面向航運服務的海冰密集度遙感產品對比研究

黃琳 邱玉寶 周靜恬 王長林 梁曦 李群

(1 中國科學院大學資源與環境學院,北京 100049;2 中國科學院空天信息創新研究院數字地球重點實驗室,北京 100094;3 中國科學院空天信息創新研究院和芬蘭氣象研究所北極觀測聯合研究中心,索丹屈萊 芬蘭 999018;4 國家海洋環境預報中心,北京 100081;5 中國極地研究中心,上海 200136)

0 引言

近年來北極海冰快速變化,特別是夏季海冰的持續消融,使得商業航運加速發展[1]。為實現極地安全航行,航線區域海冰冰情的監測不可或缺。海冰密集度(Sea Ice Concentration,SIC)是反映冰情的重要參數之一,海冰低密集度區是航運服務可通航性的關鍵區[2],也是面向航運服務的海冰數據的估算薄弱區。

目前已發展大量的海冰密集度算法,主要以星載被動微波觀測為數據源,可實現每日全北極覆蓋觀測,并廣泛應用于航線評估和海洋及海冰預報中。傳感器包括搭載在美國國家航空航天局(NASA)的 Aqua 衛星上的 AMSR-E (Advanced Microwave Scanning Radiometer for EOS)儀器,于2002 年3 月4 日發射,2011 年10 月4 日停止運轉,后繼者 AMSR-2 (Advanced Microwave Scanning Radiometer 2)搭載在JAXA 的GCOMW1 衛星上,于2012 年3 月18 日至今繼續為海冰觀測提供輻射計數據。另外,1978—1987 年搭載在Nimbus-7 衛星上的SMMR (Scanning Multichannel Microwave Radiometer),1987 年起搭載在國防氣象衛星計劃(DMSP)的系列衛星F-08、F-10至F-15 上的SSM/I (Special Sensor Microwave Imager)和F-16 至F-19 上的SSMIS (Special Sensor Microwave Imager/Sounder)提供了1987 年至今的北極逐日海冰觀測數據。海冰密集度產品作為海洋預報模型重要的輸入參數之一,其精度直接影響預報模型的準確性;此外海冰邊緣區是航運的主要活動區,直接影響航運安全,也是影響海冰密集度估算精度的關鍵,因此在北極航運的數字化服務中亟需海冰邊緣區的高精度數據。

由于時空分辨率、數據源及產品處理算法原理等差異,導致各產品監測的海冰信息存在差異,而海冰產品的精度評價主要依賴于遙感觀測和走航數據。利用遙感觀測及分析數據對比北極全域的海冰密集度估計時空誤差的相關研究,比如參考數據選擇歐空局(ESA)中期海冰分數數據集(再分析數據)分析得到不同海冰密集度產品普遍具有一致性,但存在時空分布差異,尤其在夏季和邊緣冰區有較大的不確定性[3];選擇MODIS 與100%參考海冰密集度數據,同樣得出海冰密集度產品在夏季融冰期(5—9 月)誤差最大[4]。利用船測數據比較北極走航沿線海冰密集度監測誤差,例如趙杰臣等[1]對比7 種海冰密集度產品,發現這些產品對小范圍浮冰區反演差異較大,經與船測數據(OBS-SIC)比較,分辨率最高的 AMSR2/ASI 數據(6.25 km)平均偏差和均方根誤差均最小。利用船載攝影觀測(P-OBS)比對5 種海冰密集度算法產品在夏季的精度,發現各產品在海冰密集度低于某一值后相對船測數據均有高估,在夏季,SSMIS-NT 的模擬精度最好而AMSR2-NT2 精度最差[5]。對于冰邊緣的誤差比較,從MODIS 圖像中計算生成虛擬船觀測(PSO)與PSO 冰邊緣[6],并與AMSR2 的兩種SIC 產品(ASI-SIC 和BT-SIC)比較,得到北極海冰邊緣對應的平均海冰密集度值為10.5%,而BT-SIC 為23.6%,SIC 為15%處的ASI、BT 冰邊緣與PSO 的差距在35 km 以內[7]。以上評估比對研究主要關注海冰高密集度區和北極全域的海冰密集度精度,而很少關注邊緣冰區誤差及其在不同產品之間的具體差異,且采用走航觀測的驗證對比在空間代表性方面也存在不足。

