Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2025 , Vol. 44 >Issue 6: 1 - 11

DOI: https://doi.org/10.11978/2025015

Domestic satellite sea surface temperature data fusion based on successive corrections*

  • NIU Haoran , 1, 2 ,
  • WANG Xidong , 1, 2 ,
  • GAO Zhenbo 1, 2 ,
  • CHEN Zhiqiang 3
Expand
  • 1 Key Laboratory of Marine Hazards Forecasting, Ministry of Natural Resources, Hohai University, Nanjing 210024, China
  • 2 College of Oceanography, Hohai University, Nanjing 210024, China
  • 3 South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou 510301, China
WANG Xidong. email:

Received date: 2025-01-25

  Revised date: 2025-03-18

  Online published: 2025-04-07

Supported by

National Natural Science Foundation of China(41776004)

Fold

Abstract

As one of the important environmental variables in the atmosphere-ocean system, sea surface temperature (SST) is of significant importance for oceanographic research. This paper utilizes domestic HaiYang (HY) and FengYun (FY) satellites remote sensing SST data to develop an autonomous, high spatiotemporal resolution satellite SST fusion product for the “Maritime Silk Road” region using the successive corrections method. First, the accuracy of SST observation data from HY and FY satellites was evaluated using iQuam in-situ data, with bias correction performed on HY-1C and HY-1D. Next, SST data from HY-1C, HY-1D, HY-2B, FY-3D, FY-3E, and FY-4B, along with a multi-scale successive corrections fusion algorithm, were used to create a daily 0.1°×0.1° resolution SST fusion product for the “Maritime Silk Road” region from April to June 2024. Finally, the accuracy of the fusion product was assessed using iQuam in-situ data. The results showed that the fusion product had an average bias of 0.08°C and a root mean square error (RMSE) of 0.67°C, indicating good accuracy. Power spectral analysis of different SST fusion products demonstrated that the SST fusion product generated in this study outperforms the Optimum Interpolation Sea Surface Temperature (OISST) in capturing small-scale features at the 100 km scale and shows comparable performance to the Operational Sea Surface Temperature and Sea Ice Analysis (OSTIA) at the 50-100 km scale, reflecting its good application potential.

Key words： sea surface temperature; domestic satellite; successive corrections; data fusion

Cite this article

NIU Haoran , WANG Xidong , GAO Zhenbo , CHEN Zhiqiang . Domestic satellite sea surface temperature data fusion based on successive corrections*[J]. Journal of Tropical Oceanography, 2025 , 44(6) : 1 -11 . DOI: 10.11978/2025015

