趙文杰，李洪平*，劉海行

（1.中國海洋大學信息科學與工程學部,山東 青島 266100；2.自然資源部第一海洋研究所,山東 青島 266061）

海表鹽度（Sea Surface Salinity，SSS）是研究大洋環(huán)流和海洋對氣候影響的重要參量，是決定海水基本性質(zhì)的重要因素之一[1]。目前獲取SSS 的方法有現(xiàn)場觀測和衛(wèi)星遙感測量?，F(xiàn)場觀測是最早用于獲取SSS 的方法，但由于其所覆蓋海域有限并且時間上無法同步，致使其遠遠不能描述鹽度在不同時間、空間尺度的變化[2]。衛(wèi)星遙感測量則解決了現(xiàn)場觀測的這些不足之處，已成為目前獲取SSS 的有效手段。國際上測量鹽度與濕度的衛(wèi) 星主要有SMOS（Soil Moisture and Ocean Salinity）衛(wèi)星、Aquarius/SAC-D 衛(wèi)星和SMAP（Soil Moisture Active Passive）衛(wèi)星，主要探測載荷均為L 波段[3]。Tang等[4]表明，SMAP 衛(wèi)星可以提供全球SSS 數(shù)據(jù)，能填補SMOS 和Aquarius/SAC-D 對部分海域SSS 觀測的空白。SMAP 衛(wèi)星于2015 年發(fā)射，它的L 波段輻射計用于測量SSS，可以提供大約40 km 以及平滑至約70 km 的較高空間分辨率的SSS 數(shù)據(jù)。

L 波段（1.400～1.427 GHz）是受國際條約保護并用于無線電天文學研究的波段[5]。L 波段輻射計測量的海面亮溫數(shù)據(jù)與海面粗糙度、輻射計觀測角、極化狀態(tài)、風速和白冠覆蓋率等參量密切相關(guān)[6]。吳芳芳等[7]研究表明，基于機器學習的方法能有效分析出數(shù)據(jù)內(nèi)部的關(guān)聯(lián)性，提高SSS 遙感反演的預(yù)測精度。2011 年高國棟等[8]比較研究了徑向基（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)和BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)在海水鹽度建模中的應(yīng)用，提出RBF 神經(jīng)網(wǎng)絡(luò)在海水鹽度建模等復雜系統(tǒng)方面具有實用性和可靠性，并具有很好的應(yīng)用前景。2016 年Zhao等[9]針對南海SMOS 衛(wèi)星數(shù)據(jù)，基于主成分回歸（Principal Component Regression，PCR）模型反演SSS，最終證明PCR 模型對SSS 反演有效。2017 年鄧廣和李洪平[10]通過建立亮溫擬合回歸模型反演南海海域的鹽度，有效減小了SMOS 在南海特定時間反演鹽度的誤差。2018 年李長軍等[1]采用BP 神經(jīng)網(wǎng)絡(luò)建立基于SMOS 衛(wèi)星的SSS 反演模型，提高了南海海域SSS 反演精度。2020 年王藝晴等[11]采用RBF 神經(jīng)網(wǎng)絡(luò)反演了SMAP 衛(wèi)星升軌和降軌的SSS 數(shù)據(jù)，測試結(jié)果均較好，殘差基本上集中在0.6 以內(nèi)。2021 年王穎超等[12]采用BP 神經(jīng)網(wǎng)絡(luò)的方法，針對SMOS 衛(wèi)星Level 1 C 級亮度溫度數(shù)據(jù)和輔助數(shù)據(jù)建立了一種SSS 預(yù)測模型，結(jié)果表明，利用新模型預(yù)測的SSS 比SMOS 衛(wèi)星的3 個粗糙度模型鹽度產(chǎn)品精度高。

