金旭晨
,
朱乾坤
,
潘德炉
,
龚芳
,
何贤强
|
收稿日期: 2016-08-01; 优先数字出版日期: 2017-11-01
基金项目: 国家高技术研究发展计划(863计划)(编号：2014AA123301)；国家自然科学基金(编号：41322039，41676170，41676172)
第一作者简介: 金旭晨(1993— )，男，硕士研究生，研究方向为海洋遥感。E-mail：jxc1993@126.com
通讯作者简介: 朱乾坤(1974— )，男，高级工程师，研究方向为遥感技术。E-mail：zhuqiankun@sio.org.cn
中图分类号: TP701
文献标识码: A
|
摘要
利用星载微波辐射计对全球海表盐度的卫星遥感探测，其精度会受到多种环境因子的影响。采用广义加性模型GAM和偏最小二乘法PLS分析了水温对海表盐度遥感反演精度的影响，同时，利用ARGO观测数据对SMOS卫星反演的赤道太平洋和西北太平洋海表盐度进行精度检验。结果表明，水温对海表盐度反演精度具有显著影响，且Stokes矢量第一参数(总辐亮度)是海表盐度反演的最佳亮温参数。在平均水温约16 ℃时的均方误差约为0.9 psu，23 ℃水温下的均方误差约为0.7 psu，30 ℃水温下的均方误差约为0.4 psu，即高水温下盐度反演精度相对较高。
关键词
海表盐度, 卫星遥感, 水温, 反演精度
JIN Xuchen
,
ZHU Qiankun
,
PAN Delu
,
GONG Fang
,
HE Xianqiang
Abstract
Global sea surface salinity (SSS) is retrieved using satellite microwave radiometers, Currently. However, SSS remote sensing with an L-band radiometer is still challenging due to the low sensitivity of its brightness temperature to SSS variation. Results show that the sensitivities of vertically (Tv) and horizontally (Th) polarized brightness temperature range from 0.4 K/psu to 0.8 K/psu and from 0.2 K/psu to 0.6 K/psu, respectively, at different observing angles and sea surface temperatures (SSTs). Hence, high-accuracy measurements are required. However, the quantitative effect of Sea Surface Temperature (SST) on the satellite retrieval of SSS remains unknown. In this study, we investigate the effect of SST on the accuracy of salinity retrieval from the Soil Moisture and Ocean Salinity (SMOS). The dielectric constant model proposed by Klein and Swift has been used to estimate the Tv and Th of a flat sea water surface at L-band and obtain the derivatives of Tv and Th as a function of SSS to show the relative sensitivity at different incident angles (12.5° and 42.5°). Moreover, the Generalized Additive Model (GAM) and the Partial Least Squares (PLS) regression method were used to investigate the effect ofSST on the accuracy of salinity retrieval from the SMOS. Furthermore, SMOS data are compared with Argo data to assess the quality of satellite-derived SSS data at different SSTs by calculating the root-mean-square error (RMSE) of two regions of the Pacific Ocean far from land and ice. Results show that satellite-measured brightness temperature has high sensitivity to SSS variation and good accuracy of SSS retrieval with high SST. For most open oceans where surface salinity is typically greater than 32 psu, the sensitivity is approximately 0.2–0.25 K/psu for Tv and Th when the SST is 5 ℃, and the brightness temperature is more sensitive to the SSS for Tv than Th with increasing SST. When the SST increases to 30 ℃, the sensitivity is approximately 0.8 K/psu for Tv. Moreover, the RMSEs of SMOS-derived SSS data are approximately 0.9, 0.7, and 0.4 psu in regions of the Pacific Ocean where the SSTs are approximately 16 ℃, 23 ℃, and 30 ℃, respectively. Results of the GAM and the PLS model indicate that satellite-measured brightness temperature highly correlates with in situ SSS at high SSTs. In addition, validation results of Argo data suggest that water temperature significantly affects SSS retrieval accuracy and that accurate SSS retrieval can be achieved at high SSTs. These results indicate that SST can significantly influence the retrieval accuracy of SSS. Hence, the development of a new SSS retrieval algorithm that adapts to low SSTs is necessary.