*感谢国家卫星气象中心(https: //satellite.nsmc.org.cn)和国家卫星海洋应用中心(https: //osdds.nsoas.org.cn)提供的数据支持。
地球表面超过2/3都是海洋, 且海水的比热容较大, 每年超过70%的太阳辐射都被海洋吸收, 并主要储存在海洋表层。海洋表层是海洋与大气直接接触的界面, 海表温度(sea surface temperature, SST)作为海洋表层的重要信息之一, 是研究海气物质和能量交换的基本参量(刘伊格, 2019), 也是海洋锋面、涡旋、水团、环流等物理海洋学现象的重要指示参数。同时, SST还是影响天气和气候事件的主要因素之一(Gentemann et al, 2003; Kawai et al, 2007;), 许多气候现象和气象灾害都与其有着密不可分的联系, 如厄尔尼诺-拉尼娜、热带气旋等(齐庆华 等, 2019)。此外, SST与海洋生态及渔场分布也息息相关, 可利用SST研究结果指导渔业开发等(Li et al, 2024)。目前, 海洋科学研究和业务化海洋应用对SST产品的要求越来越高, 如何提供高时空分辨率、高精度的SST自主化产品, 对研究海洋以及应对全球气候变化意义重大。
SST数据的观测, 目前主要有现场观测和卫星遥感观测两种方式。传统的海温观测主要基于调查船、海洋站、浮标等常规的观测平台, 但现场观测数据的空间分布有限且时间连续性低, 因此近实时、观测范围覆盖广、可长期连续观测的卫星遥感观测, 逐渐成为SST观测的主要方式(奚萌, 2011)。目前卫星观测SST主要依赖红外传感器和微波传感器, 红外传感器的优点是空间分辨率高, 但其缺点是易受到气溶胶、大气云层状况等的影响, 导致反演的SST值偏低(徐宾 等, 2018); 由于微波对云层具有较强的穿透性, 因此微波传感器一般可以进行全天时、全天候观测, 但观测结果的空间分辨率相对于红外传感器较差(王艳珍 等, 2010)。在遥感应用领域中, 单一传感器观测到的数据信息通常是有限的, 尚不足以满足实际应用的需求, 针对这样的现实情况, 卫星数据融合应运而生。
数据融合主要分为主观分析方法和客观分析方法, 主观分析方法需要研究者有较多的知识储备, 对传感器的优缺点有较为详细的了解, 不利于长期发展。1976年, Bretherton等(1976)首先将客观分析方法运用到海洋学的研究中。而针对多源卫星SST数据融合的客观分析方法, 前人已经做了大量的研究。Chao等(2009)采用二维变分方法, 将加利福尼亚海岸附近海域多源卫星观测SST与现场实测SST进行了数据融合。Reynolds等(2007)将最优插值方法应用于卫星红外和微波传感器观测SST以及实测数据的融合, 制作了高时空分辨率的全球SST产品。Li等(2013)首次将贝叶斯方法应用到SST的融合中, 利用MODIS(moderate-resolution imaging spectroradiometer)和AMSR-E(advanced microwave scanning radiometer)的SST数据制作了多天平均的4km分辨率海温产品。此外, 还有卡尔曼滤波法(Kalman, 1960; 王艳珍 等, 2010)、基于D-S理论(石绥祥 等, 2005)、小波变换法(张慧, 2006)、神经网络法(柳雯俊, 2020; Wang et al, 2023)等数据融合方法。
对于国产卫星的融合应用方面, 苗春生等(2015)运用美国的LAPS(local analysis and prediction system)系统, 采用美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)的实时全球SST作为背景场, 利用HY-2与FY-2E数据在中国黄海、东海海域进行SST融合, 证明LAPS融合场可以保留单星SST的精细化信息, 又能提高观测资料的覆盖率。Zhang等(2024)基于时空自适应模型融合了FY-3E和FY-4A卫星的观测SST数据, 得到了覆盖东半球大部分区域的高时空分辨率SST产品。国家气象信息中心利用多尺度三维变分技术实现了多渠道全球SST数据的融合, 并发布了中国气象局海洋数据融合分析系统, 其卫星数据采用了AVHRR (advanced very high resolution radiometer)、AMSR2和FY-3C的观测SST, 生成的高分辨率融合产品精度基本达到了国际主流水平(徐宾 等, 2018)。
目前, 自主国产卫星SST数据应用水平和利用率相对较低, 随着我国海洋和风云系列观测卫星的发射和多类型业务化保障系统的建设需求, 研制基于自主卫星的多源SST融合产品的重要性愈发显著。本文研究区域为“海上丝绸之路”的重点通道, 包含北印度洋区域、南海海域和台湾岛东部海域, 经纬度范围为45°—135°E、0°—30°N, 研究区域地处热带—亚热带, 航线密集, 人口众多, 自然资源丰富, 不仅有世界上最显著的印度洋季风区, 而且北印度洋热带气旋经常造成较为严重的影响。因此, 综合运用国产卫星SST观测数据, 发挥不同卫星的SST反演数据的优势, 建立高分辨率网格化融合产品对该区域的渔业与生态监测、热带气旋预报等具有重要的应用价值。

1 数据和方法

1.1 数据

1.1.1 数据来源

本文采用的国产卫星SST遥感数据包括海洋系列和风云系列共6颗卫星的数据。HY-1C、HY-1D和HY-2B卫星的SST数据由国家卫星海洋应用中心(https://osdds.nsoas.org.cn/)提供。其中HY-1C和HY-1D为红外观测, 空间分辨率9km。HY-2B为微波观测, 包含升轨(夜晚)和降轨(白天)数据, 空间分辨率为25km。HY-2B微波传感器易被陆地电磁波干扰, 导致近岸区域SST无法有效得到反演结果, 所以只在开阔海洋具有较高的空间覆盖率(苗春生 等, 2015)。
FY-3D、FY-3E和FY-4B卫星的SST数据由国家卫星气象中心(http://satellite.nsmc.org.cn/)提供。其中, FY-3D为微波观测, 数据空间分辨率为25km。FY-3E卫星为红外观测, 空间分辨率为5km。FY-4B为唯一的地球静止轨道气象卫星, 搭载红外传感器, 星下点分辨率4km。
现场实测数据来自NOAA的iQuam(in-situ SST quality monitor)数据收集系统(Xu et al, 2014), 用于卫星数据校正以及数据的检验评估等。iQuam数据共有自0~5的6个质量等级, 本文选用质量等级为5的锚系浮标、漂流浮标、Argo浮标以及船舶数据。
国外融合产品采用OISST(optimum interpolation sea surface temperature)数据和OSTIA(operational sea surface temperature and ice analysis)数据。OISST数据(Reynolds et al, 2010; Dash et al, 2012)由NOAA制作并提供(网址: https://www.ncei.noaa.gov/products/)。目前, OISST常被用来作为SST产品验证的主要参考数据之一(Zhou et al, 2013; Ping et al, 2015)。本文使用的是AVHRR-only最优插值OISST产品, 产品空间分辨率0.25°。OSTIA产品(Stark et al, 2007)主要用于比较融合SST场的功率谱曲线, 数据空间分辨率为0.05°(下载地址为 https://www.ncei.noaa.gov/data/oceans/ghrsst/L4/GLOB/UKMO/OSTIA)。

