DINEOF重构遥感叶绿素a数据质量分析.docx

? ? DINEOF重构遥感叶绿素a数据质量分析 ? ? 刘超洋，魏永亮，2，3，邹斌 (1.上海海洋大学 海洋科学学院，上海 201306；2.上海河口海洋测绘工程技术研究中心，上海 201306；3.上海海洋大学 国际海洋研究中心，上海 201306；4.国家卫星海洋应用中心，北京 100081；5.南方海洋科学与工程广东省实验室(广州)，广州 511458) 0 引言 浮游植物对全球大气二氧化碳的波动和海洋系统的初级生产力有重要影响。对于海洋，叶绿素a(chlorophyll a，下称Chl-a)浓度是浮游植物细胞内现存量的一个通用指标，因为它普遍存在于所有浮游植物中，因此评估初级生产力时，可以将其通过同化系数联系起来，反映水域中浮游植物的光合作用能力[1]。Chl-a浓度分布受海洋环境因子影响，深入了解其变化有助于更好地理解海洋动力过程，如上升流、锋面和涡流，为环境监测、渔业资源分布、防灾减灾提供重要基础资料[2-3]。 基于可见光和近红外波段的海洋水色遥感技术可以实现全球海洋生态环境的大尺度、动态、连续监测，因此成为观测、反演Chl-a浓度的重要手段[4]。然而，水色遥感经常受到云、太阳耀斑、厚气溶胶和其他现象的影响，使得海洋水色遥感数据在时空维度上存在很多不足[5]。比如，中等分辨率成像光谱仪(moderate resolution imaging spectrometer，MODIS)的测量结果显示，在全球范围内，陆地上空的云占比约为55%，具有明显的季节循环，而海洋上空的云占比更高，约为72%，且季节变化不明显[6]，全球海洋上空无云条件下只有约50%的像素是高质量的[7]。传感器本身可能存在技术参数设置或故障问题，导致大面积数据缺失。此外，大气和传感器的影响也可能带来目标信号以外的噪声信息，使得提取有效的遥感信息变得困难。这些缺失数据严重影响了水色遥感的时空连续性和利用效率，缺失的数据也可能包含研究区域的重要信息[8]。 针对上述Chl-a遥感数据出现的问题，国内外学者已研究和发展了一系列插值方法，如地统计学插值法(geostatistical filling)[9]、最优插值法(optimal interpolation，OI)[10]、奇异谱分析法(singular spectrum analysis，SSA)[11]和数据插值经验正交函数法(data interpolating empirical orthogonal function，DINEOF)[12]。在这些方法中，DINEOF方法应用最为广泛，该方法是Beckers和Rixen共同提出的，基于EOF分解来重构缺失数据，并利用经验校正程序确定最佳模态数，无需参数且自适应。Alvera-Azcarate等[13]对这一方法引入Lanczos 算法，并将其正式命名为DINEOF，与最优插值法重建结果进行比较，两种方法得到的结果非常相似，但DINEOF计算时间缩短了近30倍。 DINEOF算法目前已广泛应用到卫星遥感数据重构，而研究重构数据质量的工作尚不多见。Alvera-Azcarate等选取缺失率为40%、60%和80%的数据集，采用DINEOF方法重建亚得里亚海海表温度数据，发现均方根误差(root mean square error，RMSE)随着数据缺失率增加而增加，但增幅较小。Sirjacobs等[14]重构中等分辨率成像光谱辐射计(medium resolution imaging spectrometer，MERIS)的总悬浮物和Chl-a浓度数据，通过交叉校正集的信噪比、测量相关系数以及重构前后数据的均方根误差对重构结果进行评价。王跃启等[15]对宽视场海洋观测传感器(sea viewing wide field of view sensor，SeaWiFS)和MODIS Chl-a数据分别单独重构和组合重构后的数值特征进行了比较分析，认为两种重构方法精度区别不大，但是组合方法能有效地重建完全缺失时段的数据。马翱慧等[16]对南海北部海域MODIS Chl-a数据进行重构，从时空特征、计算模型精度指标等对重构结果进行评价。郭海峡等[17]对SeaWiFS和MODIS台湾海峡Chl-a缺失数据重构，从重构前后数据的时空误差和时空变化等方面评价了重构数据的合理性。通过对重构数据的质量分析，马翱慧等和郭海峡等认为提高原始数据时空覆盖率可以降低因算法原理的局限性而导致的时空平滑。 以上研究表明，DINEOF方法取得了很好的重构效果，但DINEOF重构后，原始与重构数据相对误差的空间分布以及数据缺失率与相对误差、重构前后数据的相关性是否存在一定的关系均没有涉及。南海位于太平洋西部海域，纵跨热带与亚热带，是一个半封闭边缘海，每年11月到