三种海冰密集度产品的北极海冰监测能力比较分析

黄睿 王常颖 李劲华 隋毅

研究论文

三种海冰密集度产品的北极海冰监测能力比较分析

黄睿 王常颖 李劲华 隋毅

(青岛大学, 计算机科学技术学院, 山东 青岛 266071)

选取国家海洋卫星应用中心提供的海洋二号B星扫描辐射计数据采用NASA TEAM算法反演的海冰密集度产品 (简称HY2数据集), 中国海洋大学提供的风云三号D星微波成像仪采用DT-ASI算法得到的海冰密集度产品 (简称OUC数据集), 以及美国冰雪中心提供的海冰密集度产品(简称NSIDC数据集)三种数据源对北极海冰监测能力进行比较分析。通过与德国不莱梅大学发布的海冰密集度数据产品(简称BRM数据集)和MODIS数据提取的海冰信息的比较发现: 在低纬度区域(≤70°N), HY2与BRM数据集最为接近; 在中纬度区域(70°N—80°N), OUC与BRM数据集的数据吻合程度最高; 在高纬度区域(80°N—87°N), NSIDC数据集与BRM数据集最接近。在北极东北航道区域, HY2数据集适用于通航窗口期第一和第四航段内的海冰监测; NSIDC数据集适用于东西伯利亚海域以及临近窗口期时段的海冰监测; 而OUC数据集则适用于北极东北航道大部分航段的海冰监测需求。

北极海冰 海冰密集度 适用性 北极东北航道 HY-2B FY-3D

北极海冰是地球系统的重要因子之一, 它影响着全球大气环流和海洋水循环。海冰密集度是大气、海冰和海洋模型中的重要参数之一, 也是估算海冰厚度的关键参数。特别是, 随着北极区域海冰的覆盖范围、厚度和多年冰面积的逐年减少[1-3], 为北冰洋各航道的商业性通航[3-6]提供了条件, 这就要求能够及时、准确地获取航道区域海冰冰情[7], 基于被动微波遥感获取的海冰密集度数据极好地满足了上述需求, 对开展北极海冰相关研究具有重要价值。

被动微波遥感数据反演的海冰密集度产品成为北极海冰监测的主要数据源。其中德国不莱梅大学基于高级微波扫描辐射计2(AMSR2)数据采用ARTIST SEA ICE(ASI)算法, 美国冰雪中心(NSIDC)基于微波成像专用传感器(SSMIS)数据采用Boostrap(BST)算法, 以及基于AMSR2数据采用NASA TEAM2(NT2)算法等反演的海冰密集度产品是目前可以公开获取且使用较为广泛的准实时数据[8]。由于这些产品数据的数据源、反演算法以及数据处理方式存在差异, 其反演得到的海冰密集度产品数据也存在差异。为深入了解这些产品数据在北极区域的海冰冰情监测能力和适用区域, 研究人员根据研究区域的不同, 主要从两个方面开展了评估研究, 即整个北极区域不同海冰密集度产品数据的冰情监测能力分析, 以及重点观测区域如航道区域的不同产品数据的冰情监测能力分析。

对于整个北极区域海冰状况的监测, 研究人员主要以国内外能够公开获取的多种海冰密集度产品为数据源, 以更高分辨率的海冰密集度产品或中等分辨率成像光谱仪(MODIS)影像海冰监测结果作为对比数据, 分析不同产品数据的北极海冰冰情监测精确度。例如, 赵杰臣等[9]对7种被动微波遥感的海冰密集度产品进行了评估, 发现分辨率为6.25 km的AMSR2/ASI海冰密集度产品数据是研究北极海冰的首选产品。王剑等[10]利用MODIS数据对包含BRM数据集在内的8种海冰数据集比较评估, 发现AMSR2/BST产品和AMSR2/ASI产品同MODIS影像的海冰监测结果的相关性较高。Liang等[11]评估了两极区域下SSMIS/ASI、AMSR2/BST等四种海冰密集度产品数据, 发现四类数据在北极夏季和边缘海区的监测差异较大, 准确度较低。Kern等[12]基于MODIS影像对10种海冰密集度产品在北极区域夏季的监测能力进行分析, 结果发现, 由于海冰融池区域的影响, 这10种产品数据的监测结果与MODIS影像的海冰监测结果间均存在较大偏差。

对于航道区域的海冰监测, 研究人员主要是结合船舶走航观测数据或空间分辨率更高的BRM海冰密集度数据, 分析不同海冰密集度产品数据的监测精度。例如, 李钊等[13]基于“雪龙”船的走航观测数据对AMSR2和SSMIS两种业务化产品在东北航道海冰监测的适用性进行评估, 结果发现AMSR2/ASI产品与走航观测数据较为符合。尹鹏等[14]基于BRM数据、NSIDC和SICCI数据产品从北极整体区域、纬度区域、海冰密集度分区以及北极东北航道区域等四个尺度进行评估, 结果发现在中低海冰密集度区域占比高的航段区域, SICCI数据集更接近BRM数据集, 而在高海冰密集度区域占比高的航段区域, NISDC数据集更接近BRM数据集。

