出版日期: 2019-03-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20197040
2019 | Volumn23 | Number 2
上一篇 | 下一篇

海表面温度时空变异特征及对验证误差影响

蒋锦刚^1,4 , 徐曜⁴ , 聂晨晖³ , 潘骁骏³ , 周斌^2,4

1. 浙江大学海洋学院，舟山 316021

2. 卫星海洋环境动力学国家重点实验室，杭州 310012

3. 浙江省第二测绘院，杭州 310012

4. 杭州师范大学遥感与地球科学研究院，杭州 311121

收稿日期: 2017-03-01

基金项目: 国家自然科学基金(编号：41401404)；卫星海洋环境动力学国家重点实验室开放基金(编号：SOED1401)；国家重点研发计划(编号：2016YFC1401008)

第一作者简介: 蒋锦刚，1981年生，男，助理研究员，研究方向为海洋水色遥感及不确定性研究。E-mail：gangzg@163.com

通信作者简介: 周斌，1972年生，男，教授，研究方向为海洋水色遥感理论和应用研究。E-mail：hznu_bzhou@126.com

摘要

海洋要素的变化存在明显的区域性和季节性的变化特性，本文选择海洋要素中最为突出的海表面温度(SST)要素作为主要分析参数，设计时空变异参数的计算指标，分析时空变异对验证误差影响的关系，通过研究及试验的数据精度验证，证明了时空变异是造成误差的直接原因之一。强烈的时空属性变异，在验证过程中会引入很大的验证误差，处于不同变异等级区划的数据，其验证结果相对误差可达13.08%，变异越剧烈的区域，精度验证效果越差，验证误差就越大，这些误差并非完全是遥感产品的误差，验证结果不具有代表性，不能真实的反映遥感产品的误差特征。对于SST等海洋遥感产品验证时，需要考虑时空变异对验证误差的影响和贡献，合理选择验证试验区域、代表性的评价数据集和科学的评价方法。

关键词

海洋遥感, SST, 时空变异, 精度与不确定性, 等级区划建模, 真实性检验

Influence of temporal and spatial variation of sea surface temperature on validation errors

JIANG Jingang^1,4 , XU Yao⁴ , NIE Chenhui³ , PAN Xiaojun³ , ZHOU Bin^2,4

1.Ocean college, Zhejiang University, Zhoushan 316021, China

2.State Key Laboratory of Satellite Ocean Environment Dynamics, Hangzhou 310012, China

3.The Second Surveying and Mapping Institute of Zhejiang Province, Hangzhou 310012, China

4.Institute of Remote Sensing and Earth Science, Hangzhou Normal University, Hangzhou 311121, China

Abstract

Ocean remote sensing is the only effective method for monitoring the marine ecosystem on a global scale in the long term. This method has played a crucial role in the research of carbon cycle, global changing, and ocean acidification and its biological impacts. The validation of ocean color products is quite important for the improvement of the algorithm and the reliability of further application. Given the complex and highly dynamic optical marine characteristics, especially for case Ⅱ water, the evaluation of accuracy and the expression of remote sensing products have become difficult, and considerable research has focused in this field. This study aims to create a scientific evaluation method of the representativeness of ground stations and the heterogeneity of remote sensing pixels of sea surface temperature (SST) verification. The temporal and spatial variation parameters, including the statistical standard deviation of time series, the spatial variation index, and the frontal index, are designed. The analytic hierarchy process for determining the weight of different indices and the method for regionalizing the interval of a spatiotemporal variation. Verification datasets are classified using a distribution map of the spatiotemporal variation of space level division. Result of the experimental data shows that spatiotemporal variation is a direct cause of errors. Considering the strong spatiotemporal variation, numerous verification errors are introduced in the verification process, which uses data from different variation grade divisions, and the relative error of the verification result can reach more than 13.08%. The spatial distribution of spatiotemporal variation is large in the Yellow and Bohai Sea regions and small in the East and South China Seas. The seasonal variation is strong in winter and spring and weak in summer and autumn. In this study, we propose models and methods to reasonably select representative validation datasets and verify the scientific nature of the method from the experimental data. In the region where the spatiotemporal variability is intense, the verification errors are large. These errors are not completely remote sensing product errors. The results of verification are not representative and cannot really reflect the error characteristics of remote sensing products. For SST ocean remote sensing product verification, spatiotemporal variability and its contribution to the validation error must be considered. Moreover, a reasonable selection of evaluation data set, scientific method, and representative test area must be verified.

Key words

ocean remote sensing, sea surface temperature, spatial-temporal variance, accuracy and uncertainty, level division, validation

1 引　言

海洋环境遥感已成为全球气候变化及海洋生态环境研究的重要组成部分，由于海洋水体特别是近海二类水体复杂的光学特征以及高动态变化的特点，使得遥感产品的精度评估及表达成为海洋遥感研究的难点之一，也给基于遥感数据的海洋地球物理和环境生态模型的建立和应用带来了不确定性。海洋遥感产品的真实性检验无论对于遥感反演算法的改进，还是后续应用的可靠性保障都十分重要。随着遥感技术和应用的不断提高与发展，利用遥感数据作为地球物理学或环境生态学模型的输入参量，已经越来越受到人们的重视。例如，利用遥感手段进行区域尺度的海-气CO₂通量估算，以此进一步研究全球碳循环，气候变化和海洋酸化及其生态学效应(Joos 等，1999；Feely 等，2004；Canadell和Dickinson，2006；陈立奇等，2008)，已经成为了目前国际相关研究的热点(Olsen，2004；Else 等，2008；Chen 等，2011)。

