单窗算法在福建毗邻海域海表温度反演的适用性分析

基于2013~2014年春夏秋冬4个时相的HJ-1B热红外遥感影像,采用覃志豪单窗算法反演海表温度。利用实测海表温度数据作为反演结果的对比验证,结果表明:平均绝对误差为0.86℃,相关系数R~2为0.971 5。并对水汽含量和大气温度的不确定性,对反演结果产生不同程度的影响进行分析,结果表明水汽含量误差范围在-2~0g/cm~2之间,气温变化量在-2℃~2℃之间,所产生的海表温度误差在5%以内,依然可以达到较高的反演精度;冬季水汽含量的敏感性比夏季高,而大气温度在夏季的敏感性却比冬季高。因此,单窗算法在福建毗邻海域海表温度反演具有较好的适用性,对福建毗邻海域的海洋环境监测具有重要意义。     

基于深度学习的海表温度遥感反演模型

针对传统的海温反演模型参数拟合过程复杂且在不同海域适应性较差等问题,为进一步提高海表温度反演精度,简化反演过程,以渤海海域为研究区域,选取该海域晴空下的MODIS遥感影像并结合实测浮标数据,利用深层神经网络建立海表温度的遥感反演模型。对反演结果进行精度分析,分析结果表明模型精度较为良好,反演值与实测值决定系数为0.978,标准差为1.28℃,平均绝对误差为0.98℃,证明了基于深度学习的海表温度遥感反演的可行性。     

巴拉望岛附近海域盐度遥感反演

针对利用光学遥感卫星进行近岸海域海表盐度的高精度反演需求,基于多元统计回归分析思想构建研究区海洋盐度反演模型,以巴拉望岛附近海域为研究区,分别以MERIS卫星和MODIS卫星影像为基础数据,对该海域的海表盐度进行反演,并利用实测Argo数据对反演结果进行精度评定和对比分析,剖析了研究区海水盐度的时空分布规律。结果表明:1)MERIS和MODIS 2种数据反演误差分别为-2.94%和1.86%,反演模型的相关系数R~2达到0.79,表明2种数据反演结果的精度较高,模型适用性较强;2)相比之下,MODIS数据反演效果优于MERIS数据;3)研究区域的海表盐度发生着季节性的变化,并且呈现出自西向东逐渐增加的趋势,这种现象可能与研究区气候、温度变化以及所处地理位置有内在联系。     

基于BP神经网络的海表温度预测

海洋表面温度(SST)是全球气候重要的地理参量之一,掌握未来海表温度变化趋势有助于全球气候变化研究的开展。因此,本文提出一种基于海表温度历史数据的反向传播BP (Back Propagation) 预测模型,对南海部分海域海表面温度进行了分析,研究结果表明：训练后模型的平均绝对百分比误差MAPE为0.0183,平均误差为0.0573,误差回归直线的相关系数R达0.9767,预测值与真实的海表温度误差较小。由此可见,BP神经网络能有效地预测海表温度的总体变化趋势,为海表温度预测提供一种可行且有效方法。     

GOSAT卫星温室气体浓度反演误差的分析与评价

GOSAT(Greenhouse gases Observation SATellite)卫星是日本于2009年1月23日发射的世界上第一颗专门用于温室气体观测的卫星。本文在分析GOSAT温室气体浓度反演算法误差特征的基础上,评价了GOSAT卫星大气CO2浓度反演误差的时空变化规律,并进一步针对影响反演算法精度主要因子之一的地表反照率,讨论分析了地表反照率与误差之间的关系。结果表明：反演总体误差空间上南半球低于北半球,在纬度带上显示了一定的季节变化特征;中国区域的误差比同纬度区域高1ppm以上,且具有冬高夏低的季节变化。     

保留结构细节的遥感海表温度图像的采样与重构

为了用较小的数据量重构出保留细节结构的高分辨率海表温度（SST）图像,对海表温度脊线和谷线、温度梯度脊线以及残差图像脊线进行采样,与陆地边界以及矩形域的边缘一起作为边界条件,利用Laplace方程的9点差分形式,对海域中所有的结点迭代计算,重构出海表温度场。选取了2012年5月份东海以及西太平洋海域的MODIS 三级产品的月平均海表温度进行了采样与重构试验,结果表明,复原图像与原图像误差最大绝对值为0.3960℃ ,回放等值线与原等值线叠合吻合较好,说明该方法进行海表温度场重构具有可行性。     

