劉振宇，孫偉富，陳 磊

（1.中南民族大學 資源與環(huán)境學院，湖北 武漢 430074；2.自然資源部第一海洋研究所 海洋物理與遙感研究室，山東 青島 266061；3.中國科學院海洋研究所，山東 青島 266071；4.中國石油大學（華東），山東 青島 266580；5.中國科學院海洋大科學研究中心，山東 青島 266071）

0 引言

海表面鹽度（Sea Surface Salinity，SSS）是表征河口沖淡水輸入的關鍵指標，影響著海水密度、環(huán)流模式和物理過程[1-3]。海表面鹽度的短期變化，會迅速改變海洋生物化學反應，進而影響海洋生態(tài)系統(tǒng)[4-5]；而其長期變化則往往與氣候變化存在關聯(lián)[6-7]。因而，獲取海表面鹽度對海洋物理、生態(tài)環(huán)境以及大陸氣候變化研究具有重要意義。

近年來，海表面鹽度遙感技術因其廣泛的空間覆蓋和實時觀測的優(yōu)勢，常用于替代現(xiàn)場觀測。其中，微波輻射計SMOS（Soil Moisture and Ocean Salinity），Aquarius/SACD 和 SMAP（Soil Moisture Active Passive）被廣泛用于獲取全球開闊大洋的表面鹽度[8-9]。然而，這些微波鹽度衛(wèi)星往往具備較低的空間分辨率（25～100 km）和時間分辨率（≥3 d）[10-11]，加之L 波段微波輻射計受近岸射頻（Radio Frequency Interference，RFI）干擾[12]，無法提供渤海等近岸水體的海表面鹽度數(shù)據(jù)。

近岸海域的有色溶解有機物（Coloured Dissolved Organic Material，CDOM）主要來源于陸地輸入，因而它與海表面鹽度通常存在線性負相關關系[5，13-15]。而CDOM 是光學遙感的可獲取主要參數(shù)之一，因而光學遙感可獲取存在這種負相關的近岸水體的海表面鹽度。多波段組合線性回歸，常被用于建立MERIS、MODIS、GOCI 等傳感器的遙感反射率與海表面鹽度之間的經(jīng)驗模型，以獲取中國近海的海表面鹽度[3，5，16-18]。近期研究發(fā)現(xiàn)，通過機器學習和神經(jīng)網(wǎng)絡建立模型，能夠提高的鹽度反演模型的精度[18-21]。

鑒于機器學習和神經(jīng)網(wǎng)絡在海表面鹽度反演建模方面的優(yōu)勢，基于多層人工神經(jīng)網(wǎng)絡，本文建立MODIS-Aqua 二級產(chǎn)品提供的渤海遙感反射率與海表面鹽度的經(jīng)驗模型，并評估模型精度。在此基礎上研究渤海海表面鹽度的時空變化。

1 數(shù)據(jù)和方法

1.1 研究區(qū)域和實測數(shù)據(jù)

渤海（北緯 37°07′～41°01′，東經(jīng) 117°35′～121°10′）是中國的一個半封閉內(nèi)海，面積約7.7×104 km2，平均水深18 m。它通過渤海海峽與黃海相連，主要由北部的遼東灣、南部的萊州灣、西部的渤海灣、中部的淺盆地和東部的渤海海峽組成，如圖1所示。流入中國渤海的河流主要包括：黃河、海河、灤河和遼河，其中黃河徑流量最大，約占總徑流量的75%，導致渤海鹽度的季節(jié)性變化[5]。

圖1 研究區(qū)域和采樣點分布Fig.1 Distribution of study area and sampling sites

共收集整理409 組由CTD（measuring conductivity，temperature，depth-based pressure）測量的海表面鹽度數(shù)據(jù)，這些鹽度數(shù)據(jù)分別采集自2007年1-9月、2009年5-10月以及2015年5月。根據(jù)《中國海洋調(diào)查規(guī)范》（GB/T 12763.3—2007），水深0.5 m 處CTD 測量鹽度視作采樣點的海表面鹽度。采集樣本的鹽度直方圖見圖2（a），范圍為26.64～33.03 psu，均值為30.98±0.86 psu，最低鹽度的采樣點位于黃河口附近，最高鹽度則位于渤海灣。

