面向航运服务的海冰密集度遥感产品对比研究

2022-04-24 05:54黄琳邱玉宝周静恬王长林梁曦李群
极地研究 2022年1期
关键词:密集度海冰分辨率

黄琳 邱玉宝 周静恬 王长林 梁曦 李群

(1 中国科学院大学资源与环境学院,北京 100049;2 中国科学院空天信息创新研究院数字地球重点实验室,北京 100094;3 中国科学院空天信息创新研究院和芬兰气象研究所北极观测联合研究中心,索丹屈莱 芬兰 999018;4 国家海洋环境预报中心,北京 100081;5 中国极地研究中心,上海 200136)

0 引言

近年来北极海冰快速变化,特别是夏季海冰的持续消融,使得商业航运加速发展[1]。为实现极地安全航行,航线区域海冰冰情的监测不可或缺。海冰密集度(Sea Ice Concentration,SIC)是反映冰情的重要参数之一,海冰低密集度区是航运服务可通航性的关键区[2],也是面向航运服务的海冰数据的估算薄弱区。

目前已发展大量的海冰密集度算法,主要以星载被动微波观测为数据源,可实现每日全北极覆盖观测,并广泛应用于航线评估和海洋及海冰预报中。传感器包括搭载在美国国家航空航天局(NASA)的 Aqua 卫星上的 AMSR-E (Advanced Microwave Scanning Radiometer for EOS)仪器,于2002 年3 月4 日发射,2011 年10 月4 日停止运转,后继者 AMSR-2 (Advanced Microwave Scanning Radiometer 2)搭载在JAXA 的GCOMW1 卫星上,于2012 年3 月18 日至今继续为海冰观测提供辐射计数据。另外,1978—1987 年搭载在Nimbus-7 卫星上的SMMR (Scanning Multichannel Microwave Radiometer),1987 年起搭载在国防气象卫星计划(DMSP)的系列卫星F-08、F-10至F-15 上的SSM/I (Special Sensor Microwave Imager)和F-16 至F-19 上的SSMIS (Special Sensor Microwave Imager/Sounder)提供了1987 年至今的北极逐日海冰观测数据。海冰密集度产品作为海洋预报模型重要的输入参数之一,其精度直接影响预报模型的准确性;此外海冰边缘区是航运的主要活动区,直接影响航运安全,也是影响海冰密集度估算精度的关键,因此在北极航运的数字化服务中亟需海冰边缘区的高精度数据。

由于时空分辨率、数据源及产品处理算法原理等差异,导致各产品监测的海冰信息存在差异,而海冰产品的精度评价主要依赖于遥感观测和走航数据。利用遥感观测及分析数据对比北极全域的海冰密集度估计时空误差的相关研究,比如参考数据选择欧空局(ESA)中期海冰分数数据集(再分析数据)分析得到不同海冰密集度产品普遍具有一致性,但存在时空分布差异,尤其在夏季和边缘冰区有较大的不确定性[3];选择MODIS 与100%参考海冰密集度数据,同样得出海冰密集度产品在夏季融冰期(5—9 月)误差最大[4]。利用船测数据比较北极走航沿线海冰密集度监测误差,例如赵杰臣等[1]对比7 种海冰密集度产品,发现这些产品对小范围浮冰区反演差异较大,经与船测数据(OBS-SIC)比较,分辨率最高的 AMSR2/ASI 数据(6.25 km)平均偏差和均方根误差均最小。利用船载摄影观测(P-OBS)比对5 种海冰密集度算法产品在夏季的精度,发现各产品在海冰密集度低于某一值后相对船测数据均有高估,在夏季,SSMIS-NT 的模拟精度最好而AMSR2-NT2 精度最差[5]。对于冰边缘的误差比较,从MODIS 图像中计算生成虚拟船观测(PSO)与PSO 冰边缘[6],并与AMSR2 的两种SIC 产品(ASI-SIC 和BT-SIC)比较,得到北极海冰边缘对应的平均海冰密集度值为10.5%,而BT-SIC 为23.6%,SIC 为15%处的ASI、BT 冰边缘与PSO 的差距在35 km 以内[7]。以上评估比对研究主要关注海冰高密集度区和北极全域的海冰密集度精度,而很少关注边缘冰区误差及其在不同产品之间的具体差异,且采用走航观测的验证对比在空间代表性方面也存在不足。

