王 婧，解学通，夏丽华

(广州大学 地理科学学院，广东 广州 510006)

0 引 言

2011年发射的海洋二号卫星（HY-2A）是我国第一颗用于获取海洋动力环境信息的遥感卫星，星上搭载了HY2-scat微波散射计，是国内第一个业务化运行的卫星散射计，在获取大范围海量海面风场数据方面有着巨大的优势。目前成功发射的星载散射计主要工作在C(5.3 GHz)波段和Ku(13.5 GHz)波段，1978年NASA发射的Seasat上搭载的第一个业务化运行的Ku波段星载散射计SASS，后续的Ku波段星载散射计有NSCAT、SeaWinds，C波段的星载散射计主要是由欧空局发射的AMI和ASCAT系列散射计，现役在轨的微波散射计有采用笔形圆锥扫描的SeaWinds和采用扇形扫描的ASCAT。Seawinds是运用技术较为成熟的Ku波段星载散射计，HY2-scat设计方案参照了SeaWinds的技术指标，采用的工作波段为Ku波段。

散射计反演风场原理是基于微波传输特性，入射角大于30°小于70°时，Bragger散射对微波后向散射截面的影响占主要作用，微波传输过程中Bragger散射的发生主要受海面风场的变化所引起的海表面的重力毛细波影响[1]。前人做了大量关于散射计测量海面风的研究，主要针对后向散射系数反演风场方法进行展开的，目前用于业务化运行的星载散射计的反演算法有C波段的CMOD系列模型函数以及Ku波段的NSCAT系列模型函数[2]。

在没有降雨的条件下，散射计反演中风速风矢量具有很高的准确性，而在降雨情况下，散射计反演风场的准确性会因受到降雨污染而降低，在台风行进区域这种影响尤为明显[3]。Ku 波段散射计受降雨干扰较C波段散射计要大[4]。尽管降雨标识技术已经有了很大的发展，但是目前的风场反演方法并没有考虑降雨所带来的影响，其主要作用在改变散射计接收到的雷达后向散射信号能量[5]。雨滴落入海水时产生的溅射和环形波会影响信号能量的散射，同时降雨落入海面的冲击还会影响海面毛细波，后向散射信号在穿过雨滴粒子时发生散射，都会对散射计接收微波信号产生影响[6]。

降雨对散射计反演风场的影响是非线性的物理过程，有很大的不确定性。现有的校正降雨对散射计测风影响的方法研究，有根据电磁波在雨滴中传播的辐射方程建立物理模型[7]，通过经验拟合的方法建立回归模型[8]，以及根据降雨区域周边无降雨区域的数据使用空间插值法进行数据重构[9]。以上的降雨校正方法都是针对散射计测量的后向散射系数的，本文研究对象主要是散射系数经反演后得到的真风矢量，尝试引入BP神经网络校正降雨对测风的影响。

1 数据处理

1.1 数据说明

本文采用了国家卫星海洋应用中心公开分发的海洋二号L2B级产品数据。海洋二号（HY-2）卫星上搭载的散射计（HY2-scat）采用笔形圆锥扫描方式，能够实现对全球海面风场的宽副观测（1800 km），设计方案参照了NASA的微波散射计SeaWinds，设计技术指标与SeaWinds有所差异但区别不大[10]，HY-2的地面处理流程使用了NSCAT-2模式函数反演海面风矢量，从经几何校正后的L2A级数据得到的L2B级标准数据产品。L2B级数据的空间分辨率为25 km，设计风速测量精度为2 m×s-1，风速测量范围为4-24 m×s-1，风向测量精度为20°，本文所使用的L2B级标准数据采集时间段为2012年7月19至8月19日。

SSM/I (Special Sensor Microwave Imager)为星载被动微波辐射计，搭载于NASA发射的DMSP（Defense Meteorological Satellite Program）系列卫星。SSM/I辐射计可观测的海洋测量数据包括海表面风速，大气水汽、云液态水、降雨率。本文使用的作为降雨控制SSM/I微波辐射计数据与L2B数进行时空配对，用于分析不同降雨条件下HY-2微波散射计的测风精度及神经网络建模输入。

buoy海面浮标数据为美国浮标数据中心（National Data Buoy Center，NDBC）对外提供的海洋浮标台站数据。海洋浮标能够能在恶劣的天气条件下收集海洋水文资料，直接测得浮标所在位置的风向与风速，具有极高的准确性，可作为参考标准验证L2B数据的精度。

