海洋鋒面統(tǒng)計(jì)模型檢測(cè)法的改進(jìn)與驗(yàn)證

吳曲然,胡建宇,孫振宇,朱 佳

(廈門大學(xué)海洋與地球?qū)W院,近海海洋環(huán)境科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,福建 廈門361102)

海洋鋒面統(tǒng)計(jì)模型檢測(cè)法的改進(jìn)與驗(yàn)證

吳曲然,胡建宇*,孫振宇,朱 佳

(廈門大學(xué)海洋與地球?qū)W院,近海海洋環(huán)境科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,福建 廈門361102)

統(tǒng)計(jì)模型檢測(cè)法為檢測(cè)海表溫度(SST)鋒面和提取SST鋒面的結(jié)構(gòu)提供了有利的工具,但其在陸架區(qū)的檢測(cè)成功率和檢測(cè)精度仍有待提高.本研究對(duì)該算法進(jìn)行如下改進(jìn):1)在數(shù)據(jù)預(yù)處理階段,通過(guò)梯度場(chǎng)擬合計(jì)算不同水團(tuán)之間過(guò)渡區(qū)的邊界,并利用邊界處的溫度數(shù)據(jù)重構(gòu)過(guò)渡區(qū)兩側(cè)的溫度場(chǎng);2)利用遺傳算法為鋒面參數(shù)的迭代求解提供初值.理想實(shí)驗(yàn)結(jié)果表明:上述改進(jìn)能有效地改善統(tǒng)計(jì)模型檢測(cè)法在陸架區(qū)的穩(wěn)定性和檢測(cè)精度.最后,利用實(shí)測(cè)SST數(shù)據(jù)和遙感SST數(shù)據(jù)檢驗(yàn)了算法在實(shí)際應(yīng)用中的改進(jìn)效果,以及改進(jìn)后算法在陸架區(qū)的有效性.

海表溫度峰;衛(wèi)星遙感;自動(dòng)檢測(cè);南海北部

海洋鋒面是水平方向上相鄰的不同水團(tuán)之間的狹窄過(guò)渡區(qū)域,可通過(guò)海洋要素的水平梯度高值區(qū)定義.鋒面可顯著影響海洋中的混合過(guò)程和初級(jí)生產(chǎn)力的分布,由于其不穩(wěn)定性所產(chǎn)生的諸多中尺度、次中尺度過(guò)程引起了海洋學(xué)者的廣泛關(guān)注.

遙感海表溫度(SST)產(chǎn)品的發(fā)展為SST鋒面的研究提供了長(zhǎng)時(shí)間序列、高空間分辨率的觀測(cè)資料,同時(shí)也促進(jìn)了自動(dòng)鋒面檢測(cè)算法的發(fā)展.目前主要的鋒面檢測(cè)算法有:邊緣檢測(cè)算子法[1]、梯度模閾值法[2]、直方圖分析法[3-6]和熵檢測(cè)法[7-8].Cayula等[3-4]基于鋒面區(qū)域SST頻數(shù)分布的雙峰特性提出直方圖分析法.Miller[5]在直方圖分析法的基礎(chǔ)上提出鋒面復(fù)合算法,顯著提高了與鋒面相關(guān)的中尺度過(guò)程的可視性.Nieto等[6]在直方圖分析法中加入滑動(dòng)檢測(cè)窗,降低直方圖分析法對(duì)檢測(cè)窗位置的敏感性.Wang等[2]通過(guò)設(shè)定SST梯度模閾值統(tǒng)計(jì)南海北部的鋒面概率分布.Vazquez等[7]借助Jensen-Shannon散度提出熵檢測(cè)法,降低了脈沖噪音和高斯噪音對(duì)鋒面檢測(cè)的影響.Shimada等[8]在熵檢測(cè)法中加入形態(tài)學(xué)濾波器,使得改進(jìn)后的算法能同時(shí)檢測(cè)不同尺度的鋒面結(jié)構(gòu).

大部分鋒面檢測(cè)算法只關(guān)注遙感SST圖像中的邊緣特征,而Hopkins等[9]則以鋒面系統(tǒng)(不同水團(tuán)和其間的過(guò)渡區(qū))為研究對(duì)象,提出針對(duì)SST鋒面的統(tǒng)計(jì)模型檢測(cè)法.該算法可檢測(cè)鋒面系統(tǒng)的時(shí)空變化,計(jì)算檢測(cè)誤差,受脈沖噪音和數(shù)據(jù)缺失的影響較小.在將統(tǒng)計(jì)模型檢測(cè)法應(yīng)用于陸架區(qū)的過(guò)程中發(fā)現(xiàn)其存在以下問(wèn)題:1)算法在檢測(cè)陸架區(qū)動(dòng)態(tài)變化的鋒面特性時(shí)成功率較低;2)陸架區(qū)復(fù)雜的溫度場(chǎng)結(jié)構(gòu)將導(dǎo)致算法的計(jì)算誤差增大.本文中,鋒面檢測(cè)的成功率定義為:算法成功求解的鋒面?zhèn)€數(shù)與待測(cè)鋒面?zhèn)€數(shù)之比.為解決上述問(wèn)題,本文利用遺傳算法和溫度場(chǎng)重構(gòu)算法改進(jìn)統(tǒng)計(jì)模型檢測(cè)法,并借助實(shí)測(cè)SST數(shù)據(jù)和遙感SST數(shù)據(jù)檢驗(yàn)算法在實(shí)際應(yīng)用中的改進(jìn)效果,以及改進(jìn)后算法在陸架區(qū)的有效性.