通过独立的方法来评价由系统输出得到的数据产品的质量的过程，即为真实性检验(李四海等，2000), 其主要工作是利用现场监测数据和外推模式，确定地球物理数据产品的误差。监测内容包括大气条件、水气界面和次层水面的光学特性以及所要探测的地球物理量。真实性检验可有效地评价遥感数据的产品质量，从而提高卫星遥感数据的可靠性。国际上一直重视海洋遥感卫星的真实性验证工作，国际地球观测卫星委员会早在1984年就成立了定标和真实性检验工作组，来协调各国遥感卫星真实性验证的相关工作(陈清莲等，1998)，NASA海洋生物学处理小组OBPG(Ocean Biology Processing Group)也利用全球范围的数据在卫星生命周期内开展了持续的真实性检验工作，并在海洋遥感产品精度评估、卫星测量长期稳定性评估、卫星在轨定标精度检验等方面取得了许多有益的成果(Bailey和Werdell，2006)。

卫星产品和现场实测数据具有不同的时空采样特性，需要根据卫星产品的空间分辨率，以及水体的时空变化与均匀性来确定合理的实测—遥感数据时空匹配窗口，国际上通用的时空窗口的确定原则是：空间窗口3×3像元或5×5像元，时间窗口±3 h(Bailey和Werdell，2006)，然而由于遥感有效像元数据和出海条件的限制，该时空匹配原则往往难以严格执行。即使满足了上述时空匹配的原则要求，由于海洋的季节性和区域性变异特征以及水体高动态变化的特点，使得精度的验证结果在不同季节和区域的表现也不尽相同，精度验证结果的可信度和代表性需要进一步进行评估。如何科学有效的选择实测—遥感数据的时间、空间匹配规则，分析精度评价数据集的代表性特征，提高精度评价结果的可信度，是需要解决的关键科学问题之一。

海表面温度SST(Sea Surface Temperature)是海洋热力、动力过程和海洋与大气相互作用的结果，其变化影响大气与海洋之间的热量交换，进而影响区域气候，大范围海洋表面温度异常的发生往往会带来全球气候的异常变化，如拉尼娜、厄尔尼诺现象等。海表面温度同时也是海洋地球生物化学过程和海洋碳循环的关键控制因素(Zhu 等，2009；Else 等，2008；王郝京，2011)。目前，遥感测量SST的传感器主要有红外传感器和微波传感器两种，其中红外传感器具有更高的空间分辨率和较长的使用历史。国际上测量SST最常见的红外传感器包括NOAA AVHRR，ENVISAT AATSR，Terra/Aqua MODIS和S-NPP VIIRS等。不同的传感器具有不同的波段设置和辐射响应特征，SST的微小差异，对于全球气候变化及其模型预测研究影响巨大。全球海洋同化实验室GODA(Global Qcean Data Assimilation Experiment)计划的基础性工作之一就是验证不同传感器、不同区域SST产品的精度特征并进行评估(孙凤琴等，2007)。红外传感器易受云、水汽和气溶胶的影响，同时，陆—海作用、季风系统、不同水团混合造成的时空强烈变化，都给SST遥感产品的精度验证带来了不确定性和挑战。遥感产品检验中的不确定性来源主要分为两个方面：地面观测、时—空—角度匹配等。地面观测主要来自观测过程中的仪器自身、观测环境以及观测方式等多重影响，而时—空—角度匹配主要包括时间、空间以及观测角度上实测和遥感数据匹配的不确定性。要深化基于实测数据的真实性验证方法，需要加强“地面真值”的获取、站点代表性与遥感像元的异质性评价研究，以及从地面观测、尺度扩展、空间配准等方面，系统研究地表温度真实性检验的不确定性及其传递规律，建立地表温度遥感产品真实性检验的不确定性评价方法及指标，进而对真实性检验过程中的不确定性进行量化分析(马晋等，2017)。

本文从SST遥感产品的时空变异特征分析入手，设计SST时空变异的参数计算方法，建立SST时空变异区间等级区划模型，并应用于精度验证数据集的代表性评价和验证结果的可信度评价。模型建立的结果及意义是：试验结果明确表明时空变异是造成SST验证误差的直接原因之一，通过对SST时空变异区间进行等级划分，可以更加全面的评估在不同的季节、不同海区，实测—遥感匹配的验证数据集的代表性特征，为遥感产品的验证、遥感产品误差源解析和反演算法的在不同海区的准确性和适应性提供科学依据。

2 数据和方法

2.1 研究区域

中国近海区域是世界上最为浑浊的海域之一(孙凌等，2009)，中国海区既有广阔的大陆架，又有水深约4000 m的海盆，还有长江、黄河、珠江等世界著名大河输入，兼有半封闭的特征，季风环流及其独特的地理环境形成了复杂的流系(图1)。河口—近海系统作为地球四大圈层(水圈、生物圈、岩石圈、大气圈)的交汇地带，其陆—海、海—气相互作用活跃、生态环境脆弱、演变机制复杂、科学内涵丰富(翟世奎等，2008)，汇集来自地面径流和地下水所释放的大量的陆源有机物和营养盐，并且和开阔大洋进行了大量的物质和能量交换，是海洋生物地球化学循环的最活跃区域，同时也是受人类影响最大的海洋区域(薛亮，2011)。中国近海区域受入海河流，副热带高压和季风系统的影响，夏季台风高发，黑潮暖流蜿蜒北上，水文、气候和水动力环境复杂多变，该区域的SST精度验证研究工作具有典型性和独特性，本文选择的研究区域范围为北纬5°N—45°N，东经105°E—135°E。

图 1 研究区海底地形、水文及海洋环境流场示意图

Fig. 1 The schematic diagram of submarine topography, hydrology, and marine current in study area

