SMAP卫星海表面亮温仿真及海表面盐度遥感反演

doi:10.11873/j.issn.1004-0323.2020.2.0365

SMAP卫星海表面亮温仿真及海表面盐度遥感反演

王艺晴^,¹, 韩震^,¹^,²^,³, 周玮辰¹, 吴义生¹

1.上海海洋大学海洋科学学院，上海 201306

2.国家远洋渔业工程技术研究中心，上海 201306

3.上海河口海洋测绘工程技术研究中心，上海 201306

SMAP Satellite Sea Surface Brightness Temperature Simulation and Sea Surface Salinity Retrieval

Wang Yiqing^,¹, Han Zhen^,¹^,²^,³, Zhou Weichen¹, Wu Yisheng¹

1.College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China

2.National Engineering Research Center for Oceanic Fisheries, Shanghai 201306, China

3.Shanghai Engineering Research Center of Estuarine and Oceanographic Mapping, Shanghai 201306, China

通讯作者: 韩震(1969-)，男，山东德州人，教授，博士，主要从事海洋遥感方面的研究。 E⁃mail: zhhan@shou.edu.cn

收稿日期: 2018-11-10 修回日期: 2020-01-20 网络出版日期: 2020-06-18

基金资助:

“全球变化与海气相互作用”专项. GASI⁃02⁃PACIND⁃YGST03

Received: 2018-11-10 Revised: 2020-01-20 Online: 2020-06-18

作者简介 About authors

王艺晴(1994-)，女，浙江台州人，硕士研究生，主要从事海洋遥感方面的研究E⁃mail:641825629@qq.com , E-mail：641825629@qq.com

摘要

海表面盐度遥感是海洋遥感研究的重要内容之一。针对大气对海表面盐度遥感的影响，根据大气辐射传输理论，对大气影响进行仿真分析及修正，进而通过神经网络模型反演了海表面盐度。研究结果表明：大气对海表面盐度遥感存在一定的影响，需进行校正；当大气温度和压强精度分别达到2 ℃和10 hPa时，可以去除大气影响；训练样本集选取数量的不同将对神经网络反演精度造成一定的影响；SMAP卫星海表面盐度遥感反演结果相对误差较小，残差基本集中在0.6以内，但在盐度值低于34.4‰的区域误差较大。

关键词： SMAP卫星 ; 海表面盐度 ; 大气辐射传输 ; 仿真 ; 盐度反演

Abstract

Sea surface salinity remote sensing is one of the important contents of the remote sensing research of the ocean. For the influence of the sea surface salinity remote sensing caused by the atmospheric, according to the theory of atmospheric radiation transfer, the atmospheric radiation effects were simulated and corrected, and then the sea surface salinity was inverted by the neural network model. The result showed that the atmospheric radiation effect was serious, and it needed to be corrected. When the precision of atmospheric temperature and pressure of the earth surface was 2 ℃ and 10 hPa, the atmospheric influence could be removed. The difference in the number of the training sample sets would have a certain impact on the accuracy of neural network inversion. The salinity retrieval relative error of the SMAP satellite was small, and the residual error was basically concentrated within 0.6, but the error was larger in the region where the salinity value is lower than 34.4‰.

Keywords： SMAP satellite ; Sea surface salinity ; Atmospheric radiation transfer ; Simulation ; Salinity retrieval

PDF (4859KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王艺晴, 韩震, 周玮辰, 吴义生. SMAP卫星海表面亮温仿真及海表面盐度遥感反演. 遥感技术与应用[J], 2020, 35(2): 365-371 doi:10.11873/j.issn.1004-0323.2020.2.0365

Wang Yiqing, Han Zhen, Zhou Weichen, Wu Yisheng. SMAP Satellite Sea Surface Brightness Temperature Simulation and Sea Surface Salinity Retrieval. Remote Sensing Technology and Application[J], 2020, 35(2): 365-371 doi:10.11873/j.issn.1004-0323.2020.2.0365