1 統(tǒng)計(jì)模型檢測(cè)法

以下簡(jiǎn)要介紹由Hopkins等[9]提出的統(tǒng)計(jì)模型檢測(cè)法的主要步驟.根據(jù)研究區(qū)域SST鋒面的空間分布特征劃定一個(gè)矩形區(qū)域,稱之為矩形提取窗,提取窗應(yīng)能恰好覆蓋研究區(qū)域內(nèi)的鋒面概率高值區(qū),且其寬度方向應(yīng)近似垂直于鋒面走向.根據(jù)需要,選取矩形提取窗的一個(gè)頂點(diǎn)作為坐標(biāo)原點(diǎn),定義x軸平行于提取窗的長(zhǎng)度方向,表示沿鋒面方向的距離;y軸平行于提取窗的寬度方向,表示跨鋒面方向的距離;z軸垂直于xy平面,表示SST.鋒面、矩形提取窗和坐標(biāo)系的示意圖如圖1所示.定義x=xj處的理想跨鋒面溫度場(chǎng)為:

其中,

{x1,…,xj,…,xn}表示各跨鋒面截面至y軸的距離, {y1,…,yk,…,ym}表示各數(shù)據(jù)點(diǎn)至x軸的距離,K(xi-xj,h)表示帶寬為h的高斯權(quán)重函數(shù),l(xi)表示x =xi處遙感跨鋒面溫度場(chǎng)的標(biāo)準(zhǔn)似然函數(shù).根據(jù)局部似然函數(shù)的定義,可近似認(rèn)為L(zhǎng)j越大(y)越逼近(y).因此,可通過(guò)Newton-Raphson算法(NR算法)解出一組參數(shù)值使得Lj達(dá)到最大,即(y)最優(yōu)逼近(y),選取該組參數(shù)值作為x=xj處鋒面的特性參數(shù),簡(jiǎn)稱為鋒面參數(shù).依照上述方法求解各跨鋒面截面的鋒面參數(shù),即可獲取研究區(qū)域內(nèi)鋒面系統(tǒng)特性的空間變化.

2 算法的改進(jìn)

2.1 算法穩(wěn)定性的改進(jìn)

通過(guò)NR算法求解鋒面參數(shù)是統(tǒng)計(jì)模型檢測(cè)法的關(guān)鍵步驟.由于NR算法的斂散性受迭代初值與真值之間偏差的影響[10],因此統(tǒng)計(jì)模型檢測(cè)法的穩(wěn)定性較差,其在求解與迭代初值偏差較大的待測(cè)鋒面參數(shù)值時(shí)可能迭代發(fā)散.當(dāng)待測(cè)鋒面參數(shù)值的變化范圍較小時(shí),可通過(guò)選取合適的迭代初值以保證較高的鋒面檢測(cè)成功率,如Hopkins等[11]研究新西蘭南島附近的鋒面時(shí)參考Shaw等[12]的工作設(shè)置了迭代初值.但陸架區(qū)鋒面參數(shù)值的變化范圍較大,此時(shí)只能通過(guò)提高統(tǒng)計(jì)模型檢測(cè)法的穩(wěn)定性來(lái)提高鋒面檢測(cè)的成功率.

圖1 鋒面、矩形提取窗和本文的坐標(biāo)系統(tǒng)Fig.1 Fronts,the extraction window and the coordinate system used in this study

遺傳算法是一類模擬生物演化過(guò)程的進(jìn)化算法,適于處理復(fù)雜和非線性優(yōu)化問(wèn)題[13].遺傳算法的主要步驟為:編碼→初始化種群→計(jì)算適應(yīng)度→選擇→交叉→變異,其具體實(shí)現(xiàn)過(guò)程由參考文獻(xiàn)[13]給出,在本文的應(yīng)用中,將種群數(shù)設(shè)為250,最大進(jìn)化代數(shù)設(shè)為250,交叉概率設(shè)為0.8,變異概率設(shè)為0.12.借助遺傳算法對(duì)統(tǒng)計(jì)模型檢測(cè)法做如下改進(jìn):在求解鋒面參數(shù)時(shí),首先通過(guò)遺傳算法計(jì)算其近似解,以該值為迭代初值,再通過(guò)NR算法計(jì)算鋒面參數(shù)的精確解.上述改進(jìn)借助遺傳算法的自適應(yīng)性提高統(tǒng)計(jì)模型檢測(cè)法的穩(wěn)定性,考慮到遺傳算法的結(jié)果具有隨機(jī)性,且優(yōu)化效率較低,不宜用遺傳算法完全替代NR算法.