圖2 實測409 組鹽度數(shù)據(jù)的直方圖和匹配的MODIS-Aqua 遙感反射率Fig.2 Histogram of measured 409 sets of salinity data and matched MODIS-Aqua remotely sensed reflectance

1.2 MODIS-Aqua 遙感反射率

MODIS-Aqua（以下簡稱 MODISA）衛(wèi)星于2002年5月發(fā)射進入太陽同步軌道，自2002年6月運行至今，每隔1～2 d 覆蓋地球表面。MODIS上設置了36 個波段，光譜范圍400～1 440 nm，空間分辨率為0.25 km、0.5 km、1 km。NASA 提供的MODISA 二級產(chǎn)品（http://ladsweb.nascom.nasa.gov/data），包含空間分辨率為1 km 的412 nm、443 nm、469 nm、488 nm、531 nm、547 nm、555 nm、645 nm、667 nm、678 nm 等10 個波段的遙感反射率，鑒于667 nm 和678 nm 的大氣校正精度相對較低，使用前8 個波段的遙感反射率。去除云和處理精度較低的像素（flags=4，5，6，9，10，15，20，21，23，30，http://oceancolor.gsfc.nasa.gov/ VALIDATION/flags.html）；然后獲取與實測數(shù)據(jù)時間相差不超過48 h[7]、空間位置匹配的MODIS 像素；以該像素為中心，統(tǒng)統(tǒng)計3×3 窗口平均，如果窗口內(nèi)有效值超過5個，將窗口平均值作為實測數(shù)據(jù)的匹配結果，最終匹配得到164 組遙感反射率，見圖2（b）。

1.3 海表面鹽度反演

1.3.1 渤海海表面鹽度反演模型

由于遙感反射率與海表面鹽度之間不存在直接關聯(lián)，而是通過CDOM 建立起間接的關聯(lián)，因而很難找到穩(wěn)定的敏感于海表面鹽度變化的特征波段和波段組合。因此，多波段線性回歸模型是常用于反演渤海海表面鹽度，針對MODIS 數(shù)據(jù)QING等[3]發(fā)展的模型主要使用3 個水色波段490 nm、560 nm、665 nm：

公式（1）中給出的波段組合還被擴展到GOCI數(shù)據(jù)[5，17]以發(fā)展渤海海表面鹽度反演模型。YU等[16]認為MODIS 數(shù)據(jù)531 nm 和555 nm 波段遙感反射率比值是反演渤海CDOM 的特征波段，因而可用于獲取渤海海表面鹽度：

1.3.2 多層神經(jīng)網(wǎng)絡

多層神經(jīng)網(wǎng)絡（以下簡稱“神經(jīng)網(wǎng)絡”）是一種前饋式人工神經(jīng)網(wǎng)絡模型，用于模式分類、識別、預測和函數(shù)逼近。研究表明，具有一個或多個隱藏層和非線性激活函數(shù)的神經(jīng)網(wǎng)絡可以逼近非線性函數(shù)[22-23]。因而它適合用于建立存在間接關聯(lián)的遙感反射率與海表面鹽度之間的經(jīng)驗模型。對于神經(jīng)網(wǎng)絡建模而言，核心問題是選擇最優(yōu)的隱層數(shù)和神經(jīng)元數(shù)。這通常受很多因素的影響，如輸入和輸出層的大小、訓練樣本的數(shù)量、待逼近函數(shù)的復雜性、激活函數(shù)的類型以及訓練算法等等。鑒于遙感反射率與海表面鹽度之間的間接關聯(lián)，使用1～2 個隱層配置的神經(jīng)網(wǎng)絡。

