基于DINEOF方法的水色遙感數(shù)據(jù)的重構(gòu)研究
——以黃、渤海區(qū)域?yàn)槔?/h1>
2014-08-01 09:33王躍啟劉東艷
遙感信息 2014年5期
王躍啟，劉東艷
(1.中國科學(xué)院煙臺(tái)海岸帶研究所 海岸帶環(huán)境過程與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室，山東 煙臺(tái) 264003；2.中國科學(xué)院大學(xué)，北京 100049)
1 引 言
海洋水色遙感具有成本低、數(shù)據(jù)量大，可實(shí)現(xiàn)大范圍連續(xù)觀測(cè)等優(yōu)點(diǎn)，并且與傳統(tǒng)監(jiān)測(cè)方法有很好的互補(bǔ)性，在海洋生態(tài)系統(tǒng)的研究中扮演著越來越重要的作用[1-4]。近年來，海洋水色遙感技術(shù)發(fā)展迅速，尤其是SeaWiFS(Sea-viewing Wide Field-of-view Sensor)和MODIS(Moderate Resolution Imaging Spectrotadiometer) 等傳感器的業(yè)務(wù)化運(yùn)行，不僅為海洋研究提供了長時(shí)間序列的水色遙感數(shù)據(jù)產(chǎn)品，而且實(shí)現(xiàn)了多傳感器的同步、互補(bǔ)觀測(cè)，為海洋生態(tài)系統(tǒng)的長期研究提供了豐富的數(shù)據(jù)源。
隨著海洋水色遙感數(shù)據(jù)的不斷積累，目前海洋水色遙感數(shù)據(jù)產(chǎn)品的應(yīng)用仍面臨著兩個(gè)關(guān)鍵的問題：一方面，受云覆蓋、大氣校正、傳感器技術(shù)問題等的影響，獲取的數(shù)據(jù)面臨著較高的缺失問題，需要有效的空間插值方法來提高數(shù)據(jù)的時(shí)空完整性；另一方面，不同傳感器的運(yùn)行時(shí)間和壽命不同，需要有效的融合方法將不同的傳感器數(shù)據(jù)進(jìn)行準(zhǔn)確的融合和承接，最大限度地獲得長時(shí)間序列的完整數(shù)據(jù)，以滿足對(duì)海洋環(huán)境的長期連續(xù)觀測(cè)要求[5]。為了解決上述問題，國內(nèi)外學(xué)者發(fā)展了一系列的插值和融合方法。傳統(tǒng)的海洋水色遙感數(shù)據(jù)的插值方法主要包括地統(tǒng)計(jì)插值法(geostatistical filling)[6-7]、最優(yōu)插值法(Optimal Interpolation，OI)[8]、奇異譜分析法 (Singular Spectrum Analysis，SSA)[9]等；而遙感數(shù)據(jù)的融合方法主要包括簡單或加權(quán)平均[10]、主觀分析算法[10]、神經(jīng)網(wǎng)絡(luò)算法[11]和生物光學(xué)模型方法[12]等。
經(jīng)驗(yàn)正交分解插值方法(Data Interpolating Empirical Orthogonal Function，DINEOF)[13-14]是近年發(fā)展起來的一種高效的數(shù)據(jù)重構(gòu)方法，它自適應(yīng)能力強(qiáng)，無需任何先驗(yàn)知識(shí)便可以快速有效地使用的內(nèi)插方法，在處理高缺失量的大數(shù)據(jù)集上效率更高，結(jié)果更好，在長時(shí)序海洋水色遙感數(shù)據(jù)重構(gòu)中發(fā)揮越來越重要的作用[14-15]。許多國內(nèi)外學(xué)者通過對(duì)該方法的不斷改進(jìn)，滿足不同的重構(gòu)需求，如Beckers等利用DINEOF和OI方法結(jié)合，在完成數(shù)據(jù)重構(gòu)的同時(shí)，對(duì)數(shù)據(jù)的誤差進(jìn)行了定量的估計(jì)[16]；Alvera-Azcárate等利用DINEOF方法結(jié)合數(shù)據(jù)本身的空間相關(guān)性對(duì)插值數(shù)據(jù)的“異常值”進(jìn)行有效剔除[17]；Alvera-Azcárate等基于DINEOF方法利用不同變量之間的時(shí)空相關(guān)性對(duì)多變量進(jìn)行了有效的重構(gòu)[14]。以上的研究表明，DINEOF方法在海洋水色遙感數(shù)據(jù)重構(gòu)中有很強(qiáng)的適用性和改進(jìn)性。
SeaWiFS和MODIS/Aqua是目前海洋水色遙感研究中廣泛應(yīng)用的兩種傳感器。SeaWiFS傳感器自1997年9月開始獲取數(shù)據(jù)，到2010年12月結(jié)束壽命，提供了13年的觀測(cè)資料；MODIS/Aqua傳感器自2002年7月至今仍在軌運(yùn)行。兩種數(shù)據(jù)在2002年～2010年間的同步觀測(cè)，有利于兩種數(shù)據(jù)的對(duì)比融合，而兩種數(shù)據(jù)不同的運(yùn)行壽命，又為海洋水色參數(shù)的長期、連續(xù)觀測(cè)提供了依據(jù)，因此對(duì)兩種數(shù)據(jù)產(chǎn)品的有效重構(gòu)和對(duì)比融合能夠?yàn)楹Ｑ笊鷳B(tài)系統(tǒng)的持續(xù)研究提供數(shù)據(jù)支持。
黃、渤海區(qū)域(圖1)是中國最重要的半封閉陸架淺海區(qū)，其葉綠素a濃度的遙感反演受多種因素的影響，精度和覆蓋率均較低，因此影響了遙感數(shù)據(jù)在該海區(qū)的應(yīng)用。目前該海區(qū)的海洋葉綠素a的遙感研究，主要集中于遙感反演精度的驗(yàn)證[15]或者直接利用有缺失數(shù)據(jù)的遙感產(chǎn)品來粗略的分析葉綠素a濃度的動(dòng)態(tài)機(jī)制[16-17]，對(duì)不同傳感器數(shù)據(jù)缺乏系統(tǒng)的比較，更是較少地涉及到數(shù)據(jù)完整性重構(gòu)的系統(tǒng)研究，因而也限制了該海區(qū)水色遙感產(chǎn)品的應(yīng)用。
本文以傳統(tǒng)的DINEOF方法為基礎(chǔ)，以SeaWiFS和MODIS/Aqua海表葉綠素a濃度數(shù)據(jù)的一致性為依據(jù)，借助多變量組合DINEOF方法，對(duì)兩種水色遙感數(shù)據(jù)進(jìn)行了有效的組合重構(gòu)，獲得了自1997年9月至2012年6月期間較為完整的海表葉綠素a濃度數(shù)據(jù)集，為海洋水色遙感數(shù)據(jù)的應(yīng)用提供一定的借鑒價(jià)值和方法依據(jù)。
圖1 研究區(qū)
2 數(shù)據(jù)與方法
2.1 數(shù)據(jù)來源
本文應(yīng)用的數(shù)據(jù)來自于美國國家航空航天局提供的SeaWiFS和MODIS/Aqua(MODISA)海表葉綠素a(Chl-a)遙感產(chǎn)品，考慮到數(shù)據(jù)覆蓋率和數(shù)據(jù)處理速度，本文采用全球標(biāo)準(zhǔn)算法8天合成的海表葉綠素a三級(jí)數(shù)據(jù)產(chǎn)品作為實(shí)驗(yàn)數(shù)據(jù)源。提取兩種數(shù)據(jù)在重疊時(shí)段(2002年7月4日至2010年12月18日) 的所有數(shù)據(jù)，共388個(gè)時(shí)段，兩種數(shù)據(jù)的空間分辨率均為9km×9km，原始數(shù)據(jù)通過掩膜處理，提取117oE～127oE和31oN～41oN范圍內(nèi)的數(shù)據(jù)。
2.2 DINEOF重構(gòu)的基本原理
DINEOF方法是一種基于經(jīng)驗(yàn)正交分解的插值方法，它不需要先驗(yàn)知識(shí)，在處理大數(shù)據(jù)量和高缺失率數(shù)據(jù)時(shí)有著明顯的優(yōu)勢(shì)[15，18]，近年來被越來越多的國外學(xué)者用于重構(gòu)海表溫度[18]、懸浮物質(zhì)[19]以及葉綠素a[20]等遙感數(shù)據(jù)。其基本原理是借助經(jīng)驗(yàn)正交分解方法，通過對(duì)數(shù)據(jù)集的多次迭代分解和合成，獲得最小的交叉驗(yàn)證誤差，進(jìn)而獲得對(duì)缺失數(shù)據(jù)點(diǎn)的最佳重構(gòu)。具體方法在相關(guān)文獻(xiàn)中已經(jīng)有了詳細(xì)的介紹[15-16，18]，這里不再詳述。這種方法最主要的優(yōu)點(diǎn)：①該方法是一種自組織、自適應(yīng)的數(shù)據(jù)重構(gòu)方法，在重構(gòu)前不需要對(duì)數(shù)據(jù)先驗(yàn)知識(shí)獲?。虎谠摲椒ɑ跀?shù)據(jù)集中所有數(shù)據(jù)點(diǎn)、所有時(shí)段的信息，因此插值結(jié)果更能反映數(shù)據(jù)集的整體特征；③該方法操作簡單，可控性強(qiáng)，與傳統(tǒng)方法相比，運(yùn)算時(shí)間大大縮短(如運(yùn)算時(shí)間僅是最佳內(nèi)插方法的1/30)。