RBF 神經(jīng)網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類前向網(wǎng)絡(luò)，訓練速度快，具有很強的非線性映射能力。因此，為了更好地描述SSS 在不同時間、空間尺度的變化，得到更高精度的SSS 數(shù)據(jù)，本文選取SMAP 衛(wèi)星的L2C 數(shù)據(jù)、Argo（Array for Real-time Geostrophic Oceanography）數(shù)據(jù)和其他輔助數(shù)據(jù)，利用RBF神經(jīng)網(wǎng)絡(luò)修正平靜海面亮溫，最終基于Meissner-Wentz 介電常數(shù)模型進行鹽度反演，并對反演結(jié)果進行了驗證和評估。

1 數(shù)據(jù)

選取太平洋部分海域（160°E～120°W，0°～30°N）為研究區(qū)域（圖1）。該海域遠離陸地，基本不受陸地射頻干擾的影響，是研究海面粗糙度和泡沫覆蓋等來自海面的影響因素對SSS 遙感反演影響的最佳區(qū)域。

圖1 研究區(qū)域Fig.1 Study area

1.1 SMAP 衛(wèi)星數(shù)據(jù)

SMAP（Soil Moisture Active Passive）衛(wèi)星是可以同時監(jiān)測全球土壤濕度和海表鹽度的在軌衛(wèi)星，搭載的是L 波段微波輻射計，采用多極化的極化方式，非天底入射角為40°，重訪周期是8 d[6,13]，其空間分辨率為40 km，并且被插值到0.25°×0.25°的網(wǎng)格。數(shù)據(jù)來自Remote Sensing System[13]，本文使用2016 年1 月至12 月的SMAP 衛(wèi)星L2C 數(shù)據(jù)的SSS_SMAP_40 km 這一衛(wèi)星鹽度反演產(chǎn)品，該產(chǎn)品是在衛(wèi)星原始40 km 空間分辨率下經(jīng)過誤差修正的鹽度數(shù)據(jù)，用的7 個參量為地球入射角（Earth Incidence Angle，EIA）、海表溫度（Sea Surface Temperature，SST）、海面風速（Wind Speed，WS）、海面風向（Wind Direction，WR）、降雨率（Rainfall Rate，RR）、粗糙海面亮溫（Brightness Temperature，TB）、SMAP 海表鹽度（Sea Surface Salinity，SSS）。

1.2 Argo 數(shù)據(jù)

Argo 計劃是全球海洋觀測系統(tǒng)的一部分，旨在快速、準確、大范圍地收集全球海洋上層的海水溫度、鹽度剖面資料。Boutin等[14]指出集中于水深0.5～10 m 的Argo 鹽度數(shù)據(jù)能夠作為SSS 數(shù)據(jù)。本文使用的Argo 浮標實測數(shù)據(jù)來自Coriolis Data Center[14]，采用2016 年1 月至12 月15 070 個站位點有效Argo 浮標的鹽度數(shù)據(jù)作為原始數(shù)據(jù)，經(jīng)過時空匹配、天平均等一系列復雜前期處理工作后，將其作為實測海表鹽度數(shù)據(jù)，即Argo 實測鹽度數(shù)據(jù)（Argo SSS）。

1.3 輔助數(shù)據(jù)

本文的輔助數(shù)據(jù)包括Global Ocean Waves Reanalysis Waverys 數(shù)據(jù)[15]和CERA-SAT 數(shù)據(jù)[16]。Global Ocean Waves Reanalysis Waverys 數(shù)據(jù)來自哥白尼海洋環(huán)境監(jiān)測服務(wù)中心（Copernicus Marine Environment Monitoring Service，CMEMS）[15]，采用Météo-France 全球波浪模型（Météo-France global wave model，MFWAM），每日產(chǎn)品的時間分辨率為3 h，空間分辨率為0.2°×0.2°，Law-Chune等[15]指出該數(shù)據(jù)是目前可供用戶用于描述過去海洋狀態(tài)的最佳數(shù)據(jù)之一。CERA-SAT 數(shù)據(jù)來自歐洲中期天氣預(yù)報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）[16]，利用CERA 同化系統(tǒng)創(chuàng)建，Laloyaux等[16]指出該系統(tǒng)利用各種海洋和大氣觀測資料，并利用耦合模式進行海洋-大氣分析，每日產(chǎn)品時間分辨率為3 h，空間分辨率為65 km。本文使用2016 年1 月至12 月的Global Ocean Waves Reanalysis Waverys 中的部分波浪數(shù)據(jù)和CERA-SAT 中 的TCWV[17]數(shù)據(jù)作為輔助數(shù)據(jù)，如表1 所示。

