CN115435674B - 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法 - Google Patents
一种现场观测和卫星遥感联合反演北极海冰积雪深度方法 Download PDFInfo
- Publication number
- CN115435674B CN115435674B CN202210997253.5A CN202210997253A CN115435674B CN 115435674 B CN115435674 B CN 115435674B CN 202210997253 A CN202210997253 A CN 202210997253A CN 115435674 B CN115435674 B CN 115435674B
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- snow depth
- snow
- sea ice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000035515 penetration Effects 0.000 claims abstract description 85
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 10
- 230000003746 surface roughness Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 8
- 239000013535 sea water Substances 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 241000013355 Mycteroperca interstitialis Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000007903 penetration ability Effects 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本发明公开了一种现场观测和卫星遥感联合反演北极海冰积雪深度方法，属于卫星遥感积雪深度反演技术领域。包括如下步骤：下载卫星遥感数据和现场观测数据并建立相应数据库，对其进行极地网格重构；基于干舷误差修正方程获取雷达穿透因子计算公式；将多种现场观测数据和卫星测高数据代入该公式，通过高斯拟合推导出北极一年冰和多年冰上的雷达穿透率；结合雷达穿透率和速度校正理论构建积雪深度反演方程；将数据带入积雪深度反演方程，得到积雪深度。本发明构建的积雪深度反演方程能有效提升利用卫星遥感反演北极海冰上积雪深度的精度，同时反演数据具备更广的时空覆盖范围。
Description
技术领域
本发明涉及卫星遥感积雪深度反演(Snow Depth Retrieval)技术领域，特别涉及一种基于现场观测数据进行修正的积雪深度反演方法。
背景技术
北极海冰上的积雪具有高反照率和低导热性，控制着海冰、海洋和大气之间的热量和能量传递，同样也在全球气候变化中扮演着重要的角色。在夏季，积雪反射了高达85％的太阳短波辐射，导致海冰开始融化的时间延后，并一直持续到高反照率的雪层消失。在冬季，它起到了绝缘体的作用，限制了热量从海洋通过海冰传递到大气中，减缓了海冰的生长。在融雪季节，融雪中的水汇聚形成融化池，从而降低地表反照率，进一步提高海冰融化速率。此外，当融水通过冰盖流入表层海洋时，会降低海洋的盐度和密度结构，从而影响海洋的分层和混合。
尽管有大量研究表明了北极海冰上积雪深度的重要性，但科学界对其仍然了解不足。关于北极海冰积雪的大部分认识是基于Warren等提出的雪深气候学(W99)，该气候学主要利用上个世纪1954—1991年位于多年冰(MYI)上的苏联北极漂流站所收集的雪深数据，通过二元二次拟合表现为月平均的积雪深度分布。然而，考虑到北极地区受气候的影响正进行快速的变化，局限于多年冰上站点数据导出的W99气候学可能已经过时，因此W99不能作为近几十年来北极雪深分布的代表性指标。值得注意的是，当今被广泛运用的北极海冰厚度产品几乎使用的都是W99数据作为输入。
考虑到北极地理位置和气候的特殊性，难以进行积雪深度的实际测量，当今对于北极流域尺度的积雪深度估计主要通过卫星遥感和数值模式可以实现。其中，主要用于获取积雪深度的传感器是被动微波辐射计(PMW)，通过微波成像仪探测的亮温(TB)与实测雪深数据之间的相关分析，利用经验关系导出的方程来反演积雪深度。对于数值模式，主要基于物理的建模方法开发了一些简单的模型，使用再分析资料(主要是降雪数据)进行强迫。
