2018, Vol. 48
近年来，多种多样的人类活动对气候变化产生了越来越大的影响，研究表明全球水循环在缓和气候变化上具有至关重要的作用，科学家们对此进行了多方面的研究。其中，海表面盐度SSS(Sea Surface Salinity)作为海洋循环的关键参数，它的时空变化和分布规律显得尤为重要。
资料显示，当前包括海表温度、海风等在内的几乎所有有关海洋的重要参数都已经实现了用遥感进行观测，盐度是唯一一个例外。究其原因，主要是受限于海表面盐度遥感的技术，使得对海表面盐度进行的反演结果精度普遍偏低，不能够满足实际的需求。但是随着科学研究发展的要求不断提高，仅仅是依靠现场实测的海表盐度，在时间和空间两个方面的需求上均远远不够，急需要找到新的方法和新的技术来给出海表盐度。事实上，卫星遥感技术能够满足大范围连续观测的这一要求，因此，对海表面盐度反演技术的不断研究是我们必须要做的事情。
国际上截止目前拥有的对海表面盐度遥感方面的研究，其中之一便是2009年由欧洲空间局ESA发射的SMOS(Soil Moisture and Ocean Salinity)卫星，另外一个是美国宇航局NASA在2011年与阿根廷空间局CONAE共同开发并发射的Aquarius/SAC-D卫星。其中，SMOS卫星计划提供经过10~30 d平均和200 km×200 km的空间平均后达到分辨率为0.1[1-2]精度的海表面盐度。
自上述两颗卫星发射以来，许多国外的学者对海表面盐度反演模型及其算法进行了针对性的探究，并且对这两颗卫星及其相关产品进行了多方面的评价[3-5]。多个机构例如法国海洋开发研究所、美国海洋所、日本气象局、英国气象局、印度国家海洋信息中心等分别研制了诸如气候温盐分布场等在内的各自的卫星遥感产品[6-11]。
同样的，在国内，也有一批诸如中国海洋大学、国家海洋局第一第二研究所、中国科学院海洋研究所、解放军理工大学、中国地质大学和大连海事大学等机构的许多研究者，近几年来也对中国近海海域的海表盐度遥感反演模型及算法进行了一些初步的探索[12-14]。但是由于中国近岸海域辽阔，海况复杂，特别的，南海海域具有强风场、泡沫和陆地射频干扰(RFI)等现象，严重影响反演后得到盐度的精度。下面给出的图 1是利用国际上已经存在的算法得到的反演后的盐度全球分布图，该图是http://argans.co.uk/smos/pages/mapdays.php网站公布的2015年2月22—26日5天平均的全球海表面盐度空间分布图。图中白色区域是没有得到有效盐度产品的海域，可以看到中国南海海域(如图 1黑框内的区域)绝大多数是空白。可以说现有模型和算法不适用于中国近岸海域，特别是中国南海海域。
|
图 1 2015年2月22—26日5天平均的全球海表面盐度分布图 Fig. 1 Sea surface salinity distribution map of five days average from 22 to 26, February, 2015 |
总的来看，目前，国内外海表面盐度微波遥感反演主要有基于海表面发射率估算海表面盐度的算法和基于贝叶斯定理提出的反演算法，Adel Ammar等人也在2008年发表的文章[15]中提到可以用神经网络的方法基于SMOS卫星的Level 1产品进行盐度反演，但正如前面提到的，现有的思路不适用于中国近岸海域。王新新等人在2012年发表的文章[16]最后提到，下一步要做的是针对我国近海海域通过走航数据、Argo实测数据对卫星数据进行校正，以提高盐度反演精度[16]。
本文利用“东方红2”科学考察船的实测盐度数据在中国近岸海域南海对三组SMOS卫星海表面盐度数据(三种不同粗糙度修正模型下的结果)开展准确度评估，并采用BP神经网络方法对SMOS卫星的Level 2产品进行进一步的修正，期望得到精度更高的海表面盐度产品，进而对模型进行适应性检验，具有重要意义。
1 海表面盐度的数据来源及分析 1.1 “东方红2”实测数据集由于中国近海岸海域非常辽阔，况且还不断的受到RFI等太多因素的影响，特别是南海海域，SMOS卫星和Aquarius/SAC-D卫星的的产品精度并不尽如人意[1]，但正因为其特殊的地理位置和重要的国际地位，南海海表面盐度的研究是大家非常关心的问题。因此，本文将目光集中在了4°N~25°N, 105°E~125°E的南海海域，希望通过BP神经网络模型来建立更加精确的海表面盐度的反演算法。
