基于仿真的6.9 GHz通道亮溫改進FY-3D MWRI海面溫度產品

張淼 孫逢林 竇芳麗 谷松巖

(國家衛星氣象中心 中國氣象局中國遙感衛星輻射測量和定標重點開放實驗室,許健民氣象衛星創新中心，北京 100081)

引言

海洋表面溫度SST(Sea Surface Temperature)是全球海洋和氣候研究的重要參數之一[1-2]。相比于船舶和浮標對SST的觀測，衛星遙感實現了大范圍、高分辨的長期重復觀測[3-4]，成為SST觀測不可或缺的數據源[5]。衛星遙感SST主要有紅外和被動微波兩種方式[6]，微波可以克服紅外方法受太陽輻射日變化、水汽、氣溶膠和云等影響的缺陷，實現全天候觀測[7-8]，因此被越來越多的應用到SST研究中。

目前用于SST反演的微波輻射計主要包括：熱帶測雨衛星(TRMM)搭載的微波輻射成像儀TMI(TRMM Microwave Imager)及其后續星GPM(Global Precipitation Measurement)搭載的微波成像儀GMI(GPM Microwave Imager)，美國Aqua衛星搭載的先進微波掃描輻射計AMSR-E(Advance Microwave Scanning Radiometer)及AMSR-2，美國Coriolis衛星搭載的全球第一顆星載全極化微波輻射計Windsat，風云三號(FY-3)衛星搭載的微波成像儀(MWRI)，海洋二號(HY-2)衛星搭載的微波成像儀(RM)。表1比較了各微波輻射計通道設置，可以看出FY-3 MWRI缺少了對SST更加敏感的7 GHz附近垂直極化通道[9]，是其SST反演精度較差的原因之一。因此本研究將FY-3與Aqua進行時空匹配，采用神經網絡方法，利用匹配的FY-3 MWRI的通道亮溫模擬仿真AMSR-2的6.9 GHz垂直極化通道亮溫(以下簡稱6.9V)，通過引入仿真的6.9V來提高FY-3 MWRI SST的反演精度。

表1 星載微波輻射計通道設置比較

1 資料介紹

本文使用的FY-3D/MWRI亮溫數據來自“國產多系列遙感衛星歷史資料再定標技術”項目，該項目通過解決國產衛星載荷歷史數據輻射基準統一、精度可靠氣候數據集構建的全鏈路技術難題，產生了穩定的高精度的長序列定標產品，為氣候遙感產品開發提供了必要的基準數據支撐。AMSR-2 L1R數據是L1B數據經過分辨率匹配和質量控制后生成的，將所有頻率的觀測位置都轉換到了89 GHz掃描點上，包含了不同空間分辨率的產品，本文選擇L1R數據集中與6.9 GHz分辨率匹配的6.9V數據，數據詳細介紹見參考文獻[10]。浮標資料從NESDIS/STAR的FTP服務器下載, 高分辨率融合分析場日平均海溫(Opetimum Interpolation SST，OISST)資料從NOAA/NCDC的FTP服務器下載，2個數據的詳細介紹見參考文獻[11]。

2 敏感性分析

將標準大氣廓線輸入VDISORT微波輻射傳輸模式[12]模擬6.9V和10V(FY-3 MWRI 10.65 GHz垂直極化通道亮溫，下同)對SST在-2～35 ℃的敏感度，如圖1所示，從圖中可以看出，在-2 ℃，6.9V對SST的敏感度為0.4 K·℃-1，而10V對SST的敏感度僅為0.1 K·℃-1，隨著SST的增大，6.9V和10V對SST的敏感性均先增大后減小，并且6.9V和10V對SST敏感性的差異逐漸減小，說明6.9V對低SST的探測更有優勢。

圖1 模擬6.9V和10V對SST的敏感度分析

3 模擬仿真關系的建立及檢驗

選擇2019、2020年FY-3D MWRI觀測時空間隔在10 min和10 km內最接近的單一AMSR2像素進行匹配，剔除7×7像元內標準差大于1 K或者有陸地的數據，并利用MWRI降水和海冰產品剔除3×3像元內有降水、7×7像元內有海冰的數據。采用帶3層隱藏層的BP神經網絡方法[13](圖2)，利用匹配的MWRI通道亮溫建立模擬AMSR-2 6.9V的仿真關系。

圖2 BP神經網絡模型示意

BP神經網絡參數配置如下：迭代次數100，學習率0.01，目標函數的值0.00002，隱藏層神經元數分別為5、7、6，隱藏層激活函數采用tansig函數(式(1))。樣本數為1239400條，隨機挑選867580條樣本用于訓練，剩下371820條樣本用于檢驗評估。結果如圖3所示，訓練樣本和檢驗樣本的誤差均值分別為0.000544 K與0.00459 K，標準差分別為0.8610 K與0.8723 K。說明模擬結果具有很好的穩定性。