然而，通过上述两种方法获取的积雪深度都存在较大的误差和不确定性。对于PMW方法，大部分产品的经验参数是基于“冰桥行动”(OIB)现场观测数据导出的，其主要是春季位于多年冰上的实测雪深数据。因此，该方法获取的积雪深度数据有效性具有较大的时空范围限制。对于数值模式方法，当今绝大多数发布的产品与现场观测数据之间的差异较大，并且在积雪增长时期(10月—来年4月)也表现了过高的变化趋势，其仍然需要在海冰漂移和积雪再分布算法上不断进行改进。
因此，有关北极海冰积雪深度的反演仍然具有很大的挑战。随着ICESat-2的发射(2018年)，CryoSat-2和ICESat-2能够共同探测北极地区。其中，ICESat-2(激光测高)和CryoSat-2(雷达测高)分别测量雪层顶部和底部的高度，理论上根据两个高度差异可以估计雪层的厚度。值得注意的是，如何准确估计雷达测高的主要散射界面是该方法的关建因素。
发明内容
针对目前北极积雪深度数据反演的不准确以及雷达主要散射界面估计所引起的误差等问题。本发明基于CryoSat-2和ICESat-2卫星测高数据，综合考虑了双卫星测高的协同探测能力并基于现场观测数据进行了修正，有效提升了北极积雪深度反演结果的准确性，也为评估北极流域尺度的北极积雪深度提供了一种创新的方法。
为了达到上述目的，本发明提出了一种基于现场观测数据进行修正的积雪深度反演方法，具体包括如下步骤：
(1)下载CryoSat-2数据和ICESat-2数据作为积雪深度反演的基础数据；下载OIB数据、IMB数据和AWI-Icebird数据作为现场观测修正数据；将所述OIB数据作为验证数据；将以上所有数据建立数据库；
(2)读取CryoSat-2 LARM雷达干舷数据、CryoSat-2 GSFC雷达干舷数据和ICESat-2总干舷数据，将以上数据进行极地网格重构；
(3)根据干舷误差修正方程获取雷达穿透因子计算公式；
(4)读取CryoSat-2 LARM雷达干舷数据；OIB积雪深度数据和总干舷数据；IMB海冰厚度数据和积雪深度数据；AWI-Icebird总干舷数据和积雪深度数据，代入步骤3中推导的所述雷达穿透因子计算公式，得到基于不同现场观测数据下的所述雷达穿透因子，通过高斯拟合并求均值得出北极不同海冰类型下的雷达穿透率；
(5)结合所述雷达穿透率和速度校正理论共同构建IS2+CS2+Penetration的积雪深度反演方程；
(6)读取CryoSat-2 GSFC的雷达干舷数据和ICESat-2的总干舷数据；使用步骤2和步骤4的结果，代入步骤5所述的IS2+CS2+Penetration积雪深度反演方程，得到反演的积雪深度。
进一步的，所述步骤1中的CryoSat-2数据的空间分辨率为25km×25km；ICESat-2数据的空间分辨率为25km×25km；OIB数据沿航迹的空间分辨率为50m；AWI-Icebird数据沿航迹的空间分辨率为50m。
进一步的，所述步骤2中将数据进行极地网格重构包括：利用经纬度和平面转换，以及反距离权重插值函数，将目标数据从原始空间分辨率网格重新分布在25×25km空间分辨率的EASE极地网格。
进一步的，所述步骤3中包括：
(3.1)基于所述雷达穿透因子α，定义考虑穿透的速度校正项和雷达穿透修正项hp：
hp＝(α-1)hs
其中：表示hs表示积雪深度，CS表示雷达信号在积雪层中的传播速度，C表示光速；
(3.2)获取基于所述雷达穿透因子α的所述干舷误差修正方程：
总干舷方程表示为：
其中：hfi表示海冰干舷，hfr表示雷达干舷，hc表示速度校正项，hp表示雷达散射界面修正项，hrough表示海冰粗糙度项；hf表示总干舷；
(3.3)基于总干舷方程获取所述雷达穿透因子的计算公式：
其中：ε(hrough)表示海冰表面粗糙度引起的误差项。
进一步的，考虑积雪穿透速度的先验知识：
CS＝C(1+0.51ρs)-1.5
代入所述雷达穿透因子计算公式，假设海冰表面粗糙度引起的误差项能忽略，得到：
其中：ρs表示积雪密度。
进一步的，所述积雪密度采用北极线性积雪密度：
ρs＝6.5×t+274.51
其中：时间t的取值从第一年10月到第二年的4月，第一年10月的t为0，第二年4月的t为6，月份之间t间隔为1。
进一步的，所述步骤5中IS2+CS2+Penetration积雪深度反演方程为；
其中：表示ICESat-2的激光测高数据，表示CryoSat-2GSFC雷达测高数据。
本发明的有益效果：
1、相比以往的北极积雪深度产品覆盖不全面，数据不准确。本发明首次提出了利用CryoSat-2和ICESat-2卫星测高的协同探测能力来估计北极海冰积雪深度。
