基于FY-3C 微波辐射计数据的极区海冰密集度反演方法研究

刘森，邹斌，石立坚，崔艳荣

( 1. 国家海洋环境预报中心，北京 100081；2. 国家卫星海洋应用中心，北京 100081；3. 自然资源部空间海洋遥感与应用研究重点实验室，北京 100081；4. 上海海洋大学 海洋科学学院，上海 201306)

1 引言

极区海冰影响大气和海洋环流，对全球气候变化起着重要的作用[1]。海冰的存在阻碍了大气与海洋的热量交换，影响海水的热平衡；阻碍风场与海水的动量输送[2]。海冰的反照率较海水的大，能将大部分太阳辐射反射回大气中，对入射的短波辐射吸收较少[3]。尤其是海冰的年际变化大，使得海冰对全球气候的变化有着重要的影响。海冰生成的过程会产生垂直方向的对流，对营养盐以及海洋要素的垂直分布产生影响；融冰时，表层形成暖而淡的水层，覆盖在高盐冷水上，出现密度跃层，影响上下水交换[4]。随着全球气候变暖，极区海冰变化异常，北极海冰有逐年减少、南极海冰有逐年增加的趋势[2,5-6]。北极海冰的快速融化使得北极航道的开通成为可能，不仅可以大大减少航行距离、缩短航期，而且在节省燃油的同时减少了温室气体的排放[7]。极区海冰的变化是国际社会关注的热点问题，这也使得海冰数据集的准确性、时间序列的连续性、空间分辨率的一致性需要进一步优化。

海冰密集度 (Sea Ice Concentration，SIC)是能够体现海冰特征的重要参数之一，定义为海冰覆盖面积占总面积的比值，通过该参数可以进一步得到海冰面积、范围等信息。海冰密集度可作为大气、海洋模式的输入，与南方涛动指数密切相关[8]。由于极区环境恶劣，除有限的现场观测外，主要靠多种卫星全天候、近实时和长期连续获取两极区域多要素分布特征及变化信息。用于海冰监测的微波辐射计主要有：1972 年发射的电子扫描微波辐射计（Electronically Scanning Microwave Radiometer，ESMR），通过ESMR 研究学者第一次获得了全天候、全天时、一年四季的全球海冰影像[9]；1978 年陆续发射的扫描式多通道微波辐射计(Scanning Multichannel Microwave Radiometer, SMMR)、特种微波成像仪（Special Sensor Microwave/Imager, SSM/I）、专用微波成像仪（Special Sensor Microwave Imager Sounder，SSMIS）等；近年来，安装在AQUA 平台上的用于EOS 的先进微波扫描辐射计（Advanced Microwave Scanning Radiometer for EOS，AMSR-E）和后续星上载有的先进微波扫描辐射计2(Advanced Microwave Scanning Radiometer 2，AMSR2)提供了更高的分辨率数据。此外，我国海洋二号扫描微波辐射计、风云三号微波成像仪(Microwave Radiation Imager，MWRI）也可用于海冰密集度的反演。

美国冰雪数据中心(NSIDC)利用Nimbus-7 卫星SMMR，国防气象卫星计划(Defense Meteorological Satellite Program，DMSP) F8、F11、F13 卫星SSM/I，DMSP-F17 卫星SSMIS 数据，提供自1978 年以来40 多年的南北极海冰密集度数据，成为全球气候变化研究和极地预报等主要数据源。据《Nature》[10]报道，现在轨运行的F18 和AMSR2 已经超期服役，后续无发射计划，宝贵的持续40 多年的海冰记录数据存在断档的危险，而我国的风云三号系列卫星微波辐射计观测频段与美国DMSP/SSMIS 类似，具备成为极地海冰观测主要数据来源的潜力。

北京时间2013 年9 月23 日，我国第三颗“风云三号”（FY-3C）气象卫星发射成功，其上载有微波扫描辐射计，提供业务化的全球亮温观测数据。本文基于FY-3C 微波辐射计亮温数据，对极区海冰密集度反演方法进行研究。

2 数据

本文使用我国自主气象卫星FY-3C 的微波成像仪[11]一级（L1）亮温数据对极区海冰密集度进行反演，该仪器有5 个频率(10.65 GHz，18.7 GHz，23.8 GHz，36.5 GHz 和89 GHz)，每个频率都有垂直极化(V)和水平极化(H) 两个极化模式，圆锥形扫描方式，扫描角度为45°，扫描宽度为1 400 km，每次扫描可获得254 个扫描点数据。从低频到高频各通道的地面分辨率为51 km×85 km、30 km×50 km、27 km×45 km、18 km×30 km、9 km×15 km。该数据每天包括大约14 个升轨数据和14 个降轨数据（有时可能为15 轨），以HDF 格式储存，包括10 个波段的亮温数据。本文使用2016-2017 两年的数据，且除去缺失数据，共727 d。