以下通過(guò)理想實(shí)驗(yàn)檢驗(yàn)遺傳算法對(duì)統(tǒng)計(jì)模型檢測(cè)法穩(wěn)定性的改善.在寬度為1°的提取窗中利用理想跨鋒面溫度場(chǎng)構(gòu)造若干待測(cè)鋒面,各待測(cè)鋒面的溫度變化范圍和寬度均為定值,平均溫度與中心位置在一定范圍內(nèi)自由變化,以此模擬鋒面參數(shù)值的動(dòng)態(tài)變化.參考南海北部陸架區(qū)鋒面的特性[2],將待測(cè)鋒面平均溫度的變動(dòng)區(qū)間設(shè)為10～30℃(θ1=10～30℃),溫度變化范圍設(shè)為3℃(θ2=1.5℃).為保證鋒面兩側(cè)有充足的數(shù)據(jù)表征水團(tuán)特性,將待測(cè)鋒面的寬度設(shè)為0.3°(θ3=0.15°).根據(jù)提取窗的寬度值,將鋒面中心至x軸距離的變動(dòng)區(qū)間設(shè)為0°～1°(θ4=-1°～0°).為使迭代初值與各待測(cè)鋒面參數(shù)值之間的偏差最小,分別取θ1和θ4變動(dòng)區(qū)間的中點(diǎn)為θ1和θ4的迭代初值,令θ2和θ3的迭代初值等于其相應(yīng)的真值,即 {θ1,θ2,θ3,θ4}initial={20℃,1.5℃,0.15°,-0.5°}.分別通過(guò)原算法和改進(jìn)后算法求解各待測(cè)鋒面參數(shù)值,并記錄求解所需的迭代次數(shù),結(jié)果如圖2所示.

由圖2(a)可知,原算法的斂散性受到待測(cè)鋒面參數(shù)值的顯著影響.就總體而言,僅當(dāng)待測(cè)鋒面的θ4與迭代初值的偏差小于30%時(shí),鋒面檢測(cè)的成功率較高;就個(gè)例而言,當(dāng)待測(cè)鋒面的θ1為某些特定值時(shí),待測(cè)鋒面的θ4與迭代初值之間5%的偏差即可導(dǎo)致原算法迭代發(fā)散.由圖2(b)可知,改進(jìn)后算法的穩(wěn)定性得到提高,其斂散性幾乎不受待測(cè)鋒面參數(shù)值的影響,可正常求解大部分待測(cè)鋒面.對(duì)于本文所設(shè)定的待測(cè)鋒面集,鋒面檢測(cè)的成功率由改進(jìn)前的30.7%提高至改進(jìn)后的79.5%.需說(shuō)明的是,圖2(b)中隨機(jī)分布的迭代發(fā)散點(diǎn)是由遺傳算法的隨機(jī)性導(dǎo)致,通過(guò)增加遺傳算法的最大進(jìn)化代數(shù)或多次運(yùn)行遺傳算法取最優(yōu)解可減少發(fā)散點(diǎn)的出現(xiàn),進(jìn)一步提高鋒面檢測(cè)的成功率.此外,雖然該實(shí)驗(yàn)只在θ1和θ4同時(shí)變化的情況下驗(yàn)證了算法穩(wěn)定性的改善,但根據(jù)遺傳算法的自適應(yīng)性,該實(shí)驗(yàn)結(jié)果可推廣至實(shí)際陸架區(qū)中多鋒面參數(shù)同時(shí)變化的情況.綜上,改進(jìn)后統(tǒng)計(jì)模型檢測(cè)法的穩(wěn)定性得到提高,使得其更適于檢測(cè)陸架區(qū)動(dòng)態(tài)變化的鋒面特性.