使用MATLAB 提供的神經(jīng)網(wǎng)絡工具箱，隨機選70%的數(shù)據(jù)作為訓練數(shù)據(jù)集，剩下30%用于模型驗證、測試；根據(jù)訓練數(shù)據(jù)集中鹽度的最大和最小值，通過線性拉伸對海表面鹽度進行歸一化。通過比對不同配置下神經(jīng)網(wǎng)絡的表現(xiàn)，最終確定模型配置為1 個隱層、30 個神經(jīng)元，sigmoid 激活函數(shù)。

本文研究流程圖3所示，利用1.2 節(jié)提到的方法用實測海表面鹽度數(shù)據(jù)去匹配MODISA 二級產(chǎn)品，從而得到164 組MODISA 遙感反射率（412 nm、443 nm、469 nm、488 nm、531 nm、547 nm、555 nm、645 nm），然后分別采用多波段回歸和神經(jīng)網(wǎng)絡建模，驗證、比對模型精度，最后分析渤海海表面鹽度的時空變化。

圖3 本文研究的技術流程Fig.3 Technical flow of our research

2 結果和分析

2.1 結果驗證與比對

利用本文的164 組匹配數(shù)據(jù)，采用多波段線性模型（公式（1）和（2）），建立渤海海表面鹽度反演模型（公式（3）和（4））。這2 個模型與本文的神經(jīng)網(wǎng)絡的精度比對見圖4。

圖4 神經(jīng)網(wǎng)絡與多波段線性模型建模精度比對Fig.4 Accuracy comparison between neural network model and multi-band linear model

注意：神經(jīng)網(wǎng)絡模型只使用隨機挑選的114 組數(shù)據(jù)（約占總數(shù)據(jù)的70%），其（圖4（a））決定系數(shù)R2和均方根誤差RMSE 分別是0.66 和0.39，均優(yōu)于多波段線性模型的精度（0.39 和0.60）。事實上，海表面鹽度與MODISA 各波段遙感反射率的統(tǒng)計相關性，受數(shù)據(jù)采集時間和采樣區(qū)域影響，存在較大變化[24]。也就是說，很難找到一個敏感于鹽度變化的固定波段組合。由式（3）和式（4）波段組合建立的模型，當鹽度小于31 psu 時，擬合的散點出現(xiàn)較大偏差。這是導致其精度降低的直接原因。

2.2 渤海海表面鹽度時空變化分析

利用空間分辨率為4 km 的MODISA 季度平均遙感反射率（三級產(chǎn)品），經(jīng)本文的神經(jīng)網(wǎng)絡模型計算，得到2022年3-6月、6-9月、9-12月、2022年12月-2023年3月等，共4 個季度的渤海海表面鹽度分布（見圖5）。從空間分布來看，渤海灣和萊州灣的海表面鹽度較低，渤海海峽的鹽度相對較高，這與之前的研究結果一致[3，5，16-18]。這4個季度渤海的平均鹽度分別為 31.25±0.40 psu，31.52±0.39 psu，31.13±0.60 psu、30.89±0.53 psu。黃河流域的雨季主要集中6-9月，然而這個季度渤海的海表面鹽度最高，表明黃河流域的降水對黃河沖淡水影響存在一定時間的滯后。圖5（c）的指示箭頭可見，黃河沖淡水對萊州灣和渤海灣鹽度的影響，同時也會隨著渤海冷流南下致使山東半島沿岸的鹽度降低；至第4 季度（圖5（d）），南下的黃河沖淡水向渤海海峽和北黃海方向擴展，并持續(xù)影響萊州灣，導致萊州灣以及整個渤海鹽度降到最低。

圖5 2022年3月-2023年3月渤海海表面鹽度季度分布Fig.5 Quarterly distribution of sea surface salinity in the Bohai Sea from March 2022 to March 2023

