劉志強，蘇潔，時曉旭，2，趙進平

（1.中國海洋大學海洋環(huán)境學院，山東青島 266100；2.中國科學院大氣物理研究所，北京 100029）

渤海AVHRR多通道海冰密集度反演算法試驗研究

劉志強1，蘇潔1，時曉旭1，2，趙進平1

（1.中國海洋大學海洋環(huán)境學院，山東青島 266100；2.中國科學院大氣物理研究所，北京 100029）

為了得到更精確的渤海海冰密集度反演參數，采用遼東灣不同類型海冰ASD實測數據，在分析光譜特征的基礎上，針對NOAA／AVHRR數據確定出合適海冰密集度反演算法閾值。繼而，基于線性光譜混合模型的多通道反演算法進行了一系列算法試驗。同時實現了基于LandSat5-TM數據的渤海海冰密集度場反演，并利用該結果與AVHRR單通道和多通道算法得到的海冰密集度反演結果進行比對分析。定量誤差分析結果表明，當單通道算法或組合算法中包含1通道時，與Landsat5-TM反演結果的平均誤差為正值，包含2通道且不包含1通道時，平均誤差為負值；同時使用這兩個通道較只包含其一的各種組合算法的平均誤差明顯偏??；在各種組合算法中，1245四個通道組合反演的海冰密集度結果誤差最小，可應用于渤海AVHRR數據海冰密集度反演。

渤海；海冰密集度反演；線性光譜混合模型；NOAA／AVHRR；LandSat5-TM

1 引言

渤海是北半球緯度最低的季節(jié)性結冰海域，通常有3～4個月的結冰期。由于每年冬季的氣候差異，海冰冰情具有較強的年際變化，冰情嚴重時，海冰覆蓋面積超過渤海海域面積的70%以上。海冰密集度、海冰外緣線位置和海冰覆蓋面積等是反映渤海海冰冰情的重要指標。其中海冰密集度指一定范圍內海冰所占的面積百分比，用來描述海冰的空間密集程度，它直接影響著海洋和大氣的熱量交換強度，因此，海冰密集度不僅是表征海冰特征的重要參數，也是很多海洋和大氣環(huán)流模式的輸入參數［1—2］。

衛(wèi)星遙感技術的發(fā)展，為海冰監(jiān)測和預報提供了時空連續(xù)的實時資料來源。衛(wèi)星遙感技術的基礎是地物光譜特征，不同地表的光譜特征是選擇和設計傳感器波段的依據，同時也是對遙感數據進行定標和真實性檢驗的依據，據此可以建立地面實測數據和衛(wèi)星遙感數據之間的橋梁［3］。1988年NOAA／AVHRR （National Oceanic and Atmosphere Administration／Advanced Very High Resolution Radiometer）的可見光和紅外圖像被用于渤海和黃海北部的海冰監(jiān)測和業(yè)務預報［4］。2002年我國首次使用“海洋1號”衛(wèi)星的COCTS（Chinese Ocean Color and Temperature Scanner）和CCD（Charge Coupled Device）可見光數據進行渤海海冰的監(jiān)測和預報，提供了海冰圖像及海冰密集度、冰厚和冰外緣線等產品，也作為渤海海冰監(jiān)測和數值預報初始場的重要信息來源［5］。MODIS （Moderate-resolution Imaging Spectroradiometer）多通道可見光數據對不同密集度和厚度的海冰有較好的區(qū)分和識別，可以提供較NOAA／AVHRR分辨率高的海冰參數信息，被用作海冰預報質量檢驗的參考依據之一［6］。盡管近年來MODIS衛(wèi)星數據的應用非常廣泛，也可以得到LandSat5-TM（Thematic Mapper）等更高分辨率的遙感數據，但考慮到時間序列長度的問題，NOAA／AVHRR數據仍具有不可替代的應用價值。

在針對可見光數據的海冰密集度算法中，通常根據傳感器不同通道數據（如反射率、亮溫）的特征［7］及其之間的差值［8］或比值［9］等，采用閾值算法來區(qū)分云、海冰和海水。但是由于地表覆蓋類型的復雜性，這些閾值的確定會存在一定程度上的誤判。在應用這些算法時，能否找到合理準確的閾值會直接會影響海冰衛(wèi)星遙感信息提取的準確性。

目前渤海海冰密集度反演通常采用單通道算法［4—6］，本文基于AVHRR可見光衛(wèi)星數據，配合2013年冬季渤海遼東灣海冰科學考察獲得的ASD（Analytical Spectra Device）實測光譜數據，確定海冰密集度反演算法的閾值。進而，基于線性光譜混合模型（LSMM）［10］，進行海冰密集度多通道算反演算法試驗。