使用美国国防气象卫星DMSP-F17 专用微波成像仪亮温数据对FY-3C 微波辐射计亮温数据进行修正。专用微波成像仪是一个锥形扫描被动微波辐射计，它利用了先前的3 个DMSP 微波传感器，包括SSMI，SSM/T-1 温度测深仪和SSMI/T-2 湿度测深仪的成像和探测功能。F17 飞行在近极地太阳同步轨道上，飞行高度850 km，倾斜角度98.8°，轨道周期102 min，升交点过境时间约地方时5:31 pm。SSMIS 传感器测量19～183 GHz 的24 个频率的微波能量，刈幅宽度为1 700 km（表1）。F17 SSMIS 数据从2006 年12 月14 日开始，其亮温数据由美国Remote Sensing System 网站[12-13]下载得到，已经与SSM/I，WindSat 和AMSR-E 仔细相互校准，可以进行详细的年际和年代际趋势研究。每天包括14 轨数据，每1.9 s 扫描90 个观测值，该数据为NC 格式，包括19V、19H、22V、37V、37H 共5 个波段的亮温数据。本文使用2016 年全年数据。

表 1 F17 与FY-3C 参数比较Table 1 Parameters comparison of F17 and FY-3C

为了检验本文所用方法得到的海冰密集度的准确性，使用NSIDC 发布的海冰密集度数据集[14]作为标准。该数据根据NASA Team 算法生成。这些数据包括1978 年10 月26 日以来北极和南极地区每日（SMMR 数据每隔一天）和月平均海冰密集度，数据格式为二进制bin 格式，空间分辨率为25 km，对于每个数据文件，提供对应的PNG 浏览图像文件。

3 研究方法

3.1 亮温的修正方法

不同辐射计数据获取的时间空间存在差异、传感器参数特征也有所不同以及仪器随时间的衰减等，都会造成同时同地相似传感器获取的亮温数据存在一定的差异[15]，须使用时空匹配方法对两传感器交叉定标。上述两个数据中，每一刈幅数据的每个采样点都提供了地理位置（经纬度）和观测时间，分别将每一轨FY-3C、F17 微波辐射计亮温数据在南北极按照12.5 km 空间分辨率投影到极地立体投影网格中。通过扩大的陆地掩模，除去陆地数据对海洋区域的影响。由于F17 与FY-3C 访问时间差异较大，选取1 h的时间窗口减小亮温的差异。

为了更精确地计算定标系数，本文每月选择4 日数据进行数据匹配，图1 为2016 年3 月选取5 日、15 日、20 日、30 日4 天的数据进行匹配后的散点图。红色为1∶1 线，绿色为拟合线，数据呈线性分布，无异常数据点。根据匹配数据集，进行线性回归拟合，得到12 个月的定标系数，见表2。为了长时间序列地球物理变量的研究以及海冰产品水平的数据一致性，使用表2 数值对FY-3C 微波成像仪（MWRI）亮温数据进行修正。

图 1 2016 年3 月19H 通道FY-3C 与F17 亮温对比散点图Fig. 1 Brightness temperature scatter plot at 19H of FY-3C and F17 on March, 2016

3.2 NASA Team 方法及天气影响去除方法

海水与海冰的辐射性质存在较大差异，可以利用辐射计反演海冰密集度。使用NASA Team 算法，保证数据集的统一性，同时可分别反演一年冰、多年冰以及整体海冰的密集度。将每日所有轨道亮温数据投影到25 km 极地立体投影网格中，利用表2 数值修正后反演每日海冰密集度，如格点有重复观测值，则取平均值。利用SSMIS 亮温数据反演海冰密集度的NASA Team 算法[16]使用的通道是19.3 GHz 水平（H）和垂直（V）极化通道以及垂直极化的37.0 GHz 通道。对应FY-3C 微波辐射计的18.7 GHz 水平（H）和垂直（V）极化，36.5 GHz 垂直极化通道。忽略大气辐射和外部空间辐射的影响：

