本文发表于 Remote Sensing 期刊，于2024年9月11日在线出版。主要作者包括来自澳大利亚气象局（Australian Bureau of Meteorology）的 Pallavi Govekar、Christopher Griffin 和 Helen Mary Beggs，以及来自英国雷丁大学（University of Reading）国家地球观测中心（National Centre for Earth Observation）的 Owen Embury、Jonathan Mittaz 和 Christopher J. Merchant。这是一项关于海面温度（Sea Surface Temperature， SST）卫星反演与产品开发的研究。

研究背景

海面温度是数值天气预报、全球气候建模、气候变化与变异研究中的关键变量。卫星反演的SST数据广泛应用于海洋、天气、气候及季节性监测预报、军事行动、珊瑚白化评估、商业渔业和水产养殖、环境管理等多个领域。与极轨卫星相比，地球静止轨道卫星能以更精细的时间尺度（如分钟级）提供连续的SST观测，这对于监测海洋上涌、海洋热浪和昼夜变暖等快速演变现象具有无可比拟的优势。

日本的地球静止气象卫星“向日葵-8号”（Himawari-8）及其后继者“向日葵-9号”，搭载的先进葵花成像仪（Advanced Himawari Imager, AHI）传感器在频率、空间分辨率和精度上较前代卫星有显著提升。它位于东经140.7度，每10分钟提供一次空间分辨率约2公里的全圆盘观测，其红外波段（如3.9、8.6、10.4、11.2和12.4微米）能够感知SST。多个机构（如日本宇宙航空研究开发机构、美国国家海洋和大气管理局）已基于不同算法业务化生成Himawari-8/9的SST产品。作为对澳大利亚综合海洋观测系统（Integrated Marine Observing System, IMOS）的贡献，澳大利亚气象局旨在生产高质量、一致的SST产品。此前，气象局自2016年起近实时生产Himawari-8 SST产品，但其精度不足以用于业务化海洋模型或SST分析的同化。旧版本产品存在系统偏差、云检测不准确、缺乏不确定性估计等问题。因此，本研究旨在开发一个全新的、改进的Himawari-8 SST处理流程，生产更高质量、符合国际高分辨率海表温度小组（GHRSST）数据规范（GDS 2.0）的SST产品。

本研究的目标是：1）利用基于物理的先进反演方法从Himawari-8 AHI数据中生成高精度SST；2）开发并应用一个经验性的传感器特定误差统计（Sensor Specific Error Statistics， SSES）模型来估算每个像素的偏差和标准偏差；3）开发新的合成方法，生成小时、4小时和夜间日合成SST产品；4）对2015年9月至2022年12月期间的所有可用Himawari-8数据进行再处理；5）将新数据与现有极轨卫星数据融合，生成空间覆盖度更高的复合产品。

详细工作流程

本研究的工作流程主要包含四个核心环节：SST反演、SSES偏差模型构建、产品合成以及验证。

第一环节：SST反演流程。 本研究采用的方法基于欧洲空间局（ESA）气候变化倡议（CCI）SST版本2处理代码，并与雷丁大学合作进行了修改以适应Himawari-8地球静止卫星。反演流程的两个核心步骤是云检测和SST反演。

• 云检测： 采用贝叶斯（Bayesian）方法计算每个像素为晴空的概率。该方法利用卫星观测值（作为观测向量y）和先验知识（作为背景状态向量xa，包括来自数值天气预报的先验海面温度、总柱水汽和风速）。观测向量包含了光谱信息（使用0.64, 0.86, 3.9, 10.4, 和 12.4微米五个通道）和纹理信息（10.4微米通道在3x3像素框内的局部标准偏差）。通过结合从辐射传输模型（Radiative Transfer Model， RTM）输出中估计的晴空光谱概率密度函数（PDF），以及从预生成的查找表中获取的纹理和云区PDF，应用贝叶斯定理计算最终晴空概率p(c|y, xa)。研究表明，这种动态使用先验信息的物理概率方法，比传统的静态阈值方法能更有效地减少漏检云和误检云的情况。

