基于探空和SSMI/S資料的AMSR-2海上大氣可降水產品檢驗與評估

尹延通, 劉高飛, 關吉平,, 陳曉穎

(1. 解放軍理工大學 氣象海洋學院, 江蘇 南京 211101; 2. 解放軍理工大學 電磁環境效應與電光工程國家級重點實驗室, 江蘇 南京 210007)

基于探空和SSMI/S資料的AMSR-2海上大氣可降水產品檢驗與評估

尹延通1, 劉高飛1, 關吉平1,2, 陳曉穎1

(1. 解放軍理工大學 氣象海洋學院, 江蘇 南京 211101; 2. 解放軍理工大學 電磁環境效應與電光工程國家級重點實驗室, 江蘇 南京 210007)

利用海島探空資料和SSMI/S(special sensor microwave imager/sounder)–F16海上大氣可降水量產

品對AMER-2 (advanced microwave scanning radiometer-2) 2012年7月—2016年6月的海洋上空大氣可降水量產品進行比對檢驗。結果表明: AMSR-2反演的海上大氣可降水量與利用海島探空資料計算所得值比對的一致性較好, 兩者之間平均偏差為0.35 mm; 2012—2016年AMSR-2與SSMI/S-F16可降水月平均值的分布情況在熱帶輻合帶、南太平洋輻合帶和南大西洋輻合帶可觀測到相似的結構和特征, 兩者平均偏差為–0.04 mm, 標準偏差為1.21 mm。檢驗的結果證明了AMSR-2反演的大氣可降水產品精度滿足產品設計指標, 而誤差分析的相應結論對于未來優化水汽反演算法具有重要意義。

海上大氣可降水量; AMSR-2(advanced microwave scanning radiometer-2); 探空資料; SSMI/S (special sensor microwave imager/sounder)

水汽是全球水文循環中的重要因素[1], 水汽的輸送與降水密切相關[2], 水汽同時也是大氣中重要的溫室氣體[3], 水汽的精確測量對于天氣預報、氣候研究等具有重要意義[4]。測量大氣中水汽含量的設備可以分為地基遙感類、星載遙感類以及原地測量類[5],國際GPS服務機構(Formally International GPS Service, IGS)、全球綜合探空檔案(integrated global radiosonde archive, IGRA)以及包括SSMI/S (special sensor microwave imager/sounder)等在內的各類衛星產品均提供全球范圍內的水汽資料。在海洋上空, 星載微波輻射計測量水汽已經超過25年[6], 目前可用以水汽測量的星載輻射計有DMSP-SSMIS系列, Coriolis上搭載的WindSat、Aqua上搭載的AMSR-E以及GCOM-W1衛星上搭載的AMSR-2(advanced microwave scanning radiometer-2)等。

相比于其他觀測手段, 海洋遙感具有觀測周期短、時間頻率高、覆蓋范圍廣的優勢, 能夠很好地適應海洋觀測的要求[7-8], 是現代海洋大范圍同步觀測、環境特征分析和資源評估的主要技術手段[9-10],而遙感產品的真實性檢驗是遙感資料應用的基礎和保證[11], 因此遙感數據的準確性問題也受到越來越多的關注。Bock等[12]基于地基GPS數據對SSMI-F13在非洲區域的可降水量產品進行比對, 得出兩者平均偏差為2.4～0.7 mm, 標準偏差為3.1～1.2 mm; Chrysoulakis等[13]基于探空資料對AVHRR(advanced very high resolution radiometer )在希臘地區的可降水產品進行比對, 得出均方根誤差為4.6 mm; Lindstrot等[14]基于太陽光度計(global AERONET sun photometer measurements)數據、全球GUAN探空數據、地基微波輻射計和德國地基GPS數據對MERIS 可降水數據精度進行評估, 得出平均偏差為1 mm, 標準偏差為1.3～3.7 mm; Lindstrot等[15]基于ARM Nauru地基微波輻射計對SSMI-F13和SSMI-F14在全球范圍內的可降水量產品進行檢驗, 得出平均偏差為–0.48 mm, 標準偏差為1.8 mm; Mears等[6]利用地基GPS數據對多個星載微波輻射計(SSMI/S、AMSR-E和WindSat)的可降水量產品進行檢驗, 得出了多個微波輻射計反演水汽產品的誤差指標。