2、本发明针对CryoSat-2雷达测高中雷达主要散射界面估计不准确，综合考虑积雪层的体积散射、积雪盐度以及海冰表面粗糙度等影响，定义了雷达穿透因子，以便定量描述卫星探测和现场观测之间的差异。
3、本发明考虑了包括机载(OIB)、浮标(IMB)和电磁感应(AWI-Icebird)在内的多种现场数据修正，导出了北极不同海冰类型的雷达穿透率，有效提升了反演积雪深度的精度。
4、本发明提出的积雪深度反演方法能够提供近实时、大范围的北极积雪深度观测数据，现场观测数据的验证表明该数据相比当前产品的精度有显著提升。
附图说明
图1为本发明实施例反演北极海冰积雪深度方法流程示意图。
图2为本发明实施例反演北极海冰积雪深度方法物理建模示意图。
图3为本实施例反演得到的2018年10月—2019年4月的北极积雪深度分布示意图。
图4为本发明实施例反演得到的积雪深度数据与现场观测数据的验证结果示意图。
具体实施方式
下面结合附图和实施例对本发明给出的技术方案作进一步说明。
S101、下载CryoSat-2数据和ICESat-2数据作为积雪深度反演的基础数据；下载OIB数据、IMB数据和AWI-Icebird数据作为现场观测修正数据；将所述OIB数据作为验证数据；下载MW99/AMSR2数据和NESOSIM数据作为对比评估数据；将以上所有数据建立数据库；
(1)采用下载工具下载月平均的、空间分辨率为25km×25km的CryoSat-2LARM数据，时间范围为2011—2018年，该数据集包含了雷达干舷、海冰干舷、海冰厚度、积雪密度和积雪深度。对CryoSat-2LARM数据建立数据库。
(2)采用下载工具下载月平均的、空间分辨率为25km×25km的CryoSat-2GSFC数据，时间范围为2011—2018年，该数据集包含了雷达干舷、海冰表面粗糙度、海冰厚度、积雪密度和积雪深度。对CryoSat-2 GSFC数据建立数据库。
(3)采用下载工具下载月平均的、空间分辨率为25km×25km的ICESat-2数据集，该数据集包含了总干舷、海冰厚度、积雪密度和积雪深度。对ICESat-2数据建立数据库。
(4)采用下载工具下载每天的、沿航迹的空间分辨率为50m的OIB数据集，该数据集包含了海冰厚度、积雪深度、海冰干舷和海冰高度数据。对OIB数据建立数据库。
(5)采用下载工具下载每天的、沿航迹的空间分辨率为50m的AWI-Icebird数据集，该数据集包含了总干舷、积雪深度、海冰干舷和海冰密度数据。对AWI-Icebird数据建立数据库。
(6)采用下载工具下载每天的、沿航迹的定点漂流IMB数据集，该数据集包含了海冰厚度和积雪深度数据。对IMB数据建立数据库。
(7)采用下载工具下载月平均的、空间分辨率为25km×25km的MW99/AMSR2数据集，该数据集包含了积雪密度和积雪深度数据，对MW99/AMSR2数据建立数据库。
(8)采用下载工具下载月平均的、空间分辨率为100km×100km的NESOSIM数据集，该数据集包含了积雪密度和积雪深度数据，对NESOSIM数据建立数据库。
S102、读取CryoSat-2 LARM雷达干舷数据、CryoSat-2 GSFC雷达干舷数据、ICESat-2总干舷数据、MW99/AMSR2积雪深度数据和NESOSIM积雪深度数据，将以上数据进行极地网格重构；
本发明通过极地网格重构，将后续待处理的数据统一处理成相同空间分辨率网格上，考虑到所有数据的坐标点为经纬度，考虑到地球真实的曲率半径变化，在利用IDW(反距离权重)进行数据再分布时会产生较大误差，为了保证再分布的合理性，首先需要将经纬度坐标转换为以北极点为原点的X-Y坐标平面下。
坐标的转换公式为：
其中：X和Y为分别表示转换后的网格横坐标和纵坐标，lon和lat分别原始数据的经度和纬度。Factor是中间处理过程的转换系数。利用上述转换公式我们得到了以北极为原点的X-Y坐标系。
接着利用反距离权重方法进行极地网格重构，反距离权重函数表示为：
其中：hi是离散点到插值点的距离，hj是权重距离。(x,y)表示为原始数据坐标点，(xi,yi)则为目标转换坐标。
通过反距离权重法将CryoSat-2 LARM雷达干舷数据、CryoSat-2 GSFC雷达干舷数据、ICESat-2总干舷数据、MW99/AMSR2积雪深度数据和NESOSIM积雪深度数据统一再分布在EASE极地网格上，方便后续的处理过程。
S103、根据干舷误差修正方程获取雷达穿透因子计算公式；
如图1所示，首先考虑到CryoSat-2的雷达测高存在较大的误差，因此需要进行一定的修正才能得到更为准确的北极海冰干舷数据。一方面，通过大量现场观测的验证，相关学者表示由于空气-积雪界面和积雪内的体积散射，海冰干舷的估计存在较大的误差。另一方面，雷达后向散射信号对积雪层内的含盐量也非常敏感。因此，雷达干舷已经被单独用来描述最初获取的干舷高度(未经过校正)，与之的对应的海冰干舷则表示经过误差修正的干舷高度。
