在降雨条件下利用SMAP L波段辐射测量技术反演海表盐度

《Remote Sensing of Environment》:Retrieval of sea surface salinity from SMAP L-band radiometry under rainfall conditions

【字体: 大 中 小 】 时间:2026年07月30日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  •开发了适用于降水条件的SMAP L波段海表盐度反演算法。•修正了降雨对大气辐射传输和海表发射的影响。•通过独立的现场观测验证,提升了受降水影响的海表盐度反演精度。1. 引言海表盐度是受蒸发-降水、河流径流、冰川融水以及海洋环流影响的重要海洋参数。因此,海表盐度被广泛用作研究气海

  •开发了适用于降水条件的SMAP L波段海表盐度反演算法。•修正了降雨对大气辐射传输和海表发射的影响。•通过独立的现场观测验证,提升了受降水影响的海表盐度反演精度。1. 引言海表盐度是受蒸发-降水、河流径流、冰川融水以及海洋环流影响的重要海洋参数。因此,海表盐度被广泛用作研究气海淡水交换的观测依据,以及判断气候尺度下全球水循环状况的工具。过去十年间,卫星L波段辐射测量技术使得对全球范围的海表盐度进行近乎连续的观测成为可能,这弥补了现有稀疏的现场观测数据,提升了在不同空间和时间尺度上分析盐度变化的能力(Reul等人,2020年)。迄今为止,已有四项卫星任务能够提供海表盐度数据,作为常规的地球物理产品:土壤湿度和海洋盐度卫星任务(SMOS)(Kerr等人,2010年)、Aquarius/SAC-D卫星任务(Le Vine等人,2007年)、土壤湿度主动被动卫星任务(SMAP)(Entekhabi等人,2010年)以及HY-4A卫星任务(Shi等人,2016年)。这些任务表明,只要在反演过程中准确考虑海表温度、表面粗糙度以及大气吸收/发射等因素,从L波段海洋亮温数据中反演全球海表盐度是完全可行的。尽管取得了这些进展,但在降水条件下实现精确的海表盐度反演仍然面临挑战。现有的L波段盐度产品通常会通过设置降雨标志和进行质量筛选,以保守的方式处理受降水影响的观测数据(Meissner等人,2017年;Meissner等人,2024年)。虽然这样的过滤措施有助于保持产品的整体质量,但它同时也排除了那些对于理解淡水通量、风暴过程以及上层海洋变化至关重要的观测数据。因此,能够在降水条件下获取海表盐度数据,对于研究降雨引发的气海变化以及上层海洋的快速响应具有重要意义。降水通过大气和海表两种机制干扰L波段观测结果。在大气层中,降雨会增加传播路径上的辐射发射和衰减,从而改变大气顶层的亮温,进而可能影响反演得到的海表亮温值(Jin等人,2022年;Wentz,2005年)。在海表层面,雨滴的撞击会产生轴对称的毛细力-重力波动,即环波,这类波动会增强有助于微波散射和发射的波长段的能量(Bliven等人,1997年;Lemaire等人,2002年)。与此同时,降雨还会增加近海表面的湍流和耗散作用,抑制短周期的重力-毛细波,降低平均斜率(Poon等人,1992年;Tsimplis,1992年)。最终的辐射响应反映了环波导致的表面粗糙度增加与降雨引发的短波衰减这两种效应的共同作用(Contreras和Plant,2006年;Ye和Guo,2024年)。正因如此,要在降水条件下反演海表盐度十分困难,因为必须同时考虑大气层和海表层面的辐射扰动。已有多项研究指出,基于Aquarius或SMAP卫星观测数据,L波段亮温及反演得到的海表盐度存在与降水相关的偏差,这促使人们提出了多种改进策略(Tang等人,2013年;Tang等人,2015年)。还有些研究开发了降雨影响模型,用以描述由降雨积累以及降雨后经过的时间所引发的近海表面盐度变化和分层现象(Asher等人,2014年;Jacob等人,2019年;Santos-Garcia等人,2014年)。这类模型通常以降水数据作为输入,同时结合海洋模型的盐度场作为约束条件,被用于解释与降雨相关的海表盐度异常,以及为Aquarius CAP处理框架中的降雨相关校准提供支持(Meissner等人,2017年)。针对SMAP卫星,有一种专为该卫星设计的参数化降雨影响模型数据集,能够提供基于轨道、不同深度的盐度估算值(表层/1米/5米),同时还包含分层特征信息(Jacob等人,2019年)。不过,这些方法大多要么仅关注地球物理层面的分层信号,要么仅采用特定的经验性残差校正方法。目前,能够在一个统一的框架内同时处理大气层和海表层面的降雨影响以进行反演的方法还相对有限。正是这些局限性,促使人们致力于开发一种基于物理原理、将反演过程与校正措施相结合的方法,该方法能够在保留由降雨导致的表面盐度升高信号的同时,准确反映降雨对亮温的影响。在本研究中,我们专门为降水条件开发了一种SMAP海表盐度反演算法。第2节将介绍所使用的数据集以及数据匹配策略。第3节详细阐述反演方法,包括大气降水校正以及针对降水条件调整的表面粗糙度参数化处理。第4节将通过独立的现场观测数据评估该反演算法的性能,并将其结果与未经校正的SMAP海表盐度产品进行比较。第5节将分析该反演算法对降水强度以及观测覆盖范围的敏感度,第6节则对全文进行总结。2. 数据2.1 SMAP数据土壤湿度主动被动卫星任务于2015年1月31日发射,它运行在近极地、太阳同步轨道上,轨道高度约为685公里,数据采集周期恰好为8天。这样的采样频率使得该卫星能够实现对几乎整个地球海洋区域的覆盖,且重复观测间隔约为3天。在本研究中,我们使用了经过陆地污染校正后的大气顶层亮温数据,这些数据来自Remote Sensing Systems组织的SMAP Level-2C Version 6.0版本经过验证的产品(Meissner等人,2024年),同时还包括相关的地理位置信息以及其他辅助数据。L2C格式的数据以轨道文件的形式提供,观测数据则按照0.25°的固定网格间距存储。为确保数据质量,我们仅保留那些通过了RSS SMAP Level-2C质量控制检验的开放海域观测数据,任何被判定可能受到陆地或海冰污染的观测数据都会被排除在外。此外,我们还根据RSS产品提供的质量指标,排除了那些存在射频干扰或外来污染(如太阳/月球辐射干扰或银河系辐射影响)的观测数据。