航运多在海冰密集度较低的区域,然而冰边缘是海冰密集度测量准确度较低的地方,因此在数字化北极航运研究中,比较多种常用的海冰密集度产品在冰边缘区的不确定性并分析各产品在冰边缘区的差异具有必要性,这种不确定性可能会直接影响海冰数值预报和航线预测的精度。本文选取国际上已发布的9 种海冰密集度数据,以东北航道为研究区域,对比通航中最受关注的海冰边缘区及低密集度区域,采用产品间对比和高分雷达数据的比对分析,评估各产品在其上的海冰监测性能及其差异,为航运的数字化服务及海冰短期预报模式输入参数提供支持与参考。

1 研究区及数据处理

1.1 研究区域

东北航道沿挪威和俄罗斯海岸,途径巴伦支海、喀拉海、拉普捷夫海、东西伯利亚海域和白令海峡,为北极地区夏季通航窗口期最长的航道,也是连接欧洲与东北亚最短的航线,较传统的苏伊士运河航线可缩短15%~50%[8]。中国远洋海运集团(以下简称“中远集团”)自2013 年起在东北航道开展商业航运,图1 为科考船“向阳红01”号在2019 年的科考航线以及中远集团在2018 年和2019 年夏季东北航道的几条商船航线。东北航道的东西两段均存在固定可通航期,在巴伦支海可实现全年通航;航道中段(喀拉海-拉普捷夫海-东西伯利亚海域)冰情最为复杂,无固定可通航期[9],通航窗口期主要在夏季冻融期8—10 月,其中拉普捷夫海固定可通航期时间最长,为8 月上旬至9 月下旬,新西伯利亚群岛北侧海域在通航期内经常受到冰阻,需要破冰船协助[10],而东西伯利亚海域在通航期内海冰覆盖面积最大,其海冰边缘区范围变化较快[11],是航行的关键风险区。

图1 北极东北航道区2018—2019 年夏季我国商业航线及ASI-AMSR2 产品海冰密集度分布示意图。图中方框1—8代表参考数据合成孔径雷达(SAR)样本的编号,ASI-AMSR2 产品对应时间为2018 年9 月10 日Fig.1.Overview of Chinese trade routes in the Arctic Northeast Passage Region in summer of 2018–2019 and SIC distribution of ASI-AMSR2 products.The squares 1–8 represent the serial number of Synthetic Aperture Radar (SAR) samples as reference data,and ASI-AMSR2 product showed the sea ice concentration on September 10,2018

1.2 研究数据

1.2.1 海冰密集度产品

海冰密集度产品可获取2018 年全北极的每日数据,本研究选取了9 种海冰密集度产品(见表1),它们均为极地立体投影,分辨率高于25 km,各产品名称均以“算法-传感器”命名。

表1 9 种海冰密集度业务化数据产品表Table 1.Nine operational sea ice concentration(SIC) products shown in this study

研究根据海冰密集度的算法原理将产品分为三种类型。第一类产品主要基于两个低频通道(19 GHz和37 GHz)的亮温数据,包括BT-SSMI产品[12-13],其对温度变化较敏感,当积雪覆盖海冰时会因绝缘温度导致估计偏差。

第二类产品基于多通道数据之间的亮温组合,如极化差P(同频段的垂直与水平极化之差)、极化比PR(同频段的垂直与水平极化之差比两者之和)和梯度比GR(两频段的亮温之差比两者之和),包括ASI-AMSR2 和ASI-SSMI、NT-SSMI 和NT2-AMSR2 产品。其中,ASI 算法[14]利用高频85 GHz的极化差 P 计算得到海冰密集度,分辨率最高(6.25 km),P 值在开阔水域远大于海冰可以较好地区分冰水,但易受大气水汽及云层液态水等大气影响;NT 算法[15]利用低频19 GHz 和37 GHz的GR 和PR,可区分海水、一年冰和多年冰,并有效抵消海冰表面物理温度的影响[12-13];NT2 算法[16-17]利用高频85 GHz 与低频19 GHz 和37 GHz数据的梯度比之差ΔGR,并结合大气辐射传输模型做大气校正,较好地区分了海水、一年冰与多年冰,并减弱了冰雪分层的影响。