Ricker等首次提出了干舷误差修正方程，用于获取较为准确的海冰干舷，如下式所示：
hfi＝hfr+hc+hp+hrough
其中：hfi表示海冰干舷，hfr表示雷达干舷，hc表示速度校正项，hp表示雷达散射界面修正项，hrough表示海冰粗糙度项。
考虑雷达信号在积雪层中速度会减慢，而不是原本反演理解的光速。速度校正项hc通常表示为积雪深度hs和积雪中的雷达传播速度函数的乘积：
将雷达信号通过积雪层所引起的时间误差表示为：
Δt＝tv-tc
其中：tv表示雷达信号以穿透速度通过积雪层的时间，tc表示雷达信号以光速穿透积雪的时间。ts和tv可以表示为：
其中：CS表示雷达信号在积雪层中的传播速度，C表示光速(3×108m/s)。
由于积雪层存在，雷达信号的时间延误为：
将雷达信号在空气中的传播速度(光速)乘以雷达信号的时间延误即可得到速度校正误差项hc公式
进一步，考虑到雷达主要散射界面的估计不准确，本发明定义了雷达穿透因子α来定量修正这一误差，雷达穿透因子的物理意义表示为雷达信号穿透积雪层的比例，因此可以得到雷达穿透修正项hp：
hp＝(α-1)hs
进一步，当考虑雷达信号不能完全穿透积雪层时，速度校正项进一步发生变化，即雷达信号的速度发生变化的路径并不是完整的积雪层而是穿透深度，因此考虑穿透的速度校正变为：
因此，综上所述，本发明定量得到了干舷误差校正方程的展开形式：
北极地区典型的现场观测能够获取总干舷和积雪深度，进一步将上式的海冰干舷替换为总干舷：
进一步，可以得到雷达穿透因子的表达式：
其中，ε(hrough)表示海冰表面粗糙度引起的误差项，一定程度上会对雷达穿透因子的估计有较大影响。雷达穿透因子和雷达穿透率具有相同的物理定义，其差别在于雷达穿透因子是单个现场观测点和卫星探测点的差异值，而雷达穿透率是整体的平均估计值。
此外，考虑到部分现场观测数据能够获取到海冰厚度和积雪深度，为了能够进一步利用该雷达穿透因子，需要将海冰厚度和积雪深度转换为总干舷。
当海冰漂浮于海面上，假设此时符合流体静力平衡关系：
F浮＝Gsnow+ice＝g(ρiVi+ρsVs)＝ρwgVw
F浮表示总物体受到的浮力，Gsnow+ice等于冰和雪的自重，g表示重力加速度，ρi表示海冰密度，ρs表示积雪密度，ρw表示海水密度，Vw表示排开水的体积。
将上述式子化简，其中将体积转换为高度，并定义单位面积对应高度：
(ρiVi+ρsVs)＝ρwVw
(ρihi+ρshs)＝ρwhw
接着，将浮于水面上的海冰定义为海冰干舷hfi＝hi-hw，将hw替换成海冰干舷可得静力平衡反演海冰厚度hi的基础方程：
或者另一种形式：
此时，如果具备北极海冰密度、海水密度和积雪密度的先验知识，则可以通过上式获取总干舷。
至此，本发明完成了对雷达穿透因子定义。
S104、读取CryoSat-2 LARM雷达干舷数据；IMB积雪深度数据和总干舷数据；IMB海冰厚度数据和积雪深度数据；AWI-Icebird总干舷数据和积雪深度数据，代入步骤S103中推导的所述雷达穿透因子计算公式，得到基于不同现场观测数据下的所述雷达穿透因子，通过高斯拟合并求均值得出北极不同海冰类型下的雷达穿透率；
本发明基于S103推导的雷达穿透因子，综合考虑海冰粗糙度、积雪盐度、积雪体积散射等对雷达信号的影响，基于不同现场观测数据获取了雷达穿透因子的估计，将所有雷达穿透因子进行高斯拟合，最终导出了北极不同海冰类型下的雷达穿透率(雷达信号在积雪层中的平均穿透率)。
考虑到雷达穿透因子中需要：(1)CryoSat-2雷达测高(2)雷达信号穿透积雪的速度(3)实测的总干舷(4)实测的积雪深度
对于CryoSat-2雷达测高的选取，当今广泛发布的产品有AWI、CPOM、GSFC和LARM等，不同产品使用的方法存在较大的差异。
其中，AWI产品使用ESA L1b基线CryoSat-2雷达波形，应用50％阈值最大回溯算法(TFMRA)得出了不同表面类型(海冰和冰间水道)的高程。；GSFC与其他CryoSat-2产品的海冰干舷算法不同，GSFC产品使用波形拟合方法进行推导得到海冰干舷。进一步，通过与预计算的波形进行统计分析，使用最小二乘法使得误差最小化，得出后向散射雷达波形的表面类型、高程和其他特征；CPOM处理方法是根据雷达波形中第一个前缘峰值的70％判断表面类型，进一步应用Giles等开发的重新跟踪方法，确定海冰高程。CPOM算法利用UCL13平均海面(MSS)计算海面高度异常，并减少大地水准面对干舷估计的影响，这一步骤在冰间水道覆盖较少的区域显得非常重要。
