0 引言
近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] 。通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] 。此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] 。其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] 。探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据。
目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的。而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] 。ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正。Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度。张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度。罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图。闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性。宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰。周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法。
但目前应用FY-3 MWRI数据反演得到的海冰密集度产品较少, 更没有将ASI海冰密集度算法应用到MWRI数据上的研究。与SSM/I数据相比, MWRI数据拥有更宽的频率域; 与AMSR-E数据相比, MWRI在频率分布与空间分辨率上与前者相差不大。随着我国极地战略的推进以及冰上丝绸之路的提出, 将目前比较成熟的海冰密集度算法应用到国产卫星数据中具有极其重要的意义。本研究为利用国产FY-3 MWRI数据反演北极海冰密集度做出部分工作, 可为我国极地战略的推进以及北极航道的研究提供技术保障和数据支持。
1 数据来源
本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究。FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数。MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] 。MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] 。FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# )。表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数。
2 算法
2.1 ASI算法
ASI算法是在1998年“北极辐射和湍流交换的研究”项目中产生的, 最开始提出这个算法的目的是为了更好地利用更高分辨率的SSM/I 85 GHz数据, 对北极海冰边缘的大气边界层做中尺度数值模拟[24 ] 。ASI算法根据极化差异(polarization difference)来计算海冰密集度。
P =T bv -T bh (1)
式中: T bv 为垂向极化的亮温; T bh 为水平极化的亮温。考虑到大气对极化差异的影响a c , P 可以写为
P = P s e - τ ( 1.1 e - τ - 0.11 ) = P s a c (2)
式中: τ 为大气的不透明度; P s 为被观测物体表面的极化差异。
P s =CP s,i + (1-C )P s,w (3)
式中: P s,i 和P s,w 分别为海冰表面和海水面的极化差异; C 为海冰密集度。对于开阔水面, C =0, 极化差异P 0 =a 0 P s,w ; 对于100%海冰覆盖区域, C =1, 极化差异P 1 =a 1 P s,i 。对式P =[CP s,i +(1-C )P s,w ]a c 在C =0和C =1处做泰勒展开, 并忽略高阶项可得
P =a 0 C (P s,i -P s,w )+P 0 (C →0)(4)
P =a 1 (C -1)(P s,i -P s,w )+P 1 (C →1)(5)
C = ( P P 0 - 1 ) ( P s , w P s , i - P s , w ) (C →0)(6)
C = P P 1 + ( P P 1 - 1 ) ( P s , w P s , i - P s , w ) (C →1)(7)
对于北极地区而言, P s , w P s , i - P s , w 的典型取值为-1.14[23 ] 。
为了更详细地反演从0到100%所有的海冰密集度, 需要对式(6)~(7)的解进行合理插值。因此, 选择一个三阶的多项式来拟合从0到100%的海冰密集度。
C = d 3 p 3 + d 2 p 2 + d 1 p + d 0 (8)
利用式(6)~(7)以及两式对P 的一阶导数, 计算得到d 0 , d 1 , d 2 , d 3 。
P 0 3 P 0 2 P 0 1 P 1 3 P 1 2 P 1 1 3 P 0 2 P 1 1 0 3 P 1 2 2 P 1 1 0 d 3 d 2 d 1 d 0 = 0 1 - 1.14 - 0.14 (9)
所以, 如果已知无冰海面和100%海冰覆盖区域的特征点的P 0 和P 1 , 就可以得到d 0 , d 1 , d 2 , d 3 , 最终得到海冰密集度C 。
2.2 基于FY-3 MWRI数据的ASI算法
ASI算法针对不同的数据核心参数会有所变化, 将ASI算法应用到MWRI数据中需要重新确定海冰密集度计算公式中的相关参数。通过选取典型海域的样本点, 获取纯水与纯冰的系点值, 进而确定海冰密集度的计算公式, 其中确定纯水系点值的典型区域须满足该区域全年均为开阔水域, 确定纯冰系点值的典型区域须满足该区域全年均为海冰。因此选取图1 中两个矩形区域, 其中海冰区域位于加拿大北极群岛以北的区域, 海水区域位于格陵兰海冰外缘线以南区域。
图1
图1
样本点区域位置选取(来源: https://seaice uni-bremen.de/start/)