本文對(duì)DINEOF方法重構(gòu)過程中的相關(guān)參數(shù)做以下設(shè)置：從原始數(shù)據(jù)集隨機(jī)抽取3%的數(shù)據(jù)點(diǎn)作為交叉驗(yàn)證數(shù)據(jù)；EOF分解迭代終止的準(zhǔn)則為：前次分解的均方根誤差與本次分解的均方根誤差的差值大于前次均方根誤差的1e-4倍。整個(gè)DINEOF重構(gòu)方法的源代碼基于matlab平臺(tái)自行編寫。
2.3 DINEOF組合重構(gòu)的原理
DINEOF組合重構(gòu)方法是利用兩組或者多組變量之間的時(shí)空相關(guān)性，對(duì)組合后的數(shù)據(jù)進(jìn)行DINEOF重建，提高數(shù)據(jù)的重構(gòu)效果，其最初是被用來對(duì)海表溫度、葉綠素a濃度和海面風(fēng)場(chǎng)數(shù)據(jù)等短期不同變量的數(shù)據(jù)集進(jìn)行重構(gòu)[14]。本文首次嘗試將該方法應(yīng)用于長時(shí)間序列的多源水色遙感相同變量(葉綠素a)產(chǎn)品的組合重構(gòu)，以彌補(bǔ)單一時(shí)段某一數(shù)據(jù)集的完全缺失現(xiàn)象。組合數(shù)據(jù)集為兩種數(shù)據(jù)空間維上的組合：
(1)
其中，XA為組合后的數(shù)據(jù)集矩陣，XS為SeaWiFS/Chl-a數(shù)據(jù)集的初始矩陣，XM為MODISA/Chl-a數(shù)據(jù)集的初始矩陣。
2.4 重構(gòu)精度的評(píng)價(jià)
由于大尺度空間的水色遙感數(shù)據(jù)缺乏有效的實(shí)測(cè)數(shù)據(jù)來對(duì)重構(gòu)結(jié)果進(jìn)行評(píng)價(jià)，當(dāng)前的精度評(píng)價(jià)方法多是基于數(shù)據(jù)集自身進(jìn)行[19，21-22]。評(píng)價(jià)方法建立在初始圖像中有數(shù)據(jù)的象元(有效數(shù)據(jù)點(diǎn))基礎(chǔ)上，每次重構(gòu)之后，計(jì)算有效數(shù)據(jù)點(diǎn)的實(shí)際值和重構(gòu)值之間的相關(guān)參數(shù)來評(píng)價(jià)重構(gòu)效果，這些評(píng)價(jià)參數(shù)包括相關(guān)系數(shù)、均方根誤差、相對(duì)偏差、方差貢獻(xiàn)率等。
圖2 SeaWiFS和MODISA數(shù)據(jù)的時(shí)空覆蓋率
3 結(jié)果與討論
黃、渤海海區(qū)(圖1)是典型的近岸二類水體，葉綠素a遙感產(chǎn)品受其他懸浮物質(zhì)的影響，絕對(duì)精度較低，需要結(jié)合實(shí)測(cè)資料進(jìn)行驗(yàn)證或者建立適合該區(qū)域的反演算法[23]。本文承認(rèn)這種誤差的存在，但是不將其作為研究的內(nèi)容，而僅側(cè)重于對(duì)SeaWiFS/Chl-a和MODISA/Chl-a全球算法產(chǎn)品的對(duì)比，及DINEOF傳統(tǒng)和組合重構(gòu)方法對(duì)兩種數(shù)據(jù)重構(gòu)效果的分析。
3.1 兩種數(shù)據(jù)時(shí)空覆蓋率的比較
圖 2 顯示了兩種數(shù)據(jù)在研究時(shí)段內(nèi)的時(shí)間覆蓋率和空間覆蓋率。圖2(a)、圖2(b)是兩種數(shù)據(jù)的時(shí)間覆蓋率的空間分布特征(圖中的黑色實(shí)線是覆蓋率為5%的等值線)，兩種數(shù)據(jù)時(shí)間覆蓋率的空間分布形勢(shì)基本一致，近岸地區(qū)覆蓋率明顯低于離岸地區(qū)，最低覆蓋率出現(xiàn)在渤海西南部和江蘇近岸淺灘等水深較淺的區(qū)域。圖2(c)、圖2(d)是兩種數(shù)據(jù)的空間覆蓋率隨時(shí)間變化的統(tǒng)計(jì)圖，兩種數(shù)據(jù)空間覆蓋率的時(shí)間波動(dòng)明顯，SeaWiFS數(shù)據(jù)的空間覆蓋率變化范圍為0.43±0.26(圖2(d))，自2007年之后，空間覆蓋率出現(xiàn)明顯減小趨勢(shì)，甚至出現(xiàn)無有效數(shù)據(jù)覆蓋的時(shí)期(2008年～2009年)；而MODISA數(shù)據(jù)(圖2(c))的平均空間覆蓋率為0.49±0.24，略高于SeaWiFS數(shù)據(jù)，但是波動(dòng)較小。總體來看，兩種數(shù)據(jù)的時(shí)空覆蓋率存在著顯著的同步性(R=0.79，p<0.001)。因此，針對(duì)這兩種數(shù)據(jù)產(chǎn)品的融合并不能較大程度的提高數(shù)據(jù)的時(shí)空覆蓋率，但是可以有效地填補(bǔ)單一傳感器(SeaWiFS)某些時(shí)段的數(shù)據(jù)完全缺失狀況，提高其在長時(shí)間序列分析中的可用性。
表1 兩種Chl-a數(shù)據(jù)的數(shù)值統(tǒng)計(jì)特征
3.2 兩種數(shù)據(jù)數(shù)值特征的比較
將SeaWiFS和MODISA兩種數(shù)據(jù)的時(shí)空重疊部分的數(shù)值特征進(jìn)行統(tǒng)計(jì)比較，對(duì)兩種數(shù)據(jù)的一致性進(jìn)行評(píng)價(jià)，兩種數(shù)據(jù)集共有9，311，661個(gè)有效重疊象元。表1是兩種數(shù)據(jù)原始和以10為底的對(duì)數(shù)轉(zhuǎn)化后的數(shù)值統(tǒng)計(jì)特征。結(jié)果顯示兩種原始數(shù)據(jù)集的偏度遠(yuǎn)大于0，呈現(xiàn)明顯的正偏態(tài)；SeaWiFS數(shù)據(jù)的峰度偏大，說明數(shù)據(jù)分布更為集中；MODISA數(shù)據(jù)的平均值、中值、標(biāo)準(zhǔn)差和變異系數(shù)均略高于SeaWiFS數(shù)據(jù)集，說明MODISA數(shù)據(jù)集所反演的葉綠素a濃度值略高于SeaWiFS數(shù)據(jù)集，并且相對(duì)變動(dòng)也較大。進(jìn)行以10為底的對(duì)數(shù)轉(zhuǎn)化后，數(shù)據(jù)更接近正態(tài)分布，呈現(xiàn)微弱的負(fù)偏態(tài)。因此，兩種數(shù)據(jù)均呈現(xiàn)對(duì)數(shù)正態(tài)分布[24]，在重構(gòu)和統(tǒng)計(jì)分析前，需要對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)化處理。
圖3 SeaWiFS和MODISA數(shù)據(jù)的對(duì)比，灰度指示了數(shù)據(jù)點(diǎn)的分布密度
圖3為兩種葉綠素a數(shù)據(jù)的對(duì)數(shù)散點(diǎn)圖。相關(guān)分析結(jié)果顯示，兩種數(shù)據(jù)線性回歸的斜率為1.04，截距為0.02，相關(guān)系數(shù)為0.88，兩種數(shù)據(jù)在研究區(qū)域內(nèi)呈現(xiàn)較好的一致性，兩者的均方根偏差(RMSE=0.17)小于遙感數(shù)據(jù)本身的平均算法誤差(RMSE=0.22)[25]。圖3顯示該海區(qū)葉綠素a濃度多集中于1mg·m-3～10mg·m-3的范圍內(nèi)，在低值區(qū)MODISA數(shù)據(jù)略低于SeaWiFS數(shù)據(jù)，在高值區(qū)MODISA數(shù)據(jù)略高于SeaWiFS數(shù)據(jù)。總體上看，兩種數(shù)據(jù)在該海區(qū)有著高度的一致性，尤其考慮到黃渤海區(qū)域大部分海區(qū)為二類水體，葉綠素a遙感反演算法本身受多種因素影響，數(shù)據(jù)反演誤差較大[26-27]，但是兩者的數(shù)值仍然保持高度一致性，所以SeaWiFS/Chl-a和MODISA/Chl-a數(shù)據(jù)能相互補(bǔ)充，為該海區(qū)葉綠素a濃度的長周期研究提供依據(jù)。