CCC：中国近海沿岸流，TWWC：台湾暖流，ESC：东海海流，SCSC：南海海流，LSC：吕宋海峡海流，YSWC：黄海暖流，SCS：南海，ECS：东海，YS：黄海，BS：渤海
CCC: China Coastal Current, TWWC: Taiwan Warm Current, ESC: East Sea Current, SCSC: South China Sea Current, LSC: Luzon Strait Current, YSWC: Yellow Sea Warm Current, SCS: South China Sea, ECS: East China Sea, YS: Yellow Sea, BS: Bohai Sea

2.2 数据源选择和数据预处理

统计分析选取的遥感数据为OBPG(http://oceancolor.gsfc.nasa.gov/[2017-02-12])生产的Aqua MODIS SST 3级日产品数据，参与验证的实测数据主要为全球Argo浮标剖面观测资料质量再控制数据集数据(ftp://ftp.argo.org.cn/pub/ARGO/G-argo/Argo-dataset/[2017-02-12])，该数据集制作所使用的Argo浮标剖面原始观测资料来源于中国实时Argo资料中心(ftp://ftp.argo.org.cn/pub/ARGO/global/[2017-02-12])。

由于光学遥感数据常常受到云的影响，使得遥感产品出现数据缺失情况(潘德炉和龚芳，2011)，这给基于遥感数据时间—空间统计变异规律的发现和建模带来了一定的困难。相关研究表明，以中国海区为例，5 d平均海面温度数据的缺失率在40%左右(Ding 等，2009)。在遥感产品缺失资料重构方法中，目前国际上最为常见的数据重构方法主要为Richard提出的最优插值方法(Optimum Interpolation，OI)(Reynolds和Swith，1994)和A. Alvera-Azcárate提出的DINEOF(Data Interpolating Empirical Orthogonal Functions)插值方法(Beckers和Rixen，2003；Alvera-Azcárate 等，2005)。本文选择DINEOF方法对遥感缺失数据集进行重构。关于DINEOF具体的建模方法可参考相关文献(Beckers和Swith，2003；Alvera-Azcárate 等，2005)，也可访问相关技术网页(http://modb.oce.ulg.ac.be/mediawiki/index.php/DINEOF[2017-02-12])。

2.3 时空变异与验证误差关系分析

时空变异作为遥感产品验证误差和不确定性的主要来源，其产生的机理主要为：被观测属性在时间—空间上的变化，如SST的日循环变化就会带来验证误差的差异。图2是研究区内两个典型浮标站点日内时间变化曲线(数据来自NDBC浮标数据，采集日期为2014年7月下旬)，从图中可以看出，A、B两点的温度变化差异特征明显，以卫星过境的时间为上午10点为例，时间窗口为±3 h，A点在时间窗口内的温差变化范围为0.8℃，B点的温差变化范围为0.2 ℃。显然，由于SST的日循环变化引入的验证误差，并非遥感产品的真实误差，需要通过合理科学的方法对匹配的验证数据集代表性进一步进行评估。

图 2 研究区内不同区域浮标站点SST日变化曲线(A：SST日变化较大曲线；B：SST日变化较小曲线)

Fig. 2 Daily variation curve of buoy stations in different areas in SST(A: The curve of SST daily range is larger; B: The curve of SST daily range is smaller)

图3是SST日内时间变异、时间匹配窗口与验证误差关系示意图，从图中可以看出，选择日内时间变异小的验证点或减小时间匹配窗口条件都可以有效降低SST时间变异引入的验证误差。

图 3 SST日内时间变异、时间匹配窗口与验证误差关系示意图

Fig. 3 Diagram of temporal variation, time matching window and verification error in SST

图4是以SST为代表不同空间变异程度的验证误差差异性分析示意图，从图中可以看出不同区域会存在不同的空间变异特征，遥感网格数据代表的是该空间网格尺度大小内的属性综合平均值，显然空间变异强烈的区域，遥感像元的一个综合值并不能完全代表该区域SST值的实际分布，这也就是验证误差和不确定性的主要形成原因。从图中很容易理解空间变异大的B点验证误差显然要大于A点。

图 4 不同空间变异程度的验证误差差异性分析示意图

Fig. 4 Sketch of influence of different spatial variability on verification error

2.4 时空变异参数指标与综合区划模型

上述分析可以看出，遥感验证过程中因时空变异的存在，由时空变异引入的验证误差不可避免，时空变异是同时存在且相互耦合的，难以独立区分进行研究评估。不同区域、不同时间阶段，时空变异属性存在差异性，因而引入的验证误差分布特点也不相同。本文从遥感数据集的统计特征入手，收集多年、不同季节的SST遥感数据，提出时空变异特征参数计算模型和时空参数耦合加权方法，并对综合加权后参数进行等级区划，得到不同的时空变异等级区间。通过时空等级区间的空间分布图对遥感验证过程中实测—遥感数据点对进行代表性评价，从而合理全面地评价遥感验证精度结果的可信度。

这里首先要提出两个假设：重构后的Aqua MODIS SST 3级产品，时间变异统计的是日间变化信息，而验证过程是日内±3 h信息，为统计分析建模需要假设：SST的日间变异程度与SST日内变化程度是正相关的；本文收集SST遥感产品是4 km空间分辨率数据，引入的空间变异误差是遥感像元内部变异造成，在没有同步高分辨率数据的基础上，是无法统计像元内部的属性变异特征，因此需要假设：SST像元内部的空间变异与SST的像元周围空间变异是正相关的。

2.4.1 时空变异特征参数计算

与陆地遥感验证不同，水体具有高动态变化的特点，在验证时既要考虑空间尺度效应的影响，又要考虑验证时间窗口内的水体要素信息的变异。时空变异的剧烈程度直接影响遥感验证的精度和不确定性。在时空变异特征参数提取方面，选择了时间序列遥感数据集的统计标准差(STD)、空间变异系数(CV)、以及锋面的强度(Front)作为时空变异指标计算的关键参数。各参数计算方法如下：