第三类为综合算法,如 CDR(Climate Data Record)-SSMI 和使用OSI SAF 算法的三种产品。CDR 算法[16]结合了BT 和NT 算法,逐像元选择两者的较高值作为结果值;OSI SAF 算法[18]结合BT 和Bristol 两种算法,在低密集度区(<70%)BT赋权值较大,反之 Bristol 赋权值较大,其中Bristol 是在BT 算法基础上发展的优化算法[12,19]。此外,OSI SAF-AMSR2[20]产品又分别使用19 GHz 和37 GHz 频段数据的OSHD(OSI SAF Hybrid Dynamic)以及89 GHz、19 GHz 和37 GHz频段数据的TUD(Technical University of Denmark)两种算法生产出两种海冰密集度产品。

1.2.2 合成孔径雷达影像

本研究选择了高分雷达遥感观测数据作为海冰密集度产品比对的参考数据,由哨兵一号(Sentinel-1)卫星C 波段合成孔径雷达(SAR)采集。哨兵一号有A、B 两颗卫星同时在轨运行,目前重返周期达到3~6 d。研究选择了超宽扫描模式(EW)L1 级地距多视(GRD)双极化产品,其条带宽度为410 km,入射角范围18.9°~47.0°,像元间距为40 m×40 m。因其分辨率较高,在表征海冰的细节信息包括精细边缘区具有优势,故作为参考数据,以较好地满足验证精度的需求。SAR 样本选取了2018 年夏季(7—9 月)东北航道冰边缘区,如图2。

图2 不同海冰边缘类型的SAR 数据样本。样本对应位置见图1。其中,SAR 样本编号分别对应2018 年的日期为:a)样本1,7 月9 日;b)样本2,8 月28 日;c)样本3,8 月14 日;d)样本4,8 月10 日;e)样本5,8 月22 日;f)样本6,9月12 日;g)样本7,8 月9 日;h)样本8,8 月11 日Fig.2.SAR data samples of two sea ice edge morphology.The location of samples were located as shown in figure 1.The SAR sample numbers correspond to the time respectively:a)sample 1,July 9;b)sample 2,August 28;c)sample 3,August 14;d)sample 4,August 10;e)sample 5,August 22;f)sample 6,September 12;g)sample 7,August 9;h)sample 8,August 11

根据海冰边缘区形态特征,可将样本分为分散型边缘区(如样本5 和6)与密集压实型边缘区(其余样本)[21],前者由松散、分布较广泛的浮冰组成,易受风、洋流等力的作用发生漂流,海冰密集度小于30%;后者由浮冰紧密堆积而成,海冰密集度一般大于60%。

1.3 数据处理方法

1.3.1 海冰密集度产品数据归一化处理

若因仪器或数据获取成像导致图像缺失或出现异常值,则去除产品中对应日期的数据。为保证研究对象只有海冰,利用美国国家冰雪数据中心(NSIDC)的陆地掩膜和极孔掩膜工具[22],对“极孔”和陆地、海岸线进行统一掩膜。为减小各算法的差异,将灰度值线性拉伸至同一范围[0,100],然后采用双线性插值法将各产品重采样至最高分辨率6.25 km 用于后续的误差比对。

1.3.2 雷达海冰密集度估算方法

首先通过辐射定标将图像灰度值转换为反映地物目标特性的后向散射系数值,以消除由传感器、地形及大气所带来的误差影响;其次采用修正Lee 滤波滤除斑点噪声,并重投影至NSIDC 北极极地立体投影网格。由于宽幅SAR 图像入射角区间较大且采用侧视成像,使得靠近传感器一侧的图像亮度远大于远离传感器一侧。通过裁剪,保留图像亮度分布均一的区域以减小后续的分类误差。

冰水分类采用阈值分割法,利用冰水在SAR图像后向散射系数值上的明显差异,通过设置阈值将像素级分为冰水二值结果,如公式(1)。式中,f(x,y)为SAR 图像像元的后向散射系数值,T为冰水分割的阈值,g(x,y)为冰水分割后的像元值。阈值的选择通过目视解译和直方图特征,结合光学MODIS 影像对比,选择出冰水最佳分割阈值T[23]。