1.1.2 卫星数据预处理

为了保证融合SST产品的精度, 卫星数据预处理过程仅保留质量控制标识最优的数据。本研究只对卫星传感器白天的数据进行预处理, 具体如下。
1) 海洋卫星数据。HY-1C海洋水色水温扫描仪(Chinese ocean color and temperature scanner, COCTS)数据为L3A白天SST产品。首先根据SST数据行列数设置经纬度网格, 去除陆地填充值后, 对卫星数据进行偏差校正, 随后进行区域极值和梯度异常值检查, 最后剔除与OISST气候态月均大于一定阈值的值。HY-1D的卫星数据预处理方法与HY-1C相同, 这里不再叙述。HY-2B微波扫描辐射计(scanning microwave radiometer, SMR)数据为极轨卫星L3产品。根据SST网格分辨率设置经纬度后, 利用海陆标记剔除陆地填充值, 并删去微波辐射计数据小于-2℃和大于35℃的SST异常值, 随后进行梯度异常值检查, 剔除与OISST气候态月均大于一定阈值的值后, 将每天的升降轨数据分别存放。
2) 风云卫星数据。FY-3D微波成像仪(micro-wave radiation imager, MWRI)数据为L2产品, 物理单位为K。预处理首先剔除陆地填充值, 根据质量控制标识选择最优的数据, 剔除小于-2℃和大于35℃的SST值后, 进行梯度异常值检查, 最后剔除与OISST气候态月均大于一定阈值的值, 将每天的升降轨数据分别存放。FY-3E中分辨率光谱成像仪(medium resolution spectral imager, MERSI)数据为L2产品, 分为000和012时数据, 这里采用012时数据。FY-3E数据质量控制首先剔除无效数据填充值, 根据质量控制等级筛选出最优的数据后, 进行区域极值和梯度异常值检查, 最后剔除与OISST气候态月均大于一定阈值的值。FY-4B先进的静止轨道辐射成像仪(advanced geostationary radiation imager, AGRI)L2数据每一刻钟一个数据文件, 这里采用06—18时整点数据进行平均。由于FY-4B卫星的SST数据为全圆盘标称投影数据, 该卫星数据预处理需要下载风云卫星遥感数据服务网提供的4km分辨率的FY-4B数据行列号和经纬度查找表文件, 读取查找表文件中的经纬度信息对数据进行投影转换, 根据转换的经纬度筛选SST数据范围到研究区域, 然后进行区域极值检查。

1.2 研究方法

1.2.1 背景场构建方法

利用7d(融合日期及该日期前后3d)的在轨卫星海表温度数据在研究区域0.1°×0.1°的网格上进行网格化, 第i个网格点的网格化数据由N个观测加权平均得到, 其公式为:
$\overline{\text{SS}{{\text{T}}_{i}}}=\frac{\sum\nolimits_{j=1}^{N}{{{b}_{i,j}}\text{SST}_{j}^{\text{o}}}}{\sum\nolimits_{j=1}^{N}{{{b}_{i,j}}}}$
式中, $\overline{\text{SS}{{\text{T}}_{i}}}$为计算出的第i个网格点的数据, $\text{SST}_{j}^{\text{o}}$为第j个观测点的观测值, ${{b}_{i,j}}$为权重系数(何子康 等, 2021), 其计算公式为:
${{b}_{i,j}}=\exp \left\{ -{{\left[ {\left( {{x}_{i}}-{{x}_{j}} \right)}/{{{L}_{x}}}\; \right]}^{2}}-{{\left[ {\left( {{y}_{i}}-{{y}_{j}} \right)}/{{{L}_{y}}}\; \right]}^{2}}-{{\left[ {\left( {{t}_{i}}-{{t}_{j}} \right)}/{{{L}_{t}}}\; \right]}^{2}} \right\}$
式中, x和y分别为东西和南北的位置, t是时间; Lx、Ly和Lt分别为长度和时间尺度, 其中Lt为120h, Lx和Ly的取法如下:
${{L}_{x}}={120000}/{\left( 0.35{{\lambda }^{2}}+300 \right)}\;$
${{L}_{y}}={120000}/{\left( 0.35{{\lambda }^{2}}+400 \right)}\;$
式中, $\lambda $为纬度, Lx和Ly的单位为km。

1.2.2 数据融合方法

本文采用逐步订正法(Cressman, 1959)对预处理后的国产卫星数据进行融合, 逐步订正法是一种起源较早、发展成熟的资料同化方法, 该方法通过应用预测值和观测值之间的校正的线性组合来迭代校正网格的背景值, 迭代的公式如下:
$f_{i}^{n+1}=f_{i}^{n}+\frac{\sum\limits_{b=1}^{K_{i}^{n}}{w_{ib}^{n}}(f_{b}^{\text{o}}-f_{b}^{n})}{\sum\limits_{b=1}^{K_{i}^{n}}{w_{ib}^{n}}}$
式中, $f_{i}^{n}$为第n次迭代后在网格点i处的分析场, $f_{b}^{\text{o}}$为第n次迭代搜索半径Rn内(称为影响区域)的第b个观测值, $f_{b}^{n}$为第n次迭代后插值到第b个观测值位置的估计值, $K_{i}^{n}$为在Rn内收集到的观测值个数, $w_{ib}^{n}$为Barnes(1973)改进的权重函数, 其计算方法如下:
$\left\{ \begin{align} & w_{ib}^{n}=\exp \left( \frac{-r_{ib}^{2}}{\alpha \gamma } \right),r_{ib}^{2}<R_{n}^{2} \\ & w_{ib}^{n}=0,r_{ib}^{2}\ge R_{n}^{2} \\ \end{align} \right.$
式中, Rn为搜索半径, 通常为网格距离的数倍; ${{r}_{ib}}$是观测点b与网格点i之间的距离, α为滤波常数, γ为收敛因子。逐步订正法融合SST流程如图1。
图1 逐步订正融合SST流程