可以看出, 不管是整个北极尺度, 还是航道尺度的研究, 目前研究人员大多采用美国冰雪中心、德国不莱梅大学、欧洲航天局等机构发布的海冰密集度产品数据集, 对国产海冰密集度产品数据的分析较少。实际上, 历经40年发展, 我国已经成功发射了包括风云三号系列和海洋二号系列卫星等多颗遥感卫星, 也已经积累了多种海冰密集度产品[8,15], 如国家卫星海洋应用中心发布的HY-2系列、国家卫星气象中心发布的FY-3系列等产品。为深入了解国产海冰密集度产品数据的北极海冰监测适用性, 已有研究人员开展了相关研究。例如, Zhao等[16]使用MODIS和合成孔径雷达(SAR)影像对基于国产微波成像仪采用改进的ASI算法反演的海冰密集度产品数据进行整体评估, 发现风云三号卫星数据的北极海冰产品数据精度与国外常用的业务化数据相当。石立坚等[17]分析了扫描微波辐射计采用NASA TEAM算法反演得到的海冰密集度产品数据的精度, 发现该数据在对整个北极海冰评估时, 与国外产品数据相近, 但对于多年冰的识别精度仍需进一步提高。赵杰臣等[18]分析了包括HY-2系列国产卫星在内的多种国内外海冰密集度产品在北极区域海冰监测的适用性, 发现对于海冰密集度较低的区域, 不同数据集的差异较大, 但在高海冰密集度区域, 差异则不明显。

可以看出, 大部分研究都是在整个北极区域探讨不同海冰密集度产品的监测差异, 对于航道尺度的海冰监测适用性分析较少。因此, 本文基于中国海洋大学提供的以风云三号D星搭载的微波成像仪结合DT-ASI算法反演的海冰密集度产品(简称OUC数据集[19-21]), 国家海洋卫星应用中心提供的以海洋二号B星上搭载的扫描微波辐射计数据采用NASA TEAM[22]算法反演得到的海冰密集度产品(简称HY2数据集), 以及美国冰雪中心提供的以高级微波扫描辐射计2数据采用NASA TEAM2[23]算法反演得到的海冰密集度产品(简称NSIDC数据集), 从整个北极区域与东北航道区域两个尺度分析三种海冰密集度产品的海冰监测能力, 进而揭示国产数据集在北极东北航道区域的海冰冰情监测的适用性。

1.1 数据

本文以HY2数据集、OUC数据集和NSIDC数据集这三种海冰密集度产品为研究数据源, 以业界公认分辨率和精度较高的6.25 km分辨率的BRM数据集[9-10, 24-25]与MODIS数据集为对比数据, 从整个北极区域和北极东北航道区域两个尺度, 开展三种数据源的海冰冰情监测能力对比分析。其中, BRM数据集为德国不莱梅大学发布的基于高级微波扫描辐射计2数据结合ASI反演算法[26]得到的6.25 km分辨率海冰密集度产品; MODIS数据集是采用美国国家航空航天局发布的中等分辨率成像仪获取的遥感影像为数据源, 结合海冰检测方法提取出的海冰分布信息, 计算得到的海冰密集度数据。三种研究数据源和BRM数据集的相关参数如表1所示。其中, 四种海冰密集度数据产品的投影方式均为极地方位投影。

MODIS数据集来源于美国国家航空航天局的数据分发平台(https://search.earthdata.nasa.gov/ search/)。该数据由搭载在Terra(EOSAM-1)和Aqua(EOSPM-1)卫星上的主要传感器中等分辨率成像仪获取。本研究选取MOD09GA数据产品L1B级产品, 包含空间分辨率为500 m的7个不同波段地表反射数据。作为验证数据, 本文选取H19v01、H20v01、H21v01和H22v01共四个分区以覆盖北极东北航道各关键海域, 收集2019年6—10月通航窗口期间数据, 经过筛选排除云层遮挡面积较大的样本数据, 共收集60景MODIS影像数据。

表1 四种海冰密集度产品数据的相关参数比较

1.2 海冰密集度产品数据的比较评估方法

本文的评估流程如图1所示。首先, 基于三种数据产品计算得到整个北极区域的海冰分布范围, 开展整个北极区域海冰分布范围评估。为便于同BRM数据进行交叉比较, 需要先对三种数据进行重采样, 生成6.25 km分辨率的数据, 进而评估三种数据在整个北极区域的海冰监测能力。然后, 对于北极东北航道区域, 以MODIS影像提取的海冰密集度数据和BRM数据集作为对比数据, 分别评估三种数据源在北极东北航道各航段区域以及关键海域的海冰监测能力。

