趙 紅，王成杰

（中國海洋大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，山東　青島　266100）

基于SMOS衛(wèi)星數(shù)據(jù)的海表面鹽度模型

趙 紅，王成杰

（中國海洋大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，山東青島266100）

海表面鹽度是研究海洋對全球氣候影響以及大洋環(huán)流的重要參量之一，而衛(wèi)星遙感技術(shù)是獲取海表面鹽度數(shù)據(jù)的最有效方法。目前，L波段的SMOS和Aquarius/SAC-D遙感衛(wèi)星正在用于探測海表面鹽度，并根據(jù)衛(wèi)星觀測數(shù)據(jù)和物理機制反演出海表面鹽度的產(chǎn)品。但在某些近陸地區(qū)域，由于淡水流入及陸地射頻（RFI）等因素影響，衛(wèi)星反演鹽度的產(chǎn)品精度較低。文中利用“東方紅2號”科學(xué)考察船的實測數(shù)據(jù)、SMOS衛(wèi)星數(shù)據(jù)，首次針對中國南海海域提出了用貝葉斯網(wǎng)絡(luò)模型計算海表面鹽度，并用驗證數(shù)據(jù)集（實測Argo鹽度）對模型進行適應(yīng)性評估。經(jīng)過計算，模型誤差和驗證誤差分別為0.47 psu和0.45 psu，而相應(yīng)的SMOS Level 2產(chǎn)品的精度分別為1.90 psu和1.82 psu。此模型為海表面鹽度的計算提供了一個新方法。

海表面鹽度；SMOS衛(wèi)星；貝葉斯網(wǎng)絡(luò)；統(tǒng)計模型

極端的氣候變化對人類活動乃至生存環(huán)境帶來了巨大的挑戰(zhàn)，科學(xué)家們正在通過不懈的努力來預(yù)知并緩和這種氣候變化。通過不斷的研究，人們發(fā)現(xiàn)全球水循環(huán)在緩和氣候變化上起到了重要的作用。而全球水循環(huán)中的一個重要的參量就是海表面鹽度，它的時空變化和分布規(guī)律對了解全球海水狀況以及海洋在海-氣這一復(fù)雜體系中的作用有著重要意義。同時，許多學(xué)科如氣象學(xué)、生態(tài)學(xué)、水文學(xué)和漁業(yè)等領(lǐng)域也都在關(guān)注海表面鹽度的獲取和進一步研究。

全球海洋如此廣闊，如何對海洋進行有效的探測與研究呢？目前為止，衛(wèi)星遙感技術(shù)是最有效的技術(shù)來源之一，而微波遙感由于其可穿透云層且晝夜可行，能夠滿足人們?nèi)鞎r、天候?qū)Ｑ蟊O(jiān)測的需求。目前在海表面溫度（SST）、風(fēng)速等海洋參數(shù)的獲取上廣泛采用了微波輻射計，其提供的大量數(shù)據(jù)可以用于全球氣候分析和數(shù)值預(yù)報，在大尺度、連續(xù)快速、全球測量能力等方面具有明顯優(yōu)勢。從空間探測海洋鹽度的計劃始于1998年，目前有兩顆衛(wèi)星在執(zhí)行任務(wù)。一顆是由西班牙、法國和歐洲空間航天局共同研制的 SMOS（Soil Moisture and Ocean Salinity）衛(wèi)星，主要任務(wù)是測量海洋鹽度和土壤的濕度。該衛(wèi)星于2009年11月發(fā)射升空，在運轉(zhuǎn)期間，將提供分辨率為200 km×200 km的10～30 d平均的全球大洋鹽度數(shù)據(jù)，精度預(yù)計達到0.1 psu［1-3］；另一顆是美國和阿根廷聯(lián)合開發(fā)的Aquarius/SACD衛(wèi)星，包含用來測量海水鹽度的L波段輻射計和測量海洋表面粗糙度的L波段散射計兩個有效載荷。Aquarius/SAC-D衛(wèi)星計劃經(jīng)過月平均和150 km×150 km的空間平均后達到0.2 psu的精度。