数值天气预报（Numerical Weather Prediction，NWP）是根据大气和海洋参数数学模型模拟天气条件的一种预测数据。NWP具有探测时间快，更新数据及时的特点，在全球天气预报数值中具有较高的准确性，可作为参考标准同HY-2微波散射计反演的风速和风向作对比，用于验证降雨对HY-2微波散射计测风反演精度的影响。

1.2 数据精度检验

本文拟采用NWP风场资料作为校正降雨对HY-2散射计反演风场数据的参考标准，因此需要对NWP风速和风向数据的精度进行检验，以确定NWP风场资料的真实性。检验方法是采用NCEP提供的数值天气预报（NWP）数据和美国浮标数据中心（NDBC）对外提供的buoy浮标数据进行统计比对分析。

图1(a)和图1(b)分别是时间和空间匹配的NWP和buoy数据对风速和风向散点图，从图中散点分布情况来看，NWP和buoy匹配数据对的风速散点呈线性分布，说明两者之间具有很强的相关性；而风向的大部分散点是呈线性分布，因为风向的圆周性，所以部分散点在(0,360)和(360,0)处聚集。进一步统计计算时空匹配的风速和风向数据对的偏差(bias)、标准差(Standard Deviation)和相关系数，实现NWP数据的精确性的检验。在计算配对风向的数据对的误差时，应考虑风向数据的圆周性[11]。0°和360°之间的断点会导致计算结果与真实情况背离，因此，需要对风向进行转换，使风向偏差落在-180°～180°之间，便于统计计算，风向转换公式如下：

式中，wdbuoy是buoy浮标数据风向，wdNWP是NWP数据风向，wder是buoy和NWP风向之间的偏差，在绘制散点图时为了保持原始的风向分布特征，没有进行风向转换。

表1是NWP数据和buoy数据的风速和风向的统计计算分析结果，从结果上来看，可认为NWP与对应的buoy数据误差较小，NWP风速的准确性较高。

图1 无降雨条件下buoy和NWP配对数据散点图Fig.1 Scatter plot of buoy and NWP paired data without rainfall

表1 NWP海面风场数据和buoy海面风场数据统计分析Tab.1 Statistical analysis of NWP wind field data and buoy sea surface wind field data

2 降雨对散射计反演风场的影响

2.1 无降雨条件下散射计反演风场分析

本文首先统计分析无降雨和有降雨情况下，HY-2散射计反演风场的准确性，研究降雨条件对HY-2散射计反演风场的影响，使用的参考标准为经风速转换后的NWP数据。采用Liu和Tang的方法[12]，将NWP数据模拟的海面10 m高度处的海表风速转换为假定中性大气层10 m处的稳定海面风速，后者是散射计测量的海面风速形式。

本文从风速和风向两个方面对在不同降雨条件下HY-2标准产品L2B级数据的精度进行检验，图2(a)和图2(b)分别为无降雨条件下L2B数据和NWP数据配对的风速和风向散点图，从图中可观察到在无降雨条件下，风速和风向配对散点呈明显线性分布特征。因散射计风机理限制，在不同风速条件下散射计测风精度不同，因此按照NWP数据风速，依据1 m×s-1的检验区间划分配对数据，图3(a)和图3(b)分别是无降雨条件下各个风速区间的风速和风向误差（NWP-L2B）检验结果。从图中反映的情况来看，在中风速区L2B数据具有较高的准确度，而低风速区的精度较差，由于高风速区检验的数据量偏少，因此统计误差过大，检验结果基本与HY-2风场反演的设计指标相符，说明L2B级标准数据产品在无降雨条件下的精度范围为4-24 m×s-1。

图2 无降雨条件下L2B和NWP配对数据散点图Fig.2 Scatter plot of L2B and NWP paired data without rainfall

图3 不同风速条件下反演风场误差(NWP-L2B)检验结果Fig.3 Dependence of wind vector residual (NWP-L2B) on the NWP wind speed