表1 輔助數(shù)據(jù)產(chǎn)品描述Table 1 Auxiliary data product description

1.4 數(shù)據(jù)匹配

SMAP 衛(wèi)星L2C 數(shù)據(jù)、Argo 數(shù)據(jù)和輔助數(shù)據(jù)的時間分辨率和空間分辨率并不完全相同，且本文是以Argo 浮標的鹽度數(shù)據(jù)作為實測SSS 數(shù)據(jù)，所以在建立模型前首先需要以Argo 數(shù)據(jù)的時空為基準對3 種數(shù)據(jù)進行時空上的匹配，得到可用的匹配數(shù)據(jù)集。在時間上，由于SMAP 衛(wèi)星數(shù)據(jù)的重訪周期是8 d、輔助數(shù)據(jù)的時間分辨率為3 h，所以選取與Argo 數(shù)據(jù)為同一天的SMAP 衛(wèi)星數(shù)據(jù)以及時間上相較Argo 數(shù)據(jù)最近的輔助數(shù)據(jù)匹配。在空間上，按照SMAP 網(wǎng)格點匹配的方法匹配3 種數(shù)據(jù)。這種匹配方法可使3 種數(shù)據(jù)在時空上更為接近，具有更高的準確性和可信度。最終得到匹配數(shù)據(jù)集共7 395 組有效數(shù)據(jù)。

2 方法

2.1 數(shù)據(jù)處理方法

2.1.1 修正SMAP 衛(wèi)星海面亮溫增量計算

Meissner 和Wentz[20-21]提出Meissner-Wentz 介電常數(shù)模型（簡稱M-W 模型），使用雙德拜（Debye）方程擬合海水復介電常數(shù)。該模型計算平靜海面亮溫的公式為：

式中：TSS為海表溫度；θ為入射角；TB,h為水平極化亮溫；TB,v為垂直極化亮溫；ε為海水復相對電容率。

利用Meissner-Wentz 介電常數(shù)模型對Argo SSS 進行處理，得到實測平靜海面亮溫TB,flat,p，然后利用ΔTB,p=TB,p－TB,flat,p得到修正SMAP 衛(wèi)星海面亮溫增量ΔTB,p。

2.1.2 泡沫覆蓋率計算

一般情況下，海面是不存在白冠覆蓋的。當海面不存在白冠覆蓋時，微波輻射計所接收到的亮溫包括平靜海面亮溫和由海面粗糙度所致的亮溫增益。但是，當風速超過某個臨界值時，海面會產(chǎn)生白冠，導致海面亮溫進一步增加，此時海面亮溫TB,p表示為[6]：

式中：p 為極化方式，包括水平極化h 和垂直極化v；TB,flat,p是平靜海面亮溫；TB,rough,p是粗糙海面亮溫；F是海面白冠覆蓋率；TB,foam,p是白冠覆蓋海面亮溫。

海表白冠對亮溫的影響取決于白冠覆蓋率及泡沫發(fā)射率參數(shù)[6]，由于泡沫層復雜的微觀結(jié)構(gòu)，目前還沒有一個普遍通用的亮溫或輻射率模式能夠很好地描述泡沫層微波輻射率與海面各特征參量間的相互關(guān)系[22]，因而泡沫發(fā)射率參數(shù)仍是SSS 遙感測量與研究的難點之一。但是對白冠覆蓋率的研究已取得一定進展，Hwang[23]提出了白冠覆蓋率模型，利用該模型能夠計算海面的白冠覆蓋率Wc，公式為：