表 2 定标系数Table 2 Calibration coefficients

定义极化梯度比（Polarization Gradient Ratio，PR）和光谱梯度比（Spectral Gradient Ratio，GR）：

式中，TB是特定频率和极化下的观测亮温。根据这两个参数，一年冰密集度（CF）和多年冰密集度（CM）由以下公式计算：

其中，

式中，系数Fi，Mi和Di（i=0,···,3）是一组9 个亮温的函数，这里不再具体说明，这些亮温被称为算法系点，是对于19.3V、19.3H 和37V 在已知无冰海面（Open Water, OW）、一年冰（First Year, FY）和多年冰（Multi-Year, MY）的区域上观察到的亮温特征值，见表3[17]。

表 3 南北半球开阔水域及不同冰型的F17 系点值Table 3 F17 TPs for open water and different ice types in the Northern Hemisphere and Southern Hemisphere

总冰密集度（CT）是一年和多年密集度的总和:

开阔海洋和冰缘上海冰的虚假密集度是由云中液态水、大气水汽、雨水和表面风引起海面粗糙化造成的。尽管冬季极地纬度的这些影响相对较小，但在夏季各纬度地区都会造成严重的天气污染问题。复合天气滤波器[18]是原始SSM/I GR（37/19）与基于22.2 GHz和19.35 GHz 通道的另一个GR 滤波器的组合，它有效消除了由于海面风粗糙化、云液态水和降雨造成的大部分杂散密集度。使用GR（22/19）的基本原理基于22.2 GHz 对水汽的敏感性和将冰边冰温变化的影响降至最低。NT 算法中使用的两种天气滤波器基于以下频谱梯度比：

具体而言，在NT 海冰算法的F17 SSMIS 版本中使用的阈值[17]如下。

（1）如果GR（37/19）＞0.05（北半球），或GR（37/19）＞0.053（南半球），则冰密集度设为0，主要去除云中液态水影响。

（2）如果GR（22/19）＞0.045 对于任一半球，则冰密集度设为0，主要去除开阔水域上空水蒸气影响。

FY-3C 中使用回归系数修正后的18.7 GHz、36.5 GHz、23.8 GHz 3 个通道的亮温值。对于天气滤波器不能去除的残留天气污染，使用海冰掩模去除，选取2016 年北极3 月和南极9 月反演得到的海冰密集度数据，将北极密集度不小于0.045，南极不小于0.025的最大海冰范围再扩大4 个格点生成最大海冰掩模，用于整个数据集中，将最大海冰和陆地以外区域像素值设定为0。

3.3 陆地效应去除方法

陆地到海洋溢出通常称为“陆地污染”，是指近岸区域陆地比海洋亮温高得多而产生的模糊问题（图2a），由于传感器天线模式的宽度相对较粗导致。这个问题会导致沿着海岸线的假海冰信号[9]。所有仪器的陆地到海洋溢出效应并不相同，因为它们的足迹大小和访问时间不同。后者非常重要，因为陆地表面经历了比海洋表面更大的昼夜温度变化。单单这些差异就会导致虚假的趋势，因此必须进行修正。减少陆地到海洋溢出效应方法的基本原理是在夏季通常出现的没有海冰残留的近海海岸线附近最小观测海冰密集度可能是陆地溢出的结果，所以从图像中减去。为了减少在实际海冰覆盖区域中减去海冰的误差，该技术需要在待校正的图像像素附近存在开阔水。

通过以下3 个步骤来减少陆地到海洋的溢出效应[19]：

（1）创建矩阵M覆盖整个网格，并将每个像素识别为陆地、岸边、近岸、近海或非近海。陆地像素从陆地/海洋掩模获得。岸边、近岸和近海像素的识别基于图2b 中所示的方案，其中待识别的像素标记为i，j。如果与其相邻的任何像素是陆地，则该像素被认为是岸边像素，如果没有一个a像素是陆地，但是至少一个b像素是陆地，则是近岸像素，并且如果没有a或b像素是陆地，但是至少有一个c像素是陆地，则是近海像素。所有其他海洋像素被认为是非近海。该矩阵M被创建一次并在整个数据集中使用。

（2）创建矩阵CMIN，在整个网格中逐个像素地表示最小海冰密集度。CMIN 的创建是通过首先构造一个矩阵P来实现的，该矩阵包含给定年份的最小月平均海冰密集度，FY-3C 微波辐射计使用2016 年9 月北极和2 月南极的月平均数据。然后在近海、近岸和海岸像素处调整矩阵。调整如下：①在近海像素处，任何超过20%的P值均减至20%；②在近岸像素处，任何超过40% 的P值减少至40%；③在岸边像素，任何超过60%的P值减少到60%。因不同传感器的陆地溢出效应不同，所以CMIN 矩阵不同的传感器需要创建一次，然后在整个数据集中使用。