Fig. 1 Flowchart of the successive corrections process for SST fusion

1.2.3 卫星数据校正方法

考虑到融合的输入卫星数据较多, 因此在评估卫星数据精度之后对偏差较大的卫星数据进行校正。采用线性回归方法对偏差较大的卫星数据进行逐月校正, 以卫星数据作为自变量, 现场观测数据作为因变量, 利用最小二乘法计算回归系数, 卫星数据校正回归模型(杨梦 等, 2024)如下:
${{S}_{\text{sat}}}^{\prime }=\alpha \times {{S}_{\text{sat}}}+\beta $
式中, Ssat为卫星观测SST数据, Ssat′为校正后的卫星观测SST数据, 单位均为℃; α和β为模型回归系数。
$\alpha =\frac{n\sum{{{S}_{\text{sat}}}{{S}_{\text{o}}}-\sum{{{S}_{\text{sat}}}\sum{{{S}_{\text{o}}}}}}}{n\sum{{{S}_{\text{sat}}}^{2}-{{\left( \sum{{{S}_{\text{sat}}}} \right)}^{2}}}}$
$\beta =\frac{\sum{{{S}_{\text{o}}}}}{n}-\alpha \frac{\sum{{{S}_{\text{sat}}}}}{n}=\overline{{{S}_{\text{o}}}}-\alpha \overline{{{S}_{\text{sat}}}}$
式中, n为匹配点个数, So为现场观测SST数据, $\overline{{{S}_{\text{o}}}}$和$\overline{{{S}_{\text{sat}}}}$分别是So和Ssat的平均值。

1.2.4 检验方法

本文对单星SST数据以及融合产品进行了平均偏差、绝对偏差、均方根误差和相关系数的检验分析, 以对数据质量进行定量评估。平均偏差Bias计算公式为
$\text{Bias}=\frac{\sum\nolimits_{i=1}^{n}{\left( {{S}_{i}}-{{I}_{i}} \right)}}{n}$
绝对偏差Biasabs计算公式如下:
$\text{Bia}{{\text{s}}_{\text{abs}}}=\frac{\sum\nolimits_{i=1}^{n}{\left| {{S}_{i}}-{{I}_{i}} \right|}}{n}$
均方根误差RMSE计算公式如下:
$\text{RMSE}=\sqrt{\frac{\sum\nolimits_{i=1}^{n}{{{\left( {{S}_{i}}-{{I}_{i}} \right)}^{2}}}}{n}}$
相关系数R的计算公式如下:
$R=\frac{\sum\nolimits_{i=1}^{n}{\left[ \left( {{S}_{i}}-\overline{S} \right)-\left( {{I}_{i}}-\overline{I} \right) \right]}}{\sqrt{\sum\nolimits_{i=1}^{n}{{{\left( {{S}_{i}}-\overline{S} \right)}^{2}}}}\sqrt{\sum\nolimits_{i=1}^{n}{{{\left( {{I}_{i}}-\overline{I} \right)}^{2}}}}}$
式中, ${{S}_{i}}$、${{I}_{i}}$分别代表第i个匹配点卫星数据反演的SST值和现场实测的SST值; n为卫星数据与实测数据匹配点的总数; $\overline{S}$、$\overline{I}$分别代表所有匹配点${{S}_{i}}$、${{I}_{i}}$的均值。

2 研究结果与评价

2.1 单星精度评估

为了得到可靠的SST融合数据, 有必要对HY和FY卫星的SST产品质量进行精度评估。精度评估需要选用合适的时空窗口, 对实测iQuam数据和卫星数据匹配, 计算评价指标, 分析卫星数据与实测SST之间的差异, 从而对卫星数据的精度进行评价。对iQuam实测数据, 提取其中的经纬度、质量标记、水深、观测时间、海表温度等变量信息, 由于融合的卫星数据只采用了白天数据, 因此iQuam数据筛选06时至18时, 筛选后的iQuam数据的空间分布如图2所示。
图2 筛选后的2024年4月1日至6月30日iQuam SST数据分布

基于自然资源部标准地图服务网站下载的审图号为GS(2016)1665号的标准地图制作

Fig. 2 Spatial distribution of filtered iQuam SST data from April 1 to June 30, 2024

表1分别计算了2024年4月至6月卫星数据在研究区域的平均偏差、绝对偏差、均方根误差以及相关系数。从统计结果看, HY卫星在研究区域时段内的绝对偏差和均方根误差较大, 且三颗HY卫星的SST平均偏差均为负, 与实测数据相关系数不足0.9。FY-3E卫星数据平均偏差最接近0且均方根误差最小为0.63℃, 观测数据质量较好。
表1 单星数据与实测iQuam数据匹配结果统计(2024年4月至6月)

