共查询到20条相似文献，搜索用时 31 毫秒
1.
海表盐度是研究海洋变化及其气候效应重要的物理量。本文将2018年SMAP卫星的月均、日均海表盐度产品分别与Argo月均网格化产品、实时散点盐度数据进行比较,评定其精度,并分析全球海表盐度分布特征。结果表明：SMAP卫星月均产品RMSE为0.17,BIAS为0.11,STD为0.17,R为0.98,t检验呈显著相关;SMAP卫星日均产品RMSE为0.28,BIAS为0.23,STD为0.26,R为0.81,相较月均产品,精度较低。SMAP卫星月均产品偏差在中纬度海域较小,在高纬度海域较大;SMAP卫星日均产品偏差在太平洋海域为-0.6~0.6,在地中海海域超过1.0。全球海表盐度在25.0~40.0之间,沿纬度方向呈带状分布,其中大西洋海表盐度普遍高于太平洋和印度洋。 相似文献
2.
以西太平洋为研究区域,利用Argo浮标表层盐度观测值(5 m)对SMAP卫星获得的2016年海表面盐度反演质量进行了评估。首先将西太平洋2016-01—12期间的每日和每月SMAP卫星SSS数据与Argo实测SSS数据进行匹配,然后利用最小二乘线性回归法对其进行相关性分析,并对误差的分布特征进行了研究。结果表明:SMAP SSS与Argo SSS之间具有极显著的正相关关系;每日Argo浮标数据(WMO ID:2901520,WMO ID:2901548)和SMAP SSS的变化趋势基本一致,前者均方根误差(RMSE)、偏差(Bias)和相关系数(r)分别为0.43, 0.34和0.71,后者RMSE,Bias和r分别为0.41,0.26和0.69;研究区域内全年RMSE值处于0～0.35,在西太平洋南部海域偏差较大,这可能是由于该海域小岛众多,缺少Argo实测数据,导致其网格化的盐度存在较大误差。除夏季外,研究区域的大部分海域,RMSE都小于0.25。在海表盐度较低的海域,两者的对比结果误差较大,该现象在夏秋两季尤为显著。 相似文献
3.
海表面盐度SSS(Sea Surface Salinity)是研究大洋环流和海洋对气候影响的重要参量、是决定海水基本性质的重要因素之一。卫星微波遥感可以满足盐度研究过程中大范围、连续观测的需要。目前,由欧洲空间局设计开发的SMOS(Soil Moisture and Ocean Salinity)卫星于2009年发射成功,并且根据它的观测数据和物理机制反演出了海表面盐度的相关产品。但结果显示,在某些近海岸区域(如中国南海海域)受陆地RFI等诸多因素的影响,基于卫星遥感物理机制反演得到的盐度产品的精度较低。本文的主要目的是利用中国海洋大学"东方红2"科学考察船的走航数据、SMOS卫星数据,针对中国南海海域提出了用BP神经网络预测海表面盐度的方法,并用实测Argo浮标、WOA13的盐度数据对模型进行适应性评估。结果表明,模型产品相对于"东方红2"实测盐度数据的均方根误差(RMSE)是0.21,而SMOS的SSS1产品、SSS2产品和SSS3产品的精度分别为1.90、1.93和1.91。同时,在验证数据集中,模型预测数据相对于Argo浮标实测盐度数据的均方根误差(RMSE)是0.50,而SMOS的SSS1产品、SSS2产品和SSS3产品的精度分别为1.83、1.83和1.84。此模型具有良好的适应性和泛化能力,为海表面盐度的反演和预测提供了一个不依赖于物理机制的新方法。 相似文献
4.