Key words
sea surface salinity, satellite remote sensing, water temperature, retrieval accuracy
1 引 言
盐度是海水的基本物理参数，对大洋环流和海洋物理—生物地球化学过程等具有重要作用。传统船测和浮标观测等技术手段受到测量时空分辨率低的限制，难以实现全球尺度海表盐度的时空连续观测。随着海洋卫星遥感技术的发展，已实现全球海表盐度的卫星观测。欧洲航天局ESA (European Space Agency)于2009年发射了世界第一颗盐度卫星SMOS (Soil Moisture and Ocean Salinity) (Kerr 等，2010)，随后，美国宇航局NASA(National Aeronautics and Space Administration)于2011年发射了Aquarius盐度探测卫星(Lagerloef，2012)。
卫星遥感盐度的物理基础是海表发射的电磁波(由Stokes矢量表征)随盐度变化而变化。已有研究表明，L波段(1.4 GHz)亮温对海表盐度变化较为敏感，且该波段受国际电信联盟ITU (International Telecommunication Union)保护使得人为干扰减少，是卫星探测海表盐度的最佳波段。为提高反演精度，对不同环境参数对海表盐度反演的影响进行研究，如Yueh等人(2001)计算评估了一些参数(大气、海面粗糙度等)对盐度反演的影响；Corbella等人(2015a)评估了近陆电磁污染对近岸水体盐度反演造成的影响；殷晓斌等人(2013)研究了太阳对卫星海表亮温偏差年际变化的影响；Sabia等人(2006)评估了不同再分析数据(ECMWF、NECP数据等)对盐度反演精度的影响。事实上，亮温不仅随盐度变化，更大地取决于海表温度SST (Sea Surface Temperature)。关于水温对盐度反演的影响问题，Yueh等人(2001)和Koblinsky等人(2003)分别指出水温变化会造成海表亮温对盐度探测灵敏度的变化，但并未对此现象进行定量探究。此外，Meissner等人(2016)通过Aquarius盐度卫星数据探究了不同海表温度数据集作为反演输入参量时对海表盐度反演造成的影响，结果表明，不同海表温度数据集之间的细微差异也影响盐度反演精度。由此可见，水温是海表盐度反演过程中的重要误差来源，因此，评估水温对盐度反演精度的影响，对于提高卫星遥感盐度产品质量具有重要意义。
本文分析平静海面的水平极化和垂直极化亮温(Th和Tv)对盐度变化的灵敏度，利用广义加性模型评估不同水温下卫星探测海表亮温与实测海表盐度之间的相关性，并通过偏最小二乘法评估不同因素对盐度反演精度的影响，通过ARGO观测数据对SMOS卫星海表盐度产品在不同水温下的精度进行评估。
2 水温影响海表盐度探测灵敏度的模拟分析
由传感器探测到的海表亮温由两部分组成，分别是完全平静的海面亮温和海表粗糙度造成的亮温增量(∆Tb)
|
$\begin{aligned}{T_{{\rm{b}},{\rm{p}}}}(\theta, & SST,SSS,P) = {T_{{\rm{bFlat}},{\rm{p}}}}(\theta ,SST,SSS,P) + \\& \Delta {T_{{\rm{bRough}},{\rm{p}}}}(\theta ,SST,SSS,P)\end{aligned}$
|
(1) |
式中，P为极化方式，SST为海表温度，SSS为海表盐度，θ为入射角。其中
根据普朗克公式，微波波段的平静海面亮温和海表温度之间的关系为
|
${T_{\rm{b}}} = e(\theta ) \cdot SST$
|
(2) |
式中，e(θ)为海面发射率。根据基尔霍夫定律，e(θ)和海面吸收率相当，即
|
$e(\theta ,\phi ) = 1 - \varGamma (\theta ,\varepsilon ,\phi )$
|
(3) |
式中，Γ为反射率，随着入射波天底角θ、海水介电常数
反射率Γ在光滑表面的条件下可以直接通过菲涅耳反射定律进行描述，值得注意的是，在微波波段，其菲涅耳反射律的描述公式与可见光波段并不相同，其原因是在微波波段，水对微波具有强烈的吸收。对于微波波段的不同极化方式，其水平极化(H)和垂直极化(V)的菲涅耳反射率分别为
|
$\begin{aligned}& {R_{\rm{h}}} = {\left| {\frac{{\cos \theta - \sqrt {\varepsilon - {{\left( {\displaystyle\frac{n}{{n'}}} \right)}^2}{{\sin }^2}\theta } }}{{\cos \theta + \sqrt {\varepsilon - {{\left( {\displaystyle\frac{n}{{n'}}} \right)}^2}{{\sin }^2}\theta } }}} \right|^2}\\& {R_{\rm{v}}} = {\left| {\frac{{\varepsilon \cos \theta - \sqrt {\varepsilon - {{\left( {\displaystyle\frac{n}{{n'}}} \right)}^2}{{\sin }^2}\theta } }}{{\varepsilon \cos \theta + \sqrt {\varepsilon - {{\left( {\displaystyle\frac{n}{{n'}}} \right)}^2}{{\sin }^2}\theta } }}} \right|^2}\end{aligned}$