近期的一项研究中，Landy等开发了一种新的模型来推导海冰干舷，主要是使用对数模型(LARM)。值得注意的是，GSFC中的物理模型假设海冰表面具有起伏的高斯地形，相比传统的阈值方法有着较高的准确度。然而，根据机载激光雷达的观测表明，高斯模型仍然无法准确描述海冰表面高度。近些年，相关学者表示海冰表面高度的概率分布可以用对数函数很好地表示。因此，一定程度上如果选取LARM可以最大程度减少海冰表面粗糙度对雷达主要界面估计的影响。
此外，本发明涉及到的界面系数估计仍然需要积雪穿透速度的先验知识，根据Ulaby等的结论，可以表示为：
CS＝C(1+0.51ρs)-1.5
上式表明积雪穿透速度与北极积雪密度的分布存在重要关系，本发明采用了近些年提出的北极线性积雪密度(M20)，表示为：
ρs＝6.5×t+274.51
其中时间t的取值从第一年10月到第二年的4月，第一年10月的t为0，第二年4月的t为6，月份之间t间隔为1。采用该密度可以最大程度减少海冰热力学增长误差，积雪密度的单位为kg/m3。
更进一步，本发明根据不同现场观测数据推导雷达穿透因子：
(1)冰桥行动机载探测(OIB)
本发明使用了两种版本的OIB数据，分别是OIB L4(2011—2013年)OIB QuickLook(2013—2018年)。考虑到“冰桥行动”(OIB)作为空中机载测量，提供了空间分辨率为40m的总干舷和积雪深度数据，本发明采用Laxon等使用的方法，将每月所有的OIB现场观测点在25km×25km的网格内求平均(与S2的统一网格保持一致)，以得到月平均的OIB数据。
将LARM干舷数据代入雷达穿透因子中，一定程度可以忽略ε(hrough)的影响，可以得到：
进一步，可以得到数据共同覆盖区域的雷达穿透因子，时间跨度为2011—2018年，考虑到OIB数据的特征，该雷达穿透因子大部分表示的是雷达信号对春季北极多年冰穿透能力。
(2)海冰质量平衡浮标(IMB)
本发明使用了2010—2016年时段持续观测的IMB数据，相比OIB数据，IMB数据提供了海冰厚度和积雪深度数据，同时年的探测时段覆盖整个海冰增长时期。
为了能够进一步利用IMB数据，首先使用S3中的方法利用IMB的海冰厚度和积雪深度转换成总干舷，辅助数据需要海水密度、海冰密度和积雪密度。同时，由于IMB数据是定点漂流数据，在时间和空间上与网格点数据存在很大差异，如果同样按照OIB处理方法一样进行网格平均会产生相当大的误差。因此，本发明将LARM干舷以及各种辅助数据(密度参数)统一插值到IMB的漂流轨迹上，每月浮标所有的漂流轨迹对应产品月平均的干舷和辅助数据集。
其中，海水的密度是指单位体积内海水的质量。海水密度一般在1020～1070kg/m3之间，它取决于温度、盐度和压力(或深度)，本发明按照以往常规处理，取ρw＝1024kg/m3。海冰密度的知识仅适用于有限数量的观测数据得出的一年冰和多年冰的平均值。根据A10提出的理论，本发明的海冰密度取值为：一年冰ρi＝916.7kg/m3,多年冰ρi＝882.0kg/m3。
进一步，可以得到基于IMB定义的雷达穿透因子：
最终得到了基于IMB导出的雷达穿透因子估计值，其时空范围较大，包括了北冰洋大部分区域。
(3)AWI冰鸟探测(AWI-Icebird)
本发明使用了2017年的AWI-Icebird探测数据，主要包含了总干舷和积雪深度，处理方法与OIB保持一致，将每月所有的AWI-Icebird现场观测数据在25km×25km的网格内求平均。将数据代入雷达穿透因子中：
得到了基于AWI-Icebird导出的雷达穿透因子估计值，其能够表征雷达信号在春季格陵兰岛和加拿大北极群岛北部的积雪层穿透能力。
进一步，将上述基于不同现场观测数据导出的雷达穿透因子进行高斯拟合，以得到平均状态的雷达穿透率用于后续建立积雪深度反演方程。高斯拟合函数表示为：
其中，μ表示拟合结果的均值，σ表示拟合结果的标准差。进一步，将不同现场观测数据导出的雷达穿透因子按照不同海冰类型(数据由CryoSat-2产品提供)或整体代入该公式，得到的雷达穿透率如下表所示：
S105、结合所述雷达穿透率和速度校正理论共同构建IS2+CS2+Penetration的积雪深度反演方程；
本发明利用ICESat-2的激光测高和CryoSat-2的雷达测高，结合速度校正理论和雷达穿透率，推导出了IS2+CS2+Penetration积雪深度反演方程。具体的推导过程如图1所示，涉及的物理建模如图2所示。
考虑两种卫星测高的差异，可以简单得到积雪深度：
此时，在2018—2021时段，在已经发布产品中最佳可靠的是GSFC，因此将GSFC作为后续积雪深度反演的基础雷达测数据。同时，注意到在雷达穿透因子推导中使用LARM方法可以最大程度减少海冰粗糙度对界面修正率的影响，而在干舷修正方程中海冰粗糙度项并不是主要误差来源，因此本发明选取GSFC作为积雪深度反演基础数据代入时，仍然可以忽略粗糙度项的影响。
