基于改進(jìn)FCLS 算法的南極海冰密集度估算及算法比較

宋翔宇 劉婷婷 王澤民 劉艷霞

(1武漢大學(xué)中國南極測繪研究中心,湖北 武漢 430079;2武漢市測繪研究院,湖北 武漢 430022)

0 引言

海冰處于海水與大氣的交界面,具有良好的熱力隔絕效應(yīng),它通過影響海洋和大氣的熱交換進(jìn)而影響全球的氣候變化[1]。海冰密集度是指給定區(qū)域面積內(nèi)海冰所占比例,是極區(qū)海冰研究的重要指標(biāo)之一。隨著遙感技術(shù)的快速發(fā)展,越來越多的數(shù)據(jù)可用于海冰密集度監(jiān)測。目前,可用于海冰密集度估算的數(shù)據(jù)包括光學(xué)影像數(shù)據(jù)[2-3]、合成孔徑雷達(dá)(synthetic aperture radar,SAR)數(shù)據(jù)[4]和被動微波數(shù)據(jù)[5]。其中,光學(xué)影像受云雨和極夜的影響,可用于極區(qū)的數(shù)據(jù)非常有限; SAR影像數(shù)據(jù)[4]受電磁波的入射角度和頻率的影響,數(shù)據(jù)質(zhì)量難以保證,同時受到影像幅寬限制,一天之內(nèi)較難獲得覆蓋全南極的影像數(shù)據(jù); 被動微波數(shù)據(jù)分辨率較低,但不受云雨等的影響,且覆蓋范圍廣,可全天候獲取大范圍地表信息。因此,被動微波數(shù)據(jù)被廣泛應(yīng)用于海冰密集度的估算及應(yīng)用中。

目前基于被動微波數(shù)據(jù)估算海冰密集度的算法[6]主要包括 NORSEX[7]、Bootstrap[8]、NASA Team(NT)[9]、NASA Team2(NT2)[10]、ARTIST Sea Ice(ASI)[11-12]等。根據(jù)算法所使用的被動微波數(shù)據(jù)頻段的差異,可以將以上算法分為基于低頻(19 GHz和 37 GHz)數(shù)據(jù)的算法和基于高頻(89 GHz)數(shù)據(jù)的算法。其中,NORSEX、Bootstrap和NT均為基于低頻數(shù)據(jù)的算法,該類算法使用空間分辨率較低的低頻數(shù)據(jù),僅獲得空間分辨率為25 km的海冰密集度結(jié)果; NT2和ASI均為基于高頻數(shù)據(jù)的算法,這兩種算法可獲得較高空間分辨率的海冰密集度結(jié)果,但由于高頻數(shù)據(jù)易受水汽的影響從而影響NT2和ASI等算法的精度[6]。與ASI相比,NT2算法通過給前向輻射傳輸模型設(shè)置不同的大氣條件,獲得不同海冰密集度下的亮溫值,從而建立模擬觀測樣本的數(shù)據(jù)庫,但隨著氣候環(huán)境的變化,模型的誤差逐年變化,估算精度難以保證?；谌s束最小二乘法(fully constrained least squares,FCLS)的海冰密集度估算方法[13]通過將噪聲引入海冰密集度估算方程,并結(jié)合約束項利用最小二乘法獲得多種類型海冰的密集度的最優(yōu)解。由于該算法僅使用19 GHz和37 GHz的低頻數(shù)據(jù),僅可獲得空間分辨率為25 km的海冰密集度數(shù)據(jù)。為實(shí)現(xiàn)高空間分辨率多類型海冰密集度的估算,本文結(jié)合 NT2算法,提出一種融合亮溫極化梯度率和光譜梯度率的基于 FCLS的海冰密集度估算方法(后文簡稱為“改進(jìn)的方法”)。為驗證算法精度,以日平均南極海冰過程與氣候計劃[14](Antarctic Sea Ice Processes and Climate,ASPeCt)船測數(shù)據(jù)為實(shí)測海冰密集度數(shù)據(jù),利用均方差(root mean square error,RMSE)和偏差(bias)評定并對比改進(jìn)的方法、NT2和ASI算法結(jié)果精度。

1 數(shù)據(jù)