Fig.1
Location of the sample points (source: https:// seaice.uni-bremen.de/start/)
所选样本点会受到天气、 数据本身以及选取区域的影响, 因此在整个选取样本点的过程中, 对2016年全年的MWRI日数据89 GHz频段极化差进行样本点统计。通过分别计算两个区域内所有样本点的极化差异、 进行概率分布统计, 选取逐日最大概率发生的值作为当天的极化差异值, 再对全年的极化差异值进行求均值, 得到如图2 ~3 所示的统计图。最终确定基于FY-3 MWRI数据89 GHz的纯水(P 0 )系点值平均结果为47.6 K, 纯冰(P 1 )系点值平均结果为10.8 K。对式(9)进行插值计算, 得到基于FY-3 MWRI数据的ASI海冰密集度C 的表达式为
C = 1.29 × 10 - 5 p 3 - 1.28 × 10 - 3 p 2 + 1.01 × 10 - 2 p + 1.02 (10)
图2
图2
海水样本点统计结果
Fig.2
The statistical results of seawater sample points
图3
图3
海冰样本点统计结果
Fig.3
The statistical results of sea ice sample points
使用高频数据时, 大气中云层液态水和海面水蒸气对亮温的影响较为为严重。特别是无冰海面上的气旋会减弱海水表面的极化差异, 使这部分海水像元接近海冰的极化差异, 可能导致该部分海水被误认为海冰。因此, 使用天气滤波器来去除在水面因误差计算出的海冰是非常有必要的。截至目前, 所有的天气滤波器基本上都是利用了低分辨率的低频段数据。Comiso[10 ] 在1986年提出通过使用36.5 GHz和18.7 GHz两个频段的梯度率GR(gradient ratio)来减弱天气的影响, 因为在水面上GR(37/19)大于0, 而在冰面上GR(37/19)接近0或者小于0。1995年, Comiso[11 ] 对这个天气滤波器进行了改进, 除了应用原来的GR(37/19)外, 又增加了GR(23/19), 因为23与19频段的梯度率对大气中的水蒸气更为敏感, 而GR(37/19)可以弱化海冰的边缘由于表面温度的变化而造成的影响。步骤如下:
①利用36.5 GHz以及18.7 GHz的梯度率GR过滤掉云中液态水的影响。
GR(37/19)=[T b (37V)-T b (19V)]/[T b (37V)+T b (19V)](11)
GR(37/19)≥0.045 (C →0)(12)
②使用23.8 GHz以及18.7 GHz频段的梯度率GR去除海水表面大量水蒸气的影响。
GR(23/19)=[T b (23V)-T b (19V)]/[T b (23V)+T b (19V)](13)
GR(23/19)≥0.04 (C →0)(14)
经过以上两次过滤, 天气对海冰造成误判的影响大部分已经消除掉, 此时只有某些特别极端的天气因素才会造成小部分影响。
天气滤波器的阈值也会随数据的变化而改变, 使用Otsu算法来确定FY-3 MWRI数据的天气滤波器阈值。Otsu算法, 又被称为大津法, 该方法是根据图像数据值之间的方差选取阈值。其原理如下:
首先假设阈值具有L 级数据的图像划分为两类, 即C 0 ∈ 0 , T 及C 1 ∈ T + 1 , L - 1 。图像各数据级对应的概率为
p i = n i N (15)
式中: N 为原图的总像素个数; ni 为数据级为i 的像素个数; 且有pi ≥0, ∑ i = 0 L - 1 p i = 1 。C 0 和C 1 类的概率分别为
w 0 = p r ( C 0 ) = ∑ i = 0 T w ( T ) (16)
w 1 = p r ( C 1 ) = ∑ i = T + 1 L - 1 p i = 1 - w ( T ) (17)
u 0 = ∑ i = 0 T i p i w 0 = u ( T ) w ( T ) (18)
u 1 = ∑ i = T L - 1 i p i w 1 = u ¯ - u ( T ) 1 - w ( T ) (19)
其中, u ¯ = ∑ i = 0 L - 1 i p i , 为图像的均值。C 0 和C 1 的类间方差为
σ g 2 = w 0 w 1 u 1 - u 0 2 (20)
海冰和海水的最佳分类阈值T *应使类间方差最大, 即
T * = a r g m a x 0 ≤ T ≤ L - 1 σ g 2 (21)
通过运算, 得出GR(37/19)天气滤波器的阈值为0.05, 即当GR(37/19)≥0.05时, 令其海冰密集度为0; GR(23/19)天气滤波器的阈值为0.045, 即当GR(23/19)≥0.045时, 令其海冰密集度为0。通过天气滤波器处理, 绝大部分受天气影响而导致计算错误的海冰都被过滤掉了, 被纠正为海水。
3 结果与验证
以2016年1月FY-3 MWRI数据为例对北极海冰密集度进行结果反演, 并经过天气滤波器的处理, 去除掉受天气影响的无效海冰像元, 得到每日平均海冰密集度结果。通过对1月31天每日海冰密集度结果进行累加并求取平均结果, 最终得到如图4 (c)所示的月平均海冰密集度结果。为了充分验证本文结果的精度以及基于FY-3 MWRI数据提取的海冰与海水系点值的准确性, 分别从美国国家冰雪数据中心(National Snow and Ice Data Center, NSIDC,https://nsidc.org/data )以及德国不莱梅大学(University Bremen, Germany,https://seaice.uni-bremen.de/start/ )获取同期的海冰密集度产品。其中, 图4 (b)为NSIDC提供的由SSM/I数据基于NASA TEAM算法反演出的结果; 图4 (a)为不莱梅提供的由AMSR-E数据基于ASI算法反演出的结果。
图4
图4
三种算法下2016年1月北极平均海冰密集度
Fig. 4
Averaged monthly sea ice concentration in Arctic in January, 2016: ASI algorithm based on University Bremen (a), NASA Team algorithm based on NSIDC (b), ASI algorithm based on FY-3 MWRI (c)