2.2 降水量数据我们采用了美国国家海洋和大气管理局气候预测中心的CMORPH全球降水产品(1.0版本),该产品可用于描述降水强度,以及分析降雨对L波段辐射观测数据造成的扰动效应(Xie等人,2017年)。CMORPH是一种经过重新处理的数据集,它将低地球轨道卫星上的被动微波传感器所测得的瞬时降水量数据,与来自地球静止轨道红外影像的特征平流数据相结合,从而生成连续的降水场。这种连续的降水场非常适合用于将降水条件与SMAP卫星的观测数据相对应。1.0版本的产品能够在大约60°S至60°N的全球范围内,以30分钟为时间分辨率、0.8公里的网格间距提供降水量数据(Xie等人,2017年)。为减少降水变化尺度与SMAP卫星辐射传感器视场范围之间的差异,我们采用了第2.5节中描述的基于观测覆盖范围的加权方法,将CMORPH提供的降水量数据在空间上聚合到与SMAP卫星观测范围相匹配的尺度。对于每一组SMAP卫星的观测数据,我们都会通过时空匹配的方式确定一个对应的有效降水量值,这个确定的降水量值随后会被用作后续数值模拟和反演分析中的降水输入参数。2.3 辅助数据我们从RSS SMAP Level-2C产品附带的辅助数据中提取了海表温度以及海表面风速和风向数据,这些数据也会与每组SMAP卫星的观测数据一同进行匹配处理。海表温度数据来源于高分辨率海表温度分析项目提供的GFSST 3.0版本数据,这是一项每日更新的、无缺失值的全球性数据产品,其网格间距为0.1°,该数据通过插值方法,将红外卫星和微波卫星测得的海表温度数据与现场观测数据相结合(Martin等人,2012年)。海表面风速数据则来自跨平台校准分析项目2.0版本的结果,该分析项目通过将多颗卫星的校准后观测数据与现场观测数据相结合,运用变分法计算出空间分布完整的每小时风速数据,其网格间距为0.25°,能够得到10米高度处的风速值(Mears等人,2019年)。海表温度数据和风速数据都会被用作海表盐度反演的输入参数。2.4 现场观测数据由于L波段辐射测量技术对海洋表层几厘米以内的区域极为敏感,因此我们使用近海表面的现场盐度测量数据来验证卫星反演结果的准确性,以此减少L波段辐射测量深度与现场采样深度之间的差异。为此,我们采用了三种近海表面现场观测设备来进行验证:盐度漂流器、波浪滑翔仪以及基于船舶的盐度检测系统。盐度漂流器自2007年起开始被投入使用,它们能够测量大约0.2至0.5米深度处的海表盐度值(Reverdin等人,2014年)。在本研究中,我们使用了Laboratoire d'Océanographie et du Climat: Expérimentations et Approches Numériques机构提供的2015年至2020年间的盐度漂流器观测数据。盐度蛇型检测系统的数据则是在2016年至2017年期间进行的SPURS-2观测活动中收集的(Bingham等人,2019年;Ho和Schanze,2020年)。该系统通过从伸出的软管中抽取海水,再将海水输送到船上的检测仪器中,从而测定海水的盐度值。盐度蛇型检测系统所测量的盐度值属于三种检测设备中最低的层次,大约在1至2厘米深度处。波浪滑翔仪也在SPURS-2观测活动中被用来收集数据,每台滑翔仪上都配备了近海表面用的温盐深探测器,同时还有一台位于6米深度处的温盐深探测器,这样就可以持续监测海水的盐度和温度变化。在本研究中,我们使用的是那些位于海面下大约0.1至0.4米深度处的盐度测量数据。所有这些现场观测数据都是通过盐度试点任务应用平台获取的(Guimbard等人,2021年)。相应的数据来源地址和数据集链接可以在数据可用性部分找到。表1汇总了各类观测设备的采样深度、数据来源以及数据覆盖的时间范围。表1. 用于验证的近海表面现场盐度数据集。观测设备采样深度数据来源研究时间段盐度漂流器约0.2–0.5米LOCEAN2015–2020盐度蛇型检测系统约1–2厘米NASA PO.DAAC2016–2017波浪滑翔仪约0.1–0.4米NASA PO.DAAC2016–20172.5 SMAP卫星观测数据与CMORPH降水量数据的匹配处理对于RSS SMAP L2C格式数据集中、按照0.25°网格间距排列的每一组观测数据,我们都会以该组数据对应的地理位置作为中心点,用来对降水量数据进行聚合处理。对于每一组SMAP卫星的观测数据,其对应的时间戳会被调整为与最近的30分钟间隔内的CMORPH降水数据相吻合。之后,我们会按照以下方法对CMORPH提供的降水量数据进行分析处理,从而得出有效的降水量值。对于某一组SMAP卫星的观测数据对应的地理位置,距离它最近的CMORPH网格单元就会构成一个局部邻域窗口的中心。我们会在经度和纬度方向上提取出一个正方形的CMORPH像素区域。对于该窗口内的每一个CMORPH网格单元,我们都会根据它与SMAP卫星观测地理位置之间的球面距离,为其分配一个高斯权重。之后,通过距离加权的方式,就可以得到SMAP卫星视场范围内的有效降水量值,具体计算公式如下:(1)Reff=∑kwkRk∑kwk其中,Rk表示第k个网格单元处的降水量值,wk则是对应的高斯权重。通过对该公式进行积分,就可以得到考虑了SMAP卫星天线增益因素后的有效降水量值Reff。按照Meissner等人的研究结果(2024年),SMAP卫星的天线增益可以被看作是一个在空间两个维度上都具有40公里半功率宽度的圆形高斯函数(见图1)。关于反演结果对于所假设的降雨权重函数的敏感度问题,我们将在第5.2节中进行进一步讨论。下载:下载高分辨率图像(141KB)下载:下载完整尺寸图像图1. 用于将CMORPH的8公里网格与SMAP卫星观测地理位置进行匹配,以便对降水量数据进行聚合处理的示意图。最终得到的Reff值会被用来同时进行大气校正和表面粗糙度校正,而高斯加权聚合处理则能够大致反映出降雨在空间尺度上的分布情况。由于本研究主要关注降雨条件,因此那些Reff值小于1毫米/小时的SMAP卫星与CMORPH降水数据组合会被排除在外。在构建卫星数据与现场观测数据之间的盐度对比关系时,我们同样以RSS SMAP L2C格式的观测数据作为参考基准。对于每一组现场观测得到的盐度数据,只有当SMAP卫星过境时间与现场观测时间之间的绝对时间差满足预设的时间阈值时,才会将这两组数据视为有效对比数据。