航運多在海冰密集度較低的區域,然而冰邊緣是海冰密集度測量準確度較低的地方,因此在數字化北極航運研究中,比較多種常用的海冰密集度產品在冰邊緣區的不確定性并分析各產品在冰邊緣區的差異具有必要性,這種不確定性可能會直接影響海冰數值預報和航線預測的精度。本文選取國際上已發布的9 種海冰密集度數據,以東北航道為研究區域,對比通航中最受關注的海冰邊緣區及低密集度區域,采用產品間對比和高分雷達數據的比對分析,評估各產品在其上的海冰監測性能及其差異,為航運的數字化服務及海冰短期預報模式輸入參數提供支持與參考。

1 研究區及數據處理

1.1 研究區域

東北航道沿挪威和俄羅斯海岸,途徑巴倫支海、喀拉海、拉普捷夫海、東西伯利亞海域和白令海峽,為北極地區夏季通航窗口期最長的航道,也是連接歐洲與東北亞最短的航線,較傳統的蘇伊士運河航線可縮短15%～50%[8]。中國遠洋海運集團(以下簡稱“中遠集團”)自2013 年起在東北航道開展商業航運,圖1 為科考船“向陽紅01”號在2019 年的科考航線以及中遠集團在2018 年和2019 年夏季東北航道的幾條商船航線。東北航道的東西兩段均存在固定可通航期,在巴倫支海可實現全年通航;航道中段(喀拉海-拉普捷夫海-東西伯利亞海域)冰情最為復雜,無固定可通航期[9],通航窗口期主要在夏季凍融期8—10 月,其中拉普捷夫海固定可通航期時間最長,為8 月上旬至9 月下旬,新西伯利亞群島北側海域在通航期內經常受到冰阻,需要破冰船協助[10],而東西伯利亞海域在通航期內海冰覆蓋面積最大,其海冰邊緣區范圍變化較快[11],是航行的關鍵風險區。

圖1 北極東北航道區2018—2019 年夏季我國商業航線及ASI-AMSR2 產品海冰密集度分布示意圖。圖中方框1—8代表參考數據合成孔徑雷達(SAR)樣本的編號,ASI-AMSR2 產品對應時間為2018 年9 月10 日Fig.1.Overview of Chinese trade routes in the Arctic Northeast Passage Region in summer of 2018–2019 and SIC distribution of ASI-AMSR2 products.The squares 1–8 represent the serial number of Synthetic Aperture Radar (SAR) samples as reference data,and ASI-AMSR2 product showed the sea ice concentration on September 10,2018

1.2 研究數據

1.2.1 海冰密集度產品

海冰密集度產品可獲取2018 年全北極的每日數據,本研究選取了9 種海冰密集度產品(見表1),它們均為極地立體投影,分辨率高于25 km,各產品名稱均以“算法-傳感器”命名。

表1 9 種海冰密集度業務化數據產品表Table 1.Nine operational sea ice concentration(SIC) products shown in this study

研究根據海冰密集度的算法原理將產品分為三種類型。第一類產品主要基于兩個低頻通道(19 GHz和37 GHz)的亮溫數據,包括BT-SSMI產品[12-13],其對溫度變化較敏感,當積雪覆蓋海冰時會因絕緣溫度導致估計偏差。

第二類產品基于多通道數據之間的亮溫組合,如極化差P(同頻段的垂直與水平極化之差)、極化比PR(同頻段的垂直與水平極化之差比兩者之和)和梯度比GR(兩頻段的亮溫之差比兩者之和),包括ASI-AMSR2 和ASI-SSMI、NT-SSMI 和NT2-AMSR2 產品。其中,ASI 算法[14]利用高頻85 GHz的極化差 P 計算得到海冰密集度,分辨率最高(6.25 km),P 值在開闊水域遠大于海冰可以較好地區分冰水,但易受大氣水汽及云層液態水等大氣影響;NT 算法[15]利用低頻19 GHz 和37 GHz的GR 和PR,可區分海水、一年冰和多年冰,并有效抵消海冰表面物理溫度的影響[12-13];NT2 算法[16-17]利用高頻85 GHz 與低頻19 GHz 和37 GHz數據的梯度比之差ΔGR,并結合大氣輻射傳輸模型做大氣校正,較好地區分了海水、一年冰與多年冰,并減弱了冰雪分層的影響。

