数据驱动的时空过程建模及其约束下的多源SST遥感产品融合方法研究

Satellite-derived Sea Surface Temperature (SST) with mullti-spatiotemporal-scale is increasingly important in the sea-atmospheric coupled system, and it has become an essential data source in the multi-scale numerical model. However, satellite-derived SST has many advantages, for example high coverage and instantaneous features and stability, there are many defects in satellite-derived SST of single product shown as follows: 1) they are incompleteness spatiotemporally due to the feature of the sensor, atmospheric environment, retrieval algorithms and so on; 2) spatiotemporal scale cannot meet the need of multi-scale numerical model due to single resolution; 3) the inconsistencies of physical meaning between products from multi-sensors. The SST fields with higher accuracy and higher resolution spatiotemporally are obtained through data assimilation and fusion of the products obtainable by the Global High Resolution Sea Surface Temperature Pilot Project in the Global Ocean Data Assimilation Experiment. So this project will merge MODIS and AMSR-E SST products to obtain fusion datasets with multi-scale, completeness and high accuracy through the Robust Fixed Rank Kriging Methodology and Spatiotemporal Hierarchical Bayesian Methodology based on the data-driven process model of SST spatiotemporally. The study focus is as follows: 1) how to create data-driven spatiotemporal random effect process model of SST; 2) the seamless transformation of scale between multi-scale SST products; 3) how to quantify the theoretical and physical uncertainty; 4) the spatial Representation of the point observation and the computation of massive data of remote products. This study can provide the guidance for the obtaining the data source of satellite-SST with multi-spatiotemporal-scale, completeness and high precision.

目前单一传感器的SST遥感产品存在时空不完整、分辨率难以满足多尺度模型建模的需要、物理意义不一致等单方面或多方面的问题，全球海洋数据同化试验（GODAE）GHRSST-PP项目提出通过同化和融合现有SST产品，得到更高精度和时空分辨率的SST分布场。本项目拟以影响我国短期气候的关键区----亚印太交汇区为研究区，建立数据驱动的SST时空过程模型，以此为约束条件，将多源、多尺度MODIS和AMSR-E SST遥感产品通过稳健的固定阶数Kriging方法及时空层次贝叶斯方法进行融合，以得到多时空尺度的、空间连续的、高精度的SST融合数据集。重点研究数据驱动的SST时空随机效应过程模型的构建方法、多时空尺度SST遥感产品无缝转换方法、SST遥感产品不确定性的定量化方法、点位数据的空间代表性及遥感大数据量的高效计算方法。以为多时空尺度、连续完整的高精度SST遥感产品的获得提供科学的方法指导。

项目背景：. 目前单一传感器的SST遥感产品存在时空不完整、分辨率难以满足多尺度模型建模的需要、物理意义不一致等单方面或多方面的问题，全球海洋数据同化试验（GODAE）GHRSST-PP项目提出通过同化和融合现有SST产品，得到更高精度和时空分辨率的SST分布场。本项目利用MODIS红外SST产品和AMSR-E微波SST产品在时空分辨率、时空完整性及精度等方面的互补性，以影响我国短期气候的关键区----亚印太交汇区为研究区，建立数据驱动的SST时空过程模型，以此为约束条件，将两种SST遥感产品采用时空层次贝叶斯方法进行融合，得到空间完整的、高精度的、空间细节信息丰富的融合数据集。.研究内容：. SST 遥感产品时空完整性及不确定性评价；数据驱动的 SST 时空过程模型构建；基于稳健的固定阶数 Kriging 模型的融合技术与方法；基于时空层次贝叶斯模型的融合技术与方法。重点研究数据驱动的SST时空随机效应过程模型的构建方法、多时空尺度SST遥感产品无缝转换方法、SST遥感产品不确定性的定量化方法、点位数据的空间代表性及遥感大数据量的高效计算方法。.重要结果：. 1）对MODIS和AMSR-E两种产品不确定进行定量评价，总结了其时空分布特征。. 2）形成了基于时空序列加法过程模型的层次贝叶斯融合算法体系；. 3）形成了基于稳健的固定阶数kriging算法体系；. 4）形成了基于稳健的固定阶数滤波过程模型的层次贝叶斯融合算法体系；. 5）得到了高精度的、高分辨率的、时空完整的、空间细节信息丰富的数据集；.关键数据：. MODIS level-3 map数据；AMSR-E level-3内插数据；漂流浮标数据；时空完整的高精度高分辨率融合数据；.科学意义：. 对数据驱动的SST时空随机效应过程模型的构建方法、多时空尺度SST遥感产品无缝转换方法、SST遥感产品不确定性的定量化方法、点位数据的空间代表性及遥感大数据量的高效计算方法进行了探索，并形成了一整套完整的方法体系，为多时空尺度、连续完整的高精度SST遥感产品的获得提供了方法思路。