1.1 AMSR-E

AMSR-E(The Advanced Microwave Scanning Radiometer for EOS)數(shù)據(jù)[15]自 2002年起可由Aqua衛(wèi)星上搭載的被動微波傳感器收集獲得。該數(shù)據(jù)包括 6.9 GHz、10.7 GHz、18.7 GHz、23.8 GHz、36.5 GHz和89.0 GHz這6個頻段,各頻段均由垂直極化和水平極化兩個通道組成,空間分辨率從5.4 km(89 GHz)—56 km(6.9 GHz)不等。與SMMR、SSM/I以及 SSMIS被動微波數(shù)據(jù)相比,AMSR-E具有多通道、高分辨率等優(yōu)勢。本研究使用了美國國家冰雪數(shù)據(jù)中心發(fā)布的19 GHz、37 GHz和89 GHz AMSR-E數(shù)據(jù),空間分辨率均為12.5 km。

1.2 ASPeCt

ASPeCt[14]數(shù)據(jù)由南極研究科學(xué)委員會(Scientific Committee on Antarctic Research,SCAR)提供,由專業(yè)人員通過1980—2005年間的83次航海和2次航拍獲得。該數(shù)據(jù)在海冰密集度低于 70%的區(qū)域低于實(shí)際值,誤差在 10%—20%;隨著海冰密集度的升高,誤差可縮小為5%—10%;當(dāng)海冰密集度達(dá)到90%—100%后,誤差達(dá)到最小值。AMSR-E數(shù)據(jù)與ASPeCt船測數(shù)據(jù)僅在2002—2005年存在交集部分,因此本文利用 ASPeCt船測數(shù)據(jù)2002—2005年間的813個船測點(diǎn),對應(yīng)點(diǎn)海冰密集度及位置分布如圖1所示。

2 海冰密集度估算方法

2.1 基于FCLS的海冰密集度估算方法

給定區(qū)域面積內(nèi)海域可由開闊水域、一年冰和多年冰組成,因此海冰密集度估算方程如式(1)所示,表明被動微波數(shù)據(jù)中任一像元的亮溫TB也可由開闊水域、一年冰和多年冰表述。

圖1 ASPeCt船測數(shù)據(jù)分布圖.a)總體海冰密集度; b) 一年冰海冰密集度; c) 多年冰海冰密集度Fig.1.ASPeCt ship survey data distribution map.a)total sea ice concentration; b)first-year ice concentration; c) multi-year iceconcentration

其中,TBW、TBFY和TBMY分別代表開闊水域、一年冰和多年冰參考亮溫,CW、CFY和CMY分別表示開闊水域、一年冰和多年冰所占比例。

然而,該方程并未考慮各種誤差所帶來的影響。實(shí)際中,許多因素都將引起誤差,如被動微波輻射計傳感器帶來的誤差、微波輻射傳輸過程帶來的誤差和影像成像帶來的誤差等。因此,基于FCLS的海冰密集度估算方法通過引入誤差系數(shù)n,獲得高精度的多類型海冰的密集度結(jié)果[13]?；诖?式(1)可擴(kuò)展為式(2):

2.2 NT2

NT2算法首先通過給前向輻射傳輸模型設(shè)置不同的大氣條件,獲得不同海冰密集度下的亮溫值,從而建立模擬觀測樣本的數(shù)據(jù)庫,計算獲得PRR(19)、PRR(89)和ΔGR。由影像實(shí)測亮溫值計算影像極化梯度率PR和光譜梯度率GR,并在模型中搜索離真實(shí)觀測樣本最近的模擬樣本,即(δR)最小時對應(yīng)的海冰密集度及相應(yīng)海冰類型。計算公式為式(3)—式(6):

其中,PR是亮溫的極化梯度率,GR表示光譜梯度率,PRRi是由影像實(shí)測亮溫值計算得到的極化梯度率,ΔGRi由影像實(shí)測亮溫值計算得到的光譜梯度率,計算公式同式(4)和式(5)。PRR(19)削弱了地表分層以及粗糙度對亮溫的影響,PRR(89)可以消除海冰密集度變化和大氣情況變化之間的不確定性,ΔGR解決了低海冰密集度與被探測表面起伏所帶來的影響[10]。φ19和φ85分別代表PRR(19)–GR(37V19V) 所組成的坐標(biāo)系和PRR(85)–GR(37V19V)組成的坐標(biāo)中100%海冰組成的直線與GR坐標(biāo)軸之間的夾角。根據(jù)文獻(xiàn)[10],φ19和φ85設(shè)置如表1所示。