1 引言

海表面盐度（Sea Surface Salinity，SSS）作为海洋环境要素之一，对大洋环流、海气交换和全球气候变化等有着举足轻重的作用^[1]。早在50 a前，国外就开始了航空盐度遥感技术的研究，并逐步建立了L波段SSS遥感的基本理论体系^[2]。自2009年起，随着土壤湿度和海表盐度卫星（Soil Moisture and Ocean Salinity，SMOS）、Aquarius/SAC-D卫星以及主被动土壤湿度卫星（Soil Moisture Active Passive，SMAP）的相继发射，卫星微波辐射计遥感SSS逐渐走向业务化。

通过微波辐射计反演SSS时，影响反演精度的误差因素主要有太空、电离层、大气、海表面粗糙度和射频干扰等，其中大气和海表面粗糙度的影响占比较大^[3]，因此，利用SMAP卫星L1B大气顶端亮温数据、海表面温度数据、HY-2A卫星L2级有效波高以及风矢量数据，根据大气辐射传输理论，对辐射计探测亮温的组成进行了分析，仿真计算了大气对SSS遥感反演精度的影响，并对大气影响进行了修正，最后通过神经网络模型进行了SSS反演。

2 研究区域及数据

使用2016年1月16日至1月31日SMAP卫星L1B大气顶端亮温数据（T_B,toa），该数据从美国冰雪数据中心（NSIDC）下载（http://nsidc.org），HY-2A卫星L2级有效波高（SWH）和海面10 m高处风矢量数据（U₁₀）数据从国家海洋卫星应用中心下载（http://www.nsoas.gov.cn/），Argo浮标实测SSS数据（Argo SSS）及海表面温度数据（SST）来自中国Argo实时资料中心（http://www.argo.org.cn/）。选取的研究区域位于130°~180° E，0°~30° N，研究区域如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区域示意图

Fig.1 Map of the study area

技术流程如图2所示。首先根据大气辐射传输理论，仿真计算大气透射率和大气上、下行辐射亮温，同时得出其随地面大气温度和压强的变化关系，并定量分析大气对SSS遥感反演精度的影响；然后针对SMAP卫星L1B大气顶端亮温数据T_B,toa去除大气辐射的影响，得到海表面亮温数据T_B,sur；最后用计算得出的海表面亮温数据T_B,sur通过RBF神经网络模型反演SSS，并利用Argo浮标实测SSS数据进行了精度评价。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 技术流程图

Fig.2 Flow chart of technology

3 SMAP卫星海表面亮温仿真

3.1　理论及模型建立

星载微波辐射计测量的亮温由4部分组成，即海表面的直接辐射、大气的上行辐射、大气的下行辐射经海表面反射的辐射和宇宙空间进入大气经海表面反射的辐射。其中反射的大气辐射和海表面的直接辐射同时被大气衰减^[4]。因此，根据大气辐射传输理论，到达大气层顶部的辐射计探测到的亮温T_B,toa可以表示为^[5,6]：

T_{B, t o a} = t T_{B, s u r} + T_{B U} + t ρ T_{B D} + t^{2} ρ T_{B c o s}

（1）

其中：t为大气透射率，T_B,sur为海表面亮温，T_BU为大气上行辐射亮温，T_BD为大气下行辐射亮温，T_B_cos为宇宙背景噪声辐射亮温。将T_B_cos取值为3.1 K，其实际上是宇宙背景辐射(2.73 K)加上银河系的背景噪声(0.37 K)^[5]。ρ为海面的反射率，其计算公式为：

ρ = 1 - \frac{T_{B, s u r}}{S S T}

（2）

对公式(1)进行分析可知，式中海表面亮温T_B,sur为SSS反演所需要的量，其余部分皆为误差项。因此，从大气顶端亮温T_B,toa中剔除这些误差项的影响就可以得到海表面亮温T_B,sur，其计算公式为：

T_{B, s u r} = [\frac{\frac{T_{B, t o a} - T_{B U}}{t} - (T_{B D} + t T_{B c o s})}{S S T - (T_{B D} + t T_{B c o s})}] S S T

（3）

公式(3)中的误差项主要包括大气透射率t和大气上、下行辐射T_BU和T_BD，若要计算得到海表面亮温T_B,sur，就必须先求取这些误差项的值。

大气透射率t和上、下辐射T_BU和T_BD的计算模型如下，通常采用高度坐标^[7]：

t (θ, H) = e x p [- τ (0, H) s e c θ]