时间序列统计标准差STD计算公式如下

$ T{S_t}({x_{i,j}}) = \sqrt {\frac{{\sum {{{\left( {{x_{i,j}} - \bar x} \right)}^2}} }}{{n - 1}}} $

(1)

式中， $T{S_t}({x_{i,j}})$ 为第 $({x_{i,j}})$ 像元时间序列的标准差， $\bar x$ 为统计序列的均值，n为统计序列的样本个数(与时间尺度大小以及历史样本的统计年数相关)，t代表时序遥感数据时间属性。

时间序列变异参数的计算过程示意图如图5所示。

图 5 时间序列变异参数的计算过程示意图

Fig. 5 Calculation process diagram of time series variable parameter

空间变异参数CV，对每景数据计算空间变异，空间变异数据窗口选择3×3，计算公式如下

$ \begin{split} &{S_{i,j}} = \sqrt {\frac{{\sum\limits_{i = i - 1}^{i + 1} {\sum\limits_{j = j - 1}^{j + 1} {{{\left( {{x_{i,j}} - \bar x} \right)}^2}} } }}{8}} \\ & C \cdot {V_{i,j}} = \frac{{{S_{i,j}}}}{{\bar x}} \end{split} $

(2)

式中， $C \cdot {V_{i,j}}$ 为第 $\left( {i,j} \right)$ 像元时间序列的空间变异系数， $\bar x$ 为窗口像元的均值， ${S_{i,j}}$ 是窗口内像元数据的统计标准差。

计算好每景数据的空间变异系数后，形成空间变异系数时序数据集，利用时序空间变异系数进行统计计算，计算标准差，计算公式如下

$ S{S_t}({x_{i,j}}) = \sqrt {\frac{{\sum {{{\left( {C \cdot {V_{i,j}} - \overline {C \cdot V} } \right)}^2}} }}{{n - 1}}} $

(3)

式中， $S{S_t}({x_{i,j}})$ 为第 $(i,j)$ 像元空间变异系数时间序列的标准差， $\bar x$ 为窗口像元的均值， ${S_{i,j}}$ 是窗口内像元数据的统计标准差，n为统计序列的样本个数(与时间尺度大小以及历史样本的统计年数相关)，t代表时序遥感数据时间属性。

空间变异的参数计算过程示意图如图6所示。

图 6 空间变异的参数计算过程示意图

Fig. 6 Calculation process diagram of spatial variable parameter

海洋锋面作为两个性质不同的水团分界面，锋区内的动量及其他特征量交换非常强烈，是典型的海洋属性变异区域。在锋面空间信息的提取算法中，利用边缘梯度方法进行计算识别最为常见，采用边缘检测算子多为Sobel算子，该算子包含两组3×3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始SST数据，F_x及F_y分别代表经横向及纵向边缘检测的图像，其公式如下

$ {F_x} = \left[ {\begin{array}{*{20}{c}} \!\!{ - 1}&0&1 \!\!\! \\ \!\!{ - 2}&0&2 \!\!\! \\ \!\!{ - 1}&0&1 \end{array}} \right] \cdot A\begin{array}{*{20}{c}} {}&{{F_y} = \left[ {\begin{array}{*{20}{c}} \!\! 1&2&1 \!\!\! \\ \!\! 0&0&0 \!\!\! \\ { - 1}&{ - 2}&{ - 1} \end{array}} \right] \cdot A} \end{array} $

数据中的每一个像素的横向及纵向梯度近似值可与式(4)结合，来计算梯度的大小。

$ F = \sqrt {F_x^2 + F_y^2} $

(4)

利用计算出来的梯度大小F就可以表征锋面的强度大小，计算出来的锋面的强度数据也是单景数据，所有单景数据形成的数据集的处理流程空间变异的参数计算过程相同。

时间、空间变异系数以及锋面强度特征计算完成以后，会得到相应属性的空间特征数据的网格数据，数据网格数目与原始数据相同。即时间变异系数评价网格数据、空间变异系数评价网格数据及锋面强度评价网格数据，图7给出了长江口区域不同季节的3个时空变异特征参数的结果，从图中可以看出，3个参数在时空变异的较为剧烈的季节为冬季和春季。

图 7 长江口区域SST不同时空变异参数计算结果

Fig. 7 SST spatio-temporal variation parameter calculation result images of the Yangtze River estuary in different seasons

2.4.2 参数间的加权综合建模

在进行时空变异属性数据空间综合建模时，建模参数包括SST属性参数的时间序列统计标准差(STD)、空间变异系数(CV)、以及锋面的强度(Front)等3个时空变异建模参数，为了消除这些参数间的数值和量纲上的差异，需要对这些数据进行归一化处理。

归一化计算公式如下

$ g({x_{i,j}}) = \frac{{S({x_{i,j}})}}{{\max (S) - \min (S)}} $

(5)

式中， $S({x_{i,j}})$ 为第 $(i,j)$ 像元时间序列统计标准差(STD)、空间变异系数(CV)、以及锋面的强度(Front)。

多参数的综合计算公式如下

$ \left\{ {\begin{array}{*{20}{c}} {N{S_{i,j}} = \displaystyle\sum\limits_{k = 1}^N {{\omega _k}{g_k}({x_{i,j}})} }\\ {\displaystyle\sum\limits_{k = 1}^N {{\omega _k} = 1} } \end{array}} \right. $

(6)

式中， $N{S_{i,j}}$ 是综时空变异特征的新参数，后面的变异等级区划将会基于该参数进行区划，N为时空变异建模参数，本文中N=3， ${\omega _k}$ 为各时空变异建模参数的权重。