1 數據及方法

1.1 AMSR-2數據

AMSR-2于2012年5月搭載在GCOM-W1衛星上發射升空。AMSR-2為雙極化被動微波輻射計, 采用圓錐掃描的工作方式, 共有6.93、7.3、10.65、18.7、23.8、36.0、89.0 GHz 7個工作頻率[16-17], RSS網站采用基于輻射傳輸模型(RTM)的線性回歸算法, 利用18.7、23.8和36.5 GHz水平和垂直極化通道的亮溫信息對AMSR-2水汽產品進行反演[18], 本文使用該網站公布的第七版數據, 其空間分辨率為0.25°×0.25°。

1.2 探空資料

本文所使用的探空資料來自美國懷俄明州大學網站(http: //weather.uwyo.edu/upperair/sounding.html),該網站同時公布了利用探空資料計算的可降水值。經檢驗, 該網站發布的大氣可降水值與利用該網站發布的探空資料垂直積分所得結果一致, 本文直接使用該網站公布的大氣可降水量進行對比檢驗。所選探空站點空間分布如圖1所示, 表1詳細給出了各站點的名稱、地理位置及探空設備等信息, 其中探空設備型號信息來自NASS網站(http: //www.ncdc.noaa. gov/data-access/weather-balloon/integrated-global-radi osonde-archive)。

圖1 本文所選探空站點的位置Fig. 1 The position of selected radiosonde stations

表1 本文所選的探空站點Tab. 1 List of radiosonde stations chosen in this study

1.3 SSMI/S-F16數據

SSMI/S-F16于2003年10月搭載在美國國防氣象衛星(DMSP)上發射升空, 在軌運行狀況良好, 本文使用的F16水汽產品與AMSR-2水汽產品同為RSS網站公布的第七版數據, 其空間分辨率為0.25°×0.25°, 該產品反演算法的物理基礎為海氣耦合模型, Wentz[19]基于大量的浮標和探空數據對該模型進行了檢驗與校正, 而多位學者也對基于該模型反演的SSMI/S-F16水汽產品進行了檢驗與評估: Sun等[20]對DMSP-F16 SSMI/S 2005年12月—2006年2月各項反演產品的精度進行了全面評估, 其中可降水產品平均偏差為–0.75 mm, 標準偏差為0.62 mm; Mears等[6]利用地基GPS信號延遲計算所得可降水數據對一系列星載微波輻射計反演可降水產品進行了比對, 得出F16 2004—2009年可降水產品平均偏差為0.54 mm, 標準偏差為1.91 mm, 并指出該產品在檢驗期間內精度未發生明顯變化。鑒于探空站點空間分布的局限性, 本文選取RSS公布的SSMI/S-F16 2012年7月—2016年6月的月平均數據對驗證數據進行補充, 以完成AMSR-2可降水產品在全球范圍內的精度評估。

1.4 比對數據海拔訂正及樣本匹配方法

統一戰線促進社會全面發展的價值體現在統一戰線既助力共同體經濟基礎的發展，也助力共同體上層建筑的完善。統一戰線是為經濟基礎服務重要手段和社會政治發展重要目標的統一，是調處關系手段與實現和諧目標的統一，是發揚人民民主手段與實行人民民主專政目標的統一［13］。新時代，統一戰線在國家治理中促進中國特色社會主義民主發展、制度定型和關系整合，體現出自身促進社會全面發展的戰略功能。其中，很重要的內容就是促進民主政治發展。由于政治的核心內容是權力配置，統一戰線作為政治聯盟，其核心功能是協調權力配置關系，即擴大公民有序政治參與、滿足民主需求、實現政治發展。其核心機制是依托社會主義協商民主制度來實現民主功能。