反演結果的驗證也一直是海冰遙感算法研究中比較困難的環(huán)節(jié)。在缺乏現場數據的情況下，采用較高分辨率的遙感數據進行比對分析不失為一種合理有效的方法。本文實現了基于LandSat5-TM數據的渤海海冰密集度場反演，并利用該結果與單通道算法和LSMM模型多通道算法AVHRR數據渤海海冰密集度反演結果進行比對分析，進行了一系列算法試驗，旨在通過定量的分析確定更為合理的渤海海冰密集度反演算法，為渤海海冰冰情監(jiān)測提供基礎數據。

2 數據來源及處理

2.1 AVHRR數據

計算渤海海冰密集度使用的主要數據為經過大氣校正的AVHRR HRPT（High Resolution Picture Transmission）L1B數據，在同一地點一天可獲得兩次過境觀測數據，從可見光到熱紅外共5個通道，星下點分辨率1.1 km，通道范圍0.58～12.50μm，時間范圍為1981年至今。數據預處理包括太陽高度角訂正、輻射定標及地理校正［7］。

2.2 Landsat5-TM數據

采用從中科院對地觀測與數字地球科學中心購買的Landsat5-TM數據（FASTB格式L1級產品）作為比對和驗證數據。該數據共7個波段，通道范圍0.45～12.50μm，除波段6分辨率為120 m外，其余波段分辨率均為30 m。采用美國地質調查局（USGS）在2007年4月發(fā)布的輻射定標公式進行輻射定標，獲得光譜輻亮度，并利用下式計算不同通道的反照率［11］，

式中，下標λ代表不同波長通道，ρλ為反照率，Lλ為定標后傳感器入瞳處的光譜輻亮度，d表示日地距離，ESUNλ表示大氣層頂平均太陽輻照度，θs表示太陽天頂角。

2.3 ASD實測光譜數據

本文采用ASD實測海冰光譜數據作為確定密集度算法閾值的參考數據。2013年1月5－8日使用ASD FieldSpec 3便攜式地物光譜儀分別對遼東灣3個站點不同類型冰面（積雪覆蓋的海冰、光滑的裸冰等）進行了現場光譜測量，站點分別位于葫蘆島（40° 47′2.2″N，120°59′48″E）、營口（40°13′12.3″N，122°03′53.5″E）和鲅魚圈（40°00′35.4″N，121°49′1.7″E）結冰海區(qū)（圖1）。

圖1 ASD實測站點位置和2013年1月5日渤海海冰MODIS真彩圖Fig.1 The positions of observation stations of ASD and MODIS true color image of the Bohai Sea ice on January 5th 2013

ASD測量波段范圍為350～1 050 nm，光譜采樣間隔為1 nm。所有站點的海冰光譜測量均在當地時間12點后開始，且均在自然光照狀態(tài)下進行，每次測量前，使用參考板對光譜儀進行標定，且保證四周無障礙物遮擋，同時最大限度的減小測量者對光譜的影響。測量過程中保持探頭垂直向下，距離海冰反射面30 cm左右。ASD數據處理主要包括：（1）進行時間平滑去除光譜曲線上的噪聲；（2）計算海冰反射亮度的平均值；（3）計算測量對象的實際光譜反照率（海冰反射亮度的平均值與參考板反射太陽光譜的平均值之比）并繪制光譜特征曲線。

圖2 2013年1月5－8日遼東灣3個站點海冰光譜特征曲線Fig.2 Sea ice spectrum characteristic curves of three stations in the Liaodong Bay during 5－8，January 2013

圖2為3個站的ASD光譜特征曲線。由圖可見，有積雪覆蓋海冰的反照率最高，而且積雪越密集，反照率越高；其次是光滑裸冰；反照率最低的是表面凹凸不平的非光滑裸冰。反照率光譜特征曲線在可見光波段內（350～770 nm）達到峰值，而在近紅外短波波段（780～1 100 nm）則顯著降低，光譜特征曲線整體上隨著波長的增加而降低，這符合光譜特征曲線的一般規(guī)律。不同環(huán)境條件下，同一類型海冰的光譜特征曲線存在差異。如1月7日積雪覆蓋海冰的光譜曲線值與其他兩日相比偏大，根據現場觀測記錄分析，主要是由于該日所測站點的積雪更加密集。再如，站點光照條件的變化及人工選擇測量點產生的誤差等也會使各類光譜特征曲線的吸收峰谷的數量及位置不同、光譜曲線隨波長衰減的速率不同，即使對于相同波長，同一類型海冰的光譜反照率也不同?？傮w來看，渤海海冰的光譜反照率小于極區(qū)海冰，原因在于極地區(qū)域的海冰較純凈，而渤海海冰中存在較多的雜質，造成渤海海冰的ASD光譜數據低于相同厚度和表面粗糙度條件下的極區(qū)海冰。為了盡量減小觀測數據受到雜質的影響，我們選擇離岸較遠的區(qū)域獲取ASD海冰實測數據。

