论文部分内容阅读
本论文以海表温度（SST）数据的融合与重构研究为主要目标,以风云三号C卫星（FY-3C）的SST产品数据为主要遥感数据源,从遥感反演得到的SST数据的质量控制和偏差校正出发,通过对SST数据质量进行有效控制和提升,以及采用不同SST重构方法的对比与分析,以实现对SST数据的有效融合和重构。围绕着这一技术流程,本文首先对FY-3C的可见光红外扫描辐射计（VIRR）和微波成像仪（MWRI）的SST产品数据进行质量评估,然后对卫星反演的SST数据进行偏差校正,再利用最优插值（OI）方法和卡尔曼（Kalman）滤波方法实现对SST数据的重构,并针对SST样本过于稀疏的情况,建立RBFN模型以实现对重构SST的进一步优化。首先,利用实测SST数据实现了对VIRR和MWRI的SST数据在不同时空尺度上的误差统计。统计结果表明,VIRR和MWRI产品质量在时间序列和纬度空间上均有一定的差异。其中,VIRR产品的白天（VIRRD）和夜间（VIRRN）SST在低纬度区域平均偏差（Bias）最大,在中高纬度地区较小,且平均Bias会随时间的推移往负偏差方向偏移;MWRI产品的白天（MWRID）和夜间（MWRIN）SST的年平均Bias±误差标准差（STDE）分别为0.6044±3.9064℃和0.7653±3.7307℃,且在不同纬度空间的差异较大,在低纬度地区的SST精度相对较高,中高纬度的SST精度较差。另外,MWRID和MWRIN数据质量很不稳定,在2015年的TimeⅢ期间分别出现了3.5380℃和3.8018℃的正偏差。通过对VIRR和MWRI产品误差的对比分析发现,两者的误差除了部分是由反演算法本身所造成的之外,其亮温数据误差对SST的精度影响较大,尤其是MWRI的SST产品,该产品质量还无法满足当前实际应用需求。其次,采用基于分段回归方法对2015年的VIRR SST数据进行偏差校正,以剔除卫星反演SST数据中存在的偏差。与传统的概率密度匹配（PDF）方法相比,该方法不仅考虑了与实测数据间的匹配,还涉及了与SST相关的气候SST和观测天顶角,能够根据不同的观测值在多维相关变量空间上的差异性选择不同的匹配样本。对偏差校正后的SST结果统计分析表明,基于分段回归方法能够有效地剔除VIRR产品数据中存在的SST偏差,其中VIRRD和VIRRN的平均Bias从原来的-0.5877℃和-0.4801℃分别减小到0.0173℃和-0.0177℃,平均SD从原来的1.3544℃和1.2840℃分别减小为0.4965℃和0.4920℃,且校正后的VIRR SST无论在空间分布还是时间序列上,其数据质量都得到了明显地改善。另外,采用OI方法和Kalman滤波方法实现了对SST数据的融合与重构试验。试验基于质量控制后的SST和偏差校正后的VIRR SST数据,构建的原始SST场,并根据不同SST的有效关联范围选择了矩形和方向椭圆作为相关尺度。通过对OI方法的SST分析实验表明,采用方向椭圆相关尺度获得的OIellipse结果要优于采用矩形相关尺度获得的OIrect结果,其中2015年OIellipse和OIrect结果的平均RMSE分别为0.4194℃和0.3816℃,要明显小于原始SST场的0.4775℃。而采用矩形相关尺度的Kalman滤波分析得到的Kalmanrect和采用方向椭圆相关尺度得到的Kalmanellipse结果都能够很好地实现对SST的有效分析,且Kalmanellipse结果要略优于Kalmanrect结果。其中,Kalmanrect结果和Kalmanellipse结果的平均RMSE值分别为0.2921℃和0.2869℃,已非常接近于OISST产品统计的0.2780℃。试验结果表明,采用变化误差估计的Kalman滤波方法比OI方法在SST重构中更具优势。最后,针对OI方法和Kalman滤波方法中SST样本稀少且分布不均匀时受有效关联区域限制的问题,本文采用径向基函数网络（RBFN）方法尝试对SST重构结果进行优化。试验结果表明,RBFN方法能够有效的减少SST的累计误差,其获得的SST重构场比OI方法结果更能准确地描述SST细节的变化,而使SST重构精度更高。此外,对于RBFN模型,改进的最近邻聚类（INNC）算法比K-means和Kohonen-map算法更适合用于该模型隐含节点的选取,而采用多二次函数作为径向基函数比采用高斯函数能更好地进行SST场变化的模拟。