¹中国地质大学(武汉)环境学院，湖北 武汉

²中国科学院大气物理研究所，北京

³中国气象科学研究院，北京

收稿日期：2023年6月25日；录用日期：2023年7月24日；发布日期：2023年7月31日

摘要

目前在气候研究中使用的时间序列连续且长度最长的被动微波遥感海冰密集度数据产品主要有美国雪冰数据中心(NSIDC)发布的NASA Team算法数据产品(NSIDC NASA Team数据产品)和Bootstrap算法数据产品(NSIDC Bootstrap数据产品)，以及欧洲气象卫星应用组织(EUMETSAT)海洋海冰卫星应用中心(OSI SAF)发布的气候数据记录产品(OSI SAF数据产品)，这三套长时间序列海冰密集度数据产品都是基于SMMR、SSM/I、SSMIS被动微波传感器，但源数据、反演算法和质量订正方法等方面的差异，可能引起数据产品之间的精度差异。为选取和应用数据产品开展南大洋海冰有关气候问题的研究，本文对上述三套数据产品在南大洋地区进行较长时间的比较评估。以基于AMSR-E、AMSR2被动微波传感器的ASI算法数据产品作为参照数据，分类分析按照“最近距离”原则匹配的格点上的海冰密集度。结果显示，长时间序列数据产品相对参照数据产品表现为漏估和空估的格点主要出现在海冰边缘区，海冰融化期漏估和空估的比例高于海冰冻结期。长时间序列数据产品整体上低估了海冰密集度。NSIDC Bootstrap数据产品相对参照数据产品漏估和空估的总比例低于另外两套评估数据产品，平均偏差的数值和均方根偏差小于另外两套评估数据产品。整体上，NSIDC Bootstrap数据产品与参照数据产品更为接近。

关键词

海冰密集度，被动微波遥感，南大洋，长时间序列

Intercomparison of Long-Term Sea Ice Concentration Remote Sensing Products in the Southern Ocean

Jiayong Li¹, Shuanglin Li^1,2, Jianying Li³

¹School of Environmental Studies, China University of Geosciences, Wuhan Hubei

²Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing

³Chinese Academy of Meteorological Sciences, Beijing

Received: Jun. 25^th, 2023; accepted: Jul. 24^th, 2023; published: Jul. 31^st, 2023

ABSTRACT

At present, the most consistent and longest satellite passive microwave (PM) sea ice concentration (SIC) products for climate studies include the NASA Team algorithm product and the Bootstrap algorithm product distributed by the National Snow and Ice Data Center (NSIDC), as well as the Climate Data Record (CDR) product developed at the EUMETSAT’s Ocean and Sea Ice Satellite Application Facility (OSI SAF). The three long-term PM SIC products are all derived from measured brightness temperatures from the Scanning Multichannel Microwave Radiometer (SMMR), the Special Sensor Microwave/Imager (SSM/I) and the Special Sensor Microwave Imager Sounder (SSMIS), while the precision of the three products may be inconsistent due to the differences in input data, algorithms and quality control methods. In order to select and apply long-term PM SIC products for climate studies related to the sea ice in the Southern Ocean, this paper conducted a comparative assessment of the three PM SIC products on a relatively long time series length in the Southern Ocean. For this purpose, the PM SIC product based on the Advanced Microwave Scanning Radiometer for the Earth Observing System (AMSR-E) and the Advanced Microwave Scanning Radiometer 2 (AMSR2) with the ARTIST Sea Ice (ASI) algorithm was used as reference data, and the cell-by-cell comparisons were performed on three categories of co-located data pairs using the nearest-neighbour scheme, including nonsingular sea ice samples, singular open water samples (omissive estimation samples) and singular sea ice samples (redundant estimation samples). The results show that omissive estimation samples and redundant estimation samples mainly appear in the marginal ice zone, and the proportion of omissive estimation samples and redundant estimation samples during the melting period is higher than that during the freezing period. For nonsingular sea ice samples, the three long-term PM SIC products overall underestimate SIC relative to the reference product. The proportion of omissive estimation samples and redundant estimation samples for each month in the NSIDC Bootstrap algorithm product is lower than that in the NSIDC NASA Team algorithm product and the OSI SAF CDR product. The NSIDC Bootstrap algorithm product shows the smallest values of mean difference (bias) and root mean square error (RMSE) compared to the other two long-term PM SIC products. The results indicate that the NSIDC Bootstrap algorithm product is closer to the reference product than the other two long-term PM SIC products.

