衛星鹽度計海表鹽度反演技術

吳彬鋒，王叢叢，林明森，張有廣

衛星鹽度計海表鹽度反演技術

吳彬鋒1,2，王叢叢3，林明森1，張有廣1

（1.國家衛星海洋應用中心，北京100081；2.國家海洋環境預報中心，北京100081；3.中國空間技術研究院西安分院，陜西西安710100）

采用分步反演、聯合反演和線性回歸的方法，分別實現海表鹽度的反演。反演結果表明，分步反演可以及時發現和修正誤差較大的參數，聯合反演的精度最好，線性回歸算法反演擁有最快的速度。在實際應用中，可以按需選擇。

海表鹽度；衛星微波遙感；L波段；反演

1 引言

海表面鹽度（Sea Surface Salinity，SSS）是海洋-氣候系統中最重要的參量之一[1]，是認識海洋、揭示海洋現象必不可少的要素，在氣候預報、災害監測、全球水循環、海洋生態、海冰和水團監測以及軍事等領域中起著重要的作用。使用傳統的觀測手段獲取海表鹽度信息非常不便，遙感是更為方便有效的獲取SSS的方式，而衛星微波遙感更是目前唯一可行的大范圍、連續觀測的方法[2-3]。歐洲航天局（European Space Agency，ESA）的SMOS（Soil Moisture and Ocean Salinity）衛星（2009）和美國等多國宇航局共同開發的Aquarius/SAC-D衛星（2011）都已相繼升空，并陸續發布了數據產品。

2015年伊始，我國第一個用于海洋鹽度反演的衛星項目——“海洋鹽度探測衛星”工程啟動。除了1.41 GHz的輻射計外，“海洋鹽度探測衛星”還將擁有6.7 GHz、18.7 GHz和23.8 GHz的輻射計以及1.26 GHz的散射計。它將穩定提供全球海洋鹽度數據，完善我國自主的海洋動力環境信息獲取能力，提升對海洋環境監測和預報的精度。為了充分利用鹽度衛星各頻段載荷的觀測數據，降低海表鹽度反演中誤差的引入，本文根據多波段遙感數據，分別利用分步反演、聯合反演和線性回歸的算法仿真反演海表鹽度，并分析不同算法的反演精度。

2 模式及方法

多波段數據反演海表鹽度的主要思路是：首先根據L波段散射計測量的數據反演海表風速信息，然后根據3種不同方法反演溫度和鹽度信息。分步反演方法是利用C/K波段輻射計測量的數據反演海表溫度信息，再將風速和溫度信息帶入鹽度反演模型反演得到海表鹽度信息，最后將海表鹽度信息作為原先的風速、溫度信息反演的輸入參數進行迭代循環，直到反演結果穩定。聯合反演方法是利用C/ K/L 3個波段的信息進行聯合反演，直到結果穩定。線性回歸的方法是利用C/K波段反演得到的溫度、風速信息作為初始值進行鹽度反演。海表鹽度的反演流程圖見圖1。

L波段海表風場反演模型主要參考美國Aquarius衛星和日本PALSAR衛星L波段散射計反演海表風速的模型[4]。

L波段后向散射系數表示如下：

圖1 海表鹽度反演流程圖

海表溫度的反演利用C/K波段一維綜合孔徑微波輻射計測得的多角度亮溫數據反演得到。大氣頂端的海面輻射傳輸模型為：

將海面發射率E分解為平靜海面發射率E0，由風速造成的發射率ΔEw和由風向造成的發射率ΔEφ。ΔEw和ΔEφ的多角度表達式由Wentz的經驗模型[5]給出。

其中，ΔEw的表達式為：

另有，ΔEφ的表達式為：

L波段鹽度反演中，平靜海面采用K-S（Klein-Swift）模型[6]，海面粗糙度采用雙尺度模型[7]。

平靜海面的表達如下：

利用德拜方程計算εr：

式中參數的解析表達來自K-S模式。

利用菲涅爾公式計算ρ：

海面粗糙度模型采用雙尺度模型，它將海表面近似為小波和大波的相互疊加，將海表面粗糙度以截止波長λc為節點分成小尺度波和大尺度波[8]。小尺度波即波長與入射電磁波波長相當的波動，主要起到散射作用；大尺度波的波高比入射電磁波要大，主要起反射作用。小尺度波疊加在大尺度波表面，衛星微波輻射計接收到的信號就是這兩種波共同作用產生的。

