共查询到17条相似文献，搜索用时 125 毫秒
1.
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.
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
4.
5.
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
6.
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
7.
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
8.
9.
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
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.
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
12.
Several remotely sensed sea surface salinity(SSS) retrievals with various resolutions from the soil moisture and ocean salinity(SMOS) and Aquarius/SAC-D missions are applied as inputs for retrieving salinity profiles(S) using multilinear regressions. The performance is evaluated using a total root mean square(RMS) error, different error sources, and the feature resolutions of the retrieved S fields. In the mixed layer of the salinity, the SSS-S regression coefficients are uniformly large. The SSS inputs yield smaller RMS errors in the retrieved S with respect to Argo profiles as their spatial or temporal resolution decreases. The projected SSS errors are dominant, and the retrieved S values are more accurate than those of climatology in the tropics except for the tropical Atlantic, where the regression errors are abnormally large. Below that level, because of the influence of a sea level anomaly, the areas of high-accuracy S values shift to higher latitudes except in the high-latitude southern oceans, where the projected SSS errors are abnormally large. A spectral analysis suggests that the CATDS-0.25° results are much noisier and that the BEC-L4-0.25° results are much smoother than those of the other retrievals. Aquarius-CAP-1° generates the smallest RMS errors, and Aquarius-V2-1° performs well in depicting large-scale phenomena. BEC-L3-0.25°,which has small RMS errors and remarkable mesoscale energy, is the best fit for portraying mesoscale features in the SSS and retrieved S fields. The current priority for retrieving S is to improve the reliability of satellite SSS especially at middle and high latitudes, by developing advanced algorithms, combining both sensors, or weighing between accuracy and resolutions. 相似文献
13.
14.
海洋盐度在水循环、海洋环流、海洋生态系统、全球天气和气候变化等方面起着至关重要的作用。然而, 受观测的限制, 以往对海洋盐度的研究相对匮乏, 对其进行预报的工作更为少见。本文采用线性马尔可夫模型对印度洋海表面盐度(sea surface salinity, SSS)开展初步的预报工作。根据混合层盐度收支方程, 选择海表面高度(sea surface height, SSH)、海表面温度 (sea surface temperature, SST)、SSS等物理量的异常值作为模型的组成部分, 对印度洋SSS开展预报工作。结果表明, 马尔可夫模型可提前9个月对印度洋SSS进行较好的预报。此外, 南太平洋海表面温度异常(sea surface temperature anomaly, SSTA), 海表面高度异常(sea surface height anomaly, SSHA)和印度洋偶极子(Indian Ocean dipole, IOD)系数等遥相关因素的加入可将线性马尔可夫预报对印度洋SSS的预报效果(相关系数)平均提高10%。利用改进的模型对印度洋SSS进行提前1~11个月的“实时”预测, 得出预报的SSS时空变化特征与观测场相吻合。综上所述, 改进的线性马尔可夫模型对印度洋SSS具有一定的预测能力, 未来可进一步完善。 相似文献
15.
Using sea surface salinity(SSS)observation from the soil moisture active passive(SMAP)mission,we analyzed the spatial distribution and seasonal variation of SSS around Changjiang River(Yangtze River)Estuary for the period of September 2015 to August 2018.First,we found that the SSS from SMAP is more accurate than soil moisture and ocean salinity(SMOS)mission observation when comparing with the in situ observations.Then,the SSS signature of the Changjiang River freshwater was analyzed using SMAP data and the river discharge data from the Datong hydrological station.The results show that the SSS around the Changjiang River Estuary is significantly lower than that of the open ocean,and shows significant seasonal variation.The minimum value of SSS appears in July and maximum SSS in December.The root mean square difference of daily SSS between SMAP observation and in situ observation is around 3 in both summer and winter,which is much lower than the annual range of SSS variation.In summer,the diffusion direction of the Changjiang River freshwater depicted by SSS from SMAP is consistent with the path of freshwater from in situ observation,suggesting that SMAP observation may be used in coastal seas in monitoring the diffusion and advection of freshwater discharge. 相似文献
16.
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
17.
基于1996—2012年西北太平洋Argo剖面浮标盐度观测资料,利用合成分析方法研究了海表面盐度对台风的响应特征。结果表明海表面盐度对台风的响应具有明显的非对称性:台风过后其路径右侧的海表面盐度显著上升;左侧的则在R50内上升,R50外区域普遍下降。进一步分析显示台风强度、移动速度和海洋混合层深度对海表面盐度响应特征均有较大影响。强度大或移动缓慢的台风能造成大范围的海表面盐度上升;强度小或移动快速的台风只在路径右侧造成海表面盐度上升,左侧的则普遍下降。夏季(6-9月)台风过后,海表面盐度在混合层浅的区域普遍大幅上升,在混合层深的区域则在台风路径左右两侧2R50范围内小幅上升,在远离台风路径左侧区域下降。 相似文献