下面的图 2是按照地理位置绘制的47个测量浮标，这些浮标是中国海洋大学科学考察船“东方红2”为了进行海洋调研而安放的，文章在开始之前经过申请获得了该批浮标在2012年的4—6月期间的科学考察数据。这些数据不仅包括此时间和空间下的海表面盐度值，还包括了风速、海表面泡沫在内的等等多个重要的海洋指标性数据，在获得这些珍贵的数据之际，我们便根据国际标准对其进行了一系列的诸如时空匹配、参数选择等复杂的前期处理工作，最终获得了这片海域在此时间段的实际测量数据1 348组(in-situ SSS)。
|
图 2 “东方红2”在中国南海放置的停泊浮标位置 Fig. 2 The locations of the 'Dong Fang Hong 2' in South China Sea |
Argo(Array for Real-time Geostrophic 0ceanography)即“全球海洋实时观测网”的英文缩写，该海洋观测计划由美国等国家于1998年提出[1]。它是第一个提供了海洋次表层信息的海洋观测计划，在此之前只能通过海洋调查船或者锚碇浮标观测获得有限的海洋次表层的温盐度信息。
本文自网站http://www.argo.org.cn/中下载获得2013年4—6月南海海域共374个有效的Argo浮标，此数据经过了国际上普遍认可的对Argo数据采取的处理模式的处理后可直接应用。本文在获取原始数据后，将所有浮标的盐度数据进行了时空匹配、天平均等一系列复杂的前期处理工作，该数据集将作为实测数据用于模型验证与模型适应性讨论部分。
1.3 WOA13数据集WOA13(World Ocean Atlas 2013)[17]是一个再分析数据集，由美国国家海洋地质数据中心海洋气候研究所公布。该数据集中包括的各项实测数据，如温度、盐度、溶解氧量、磷酸盐含量、硅酸盐含量及硝酸盐含量等覆盖了全球海洋气候学关注的各个领域。WOA13公布数据分为年平均、季平均和月平均数据，该数据集将全球海域采用5°、1°、0.25°网格化方式进行处理，其所公布的数据测量结果都会在对应网格化的经纬度上。
本文从http://.www.nodc.noaa.gov/OC5/woa13/网站下载了全球海水盐度的月平均的1°×1°网格化数据。该数据通过对2005—2013年获得的有效Argo浮标等数据进行再分析得到了全球海域海水盐度的月平均产品。本文提取第一层数据作为海表面盐度的代表，此数据集将作为实测数据用于模型验证与模型适应性讨论部分。如图 3是2013年4月全球WOA13盐度的空间分布图，海表面盐度大多集中在31~36。
|
图 3 2013年4月全球WOA13的月平均分布图 Fig. 3 Monthly average distribution of sea WOA13 in the world in April 2013 |
SMOS卫星(Soil Moisture and Ocean Salinity)是欧洲航天局ESA(European Space Agency)于2009年11月2日发射升空，是人类设计的第一颗用于探测海洋盐度和土壤湿度的新型卫星，在2010年5月进入工作阶段。其盐度产品分为从原始格式资料、Level 0到Level 3等多种形式的产品，具体产品描述见表 1[2]。
|
表 1 SMOS卫星产品的描述 Table 1 The description of SMOS satellite product |
SMOS卫星的主要产品，即Level 2级数据产品，其反演算法是根据不同粗糙度修正模型而得来的。目前，海表面粗糙度修正模型主要有SSS1模型、SSS2模型和SSS3模型，它们分别是由Yueh[18-19]提出的双尺度模型、由Voronovich[20]提出的微扰法/小斜率近似模型和Gabarró[21]通过大量数据提出的经验模型。
上述这些方法不可避免的会存在多种反演误差，在SMOS卫星发射之后，国际上许多学者想尽办法来减小误差，目前来看，在更加宽阔的海域有了较为明显的效果，但正如文章前面已经提到的，这些减小误差的办法并不适用于长期受到RFI等严重影响的近海海域，在这些海域SMOS卫星的误差相当大。这也是本文之所以选择中国的近岸海域南海的主要原因。