式中：u?為摩擦速度，其與阻力系數(shù)C10、海面風速U10有關(guān)，即。當U10≤35 m/s 時，C10=10?4×(－0.016 0U10+0.967U10+8.058)；當U10>35 m/s 時，C10=2.23×10?3×(U10/35)?1。

2.1.3 參數(shù)篩選

機器學習作為“黑箱”建模，需要科學地選取訓練參數(shù)。本文使用主成分分析（Principal Component Analysis，PCA）與互信息（Mutual Information，MI）組合的方法進行參數(shù)篩選。PCA 是一種降維的多元統(tǒng)計分析方法，常用于確定特征變量的維數(shù)；而MI 能在保留強相關(guān)特征的同時在一定程度上去除冗余[24]。所以，該參數(shù)篩選方法能夠解決單一模型的局限性，減少特征變量之間由強耦合性引起的誤差。

通常在進行主成分分析時，累計方差貢獻率閾值設(shè)為85%～95%。首先利用PCA 計算主成分因子的累計方差貢獻率，把方差貢獻率累加值超過90%作為提取主成分的原則，確定主成分為11 個，然后計算各主成分載荷，將主成分載荷絕對值超過0.4 對應(yīng)的參量確定為PCA 選取的參量。再分別計算各參量與修正SMAP 衛(wèi)星海面亮溫增量之間的互信息值，得出亮溫增量與各個參量之間的依賴程度（表2），選取互信息值較大的參量作為MI 確定的參量。最終利用PCA+MI 方法確定的參量為地球入射角（EIA）、海表溫度（SST）、海面風速（WS）、海面風向（WR）、粗糙海面亮溫數(shù)據(jù)（TB）、海面有效波高（VHM0）、海面初始涌浪有效高度（VHM0_SW1）、平均波向（VMDR）、海面初始涌浪方向（VMDR_SW1）、總柱水汽（TCWV）、白冠覆蓋率（Wc）。

表2 各個參量與v 和h 極化亮溫增量間的互信息值Table 2 Mutual information values between various parameters and v/h polarization brightness temperature increment

2.2 基于RBF 的亮溫增量模型的建立方法

徑向基（RBF）神經(jīng)網(wǎng)絡(luò)[25-26]是一種在逼近能力、分類能力和學習速度等方面具有一定優(yōu)勢的神經(jīng)網(wǎng)絡(luò)，具有很強的非線性映射能力。它是由輸入層、隱藏層和輸出層構(gòu)成的3 層神經(jīng)網(wǎng)絡(luò)（圖2）。

圖2 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of radial basis neural network

1）第一層是輸入層。輸入數(shù)據(jù)并將數(shù)據(jù)信息傳遞給隱藏層，對輸入信息不進行任何處理。

2）第二層為隱藏層。需要在該層確定其節(jié)點數(shù)目；隱藏層的核函數(shù)也就是徑向基函數(shù)（一般是高斯函數(shù)）[27]，公式為：

式中：x為樣本對象的輸入向量；ui(x)為第i個隱層節(jié)點的輸出向量；σi為第i個隱節(jié)點的標準化常數(shù)；ci為第i個隱節(jié)點的中心向量，與x有著相同的維數(shù)。本文采用監(jiān)督學習算法來確定網(wǎng)絡(luò)中心和其他權(quán)重參數(shù)。

3）第三層為輸出層。通過該層能得到建立的模型和模型預(yù)測的結(jié)果數(shù)據(jù)。

RBF 亮溫增量模型是將訓練數(shù)據(jù)集作為輸入層，采用高斯函數(shù)為激勵函數(shù)并作為隱藏層，修正SMAP衛(wèi)星海面亮溫增量作為輸出層的RBF 神經(jīng)網(wǎng)絡(luò)模型。該模型采用監(jiān)督學習的方法選取徑向基函數(shù)的中心值和方差。經(jīng)過訓練可以得到RBF 亮溫增量模型和訓練數(shù)據(jù)集在訓練后的海面亮溫增量ΔTB,p。