海拔高度的差異會在兩種水汽測量設備的比對中引入誤差, 因此需要在比對之前對水汽測量數據進行海拔訂正[21], 本文采用Buehler等[22]提出的經驗訂正模型對衛星產品進行了海拔訂正。

SSMI/S-F16與AMSR-2可降水產品的月平均產品同為1 440×720的格點數據, 兩者對應格點分別代表同一區域某個月水汽測量的平均值, 因此無需對數據進行時間窗口的選取, 可直接將兩者對應格點數據進行比對。

這里重點對AMSR-2水汽產品與探空資料的比對方法進行說明: 參照John等[23]、Jackson等[24]對于時間窗口的的選取, 以2 h 為時間窗口, 對衛星數據和探空數據進行時間匹配; 由于陸面污染的影響,需對衛星數據進行預處理以便完成與探空資料的空間匹配, 多為學者選取距離探空站點最近的網格數據作為該站點的水汽測量值[11-12](簡稱最近原則), Mears等[6]提出使用二維線性擬合的方法對衛星數據在海島探空處的缺測值進行補充(下文稱線性擬合方法), 為對兩種預處理方法進行比較, 本文分別采用兩種方法對衛星數據進行處理, 并對相應結果進行說明。

2 比對結果

2.1 與探空數據比對總體情況

采用不同預處理方法所得誤差的統計結果如表2所示。從表2可見, 采用不同預處理方法對平均偏差及線性相關系數影響不大, 但就均方根誤差及標準偏差而言, 采用最近原則所得結果明顯大于線性擬合方法, 且兩者差值可達10%, 這可能是由于采用距離最近原則匹配的衛星反演值距離探空站點較遠, 不能較好地代表探空站點處的水汽值, 而采用線性擬合方法減弱了個別反演值對于整體比對結果的影響, 這在一定程度上減小了時空不匹配造成的隨機誤差。鑒于此, 本文將統一采用線性擬合方法對衛星數據進行預處理, 并對所得數據進行分析。

表2 誤差統計結果Tab. 2 Summary of differences

在對誤差樣本進行統計時, 發現個別誤差超過±20 mm甚至達到±40 mm, 雖然個數較少, 但對AMSR-2反演精度評估的總體結果影響較大, 這里根據3σ原則[25], 將距離偏差平均值正負3倍標準偏差以外的351個樣本作為粗大誤差數據進行了剔除,剔除后標準偏差減小了0.5 mm。誤差剔除前后AMSR-2可降水產品反演值與19個海島探空資料計算值的比對結果如圖2所示, 從圖2可見, 散點大多沿y=x(紅色虛線)對稱分布, 顯示AMSR-2反演值與探空計算值比對一致性較好。

2.2 誤差月際變化和逐月演變情況

由于同一季節南北半球水汽分布變化規律不同,這里分別以誤差在南北半球的變化情況為研究對象,對AMSR-2水汽產品反演精度隨時間的變化情況展開分析。

圖2 AMSR-2反演值與探空計算值比對結果Fig. 2 The comparison between AMSR-2 and radiosonding measurements

為分析南北半球誤差季節性變化規律, 這里給出了AMSR-2與探空之間誤差的月際變化情況(圖3)。從圖3可見, 北半球各月平均偏差在[0, 0.5] mm, 標準偏差在[2.5, 3.5] mm, 誤差季節性變化較為明顯,平均偏差和標準偏差最大值均出現在7月和8月; 對于南半球而言, 平均偏差幾乎全年位于0.5 mm以上,顯示AMSR-2反演值在南半球全年均大于探空計算值, 而標準偏差全年均大于3.5 mm, 且季節性變化不明顯。這可能是由于南北半球探空站點的緯度分布情況不同造成的, 北半球站點緯度分布較為分散,且多數站點處在中高緯度地區, 水汽季節性變化較為明顯且量值較小; 南半球站點緯度分布相對集中,多數位于熱帶地區(0°～23.5°S), 因此全年水汽充沛, 可降水量值較大且季節性變化不明顯; 經統計, 南北半球所選站點可降水測量均值分別為40 mm和25 mm,而Mears等[6]指出衛星水汽產品的精度會隨著測量值的增大而有所下降, 這可能是導致南北半球誤差在全年分布差異較大的主要原因。