第三類為綜合算法,如 CDR(Climate Data Record)-SSMI 和使用OSI SAF 算法的三種產品。CDR 算法[16]結合了BT 和NT 算法,逐像元選擇兩者的較高值作為結果值;OSI SAF 算法[18]結合BT 和Bristol 兩種算法,在低密集度區(<70%)BT賦權值較大,反之 Bristol 賦權值較大,其中Bristol 是在BT 算法基礎上發展的優化算法[12,19]。此外,OSI SAF-AMSR2[20]產品又分別使用19 GHz 和37 GHz 頻段數據的OSHD(OSI SAF Hybrid Dynamic)以及89 GHz、19 GHz 和37 GHz頻段數據的TUD(Technical University of Denmark)兩種算法生產出兩種海冰密集度產品。

1.2.2 合成孔徑雷達影像

本研究選擇了高分雷達遙感觀測數據作為海冰密集度產品比對的參考數據,由哨兵一號(Sentinel-1)衛星C 波段合成孔徑雷達(SAR)采集。哨兵一號有A、B 兩顆衛星同時在軌運行,目前重返周期達到3～6 d。研究選擇了超寬掃描模式(EW)L1 級地距多視(GRD)雙極化產品,其條帶寬度為410 km,入射角范圍18.9°～47.0°,像元間距為40 m×40 m。因其分辨率較高,在表征海冰的細節信息包括精細邊緣區具有優勢,故作為參考數據,以較好地滿足驗證精度的需求。SAR 樣本選取了2018 年夏季(7—9 月)東北航道冰邊緣區,如圖2。

圖2 不同海冰邊緣類型的SAR 數據樣本。樣本對應位置見圖1。其中,SAR 樣本編號分別對應2018 年的日期為:a)樣本1,7 月9 日;b)樣本2,8 月28 日;c)樣本3,8 月14 日;d)樣本4,8 月10 日;e)樣本5,8 月22 日;f)樣本6,9月12 日;g)樣本7,8 月9 日;h)樣本8,8 月11 日Fig.2.SAR data samples of two sea ice edge morphology.The location of samples were located as shown in figure 1.The SAR sample numbers correspond to the time respectively:a)sample 1,July 9;b)sample 2,August 28;c)sample 3,August 14;d)sample 4,August 10;e)sample 5,August 22;f)sample 6,September 12;g)sample 7,August 9;h)sample 8,August 11

根據海冰邊緣區形態特征,可將樣本分為分散型邊緣區(如樣本5 和6)與密集壓實型邊緣區(其余樣本)[21],前者由松散、分布較廣泛的浮冰組成,易受風、洋流等力的作用發生漂流,海冰密集度小于30%;后者由浮冰緊密堆積而成,海冰密集度一般大于60%。

1.3 數據處理方法

1.3.1 海冰密集度產品數據歸一化處理

若因儀器或數據獲取成像導致圖像缺失或出現異常值,則去除產品中對應日期的數據。為保證研究對象只有海冰,利用美國國家冰雪數據中心(NSIDC)的陸地掩膜和極孔掩膜工具[22],對“極孔”和陸地、海岸線進行統一掩膜。為減小各算法的差異,將灰度值線性拉伸至同一范圍[0,100],然后采用雙線性插值法將各產品重采樣至最高分辨率6.25 km 用于后續的誤差比對。

1.3.2 雷達海冰密集度估算方法

首先通過輻射定標將圖像灰度值轉換為反映地物目標特性的后向散射系數值,以消除由傳感器、地形及大氣所帶來的誤差影響;其次采用修正Lee 濾波濾除斑點噪聲,并重投影至NSIDC 北極極地立體投影網格。由于寬幅SAR 圖像入射角區間較大且采用側視成像,使得靠近傳感器一側的圖像亮度遠大于遠離傳感器一側。通過裁剪,保留圖像亮度分布均一的區域以減小后續的分類誤差。

冰水分類采用閾值分割法,利用冰水在SAR圖像后向散射系數值上的明顯差異,通過設置閾值將像素級分為冰水二值結果,如公式(1)。式中,f(x,y)為SAR 圖像像元的后向散射系數值,T為冰水分割的閾值,g(x,y)為冰水分割后的像元值。閾值的選擇通過目視解譯和直方圖特征,結合光學MODIS 影像對比,選擇出冰水最佳分割閾值T[23]。