3 討論

3.1 神經(jīng)網(wǎng)絡訓練與過擬合預防

過擬合是指模型學習了訓練集的噪聲或細微特征，導致模型泛化能力下降，當應用于測試數(shù)據(jù)集時精度顯著下降；樣本數(shù)量少、模型復雜度高（隱層的數(shù)和神經(jīng)元數(shù)）、訓練時間過長等是導致網(wǎng)絡過擬合的主要原因[25]。為避免過擬合，本研究對海表面鹽度進行歸一化處理，同時通過比對訓練數(shù)據(jù)集（占數(shù)據(jù)集70%）和測試數(shù)據(jù)集的損失函數(shù)變化。當訓練數(shù)據(jù)集損失函數(shù)降低，而測試數(shù)據(jù)集損失函數(shù)上升，表明模型可能已過擬合。

鑒于遙感反射率與海表面鹽度通過CDOM 存在間接關聯(lián)，首先考慮2 個隱層的神經(jīng)網(wǎng)絡。相比1 個隱層，2 個隱層（神經(jīng)元數(shù)目分別為15 和25，（記做[15，25]）的網(wǎng)絡能提高模型精度（R2≥0.70），應用于MODISA 的遙感反射率數(shù)據(jù)時，得到結果與前文給出模型比對見圖6。渤海中部和山東半島沿岸展現(xiàn)出高鹽度，甚至超過渤海海峽的鹽度，這與前期研究[3，5，16-17]結果矛盾，而采用單隱層的網(wǎng)絡模型結果與先前研究一致。這表明2 個隱層網(wǎng)絡已過擬合。因而文中選用單隱層神經(jīng)網(wǎng)絡。

圖6 2022年渤海平均海表面鹽度分布Fig.6 Distribution of mean sea surface salinity in the Bohai Sea in 2022

3.2 總有機吸收系數(shù)、顆粒有機碳與渤海海表面鹽度的關聯(lián)

由于海表面鹽度與CDOM 呈負相關，總有機吸收系數(shù)（adg=CDOM 吸收系數(shù)ad和有機碎屑的吸收系數(shù)ag，單位m-1），也被證實與海表面鹽度存在良好負相關[14，26]。此外，作為海水中有機顆粒物濃度表征的顆粒有機碳（Particulate Organic Carbon，POC），在近岸區(qū)域也像CDOM一樣受陸源輸入影響。因此，利用MODIS 二級產(chǎn)品中443 nm 總有機吸收系數(shù)adg（443）和顆粒有機碳，與實測海表面鹽度數(shù)據(jù)匹配后，并剔除異常數(shù)據(jù)（adg（443）＞1 m-1；POC＞600 mg/m3），通過線性回歸建立兩者之間的經(jīng)驗關聯(lián)，結果見圖7。

圖7 海表面鹽度與adg（443）和POC 的線性回歸模型Fig.7 Linear regression model of sea surface salinity with adg（443）and Poc

adg（443）和POC 與海表面鹽度的R2分別為0.24 和0.33，雖低于神經(jīng)網(wǎng)絡模型的0.66，但也表明MODISA 二級產(chǎn)品中的這2 種數(shù)據(jù)可作為獲取海表面鹽度輔助數(shù)據(jù)。至于這2 種產(chǎn)品的自身精度，以及它對圖7 線性回歸的影響，不屬于本文的研究內(nèi)容。

4 結束語

用164 組實測海表面鹽度和匹配的MODISAqua 遙感反射率產(chǎn)品，通過訓練神經(jīng)網(wǎng)絡建立了渤海海表面鹽度的反演模型，其R2和RMSE 分別為0.66 和0.39，均優(yōu)于多波段線性模型（R2=0.39，RMSE=0.60）。利用該模型，繪制了2022年3月-2023年3月4 個季度的海表面鹽度分布，占渤海徑流總量75%的黃河沖淡水是影響渤海海表面鹽度的重要因素；3-9月，黃河沖淡水主要擴散至萊州灣和渤海灣，導致其鹽度降低；9-12月，除持續(xù)影響渤海灣和萊州灣，黃河沖淡水隨著渤海冷流沿山東半島南下，致使沿岸以及整個渤海的鹽度降低，隨后向渤海海峽和北黃海方向擴散。以上結論為渤海海表面鹽度和黃河沖淡水研究提供技術支持。