MWRI数据得到的结果与不莱梅提供的结果均使用了ASI算法, 二者的海冰密集度分布状况基本一致, 北冰洋中心区域均为高密集度海冰; NSIDC提供的结果基于NASA Team算法使用SSM/I数据反演得到, 而NASA Team算法使用的是低频数据, 明显低于ASI算法, 海冰边缘区域的低密集度海冰分布较多。为了更加明确地对比分析以上结果, 以及更为直观地对比三种海冰面积结果在1月的变化趋势以及差异, 制作了海冰面积变化趋势图(图5 )和统计表(表2 )。
图5
图5
三种算法下2016年1月北极海冰面积日变化
Fig. 5
Daily variations of sea ice area in January, 2016, quoted from FY-3 MWRI, University Bremen, and NSIDC
(1) 平均海冰面积
MWRI数据得到的1月平均海冰面积为11.894×106 km2 , 与NSIDC的11.749×106 km2 同比差值为1.219%, 与不莱梅的12.508×106 km2 同比差值为-1.521%。
(2) 单日最大海冰面积
MWRI数据得到的1月单日海冰面积最大为12.331×106 km2 , 与NSIDC的12.309×106 km2 同比差值为0.178%, 与不莱梅的12.525×106 km2 同比差值为-1.573%。海冰极大值日均为1月30日。
(3) 单日最小海冰面积
MWRI数据得到的1月单日海冰面积最小为11.215×106 km2 , 与NSIDC的11.191×106 km2 同比差值为0.213%, 与不莱梅的11.394×106 km2 同比差值为-1.596%。MWRI结果与NSIDC结果海冰极小值日均为1月1日, 不莱梅结果极小值日为1月5日。
(4) 平均海冰密集度
MWRI数据得到的1月平均海冰密集度为0.916, 与NSIDC的0.856同比差值为6.553%, 与不莱梅的0.928同比差值为-1.310%。MWRI结果更接近不莱梅的结果, 平均海冰面积三者基本一致。
由图5 看出, 本文基于FY-3 MWRI数据并使用ASI算法反演得到的结果, 与NSIDC以及不莱梅提供的结果都比较接近。从1月31天的海冰面积变化趋势来看, 三种结果均呈现出平稳增加的趋势。MWRI结果显示, 海冰面积平均以0.0313×106 km2 ·d-1 的速度增加, NSIDC与不莱梅的结果分别以0.0389×106 km2 ·d-1 、 0.0388×106 km2 ·d-1 的速度增加。
为进一步验证本文结果反演精度, 引用空间分辨率为250 m的风云卫星中分辨率光谱成像仪(MERSI)数据进行结果对比。基于本文方法得到的2018年6月10日北极地区的海冰密集度结果如图6 所示, 选取大利亚霍夫岛附近海域(图中矩形区域)作为研究样本, 用MERSI数据进行对比验证。
图6
图6
基于FY-3 MWRI数据得到的2018年6月10日北极海冰密集度
Fig.6
Sea ice concentration in Arctic on June 10, 2018, based on FY-3 MWRI data
从风云气象卫星中心获取2018年6月10日MERSI数据, 经预处理后并进行研究区域裁剪, 得到如图7 (a)所示的可见光原始图像。本文采用目前较为普遍使用的单通道系点法反演海冰密集度信息, 算法公式[39 ] 为
C = 0 A ≤ A w ( A - A w ) / ( A i - A w ) A w < A < A i 100 % A ≥ A i (22)
式中: C 为海冰密集度; A 为像元的实际反照率; A i 和A w 分别为纯冰与纯水的反照率。
图7
图7
北极大利亚霍夫岛附近海域光学验证结果
Fig.7
Optical verification results of sea area near Daliahov Island, Arctic: original image of MERSI data band 1 (a), sea ice concentration based on MERSI data (b), and sea ice concentration based on MWRI data (c)
通过对MERSI波段1的数据进行处理, 得到如图7 (b)所示的海冰密集度结果。并对基于MWRI数据的2018年6月10日的海冰密集度结果进行裁剪, 得到如图7 (c)所示的研究区域的海冰密集度结果。
对比图7 (b)与图7 (c)可知, 两者的海冰外缘线基本一致, 其中由光学数据得到的结果, 在陆地以及海岛边缘区域反演得更为精确, 而MWRI数据得到的结果对于浮冰、 流冰的识别较弱。经统计, 基于MWRI得到的平均海冰密集度为0.678, 海冰面积为160 929 km2 ; 基于MERSI得到的平均海冰密集度为0.714, 海冰面积为177 465 km2 。二者海冰密集度相差5.029%, 海冰面积相差9.318%。综上可知, 本文基于MWRI数据运用ASI算法得到的海冰密集度结果, 其海冰边缘线与光学数据得到的结果基本一致, 海冰密集度以及海冰面积略低于光学数据得到的结果。
4 结论
以2016年1月共31天的FY-3 MWRI数据为例, 通过选取典型区域的样本点进行筛选统计得到基于MWRI数据的海冰与海水的系点值, 进而确定基于ASI算法的海冰密集度计算公式。再引入Otsu算法确定基于MWRI数据的天气滤波器阈值, 最终得到2016年1月北极海冰密集度以及海冰面积结果。利用美国国家冰雪数据中心(NSIDC)与德国不莱梅大学业务化海冰密集度产品进行对比验证, 发现不莱梅月平均海冰密集度以及海冰面积均最高, NSIDC结果均最低, MWRI结果介于两者之间。但三种结果的月平均海冰面积差别均不大, 而MWRI结果与不莱梅较为接近。此外, 以2018年6月10日数据为例, 截取大利亚霍夫岛附近海域为研究区域, 引入MERSI光学数据反演了海冰密集度。结果表明, 两者海冰外缘线基本一致, MWRI数据得到的海冰密集度以及海冰面积略低于光学数据结果。因此, 基于FY-3 MWRI数据所得到的ASI海冰密集度算法计算公式以及结果是可信的, 将国产FY-3 MWRI数据应用于ASI算法进行海冰密集度反演是可行的。
参考文献
View Option
[1]
Comiso J C . Large decadal decline of the Arctic multiyear ice cover
[J]. Journal of Climate , 2011 , 25 (4 ): 1176 - 1193 .