最后基于6.25 km分辨率网格统计SAR 冰水覆盖面积,依据公式(2)计算海冰密集度(SIC),其中A1和A分别为网格内海冰覆盖面积和网格总面积。

2 结果与分析

2.1 全年时间系列误差分析

图3 是2018 年全北极日均偏差变化情况,图中数据点是由9 种海冰密集度产品在全北极的每日数据逐像元与9 种产品的日平均值作差得到(缺失数据除外)。从2018 年全年来看,各产品在夏季6—8 月通航窗口期的偏差最大,这种平均偏差的季节性差异从一定程度上反映了不同产品对风、大气湿度和其他季节性变化量的敏感性[4]。其中BT-SSMI、NT2-AMSR2 和CDR-SSMI 三种产品趋势相似且全年相较平均值高估较多,且在7 月上旬平均偏差最大,为1%,其余月份偏差大小基本在0.2%~0.7%之间。ASI 算法的两种产品与前三者的全年变化趋势相同,但ASI-SSMI 比ASI-AMSR2 偏差整体降低,特别是在2—5 月ASI-SSMI 负偏差最大,值为–0.9%。NT-SSMI 产品较平均值始终低估,且有两个极小值分别在7月初和11 月初,值为–0.7%。分辨率最高的4 种产品(分辨率为6.25 km 的ASI-AMSR2 和10 km的三种OSI SAF 产品),平均偏差的绝对值在冬季最小,均在0 附近。

图3 2018 全年各SIC 产品全北极日均偏差变化图Fig.3.Daily mean deviation of nine SIC products over the Arctic in 2018

2.2 海冰边缘区空间分布对比分析

9 种产品在2018 年全年每日所能监测的海冰最大和最小范围(即海冰密集度大于0 的区域)如图4,阴影区为各产品海冰范围监测最大差异。由图可见各产品海冰范围差异随季节变化不同,范围差异最小在第266 天,为2.51×106km2,差异最大在第332 天,可达到6.26×106km2。

图4 2018 年9 种产品每日海冰覆盖最大差异图。图中上曲线是每日产品海冰覆盖估计最大值,下曲线是每日产品海冰覆盖估计最小值,两者之间的橙色区域则为产品海冰范围的最大估计差异Fig.4.Maximum difference in daily sea ice coverage of nine products in 2018.The upper curve is the daily maximum value of sea ice coverage of all products,the lower curve is the minimum value,and the maximum difference is the maximum minus the minimum value,shown in orange area

以8 月2 日为例,分别计算东北航道区各产品海冰判别范围空间分布。由图5,海冰判别范围最大的是使用OSI SAF 算法的三种产品,特别是在拉普捷夫海和东西伯利亚海沿岸。其次是使用NT、BT和CDR算法的产品,这可能与其利用的低频数据受大气影响较小有关。而使用ASI 和NT2 算法的海冰密集度产品判别范围最小,可能是由于两者基于高频数据受大气影响较大,在大气校正和天气滤波方面滤除了较多的真实海冰。NT2 算法产品比ASI 算法产品估计范围略大,保留了相对较多的低密集海冰区,很可能是由于NT2 在计算中考虑了12 种大气环境模态,从而改善了大气对海冰判别影响。此外具有更高分辨率的AMSR2 传感器比SSMI 传感器判别范围也更小。

图5 2018 年8 月2 日东北航道区各产品数据海冰覆盖空间分布差异图。图中蓝色区域是所有产品共同可估计的海冰范围分布,红色区域是各产品估计范围相对公共区域的差异分布Fig.5.Differences in the spatial distribution of sea ice extent of all products in the Northeast Passage Region on August 2,2018.The blue area showed the common estimable sea ice extent distribution of all products,the red area showed the difference extent distribution of each product relative to the common area

2.3 基于SAR 数据的低密集度区对比

2.3.1 散点图对比

各海冰密集度产品在原始分辨率网格下与SAR 图像进行散点图对比,选取的8 种SAR 样本分别以压实型和分散型两种冰边缘为区分,如以下散点图的样本2、样本7 与样本5、样本6 分别是两组典型的压实型和分散型冰边缘结果。