2.4.3 特征参数权值分配与等级划分原则

综合建模时的权值分配有多种方法，层次分析法(AHP)是其中最为常见的一种方法。AHP方法的核心是根据建模参数的对结果的影响关系构造比较矩阵，根据比较矩阵提供的信息，可以用方根法求解得到任意精度的最大特征根和其对应的特征向量。特征向量代表了各指标对上一层次因素影响大小的权重，求得某层次中各指标的权重，从本质上说就是表述某种定性的概念，它们的精度完全可以满足实际应用的要求。

对于式(8)计算的数据结果，将其分3个变异等级区划。3区间等级区划的方法如下：

Level_1(等级1)： $[0,\mu ]$ ；

Level_2(等级2)： $(\mu ,1.5\mu ]$ ；

Level_3(等级3)： $ > 1.5\mu $ 。

上述等级区划中，μ为统计区域的变异参数的均值，图8为变异等级区划算法示意图。

图 8 变异等级区划算法示意图

Fig. 8 Algorithm diagram of level division based on spatio-temporal variation intensity

3 结果和验证

3.1 SST时空变异等级区划结果

根据前文的等级区划方法对不同季节的SST结果进行区划得到的结果如图9所示。图9的结果类似于图7，SST的时空变异的较为剧烈的季节为冬季和春季，整个中国海区域的的变异较大的区域为渤海湾和近海沿岸区域，变异较小的区域为南海区域。

图 9 各季节的时空变异空间区划结果

Fig. 9 Spatio-temporal variation space level division results in different seasons

3.2 精度验证结果统计分析

为了进一步定量化分析变异等级区划与精度验证关系，根据国际上通用的时空窗口的匹配原则，利用Argo浮标剖面观测资料，提取表层海表温度数据与SST的遥感数据进行匹配，得到验证数据集，并根据验证数据时间和点位在各季节的空间变异区划结果中进行关联。各季节和各等级的匹配数据散点图如图10所示，从图10中可以看出，等级1和等级2区域内的数据相关性较好，说明时空变异是遥感产品验证误差的原因之一。从图10中同时可以看出，MODIS SST数据在低温区间段较Argo实测数据明显存在偏差，其中夏、秋季节的MODIS SST在低温区间偏高更为明显。进一步统计得出，春季温度在0—15 ℃时，MODIS SST数据较实测数据平均偏低0.22 ℃；夏季温度在0—20 ℃时，MODIS SST数据较实测数据平均偏高0.64 ℃；秋季温度在0—20 ℃时，MODIS SST数据较实测数据平均偏高0.87 ℃；冬季温度在0—15 ℃时，MODIS SST数据较实测数据平均偏低0.34 ℃。

图 10 四季节和各等级的匹配数据散点图(拟合式中：Sm：MODIS SST；Sa：Argo SST)

Fig. 10 The scatterplot of measured and remote sensing data in different seasons at different space level division(S_m: MODIS SST; S_a: Argo SST)

可以根据上述匹配原则对不同风险等级匹配数据下的精度进行评估计算，计算结果统计评价指标为平均绝对相对误差RE、均方根误差RMSE、平均相对偏差BLAS、误差标准差STD和相关系数R等。近一步的数据比较结果如表1所示，数据表明：验证误差最大的季节是夏季，由于时空变异的存在，处于不同变异等级区划内的数据，其验证结果平均绝对相对误差的最大值可达13.08%。

表 1 Argo数据和SST遥感数据等级匹配误差计算结果
Table 1 The SST error results of Argo data and RS data in different level matching data set

下载CSV

季节	春季			夏季			秋季			冬季			年平均
等级(验证数据对)	1(675)	2(844)	3(276)	1(630)	2(728)	3(260)	1(620)	2(753)	3(302)	1(606)	2(794)	3(326)	1(2531)	2(3119)	3(1164)
等级区间独立统计	1	2	3	1	2	3	1	2	3	1	2	3	1	2	3
RE/%	2.14	4.65	11.29	2.08	4.06	12.46	1.79	3.48	7.62	1.98	5.10	13.08	2.00	4.35	11.10
RMSE	0.73	1.05	1.51	0.86	1.40	3.09	0.65	1.25	1.99	0.74	1.22	1.66	0.75	1.23	2.12
BIAS/%	–0.55	–0.81	0.11	0.39	2.04	9.25	–0.67	0.72	3.18	–1.04	–1.64	–1.64	–0.46	0.01	2.46
STD	0.72	1.04	1.50	0.86	1.35	2.78	0.62	1.25	1.98	0.68	1.18	1.58	0.74	1.23	2.11
R	0.96	0.98	0.92	0.82	0.95	0.92	0.90	0.96	0.86	0.94	0.98	0.93	0.95	0.98	0.94
等级区间综合统计	1	1—2	1—3	1	1—2	1—3	1	1—2	1—3	1	1—2	1—3	1	1—2	1—3
RE/%	2.14	3.54	4.73	2.08	3.14	4.64	1.79	2.72	3.60	1.98	3.75	5.51	2.00	3.29	4.63
RMSE	0.73	0.93	1.04	0.86	1.18	1.65	0.65	1.02	1.25	0.74	1.04	1.18	0.75	1.04	1.29
BIAS/%	–0.55	–0.70	–0.57	0.39	1.28	2.56	–0.67	0.09	0.65	–1.04	–1.38	–1.43	–0.46	–0.20	0.25
STD	0.72	0.91	1.02	0.86	1.16	1.59	0.63	1.02	1.25	0.68	0.99	1.13	0.74	1.04	1.29
R	0.96	0.99	0.98	0.82	0.95	0.93	0.90	0.96	0.96	0.94	0.98	0.98	0.95	0.98	0.97
注：春季(3月、4月和5月)，夏季(6月、7月和8月)，秋季(9月、10月和11月)，冬季(12月、1月和2月)。