表1 南極角度值Table 1.Angles in Antarctic

NT2算法是通過搜索模擬樣本建立的數(shù)據(jù)庫,匹配最佳密集度數(shù)值,算法自身的特點(diǎn)導(dǎo)致數(shù)據(jù)結(jié)果的精度依賴于樣本數(shù)據(jù)庫的精度,而隨著全球氣候環(huán)境的變化,樣本數(shù)據(jù)庫的誤差會逐年變化,精度也會受到影響。

2.3 ASI

ASI算法通過計算 89 GHz亮溫數(shù)據(jù)的極化差異P,得到海冰密集度,算法方便高效。具體公式如式(7)所示:

式(7)中的P為89H與89V高頻數(shù)據(jù)之間的極化差異,系數(shù)d0、d1、d2、d3可通過求解式(8)得到:

式(8)中P0代表89 GHz的亮溫極化差異在開闊水域的數(shù)值,P1代表89 GHz的亮溫極化差異在100%海冰密集度區(qū)域的數(shù)值。ASI算法計算簡便,所用到的原始數(shù)據(jù)僅為89 GHz的垂直極化與水平極化亮溫數(shù)據(jù)。

2.4 基于改進(jìn)FCLS的海冰密集度估算方法

本研究將NT2算法所使用的PRR(19)、PRR(89)和ΔGR三個參數(shù)引入基于FCLS的海冰密集度估算方法中,以獲取高空間分辨率海冰密集度結(jié)果的同時得到多類型的海冰密集度數(shù)據(jù)?？蓪⑹?2)改寫為式(9):

其中,T是t行1列的向量,t代表通道數(shù);N=[TBW,TBFY,TBMY],分別代表不同地物類型的參考亮溫;β=[CW,CFY,CMY],分別代表開闊水域、一年冰、多年冰所占比例。結(jié)合原始頻段亮溫數(shù)據(jù)求解海冰密集度可獲得更高精度的海冰密集度結(jié)果[13],因此本研究不僅利用PRR(19)、PRR(89)、ΔGR三個參數(shù)建立海冰密集度求解方程,還結(jié)合19H、19V、37V、89H、89V五個通道。根據(jù)文獻(xiàn)[13]和文獻(xiàn)[16],求解過程中使用的參考亮溫如表2所示。

表2 各頻段參考亮溫Table 2.Reference brightness temperature of each frequency

相比低頻數(shù)據(jù),高頻數(shù)據(jù)對大氣情況更為敏感。為減少水汽對海冰密集度估算結(jié)果的影響,基于高頻數(shù)據(jù)的海冰密集度估算方法通常引入大氣不透明度參數(shù)[12]或使用天氣濾波器以消除水氣的影響。本文采用引入天氣濾波器GR(37/17)和GR(23/19),分別去除云中液態(tài)水和水面上水蒸氣的影響,計算公式為式(10)和式(11)[17]:

其中,C代表海冰密集度,當(dāng)GR值大于設(shè)定的閾值時,將海冰密集度設(shè)為零。

3 精度驗證

3.1 多種算法精度比較

利用改進(jìn)的方法、NT2和 ASI算法,基于2002—2005年間的AMSR-E數(shù)據(jù),完成南極地區(qū)海冰密集度的估算。并選取813個ASPeCt船測數(shù)據(jù)為實(shí)測海冰密集度數(shù)據(jù)對3種算法的精度進(jìn)行驗證,結(jié)果如表3所示。

表3 改進(jìn)的基于FCLS的海冰密集度估算方法、NT2、ASI全年估算精度Table 3.Accuracies of the improved FCLS、NT2 and ASI throughout the year