进一步，化简方程：
至此，通过双卫星测高的差异并结合速度校正理论和雷达穿透率推导出了IS2+CS2+Penetration积雪深度反演方程。注意到，方程中最大的误差来源主要取决于CryoSat-2的雷达测高数据，而本发明通过引入雷达穿透率有效提升了积雪反演的精度。
S106、读取CryoSat-2 GSFC的雷达干舷数据和ICESat-2的总干舷数据；使用步骤S102和步骤S104的结果，代入步骤S105所述的IS2+CS2+Penetration积雪深度反演方程，得到反演的积雪深度。
本发明基于S105推导的IS2+CS2+Penetration积雪深度反演方程，通过代入标准网格的GSFC雷达测高数据、ICESat-2激光测光数据、积雪密度数据以及S104导出的雷达穿透率，反演得到了北极流域尺度2018—2020年的积雪深度数据，同时与现场数据进行了验证。
基础反演方程为：
进一步，为了便于方程的量化分析，本发明定义了干舷差异ΔH和比例系数k：
hs＝kΔH
对于雷达穿透率α，选取S104中基于所有现场观测数据的导出的一年冰雷达穿透率为0.77和多年冰雷达穿透率为0.96。
对于积雪密度，同样与本发明上述步骤中一致，使用北极线性积雪密度。
因此，进一步可以得到北极不同月份下一年冰和多年冰的比例系数k，如下表所示：
将GSFC雷达测高数据、ICESat-2激光测高数据和积雪密度数据代入方程后，本发明得到了2018—2020年北极的积雪分布特征(如图3所示)。进一步将MW99/AMSR2和NESOSIM与本发明反演的积雪深度数据与OIB数据进行了一致性检验。本发明选取OIB作为验证数据，其中评估参数为：相关性(R)、平均差异(MD)和均方根误差(RMSE)。
其中，SD表示不同产品的积雪深度数据，Obs表示实测积雪深度数据，表示不同产品的积雪深度数据在空间/时间上的平均值，表示实测积雪深度数据在空间/时间上的平均值，最终的验证结果如图4所示，结果表明：本发明反演得到的积雪深度数据具有最好的相关性(0.42)，平均差异和均方根误差分别为-0.04m和0.08m。虽然MW99/AMSR2与本发明在误差方面相当，但MW99/AMSR2与OIB的验证点中出现了同一MW99/AMSR2积雪深度范围内对应了大量OIB验证点，这并不具有真实的积雪分布特征。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的原则和精神之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种现场观测和卫星遥感联合反演北极海冰积雪深度方法，其特征在于：
（1）下载CryoSat-2数据和 ICESat-2数据作为积雪深度反演的基础数据；下载OIB数据、IMB数据和AWI-Icebird数据作为现场观测修正数据；将所述OIB数据作为验证数据；将以上所有数据建立数据库；
（2）读取CryoSat-2 LARM雷达干舷数据、CryoSat-2 GSFC雷达干舷数据和ICESat-2总干舷数据，将以上数据进行极地网格重构；
（3）根据干舷误差修正方程获取雷达穿透因子计算公式；
（3.1）基于所述雷达穿透因子 ，定义考虑穿透的速度校正项和雷达穿透修正项：
其中：表示积雪深度，表示雷达信号在积雪层中的传播速度，表示光速；
（3.2）获取基于所述雷达穿透因子的所述干舷误差修正方程：
总干舷方程表示为：
其中：表示海冰干舷，表示雷达干舷，表示速度校正项，表示雷达散射界面修正项，表示海冰粗糙度项；表示总干舷；
（3.3）基于总干舷方程获取所述雷达穿透因子的计算公式：
，
其中：表示海冰表面粗糙度引起的误差项；
（4）读取CryoSat-2 LARM雷达干舷数据；OIB积雪深度数据和总干舷数据；IMB海冰厚度数据和积雪深度数据；AWI-Icebird总干舷数据和积雪深度数据，代入步骤（3）中推导的所述雷达穿透因子计算公式，得到基于不同现场观测数据下的所述雷达穿透因子，通过高斯拟合并求均值得出北极不同海冰类型下的雷达穿透率；
（5）结合所述雷达穿透率和速度校正理论共同构建的积雪深度反演方程；
所述积雪深度反演方程为；
其中：表示ICESat-2的激光测高数据，表示CryoSat-2GSFC雷达测高数据；
（6）读取CryoSat-2 GSFC的雷达干舷数据和ICESat-2的总干舷数据；使用步骤（2）和步骤（4）的结果，代入步骤（5）所述的积雪深度反演方程，得到反演的积雪深度。