图1 HY2、OUC、NSIDC三种海冰密集度产品的北极海冰冰情监测能力对比分析流程

Fig.1. The comparative analysis process of Arctic sea ice monitoring ability of HY2, OUC and NSIDC products with sea ice concentration

1.2.1 海冰分布范围信息提取方法

海冰分布范围是衡量不同数据集的北极海冰覆盖程度的参数, 本文将其定义为所有超过界定阈值的海冰密集度网格面积之和[27]。国内外研究人员普遍选取15%[28]作为界定阈值来获取北极海冰分布范围, 选取90%界定阈值来提取多年冰的分布范围。因此, 本文提取海冰分布范围的计算公式如(1)所示。

其中,为海冰分布范围;N为海冰密集度值为/100的网格点数量, 其中的取值范围为[0,100];为数据集的空间分辨率;为界定阈值, 若=15%, 则为海冰分布范围, 若=90%, 则为多年冰分布范围。

1.2.2 MODIS影像海冰面积信息提取方法

基于空间分辨率为500 m的L1B级MOD09GA数据, 经过几何校正、辐射定标等预处理, 再结合产品自带的云掩膜数据对云雾遮盖区域进行裁剪, 然后依据海冰与海水在可见光和近红外波段的反射率差异, 采用Liang[28]总结得出的波段公式, 计算得到宽波段大气顶部反照率, 如公式(2)所示。然后, 通过选择合适的阈值, 提取出≥的区域, 即为海冰覆盖区域。

其中,为宽波段大气顶部反射率,134分别为MODIS影像中的第1、3、4波段的反射值。

为确定合适的分割阈值, 本文选取15景MODIS影像, 通过目视解译, 分别确定每景影像的最优冰水分割阈值, 如图2所示。其中, 图2a为15景影像的最优分割阈值分布图, 图2b为2019年6月8日获取的MODIS影像采用0.15阈值得到的冰水二值图。可以看出, 15景MODIS影像中得到的最优分类阈值均在0.15上下浮动, 因此, 本文选取0.15作为冰水分类阈值。

图2 最优冰-水分割阈值分析。a)最优分类阈值统计; b)2019年6月8日分类结果

Fig.2. Optimal ice-water segmentation threshold analysis. a) optimal category threshold statistics; b) classification results on June 8, 2019

基于处理得到的500 m分辨率冰-水二值图, 使用陆地掩膜排除陆地区域影响, 并删除云面积占比超过50%的网格点, 结合确定的经纬度坐标通过重投影操作将数据投影到空间分辨率为6.25 km分辨率的极地方位投影网格中, 通过计算每个网格中冰点占整个网格的比值得到海冰密集度[24], 获得与三种数据集同处相同时空分辨率下的MODIS海冰密集度数据。

1.2.3 海冰产品数据适用性评估指标

本文以BRM海冰密集度产品数据和MODIS影像海冰提取结果作为基准, 使用均方根误差()、偏差()和正偏差占比(R)三种参数来评估HY2、OUC和NSIDC三类数据集的海冰监测能力。其中正偏差占比(R)指网格数据中排除偏差为0的网格点后, 偏差为正的网格占据全部网格数量的比值, 具体公式如下:

(4)

2.1 整个北极范围HY2、OUC、NSIDC三种数据产品的适用性分析

首先, 基于1.2.1节的海冰分布范围信息提取方法, 计算得到HY2、OUC和NSIDC以及BRM四种海冰密集度数据在15%和90%两种界定阈值下的海冰分布范围, 得到2019年6月1日—2021年6月1日期间四种数据的每日海冰分布信息。其中, 由于2021年的OUC数据还未发布, OUC数据的截止日期为2020年12月31日。图3给出了四种海冰密集度数据产品的海冰分布范围的比较。图4给出了HY2、OUC和NSIDC三种数据在界定阈值为15%和90%时与验证BRM数据集之间的偏差情况, 图4a为月均海冰密集度偏差, 图4b为月均偏差极值。

在对北极海冰分布范围进行评估时(界定阈值为15%), HY2数据集的海冰分布范围与BRM数据的吻合程度最高, 日均偏差为–0.0937×106km², 当日最大偏差为2019年6月19日的–1.0932×106km²。对多年冰分布范围评估时(界定阈值为90%), HY2数据集的多年冰分布范围较OUC和NSIDC数据集的分布范围偏低, 而OUC数据的均方根误差最低, 为1.2203×106km², 与BRM数据集在多年冰分布范围上最为接近。

为评估三类数据集在不同空间区域的分布差异, 本文选择2019年6月8日获取的三种数据源(如图5), 同BRM数据集进行交叉评估, 得到的海冰空间分布差异如图6所示。

如图5和图6所示, 存在明显差异的区域集中于海洋与陆地交接区域以及北极点附近。在排除辐射计与反演算法差异导致的北极点附近区域缺失后, 差异主要集中于70°N—80°N之间的近岸海域, 该区域覆盖了北极东北航道的主要航路。从结果上看, HY2数据集在陆海边缘线附近较BRM数据存在明显的数据低估, 相比之下, NSIDC和OUC数据集则在该区域存在明显的高估。而北极点附近的海冰密集度差异较大则是因为各卫星传感器的参数设置、像元大小以及数据处理方式不同导致。