散点图中的相关性计算均经显著性检验,存在显著相关关系(p<0.05)。从散点图分析来看,在稳定的密集压实型冰边缘区,除使用高频算法的ASI-AMSR2 和NT2-AMSR2 产品外,其他产品基本呈现出在低密集度区(20%以内)高估、在高密集度区低估的特点,且各产品的高估下限值有所不同。样本2 中ASI-AMSR2 和NT2-AMSR2 产品整体高估海冰密集度(图6a 和6b),主要因为样本2具有由整块海冰密集压实而成的特征,在参考数据SAR 判别为开阔水域的区域,此两者产品被过度估计为海冰。此外过度估计误差主要出现在海冰边缘区,这表明ASI 算法与NT2 算法可能将边缘处水汽误判为海冰,两种算法对天气滤波效果仍有不足。CDR-SSMI、BT-SSMI 和NT-SSMI 产品因其分辨率最低(25 km),易将小面积水域如融池等划归为海冰像素进而导致海冰密集度被高估,因此其高估值主要位于冰边缘、海冰内部的冰间水道和冰上融池等区域。样本7 中ASI-AMSR2 产品整体低估海冰密集度,该低估区主要位于海冰边缘区,表明SAR 监测到海冰的地方该产品判别为开阔水域,主要是由于ASI 算法的天气滤波对海冰边缘低海冰密集度区域滤除导致的(图7a);而基于高频算法的NT2-AMSR2产品对海冰密集度整体高估,与SAR的相关性仅为0.588(图7b)。这可能是由于NT2 算法中的大气校正方法存在不足,将海冰低密集度区判别为海冰高密集度区导致的。OSI SAF-AMSR2 产品与SAR 相关性较好且在样本2 和样本7 中相关系数R2最稳定(始终保持大于0.73)(图6c和图7c),且其分辨率为10 km,仅次于ASI-AMSR2 产品分辨率(6.25 km),可较好地表征冰内细节信息。

图6 压实型冰边缘区SAR 样本2 与各海冰密集度产品的散点对比图。图中横坐标是经重采样至与海冰密集度产品同分辨率的SAR 海冰密集度网格数据,纵坐标分别是4 种不同分辨率的9 种产品海冰密集度(%)。a)分辨率6.25 km的ASI-AMSR2 产品;b)分辨率12.5 km 的ASI-SSMI 和NT2-AMSR2 产品;c)分辨率10 km 的OSI SAF-SSMI、OSI SAF(OSHD)-AMSR2 和OSI SAF(TUD)-AMSR2 产品;d)分辨率25 km 的CDR-SSMI、BT-SSMI、NT-SSMI产品。其中虚线表示SAR 与SIC 产品完全恒等线,实线表示SAR 与SIC 产品对应网格点值的线性回归,各自的线性回归方程在图右上角,线性相关系数(R2)和有效网格点对数N 在图右下角Fig.6.Scatterplots of the nine products with SAR sample 2 in the pack ice edge area.X-axis is the SAR sea ice concentration grid data resampled to the same resolution as the nine SIC products,Y-axis are the nine products with 4 different resolutions.a) ASI-AMSR2 products with 6.25 km resolution;b) ASI-SSMI and NT2-AMSR2 products with 12.5 km resolution;c) OSI SAF-SSMI,OSI SAF(OSHD)-AMSR2 and OSI SAF(TUD)-AMSR2 products with 10km resolution;d) CDR-SSMI,BT-SSMI and NT-SSMI products with 25 km resolution.Dotted lines denote the identity line.Solid lines denote the linear regression of the respective value pairs between SAR samples and SIC products.The linear regression equations are given in the top right,and the linear correlation coefficient (R2) and the number of valid pairs (N)are given in the bottom right,respectively

图7 压实型冰边缘区SAR 样本7 与各海冰密集度产品的散点对比图Fig.7.Scatterplots of the nine products with SAR sample 7 in the pack ice edge area