圖3 6.9V模擬亮溫與AMSR-2實際觀測亮溫的散點圖:(a)訓練樣本，(b)檢驗樣本

(1)

4 產品精度檢驗

FY-3 MWRI SST采用統計算法，詳細算法介紹見參考文獻[11]。本文在FY-3D MWRI SST業務產品算法中引入仿真的6.9V，模型與業務算法相同，海洋表面溫度(SST)計算如下式所示[14]，唯一的區別是業務算法不包括仿真的6.9V:

(2)

式中,對于仿真的6.9V及10.65、18.7、36.5 GHz觀測亮溫,ti=TBi-150，對于23.8 GHz觀測亮溫,ti=-ln(290-TBi)；TBi是對應頻率和極化狀態下仿真的6.9V及MWRI觀測亮溫;a0、ai、bi是回歸系數。

首先利用2019年1、4、7、10月的MWRI資料與浮標進行匹配，獲得算法系數。之后選取2020年1、4、7、10月的MWRI亮溫進行SST反演，并利用浮標觀測對結果進行檢驗。檢驗時剔除了占總樣本數5%的最大偏差樣本，王雨等[15]的研究表明這些樣本不能真實地反映反演SST與浮標觀測之間的比較結果。引入仿真的6.9V前后的誤差統計結果如表2所示，整體來看引入仿真的6.9V后SST標準偏差降低了0.08 K，本文通過神經網絡方法模擬仿真6.9V會引入一定的誤差，導致SST反演精度提升較小。不同月份之間海溫偏差的波動主要是環境場如風速、云、及未去除干凈的降水、海冰等的波動引起的。各緯度帶的誤差統計結果如表3所示，引入仿真的6.9V后各緯度帶的SST反演精度均有提升，其中35°～90°S 之間海域的精度提升最為顯著，為0.14 K。主要原因可能是南極海水溫度較低且南極地區風速較大，6.9V對低SST的探測靈敏度更高且在低SST反演時受風速的影響較小導致的[9,16]。進一步將SST分為大于19 ℃和小于等于19 ℃兩類樣本，發現對于小于等于19 ℃的樣本，引入仿真的6.9V后精度提升0.09 K，對于大于19 ℃的樣本，引入仿真的6.9V后精度提升了0.04 K，說明仿真的6.9V對低溫端SST改進更加顯著，與之前的敏感性分析一致。

表2 引入仿真的6.9V前后MWRI資料反演的SST誤差統計

表3 引入仿真的6.9V前后MWRI資料反演的SST不同緯度帶誤差統計

隨機選取2020年4月15日數據，做引入仿真的6.9V前后的日產品的差值分析及它們與OISST全球分布的差值分析如圖4所示，從圖中可以看出，引入仿真的6.9V后與引入前的差值圖中深藍色部分對應日產品與OISST的差值圖的紅色部分，說明引入仿真的6.9V后日產品與OISST的偏差減小，而這些深藍色部分更多的分布在南極，與前文35°～90°S 之間海域的精度提升最為顯著結論一致。

圖4 2020年4月15日FY-3D/MWRI反演SST引入仿真的6.9V后與引入前的差值(a)，引入前與OISST的差值(b)，引入后與OISST的差值(c)(OISST為NOAA/NCDC的高分辨率融合分析場日均海溫)

5 結論與討論

FY-3 MWRI缺少對SST更加敏感的7 GHz附近垂直極化通道，因此本研究將FY-3 MWRI與Aqua AMSR-2進行時空匹配，采用神經網絡方法，利用匹配的FY-3 MWRI的通道亮溫模擬仿真AMSR-2的6.9V，并將仿真的6.9V引入回歸模型，以提高SST的反演精度。結果表明：引入仿真的6.9V后SST標準偏差降低了0.08 K，且對35°～90°S 之間海域的SST改進更加顯著，標準偏差降低了0.14 K，主要是6.9V對低SST的探測靈敏度更高且在低SST反演時受風速的影響較小導致的。如何更好地進行質量控制，減小環境場如風速、云及未去除干凈的降水、海冰等對反演結果的影響將是下一步的工作重點。且利用浮標海溫對衛星反演海溫產品進行檢驗存在局限性[17]，后面將進一步利用多源海溫資料對結果做進一步的檢驗。如果FY3后續衛星可以搭載6.9 GHz通道，將可進一步提升低SST特別是兩極SST的反演精度。