|
(4) |
式中，n是复折射率，ε是海水介电常数，一般通过Debye方程获得
|
$\varepsilon = {\varepsilon _\infty } + \frac{{{\varepsilon _{\rm{s}}} - {\varepsilon _\infty }}}{{1 + i\omega \tau }} - i\frac{\sigma }{{\omega {\varepsilon _0}}}$
|
(5) |
式中，ω是电磁波的角速度，ε∞是无限高频介电常数，εs是静态介电常数，τ为弛豫时间，σ为离子电导率。ε0为真空中的电容率，其值为8.854×10–12。
目前，海水介电常数模型主要有两种：Klein和Swift(1997)提出的K-S模型、Ellison模型(Ellison 等，1998)，这些模型在淡水和盐水实验测量的基础上，通过获得静态介电常数、弛豫时间、离子电导率等变量关于盐度、水温和电磁波频率的解析表达式来建立海水介电常数模型。由于SMOS卫星使用的是K-S模型，故本文也使用K-S模型进行实验。
在过去的SSM/I (Special Sensor Microwave/Imager)卫星试验中，已经证明了K-S模型在低于19 GHz的波段中计算海水介电常数具备良好的精度。为了分析亮温对盐度的灵敏度，从K-S模型出发，分别计算平静海面下L波段(1.4 GHz)水平极化和垂直极化的亮温，分别为Tv和Th。图1展示了12.5°入射角下海表温度分别为5 ℃、10 ℃、15 ℃、20 ℃、25 ℃、30 ℃时H、V极化亮温随盐度的变化，以及对盐度变化的灵敏度。图2与图1类似，但为42.5°入射角下的结果。
可以看出，海表温度越高，单位盐度变化对亮温的影响越大，即对盐度变化更敏感。对于开阔大洋(海表盐度一般>32 psu)，当观测角较小时，H极化亮温和V极化亮温对盐度的灵敏度大致相当。当海表温度为5 ℃时，水平极化亮温和垂直极化亮温对盐度的灵敏度约为0.2—0.25 K/psu；海表温度为10 ℃时，亮温对盐度的灵敏度约为0.3—0.35 K/psu；海表面温度为30 ℃时，亮温对盐度变化的灵敏度约为0.8 K/psu。当观测角较大时，H极化亮温对盐度的灵敏度会下降；水温升高时，垂直极化亮温对盐度的灵敏度高于水平极化亮温。当海表面温度为30 ℃时，垂直极化亮温对盐度变化的灵敏度约为0.9 K/psu，比水平极化亮温探测盐度的灵敏度高出40%左右。
3 水温对SMOS卫星不同极化亮温反演盐度的影响
由于各种影响因素如海面粗糙度(Yueh，1997)、银河散射(Sabia 等，2010)、白帽(Hwang，2012)、法拉第旋转(Corbella 等，2015b)的存在，SMOS卫星通过非线性最小二乘法对盐度进行迭代计算，其反演公式如下
|
$\begin{aligned}{\chi ^2} = & \sum\limits_{n = 1}^{N - 1} {\frac{{{{\left[ {TB_n^{{\rm{meas}}} - TB_n^{\bmod }\left( {{\theta _n},SS{S_i},SST} \right)} \right]}^2}}}{{\sigma _n^2}}} + \\ & \sum\limits_{i = 1}^{} {\frac{{{{\left[ {{P_i} - {P_{i0}}} \right]}^2}}}{{\sigma _{Pi}^2}}} \end{aligned}$
|
(6) |
式中，N是在不同入射角SMOS探测的极化亮温数据点，
为了检验不同水温下亮温与SMOS卫星反演海表盐度之间的关系，利用ARGO实测海表盐度和SMOS L1C级亮温数据进行匹配分析。在进行数据匹配时，分别选取平均水温30 ℃和15 ℃，水温偏差±0.3 ℃以内的数据点作为样本点；利用广义加性模型(GAM)分别拟合水温30 ℃和15 ℃下亮温(水平极化亮温、垂直极化亮温、第一Stokes参数)和ARGO实测海表盐度的函数关系，以偏残差、显著性和解释偏差来作为亮温对于盐度敏感性的指标。GAM模型拟合结果如表1和图3。
表 1 不同温度下海表盐度与亮温GAM拟合结果
Table 1 Fitting result of sea surface salinity and brightness temperature at different water temperature
| 参数 | 30 ℃ | 15 ℃ | |||
| 显著性 | 解释偏差/% | 显著性 | 解释偏差/% | ||
| 第一Stokes参数 | 0.0038 | 60.4 | 0.0546 | 40.2 | |
| H极化 | 0.0159 | 55.8 | 0.2410 | 28.1 | |
| V极化 | 0.0225 | 26.1 | 0.2600 | 21.4 | |