（3）每日海冰密集度矩阵在开阔水域附近的任何近海、近岸和岸边像素进行调整。具体而言，近海像素的邻域被定义为包含以近海像素为中心的3×3 框中的其他8 个像素；近岸像素的邻域被定义为包含以近岸像素为中心的5×5 框中的其他24 个像素；岸边像素的邻域被定义为包含以岸边像素为中心的7×7框中的另外48 个像素。在近海，近岸或海岸像素邻域包含3 个或更多开阔水域像素（海冰密集度低于15%）时，近海、近岸或海岸像素的海冰密集度计算为减去矩阵CMIN 中该像素的值；无论减法何处导致负海冰密集度，则密集度设定为0%。这种陆地溢出校正算法显然是一个粗略的近似，因为污染量不会随时间而保持不变；但是该方案已经被发现可以大大减少网格上的假海冰密集度。

图 2 微波天线的粗分辨率对海岸线附近亮温的影响示意图（a），在程序中使用7×7 阵列以减少陆地到海洋的溢出效应（b）（据参考文献[19]）Fig. 2 Schematic illustrating the effect of the coarse resolution of the microwave antenna on brightness temperatures near a coastline (a),and seven-by-seven array used in the procedure to reduce the land-to-ocean spillover effect (b) (refer to reference [19])

4 结果与讨论

4.1 天气影响去除的结果

使用两种天气滤波器和海冰掩模对反演得到的海冰密集度进行修正，图3a 为原始反演结果，开阔海域天气影响严重（10～15 m/s 风速，2 mm/h 降雨率[20]等影响），存在大量虚假海冰。图3b 为GR（36.5/18.7）天气滤波器修正结果，有效去除了高纬度主要由于云中液态水（0.1～0.3 mm[20]）造成的虚假海冰（红色框）。但在中纬度地区仍然存在错误结果（绿色框），由较高的大气水汽（30～45 mm[20]）导致。同时使用两种天气滤波器（图3c）可将大部分天气影响造成的虚假海冰滤除，通过海冰掩模将残留的虚假海冰（如在千岛群岛附近海域等，蓝色框）去除（图3d）。陆地边缘存在的虚假海冰使用3.3 节方法修正。

4.2 陆地效应去除的结果

根据3.3 节方法对陆地污染进行修正，图4 为2017 年8 月26 日北极陆地效应修正前后与NSIDC产品的差异图，红色表示本文结果高于NSIDC 产品，蓝色表示本文结果低于NSIDC 产品。从图4a 中可以看出，在陆海交界处（如勘察加半岛、阿拉斯加半岛、斯堪的纳亚半岛及大不列颠岛等区域）存在明显的陆地污染现象，误判出大量的虚假海冰，是造成数据集产品误差的主要来源，经过处理，陆地溢出得到了有效的纠正，海冰范围由原来的7.18×106km2修正到5.35×106km2，海冰面积由原来的4.02×106km2修正到3.26×106km2与NSIDC 产品的海冰范围5.14×106km2和海冰面积3.18×106km2已经比较接近（图4b）。但在内陆湖地区差异较大，冰水交界处本文结果偏低。

4.3 验证

为了验证所得到的海冰密集度数据的准确性，比较FY-3C 反演得到的海冰密集度数据和NSIDC 海冰密集度产品计算的海冰范围（Sea Ice Extent，SIE）和海冰面积（Sea Ice Area，SIA）两参数。海冰范围定义为海冰密集度大于15%的所有观测值的积分和。通过取密集度大于15%的每个数据元素的面积与冰密集度乘积之和来确定海冰面积。由于重新投影，每个网格所代表的实际面积不同，使用格点面积模板进行计算。计算海冰范围时，北极包括极点范围，计算海冰面积时，除去了相同大小的北极极点面积加以比较。2016-2017 年的南北极比较结果如图5。

从图5 中可以发现2016-2017 年南北极海冰范围和面积变化趋势与NSIDC 产品基本一致，面积准确度更高，南极效果更好。北极12 月至翌年5 月偏低即冬季偏小；7 月、8 月、9 月偏高即夏季偏多。由于本方法对冰水交界处、内陆湖等处[21]的海冰低估，造成北极冬季海冰面积、范围偏小；由于天气影响以及陆地污染造成的虚假海冰多出现在夏季[22]，本方法仍有残留的虚假海冰没有去除，造成北极夏季海冰面积、范围偏多，后续工作将对天气滤波器阈值进行调整。南极海冰范围和面积整体高于NSIDC 产品，6 月、7 月、8 月海冰范围、面积偏高。南极陆地没有北极复杂，天气及陆地污染较北极小，且南北极海冰类型不同、辐射特性不同，高估主要是由于亮温校正造成，后续工作考虑南北极分别校正。