Tab. 1 Statistical analysis of the matching results between single-satellite data and measured iQuam data (April to June 2024)

卫星 匹配数 平均偏差/℃ 绝对偏差/℃ 均方根误差/℃ 相关系数
HY-1C 9725 -1.45 1.65 2.08 0.75
HY-1D 9572 -1.23 1.52 1.98 0.70
HY-2B 2328 -1.25 1.38 1.73 0.81
FY-3D 3877 -0.36 0.72 0.94 0.88
FY-3E 7935 0.04 0.47 0.63 0.94
FY-4B 24712 -0.39 0.59 0.77 0.94
从图3可以看出, HY-1C和HY-1D匹配值分布范围较大, 大部分值分布在1∶1线以上, 而FY-3E和FY-4B卫星数据与实测数据匹配分布基本在1∶1线两侧, 且相关系数均在0.9以上, 说明FY-3E和FY-4B卫星数据与实测SST数据的相关性较高。
图3 4月至6月卫星SST数据与iQuam数据匹配结果

a. HY-1C数据; b. HY-1D数据; c. HY-2B数据; d. FY-3D数据; e. FY-3E数据; f. FY-4B数据

Fig. 3 Matching results between satellite SST data and iQuam data from April to June. (a) HY-1C SST; (b) HY-1D SST; (c) HY-2B SST; (d) FY-3D SST; (e) FY-3E SST; (f) FY-4B SST

图4展示了不同卫星数据与iQuam实测数据匹配后计算的偏差分布情况, HY-2B以及三颗FY卫星的偏差分布近似正态分布, 但偏差中心和离散程度各有不同。HY-1C和HY-1D数据的偏差分布较广, 表明数据的误差较大, 可能需要进一步偏差校正。FY-4B和FY-3E的偏差分布相对集中, 其中FY-3E的偏差中心在0℃右侧, 符合表1的平均偏差统计结果。
图4 4月至6月卫星SST数据与iQuam数据匹配偏差直方图

a. HY-1C数据; b. HY-1D数据; c. HY-2B数据; d. FY-3D数据; e. FY-3E数据; f. FY-4B数据

Fig. 4 Histograms of matching deviations between satellite SST data and iQuam data from April to June. (a) HY-1C SST; (b) HY-1D SST; (c) HY-2B SST; (d) FY-3D SST; (e) FY-3E SST; (f) FY-4B SST

图5为2024年6月1日的国产卫星研究区域原始观测数据的空间分布情况, HY-1C和HY-1D卫星数据在阿拉伯海域均有一定区域的海温观测值异常偏低, 与平均偏差统计指标情况基本相符。搭载红外传感器的卫星中, FY-4B与HY-1C、HY-1D的卫星空间覆盖率相近, 但FY-4B卫星为静止轨道卫星, 相比于HY-1C和HY-1D具有更高的观测频次和空间分辨率, 数据精度较好。
图5 2024年6月1日卫星研究区域SST数据的空间分布

a. HY-1C COCTS数据; b. HY-1D COCTS数据; c. HY-2B SMR数据; d. FY-3D MWRI数据; e. FY-3E MERSI数据; f. FY-4B AGRI数据。该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1665号的标准地图制作

Fig. 5 Spatial distribution of satellite SST data on June 1, 2024. (a) HY-1C COCTS; (b) HY-1D COCTS; (c) HY-2B SMR; (d) FY-3D MERI; (e) FY-3E MERSI; (f) FY-4B AGRI

2.2 卫星偏差校正

从图6c和图7c可知, 尽管HY-1C和HY-1D卫星数据为红外传感器观测SST数据, 但是其SST值相较于OISST数据存在较大偏差, 因此需要对HY-1C和HY-1D数据进行线性回归校正。为衡量校正效果, 利用iQuam数据与校正后卫星数据进行时空匹配, 计算匹配结果的误差来评估校正的数据精度, 统计结果如表2。HY-1C和HY-1D校正后相比于校正前的均方根误差分别降低了约47%和45%。
图6 2024年6月1日HY-1C卫星数据校正前后与OISST的偏差分布情况

a. 校正前的HY-1C数据; b. 校正后的HY-1C数据; c. 校正前HY-1C数据与OISST的偏差; d. 校正后HY-1C数据与OISST的偏差。该图基于2018年自然资源部标准地图服务网站下载的审图号为GS(2016)1665号的标准地图制作

Fig. 6 Distribution of deviations between HY-1C satellite data before and after correction and OISST data on June 1, 2024. (a) HY-1C data before correction; (b) HY-1C data after correction; (c) deviation between HY-1C data and OISST before correction; (d) deviation between HY-1C data and OISST after correction

图7 2024年6月1日HY-1D卫星数据校正前后与OISST的偏差分布情况

a. 校正前的HY-1D数据; b. 校正后的HY-1D数据; c. 校正前HY-1D数据与OISST的偏差; d. 校正后HY-1D数据与OISST的偏差。该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1665号的标准地图制作