由图3可得，30 ℃水温下亮温对海表盐度具有更好的响应，其第一Stokes参数、H极化亮温、V极化亮温对于海表盐度的解释偏差均高于15 ℃水温，分别达到了60.4%、55.8%、26.1%；其显著性也均好于15 ℃水温的情况。由此可见，在较高水温情况下，亮温对海表盐度具有更好的响应，也就是说，在较高水温下反演盐度将会获得更高的精度。另外，从结果也可以得到第一Stokes参数的拟合结果均好于H极化亮温以及V极化亮温，这说明第一Stokes参数是较好的反演盐度的参数。
同时，为了检验水温是否是造成盐度反演误差的主要因素，将盐度偏差(|实测盐度–卫星盐度|)作为因变量，将大气水汽含量、海面风速、水温作为自变量进行偏最小二乘回归。大气水汽含量采用SSM/I星载微波辐射计获取的全球海面大气水汽含量数据，海面风速、海表温度采用ECMWF的全球海面数据。同时为了判断自变量的有效性，引入交叉有效性，定义第i个成分的交叉有效性为
|
${Q_i}^2 = 1 - \frac{{PRES{S_i}}}{{S{S_{i - 1}}}}$
|
(7) |
式中，PRESSi是因变量的预测误差平方和，SSi–1是用全部样本点含i–1个成分的预测误差平方和。当
表 2 回归系数
Table 2 Regression coefficient
| 海面风速 | 水温 | 大气水汽含量 | |
| 盐度偏差 | 0.4502 | –0.3911 | 0.064 |
由表2可知，大气水汽含量与盐度偏差之间的相关系数为0.064，同时，计算得到的交叉有效性为0.0928，由此可见大气水汽含量与盐度之间基本没有相关性，说明大气水汽含量的变化对盐度偏差的解释程度很低。海面风速与盐度偏差之间的相关系数为0.4502，表明随着海面风速的增加，盐度偏差会随之增加。水温与盐度偏差之间的相关系数为–0.3911，这说明水温与海面风速同样是影响盐度偏差变化的重要因素，但盐度偏差会随水温的增加而减少，这与上面的GAM模型模拟结果一致。
4 不同水温下SMOS卫星海表盐度产品的精度评价与分析
利用Argo实测表层盐度对不同水温下SMOS卫星反演得到的海表盐度产品精度进行验证。分别选取了2014年1月、4月、7月、10月的西北太平洋(30°N—40°N，170°E—180°E)和赤道太平洋(5°S—5°N)的卫星数据和Argo实测数据进行匹配评估(图4)。两个区域4个月份的平均表层水温如表3。
表 3 研究区域1月、4月、7月、10月平均水温
Table 3 Average water temperature of January, April, July, October in study area
| /℃ | ||
| 时间 | 西北太平洋平均水温 | 赤道太平洋平均水温 |
| 2014-01 | 16.31 | 29.57 |
| 2014-04 | 15.79 | 29.83 |
| 2014-07 | 22.74 | 30.01 |
| 2014-10 | 23.03 | 30.14 |
采用的卫星数据为SMOS L2级盐度数据，数据版本为V550。在SMOS卫星数据选取的过程中，需要考虑海面风速对盐度反演的影响。已有研究表明，当海面风速大于6 m/s时，海面发生波浪破碎产生白帽将会给海表盐度造成不可忽略的反演误差。为了消除风速和白帽的影响，选取数据时剔除了海面风速大于5 m/s的数据点；另外，由图1，图2可知，在相同水温情况下，若盐度差距较大，那么亮温对盐度的灵敏度也会发生变化，因此，在数据选取过程中，考虑了盐度差异，由于赤道太平洋(平均约34.5 psu)与西北太平洋海表盐度(平均约35.2 psu)之间较为接近，所以盐度差异造成的影响可以被忽略。同时，为了保证数据的一致性，选取了降轨数据且远离大陆，以避免受到陆源射频干扰RFI(Radio Frequency Interference)(Oliva 等，2012)。同时选取经过质量控制的单点Argo浮标表层盐度数据，且与SMOS卫星观测匹配的时间窗口不超过2天。
在获得匹配数据集的基础上，采用线性回归的方法对卫星SSS产品的精度进行评估。通过相关系数R来判断卫星盐度数据于ARGO实测数据之间的相关性；同时，通过均方根误差RMSE来考察卫星数据的稳定性，均方根误差RMSE的定义如式(8)，结果如图5。
|
$\rm{RMSE} = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{(SS{S_{{\rm{in}} {\text{-}} {\rm{situ}}}} - SS{S_{{\rm{sate}}}})}^2}} }$
|
(8) |
式中，SSSin-situ代表ARGO实测盐度数据，SSSsate代表SMOS卫星盐度数据。由表3可知，在赤道太平洋海域，1月、4月、7月、10月平均水温都在30 ℃左右，卫星反演盐度与ARGO实测数据之间的相关性较好，相关系数大于0.6，RMSE约为0.45，只有10月数据的RMSE相对较大，达到0.52，其可能的原因是接收天线的物理温度的季节性变化造成的。总体上，赤道太平洋海域的4个月SMOS海表盐度产品质量都比较稳定，精度也较好。