最后基于6.25 km分辨率網格統計SAR 冰水覆蓋面積,依據公式(2)計算海冰密集度(SIC),其中A1和A分別為網格內海冰覆蓋面積和網格總面積。

2 結果與分析

2.1 全年時間系列誤差分析

圖3 是2018 年全北極日均偏差變化情況,圖中數據點是由9 種海冰密集度產品在全北極的每日數據逐像元與9 種產品的日平均值作差得到(缺失數據除外)。從2018 年全年來看,各產品在夏季6—8 月通航窗口期的偏差最大,這種平均偏差的季節性差異從一定程度上反映了不同產品對風、大氣濕度和其他季節性變化量的敏感性[4]。其中BT-SSMI、NT2-AMSR2 和CDR-SSMI 三種產品趨勢相似且全年相較平均值高估較多,且在7 月上旬平均偏差最大,為1%,其余月份偏差大小基本在0.2%～0.7%之間。ASI 算法的兩種產品與前三者的全年變化趨勢相同,但ASI-SSMI 比ASI-AMSR2 偏差整體降低,特別是在2—5 月ASI-SSMI 負偏差最大,值為–0.9%。NT-SSMI 產品較平均值始終低估,且有兩個極小值分別在7月初和11 月初,值為–0.7%。分辨率最高的4 種產品(分辨率為6.25 km 的ASI-AMSR2 和10 km的三種OSI SAF 產品),平均偏差的絕對值在冬季最小,均在0 附近。

圖3 2018 全年各SIC 產品全北極日均偏差變化圖Fig.3.Daily mean deviation of nine SIC products over the Arctic in 2018

2.2 海冰邊緣區空間分布對比分析

9 種產品在2018 年全年每日所能監測的海冰最大和最小范圍(即海冰密集度大于0 的區域)如圖4,陰影區為各產品海冰范圍監測最大差異。由圖可見各產品海冰范圍差異隨季節變化不同,范圍差異最小在第266 天,為2.51×106km2,差異最大在第332 天,可達到6.26×106km2。

圖4 2018 年9 種產品每日海冰覆蓋最大差異圖。圖中上曲線是每日產品海冰覆蓋估計最大值,下曲線是每日產品海冰覆蓋估計最小值,兩者之間的橙色區域則為產品海冰范圍的最大估計差異Fig.4.Maximum difference in daily sea ice coverage of nine products in 2018.The upper curve is the daily maximum value of sea ice coverage of all products,the lower curve is the minimum value,and the maximum difference is the maximum minus the minimum value,shown in orange area

以8 月2 日為例,分別計算東北航道區各產品海冰判別范圍空間分布。由圖5,海冰判別范圍最大的是使用OSI SAF 算法的三種產品,特別是在拉普捷夫海和東西伯利亞海沿岸。其次是使用NT、BT和CDR算法的產品,這可能與其利用的低頻數據受大氣影響較小有關。而使用ASI 和NT2 算法的海冰密集度產品判別范圍最小,可能是由于兩者基于高頻數據受大氣影響較大,在大氣校正和天氣濾波方面濾除了較多的真實海冰。NT2 算法產品比ASI 算法產品估計范圍略大,保留了相對較多的低密集海冰區,很可能是由于NT2 在計算中考慮了12 種大氣環境模態,從而改善了大氣對海冰判別影響。此外具有更高分辨率的AMSR2 傳感器比SSMI 傳感器判別范圍也更小。

圖5 2018 年8 月2 日東北航道區各產品數據海冰覆蓋空間分布差異圖。圖中藍色區域是所有產品共同可估計的海冰范圍分布,紅色區域是各產品估計范圍相對公共區域的差異分布Fig.5.Differences in the spatial distribution of sea ice extent of all products in the Northeast Passage Region on August 2,2018.The blue area showed the common estimable sea ice extent distribution of all products,the red area showed the difference extent distribution of each product relative to the common area