Keywords:Sea Ice Concentration, Passive Microwave, Southern Ocean, Long Time Series

Copyright © 2023 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

海冰是冰冻圈的重要组成部分，也是气候系统的重要组成部分。海冰对海气之间的热量、动量、物质交换具有重要作用，主要体现在以下四个方面：一是海冰造成地表反照率的变化，改变海气之间的辐射和能量收支；二是海冰影响淡水收支，改变海气之间的热交换和水汽交换；三是海冰的形成和消融过程对海洋温、盐流强度的动力影响；四是对局地天气过程的影响 ‎[1] ‎[2] 。

南大洋海冰是全球气候变化的重要影响因子之一，研究结果表明，南大洋海冰作用区的面积约占南半球雪冰作用区面积的58%，约占地球表面积的3.58% ‎[3] ，南大洋海冰的变化可能引起区域大气环流的强烈响应，这种响应可以扩展到半球甚至全球尺度，并对全球气候产生重要影响 ‎[4] 。南大洋海冰是南极地区海–冰–气系统的重要组成部分和主要环境特征之一，其生长、消融过程和在不同时间尺度上的变化受到天气气候系统变化的影响。因此，南大洋海冰区是全球气候变化的敏感区之一，研究南大洋海冰区有关气候问题具有重要意义。由于海–冰–气系统复杂，对南大洋海冰变化有关问题的认识尚浅，南大洋海冰区的气候有关问题也是亟待深入的热点和前沿科学问题。

海冰有关气候问题的研究，依赖于可靠的海冰参数数据。缺乏连续、时间序列长度较长、覆盖面较广的南大洋海冰观测数据，为南大洋海冰有关气候问题的研究带来了局限。目前获得海冰参数的方法主要有三种：一是浮标和站点测量；二是走航、空中或水下巡航观测测量；三是卫星遥感观测。前两种方法可以直接获得较为详细的海冰信息，但是难以获得大范围、长时间序列的数据。卫星遥感观测突破了浮标站点测量、走航巡航观测测量的时空局限，已经逐步发展为一种高效的海冰参数获取手段 ‎[5] 。用于获取海冰参数的卫星遥感方式按处理的电磁波谱频段主要有三类：一是光学遥感(可见光和近红外遥感)，二是(热)红外遥感，三是微波遥感 ‎[6] 。相较于前两种遥感方式，微波遥感不受太阳光照条件限制和云雾存在的影响，在极夜时间段和非晴空天气条件下也能够获得有效的极区海冰参数，能够全天时、全天候地进行对地观测。微波遥感按工作方式可分为被动微波遥感和主动微波遥感，用于获取海冰参数的被动微波传感器主要是微波辐射计，主动微波传感器有成像雷达(例如，合成孔径雷达)、微波散射计、雷达高度计等。相较于主动微波遥感，被动微波遥感的重访周期短、时间分辨率高且空间覆盖范围广，能够获得时间序列连续且覆盖极区的海冰参数数据 ‎[6] ‎[7] 。20世纪70年代以来，卫星遥感的发展，尤其是被动微波遥感的发展，使得获取较大范围的海冰信息成为可能，目前已积累了40余年的资料数据。

海冰密集度(Sea Ice Concentration，SIC)是海冰的基础性参数之一，指的是一定区域内海冰的面积占该区域总面积的比例。最常用的反演极区海冰密集度的遥感方式是被动微波遥感，目前可获得的最早的被动微波遥感海冰密集度数据来自雨云–5号(Nimbus-5)卫星上的电子扫描微波辐射计(Electrically Scanning Microwave Radiometer, ESMR)，数据产品时间范围为1972年12月13日~1977年5月11日 ‎[6] ‎[8] ‎[9] 。ESMR海冰密集度由单一通道(19.35 GHz水平极化)亮温数据反演得到，ESMR与后续的被动微波传感器在观测时间序列上没有重叠，数据的准确度、与后续数据联合使用的连续性等问题未经全面评估 ‎[10] ‎[11] ，目前还没有将ESMR海冰密集度数据与后续的被动微波传感器海冰密集度数据融合成的长时间序列数据产品。在ESMR之后，用于反演海冰密集度的被动微波传感器目前主要有三大系列 ‎[6] ：1) 搭载在雨云–7号(Nimbus-7)卫星上的多通道扫描微波辐射计(Scanning Multichannel Microwave Radiometer, SMMR)、搭载在美国国防气象卫星计划(US Defense Meteorological Satellite Program, DMSP)系列卫星上的特殊传感器微波成像辐射计(Special Sensor Microwave/Imager, SSM/I)和特殊传感器微波成像探测计(Special Sensor Microwave Imager Sounder, SSMIS)；2) 搭载在美国国家航空航天局(National Aeronautics and Space Administration, NASA)水卫星(Aqua)上的地球观测系统高级微波扫描辐射计(Advanced Microwave Scanning Radiometer for Earth Observing System, AMSR-E)、搭载在日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency, JAXA)第一期全球水循环变动监测任务卫星(Global Change Observation Mission 1st-Water，GCOM-W1；又称水珠卫星，SHIZUKU)上的第二代先进微波扫描辐射计(Advanced Microwave Scanning Radiometer 2, AMSR2)；3) 搭载在中国风云三号(FengYun-3, FY-3)系列卫星上的微波成像仪(Microwave Radiation Imager, MWRI)。表1总结了截至目前为海冰密集度反演提供观测亮温数据的被动微波传感器，AMSR-E、AMSR2、MWRI的观测时间序列长度较短，单独用于气候研究存在局限性。在气候研究中得到普遍应用的时间序列连续且长度最长的海冰密集度遥感数据产品是基于SMMR、SSM/I、SSMIS观测的亮温数据经算法反演、质量订正和时间序列一致性校准等流程处理融合而成的数据产品。