在西北太平洋海域，1月、4月的平均水温在16 ℃左右，7月、10月平均水温在23 ℃左右。评估结果如图6，结果表明1月、4月卫星反演盐度的RMSE与7月、10月结果存在显著差距。1月、4月卫星反演盐度RMSE在0.88左右，而7月、10月RMSE在0.67左右。1月、4月卫星反演盐度与ARGO实测数据之间的相关性差于7月、10月。同时，与赤道太平洋卫星反演盐度精度比较，可以证明水温的确会对盐度反演精度带来显著影响。
综上所述，水温能影响传感器探测盐度的灵敏度。对于高纬度低温海区，研制具有更高辐射灵敏度的传感器，对提高海表盐度的探测精度具有重要意义。另外，亮温对盐度的灵敏度也与观测角以及极化方式有关，因此，利用最佳的观测几何及极化信息，可弥补低水温时的灵敏度退化问题，提高海表盐度反演的精度。
5 结 论
盐度是研究海洋物理、化学过程的重要参数。相较于其他参数(温度、海面风速等)，盐度遥感探测器对海水盐度变化本身的敏感性较低，且反演精度受较多因素的干扰。因此，本文的主要目的是探究海水温度对盐度遥感精度的影响。
本文以盐度反演机理与物理机制为基础，探究了不同水温条件对盐度反演误差大小的影响。首先，通过广义加性模型和偏最小二乘法探究了在不同水温条件下海面亮温对海表盐度的灵敏度变化情况，发现在较高的水温情况下，海面亮温对海表盐度具有更好的响应。在此基础上，排除了海面风速、陆源射频等干扰因素的情况下利用SMOS卫星盐度数据与ARGO实测数据探究了在不同水温下卫星反演盐度的误差变化情况，结果表明，赤道太平洋海域(即水温较高的区域)卫星反演盐度精度高于中高纬度的西北太平洋海域。另外，本文进一步发现盐度反演精度和水温高低之间呈现出较强的相关性，SMOS卫星在16 ℃水温下的海表盐度反演精度约为0.9 psu，23 ℃水温下的反演精度约为0.7 psu，30 ℃水温下的反演精度约为0.4 psu。由此可见，水温变化对于盐度反演是重要的影响因素，因此，消除水温变化对海表盐度反演的影响，开发在低水温条件下的盐度反演算法，对提高盐度反演精度、提供全球海表盐度监测具有重要的意义，需要在下一步深入研究。
参考文献(References)
-
Corbella I, Durán I, Wu L, Torres F, Duffo N, Khazâal A and Martín-Neira M. 2015a. Impact of correlator efficiency errors on SMOS land-sea contamination. IEEE Geoscience and Remote Sensing Letters, 12 (9): 1813–1817. [DOI: 10.1109/LGRS.2015.2428653]
-
Corbella I, Wu L, Torres F, Duffo N and Martín-Neira M. 2015b. Faraday rotation retrieval using SMOS radiometric data. IEEE Geoscience and Remote Sensing Letter, 12 (3): 458–461. [DOI: 10.1109/LGRS.2014.2345845]
-
Ellison W, Balana A, Delbos G, Lamkaouchi K, Eymard L, Guillou C and Prigent C. 1998. New permittivity measurements of seawater. Radio Science, 33 (3): 639–648. [DOI: 10.1029/97RS02223]
-
Hwang P A. 2012. Foam and roughness effects on passive microwave remote sensing of the ocean. IEEE Transactions on Geoscience and Remote Sensing, 50 (8): 2978–2985. [DOI: 10.1109/TGRS.2011.2177666]
-
Kerr Y H, Waldteufel P, Wigneron J P, Delwart S, Cabot F, Boutin J, Escorihuela M J, Font J, Reul N, Gruhier C, Juglea S E, Drinkwater M R, Hahne A, Martín-Neira M and Mecklenburg S. 2010. The SMOS mission: New tool for monitoring key elements of the global water cycle. Proceedings of the IEEE, 98 (5): 666–687. [DOI: 10.1109/JPROC.2010.2043032]
-
Klein L A and Swift C. 1977. An improved model for the dielectric constant of sea water at microwave frequencies. IEEE Transactions on Antennas and Propagation, 25 (1): 104–111. [DOI: 10.1109/TAP.1977.1141539]
-