而所有的辅助数据,比如海表温度和风速数据,也都取自同一组L2C格式的观测数据。3. 海表盐度反演算法的构建过程图2展示了海表盐度反演算法的工作流程。首先,我们需要对SMAP卫星测得的大气顶层亮温数据进行校正,消除晴朗天气下的大气辐射影响以及降雨带来的大气效应,从而得到海表亮温值TB,sur。接着,通过表面粗糙度校正,去除风作用带来的表面粗糙度影响,以及降雨所导致的表面粗糙度变化,最终得到镜面反射亮温值TB,0。最后,我们基于海水介电模型,通过最大似然反演方法将TB,0转换为海表盐度值。降雨带来的影响机制则按照第3.1至3.3节中的公式进行处理,而这些公式的具体实现方式则在第3.4节中进行了总结。下载:下载高分辨率图像(152KB)下载:下载完整尺寸图像图2. 海表盐度反演算法的流程图。3.1 降雨带来的大气效应在大气顶层测得的上升亮温值TB,toa可以通过以下公式表示:(2)TB,toa=TB,up+τETS+1?ETB,down+τTB,space其中,TB,up和TB,down分别代表上升气流和下降气流所带来的大气亮温贡献值;τ表示大气的总透射率;E表示海表发射率;TS表示海表温度;TB,space则表示宇宙背景辐射强度。为了解释降雨导致亮温升高的现象,我们在降雨条件下的辐射传输模型可以表示为:(3)TB,toa=TB,up+τETS+1?ETB,down+τTB,space+ΔTB,rain其中,ΔTaB,rain表示降雨所导致的大气亮温变化值。基于之前开发的辐射传输模型,我们构建了一个查找表,用来估算降雨带来的大气亮温变化值,从而实现大气降水校正。经过这种校正处理后,就可以得到最终的海表亮温值,其计算公式如下:(4)TB,sur=TB,toa?TB,up?ΔTB,raina?τTB,down+τTB,spaceτTS?TB,down+τTB,space?Ts3.2 降雨引发的环波型表面粗糙度之前的研究已经表明,雨滴打在海表上会产生轴对称的毛细力-重力波动,也就是通常所说的环波,这类波动会增强海表表面粗糙度谱中的高频成分。在本研究中,由撞击产生的环波被视为一项独立的谱贡献(Sring),在考虑了降雨对风驱动短波成分的阻尼作用后,该谱贡献会与风驱动的背景谱(Swind)相结合。对于风驱动成分,采用Durden–Vesecky模型(Durden和Vesecky,1985年)(以下简称DV谱),其表达式为:(5)Swindk=a0k?31.25kU?2/g?0.225log10k/2k>2rad?m?1Swindk=b0k?3exp?0.74g/kU19.522k<2rad?m?1其中k为波数;U?为摩擦速度;U19.5表示海平面以上19.5米处的风速;a0为振幅缩放参数;b0为过渡参数,用于确保在波数k=2 rad/m的临界点处谱值的连续性。至于由降雨引起的环波粗糙度(Sring),我们采用了Bliven等人(1997年)通过受控人工降雨实验得出的谱模型:(6)Sringk=12πvgrkSpeakexp?πlnfkfpΔffp其中vgr为群速度,Speak为幂律谱模型,f(k)则根据色散关系得出:(7)ω2=2πf2=980k+74k3其余参数的表达式为:(8)Speak=6?10?4Reff0.53Δf=4.42+0.0028Refffp=5.772?0.0018Reff另一种方法则是直接根据雨滴尺寸分布(DSD)(Lemaire等人,2002年)来推导雨波谱。然而,我们的敏感性测试表明,这种基于DSD的公式会使得粗糙度贡献过高,从而导致发射率增强的估计值偏高,进而在SSS反演中产生过度校正。因此,本研究采用了方程(6)中的谱模型。3.3 降雨引起的阻尼效应除了环波生成之外,降雨引起的湍流阻尼是另一种机制。实验室实验和理论分析表明,雨滴动量的注入会增强近表面湍流和能量耗散。这一过程会优先削弱短周期的重力波和重力-毛细波,从而降低平均斜率。Tsimplis(1992年)指出,降雨过程中短波会出现系统性衰减,从而使海面产生特有的平静效应。微波后向散射分析和波谱观测也提供了类似的证据,表明湍流驱动的阻尼有助于抑制布拉格尺度粗糙度(Contreras和Plant,2006年)。在我们的框架中,这一过程通过一个与降雨强度相关的阻尼函数ξ(k)来体现,该函数作用于短波长下的风驱动谱。包含湍流阻尼的粗糙度谱可表示为:(9)Sdk=Swindke?ξk其中ξ(k)为降雨引起的阻尼衰减系数,其表达式为:(10)ξk=4vEk2Cgk其中Cg为群速度;vE为等效涡动粘度,其表达式为:(11)vE=ve1?e?2kd+v0e?2kd其中d=0.19米为上层湍流的深度,v0=10?6米2/秒为下层的粘度系数。上层的粘度系数ve可表示为:(12)ve=0.2095D∫0∞πNDRUT3DD4dD12d13雨滴的终端速度UT(D)以及雨滴尺寸分布N(D, R)的表达式分别为:(13)UTD=9.431?exp?D1.771.147NDR=0.08exp?41R?0.21D因此,L波段发射率模型中使用的综合一维谱可表示为:(14)StotkR=Sdk+SringkR在这种公式中,降雨影响是在进行发射率计算之前,在波谱层面引入的。风驱动谱代表背景海况,而降水则通过两种机制改变短尺度粗糙度:由撞击产生的环波谱以及风驱动短波尾部的降雨增强型阻尼。随后,通过在双尺度计算中利用经风雨修正后的粗糙度谱,即可得到与降雨相关的发射率贡献。这种参数化方式能够捕捉与L波段辐射相关的、由降雨引起的短尺度粗糙度的主要变化,不过包括波-湍流反馈在内的未解决耦合效应仍可能带来残余不确定性。最终得到的风雨组合谱被用作双尺度发射率模型的输入,用以量化降雨引起的发射率响应,并构建一个以风速、降雨率和相对方位角为索引的查找表(LUT),以便在降雨条件下进行后续的SSS反演。3.4 SSS反演算法的实现对于每次SMAP观测数据,首先依据2.5节中的流程,从CMORPH数据中获取对应的有效降雨率。然后将测得的TOA亮度温度(TB,toa)利用方程(4)转换为相应的海表面亮度温度(TB,sur)。接着,通过去除表面粗糙度的影响,从而分离出镜面亮度温度。