[本文引用: 1]
[2]
Stroeve J C , Serreze M C , Holland M M , et al . The Arctic’s rapidly shrinking sea ice cover: a research synthesis
[J]. Climatic Change , 2012 , 110 (3/4 ): 1005 - 1027 .
[本文引用: 1]
[3]
Budikovan D . Role of Arctic sea ice in global atmospheric circulation: a review
[J]. Global and Planetary Change , 2009 , 68 (3 ): 149 - 163 .
[本文引用: 1]
[4]
Holland M M , Bitz C M . Polar amplification of climate change in coupled models
[J]. Climate Dynamics , 2003 , 21 (3/4 ): 221 - 232 .
[本文引用: 1]
[5]
Cohen J , Screen J A , Furtado J C , et al . Recent Arctic amplification and extreme mid-latitude weather
[J]. Nature Geoscience , 2017 , 7 (9 ): 627 - 637 .
[6]
Vihma T . Effects of Arctic sea ice decline on weather and climate: a review
[J]. Surveys in Geophysics , 2014 , 35 (5 ): 1175 - 1214 .
[本文引用: 1]
[7]
Thomas D N , Dieckmann G S . Sea ice [M]. 2nd ed . Hoboken, New Jersey, USA : Wiley-Blackwell Publishing , 2010 .
[本文引用: 1]
[8]
Ulaby F . Microwave remote sensing: active and passive: microwave remote sensing fundamentals and radiometry
[J]. Remote Sensing A , 1981 , 2 (5 ): 1223 - 1227 .
[本文引用: 1]
[9]
Cavalieri D J , Gloersen P , Campbell W J . Determination of sea ice parameters with the NIMBUS 7 SMMR
[J]. Journal of Geophysical Research: Atmospheres , 1984 , 89 (D4 ): 5355 - 5369 .
[本文引用: 1]
[10]
Comiso J C . Characteristics of arctic winter sea ice from satellite multispectral microwave observations
[J]. Journal of Geophysical Research: Oceans , 1986 , 91 (C1 ): 975 - 994 .
[本文引用: 2]
[11]
Comiso J C . SSM/I sea ice concentrations using the Bootstrap algorithm: NASA RP-1380
[R]. Washington, D.C. : National Aeronautics and Space Administration , 1995 .
[本文引用: 2]
[12]
Markus T , Cavalieri D . An enhancement of the NASA Team sea ice algorithm
[J]. IEEE Transactions on Geoscience and Remote Sensing , 2000 , 38 : 1387 - 1398 .
[本文引用: 1]
[13]
Hao Guanghua . A study of multiyear ice concentration retrieval algorithms using AMSR-E data
[J]. Acta Oceanologica Sinica , 2015 , 34 (9 ): 102 - 109 .
[本文引用: 1]
[14]
Lomax A S , Lubin D , Whritner R H . The potential for interpreting total and multiyear ice concentrations in SSM/I 85.5 GHz imagery
[J]. Remote Sensing of Environment , 1995 , 54 : 13 - 26 .
[本文引用: 1]
[15]
Spencer R W , Goodman H M , Hood R E . Precipitation retrieval over land and ocean with SSM/I: identification and characteristics of the scattering signal
[J]. Journal of Atmospheric and Oceanic Technology , 1989 , 6 : 254 - 273 .
[本文引用: 1]
[16]
Kern S , Rösel A , Pedersen L T , et al . The impact of melt ponds on summertime microwave brightness temperatures and sea-ice concentrations
[J]. Cryosphere Discussions , 2016 , 10 (5 ): 2217 - 2239 .
[本文引用: 1]
[17]
Korosov A A , Rampal P , Pedersen L T , et al . A new tracking algorithm for sea ice age distribution estimation
[J]. Cryosphere Discussions , 2018 , 12 (6 ): 2073 - 2085 .
[本文引用: 1]
[18]
Gabarro C , Turiel A , Elosegui P , et al . New methodology to estimate Arctic sea ice concentration from SMOS combining brightness temperature differences in a maximum-likelihood estimator
[J]. Cryosphere Discussions , 2017 , 11 (4 ): 1987 - 2002 .
[本文引用: 1]
[19]
Ye Y , Heygster G , Shokr M . Improving multiyear ice concentration estimates with reanalysis air temperatures
[J]. IEEE Transactions on Geoscience and Remote Sensing , 2016 , 54 (5 ): 2602 - 2614 .
[本文引用: 1]
[20]
Wang Huanhuan . Multiyear ice retrieval using passive microwave remote sensing radiometer AMSR-E 89 GHz data
[D]. Qingdao, Shandong : Ocean University of China , 2009 .
[本文引用: 1]
王欢欢 . 利用遥感卫星AMSR-E 89 GHz频段的数据反演北极多年冰密集度
[D]. 山东青岛 : 中国海洋大学 , 2009 .