自衛(wèi)星發(fā)射以來，國外一些學(xué)者針對全球海域?qū)πl(wèi)星數(shù)據(jù)進行大尺度評估［4-6］，如法國海洋開發(fā)研究所Coriolis中心設(shè)計開發(fā)了基于最優(yōu)插值技術(shù)的ISAS（In Situ analysis system）溫鹽分析系統(tǒng)［7-8］；美國Scripps海洋所構(gòu)建了氣候態(tài)溫鹽分布場［9］；日本氣象局首次實現(xiàn)了全球溫鹽圖的常規(guī)化制作［10］。另外，英國氣象局［11］、印度國家海洋信息中心［12］等也分別研制了各自的衛(wèi)星遙感產(chǎn)品。Rannala B，Yang Z［13］利用OI SST為模板變量，通過混合算法得到SMOS海表鹽度產(chǎn)品。目前，利用現(xiàn)有的反演算法得到的全球海表面鹽度衛(wèi)星遙感產(chǎn)品如圖1，該圖是2015年2月22日-26日5天平均的海表面鹽度空間分布圖，鹽度的變化范圍為30～40 psu。圖中白色區(qū)域是沒有得到有效的鹽度產(chǎn)品的海域。

圖1　2015年2月22-26日5 d平均海表面鹽度SSS3分布圖

利用衛(wèi)星遙感數(shù)據(jù)來反演海表面鹽度的科學(xué)研究最早見于光學(xué)遙感，最早可追溯到1982年Khorram的工作［14］。Khorram基于實測的鹽度數(shù)據(jù)和Landsat多光譜掃描儀數(shù)據(jù)（MSS），利用多元線性回歸模型，建立了舊金山灣三角洲區(qū)域的鹽度反演算法。很多學(xué)者在Khorram的工作基礎(chǔ)上，相繼開展了基于陸地衛(wèi)星Landsat或SPOT數(shù)據(jù)的鹽度遙感反演工作［15-17］，其中Wang基于多元線性回歸的統(tǒng)計方法在美國墨西哥灣海岸大型河口湖利用衛(wèi)星遙感來探測湖面的鹽度。

由于受到陸地射頻（RFI）、海表溫度（SST）以及強風(fēng)場等因素的嚴重影響，衛(wèi)星遙感鹽度反演模型和算法不適用于中國近岸海域，特別是南海海域（如圖1中黑框內(nèi)的區(qū)域）。基于衛(wèi)星遙感數(shù)據(jù)建立適用于中國南海海域海表面鹽度的反演模型是目前我國海洋建設(shè)過程中需要迫切解決的問題。本文根據(jù)“東方紅2號”科學(xué)考察船的實測數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)方法對SMOS衛(wèi)星的Level 2產(chǎn)品進行進一步的修正，得到了精度更高的海表面鹽度產(chǎn)品。

1　數(shù)據(jù)來源和分析

寬闊大洋海域受到淡水流入及陸地射頻的影響較小，因此SMOS衛(wèi)星和Aquarius/SAC-D衛(wèi)星在此類海域的預(yù)測精度較高。但是在一些近陸地海域，兩顆衛(wèi)星的產(chǎn)品精度卻不盡如人意。本文主要考慮中國南海海域（4°N～25°N，105°E～125°E），通過貝葉斯網(wǎng)絡(luò)統(tǒng)計模型來建立更加精確的海表面鹽度的反演算法。

1.1實測數(shù)據(jù)集

本文采用的實測數(shù)據(jù)是“東方紅2號”科學(xué)考察船在2012年4月1日到6月15日南海海域巡航期間所采集到的浮標(biāo)鹽度數(shù)據(jù)?！皷|方紅2號”是中國海洋大學(xué)用于綜合海洋巡航調(diào)查的科考船，此次巡航共放置了46個停泊浮標(biāo)（圖2），獲取了包括鹽度、溫度、風(fēng)速等多個海洋參數(shù)。所有浮標(biāo)的鹽度數(shù)據(jù)經(jīng)過去噪音、天平均等處理后，共得到了鹽度的實測數(shù)據(jù)（in-situ SSS）1 348個。