2.2 降雨条件下散射计反演风场分析

图4(a)和图4(b)分别为降雨条件下L2B和NWP匹配数据的风速和风向散点图。与无降雨条件下的配对数据对比，降雨条件下的风速和风向散点分布出现都发生了偏移和离散，说明L2B数据的风速和风向都受降雨影响发生变化。降雨率不同导致了雨滴大小的不同，不同尺寸的雨滴对散射计测风的影响也有所差别，为了分析降雨率对L2B数据精度的影响，按照1 mm×h-1的区间范围划分降雨条件下的NWP和L2B配对数据，进行误差检验，图5(a)和图5(b)分别是不同降雨率条件下的风速和风向误差检验结果。从分析结果表现来看，L2B和NWP配对数据的风速和风向剩余误差与降雨率成正比，当降雨率大于12 mm×h-1时的观测到的数据较少，此时的剩余误差呈无规律波动。图5(a)中，当降雨率小于12 mm×h-1时，风速剩余误差（NWP-L2B）的均值为负，且伴随降雨率的增大而误差值增加，说明在降雨条件下，降雨引起的海面毛细波扰动和对微波信号的衰减占主导作用。因此，在有降雨的情况下，散射计反演风场风速易被高估。图5(b)中的风向剩余误差是经过风向处理后的结果，处理方法同式（3），在降雨率小于12 mm×h-1的统计区间，风向剩余误差随着降雨率升高而增大，但误差均值在零附近，这是因为风向的圆周性使误差在零值对称。

表2为有降雨和无降雨条件下L2B和NWP风速和风向剩余误差的统计计算结果。对比有降雨和无降雨条件下风速和风向剩余误差的标准差，降雨条件下的风速和风向剩余误差标准差都明显大于无降雨条件。无降雨条件下风速剩余误差平均值为正，在受降雨影响时，风速剩余误差偏均值为负值。受降雨影响，L2B和NWP的风速相关系数明显低于无降雨条件下的相关系数，说明受降雨影响，L2B和NWP风速之间的对应关系出现了较大的偏差，这与散点图中反映的情况一致。

图4 降雨条件下L2B和NWP配对数据散点图Fig.4 Scatter plot of L2B and NWP paired data with rainfall注：（a）为风速结果，（b）为风向结果

图5 不同降雨率下反演风场误差（NWP-L2B）检验结果Fig.5 Dependence of wind vector residual (NWP-L2B) on the SSM/I rain rate注：(a)为风速结果，(b)为风向结果，圆圈表示剩余误差平均值，垂直线表示剩余误差标准差

表2 L2B风场数据和NWP风场数据统计分析Tab.2 Statistical analysis of L2B wind field data and NWP wind field data

3 神经网络校正降雨对散射计反演风场的影响

通过和buoy浮标数据对比分析，NWP海面风模拟数据精确度较高，且受降雨的影响较小[14]，是可信的海表气象参数。buoy浮标数据较NWP数据的精确度更高，但因buoy数据与L2B时空配对的数据量过少，因此，本文将NWP海面风数据作为参考值，通过人工神经网络拟合，校正降雨对L2B风速数据的影响。BP(back propagation)神经网络是一种机器学习模式，具有很强的非线性拟合能力，适用于处理复杂的函数建模[13]。BP神经网络建模过程中，使用数据的质量和分布会影响训练过程和预测结果，本文采用了L2B风速区间为1～24 m×s-1且降雨率区间为1-12 mm×h-1的L2B和NWP配对数据进行建模，每1m×s-1和1 mm×h-1采样200个数据点，不足200个数据点的全部采样，共获得匹配数据38065对，从中随机抽取3600对数据作为测试数据，剩下34465对数据用于训练神经网络模型。降雨校正散射计测风影响的BP神经网络拓扑结构如图5所示，输入层有2个节点，两层隐含层每层6个节点，输出层有1个节点的2-6-6-1形式，输入端是降雨率和L2B风速，输出端为NWP风速，针对散射计反演风速进行校正。