表1. 主要星载被动微波传感器(截至2023年5月)

目前在气候研究中，使用较多的基于融合SMMR、SSM/I、SSMIS这三组被动微波传感器的长时间序列海冰密集度数据产品主要有三套：1) 美国雪冰数据中心(National Snow and Ice Data Center, NSIDC)发布的使用NASA Team算法的数据集 ‎[12] ；2) NSIDC发布的使用Bootstrap算法的数据集 ‎[13] ；3) 欧洲气象卫星应用组织(European Organisation for the Exploitation of Meteorological Satellites, EUMETSAT)海洋海冰卫星应用中心(Ocean and Sea Ice Satellite Application Facility, OSI SAF)发布的使用SICCI2LF算法的数据集 ‎[14] ‎[15] ‎[16] 。对于这三套长时间序列海冰密集度数据产品，哪套数据产品更优目前没有比较一致的结论。研究指出，被动微波遥感海冰密集度的准确度与传感器精度、算法对大气影响的敏感性、算法对表面发射率变化和表面温度变化的敏感性等方面有关 ‎[17] ‎[18] ‎[19] ‎[20] ‎[21] 。三套长时间序列数据产品在源数据、算法、质量订正方法等方面的差异，可能引起数据产品之间精度的差异。已有的研究多关注算法的准确性，评估的时空范围有限且多关注北极地区，针对长时间序列数据产品在覆盖整个南大洋海冰区和在较长的时间序列长度上的评估有待深入。对长时间序列数据产品进行评估，认识不同数据产品之间可能存在的差异，明确在使用数据探讨气候问题时需要注意的可能存在的问题，对于应用数据开展有关研究具有重要意义。

本文对三套基于SMMR、SSM/I、SSMIS的海冰密集度遥感数据产品，在南大洋地区进行较长时间的比较评估，以期为选取和应用海冰密集度数据开展南大洋海冰有关气候问题的研究提供参考。

2. 数据

2.1. 长时间序列海冰密集度数据

本文使用到的三套长时间序列被动微波遥感海冰密集度数据产品是：

1) 来自NSIDC的NASA Team算法数据集：Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS Passive Microwave Data, Version 1 ‎[12] 。

2) 来自NSIDC的Bootstrap算法数据集：Bootstrap Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS, Version 3 ‎[13] 。

3) 来自EUMETSAT OSI SAF的SICCI2LF算法数据集：Global Sea Ice Concentration Climate Data Record v2 (1979~2015) ‎[14] 和Global Sea Ice Concentration Interim Climate Data Record v2 (2016-) ‎[15] 。

表2总结了三套长时间序列数据产品的基本信息。三套长时间序列数据产品的时间序列至少从1979年至今，空间分辨率都是25 km，源数据都来自SMMR、SSM/I、SSMIS被动微波传感器观测亮温，但源数据的类型和时间序列连续性校准方法存在差异，三套数据产品使用的海冰密集度反演算法和质量订正方法不同。

2.2. 参照数据

为了对长时间序列数据产品在南大洋地区进行较长时间的比较评估，选取来自德国不莱梅大学(University of Bremen, UB)使用ARTIST Sea Ice (ASI)算法反演AMSR-E、AMSR2的观测亮温数据得到的海冰密集度数据产品 ‎[22] ‎[23] ‎[24] 作为参照数据。表2给出了UB ASI数据产品的基本信息。

选取UB ASI数据产品作为参照数据，主要有两个方面的原因。首先，为了对长时间序列数据产品在整个南大洋海冰区进行较长时间的评估，参照数据的时间序列长度应足够长且能够包括海冰冻结融化各个阶段，参照数据的空间范围应覆盖整个南大洋海冰区。可作为参照数据的走航观测数据、光学遥感数据、主动微波遥感数据在时空范围上都存在局限性，使用这几类数据作为参照数据，只能实现在个别时间段和较小区域范围上的评估。海冰图(冰情图)覆盖整个南大洋海冰区，时间序列长度长但不连续，海冰图的质量受可获取的海冰信息的丰富度和准确度以及分析员主观的影响 ‎[25] ，海冰图的准确度在时空上都不具有一致性，使用海冰图作为参照数据难以实现对长时间序列被动微波遥感海冰密集度数据产品的客观定量评估。其次，UB ASI数据产品使用的源数据和算法与三套长时间序列数据产品不同，是相对独立的被动微波遥感数据产品，到目前已积累的时间序列长度能够满足对长时间序列数据产品进行较长时间评估的需要且覆盖整个南大洋海冰区。UB ASI数据产品的空间分辨率较高(6.25 km)，已有的对ASI算法精度的研究结果 ‎[22] ‎[26] ‎[27] 表明，ASI算法受表面发射率变化和表面温度变化的影响较小，在海冰密集度中高值区域的精度较高，海冰密集度65%以上的区域的偏差不超过10%；ASI算法使用到89 GHz通道的亮温数据，高频通道观测亮温相较于低频通道对云中液态水和水汽更为敏感，在海冰密集度较低的区域和开阔水域，ASI算法的精度与大气状态有关，当云中液态水含量较高时，会高估海冰密集度值，但在基本算法的基础上引入天气和开阔水域订正，可在一定程度上减少因大气状态影响引起的误差。UB ASI数据产品是具有代表性的海冰密集度数据产品，以该数据产品作为参照数据，对三套长时间序列数据产品进行评估，获得的评估结果可以反映长时间序列数据产品与UB ASI数据产品的一致程度。