圖2　“東方紅2號”科學(xué)考察船在中國南海海域放置的停泊浮標(biāo)的位置

1.2Argo數(shù)據(jù)集

Argo（Array for Real-time Geostrophic 0ceanography）俗稱“Argo全球海洋觀測網(wǎng)”，是迄今為止人類歷史上第一個提供全球海洋次表層信息的觀測系統(tǒng)。Argo浮標(biāo)可以在海洋中自主浮沉，隨洋流漂流，同時自主定位和測量多種海洋數(shù)據(jù)，包括海水鹽度、溫度等。Argo剖面浮標(biāo)觀測資料以其水平分布廣、垂直深度深、數(shù)據(jù)量大、精度高的優(yōu)勢，逐漸成為海洋觀測信息的重要來源，有助于更準(zhǔn)確、更全面地了解全球氣候的變化。

1.3SMOS衛(wèi)星數(shù)據(jù)集

SMOS衛(wèi)星是歐洲空間航天局（European Space Agency，ESA）“地球探索者機遇”項目中的第二顆衛(wèi)星。SMOS衛(wèi)星主要產(chǎn)品是Level 2級數(shù)據(jù)產(chǎn)品，其反演算法是通過最小化迭代函數(shù)來定義［18］。這種方法不可避免地會存在反演誤差，誤差源包括亮溫觀測不精確、近陸污染和無線電頻率干擾等；太陽/大氣等外源誤差，海水介電常數(shù)模型不精確、依賴于海表狀態(tài)的粗糙度模型不精確等環(huán)節(jié)可能產(chǎn)生的誤差。在SMOS衛(wèi)星發(fā)射之后，許多科學(xué)家致力于共同努力來移除、削弱或修正這些誤差，并在寬闊海域內(nèi)得到了較精確的結(jié)果。但是在某些海域，尤其是近陸地區(qū)域，受到人為噪音等干擾，常規(guī)的RFI檢測方法并不奏效，因此SMOS Level 2鹽度產(chǎn)品的誤差還比較大。本文主要針對這類區(qū)域，在SMOS Level 2數(shù)據(jù)的基礎(chǔ)上建立一種不依賴于物理機制的統(tǒng)計預(yù)測方法，得到更加有效的海表面鹽度模型。

1.4數(shù)據(jù)匹配

在模型的建立過程中，采用的鹽度實測數(shù)據(jù)是由“東方紅2號”科學(xué)考察船采集處理后的數(shù)據(jù)，亮溫數(shù)據(jù)是SMOS衛(wèi)星提供的Level 2數(shù)據(jù)，即入射角（L2a angle）為42.5°所對應(yīng)的海表水平的亮溫（TB）。其他的海洋影響變量由SMOS輔助數(shù)據(jù)提供。根據(jù)SMOS衛(wèi)星鹽度反演的物理機制和前人的研究成果，選取了6個相關(guān)的海洋物理參量，包括水平極化亮溫（TBH）、垂直極化亮溫（TBV）、海表面溫度（SST）、有效波高（SWH）、降雨率（RR）和風(fēng)速（WS）。對于SMOS衛(wèi)星的Level 2數(shù)據(jù)與輔助數(shù)據(jù)，首先通過ESA的Earth Observation On-line Catalogue and Ording Services訂購，利用Beam軟件讀取出來網(wǎng)格化數(shù)據(jù)點，再按照相同時間相同網(wǎng)格進行匹配，得到包括3種鹽度產(chǎn)品（SSS1，SSS2，SSS3）和6個影響變量（TBH，TBV，SST，SWH，RR和WS）的有效數(shù)據(jù)2 648 082組（4°N～25°N，105°E～125°E區(qū)域，2012年4月-6月）。