图6 BP神经网络模型拓扑结构示意图Fig.6 Schematic diagram of BP neural network topology

将未经校正L2B风速和校正后的BP神经网络模拟风速分别与NWP风速做误差检验，按照降雨率1 mm×h-1区间和L2B风速1 m×s-1分别做统计计算，得到检验结果如图7所示。图7(a)和图7(c)是未经降雨校正的L2B数据风速误差检验（NWP-L2B），图7(b)和图7(d)是经BP神经网络校正后风速误差检验结果（NWP-BP）。误差检验图7(a)和图7(b)按照降雨率1 mm×h-1区间分组，从对比结果来看可以看出，校正后的风速误差均值大部分由负值变为正值，且位于零值附近而未校正风速始终为负值且随降雨率的增加而逐渐增大。经校正后的风速相对误差在检验区间内大部分均小于相对应的未做处理的风速相对误差，由于实验数据随降雨增大而减少，因此未校正和校正后的风速相对误差均有随着降雨率增大而逐渐增加的趋势。对比根据L2B风速1 m×s-1区间分组的误差检验图7(c)和7(d)，未经校正的L2B风速与NWP风速误差平均值小于零，且随风速上升误差增加。经过降雨校正后的风速与NWP风速的误差平均值位于零值附近，绝对值小于0.3 m×s-1。

表3为3 600组神经网络测试数据和L2B数据与NWP数据的剩余误差统计计算结果，L2B风速为未校正之前的HY-2散射计风速，BP风速为经神经网络拟合后的风速，对两者的统计计算结果进行比较，BP风速误差均值小于L2B风速误差均值，说明神经网络拟合后的风速，在数据准确性上有很大的提高。神经网络校正后风速剩余误差标准差，小于未校正降雨影响下的风速剩余误差标准差。神经网络拟合后的风速相关系数较未处理的降雨条件下L2B和NWP风速相关系数有了较大的提高。

表3 神经网络校正风速和风向误差统计分析Tab.3 Statistical error analysis of wind speed and wind direction corrected by neural network

4 结束语

图7 L2B风速和BP神经网络校正风速误差检验结果Fig.7 Dependence of wind speed residual on the SSM/I rain rate and L2B wind speed注：(a)和(c)为L2B原始风速，(b)和(d)为BP神经网络拟合风速，圆圈表示与NWP风速的剩余误差平均值，垂直线表示剩余误差标准差

本文初步利用了HY-2散射计反演风场L2B级标准产品数据、NCEP提供的NWP模拟海面风场数据和RSS提供的SSM/I辐射计测量降雨率和NDBC提供的浮标观测数据，分别验证了NWP海面风场模拟数据的精度，统计检验了L2B数据在有无降雨条件下的风速和风向误差，并使用了L2B与NWP配对数据建立神经网络模型，校正在降雨条件下的HY-2散射计反演风场数据，并检验了校正后的结果。

1)将NWP模拟数据与buoy测量数据进行对比统计，分析结果表明，NWP模拟海表气象数据误差较小精度较高，可作为参考数据用于HY-2散射计反演的标准产品L2B级数据的精度检验和神经网络建模。

2)经过对比检验在有无降雨条件下的L2B和NWP配对数据的风速误差，发现在降雨条件下，配对数据风速标准偏差较无降雨条件下大，说明降雨对HY-2散射计反演风场有干扰，导致L2B级数据产品精度降低。其中，在降雨条件下，风速偏差均值为负，且随降雨率的增加而增大，在降雨率为1-12 mm×h-1的区间内，降雨衰减和降雨造成的海面毛细波的扰动使散射计接收信号减弱，导致了在降雨条件下，散射计反演风场风速被高估。

3)根据有降雨条件下L2B风矢量和经神经网络校正降雨影响的拟合风矢量误差统计检验图和统计计算表对比反映的情况来看，神经网络拟合一定程度修正了降雨对散射计测风风速的影响，改善了散射计反演风速的准确度。说明神经网络适用于校正降雨对散射计测风的影响。

4)由于数据收集的限制，降雨率大于12 mm×h-1，L2B风速大于24 m×s-1的数据过少，不具备进行神经网络建模的条件，因此未能建立这部分神经网络模型。由于散射计测风机制的原因，不同风速条件对散射计测风准确度也有一定的影响，HY-2散射计反演风速小于4 m×s-1时，数据误差较大，在风速过低的情况下，神经网络校正效果有限。因此，本文建立的模型得出的结论仅适用于一定风速范围条件下的数据，后续将利用更多数据进行模型的改进和验证。