3.3 DINEOF重構(gòu)結(jié)果
通過前面的結(jié)果可知，兩種數(shù)據(jù)的時(shí)空覆蓋率(圖2)存在明顯的缺失情況，SeaWiFS數(shù)據(jù)的平均缺失率為59.0%，MODISA數(shù)據(jù)的平均缺失率為52.9%，總體來看，兩種數(shù)據(jù)的缺失率較高，并且缺失率隨時(shí)間變化較大，甚至出現(xiàn)某些時(shí)段圖像的完全缺失情況，導(dǎo)致單一數(shù)據(jù)集在時(shí)空尺度上的不完整性，限制了對(duì)長周期規(guī)律的探索，因此需要對(duì)缺失數(shù)據(jù)進(jìn)行有效的重構(gòu)，以保持?jǐn)?shù)據(jù)集在時(shí)空尺度上的完整性。首先，利用DINEOF方法對(duì)兩種數(shù)據(jù)進(jìn)行了單獨(dú)重構(gòu)實(shí)驗(yàn)，然后利用SeaWiFS和MODISA兩種數(shù)據(jù)的數(shù)值特征的一致性，采用DINEOF組合重構(gòu)方法對(duì)兩種數(shù)據(jù)進(jìn)行重構(gòu)，有效地彌補(bǔ)單一數(shù)據(jù)源的數(shù)據(jù)完全缺失情況。
在進(jìn)行重構(gòu)前，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)值取10為底的對(duì)數(shù)轉(zhuǎn)換；然后去除過低時(shí)間覆蓋率的數(shù)據(jù)點(diǎn)，僅保留兩種數(shù)據(jù)時(shí)間覆蓋率均大于5%的數(shù)據(jù)點(diǎn)，將兩種數(shù)據(jù)中空間覆蓋率小于5% 的圖像去除；最終所有的數(shù)據(jù)組成M×N維矩陣(M是空間維，N是時(shí)間維)，經(jīng)過處理后SeaWiFS數(shù)據(jù)組成7347×345的矩陣，MODISA數(shù)據(jù)組成7347×376的矩陣，組合數(shù)據(jù)組成14694×388的矩陣，然后利用DINEOF方法分別對(duì)3種數(shù)據(jù)集的缺失值進(jìn)行重構(gòu)。
圖4 DINEOF重構(gòu)過程中交叉驗(yàn)證點(diǎn)的均方根誤差變化
圖4是DINEOF重構(gòu)的交叉驗(yàn)證過程(交叉驗(yàn)證點(diǎn))，箭頭指示了收斂點(diǎn)及模態(tài)數(shù)和最小均方根誤差。表2是有效數(shù)據(jù)點(diǎn)重構(gòu)結(jié)果。從結(jié)果來看，兩種數(shù)據(jù)集的單獨(dú)重構(gòu)和兩者的組合重構(gòu)均取得較好的重構(gòu)效果，重構(gòu)誤差均處在合理的范圍內(nèi)，均方根誤差小于葉綠素a算法本身的誤差(RMSE=0.22)[25]。SeaWiFS數(shù)據(jù)集利用35個(gè)模態(tài)可獲得均方根誤差的收斂，而MODISA數(shù)據(jù)要利用50個(gè)模態(tài)才能獲得均方根誤差的收斂，原因可能是MODISA數(shù)據(jù)相對(duì)于SeaWiFS數(shù)據(jù)的分布較為分散，變異較大；組合數(shù)據(jù)利用39個(gè)模態(tài)獲得最佳重構(gòu)效果。整體上來看，3個(gè)重構(gòu)過程的效果基本一致，均方根誤差(RMSE)為0.1左右，明顯小于數(shù)據(jù)本身算法誤差(0.22)以及兩種數(shù)據(jù)之間的偏差(0.17)，所以基于DINEOF方法的單獨(dú)重構(gòu)和組合重構(gòu)均取得了理想的效果。
表2 DINEOF重構(gòu)結(jié)果及驗(yàn)證
圖5 有效數(shù)據(jù)點(diǎn)的單獨(dú)重構(gòu)值和組合重構(gòu)值的對(duì)比
圖6 SeaWiFS數(shù)據(jù)和MODISA數(shù)據(jù)單獨(dú)重構(gòu)結(jié)果
圖7 SeaWiFS數(shù)據(jù)和MODISA數(shù)據(jù)組合重構(gòu)結(jié)果
為了定量地對(duì)比組合重構(gòu)和單獨(dú)重構(gòu)的結(jié)果，在重構(gòu)之后，將兩種方法在有效數(shù)據(jù)點(diǎn)的重構(gòu)值進(jìn)行了比較，圖5是SeaWiFS和MODISA數(shù)據(jù)中有效數(shù)據(jù)點(diǎn)兩種重構(gòu)值的對(duì)比圖。結(jié)果顯示，兩種方法的重構(gòu)值沒有明顯的偏差，組合重構(gòu)和單獨(dú)重構(gòu)精度基本一致。
圖6是2003年1月25日至2月1日平均葉綠素a濃度數(shù)據(jù)的單獨(dú)重構(gòu)結(jié)果。從圖上可以看出，在存在較大缺失值的情況下，該方法仍能獲得較好的重構(gòu)結(jié)果，在近岸地區(qū)，尤其是長江口附近，存在大量缺失數(shù)據(jù)的情況下，重構(gòu)數(shù)據(jù)仍然較好地反映近岸和河口的高值區(qū)，符合前人的研究結(jié)果[28-31]。圖7是2009年4月23日至30日平均葉綠素a濃度的組合重構(gòu)結(jié)果。從結(jié)果看，雖然SeaWiFS數(shù)據(jù)在該時(shí)間段內(nèi)完全缺失，但是DINEOF的組合重構(gòu)方法仍然能很好地對(duì)其進(jìn)行重構(gòu)，重構(gòu)后的葉綠素a濃度(圖7(b))與MODISA數(shù)據(jù)時(shí)空特征相似，并且很好地突出了近岸和河口地區(qū)的高值，以及春季在黃海中部出現(xiàn)的浮游植物藻華現(xiàn)象[32-33]。
4 結(jié)束語
SeaWiFS/Chl-a和MODISA/Chl-a數(shù)據(jù)產(chǎn)品在黃、渤海區(qū)域有著相似的統(tǒng)計(jì)特征，兩種數(shù)據(jù)的時(shí)空覆蓋率和數(shù)值特征均具有顯著的一致性，進(jìn)一步驗(yàn)證了MODIS/Aqua數(shù)據(jù)可以作為SeaWiFS數(shù)據(jù)在葉綠素a長時(shí)間尺度研究上的有效承接。
利用DINEOF傳統(tǒng)方法和組合重構(gòu)方法對(duì)SeaWiFS/Chl-a數(shù)據(jù)集、MODISA/Chl-a數(shù)據(jù)集進(jìn)行了時(shí)空缺失值的重構(gòu)，雖然兩種數(shù)據(jù)產(chǎn)品在二類水體中的算法存在較大的誤差，但是DINEOF方法對(duì)葉綠素a濃度的重構(gòu)仍然取得了穩(wěn)定、理想的效果。另外，對(duì)兩種數(shù)據(jù)的組合數(shù)據(jù)集的DINEOF重構(gòu)可以有效地填補(bǔ)單一數(shù)據(jù)集的時(shí)間尺度不連續(xù)現(xiàn)象，而且并未給重構(gòu)結(jié)果帶來明顯的額外誤差，重構(gòu)后的完整數(shù)據(jù)更有利于該海區(qū)生態(tài)系統(tǒng)的長期、連續(xù)研究需求。
DINEOF方法是近十年發(fā)展起來的高效的數(shù)據(jù)插值重構(gòu)方法，其在海洋水色數(shù)據(jù)的插值重構(gòu)中的應(yīng)用仍在探索和發(fā)展，許多國內(nèi)外學(xué)者也針對(duì)其具體應(yīng)用進(jìn)行改進(jìn)。另外，該方法目前主要在海洋環(huán)境數(shù)據(jù)重構(gòu)中應(yīng)用，但是根據(jù)其原理和效果推斷，該方法亦適用于對(duì)陸地、大氣等領(lǐng)域時(shí)序數(shù)據(jù)的重構(gòu)分析，后續(xù)的研究也將嘗試該方面的研究。
參考文獻(xiàn)：
[1] GREGG W W，CONKRIGHT M E.Decadal changes in global ocean chlorophyll[J].Geophysical Research Letters，2002，29(15)：1730-1733.