以87°N, 80°N与70°N三条纬线作为分割北极区域的划分线, 将整个北极分割为高纬度区域(80°N—87°N)、中纬度区域(70°N—80°N)和低纬度区域(70°N以南)三个研究区域来分析三种产品数据的海冰监测能力。本文收集了从2019年6月1日—2020年3月14日之间的三种产品数据, 逐日计算高、中、低三个纬度区域下三种数据源与BRM数据间的偏差、均方根误差以及正偏差占比, 如图7所示。因HY2数据在2020年3月14日前后存在明显差异, 评估时间上选择2019年6月1日到2020年3月14日, 使用1.2.3节中的评估方法, 逐日计算各纬度区域下与BRM数据间的偏差、均方根误差以及正偏差占比, 评估结果如图7所示。

可以看出, 尽管低纬度区域占整个研究区域比重最大(82.33%), 但该区域下各数据集间的差异却最小。HY2数据集均方根误差日均为4.73%, 较OUC和NSIDC数据分别低11%和16%, 与BRM数据吻合程度最高。

与BRM数据集相比, 中纬度海域三种数据集的偏差变化均符合海冰的季节性变化规律。其中, OUC数据集的日均均方根误差最小, 仅为3.15%, 日均偏差也仅为0.79%, 优于NSIDC数据集的3.48%和1.61%, 比较适合该区域的海冰监测任务。相比之下, HY2数据集的偏差和均方根误差则较大, 均方根误差日均为9.72%, 不适合该区域海冰监测任务。

图3 HY2、OUC、NSIDC数据集与BRM数据集在不同界定阈值下的每日海冰分布范围

Fig.3.Daily sea ice extent of four datasets at different defined thresholds. a)daily sea ice extent data at the 15% threshold; b)daily sea ice extent data at the 90% threshold

图4 HY2、OUC、NSIDC数据集与BRM数据集间的海冰分布范围偏差情况

Fig.4. The BIAS of three other monthly mean sea ice extent data at 15% and 90% thresholds were compared with the BRM data. a) BIAS of monthly mean sea ice extent data at 15% and 90% thresholds; b) Extreme value of monthly average deviation

高纬度区域三种数据源与BRM数据集的比较发现, HY2和OUC数据的均方根误差整体接近, 且偏差较大, 不适用于监测该区域的海冰状况。相比之下, NSIDC数据集的均方根误差和偏差水平则较低, 分别为2.25%和1.90%, 更适用于高纬度区域的海冰监测。

图5 2019年6月8 日HY2、OUC、BRM、NSIDC海冰密集度网格

Fig.5. Sea ice concentration grid of HY2, OUC, BRM and NSIDC on June 8, 2019

图6 2019年6月8日BRM与HY2、OUC、NSIDC海冰密集度数据的差异

Fig.6. The grid data differences of sea ice concentration between BRM and HY2, OUC, NSIDC on June 8, 2019

图7 HY2、OUC、NSIDC数据集与BRM数据集在15%和90%阈值下的网格评估

Fig.7. HY2, OUC, NSIDC and BRM datasets were grid evaluated at 15% and 90% thresholds. a) daily average deviation; b) mean daily root mean square deviation

基于上述结果, HY2数据的优势区域为浮冰区域和开阔水域为主的低纬度区域。这与HY2数据集在数据处理时使用的NASA TEAM反演算法有关, 作为本研究唯一仅使用低频通道反演海冰密集度的数据集, 因低频算法对云中液态水含量、大气水蒸气含量以及风引起的表面粗糙度更加敏感, 导致数据集对于新生冰辨识不足, 进而使得新冰区出现低估海冰密集度的情况, 低估水平跟新冰面积呈现正相关。这直接导致在夏季中纬度区域内, HY2数据集其偏差水平相比其他数据集明显更高。

相比之下, 采用NASA TEAM2算法的NSIDC数据集和采用DT-ASI算法的OUC数据集通过引入高频通道在一定程度上改善了反演结果, 使得上述数据在中纬度区域的偏差水平相对较低。但由于高频通道对于大气水蒸气、云层含水量等参数比较敏感, 对于海冰融池区域具有较低的辨识度, 易将海冰融池区域辨识为开阔海域。对此, 两类数据集在数据处理过程中都进行了不同的优化, 其中, NSIDC数据集通过引入高频通道亮温来解决反演过程中19 GHz通道水平极化亮温表面积雪效应的影响, 并且通过引入大气传输方程来解决高频通道对大气影响敏感的问题。而OUC数据集通过引入动态系点法来改善反演精度。但都受制于微波辐射计有限的穿透能力, 夏季系点亮温存在的不确定性, 以及夏季海冰融池、冰间水道和覆盖冰面的积雪融化产生的湿雪对海冰的发射率造成的影响, 给反演结果带来不确定性, 使得在中纬度区域内各数据集间的差异最大, 让夏季通航窗口期间对位于中纬度区域的北极东北航道区域内各数据集的海冰监测能力评估尤为重要。