1.5 数据的时间、空间匹配在模型的建立过程中，作为训练数据集的是1.1节介绍过的“东方红2”实测数据，以及由SMOS卫星提供的其他辅助数据。影响反演结果的因素有很多，我们这里经过对数据及资料的多方面考证和研究，以及对各因素相关性的反复对比，最终决定采用以下的六个参量进行建模：亮温(TB)、海表面温度(SST)、有效波高(SWH)、降雨率(RR)、风速(WS)和蒸发量(TCWV)[1]。
首先，对于订购下载得到的2012年4—6月中国南海海域的SMOS卫星数据，将其Level 2产品与辅助数据进行相同时空下分辨率为0.022°×0.022°的网格化匹配，得到有效数据4041181组。
其次，考虑到各种数据在时间和空间上的差异性，按照国际标准[1]，文章以12 h为时间间隔，以0.5°×0.5°(大约54 km×54 km)为空间间隔，将“东方红2”实际测量得到的数据与相同时空下SMOS卫星的4041181组有效数据进行匹配，最终得到了能够完全匹配的数据106组。
这106组数据将是本文用来建立BP神经网络模型的训练数据集，每一组都由以下的10个因素组成：in-situ SSS、TB、SST、SWH、RR、WS、TCWV，以及SMOS卫星反演得到的SSS1、SSS2、SSS3。
1.6 训练数据的误差分析如图 4，是1.5节得到的106组时空匹配的实测数据(in-situ SSS)和SMOS Level 2卫星产品(SSS1、SSS2、SSS3)分布图，其中SMOS卫星自身的反演机制得到的SSS1、SSS2、SSS3的数据差距较小，且都与我们在该时空下获得的真实的海表面盐度值差距较大。均方根误差的计算结果表明，SMOS卫星自身的反演机制得到的SSS1、SSS2、SSS3相对于真实值的RMSE为1.90、1.93、1.91(psu)；平均绝对误差的计算结果表明，SMOS卫星自身的反演机制得到的SSS1、SSS2、SSS3相对于真实值的MAE为1.46、1.49、1.47(psu)。
|
图 4 时空匹配的实测数据和SMOS卫星产品分布图 Fig. 4 Comparisons between in-situ data to SMOS products for matchup data points |
作为数据挖掘技术中的一个重要方法，人工神经网络有着不可或缺的地位。人工神经网络从人脑神经元处理信息的方式中得到启示，建立了属于自己的非线性系统模型，其优点在于：自适应性、自组织性、良好的学习能力、良好的联想能力、良好的容错能力和抗干扰能力。而BP神经网络作为人工神经网络的核心内容，当前世界对其进行了多种多样的研究，应用领域极其广泛，可以说已经初步形成了一个成熟的研究体系。在海表面盐度的卫星遥感反演中，针对SMOS卫星的数据，国内已有学者采用了几种回归分析的方法建立了反演模型，其中包括多元线性回归、岭回归、最小角回归、主成分回归方法和LASSO方法[22-23]。相较于这几种回归分析方法，BP神经网络本身存在的自适应性使得模型训练过程中的变量选择及误差更合理，并且其自身可根据拟合的情况在模型训练的过程中进行组织学习。
本节和第3节将分别利用BP神经网络模型对海表面盐度及其影响变量建立统计模型，并利用实测Argo盐度数据、WOA13的盐度数据对模型进行评估和检验。
2.1 人工神经网络人工神经网络[24](Artificial Neural Networks, ANN), 简称为神经网络(Neural Networks, NN)，它是受到具有组织性和相互作用性的生物神经系统的启发，将生物神经元所具有的感受刺激和传导兴奋的功能，模拟转变为人工神经网络所具有的加权、求和以及转移的功能，神经细胞如图 5(a)所示。
|
图 5 神经元细胞结构图(a)、前馈神经网络结构图(b)和反馈神经网络结构图(c) Fig. 5 Neurons chart (a) the structure of feedforward NN (b) and the structure of feedback NN (c) |
神经元作为神经网络最基本的组成部分，其形式如(1)式所示，其中xi(i=1, 2, …, R)为神经元输入，wi(i=1, 2, …, R)为神经元间的连接权值，b=w0为阈值(偏置值)，如果将x0=1也看做神经元输入，那么w0就是特殊的连接权，f为传递函数(激活函数)，y为神经元输出：