衛(wèi)星數(shù)據(jù)與現(xiàn)場實測的數(shù)據(jù)之間會存在時空上的差異，因此在數(shù)據(jù)匹配時要依據(jù)合理的匹配原則。對于每一個現(xiàn)場觀測的鹽度數(shù)據(jù)，按照該數(shù)據(jù)的觀測時間和浮標(biāo)經(jīng)緯度與同步衛(wèi)星的數(shù)據(jù)進行匹配。Busalacchi等［19］提出的匹配原則是時間間隔為1 d，空間匹配半徑為1°，即在時空上都采用最近點（closet point of approach，CPA）原則與實測數(shù)據(jù)進行匹配。為了更加精確，這里采取的匹配原則是最大時間間隔為12 h，最大空間匹配半徑為0.5°。對于每一個實測的鹽度數(shù)據(jù)，提取匹配半徑內(nèi)所有同步的SMOS衛(wèi)星匹配數(shù)據(jù)組，取平均值后將兩者進行匹配，得到匹配數(shù)據(jù)106組。

此數(shù)據(jù)即采用的訓(xùn)練數(shù)據(jù)集，是以后建立海表面鹽度反演模型的數(shù)據(jù)基礎(chǔ)。此訓(xùn)練數(shù)據(jù)集中每一組數(shù)據(jù)都包含10個變量，分別是目標(biāo)變量（實測海表面鹽度，即in-situ SSS），影響變量（亮溫TBH、亮溫TBV、海表面溫度SST、有效波高SWH、降雨率RR和風(fēng)速WS）和對照變量（SMOS SSS1，SSS2， SSS3）。

1.5數(shù)據(jù)分析

首先，對SMOS Level 2的鹽度數(shù)據(jù)產(chǎn)品進行誤差分析。對于106組匹配的數(shù)據(jù)，分析計算了實測變量（in-situ SSS）和對照變量（SMOS SSS1，SSS2，SSS3）的誤差，SMOS 3種鹽度數(shù)據(jù)的均方根誤差（RMSE）分別是1.90 psu，1.93 psu和1.91 psu（圖3）；平均絕對誤差是1.46psu，1.49psu和1.47psu。

圖3　106組時空匹配的實測數(shù)據(jù)和SMOS衛(wèi)星產(chǎn)品分布圖

圖4　衛(wèi)星數(shù)據(jù)SSS1相對于實測數(shù)據(jù)的誤差分布圖（106組）

可以看到，SMOS Level 2鹽度產(chǎn)品在此區(qū)域是不夠精確的。SMOS的3種鹽度產(chǎn)品的數(shù)據(jù)都比較接近，為了簡單將SMOS SSS1作為SMOS Level 2的鹽度產(chǎn)品來進行分析和比較。圖4是衛(wèi)星數(shù)據(jù)SMOS SSS1的誤差分布圖，變化范圍在-6.32～3.98 psu之間。

同時也將Aquarius/SAC-D的Level 3鹽度數(shù)據(jù)和46個站位點的鹽度數(shù)據(jù)按照上面的方式進行時空匹配，得到349個點對。兩種產(chǎn)品的鹽度分布圖和誤差分布圖見圖5。Aquarius/SAC-D鹽度產(chǎn)品略高于實測鹽度，均方根誤差（RMSE）為0.88 psu，平均絕對誤差（MAE）為0.78 psu?？梢钥吹?，Aquarius/SAC-D產(chǎn)品的誤差也較大，因此需要建立新的反演模型。

圖5　Aquarius/SAC-D鹽度數(shù)據(jù)和實測鹽度數(shù)據(jù)分布圖（上）及誤差分布圖（下）

2　統(tǒng)計模型

本節(jié)利用貝葉斯網(wǎng)絡(luò)模型對海表面鹽度等參數(shù)建立統(tǒng)計模型，并利用實測Argo鹽度數(shù)據(jù)對模型進行評估和檢驗。