[2] TANG D，KAWAMURA H，LEE M A，et al.Seasonal and spatial distribution of chlorophyll-a concentrations and water conditions in the Gulf of Tonkin，South China Sea[J].Remote Sensing of Environment，2003，85(4)：475-483.
[3] GREGG W W，CASEY N W，MCCLAIN C R.Recent trends in global ocean chlorophyll[J].Geophysical Research Letters，2005，32(3)：L03606.
[4] VANTREPOTTE V M，LIN F.Inter-annual variations in the SeaWiFS global chlorophyll a concentration (1997-2007)[J].Deep Sea Research Part I：Oceanographic Research Papers，2011，58(4)：429-441.
[5] BARNES R A，CLARK D K，ESAIAS W E，et al.Development of a consistent multi-sensor global ocean colour time series[J].International Journal of Remote Sensing，2003，24(20)：4047- 4064.
[6] TANG S，DONG Q，LIU F.Climate-driven chlorophyll-a concentration interannual variability in the South China Sea[J].Theoretical and Applied Climatology，2011，103(1-2)：229-237.
[7] IIDA T，SAITOH S I.Temporal and spatial variability of chlorophyll concentrations in the Bering Sea using empirical orthogonal function (EOF) analysis of remote sensing data[J].Deep Sea Research Part II：Topical Studies in Oceanography，2007，54(23-26)：2657-2671.
[8] REYNOLDS R W，SMITH T M.Improved global sea surface temperature analyses using optimum interpolation[J].Journal of Climate，1994，7(6)：929-948.
[9] SCHOELLHAMER D H.Singular spectrum analysis for time series with missing data[J].Geophysical Research Letters，2001，28(16)：3187-3190.
[10] POTTIER C，GARCON V，LARNICOL G，et al.Merging SeaWiFS and MODIS/Aqua ocean color data in north and equatorial atlantic using weighted averaging and objective analysis[J].IEEE，2006，44(11)：3436-3451.
[11] LOYOLA D，COLDEWEY-EGBERS M.Multi-sensor data merging with stacked neural networks for the creation of satellite long-term climate data records[J].EURASIP Journal on Advances in Signal Processing，2012，2012(1)：1-10.
[12] MARITORENA S，DANDON O H F，MANGIN A，et al.Merged satellite ocean color data products using a bio-optical model：Characteristics，benefits and issues[J].Remote Sensing of Environment，2010，114(8)：1791-1804.
[13] MILES T N，HE R.Temporal and spatial variability of Chl-a and SST on the South Atlantic Bight：Revisiting with cloud-free reconstructions of MODIS satellite imagery[J].Continental Shelf Research，2010，30(18)：1951-1962.
[14] ALVERA-AZCARATE A，BARTH A，BECKERS J M，et al.Multivariate reconstruction of missing data in sea surface temperature，chlorophyll，and wind satellite fields[J].Journal of Geophysical Research，2007，112(C3)：C03008.
[15] BECKERS J M，RIXEN M.EOF calculations and data filling from incomplete oceanographic datasets[J].Journal of Atmospheric and Oceanic Technology，2003，20(12)：1839-1856.
[16] BECKERS J M，BARTH A，ALVERA A.DINEOF reconstruction of clouded images including error maps.Application to the sea-surface temperature around corsican island[M].European Geosciences Union，2006.
[17] ALVERA-AZC R A，SIRJACOBS D，BARTH A，et al.Outlier detection in satellite data using spatial coherence[J].Remote Sensing of Environment，2012，119：84-91.
[18] ALVERA-AZCARATE A，BARTH A，RIXEN M，et al.Reconstruction of incomplete oceanographic data sets using empirical orthogonal functions：Application to the Adriatic Sea surface temperature[J].Ocean Modelling，2005，9(4)：325-346.
[19] NECHAD B，ALVERA-AZCAR TE A，RUDDICK K，et al.Reconstruction of MODIS total suspended matter time series maps by DINEOF and validation with autonomous platform data[J].Ocean Dynamics，2011，61(8)：1205-1214.
[20] SHAW P T，CHAO S Y.Surface circulation in the South China Sea[J].Deep Sea Research Part I：Oceanographic Research Papers，1994，41(11-12)：1663-1683.
[21] GANZEDO U，ALVERA-AZC RATE A，ESNAOLA G，et al.Reconstruction of sea surface temperature by means of DINEOF：A case study during the fishing season in the Bay of Biscay[J].International Journal of Remote Sensing，2011，32(4)：933-950.
[22] SIRJACOBS D，ALVERA-AZC RATE A，BARTH A，et al.Cloud filling of ocean colour and sea surface temperature remote sensing products over the Southern North Sea by the data interpolating empirical orthogonal functions methodology[J].Journal of Sea Research，2011，65(1)：114-130.
[23] SISWANTO E，TANG J，YAMAGUCHI H，et al.Empirical ocean-color algorithms to retrieve chlorophyll-a，total suspended matter，and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas[J].Journal of Oceanography，2011，67(5)：627-650.
[24] CAMPBELL J W.The lognormal distribution as a model for bio-optical variability in the sea[J].J Geophys Res，1995，100(C7)：13237-13254.
[25] O'REILLY J E，MARITORENA S，SIEGEL D，et al.Ocean color chlorophyll a algorithms for SeaWiFS，OC2，and OC4：Version 4[R].SeaWiFS Postlaunch Technical Report Series，Part 3.Greenbelt，Maryland：NASA Goddard Space Flight Center，2000.
[26] SATHYENDRANATH S.Remote sensing of ocean colour in coastal and other optically complex waters[R].Reports of the International Ocean-Colour Coordination Group，No.3.Dartmouth，Canada：IOCCG，2000.
[27] GREGG W W，CASEY N W.Global and regional evaluation of the SeaWiFS chlorophyll data set[J].Remote Sensing of Environment，2004，93(4)：463-479.
[28] YAMAGUCHI H，KIM H C，SON Y B，et al.Seasonal and summer interannual variations of SeaWiFS chlorophyll a in the Yellow Sea and East China Sea[J].Progress in Oceanography，2012，105：22-29.
[29] SHI W，WANG M.Satellite views of the Bohai Sea，Yellow Sea，and East China Sea[J].Progress in Oceanography，2012，104：30-45.
[30] 伍玉梅，徐兆禮，崔雪森，等.1997～2007年東海葉綠素a質(zhì)量濃度的時(shí)空變化分析[J].環(huán)境科學(xué)研究，2008，21(6)：137-142.
[31] 叢丕福，牛錚，蒙繼華，等.1998～2003年衛(wèi)星反演的中國陸架海葉綠素a濃度變化分析[J].海洋環(huán)境科學(xué)，2006，25(1)：30-33.
[32] ZHENG X，WEI H，LI K，et al.Analysis of chlorophyll concentration during the phytoplankton spring bloom in the Yellow Sea based on the MODIS data[G].International Conference on Life System Modeling and Simulation，LSMS，2010：254-261
[33] XUAN J L，ZHOU F，HUANG D J，et al.Physical processes and their role on the spatial and temporal variability of the spring phytoplankton bloom in the central Yellow Sea[J].Acta Ecological Inica，2011，31(1)：61-70.