2.根据权利要求1所述的现场观测和卫星遥感联合反演北极海冰积雪深度方法，其特征在于：所述步骤（1）中的CryoSat-2数据的空间分辨率为25km×25km；ICESat-2数据的空间分辨率为25km×25km；OIB数据沿航迹的空间分辨率为50m；AWI-Icebird数据沿航迹的空间分辨率为50m。
3.根据权利要求1所述的现场观测和卫星遥感联合反演北极海冰积雪深度方法，其特征在于：所述步骤（2）中将数据进行极地网格重构包括：利用经纬度和平面转换，以及反距离权重插值函数，将目标数据从原始空间分辨率网格重新分布在25×25km空间分辨率的EASE 极地网格。
4.根据权利要求1所述的现场观测和卫星遥感联合反演北极海冰积雪深度方法，其特征在于：
考虑积雪穿透速度的先验知识：
代入所述雷达穿透率计算公式，假设海冰表面粗糙度引起的误差项能忽略，得到：
其中：表示积雪密度。
5.根据权利要求4所述的现场观测和卫星遥感联合反演北极海冰积雪深度方法，其特征在于，所述积雪密度采用北极线性积雪密度：
其中：时间的取值从第一年10月到第二年的4月，第一年10月的为0，第二年4月的为6，月份之间间隔为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210997253.5A CN115435674B (zh) | 2022-08-19 | 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210997253.5A CN115435674B (zh) | 2022-08-19 | 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115435674A CN115435674A (zh) | 2022-12-06 |
| CN115435674B true CN115435674B (zh) | 2024-07-12 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553766A (zh) * | 2021-07-22 | 2021-10-26 | 南京信息工程大学 | 一种使用机器学习反演北极积雪深度的方法 |
| CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553766A (zh) * | 2021-07-22 | 2021-10-26 | 南京信息工程大学 | 一种使用机器学习反演北极积雪深度的方法 |
| CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gascoin et al. | Wind effects on snow cover in Pascua-Lama, Dry Andes of Chile | |
| Surazakov et al. | Estimating volume change of mountain glaciers using SRTM and map-based topographic data | |
| Vernon et al. | Surface mass balance model intercomparison for the Greenland ice sheet | |
| Blockley et al. | Recent development of the Met Office operational ocean forecasting system: an overview and assessment of the new Global FOAM forecasts | |
| Dimri et al. | Regional climate model application at subgrid scale on Indian winter monsoon over the western Himalayas. | |
| Costoya et al. | Using bias-correction to improve future projections of offshore wind energy resource: A case study on the Iberian Peninsula | |
| Chen et al. | Easy-to-use spatial random-forest-based downscaling-calibration method for producing precipitation data with high resolution and high accuracy | |