因此，利用变异等级区划结果对验证数据集进行代表性评价，可以更加有效、全面地评估遥感产品的精度结果，揭示遥感产品的误差来源，并为实测样点(走航、浮标)时空策略优化提供指导。

4 讨　论

4.1 遥感误差与不确定性的来源

海洋遥感产品的真实性检验无论对于算法的改进，还是后续应用的可靠性保障来说都是十分重要的(孙凌等，2009)。图11是综合相关文献(周冠华等，2009；李云梅等，2010)进行总结和提炼的海洋遥感产品误差与不确定性的主要来源，其误差源主要包括数据源误差、模型误差以及验证数据匹配过程中时间窗口与空间尺度内的变异(时空变异)造成的误差等等。近海复杂水体遥感产品的可信度和精度仍需深入检验，误差源的来源解析的理论和分析方法还需近一步完善。

图 11 海洋遥感产品误差与不确定性来源

Fig. 11 The sources of error and uncertainty in ocean remote sensing products

4.2 MODIS SST产品与Argo测量值误差成因讨论

红外传感器的海表面温度业务化模型大多基于光谱辐射传输理论算法，常见的算法包括单通道算法、分裂窗算法、多通道算法(MCSST)等(毛志华等，2003)。由于多光谱数据提供的光谱信息有限，所有的方法都依赖于辐射传输方程的近似以及不同的假设和限制(李召良等，2016)。辐射传输反演算法对于大气湿度和海水发射率的估算要求很高，各种不同的复杂大气条件和海况条件，对海表温度遥感反演结果的影响巨大。相关研究表明，缺少精确大气廓线和简化的海水发射率模型，反演的SST误差均方根达2 K以上(周旋等，2012)。

从表1的MODIS SST与Argo实测温度验证结果可以看出，误差最大的季节出现在夏季。就结果而言，验证误差来源中的载荷定标精度、海水发射率的计算、遥感反演的皮层水温与Argo测量的表层水温差异等都有可能超过遥感与水表温度测量时间不一致造成的误差。在进行SST遥感反演产品的精度验证时，除了本文提到的时空变异问题，还需要深入的考虑大气影响，海水发射率的估算，表层水与深层水的流动，特别是不同程度海浪导致的海表粗糙度、不同的观测角度与时间、气象条件与云覆盖率等。

4.3 时空变异等级区划的意义和不足

卫星和现场观测时空尺度差异极大，且同步观测数据量十分有限，为了权衡时空差异和获取足够的匹配数据量，目前国际上通常利用选定时空窗口进行卫星、实测匹配，从而实现对水色卫星遥感产品的真实性检验。这种方法在时空相对均一的大洋水体取得了良好效果，但对于时空快速变化的近海水体可能存在较大的不确定性，必须考虑时空变异的影响。

本文提出了利用时间维度的变异STD与空间维度的变异CV，Front来提取时空变异程度的表征参数，通过对SST的建模区划和精度验证结果可以看出，文章中从理论和试验的数据精度验证中，证明了时空变异是造成误差的直接原因之一，强烈的时空属性变异，在验证过程中会引入很大的验证误差，处于不同变异等级区划的数据，其验证结果相对误差可达10%以上，变异越剧烈的区域，精度验证效果越差，而这些误差并非完全是遥感产品的误差。时空变异强烈的区域验证数据和验证结果，不具有可靠的代表性，不能真实的反映遥感产品的误差特征。

水体具有高动态变化的特点，在验证时既要考虑空间尺度效应的影响，又要考虑验证时间窗口内的水体要素信息的变异。文中的方法主要解决了时间维度的变异规律与误差相关的研究，在空间变异上也只是通过验证像元及其周围像元的统计属性相关进行计算建模，空间像元内部的尺度效应与尺度转换却没有很好解决，而尺度效应和尺度转换却是遥感精度验证不能回避的一个关键科学问题。

5 结　论

本文以SST为研究对象，针对SST的区域性、季节性特点，探讨时空变异对验证误差的影响分析，选择DINEOF方法对选择的MODIS数据进行了重构。设计了时间维度的变异STD与空间维度的变异CV，Front作为提取时空变异程度的表征参数。通过时空变异综合建模与等级区划，定量分析了变异区划等级与遥感精度验证的关系。文章分析数据支持如下结论：

(1)通过对SST的建模区划和精度验证结果证明了时空变异是造成验证误差的直接原因之一，由于时空变异的存在，处于不同变异等级区划内的数据，其验证结果相对误差最大可达13.08%，变异越剧烈的区域，精度验证效果越差。SST的时空变异的较为剧烈的季节为冬季和春季，整个中国海区域的的变异较大的区域为渤海湾和近海沿岸区域，变异较小的区域为南海区域。季节性因素、地形因素、近岸流场与水文变化是造成SST变异的主导因素。

(2)本文的结论进一步证实，对于时空变异强烈的区域，在验证匹配的时空尺度内，SST的强烈变化会引入至验证误差中，使得验证数据和验证结果不具有可靠的代表性，不能真实的反映遥感产品的误差特征。在指导SST遥感产品验证时需要根据研究海区的实际情况，验证实验选择的季节特点，科学的选择代表性的验证点位。空间上可选择远离海岸带海域或在东海、南海区域开展实测数据采集和验证工作；季节上可选择夏秋季节开展实测数据采集和验证工作。