Fig. 7 Distribution of deviations between HY-1D satellite data before and after correction and OISST data on June 1, 2024. (a) HY-1D data before correction; (b) HY-1D data after correction; (c) deviation between HY-1D data and OISST before correction; (d) deviation between HY-1D data and OISST after correction

表2 HY-1C和HY-1D数据校正后误差统计(2024年4月至6月)

Tab. 2 Error statistics of HY-1C and HY-1D data after correction (April to June 2024)

卫星 平均偏差/℃ 均方根误差/℃ 绝对偏差/℃
HY-1C 0.13 1.11 0.83
HY-1D 0.09 1.08 0.82
图6和图7展示了6月1日校正前后卫星SST数据与OISST的偏差情况(OISST数据已插值到卫星数据网格中), HY-1C卫星原始数据偏差分布大部分区域为负值, 在台湾岛以东海域为正值, HY-1D卫星原始数据偏差分布与HY-1C相似, 但在阿拉伯海域差值更低。图6d校正后HY-1C数据与OISST偏差基本控制在1.5℃以内, 不过在索马里半岛附近海域SST值矫枉过正, 导致偏差增大, 这将在后续质控中剔除。
图7d校正后HY-1D数据与OISST偏差基本控制在2℃以内, 在波斯湾和阿拉伯海域北部的SST偏差有一定改善, 但偏差仍然较大, 索马里半岛附近海域与HY-1C情况类似, 校正后的SST出现了正的偏差值。

2.3 融合结果评估

利用上述校正后的卫星海表温度, 经过逐步订正融合最终得到空间网格分辨率0.1°的海表温度融合产品, 用于融合的卫星数据包括HY-1C COCTS、HY-1D COCTS、HY-2B SMR、FY-3D MWRI、FY-3E MERSI和FY-4B AGRI。将逐步订正融合结果与OISST数据进行对比分析, 通过将OISST数据插值到与融合结果相同的空间网格上, 计算2024年6月1日自主融合SST数据与OISST数据的偏差, 并将其计算结果绘制如图8c, 图中偏差较大的区域主要分布在近岸地区, 在印度洋中偏差值较小。融合结果海表温度空间分布与OISST类似, 可以看到索马里季节性洋流的低温区域, 以及台湾岛以东海域的黑潮暖流路径。从图8d的6月平均偏差可以看出大部分海域融合结果较OISST均有一定偏大, 尤其在红海及其沿岸区域, 原因一方面是OISST为日均产品, 另一方面融合结果采用了白天数据, 太阳辐射较强导致偏差较大。
图8 融合结果与OISST的对比

a. 6月1日融合结果; b. 6月1日OISST; c. 6月1日融合结果与OISST的偏差分布; d. 6月平均偏差分布。该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1665号的标准地图制作

Fig. 8 Comparison between fusion results and OISST. (a) Fusion results on June 1; (b) OISST on June 1; (c) deviation between fusion results and OISST on June 1; (d) spatial distribution of average deviation in June

图9对2024年6月1日至7日的融合结果、OISST和OSTIA的阿拉伯海域区域(60°—68°E, 10°—18°N)、孟加拉湾海域(83°—91°E, 9°—17°N)、南海海域(110°—118°E, 10°—18°N)、台湾岛东部海域(124°—132°E, 15°—23°N)这四个海域的海表温度的功率谱进行了分析。在4个所选区域中, 融合结果的功率谱分析曲线优于OISST曲线, 特别是在100km以小尺度范围, 表现出更高的功率谱密度值, 说明其对中小尺度特征的捕捉能力更强。在50~100km尺度上与OSTIA曲线不相上下, 但融合结果的功率谱密度曲线在更小尺度则呈现出下降的趋势。
图9 6月1日—7日的功率谱分析

a. 4个分析区域; b. 阿拉伯海域(60°—68°E, 10°—18°N); c. 孟加拉湾海域(83°—91°E, 9°—17°N); d. 南海海域(110°—118°E, 10°—18°N); e. 台湾岛东部海域(124°—132°E, 15°—23°N); k-3为功率谱斜率。该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1665号的标准地图制作

Fig. 9 Power spectral density analysis for June 1-7. (a) Four analysis regions; (b) Arabian Sea (60°-68°E, 10°-18°N); (c) Bay of Bengal (83°-91°E, 9°-17°N); (d) South China Sea (110°-118°E, 10°-18°N); (e) eastern waters of Taiwan Island (124°-132°E, 15°-23°N)

利用iQuam实测数据, 分别与融合产品和OISST进行时空窗口数据匹配, 均方根误差等统计指标计算如表3, 融合产品与实测数据匹配分布如图10, 误差直方图如图11。从统计结果中得到, 融合产品的平均偏差为0.08℃, 优于OISST, 均方根误差为0.67℃, 与实测数据的相关系数为0.95, 两者之间相关性较强。融合产品均方根误差略高于OISST, 这主要是由于OISST同化了浮标等实测数据。图10中, 融合产品匹配高亮区分布在1∶ 1线两侧, 但是融合产品整体分布范围比OISST更大。误差直方图中, 融合产品与OISST分布类似, 与iQuam数据的差值均呈现均值为0℃的高斯分布, 说明融合产品和OISST与iQuam现场实测均具有较好的一致性。
表3 2024年4—6月融合产品的误差统计