3 AVHRR海冰密集度反演算法

為了確定更為合理的渤海海冰密集度反演算法，本文根據AVHRR各通道光譜特征，在云檢測和冰水識別的基礎上，結合ASD現場觀測數據確定算法閾值，應用單通道算法和基于LSMM模型的多通道算法分別進行海冰密集度反演，作為進一步的算法試驗的基礎。

3.1 云檢測

對可見光數據而言，云的存在容易產生對海冰的誤判，有效排除云的干擾對海冰參數反演的準確性十分重要。經預處理后，AVHRR數據海冰密集度反演的第一個步驟即為云檢測。針對下墊面是陸地或者海洋的情況，AVHRR數據的云檢測通常采用APOLLO（The AVHRR Processing scheme Over Land，cloud and Ocean）算法［7］和CLAVR（Clouds from AVHRR）算法［9］，兩種算法都是采用對單通道反照率及亮溫差等判據進行組合的方法來對有云像元進行判別；針對冰雪下墊面情況，Key等在進行多種算法試驗的基礎上提出了ISCCP（International Satellite Cloud Climatology Project）算法［8］，即通過使用1、3、4單通道和3、4通道的亮溫差進行云檢測。徐棟等在此基礎上提出針對北極區(qū)域的AVHRR可見光數據云檢測方案［12］。對渤海來說，海區(qū)較小，因此目前多數海冰反演是基于晴空下的情況。實際上，結冰海區(qū)只有部分被云覆蓋，這時就需要采用合理的云識別算法進行云剔除，以保留未被云覆蓋海區(qū)的反演數據連續(xù)性。

本文以AVHRR假彩圖和MODIS真彩圖作為依據，比較分析NDVI、Q指數、不同通道差值、比值等多種判據的有云像元識別效果，最后確定基于ISCCP算法的渤海海區(qū)云檢測方法，即采用1、4通道及3、4通道的亮溫差來檢測有云像元。

3.2 冰水識別

在云剔除的基礎上，根據冰和水反照率及亮溫的差異對冰水像元進行識別，這是海冰密集度反演的關鍵步驟。海冰反照率與亮溫表現的是相反的光譜輻射特征，亮溫越高反照率越低。各通道反照率或亮溫分布曲線的峰值分別對應著冰和水出現概率最大的反照率或亮溫值，Bayes分類準則［13］指出取谷值作為冰水分界點的誤判率最小。

針對渤海海冰反演，以往的可見光冰水識別的判據包括：AVHRR的band1和band4組合［4］、COCTS 的band5與CCD的band2和band4通道組合［5］、MODIS的band1和band31組合［6］。本文依據Bayes分類準則對不同冰水識別判據的統(tǒng)計分布曲線進行了分析，篩選峰谷分布明顯的判據。同時，通過AVHRR可見光圖像目視選取了包含有不同厚度海冰、含有泥沙海水和純凈海水的像元集合，分析組合判據的散點圖分布特征，并將冰水識別結果與當天AVHRR假彩圖和MODIS真彩圖進行目視比較，結果顯示利用Band4和Band3-Band1來進行冰水識別，具有較好的判別效果。以1月5日數據為例，圖3為在AVHRR2通道反照率分布圖上的不同地表類型取樣區(qū)域位置。圖4為本文所使用冰水識別算法的散點示意圖?？梢钥闯?，該判據對各類地表類型具有較好的識別能力。

3.3 海冰密集度計算

基于冰水識別結果，對判識為冰點的格點，可以利用單通道和多通道的反照率和亮溫數據計算海冰密集度。

3.3.1 單通道算法

目前在渤海海冰實時監(jiān)測方面，針對單通道的系點法［14］是較為普遍使用的提取海冰密集度參數的算法公式：

式中，c為冰水混合像元的海冰密集度，A為像元的實際反照率，Ai和Aw分別表示混合像元中純冰和純水的反照率值。

圖3 AVHRR 2通道反照率及不同地表類型取樣區(qū)域位置Fig.3 Albedo distribution of AVHRR band2 and the sample locations of different surface features

圖4 不同地表類型通道4亮溫和通道3－1差值散點分布圖Fig.4 Scatter plot of different surface features of band4 and band3-band1