（4）

τ (z_{1}, z_{2}) = \int_{z_{1}}^{z_{2}} κ_{a} (z) s e c θ d z

（5）

T_{B U} (θ, H) = \int_{0}^{H} T (z) κ_{a} (z) t (z, H) s e c θ d z

（6）

T_{B D} (θ, H) = \int_{0}^{H} T (z) κ_{a} (z) t (0, z) s e c θ d z

（7）

其中：θ为辐射计入射角（SMAP卫星入射角为40°），τ(0,H)表示地面到H高度处的光学厚度，T(z)为大气的温度廓线，κ_a为大气的衰减系数。由于通常情况下，大气中云、雨和水蒸气对微波传输的影响可以忽略不计，因此在κ_a的计算过程中只需考虑氧气的影响^[8]。衰减系数κ_O₂（单位：dB/km）计算公式如下^[8]：

κ_{O_{2}} (f) = 1.1 \times 10^{- 2} f^{2} (\frac{p_{a}}{1013}) (\frac{300}{T_{a}}) \times γ (\frac{1}{{(f - f_{0})}^{2} + γ^{2}} + \frac{1}{f^{2} + γ^{2}})

（8）

其中：f为L波段的频率1.4 GHz；f₀为氧气吸收带的频率60 GHz；p_a为大气的压强；T_a为大气的温度；γ表示线宽（大气压强和温度的函数）,其表达式如下^[8]：

γ = γ_{0} (\frac{P}{1013}) {(\frac{300}{T})}^{0.85}

（9）

γ_{0} = \{\begin{array}{l} 0.59, \begin{matrix} P \geq 333 \end{matrix} \\ 0.59 [1 + 0.0031 (333 - P)], \begin{matrix} 25 \leq P \leq 333 \end{matrix} \\ 1.18, \begin{matrix} P \leq 25 \end{matrix} \end{array}

（10）

关于公式（8）中需输入的大气温压廓线，本文选用的是1962年美国标准大气廓线，表达式如下^[9]：

T_{a} (z) = \{\begin{array}{l} T_{0} - 6.5 z, \begin{matrix} 0 \leq z \leq 11 \end{matrix} \\ T (11), \begin{matrix} 11 \leq z \leq 20 \end{matrix} \\ T (11) + (z - 20), \begin{matrix} 20 \leq z \leq 32 \end{matrix} \end{array}

（11）

P (z) = P_{0} \cdot e^{- z / 7.7 k m} \begin{matrix}  \end{matrix}

（12）

其中：T₀表示海表大气温度，z表示海拔高度，T（11）表示11 km高度处的大气温度，P₀表示海表大气压强。

3.2　仿真结果与分析

大气影响仿真结果如图3,4,5和表1所示。图3所示为辐射计40°入射角时大气透射率随地面大气温度和压强的变化。从仿真结果可以看出，大气透射率随地面温度的增大而增大，随地面大气压强的增大而减小。图4和图5为辐射计40°入射角时大气上、下行辐射亮温随地面大气温度和压强的变化。由图4和图5可知，大气上、下行辐射亮温的大小差别非常小^[10]，正常情况下小于0.002 K，范围都在2~4.5 K之间，且随大气温度的增大而减小，随大气压强的增大而增大，并且其随大气温度的变化范围要小于随大气压强的变化范围。结合公式（1）可知，大气对亮温的影响随大气温度的增大而减小，随大气压强的增大而增大，造成的亮温误差约为2~4 K，超出了反演精度要求。因此，在海表面亮温仿真过程中，需要去除大气辐射的影响。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 辐射计入射角为40°时大气透射率的变化

Fig.3 The change of atmospheric transmissivity with 40° incidence angle

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 地面大气压强为1 013 hPa时，大气上、下行辐射亮温随地面大气温度的变化

Fig.4 The change of upwelling and downwelling radiation brightness temperature with the atmospheric temperature when the atmospheric pressure is 1 013 hPa

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 地面大气温度为290 K时，大气上、下行辐射亮温随地面大气压强的变化

Fig.5 The change of upwelling and downwelling radiation brightness temperature with the atmospheric pressure when the atmospheric temperature is 290 K

表1 入射角为40°时大气上、下行辐射亮温对地面大气温度和压强的变化率

Table 1 The rate of change of upwelling and downwelling radiation brightness temperature to atmospheric temperature and pressure with 40° incidence angle