海表盐度（Sea Surface Salinity,SSS）是研究海洋对全球气候影响的重要参量,欧洲航天局（European Space Agency,ESA）设计研发的SMOS（Soil Moisture and Ocean Salinity）是专用于探测海水盐度的卫星之一。受射频干扰（Radio Frequency Interference, RFI）等因素的影响,SMOS卫星盐度产品的精度难以达到预期效果。为了提高SMOS卫星海表盐度产品精度,本文提出一种基于深度神经网络的海表盐度反演算法。以太平洋中部海域（150°E～180°,5°～30°N）为研究区域,利用Argo浮标实测盐度数据为参考真值,将SMOS卫星L1C、L2级产品与Argo盐度数据进行时空匹配。并根据海洋遥感和辐射传输理论,选取亮温（Brightness Temperature,TB）、海表温度（Sea Surface Temperature,SST）、降雨率（Rain Rate,RR）、波高（Significant Wave Height,SWH）、纬向风速（Zonal Wind Speed,ZWS）、经向风速（Meridional Wind Speed,MWS）和蒸发量（Evaporation,Eva）七个影响盐度的重要参数,利用K折交叉验证法,构建了深度神经网络（Deep Neural Network, DNN）模型,对SMOS卫星L2级数据进行反演。实验结果表明,利用本文算法计算得到的海表盐度数据平均绝对误差为0.159,均方根误差为0.195,均明显优于SMOS盐度产品精度,本文提出的算法能够提供更精准的海表盐度产品。 相似文献
5.
为了建立高精度的海洋表面盐度预测模型,采用BP神经网络的方法,针对SMOS卫星level 1C级亮度温度数据和辅助数据建立了一种海表面盐度预测模型,以ARGO浮标观测值作为海表盐度实测值来检验新模型预测结果的准确度,同时利用验证集对模型的精度进行验证。结果表明:通过新模型预测的海表盐度(SSS0)比SMOS卫星的3个粗糙度模型盐度产品(SSS1,SSS2,SSS3)精度高;SSS0,SSS1,SSS2,SSS3与ARGO浮标实测盐度(SSS ARGO)的均方根误差分别为0.8473,2.0417,2.0288和2.0805,平均绝对误差分别为0.7553,1.4226,1.4216和1.4566,SSS0与SSS ARGO的均方根误差和绝对平均误差值都明显小于SSS1,SSS2和SSS3与SSS ARGO的;由此可见,建立的海表盐度预测模型精度较高。新模型为海表盐度的反演算法提供了新思路。 相似文献
6.
自欧洲土壤湿度和盐度卫星SMOS和美国宝瓶座盐度卫星Aquarius相继发射之后,多个数据中心发布了两颗卫星的海表盐度网格化产品,其中包括法国海洋研究院SMOS卫星数据小组发布SMOS Locean L3盐度产品、西班牙巴塞罗那专家中心发布SMOS BEC L4盐度产品和美国宇航局喷气动力实验室发布AquariusV3.0 CAP L3盐度产品。本文利用精确盐度现场观测资料从产品精度和模拟海洋现象能力两个方面对以上3种产品质量进行了评估。研究表明:(1) 在精度方面,与盐度现场资料相比,Aquarius CAP 产品质量最高,产品盐度偏差和均方根误差全年稳定且偏差较小,部分海域达到了设计精度;SMOS两种卫星产品在全球海域偏差较不稳定,个别月份出现异常偏差值;SMOS产品在低纬和开阔海域的数据质量相对较高,但在高纬海域仍存在较大误差,需要进一步提升;(2) 在刻画海洋现象方面,Aquarius产品在热带太平洋较好刻画了淡池东缘盐度锋,SMOS BEC产品的刻画能力次之,SMOS Locean产品在热带太平洋充满了小尺度噪音,描述物理现象方面表现偏差。 相似文献
7.
海表面盐度(Sea Surface Salinity, SSS)是研究大洋环流和海洋对全球气候影响的关键参数之一。目前借助卫星遥感技术获取全天候和连续的SSS是最有效的方法,但是SSS的反演精度在大部分海域达不到预期目标。众所周知,海表面亮温是反演SSS的关键因素之一,海面粗糙度导致了亮温增量的产生,亮温正演模型的误差会影响盐度反演的精度。本文首次提出了依据6个风带划分全球海域,利用Argo实测盐度数据、SMOS卫星数据和相关辅助数据,通过LASSO统计方法在各风带覆盖的海域构建了一个全新的二次曲线亮温增量模型,再通过贝叶斯迭代反演算法计算出了各个海域的SSS产品。与Argo实测SSS对比,新模型下6部分海域反演SSS的绝对平均误差分别为0.76、0.88、0.93、0.92、1.28和1.21,均显著优于修正前(SMOS L2 SSS)产品的误差(0.98、1.61、2.82、1.50、2.35和3.13)。 相似文献
8.