圖3 AMSR -2反演值與探空計算值之間誤差的月際變化Fig. 3 Inter-monthly variation of the comparison results between AMSR-2 and radiosonding

AMSR-2反演值與探空計算值之間誤差的逐月演變曲線如圖4所示。從圖4可見, 南半球平均偏差變化幅度較大, 這可能是水汽反演精度隨測量值增大有所下降引起, 而北半球平均偏差在2014年上半年發生明顯的躍動, 在對各站點誤差進行統計分析時, 發現91165號探空站可能由于更換了探空設備或數據處理方法導致平均偏差在2014年從–3 mm變化至+1 mm, 這有可能是引起總體偏差發生變化的主要原因; 南北半球標準偏差逐月變化曲線以3.5 mm水平線為對稱軸基本呈對稱分布, 而南北半球水汽測量平均值的逐月變化曲線也呈現相似的特征(圖5), 這表明標準偏差和水汽的測量值之間存在較為密切的相關性。

圖4 AMSR -2反演值與探空計算值之間誤差逐月演變Fig. 4 Monthly variation of the comparison between AMSR-2 and radiosonding

圖5 AMSR -2可降水測量月平均值逐月演變Fig. 5 Monthly variation of AMSR-2 TPW

2.3 誤差空間分布

AMSR-2水汽產品與探空比對誤差的空間分布情況見圖6, 表3詳細給出了各個站點的經緯度、誤差統計結果以及樣本數。從平均偏差的分布情況(圖6)可見, AMSR-2在大部分海域略大于探空計算值,且平均偏差在1 mm左右, 這與Mears等[6]基于地基GPS數據對多顆衛星可降水數據進行比對得到的結果相似。

從標準偏差的分布情況(圖6)可見, 標準偏差具有明顯的緯向分布特征, 高緯度地區標準偏差不超過2 mm, 而在低緯度地區(除61901號探空站)標準偏差均達到了3 mm, 這與Mears等[6]基于地基GPS數據對其他衛星(如AMSR-E和WindSat等)水汽產品進行檢驗的結果相同, 即衛星反演水汽值在與低緯度地區的地基GPS測站(如DGAR測站、KWJ1測站、SANO測站和SEY1測站等)進行比對時, 標準偏差明顯高于地處中高緯度地區的測站。

2.4 誤差與地球物理參數之間的相關性

為進一步評估AMSR-2水汽反演精度, 這里對AMSR-2反演值與探空計算值之間誤差與可降水量、風速、海表面溫度、云中液態水以及雨強之間的相關關系進行了計算。與Mears等[6]得出的結論相同,誤差與海表面溫度、云中液態水和雨強之間無明顯相關關系, 基于此, 本節主要對誤差與可降水量和風速的相關關系展開分析, 圖7給出了平均偏差、標準偏差隨可降水量、風速的變化情況, 其中小棒代表標準偏差, 長度代表標準偏差的大小, 帶方框的曲線代表平均偏差。

從圖7可見, 平均偏差在[0, 40] mm測量區間內均靠近零軸, 表明AMSR-2在40 mm以下測量區間內反演效果較好; 平均偏差在[40, 60] mm測量區間內均分布在零軸以上, 表明AMSR-2在該區間內反演值高于探空計算值; 而當測量值大于60 mm時,平均偏差急劇下降, 顯示AMSR-2反演值在高值區間明顯小于探空計算值; 標準偏差在[0, 30] mm測量區間內隨可降水量值增大而增大, 而在30 mm以上區間變化不明顯, 表明測量值在低值區間內對標準偏差影響較為明顯。