入射角	辐射类型	对温度的变化率（K/℃）	对压强的变化率（K/hPa）
40°	上行	0.006 4	0.005 3
40°	下行	0.006 4	0.005 3

新窗口打开| 下载CSV

表1为辐射计40°入射角时大气上、下行辐射亮温对大气温度及压强的变化率。由表1可知，当大气温度精度达到2 ℃时，40°入射角的亮温精度小于等于0.012 8 K；当大气压强精度达到10 hPa时，40°入射角的亮温精度小于等于0.053 K。在这种情况下，大气上、下行辐射亮温影响较小，符合反演精度要求^[11]，可以去除大气影响。

图6、图7分别为SMAP卫星升轨和降轨的海表面亮温T_B,sur仿真结果。由图6和图7可知，SMAP卫星升轨及降轨海表面亮温数据相差不大，分布特征也较为相似，其中H极化亮温变化范围为69~77 K，V极化亮温数值较大，变化范围为109~115.5 K。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 SMAP卫星升轨海表面H、V极化亮温仿真结果

Fig.6 The simulation results of the SMAP H and V polarization bright temperature of the ascending orbit

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 SMAP卫星降轨海表面H、V极化亮温仿真结果

Fig.7 The simulation results of the SMAP H and V polarization bright temperature of the descending orbit

4 神经网络模型反演海表面盐度

4.1　神经网络反演算法

神经网络（Neural Network，NN）是数据挖掘技术中的重要方法之一^[12]。它来源于生物神经网络的启发，具有自适应性、学习能力强和抗干扰能力等各种优点。

本文主要使用径向基（RBF）神经网络模型来

进行SMAP卫星SSS反演。RBF神经网络是一种三层神经网络，其中包括输入层、隐藏层与输出层，从输入层到隐藏层的变换是非线性的，而从隐藏层到输出层的变换则是线性的。RBF神经网络训练速度快，具有很强的非线性映射能力，能够实现较高精度的SSS反演。由于反演的值是SSS，因此输出的结果是一个标量，故输出层的神经元节点个数为1。本文采用了影响盐度反演的5个因素作为输入参量，分别为海表面H极化亮温（T_Bh）、海表面V极化亮温（T_Bv）、海表面温度（SST）、风速（U₁₀）和有效波高（SWH），即输入层包含5个节点。在RBF神经网络中，隐藏层的节点个数是不确定的，它将在设计网络的训练过程中根据自身设置的目标误差值而不断增加，直到达到预期的误差要求，本网络的训练误差设置为0.01。其中，选取2016年1月16日至1月31日共16 d的数据组成输入样本集，样本集在输入RBF神经网络之前需进行预处理，采用Matlab插值函数将5个输入参量进行网格化处理，按1°×1°的空间分辨率进行匹配，剔除无效值后有效数据为1 456组。分别取前700、800、900、1 000、1 100、1 200组作为训练样本输入神经网络进行训练，利用训练得出的模型对剩余样本组进行检验，检验所得相对误差如表2所示。可以看出，在神经网络反演过程中，训练样本集选取数量的不同将对反演结果造成一定的影响，随着训练样本的增加，相对误差逐渐减小，在训练样本为1 000组时，平均相对误差最小，最大相对误差较小，之后随着训练样本的增加，相对误差又逐渐增大，这可能是由于随着神经网络训练中迭代次数的增加，曲线由欠拟合变得过拟合所导致的。

表2 相对误差分析

Table 2 The relative error analysis

升轨：(Argo SSS-SMAP SSS)/Argo SSS	平均相对误差	最大相对误差	降轨：(Argo SSS-SMAP SSS)/Argo SSS	平均相对误差	最大相对误差
700	0.007 9	0.023 4	700	0.007 5	0.024 2
800	0.008 0	0.024 6	800	0.007 6	0.022 4
900	0.007 9	0.020 2	900	0.007 4	0.021 4
1 000	0.007 6	0.023 1	1 000	0.007 2	0.021 3
1 100	0.008 1	0.031 0	1 100	0.007 6	0.021 0
1 200	0.010 1	0.073 1	1 200	0.007 2	0.025 3