表2. 本文使用的三套长时间序列海冰密集度数据产品和参照数据产品基本信息

研究时获得的UB ASI数据产品的时间范围是2002年6月1日~2011年10月4日(AMSR-E时期)和2012年7月2日~2018年12月31日(AMSR2时期)，对数据进行逐日筛查，剔除不良数据，共有5704天的数据参与对长时间序列数据产品的评估。在评估时，三套长时间序列数据产品提取出与参照数据产品对应的5704天的数据。

3. 海冰密集度评估

3.1. 评估方法

3.1.1. 格点匹配方法

三套长时间序列数据产品的空间分辨率是25 km，其中NSIDC NASA Team数据产品和NSIDC Bootstrap数据产品采用极球面投影，OSI SAF数据产品采用兰伯特方位等积投影；参照数据产品的空间分辨率是6.25 km，采用极球面投影 ‎[12] - ‎[16] ， ‎[22] ‎[23] ‎[24] 。为了评估长时间序列数据产品的海冰密集度，采用“最近距离”格点匹配方法，即在低分辨率(25 km)网格所代表的空间范围内，将距离低分辨率网格中心最近的那一个高分辨率(6.25 km)网格，作为与该低分辨率网格匹配的网格，提取出每对“匹配格点对”中对应的长时间序列数据产品网格中的海冰密集度和参照数据产品网格中的海冰密集度，构成“比较数据对”，通过对“比较数据对”的考察，实现以参照数据产品为基准，对长时间序列数据产品海冰密集度的评估。图1给出了长时间序列数据产品两种投影方式的格点与参照数据产品的格点按“最近距离”格点匹配方法进行匹配的示意图。

图1. 6.25 km极球面投影格点(UB ASI格点)与(a) 25 km极球面投影格点(NSIDC格点)和(b) 25 km兰伯特方位等积投影格点(OSI SAF格点)按“最近距离”方法匹配示意

格点匹配问题是数据资料评估的关键问题，目前没有统一的规范化的解决方法。以高分辨率数据为参照数据对低分辨率数据进行评估时，“最近距离”格点匹配方法是一种客观的评估方法，可避免引入难以定量的新的误差 ‎[28] 。在已有的海冰密集度算法或数据产品评估的研究中，“最近距离”格点匹配方法已被普遍采用 ‎[20] ‎[21] ‎[28] - ‎[33] 。

3.1.2. 评估格点分类

对某一“比较数据对”SIC_i = (SIC_i评估，SIC_i参照)，其中SIC_i评估是该“比较数据对”中对应的长时间序列数据的海冰密集度值，SIC_i参照是对应的参照数据的海冰密集度值，可能出现表3中的四种情况，据此，可将“比较数据对”分为四类：非奇异海水格点(Nonsingular open water grid cell)、非奇异海冰格点(Nonsingular sea ice grid cell)、奇异海水格点(Singular open water grid cell)、奇异海冰格点(Singular sea ice grid cell)。其中，奇异海水格点又可称为漏估格点(Omissive estimation grid cell)，奇异海冰格点又可称为空估格点(Redundant estimation grid cell)。奇异海冰格点和奇异海水格点统称为奇异格点。

表3. 匹配数据对分类

表4. 参与比较评估的数据对统计结果

注：^*评估格点由非奇异海冰格点、奇异海冰格点、奇异海水格点三类构成；非奇异海水格点不作为评估格点。

对于非奇异海水格点，无需进一步探讨；对于非奇异海冰格点，研究中关注评估数据相较于参照数据的偏差特征；对于两类奇异格点，研究中关注出现漏估或者空估的时空特征表现。综上所述，研究中需要探讨奇异海冰格点、奇异海水格点和非奇异海冰格点这三种情况，将这三类格点统称为评估格点。在研究中，考虑到南大洋海冰存在明显的季节性变化，对于非奇异海冰格点，从全年和分月两方面进行探讨。表4给出了全年和各月参与评估的样本数以及非奇异海冰格点数占评估格点总数的比例。

3.1.3. 评估定量指标

为了定量分析非奇异海冰格点偏差的统计特征，引入平均偏差(Bias)、均方根偏差(Root mean square error，RMSE)、偏差在特定范围内的比例这三个统计指标。