2.3 反演鹽度的計算

時空匹配后的數(shù)據(jù)按8∶2 的比例隨機劃分為5 916 組訓練數(shù)據(jù)集和1 479 組驗證數(shù)據(jù)集，以參數(shù)篩選后的參量為輸入層，海面亮溫增量ΔTB,p為輸出層，然后利用TB,flat,p=TB,p－ΔTB,p得到模型預(yù)測的平靜海面亮溫TB,flat,p，反演鹽度的實驗流程見圖3。

圖3 海表鹽度反演流程Fig.3 Flow chart of sea surface salinity inversion

根據(jù)Meissner-Wentz 介電常數(shù)模型[20-21]可知，亮溫TB,p最終可以表示為頻率（f）、入射角（θ）、極化方式（p，包括h 和v 極化）、海表溫度（TSS）和海表鹽度（SSS）的函數(shù)，即：TB,p=F(θ,f,TSS,SSS)。若其他參量已知，則可以由亮溫反演出海表溫度，即：SSS=F?1(θ,f,TSS,TB,p)?？芍?，在已知入射角、頻率、海表溫度和鹽度的情況下，必定會有唯一一對（h 和v 極化）亮溫數(shù)據(jù)。所以，當平靜海面亮溫的模型預(yù)測值越接近實測值時，利用Meissner-Wentz 介電常數(shù)模型反演得到的鹽度值越接近真實值。

根據(jù)Argo 實測的鹽度數(shù)據(jù)可知，研究區(qū)域內(nèi)的全年海表鹽度主要集中在32.00～36.00，所以利用Meissner-Wentz 介電常數(shù)模型可以計算出該鹽度范圍內(nèi)的所有亮溫數(shù)據(jù)，進而得到每一組數(shù)據(jù)對應(yīng)的鹽度，方法為：首先，利用訓練數(shù)據(jù)集和驗證數(shù)據(jù)集中的每一組數(shù)據(jù)的入射角、頻率（1.41 GHz）、海表溫度數(shù)據(jù)，根據(jù)Meissner-Wentz 介電常數(shù)模型，計算該組數(shù)據(jù)在入射角、頻率和海表溫度數(shù)據(jù)一定的情況下，鹽度范圍為32.00～36.00 內(nèi)對應(yīng)的所有4 000 對平靜海面亮溫數(shù)據(jù)；然后，在求得的平靜海面亮溫數(shù)據(jù)中找到最接近模型預(yù)測的數(shù)據(jù)，此時對應(yīng)的鹽度作為最終模型反演的鹽度值。

3 結(jié)果

利用5 916 組訓練數(shù)據(jù)集進行模型訓練過程中，經(jīng)過反復試驗，確定RBF 亮溫增量模型的學習率為0.002，學習步數(shù)為50 000，隱藏節(jié)點數(shù)目為20。利用1 479 組驗證數(shù)據(jù)對模型進行驗證評估時，由于在數(shù)據(jù)匹配空間上按照SMAP 網(wǎng)格點進行匹配，所以繪圖時每一個點狀數(shù)值對應(yīng)的是相應(yīng)SMAP 格網(wǎng)的鹽度值。在SMAP 衛(wèi)星鹽度產(chǎn)品制作流程中，采用風致發(fā)射率模型[13]去除海面粗糙度的影響，而本文依據(jù)建立RBF的亮溫增量模型去除海面粗糙度的影響?；赗BF 較強的非線性映射能力，模型訓練之后得到的平靜海面亮溫值更接近于實際值。但是，除了海面風、海面波浪和白冠覆蓋率影響海面粗糙度之外，泡沫發(fā)射率參數(shù)也會對其產(chǎn)生影響，所以模型訓練后的鹽度值與實測值還會存在一定差異。