2.2 东北航道区域不同数据产品的适用性分析

北极东北航道是指西起挪威北角附近的欧洲西北部, 经欧亚大陆和西伯利亚的北部沿岸, 穿过白令海峡到达太平洋的航线集合。按照纬度范围可简单划分为低纬航线(近岸航线)和高纬航线。考虑到船舶航行时大都不会在某条航道一直航行, 所以本文依据地理方位和主要海域将北极东北航道划分为四个航段[14], 如表2所示。

相较于空间分辨率更低的HY2、OUC等海冰密集度产品数据, 500 m分辨率的MODIS影像获取的海冰覆盖信息的精准度更高, 而6.25 km分辨率的BRM数据集对于海冰边缘区域的识别效果更好[25], 数据的时间连续性更强, 可以完美覆盖北极通航窗口期期间各航段区域。因此, 本文以MODIS影像海冰密集度提取结果和BRM数据集作为验证数据, 探讨HY2、OUC和NSIDC三种数据源在北极东北航道各航段以及关键海域的适用性评估。

表2 北极东北航道分段表

作为验证数据, 本文选取2019年和2020年航道通航窗口期期间的BRM海冰密集度数据, 开展航段区域对比评估, 得到图8a不同航段区域的日均偏差和偏差振幅, 图8b为各航段的均方根误差结果, 其中, 图8的横坐标表示特定的航段区域, 依据表2划分, LOW1、LOW2、LOW3、LOW4分别表示低纬航道的第一、二、三、四航段区域, HIGH1、HIGH2、HIGH3、HIGH4分别表示高纬航道的第一、二、三、四航段区域。同时收集了2019年航道通航窗口期内15天共60景MODIS影像, 采用1.2.2节介绍的MODIS海冰提取方法, 得到MODIS海冰密集度数据, 关键海域的海冰密集度分布状况如表3所示。其中, 冰况为基于MODIS数据集获得的海域内海冰密集度的平均值, 密集度区域占比则为对应海冰密集度范围内, 网格点数量占全部关键海域网格点数量的比例。可以看出, 6—7月初各海域平均海冰密集度都超过90%, 到9月初, 虽然各海域内仍然存在高密集度海冰区域, 但分布范围都显著降低, 冰况也有所降低。具体关键海域的划分如图9a所示, 基于MODIS数据的三种数据源在北极东北航道各关键海域的监测能力分析结果分别如图9b、9c所示, 其中, 最优数据集占比为某一数据集在特定地理区域中均方根误差最低的MODIS影像景数占总样本数的比值, 通航窗口期为7—9月的数据结果, 临近窗口期为6月和10月的数据结果。

表3 基于MODIS数据获取的北极东北航道关键海域海冰信息

第一航段得益于穿越楚科奇海的太平洋暖流影响, 全年冰期仅为7个月, 在7—10月通航窗口期航道完全满足通航条件。与之类似的还有第四航段, 受到穿越挪威海的大西洋暖洋流影响, 海面封冻时间短且海冰类型以浮冰为主, 其南端水域更是常年满足通航条件。如图8结果所示, 通航窗口期内该航段海域海冰密集度整体较低, 基于BRM数据集的比较发现, OUC和NSIDC数据在上述两个航段区域存在明显的数据高估。而HY2数据集的均方根误差在上述区域更低, 为该数据集的优势航段, 与BRM数据集的吻合程度更高。在第一航段区域, OUC和HY2相较BRM数据存在数据低估, 尤其是高纬航道下, 两类数据的正偏差占比仅为34.7%和23%。相比之下, NSIDC数据集在该区域存在显著的数据高估, 同区域内的正偏差占比为86.9%。

第二航段覆盖东西伯利亚海域, 由于海域气候寒冷, 纬度较高, 海域冰情严重。但南部海域受到洋流和海洋盐度的影响, 通常无冰或短期结冰, 导致整体冰情复杂。基于BRM数据比较发现, 三种数据集的均方根误差在低纬航道十分接近, 但在高纬航道区域因受海冰密集度整体增大的影响, NSIDC和OUC数据与BRM数据集的吻合程度更高, 均方根误差分别为1.27%和1.21%, 优于HY2数据集。

第三航段作为跨越拉普杰夫海域、喀拉海域和巴伦支海海域以及基尔基维茨海峡等多个关键海域的重要航段, 在航行窗口期间冰情变化快且复杂。通过结合表3的MODIS海冰信息发现, 同一日期内的拉普捷夫海域整体冰情虽相较东西伯利亚海域更轻, 但在通航窗口期依旧存在浮冰, 而喀拉海海域的海冰密集程度与拉普捷夫海域相当。基于BRM数据比较评估表明, 该航段内, OUC和NSIDC数据评估结果接近, 与BRM数据的吻合程度更高。

