SMOS与Aquarius卫星海表盐度测量方法及数据的对比分析

陈之薇,李青侠,李 炎

(1. 华中科技大学电子信息与通信学院，湖北 武汉 430074; 2. 多谱信息处理技术重点实验室,湖北 武汉 430074；3. 中国科学院国家空间科学中心，北京 100190)

0 引言

目前，国际上海表盐度(SSS)遥感卫星有SMOS、Aquarius和SMAP卫星。其中SMAP卫星主要用于土壤湿度遥感，虽也可提供海表面盐度遥感数据，但不能满足盐度遥感精度要求。故本文仅比较分析SMOS和Aquarius这2颗卫星。

SMOS和Aquarius同为L波段海表盐度遥感卫星。但SMOS采用世界首台二维综合孔径式辐射计MIRAS[1]，而Aquarius[2]则采用实孔径辐射计与散射计结合的主被动观测方式。2颗卫星的观测方式不同，导致盐度数据的处理算法存在差异。为得到高精度盐度数据，SMOS和Aquarius测量数据都进行了一系列处理[3-4]，包括外部干扰校正、天线误差校正和辅助参数校正等。因为2颗卫星的载荷及处理算法不同，其盐度数据精度亦不同。通过对比这2颗卫星的遥感器载荷、数据处理算法和盐度数据，总结得出二者的优缺点，及需要进一步研究的问题。以期为后续海洋盐度遥感的相关研究提供参考，特别是为我国的海洋盐度遥感载荷的研制提供借鉴。

1 海表盐度测量方法对比

1.1 载荷的技术指标

SMOS于2009年11月2日发射，并在次日成功展开天线臂，星上搭载了世界首台二维综合孔径式辐射计MIRAS。Aquarius由美国和阿根廷合作研制，并于2011年6月10日发射。卫星的主载荷由美国宇航局(NASA)负责，采用3个实孔径辐射计加散射计的配置。二者各有优势与特点[5-6]，其配置与关键技术指标见表1。

表1 SMOS和Aquarius卫星载荷配置及关键技术指标的比较

从表1中可得出以下结论：

1)SMOS与Aquarius的设计寿命均为3年。目前，SMOS仍然在轨运行；而Aquarius因为设备故障于2015年6月8日停止工作[10]。

2)欧洲的SMOS卫星采用综合孔径体制，并且后续的卫星计划依然沿用这一体制；而美国的Aquarius卫星采用主被动联合体制，包括现在在轨的土壤湿度探测卫星SMAP也采用这一方式，这些卫星各有特点和优势。

3)SMOS搭载的MIRAS辐射计采用二维稀疏天线阵干涉测量，其采用了每个天线支臂有23个天线单元的Y型阵；Aquarius则是辐射计与散射计共用一副2.5 m单折叠抛物面天线。

4)SMOS的入射角范围覆盖0°～55°；Aquarius则为固定的入射角。

5)由于任务需要，SMOS分辨率能同时兼顾海表盐度及土壤湿度的测量；而Aquarius任务为海洋盐度测量，分辨率无法满足土壤湿度测量的要求。

6)SMOS通过大入射角来保证大幅宽，Aquarius则通过3个波束组合实现幅宽。由于SMOS的幅宽更宽，可实现3天88个半轨数据的全球重访周期；而Aquarius则需要7天103个轨道数据才能覆盖全球。

1.2 轨道特性

SMOS和Aquarius都选择了太阳同步的晨昏轨道来避免太阳光照的影响。不同的是，SMOS选择的降交点是上午06:00，而Aquarius选择的则是下午06:00。为满足地面分辨率、重访周期和覆盖率的需求，SMOS轨道高度为763 km(倾斜角为98°)，Aquarius为657 km(倾斜角为32.5°)。

如图1所示，在同一时间段，红色线为SMOS的一轨数据的轨迹图，蓝色线为Aquarius的轨迹图。从图1可看出，因2颗卫星轨道不同，运行轨迹呈相反的形状，因SMOS有更宽的刈幅，红色轨迹比蓝色轨迹宽。由于SMOS的L1c级数据是将海洋和陆地数据分开处理的，故在红色轨迹线上出现空白区域，而这块区域属于陆地范围。

1.3 定标方法

SMOS采用的定标方法是噪声注入和冷空定标[11]。MIRAS辐射计系统构成复杂，不能采用传统的两点定标或简单的Dicke定标方法对系统定标，必须针对不同的误差，通过分步定标的方法，消除其对系统测量精度的影响，从而达到定标的目的。