这一修正步骤可以消除风和雨共同在TB,sur中造成的亮度温度升高效应,进而得到平坦的海面发射率(TB,0):(15)TB,0=TB,sur?TB,windU10φr?TB,rainsU10Rφr其中TsB,rain表示相对于风引起的粗糙度基线而言,由降雨带来的差异性粗糙度贡献;风驱动的贡献TB,wind则是利用RSS SMAP风驱动发射率模型(Meissner等人,2024年),结合已确定的10米风速及观测几何条件计算得出的。而经过降雨修正后的粗糙度则由3.2节和3.3节中介绍的复合谱——即环波和阻尼效应共同决定。我们将这个谱纳入双尺度发射率模型(Johnson,2006年;Yueh,1997年)中,预先计算出风速、降雨率和相对方位角(φr)函数形式的降雨引起的额外亮度温度,并将其存储在查找表(LUT)中:(16)TB,rainsU10Rφr=A0U10R+A1U10Rcosφr+A2U10Rcos2φrTsB,rain则通过在LUT中插值获得,然后与TB,wind一起从TB,sur中减去,最终得到镜面亮度温度TB,0。本研究中所使用的由粗糙度引起的各向同性发射率特征如图3所示。下载:下载高分辨率图像(331KB)下载:下载全尺寸图像图3. 海表面粗糙度引起的零阶谐波额外发射率,乘以290 K后的结果。(a)垂直极化。(b)水平极化。关于降雨对风的影响,以往的研究已经探讨过降雨引起的局部风扰动现象(Balasubramaniam和Ruf,2020年;Jin等人,2022年;Weissman等人,2012年),但我们的敏感性测试表明,若在CCMP背景风数据中额外加入此类修正,往往会过度校正受降雨影响的反演结果,使得偏差呈更正的态势,且相对与现场实测盐度的RMSE也会更大。因此,本框架保留了CCMP风场作为辅助风数据,未进行额外的降雨引起的局部风修正。最后,基于正向海水介电模型(Meissner和Wentz,2004年),通过最大似然估计(MLE)方法将TB,0转换为SSS值。在这一反演过程中,现有观测角度下的修正后平坦海面亮度温度TB,0被视为观测值,而观测几何条件以及已确定的SST数据则来自L2C辅助信息。正向模型会根据相应的观测条件,预测出平坦海面亮度温度TB,mod与SSS的值之间的关系。随后通过最小化TB,0与TB,mod之间的误差函数,来反演出SSS值。这一反演是在本框架下处理过的修正后的TB,0数据基础上进行的,这样就能进一步消除降雨引起的额外海面效应。SSS反演的误差函数定义如下:(17)χ2=TB,0?TB,modV?pol+TB,0?TB,modH?pol20.5其中TB,mod为模型预测的平坦海面亮度温度。4. 结果4.1 利用漂流器数据进行验证按照2.5节中的配对流程,我们对降雨条件下的SMAP反演结果与近表面漂流器测量的盐度数据进行了对比。用于验证的有效降雨率分布如图4所示。下载:下载高分辨率图像(240KB)下载:下载全尺寸图像图4. 在|Δt|≤2小时的时间内,用于漂流器验证的CMORPH有效降雨率分布情况。图5比较了在不同时间配对窗口(|Δt|≤2小时、≤1小时、≤0.5小时以及≤0.25小时)下,未经降雨修正的SMAP SSS反演结果与经过降雨修正后的结果,以及漂流器测量的盐度数据。在覆盖范围最广的窗口(|Δt|≤2小时,共440组数据)中,未经修正的反演结果存在-0.365 psu的负偏差,RMSE为0.771 psu。经过降雨修正后,偏差显著降低至0.021 psu,RMSE也降至0.657 psu,这意味着系统性的负偏差减少了0.39 psu,RMSE则改善了15%。下载:下载高分辨率图像(741KB)下载:下载全尺寸图像图5. 在不同时间配对窗口下,卫星反演的SSS值与漂流器实测数据的比较:(a)|Δt|≤2小时;(b)|Δt|≤1小时;(c)|Δt|≤0.5小时;(d)|Δt|≤0.25小时。蓝色圆圈表示未经降雨修正的反演结果,橙色三角形则表示经过降雨修正后的结果。(关于图中颜色标注的含义,读者可参阅本文的网页版本。)随着配对窗口的缩小,改进效果依然明显。具体而言,当|Δt|≤1小时(共239组数据)时,偏差/RMSE从-0.407/0.799 psu改善为-0.027/0.670 psu。在时间窗口最窄的情况下(|Δt|≤0.25小时,共71组数据),各项指标从-0.413/0.812 psu提升至-0.045/0.690 psu。在所有测试条件下,未经修正的SMAP反演结果均会低估盐度,低估幅度约为0.36–0.44 psu,而经过降雨修正后的反演结果则可将剩余偏差控制在±0.07 psu以内,同时将RMSE降低0.11–0.13 psu。尽管不同时间滞后阈值对应的匹配数据子集和样本量有所差异,但验证指标总体上保持稳定。不同时间窗口之间的细微差别也反映了这种采样依赖性,而在同一窗口内,未经修正和经过降雨修正的反演结果是使用相同的匹配数据子集进行比较的。窗口内的比较结果表明,对受降雨影响的亮度温度进行单独处理确实能够减少系统性的负偏差。SMAP反演结果与漂流器测量的盐度之间存在的其他差异,则可能源于:(i)约40公里大小的卫星观测范围与点状的漂流器测量数据之间的空间代表性差异;(ii)有效降雨率的不确定性,包括卫星观测范围之外的降雨变化情况;(iii)在强降雨期间及降雨结束后不久出现的近表面盐度层化现象(即垂直梯度)。4.2 利用盐度蛇形监测数据进行验证按照2.5节中描述的配对流程,我们对降雨条件下的SMAP反演结果与表面盐度蛇形监测数据的测量结果进行了对比。有效降雨率分布如图6所示,可见用于验证的数据集中主要是轻到中度的降雨,所有数据的降雨率都在1到4毫米/小时之间。下载:下载高分辨率图像(201KB)下载:下载全尺寸图像图6. 在|Δt|≤2小时的时间内,用于盐度蛇形监测验证的CMORPH有效降雨率分布情况。图7比较了在不同时间滞后阈值(SMAP观测与现场实测数据之间的时间差|Δt|≤2小时、≤1小时、≤0.5小时以及≤0.25小时)下,未经降雨修正的SSS反演结果与经过降雨修正后的结果,以及盐度蛇形监测数据的测量值。在|Δt|≤2小时的情况下,最初的样本级配对共得到了17,112个Snake监测数据点。为了避免高频数据被过度采样,我们在计算验证统计量之前,先将盐度蛇形监测数据按1分钟的时间间隔进行平均处理。因此,此处报告的数值实际上指的是1分钟间隔的Snake参考数据点数量(Nbin)。