综合图9b和图9c可见, 位于第二航段的东西伯利亚海域内, NSIDC数据集在任何监测时段的适用性更好, 与MODIS数据集最为接近, 其数据在该海域的最优数据集占比均超过80%。相比之下, 在航道的通航窗口期, OUC数据集对位于第三航段和第四航段的新西伯利亚岛北部海域、拉普捷夫海域以及喀拉海域的识别占据优势, 在上述海域及航道区域其最优数据集占比明显优于其他两类数据集, 整体更为适用, 在新西伯利亚岛北部海域最优数据集占比更是达到了89%, 与MODIS数据集接近。三类数据集在维利基茨基海峡海域的适用性相当, 最优数据集占比均为33%。而在非窗口期, NSIDC与OUC数据集在东北航道各关键海域的适用性更好, 在除东西伯利亚海域外各关键海域的最优数据集占比均为50%。

图8 基于BRM数据集的北极东北航道分航段评估结果

Fig.8. Segmented assessment results of the Arctic Northeast Passage based on BRM data. a) daily average deviation; b) mean daily root mean square deviation

图9 基于MODIS数据集的北极东北航道关键海域评估

Fig.9. Verification of key areas of the Northeast Arctic Passage based on MODIS data. a) MODIS images selected key sea areas; b) assessment of applicability to key sea areas during navigation window; c) assessment of applicability to key sea areas during adjacent navigation periods

综上所述, 从整体上看, 基于MODIS海冰密集度数据集得到的关键海域对比结果与基于BRM数据集得到的航段区域对比结果高度一致。其中, OUC数据集在除东西伯利亚海域外的北极东北航道区域的海冰监测能力评估中均占据优势, 适用于监测海冰类型变化快且复杂的关键海域及航段区域的海冰监测任务, 为三类数据集中的首选。NSIDC数据集则在海冰密集度较大的海域识别结果较好, 尤其是东西伯利亚海域, 在临近通航时段各海域及航道区域的识别结果也存在优势, 但在海冰密集度整体明显较低的航段, 如第一和第四航段的识别较BRM数据集存在明显高估。HY2数据集虽然在通航窗口期内的第一和第四航段评估结果较好, 但在上述航段存在数据低估问题。

本文对两种国产海冰密集度数据产品和NSIDC数据集分别从北极整体区域和北极东北航道航段及其关键海域开展了北极海冰监测能力评估, 结论如下。

1. 在整个北极区域, 相较于OUC数据和NSIDC数据, HY2数据在整体海冰分布范围上与BRM数据最为接近; 在低纬度区域(LAT≤70°N), HY2数据与BRM数据最为接近; 在冰情变化较快的中纬度区域(70°N≤LAT≤80°N), HY2数据则存在明显的低估; 在高纬度区域下, HY2与OUC数据的海冰冰情监测能力相当; 而在北极东北航道区域, HY2数据适用于第一和第四航段区域的冰情监测。

2. OUC海冰密集度产品与BRM数据一致性较高。在整个北极区域, OUC数据集的多年冰分布范围与BRM数据最为接近; 在中纬度区域, OUC数据的海冰监测能力较强, 但在中、低纬度区域较BRM数据存在高估。在北极东北航道区域, OUC数据在第二、三航段的海冰密集度与MODIS数据较为接近, 适用于低纬航道海冰冰情的监测; 在临近通航窗口期的7月和10月以及冰情复杂且相对严重的新西伯利亚海域、拉普捷夫海域、喀拉海海域, OUC海冰密集度精度较高。这说明OUC数据适用于监测海冰类型变化快且复杂的航道海域海冰状况。

3. NSIDC数据集作为美国冰雪中心发布的较为成熟的产品数据, 在北极整体尺度的评估中与BRM数据的吻合程度较高。在海冰密集度较大的海域, 如高纬度区域和高海冰密集度区域(SIC≥61%), NSIDC与BRM数据较为接近。但对开阔水域和细小浮冰区域为主的低纬度区域, NSIDC数据存在明显的高估。在北极东北航道区域, NSIDC数据集适用于第二、三航段的高纬航道区域的海冰冰情监测任务; 对临近通航窗口期的7月和10月, 特别是东西伯利亚海域, NSIDC数据与MODIS数据较为接近, 适用于北极东北航道的高纬航道以及邻近通航时段各海域的海冰监测任务。

总体来看, 三种被动微波海冰密集度产品在整体上均可较好地反映北极海冰的时空格局。但由于三类产品基于不同的微波辐射计, 且各传感器在频率设置、辐射校准、定标精度和像元足迹大小等关键参数上存在不同, 使得亮温源数据存在差异, 进而导致反演的海冰密集度结果不同。同样, 由于MODIS海冰密集度数据源自5 min一景的MODIS影像, 可视作特定区域内获取时刻的瞬时海冰密集度, 而被动微波辐射计数据产品则为多景条带数据融合处理得到的平均海冰密集度数据, 两类数据在时间和空间分辨率上存在的差异可能会给评估带来影响[24]。