对某一非奇异海冰“比较数据对”SIC_i = (SIC_i评估，SIC_i参照)，该“比较数据对”的偏差为：

${\Delta }_i=SI{C}_{i评估}-SI{C}_{i参照}$ (1)

对于所有参与评估的“比较数据对”，有平均偏差(Bias)：

$\text{Bias}=\frac{1}{N}{\displaystyle \underset{i=1}{\overset{N}{\sum }}{\Delta }_i}$ (2)

均方根偏差(RMSE)：

$\text{RMSE}=\sqrt{\frac{1}{N}{\displaystyle \underset{i=1}{\overset{N}{\sum }}{\left({\Delta }_i\right)}^2}}$ (3)

其中，N为参与评估的“比较数据对”的个数，即样本量。

此外，还引入了偏差在特定范围内的比例这一指标，包括参与评估的“比较数据对”的偏差在±5%、±10%、±15%、±20%以内的“比较数据对”个数占参与评估的“比较数据对”总数的百分比。

3.2. 奇异格点统计

图2给出了奇异海水格点(漏估格点)、奇异海冰格点(空估格点)的数量占评估格点总数的比例，图中实心直方柱高度、圆点填充直方柱高度、直方柱总高度分别表示为奇异海水格点比例、奇异海冰格点比例、奇异格点比例。

相较于非奇异海冰格点，奇异格点的比例较小；奇异格点的比例存在明显的季节性差异，海冰融化期奇异格点比例大于海冰冻结期，其中，在常年海冰范围最小的2月奇异格点的比例最大，在常年海冰范围最大的9月奇异格点的比例最小。三套长时间序列数据产品对比来看，NSIDC Bootstrap数据产品的奇异格点比例在各月都小于另外两套数据，说明NSIDC Bootstrap数据产品判断有无海冰的水平与参照数据更为接近，优于另外两套长时间序列数据产品。

区分奇异海水格点(漏估)和奇异海冰格点(空估)进行分析。一方面，奇异海水格点比例和奇异海冰格点比例都存在季节性差异，海冰融化期漏估或空估的比例大于海冰冻结期。另一方面，各月奇异海水格点的比例都小于奇异海冰格点的比例。三套长时间序列数据产品对比来看，在各月，OSI SAF数据产品漏估的比例小于另外两套长时间序列数据产品，NSIDC Bootstrap数据产品空估的比例小于另外两套长时间序列数据产品。

图2. 奇异海水格点和奇异海冰格点占评估格点总数的比例

图3. 2月(a)~(c) 奇异海水格点和(d)~(f) 奇异海冰格点出现频率

NSIDC Bootstrap数据产品奇异格点比例和奇异海冰格点(空估)比例在各月都小于另外两套长时间序列数据产品，一个可能原因是NSIDC Bootstrap数据产品在质量控制上对低海冰密集度值(<10%)作了截断处理 ‎[13] 。NSIDC Bootstrap数据产品奇异海水格点(漏估)比例在12月~2月高于另外两套数据产品，可能原因之一也与NSIDC Bootstrap数据产品对低海冰密集度值作截断处理有关，12月~2月是海冰边缘线迅速南撤的时段，逐日海冰边缘线位置变化大，对低海冰密集度值作截断处理，将原本变化着的海冰密集度截断为0，表现为相对另外两套数据产品更大的漏估比例。

为了进一步探讨奇异格点的特征，分月统计了奇异海水格点和奇异海冰格点在空间上的出现频率，结果显示，各月奇异海水格点和奇异海冰格点都主要出现在各月的海冰边缘区。以奇异格点比例最大的2月(图3)和最小的9月(图4)为例进行说明，图中的底图，深灰色区域是参照数据在评估时段内该月的日海冰覆盖范围中位数场，即在评估时段内该月50%及以上的天数在这些格点上有海冰；深灰色区域和浅灰色区域整体是参照数据在评估时段内该月的日海冰覆盖范围多年平均场。从漏估(图3(a)~(c)和图4(a)~(c))和空估(图3(d)~(f)和图4(d)~(f))的出现频率可以看到，无论是2月还是9月，漏估和空估主要出现在底图浅灰色的区域，即海冰边缘区。