圖6 AMSR-2與探空數據之間平均偏差和標準偏差的分布情況Fig. 6 Distribution of mean bias and standard deviations between AMSR-2 and radiosonding

表3 各探空站點誤差統計結果Tab. 3 Difference statistics of each station

圖7 AMSR-2與探空之間平均偏差和標準偏差隨可降水測量值及風速變化情況Fig.7 Mean and standard deviation of AMSR-2-RS TPW differences as a function of mean TPW and wind speed

從圖7可見, 風速處于[5, 10] m/s時, 平均偏差隨風速明顯下降。Mears等[6]將SSMI、SSMI/S和AMSR-E水汽產品與地基GPS進行比對時發現, 當風速處于[4, 11] m/s時, 衛星反演水汽產品的平均偏差與風速存在相同的相關關系。多位學者對造成這一現象的原因進行了探究: Sohn和Smith[26]指出統一化的海洋微波反演算法(UMORA)在對水汽進行反演時, 過高估計了風速的影響, 導致反演的水汽值隨風速增加而減小; Wang等[27]指出這是由于高頻率通道(例如22 GHz 和37 GHz)對于低風速不敏感, 在統一化的海洋微波反演算法(UMORA)引入較大的不確定性引起的; Meissner和Wentz[28]指出這是由于在利用微波亮溫反演水汽時, 海面對于微波的反射和散射作用, 在反演中引入了一個與風速相關的誤差導致的。

2.5 與SSMI/S-F16比對結果

這里對2012年6月—2016年6月的AMSR-2與SSMI/S-F16的月平均可降水產品進行了比對, 結果表明AMSR-2可降水數據與SSMI/S-F16可降水數據比對的一致性較好, 兩者48個月平均值之間平均偏差為–0.04 mm, 標準偏差為1.21 mm(偏差為AMSR-2反演值減去F16反演值, 文中下同), 通過分析兩者可降水月平均值在2012—2016年期間的分布情況, 可發現兩者在熱帶輻合帶(ITCZ)、南太平洋輻合帶(SPCZ)和南大西洋輻合帶(SACZ)具有相似的結構和特征, 限于篇幅不再進行詳細說明, 這里重點對兩者之間平均偏差的分布情況進行分析。

由于各年AMSR-2水汽產品的測量值及偏差情況基本類似, 這里選取AMSR-2與F16水汽產品在2014年的比對結果進行分析。圖8為2014年AMSR-2可降水測量平均值與平均偏差在2014年1月、7月及全年的分布情況, 從圖8可見, AMSR-2 與F16可降水數據之間誤差分布在±1 mm以內, 大部分區域誤差在±0.5 mm以內; 在低緯度地區AMSR-2 測量值略低于F16測量值, 在中緯度地區AMSR-2 測量值略高于F16測量值。對比分析測量平均值和平均偏差在1月份分布情況可見, 測量平均值大于60 mm的海域(例如北印度洋和西太平洋海域)對應的平均偏差為負值且絕對值大于0.8 mm, 測量值在[30, 50] mm的海域(例如南印度洋、北太平洋和南太平洋海域)平均偏差多為正值且大于0.8 mm。

對比分析AMSR-2可降水產品測量值及誤差在7月份和全年的分布情況, 可以得出與1月份相同的結論。這進一步印證了AMSR-2反演精度隨測量值發生變化(圖7)的結論, 即AMSR-2在[0, 40] mm測量區間內反演精度較好, 在[40, 60] mm測量區間內反演值偏大, 60 mm以上測量區間內反演值偏小。