[本文引用: 1]
[21]
Karvonen J . Baltic sea ice concentration estimation based on C-band HH-polarized SAR data
[J]. IEEE Transactions on Geoscience and Remote Sensing , 2012 , 5 (6 ): 1874 - 1884 .
[本文引用: 1]
[22]
Kasapoğlu N G . Sea ice concentration retrieval using composite scan SAR features in a SAR data assimilation process
[J]. IEEE Geoscience and Remote Sensing Letters , 2014 , 11 (12 ): 2085 - 2089 .
[本文引用: 1]
[23]
Kaleschke L , Liipkes C , Vihma T , et al . SSM/I sea ice remote sensing for mesoscale ocean-atmosphere interaction analysis
[J]. Canadian Journal of Remote Sensing , 2001 , 27 (5 ): 526 - 537 .
[本文引用: 2]
[24]
Svendsen E , Mauler C , Grenfell T C . A model for retrieving total sea ice concentration from a spaceborne dual-polarization passive microwave instrument operating near 90 GHz
[J]. International Journal on Remote Sensing , 1987 , 8 (10 ): 1479 - 1487 .
[本文引用: 2]
[25]
Kern S . A new method for medium-resolution sea ice analysis using weather-influence corrected special sensor microwave/imager 85 GHz data
[J]. International Journal of Remote Sensing , 2004 , 25 (21 ): 4555 - 4582 .
[本文引用: 1]
[26]
Kem S , Kaleschke L , Clausi D A . A comparison of two 85 GHz SSM/I ice concentration algorithm with AVHRR and ERS-2SAR imagery
[J]. IEEE Transactions on Geoscience and Remote Sensing , 2003 , 41 (10 ): 2294 - 2306 .
[本文引用: 1]
[27]
Spreen G , Kaleschke L , Heygster G . Sea ice remote sensing using AMSR-E 89-GHz channels
[J/OL]. Journal of Geophysical Research: Oceans , 2008 , 113 (C2 ) [2019-03-04 ]. .
[本文引用: 1]
[28]
Su Jie , Hao Guanghua , Ye Xinxin , et al . The experiment and validation of sea ice concentration AMSR-E retrieval algorithm in polar region
[J]. Journal of Remote Sensing , 2013 , 17 (3 ): 495 - 513 .
[本文引用: 1]
苏洁 , 郝光华 , 叶鑫欣 , 等 . 极区海冰密集度AMSR-E数据反演算法的试验与验证
[J]. 遥感学报 , 2013 , 17 (3 ): 495 - 513 .
[本文引用: 1]
[29]
Lu J , Heygster G , Spreen G . Atmospheric correction of sea ice concentration retrieval for 89 GHz AMSR-E observations
[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 2018 , 11 (5 ): 1442 - 1457 .
[本文引用: 1]
[30]
Zhang Xiang , Wang Zhenzhan , Chen Hua . A sea ice concentration algorithm based on HY-2 scanning radiometer data
[J]. Remote Sensing Technology and Application , 2012 , 27 (6 ): 912 - 918 .
[本文引用: 1]
张翔 , 王振占 , 谌华 . 一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法
[J]. 遥感技术与应用 , 2012 , 27 (6 ): 912 - 918 .
[本文引用: 1]
[31]
Shi Lijian , Wang Qimao , Zou Bin , et al . Arctic sea ice concentration retrieval using HY-2 radiometer data
[J]. Chinese Journal of Polar Research , 2014 (4 ): 410 - 417 .
[本文引用: 1]
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 (4 ): 410 - 417 .
[本文引用: 1]
[32]
Luo Licheng , Zhang Wenqi , Hu Yong , et al . Information extraction of arctic sea ice based on Sentinel-1 satellite
[J]. Aerospace Shanghai , 2018 (3 ): 16 - 22 .
[本文引用: 1]
罗丽程 , 张文奇 , 胡勇 , 等 . 基于Sentinel-1卫星的北冰洋海冰信息提取
[J]. 上海航天 , 2018 (3 ): 16 - 22 .
[本文引用: 1]
[33]
Wen Bin , Zhou Xuan , Zhong Jinsong , et al . Sea ice concentration retrieval based on SMAP radar data
[J]. Acta Oceanologica Sinica , 2018 , 40 (6 ): 29 - 39 .
[本文引用: 1]
闻斌 , 周旋 , 种劲松 , 等 . 基于SMAP卫星雷达资料的海冰密集度反演技术研究
[J]. 海洋学报 , 2018 , 40 (6 ): 29 - 39 .
[本文引用: 1]
[34]
Song Xiangyu , Liu Tingting , Wang Zemin , et al . Estimation of Antarctic sea ice concentration based on an improved FCLS algorithm
[J]. Chinese Journal of Polar Research , 2018 (1 ): 67 - 76 .
[本文引用: 1]
宋翔宇 , 刘婷婷 , 王泽民 , 等 . 基于改进FCLS算法的南极海冰密集度估算及算法比较
[J]. 极地研究 , 2018 (1 ): 67 - 76 .
[本文引用: 1]
[35]
Zhou Ying , Gong Cailan , Hu Yong , et al . Extraction of sea ice information in the Arctic Ocean by using FY-3/MERSI data
[J]. Journal of Atmospheric and Environmental Optics , 2013 , 8 (1 ): 54 - 59 .