图4. 9月(a)~(c)奇异海水格点和(d)~(f)奇异海冰格点出现频率

3.3. 非奇异海冰格点精度评估

3.3.1. 全年整体评估

图5. 非奇异海冰格点全年整体评估(a)~(c)海冰密集度散点对比密度和(d)~(f)海冰密集度偏差频率分布

图5给出了三套长时间序列数据产品非奇异海冰格点整体评估的散点对比密度和偏差分布图。评估数据和参照数据对比，理想情况是落在y = x等值线上，散点密度反映散点的集中程度，因全年整体的非奇异海冰格点样本量大(表4和图5(a)~(c)中的N值)，与一般的散点对比图相比，散点对比密度图可以更清晰地表现非奇异海冰格点的分布特征。这里的散点密度是指落在对应1 × 1网格内的非奇异海冰格点数占非奇异海冰格点总数的百分比。从散点对比密度图(图5(a)~(c))可以看出，以参照数据产品为基准，海冰密集度数值主要集中在大于90%的高值区间，其次是在低海冰密集度区间(≤10%)，而散点密度在其他海冰密集度区间内的分布相对均匀，没有明显的散点相对集中的海冰密集度区间。当海冰密集度较高时，评估数据与参照数据对比落在y = x等值线附近，NSIDC Bootstrap数据产品的散点密度形态在海冰密集度较高时以y = x等值线为轴大致表现出对称分布特征。而在低海冰密集度时，三套数据产品偏离y = x参照线的距离都比较大，反映出长时间序列数据产品对低海冰密集度的估计能力与参照数据产品存在差异。从偏差分布(图5(d)~(f))来看，NSIDC NASA Team数据产品相对参照数据产品低估的比例较大，其中在−20%~1%偏差区间内每个以1%为区间长度的各子区间上的比例都大于2%。相较于NSIDC NASA Team数据产品和OSI SAF数据产品，NSIDC Bootstrap数据产品与参照数据产品的偏差更集中在零值附近的偏差区间内，主要是在−8%~6%的区间内(每个以1%为区间长度的子区间上的比例大于2%)。OSI SAF数据产品与参照数据产品相比，低估比例大于高估比例，偏差分布形态表现出随着偏差绝对值增大而比例下降的“阶梯形”特征。

表5给出了三套长时间序列数据产品全年整体非奇异海冰格点上的定量指标，三套长时间序列数据产品与参照数据产品相比，整体上都表现为低估，平均偏差(Bias)分别为−11.46%、−1.81%、−4.84%；三套长时间序列产品与参照数据产品相比的均方根偏差(RMSE)均在10%以上，NSIDC Bootstrap数据产品的RMSE小于OSI SAF数据产品和NSIDC NASA Team数据产品；NSIDC Bootstrap数据产品与参照数据产品的偏差在±5%、±10%、±15%、±20%以内的比例都高于另外两套数据产品。结果表明，整体上NSIDC Bootstrap数据产品与参照数据产品更为接近。

表5. 非奇异海冰格点全年整体评估海冰密集度偏差统计结果

3.3.2. 分月评估

南大洋海冰的季节性变率大，在海冰冻融的不同阶段，受海冰厚度、冰面积雪等的影响，冰面发射率和冰面温度表现出季节性差异；同时，水汽、云中液态水含量、近地面风等大气状态也表现出季节性差异。被动微波传感器和反演算法对地表辐射变化和大气影响的敏感性都会影响到海冰密集度反演结果的准确性。考虑到南大洋海冰表现出季节性变化特征，提取出评估时段(2002年~2018年)内各月月内的非奇异海冰格点，分月对非奇异海冰格点进行分析。图6给出了三套长时间序列数据产品相对参照数据产品的偏差统计结果。

图6(a)是偏差在特定范围内的比例。图6(a)中实心直方柱高度表示偏差在±10%范围内的比例，结果显示，在各月，NSIDC Bootstrap数据产品相对参照数据产品的偏差在±10%范围内的比例都大于另外两套长时间序列数据产品。其中，NSIDC NASA Team数据产品、NSIDC Bootstrap数据产品、OSI SAF数据产品相对参照数据产品的偏差在±10%范围内的比例，2月分别为45.95%、56.21%、45.25%，9月分别为49.12%、72.29%、71.99%。图6(a)中实心直方柱和斜线填充直方柱的总高度表示偏差在±20%范围内的比例，结果显示，除了9月，NSIDC Bootstrap数据产品在其他各月的偏差在±20%范围内的比例都大于另外两套长时间序列数据产品。NSIDC NASA Team数据产品、NSIDC Bootstrap数据产品、OSI SAF数据产品相对参照数据产品的偏差在±20%范围内的比例，2月分别为66.96%、71.16%、65.62%，9月分别为78.66%、88.84%、89.20%。图6(a)中零线以上表示相对参照数据产品为高估的比例，零线以下表示相对参照数据产品为低估的比例，比较三套长时间序列数据产品各月高估和低估的比例，结果表明，在各月，NSIDC Bootstrap数据产品相对参照数据产品高估和低估的比例相当，与另外两套长时间序列数据产品相比更接近1:1。综合上述分析，NSIDC Bootstrap数据产品相对参照数据产品的偏差在各月都更集中分布在±10%范围内且高估和低估的比例相当。