3 結論

本文以海島探空資料和SSMI/S-F16可降水月平均資料為驗證數據, 對AMSR-2反演的海洋上空大氣可降水量的產品精度進行了全面評估, 分析了AMSR-2反演值與探空計算值之間誤差總體情況、平均偏差和標準偏差逐月演變曲線、各站點誤差空間分布、誤差與地球物理參數的相關性以及與SSMI/SF16月平均數據比對誤差空間分布情況。

圖8 2014年1月份、7月份及全年AMSR-2可降水測量平均值與平均偏差分布情況Fig. 8 Distribution of mean value and bias of AMSR-2 TPW in January, July, and the entire year

結果表明, AMSR-2反演海面可降水量與海島探空資料比對的一致性較好, 兩者之間平均偏差為0.35 mm, 標準偏差為3.36 mm, 均方根誤差為3.38 mm;從誤差逐月變化曲線可見, 北半球平均偏差和標準偏差季節性變化較為明顯, 且均在7月份和8月份達到最大, 南半球平均偏差和標準偏差在全年均大于北半球, 季節性變化不明顯; 從誤差的空間分布情況可以看出, AMSR-2在大部分海域略大于探空計算值, 標準偏差隨緯度變小而增大; 從誤差與測量值的相關關系分析可以看出, AMSR-2在可降水低值區間反演精度較好, [40, 60] mm區間反演值偏大, 60 mm以上區間反演值偏小; 與SSMI/S-F16可降水月平均值比對的偏差分布顯示, AMSR-2反演值在低緯度地區略低于SSMI/S-F16, 在中緯度地區略高于SSMI/ S-F16, 進一步說明了AMSR-2在不同測量區間反演精度的變化情況。

隨著技術的進步, 衛星遙感數據在大氣科學研究中, 特別是洋面區域, 將發揮越來越重要的作用。本論文基于探空數據和SSMI/S-F16水汽產品對AMSR-2水汽反演精度進行了檢驗, 以期對全球洋面水汽的分布特點具有更加全面的認識, 相應結果對于更好地使用該水汽反演產品, 避免可能出現的誤差具有一定的指導意義和應用價值。

[1] Olivier B, Pascal W, Wang J, et al. A high-quality, homogenized, global, long-term (1993–2008) DORIS precipitable water data set for climate monitoring and model verification[J]. Journal of Geophysical Research Atmospheres, 2014, 119(12): 7209-7230.

[2] 齊慶華. 西北太平洋水汽輸送異常及其與中國夏季降水的耦合模態[J]. 海洋科學, 2009, 33(9): 35-41. Qi Qinghua. The spatio-temporal characters of the northwest Pacific water vapor flux and its coupled modes with the summer rainfall in China[J]. Marine Sciences, 2009, 33(9): 35-41.

[3] Mengistu T G, Blumenstock T, Hase F. Observations of precipitable water vapour over complex topography of Ethiopia from ground-based GPS, FTIR, radiosonde and ERA-Interim reanalysis[J]. Atmospheric Measurement Techniques, 2015, 8(8): 3277-3295.

[4] Ohtani R, Naito I. Comparisons of GPS-derived pre-cipitable water vapors with radiosonde observations in Japan[J]. Journal of Geophysical Research Atmospheres, 2000, 105(D22): 26917-26930.

[5] Wang Junhong, Zhang Liangying. Systematic errors in global radiosonde precipitable water data from comparisons with ground-based GPS measurements[J]. Journal of Climate, 2008, 21(10): 2218-2238.

[6] Mears C A, Wang J, Deborah S, et al. Intercomparison of total precipitable water measurements made by satellite-borne microwave radiometers and ground-based GPS instruments[J]. Journal of Geophysical Research Atmospheres, 2015, 120(6): 2492-2504.

[7] 韓震, 陳西慶, 惲才興. 海洋高光譜遙感研究進展[J].海洋科學, 2003, 27(1): 22-25. Han Zhen, Chen Xiqing, Yun Caixing. Research progress of marine hyperspectral remote sensing[J]. Marine Sciences, 2003, 27(1): 22-25.