图 3 2017 年8 月26 日北极天气效应去除和未去除的海冰密集度结果Fig. 3 Sea ice concentration result with and without weather filter of north polar zone on August 26, 2017

为了进一步定量化反演得到数据集的准确性，计算2016 年和2017 年FY-3C 和F17 南北极海冰范围和面积日差异百分比（图6），北极7-9 月范围差异较大，7-9 月、12 月面积差异较大，南极12 月至翌年4 月范围差异较大，12 月至翌年1 月、3-4 月、6-8 月面积差异较大。并给出各海冰参数的百分比差异的两年平均值和标准差，FY-3C 和F17 海冰范围北半球和南半球两年平均差异分别为0.05%±3.05%和0.73%±1.38%。对于海冰面积，北半球和南半球的平均差异分别为-0.53%±1.57% 和0.83%±1.76%。2017 年与2016 年趋势及差异一致，说明此方法可以用于后续的数据集产品。

图 4 2017 年8 月26 日北极海冰密集度差异Fig. 4 Ice concentration difference on August 26, 2017

图 5 2016-2017 年北极（a）和南极（b）海冰范围和面积时间序列比较Fig. 5 Daily averaged time series of total Arctic (a) and Antarctic (b) ice extent and area for 2016-2017

对2016-2017 年南北极海冰范围和面积进行统计分析（表4）发现北极海冰范围和面积均方根误差分别为0.270 0×106km2和0.141 5×106km2，南极海冰范围和面积均方根误差分别为0.112 0×106km2和0.153 5×106km2，相关性良好。

图 6 2016-2017 年北半球（a）和南半球（b）FY-3C 和F17 海冰范围和面积的每日百分比差异的时间序列Fig. 6 Time series of the daily percent differences between FY-3C and F17 sea ice extents and areas of the Northern Hemisphere (a) and Southern Hemisphere (b) for 2016-2017

表 4 2016-2017 年南北极海冰范围和面积与NSIDC 差异的统计分析Table 4 Statistical analysis of the total Arctic and Antarctic ice extent and area difference for 2016-2017

5 结论

对于气候研究以及长时间序列地球物理量的观测，数据的一致性非常重要。本文研究了利用FY-3C卫星微波辐射计反演极区海冰密集度的方法，得到与NSIDC 产品一致性较强的海冰密集度数据集，并初步验证了所得结果，主要结论如下：

（1）本文给出各通道每月的回归系数（表2）。天气影响对反演得到的海冰密集度数据的准确性影响很大，部分开阔海域上空大气水汽、云中液态水、降雨等现象造成的杂乱海冰密集度，天气滤波器不能有效除去，使用海冰掩模对开阔水域残留的杂散海冰进行修正。

（2）陆地污染效应是造成海冰密集度数据集误差的主要原因。生成5 种类型海岸模板以及计算适用于FY-3C 微波辐射计的南北两极夏季最小密集度模板，对陆地污染现象造成的大量虚假海冰进行了有效的纠正，但在湖泊地区存在过度纠正的现象。

（3）根据本文方法反演2016 年、2017 年的南北极海冰密集度并分别计算海冰范围和海冰面积，统计分析、验证数据集的准确性。两年南北极海冰范围和面积变化趋势与NSIDC 产品基本一致，平均差异控制在3%以内。北极海冰面积均方根误差为0.141 5×106km2，南极海冰范围均方根误差为0.112 0×106km2，相关性良好。2017 年与2016 年趋势及差异一致，此方法可以用于后续的数据集产品。北极12 月至翌年5 月偏低；7 月、8 月、9 月偏高，其中7 月范围差异最为明显。由于本方法对冰水交界处、内陆湖等处的海冰低估，造成北极冬季海冰面积、范围偏小；仍有残留的虚假海冰没有去除，造成北极夏季海冰面积、范围偏多。天气滤波器阈值需要进一步调整。南极海冰范围和面积整体高于NSIDC 产品，6 月、7 月、8 月海冰范围、面积偏高，其中12 月至翌年4 月差异较大。南极各影响因素较北极小，且与北极海冰类型不同、辐射特性不同，高估主要是由于亮温校正造成。还存在月份间差异，亦由于亮温校正造成。后续工作将南北极分开计算匹配数据集校正。

本研究结果为发布我国自主卫星的极区海冰密集度业务化产品奠定了基础，制作的产品可保障面临中断的40 多年极区海冰记录的连续性。接下来将对时间、空间不连续进行插值处理、对造成两数据集差异的原因做进一步的分析。