2.2 溫度場(chǎng)重構(gòu)算法

將實(shí)際海洋的溫度場(chǎng)近似視作不同物理過(guò)程所對(duì)應(yīng)溫度場(chǎng)的疊加,稱能導(dǎo)致SST鋒面形成的物理過(guò)程為鋒生過(guò)程,其對(duì)應(yīng)的溫度場(chǎng)為鋒生溫度場(chǎng).統(tǒng)計(jì)模型檢測(cè)法通過(guò)遙感跨鋒面溫度場(chǎng)檢測(cè)鋒面,能更有效地利用數(shù)據(jù),減小數(shù)據(jù)缺失對(duì)檢測(cè)結(jié)果的影響[9].但當(dāng)跨鋒面溫度場(chǎng)中的非鋒生分量不能忽略時(shí),理想跨鋒面溫度場(chǎng)將無(wú)法恰當(dāng)?shù)孛枋鲞b感跨鋒面溫度場(chǎng),從而導(dǎo)致統(tǒng)計(jì)模型檢測(cè)法的誤差增加.以下通過(guò)理想實(shí)驗(yàn)說(shuō)明非鋒生溫度場(chǎng)對(duì)檢測(cè)誤差的影響.

第1類非鋒生溫度場(chǎng)用于模擬水深和海表熱通量對(duì)冬季陸架區(qū)SST的影響[15],依據(jù)南海北部第1類非鋒生溫度場(chǎng)的實(shí)例設(shè)定變化率.第2類至第4類非鋒生溫度場(chǎng)用于模擬隨機(jī)過(guò)程對(duì)SST的影響,基于小擾動(dòng)的原則設(shè)定方差,通過(guò)設(shè)定不同的均值模擬不同的物理過(guò)程對(duì)鋒面兩側(cè)水團(tuán)的影響.

圖2 遺傳算法對(duì)統(tǒng)計(jì)模型檢測(cè)法穩(wěn)定性的改善Fig.2 Improvement on the robustness of the statistical modeling approach to front detection due to genetic algorithm

將4類非鋒生溫度場(chǎng)和初始溫度場(chǎng)線性疊加,形成4類待測(cè)溫度場(chǎng),通過(guò)統(tǒng)計(jì)模型檢測(cè)法計(jì)算各待測(cè)溫度場(chǎng)的鋒面參數(shù),計(jì)算誤差由表1給出,4類待測(cè)溫度場(chǎng)的典型實(shí)例如圖3所示.由表1可知,θ1和θ4的檢測(cè)結(jié)果受非鋒生溫度場(chǎng)的影響較小,其計(jì)算誤差主要分布在0～6.4%.θ2和θ3的檢測(cè)結(jié)果受非鋒生溫度場(chǎng)的影響較大,θ2的計(jì)算誤差主要分布在1.6%～23.3%,θ3的計(jì)算誤差主要分布在3.0%～62.5%.θ2和θ3的計(jì)算誤差受第4類非鋒生溫度場(chǎng)的影響最小,受第3類非鋒生溫度場(chǎng)的影響最大.

表1 非鋒生溫度場(chǎng)對(duì)鋒面參數(shù)計(jì)算誤差的影響(改進(jìn)前)Tab.1 Error of frontal parameters due to non-frontogenesis temperature fields(before improvement) %

圖3 溫度場(chǎng)重構(gòu)算法對(duì)非鋒生溫度場(chǎng)所導(dǎo)致計(jì)算誤差的改善Fig.3 Improvement on error of frontal parameters,which is arose by non-frontogenesis temperature fields, due to the algorithm of reconstructing temperature fields

2.3 改進(jìn)的統(tǒng)計(jì)模型檢測(cè)法

利用遺傳算法和溫度場(chǎng)重構(gòu)算法改進(jìn)統(tǒng)計(jì)模型檢測(cè)法,改進(jìn)后算法的主要步驟如下:1)通過(guò)矩形提取窗提取遙感跨鋒面溫度場(chǎng);2)通過(guò)溫度場(chǎng)重構(gòu)算法重構(gòu)過(guò)渡區(qū)兩側(cè)的遙感溫度場(chǎng);3)利用統(tǒng)計(jì)模型檢測(cè)法計(jì)算鋒面參數(shù),其中,NR算法的迭代初值通過(guò)遺傳算法提供.通過(guò)改進(jìn)后的統(tǒng)計(jì)模型檢測(cè)法再次計(jì)算4類待測(cè)溫度場(chǎng)的鋒面參數(shù).4類待測(cè)溫度場(chǎng)的典型實(shí)例和最優(yōu)逼近各實(shí)例的理想溫度場(chǎng)如圖3所示,計(jì)算誤差見表2.

表2 非鋒生溫度場(chǎng)對(duì)鋒面參數(shù)計(jì)算誤差的影響(改進(jìn)后)Tab.2 Error of frontal parameters due to non-frontogenesis temperature fields(after improvement) %

由表2可知,引入溫度場(chǎng)重構(gòu)算法后,θ1和θ4的計(jì)算誤差幾乎可忽略.θ2計(jì)算誤差的主要分布范圍降為1.4%～6.7%,θ3計(jì)算誤差的主要分布范圍降為2.6%～11.6%.由圖3可看出,改進(jìn)的統(tǒng)計(jì)模型檢測(cè)法能較準(zhǔn)確地從遙感跨鋒面溫度場(chǎng)中識(shí)別鋒生溫度場(chǎng)的特征,從而提高檢測(cè)算法在復(fù)雜溫度場(chǎng)中的檢測(cè)精度.