| $ y = f\left( {\sum\limits_{i = 1}^R {{w_i}{x_i}{\rm{ + }}b} } \right)。$ | (1) |
其中，传递函数f可以是线性或着非线性函数，常用的有hardlim(硬极限传递函数)、purelin(线性传递函数)、logsig(对数型传递函数)等。通常，传递信息过程中可以将神经元连接方式分为两类：一类是信号依次从输入层、隐含层以及最后到输出层输出结果进行单向传播的前馈神经网络，其结构图 5(b)所示；另外一类是同层之间的神经元存在互联的反馈神经网络，即神经元输出信号后会将这部分信号反馈到前一层或同层神经元中，换句话说，信号可以向两个方向同时传播，其结构如图 5(c)所示。
2.2 BP神经网络BP神经网络[25]也被称为误差反向传播神经网络(Error Back-propagation Algorithm), 它是前馈神经网络的一种非常重要的有监督学习的学习算法，在人工神经网络的实际应用中，80%多的人工神经网络模型都是采用BP网络或它的变化形式。在该算法中，误差传播与信号传递方向相反，这两个阶段具有前后顺序并不断交替进行。
(1)信号的正向传播。
信号传播过程如下：
信号-[输入层]-[隐含层]-[输出层]-得到处理过的信号。
在此过程中，BP神经网络的权值不会变化，神经元的状态依然是单向传递，不会出现下一层神经元的状态影响上一层神经元状态的情形。
(2) 误差的反向传播。
上述传播过程最后得到的信号如果和预期的有偏差，那么将产生一个误差信号，进行反向传播，它是从输出层出发进行逆向传播。在该过程中，误差信号由各层单元共同承担。其通过误差信号动态的监督对各单元层的权值进行调节。
BP神经网络正是通过这两个过程进行不断地正向传播和反向调节，不断修正神经元之间的权值，一旦输出信号的误差满足了精度要求，学习过程则停止。
2.3 BP神经网络模型建立及结果分析本节以BP神经网络为建模基础，利用1.5节得到的训练数据集，以TB、SST、SWH、RR、WS、TCWV 6个因子为输入参数，以SSS为输出参数，建立基于卫星遥感数据的海表面盐度的反演模型，使用Matlab软件进行仿真训练。
2.3.1 BP神经网络模型的创建为了防止小数值信息被大数值信息淹没现象的发生，首先用mapminmax函数对样本数据进行归一化处理，设置输入变量X和预期输出变量Y(X即为训练样本中表示影响因素的6维数据，Y即为训练样本中的海表面盐度值，是网络训练希望达到的目标值)。
经过多次尝试与调整，最终择优建立了一个隐含层为5层，各层节点数分别为6、4、4、3、1结构的BP神经网络。其中，分别以tansig、tansig、tansig、purelin、purelin为每一隐含层的传递函数，以trainrp为训练函数(该函数的学习算法为弹性梯度下降法)，学习率为0.00001、最大训练次数为300次、训练要求精度0.00001、限时训练迭代过程次数为50。进行网络训练和网络仿真。
2.3.2 BP神经网络训练结果根据(1)式，针对2.3.1节BP神经网络模型的5个隐含层的设置，此次模型训练将会得到下列各隐含层的关系式，网络训练的目的即求出各表达式(2)中的参数矩阵，通过多次尝试与调整，在误差达到最小的情况下的结果见表 2。
| $ \begin{array}{l} {y_{1j}} = {f_1}\left( {\sum\limits_{i = 1}^6 {{w_{ji}}{x_i} + {b_{1i}}} } \right)\;\;j = 1, 2 \cdots , 6, \\ {y_{2k}} = {f_2}\left( {\sum\limits_{j = 1}^6 {{w_{kj}}{y_{1j}} + {b_{2k}}} } \right)\;\;k = 1, 2 \cdots , 4, \\ {y_{3l}} = {f_3}\left( {\sum\limits_{k = 1}^4 {{w_{lk}}{y_{2k}} + {b_{3l}}} } \right)\;\;l = 1, 2 \cdots , 4, \\ {y_{4m}} = {f_4}\left( {\sum\limits_{l = 1}^4 {{w_{ml}}{y_{3l}} + {b_{4m}}} } \right)\;\;m = 1, 2, 3, \\ {y_5} = {f_5}\left( {\sum\limits_{m = 1}^3 {{w_{1m}}{y_{4m}} + {b_5}} } \right)\;。\end{array} $ | (2) |