算法中純冰、純水閾值的選取最為重要。閾值不僅因海區(qū)而不同，也因過境時的天氣及環(huán)境條件而不同，因此在渤海海冰日?？梢姽鈹祿O(jiān)測處理中，要想得到較為可信的海冰密集度反演結果，通常要對每幅數據繪制分布曲線、分別進行閾值判斷。

以2013年1月5日AVHRR的2通道數據為例，該通道反照率（見圖3）能夠較好的區(qū)分出冰水像元。雖然密集冰和云的反照率比較接近，但借助亮溫數據（見3.1節(jié)云檢測算法）可以有效的去除有云像元。圖5中黑線為云剔除后的反照率數據分布曲線，谷值兩側的峰值分別對應著最大概率的海水（6.4% ～7.1%）和海冰（9.0%～9.5%）反照率值。

圖5 AVHRR通道2反照率直方圖分布曲線Fig.5 Distribution curves of AVHRR band2

通常利用該分布圖可以經驗地給出Ai和Aw閾值。這里利用2.3節(jié)給出的ASD數據配合圖5的分布曲線，綜合確定閾值。ASD測量波段范圍為350～1 050 nm，其中包含了AVHRR的Band1和Band2兩個通道的波段范圍。圖6給出了2013年1月5日觀測的不同類型冰面的ASD實測光譜特征曲線與AVHRR通道數據的比較。由于實測數據和可見光遙感數據的空間尺度差別很大，難以進行同一個格點的匹配和比較，因此本文通過人工識別，選取AVHRR數據中具有更明顯表面類型的特征小區(qū)的光譜值進行比對。特征小區(qū)的選取見圖3。由圖6可見，很明顯，海水的反照率值最低（黑色），云的反照率值最高（枚紅色），有積雪覆蓋的海冰反照率其次（紅色），對于無積雪覆蓋裸冰（綠色），由于衛(wèi)星分辨率的原因，從AVHRR通道數據（見圖3）中無法區(qū)分ASD數據對應的光滑和非光滑海冰（見圖6中的綠線和藍線曲線）。

結合AVHRR通道2光譜分布曲線（圖5）可以判斷選擇適合海冰密集度反演的最佳閾值。本文針對2013年1月5日數據所給出的純水和純冰閾值，Aw和Ai分別為8.13%和20.30%。見圖5、6中的紅色虛線和藍色虛線。

圖7為采用系點公式基于AVHRR通道2數據反演的海冰密集度結果。與同日MODIS真彩圖（見圖1）對比可見，反演結果能夠較好的區(qū)分冰水像元，也能去除大部分泥沙像元，但是對某些區(qū)域（如萊州灣和渤海灣沿岸處）的薄冰存在誤判，在靠近岸邊的區(qū)域存在一些密集度高值冰區(qū)，很有可能是由于沿岸堆積冰所造成。與ASD實測數據對應的其他兩天的反演場也有類似結果，圖略。由于在反演計算時，閾值是根據整幅圖像的反照率分布確定的，而遼東灣中東部存在的積雪客觀上會對閾值的選取造成一定的影響。基于目前的反演方法，尚無法在這個環(huán)節(jié)去除積雪的影響，因此造成了遼東灣西岸和灣底海冰密集度略有偏低。所幸對于渤海來說，積雪現象并不多見，在無積雪的時段不會出現這樣的問題。

3.3.2 基于LSMM模型的多通道算法

單通道的反演算法的優(yōu)點是簡單易行，缺陷是只考慮了反照率的特性。從理論上，多通道反演算法可以彌補這個不足?；诰€性光譜混合模型（LSMM）［10］可以進行混合像元的分解，目前多用于衛(wèi)星數據的陸地不同地表類型的分離提?。?5］。LSMM模型假定像元的光譜特征可以表征為像元內各端元的光譜特征和其所占面積百分比的線性函數，定義如下：

圖6 1月5日AVHRR與ASD實測數據對比Fig.6 Comparison of AVHRR and ASD data on Jan 5th

圖7 2013年1月5日AVHRR通道2反演海冰密集度Fig.7 SIC retrieved from AVHRR single band 2 on Jan 5th 2013

式中，Liλ表示第λ波段第i個像元的光譜輻射值；fki為第i像元內第k個端元組分所占的面積百分比；Rkλ表示第λ波段第k個端元組分的光譜輻射值；εiλ表示第λ波段第i個像元對應的誤差值；n為像元內的端元組分個數。RMS為像元i的均方根誤差，表征與真值的接近程度，RMS越小說明線性分解的精度越高。