致谢感谢国家卫星海洋应用中心提供的数据支持(HY-2B卫星数据获取自: https://osdds. nsoas.org.cn[2021-06]), 感谢中国海洋大学极地海洋过程与全球海洋变化重点实验室提供的OUC数据集(获取自: http://coas.ouc.edu.cn/ pogoc/sy/list.htm[2021-06]), 感谢美国宇航局国家冰雪数据中心, 戈达德太空飞行中心提供NSIDC(获取自: https://nsidc.org/data/AU_ SI25/versions/1[2021-06])和MODIS数据集(获取自: https://osdds.nsoas.org.cn), 以及德国不莱梅大学环境物理研究所提供BRM数据集(获取自: https://www.iup.unibremen.de/iuppage/psa/2019/amsrop.html[2021-06])。

1 MARCIANESI F, AULICINO G, WADHAMS P. Arctic sea ice and snow cover albedo variability and trends during the last three decades[J]. Polar Science, 2021, 28: 100617.

2 SERREZE M C, MEIER W N. The Arctic"s sea ice cover: Trends, variability, predictability, and comparisons to the Antarctic[J]. Annals of the New York Academy of Sciences, 2019, 1436(1): 36-53.

3 隋翠娟, 张占海, 吴辉碇, 等. 1979—2012年北极海冰范围年际和年代际变化分析[J]. 极地研究, 2015, 27(2): 174-182.

4 WANG Y H, BI H B, HUANG H J, et al. Satellite-observed trends in the Arctic sea ice concentration for the period 1979–2016[J]. Journal of Oceanology and Limnology, 2019, 37(1): 18-37.

5 柯长青, 彭海涛, 孙波, 等. 2002年—2011年北极海冰时空变化分析[J]. 遥感学报, 2013, 17(2): 459-466, 452.

6 CAVALIERI D J, PARKINSON C L. Arctic sea ice variability and trends, 1979–2010[J]. The Cryosphere, 2012, 6(4): 881-889.

7 ROGERS T S, WALSH J E, RUPP T S, et al. Future Arctic marine access: Analysis and evaluation of observations, models, and projections of sea ice[J]. The Cryosphere, 2013, 7(1): 321-332.

8 蒋兴伟, 何贤强, 林明森, 等. 中国海洋卫星遥感应用进展[J]. 海洋学报, 2019, 41(10): 113-124.

9 赵杰臣, 周翔, 孙晓宇, 等. 北极遥感海冰密集度数据的比较和评估[J]. 遥感学报, 2017, 21(3): 351-364.

10 王剑, 邱玉宝, 熊振华, 等. 北极海冰密集度遥感数据产品对比及航道关键区验证研究[J]. 极地研究, 2020, 32(3): 301-313.

11 LIANG S, ZENG J Y, LI Z, et al. Consistent comparison of remotely sensed sea ice concentration products with ERA-interim reanalysis data in polar regions[J]. Remote Sensing, 2020, 12(18): 2880.

12 KERN S, LAVERGNE T, NOTZ D, et al. Satellite passive microwave sea-ice concentration dataset inter-comparison for Arctic summer conditions[J]. The Cryosphere, 2020, 14(7): 2469-2493.

13 李钊, 严明, 刘凯, 等. 两种准实时遥感海冰密集度产品在中国第五次北极考察期间的适用性评估[J]. 海洋预报, 2018, 35(3): 8-16.

14 尹鹏, 王常颖, 杨俊钢. 长时间序列北极海冰密集度遥感数据的比较评估[J]. 冰川冻土, 2020, 42(3): 734-744.

15 谭继强, 詹庆明, 殷福忠, 等. 面向极地海冰变化监测的卫星遥感技术研究进展[J]. 测绘与空间地理信息, 2014, 37(4): 23-31.

16 ZHAO X, CHEN Y, KERN S, et al. Sea ice concentration derived from FY-3D MWRI and its accuracy assessment[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-18.

17 石立坚, 王其茂, 邹斌, 等. 利用海洋(HY-2)卫星微波辐射计数据反演北极区域海冰密集度[J]. 极地研究, 2014, 26(4): 410-417.

18 赵杰臣, 李子轩, 李杰, 等. HY-2卫星反演海冰密集度在北极地区的适用性评估[J]. 海洋预报, 2018, 35(6): 84-91.

19 HAO G H, SU J. A study on the dynamic tie points ASI algorithm in the Arctic Ocean[J]. Acta Oceanologica Sinica, 2015, 34(11): 126-135.

20 LI L L, CHEN H H, GUAN L. Study on the retrieval of snow depth from FY3B/MWRI in the Atctic[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, XLI-B8: 513-520.