基于2015-09—2016-08 SMAP(Soil Moisture Active and Passive)卫星资料研究了中国近海海表盐度(Sea Surface Salinity, SSS)的空间分布。首先利用中国近海实测SSS数据对SMAP卫星资料进行验证,接着利用SMAP数据和长江大通水文站的径流量资料分别对夏季和冬季长江冲淡水的扩散特征进行研究,探讨长江径流量与长江口SSS的关系。结果表明:夏季和冬季SMAP资料与实测SSS资料的均方根误差分别为3.55和1.14,远小于SSS的季节变化;中国近海SSS的季节变化在长江口邻近海域表现得最为明显,夏季SSS达到最低,冬季达到最高,春秋季为过渡季节;长江冲淡水夏季向东北扩散,冬季沿岸向南扩散,且夏季扩散范围明显大于冬季;长江径流量与长江口附近海域SSS为负相关,夏季径流量较大,对应长江口SSS较低;冬季径流量较小,对应SSS较高。SMAP SSS资料同时、大范围的特征对长江冲淡水扩散的研究提供了新的可能性。 相似文献
9.
SMOS卫星盐度数据在中国近岸海域的准确度评估 总被引：3，自引：3，他引：0
盐度是描述海洋的关键变量,对海表面盐度进行观测可以推进对全球水循环的理解。本文的主要目的是在中国近海海域对SMOS卫星盐度数据进行准确度评估。主要方法是将SMOS卫星L2海洋盐度数据产品(V317)与实测ARGO数据和走航数据进行匹配,并采用统计学的方法对SMOS卫星数据准确度进行评估。结果表明:匹配数据的线性关系不显著,SMOS卫星盐度数据(V317)在南海和东海的均方根误差分别约为1.2和0.7,应用海表面粗糙度修正模型得到的3组海表盐度数据准确度都相对较低,尤其在近岸强风场区域,海表盐度卫星数据相对于实测数据偏高,这可能是由于海表粗糙度和陆地射频干扰(RFI)作用影响的结果;SMOS卫星数据在东海的均方根误差比南海高0.5左右,这可能是由于东海海域为相对开阔海域,受陆地RFI影响相对南海较小;在中国近岸海域,应用SSS1和SSS3模型得到的盐度数据准确度相对较高,可以对模型进行地球物理参数修正,进行局地化改进,预计可以提高近岸海域盐度反演的准确度。 相似文献
10.
选取SMOS任务的2个海洋盐度专家中心(法国的CATDS-CECOS和西班牙的BEC)的5种经过再处理的新版SSS L3/4产品作为研究对象,以Argo浮标资料及WOA09资料作为参考标准,对其误差特征进行了细致的分析比较,为将其同化到海洋模式中以及用于其它海洋学的分析应用研究,提供必要的参考。主要结论如下:SMOS年平均海表盐度场与WOA09资料很接近,一些已知的重要的分布形势都有所体现;大洋中部误差较小,近陆误差大;热带误差较小,高纬地区误差较大;三大洋中太平洋均方根误差最小。随着时空分辨率的降低,SMOS SSS资料的均方根误差显著减小。检验的几种资料中,CATDS/CEC-OS处理制作的月平均海表盐度L3级产品误差最小,全球平均均方根误差(RMSE)为0.314;另外几种高分辨率产品中,除由BEC制作的简单加权平均产品均方根误差最大,全球平均0.543以外,其他3种资料的均方根误差量级相当,差异不太明显,全球平均的RMSE为0.3~0.4;BEC的两种分析产品总体上RMSE更小。 相似文献
11.