图6. 非奇异海冰格点分月评估(a) 偏差在特定范围内的比例和(b) 偏差统计结果

图6(b)给出了各月非奇异海冰格点偏差的统计结果。图6(b)中实心圆点代表月内长时间序列数据产品相对参照数据产品的平均偏差(Bias)，结果显示，三套长时间序列数据产品的平均偏差在各月都是负值，NSIDC Bootstrap数据产品的平均偏差的绝对值在各月都小于另外两套数据产品。其中，NSIDC NASA Team数据产品、NSIDC Bootstrap数据产品、OSI SAF数据产品的平均偏差，在2月分别是−11.53%、−4.65%、−9.93%，在9月分别为−10.92%、−0.66%、−3.35%。图6(b)中空心菱形符号代表均方根偏差(RMSE)，结果显示，NSIDC Bootstrap数据产品的均方根偏差在各月都小于另外两套数据产品。其中，NSIDC NASA Team数据产品、NSIDC Bootstrap数据产品、OSI SAF数据产品的均方根偏差，在2月分别为24.67%、21.24%、23.52%，在9月分别为17.27%、12.78%、12.94%。图6(b)中的箱线图反映了偏差的分布特征，NSIDC Bootstrap数据产品相对参照数据产品的偏差的中位数在8~10月为0，其他各月为负值；NSIDC NASA Team数据产品、OSI SAF数据产品相对参照数据产品的偏差的中位数在各月均为负值。三套数据产品对比来看，在各月，NSIDC Bootstrap数据产品相对参照数据产品偏差的中位数的绝对值都小于另外两套数据产品。其中，NSIDC NASA Team数据产品、NSIDC Bootstrap数据产品、OSI SAF数据产品相对参照数据产品的偏差的中位数，在2月分别是−7.20%、−1.00%、−6.14%，在9月分别为−9.30%、0、−1.92%。同时，在各月，NSIDC Bootstrap数据产品相对参照数据产品的偏差分布比另外数据产品更集中，其中，NSIDC NASA Team数据产品、NSIDC Bootstrap数据产品、OSI SAF数据产品相对参照数据产品的偏差的四分位距，在2月分别是22.42%、15.38%、22.15%，在9月分别是14.38%、9.71%、9.81%。

三套长时间序列数据产品的分月评估结果说明，NSIDC Bootstrap数据产品在各月都与参照数据产品更为接近。

图7. 评估时段内2月(a)~(d) 平均海冰密集度场，(e)~(h) 海冰密集度标准差场，(i)~(k) 平均偏差场和(l)~(n) 均方根偏差场

图8. 评估时段内9月(a)~(d) 平均海冰密集度场，(e)~(h) 海冰密集度标准差场，(i)~(k) 平均偏差场和(l)~(n) 均方根偏差场

以上从全场整体非奇异海冰格点的角度对三套长时间序列数据产品进行了分月比较评估，为了探讨非奇异海冰格点偏差在空间上的表现，分月对非奇异海冰格点偏差在空间上进行了统计分析。图7和图8分别给出了2月和9月的情况，平均偏差(Bias)场是匹配格点上评估时段内该月非奇异海冰格点的平均偏差构成的空间场，均方根偏差(RMSE)场是匹配格点上评估时段内该月非奇异海冰格点的均方根偏差构成的空间场，为了分析平均偏差场和均方根偏差场的空间分布特征，同时给出了参照数据产品和三套长时间序列数据产品各自在原始格点上的评估时段内该月的平均海冰密集度场和海冰密集度标准差场。

2月，海冰主要分布在威德尔海和罗斯海两大湾区，其他海区的海冰边缘线撤退到大陆边缘附近，尤其是东南极大陆近岸海区的海冰带纬度跨度很小(图7(a)~(d))。在平均偏差场(图7(i)~(k))上，三套长时间序列数据产品在南极半岛以东的威德尔海湾区的偏差很小，对照该月平均海冰密集度场(图7(a)~(d))和海冰密集度标准差场(图7(e)~(h))可以看到，该区域的海冰密集度在(95%, 100%]区间内且标准差不大；而在南极大陆边缘区域，三套长时间序列数据产品相对参照数据产品表现出数值较大的低估，这些区域的海冰密集度较低、标准差较大，但三套长时间序列数据产品低估的程度存在差异，NSIDC Bootstrap数据产品相对参照数据产品偏差的绝对值小于另外两套数据产品相对参照数据产品的偏差的绝对值；在罗斯海区域，NSIDC Bootstrap数据产品表现出高估或者偏差的数值很小，NSIDC NASA Team数据产品和OSI SAF数据产品在该区域则表现出数值较大的低估。均方根偏差场(图7(l)~(n))上，三套长时间序列数据产品在南极半岛以东的威德尔海区域的RMSE较小，而在东南极近岸海区的RMSE较大。