利用MODIS数据反演南海南部海表温度及时空变化分析

南海海水表面温度对中国陆地的气候变化具有显著的影响。以南海南部海域为例,首先对MODIS基础数据进行几何校正及影像去云等预处理,利用辐射传输模型MODTRAN计算大气透过率,利用MODIS数据第31和32波段辐射亮度值计算亮度温度,采用劈窗算法反演南海南部海域海表温度,反演结果与产品及实测数据进行回归分析,采取决定系数（R ²）、误差平方和（SSE）及均方根误差（RMSE）进行拟合情况评价。决定系数（R ²）大于0.8,SSE、RMSE较小,其中反演结果与实测数据的SSE为1.025,RMSE为0.158,说明反演精度良好。研究表明:温度具有明显的区域和季节变化特征,秋冬较低,春夏较高,在空间上从离近岸向中心海域方向递减,海盆中心温度低。温度受气候的影响,与厄尔尼诺现象呈正相关,与拉尼娜现象呈负相关。     

GOSAT卫星温室气体浓度反演误差的分析与评价

GOSAT(Greenhouse gases Observation SATellite)卫星是日本于2009年1月23日发射的世界上第一颗专门用于温室气体观测的卫星.本文在分析GOSAT温室气体浓度反演算法误差特征的基础上,评价了GOS-AT卫星大气CO2浓度反演误差的时空变化规律,并进一步针对影响反演算法精度主要园子之一的地表反照率,讨论分析了地表反照率与误差之间的关系.结果表明:反演总体误差空间上南半球低于北半球,在纬度带上显示了一定的季节变化特征;中国区域的误差比同纬度区域高1ppm以上,且具有冬高夏低的季节变化.     

边缘检测在中国东部海域海表温度锋中的应用研究

针对海表温度锋的模糊边缘特点,首先利用詹森香农散度,借助4个方向,5×5大小的结构元素,对2009年、2010年中国东部海域海表温度(SST)卫星遥感数据进行处理,得到锋面的可能发生区,然后引入模糊蕴涵算子,对图像进行模糊变换,最后使用边缘检测方法提取锋面可能发生区内存在的温度锋。检测结果表明:在中国东部海域存在3个主要的锋面,各锋面的空间分布和强度均存在明显的季节变化,大致呈现冬春强,夏秋弱的趋势。     

我国东海海面温度定量遥感反演研究

提出了利用Terra卫星的MODIS的20、29、31 和32红外通道数据来反演我国东海海面温度的区域SST反演算法。算法的系数是通过辐射传输模型MODTRAN 4,输入TIGR大气廓线库中中国东海附近的大气廓线进行辐射传输模拟获得。通过MODIS的SST产品MOD28数据以及实测海面浮标数据进行算法精度验证,验证结果显示,该算法获得的SST分布与MOD28产品相吻合;用21个实测浮标数据为真值,算法精度为0.98 K,RMSE为1 K,而MOD28的精度为1.29 K,RMSE为1.26 K,该算法精度优于MODIS的SST产品精度;卫星观测角度在40°以内精度为0.68 K,大于40°精度降低到1.16 K,对于大观测角度的SST反演,算法还有待改进。     

基于星载微波辐射计的海面风场对海表盐度反演影响研究

为了研究海面风场对海表盐度反演结果的影响,需要构建准确的海面风场影响下的海表亮温模型。将不同海面粗糙度模型计算的结果与Aquarius盐度计卫星产品中的海面粗糙度数据进行了比较,结果表明双尺度模型结合海面泡沫模型的计算结果与Aquarius卫星产品粗糙度数据一致性最好。基于此构建了海面风场影响下的海面亮温仿真模型以及双极化通道的盐度反演模型,研究了海面风场对L波段海面微波辐射特性的影响以及风场资料误差对盐度反演精度的影响。仿真结果表明,2m/s的风速误差对盐度反演结果的影响较大。在低温和大风速条件下达到1psu以上,尚不能满足目前盐度遥感的精度要求。20°的风向误差对在中小入射角条件下对盐度反演结果影响较小,对盐度遥感的月平均要求影响不大。     

Mono-window Algorithm Applicability in Fujian Sea and Its Surrounding Areas Sea Surface Temperature Retrieval