针对传统海表盐度遥感反演精度不高、影响因素较少等问题,本文基于SMAP（Soil Moisture Active Passive）卫星L2C（Level 2 C）数据、Argo（Array for Real-time Geostrophic Oceanography）数据和其他辅助数据,以太平洋部分海域（160°E～120°W,0°～30°N）为研究区域,综合考虑海面粗糙度以及白冠覆盖率等参量,利用径向基神经网络建立RBF亮温增量模型,并对平静海面亮温进行修正,然后基于Meissner-Wentz介电常数模型得到反演后的盐度值。验证结果表明：模型预测盐度和SMAP卫星盐度相对于Argo实测盐度的均方根误差分别为0.4和0.5,平均绝对误差分别为0.3和0.4。实验证明,利用RBF神经网络建立的亮温增量模型可以提高海表盐度反演的精度,对海表盐度反演具有实用意义。 相似文献
12.
海表面盐度是研究海洋对全球气候影响以及大洋环流的重要参量之一,而卫星遥感技术是获取海表面盐度数据的最有效方法.目前,L波段的SMOS和Aquarius/SAC-D遥感卫星正在用于探测海表面盐度,并根据卫星观测数据和物理机制反演出海表面盐度的产品.但在某些近陆地区域,由于淡水流入及陆地射频(RFI)等因素影响,卫星反演盐度的产品精度较低.文中利用“东方红2号”科学考察船的实测数据、SMOS卫星数据,首次针对中国南海海域提出了用贝叶斯网络模型计算海表面盐度,并用验证数据集(实测Argo盐度)对模型进行适应性评估.经过计算,模型误差和验证误差分别为0.47 psu和0.45 psu,而相应的SMOS Level 2产品的精度分别为1.90 psu和1.82 psu.此模型为海表面盐度的计算提供了一个新方法. 相似文献
13.
基于Argo浮标数据的星载微波辐射计Aquarius数据产品质量评估 总被引：3，自引：1，他引：2
Aquarius是专门用于海洋盐度监测的L波段辐射计,于2011年6月发射入轨,目前已进入业务化运行阶段。本文以太平洋为研究区域,利用Argo盐度现场数据对星载微波辐射计Aquarius的2012年2级数据产品质量进行了分析与讨论,结果表明:与Argo数据比较,Aquarius数据盐度存在0.1的负偏差,标准差约为0.7,升轨和降轨数据差异不明显;受亮温陆地污染和无线电射频干扰的影响,近岸海域反演误差较大;海面温度较高的低纬海域反演结果优于中纬度海域;受亮温敏感性及粗糙海面发射率模型的影响,Aquarius在低温水域以及高风速条件下盐度反演误差较大,标准差可达1以上。 相似文献
14.
本文利用2011年8月至2014年3月Aquarius卫星盐度产品结合Argo等实测盐度资料,探讨了孟加拉湾海表盐度的季节及年际变化特征。结果显示,Aquarius与Argo盐度呈显著线性正相关,总体较Argo盐度值低,偏差为-0.13,其中在孟加拉湾北部海域负偏差值比南部海域更大,分别为-0.28和-0.10。Aquarius卫星与Argo浮标在表层盐度观测深度上的差别是造成此系统偏差的主因。Aquarius盐度资料清晰显示了孟加拉湾海表盐度具有明显的季节变化特征,包括阿拉伯海高盐水的入侵引起湾南部海域盐度的变化以及湾北部淡水羽分布范围的季节性迁移等主要特征。此外,分析还揭示了2011(2012)年春季整个湾内出现异常高盐(低盐)现象。研究表明,2010(2011)年湾北部夏季降雨减少(增加)导致该海域海水盐度偏高(偏低),并通过表层环流向南输运引起次年春季湾内表层盐度出现异常高盐(低盐)现象,春季风应力旋度正(负)距平通过影响盐度垂直混合过程对同期表层盐度异常高盐(低盐)变化也有影响。 相似文献
15.
16.
土壤湿度和海洋盐度卫星首次提供了覆盖全球的高频率、高精度、业务化的海表盐度产品,但其处理和延伸应用仍处于初级阶段,后续校准校正工作还将持续数年,如何及时把握其发展轨迹成为一个重要的科学问题.本研究从SMOS计划、数据概况、盐度反演算法、格点产品制作、多源数据融合和产品应用等方面,介绍和评述了SMOS计划及其海表盐度产品应用研究进展,着重分析了反演算法中的各种误差来源,对在轨2 a的运行情况进行了回顾、对未来的发展重点进行了展望,旨在为开发和应用SMOS产品提供参考. 相似文献
17.