21 HAO H R, SU J, SHI Q, et al. Arctic sea ice concentration retrieval using the DT-ASI algorithm based on FY-3B/MWRI data[J]. Acta Oceanologica Sinica, 2021, 40(11): 176-188.

22 CAVALIERI D J, CRAWFORD J P, DRINKWATER M R, et al. Aircraft active and passive microwave validation of sea ice concentration from the Defense Meteorological Satellite Program special sensor microwave imager[J]. Journal of Geophysical Research: Oceans, 1991, 96(C12): 21989-22008.

23 MARKUS T, CAVALIERI D J. An enhancement of the NASA Team sea ice algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1387-1398.

24 刘艳霞, 王泽民, 刘婷婷. 利用多源数据对海冰密集度反演的算法验证[J]. 测绘科学, 2016, 41(7): 93-97, 149.

25 季青, 庞小平. 北极海冰密集度产品的走航比较与冰情分析[J]. 华东交通大学学报, 2016, 33(5): 33-38.

26 SPREEN G, KALESCHKE L, HEYGSTER G. Sea ice remote sensing using AMSR-E 89-GHz channels[J]. Journal of Geophysical Research: Oceans, 2008, 113(C2): C02S03.

27 PANG X P, PU J, ZHAO X, et al. Comparison between AMSR2 sea ice concentration products and pseudo-ship observations of the Arctic and Antarctic sea ice edge on cloud-free days[J]. Remote Sensing, 2018, 10(2): 317.

28 LIANG S L. Narrowband to broadband conversions of land surface albedoⅠ: Algorithms[J]. Remote Sensing of Environment, 2001, 76(2):213-238.

Comparative analyses of Arctic sea ice monitoring capability of three sea ice concentration products

Huang Rui, Wang Changying, Li Jinhua, Sui Yi

(College of Computer Science & Technology, Qingdao University, Qingdao 266071, China;)

In this paper, three sea ice concentration products are compared: i) data from the Scanning Microwave Radiometer carried on the HY-2B satellite combined with NASA’s TEAM algorithm (“the HY2 dataset”), ii) data from the Microwave Radiometer Imager carried on FY-3D satellite combined with the DT-ASI algorithm provided by Ocean University of China (“the OUC dataset”), and iii) the sea ice concentration product provided by the Ice and Snow Center of the United States (“the NSIDC dataset”). Using the BRM sea ice concentration product with higher spatial resolution and the Moderate Resolution Imaging Spectrometer (MODIS) remote sensing images as reference datasets, we report that: At low latitudes (≤70°N), HY2 is most consistent with. In the mid-latitude region (70°N–80°N), OUC was the most consistent with BRM. At high latitudes (80°N–87°N), the NSIDC dataset is most consistent with the BRM dataset. In the Northeast Passage region, the HY2 dataset is most suitable for sea ice monitoring in the Chukchi Sea and Norwegian Sea segments of the Arctic Northeast Passage during navigation window periods.The NSIDC dataset performs better in each section of the Arctic Northeast Passage near the navigable window period, especially for sea ice monitoring in the East Siberian Sea. The OUC dataset is suitable for the sea ice monitoring needs of most sections of the Arctic Northeast Passage.

Arctic sea ice, sea ice concentration, suitability assessment, Arctic Northeast Passage, HY-2B, FY-3D

2021年11月收到来稿, 2022年4月收到修改稿

国家自然科学基金(62172247)、山东省重点研发计划重大科技创新工程(2019JZZY020101)和全国统计科学研究项目(2020335)资助

黄睿, 男, 1997年生。硕士, 主要从事极地海冰和数据挖掘研究。E-mail:huangrui_7046@163.com

王常颖, E-mail:wcing80@126.com

10.13679/j.jdyj.20210087

猜你喜欢 密集度航段海冰 基于Argo浮标的南极海冰范围变化分析海洋通报(2021年5期)2021-12-21末次盛冰期以来巴伦支海-喀拉海古海洋环境及海冰研究进展海洋通报(2021年3期)2021-08-14近三十年以来热带大西洋增温对南极西部冬季海冰变化的影响成都信息工程大学学报(2021年2期)2021-07-22基于知识辅助和OOOI报文的飞机航段识别系统计算机应用与软件(2021年6期)2021-06-21某大口径火炮系列杀爆弹地面密集度影响因素回归分析兵器装备工程学报(2020年11期)2020-12-16基于改进K-means的电力数据异常检测算法华东师范大学学报（自然科学版）(2020年4期)2020-08-04武器弹药密集度试验分组的蒙特卡洛模拟研究弹道学报(2020年2期)2020-07-06基于双重容量识别标准的航空网络关键航段识别方法航空工程进展(2019年5期)2019-11-05智能公交人数检测方法研究电脑知识与技术(2018年27期)2018-12-18基于SIFT-SVM的北冰洋海冰识别研究电子技术与软件工程(2016年24期)2017-02-23 相关热词搜索：北极，海冰，三种，