On the basis of four quarters HJ\|1b thermal infrared remote sensing images during 2013~2014,each of the spring,summer,autumn and winter,mono\|window algorithm was adopted to retrieve Sea Surface Temperature(SST).To verify the feasibility and accuracy of this algorithm,the derived results were compared with the measured SST data,show that the average absolute error is 0.86 ℃ and the correlation coefficient R² is 0.971 5.The different levels influence on derived results caused by the uncertainty of water vapor and atmospheric temperature is analyzed,indicate that if the water vapor error ranges between -2~0 g/cm²and the temperature variation is between -2 ℃~2 ℃,the sea surface temperature error will be within 5%,the high retrieving accuracy can still be achieved;The sensitivity of the water vapor in winter shows higher than in summer,while the sensitivity of atmospheric temperature demonstrates lower than in summer.Therefore,mono\|window algorithm is good applicable in the SST retrieval in Fujian sea and its surrounding areas,which is of great significance to Fujian environmental monitoring.     

地表温度遥感中大气平均作用温度估算模型研究

大气平均作用温度Ta是地表温度遥感单窗算法中一个关键的参数,利用2008~2011年全国123个探空站点资料,针对大气水汽量的垂直分布特征,分析了利用近地层气温T0估算大气有效平均温度的可行性;进一步分析了T0和Ta之间的相关性,建立了适合我国地区大气平均温度估算的最佳模型Ta=44.97098+0.80512 T0,模型的决定系数R²为0.859,均方根误差为4.198 K。通过对44幅HJ\|1B/IRS热红外图像地温反演的敏感性分析,结果表明:模型估算的Ta用于地表温度反演时的误差为1.734 K;当大气透射率τ很小时,模型估算的Ta误差对地温反演很敏感,较小的估算误差会给地温反演带来很大的误差;随着大气透射率τ的增加,Ta的估算误差对地温反演的敏感性逐渐降低。
     

基于相似性挖掘的遥感SST评估和订正技术

针对遥感反演精度受大气环境干扰较重,特别是云、雨,尤其是在水汽丰富海域反演数据的可靠性不易把握的特点.根据对卫星遥感温度信息的精度和信度,提出了一种相似性评判法则,即借助相似性理论将待测等温线与历史等温线比较来修正海表面温度.实验结果表明,给定方法可以提高数据反演精度,特别是遥感数据质量较差的区域效果明显.     

针对HJ-1B的水表温度反演方法研究

利用HJ-1B热红外波段数据进行了水表温度反演。数据定标后,利用水体指数对HJ-1B热红外数据进行了水体识别,识别后直接对水体区域进行编程处理。在模型方面,考虑了HJ-1B热红外通道波谱响应函数的影响,利用MODTRAN4模型修正了Jimenez-Munoz和Sobrino提出的单通道算法,算法的参数"水汽含量"从MOD05水汽产品中取得。最后利用相同时间段内MODIS的海表面温度产品进行了验证,结果显示在抽取的1211个验证点中相对误差在5%以下的占78.695%,可以认为利用HJ-1B热红外数据进行水表面温度反演是可行的。     

SMOS卫星海表面亮温数据与海表面盐度数据的相关性研究

海表面亮温是反演海表面盐度的关键。从不同海表面亮温参数与海表面盐度的关系入手,利用2014年7月8日西北太平洋区域SMOS(Soil Moisture and Ocean Salinity)卫星L1C数据和Argo实测盐度数据,使用数据拟合、显著性检验、偏相关分析和广义相加模型等方法,分析了海表面盐度SSS(Sea Surface Salinity)与SMOS卫星不同极化方式和不同入射角亮温参数的相互关系,并得到以下结论:水平极化亮温、垂直极化亮温、第一斯托克斯参数和第二斯托克斯参数4种亮温参数与入射角具有较强的相关性,水平极化亮温、第一斯托克斯参数与海表面盐度相关性较好,其中12.5°第一斯托克斯参数为反演海表面盐度的最佳亮温参数。     