為了評價模型預(yù)測鹽度和SMAP 衛(wèi)星鹽度產(chǎn)品的數(shù)據(jù)質(zhì)量，本文以Argo 實測鹽度數(shù)據(jù)為參考，分別統(tǒng)計分析預(yù)測數(shù)據(jù)和SSS_SMAP_40 km 的絕對誤差分布，結(jié)果如圖4 所示。模型預(yù)測鹽度和SSS_SMAP_40 km 的絕對誤差分別有1 261 組和1 002 組數(shù)據(jù)集中于?0.5～0.5，分別占驗證數(shù)據(jù)集的85.3%和67.8%。相較SMAP 衛(wèi)星鹽度產(chǎn)品，預(yù)測鹽度的絕對誤差集中分布于?0.5～0.5 的數(shù)據(jù)更多。此外，SMAP衛(wèi)星鹽度產(chǎn)品的絕對誤差超出?1～1 的數(shù)據(jù)占驗證數(shù)據(jù)集的5.8%，而預(yù)測鹽度的絕對誤差超出?1～1的數(shù)據(jù)僅占驗證數(shù)據(jù)集的0.7%。由此可知，本文所使用模型預(yù)測的鹽度數(shù)據(jù)質(zhì)量要優(yōu)于SMAP 衛(wèi)星的SSS_SMAP_40 km 產(chǎn)品。

圖4 模型預(yù)測鹽度和SSS_SMAP_40 km 的絕對誤差Fig.4 Absolute error diagram of model prediction salinity and SSS_SMAP_40 km

本文是在未考慮位置因素的前提下按照8∶2 的比例隨機劃分的數(shù)據(jù)集，所以隨機性較大，導致本次驗證數(shù)據(jù)集中只有1 月的數(shù)據(jù)位于（160°E～120°W，0°～30°N）范圍內(nèi)，其余月份數(shù)據(jù)均位于（160°E～180°，0°～30°N）范圍內(nèi)。為了對比同一經(jīng)緯度范圍內(nèi)模型預(yù)測鹽度與Argo 實測鹽度以及SMAP 衛(wèi)星鹽度，本文選取部分太平洋海域（160°E～180°，0°～30°N）內(nèi)的Argo 實測鹽度數(shù)據(jù)、模型預(yù)測鹽度數(shù)據(jù)和SSS_SMAP_40 km 數(shù)據(jù)，分析這3 種鹽度的空間分布特征。由Argo 實測鹽度空間分布（圖5）可以發(fā)現(xiàn)，在該區(qū)域內(nèi)鹽度北高南低，尤其在20°～30°N 區(qū)域內(nèi)鹽度相對較高。對比模型預(yù)測鹽度的空間分布（圖6）和Argo 實測鹽度空間分布（圖5）發(fā)現(xiàn)：該區(qū)域內(nèi)鹽度大致也呈北高南低分布；在20°～30°N 區(qū)域模型預(yù)測鹽度值普遍低于Argo 實測鹽度值，但其整體誤差在精度允許的范圍內(nèi)；模型預(yù)測的結(jié)果較為穩(wěn)定，全年并未出現(xiàn)異常高或異常低的鹽度值現(xiàn)象。對比SMAP 衛(wèi)星鹽度的空間分布（圖7）和Argo 實測鹽度空間分布（圖5）發(fā)現(xiàn)，該區(qū)域內(nèi)鹽度也大致呈北高南低分布，但在20°～30°N 區(qū)域內(nèi)SMAP 衛(wèi)星鹽度普遍高于Argo 實測鹽度值，且存在誤差較大的區(qū)域，如2 月在（180°，20°N）附近、8 月在（170°E，20°N）附近的鹽度值均在36.2 左右，Argo實測鹽度值均在35.2 左右，誤差均接近于1。在0°～20°N 區(qū)域內(nèi)SMAP 衛(wèi)星鹽度還存在明顯低于Argo 實測鹽度的情況，SMAP 衛(wèi)星鹽度產(chǎn)品的穩(wěn)定性相對于模型預(yù)測鹽度較差。就整體而言，SMAP 衛(wèi)星鹽度產(chǎn)品在該區(qū)域內(nèi)全年鹽度還呈現(xiàn)出略高于Argo 實測鹽度的趨勢。從這3 種鹽度空間分布的對比分析可以發(fā)現(xiàn)，相較于SMAP 衛(wèi)星鹽度產(chǎn)品，模型預(yù)測鹽度不僅精度更高，而且其整體的穩(wěn)定性也優(yōu)于SMAP 衛(wèi)星鹽度產(chǎn)品。