因系统在轨运行时仪器的温度随时间而变化，辐射计测量结果包含一些误差，故在轨过程中需进行周期性定标。将定标过程分为短定标、长定标、自定标和冷空定标，如表2所示。

其中，短定标采用噪声二级注入定标，通过二级相关噪声的注入，获得fringe-washing函数(FWF)在零点的取值，完成系统通道的幅度、相位以及功率检波器(PMS)的校正，短定标每次持续34.8 s。长定标将进行噪声二级定标和残留可见度函数校正，通过输入二级相关噪声完成幅度、相位校正和PMS定标;通过输入匹配负载产生的非相关噪声，完成残留可见度函数校正，长定标每次持续6 004 s。自定标是完成设备在轨时由本振带来的正交误差和同相误差校正，每次持续4.8 s。冷空定标是对系统绝对定标，完成去归一化处理的过程；冷空定标时，卫星调整姿态，天线朝向冷空观测，冷空观测时间为310 s。为不影响卫星对地观测时间，定标的总长度设定为不超过整个系统工作时间的1%。自定标每隔21 min进行一次，短定标每隔24 h一次，冷空定标每隔2周一次，长定标每隔4周一次。

表2 SMOS在轨定标过程

Aquarius的定标过程包含其1级数据的处理过程，Aquarius定标主要包含噪声定标[12]、冷空定标[7]及全量程定标[13]等几部分。

Aquarius中配置的相关噪声二极管提供参考的注入噪声，用以校正接收机信号的相位和振幅，从而定标包括第三Stokes参数亮温在内的极化数据[12]。

冷空定标[7]通过对2.73 K宇宙背景辐射的观测对辐射计绝对定标。Aquarius冷空定标时，平台沿俯仰旋转180°，使观测波束朝向宇宙远端，从而获得对宇宙背景辐射的观测。

此外，Aquarius还可进行全量程定标[13]，包括观测天空、海洋、陆地的定标。

2 数据处理算法对比

2.1 介电常数模型

在SMOS和Aquarius盐度测量方法中，一个显著的不同在于海水介电常数模型的选取。SMOS选取的是Klein-Swift模型[14]，而Aquarius选取的是Meissner-Wentz模型[15]。

Klein-Swift模型是来自于1.43 GHz和2.653 GHz频率的实验数据，并且基于简单的Debye方程

式中：ε为频率无限大时的介电常数(当温度为0～30 ℃，盐度为23～39 psu时，ε变化范围为4.6～8.5)；ε0为真空介电常数，取值8.854 101 2 F/m；εs为静态介电常数；τ为弛豫时间；γ为海水离子电导率；f0为辐射频率(单位为GHz)。这些参数中，εs、τ和γ都是和海表盐度S和海表温度Ts相关的量，计算公式为

计算所需的系数m(i)、t(j)和s(k)均为拟合系数。

Meissner-Wentz模型则衍生于Wentz的介电常数模型，比Klein-Swift模型有更大的频率适用范围。并且该模型基于双Debye模型

式中：ε1为中频介电常数；f1和f2分别为一次和二次Debye弛豫频率(单位为GHz)；ε和ε0同式(1)；静态介电常数εs来自修正后的Wentz模型。

图2比较了SMOS和Aquarius介电常数模型根据海表盐度和海表温度的变化。对比发现，两种模型计算的差异主要体现在实部。海表温度为20 ℃时，随海表盐度的变化，Aquarius模型计算出的介电常数实部低于SMOS；海表盐度为35 psu时，Aquarius模型计算出的介电常数实部在低温(小于5 ℃)时高于SMOS，而在高温(大于25 ℃)时则低于SMOS，在中间温度段吻合得较好。

2.2 海面粗糙度的校正

SMOS卫星粗糙度校正依据第三方的欧洲中期天气预报中心(ECWMF)数据中的风速、波龄和波高数据，通过3种模型模拟粗糙度的亮温贡献，这必然会引入由数据的时间和空间不同步带来的误差。当盐度数据为空间分辨率为1°的月均数据时，ECMWF数据会为盐度反演引入0.26 psu的误差[16]。

而Aquarius卫星在运行初期，依据来自国家环境预报中心(NCEP)提供的海面风场信息进行粗糙度校正，故任何NCEP的预报误差都会对粗糙度修正造成影响，进而导致盐度反演的误差。同时，运用NCEP的数据也会带来数据时间和空间不同步的问题。故在后续的版本中，Aquarius利用星上散射计获得数据，并采用主被动联合反演(CAP)的方法处理数据，校正风场引起的粗糙度带来的误差[17-18]。

将CAP得到的海面风速同SSMI/S(Special Sensor Microwave Imager Sounder)和ECMWF的风速测量结果对比发现，Aquarius的主被动联合方法有更好的精度[19-21]，见表3。

表3 SSMI/S、ECMWF和CAP风速反演精度对比

比较2013年8月18日的SMOS辅助数据ECMWF和Aquarius散射计测量的中国南海区域的风速，如图3所示。从图3可看出，两个来源的风速数据差别较大，必然会造成两个卫星反演盐度结果不同。

