10月的MWRI亮温进行SST反演，并利用浮标观测对结果进行检验。检验时剔除了占总样本数5%的最大偏差样本，王雨等[15]的研究表明这些样本不能真实地反映反演SST与浮标观测之间的比较结果。引入仿真的6.9V前后的误差统计结果如表2所示，整体来看引入仿真的6.9V后SST标准偏差降低了0.08 K，本文通过神经网络方法模拟仿真6.9V会引入一定的误差，导致SST反演精度提升较小。不同月份之间海温偏差的波动主要是环境场如风速、云、及未去除干净的降水、海冰等的波动引起的。各纬度带的误差统计结果如表3所示，引入仿真的6.9V后各纬度带的SST反演精度均有提升，其中35°～90°S 之间海域的精度提升最为显著，为0.14 K。主要原因可能是南极海水温度较低且南极地区风速较大，6.9V对低SST的探测灵敏度更高且在低SST反演时受风速的影响较小导致的[9,16]。进一步将SST分为大于19 ℃和小于等于19 ℃两类样本，发现对于小于等于19 ℃的样本，引入仿真的6.9V后精度提升0.09 K，对于大于19 ℃的样本，引入仿真的6.9V后精度提升了0.04 K，说明仿真的6.9V对低温端SST改进更加显著，与之前的敏感性分析一致。

表2 引入仿真的6.9V前后MWRI资料反演的SST误差统计

表3 引入仿真的6.9V前后MWRI资料反演的SST不同纬度带误差统计

随机选取2020年4月15日数据，做引入仿真的6.9V前后的日产品的差值分析及它们与OISST全球分布的差值分析如图4所示，从图中可以看出，引入仿真的6.9V后与引入前的差值图中深蓝色部分对应日产品与OISST的差值图的红色部分，说明引入仿真的6.9V后日产品与OISST的偏差减小，而这些深蓝色部分更多的分布在南极，与前文35°～90°S 之间海域的精度提升最为显著结论一致。

图4 2020年4月15日FY-3D/MWRI反演SST引入仿真的6.9V后与引入前的差值(a)，引入前与OISST的差值(b)，引入后与OISST的差值(c)(OISST为NOAA/NCDC的高分辨率融合分析场日均海温)

5 结论与讨论

FY-3 MWRI缺少对SST更加敏感的7 GHz附近垂直极化通道，因此本研究将FY-3 MWRI与Aqua AMSR-2进行时空匹配，采用神经网络方法，利用匹配的FY-3 MWRI的通道亮温模拟仿真AMSR-2的6.9V，并将仿真的6.9V引入回归模型，以提高SST的反演精度。结果表明：引入仿真的6.9V后SST标准偏差降低了0.08 K，且对35°～90°S 之间海域的SST改进更加显著，标准偏差降低了0.14 K，主要是6.9V对低SST的探测灵敏度更高且在低SST反演时受风速的影响较小导致的。如何更好地进行质量控制，减小环境场如风速、云及未去除干净的降水、海冰等对反演结果的影响将是下一步的工作重点。且利用浮标海温对卫星反演海温产品进行检验存在局限性[17]，后面将进一步利用多源海温资料对结果做进一步的检验。如果FY3后续卫星可以搭载6.9 GHz通道，将可进一步提升低SST特别是两极SST的反演精度。