首先從混合像元中提取各端元光譜特征，對于渤海海冰密集度，端元實際只有兩個，即海水與海冰。然后利用最小二乘法求解海冰和海水組分在像元中的面積百分比。根據多通道的原理，可以選擇2、3、4 或5個通道的數據進行反演。下一節(jié)將利用不同的通道進行比較試驗。

4 多通道海冰密集度試驗及與Landsat 5-TM數據的比對分析

在缺乏現場數據的條件下，可以采用更高分辨率的遙感數據作為各種算法比對分析的數據。本文采用了Landsat5-TM數據，在冰水識別的基礎上，統(tǒng)計計算海冰密集度［8，16］，并投影到與AVHRR數據的網格中，對AVHRR數據的各種反演算法得到的海冰密集度結果進行比對分析。

4.1 Landsat5-TM海冰密集度計算

TM數據比AVHRR數據的空間分辨率高300多倍，但時間分辨率較低，過境同一地點的時間間隔約為17 d，而AVHRR則可以在一天之內對同一地點進行兩次觀測。由于無法獲得與ASD實測資料相同日期的TM數據，本文另選取了2010年1月23日的數據進行比對試驗。圖8為該日的渤海AVHRR假彩圖和遼東灣TM真彩圖。在此基礎上，利用TM第2通道（波段范圍0.52～0.60μm）光譜數據，采用閾值法進行冰水識別，采用系點法［16］計算得到TM海冰密集度場。

圖8 2010年1月23日AVHRR（底圖，分辨率1.1 km）和Landsat5-TM（右下小圖，分辨率30 m）衛(wèi)星圖像Fig.8 The satellite image of AVHRR（base image，resolution 1.1 km）and Landsat5-TM（subset image，resolution 30 m）on January 23th 2010

圖9a為TM通道2的反照率分布曲線。圖中左邊第一個峰值（0.108）對應著水點的集合，右邊的兩個主峰值，對應著不同冰厚和密集程度的海冰。對應主體海水和海冰的反照率分布曲線谷值為0.12。同時考慮到以下依據：（1）實驗室中觀測到的在可見光波段中海冰的最低光譜反照率約為0.08［17］；（2）在Perovich的反照率－冰厚關系中，海冰厚度為0 cm時，對應的海冰反照率為0.1［18］；（3）Cavalieri在采用MPA算法計算TM海冰密集度時采用的海冰反照率也為0.1［19］；（4）本研究對人工可判識為海水的像元進行統(tǒng)計，海水及海水與海冰邊界處的最大反照率不超過0.12；因此最終本文采用0.12作為TM數據冰水識別閾值。圖9b為利用系點法計算的TM海冰密集度，計算時Ai取為0.35。前人分別采用海冰最小觀測反照率值0.08和0.10作為冰水閾值，計算得到的TM海冰密集度差別只有2%～4%［14，16］。

4.2 比對分析試驗

將圖9b的TM數據密集度反演結果（分辨率30 m）投影到AVHRR網格上，計算每個格點的平均密集度，得到1.1 km空間分辨率的海冰密集度分布場（見圖10a）。由于密集度計算公式為線性的，這種投影方式與Cavalieri等［19］直接投影TM反照率數據的方式結果相同。以此為標準，分別對AVHRR單通道算法和基于LSMM線性光譜模型的多通道算法得到的海冰密集度結果進行比對分析。由于篇幅限制，這里只給出了通道2和通道1245海冰密集度反演結果與TM海冰密集度的差異分布圖（圖10b、c）。

表1給出了不同AVHRR通道組合算法的海冰密集度反演結果與TM反演結果的平均誤差（ME）、平均絕對誤差（MAE）和均方根誤差（RMSE）。AVHRR通道3為中紅外波段，雖然在進行冰水識別方面有一定優(yōu)勢，但該波段既有太陽輻射能量，也有地表輻射能量，較為復雜，會影響海冰密集度的計算結果，因此多通道密集度計算試驗并未使用該通道數據。