Koblinsky C J, Hildebrand P, LeVine D, Pellerano F, Chao Y, Wilson W, Yueh S and Lagerloef G. 2003. Sea surface salinity from space: science goals and measurement approach. Radio Science, 38 (4): 8064 [DOI: 10.1029/2001RS002584]
-
Lagerloef G. 2012. Satellite mission monitors ocean surface salinity. EOS-Transactions American Geophysical Union, 93 (25): 233–234. [DOI: 10.1029/2012EO250001]
-
Meissner T, Wentz F J, Scott J and Vazquez-Cuervo J. 2016. Sensitivity of ocean surface salinity measurements from spaceborne L-band radiometers to ancillary sea surface temperature. IEEE Transactions on Geoscience and Remote Sensing, 54 (12): 7105–7111. [DOI: 10.1109/TGRS.2016.2596100]
-
Oliva R, Daganzo E, Kerr Y H, Mecklenburg S, Nieto S, Richaume P and Gruhier C. 2012. SMOS radio frequency interference scenario: status and actions taken to improve the RFI environment in the 1400-1427-MHz passive band. IEEE Transactions on Geoscience and Remote Sensing, 50 (5): 1427–1439. [DOI: 10.1109/TGRS.2012.2182775]
-
Sabia R, Camps A, Vall-Llossera M and Reul N. 2006. Impact on sea surface salinity retrieval of different auxiliary data within the SMOS mission. IEEE Transactions on Geoscience and Remote Sensing, 44 (10): 2769–2778. [DOI: 10.1109/TGRS.2006.879108]
-
Sabia R, Camps A, Talone M, Vall-llossera M and Font J. 2010. Determination of the sea surface salinity error budget in the soil moisture and ocean salinity mission. IEEE Transactions on Geoscience and Remote Sensing, 48 (4): 1684–1693. [DOI: 10.1109/TGRS.2009.2034648]
-
Yin X B and Wang Z Z. 2013. Effect of the sun on biases in SMOS brightness temperature over ocean surfaces. Journal of Remote Sensing, 17 (5): 1049–1059. [DOI: 10.11834/jrs.20132258] ( 殷晓斌, 王振占. 2013. 太阳对SMOS卫星海表亮温偏差年际变化的影响. 遥感学报, 17 (5): 1049–1059. [DOI: 10.11834/jrs.20132258] )
-
Yueh S H. 1997. Modeling of wind direction signals in polarimetric sea surface brightness temperatures. IEEE Transactions on Geoscience and Remote Sensing, 35 (6): 1400–1418. [DOI: 10.1109/36.649793]
-
Yueh S H, West R, Wilson W J, Li F K, Njoku E G and Rahmat-Samii Y. 2001. Error sources and feasibility for microwave remote sensing of ocean surface salinity. IEEE Transactions on Geoscience and Remote Sensing, 39 (5): 1049–1060. [DOI: 10.1109/36.921423]