2.3 基于SAR 數據的低密集度區對比

2.3.1 散點圖對比

各海冰密集度產品在原始分辨率網格下與SAR 圖像進行散點圖對比,選取的8 種SAR 樣本分別以壓實型和分散型兩種冰邊緣為區分,如以下散點圖的樣本2、樣本7 與樣本5、樣本6 分別是兩組典型的壓實型和分散型冰邊緣結果。

散點圖中的相關性計算均經顯著性檢驗,存在顯著相關關系(p<0.05)。從散點圖分析來看,在穩定的密集壓實型冰邊緣區,除使用高頻算法的ASI-AMSR2 和NT2-AMSR2 產品外,其他產品基本呈現出在低密集度區(20%以內)高估、在高密集度區低估的特點,且各產品的高估下限值有所不同。樣本2 中ASI-AMSR2 和NT2-AMSR2 產品整體高估海冰密集度(圖6a 和6b),主要因為樣本2具有由整塊海冰密集壓實而成的特征,在參考數據SAR 判別為開闊水域的區域,此兩者產品被過度估計為海冰。此外過度估計誤差主要出現在海冰邊緣區,這表明ASI 算法與NT2 算法可能將邊緣處水汽誤判為海冰,兩種算法對天氣濾波效果仍有不足。CDR-SSMI、BT-SSMI 和NT-SSMI 產品因其分辨率最低(25 km),易將小面積水域如融池等劃歸為海冰像素進而導致海冰密集度被高估,因此其高估值主要位于冰邊緣、海冰內部的冰間水道和冰上融池等區域。樣本7 中ASI-AMSR2 產品整體低估海冰密集度,該低估區主要位于海冰邊緣區,表明SAR 監測到海冰的地方該產品判別為開闊水域,主要是由于ASI 算法的天氣濾波對海冰邊緣低海冰密集度區域濾除導致的(圖7a);而基于高頻算法的NT2-AMSR2產品對海冰密集度整體高估,與SAR的相關性僅為0.588(圖7b)。這可能是由于NT2 算法中的大氣校正方法存在不足,將海冰低密集度區判別為海冰高密集度區導致的。OSI SAF-AMSR2 產品與SAR 相關性較好且在樣本2 和樣本7 中相關系數R2最穩定(始終保持大于0.73)(圖6c和圖7c),且其分辨率為10 km,僅次于ASI-AMSR2 產品分辨率(6.25 km),可較好地表征冰內細節信息。

圖6 壓實型冰邊緣區SAR 樣本2 與各海冰密集度產品的散點對比圖。圖中橫坐標是經重采樣至與海冰密集度產品同分辨率的SAR 海冰密集度網格數據,縱坐標分別是4 種不同分辨率的9 種產品海冰密集度(%)。a)分辨率6.25 km的ASI-AMSR2 產品;b)分辨率12.5 km 的ASI-SSMI 和NT2-AMSR2 產品;c)分辨率10 km 的OSI SAF-SSMI、OSI SAF(OSHD)-AMSR2 和OSI SAF(TUD)-AMSR2 產品;d)分辨率25 km 的CDR-SSMI、BT-SSMI、NT-SSMI產品。其中虛線表示SAR 與SIC 產品完全恒等線,實線表示SAR 與SIC 產品對應網格點值的線性回歸,各自的線性回歸方程在圖右上角,線性相關系數(R2)和有效網格點對數N 在圖右下角Fig.6.Scatterplots of the nine products with SAR sample 2 in the pack ice edge area.X-axis is the SAR sea ice concentration grid data resampled to the same resolution as the nine SIC products,Y-axis are the nine products with 4 different resolutions.a) ASI-AMSR2 products with 6.25 km resolution;b) ASI-SSMI and NT2-AMSR2 products with 12.5 km resolution;c) OSI SAF-SSMI,OSI SAF(OSHD)-AMSR2 and OSI SAF(TUD)-AMSR2 products with 10km resolution;d) CDR-SSMI,BT-SSMI and NT-SSMI products with 25 km resolution.Dotted lines denote the identity line.Solid lines denote the linear regression of the respective value pairs between SAR samples and SIC products.The linear regression equations are given in the top right,and the linear correlation coefficient (R2) and the number of valid pairs (N)are given in the bottom right,respectively

圖7 壓實型冰邊緣區SAR 樣本7 與各海冰密集度產品的散點對比圖Fig.7.Scatterplots of the nine products with SAR sample 7 in the pack ice edge area