Factors affecting remotely sensed snow water equivalent uncertainty

State-of-the-art passive microwave remote sensing-based snow water equivalent (SWE) algorithms correct for factors believed to most significantly affect retrieved SWE bias and uncertainty. For example, a recently developed semi-empirical SWE retrieval algorithm accounts for systematic and random error caused by forest cover and snow morphology (crystal size — a function of location and time of year). However, we have found that climate and land surface complexities lead to significant systematic and random error uncertainties in remotely sensed SWE retrievals that are not included in current SWE estimation algorithms. Joint analysis of independent meteorological records, ground SWE measurements, remotely sensed SWE estimates, and land surface characteristics have provided a unique look at the error structure of these recently developed satellite SWE products. We considered satellite-derived SWE errors associated with the snow pack mass itself, the distance to significant open water bodies, liquid water in the snow pack and/or morphology change due to melt and refreeze, forest cover, snow class, and topographic factors such as large scale root mean square roughness and dominant aspect. Analysis of the nine-year Scanning Multichannel Microwave Radiometer (SMMR) SWE data set was undertaken for Canada where many in-situ measurements are available. It was found that for SMMR pixels with 5 or more ground stations available, the remote sensing product was generally unbiased with a seasonal maximum 20 mm average root mean square error for SWE values less than 100 mm. For snow packs above 100 mm, the SWE estimate bias was linearly related to the snow pack mass and the root mean square error increased to around 150 mm. Both the distance to open water and average monthly mean air temperature were found to significantly influence the retrieved SWE product uncertainty. Apart from maritime snow class, which had the greatest snow class affect on root mean square error and bias, all other factors showed little relation to observed uncertainties. Eliminating the drop-in-the-bucket averaged gridded remote sensing SWE data within 200 km of open water bodies, for monthly mean temperatures greater than − 2 °C, and for snow packs greater than 100 mm, has resulted in a remotely sensed SWE product that is useful for practical applications.     

基于Landsat8的地表温度反演算法研究——以滇池流域为例

2013年2月11日Landsat 8在加州范德堡空军基地发射升空,其携带的热红外传感器为反演地表温度提供了一种新的数据,但目前尚没有针对Landsat 8热红外波段反演地表温度的算法。针对Landsat 8第10波段特征,对现有反演地表温度的单窗算法进行了参数修正,得到了用Landsat 8第10波段反演地表温度的单窗算法系数。为了评价修正后算法的精度,用MODTRAN模拟地表温度为20、30和40℃时大气水汽含量分别为1.0、1.5、2.0和2.5g·cm-2传感器高度处的热辐射值,再将模拟数据用修正后的单窗算法反演地表温度,结果表明:地表温度越低、大气水汽含量越低,误差越小;模拟结果的平均误差为0.74℃。说明基于Landsat 8第10波段用修正后的单窗算法反演地表温度是可行的,该方法可为地表温度反演提供一种途径。最后以滇池流域为例,基于2013年4月20日的Landsat 8热红外数据反演了滇池流域的地表温度,并分析了滇池流域地表温度的分布特征。     

Assessing the potential to derive air–sea freshwater fluxes from Aquarius‐like observations of surface salinity

A state‐of‐the‐art numerical model is used to investigate the possibility of determining freshwater flux fields from temporal changes in sea‐surface salinity (SSS), a goal of the satellite salinity‐measuring mission, Aquarius/SAC‐D. Because the estimated advective temporal scale is usually longer than the Aquarius/SAC‐D revisit time, the possibility of producing freshwater flux estimates from temporal salinity changes is first examined by using a correlation analysis. For the mean seasonal cycle, the patterns of the correlations between the freshwater fluxes and surface salinity temporal tendencies are mainly zonally oriented, and are highest where the local precipitation is also relatively high. Nonseasonal (deviations from the monthly mean) correlations are highest along mid‐latitude storm tracks and are relatively small in the tropics. The complex correlation patterns presented here suggest that a global retrieval of the difference between evaporation and precipitation (E–P) from salinity changes requires more complex techniques than a simple consideration of a local balance with surface forcing.     

Book reviews

We present a new method to determine the near surface air temperature (T_a ) from satellite observations. The satellite observed parameters of total precipitable water (W), atmospheric boundary layer (～500 m) water vapour (W_b ), and sea surface temperature (SST) are used to derive T_a . A genetic algorithm (GA) is used to find the optimum relation between the input (W, W_b , SST) and output (T_a) parameters. The input data consist of 6 years (1988–1993) of instantaneous as well as monthly averages of W, W_b from the Special Sensor Microwave Imager (SSM/I), and SST data from the Advanced Very High Resolution Radiometer (AVHRR). T_a observations based on Comprehensive Ocean Atmospheric Data Set (COADS) are used to develop and evaluate the new methodology. The global mean root mean square (rms) error for instantaneous T_a estimates is 1.4°C and for monthly averages it decreases to 0.74°C. Slightly higher discrepancies between T_a derived from the new method and in situ data are found over the western boundary currents (such as the Kuroshio and Gulf Stream) during wintertime. These regions are characterized by continental cold air outbreak and seasonal current systems, particularly during wintertime. During these conditions weak coupling between SST and T_a may be one of the reasons for large error over these regions. Our method improves upon the air temperature estimates of earlier studies.