根據(jù)表3,從全年 RMSE分析,改進(jìn)的方法獲得更高的全年海冰密集度估算精度,NT2精度次之,ASI估算精度最低,改進(jìn)的方法Bias也是3種算法中最小的。導(dǎo)致這3種方法精度差異的原因主要分為兩點(diǎn): 第一,改進(jìn)的方法與 NT2不僅使用高頻的89 GHz極化數(shù)據(jù),還包括19 GHz的雙極化數(shù)據(jù)以及 37 GHz的垂直極化數(shù)據(jù),其中19 GHz的垂直極化數(shù)據(jù)在區(qū)分開闊水域與海冰時具有良好的特性,而ASI算法僅使用了89 GHz高頻數(shù)據(jù),因此改進(jìn)的方法和NT2算法估算精度優(yōu)于 ASI算法; 第二,改進(jìn)的方法與 NT2相比,優(yōu)點(diǎn)是不受模型誤差的影響; 計算結(jié)果的非負(fù)性以及不同地物所占比例和為一的特點(diǎn),一定程度上優(yōu)化了結(jié)果的精度,使得改進(jìn)的方法全年海冰密集度估算精度高于NT2。但計算所用到的原始數(shù)據(jù)決定了該算法對不同地表覆蓋類型參考亮溫的精度要求更高。

進(jìn)一步的算法精度驗證利用各月和各密集度的數(shù)據(jù)進(jìn)行分析,結(jié)果如圖2—圖5所示。

根據(jù)圖2a,從各月RMSE分析,整體趨勢為先減小后增加,最小值出現(xiàn)在7月和8月,同時也是南極氣溫最低的時間; 根據(jù)圖2b—d,3種算法各月RMSE最大值均分布于羅斯冰架和芬布爾冰架附近。

出現(xiàn)這種趨勢的原因為氣溫影響著海冰表面狀態(tài),氣溫的升高導(dǎo)致海冰表面融化現(xiàn)象嚴(yán)重,進(jìn)而導(dǎo)致表面極化差異與開闊水域的極化差異相近,部分海冰被誤判為開闊水域; 氣溫的下降使海冰表面狀態(tài)穩(wěn)定,融化現(xiàn)象極為少見。改進(jìn)的方法在 7月份精度較差,這主要是由兩方面原因組成。首先7月份數(shù)據(jù)是在威德爾海觀測得到,海面溫度可能與改進(jìn)的方法預(yù)先設(shè)定的參考溫度相差較大; 其次由于 7月份實(shí)測數(shù)據(jù)有限,導(dǎo)致誤差隨機(jī)性增大。除去季節(jié)原因,位于羅斯冰架和芬布爾冰架的數(shù)據(jù)RMSE偏大,這主要由于冰架附近海水鹽度較大,海冰溫度偏低,實(shí)際亮溫與參考亮溫差距大,引起較大誤差。

根據(jù)圖3a,從各月Bias分析,3種算法均存在高估海冰密集度的現(xiàn)象。根據(jù)圖3b—d,除羅斯冰架和芬布爾冰架區(qū)域以外,在威德爾海區(qū)域也得到了較大的Bias。

出現(xiàn)算法高估海冰密集度的現(xiàn)象,主要是由于南極大陸的低溫高壓與海面的低壓形成強(qiáng)烈對比,風(fēng)速快,增大了水面的粗糙程度,使其具有了海冰的極化特征,造成部分水域被誤判為海冰。除去季節(jié)原因,在威德爾海得到了較大的Bias,這是由于該區(qū)域存在強(qiáng)勁的東風(fēng)和旋回的北風(fēng)[18],在兩者共同作用下推動海冰移動,從而造成ASPeCt船測數(shù)據(jù)與AMSR-E數(shù)據(jù)在同一天內(nèi)不同時段所得結(jié)果差異較大。

根據(jù)圖4,分析各密集度RMSE,整體趨勢為先增加后減小,最大值出現(xiàn)在海冰密集度60%處。

圖2 改進(jìn)的基于FCLS的海冰密集度估算方法、NT2、ASI各月均方差統(tǒng)計圖.a)3種算法對比圖; b)改進(jìn)的方法; c)NT2;d)ASIFig.2.Statistics of RMSE with improved FCLS,NT2 and ASI in each month.a)comparison of three algorithms; b)improved FCLS; c)NT2; d)ASI

圖3 改進(jìn)的基于FCLS的海冰密集度估算方法、NT2、ASI各月偏差統(tǒng)計圖.a)3種算法對比圖; b)改進(jìn)的方法; c)NT2;d)ASIFig.3.Statistics of bias with improved FCLS,NT2 and ASI in each month.a)comparison of three algorithms; b) improved FCLS; c)NT2; d)ASI