對于具有分散型邊緣的海冰區域(樣本5與樣本6),各產品會始終低估海冰密集度(圖8和圖9)。使用OSI SAF 算法的三種產品可較好地識別低密集度海冰,在海冰密集度低于10%時,其線性擬合結果最接近y=x的直線,說明與SAR 海冰密集度數值估計最為相近。CDR-SSMI、BT-SSMI 和NT-SSMI 產品則在海冰低密集度區(<20%)對海冰密集度高估程度較大,可能存在對海冰范圍的過度估計。在SAR 指示海冰密集度在10%以內的海冰區,ASI-AMSR2、ASI-SSMI 和NT2-AMSR2三種產品將密集度均判別為0,即產品均濾除了10%以內的海冰。這主要是因為產品使用的ASI和 NT 算法基于高頻數據,其對大氣數據最為敏感,特別是在海冰邊緣區[24],可能導致了產品的天氣濾波器對海冰邊緣區的海冰進行了過度濾除。

圖8 分散型冰邊緣區SAR 樣本5 與各海冰密集度產品的散點對比圖。a)分辨率為6.25 km 的ASI-AMSR2 產品;b)分辨率為12.5 km 的ASI-SSMI 和NT2-AMSR2 產品;c)分辨率為10 km 的OSI SAF-SSMI、OSI SAF(OSHD)-AMSR2和OSI SAF(TUD)-AMSR2 產品;d)分辨率為25 km 的CDR-SSMI、BT-SSMI、NT-SSMI 產品Fig.8.Scatterplots of the nine SIC products with SAR sample 5 in the drift ice edge area.a) ASI-AMSR2 products with 6.25 km resolution;b) ASI-SSMI and NT2-AMSR2 products with 12.5 km resolution;c) OSI SAF-SSMI,OSI SAF(OSHD)-AMSR2 and OSI SAF(TUD)-AMSR2 products with 10 km resolution;d) CDR-SSMI,BT-SSMI and NT-SSMI products with 25 km resolution

圖9 分散型冰邊緣區SAR 樣本6 與各海冰密集度產品的散點對比圖Fig.9.Scatterplots of the nine SIC products with SAR sample 6 in the drift ice edge area

2.3.2 誤差分析

泰勒圖[25]是一種可以表示標準差、均方根誤差和相關系數三個指標的圖,這里采用標準化泰勒圖,即對參考值與變量值的標準差與均方根誤差同除以參考值的標準差,令參考值=1,E=0,并消除其物理量單位。當產品數據結果與參考值越一致時,模式點越接近x軸中的參考點O,說明這類產品與參考數據越具有高的相關性。以上相關性計算均經顯著性檢驗,p<0.05,因此存在顯著相關關系。從相關性來看(圖10),海冰邊緣密集壓實地區比邊緣分散地區的相關性和R2值更高,均方根誤差(RMSE)值更小。如樣本1(圖10a)和樣本4(圖10d)具有最高的R2值和最小的RMSE,這可能與這兩個區域內海冰呈密集壓實狀態且邊緣線清晰有關;而樣本6(圖10f)海冰邊緣分散,其R2值最低,RMSE也較大。

對于密集壓實型冰邊緣區,ASI-SSMI 產品與SAR 樣本的相關性最高,其次較好的為 OSI SAF(OSHD)-AMSR2 和OSI SAF(TUD)-AMSR2產品。ASI-SSMI 產品使用了5 天中值濾波器,不僅去除了開闊水域上的虛假海冰,而且減小了由天氣引起的冰邊緣區海冰密集度升高的誤差[4]。其中基于高頻ASI 算法的ASI-AMSR2 和ASISSMI 產品R2值最大,在0.78 以上,但RMSE也較大(>12%);基于低頻綜合算法的OSI SAF 產品,其R2值大于0.75,但RMSE最小(6.19%)。使用低頻算法的CDR-SSMI、BT-SSMI 和NT-SSMI 產品的相關性最低。而在分散型冰邊緣區,如樣本6(圖10 f)高頻算法ASI-AMSR2 產品的R2僅為0.46,RMSE為17.25%;而OSI SAF(OSTD)-AMSR2 和OSI SAF(TUD)-AMSR2 產品的R2值最大(大于0.73),RMSE最小(6.19%)。由此,基于AMSR2 的OSI SAF 產品在現有產品中更能解釋低海冰密集區信息。這可能與 OSI SAF 算法綜合了 BT 和Bristol 算法,利用三種低頻通道在三維亮溫空間的特性,保持準確反演低密集度區的優勢,有效地保留了低密集度海冰。另外,由于參考數據SAR 為瞬時成像,而海冰密集度產品由每日或多日多軌海冰密集度值平均求解得到,故可能因海冰漂移、破碎等瞬時變化影響兩者的比對誤差[26-27]。

