共查询到10条相似文献，搜索用时 15 毫秒
1.
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
2.
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
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.
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
5.
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
6.
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
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.
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
9.
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
10.
文章利用果蝇优化广义回归神经网络算法FOAGRNN (fruit fly optimization algorithm, FOA; generalized regression neural network, GRNN)对SODA (simple ocean data assimilation)再分析数据进行训练, 构建海表温度、盐度、海面高度与次表层温盐场之间的投影关系模型, 并在全球范围使用SODA和卫星遥感数据评估了模型的应用性能。首先, 利用独立的2016年SODA海表数据作为模型输入进行理想重构试验, 结果显示全球重构温、盐平均均方根误差(MRMSE)分别为0.36℃和0.08‰, 与世界海洋图集WOA13资料相比减小约50%和60%。然后, 利用卫星观测的海表信息作为模型输入进行实际应用试验, 并与Argo观测剖面进行比较评估。试验结果表明, 重构模型能有效表征海水温、盐特征, 其中重构温、盐MRMSE分别为0.79℃和0.16‰, 相比WOA气候态减小27%和11%。误差的垂向分布显示, 重构温度RMSE从海表向下迅速增大, 至100m达到峰值1.35℃, 而后又迅速回落,至250m处为0.81℃, 跃层往下不断减小; 重构盐度RMSE基本随深度增大而减小, 误差峰值位于25m附近, 约为0.25‰。此外, Argo浮标跟踪分析和区域水团统计结果也表明模型能够较好地刻画海洋三维温盐场的内部结构特征。 相似文献