2.1貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）由網(wǎng)絡(luò)拓撲結(jié)構(gòu)和條件概率分布族兩部分組成。拓撲結(jié)構(gòu)是有向無環(huán)圖（directed acyclic graph，DAG），節(jié)點代表變量，節(jié)點間的有向邊代表變量間的條件依賴關(guān)系。每一個節(jié)點都附有一個條件概率分布，即貝葉斯網(wǎng)絡(luò)的參數(shù)。根據(jù)獨立性假設(shè)，聯(lián)合概率分布可以展開成以下形式:

式中：π（Xi）表示變量Xi的父節(jié)點。

連續(xù)型貝葉斯網(wǎng)絡(luò)中的所有節(jié)點變量都是連續(xù)型變量，通常假設(shè)其參數(shù)為多元正態(tài)模型。

Kenley C R，Schachter R，Castilo E等［20-22］分別對連續(xù)型貝葉斯網(wǎng)絡(luò)進行研究，式（1）中的條件分布可以表示為如下形式：

式中：μi是Xi的均值；σ2i是Xi的條件方差；bij是在給定Xi父節(jié)點π（Xi）下用來衡量Xj對Xi影響的回歸系數(shù)，即變量Xi的預(yù)測方程為：

當(dāng)對參數(shù)｛μ1，μ2，…，μn｝，和進行估計后就可以確定預(yù)測方程［23］。當(dāng)模型結(jié)構(gòu)已知時，貝葉斯網(wǎng)絡(luò)學(xué)習(xí)簡稱為參數(shù)學(xué)習(xí)，包括極大似然估計方法［24］和貝葉斯估計方法［25］；而對模型結(jié)構(gòu)進行推斷時，稱為結(jié)構(gòu)學(xué)習(xí)，通常包括即基于約束（Constraint based，CB）的學(xué)習(xí)算法［26］，基于評分（Score-based，SB）的學(xué)習(xí)算法［27］和混合學(xué)習(xí)算法［28］，其中比較常用的是基于評分算法。

2.2模型結(jié)果分析

利用1.4節(jié)得到的訓(xùn)練數(shù)據(jù)集，對7個變量SSS，TBH，TBV，SST，SWH，WS和RR通過爬山法［29］進行結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)。為了避免局部最優(yōu)化和結(jié)構(gòu)學(xué)習(xí)過擬合，以10幅隨機圖作為搜索算法的起點，設(shè)置每一個節(jié)點的最大父節(jié)點個數(shù)為4個，選擇BIC作為結(jié)構(gòu)學(xué)習(xí)的評分函數(shù)。最后選擇評分最低的結(jié)構(gòu)（最優(yōu)結(jié)構(gòu)）作為理想結(jié)構(gòu)進行下一步的參數(shù)學(xué)習(xí)，該結(jié)構(gòu)變量間的關(guān)系如圖6。

圖6　貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

從得到的網(wǎng)絡(luò)結(jié)構(gòu)圖中，可以得到這7個相關(guān)變量之間的影響關(guān)系。直接影響海表面鹽度SSS的因素是海表面溫度SST、水平極化亮溫TBH和垂直極化亮溫TBV以及降雨率RR。

由于對變量數(shù)據(jù)并沒有可靠的先驗認識，所以在進行參數(shù)學(xué)習(xí)時并不加先驗，即采用極大似然估計的方法來進行參數(shù)估計，得到的條件分布集合為：