对于具有分散型边缘的海冰区域(样本5与样本6),各产品会始终低估海冰密集度(图8和图9)。使用OSI SAF 算法的三种产品可较好地识别低密集度海冰,在海冰密集度低于10%时,其线性拟合结果最接近y=x的直线,说明与SAR 海冰密集度数值估计最为相近。CDR-SSMI、BT-SSMI 和NT-SSMI 产品则在海冰低密集度区(<20%)对海冰密集度高估程度较大,可能存在对海冰范围的过度估计。在SAR 指示海冰密集度在10%以内的海冰区,ASI-AMSR2、ASI-SSMI 和NT2-AMSR2三种产品将密集度均判别为0,即产品均滤除了10%以内的海冰。这主要是因为产品使用的ASI和 NT 算法基于高频数据,其对大气数据最为敏感,特别是在海冰边缘区[24],可能导致了产品的天气滤波器对海冰边缘区的海冰进行了过度滤除。

图8 分散型冰边缘区SAR 样本5 与各海冰密集度产品的散点对比图。a)分辨率为6.25 km 的ASI-AMSR2 产品;b)分辨率为12.5 km 的ASI-SSMI 和NT2-AMSR2 产品;c)分辨率为10 km 的OSI SAF-SSMI、OSI SAF(OSHD)-AMSR2和OSI SAF(TUD)-AMSR2 产品;d)分辨率为25 km 的CDR-SSMI、BT-SSMI、NT-SSMI 产品Fig.8.Scatterplots of the nine SIC products with SAR sample 5 in the drift ice edge area.a) ASI-AMSR2 products with 6.25 km resolution;b) ASI-SSMI and NT2-AMSR2 products with 12.5 km resolution;c) OSI SAF-SSMI,OSI SAF(OSHD)-AMSR2 and OSI SAF(TUD)-AMSR2 products with 10 km resolution;d) CDR-SSMI,BT-SSMI and NT-SSMI products with 25 km resolution

图9 分散型冰边缘区SAR 样本6 与各海冰密集度产品的散点对比图Fig.9.Scatterplots of the nine SIC products with SAR sample 6 in the drift ice edge area

2.3.2 误差分析

泰勒图[25]是一种可以表示标准差、均方根误差和相关系数三个指标的图,这里采用标准化泰勒图,即对参考值与变量值的标准差与均方根误差同除以参考值的标准差,令参考值=1,E=0,并消除其物理量单位。当产品数据结果与参考值越一致时,模式点越接近x轴中的参考点O,说明这类产品与参考数据越具有高的相关性。以上相关性计算均经显著性检验,p<0.05,因此存在显著相关关系。从相关性来看(图10),海冰边缘密集压实地区比边缘分散地区的相关性和R2值更高,均方根误差(RMSE)值更小。如样本1(图10a)和样本4(图10d)具有最高的R2值和最小的RMSE,这可能与这两个区域内海冰呈密集压实状态且边缘线清晰有关;而样本6(图10f)海冰边缘分散,其R2值最低,RMSE也较大。

对于密集压实型冰边缘区,ASI-SSMI 产品与SAR 样本的相关性最高,其次较好的为 OSI SAF(OSHD)-AMSR2 和OSI SAF(TUD)-AMSR2产品。ASI-SSMI 产品使用了5 天中值滤波器,不仅去除了开阔水域上的虚假海冰,而且减小了由天气引起的冰边缘区海冰密集度升高的误差[4]。其中基于高频ASI 算法的ASI-AMSR2 和ASISSMI 产品R2值最大,在0.78 以上,但RMSE也较大(>12%);基于低频综合算法的OSI SAF 产品,其R2值大于0.75,但RMSE最小(6.19%)。使用低频算法的CDR-SSMI、BT-SSMI 和NT-SSMI 产品的相关性最低。而在分散型冰边缘区,如样本6(图10 f)高频算法ASI-AMSR2 产品的R2仅为0.46,RMSE为17.25%;而OSI SAF(OSTD)-AMSR2 和OSI SAF(TUD)-AMSR2 产品的R2值最大(大于0.73),RMSE最小(6.19%)。由此,基于AMSR2 的OSI SAF 产品在现有产品中更能解释低海冰密集区信息。这可能与 OSI SAF 算法综合了 BT 和Bristol 算法,利用三种低频通道在三维亮温空间的特性,保持准确反演低密集度区的优势,有效地保留了低密集度海冰。另外,由于参考数据SAR 为瞬时成像,而海冰密集度产品由每日或多日多轨海冰密集度值平均求解得到,故可能因海冰漂移、破碎等瞬时变化影响两者的比对误差[26-27]。