[本文引用: 1]
周颖 , 巩彩兰 , 胡勇 , 等 . 风云三号MERSI数据提取北冰洋海冰信息方法研究
[J]. 大气与环境光学学报 , 2013 , 8 (1 ): 54 - 59 .
[本文引用: 1]
[36]
Yang Hu , Li Xiaoqing , You Ran , et al . Environmental data records from FengYun-3B microwave radiation imager
[J]. Advances in Meteorological Science and Technology , 2013 , 3 (4 ): 136 - 143 .
[本文引用: 1]
杨虎 , 李小青 , 游然 , 等 . 风云三号微波成像仪定标精度评价及业务产品介绍
[J]. 气象科技进展 , 2013 , 3 (4 ): 136 - 143 .
[本文引用: 1]
[37]
Zou Xiaolei . Introduction to microwave imager radiance observations from polar-orbiting meteorological satellites
[J]. Advances in Meteorological Science and Technology , 2012 , 2 (3 ): 45 - 50 .
[本文引用: 1]
邹晓蕾 . 极轨气象卫星微波成像仪资料
[J]. 气象科技进展 , 2012 , 2 (3 ): 45 - 50 .
[本文引用: 1]
[38]
Guan Min , Yang Zhongdong . Research on remote sensing image location method based on FY-3 microwave imager
[J]. Journal of Remote Sensing , 2009 , 13 (3 ): 469 - 474 .
[本文引用: 1]
关敏 , 杨忠东 . FY-3微波成像仪遥感图像地理定位方法研究
[J]. 遥感学报 , 2009 , 13 (3 ): 469 - 474 .
[本文引用: 1]
[39]
Steffen K , Maslanik J A . Comparison of Nimbus 7 scanning multichannel microwave radiometer radiance and derived sea ice concentrations with Landsat imagery for the north water area of Baffin Bay
[J]. Journal of Geophysical Research: Oceans , 1988 , 93 (C9 ): 10769 - 10781 .
[本文引用: 1]
Large decadal decline of the Arctic multiyear ice cover
1
2011
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
The Arctic’s rapidly shrinking sea ice cover: a research synthesis
1
2012
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
Role of Arctic sea ice in global atmospheric circulation: a review
1
2009
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
Polar amplification of climate change in coupled models
1
2003
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
Recent Arctic amplification and extreme mid-latitude weather
0
2017
Effects of Arctic sea ice decline on weather and climate: a review
1
2014
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
1
2010
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
Microwave remote sensing: active and passive: microwave remote sensing fundamentals and radiometry
1
1981
... 近年来北极海冰面积和体积均急剧减少[1 -2 ] , 北极海冰的消融已成为地球变暖的重要证据之一, 是全球生态系统中重要的指示和衡量标志[3 ] .通过大量的反馈机制与气候系统的相互作用, 北极海冰对北极地区以及全球气候都有显著影响[4 -6 ] .此外, 准确了解北极海冰的状态对天气预报以及北极相关作业(钻探和导航)也至关重要[7 ] .其中, 海冰密集度是研究海冰变化的重要参量, 它是指单位区域内海冰覆盖率的百分比[8 ] .探测北冰洋海冰密集度及分布状况, 可为开拓北冰洋航路和全球气候的研究提供可靠的基础数据和科学依据. ...
Determination of sea ice parameters with the NIMBUS 7 SMMR
1
1984
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Characteristics of arctic winter sea ice from satellite multispectral microwave observations
2
1986
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
... 使用高频数据时, 大气中云层液态水和海面水蒸气对亮温的影响较为为严重.特别是无冰海面上的气旋会减弱海水表面的极化差异, 使这部分海水像元接近海冰的极化差异, 可能导致该部分海水被误认为海冰.因此, 使用天气滤波器来去除在水面因误差计算出的海冰是非常有必要的.截至目前, 所有的天气滤波器基本上都是利用了低分辨率的低频段数据.Comiso[10 ] 在1986年提出通过使用36.5 GHz和18.7 GHz两个频段的梯度率GR(gradient ratio)来减弱天气的影响, 因为在水面上GR(37/19)大于0, 而在冰面上GR(37/19)接近0或者小于0.1995年, Comiso[11 ] 对这个天气滤波器进行了改进, 除了应用原来的GR(37/19)外, 又增加了GR(23/19), 因为23与19频段的梯度率对大气中的水蒸气更为敏感, 而GR(37/19)可以弱化海冰的边缘由于表面温度的变化而造成的影响.步骤如下: ...
SSM/I sea ice concentrations using the Bootstrap algorithm: NASA RP-1380
2
1995
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
... 使用高频数据时, 大气中云层液态水和海面水蒸气对亮温的影响较为为严重.特别是无冰海面上的气旋会减弱海水表面的极化差异, 使这部分海水像元接近海冰的极化差异, 可能导致该部分海水被误认为海冰.因此, 使用天气滤波器来去除在水面因误差计算出的海冰是非常有必要的.截至目前, 所有的天气滤波器基本上都是利用了低分辨率的低频段数据.Comiso[10 ] 在1986年提出通过使用36.5 GHz和18.7 GHz两个频段的梯度率GR(gradient ratio)来减弱天气的影响, 因为在水面上GR(37/19)大于0, 而在冰面上GR(37/19)接近0或者小于0.1995年, Comiso[11 ] 对这个天气滤波器进行了改进, 除了应用原来的GR(37/19)外, 又增加了GR(23/19), 因为23与19频段的梯度率对大气中的水蒸气更为敏感, 而GR(37/19)可以弱化海冰的边缘由于表面温度的变化而造成的影响.步骤如下: ...