3 算法的驗(yàn)證

利用遙感SST數(shù)據(jù)和實(shí)測(cè)SST數(shù)據(jù)檢驗(yàn)實(shí)際應(yīng)用中算法的改進(jìn)效果以及改進(jìn)后算法的有效性.選擇南海北部珠江口以西區(qū)域作為驗(yàn)證區(qū)域,根據(jù)該區(qū)域SST鋒面的分布特征[2]設(shè)置矩形提取窗,將矩形提取窗的中心置于113.05°E、21.2°N,長(zhǎng)度設(shè)為3.0°(約為333 km),寬度設(shè)為1.4°(約為156 km),長(zhǎng)度方向與經(jīng)線之間的夾角設(shè)為74°.2010年1月南海北部航次共3次以近似跨鋒面方向穿過(guò)矩形提取窗,分別為C7a—C5—C3a斷面(1月7日—8日)、E601—E603斷面(1月9日—10日)和F01—A8—A6斷面(1月19日—20日),選用上述斷面的實(shí)測(cè)SST數(shù)據(jù)進(jìn)行后續(xù)分析.因受云霧遮蔽的影響,各斷面執(zhí)行當(dāng)天無(wú)有效的遙感SST數(shù)據(jù).2010年1月16日—18日期間,驗(yàn)證區(qū)域的遙感SST數(shù)據(jù)受云霧影響較小,因此選取1月16日—18日3 d平均的MODIS遙感SST數(shù)據(jù)進(jìn)行后續(xù)分析,其空間分辨率約為4 km.矩形提取窗、各實(shí)測(cè)斷面的位置如圖4所示.

圖4 2010年1月16日—18日3 d平均的遙感SST (以顏色和等值線表示,單位:℃)及檢測(cè)到的鋒面Fig.4 3-day averaged remote sensing SST (color shade and contours,unit:℃)from January 16 2010 to January 18 2010 and detected fronts

3.1 實(shí)際應(yīng)用中算法的改進(jìn)效果

為檢驗(yàn)實(shí)際應(yīng)用中算法的改進(jìn)效果,分別用原算法和改進(jìn)后算法計(jì)算驗(yàn)證區(qū)域1月16日—18日3 d平均遙感SST中的鋒面參數(shù),鋒面中心的檢測(cè)結(jié)果如圖4所示,沿鋒面方向溫度變化范圍和寬度的檢測(cè)結(jié)果如圖5所示.由1月16日—18日3 d平均的遙感SST分布可知,提取框內(nèi)的鋒面主要由17～20℃等溫線輻聚形成,17℃等溫線以北和20℃等溫線以南區(qū)域的SST空間分布相對(duì)均勻.值得注意的是,通過(guò)21℃等溫線的分布可觀察到在112°～114.2°E之間存在暖水入侵提取窗區(qū)域,從而在提取窗的遠(yuǎn)岸側(cè)產(chǎn)生顯著的非鋒生溫度場(chǎng).

由圖4中鋒面區(qū)段的長(zhǎng)度可知,在鋒面檢測(cè)成功率方面,改進(jìn)后算法相對(duì)原算法有3倍以上的提升.對(duì)照?qǐng)D4中等溫線的分布可發(fā)現(xiàn),在暖水入侵不顯著的區(qū)域,算法改進(jìn)前、后的檢測(cè)結(jié)果偏差較小,在暖水入侵顯著的區(qū)域,原算法幾乎無(wú)法正確地檢測(cè)鋒面,而改進(jìn)后算法成功地檢測(cè)出該區(qū)域內(nèi)的大部分鋒面.就鋒面中心位置而言,算法改進(jìn)前、后的檢測(cè)結(jié)果偏差較小,這與理想實(shí)驗(yàn)的結(jié)果一致.