需要说明的是,在给定的时间窗口内,多个1分钟间隔的Snake监测数据点可能与同一个SMAP L2C观测数据相对应。这样一来,同一个卫星SSS值可能会在多个分组的现场参考数据中出现,从而在图7中形成明显的横向条带。在|Δt|≤2小时的情况下,1分钟间隔的分组比较共涉及Nbin=289个Snake参考数据点。未经修正的反演结果存在-0.493 psu的偏差,RMSE为0.546 psu。经过降雨修正后,偏差变为0.069 psu,RMSE则降至0.245 psu。下载:下载高分辨率图像(612KB)下载:下载全尺寸图像图7. 在不同时间配对阈值下,卫星反演的SSS值与盐度蛇形监测数据对比的结果:(a)|Δt|≤2小时;(b)|Δt|≤1小时;(c)|Δt|≤0.5小时;(d)|Δt|≤0.25小时。蓝色圆圈表示未经降雨修正的反演结果,橙色三角形则表示经过降雨修正后的结果。(关于图中颜色标注的含义,读者可参阅本文的网页版本。)尽管随着时间窗口的缩小,分组后的数据点数量有所减少,但经过降雨修正后的反演结果仍保持了稳定的性能,其偏差和RMSE都处于相对稳定的范围内。当|Δt|≤1小时(Nbin=245)时,偏差/RMSE从-0.456/0.504 psu改善为0.080/0.248 psu。在|Δt|≤0.5小时的情况下(Nbin=147),各项指标从-0.418/0.467 psu提升至0.118/0.257 psu。在时间窗口最严格的情况下,即|Δt|≤0.25小时(Nbin=83),各项指标从-0.377/0.423 psu提升至0.156/0.281 psu。在所有测试条件下,未经修正的SMAP反演结果相比现场实测数据,始终存在大约0.39–0.5 psu的负偏差。而经过降雨修正后的反演结果则可将偏差幅度控制在0.16 psu以内,同时根据|Δt|的不同,还能将RMSE降低34–55%左右。1分钟间隔的分组分析结果与原始的样本级统计结果一致,这表明所观察到的改进效果主要得益于对受降雨影响的亮度温度进行了修正。需要指出的是,经过修正后,剩余的偏差会略呈正值,约为0.07–0.16 psu。这种现象与降雨期间及降雨结束后不久出现的近表面盐度层化现象以及强烈的水平梯度有关,而这些现象在约40公里大小的SMAP观测范围内是无法完全捕捉到的。此外,在非均匀降雨条件下,有效降雨率的不确定性也可能在粗糙度校正和大气校正两个模块中引入额外的误差。4.3 利用波浪滑翔机数据进行验证2.5节中描述的配对和评估流程同样适用于波浪滑翔机收集的数据。这些数据对应的有效降雨率分布以弱降雨为主(见图8),大多数情况下的降雨率为1到2毫米/小时。下载:下载高分辨率图像(237KB)下载:下载全尺寸图像图8. 在|Δt|≤2小时的时间内,用于波浪滑翔机验证的CMORPH有效降雨率分布情况。图9比较了在不同时间滞后阈值(SMAP观测与现场实测数据之间的时间差|Δt|≤2小时、1小时、0.5小时以及0.25小时)下,未经降雨修正和经过降雨修正后的SSS估算值与波浪滑翔机测量的盐度数据之间的差异。在|Δt|≤2小时的情况下(共665组数据),未经修正的反演结果存在-0.284 psu的偏差,RMSE为0.628 psu。经过降雨校正后,偏差变为0.087 psu,RMSE则降至0.472 psu。这意味着负偏差减少了0.37 psu,RMSE下降了约25%。下载:下载高分辨率图像(643KB)下载:下载全尺寸图像图9. 不同时间匹配阈值下,卫星反演的SSS值与同步波浪滑翔机测量值的比较:(a) |Δt| ≤ 2小时;(b) |Δt| ≤ 1小时;(c) |Δt| ≤ 0.5小时;(d) |Δt| ≤ 0.25小时。蓝色圆圈表示未进行降雨校正的反演结果,橙色三角形则表示经过降雨校正后的反演结果。(关于图中颜色符号的含义,可参阅本文的网络版本。)在更严格的时间匹配条件下,这种改善依然存在。当|Δt| ≤ 1小时时(N = 297),偏差/RMSE从?0.294/0.657 psu变为0.079/0.492 psu。当|Δt| ≤ 0.5小时时(N = 149),相关指标从?0.296/0.659 psu变为0.077/0.493 psu。当|Δt| ≤ 0.25小时时(N = 77),偏差/RMSE从?0.298/0.669 psu变为0.076/0.501 psu。在所有阈值下,未经降雨校正的反演结果相对于波浪滑翔机的盐度值仍存在约0.28–0.30 psu的负偏差。而经过降雨校正后的反演结果将剩余偏差降至约0.08–0.09 psu,同时RMSE也降低了约0.16–0.17 psu。波浪滑翔机的验证结果也显示出类似的趋势。在每个时间匹配窗口内,降雨校正均能降低系统性的负偏差,并提升与近表面实测盐度的吻合度。不同时间窗口间的统计差异则反映了匹配子集和样本量的变化。在三个独立的数据集中,未经降雨校正的反演结果在降雨条件下都会出现负偏差,其数值分别为:漂流器约为0.36–0.44 psu,表面盐度蛇探测器约为0.39–0.50 psu,波浪滑翔机约为0.28–0.30 psu。经过降雨校正后,漂流器的剩余偏差可控制在约±0.07 psu范围内,而基于船舶和探测器的近表面数据集则会出现约+0.08至+0.16 psu的轻微正偏差。在所有情况下,各平台的RMSE均有所下降。三个验证数据集之间存在的差异可能部分源于传感器采样深度的不同。L波段辐射测量对海洋表层几厘米的范围最为敏感,而这三种实地观测设备所采样的近表面深度各不相同。表面盐度蛇探测器采样的深度最浅,约为1–2厘米,因此与L波段的有效感应深度最为接近。相比之下,漂流器通常在0.2–0.5米深度处测量盐度,波浪滑翔机则在0.1–0.4米深度处测量。在降雨期间及降雨后不久,海洋表层的盐度垂直梯度会迅速形成,因此这些不同深度处的测量值可能与卫星检测到的盐度并不一致。对于漂流器和波浪滑翔机而言,这种深度代表性误差可能比表面盐度蛇探测器更大,这也部分解释了为何经过降雨校正后,三个验证数据集的残差误差会有所不同。4.4. 降雨系统下的案例研究为了补充上述跨平台统计分析的结果,我们选取了一个具有紧凑对流核心、周围降雨较弱的典型降雨场景,以此考察降雨校正所带来的空间变化。