|
|
表 2 BP神经网络训练结果 Table 2 The results of BP neural network training |
利用该模型得到的各参数矩阵，计算得到该时空下的海表面盐度的预测值。针对前面反复提到的106组实测数据，BP神经网络模型预测得到的盐度值图见图 6(a)，可以看到拟合结果较好。经过计算，BP神经网络模型产品相对于实测数据的均方根误差(RMSE)为0.21 psu，平均绝对误差(MAE)为0.15。而SMOS的SSS1、SSS2、SSS3产品的精度则较低，具体比对数值见表 3, 误差分布图见图图 6(b)。结果表明，99%的BP神经网络模型误差都集中在-1psu和1psu之间，而SMOS的SSS1、SSS2、SSS3产品的误差分别只有44%、45%和45%集中在该区间。
|
图 6 模型拟合的盐度值和真实盐度值的散点图(a)及误差分布图(b) Fig. 6 Comparisons between model SSS and in-situ SSS (a), error distribution(b) |
|
|
表 3 模型拟合的盐度和SMOS盐度的误差统计表 Table 3 Error statistics between in-situ SSS to model SSS and SMOS SSS |
在模型验证的过程中，本文所选取的验证数据的时间和空间分别为2013年4—6月中国南海海域，按照前面1.5节所介绍的时间空间的匹配方法，对下载得到的SMOS卫星及其辅助数据数据进行匹配，得到4、5、6月的有效数据11577984、11987166、和11367069组，其中的每一组都由以下的9个因素组成：TB、SST、SWH、RR、WS、TCWV，以及SMOS卫星反演得到的SSS1、SSS2、SSS3。通过前面的得到的BP神经网络模型(2)式，计算得到了这三个月有效网格点处的海表面盐度值，为了更好的将模型预测结果与Argo实测数据以及WOA13数据进行比对，进一步处理得到了4、5、6月的分辨率为1°×1°有效月平均、天平均数据。图 7给出了通过BP神经网络模型预测得到的2013年4、5和6月的海表面盐度月平均产品图。
|
图 7 BP神经网络模型预测的中国南海海域2013年4、5和6月的月平均盐度产品图 Fig. 7 Distribution of monthly average SSS for retrieved products in April to June, 2013 in South China Sea area |
进而，将该验证数据与相同的时间、空间下的Argo浮标实测数据进行匹配处理，得到有效数据共计286组。图 8(a)是匹配后相同时空下的Argo、BP模型SOMS的散点图，结果是显而易见的，BP神经网络模型的准确度明显高于SMOS卫星。图 8(b)是误差对比图(由图 4知SMOS的3组产品盐度值接近，此处仅选取SMOS的SSS1产品进行比对)。经过计算，BP神经网络模型预测数据相对于Argo浮标实测盐度数据的均方根误差(RMSE)是0.50，而SMOS卫星自身的反演机制得到的SSS1、SSS2、SSS3相对于真实值的RMSE为1.83左右，具体比对数值见表 4。结果表明，75%的BP神经网络模型误差都集中在-0.5和0.5之间，而SMOS的SSS1产品误差只有34%在-0.5和0.5之间。
|
图 8 Argo盐度、模型产品和SMOS产品分布图(a), 模型产品和SMOS SSS1相对于Argo的误差图(b) Fig. 8 Distribution of Argo、model and SMOS (a), distribution error between Argo to model and SMOS SSS1(b) |
|
|
表 4 BP模型预测的盐度和SMOS盐度相对于的Argo盐度值的误差统计表 Table 4 Error statistics between Argo SSS to the prediction of BP model SSS and SMOS SSS |