當(dāng)對海表面鹽度變量進行推斷時，由前面的條件分布集合和公式（3），可以得到如下預(yù)測公式：

利用鹽度的預(yù)測公式（4）可以得到海表面鹽度的擬合值。對于訓(xùn)練數(shù)據(jù)集，模型擬合的鹽度值和真實鹽度值的散點圖見圖7，可以看到數(shù)據(jù)點對比較接近于直線y=x。經(jīng)過計算，模型的均方根誤差RMSE和平均絕對誤差MAE分別是0.47 psu和0.34 psu，而SMOS SSS1產(chǎn)品的精度分別為1.90 psu和1.46 psu，誤差分布圖見圖7。同時繪制了模型產(chǎn)品和SMOS SSS1的誤差百分比分布圖（圖8），其中99%的模型誤差都集中在-1～1 psu之間，而SMOS SSS1的誤差只有44%，在-1～1 psu之間。

圖7　模型擬合的鹽度值和真實鹽度值的散點圖及誤差分布圖

圖8　模型擬合鹽度以及SMOS鹽度的誤差分布圖

2.3模型驗證

為了對模型進行適應(yīng)性驗證，選取南海海域2013年4月-6月進行對比研究。訂購下載并用Beam軟件讀取數(shù)據(jù)，按照1.4提出的原則對數(shù)據(jù)進行時空匹配，可以得到SMOS衛(wèi)星3種Level 2鹽度產(chǎn)品（SSS1，SSS2，SSS3）和6個影響變量（TBH，TBV，SST，SWH，RR，WS）。2013年4月、5月和6月南海海域的有效網(wǎng)格點數(shù)據(jù)各為11 577 985，11 987 166和11 367 069組。通過貝葉斯網(wǎng)絡(luò)模型計算可以得到網(wǎng)格點的海表面鹽度，進一步平均后可以得到空間分辨率為1°×1°的單天和月平均數(shù)據(jù)產(chǎn)品。繪制海表面鹽度的月平均產(chǎn)品空間分布圖（圖9），鹽度數(shù)據(jù)的變化范圍為32.5～35 psu。

圖9　2013年4月、5月和6月的月平均鹽度產(chǎn)品圖

2013年4月至6月南海海域共有374個有效的Argo浮標(biāo)（圖10），按照1°×1°的單天平均后和我們的日平均產(chǎn)品以及SMOS Level 2日平均產(chǎn)品進行時空匹配，得到286組匹配數(shù)據(jù)。圖11（a）是匹配的Argo數(shù)據(jù)、模型產(chǎn)品和SMOS Level 2產(chǎn)品的分布圖，可以看到模型產(chǎn)品更接近于實測數(shù)據(jù)（Argo）。圖11（b）是模型產(chǎn)品和SMOS Level 2產(chǎn)品的誤差分布圖。經(jīng)過計算，均方根誤差RMSE分別為0.45 psu和1.82 psu，進一步說明該產(chǎn)品相對于SMOS Level 2產(chǎn)品具有更高的精度。

圖10　2013年4月到6月南海區(qū)域有效的Argo數(shù)據(jù)的標(biāo)記地理位置

圖11　（a）匹配段Argo鹽度、模型產(chǎn)品和SMOS Level 2產(chǎn)品的分布圖，（b）匹配的模型產(chǎn)品和SMOS Level 2產(chǎn)品的誤差分布圖

3　總結(jié)

海表面鹽度是研究大洋環(huán)流和海洋對全球氣候影響的重要因素。本文通過建立貝葉斯網(wǎng)絡(luò)模型，充分利用衛(wèi)星遙感數(shù)據(jù)得到了海表面鹽度的預(yù)測公式，而且模型精度較高（點對點精度為0.47 psu）。同時，將模型日平均產(chǎn)品與實測Argo數(shù)據(jù)進行比較，誤差RMSE為0.45 psu，而SMOS衛(wèi)星Level 2日平均產(chǎn)品的誤差為1.82 psu。此結(jié)果說明我們得到的海表面鹽度預(yù)測模型可以對SMOS衛(wèi)星產(chǎn)品進行進一步修正，且具有較好的泛化能力。

在未來的研究中，將進一步嘗試用統(tǒng)計分析的其他方法，如主成分回歸或非線性回歸方法來建立反演模型。進一步考慮陸地射頻、淡水流入等數(shù)據(jù)對模型的影響，建立適應(yīng)性更強的模型。

［1］Kerr Y H，Waldteufel P，Wigneron J P，et al.Soil Moisture Retrieval from Space:The Soil Moisture and Ocean Salinity（SMOS）Mission［J］.Geoscience and Remote Sensing，IEEE Transactions on，2001，39（8）:1729-1735.