在该区域内,我们将同步的降雨率场与三个网格化的盐度场进行对比:未经降雨校正的反演结果(SSSno-cor)、经过降雨校正的反演结果(SSScor),以及基于降雨影响模型得出的足迹尺度对比场(SSSrim)(Asher等人,2014年;Jacob等人,2019年)。降雨影响模型所提供的估计值能够为预期中的足迹尺度盐度降低效应提供基于物理原理的参照,从而有助于解读SSSno-cor中的空间分布特征,以及降雨校正所带来的变化。在降雨影响模型框架中,近表面的盐度降低被视为地表淡水输入与后续垂直混合共同作用的结果。经修正后的盐度值可通过脉冲响应公式表示,如下所示:(18)SRIMzt=Sbulkd0∏d0+AKzte?z24Kzt?1其中,t为时间(秒);Sbulk为混合坐标海洋模型所给出的整体盐度值;d0为混合深度(米);A为累积的淡水脉冲量;z为水深;Kz为垂直涡动扩散系数。根据Tang等人(2015年)为Aquarius任务开发的改进版降雨影响模型,我们设定Kz = 1 × 10?? m2/s,z = 0.005 m,d0 = 1 m。研究结果如图10所示。降雨场(图10a)显示,在74–75°E、2–3°S附近存在一个对流核心,该区域的降雨强度超过25毫米/小时。未经降雨校正的盐度场(图10b)则呈现出一条低盐度带(盐度低于30 psu)。这一分布与降雨引起的辐射信号变化相一致,因此在未进行降雨校正时会导致盐度出现看似升高的现象。经过降雨校正后(图10c),低盐度异常现象有所减弱。降雨影响模型给出的估计值(图10d)也显示,在降雨核心区域存在盐度降低现象。在这一区域内,SSScor的结果与SSSrim更为接近,尤其是在降雨强度最大的核心区域,未经校正的反演结果呈现出的负偏差最为显著。在核心区域附近,SSSno-cor的盐度值降至29 psu以下,而SSScor的盐度值则上升至约31 psu。与同步的HYCOM整体盐度场相比,相应的盐度降低幅度从约4–6 psu降至约2–4 psu。与Asher等人(2014年)报告的降雨强度约为20毫米/小时时的近表面盐度升高值约1.4 psu相比,SSSno-cor中更显著的盐度升高现象以及校正后的下降趋势,说明在忽略降雨影响时,严重的负偏差确实得到了缓解。下载:下载高分辨率图像(456KB)下载:下载全尺寸图像图10. 2020年6月12日23:50 UTC期间强降雨情况下的网格化SSS场对比案例研究。(a)降雨率,(b)未经降雨校正的反演结果(SSSno-cor),(c)经过降雨校正的反演结果(SSScor),(d)基于降雨影响模型得出的SSS值(SSSrim)。在该研究区域中,降雨强度最大的地方位于74–75°E、2–3°S附近,最大有效降雨率为29.8毫米/小时。4.5. 与KEO浮标数据的对比作为补充说明,我们将反演结果与黑潮延伸观测站(KEO)的浮标实测盐度数据进行对比。KEO由美国国家海洋和大气管理局维护,位于黑潮延伸区的南侧,坐标为北纬32.3度、东经144.6度(Cronin等人,2008年)。该站点能够持续记录近表面的盐度数据,测量深度约为1米。由于KEO所在区域属于黑潮延伸区,其在降雨特征、风况、背景层结以及中尺度变化等方面都与赤道附近的SPURS-2区域存在差异。由于浮标测量深度大于L波段辐射测量的有效感应深度,且该浮标仅代表卫星观测覆盖范围内的一个点数据,因此这种对比仅作为辅助性的过境时间一致性检查,而非主要的统计验证数据源。KEO的盐度时间序列会在±4小时的范围内与SMAP的过境时间相对应地进行绘制,同时还会将过境时刻的卫星反演结果叠加在上面(图11)。下载:下载高分辨率图像(162KB)下载:下载全尺寸图像图11. 2017年9月1日20:40 UTC时SMAP过境前后±4小时内KEO的盐度与风速时间序列。过境时刻的同步有效降雨率为10.04毫米/小时。标记点分别代表在卫星感应深度处未经降雨校正的反演结果,以及经过基于降雨影响模型的调整后、调整为1米深度后的反演结果。KEO测得的风速数据则标注在右侧坐标轴上。KEO盐度曲线上的标记点则表示每小时一次的浮标采样数据。在降雨期间,近表面很容易在短时间内形成强烈的层结现象(Asher等人,2014年)。因此,直接对比卫星测得的盐度与浮标测得的盐度,既可能反映出反演误差,也可能反映出垂直方向的盐度梯度。为减少深度不匹配的问题,我们还使用了降雨影响模型给出了经过1米深度调整后的卫星估算值。根据反演得到的近表面盐度值,1米深度处的海水盐度可通过以下公式估算:(19)Sz2=Sz1d0+AKzte?z12/4Kztd0+AKzte?z22/4Kz其中,z1和z2分别代表0.005米和1米。在图11中,标有“@1米”的数值即为经过降雨影响模型调整后的1米深度处的估算值。未经降雨校正的反演结果在过境时刻相对于KEO的实测数据存在明显的负偏差,而经过降雨校正后的反演结果则降低了这一差异。通过降雨影响模型将数据调整为1米深度后,修正后的估算值会更接近过境时刻浮标测得的盐度值。不过需要指出的是,这种1米深度的调整仅是近似值,其结果取决于降雨影响模型中所假设的近表面层结参数。在SMAP过境前的±4小时时间段内,KEO的盐度数据还呈现出逐渐上升的趋势。这一变化反映了1米深度处整体盐度的变化情况,可能与L波段辐射测量所捕捉到的极近表面区域的盐度升高现象有所不同。KEO的本地风速记录显示,这一时期风力处于中等至较强水平,过境时刻的风速约为12米/秒,之后风速上升至约15米/秒。这样的风况有利于加强垂直方向的混合与物质输送,水平方向的气流输送也可能对固定点位置的盐度变化产生影响。因此,KEO数据仅作为辅助性的过境时间一致性检查手段,由于深度不匹配、卫星观测范围与点状观测之间的代表性差异,以及局部上层海洋的变动性,该对比方法仍存在一定的不确定性。5. 讨论5.1. 降水数据源对SSS反演结果的影响当前的方法采用了有效降雨率Reff来驱动大气降雨校正以及与降雨相关的表面粗糙度修正。在当前的配置中,Reff是根据半小时间隔的CMORPH降水场数据计算得出的,然后通过距离加权核函数,以SMAP观测点为中心进行聚合处理。然而,不同降水产品的差异可能会给用作反演输入的聚合后的降雨率带来不可忽视的不确定性(Wang和Wu,2022年)。即便经过了足迹聚合处理,由于以下几方面的原因,仍可能存在差异:(i)不同降水产品的空间分辨率存在差异;(ii)不同子足迹内的降雨结构在核函数的作用下权重不同;(iii)不同产品具有不同的降雨检测能力,且在不同降雨强度下存在偏差。