Tab. 3 Error statistics of fusion products from April to June 2024

融合产品 OISST
平均偏差/℃ 0.08 -0.14
绝对偏差/℃ 0.47 0.37
均方根误差/℃ 0.67 0.52
相关系数 0.96 0.97
图10 融合结果(a)和OISST(b)分别与iQuam匹配的分布情况

Fig. 10 Distribution of matching results between the fusion result (a) and OISST (b) with iQuam, respectively

图11 融合结果(a)和OISST(b)分别与iQuam匹配的偏差直方图

Fig. 11 Histograms of deviations between the fusion result (a) and OISST (b) with iQuam, respectively

3 结论

本文选取“海上丝绸之路”沿线海域, 基于逐步订正方法对国产HY卫星和FY卫星的SST观测数据进行了数据融合研究。为了评估融合结果的精度, 利用iQuam现场实测数据计算了研究区域的融合结果的评价指标, 并计算了融合结果与国际分析产品的有效分辨率。结果表明: (1)融合结果与iQuam实测数据匹配计算的平均偏差和均方根误差分别为0.08℃和0.67℃, 融合结果数据精度较好; (2)从SST功率密度谱分析可以看出, 0.1°×0.1°网格分辨率的融合产品功率谱曲线在中小尺度上优于OISST, 包含了更多的尺度信息, 而融合产品50~100km尺度的信息则与OSTIA产品相当。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
何子康, 王喜冬, 陈志强, 等, 2021. 利用海洋温度剖面与海表盐度反演盐度剖面方法研究[J]. 热带海洋学报, 40(6): 41-51.

DOI

HE ZIKANG, WANG XIDONG, CHEN ZHIQIANG, et al, 2021. Reconstructing salinity profile using temperature profile and sea surface salinity[J]. Journal of Tropical Oceanography, 40(6): 41-51 (in Chinese with English abstract).

DOI

[2]
柳雯俊, 2020. 基于优化神经网络的海温融合与三维模型研究[D]. 武汉: 华中科技大学.

LIU WENJUN, 2020. Research on sea surface temperature fusion and 3D model based on optimized neural network[D]. Wuhan: Huazhong University of Science and Technology (in Chinese with English abstract).

[3]
刘伊格, 2019. 渤海和黄海海表温度变化及成因分析[D]. 南京: 南京大学.

LIU YIGE, 2019. Sea surface temperature change and cause analysis in the Bohai Sea and the Yellow Sea[D]. Nanjing: Nanjing University (in Chinese with English abstract).

[4]
苗春生, 程远, 王坚红, 等, 2015. 中国风云卫星与海洋卫星近海SST资料融合技术及应用研究[J]. 地球科学进展, 30(10): 1127-1143.

DOI

MIAO CHUNSHENG, CHENG YUAN, WANG JIANHONG, et al, 2015. Data fusion of offshore SST from China FY and HY2 satellites and its application[J]. Advances in Earth Science, 30(10): 1127-1143 (in Chinese with English abstract).

DOI

[5]
齐庆华, 蔡榕硕, 2019. 中国近海海表温度变化的极端特性及其气候特征研究[J]. 海洋学报, 41(7): 36-51.

QI QINGHUA, CAI RONGSHUO, 2019. Analysis on climate characteristics of sea surface temperature extremes in coastal China seas[J]. Haiyang Xuebao, 41(7): 36-51 (in Chinese with English abstract).

[6]
石绥祥, 夏登文, 于戈, 2005. 基于D-S理论的卫星遥感海表面温度和同化数据融合方法[J]. 海洋学报(中文版), 27(4): 31-37.

SHI SUIXIANG, XIA DENGWEN, YU GE, 2005. Method of fusing the data reversed from satellite remote-sensing with the assimilation data for sea surface temperature based on D-S theory[J]. Acta Oceanologica Sinica, 27(4): 31-37 (in Chinese with English abstract).

[7]
王艳珍, 管磊, 曲利芹, 2010. 卡尔曼滤波在卫星红外、微波海表温度数据融合中的应用[J]. 中国海洋大学学报(自然科学版), 40(12): 126-130.

WANG YANZHEN, GUAN LEI, QU LIQIN, 2010. Merging sea surface temperature observed by satellite infrared and microwave radiometers using Kalman filter[J]. Periodical of Ocean University of China, 40(12): 126-130 (in Chinese with English abstract).

[8]
徐宾, 宇婧婧, 张雷, 等, 2018. 全球海表温度融合研究进展[J]. 气象科技进展, 8(1): 164-170.

XU BIN, YU JINGJING, ZHANG LEI, et al, 2018. Research progress of global sea surface temperature fusion[J]. Advances in Meteorological Science and Technology, 8(1): 164-170 (in Chinese with English abstract).

[9]
奚萌, 2011. 基于最优插值算法的红外和微波遥感海表温度数据融合[D]. 北京: 国家海洋环境预报研究中心.