• SST反演： 在云检测确定的晴空区域，采用最优估计（Optimal Estimation, OE）方法进行SST反演。该方法利用快速辐射传输模型RTTOV v12.3模拟卫星观测的亮温（Brightness Temperature， BT）。反演过程以数值天气预报提供的先验状态为起点，结合卫星观测亮温与模拟亮温之间的差异，以及模型对状态变化的敏感性信息，通过公式迭代求解，最终得到修正后的海表皮温（skin SST，约10微米深度）。为了确保反演对SST锋面和昼夜变暖等高时空变化现象保持高敏感性，研究有意将先验SST的不确定性设置为一个较大的值（5 K），这使得反演结果更接近“最大似然解”，虽然略微增加了整体不确定性，但更好地保留了SST的瞬时变化特征。最后，每个像素会根据其晴空概率、反演敏感度和拟合优度χ²值，被赋予一个0到5的质量等级（Quality Level, QL）。

第二环节：SSES模型构建。 为满足GHRSST数据规范要求，并为用户提供数据质量信息，本研究开发并应用了一个经验性的SSES模型，用于估算每个有效SST像素相对于现场浮标观测的偏差和标准偏差。该模型基于过去30天的卫星与现场观测匹配数据（匹配标准：空间距离公里，时间窗口<60分钟，且只选择海洋表层充分混合条件下的现场数据），以滚动窗口方式每5天重新评估一次模型参数。

模型的关键创新在于将总误差分解为与卫星观测几何相关的“视场分量”和与地理位置相关的“地理分量”，并假设两者可分离。视场分量模型参数是卫星天顶角、太阳天顶角（及其谐波项）和质量等级的函数；地理分量模型参数是纬度、经度和质量等级的函数。模型使用多项式表示这些维度及其交叉项，并通过普通最小二乘法拟合参数。这种方式相比传统的纯查表法，所需参数更少，且能确保误差估计在参数空间内平滑变化。最终，每个像素的SSES_偏差是视场偏差与地理偏差之和，SSES_标准偏差是两者的乘积（设有一个最小值σ0），而SSES_计数则代表了基于经验模型的、在类似观测条件下的现场匹配数据数量密度。

第三环节：产品合成。 为了提供空间覆盖更完整、时间尺度更适用的SST产品，研究开发了新的合成算法，将原生分辨率的10分钟L2P产品合成为三种L3C产品：每小时（L3C-01hour）、每4小时（L3C-04hour）和每日夜间（L3C-01day-night）合成产品。 * 合并（Merge）算法（用于小时和4小时合成）： 该算法旨在从一系列连续观测中，为每个网格点选择最能代表目标时刻（t0）SST的观测值。其过程分为三步：1）准备：对每个位置的时间序列SST进行质量控制，并分别拟合背景趋势（大尺度缓变）和前景变化（局部瞬变），以此估计t0时刻的SST；2）播种：在准备好的数据中识别出面积足够大（>20像素）、SST稳定的连通区域，作为可靠数据的“种子”；3）生长：从种子区域开始，通过反距离加权方法迭代地将SST值外推到周围未定义区域，最终为每个点选择与生长域最接近的原始观测值作为合成结果。 * 选择（Choose）算法（用于夜间日合成）： 算法更简单，在给定的夜间时段内，为每个网格点直接选择质量等级最高且时间最近的L3C小时合成SST值。 所有合成产品最后都被重投影到标准的IMOS 0.02度经纬度网格上。

第四环节：验证。 研究利用来自现场质量监测（iQuam）系统的漂流浮标和热带系泊浮标数据，对生成的L2P和L3C产品进行了全面验证。验证前，对卫星反演的海表皮温加上了0.17 K的调整值，以补偿“冷皮层效应”，使其与浮标在约0.2米深度测量的温度更具可比性。匹配标准放宽为空间距离<10公里，时间差小时。验证指标包括偏差（ΔSST）、标准偏差（σΔSST）和标准化残差的标准偏差（σzSST，用于评估SSES_标准偏差是否合理）。