在降雨强度较高,或者SMAP观测范围内降雨空间异质性较强的情况下,这些效应可能会更加明显。为了评估反演算法对不同降水数据源的敏感度,我们采用了相同的聚合策略,对全球降水测量计划提供的整合多卫星反演产品(IMERG)(Huffman等人,2023年)进行处理,并将由此得到的有效降雨率与CMORPH计算出的降雨率进行比较。两种重新采样后的估算值总体上是相符的(图12),但仍存在系统性差异。在强降雨情况下,IMERG计算出的降雨率通常高于CMORPH的数值,而在弱降雨情况下,则相反。下载:下载高分辨率图像(441KB)下载:下载全尺寸图像图12. IMERG与CMORPH产品计算出的有效降雨率对比。随后,我们再次进行了完整的反演流程,只不过这次使用IMERG计算出的Reff来替代CMORPH计算出的Reff。需要指出的是,由于IMERG在弱降雨情况下计算出的有效降雨率较低(见图12),因此当使用IMERG作为数据源时,符合Reff ≥ 1毫米/小时这一筛选条件的匹配案例数量较少,从而导致样本量较小。表2汇总了三种独立实地观测平台的相关测试结果。对于漂流器的数据而言,未经校正的SMAP产品存在较为明显的负偏差(在不同时间滞后阈值下,偏差范围在?0.91至?0.87 psu之间),而当采用IMERG作为数据源并应用降雨校正方法后,这一偏差显著降低。对于盐度蛇探测器的数据集,系统性的负偏差同样得到了缓解,未经校正时的负偏差为?0.57 psu,而经过IMERG驱动的反演处理后,这一数值降至接近零的水平,即?0.08至+0.03 psu之间,同时RMSE也出现了持续的下降。波浪滑翔机数据组的样本量相对较少(|Δt| ≤ 2小时,N = 19),但呈现出类似的趋势,其偏差/RMSE值从?0.67/0.67 psu改善为?0.35/0.35 psu。表2. 与未经校正的SMAP SSS产品相比,经过降雨校正后的反演结果对降水数据源(IMERG)的敏感度。平台当前模型|Δt| ≤ 2小时|Δt| ≤ 1小时|Δt| ≤ 0.5小时|Δt| ≤ 0.25小时样本数偏差RMSE偏差RMSE偏差RMSE偏差偏差漂流器127?0.530.6874?0.580.7242?0.560.7020?0.570.72盐度蛇探测器2630.030.51153?0.080.2093?0.030.19590.010.18波浪滑翔机19?0.350.35–––––––––未进行降雨校正的平台|Δt| ≤ 2小时|Δt| ≤ 1小时|Δt| ≤ 0.5小时|Δt| ≤ 0.25小时样本数偏差RMSE偏差RMSE偏差RMSE偏差偏差漂流器127?0.870.9774?0.911.0042?0.880.9720?0.901.00盐度蛇探测器263?0.460.66153?0.570.6093?0.530.5559?0.480.51波浪滑翔机19?0.670.67–––––––––总体而言,采用IMERG作为数据源进行的反演处理所取得的改进效果与使用CMORPH作为数据源时的效果相当,二者得出的结论也一致。对受降雨影响的亮度温度进行精确校正,确实能够大幅降低未经降雨校正的反演结果所存在的负偏差。不过,即使经过了校正,IMERG驱动的反演结果仍然存在负偏差,这一点在漂流器与波浪滑翔机的数据对比中表现得尤为明显。这一残留偏差与图12中显示的IMERG与CMORPH在轻至中度降雨强度下的差异相符——在那种情况下,IMERG计算出的Reff值小于CMORPH的数值,这意味着实际应用的降雨校正强度相对较弱。此外,约40公里大小的SMAP观测范围与点状或沿路径分布的实地采样方式之间存在差异,再加上降雨事件发生期间及之后的近表面盐度层结变化,也都可能导致残余偏差的出现。5.2. SSS反演结果对足迹尺度降雨率聚合方式的敏感性由于降雨具有高度的间歇性,且往往发生在小于SMAP约40公里观测范围的较小空间尺度上,因此足迹权重选择的方式可能会引入不确定性。当降雨在子足迹尺度上存在较大梯度时,这种效应尤为明显。如果采用更紧密的核函数,就会赋予观测点附近区域的降雨更大的权重,进而使得Reff值增大,这意味着需要更强的降雨校正效果。为了评估这种足迹表示方式带来的影响,我们尝试使用了σ = 8公里的更紧密的高斯核函数,并将作用半径限制在r = 20公里以内。这样的设置能够突出观测范围中心区域的降雨情况,同时仍保持与原始降水数据网格尺度相匹配的有限作用范围。我们再次使用这种核函数更紧的Reff方法进行了完整的校正与反演流程。验证统计结果汇总于表3中。表3. 雨量校正后的SSS反演结果对足迹加权假设的敏感性分析。平台类型:当前模型|Δt| ≤ 2小时|Δt| ≤ 1小时|Δt| ≤ 0.5小时|Δt| ≤ 0.25小时偏差RMSE偏差RMSE偏差RMSE偏差RMSE漂移器4800.140.682340.160.691100.170.70560.220.72盐度蛇2900.040.272460.030.271490.060.27850.090.28波浪滑翔机807?0.010.47357?0.030.48179?0.030.4993?0.030.49未进行雨量校正的平台|Δt| ≤ 2小时|Δt| ≤ 1小时|Δt| ≤ 0.5小时|Δt| ≤ 0.25小时偏差RMSE偏差RMSE偏差RMSE偏差RMSE漂移器480?0.240.73234?0.210.72110?0.210.7256?0.160.72盐度蛇290?0.500.55246?0.460.51149?0.420.4785?0.380.44波浪滑翔机807?0.350.65357?0.380.68179?0.380.6993?0.390.69在所有三种现场监测平台以及四种时间匹配阈值下,采用核函数更紧的Reff方法进行雨量校正后的反演,均能降低未做雨量校正时的负偏差。在表面盐度蛇数据对比中,偏差从?0.50 psu变为+0.04 psu,RMSE则从0.55 psu降至0.27 psu。在更严格的时间滞后阈值下也观察到了类似趋势:校正后的偏差在+0.03至+0.09 psu之间,而RMSE仍保持在0.27–0.28 psu左右。