共查询到15条相似文献，搜索用时 218 毫秒
1.
《中国海洋大学学报(自然科学版)》2016,(8)
海表面盐度SSS(Sea Surface Salinity)是研究大洋环流和海洋对全球气候影响的重要参量。海表面盐度卫星遥感探测可以满足大范围、连续观测的研究需要,是获取该参量的有效手段。2009年欧洲空间局发射了SMOS(Soil Moisture and Ocean Salinity)卫星,并且根据卫星观测的数据反演出海表面盐度的相关产品,但是产品的精度还有待于进一步的提高。本文利用多元线性回归的统计分析方法,针对SMOS卫星相关数据(观测亮温数据和辅助数据)建立一种全新的不依赖于物理机制的海表面盐度统计模型。本文针对太平洋中部提出的统计模型计算的盐度点对点的精度为0.165 5psu,1°×1°月平均精度为0.106 3psu,而SMOS卫星Level 2盐度产品的精度分别为0.585 5和0.181 9psu。同时将模型应用到验证数据集,得到了点对点精度为0.224 2psu,进一步说明模型具有很好的适应性和泛化能力。 相似文献
2.
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
3.
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
4.
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
5.
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
6.
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
7.
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
8.
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
9.
海洋的盐度观测对于气候和海洋科学的研究有重要的意义,盐度的卫星遥感观测需要估计各种因素带来的误差影响。本文基于海面微波辐射理论和海水相对电容率等模型,采用蒙特卡洛模拟方法研究了在盐度遥感中温度误差、仪器误差以及风速误差对于后续的盐度反演的影响。通过计算温度误差产生的盐度误差,并与敏感性方法的对比发现,在低温低盐时温度误差对盐度反演误差的影响较大,2种方法的偏差较大;而在高温高盐时温度误差对盐度反演误差的影响较小,2种方法的偏差较小。辐射计仪器噪声对盐度误差的影响普遍在0.1psu以上,在低温低盐时可达0.5psu以上。风速误差对盐度反演误差的影响在水平极化状态下随入射角增大,在温度低于20℃时普遍超过1psu;在垂直极化状态下随入射角先减小后增大,在温度低于20℃以及较小的入射角下误差也会超过1psu。对误差的综合分析发现,采用垂直极化状态在高温时这2种误差的影响较小。研究发现,当入射角是45.6°和垂直极化状态下,对于3种典型海面状态(35℃和35psu,20℃和35psu,5℃和30psu),反演的盐度反演误差可达到0.162,0.153和0.444psu,达到了卫星单次扫描对盐度反演的误差要求。 相似文献
10.
以2016年SMAP 8日均、月均海表盐度(Sea Surface Salinity, SSS)产品与SMOS日均、月均SSS产品为研究对象,基于Argo浮标实测盐度数据与Argo月均盐度网格产品,进行了质量评估,并开展了SMAP和SMOS盐度遥感产品间的交叉比对。结果表明:SMAP 8日均、月均SSS产品均比SMOS日均、月均SSS产品更接近于Argo盐度数据;SMAP SSS产品在12个月里的标准差均小于SMOS SSS产品,SMAP SSS产品年均偏差与标准差在大部分海域小于SMOS SSS产品,除高纬度地区,4种SSS产品与Argo数据的平均偏差和标准差随纬度变化浮动不大;SMAP 8日均、月均与SMOS日均、月均产品的年平均SSS空间分布特征一致,SMAP 8日均与SMOS日均、SMAP与SMOS月均SSS产品间的年平均偏差在全球范围内总体在-0.50～0.50,标准差总体为0～1.00。 相似文献
11.
12.