猜你喜歡
民政部等16部門：到2025年村級(jí)綜合服務(wù)設(shè)施覆蓋率超80%今日農(nóng)業(yè)(2022年15期)2022-09-20 我國全面實(shí)施種業(yè)振興行動(dòng) 農(nóng)作物良種覆蓋率超過96%今日農(nóng)業(yè)(2021年21期)2021-11-26 水色小資CHIC！ELEGANCE(2021年28期)2021-08-18 雨花·藝術(shù) 徐華翎作品雨花(2020年9期)2020-09-10 我們愛把馬鮫魚叫鰆鯃飛天(2019年6期)2019-07-08 均方根嵌入式容積粒子PHD 多目標(biāo)跟蹤方法自動(dòng)化學(xué)報(bào)(2017年2期)2017-04-04 基于噴丸隨機(jī)模型的表面覆蓋率計(jì)算方法西南交通大學(xué)學(xué)報(bào)(2016年6期)2016-05-04 2015年湖南省活立木蓄積量、森林覆蓋率排名前10位的縣市區(qū)林業(yè)與生態(tài)(2016年2期)2016-02-27 鑒別魚塘水質(zhì)好壞有妙招中國扶貧(2015年15期)2015-08-10 水色紙飛機(jī)作文新天地(初中版)(2015年4期)2015-06-01
王躍啟，劉東艷
(1.中國科學(xué)院煙臺(tái)海岸帶研究所 海岸帶環(huán)境過程與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室，山東 煙臺(tái) 264003；2.中國科學(xué)院大學(xué)，北京 100049)
1 引 言
海洋水色遙感具有成本低、數(shù)據(jù)量大，可實(shí)現(xiàn)大范圍連續(xù)觀測(cè)等優(yōu)點(diǎn)，并且與傳統(tǒng)監(jiān)測(cè)方法有很好的互補(bǔ)性，在海洋生態(tài)系統(tǒng)的研究中扮演著越來越重要的作用[1-4]。近年來，海洋水色遙感技術(shù)發(fā)展迅速，尤其是SeaWiFS(Sea-viewing Wide Field-of-view Sensor)和MODIS(Moderate Resolution Imaging Spectrotadiometer) 等傳感器的業(yè)務(wù)化運(yùn)行，不僅為海洋研究提供了長時(shí)間序列的水色遙感數(shù)據(jù)產(chǎn)品，而且實(shí)現(xiàn)了多傳感器的同步、互補(bǔ)觀測(cè)，為海洋生態(tài)系統(tǒng)的長期研究提供了豐富的數(shù)據(jù)源。
隨著海洋水色遙感數(shù)據(jù)的不斷積累，目前海洋水色遙感數(shù)據(jù)產(chǎn)品的應(yīng)用仍面臨著兩個(gè)關(guān)鍵的問題：一方面，受云覆蓋、大氣校正、傳感器技術(shù)問題等的影響，獲取的數(shù)據(jù)面臨著較高的缺失問題，需要有效的空間插值方法來提高數(shù)據(jù)的時(shí)空完整性；另一方面，不同傳感器的運(yùn)行時(shí)間和壽命不同，需要有效的融合方法將不同的傳感器數(shù)據(jù)進(jìn)行準(zhǔn)確的融合和承接，最大限度地獲得長時(shí)間序列的完整數(shù)據(jù)，以滿足對(duì)海洋環(huán)境的長期連續(xù)觀測(cè)要求[5]。為了解決上述問題，國內(nèi)外學(xué)者發(fā)展了一系列的插值和融合方法。傳統(tǒng)的海洋水色遙感數(shù)據(jù)的插值方法主要包括地統(tǒng)計(jì)插值法(geostatistical filling)[6-7]、最優(yōu)插值法(Optimal Interpolation，OI)[8]、奇異譜分析法 (Singular Spectrum Analysis，SSA)[9]等；而遙感數(shù)據(jù)的融合方法主要包括簡單或加權(quán)平均[10]、主觀分析算法[10]、神經(jīng)網(wǎng)絡(luò)算法[11]和生物光學(xué)模型方法[12]等。
經(jīng)驗(yàn)正交分解插值方法(Data Interpolating Empirical Orthogonal Function，DINEOF)[13-14]是近年發(fā)展起來的一種高效的數(shù)據(jù)重構(gòu)方法，它自適應(yīng)能力強(qiáng)，無需任何先驗(yàn)知識(shí)便可以快速有效地使用的內(nèi)插方法，在處理高缺失量的大數(shù)據(jù)集上效率更高，結(jié)果更好，在長時(shí)序海洋水色遙感數(shù)據(jù)重構(gòu)中發(fā)揮越來越重要的作用[14-15]。許多國內(nèi)外學(xué)者通過對(duì)該方法的不斷改進(jìn)，滿足不同的重構(gòu)需求，如Beckers等利用DINEOF和OI方法結(jié)合，在完成數(shù)據(jù)重構(gòu)的同時(shí)，對(duì)數(shù)據(jù)的誤差進(jìn)行了定量的估計(jì)[16]；Alvera-Azcárate等利用DINEOF方法結(jié)合數(shù)據(jù)本身的空間相關(guān)性對(duì)插值數(shù)據(jù)的“異常值”進(jìn)行有效剔除[17]；Alvera-Azcárate等基于DINEOF方法利用不同變量之間的時(shí)空相關(guān)性對(duì)多變量進(jìn)行了有效的重構(gòu)[14]。以上的研究表明，DINEOF方法在海洋水色遙感數(shù)據(jù)重構(gòu)中有很強(qiáng)的適用性和改進(jìn)性。
SeaWiFS和MODIS/Aqua是目前海洋水色遙感研究中廣泛應(yīng)用的兩種傳感器。SeaWiFS傳感器自1997年9月開始獲取數(shù)據(jù)，到2010年12月結(jié)束壽命，提供了13年的觀測(cè)資料；MODIS/Aqua傳感器自2002年7月至今仍在軌運(yùn)行。兩種數(shù)據(jù)在2002年～2010年間的同步觀測(cè)，有利于兩種數(shù)據(jù)的對(duì)比融合，而兩種數(shù)據(jù)不同的運(yùn)行壽命，又為海洋水色參數(shù)的長期、連續(xù)觀測(cè)提供了依據(jù)，因此對(duì)兩種數(shù)據(jù)產(chǎn)品的有效重構(gòu)和對(duì)比融合能夠?yàn)楹Ｑ笊鷳B(tài)系統(tǒng)的持續(xù)研究提供數(shù)據(jù)支持。
黃、渤海區(qū)域(圖1)是中國最重要的半封閉陸架淺海區(qū)，其葉綠素a濃度的遙感反演受多種因素的影響，精度和覆蓋率均較低，因此影響了遙感數(shù)據(jù)在該海區(qū)的應(yīng)用。目前該海區(qū)的海洋葉綠素a的遙感研究，主要集中于遙感反演精度的驗(yàn)證[15]或者直接利用有缺失數(shù)據(jù)的遙感產(chǎn)品來粗略的分析葉綠素a濃度的動(dòng)態(tài)機(jī)制[16-17]，對(duì)不同傳感器數(shù)據(jù)缺乏系統(tǒng)的比較，更是較少地涉及到數(shù)據(jù)完整性重構(gòu)的系統(tǒng)研究，因而也限制了該海區(qū)水色遙感產(chǎn)品的應(yīng)用。
本文以傳統(tǒng)的DINEOF方法為基礎(chǔ)，以SeaWiFS和MODIS/Aqua海表葉綠素a濃度數(shù)據(jù)的一致性為依據(jù)，借助多變量組合DINEOF方法，對(duì)兩種水色遙感數(shù)據(jù)進(jìn)行了有效的組合重構(gòu)，獲得了自1997年9月至2012年6月期間較為完整的海表葉綠素a濃度數(shù)據(jù)集，為海洋水色遙感數(shù)據(jù)的應(yīng)用提供一定的借鑒價(jià)值和方法依據(jù)。
圖1 研究區(qū)
2 數(shù)據(jù)與方法
2.1 數(shù)據(jù)來源
本文應(yīng)用的數(shù)據(jù)來自于美國國家航空航天局提供的SeaWiFS和MODIS/Aqua(MODISA)海表葉綠素a(Chl-a)遙感產(chǎn)品，考慮到數(shù)據(jù)覆蓋率和數(shù)據(jù)處理速度，本文采用全球標(biāo)準(zhǔn)算法8天合成的海表葉綠素a三級(jí)數(shù)據(jù)產(chǎn)品作為實(shí)驗(yàn)數(shù)據(jù)源。提取兩種數(shù)據(jù)在重疊時(shí)段(2002年7月4日至2010年12月18日) 的所有數(shù)據(jù)，共388個(gè)時(shí)段，兩種數(shù)據(jù)的空間分辨率均為9km×9km，原始數(shù)據(jù)通過掩膜處理，提取117oE～127oE和31oN～41oN范圍內(nèi)的數(shù)據(jù)。
2.2 DINEOF重構(gòu)的基本原理