对于波浪滑翔机数据对比,偏差从?0.35 psu变为?0.01 psu,RMSE从0.65 psu降至0.47 psu。在更短的时间滞后下,校正后的偏差仍在?0.03至?0.01 psu之间。对于漂移器数据,未做雨量校正时的负偏差(?0.24 psu)有所降低。核函数更紧的设定使得偏差变为小幅正值(+0.14 psu),RMSE也从0.73 psu降至0.68 psu。漂移器数据中出现的微弱正偏差,与核函数更紧设定下更强的雨量校正效果一致。由于核函数会更侧重于参考点附近的降水数据,因此能提升Reff值,进而增大校正幅度,可能导致对受降雨影响的TB过度校正,从而在反演出的SSS中产生正偏差。此外,约40公里范围的SMAP观测覆盖区与现场采样点之间的差异,也可能导致残余误差。这一效应在以点为监测点的漂移器数据,以及那些在降水期间或之后存在短暂近表面层结和强水平变化的情况下尤为明显。这项敏感性测试表明,即便采用更严格的足迹加权假设来捕捉局部降雨,经雨量校正后的反演依然有效。同时这也说明,校正的幅度取决于所采用的足迹聚合方式。剩余的差异则可能是由足迹与采样点或足迹与轨迹之间的不匹配、子观测范围内的有效降雨率存在不确定性,以及近表面的瞬时盐度层结共同导致的。在主要配置中,降雨权重计算遵循Meissner等人(2024年)的方法,即用半功率宽度为40公里的圆形高斯函数来近似SMAP天线的增益。不过,实际的平滑尺度并不确定,不能仅通过这种高斯近似来完全控制。RSS SMAP L2C观测数据的0.25°网格化表示,以及CMORPH产品中所用的重建方法,都可能带来额外的平滑效应。当前框架的另一个局限在于,雨效校正所依据的有效降雨率是从网格化降水数据中得出的,而非基于空间和时间上完全解析的降雨场。由于大气和表面粗糙度校正与降雨条件之间存在非线性关系,因此基于平均降雨场得到的结果,可能与基于SMAP观测覆盖区内实际发生的间歇性降雨事件得到的结果存在差异。所以,目前的建模方式实际上只是一种实用的足迹尺度近似,而通过不同降水产品和降雨权重核函数所做的敏感性测试,也只能间接反映这一不确定性来源。此外,辅助环境场在降雨条件下也会引入不确定性。此处所使用的基于GHRSST的海表温度数据和基于CCMP的风场数据,虽然能够提供对应的背景信息,但无法精确反映SMAP观测时刻附近瞬时由降雨引起的海表温度变化或局部风场变化。这类未被完全解析的事件级变化,可能会影响表面粗糙度校正的结果,进而增加降雨条件下的反演误差。如3.4节所述,当前框架保留了CCMP风场作为辅助风场数据,但并未对降雨引起的局部风场变化进行额外调整。6. 结论本研究开发并评估了一种适用于降雨条件下的L波段辐射计SMAP海表盐度反演框架。该框架结合了基于辐射传输原理的大气雨量校正方法——该方法通过预计算的查找表来实现——以及基于物理原理的表面粗糙度校正方法。表面粗糙度校正通过考虑降雨产生的环状波动与降雨引发的湍流阻尼这两种因素的相互作用,来调整与微波辐射相关的短波谱特征。降雨作用则通过一种有效降雨率来表征,该数值是通过使用距离加权核函数,对SMAP观测点周围的网格化降水数据进行聚合而得到的。这一数值可以大致反映降雨在足迹尺度上的分布情况。通过对三组独立的近表面现场盐度数据集(漂移器数据、波浪滑翔机数据以及表面盐度蛇观测数据)的验证,结果表明,在降雨条件下,雨量校正能够降低未经校正的SMAP SSS产品中的负偏差,同时提升其与现场盐度数据的一致性。在表面盐度蛇数据对比中,当|Δt| ≤ 2小时时,RMSE从0.55 psu降至0.25 psu,平均偏差也从?0.49 psu接近于零,而在更严格的时间滞后阈值下也观察到了类似的趋势。对于波浪滑翔机数据对比,不同时间滞后阈值下的RMSE均降低了约0.15–0.18 psu,同时负偏差也有所减小。漂移器数据对比的改善幅度虽较小,但在不同时间滞后阈值下仍保持一致。两项补充的一致性检验进一步提供了定性参考。强降雨案例研究显示,雨量校正能够抑制网格化数据中的降雨相关淡水异常,使空间分布模式更符合基于RIM方法的足迹尺度预期。KEO时间序列对比则在经过基于RIM方法的校正后,对1米深度处的数据进行了过境时间一致性检验,但由于该检验基于单一固定点锚定器的测量数据,且存在深度和观测覆盖范围方面的差异,因此并不作为主要的定量验证手段。不过,该框架仍存在一些局限性。首先,强降雨条件下的数据对比样本较少,这限制了对高降雨强度情况下的定量分析。其次,小于SMAP观测覆盖范围的降雨变化,会导致有效降雨率计算出现不确定性,进而造成残余差异。再者,不同卫星降水产品及其采样特性之间的差异,会通过聚合后的降雨率影响到反演结果,进而改变校正幅度的大小。更广泛地说,该框架主要是针对典型的开阔海域盐度状况开发和评估的,因此将其应用于更具挑战性的环境时需格外谨慎。例如寒冷水域以及受河流径流影响的低盐度区域,这类环境中的L波段SSS反演结果可能更为不稳定,因为TB对盐度的敏感度以及相关的误差特征可能与开阔海域的情况有所不同。强烈的水平梯度以及陆地干扰还会进一步增加反演误差。未来的工作应拓展在更寒冷或受河流影响的区域进行的近表面验证。对于强降雨情况,开展结合地面微波辐射计、降水传感器、风速测量数据以及近表面盐度剖面仪观测的专门野外实验,将能为评估降雨引起的亮温变化提供独立依据。这类观测有助于区分辐射校正误差与真正的降雨导致的海水淡化现象,从而更准确地评估在强对流降雨条件下的反演性能。总体而言,研究结果表明,通过基于物理原理的校正方法,可以有效修正受降雨影响的亮温数据,从而在降雨条件下获取有用的SSS信息。这不仅减少了对保守型雨量筛选方法的依赖,还有助于更广泛地运用SMAP SSS数据来研究海洋淡水循环以及与风暴相关的近表面变化现象。CRediT作者贡献说明金旭辰:写作——审稿与编辑,写作——初稿撰写,方法论,研究实施,资金获取,数据整理,概念构思。何贤强:写作——审稿与编辑,项目监督,资源协调,资金获取。白岩:资源协调,数据整理。王一磊:定量分析,数据整理。周立章:方法论,数据整理。于书杰:数据整理。李腾:可视化处理,数据整理。龚芳:可视化处理,验证分析。潘德录:写作——审稿与编辑,项目监督。金旭辰|何贤强|白岩|王一磊|周立章|于书杰|李腾|龚芳|潘德录
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号