[8] 何娜, 張祖強, 肖賢俊, 等. 海洋環流模式中衛星遙感資料同化的應用進展[J]. 海洋科學, 2008, 2(12): 92-96. He Na, Zhang Zuqiang, Xiao Xianjun, et al. Advancement in application to satellite data assimilation in the ocean circulation model[J]. Marine Sciences, 2008, 32(12): 92-96.

[9] 應晨璐, 董慶, 薛存金, 等. 大區域海洋遙感數據處理方法研究[J]. 海洋科學, 2014, 38(8): 116-125. Ying Chenlu, Dong Qing, Xue Cunjin, et al. Researches of processing methods on large-scale marine remote sensing data[J]. Marine Sciences, 2014, 38(8): 116-125.

[10] 鄭崇偉, 李崇銀, 楊艷, 等. 巴基斯坦瓜達爾港的風能資源評估[J]. 廈門大學學報: 自然科學版, 2016, 55(2): 210-215. Zheng Chongwei, Li Chongying, Yang Yan, et al. Analysis of wind energy resource in the Pakistan's Gwadar Port[J]. Journal of Xiamen University (Natural Science), 2016, 55(2): 210-215.

[11] 劉瑞霞, 師春香, 劉杰. 直方變差圖理論在衛星產品質量檢驗空間配準中的應用[J]. 遙感學報, 2009, 13(2): 307-312. Liu Ruixia, Shi Chunxiang, Liu Jie.The application of Histo-variogram method in spatial matching of satellite data validation[J]. Journal of Remote Sensing, 2009, 13(2): 307-312.

[12] Bock O, Bouin M, Walpersdorf A, et al. Comparison of ground-based GPS precipitable water vapour to independent observations and NWP model reanalyses over Africa[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133(629): 2011-2027.

[13] Chrysoulakis N, Kamarianakis Y, Xu L, et al. Combined use of MODIS, AVHRR and radiosonde data for the estimation of spatiotemporal distribution of precipitable water[J]. Journal of Geophysical Research Atmospheres, 2008, 113(D5): 79-88.

[14] Lindstrot R, Preusker R, Diedrich H, et al. 1-D-Var retrieval of daytime total columnar water vapour from MERIS measurements[J]. Atmospheric Measurement Techniques, 2012, 5(3): 631-646.

[15] Lindstrot R, Stengel M, Schr?der M, et al. A global climatology of total columnar water vapour from SSM/I and MERIS[J]. Earth System Science Data, 2014, 6(1): 221-233.

[16] 奚萌, 宋清濤, 林明森, 等. 西北太平洋多源微波輻射計海表溫度數據交叉比對分析[J]. 海洋學報, 2016, 38(7): 32-47. Xi Meng, Song Qingtao, Lin Mingsen, et al. Intercomparison analysis of muti-microwave radiometer sea surface temperature data for the Nrothwest Pacific[J]. Haiyang Xuebao, 2016, 38(7): 32-47.

[17] 葉勤玉, 柴琳娜, 蔣玲梅, 等. 利用AMSR2和MODIS數據的土壤凍融相變水量降尺度方法[J]. 遙感學報, 2014, 18(6): 1147-1157. Ye Qinyu, Chai Linna, Jiang linmei, et al.A disaggregation approach for soil phase transition water content using AMSR2 and MODIS product[J]. Journal of Remote sensing, 2014, 18(6): 1147-1157.

[18] Wentz F J, Meissner T. Supplement 1 Algorithm Theoretical Basis Document for AMSR-E Ocean Algorithms, RSS Tech. Rep[R]. Santa Rosa, California: Remote Sensing System, 2007.

[19] Wentz F J. A well-calibrated ocean algorithm for special sensor microwave/imager[J]. Journal of Geophysical Research, 1997, 102(C4): 8703-8718.

[20] Sun N, Weng F. Evaluation of special sensor microwave imager/sounder (SSMIS) Environmental Data Records[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(4): 1006-1016.