DINEOF方法是一種基于經(jīng)驗(yàn)正交分解的插值方法，它不需要先驗(yàn)知識(shí)，在處理大數(shù)據(jù)量和高缺失率數(shù)據(jù)時(shí)有著明顯的優(yōu)勢(shì)[15，18]，近年來被越來越多的國外學(xué)者用于重構(gòu)海表溫度[18]、懸浮物質(zhì)[19]以及葉綠素a[20]等遙感數(shù)據(jù)。其基本原理是借助經(jīng)驗(yàn)正交分解方法，通過對(duì)數(shù)據(jù)集的多次迭代分解和合成，獲得最小的交叉驗(yàn)證誤差，進(jìn)而獲得對(duì)缺失數(shù)據(jù)點(diǎn)的最佳重構(gòu)。具體方法在相關(guān)文獻(xiàn)中已經(jīng)有了詳細(xì)的介紹[15-16，18]，這里不再詳述。這種方法最主要的優(yōu)點(diǎn)：①該方法是一種自組織、自適應(yīng)的數(shù)據(jù)重構(gòu)方法，在重構(gòu)前不需要對(duì)數(shù)據(jù)先驗(yàn)知識(shí)獲?。虎谠摲椒ɑ跀?shù)據(jù)集中所有數(shù)據(jù)點(diǎn)、所有時(shí)段的信息，因此插值結(jié)果更能反映數(shù)據(jù)集的整體特征；③該方法操作簡單，可控性強(qiáng)，與傳統(tǒng)方法相比，運(yùn)算時(shí)間大大縮短(如運(yùn)算時(shí)間僅是最佳內(nèi)插方法的1/30)。
本文對(duì)DINEOF方法重構(gòu)過程中的相關(guān)參數(shù)做以下設(shè)置：從原始數(shù)據(jù)集隨機(jī)抽取3%的數(shù)據(jù)點(diǎn)作為交叉驗(yàn)證數(shù)據(jù)；EOF分解迭代終止的準(zhǔn)則為：前次分解的均方根誤差與本次分解的均方根誤差的差值大于前次均方根誤差的1e-4倍。整個(gè)DINEOF重構(gòu)方法的源代碼基于matlab平臺(tái)自行編寫。
2.3 DINEOF組合重構(gòu)的原理
DINEOF組合重構(gòu)方法是利用兩組或者多組變量之間的時(shí)空相關(guān)性，對(duì)組合后的數(shù)據(jù)進(jìn)行DINEOF重建，提高數(shù)據(jù)的重構(gòu)效果，其最初是被用來對(duì)海表溫度、葉綠素a濃度和海面風(fēng)場(chǎng)數(shù)據(jù)等短期不同變量的數(shù)據(jù)集進(jìn)行重構(gòu)[14]。本文首次嘗試將該方法應(yīng)用于長時(shí)間序列的多源水色遙感相同變量(葉綠素a)產(chǎn)品的組合重構(gòu)，以彌補(bǔ)單一時(shí)段某一數(shù)據(jù)集的完全缺失現(xiàn)象。組合數(shù)據(jù)集為兩種數(shù)據(jù)空間維上的組合：
(1)
其中，XA為組合后的數(shù)據(jù)集矩陣，XS為SeaWiFS/Chl-a數(shù)據(jù)集的初始矩陣，XM為MODISA/Chl-a數(shù)據(jù)集的初始矩陣。
2.4 重構(gòu)精度的評(píng)價(jià)
由于大尺度空間的水色遙感數(shù)據(jù)缺乏有效的實(shí)測(cè)數(shù)據(jù)來對(duì)重構(gòu)結(jié)果進(jìn)行評(píng)價(jià)，當(dāng)前的精度評(píng)價(jià)方法多是基于數(shù)據(jù)集自身進(jìn)行[19，21-22]。評(píng)價(jià)方法建立在初始圖像中有數(shù)據(jù)的象元(有效數(shù)據(jù)點(diǎn))基礎(chǔ)上，每次重構(gòu)之后，計(jì)算有效數(shù)據(jù)點(diǎn)的實(shí)際值和重構(gòu)值之間的相關(guān)參數(shù)來評(píng)價(jià)重構(gòu)效果，這些評(píng)價(jià)參數(shù)包括相關(guān)系數(shù)、均方根誤差、相對(duì)偏差、方差貢獻(xiàn)率等。
圖2 SeaWiFS和MODISA數(shù)據(jù)的時(shí)空覆蓋率
3 結(jié)果與討論
黃、渤海海區(qū)(圖1)是典型的近岸二類水體，葉綠素a遙感產(chǎn)品受其他懸浮物質(zhì)的影響，絕對(duì)精度較低，需要結(jié)合實(shí)測(cè)資料進(jìn)行驗(yàn)證或者建立適合該區(qū)域的反演算法[23]。本文承認(rèn)這種誤差的存在，但是不將其作為研究的內(nèi)容，而僅側(cè)重于對(duì)SeaWiFS/Chl-a和MODISA/Chl-a全球算法產(chǎn)品的對(duì)比，及DINEOF傳統(tǒng)和組合重構(gòu)方法對(duì)兩種數(shù)據(jù)重構(gòu)效果的分析。
3.1 兩種數(shù)據(jù)時(shí)空覆蓋率的比較
圖 2 顯示了兩種數(shù)據(jù)在研究時(shí)段內(nèi)的時(shí)間覆蓋率和空間覆蓋率。圖2(a)、圖2(b)是兩種數(shù)據(jù)的時(shí)間覆蓋率的空間分布特征(圖中的黑色實(shí)線是覆蓋率為5%的等值線)，兩種數(shù)據(jù)時(shí)間覆蓋率的空間分布形勢(shì)基本一致，近岸地區(qū)覆蓋率明顯低于離岸地區(qū)，最低覆蓋率出現(xiàn)在渤海西南部和江蘇近岸淺灘等水深較淺的區(qū)域。圖2(c)、圖2(d)是兩種數(shù)據(jù)的空間覆蓋率隨時(shí)間變化的統(tǒng)計(jì)圖，兩種數(shù)據(jù)空間覆蓋率的時(shí)間波動(dòng)明顯，SeaWiFS數(shù)據(jù)的空間覆蓋率變化范圍為0.43±0.26(圖2(d))，自2007年之后，空間覆蓋率出現(xiàn)明顯減小趨勢(shì)，甚至出現(xiàn)無有效數(shù)據(jù)覆蓋的時(shí)期(2008年～2009年)；而MODISA數(shù)據(jù)(圖2(c))的平均空間覆蓋率為0.49±0.24，略高于SeaWiFS數(shù)據(jù)，但是波動(dòng)較小。總體來看，兩種數(shù)據(jù)的時(shí)空覆蓋率存在著顯著的同步性(R=0.79，p<0.001)。因此，針對(duì)這兩種數(shù)據(jù)產(chǎn)品的融合并不能較大程度的提高數(shù)據(jù)的時(shí)空覆蓋率，但是可以有效地填補(bǔ)單一傳感器(SeaWiFS)某些時(shí)段的數(shù)據(jù)完全缺失狀況，提高其在長時(shí)間序列分析中的可用性。
表1 兩種Chl-a數(shù)據(jù)的數(shù)值統(tǒng)計(jì)特征
3.2 兩種數(shù)據(jù)數(shù)值特征的比較
將SeaWiFS和MODISA兩種數(shù)據(jù)的時(shí)空重疊部分的數(shù)值特征進(jìn)行統(tǒng)計(jì)比較，對(duì)兩種數(shù)據(jù)的一致性進(jìn)行評(píng)價(jià)，兩種數(shù)據(jù)集共有9，311，661個(gè)有效重疊象元。表1是兩種數(shù)據(jù)原始和以10為底的對(duì)數(shù)轉(zhuǎn)化后的數(shù)值統(tǒng)計(jì)特征。結(jié)果顯示兩種原始數(shù)據(jù)集的偏度遠(yuǎn)大于0，呈現(xiàn)明顯的正偏態(tài)；SeaWiFS數(shù)據(jù)的峰度偏大，說明數(shù)據(jù)分布更為集中；MODISA數(shù)據(jù)的平均值、中值、標(biāo)準(zhǔn)差和變異系數(shù)均略高于SeaWiFS數(shù)據(jù)集，說明MODISA數(shù)據(jù)集所反演的葉綠素a濃度值略高于SeaWiFS數(shù)據(jù)集，并且相對(duì)變動(dòng)也較大。進(jìn)行以10為底的對(duì)數(shù)轉(zhuǎn)化后，數(shù)據(jù)更接近正態(tài)分布，呈現(xiàn)微弱的負(fù)偏態(tài)。因此，兩種數(shù)據(jù)均呈現(xiàn)對(duì)數(shù)正態(tài)分布[24]，在重構(gòu)和統(tǒng)計(jì)分析前，需要對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)化處理。
圖3 SeaWiFS和MODISA數(shù)據(jù)的對(duì)比，灰度指示了數(shù)據(jù)點(diǎn)的分布密度