另一方面，获得的南海海域WOA13海表面盐度数据(分辨率为1°×1°)4、5和6月分别为211个、207个和206个。同样的，为了将SMOS卫星数据、BP神经网络模型数据分别与WOA13海表面盐度数据进行比较，按照1°×1°进行3种数据集的月平均时空匹配。此时，每个匹配后的有效网格点处数据包括：WOA13海表面盐度数据、BP神经网络模型数据、3种SMOS Level 2盐度产品(SSS1、SSS2、SSS3)以及各有效网格点的经纬度。经过计算，表 5呈现出了均方根误差(RMSE)的所有结果，结果仍然表明BP神经网络模型的准确度明显高于SMOS卫星。
|
|
表 5 BP模型预测的盐度和SMOS盐度相对于的WOA13盐度值的误差统计表 Table 5 Error statistics between WOA13 SSS to the prediction of BP model SSS and SMOS SSS |
在可以预见的将来，人们将不会停止对海表面盐度及其反演模型的不断探索[26]，海表面盐度在海洋参量研究中的重要地位是不言而喻的，如何提高它的反演精度，仍旧是研究者面临的最大考验[16, 27]。由于RFI等因素的干扰，使得卫星海表面盐度的测量在中国南海海域存在较大误差，本文一方面是通过“东方红2”考察船的走航数据与SMOS卫星数据，针对中国南海海域提出了用BP神经网络预测海表面盐度的方法；另一方面是用实测Argo浮标、WOA13的盐度数据对模型进行适应性评估。结果表明，得到的模型数据可与卫星数据进行相互校正以提高盐度遥感的精度，方法和思路对南海海域海表面盐度的测量具有较好的借鉴意义。
但是，考虑到统计方法可能消除了海表面盐度的微小变化，此对提高测量精度具有一定的影响。在未来的学习中，我们将进一步利用走航数据、Argo实测数据以及卫星数据，采取更多不同的方法建立模型，考虑其他更多因素对模型精度的影响，建立适应性更强的模型。最后，争取得到适用于全球的海表面盐度反演模型。
| [1] |
赵红, 王成杰. 基于SMOS卫星数据的海表面盐度模型[J]. 海洋技术学报, 2016(1): 15-21. Zhao Hong, Wang Chengjie. Retrieve sea surface salinity salinity using Statistic model based on SMOS data[J]. Journal of Marine technology, 2016(1): 15-21. (  0) |
| [2] |
柴子为. 基于星载雷达的海表面盐度的遥感反演研究—以珠江口为例[D]. 广州: 中山大学, 2008. Chai Ziwei. Utiliziing SAR Imagery to Measure Sea Surfsce Salinity on Pear River Estuary[D]. Guangzhou: Zhongshan University, 2008. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1294281 ( 0) |
| [3] |
Gabriel Jordà, Damià Gomis, Marco Talone. The SMOS L3 Mapping Algorithm for Sea Surface Salinity[J]. IEEE Transacti-ons on Geoscience and Remote Sensing, 2011, 49(3): 1032-1052. DOI:10.1109/TGRS.2010.2068551
( 0) |
| [4] |
BOUTIN J, MARTIN N. ARGO upper salinity measurements: Perspectivesfor L-band radiometers calibration and ret-rieved sea surface salinity validation[J]. IEEE Geoscience and Remote Sensing Letters, 2006(3): 202-206.