An enhancement of the NASA Team sea ice algorithm
1
2000
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
A study of multiyear ice concentration retrieval algorithms using AMSR-E data
1
2015
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
The potential for interpreting total and multiyear ice concentrations in SSM/I 85.5 GHz imagery
1
1995
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Precipitation retrieval over land and ocean with SSM/I: identification and characteristics of the scattering signal
1
1989
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
The impact of melt ponds on summertime microwave brightness temperatures and sea-ice concentrations
1
2016
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
A new tracking algorithm for sea ice age distribution estimation
1
2018
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
New methodology to estimate Arctic sea ice concentration from SMOS combining brightness temperature differences in a maximum-likelihood estimator
1
2017
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Improving multiyear ice concentration estimates with reanalysis air temperatures
1
2016
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Multiyear ice retrieval using passive microwave remote sensing radiometer AMSR-E 89 GHz data
1
2009
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
利用遥感卫星AMSR-E 89 GHz频段的数据反演北极多年冰密集度
1
2009
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Baltic sea ice concentration estimation based on C-band HH-polarized SAR data
1
2012
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Sea ice concentration retrieval using composite scan SAR features in a SAR data assimilation process
1
2014
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
SSM/I sea ice remote sensing for mesoscale ocean-atmosphere interaction analysis
2
2001
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
... 对于北极地区而言, P s , w P s , i - P s , w 的典型取值为-1.14[23 ] . ...
A model for retrieving total sea ice concentration from a spaceborne dual-polarization passive microwave instrument operating near 90 GHz
2
1987
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
... ASI算法是在1998年“北极辐射和湍流交换的研究”项目中产生的, 最开始提出这个算法的目的是为了更好地利用更高分辨率的SSM/I 85 GHz数据, 对北极海冰边缘的大气边界层做中尺度数值模拟[24 ] .ASI算法根据极化差异(polarization difference)来计算海冰密集度. ...
A new method for medium-resolution sea ice analysis using weather-influence corrected special sensor microwave/imager 85 GHz data
1
2004
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
A comparison of two 85 GHz SSM/I ice concentration algorithm with AVHRR and ERS-2SAR imagery
1
2003
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Sea ice remote sensing using AMSR-E 89-GHz channels
1
2008
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
The experiment and validation of sea ice concentration AMSR-E retrieval algorithm in polar region
1
2013
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
极区海冰密集度AMSR-E数据反演算法的试验与验证
1
2013
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Atmospheric correction of sea ice concentration retrieval for 89 GHz AMSR-E observations
1
2018
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
A sea ice concentration algorithm based on HY-2 scanning radiometer data
1
2012
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法
1
2012
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Arctic sea ice concentration retrieval using HY-2 radiometer data
1
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
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
1
2014
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Information extraction of arctic sea ice based on Sentinel-1 satellite
1
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
基于Sentinel-1卫星的北冰洋海冰信息提取
1
2018
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Sea ice concentration retrieval based on SMAP radar data
1
2018
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
基于SMAP卫星雷达资料的海冰密集度反演技术研究
1
2018
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Estimation of Antarctic sea ice concentration based on an improved FCLS algorithm
1
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
基于改进FCLS算法的南极海冰密集度估算及算法比较
1
2018
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Extraction of sea ice information in the Arctic Ocean by using FY-3/MERSI data
1
2013
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
风云三号MERSI数据提取北冰洋海冰信息方法研究
1
2013