式中：Sx、Sy分別為逆風和側風方向的表面坡度，dS′x和dS′y分別表示沿著和垂直輻射計觀測方向的坡度，P(Sx,Sy)為大尺度波表面坡度的概率密度函數，TB_l為大尺度波的局部亮溫，表示為：

式中：Rss=Rc+Ri表示小尺度波的反射率。Ri代表非相關部分，可以通過Rice的一階微擾動理論[9]求得；Rc代表相關部分，可以通過Yueh等的二階微擾動理論求得。

雙尺度模型計算非常復雜，因此可以將粗糙度對亮溫的貢獻ΔTB_rough分解為全方向信號和一次、二次諧波的和：

式中：Φa為風向Φw和輻射計觀測方向Φr的夾角，Φa=Φw-Φr；TH、TV分別代表水平和垂直極化亮溫，T3、T4分別為第三、第四斯托克斯參數；其余參數為入射角θ、海面溫度TS、鹽度S和風速V的函數[10]。

3 試驗和結果

本文數據來源為Windsat和PSAL全球月平均數據，利用正向模型仿真生成C、K、L波段輻射計亮溫，在此基礎上分別添加不同噪音生成仿真測量數據。為了更直觀的了解海表鹽度反演的誤差與不同反演方法的關系，仿真反演中C、K波段模擬亮溫添加的高斯噪音標準差均為0.5 K，L波段模擬亮溫添加的高斯噪音標準差為2.5 K。

3.1 海面風場的反演

根據L波段散射計系統設計參數和衛星平臺參數，構建仿真系統，生成L波段散射計后向散射系數模擬數據，然后利用模擬數據進行風場反演實驗，并對反演誤差進行評估。

表1 L波段散射計濾波前后風矢量反演誤差統計

反演的風速均方根誤差為1.086 8 m/s，風向均方根誤差為34.991 1°，結果表明，在當前參數條件下風速反演誤差較小。但是由于當前設計的L波段散射計只進行前向掃描，對于同一分辨單元其入射角和方位角都很單一，而且HH和VV極化具有相同的幾何觀測參數，導致不能由觀測數據同時獨立反演出風速和風向，而必須依賴于NWP等外部風向信息進行輔助反演。

3.2 海表溫度的反演

海表溫度的反演采用C/K分步反演、C/K聯合反演和線性回歸算法這3種方法。

圖2 L波段海表風場反演

圖3 海表溫度反演

C/K分步反演海面溫度時，先利用K波段亮溫數據反演風速信息，然后將風速信息代入C波段亮溫輻射傳輸模型反演海表溫度，反演得到的溫度信息又可以代回K波段輻射傳輸模型反演風速信息，如此迭代循環直到穩定。C、K波段模擬亮溫添加的高斯噪音標準差均為0.5 K，海表風速、海表溫度和海表鹽度的先驗誤差分別為2 m/s，1.5 K，0.5 psu。

C/K聯合反演海表溫度即采用C/K波段多參數聯合反演海表溫度和風速。參數設置和C/K分步反演海表溫度相同。

線性回歸算法反演海表溫度時不需要風速和溫度的初始值，參數設置與前兩種方法相同。

結果顯示（見圖3），C/K分步反演海表溫度的誤差為0.894 8℃，C/K聯合反演海表溫度的誤差為0.768 2℃，線性回歸算法反演海表溫度的誤差為0.803 7℃，聯合反演的結果較優。

