论文部分内容阅读
海表面温度是全球海洋和大气系统中最重要的参数之一，不仅几乎所有的海洋过程与其有关，大气温度、大气环流、天气形势以及气候状况由于复杂的海-气相互作用同样受到海表面温度的显著影响。因此，获得高精度、高时空分辨率的海表面温度对于研究全球海洋环境以及全球气候变化均具有重要的意义。然而由于单一卫星传感器获取的海表面温度数据具有一定的局限性，不能够满足科学研究对该参数的要求，海表面温度融合算法便应运而生。贝叶斯最大熵算法作为一种现代地理统计插值算法，在很多领域得到广泛应用。本文利用贝叶斯最大熵算法对多源卫星遥感日均海表面温度数据进行融合。融合的主要工作如下: (1)海表面温度场均值趋势分析。在运用贝叶斯最大熵算法进行数据融合时，所研究的对象必须具备局部随机变化的特性，因此需要在融合分析实施之前首先计算并去除海表面温度场自身的均值趋势。本文借助BMElib软件利用滑动窗口对海表面温度数据每个有效格点进行均值趋势获取。鉴于海表面温度数据具有较强的“记忆”特性，对于红外海表面温度数据，将滑动窗口的空间维半径取为9个网格（约为36km），时间维半径取为7天;利用红外海表面温度数据获取的均值趋势数据同样适用于微波海表面温度数据。 (2)海表面温度场时空协方差模型的建立。由于红外海表面温度数据易受云、气溶胶等因素的影响，导致该类型海表面温度日均产品的空间覆盖度不高。为了在融合过程中可以使用更多的数据源，提高融合产品的精度以及空间覆盖度，本文将海表面温度场的复合时空方差协方差模型引入到贝叶斯最大熵算法中，使得在融合过程中不仅可以使用当天的数据，还可以使用相邻时间范围内的数据。本文将之前获取到的海表面温度场均值趋势去除后，对海表面温度随机扰动场进行分析，获得任意两格点之间的相关系数，利用获取到的相关系数建立复合时空协方差模型。 (3)通过空间尺度转换模型消除空间尺度效应对融合结果精度造成的影响。在贝叶斯最大熵框架下，将获取到的数据按照精度高低分为硬数据和软数据。硬数据为精度较高、误差可以忽略的数据;软数据为误差较大难以忽略的数据。由于红外海表面温度数据和微波海表面温度数据的空间分辨率不同，在融合过程中，需要考虑空间尺度效应对融合结果精度造成的影响。本文利用空间尺度转换模型将低空间分辨率的微波海表面温度数据转换为与红外海表面温度数据空间分辨率相同的以概率密度函数形式表示的软数据，用以消除由于数据空间分辨率不同对融合结果精度造成的影响。 在贝叶斯最大熵算法的框架下，通过上述三个主要工作的实施，生成了2006年全年空间范围为100°E-180°E，10°S-40°N，空间分辨率为4km的日均融合海表面温度数据。通过将融合数据与实测漂流浮标数据以及业务化运行融合产品MW IR进行比较，证明了融合结果的高精度以及在空间细节表现能力的优越性。