表1顯示，各通道試驗結果的均方根誤差（6.35%～7.59%）和平均絕對誤差（3.41%～4.69%）比較接近；針對單通道反演算法，采用通道1的反演結果各誤差均較采用通道2小，且二者的平均誤差的符號相反，即1（2）通道反演結果與TM比較偏大（?。?；各算法平均誤差范圍為－8.03%～6.52%，當單通道算法或組合算法中包含1通道時，平均誤差為正值，包含2通道且不包含1通道時，平均誤差為負值；同時使用1、2通道的算法（如12、124、125、1245通道組合）所得到的反演結果平均誤差（1.50%～2.03%）比其他算法明顯偏??；使用兩個通道算法的反演結果不是都比單通道結果誤差更小，而使用3個通道組合算法的反演結果比使用單通道和雙通道的結果誤差都??；采用1245四通道所反演出的海冰密集度結果各誤差在所有的試驗中都是最小的（RMSE 6.35%，ME1.50%，MAE3.41%）。采用不同通道進行試驗時誤差大小不同，主要原因可能是由于不同通道的光譜特性不同，僅僅使用單通道的反照率信息，在線性光譜模型的假定下并不能完全準確的反映出在每個衛(wèi)星像元內的海冰元素對該像元的總體光譜特性的貢獻程度。

基于AVHRR各種算法與TM反演密集度反演之間的誤差可能主要來自以下幾個方面：（1）來自衛(wèi)星傳感器空間分辨率的差異造成衛(wèi)星數據重采樣投影時產生的誤差；（2）衛(wèi)星過境時間（UTC）不同，AVHRR數據為23日05：04－05：11，而TM數據為23日03：25－03：27，兩套數據時間差距為90 min左右，期間海洋或氣象條件的變化可能會對海冰密集度產生影響；（3）基于線性光譜模型，冰水反照率閾值的選取所產生的誤差。

圖9 Landsat5-TM通道2反照率分布（a）和TM海冰密集度分布（30 m分辨率）（b）Fig.9 Albedo distribution curve of Landsat5-TM band2（a）and SIC of Landsat5-TM with 30 m resolution（b）

圖10 Landsat5-TM投影海冰密集度場（a），AVHRR band2與TM海冰密集度場差異比較（AVHRR-TM）（b）和AVHRR band1245與TM海冰密集度場差異比較（AVHRR-TM）（c）Fig.10 Projected SIC field of Landsat5-TM（a），SIC comparison between AVHRR band2 and TM（AVHRR-TM）（b），andSIC comparison between AVHRR band1245 and TM（AVHRR-TM）（c）

表1 單通道和多通道冰密集度反演實驗比較結果Tab.1 Comparison of SIC for single band and muti-band algorithm

在多通道各種算法中，利用AVHRR的1245四個通道計算的結果與TM海冰密集度偏差最小，將2013年1月5日的1245通道計算結果（見圖11a）與單通道反演結果（見圖7）進行比較（LSMM-SINGLE），圖11b為LSMM多通道與單通道反演海冰密集度場的差值場。由圖可見，兩種算法反演結果的差值場存在空間不一致。在大部分冰區(qū)多通道算法反演的海冰密集度結果大于單通道算法結果，如遼東灣海冰外緣線附近、渤海灣南部和萊州灣東岸，部分海區(qū)差別可達20%以上；而對于遼東灣西岸和渤海灣北部，多通道算法反演的海冰密集度結果較單通道算法結果偏小2%～8%。

不同算法反演結果的差值場呈不一致的空間分布，渤海灣萊州灣冰區(qū)的差異較大，原因可能在于：從MODIS真彩圖像可以看出，渤海灣和萊州灣兩個海區(qū)中的懸浮泥沙含量明顯增多，這必然對海冰的光譜信息產生影響。研究發(fā)現在物理特性相似的條件下海冰光學層顆粒物的含量與其反照率存在著反比的關系，顆粒物濃度越高，海冰反照率越低［20］。受到泥沙等物質的影響，這兩個海區(qū)的海冰表層很有可能會存在較多的雜質顆粒物，造成海冰表面非常粗糙，進而海冰鏡面反射減弱，體散射增強，總的效果是減弱了冰面反射，因此實際反照率低于相同條件下的光滑海冰，另一方面，含泥沙的海水比潔凈的海水反照率高，也會造成將海水誤判為海冰的情況。在熱紅外通道，懸浮泥沙的亮溫與海水的亮溫接近，與海冰的亮溫有明顯的差別。以上原因可以造成單通道反演結果偏小。同時可以看到，該海區(qū)正經歷一些復雜氣象條件如海霧或者薄云的影響，這會造成地表實際反照率偏高，因此僅使用單通道反照率反演出的海冰密集度將會偏高。

圖11 LSMM四個通道海冰密集度反演結果（a）和LSMM四個通道與單通道反演場比較（LSMM-Single）（b）Fig.11 SIC with four band algorithmof LSMM（a）and the difference of SIC between LSMM muti-bands and single band algorithm（LSMM-Single）（b）