( 0) |
| [5] |
Spurgeon P, Lavender S, Delwart S. SMOS L2 OS Algorithm Theoretical Baseline Document[J/OL]http://earth.esa.int/ESA_DOC/SO-TN-ARG-GS-0007_L2OS-ATBD_V35_10069.pdf. 2010(9): 157-174.
( 0) |
| [6] |
Gaillard F. SAS-Tool Version 5. 3: Method and comfigution. Laboratoere de Physique de Oceans[R]. UMR 6523, 2 009.
( 0) |
| [7] |
Roemmich D, Gilson J. The 2004—2008 mean and annual cycle of temperature, salinity, and steric height in the global ocean from the Argo Program[J]. Progress in Oceanography, 2009, 82(2): 81-100. DOI:10.1016/j.pocean.2009.03.004
( 0) |
| [8] |
Hosoda S, Ohira T, Nakamura T. A monthly mean dataset of global oceanic temperature and salinity derived from Argo float observations[J]. JAMSTEC Report of Research and Development, 2008, 8: 47-59. DOI:10.5918/jamstecr.8.47
( 0) |
| [9] |
Martin M J, Hines A, Bell M J. Data assimilation in the FOAM operational shortrange ocean forecasting system: Adesriptio-n of the scheme and its impact[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133(625): 981-995. DOI:10.1002/(ISSN)1477-870X
( 0) |
| [10] |
Udaya Bhaskar TV S, Ravichandran M, Devender R. An operational objective analysis system at INCOIS for generation of Argo Value Added Products[R]. Technical Report, 2007. https://www.researchgate.net/publication/242086636_An_operational_Objective_Analysis_system_at_INCOIS_for_generation_of_Argo_Value_Added_Products
( 0) |
| [11] |
Umbert M, Hoareau N, Turiel A, et al. New blending algorithm to synergize ocean variables: The case of SMOS sea surface salinity maps[J]. Remote Sensing of Enviro-nment, 2014, 146(5): 172-187.
( 0) |
| [12] |
史久新, 朱大勇, 赵进平, 等. 海水盐度遥感反演精度的理论分析[J]. 高技术通讯, 2004, 14(7): 101-105. Shi Jiuxin, Zhu Dayong, Zhao Jinping, et al. The analysis of retrieve sea surface salinity salinity[J]. Chinese High Technology Letters, 2004, 14(7): 101-105. ( 0) |
| [13] |
殷晓斌. 海面风矢量、温度和盐度的被动微波遥感及风对温盐遥感的影响研究[D]. 青岛: 中国海洋大学, 2007. Yin Xiaobin. The research of the surface temperature and salinity of the passive microwave remote sensing and the thermohaline remote sensing[D]. Qing dao: Ocean university of China, 2007. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1071604 ( 0) |
| [14] |
王杰. 微波遥感海水盐度的算法和影响因素分析[D]. 青岛: 国家海洋局第一海洋研究所, 2007. Wang Jie. The algorithm of microwave remote sensing of seawater salinity and influence factors analysis[D]. Qing dao: The first Institute of a Ceanography SOA, 2007. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1171915 ( 0) |
| [15] |
Adel Ammar, Sylvie Labroue, et al. Sea Surface Salinity Retrieval for the SMOS Mission Using Neural Networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008.