新窗口打开| 下载CSV

4.2　精度评估

根据上述结论，选取训练样本为1 000组时的反演结果作为本次神经网络反演海表面盐度精度评估的依据。图8为训练样本为1 000组时SMAP卫星升轨数据反演SSS与Argo实测SSS数据的对比结果，图9为训练样本为1 000组时SMAP卫星降轨数据反演SSS与Argo实测SSS数据的对比结果。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 训练样本为1 000组时，SMAP卫星升轨数据反演SSS与Argo实测SSS数据的对比

Fig.8 Comparison of the SMAP SSS of the ascending orbit and the Argo SSS when the training sample is 1 000 groups

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 训练样本为1 000组时，SMAP卫星降轨数据反演SSS与Argo实测SSS数据的对比

Fig.9 Comparison of the SMAP SSS of the descending orbit and the Argo SSS when the training sample is 1 000 groups

从图8和图9可以看出，SMAP卫星升轨和降轨数据进行SSS反演测试结果均较好，残差基本上集中在0.6以内。两者SSS测试结果在SSS值低于34.4‰的区域误差较大，在SSS值接近35.4‰的区域，降轨数据SSS测试结果要稍好于升轨数据SSS测试结果。

由表2可知，训练样本为1 000组时，升、降轨数据海表面反演盐度与Argo实测SSS的相对误差均较小，其中升轨数据反演SSS的相对误差要略大于降轨数据反演SSS的值。

5 讨论

海表盐度作为气候及海洋研究中的重要参数之一，其在海洋参量研究中的重要地位是不可取代的。目前，越来越多的学者针对卫星盐度遥感反演进行了研究^[13]，但由于海表面情况复杂，影响因素较多，使得卫星海表面盐度的测量仍存在较大误差。因此，如何提高海表盐度的反演精度仍然是研究者面临的巨大考验。本文基于SMAP卫星L1B大气顶端亮温数据、海表面温度数据、HY-2A卫星L2级有效波高以及风矢量数据进行了海表面亮温仿真，并利用神经网络模型对SMAP卫星海表面盐度进行了反演，获得了一些初步的研究成果和结论。但是，其中也存在一些不足有待进一步的研究。一是影响SSS反演精度的误差因素有许多，本文只考虑了大气对SSS反演精度的影响，后续可以进一步研究太空、电离层、海表面粗糙度和射频干扰等对SSS反演精度的影响。二是神经网络方法对参考样本的质量和样本数量的依赖性较大。因此，在未来的学习中，可结合更多的SSS反演影响因素，不断优化模型的输入参数，建立适应性更强的盐度反演模型。

6 结语

本文根据大气辐射传输理论仿真计算得出大气透射率和上、下行辐射亮温随地面大气温度、压强的变化关系，定量分析了大气对SSS反演精度的影响，并对大气影响进行了修正，最终通过RBF神经网络模型反演得到了SMAP SSS，结论如下：

（1）大气对辐射计接收亮温的影响随大气温度的增大而减小，随大气压强的增大而增大，造成的亮温误差约为2~4 K，远超出了海表面亮温反演精度要求，所以在海表面亮温仿真过程中必须考虑大气的影响。

（2）当大气温度与大气压强达到2 ℃和10 hPa的精度要求时，大气上、下行辐射亮温影响小于等于0.053 K，符合海表面亮温反演精度要求，可以去除大气影响。

（3）训练样本集选取数量的不同将对神经网络反演结果造成一定的影响，随着训练样本组数的增加，相对误差逐渐减小，在训练样本为1 000组时，平均相对误差最小，最大相对误差较小，之后随着训练样本组数的增加，相对误差又逐渐增大，其原因是由于随着神经网络训练中迭代次数的增加，曲线由欠拟合变得过拟合所导致的。

（4）训练样本为1 000组时，SMAP卫星升轨、降轨数据进行SSS反演测试结果均较好，残差基本上集中在0.6以内，但在盐度值低于34.4‰的区域误差较大；两者相对误差均较小，其中降轨数据的值要略小于升轨数据的值。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Hualiang

, Han

Zhen

, Zhang

Yizhen

, et al.

Correlation of SMOS Satellite Sea Surface Brightness Temperature Data and the Sea Surface Salinity Data

[J]. Remote Sensing Technology and Application,2016,31(1):143-148.