出現(xiàn)RMSE隨海冰密集度先增加后減小這種趨勢的原因為地表覆蓋類型單一,參考亮溫更接近于預(yù)設(shè)的數(shù)值,算法精度高。改進(jìn)的方法在密集度最低和最高時精度并不是特別好,這是由算法本身特點(diǎn)決定的。改進(jìn)的方法是基于最小二乘原理計算海冰密集度數(shù)據(jù),在密集度最低和最高時,混合像元的概念被弱化,使用最小二乘求解的優(yōu)勢不明顯。

圖4 改進(jìn)的基于FCLS的海冰密集度估算方法、NT2、ASI各密集度均方差統(tǒng)計圖Fig.4.Statistics of RMSE with improved FCLS,NT2 and ASI in each concentration

根據(jù)圖5,從各密集度 Bias分析,三種算法最大值依然出現(xiàn)在海冰密集度60%處。

圖5 改進(jìn)的基于FCLS的海冰密集度估算方法、NT2、ASI各密集度偏差統(tǒng)計圖Fig.5.Statistics of bias with improved FCLS、NT2 and ASI in each concentration

這表明在海冰與開闊水域所占比例大致相當(dāng)時,3種算法精度所受到得影響最大。出現(xiàn)這種現(xiàn)象的原因是由混合像元的參考亮溫與單一地表覆蓋類型參考亮溫差異所引起的。

3.2 不同類型海冰密集度結(jié)果精度比較

根據(jù)表4,從全年 RMSE分析,多年冰的RMSE比一年冰低2%; 全年一年冰Bias為?2.8%,小于零,多年冰Bias為2.2%,大于零。無論是從均方差還是偏差來看,改進(jìn)的方法對多年冰密集度的估算精度都高于一年冰。

表4 改進(jìn)的基于 FCLS的海冰密集度估算方法估算一年冰、多年冰的精度Table 4.Accuracies of the improved FCLS algorithm in first-year ice and multi-year ice

根據(jù)圖6a,從各月RMSE分析,除11月以外,其余各月多年冰RMSE均小于一年冰,其中7月、9月和10月未觀測到多年冰,所以RMSE為零; 根據(jù)圖7a,從各月Bias分析,11月兩者絕對值相差5.9%,2月、3月和4月誤差相近,其余各月均表現(xiàn)為多年冰精度更高; 根據(jù)圖6b、c和圖7b、c,一年冰各月RMSE和各月Bias最大值均分布在羅斯海區(qū)域,多年冰各月 RMSE最大值分布在威德爾海區(qū)域,各月Bias最大值分布在羅斯海區(qū)域。

通過RMSE與Bias各月時序圖綜合分析發(fā)現(xiàn),多年冰在 11月的精度不是很好,這主要由于 11月南極處于夏季,溫度上升引起多年冰表面融化,冰厚減小,被誤判為一年冰。海冰估算精度誤差較大點(diǎn)主要分布在羅斯海和威德爾海區(qū)域,主要由于兩片海域風(fēng)力強(qiáng)勁,海面上的風(fēng)造成海冰移動,同時增大了海面的粗糙程度。

根據(jù)圖8,從各密集度 RMSE分析,除 90%的數(shù)據(jù)以外,多年冰 RMSE均小于一年冰; 根據(jù)圖9,從各密集度Bias分析,密集度在40%、70%和80%情況下,一年冰Bias較小,其余情況均表現(xiàn)為多年冰精度更優(yōu)。

出現(xiàn)一年冰Bias小于多年冰的主要原因是環(huán)境溫度的變化導(dǎo)致多年冰精度下降; 其次,樣本數(shù)量較少導(dǎo)致隨機(jī)誤差增大,也有可能導(dǎo)致這種現(xiàn)象。

以上數(shù)據(jù)綜合表明改進(jìn)的方法在估算多年冰的精度時優(yōu)于一年冰,造成以上結(jié)果的原因主要是由多年冰本身的結(jié)構(gòu)特點(diǎn)決定的。多年冰與一年冰相比結(jié)構(gòu)更為穩(wěn)定,存在周期更長,受溫度變化影響小,穩(wěn)定的結(jié)構(gòu)使多年冰在亮溫數(shù)據(jù)上表現(xiàn)為穩(wěn)定的極化差異; 相比多年冰,一年冰的壽命較短,海冰表面容易因溫度的短時間回升而出現(xiàn)大量的雪水,使其在亮溫數(shù)據(jù)上表現(xiàn)出與開闊水域接近的極化差異。