图10 9 种海冰密集度产品与不同SAR 样本的标准化泰勒图。a)– h)依次对应SAR 样本1~ 8。图中红色虚线对应均方根误差,蓝色虚线对应相关系数,黑色曲线对应标准差数值,O 点对应参考SAR 数据,字母对应产品顺序为:A:ASI-AMSR2,B:ASI-SSMI,C:NT2-AMSR2,D:CDR-SSMI,E:BT-SSMI,F:NT-SSMI,G:OSI SAF-SSMI,H:OSI SAF(OSHD)-AMSR2,I:OSI SAF(TUD)-AMSR2Fig.10.Standardized Taylor diagrams of nine satellite SIC algorithm products and different SAR samples.Red dotted line denotes root mean square error,blue dotted line denotes correlation coefficient,black curve denotes standard deviation values,the point O represents the reference SAR data,and other letters corresponding to the SIC products are:A:ASI-AMSR2,B:ASI-SSMI,C:NT2-AMSR2,D:CDR-SSMI,E:BT-SSMI,F:NT-SSMI,G:OSI SAF-SSMI,H:OSI SAF(OSHD)-AMSR2,I:OSI SAF(TUD)-AMSR2

3 结论

论文以东北航道为研究区,选取了2018 年国际上已发布的9 种海冰密集度遥感产品进行比对分析。从9 种产品之间的误差对比分析和验证表明:(1)从2018 年全年相对9 种产品平均值的日偏差来看,海冰密集度产品在夏季6—8 月偏差最大,其中分辨率最高的4 种产品6.25 km 的ASI-AMSR2 和10 km 的三种OSI SAF 产品,在夏季日偏差分别达到0.59%和–0.65%,而在冬季均最小,在0 附近。(2)从东北航道海冰边缘区空间分布差异来看,9 种产品估算海冰范围逐日最大与最小值之差全年变化范围为 2.5 1×1 06~6.26×106km2,估算出的海冰范围最大的是OSI SAF 的三种产品,差异主要分布在拉普捷夫海和东西伯利亚海沿岸,高频算法ASI、NT2 的海冰密集度产品判别范围最小。

其次,选取具有典型边缘区特征的哨兵1 号SAR 影像作为参考样本,对这9 种产品的海冰密集度分布进行精度验证,结果表明:各产品在压实型冰边缘基本呈现低密集度区高估,高密集度区低估的特点,其中基于NT2 和ASI 算法的三种产品除外。与SAR 数据相关性最高的是ASISSMI,其次是OSI SAF-AMSR2,两者R2最大,分别为0.85 和0.82,且RMSE最小,分别为12.19%和9.70%。而在分散型冰边缘区,各产品均有不同程度的低估;基于OSI SAF 算法的产品与SAR 数据相关性最高,R2最大(0.78),RMSE最小(6.19%),可最好地识别低密集度海冰;其次为基于CDR 和BT 算法产品,但两者海冰过估现象较严重;基于高频算法的ASI 和NT2 产品可能会滤除10%以内冰边缘区,相关性最差。

通过评估,基于OSI SAF 算法的产品估算的海冰范围最大,同时有效地保留了低密集度区的海冰,在压实和分散型冰边缘区与SAR 的相关性均较好,可以考虑作为航道服务冰况监测的首选产品或新算法的基础,但其产品分辨率为 10 km,仍无法满足航运服务中所需的海冰密集度的高精度监测。由此,在开发面向航运业务化应用的海冰密集度产品时,可以考虑在提高时空分辨率的同时结合不同算法在低密集度区的优势,实现海冰在低密集度区的最佳反演产品开发。

猜你喜欢
密集度海冰分辨率
基于生成对抗网络的无监督图像超分辨率算法
基于Argo浮标的南极海冰范围变化分析
末次盛冰期以来巴伦支海-喀拉海古海洋环境及海冰研究进展
近三十年以来热带大西洋增温对南极西部冬季海冰变化的影响
某大口径火炮系列杀爆弹地面密集度影响因素回归分析
基于改进K-means的电力数据异常检测算法
武器弹药密集度试验分组的蒙特卡洛模拟研究
智能公交人数检测方法研究
原生VS最大那些混淆视听的“分辨率”概念
基于SIFT-SVM的北冰洋海冰识别研究