| Mernild et al. | Snow distribution and melt modeling for Mittivakkat Glacier, Ammassalik Island, southeast Greenland | |
| Iermano et al. | Impacts of a 4-dimensional variational data assimilation in a coastal ocean model of southern Tyrrhenian Sea | |
| Clayson et al. | Effects of rainfall on the atmosphere and the ocean during SPURS-2 | |
| CN101936777A (zh) | 一种基于热红外遥感反演近地层气温的方法 | |
| Uebbing et al. | Waveform retracking for improving level estimations from TOPEX/Poseidon, Jason-1, and Jason-2 altimetry observations over African lakes | |
| Datta et al. | Melting over the northeast Antarctic Peninsula (1999–2009): evaluation of a high-resolution regional climate model | |
| Rippin et al. | Evidence towards a thermal lag in the response of Kårsaglaciären, northern Sweden, to climate change | |
| CN111125934A (zh) | 基于最小二乘平差的海冰厚度分布估测方法及系统 | |
| Tong et al. | Spatial gap-filling of SMAP soil moisture pixels over Tibetan plateau via machine learning versus geostatistics | |
| Arnold et al. | Self-similarity in glacier surface characteristics | |
| Chen et al. | Easy-to-use spatial Random Forest-based downscaling-calibration method for producing high resolution and accurate precipitation data | |
| Rowley et al. | Relationships of West Greenland supraglacial melt‐lakes with local climate and regional atmospheric circulation | |
| CN115435674B (zh) | 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法 | |
| Mernild et al. | Meltwater flux and runoff modeling in the ablation area of Jakobshavn Isbræ, West Greenland | |
| Paolo et al. | Widespread slowdown in thinning rates of West Antarctic Ice Shelves | |
| CN115435674A (zh) | 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法 | |
| Mu et al. | Remote detection of varying water storage in relation to surfacial temperature of Aral Sea | |
| Joshi et al. | Use of objective analysis to estimate winter temperature and precipitation at different stations over western Himalaya |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |