全文HTML
--> --> -->设备参数 | 值 |
观测角度个数 | ≤12 |
波段/nm | 443, 490(P), 565, 670(P), 763, 765, 865(P), 910 |
相应带宽/nm | 20, 20, 20, 20, 10, 40, 40, 20 |
观测量 | I, Q, U |
辐射定标误差 | ≤ 5% |
偏振定标误差 | ≤ 0.02 |
表1DPC传感器的基本参数
Table1.Basic characteristics of DPC sensor.
经过严格的几何校正和配准, DPC提供的L1级产品包含归一化Stokes矢量[22]的前三个分量I, Q和U. I为总的辐射强度, Q和U描述了光相对于主平面(由观测方向和太阳位置构成的平面)的偏振状态. 由于Q和U与参考平面有关, 对测量定标的精度要求较高, 因此在实际反演中, 通常采用不含偏振方向信息的偏振辐亮度Lp进行反演[23-26], 其定义为:
采用线性化的矢量辐射传输模型UNL-VRTM (unified linearized vector radiative transfer model) [27]对DPC多角度偏振观测进行模拟. UNL-VRTM在VLIDORT(vector linearized discrete ordinate radiative transfer model) [28]的基础上进行开发, 增加了linearized Mie, linearized T-matrix, Rayleigh散射以及基于HITRAN (high-resolution transmission molecular absorption database)数据库的line-by-line (LBL)气体吸收计算模块, 形成了开源且易用的辐射传输模型. UNL-VRTM能够仿真TOA (top of atmosphere)归一化的Stokes 矢量, 同时计算出I, Q和U对模型参数的雅可比矩阵(Jacobian matrix), 该模型已经在许多研究中得到应用和验证[29-33].
3.1.地表模型
对于卫星偏振观测, 本研究所采用的地表模型由强度和偏振两部分的贡献构成[16]:2
3.2.气溶胶模型
采用球形粒子假设的双峰对数正态分布函数来描述气溶胶粒子谱:2
3.3.最优化估计模型
为了对DPC反演能力进行系统性的定量评估, 引入最优化估计理论中的两个评价指标: 自由度(degree of freedom for signal, DFS)和后验误差(posteriori error). 其中, DFS是对测量中包含的目标信息的定量描述, DFS越高, 观测包含的目标信息越充分, 通常, 当某个参数的DFS大于0.5时, 可以认为该参数能够通过观测反演得到[36]. 总DFS则描述了观测系统的整体能力, 是基于最优化估计反演框架对卫星观测能力总的定量化评价. 后验误差又称为理论反演误差, 描述了反演结果的不确定性. 这两个指标是定量分析卫星传感器对气溶胶遥感观测能力的有力工具, 下面给出其定义和具体描述.卫星观测系统可以用形式简单的前向模型进行描述:
后验估计对状态参数的偏导数称为平均核矩阵, 描述了反演结果对真实状态的敏感程度, 定义为
误差项
-->
4.1.观测几何
图1为基于DPC多角度观测模式提取的四组典型观测几何, 每一组观测包含12个观测角度, 具体由对应的观测天顶角(图 1 研究采用的DPC多角度观测几何
Figure1. Multi-angle observation geometries adopted in the simulation, information content analysis and a posteriori error analysis. The solid circle, diamond, square and triangle with
为了分析观测角度数量对反演的影响, 按照观测天顶角由小到大对每一组观测中的12个角度进行排序, 然后依次增加观测角度个数, 从而形成包含不同观测角度个数的观测模式, 具体如图2所示.
图 2 不同观测角度个数的观测示意图
Figure2. Illustrationsof observation scenarios with different number of viewing angles.
对应地, 各组观测在不同的观测角度个数下散射角的分布范围如图3所示, 其中第2和第3组观测覆盖的散射角范围较小, 第1和第4组观测覆盖的散射角范围较大, 同时更靠近后向散射区域. 四组观测的散射角范围分别为[116.68°,173.62°], [107.72°,121.62°], [82.23°,109.78°] 和 [92.58°,145.82°].
图 3 四组观测在不同观测角度个数下的散射角分布
Figure3. Distribution of the range of scattering angle corresponding to the geometries in Fig. 1.
2
4.2.观测向量及观测误差
DPC的一组多角度观测数据包含不同观测几何、不同观测波段的强度和偏振观测值:强度和偏振作为两种不同的观测量, 其定标精度也有所不同, 因此需要对二者的观测误差分别进行考虑. DPC辐射强度测量的相对不确定性在3%到5%之间, 这里按照上限5%设定, 即
2
4.3.气溶胶和地表模型参数及先验估计误差
表2列出了状态向量x和非状态向量b的组成情况, 为了分析所有气溶胶和地表参数的可反演性, 将信息量分析过程分为两种情况: 一是将气溶胶和地表的参数全部视为状态参量, 即没有非状态参量; 二是将气溶胶的模型参数(包括复折射指数、有效半径和有效方差)视为非状态参量.符号 | 参数名称 | 情形1 | 情形2 | ||
x | b | x | b | ||
V0f,V0c | 气溶胶细、粗模态体积柱浓度/(μm3·μm-2) | √ | √ | ||
refff, reffc | 气溶胶细、粗模态有效半径/(μm) | √ | √ | ||
vefff,veffc | 气溶胶细、粗模态有效方差 | √ | √ | ||
mrf, mrc, | 气溶胶细、粗模态复折射指数实部 | √ | √ | ||
mif,mic | 气溶胶细、粗模态复折射指数虚部 | √ | √ | ||
fiso(${\lambda _1}$),…, fiso(${\lambda _5}$) | 地表BRDF朗伯项参数 | √ | √ | ||
k1,k2 | 地表BRDF几何项和体积项参数 | √ | √ | ||
C | 地表BPDF参数 | √ | √ |
表2状态向量和非状态向量的参数组成
Table2.State vector and non-state vector elements for different scenarios.
误差协方差矩阵Sa和Sb由对应参数的先验估计误差构成, 可以描述为:
本研究中, 气溶胶模型参数采用地基AERONET多年的观测统计数据[38]; BRDF参数中, fiso(
气溶胶模型1 | |||||
V0f/μm3·μm–2 | V0c/μm3·μm–2 | V0/μm3·μm–2 | FMFV | AOD(550 nm) | |
细粒子主导 | 0.0745(100%) | 0.0186(100%) | 0.093 | 0.8 | 0.5 |
粗粒子主导 | 0.0493(100%) | 0.197(100%) | 0.246 | 0.2 | 0.5 |
mr | mi | reff/μm | veff | ||
细模态 | 1.44(0.15, 0.025) | 0.011(0.01, 50%) | 0.21(80%, 15%) | 0.25(80%, 15%) | |
粗模态 | 1.55(0.15, 0.04) | 0.003(0.005, 50%) | 1.90(80%, 35%) | 0.41(80%, 35%) | |
地表模型2 | |||||
fiso($\lambda $) | k1 | k2 | C | NDVI | |
裸土 | 0.0705(0.0215), 0.1006(0.0224), 0.1720(0.0466), 0.2427(0.0207), 0.3253(0.2119) | 0.547(80%) | 0.158(80%) | 6.9(80%) | 0.03 |
植被 | 0.0325(0.0425), 0.0347(0.0495), 0.0737(0.0777), 0.0395(0.0917), 0.3809(0.0792) | 0.668(80%) | 0.087(80%) | 6.57(80%) | 0.62 |
1气溶胶模型参数mr, mi, reff, veff括号内的值分别为该参数作为x和b时的误差; 2地表模型参数fiso($\lambda $)的值依次对应443, 490, 565, 670和865 nm. |
表3气溶胶和地表模型参数及其先验估计误差
Table3.A priori value of the aerosol and surface model parameters and corresponding errors adopted in the simulation.
气溶胶分为细粒子主导(fine-dominated)和粗粒子主导(coarse-dominated)两种典型类型, 分别对应城市污染型和沙尘型气溶胶[42,43]; 地表分为植被和裸土两种类型, 分别对应卫星观测中的暗地表和亮地表情况. 表2中的气溶胶体积柱浓度对应550 nm的AOD为0.5, 为轻度污染天气情况.
2
4.4.卫星观测仿真
根据4.1节中的观测几何, 基于4.2和4.3节的模型参数设置, 利用UNL-VRTM前向模型对DPC多角度观测进行前向模拟仿真, 本节描述了DPC强度和偏振观测的仿真结果以及地表模型误差对TOA观测的影响.3
4.4.1.DPC强度观测仿真
Litvinov等[35]的研究表明, 改进的BRDF模型误差小于2%, 造成TOA总反射率的不确定性为4%—5%, 其中裸土地表的不确定性略大于植被地表. 在实际的反演中, 由于地表的先验知识难以精确获取, 很多情况下无法准确判断地表状态, 特别是混合像元等情况. 因此, 在模型误差的基础上, 地表先验估计的不确定性也会造成TOA反射率的误差, 先验不确定性具体表现为不恰当的模型参数估计. 我们基于改进的BRDF模型, 通过对参数k1, k2参数引入误差, 分析先验估计误差对地表反射率和表观反射率的影响.图4为模拟的地表反射率(rSurf)和表观反射率(rTOA), 以及参数k1参数叠加10%相对误差所引起的rSurf和rTOA的误差情况. 其中, 图4(a)—(e)和图4(f)—(j)分别对应植被和裸土地表类型在不同波段的结果, 每个子图又包含4组观测的对比. 模拟采用了细粒子主导的气溶胶类型, AOD550 nm = 0.2.
图 4 不同观测几何下的地表反射率、表观反射率以及地表模型参数误差对表观反射率的影响 (a)–(e) 植被地表; (f)–(j) 裸土地表
Figure4. Contribution of surface reflectance to TOA reflectance at 443, 490, 565, 670 and 865 nm, as well as the influence of BRDF parameter error to TOA reflectance for vegetation ((a)–(e)) and bare soil ((f)–(j)) surface. The horizontal axis of each case is arranged by scattering angle.
由图4可知, 1)受到瑞利散射和气溶胶的影响, 在443和490 nm波段, 表观反射率和地表反射率的差异较大, 而在565, 670和865 nm波段, 表观反射率和地表反射率的差异明显减小. 植被和裸土地表表观反射率波段间的特征仍然存在. 2)参数k1 10%的误差会导致平均5.6%的地表反射率的误差, 受程辐射的影响, 表观反射率的平均误差降至4.65%. 表观反射率最大存在6.8%的误差, 发生在裸土地表865 nm波长处. 3)误差的传递并未表现出对卫星观测几何较大的依赖, 植被地表的不确定性和对应的TOA误差略小于裸土地表, 这一点与Litvinov等的研究相一致[35]. 另外, 结合图3可知, 较大的表观反射率误差主要发生在散射角变化较大的观测情形(Geometry 1和4).
3
4.4.2.DPC偏振观测仿真
基于BPDF模型进一步模拟了DPC多角度偏振观测. 仿真采用细粒子主导气溶胶类型, AOD550 nm = 0.2. 图5的下半部分为四组观测几何下植被地表的偏振反射率(rpSurf)及三个偏振波段(490, 670和865 nm)的表观偏振反射率(rpTOA). 图5的上半部分为参数C叠加10%相对误差引起的rpSurf和rpTOA的变化情况.由图5可以发现: 1)地表偏振反射率对TOA的偏振贡献较小, 表观偏振反射率主要来自于气体分子和气溶胶的偏振贡献. 同时, 偏振反射率对观测几何具有较强的依赖性, 不同的观测角度偏振反射率存在较大的差异. 2)参数C 10%的相对误差会引起地表偏振反射率0.7 × 10–3的差异, 然而这一误差传递到TOA后, 会降低2个数量级. 490, 670和865 nm的表观偏振反射率误差分别为0.54 × 10–5, 0.36 × 10–5以及0.33 × 10–5.
图 5 不同观测几何下植被地表偏振反射率和表观偏振反射率, 以及10%的参数不确定性对二者的影响
Figure5. Contributionof polarized reflectance to TOA polarized reflectance for vegetation surface at 490, 670 and 865 nm, as well as the influence of BPDF parameter error to TOA polarized reflectance.
-->
5.1.信息量分析
35.1.1.信息量对观测角度的依赖性
针对不同气溶胶和地表类型, 在轻度污染条件下(AOD550 nm = 0.5)计算4.3节全部参数视为状态参量情况下的DFS. 图6采用盒须图的形式给出了总DFS随观测角度个数的变化情况, 每个盒须图包含中值(盒中实线)、25%值(盒底), 75%值(盒顶)以及数据最大值(须顶)和最小值(须底). 由图6可以得到以下结论.图 6 气溶胶和地表参数的总信息量随观测角度数量的变化情况 ((a)—(d)) 气溶胶参数; ((e)—(h))地表参数
Figure6. The total DFS of aerosol((a)?(d)) and surface((e)?(h)) parameters as functions of number of viewing angles in terms of surface type(vegetation and bare soil) and aerosol type (fine-dominated and coarse-dominated) with AOD550 nm = 0.5. Quantities in each box-whisker include the median (dash in the box), the 25th and 75th percentiles (box), and the minimum and maximum (whiskers) for each number of viewing angles bin.
1)总的DFS随观测角度数量的增加显著提升. 图6(a)中, 观测角度个数从1增加到12, 气溶胶总DFS增加了5.9(从3.3增至9.2), 地表总DFS增加了2.7(从3.8增至6.5). 根据信息量分析理论, 多角度观测比单角度可以额外提供5—6个气溶胶参数和3个地表参数的反演约束. 四组观测平均而言, 多角度观测信息量比单角度提高了5.45个DFS(从6.75增至12.2), 理论上相当于多反演5—6个参数. 这表明多角度观测对气溶胶反演具有重要提升作用.
2)信息量随观测角度数量的增加并非呈现线性增长. 图6(d)中, 气溶胶信息量前9个角度增加了3.2(从3.0增至6.2), 后3个角度仅增加了0.4; 图6(h)中, 地表信息量前9个角度增加了3.6, 而后3个角度同样仅增加了0.4. 这是由于随着观测量的增加, 有效观测信息逐渐趋于饱和.
3)多角度观测下, 卫星的观测几何不同时, 气溶胶信息量呈现较大差异. 图6(a)中, 气溶胶总DFS为9.2, 而图6(b)中, 总DFS为4.4, 即信息量相差4.8个DFS. 由此可见, 气溶胶参数反演对卫星的观测几何有很强的依赖性. 结合图3可知, 卫星观测的散射角覆盖范围越大, 对气溶胶反演越有利. 相对于气溶胶, 地表信息量并未表现出对观测几何较强的依赖, 4组观测下地表总DFS的平均差异仅为0.5. 这主要是由于地表参数fiso(
总的来说, DPC多角度观测包含的气溶胶信息量平均为6.4个DFS, 地表信息量平均为6.2个DFS. 因此, 理论上DPC多角度测量能够约束超过12个参数的反演. 另外, 由图6中误差棒的范围可知, 相对于地表, 气溶胶参数的反演精度更容易受到气溶胶和地表类型的影响.
3
5.1.2.信息量受气溶胶和地表类型的影响程度
图7给出了多角度观测下各状态参数的信息量情况, 其中图7(a)为两种类型气溶胶信息量的对比(采用植被地表); 图7(b)为两种地表信息量的对比(采用细粒子主导气溶胶类型), 图中各柱子的高度及相应误差棒分别对应四组观测几何的DFS均值和标准差, 由图7可以得到以下结论.图 7 不同观测几何下气溶胶和地表各参数的信息量 (a)气溶胶; (b)地表
Figure7. The DFS of aerosol and surface parameters under condition of 12 viewing angles (AOD550 nm = 0.5): (a) Aerosol; (b) surface. Each histogram and error bar are the mean value and standard deviation of different geometries.
1)气溶胶信息量主要集中在体积柱浓度、复折射指数实部和有效半径三个参数上. V0f, mrf和refff在两种气溶胶类型下的DFS均超过0.9; V0c, mrc和reffc在粗粒子主导类型下的DFS分别为0.8, 0.95和0.9, 而在细粒子主导类型下DFS仅为0.2, 0.35和0.4, 表明粗模态体积柱浓度的反演与气溶胶类型有关, 在细粒子主导类型下反演存在一定困难; 其他气溶胶参数中, 细粒子主导类型下的
2)BRDF模型参数的DFS均大于0.5,
3)地表参数误差棒的范围显著小于气溶胶参数, 表明地表反演受观测几何影响相对较小, 而气溶胶反演更依赖于观测角度; 参数k1和k2的DFS误差棒范围高于其他地表参数, 表明这两个参数对卫星观测几何的依赖性相对更强.
2
5.2.后验误差分析
35.2.1.反演参数的后验误差
针对4.3节第二种情况, 即气溶胶模型参数作为非反演参数, 计算了多角度观测下各状态向量的后验误差. 图8(a)为两种气溶胶类型的体积柱浓度后验误差的对比(采用植被地表类型), 图8(b)为两种地表类型的地表参数后验误差对比(采用细粒子主导气溶胶类型). 图中各柱状图及误差棒分别对应四种观测的均值和标准差, 灰色底柱的高度表示参数的先验估计误差, 灰色底柱可见部分为后验误差相对先验误差的减少量.图 8 多角度观测下气溶胶和地表参数的后验误差(灰色底柱为先验估计误差)
Figure8. The posteriori error of retrieved aerosol parameters (a) and surface parameters (b). The histogram and error bars are the mean and standard deviation of different geometries (Geometry 1?4). Both (a) and (b) are calculated under condition of 12 viewing angles (AOD550 nm = 0.5). The gray histogram means the priori estimate error.
由图8(a)可知, V0f的平均后验误差为13.6%, 相对于100%的先验估计误差显著降低, 细粒子主导和粗粒子主导气溶胶类型的V0c的后验误差分别为79.1%和34.9%, 表明细粒子主导类型的V0c有较大的反演不确定性; 由图8(b)可知,
3
5.2.2.观测角度个数对后验误差的影响
图9给出了气溶胶和地表各参数后验误差随观测角度个数的变化情况, 计算采用第1组观测几何, 曲线和误差棒分别表示两种地表和气溶胶类型的后验误差的均值和标准差. 由图9可以得出以下结论.图 9 地表和气溶胶参数的后验误差随观测角度数量的变化情况
Figure9. The posteriori error of retrieved aerosol and surface parameters as a function of number of viewing angles (AOD550 nm = 0.5). The curve and the error bar are the mean value and standard deviation of different aerosol and surface type, respectively.
1)随着观测角度数量的增加, 气溶胶参数的后验误差显著降低, 其中V0f的后验误差从34.3%降至8.8%, V0c的后验误差从78.3%降至20.7%; 地表参数k1和k2的后验误差分别从80%和70%降至30%和25%, 降低同样非常明显; 然而,
2)从误差棒的范围可以看出, 气溶胶V0c参数、地表k1和k2参数的后验误差受地表和气溶胶类型影响较大, 而气溶胶V0c 、670和865 nm波长的
3
5.2.3.观测不确定性对后验误差的影响
图10给出了气溶胶和地表参数的后验误差随观测误差的变化情况, 计算采用第1组观测几何, 并考虑了总的观测误差变化和仅偏振观测误差变化两种情况, 分别如图中的实线和虚线所示. 图中的曲线和相应的误差棒分别表示两种地表和气溶胶类型的后验误差的均值和标准差. 由图10可以看出, 气溶胶V0f的后验误差随观测误差的增加从1%增至11.6%, 基本和观测误差的变化一致, 略高于观测误差; V0c的后验误差从3.2%增至24.4%; 443, 490和670 nm波段的图 10 地表和气溶胶参数的后验误差随观测误差的变化情况
Figure10. The posteriori error of retrieved aerosol and surface parameters as a function of measurement error (AOD550 nm = 0.5). The solid line and the error bar are the mean value and standard deviation of different aerosol and surface type, respectively. The dash line denotes the contribution from polarized observation error.
3
5.2.4.气溶胶模型不确定性对后验误差的影响
卫星气溶胶反演算法需要基于一定的先验知识, 例如, AOD反演需要假定气溶胶类型. 然而, 先验知识往往存在一定的误差. 4.3节假设气溶胶模型参数已知(包括气溶胶复折射指数和粒子谱分布参数), 并给出了相应的不确定性, 本节分析后验误差随气溶胶模型参数估计误差的变化情况, 结果如图11所示. 计算中, 气溶胶模型参数误差从1%到100%变化. 由图11可知, 随着模型参数误差的增大, 气溶胶V0c的后验误差从15%增至40%, 是受气溶胶模型参数不确定性影响最大的参数; 地表参数后验误差受气溶胶模型参数不确定性的影响较小, 其中参数k1和k2受影响相对较大一些, 后验误差分别从35%和15%增至40%和25%.图 11 地表和气溶胶参数的后验误差随气溶胶模型误差的变化情况
Figure11. The a posteriori error of retrieved aerosol and surface parameters as a function of aerosol model error (AOD550 nm = 0.5). The curve and the error bar are the mean value and standard deviation of different aerosol and surface type, respectively.