论文部分内容阅读
海洋盐度是联系全球水循环和海洋环流的重要动力学参数。2015年,我国首次提出了海洋盐度探测卫星计划,用于完成对全球海面盐度的观测。主被动微波盐度计(MICAP)是海洋盐度探测卫星上计划搭载的有效载荷之一。借鉴SMOS和Aquarius/SAC-D卫星的技术经验,MICAP首次采用了L/C/K多频段一维综合孔径辐射计和L波段数字波数合成散射计相结合的技术方案,具有多频段主被动联合探测的能力,目前国内外尚无载荷具备此能力。考虑到仪器配置不同,现存的海面盐度反演算法都无法直接用于MICAP的海面盐度反演。为此,本文开展了无降雨情况下的MICAP海面盐度物理反演算法和机器学习反演方法的研究,并结合国外卫星实测数据验证了本文所提算法的有效性,以期为未来我国海洋盐度卫星的应用提供相应的理论和算法支撑。首先,基于微波辐射传输方程和地物模式函数,建立了MICAP海面盐度反演算法所涉及的粗糙海面辐射亮温和后向散射系数模型。通过对比不同海水相对介电常数模型的差异及其对平静海面辐射亮温的影响,选择了适用于MICAP的海水介电常数模型,建立了MICAP的L/C/K波段粗糙海面辐射亮温模型。结合外推法和PALSAR的地物模式函数获得了43°-55°大入射角的后向散射系数,建立了MICAP的L波段外推地物模式函数。同时,分析了不同海浪谱模型及有无泡沫对L波段粗糙海面辐射亮温的影响,为海浪谱和泡沫模型的选择提供参考。其次,基于建立的粗糙海面辐射亮温模型、后向散射系数模型、L/C/K波段无降雨大气衰减模型以及宇宙辐射和法拉第旋转修正方法,针对无降雨情况,提出了一种适用于MICAP的多频段、多入射角主被动联合海面盐度物理反演算法。使用蒙特卡罗仿真方法,验证了所提算法的反演精度,评估了MICAP反演海面参数的性能。仿真结果表明,卫星单次过境时,在中低纬度,所提算法获得的海面盐度、温度和风速的均方根误差分别为0.6 psu、1.2℃和0.8 m/s。假设接收机的稳定度近似等于仪器的灵敏度,在中低纬度,使用所提算法获得的月平均(30天和200 km×200 km时空平均)海面盐度均方根误差小于0.13 psu。此外,还对比了MICAP不同频段配置对海面参数反演精度的影响。比较发现,使用不包含23.8 GHz频段配置反演的海面盐度、温度和风速均方根误差分别为0.6 psu、1.2℃和0.9 m/s。可见,在无降雨情况下,23.8 GHz频段的有无对海面盐度、温度和风速的反演精度影响较小,为MICAP频段配置的优化提供了参考。再次,使用Aquarius和AMSR2测量数据及相关辅助数据构建了算法验证数据集,验证了所提算法用于实测数据的有效性。在反演之前,使用建立的正演模型模拟了L/C/K波段的辐射亮温,并基于回归方法修正了测量亮温和模拟亮温之间的系统偏差。结果表明,相比于斯克里普斯海洋学研究所的Argo盐度插值数据以及遥感系统的AMSR2的温度、风速和云液水产品,所提算法获得的海面盐度、温度、风速和云液水的均方根误差分别约为0.61 psu、0.73℃、0.90 m/s和0.038 mm,证明了所提算法的可行性和合理性。同时,也说明了所提算法具有同步反演多个海气参数的能力。最后,将机器学习中的深度神经网络、高斯过程回归、支持向量机回归和核岭回归引入到海面盐度和风速的反演中,并使用Aquarius卫星在中国南海的测量数据和相关辅助数据验证了机器学习海面参数反演方法的可行性,对比了四种机器学习方法获得的海面盐度和风速的反演精度。进而,比较了深度神经网络反演方法和Aquarius两种物理算法获得的海面盐度反演结果。通过比较发现,相比于HYCOM的盐度,深度神经网络方法获得的海面盐度偏差和均方根误差均小于两种物理算法;相比于斯克里普斯海洋学研究所的月Argo盐度插值数据,深度神经网络方法获得的盐度均方根误差小于两种物理算法;相比于Argo浮标的盐度,深度神经网络方法获得的盐度均方根误差小于CAP算法,偏差小于两种物理算法。但深度神经网络方法对参考样本的质量和样本数量的依赖性较大,对小样本数据的反演精度不理想。