由圖5可知,對(duì)于沿鋒面方向的鋒面溫度變化范圍和寬度分布,改進(jìn)后算法的計(jì)算值在大部分區(qū)域皆小于原算法,以下通過(guò)跨鋒面截面S3的數(shù)據(jù)分析造成這一差異的原因,截面S3的位置由圖4給出,其遙感溫度場(chǎng)和算法改進(jìn)前、后求得的理想溫度場(chǎng)如圖6所示.由圖6可知,S3截面的遙感溫度場(chǎng)中存在2處溫度梯度高值區(qū),梯度高值區(qū)1位于跨鋒面距離等于30～70 km的區(qū)域內(nèi),溫度梯度主要分布在0.05～0.1℃/km之間,梯度高值區(qū)2位于跨鋒面距離等于80～140 km的區(qū)域內(nèi),溫度梯度主要分布在0～0.05℃/km之間.對(duì)照?qǐng)D4中遙感SST的分布可知,梯度高值區(qū)1由近岸冷水和遠(yuǎn)岸暖水之間的溫差形成,溫度梯度較強(qiáng),是研究區(qū)域的主要鋒面系統(tǒng),梯度高值區(qū)2由遠(yuǎn)岸區(qū)域的暖水入侵造成,溫度梯度較弱,屬于非鋒生溫度場(chǎng).在此影響下,原算法求得的鋒面主溫躍區(qū)(與鋒面中心的距離小于1/2鋒面寬度的區(qū)域)超出梯度高值區(qū)1的邊界,其求得的溫度變化范圍大于梯度高值區(qū)1所引起的溫度變化,改進(jìn)后算法求得的鋒面主溫躍區(qū)在空間位置上與梯度高值區(qū)1一致,其求得的溫度變化范圍與梯度高值區(qū)1引起的溫度變化相符.

圖5 算法改進(jìn)前(虛線)、后(實(shí)線)所求得的鋒面溫度變化范圍和寬度在沿鋒面方向的分布Fig.5 Distributions of along-front width and temperature range derived from the original algorithm(dashed lines) and the improved algorithm(solid lines)

綜上,在實(shí)際應(yīng)用中,提取框遠(yuǎn)岸側(cè)的暖水入侵可能導(dǎo)致原算法無(wú)法正常檢測(cè)鋒面,以及對(duì)鋒面寬度與溫度變化范圍的高估,而改進(jìn)后算法在此情況下仍能正常進(jìn)行鋒面檢測(cè),且能更準(zhǔn)確地計(jì)算鋒面寬度與溫度變化范圍.

3.2 改進(jìn)后算法的實(shí)測(cè)驗(yàn)證

利用南海北部航次的數(shù)據(jù)檢驗(yàn)改進(jìn)后算法的有效性,并比較算法改進(jìn)前、后的檢測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)的差異.因?yàn)镋601—E603斷面的實(shí)測(cè)溫度場(chǎng)中未觀察到溫度階躍,且未從該斷面所在區(qū)域的遙感SST中檢測(cè)到鋒面,故后文不對(duì)該斷面做進(jìn)一步討論.為更好地比較實(shí)測(cè)數(shù)據(jù)與遙感數(shù)據(jù),分別將C7a—C4斷面和F01—A7斷面的實(shí)測(cè)溫度場(chǎng)投影至跨鋒面截面S1和S2,將投影后的實(shí)測(cè)溫度場(chǎng)近似視作S1和S2的實(shí)測(cè)溫度場(chǎng),S1和S2的位置由圖4給出.分別通過(guò)改進(jìn)前、后的算法計(jì)算S1和S2的理想跨鋒面溫度場(chǎng),與相應(yīng)的實(shí)測(cè)溫度場(chǎng)比較,結(jié)果如圖7所示.對(duì)于S1截面,原算法未檢測(cè)到鋒面,通過(guò)改進(jìn)后算法求得的鋒面寬度和溫度變化范圍與實(shí)測(cè)溫度場(chǎng)基本相符.但理想溫度場(chǎng)與實(shí)測(cè)溫度場(chǎng)的鋒面中心位置存在20 km的偏差,鋒面平均溫度存在2℃的偏差,考慮到遙感數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的日期相差10 d左右,鋒面中心位置與平均溫度存在上述偏差是合理的.對(duì)于S2截面,由于非鋒生溫度場(chǎng)不顯著,通過(guò)原算法和改進(jìn)后算法求得的理想溫度場(chǎng)幾乎一致.實(shí)測(cè)溫度場(chǎng)與2類理想溫度場(chǎng)基本重合,但實(shí)測(cè)溫度場(chǎng)的鋒面寬度小于理想溫度場(chǎng),造成該偏差的可能原因是:1)遙感數(shù)據(jù)的空間分辨率較低,2)實(shí)測(cè)溫度場(chǎng)的投影誤差.基于2010年1月16日—18日3 d平均的遙感SST數(shù)據(jù),通過(guò)模糊聚類[16]將提取窗內(nèi)的水體分為2類,結(jié)果如圖8所示.由圖8可知,改進(jìn)后算法所檢測(cè)到的鋒面中心位于矩形提取窗內(nèi)不同水團(tuán)的交界處,該結(jié)果與鋒面的定義相符.上述結(jié)果共同驗(yàn)證了改進(jìn)后統(tǒng)計(jì)模型檢測(cè)法在陸架區(qū)的有效性.