[21] Van Malderen R, Brenot H, Pottiaux E, et al. A multi-site intercomparison of integrated water vapour observations for climate change analysis[J]. Atmospheric Measurement Techniques, 2014, 7(2): 1075-1151. [22] Buehler S A, Stman S, Melsheimer C, et al. A multi-instrument comparison of integrated water vapour measurements at a high latitude site[J]. Atmospheric Chemistry & Physics, 2012, 12(8): 10925-10943.

[23] Alishouse J C, Snyder S A, Vongsathorn J, et al. Determination of oceanic total precipitable water from the SSM/I[J]. IEEE Transactions on Geoscience & Remote Sensing, 1990, 28(5): 811-816.

[24] Jackson D L, Stephens G L. A study of SSM/I-derived columnar qater vapor over the global oceans[J]. Journal of Climate, 1995, 8(8): 2025-2038.

[25] Pukelsheim F. The Three Sigma Rule[J]. The AmericanStatistician, 1994, 48(2): 88-91.

[26] Sohn B J, Smith E A. Explaining Sources of Discrepancy in SSM/I Water Vapor Algorithms.[J]. Journal of Climate, 2003, 16(20): 3229-3255.

[27] Wang Yu, Fu Yunfei, Liu Guosheng, et al. A new water vapor algorithm for TRMM Microwave Imager (TMI) measurements based on a log linear relationship[J]. Journal of Geophysical Research Atmospheres, 2009, 114(D21): 6149-6150.

[28] Meissner T, Wentz F J. The emissivity of the ocean surface between 6 and 90 GHz over a large range of wind speeds and earth incidence angles[J]. IEEE Transactions on Geoscience & Remote Sensing, 2012, 50(50): 3004-3026.

Validation and evaluation of AMSR-2-derived total precipitable water over sea surface using radiosonde and SSMI/S data

YIN Yan-tong1, LIU Gao-fei1, GUAN Ji-ping1,2, CHEN Xiao-ying1
(1. Institute of Meteorology and Oceanography, PLA University of Science and Technology, Nanjing 211101, China; 2. National Key Laboratory on Electromagnetic Environmental Effects and Electro-optical Engineering, PLA University of Science and Technology, Nanjing 210007, China)

Oct.21, 2016

total precipitable water over sea surface; advanced microwave scanning radiometer-2; radiosonde data; special sensor microwave imager/sounder

A validation of the total precipitable water (TPW) over sea surface derived from advanced microwave scanning radiometer-2 (AMSR-2) from July 2012 to June 2016 is conducted by comparing the special sensor microwave imager/sounder (SSMI/S-F16) and island radiosonde data. It is shown that the amount of TPW derived from AMSR-2 is consistent with that of the island radiosonde data with a mean difference of 0.35 mm. The structures and the characteristics of monthly mean TPW derived from AMSR-2 are quite similar to those of SSMI/S-F16 in the Inter-tropical Convergence Zone, South Pacific Convergence Zone, and South Atlantic Convergence Zone from 2012 to 2016. The mean difference between AMSR-2 and SSMI/S-F16 is –0.04 mm, while the standard deviation is 1.21 mm.

P426

A

1000-3096(2017)04-0065-10

10.11759/hykx20161021002

(本文編輯: 劉珊珊)

2016-10-21;

2016-11-21

國家自然科學基金(41076012, 41276019, 41475021); 國家自然科學青年基金 (41305137)

[Foundation: National Natural Science Foundation of China, No. 41076012, 41276019, 41475021; Young Scientists Fund of the National Natural Science Foundation of China, No.41305137]

尹延通(1991-), 男, 河南南陽人, 碩士研究生, 主要從事衛星遙感產品評估及應用方面研究, 電話: 15195850144, E-mail: 1044147875@qq.com; 關吉平, 通信作者, 副教授, 碩士生導師, 電話: 025-80830625, E-mail: 191686624@qq.com