圖3為兩種葉綠素a數(shù)據(jù)的對(duì)數(shù)散點(diǎn)圖。相關(guān)分析結(jié)果顯示，兩種數(shù)據(jù)線性回歸的斜率為1.04，截距為0.02，相關(guān)系數(shù)為0.88，兩種數(shù)據(jù)在研究區(qū)域內(nèi)呈現(xiàn)較好的一致性，兩者的均方根偏差(RMSE=0.17)小于遙感數(shù)據(jù)本身的平均算法誤差(RMSE=0.22)[25]。圖3顯示該海區(qū)葉綠素a濃度多集中于1mg·m-3～10mg·m-3的范圍內(nèi)，在低值區(qū)MODISA數(shù)據(jù)略低于SeaWiFS數(shù)據(jù)，在高值區(qū)MODISA數(shù)據(jù)略高于SeaWiFS數(shù)據(jù)。總體上看，兩種數(shù)據(jù)在該海區(qū)有著高度的一致性，尤其考慮到黃渤海區(qū)域大部分海區(qū)為二類水體，葉綠素a遙感反演算法本身受多種因素影響，數(shù)據(jù)反演誤差較大[26-27]，但是兩者的數(shù)值仍然保持高度一致性，所以SeaWiFS/Chl-a和MODISA/Chl-a數(shù)據(jù)能相互補(bǔ)充，為該海區(qū)葉綠素a濃度的長周期研究提供依據(jù)。
3.3 DINEOF重構(gòu)結(jié)果
通過前面的結(jié)果可知，兩種數(shù)據(jù)的時(shí)空覆蓋率(圖2)存在明顯的缺失情況，SeaWiFS數(shù)據(jù)的平均缺失率為59.0%，MODISA數(shù)據(jù)的平均缺失率為52.9%，總體來看，兩種數(shù)據(jù)的缺失率較高，并且缺失率隨時(shí)間變化較大，甚至出現(xiàn)某些時(shí)段圖像的完全缺失情況，導(dǎo)致單一數(shù)據(jù)集在時(shí)空尺度上的不完整性，限制了對(duì)長周期規(guī)律的探索，因此需要對(duì)缺失數(shù)據(jù)進(jìn)行有效的重構(gòu)，以保持?jǐn)?shù)據(jù)集在時(shí)空尺度上的完整性。首先，利用DINEOF方法對(duì)兩種數(shù)據(jù)進(jìn)行了單獨(dú)重構(gòu)實(shí)驗(yàn)，然后利用SeaWiFS和MODISA兩種數(shù)據(jù)的數(shù)值特征的一致性，采用DINEOF組合重構(gòu)方法對(duì)兩種數(shù)據(jù)進(jìn)行重構(gòu)，有效地彌補(bǔ)單一數(shù)據(jù)源的數(shù)據(jù)完全缺失情況。
在進(jìn)行重構(gòu)前，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)值取10為底的對(duì)數(shù)轉(zhuǎn)換；然后去除過低時(shí)間覆蓋率的數(shù)據(jù)點(diǎn)，僅保留兩種數(shù)據(jù)時(shí)間覆蓋率均大于5%的數(shù)據(jù)點(diǎn)，將兩種數(shù)據(jù)中空間覆蓋率小于5% 的圖像去除；最終所有的數(shù)據(jù)組成M×N維矩陣(M是空間維，N是時(shí)間維)，經(jīng)過處理后SeaWiFS數(shù)據(jù)組成7347×345的矩陣，MODISA數(shù)據(jù)組成7347×376的矩陣，組合數(shù)據(jù)組成14694×388的矩陣，然后利用DINEOF方法分別對(duì)3種數(shù)據(jù)集的缺失值進(jìn)行重構(gòu)。
圖4 DINEOF重構(gòu)過程中交叉驗(yàn)證點(diǎn)的均方根誤差變化
圖4是DINEOF重構(gòu)的交叉驗(yàn)證過程(交叉驗(yàn)證點(diǎn))，箭頭指示了收斂點(diǎn)及模態(tài)數(shù)和最小均方根誤差。表2是有效數(shù)據(jù)點(diǎn)重構(gòu)結(jié)果。從結(jié)果來看，兩種數(shù)據(jù)集的單獨(dú)重構(gòu)和兩者的組合重構(gòu)均取得較好的重構(gòu)效果，重構(gòu)誤差均處在合理的范圍內(nèi)，均方根誤差小于葉綠素a算法本身的誤差(RMSE=0.22)[25]。SeaWiFS數(shù)據(jù)集利用35個(gè)模態(tài)可獲得均方根誤差的收斂，而MODISA數(shù)據(jù)要利用50個(gè)模態(tài)才能獲得均方根誤差的收斂，原因可能是MODISA數(shù)據(jù)相對(duì)于SeaWiFS數(shù)據(jù)的分布較為分散，變異較大；組合數(shù)據(jù)利用39個(gè)模態(tài)獲得最佳重構(gòu)效果。整體上來看，3個(gè)重構(gòu)過程的效果基本一致，均方根誤差(RMSE)為0.1左右，明顯小于數(shù)據(jù)本身算法誤差(0.22)以及兩種數(shù)據(jù)之間的偏差(0.17)，所以基于DINEOF方法的單獨(dú)重構(gòu)和組合重構(gòu)均取得了理想的效果。
表2 DINEOF重構(gòu)結(jié)果及驗(yàn)證
圖5 有效數(shù)據(jù)點(diǎn)的單獨(dú)重構(gòu)值和組合重構(gòu)值的對(duì)比
圖6 SeaWiFS數(shù)據(jù)和MODISA數(shù)據(jù)單獨(dú)重構(gòu)結(jié)果
圖7 SeaWiFS數(shù)據(jù)和MODISA數(shù)據(jù)組合重構(gòu)結(jié)果
為了定量地對(duì)比組合重構(gòu)和單獨(dú)重構(gòu)的結(jié)果，在重構(gòu)之后，將兩種方法在有效數(shù)據(jù)點(diǎn)的重構(gòu)值進(jìn)行了比較，圖5是SeaWiFS和MODISA數(shù)據(jù)中有效數(shù)據(jù)點(diǎn)兩種重構(gòu)值的對(duì)比圖。結(jié)果顯示，兩種方法的重構(gòu)值沒有明顯的偏差，組合重構(gòu)和單獨(dú)重構(gòu)精度基本一致。
圖6是2003年1月25日至2月1日平均葉綠素a濃度數(shù)據(jù)的單獨(dú)重構(gòu)結(jié)果。從圖上可以看出，在存在較大缺失值的情況下，該方法仍能獲得較好的重構(gòu)結(jié)果，在近岸地區(qū)，尤其是長江口附近，存在大量缺失數(shù)據(jù)的情況下，重構(gòu)數(shù)據(jù)仍然較好地反映近岸和河口的高值區(qū)，符合前人的研究結(jié)果[28-31]。圖7是2009年4月23日至30日平均葉綠素a濃度的組合重構(gòu)結(jié)果。從結(jié)果看，雖然SeaWiFS數(shù)據(jù)在該時(shí)間段內(nèi)完全缺失，但是DINEOF的組合重構(gòu)方法仍然能很好地對(duì)其進(jìn)行重構(gòu)，重構(gòu)后的葉綠素a濃度(圖7(b))與MODISA數(shù)據(jù)時(shí)空特征相似，并且很好地突出了近岸和河口地區(qū)的高值，以及春季在黃海中部出現(xiàn)的浮游植物藻華現(xiàn)象[32-33]。
4 結(jié)束語
SeaWiFS/Chl-a和MODISA/Chl-a數(shù)據(jù)產(chǎn)品在黃、渤海區(qū)域有著相似的統(tǒng)計(jì)特征，兩種數(shù)據(jù)的時(shí)空覆蓋率和數(shù)值特征均具有顯著的一致性，進(jìn)一步驗(yàn)證了MODIS/Aqua數(shù)據(jù)可以作為SeaWiFS數(shù)據(jù)在葉綠素a長時(shí)間尺度研究上的有效承接。
利用DINEOF傳統(tǒng)方法和組合重構(gòu)方法對(duì)SeaWiFS/Chl-a數(shù)據(jù)集、MODISA/Chl-a數(shù)據(jù)集進(jìn)行了時(shí)空缺失值的重構(gòu)，雖然兩種數(shù)據(jù)產(chǎn)品在二類水體中的算法存在較大的誤差，但是DINEOF方法對(duì)葉綠素a濃度的重構(gòu)仍然取得了穩(wěn)定、理想的效果。另外，對(duì)兩種數(shù)據(jù)的組合數(shù)據(jù)集的DINEOF重構(gòu)可以有效地填補(bǔ)單一數(shù)據(jù)集的時(shí)間尺度不連續(xù)現(xiàn)象，而且并未給重構(gòu)結(jié)果帶來明顯的額外誤差，重構(gòu)后的完整數(shù)據(jù)更有利于該海區(qū)生態(tài)系統(tǒng)的長期、連續(xù)研究需求。
DINEOF方法是近十年發(fā)展起來的高效的數(shù)據(jù)插值重構(gòu)方法，其在海洋水色數(shù)據(jù)的插值重構(gòu)中的應(yīng)用仍在探索和發(fā)展，許多國內(nèi)外學(xué)者也針對(duì)其具體應(yīng)用進(jìn)行改進(jìn)。另外，該方法目前主要在海洋環(huán)境數(shù)據(jù)重構(gòu)中應(yīng)用，但是根據(jù)其原理和效果推斷，該方法亦適用于對(duì)陸地、大氣等領(lǐng)域時(shí)序數(shù)據(jù)的重構(gòu)分析，后續(xù)的研究也將嘗試該方面的研究。
參考文獻(xiàn)：
[1] GREGG W W，CONKRIGHT M E.Decadal changes in global ocean chlorophyll[J].Geophysical Research Letters，2002，29(15)：1730-1733.