圖6 S3截面的遙感溫度場(chǎng)和通過(guò)改進(jìn)前、后算法求得的理想溫度場(chǎng)Fig.6 Remote sensing temperature field and idealized temperature fields derived from the original algorithm and the improved algorithm on section S3

4 結(jié) 論

統(tǒng)計(jì)模型檢測(cè)法為SST鋒面的研究提供了有利的工具,但其在陸架區(qū)的穩(wěn)定性及檢測(cè)精度仍有待提高.本文通過(guò)遺傳算法和溫度場(chǎng)重構(gòu)算法對(duì)統(tǒng)計(jì)模型檢測(cè)法進(jìn)行改進(jìn),利用理想實(shí)驗(yàn)定量分析改進(jìn)措施的效果,并借助實(shí)測(cè)SST數(shù)據(jù)、遙感SST數(shù)據(jù)檢驗(yàn)算法在實(shí)際應(yīng)用中的改進(jìn)效果與改進(jìn)后算法在陸架區(qū)的有效性.實(shí)驗(yàn)結(jié)果表明:1)利用遺傳算法提供迭代初值可改善統(tǒng)計(jì)模型檢測(cè)法的穩(wěn)定性,對(duì)于本文所設(shè)定的待測(cè)鋒面集,改進(jìn)后算法的斂散性幾乎不受待測(cè)鋒面參數(shù)值的影響,鋒面檢測(cè)的成功率由改進(jìn)前的30.7%上升至改進(jìn)后的79.5%;2)溫度場(chǎng)重構(gòu)算法的引入可降低非鋒生溫度場(chǎng)所引起的計(jì)算誤差,對(duì)于本文所設(shè)定的4類非鋒生溫度場(chǎng),該改進(jìn)措施幾乎消除了θ1和θ4的計(jì)算誤差,同時(shí)將θ2計(jì)算誤差的主要分布區(qū)間由1.6%～23.3%降至1.4%～6.7%,將θ3計(jì)算誤差的主要分布區(qū)間由3.0%～62.5%降至2.6%～11.6%;3)在實(shí)際應(yīng)用中,對(duì)于本文所選實(shí)例,改進(jìn)后算法的鋒面檢測(cè)成功率相比原算法有3倍以上的提升,其鋒面參數(shù)計(jì)算結(jié)果能更準(zhǔn)確地反映提取框內(nèi)主要鋒面系統(tǒng)的特性;4)在跨鋒面截面S1、S2上,通過(guò)改進(jìn)后算法求得的理想溫度場(chǎng)與實(shí)測(cè)溫度場(chǎng)基本相符,改進(jìn)后算法所檢測(cè)到的鋒面中心位于不同水團(tuán)的交界處,上述結(jié)果共同驗(yàn)證了改進(jìn)后算法在陸架區(qū)的有效性.

圖7 跨鋒面截面S1(a)和S2(b)上實(shí)測(cè)溫度場(chǎng)與理想溫度場(chǎng)的比較Fig.7 Comparison between in situ and idealized temperature fields on the cross-front section S1(a)and S2(b)

圖8 圖4中矩形提取窗內(nèi)SST模糊聚類結(jié)果(分為2類)的可視化Fig.8 Visualization of the corresponding fuzzy c-means clustering 2-partition image of SST in the extraction window from Fig.4

需指出的是,Hopkins[17]只驗(yàn)證了單鋒面參數(shù)變化時(shí)統(tǒng)計(jì)模型檢測(cè)法的穩(wěn)定性,其結(jié)果無(wú)法推廣至多鋒面參數(shù)同時(shí)變化的情況.當(dāng)遙感跨鋒面溫度場(chǎng)特征與理想跨鋒面溫度場(chǎng)特征之間的偏差較大時(shí),可能導(dǎo)致NR算法發(fā)散,因此,溫度場(chǎng)重構(gòu)算法可在一定程度上提高統(tǒng)計(jì)模型檢測(cè)法在非鋒生溫度場(chǎng)較強(qiáng)區(qū)域的檢測(cè)成功率.本文的改進(jìn)措施仍具有局限性:1)當(dāng)過(guò)渡區(qū)內(nèi)的非鋒生分量不可忽略時(shí),難以通過(guò)溫度場(chǎng)重構(gòu)算法降低非鋒生分量引起的檢測(cè)誤差;2)遺傳算法和溫度場(chǎng)重構(gòu)算法的引入需消耗額外的計(jì)算時(shí)間.如何高效地提高檢測(cè)算法的穩(wěn)定性及其在復(fù)雜溫度場(chǎng)中的精度仍有待進(jìn)一步研究.

[1] Belkin I M,O′reilly J E.An algorithm for oceanic front detection in chlorophyll and SST satellite imagery[J]. Journal of Marine Systems,2009,78:319-326.

[2] Wang D X,Liu X,Qi X Q,et al.Seasonal variability of thermal fronts in the northern South China Sea from satellite data[J].Geophysical Research Letters,2001,28: 3963-3966.