［2］Zine S，Boutin J，Waldteufel P，et al.Issues about Retrieving Sea Surface Salinity in Coastal Areas from SMOS Data［J］.Geoscience and Remote Sensing，2007，45（7）:2061-2072.

［3］Talone M.Contribution to the Improvement of the Soil Moisture and Ocean Salinity（SMOS）Mission Sea Surface Salinity Retrieval Algorithm［D］.Universitat Politecnica de Catalunya，2010.

［4］Murtugudde R，Busalacchi A J.SalinityEffects in a Tropical Ocean Model［J］.Journal ofGeophysical Research:Oceans（1978-2012），1998，103（C2）:3283-3300.

［5］王新新，楊建洪，趙冬至，等.Aquarius/SAC-D衛(wèi)星鹽度數(shù)據(jù)在中國南海的準(zhǔn)確度評估［J］.熱帶海洋學(xué)報，2013（5）:23-28.

［6］Sen A，CarusoD，DurhamD，et al.Launch and On-Orbit Checkout ofAquarius/SAC-D Observatory:An International Remote Sensing Satellite Mission MeasuringSea Surface Salinity［J］.Sensors，Systems，and Next-Generation Satellites XV，2011，8176（3）:6012-6015.

［7］Gaillard F，Morin P，Reverdin G.Contribution to the ICES Working Group on Oceanic Hydrography National Report［R］.National Report，2013:1-19.

［8］Gaillard F，Charraudeau R.ISAS-V4.1b:Description ofthe Method and User Manual［M］.Rapport LPO，2008:08-03.

［9］Roemmich D，Gilson J.The 2004-2008 Mean and Annual Cycle of Temperature，Salinity，and Steric Height in the Global Ocean from the ArgoProgram［J］.Progress in Oceanography，2009，82（2）:81-100.

［10］Hosoda S，Ohira T，Nakamura T.A Monthly Mean Dataset of Global Oceanic Temperature and Salinity Derived from Argo Float Observations［J］.JAMSTECReport ofResearch and Development，2008，8:47-59.

［11］Martin MJ，Hines A，Bell MJ.Data Assimilation in the FOAMOperational Short-Range Ocean Forecasting System:A Description of the Scheme and Its Impact［J］.QuarterlyJournal ofthe Royal Meteorological Society，2007，133（625）:981-995.

［12］Udaya Bhaskar T V S，Ravichandran M，Devender R.An Operational Objective Analysis System at INCOIS for Generation of Argo Value Added Products［J］.2007，1:48.

［13］Umbert M，Hoareau N，Turiel A，et al.NewBlendingAlgorithmtoSynergize Ocean Variables:The Case ofSMOS Sea Surface Salinity Maps［J］.Remote SensingofEnvironment，2014，146（5）:172-187.

［14］KhorramS.Remote SensingofSalinityin the San FranciscoBayDelta［J］.Remote SensingofEnvironment，1982，12（1）:15-22.

［15］Baban S MJ.Environmental Monitoring of Estuaries；Estimating and Mapping Various Environmental Indicators in Breydon Water Estuary，U.K.，UsingLandsat TMImagery［J］.Estuarine，Coastal and ShelfScience，1997，44（5）:589-598.

［16］LaveryP，Pattiaratchi C，Wyllie A，et al.Water QualityMonitoringin Estuarine Waters Usingthe Landsat Thematic Mapper［J］.Remote SensingofEnvironment，1993，46（3）:268-280.