9月，三套长时间序列数据产品和参照数据产品在评估时段内多年平均的海冰密集度场(图8(a)~(d))的空间形态差异大，以参照数据产品为基准，海冰密集度在(90%, 100%]区间内的空间范围最大，三套长时间序列数据产品多年平均的海冰密集度场的空间形态和参照数据产品差异大的区域也主要是在参照数据产品中海冰密集度在(90%, 100%]的区域；但在参照数据产品中海冰密集度在(90%, 100%]的区域，三套长时间序列数据产品的海冰密集度标准差场(图8(f)~(h))的空间形态差异很小且各自和参照数据产品的海冰密集度标准差场(图8(e))的空间形态差异也很小。三套长时间序列数据产品的平均偏差(Bias)场(图8(i)~(k))的空间形态存在差异：NSIDC NASA Team数据产品在南极半岛以东威德尔海湾区的平均偏差数值很小，在其他区域表现为负偏差，且在海冰边缘区的负偏差的程度较大(图8(i))。NSIDC Bootstrap数据产品的平均偏差场(图8(j))上，对应参照数据产品的海冰密集度(图8(a))在(90%，100%]的大部分区域，NSIDC Bootstrap数据产品相较于参照数据产品的平均偏差数值很小，其中在165˚E~75˚W、70˚S纬度附近区域的罗斯海、别林斯高晋海和阿蒙森海外海区域以及30˚W~30˚E、65˚S纬度附近的威德尔海区域表现为正偏差，但正偏差的数值不超过10%；在海冰边缘区，平均偏差则主要是负值。OSI SAF数据产品的平均偏差场(图8(k))上，对应参照数据产品的海冰密集度(图8(a))在(90%, 100%]的大部分区域，平均偏差数值很小，在威德尔海外海区域存在小范围的正偏差区，但平均偏差的数值不超过10%；在海冰边缘区，平均偏差主要为负值。三套长时间序列数据产品的均方根偏差(RMSE)场(图8(l)~(n))上，对应参照数据产品的海冰密集度(图8(a))在(90%, 100%]的区域上的RMSE数值小于海冰边缘区；对比三套长时间序列数据产品，NSIDC NASA Team数据产品在海冰边缘区的RMSE数值大于同区域另外两套数据产品的RMSE数值。

综合对各月非奇异海冰格点偏差在空间上的统计分析，可以看到，在海冰密集度数值较大且变化较小的区域，长时间序列数据产品相对参照数据产品的偏差较小，而在海冰密集度较低的海冰边缘区，长时间序列数据产品与参照数据产品的偏差较大。各套长时间序列数据产品在各月的平均偏差场和均方根偏差场的空间分布特征存在差异。

4. 结论和讨论

本文对气候研究中使用较多的基于SMMR、SSM/I、SSMIS被动微波传感器的三套长时间序列海冰密集度遥感数据产品在南大洋地区进行了比较评估。选择与三套长时间序列数据产品相对独立且分辨率较高的基于AMSR-E、AMSR2被动微波传感器的ASI算法数据产品作为参照数据，通过“最近距离”格点匹配方法对长时间序列数据产品和参照数据产品进行格点匹配。根据“比较数据对”上的海冰密集度可能出现的四种情况，将“比较数据对”分为非奇异海水格点、非奇异海冰格点、奇异海水格点(漏估格点)、奇异海冰格点(空估格点)四类。通过对奇异海冰格点、奇异海水格点、非奇异海冰格点的分析，评估了长时间序列数据产品相对参照数据产品的精度，比较了三套长时间序列数据产品相对参照数据产品的一致程度，主要得到以下结果：

1) 长时间序列数据产品相对参照数据产品出现漏估和空估的比例表现出季节性差异，海冰融化期漏估和空估的比例高于海冰冻结期。但在各月，漏估和空估都主要出现在海冰边缘区。

2) 长时间序列数据产品相对参照数据产品整体上低估了海冰密集度。

3) 在海冰密集度数值较大且变化较小的区域，长时间序列数据产品相对参照数据产品的偏差较小；在海冰密集度较低的海冰边缘区，长时间序列数据产品与参照数据产品的偏差较大。

4) 整体上，NSIDC Bootstrap数据产品与参照数据更为接近。NSIDC Bootstrap数据产品漏估和空估的比例低于NSIDC NASA Team数据产品和OSI SAF数据产品。NSIDC Bootstrap数据产品非奇异海冰格点平均偏差的数值和均方根偏差都小于OSI SAF数据产品和NSIDC NASA Team数据产品，NSIDC Bootstrap数据产品非奇异海冰格点偏差在±10%以内的比例高于OSI SAF数据产品和NSIDC NASA Team数据产品。

本文对三套长时间序列海冰密集度遥感数据产品在南大洋地区的比较评估结果，可为选取和应用海冰密集度数据产品开展南大洋海冰有关气候问题的研究提供参考，但未涉及三套长时间序列数据产品相对参照数据产品表现出的差异特征的原因。其次，参照数据产品的准确度难以定量给出，考虑到参照数据产品本身可能存在的不确定性，引入多源数据对长时间序列数据产品进行进一步评估并对本文的比较评估结果进行交叉验证值得探讨。最后，本文对长时间序列数据产品在南大洋地区进行了较长时间的比较评估，但长时间序列数据产品在整个时间序列长度上的连续性问题值得深入。

致谢

感谢美国雪冰数据中心、欧洲气象卫星应用组织海洋海冰卫星应用中心、德国不莱梅大学公开发布海冰密集度遥感数据产品。

文章引用

李佳泳,李双林,李健颖. 南大洋长时间序列海冰密集度遥感数据产品比较评估
Intercomparison of Long-Term Sea Ice Concentration Remote Sensing Products in the Southern Ocean[J]. 气候变化研究快报, 2023, 12(04): 820-838. https://doi.org/10.12677/CCRL.2023.124085

参考文献