圖6 基于改進(jìn)的FCLS海冰密集度估算方法估算一年冰、多年冰的各月均方差統(tǒng)計圖.a)一年冰與多年冰對比圖; b)一年冰; c)多年冰Fig.6.Statistics of RMSE with improved FCLS about first-year ice and multi-year ice in each month.a)comparison between first-year ice and multi-year ice; b)first-year ice; c)multi-year ice

圖7 基于改進(jìn)的FCLS海冰密集度估算方法估算一年冰、多年冰的各月偏差統(tǒng)計圖.a)一年冰與多年冰對比圖; b)一年冰; c)多年冰Fig.7.Statistics of Bias with improved FCLS about first-year ice and multi-year ice in each month.a)comparison between first-year ice and multi-year ice; b)first-year ice; c)multi-year ice

圖8 基于改進(jìn)的 FCLS海冰密集度估算方法估算一年冰、多年冰的各密集度均方差統(tǒng)計圖Fig.8.Statistics of RMSE with improved FCLS about first-year ice and multi-year ice in each concentration

圖9 基于改進(jìn)的 FCLS海冰密集度估算方法估算一年冰、多年冰的各密集度偏差統(tǒng)計圖Fig.9.Statistics of Bias with improved FCLS about firstyear ice and multi-year ice in each concentration

4 結(jié)論

本文將亮溫極化梯度率和光譜梯度率引入基于FCLS的海冰密集度估算方法,以ASPeCt船測數(shù)據(jù)為實(shí)測海冰密集度數(shù)據(jù),通過對比分析改進(jìn)的方法、NT2算法和ASI算法獲得的海冰密集度結(jié)果得出以下結(jié)論。

1.通過與ASI、NT2算法獲得的海冰密集度結(jié)果比較,改進(jìn)的方法在全年海冰密集度估算精度最優(yōu),RMSE和Bias分別為13.8%和?0.7%; 通過各月RMSE時序圖可以看出3種算法均受到氣溫的影響,并呈現(xiàn)負(fù)相關(guān)。在7月、8月正值南極的冬季,氣溫達(dá)到最低,精度最高; 通過各密集度RMSE及Bias時序圖可以看出3種算法均受到海冰密集度的影響,當(dāng)密集度達(dá)到 51%—60%時,精度受影響最大。

2.在一年冰與多年冰的密集度估算精度中,改進(jìn)的方法表現(xiàn)出了良好的特性。全年海冰密集度估算中,一年冰和多年冰RMSE分別為22.7%和20.7%,Bias分別為?2.8%和2.2%; 通過各月以及各密集度數(shù)據(jù)分析,與一年冰密集度估算相比,改進(jìn)的方法對多年冰密集度估算更加準(zhǔn)確,這是由于多年冰相比一年冰結(jié)構(gòu)更加穩(wěn)定。

由此可知,改進(jìn)的方法在獲得高分辨率多類型海冰密集度結(jié)果的同時,也得到了更優(yōu)的精度,解決了基于高頻數(shù)據(jù)的海冰密集度估算方法無法獲得多類型海冰密集度數(shù)據(jù)和數(shù)據(jù)精度依賴模型的問題。改進(jìn)的方法也存在著一些不確定性,如高頻數(shù)據(jù)對大氣情況更加敏感,大氣中的水汽直接影響算法結(jié)果的精度; 混合像元內(nèi)不同類型地物之間相互影響,導(dǎo)致一年冰、多年冰和開闊水域參考亮溫的變化,對計算結(jié)果也會產(chǎn)生誤差。

由于 FCLS算法本身的特點(diǎn),改進(jìn)的方法在處理誤差的過程中也存在著一定的不足之處,后續(xù)研究考慮將算法公式中的誤差系數(shù)n分離出有統(tǒng)計特性的項,通過物理模型或統(tǒng)計模型來改進(jìn);同時考慮到全球氣候環(huán)境的不斷變換,以及混合像元所引起的地表覆蓋類型亮溫值的不同,在條件允許的情況下,應(yīng)盡可能實(shí)地測量數(shù)據(jù)獲取符合研究區(qū)域時間區(qū)間的參考亮溫。

此外,由于ASPeCt船測數(shù)據(jù)的時間、空間分布不同,不同類型海冰統(tǒng)計樣本不一樣,在一定程度上影響精度驗證結(jié)果。下一步會搜集更多海冰密集度的實(shí)測數(shù)據(jù),如高分辨率的極區(qū)影像數(shù)據(jù),對結(jié)果進(jìn)行驗證,以此提高精度驗證結(jié)果。

1 劉婷婷,劉一君,王澤民,等.基于多源遙感數(shù)據(jù)的北極新冰提取及范圍時序變化分析[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2015,40(11): 1473—1478.