圖4 分步算法反演海表面信息

3.3 海表鹽度的反演

海表鹽度的反演采用分步反演、C/K/L聯合反演和線性回歸算法這3種方法。

利用模擬值添加隨機高斯噪音的方法，模擬生成一維C/K波段綜合孔徑微波輻射計單角度觀測數據和二維L波段綜合孔徑微波輻射計多角度觀測數據，然后反演風速、溫度和鹽度。仿真反演中C/K波段的入射角為55°，模擬亮溫添加的高斯噪音標準差均為0.5 K；L波段的入射角為15°～65°，模擬亮溫添加的高斯噪音標準差為2.5 K，海表風速、海表溫度和海表鹽度的先驗誤差分別為2 m/s，1.5 K，0.5 psu。反演結果如下：

根據分步反演、聯合反演和線性回歸算法反演海表鹽度的結果，3種方法的誤差對比見表2。

圖5 聯合算法反演海表面信息

圖6 線性回歸算法反演海表面信息

表2 3種方法反演的溫度、風速和鹽度誤差對比

分步反演、聯合反演、線性回歸算法反演的鹽度均方根誤差分別為0.633 7 psu，0.660 5 psu，0.679 1 psu。對比反演結果可知，分步反演的結果最優，聯合反演和線性回歸算法的結果稍差。線性回歸算法的運算速度要快許多，但是鹽度反演的精度相對較低。聯合反演中由于L波段對溫度和風速的敏感性相對較差，但多角度觀測的數據量又遠大于C/K波段，因此當L波段的亮溫參與了溫度和風速的反演時就減弱了C/K波段的作用，造成反演精度的下降。為了驗證該分析的正確性，可以改變L波段在聯合反演中的權重，觀察反演后的精度變化。

改變代價函數中L波段的貢獻權重，在范圍為0～1之間擇點選取，其余初始參量同上。部分反演結果如下：

從結果中可以看出，改變L波段亮溫在代價函數中權重后，溫度、風速和鹽度的聯合反演精度都有所改變。降低L波段亮溫在代價函數中的權重使其在聯合反演中的作用減弱，C/K波段亮溫的作用增強，溫度、風速和鹽度的反演精度都得到提高。

L波段亮溫貢獻在不同權重時聯合反演的溫度、風速和鹽度的誤差對比見表3。

圖7 改變權重后溫度的反演結果

圖8 改變權重后風速的反演結果

設置權重之后，溫度、風速和鹽度的聯合反演精度隨L波段亮溫貢獻權重的下降而升高，驗證了之前的結論。溫度、風速和鹽度的反演誤差隨L波段亮溫貢獻的權重變化如下圖所示：

根據上圖的結果，當L波段亮溫貢獻權重在合適范圍時，由于L波段亮溫貢獻權重占比下降，C/K波段亮溫貢獻權重提升，同時L波段的多角度信息對溫度和風速的反演起到了輔助的作用，溫度和風速反演精度得到提高，鹽度的反演精度也略微提高。當L波段亮溫貢獻權重在0.25～0.05之間時，鹽度的反演精度最高。當L波段亮溫貢獻權重在0.1～0.05之間時，溫度和風速反演精度最高。當L波段亮溫貢獻權重低至0.01時，溫度、風速和鹽度反演的精度開始下降，這是由于C/K波段對鹽度不敏感，L波段占比過低就造成了鹽度反演精度下降，繼而影響到溫度和風速的反演精度。

圖9 改變權重后鹽度的反演結果

表3 不同權重時聯合反演的溫度、風速和鹽度誤差對比

4 結論

圖10 溫度（紅）、風速（黃）和鹽度（藍）反演精度隨L波段貢獻權重變化

本文中，海表鹽度反演的主要思想是先利用L波段散射計數據反演海表風速，再利用C/K波段輻射計數據反演海表溫度，然后將反演得到的風速和溫度信息以及L波段輻射計數據帶入鹽度反演模型反演海表鹽度，反演得到的鹽度信息又可以作為風速和溫度反演時的輸入參數，如此迭代循環直到反演結果穩定。由于仿真數據添加了較大的噪音偏差，因此反演誤差也較大。

風場反演的仿真結果表明，當前設定參數下風速反演誤差較小，但是由于L波段散射計設計的原因，風向的反演誤差較大，因此不能同時獨立反演出風速和風向，必須依賴外部風向信息作為輔助。海面溫度的仿真結果表明，C/K波段聯合反演輸出溫度的精度較高，因此在溫度的反演中選取C/K波段聯合反演較為適宜。