5 結論與討論

5.1 結論

利用AVHRR遙感數據進行了渤海海冰密集度單通道和LSMM模型多通道算法較系統(tǒng)的試驗和研究。分析了遼東灣ASD實測數據的海冰光譜特征變化，并通過與AVHRR可見光通道數據的比對分析，確定出海冰密集度反演算法中的合理閾值。為了對AVHRR海冰密集度反演結果進行對比分析，實現了基于Landsat5-TM高分辨率數據的渤海海冰密集度反演，并以此為標準對AVHRR海冰密集度多種反演算法的結果進行比對，給出渤海海冰密集度反演算法的合理建議。具體結論如下：

（1）將AVHRR不同地表光譜分布與2013年1 月5日遼東灣實測ASD光譜反照率數據進行對比，確定出當日渤海海冰密集度適合的反演閾值，該閾值也可用于多通道算法。

（2）各種算法的定量比較分析結果顯示：當單通道算法或組合算法中包含1通道時，與Landsat5-TM反演結果的平均誤差為正值，包含2通道且不包含1通道時，平均誤差為負值；同時使用1、2通道組合算法的反演結果相比其他算法平均誤差?。徊捎?個通道組合的結果普遍比單通道和雙通道的結果誤差偏??；采用1245四通道反演的海冰密集度結果比其他算法結果誤差都小。因此綜合以上分析，本文建議基于AVHRR數據的渤海海冰密集度反演算法可以采用1245通道組合進行反演計算。

5.2 討論

本文在反演計算渤海海冰密集度的過程中，嘗試使用ASD實測數據與遙感數據作為計算反演海冰密集度時確定閾值的依據，ASD數據能夠反映出海冰的總體光譜特征，缺陷在于實測數據與衛(wèi)星數據的空間匹配度差異太大，因此在未來的地物實地光譜測量中應采用對一定的海冰區(qū)域范圍進行測量后平均的光譜數據，以達到最佳的比對參考效果。同時針對渤海各海區(qū)海冰不同特點進行反演和比對驗證，以此來檢驗本文初步提出的結論是否具有更廣泛的適用性。

積雪的存在會對閾值的選取造成影響，因此在一定程度上影響到海冰密集度的反演，為了準確的反演海冰密集度，在將來的研究中，還需要進一步考慮如何去除積雪效應帶來的影響。

在海冰密集度反演結果的驗證方面，樣本的代表性、時空匹配問題都一直是難題。隨著新一代衛(wèi)星和可見光傳感器的使用，在將來的研究中需進一步研究探索利用更高分辨率遙感產品驗證反演結果的方法，從而為渤海海冰的監(jiān)測工作提供更有價值的參考。

致謝：本研究ASD數據由中國海洋大學極地組2013年冬季遼東灣海冰科學調查獲得；參與ASD數據獲取和處理的還有王維波和陳萍博士；與趙進平和管磊老師的討論對本文完成有不少幫助，特此感謝！

［1］白珊，劉欽政，吳輝碇，等.渤海、北黃海海冰與氣候變化的關系［J］.海洋學報，2001，23（5）：33－41.

［2］蘇潔，郝光華，葉鑫欣，等.極區(qū)海冰密集度AMSR-E數據反演算法的試驗和驗證［J］.遙感學報，2013，17（3）：459－513.

［3］柯長青，謝紅接，雷瑞波，等.北極海冰的光譜特征分析［J］.光譜學與光譜分析，2012，32（4）：1081－1084.

［4］鄭新江，邱康睦，陸風.定量計算渤海海冰參數的遙感方法［J］.應用氣象學報，1998，9（3）：359－363.

［5］羅亞威，張?zhí)N斐，孫從容，等.“海洋1號”衛(wèi)星在海冰監(jiān)測和預報中的應用［J］.海洋學報，2005，27（1）：7－18.

［6］吳龍濤，吳輝碇，孫蘭濤，等.MODIS渤海海冰遙感資料反演［J］.中國海洋大學學報，2006，36（2）：173－179.

［7］Gesell G.An algorithm for snow and ice detection using AVHRR data An extension to the APOLLO software package［J］.International Journal of Remote Sensing，1989，10（4）：897－905.

［8］Key J，Barry R G.Cloud cover analysis with Arctic AVHRR data：1.Cloud detection［J］.Journal of Geophysical Research：Atmospheres（1984-2012），1989，94（15）：18521－18535.

［9］Stowe L，Davis P A，McClain E P.Scientific basis and initial evaluation of the CLAVR-1 global clear／cloud classification algorithm for the Advanced Very High Resolution Radiometer［J］.Journal of Atmospheric and Oceanic Technology，1999，16（6）：656－681.

［10］Settle J，Drake N A.Linear mixing and the estimation of ground cover proportions［J］.International Journal of Remote Sensing，1993，14（6）：1159－1177.