2 Fraser A D,Massom R A,Michael K J.Generation of high-resolution East Antarctic landfast sea-ice maps from cloud-free MODIS satellite composite imagery[J].Remote Sensing of Environment,2010,114(12): 2888—2896.

3 Heinrichs J F,Cavalieri D J,Markus T.Assessment of the AMSR-E sea ice-concentration product at the ice edge using RADARSAT-1 and MODIS imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(11): 3070—3080.

4 Wang L,Scott K A,Clausi D A.improved sea ice concentration estimation through fusing classified SAR imagery and AMSR-E data[J].Canadian Journal of Remote Sensing,2016,42(1): 41—52.

5 Tanaka Y,Tateyama K,Kameda T,et al.Estimation of melt pond fraction over high-concentration Arctic sea ice using AMSR-E passive microwave data[J].Journal of Geophysical Research: Oceans,2016,121(9): 7056—7072.

6 Ivanova N,Johannessen O M,Pedersen L T,et al.Retrieval of arctic sea ice parameters by satellite passive microwave sensors: a comparison of eleven sea ice concentration algorithms[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(11): 7233—7246.

7 Svendsen E,Kloster K,Farrelly B,et al.Norwegian remote sensing experiment: evaluation of the nimbus 7 scanning multichannel microwave radiometer for sea ice research[J].Journal of Geophysical Research,1983,88(C5): 2781—2791.

8 Andersen S,Tonboe R,Kern S,et al.Improved retrieval of sea ice total concentration from spaceborne passive microwave observations using numerical weather prediction model fields: an intercomparison of nine algorithms[J].Remote Sensing of Environment,2006,104(4): 374—392.

9 Cavalieri D J,Gloersen P,Campbell W J.Determination of sea ice parameters with the nimbus 7 SMMR[J].Journal of Geophysical Research: Atmospheres,1984,89(D4): 5355—5369.

10 Markus T,Cavalieri D J.An enhancement of the NASA team sea ice algorithm[J].IEEE Transactions on Geoscience and Remote Sensing,2000,38(3): 1387—1398.

11 Kaleschke L,Lüpkes C,Vihma T,et al.SSM/I sea ice remote sensing for mesoscale ocean-atmosphere interaction analysis[J].Canadian Journal of Remote Sensing,2001,27(5): 526—537.

12 Svendsen E,Matzler C,Grenfell T C.A model for retrieving total sea ice concentration from a spaceborne dual-polarized passive microwave instrument operating near 90 GHz[J].International Journal of Remote Sensing,1987,8(10): 1479—1487.

13 Liu T T,Liu Y X,Wang Z M.Fully constrained least squares for Antarctic sea ice concentration estimation utilizing passive microwave data[J].IEEE Geoscience and Remote Sensing Letters,2015,12(11): 2291—2295.

14 Worby A P,Comiso J C.Studies of the Antarctic sea ice edge and ice extent from satellite and ship observations[J].Remote Sensing of Environment,2004,92(1): 98—111.

15 Cavalieri D J,Markus T,Hall D K,et al.Assessment of AMSR-E antarctic winter sea-ice concentrations using aqua MODIS[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(9): 3331—3339.

16 王歡歡,Heygster G,韓樹宗,等.應(yīng)用AMSR-E 89 GHz遙感數(shù)據(jù)反演北極多年冰密集度[J].極地研究,2009,21(3): 186—196.

17 Yu Q L,Wang H,Wan L Y,et al.Retrieving the Antarctic sea-ice concentration based on AMSR-E 89 GHz data[J].Acta Oceanologica Sinica,2013,32(9): 38—43.

18 Venegas S A,Drinkwater M R.Sea ice,atmosphere and upper ocean variability in the Weddell Sea,Antarctica[J].Journal of Geophysical Research: Oceans,2001,106(C8): 16747—16765.