圖5 Argo 實測鹽度空間分布Fig.5 Spatial distribution of Argo salinity

圖6 模型預(yù)測鹽度空間分布Fig.6 Spatial distribution of model prediction salinity

圖7 SSS_SMAP_40 km 空間分布Fig.7 Spatial distribution of SSS_SMAP_40 km

為了定量評價模型預(yù)測鹽度和SMAP 衛(wèi)星鹽度的精度及穩(wěn)定性，本文采用了均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）、最大絕對誤差和最小絕對誤差四種精度評價指標分析模型預(yù)測鹽度和SSS_SMAP_40 km。統(tǒng)計模型預(yù)測鹽度和SSS_SMAP_40 km 的誤差（表3）可知，相較于SMAP 衛(wèi)星鹽度的RMSE（0.5）和MAE（0.4），模型預(yù)測鹽度的RMSE（0.4）和MAE（0.3）更接近于0，說明模型預(yù)測鹽度的精度更高；相較于SMAP 衛(wèi)星的最大絕對誤差（2.2）和最小絕對誤差（?3.2），模型預(yù)測鹽度的最大絕對誤差（1.0）和最小絕對誤差（?1.3）更接近于0，表明模型預(yù)測鹽度的穩(wěn)定性更好。綜上可知，與SMAP 衛(wèi)星鹽度產(chǎn)品相比，本文建立的模型具有更高的精度和更好的穩(wěn)定性。

表3 模型預(yù)測鹽度和SMAP 衛(wèi)星鹽度產(chǎn)品相對Argo 鹽度的誤差Table 3 Errors of model prediction salinity and SMAP salinity products relative to Argo salinity

對比分析模型預(yù)測鹽度、Argo 實測鹽度以及SMAP 衛(wèi)星鹽度結(jié)果表明，本文采用PCA+MI 的參數(shù)篩選方法確定的海面風、海面溫度、海面波浪、總柱水汽和白冠覆蓋率等參量建立亮溫增量模型具有可行性，最終基于RBF 神經(jīng)網(wǎng)絡(luò)建立的模型相對于SMAP 衛(wèi)星算法也能提高鹽度數(shù)據(jù)的精度。

4 結(jié)語

海表鹽度的分布與變化在海洋環(huán)流、水循環(huán)和碳循環(huán)等大尺度過程中起到非常重要的作用[22]。為提高海表鹽度遙感反演的精度，本文建立了RBF 亮溫增量模型來進行SMAP 衛(wèi)星的海表鹽度遙感反演。對比分析模型預(yù)測鹽度和SSS_SMAP_40 km 相對于Argo 實測鹽度的誤差發(fā)現(xiàn)，模型預(yù)測鹽度的各項誤差均低于SMAP 衛(wèi)星鹽度誤差，且模型預(yù)測鹽度誤差更集中于?0.5～0.5，本文建立的模型能夠生成質(zhì)量明顯優(yōu)于SMAP 衛(wèi)星產(chǎn)品的鹽度數(shù)據(jù)，其鹽度空間分布也更接近于Argo 實測鹽度的空間分布，實驗結(jié)果充分證明了本文方法的可行性。

本文在進行鹽度遙感反演時，僅僅將海面風、海面溫度、海面波浪、總柱水汽和白冠覆蓋率等影響因素納入反演模型中，但除了這些因素外，還存在泡沫反射率參數(shù)[23]等其他影響因素，輸入模型的參量還需進一步補充，并且本文的訓練樣本有限，僅僅以部分太平洋海域為研究對象，所以，本文模型還需進一步完善。未來，在研究中將結(jié)合更多SSS 反演影響因素不斷優(yōu)化模型，同時選取不同的海域作為研究對象，在提高鹽度遙感反演精度的同時將模型應(yīng)用于全球海域。