The European Space Agency will launch the first salinity satellite for remotely sensing the global soil moisture and ocean salinity (SMOS) at a sun-synchronous orbit in 2009. One of the payloads on the satellite is a synthetic aperture microwave radiometer (MIRAS), which is an innovative instrument designed as a two-dimensional (2D) interferometer for acquiring brightness temperature (TB) at L-band (1.4 GHz). MIRAS allows measuring TB at a series of incidences for full polarizations. As the satellite travels, a given location within the 2D field of view is observed from different incidence angles. The authors develop a new scheme to retrieve the sea-surface salinity (SSS) from SMOS’s TB at multi-incidence angles in a pixel, utilizing the properties of emissivity changing with incidence angles. All measurements of a given Stokes parameter in a pixel are first fitted to incidence angles in three order polynomial, and then the smoothed data are used for retrieving the SSS. The procedure will remove the random noise in TB greatly. Furthermore, the new method shows that the error in retrieved SSS is very sensitive to the system biases in the calibrated TB of the sensor, but the error in the retrieval is also a system bias, which can be corrected by post-launch validation. Therefore, this method may also serve as a means to evaluate the calibration precision in TB. 相似文献
13.
一种利用SMOS卫星观测的海表面盐度反演海水盐度廓线的方法 总被引：4，自引：1，他引：3
This paper proposes a new method to retrieve salinity profiles from the sea surface salinity(SSS) observed by the Soil Moisture and Ocean Salinity(SMOS) satellite. The main vertical patterns of the salinity profiles are firstly extracted from the salinity profiles measured by Argo using the empirical orthogonal function. To determine the time coefficients for each vertical pattern, two statistical models are developed. In the linear model, a transfer function is proposed to relate the SSS observed by SMOS(SMOS_SSS) with that measured by Argo, and then a linear relationship between the SMOS_SSS and the time coefficient is established. In the nonlinear model, the neural network is utilized to estimate the time coefficients from SMOS_SSS, months and positions of the salinity profiles. The two models are validated by comparing the salinity profiles retrieved from SMOS with those measured by Argo and the climatological salinities. The root-mean-square error(RMSE) of the linear and nonlinear model are 0.08–0.16 and 0.08–0.14 for the upper 400 m, which are 0.01–0.07 and 0.01–0.09 smaller than the RMSE of climatology. The error sources of the method are also discussed. 相似文献
14.
In this study, sea surface salinity(SSS) Level 3(L3) daily product derived from soil moisture active passive(SMAP)during the year 2016, was validated and compared with SSS daily products derived from soil Moisture and ocean salinity(SMOS) and in-situ measurements. Generally, the root mean square error(RMSE) of the daily SSS products is larger along the coastal areas and at high latitudes and is smaller in the tropical regions and open oceans. Comparisons between the two types of daily satellite SSS product revealed that the RMSE was higher in the daily SMOS product than in the SMAP, whereas the bias of the daily SMOS was observed to be less than that of the SMAP when compared with Argo floats data. In addition, the latitude-dependent bias and RMSE of the SMAP SSS were found to be primarily influenced by the precipitation and the sea surface temperature(SST). Then, a regression analysis method which has adopted the precipitation and SST data was used to correct the larger bias of the daily SMAP product. It was confirmed that the corrected daily SMAP product could be used for assimilation in high-resolution forecast models, due to the fact that it was demonstrated to be unbiased and much closer to the in-situ measurements than the original uncorrected SMAP product. 相似文献
15.
An analysis on the error structure and mechanism of soil moisture and ocean salinity remotely sensed sea surface salinity products 总被引：1，自引：0，他引：1
For the application of soil moisture and ocean salinity（SMOS） remotely sensed sea surface salinity（SSS） products,SMOS SSS global maps and error characteristics have been investigated based on quality control information.The results show that the errors of SMOS SSS products are distributed zonally,i.e.,relatively small in the tropical oceans,but much greater in the southern oceans in the Southern Hemisphere（negative bias） and along the southern,northern and some other oceanic margins（positive or negative bias）.The physical elements responsible for these errors include wind,temperature,and coastal terrain and so on.Errors in the southern oceans are due to the bias in an SSS retrieval algorithm caused by the coexisting high wind speed and low temperature; errors along the oceanic margins are due to the bias in a brightness temperature（TB） reconstruction caused by the high contrast between L-band emissivities from ice or land and from ocean; in addition,some other systematic errors are due to the bias in TB observation caused by a radio frequency interference and a radiometer receivers drift,etc.The findings will contribute to the scientific correction and appropriate application of the SMOS SSS products. 相似文献