［17］Wang F，Xu Y J.Development and Application of a Remote Sensing-Based Salinity Prediction Model for a Large Estuarine Lake in the USGulfofMexicoCoast［J］.Journal ofHydrology，2008，360（1）:184-194.

［18］Gabarró Prats C.StudyofSalinityRetrieval Errors for the SMOSMission［D］.Barcelona，2004.

［19］Busalacchi A J，Hackert E C，Alory G，et al.Spatio-Temporal Variability and Error Structure of SSS in the Tropics［C］//AGU Fall MeetingAbstracts，2011，1:1627.

［20］KenleyCR.Influence DiagramModels with Continuous Variables［D］.US，CA:Stanford University，1986.

［21］Shachter R D，KenleyCR.Gaussian Influence Diagrams［J］.Management Science，1989，35（5）:527-550.

［22］Castillo E，Gutierrez J M，Hadi A S.Expert Systems and Probabilistic Network Models［J］.Computational Statistics and Data Analysis，1997，2（25）:244-245.

［23］Heckerman D，Geiger D，Chickering D M.Learning Bayesian Networks:The Combination of Knowledge and Statistical Data［J］.Machine learning，1995，20（3）:197-243.

［24］Le Cam L.Maximum Likelihood:An Introduction［J］.International Statistical Review/Revue Internationale de Statistique，1990: 153-171.

［25］HaffLR.Empirical Bayes Estimation ofthe Multivariate Normal Covariance Matrix［J］.The Annals ofStatistics，1980:586-597.

［26］Cooper G F.A Simple Constraint-Based Algorithm for Efficiently Mining Observational Databases for Causal Relationships［J］.Data Miningand Knowledge Discovery，1997，1（2）:203-224.

［27］Dobeck G J.A Probabilistic Model for Score-Based Algorithm Fusion［C］//OCEANS，2005.Proceedings of MTS/IEEE.2005，3: 2429-2434.

［28］Wong M L，Leung K S.An Efficient Data Mining Method for Learning Bayesian Networks Using an Evolutionary Algorithm-Based Hybrid Approach［J］.EvolutionaryComputation，IEEE Transactions on，2004，8（4）:378-404.

［29］Scutari M.LearningBayesian Networks with the Bnlearn R Package［J］.Journal ofStatistical Software，2010，35（3）:1-22.

Study on the Sea Surface Salinity Model Based on SMOS Data

ZHAO Hong，WANG Cheng-jie
School of Mathematical Sciences，Ocean University of China，Qingdao 266100，Shandong Province，China

Sea surface salinity（SSS）is a key parameter for studying the effects of the ocean on global climate and ocean circulation，and satellite remote sensing detection functions as the most effective means to obtain SSS data.Currently，L-band SMOS and Aquarius/SAC-D satellites are being used to detect SSS based on observing data and the physical mechanism.However，in some near-shore areas，due to the inflow of freshwater and terrestrial radio frequency interference，the precision of salinity satellite products is relatively low.This paper uses the measured data from the"Dong Fang Hong 2"scientific expedition ship and SMOS data to predict SSS by the Bayesian network model for the first time in the South China Sea，and assesses the model with validation data sets（measured Argo salinity）.Analysis results show that the model error and validation error is 0.47 psu and 0.45 psu，respectively，while the precision of SMOS Level 2 products is 1.90 psu and 1.82 psu，respectively.This model provides a new method to predict SSS.

sea surface salinity（SSS）；SMOS satellite；Bayesian network；statistical model

10.3969/j.issn.1003-2029.2016.01.002

P731.1；TP79

A

1003-2029（2016）01-0015-08

2015-09-08

中央高?；究蒲袠I(yè)務(wù)費資助項目（201362031）；山東省自然科學(xué)基金資助項目（ZR2015AQ004）

趙紅（1981-），女，碩士，講師，主要從事貝葉斯網(wǎng)絡(luò)模型、衛(wèi)星遙感與應(yīng)用研究。E-mail:zhaohong@ouc.edu.cn