［11］Chander G，Markham B L，Helder D L.Summary of current radiometriccalibration coefficients for Landsat MSS，TM，ETM＋，and EO-1 ALI sensors［J］.Remote sensing of environment，2009，113（5）：893－903.

［12］Xu Dong，Su Jie，Liu Zhiqiang，et al.Application of cloud detection algorithm in the Arctic region based on AVHRR satellite data［C］//Proceedings of the International Conference on Remote Sensing Environment and Transportation Engineering.2011（2）：1026－1030.

［13］馬開玉，丁裕國，屠其璞，等.氣候統(tǒng)計原理與方法［M］.北京：氣象出版社，1993.

［14］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（1978－2012），1988，93（C9）：10769－10781.

［15］Rober D A，Gardner M，Church R，et al.Mapping Chaparral in the South Honica Mountains using multiple endmember spectralmixture models［J］.Remote Sens，Environ，1998，65：267－279.

［16］Steffen K，Schweiger A.NASA team algorithm for sea ice concentration retrieval from Defense Meteorological Satellite Program special sensor microwave imager：Comparison with Landsat satellite imagery［J］.Journal of Geophysical Research，1991，96（C12）：21971－21987.

［17］Grenfell T C，Barber D G，Fung A K，et al.Evolution of electromagnetic signatures of sea ice from initial formation to the establishment of thick first-year ice［J］.Geoscience and Remote Sensing，1998，36（5）：1642－1654.

［18］Perovich D K，Maykut G A，Grenfell T C.Optical properties of ice and snow in the polar oceans.I：Observations［C］//Technical Symposium Southeast International Society for Optics and Photonics，1986：232－241.

［19］Cavalieri D J，Markus T，Hall D K，et al.Assessment of EOS Aqua Amsr-E arctic sea ice concentrations using landsat-7 and airborne microwave imagery［J］.Geoscience and Remote Sensing，2006，44（11）：3057－3069.

［20］Light B，Eicken H，Maykut G A，et al.The effect of included participates on the spectral albedo of sea ice［J］.Journal of Geophysical Research：O-ceans（1978－2012），1998，103（C12）：27739－27752.

Study on the multi-band retrieval algorithm for the Bohai Sea ice concentration using AVHRR data

Liu Zhiqiang1，Su Jie1，Shi Xiaoxu1，2，Zhao Jinping1
（1.Collegeof Environmental Oceanography，Ocean University of China，Qingdao 266100，China；2.Instituteof Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China）

To achieve the improved retrieval parameter of sea ice concentration（SIC）in the Bohai Sea，spectral characteristics of different types of sea ice are obtained and analyzed using in-situ ASD measurements in the Liaodong Bay.Appropriate threshold is thus determined for the retrieval of AVHRR data and then the SICis calculated.In this paper，muti-band retrieval algorithm based on linear spectral mixture model（LSMM）is used for conducting a series of band experiments.The retrieved SIC using LandSat5-TM data is used to compare with the AVHRR SIC of different combinational algorithms.The results of error quantitative analysis indicate that the mean error（ME）of the algorithms involving band1 is positive，but the ME turns to negative when the algorithms involve band2 instead of band1；the ME of the algorithms which include both of two bands is less than the those which include only band1 or band2；among these algorithms，the 1245 joint-band algorithm has the minimum errors：it is concluded that the 1245 joint-band algorithm can be used for the retrieval of AVHRR SIC in the Bohai Sea.

Bohai Sea；SIC retrieval；LSMM；NOAA-AVHRR；LandSat5-TM

P731.15

A

0253-4193（2014）11-0074-11

2014-03-09；

2014-06-05。

國家海洋局公益項目（201105016）；氣象公益性行業(yè)項目（GYHY201306049）。

劉志強（1987—），男，安徽省淮北市人，主要從事衛(wèi)星海洋學研究。E-mail：zhiqiang39＠163.com

*通信作者：蘇潔，副教授，從事冰-海洋耦合模式研究。E-mail：sujie＠ouc.edu.cn

劉志強，蘇潔，時曉旭.渤海AVHRR多通道海冰密集度反演算法試驗研究［J］.海洋學報，2014，36（11）：74—84，doi.10.3969／j.issn.0253-4193.2014.11.009

Liu Zhiqiang，Su Jie，Shi Xiaoxu.Study on the multi-band retrieval algorithm for the Bohai Sea ice concentration using AVHRR data ［J］.Acta Oceanologica Sinica（in Chinese），2014，36（11）：74—84，doi.10.3969／j.issn.0235-4193.2014.11.009