(3)时空快速变化的近海二类水体区域，是科学问题集中的典型研究区，在SST及相关海洋遥感产品验证中，无法避免该区域有效数据的验证工作，建议在该区域进行验证工作时，可考虑选择本文的时空变异参数计算和综合等级区的新方法，对验证匹配的实测—遥感数据集进行等级划分，突出低时空变异区域数据结果的可靠性和代表性，科学合理全面的评价该区域的遥感数据实际产品误差，降低由于时空变异引入的验证误差和不确定性。

(4)基于实测海表温度的检验方法是目前最直接、应用最广泛的方法。本文的方法主要从海表验证区域时空代表性的角度，对合理选择验证数据集提供指导，以降低时空变异对验证误差的影响，属于地面站点代表性与遥感像元的异质性评价工作范畴，但是海洋遥感产品的真实性检验过程中的误差来源多样，复杂海况条件下海表原位观测的传感器精度特征、数据采集传输方法，动态水体验证过程的尺度转换规律研究，检验过程中的不确定性进行量化分析建模等仍然是深入开展真实性检验方法的基础性工作。

参考文献(References)

Alvera-Azcárate A, Barth A, Rixen M and Beckers J M. 2005. Reconstruction of incomplete oceanographic data sets using empirical orthogonal functions: application to the Adriatic Sea surface temperature. Ocean Modelling, 9 (4): 325–346. [DOI: 10.1016/j.ocemod.2004.08.001]

Bailey S W and Werdell P J. 2006. A multi-sensor approach for the on-orbit validation of ocean color satellite data products. Remote Sensing of Environment, 102 (1/2): 12–23. [DOI: 10.1016/j.rse.2006.01.015]

Beckers J M and Rixen M. 2003. EOF calculations and data filling from incomplete oceanographic datasets. Journal of Atmospheric and Oceanic Technology, 20 (12): 1839–1856. [DOI: 10.1175/1520-0426(2003)020<1839:ECADFF>2.0.CO;2]

Canadell J G and Dickinson R. 2006. Global carbon project. Science framework and implementation. Global Carbon Project Science Framework and Implementation Earth System Science Partnership: 80

Chen L Q, Yang X L, Zhang Y H, Li W, Lin Q, Lin H M, Xu S Q, Zhan J Q. 2008. Observation Technology of CO₂ fluxes in the ocean and atmosphere . Ocean Technology, 27 (4): 9–12. [DOI: 10.3969/j.issn.1003-2029.2008.04.003] ( 陈立奇, 杨绪林, 张远辉, 李伟, 林奇, 林红梅, 许苏清, 詹建琼. 2008. 海洋-大气二氧化碳通量的观测技术. 海洋技术, 27 (4): 9–12. [DOI: 10.3969/j.issn.1003-2029.2008.04.003] )

Chen L Q, Xu S Q, Gao Z Y, Chen H Y, Zhang Y H, Zhan J Q and Li W. 2011. Estimation of monthly air-sea CO₂ flux in the southern Atlantic and Indian Ocean using in-situ and remotely sensed data . Remote Sensing of Environment, 115 (8): 1935–1941. [DOI: 10.1016/j.rse.2011.03.016]

Chen Q L, Tang J W and Wang X N. 1998. Review on the calibration and validation for ocean color sensing. Ocean Technology, 17 (3): 13–26. ( 陈清莲, 唐军武, 王项南. 1998. 海洋光学遥感器的辐射定标与数据真实性检验综述. 海洋技术, 17 (3): 13–26. )

Ding Y Z, Wang Z H, Mao Z H and Pan D L. 2009. Reconstruction of incomplete Satellite SST data sets based on EOF method. Acta Oceanologica Sinica, 28 (2): 36–44. [DOI: 10.3969/j.issn.0253-505X.2009.02.004]

Else B G T, Yackel J J and Papakyriakou T N. 2008. Application of satellite remote sensing techniques for estimating air–sea CO₂ fluxes in Hudson Bay, Canada during the ice-free season . Remote Sensing of Environment, 112 (9): 3550–3562. [DOI: 10.1016/j.rse.2008.04.013]

Feely R A, Sabine C L, Lee K, Berelson W, Kleypas J, Fabry V J and Millero F J. 2004. Impact of anthropogenic CO₂ on the CaCO₃ system in the oceans . Science, 305 (5682): 362–366. [DOI: 10.1126/science.1097329]

Joos F, Plattner G K, Stocker T F, Marchal O and Schmittner A. 1999. Global warming and marine carbon cycle feedbacks on future atmospheric CO₂. Science, 284 (5413): 464–467. [DOI: 10.1126/science.284.5413.464]

Li S H, Wang H and Xu W D. 2000. Research and progress in satellite ocean color remote sensing. Advance in Earth Sciences, 15 (2): 190–196. [DOI: 10.3321/j.issn:1001-8166.2000.02.011] ( 李四海, 王宏, 许卫东. 2000. 海洋水色卫星遥感研究与进展. 地球科学进展, 15 (2): 190–196. [DOI: 10.3321/j.issn:1001-8166.2000.02.011] )

Li Y M, Wang Q, Huang J Z, Lv H and Wei Y C. 2010. Water Optical Characteristics and Remote Sensing of Taihu Lake. Beijing: Science Press (李云梅, 王桥, 黄家柱, 吕恒, 韦玉春. 2010. 太湖水体光学特性及水色遥感. 北京: 科学出版社)

Li Z L, Duan S B, Tang B H, Wu H, Ren H Z, Yan G J, Tang R L and Leng P. 2016. Review of methods for land surface temperature derived from thermal infrared remotely sensed data. Journal of Remote Sensing, 20 (5): 899–920. [DOI: 10.11834/jrs.20166192] ( 李召良, 段四波, 唐伯惠, 吴骅, 任华忠, 阎广建, 唐荣林, 冷佩. 2016. 热红外地表温度遥感反演方法研究进展. 遥感学报, 20 (5): 899–920. [DOI: 10.11834/jrs.20166192] )