提出了海表温度(SST)和海表盐度(SSS)可统一由混合层深度内对应的平均温、盐度作零阶近似的理论假设,据此利用Chu等提出的最大角度法构建混合层模型,并考虑障碍层和补偿层的影响,得到合成的混合层深度,从而实现了基于混合层模型反推SST和SSS。以太平洋海域为例,分别利用WOA13气候态(1-12月)资料、TAO逐年逐月资料以及历史船载CTD资料检验了这一假设。不同资料检验结果均表明,反推得到的SST、SSS与实测值相关性较高,两者之间残差也较小。将此方法应用于Argo剖面,反推出对应的SST和SSS,并利用逐步订正法对散点资料进行客观分析,生成2004年1月-2014年12月逐年逐月的1°×1°的网格化SST和SSS。对网格资料进行检验,结果发现由Argo反推的SST和SSS气候态分布特征与WOA13资料非常相似,差异不大;与TAO实测资料相关性较好,甚至略高于同类型网格资料与TAO资料的相关系数;EOF分析表明,无论是空间还是时间的主要变化模态,与同类型的网格资料符合性较好。综合来看,构建的混合层模型可以用于Argo表层温、盐度的反推,获得较高质量的SST和SSS,能较好弥补Argo缺乏表层资料的不足。 相似文献
18.
盐度是南海物理环境的重要组成部分之一,盐度的变化对南海的水动力环境有重要影响。利用1972-2010年的SODA数据集的5.01 m层月平均数据,分析南海海域海表面盐度的时空分布特征,采用基于最小二乘法的线性拟合分析南海海表面盐度的长期变化趋势。结果表明南海海域的海表面盐度在39 a间90%以上区域均呈现盐度下降趋势,整个海域SSS则以每年0.005 88 psu的速率下降,春季SSS下降速率最大为0.006 4 psu/a,夏季SSS下降速率在四季中最小为0.005 19 psu/a。 相似文献
19.
为解决海洋中大量观测数据只含有温度剖面而缺乏盐度观测的问题, 基于历史观测的温盐剖面资料, 考虑到盐度卫星数据的发展, 采用回归分析方法, 在孟加拉湾建立了盐度与温度、经纬度、表层盐度的关系, 并对不同反演方法的反演结果进行检验评估。结果发现, 在不引入海表盐度(sea surface salinity, SSS)时, 最佳反演模型是温度、温度的二次项与经纬度确定的回归模型, 而SSS的引入则可以进一步优化反演结果。将反演结果与观测结果进行对比, 显示用反演的盐度剖面计算的比容海面高度误差超过2cm, 而引入SSS后的误差低于1.5cm。SSS的引入能够较为真实地反映海洋盐度场的垂直结构和内部变化特征, 既能够捕捉到对上混合层有重要影响的SSS信号, 又能够反映盐度在跃层上的季节内变化以及盐度障碍层的季节变化。水团分析显示, 与气候态相比, 盐度反演结果可以更好地表征海洋上层水团的变化特征。 相似文献
20.
SMOS卫星数据发布以来,相关学者针对海表盐度数据开展了大量的真实性检验工作,但是在受无线射频干扰（RFI）影响海域开展的相关工作很少。本文以西太平洋海域为研究区域,选择合理的时空匹配窗口,将WOD13实测海表盐度数据与SMOS卫星单轨海表盐度数据进行数据匹配,采用统计学方法开展SMOS卫星数据真实性检验,并分析RFI对SMOS卫星数据的影响。结果表明,SMOS卫星受分布在西太平洋沿岸射频干扰源的影响,RFI污染高风险区单轨L2数据准确度相对较低,最优仅为3.45,RFI污染低风险区的卫星数据准确度最优为1.07,可见,RFI对单轨卫星数据准确度的影响很大,最终导致西太平洋海域西部大面积海域数据缺失,尤其是中国近海海域,如何检测和减缓RFI对卫星数据的影响是亟待解决的问题。 相似文献