通過仿真分析，將鹽度分步反演結果與3個參量聯合反演結果進行了比較。結果表明：L波段為多角度觀測，C/K波段為單角度觀測，分步反演結果優于聯合反演結果；在聯合反演的代價函數中對L波段貢獻設置權重時，溫度、風速反演精度隨權重下降而提高，鹽度反演精度一定范圍內隨權重下降而提高，當權重小到一定程度后，溫度、風速和鹽度反演精度變差；采用線性回歸的分步反演算法運算速度快，溫度反演精度與其它兩種反演算法精度相當，但是風速和鹽度精度相比略低。

由此可知，分步反演算法的優勢是可以逐步反演各參數，對于存在誤差較大的參數能夠及時發現和修正，可以優化下次循環時輸入參量的數據質量，改進反演精度。聯合反演的優勢是反演精度高，但需要調整代價函數。線性回歸算法的優勢是反演速度快。因此，在海面參量反演過程中，可以按需選擇反演方式。

在實際應用中，為提高反演精度，可以先利用線性回歸算法反演出溫度及風速信息，作為分步反演算法或聯合反演算法的初始值，然后再利用分步反演算法或聯合反演算法反演海表鹽度。

[1]Martin S.海洋遙感導論[M].蔣興偉,譯.北京:海洋出版社, 2008:342.

[2]林明森,張有廣,袁欣哲.海洋遙感衛星發展歷程與趨勢展望[J].海洋學報,2015,37(1):1-10.

[3]殷曉斌.海面風矢量、溫度和鹽度的被動微波遙感及風對溫鹽遙感的影響研究[D].青島:中國海洋大學,2007.

[4]Yueh S H,Tang W Q,Fore A G,et al.L-band passive and active microwave geophysical model functions of ocean surface winds and applications to Aquarius retrieval[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(9):4619-4632.

[5]Wentz F J,Meissner T,Smith D K.Assessment of the initial release of WindSat wind retrievals[R].RSS Technical Report 010605, 2005.

[6]Klein L A,Swift C T.An improved model for the dielectric constantofseawateratmicrowavefrequencies[J].IEEE Transactions onAntennas and Propagation,1977,25(1):104-111.

[7]王叢叢.海洋鹽度的主被動微波遙感探測技術研究[J].空間電子技術,2015,12(4):19-23.

[8]Yueh H A,Shin R T,Kong J A.Scattering of electromagnetic waves from a periodic surface with random roughness[J].Journal ofApplied Physics,1988,64(4):1657-1670.

[9]Rice S O.Reflection of electromagnetic waves from slightly rough surfaces[J].Communications on Pure and Applied Mathematics, 1951,4(2-3):351-378.

[10]Yueh S H,Chaubell J.Sea surface salinity and wind retrieval usingcombinedpassiveandactiveL-bandmicrowave observations[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(4):1022-1032.

Sea surface salinity retrieval using satellite microwave observations

WU Bin-feng1,2，WANG Cong-cong3，LIN Ming-sen1，ZHANG You-guang1
（1.National Satellite Ocean Application Service,Beijing 100081 China;2.National Marine Environmental Forecasting Center,Beijing 100081 China;3.AST-Xi'an Institute of Space Radio Technology，Xi'an 710100 China）

By using stepwise retrieval,coordinated retrieval or linear regression method,the sea surface salinity is inverted,respectively.The results show that the stepwise retrieval method can find and update parameter in time. The coordinated retrieval method is the best in accuracy while the linear regression method is the fastest.We can make choice according to our requirements in practice.

sea surface salinity;satellite microwave remote sensing;L-band;retrieval

P731.12

A

1003-0239（2017）02-0080-08

10.11737/j.issn.1003-0239.2017.02.011

2016-03-17；

2016-05-25。

國家高技術研究發展計劃項目（2013AA09A505）。

吳彬鋒（1987-），男，碩士在讀，從事衛星鹽度計海表鹽度反演研究。E-mail：wbfjqm@sohu.com