... 目前比较成熟的利用星载微波辐射计亮温数据来反演海冰密集度的方法主要有: Cavalieri等[9 ] 利用微波辐射计(Special Sensor Microwave/Image, SSM/I)19.4 GHz垂直和水平方向极化, 以及37 GHz垂直方向极化的亮温数据, 提出NASA Team算法, 该算法可用于一年冰以及多年冰密集度的反演; Comiso[10 -11 ] 利用基本能量运输方程和海冰发射率在不同频段的不同特征, 提出Bootstrap算法来计算海冰密集度, 该算法主要利用19(18.7)GHz和37(36.5)GHz两个频段的亮温数据来反演, 最终得到空间分辨率为25 km的海冰密集度产品; Markus等[12 ] 在NASA Team的基础上, 加上89 GHz垂直和水平极化亮温数据, 提出NASA Team 2算法; Hao[13 ] 通过引入AMSR-E 6.9 GHz数据, 对已有的NASA Team算法进行改进, 提高了多年冰结果的计算精度; Lomax等[14 ] 利用SSM/I 85.5 GHz数据, 提出Lomax算法来计算海冰密集度, Lomax算法是基于Spencer等[15 ] 在1989年提出的极化纠正亮温PCT (polarization corrected temperature)概念的基础上得到的.而近年来又有学者基于其他不同层面或其他数据对海冰密集度算法做出新的研究, 如Kern等[16 ] 通过对熔池的研究进而分析其对夏季微波亮温数据以及海冰密集度结果的影响, 并改善海冰密集度的反演精度; Korosov等[17 ] 提出一种基于欧拉平流方案对不同冰龄的海冰分布进行估算的算法; Gabarro等[18 ] 提出一种用最大似然估计法结合亮度温差的SMOS估算北极海冰密集度的新方法; Ye等[19 ] 通过引入再分析空气温度数据提高海冰密集度反演结果精度; 王欢欢[20 ] 根据89 GHz频段亮温数据针对一年冰、 多年冰以及海水的不同特性, 提出了一种反演多年密集度的方法; Karvonen[21 ] 提出一种使用神经网络框架内的双极化SAR数据来估算海冰密集度; Kasapoğlu[22 ] 的一项研究中, 针对每个入射角范围选择SAR图像特征, 并使用线性混合模型通过被动微波成像来反演海冰密集度; ASI算法(ARTIST sea ice algorithm)产生于1998年“北极辐射和湍流交换的研究”项目中, 该算法是Kaleschke等[23 ] 在Svendsen等[24 ] 提出的接近90 GHz频段海冰反演算法的基础上改进而来的, 最初用于对北极海冰边缘的大气边界层做中尺度数值模拟, 它的一个优势在于相比于其他使用85 GHz频段数据的算法, 并不需要另外的数据输入, 可以直接根据测得的亮温数据进行结果反演[25 ] , 且与利用其他通道的海冰密集度算法有相似的结果[26 ] .ASI算法最初应用于SSM/I数据, 随着AMSR-E (Advanced Microwave Scanning Radiometer for the Earth Observing System)数据的产生, Spreen等[27 ] 将ASI算法应用到AMSR-E数据, 并得到相应的海冰密集度计算公式; 苏洁等[28 ] 对基于AMSR-E 89 GHz频段微波数据的ASI算法中北极纯冰和纯水代表区域的P 1 和P 0 年平均值进行插值推算, 并对海冰密集度反演公式进行了修正.Lu等[29 ] 通过辐射传输模型, 评估了风、 水蒸气以及液态水对地表亮温的影响, 进而对原有的ASI算法进行改进, 改进后的算法大大提高了冰水混合区域的海冰密集度的精度.张翔等[30 ] 提出一种利用HY-2卫星扫描微波辐射计数据反演极地海冰密集度的算法; 石立坚等[31 ] 利用HY-2卫星微波辐射计数据, 基于NASA Team算法反演了北极区域海冰密集度.罗丽程等[32 ] 利用高分辨率SAR数据, 并采用k均值聚类算法提取海冰信息, 其与传统的海冰密集度产品结合, 可构造信息更丰富的多尺度冰情图.闻斌等[33 ] 基于SMAP卫星雷达数据, 分析L波段雷达后向散射系数、 极化比和归一化极化差与海冰密集度之间的相关性, 并建立人工神经网络算法对海冰密集度进行反演研究, 结果表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性.宋翔宇等[34 ] 将亮温极化梯度率和光谱梯度率引入基于全约束最小二乘法(fully constrained least squares, FCLS)的海冰密集度估算方法, 结果表明改进的FCLS算法具有较高的精确度, 且对多年冰的估算优于一年冰.周颖等[35 ] 利用FY-3 MERSI数据提出一种提取北极海冰分布信息的算法. ...
Environmental data records from FengYun-3B microwave radiation imager
1
2013
... 本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究.FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数.MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] .MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] .FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# ).表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数. ...
风云三号微波成像仪定标精度评价及业务产品介绍
1
2013
... 本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究.FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数.MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] .MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] .FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# ).表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数. ...
Introduction to microwave imager radiance observations from polar-orbiting meteorological satellites
1
2012
... 本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究.FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数.MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] .MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] .FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# ).表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数. ...
极轨气象卫星微波成像仪资料
1
2012
... 本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究.FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数.MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] .MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] .FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# ).表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数. ...
Research on remote sensing image location method based on FY-3 microwave imager
1
2009
... 本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究.FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数.MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] .MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] .FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# ).表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数. ...
FY-3微波成像仪遥感图像地理定位方法研究
1
2009
... 本文使用2016年1月FY-3卫星MWRI数据对北极地区的海冰密集度进行分析研究.FY-3卫星能够获取全球范围内全天时间段多光谱通道的大气、 地表和海表特性参数.MWRI是装载于FY-3卫星上的传感器, 该仪器为全功率双极化微波成像仪器[36 ] .MWRI主要探测地表的热辐射, 对地表参数比较敏感[37 ] , 在多个特定的频率上接收来自地球表面与大气的水平和垂直两个极化的电磁辐射, 提供全球性信息资料, 主要用于反演降雨、 云和大气中水汽含量、 地表植被、 海冰、 雪覆盖及海面油污等分布情况, 为天气预报和环境监测等提供资料[38 ] .FY-3 MWRI数据相对于SSM/I数据拥有更多的通道数, 同样满足ASI算法的应用需求, 用于极地海冰密集度反演(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx# ).表1 比较了MWRI、 SSM/I (搭载卫星Defense Meteorological Satellite Program, DMSP)以及AMSR-E (搭载卫星Aqua)三种传感器参数. ...
Comparison of Nimbus 7 scanning multichannel microwave radiometer radiance and derived sea ice concentrations with Landsat imagery for the north water area of Baffin Bay
1
1988
... 从风云气象卫星中心获取2018年6月10日MERSI数据, 经预处理后并进行研究区域裁剪, 得到如图7 (a)所示的可见光原始图像.本文采用目前较为普遍使用的单通道系点法反演海冰密集度信息, 算法公式[39 ] 为 ...