( 0) |
| [16] |
王新新, 等. 海表面盐度卫星微波遥感研究进展[J]. 遥感技术与应用, 2012, 27(5): 671-679. Wang Xinxin, et al. Progress in SSS Microwave Remote Sening by Satelite[J]. Remote Sensing Technology and Application, 2012, 27(5): 671-679. DOI:10.11873/j.issn.1004-0323.2012.5.671 ( 0) |
| [17] |
刘仁清, 许建平. Argo成功的十年[J]. 中国基础科学(综述评述), 2009(4): 15-21. Liu Renqing, Xu Jianping. The success of this ten years of Argo[J]. China Basic Science, 2009(4): 15-21. ( 0) |
| [18] |
Yueh S, Wilson W, Li F. Modeling of wind direction signals in polarimetric Sea Surfsce Brightness Temperatures[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(6): 1400-1418. DOI:10.1109/36.649793
( 0) |
| [19] |
Talone M, Sabia R, Gourrion J. Simulated SMOS Level2 and 3 products: the effect of introducing ARGO data in the procrssing chain and its impact on the error inducted by the vicinity of the coast[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(9): 3041-3049. DOI:10.1109/TGRS.2008.2011618
( 0) |
| [20] |
Voronovich A. Smallslope approximation for electromagnetic wave scattering at a rough surfsce of two dialectric half apaces[J]. waves in Random Media, 1994, 4: 337-367. DOI:10.1088/0959-7174/4/3/008
( 0) |
| [21] |
Gabarró C. Study of salinity retrieval errors for SMOS mission[D]. Barcelona: Universitat Politécnicade Catalunya, 2004: 103-136. http://www.researchgate.net/publication/313164699_Study_of_salinity_retrieval_errors_for_the_SMOS_mission
( 0) |
| [22] |
Changjun Li, Hong Zhao, Hongping Li, et al. Assessent of SMOS and Aquarius/SAC-D salinity data accuracy in the South China Sea: Three statistical methods, Geoscience and Remote Sensing Symposium (IGARSS), 2015 IEEE International, 954-957, 10.119/IGARSS.2015.7-325925.
( 0) |
| [23] |
Alory G. Basalacchi A, Arkin P, et al, Satellite sea surface salinity error in the Tropics, 2011 American Geophysical Union Fall Meeting, (2011).
( 0) |
| [24] |
Yu F.H, Liu H.B., Tan GJ.. Application of neural nerwork ensemble for structural damage detection[J]. Journal of Jilin Unive-rsity(Engineering and Technology Edition), 2007, 37(2): 438-441.
( 0) |
| [25] |
朱玉飙. 基于MATLAB的神经网络在货物进出口数据中的应用[T]. 长春: 吉林大学, 2013. Zhu Yubiao. Neural network application in goods import and export data by MATLAB[T]. Chang chun: Ji Lin university, 2013. ( 0) |
| [26] |
Zhao Hong, Li Changjun, Li Hongping, et al. Retrieve sea surface salinity using PCR model based on SMOS data. Journal of Ocean University of China, accepted.
( 0) |
| [27] |
王新新, 杨建洪, 赵冬至, 等. SMOS卫星盐度数据在中国近岸海域的准确度评估[J]. 海洋学报, 2013, 35(5): 169-176. Wang Xinxin, Yang Jianhong, Zhao Dongzhi, et al. SMOS Sea Surfsce Salinity data accuracy assessment in the China coastal areas[J]. Acta Oceanologica Siniica(in Chinese), 2013, 35(5): 169-176. ( 0) |