[3] Cayula J F,Cornillon P.Edge-detection algorithm for SST images[J].Journal of Atmospheric and Oceanic Technology,1992,9:67-80.

[4] Cayula J F,Cornillon P.Multi-image edge detection for SST images[J].Journal of Atmospheric and Oceanic Technology,1995,12:821-829.

[5] Miller P.Composite front maps for improved visibility of dynamic sea-surface features on cloudy SeaWiFS and AVHRR data[J].Journal of Marine Systems,2009,78: 327-336.

[6] Nieto K,Demarcq H,Mcclatchie S.Mesoscale frontal structures in the Canary upwelling system:new front and filament detection algorithms applied to spatial and temporal patterns[J].Remote Sensing of Environment,2012, 123:339-346.

[7] Vazquez D P,Atae-Allah C,Escamilla P L L.Entropic approach to edge detection for SST images[J].Journal of Atmospheric and Oceanic Technology,1999,16:970-979.

[8] Shimada T,Sakaida F,Kawamura H,et al.Application of an edge detection method to satellite images for distinguishing sea surface temperature fronts near the Japanese coast[J].Remote Sensing of Environment,2005,98: 21-34.

[9] Hopkins J,Challenor P,Shaw A G P.A new statistical modeling approach to ocean front detection from SST satellite images[J].Journal of Atmospheric and Oceanic Technology,2010,27:173-191.

[10] Gill P E,Murray W,Wright M H.Practical optimization [M].London:Academic Press,1981.

[11] Hopkins J,Shaw A G P,Challenor P.The southland front,New Zealand:variability and ENSO correlations [J].Continental Shelf Research,2010,30:1535-1548.

[12] Shaw A G P,Vennell R.Measurements of an oceanic front using a front-following algorithm for AVHRR SST imagery[J].Remote Sensing of Environment,2001,75: 47-62.

[13] 史峰,王輝,郁磊,等.MATLAB智能算法30個(gè)案例分析[M].北京:北京航天航空大學(xué)出版社,2011.

[14] 黃韋良,林傳蘭,樓琇林,等.臺(tái)灣海峽及其鄰近海域海面溫度鋒的衛(wèi)星遙感觀測(cè)[J].海洋學(xué)報(bào):中文版,2006, 28:49-55.

[15] Xie S P,Hafner J,Tanimoto X,et al.Bathymetric effect on the winter sea surface temperature and climate of the Xellow and East China Seas[J].Geophysical Research Letters,2002,29(24):81.

[16] Sousa F M,Nascimento S,Casimiro H,et al.Identification of upwelling areas on sea surface temperature images using fuzzy clustering[J].Remote Sensing of Environment,2008,112:2817-2823.

[17] Hopkins J.Statistical modelling and variability of the subtropical front,New Zealand[D].Southampton:University of Southampton,2008.

Improvement and Validation of a Statistical Modeling Approach to Ocean Front Detection

WU Qu-ran,HU Jian-yu*,SUN Zhen-yu,ZHU Jia
(State Key Laboratory of Marine Environmental Science, College of Ocean&Earth Sciences,Xiamen University,Xiamen 361102,China)

The statistical modeling approach to ocean front detection provides an useful tool for detecting sea surface temperature (SST)fronts and extracting the structure of SST fronts.But the robustness and accuracy of the algorithm still need to be improved when it is applied to the continental shelf.In this paper,the authors propose two improvements to the algorithm.1)On the stage of data preparation,fitting of gradient field is used to calculate boundaries of the transition zone between different water masses.Then, the temperature fields on both sides of the transition zone are reconstructed through the data extracted from the boundaries.2)Genetic algorithm is used to provide initial values for iterations.The idealized experiments show that the improved algorithm is robust to highly dynamic fronts and more accurate at the continental shelf.At last,in situ and remote sensing SST data are used to verify the improvements of the algorithm in practical application and the validity of the fronts detected by the improved algorithm at the continental shelf.

sea surface temperature front;satellite remote sensing;automatic detection;the northern South China Sea

10.6043/j.issn.0438-0479.2015.02.009

P 714+.1

A

0438-0479(2015)02-0199-08

2014-04-28 錄用日期:2014-07-18

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973)項(xiàng)目(2009CB421208);國(guó)家自然科學(xué)基金(41276006,41121091)

*通信作者:hujy@xmu.edu.cn

吳曲然,胡建宇,孫振宇,等.海洋鋒面統(tǒng)計(jì)模型檢測(cè)法的改進(jìn)與驗(yàn)證[J].廈門大學(xué)學(xué)報(bào):自然科學(xué)版,2015,54(2): 199-206.

:Wu Quran,Hu Jianyu,Sun Zhenyu,et al.Improvement and validation of a statistical modeling approach to ocean front detection[J].Journal of Xiamen University:Natural Science,2015,54(2):199-206.(in Chinese)