主要结果

1. L2P产品性能： 图1-2展示了单次10分钟L2P产品的示例，包括反演的SST、晴空概率、敏感度、质量等级以及SSES模型估算的偏差、标准偏差和计数。结果显示，在圆盘中心区域质量较高，敏感度普遍大于95%，偏差通常小于0.4 K，标准偏差在0.4-0.6 K之间；在圆盘边缘或云边界附近，质量下降，偏差和不确定度增大。
2. 全圆盘验证统计： 对2015年9月至2022年12月整个时段内、质量等级≥3的数据进行月度滚动统计验证（图3-5，图9）。在偏差校正前，白天SST存在正偏差（0.3-0.4 K），夜间为轻微负偏差（约-0.05 K）。应用SSES偏差校正后，白天平均偏差降至约-0.04 K，夜间平均偏差降至约-0.14 K。负偏差在夜间是可预期的，因为验证的是皮肤温度。标准偏差在0.4 K到0.7 K之间，偏差校正对其影响不大。研究还发现了偏差模型的一些局限性，例如在日出/日落时段存在较强的正偏差，以及南北半球之间的表现差异，这为未来模型改进指明了方向。
3. L3C合成产品性能与覆盖度： 图10展示了合成产品显著增加了空间数据覆盖度。在IMOS区域内，1小时合成的平均覆盖率约为22%，4小时合成提升至约32%，而夜间日合成则达到约47%。与现场数据的验证表明（图11-13），经过偏差校正后，1小时合成产品夜间平均偏差约为-0.13 K，标准偏差0.45 K；4小时合成产品夜间平均偏差约为-0.10 K，标准偏差0.40 K；夜间日合成产品平均偏差约为-0.22 K，标准偏差0.48 K。
4. 地极多传感器L3S产品： 将新的Himawari-8夜间L3C产品与现有的极轨卫星（Metop-B, Suomi NPP, NOAA-20）多传感器L3S产品进行融合，生成了新的“地极多传感器L3S”产品（图14）。该产品在IMOS区域的平均数据覆盖率比原有的纯极轨多传感器产品高出约20%，能更有效地填充由瞬变云造成的空缺。

结论与意义

本研究成功开发并验证了一套全新的、基于Himawari-8地球静止卫星的高质量SST产品处理系统。通过采用基于物理的贝叶斯云检测和最优估计反演方法，显著提高了SST反演的准确性和对快速变化现象的敏感性。所开发的SSES模型为每个像素提供了定量化的不确定性估计，符合GHRSST标准。创新的合成算法有效利用了地球静止卫星高时间分辨率的优势，生成了空间覆盖度大幅提升的合成产品。

这项工作的科学价值在于：1）为澳大利亚及西太平洋区域提供了一套长时间序列、高时空分辨率、高质量且一致性的SST气候数据记录；2）展示了将极轨卫星气候数据处理方法成功移植并优化应用于地球静止卫星的可行性与优势。其应用价值广泛：增强的SST产品数据覆盖和质量将直接惠及IMOS OceanCurrent等海洋监测服务，并能为海洋热应力监测、海洋热浪研究、近岸上升流调查以及珊瑚礁健康（如用于气象局的下一代ReefTemp系统）等应用提供更可靠的数据基础。

研究亮点

1. 方法创新性： 将ESA SST CCI项目中为极轨卫星开发的、经过验证的先进物理反演算法（贝叶斯云检测+最优估计）首次系统地适配并应用于地球静止卫星Himawari-8，显著提升了产品在复杂情况下的稳健性和准确性。
2. 误差模型改进： 提出的SSES模型采用了“视场分量”与“地理分量”可分离的建模思路，并使用平滑函数进行拟合，相比传统查表法更具鲁棒性，能提供连续、合理的误差场。
3. 合成算法独特性： 开发的“合并”与“选择”合成算法，特别是“合并”算法中“准备-播种-生长”的三步策略，巧妙地利用了时间序列信息来甄别和修复因瞬时云或反演问题造成的空缺，在不过度依赖完美云检测的前提下，最大化地利用了高时间分辨率观测，显著提升了合成产品的空间完整性和时空一致性。
4. 完整的数据再处理与发布： 对Himawari-8整个在轨服务期（2015-2022）的数据进行了再处理，生成了L2P、L3C（1小时、4小时、夜间日）以及地极多传感器L3S等多级产品，并通过澳大利亚海洋数据网络和国家计算基础设施等平台公开发布，构成了一个宝贵的数据集。

未来工作

文章最后指出了未来的改进方向：一是计划集成ESA SST CCI版本3代码，该版本改进了对对流层气溶胶辐射效应的处理，有助于减少特定气溶胶（如沙尘）引起的冷偏差；二是计划进一步优化SSES模型，以更好地处理昼夜变化差异，并改进对南北半球匹配数据代表性不均问题的建模。此外，研究团队计划在2025年6月前使用新代码近实时处理Himawari-9数据，并最终再处理Himawari-8和Himawari-9的完整SST数据记录。