[2] TANG D，KAWAMURA H，LEE M A，et al.Seasonal and spatial distribution of chlorophyll-a concentrations and water conditions in the Gulf of Tonkin，South China Sea[J].Remote Sensing of Environment，2003，85(4)：475-483.
[3] GREGG W W，CASEY N W，MCCLAIN C R.Recent trends in global ocean chlorophyll[J].Geophysical Research Letters，2005，32(3)：L03606.
[4] VANTREPOTTE V M，LIN F.Inter-annual variations in the SeaWiFS global chlorophyll a concentration (1997-2007)[J].Deep Sea Research Part I：Oceanographic Research Papers，2011，58(4)：429-441.
[5] BARNES R A，CLARK D K，ESAIAS W E，et al.Development of a consistent multi-sensor global ocean colour time series[J].International Journal of Remote Sensing，2003，24(20)：4047- 4064.
[6] TANG S，DONG Q，LIU F.Climate-driven chlorophyll-a concentration interannual variability in the South China Sea[J].Theoretical and Applied Climatology，2011，103(1-2)：229-237.
[7] IIDA T，SAITOH S I.Temporal and spatial variability of chlorophyll concentrations in the Bering Sea using empirical orthogonal function (EOF) analysis of remote sensing data[J].Deep Sea Research Part II：Topical Studies in Oceanography，2007，54(23-26)：2657-2671.
[8] REYNOLDS R W，SMITH T M.Improved global sea surface temperature analyses using optimum interpolation[J].Journal of Climate，1994，7(6)：929-948.
[9] SCHOELLHAMER D H.Singular spectrum analysis for time series with missing data[J].Geophysical Research Letters，2001，28(16)：3187-3190.
[10] POTTIER C，GARCON V，LARNICOL G，et al.Merging SeaWiFS and MODIS/Aqua ocean color data in north and equatorial atlantic using weighted averaging and objective analysis[J].IEEE，2006，44(11)：3436-3451.
[11] LOYOLA D，COLDEWEY-EGBERS M.Multi-sensor data merging with stacked neural networks for the creation of satellite long-term climate data records[J].EURASIP Journal on Advances in Signal Processing，2012，2012(1)：1-10.
[12] MARITORENA S，DANDON O H F，MANGIN A，et al.Merged satellite ocean color data products using a bio-optical model：Characteristics，benefits and issues[J].Remote Sensing of Environment，2010，114(8)：1791-1804.
[13] MILES T N，HE R.Temporal and spatial variability of Chl-a and SST on the South Atlantic Bight：Revisiting with cloud-free reconstructions of MODIS satellite imagery[J].Continental Shelf Research，2010，30(18)：1951-1962.
[14] ALVERA-AZCARATE A，BARTH A，BECKERS J M，et al.Multivariate reconstruction of missing data in sea surface temperature，chlorophyll，and wind satellite fields[J].Journal of Geophysical Research，2007，112(C3)：C03008.
[15] BECKERS J M，RIXEN M.EOF calculations and data filling from incomplete oceanographic datasets[J].Journal of Atmospheric and Oceanic Technology，2003，20(12)：1839-1856.
[16] BECKERS J M，BARTH A，ALVERA A.DINEOF reconstruction of clouded images including error maps.Application to the sea-surface temperature around corsican island[M].European Geosciences Union，2006.
[17] ALVERA-AZC R A，SIRJACOBS D，BARTH A，et al.Outlier detection in satellite data using spatial coherence[J].Remote Sensing of Environment，2012，119：84-91.
[18] ALVERA-AZCARATE A，BARTH A，RIXEN M，et al.Reconstruction of incomplete oceanographic data sets using empirical orthogonal functions：Application to the Adriatic Sea surface temperature[J].Ocean Modelling，2005，9(4)：325-346.
[19] NECHAD B，ALVERA-AZCAR TE A，RUDDICK K，et al.Reconstruction of MODIS total suspended matter time series maps by DINEOF and validation with autonomous platform data[J].Ocean Dynamics，2011，61(8)：1205-1214.
[20] SHAW P T，CHAO S Y.Surface circulation in the South China Sea[J].Deep Sea Research Part I：Oceanographic Research Papers，1994，41(11-12)：1663-1683.
[21] GANZEDO U，ALVERA-AZC RATE A，ESNAOLA G，et al.Reconstruction of sea surface temperature by means of DINEOF：A case study during the fishing season in the Bay of Biscay[J].International Journal of Remote Sensing，2011，32(4)：933-950.
[22] SIRJACOBS D，ALVERA-AZC RATE A，BARTH A，et al.Cloud filling of ocean colour and sea surface temperature remote sensing products over the Southern North Sea by the data interpolating empirical orthogonal functions methodology[J].Journal of Sea Research，2011，65(1)：114-130.
[23] SISWANTO E，TANG J，YAMAGUCHI H，et al.Empirical ocean-color algorithms to retrieve chlorophyll-a，total suspended matter，and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas[J].Journal of Oceanography，2011，67(5)：627-650.
[24] CAMPBELL J W.The lognormal distribution as a model for bio-optical variability in the sea[J].J Geophys Res，1995，100(C7)：13237-13254.
[25] O'REILLY J E，MARITORENA S，SIEGEL D，et al.Ocean color chlorophyll a algorithms for SeaWiFS，OC2，and OC4：Version 4[R].SeaWiFS Postlaunch Technical Report Series，Part 3.Greenbelt，Maryland：NASA Goddard Space Flight Center，2000.
[26] SATHYENDRANATH S.Remote sensing of ocean colour in coastal and other optically complex waters[R].Reports of the International Ocean-Colour Coordination Group，No.3.Dartmouth，Canada：IOCCG，2000.
[27] GREGG W W，CASEY N W.Global and regional evaluation of the SeaWiFS chlorophyll data set[J].Remote Sensing of Environment，2004，93(4)：463-479.
[28] YAMAGUCHI H，KIM H C，SON Y B，et al.Seasonal and summer interannual variations of SeaWiFS chlorophyll a in the Yellow Sea and East China Sea[J].Progress in Oceanography，2012，105：22-29.
[29] SHI W，WANG M.Satellite views of the Bohai Sea，Yellow Sea，and East China Sea[J].Progress in Oceanography，2012，104：30-45.
[30] 伍玉梅，徐兆禮，崔雪森，等.1997～2007年東海葉綠素a質(zhì)量濃度的時(shí)空變化分析[J].環(huán)境科學(xué)研究，2008，21(6)：137-142.
[31] 叢丕福，牛錚，蒙繼華，等.1998～2003年衛(wèi)星反演的中國陸架海葉綠素a濃度變化分析[J].海洋環(huán)境科學(xué)，2006，25(1)：30-33.
[32] ZHENG X，WEI H，LI K，et al.Analysis of chlorophyll concentration during the phytoplankton spring bloom in the Yellow Sea based on the MODIS data[G].International Conference on Life System Modeling and Simulation，LSMS，2010：254-261
[33] XUAN J L，ZHOU F，HUANG D J，et al.Physical processes and their role on the spatial and temporal variability of the spring phytoplankton bloom in the central Yellow Sea[J].Acta Ecological Inica，2011，31(1)：61-70.
猜你喜歡
今日農(nóng)業(yè)(2022年15期)2022-09-20
今日農(nóng)業(yè)(2021年21期)2021-11-26
小資CHIC！ELEGANCE(2021年28期)2021-08-18
雨花(2020年9期)2020-09-10
飛天(2019年6期)2019-07-08
自動(dòng)化學(xué)報(bào)(2017年2期)2017-04-04
西南交通大學(xué)學(xué)報(bào)(2016年6期)2016-05-04
林業(yè)與生態(tài)(2016年2期)2016-02-27
中國扶貧(2015年15期)2015-08-10
作文新天地(初中版)(2015年4期)2015-06-01