Ma J, Zhou J, Liu S M and Wang Y J. 2017. Review on validation of remotely sensed land surface temperature. Advances in Earth Science, 32 (6): 615–629. [DOI: 10.11867/j.issn.1001-8166.2017.06.0615] ( 马晋, 周纪, 刘绍民, 王钰佳. 2017. 卫星遥感地表温度的真实性检验研究进展. 地球科学进展, 32 (6): 615–629. [DOI: 10.11867/j.issn.1001-8166.2017.06.0615] )

Mao Z H, Zhu Q K and Pan D L. 2003. A temperature error control technology for an operational satellite application system. Acta Oceanologica Sinica, 25 (5): 49–57. [DOI: 10.3321/j.issn:0253-4193.2003.05.006] ( 毛志华, 朱乾坤, 潘德炉. 2003. 卫星遥感业务系统海表温度误差控制方法. 海洋学报, 25 (5): 49–57. [DOI: 10.3321/j.issn:0253-4193.2003.05.006] )

Olsen A, Triñanes J A and Wanninkhof R. 2004. Sea–air flux of CO₂ in the Caribbean Sea estimated using in situ and remote sensing data . Remote Sensing of Environment, 89 (3): 309–325. [DOI: 10.1016/j.rse.2003.10.011]

Pan D L and Gong F. 2011. Progress in application technology of satellite ocean remote sensing in China. Journal of Hangzhou Normal University (Natural Science), 10 (1): 1–10. [DOI: 10.3969/j.issn.1674-232X.2011.01.001] ( 潘德炉, 龚芳. 2011. 我国卫星海洋遥感应用技术的新进展. 杭州师范大学学报(自然科学版), 10 (1): 1–10. [DOI: 10.3969/j.issn.1674-232X.2011.01.001] )

Reynolds R W and Smith T M. 1994. Improved global sea surface temperature analyses using optimum interpolation. Journal of Climate, 7 (6): 929–948. [DOI: 10.1175/1520-0442(1994)007<0929:IGSSTA>2.0.CO;2]

Sun F Q, Zhang C Y, Shang S P and Shang S L. 2011. Primary validation of AVHRR/MODIS/TMI SST for part of the northwest pacific. Journal of Xiamen University (Natural Science), 46 (S1): 1–5. [DOI: 10.3321/j.issn:0438-0479.2007.z1.001] ( 孙凤琴, 张彩云, 商少平, 商少凌. 2011. 西北太平洋部分海域AVHRR、TMI与MODIS遥感海表层温度的初步验证. . 厦门大学学报(自然科学版), 46 (S1): 1–5. [DOI: 10.3321/j.issn:0438-0479.2007.z1.001] )

Sun L, Wang X M, Guo M H and Tang J W. 2009. MODIS ocean color product validation around the Yellow Sea and East China Sea. Journal of Lake Science, 21 (2): 298–306. [DOI: 10.18307/2009.0220] ( 孙凌, 王晓梅, 郭茂华, 唐军武. 2009. MODIS水色产品在黄东海域的真实性检验. 湖泊科学, 21 (2): 298–306. [DOI: 10.18307/2009.0220] )

Wang H J. 2011. Applicability inspection of remote-sensing single-parameter algorithm for air-sea CO₂ flux in open ocean . Journal of Oceanography in Taiwan Strait, 30 (2): 286–291. [DOI: 10.3969/J.ISSN.1000-8160.2011.02.021] ( 王郝京. 2011. 大洋海区海-气CO₂通量单参数遥感算法的适用性检验 . 台湾海峡, 30 (2): 286–291. [DOI: 10.3969/J.ISSN.1000-8160.2011.02.021] )

Xue L. 2011. Surface CO₂ in the Yellow Sea and Buoy CO₂ in the South Atlantic Bight. Qingdao: Ocean University of China (薛亮. 2011. 黄海表层水体CO₂研究及南大西洋湾浮标CO₂分析. 青岛: 中国海洋大学)

Zhai S Ｋ, Meng W and Yu Z G. 2008. The Environment of the Yangtze Estuary After the First Phase of the Three Gorges Project. Beijing: Science Press (翟世奎, 孟伟, 于志刚. 2008. 三峡工程一期蓄水后的长江口海域环境. 北京: 科学出版社)

Zhou G H, Tang J W, Tian G L, Li J and Liu Q H. 2009. Uncertainty analysis of inland water quality remote sensing: a review. Advances in Earth Science, 24 (2): 150–158. [DOI: 10.11867/j.issn.1001-8166.2009.02.0150] ( 周冠华, 唐军武, 田国良, 李京, 柳钦火. 2009. 内陆水质遥感不确定性: 问题综述. 地球科学进展, 24 (2): 150–158. [DOI: 10.11867/j.issn.1001-8166.2009.02.0150] )

Zhou X, Yang X F, Cheng L, Li Z W. 2012. Sensitivity analysis and validation of the single channel physical method for retrieving sea surface temperature. Journal of Infrared and Millimeter Waves, 31 (1): 91–96. ( 周旋, 杨晓峰, 程亮, 李紫薇. 2012. 单通道物理法反演海表温度的参数敏感性分析及验证. 红外与毫米波学报, 31 (1): 91–96. )

Zhu Y, Shang S L, Zhai W D and Dai M H. 2009. Satellite-derived surface water pCO₂ and air–sea CO₂ fluxes in the northern South China Sea in summer . Progress in Natural Science, 19 (6): 775–779. [DOI: 10.1016/j.pnsc.2008.09.004]

摘要

关键词