XI MENG, 2011. Merging infrared radiometer and microwave radiometer sea surface temperature data based on the optimum interpolation[D]. Beijing: National Marine Environmental Forcasting Center (in Chinese with English abstract).

[10]
杨梦, 孙伟富, 姜远驰, 2024. 东南亚海域HY-1C SST数据评估与校正[J]. 数字海洋与水下攻防, 7(1): 87-97.

YANG MENG, SUN WEIFU, JIANG YUANCHI, 2024. Assessment and correction of HY-1C SST data in the Southeast Asian sea area[J]. Digital Ocean & Underwater Warfare, 7(1): 87-97 (in Chinese with English abstract).

[11]
张慧, 2006. 基于小波变换的AVHRR和AMSR-E卫星海表温度数据融合[D]. 青岛: 中国海洋大学.

ZHANG HUI, 2006. Merging AVHRR and AMSR-E sea surface temperature data based on wavelet transform[D]. Qingdao: Ocean University of China (in Chinese with English abstract).

[12]
BARNES S L, 1973. Mesoscale objective map analysis using weighted time series observations[Z]. NOAA Technical Memorandum ERL NSSL: 62.

[13]
BRETHERTON F P, DAVIS R E, FANDRY C B, 1976. A technique for objective analysis and design of oceanographic experiments applied to MODE-73[J]. Deep Sea Research and Oceanographic Abstracts, 23(7): 559-582.

DOI

[14]
CHAO YI, LI ZHIJIN, FARRARA J D, et al, 2009. Blending sea surface temperatures from multiple satellites and in situ observations for coastal oceans[J]. Journal of Atmospheric and Oceanic Technology, 26(7): 1415-1426.

DOI

[15]
CRESSMAN G P, 1959. An operational objective analysis system[J]. Monthly Weather Review, 87(10): 367-374.

DOI

[16]
DASH P, IGNATOV A, MARTIN M, et al, 2012. Group for High Resolution Sea Surface Temperature (GHRSST) analysis fields inter-comparisons: Part 2: Near real time web-based level 4 SST Quality Monitor (L4-SQUAM)[J]. Deep Sea Research Part II: Topical Studies in Oceanography, 77: 31-43.

[17]
GENTEMANN C L, DONLON C J, STUART-MENTETH A, et al, 2003. Diurnal signals in satellite sea surface temperature measurements[J]. Geophysical Research Letters, 30(3): 1140.

[18]
KALMAN R E, 1960. A new approach to linear filtering and prediction problems[J]. Journal of Basic Engineering, 82(1): 35-45.

DOI

[19]
KAWAI Y, WADA A, 2007. Diurnal sea surface temperature variation and its impact on the atmosphere and ocean: a review[J]. Journal of Oceanography, 63(5): 721-744.

DOI

[20]
LI AIHUA, BO YANCHEN, ZHU YUXIN, et al, 2013. Blending multi-resolution satellite sea surface temperature (SST) products using Bayesian maximum entropy method[J]. Remote Sensing of Environment, 135: 52-63.

DOI

[21]
LI JIE, XING QIANGUO, LI XUERONG, et al, 2024. Monitoring off-shore fishing in the northern Indian Ocean based on satellite automatic identification system and remote sensing data[J]. Sensors, 24(3): 781.

DOI

[22]
PING BO, SU FENZHEN, MENG YUNSHAN, 2015. Reconstruction of satellite-derived sea surface temperature data based on an improved DINEOF algorithm[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(8): 4181-4188.

DOI

[23]
REYNOLDS R W, SMITH T M, LIU CHUNYING, et al, 2007. Daily high-resolution-blended analyses for sea surface temperature[J]. Journal of Climate, 20(22): 5473-5496.

DOI

[24]
REYNOLDS R W, CHELTON D B, 2010. Comparisons of daily sea surface temperature analyses for 2007-08[J]. Journal of Climate, 23(13): 3545-3562.

DOI

[25]
STARK J D, DONLON C J, MARTIN M J, et al, 2007. OSTIA:an operational, high resolution, real time, global sea surface temperature analysis system[C]// OCEANS 2007 - Europe. Aberdeen: IEEE: 1-4.

[26]
WANG MINGQING, WANG DANNI, XIANG YANFEI, et al, 2023. Fusion of ocean data from multiple sources using deep learning: Utilizing sea temperature as an example[J]. Frontiers in Marine Science, 10: 1112065.

DOI

[27]
XU FENG, IGNATOV A, 2014. In situ SST quality monitor (iQuam)[J]. Journal of Atmospheric and Oceanic Technology, 31(1): 164-180.

DOI

[28]
ZHANG HAO, LI ZHENGQIANG, DE LEEUW G, et al, 2024. High spatiotemporal resolution sea surface temperature from MERSI and AGRI sensors based on spatial and temporal adaptive sea surface temperature fusion model[J]. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-13.

[29]
ZHOU WEI, CHENG YANJIE, WANG SUJUAN, et al, 2013. Evaluation and preprocess of Chinese Fengyun-3A sea surface temperature experimental product for data assimilation[J]. Atmospheric and Oceanic Science Letters, 6(3): 128-132.

DOI

Options
Outlines

/

〈 〉