圖10 9 種海冰密集度產品與不同SAR 樣本的標準化泰勒圖。a)– h)依次對應SAR 樣本1～ 8。圖中紅色虛線對應均方根誤差,藍色虛線對應相關系數,黑色曲線對應標準差數值,O 點對應參考SAR 數據,字母對應產品順序為:A:ASI-AMSR2,B:ASI-SSMI,C:NT2-AMSR2,D:CDR-SSMI,E:BT-SSMI,F:NT-SSMI,G:OSI SAF-SSMI,H:OSI SAF(OSHD)-AMSR2,I:OSI SAF(TUD)-AMSR2Fig.10.Standardized Taylor diagrams of nine satellite SIC algorithm products and different SAR samples.Red dotted line denotes root mean square error,blue dotted line denotes correlation coefficient,black curve denotes standard deviation values,the point O represents the reference SAR data,and other letters corresponding to the SIC products are:A:ASI-AMSR2,B:ASI-SSMI,C:NT2-AMSR2,D:CDR-SSMI,E:BT-SSMI,F:NT-SSMI,G:OSI SAF-SSMI,H:OSI SAF(OSHD)-AMSR2,I:OSI SAF(TUD)-AMSR2

3 結論

論文以東北航道為研究區,選取了2018 年國際上已發布的9 種海冰密集度遙感產品進行比對分析。從9 種產品之間的誤差對比分析和驗證表明:(1)從2018 年全年相對9 種產品平均值的日偏差來看,海冰密集度產品在夏季6—8 月偏差最大,其中分辨率最高的4 種產品6.25 km 的ASI-AMSR2 和10 km 的三種OSI SAF 產品,在夏季日偏差分別達到0.59%和–0.65%,而在冬季均最小,在0 附近。(2)從東北航道海冰邊緣區空間分布差異來看,9 種產品估算海冰范圍逐日最大與最小值之差全年變化范圍為 2.5 1×1 06～6.26×106km2,估算出的海冰范圍最大的是OSI SAF 的三種產品,差異主要分布在拉普捷夫海和東西伯利亞海沿岸,高頻算法ASI、NT2 的海冰密集度產品判別范圍最小。

其次,選取具有典型邊緣區特征的哨兵1 號SAR 影像作為參考樣本,對這9 種產品的海冰密集度分布進行精度驗證,結果表明:各產品在壓實型冰邊緣基本呈現低密集度區高估,高密集度區低估的特點,其中基于NT2 和ASI 算法的三種產品除外。與SAR 數據相關性最高的是ASISSMI,其次是OSI SAF-AMSR2,兩者R2最大,分別為0.85 和0.82,且RMSE最小,分別為12.19%和9.70%。而在分散型冰邊緣區,各產品均有不同程度的低估;基于OSI SAF 算法的產品與SAR 數據相關性最高,R2最大(0.78),RMSE最小(6.19%),可最好地識別低密集度海冰;其次為基于CDR 和BT 算法產品,但兩者海冰過估現象較嚴重;基于高頻算法的ASI 和NT2 產品可能會濾除10%以內冰邊緣區,相關性最差。

通過評估,基于OSI SAF 算法的產品估算的海冰范圍最大,同時有效地保留了低密集度區的海冰,在壓實和分散型冰邊緣區與SAR 的相關性均較好,可以考慮作為航道服務冰況監測的首選產品或新算法的基礎,但其產品分辨率為 10 km,仍無法滿足航運服務中所需的海冰密集度的高精度監測。由此,在開發面向航運業務化應用的海冰密集度產品時,可以考慮在提高時空分辨率的同時結合不同算法在低密集度區的優勢,實現海冰在低密集度區的最佳反演產品開發。