理论上，就粗糙度校正而言，Aquarius依靠散射计可更加有效地校正粗糙度对盐度测量的影响，从而可提高海表盐度的反演精度。

2.3 盐度反演算法

SMOS的盐度反演方法采用迭代算法(最优化算法)。盐度反演中使用的代价函数[24]为

该算法构造式(6)的代价函数，选取LM(Levenberg-Marquard)最优化算法[22-23]寻找使式(6)达到最小时的盐度值，该盐度值即为盐度的反演值。

第一Stokes参数与亮温关系为

I=TB，V+TB，H

(7)

模型亮温为

TB,p(θ,S)=(1-P)[TB,flat,p(θ,S)+

TB,rough,p(θ,S)]+P·TB,foam,p(θ,S)

(8)

式中：p=H,V为辐射计极化方式；P为泡沫覆盖率，取值范围为0到1；θ为入射角；TB,flat,p(θ,S)、TB,rough,p(θ,S)和TB,foam,p(θ,S)分别为平静海面亮温、粗糙海面亮温和被泡沫覆盖的海面亮温。

图 4为运用LM迭代反演算法进行反演的流程图。1)初始化所有参数，计算物理参数的先验误差，标记反演的初始值，准备辅助数据；2)运用初始参数计算代价函数的初始值，反演迭代开始；3)运用正向模型计算梯度和海森矩阵；4)在迭代过程中更新反演参数，然后用新的参数值计算新的代价函数的值；5)判定代价函数，若其值增加，则减小Marquardt放大系数λ；6)若代价函数较之以前减小，则增大Marquardt放大系数λ，然后计算新的梯度和海森矩阵；7)当反演满足收敛准则时，保存反演结果退出循环，计算反演结果的误差方差，反演过程结束。

Aquarius早期数据版本中的盐度反演方法是Wentz等[25]提出的半经验反演算法，该算法假定海面盐度与海面亮温和海面风速之间近似存在一种线性关系，从天线温度出发依次减去银河系、各天体、地球大气及海面粗糙度的亮温贡献，通过匹配各参数统计回归得到一组系数，从而确定该线性方程以用于盐度反演。

但Aquarius后期数据版本开始使用CAP方法。CAP 算法(2.0版本)由 Yueh等[21]于2013年提出，该算法基于海面的 L 波段主被动联合观测数据同时反演海面盐度、风速及风向。CAP 算法中的代价函数为

(9)

从式(9)可看出，CAP算法中用Stokes矢量亮温，有

(10)

用CAP算法构造式(9)的代价函数，选用最优化算法寻找使目标函数最小的盐度值、风速及风向值，其中的盐度值即为反演的盐度值。

转换成Stokes分量的模型亮温有

TB,p(S,Ts,vs,φ)=TB,p,flat(S,Ts)+

Ts·Δep(vs,φ)

(11)

式中：TB,p,flat为与盐度和温度有关的平静海面亮温；Δep为粗糙度引起的海面发射率变化。

CAP算法的代价函数采用Stokes参量平方和的形式，避免了法拉第旋转的误差。

3 海表盐度数据对比

本文比较的SMOS与Aquarius海表盐度数据有2种：1)L2级别数据，直接从亮温数据中反演得到的盐度数据，即单次测量数据；2)L3/L4级别数据，利用L2级别的盐度数据网格进行时空平均后的盐度数据。

3.1 数据的相关程度

3.1.1 Aquarius数据与SMOS数据的相关程度

由于Aquarius和SMOS的空间分辨率及刈幅宽度的差别，为对比2颗卫星L2级别数据，将SMOS的数据映射到1°×1°的尺度上。选取2013年8月18日Aquarius和SMOS的海洋盐度数据,如图5为Aquarius和SMOS一天数据共同覆盖到的部分的差异值(Aquarius-SMOS)。

一天中Aquarius和SMOS匹配(共同覆盖)到的数据为6 145个，从图5可看出，在中纬度的开阔海域，2颗卫星的测量数据结果较相近，且SMOS的数据结果略偏高；但靠近两极区域则有较大的差距，Aquarius的数据结果偏高。图6计算了图5中一天的Aquarius和SMOS共同覆盖到的数据的相关程度。

从图6可得出，Aquarius和SMOS一天数据的相关程度为0.503 9。之后又选取2013年8月19日和20日的数据进行匹配，计算出来的结果也十分相似：19日匹配6 160个，相关程度为0.479 4；20日匹配6 370个，相关程度为0.508 7。对照表4，Aquarius和SMOS一天数据的相关程度约为0.5，相关程度中等。

表4 相关系数和数据相关程度的关系

对比2颗卫星经过时空平均后的网格化盐度数据，选取2013年8月的Aquarius和SMOS的L3级别数据，网格大小为1°×1°。图 7为2颗卫星月均盐度数据的差异图。

从图 7(c)可看出，绝大多数开阔海域的数据差异在0.5 psu以内，在某些近海区域和靠近两极(高纬度)区域，数据差异较大，达到或超过2 psu。图8计算了图7中月均Aquarius和SMOS数据的相关程度。

从图8中可看出，Aquarius和SMOS匹配到的29 922个数据的相关系数为0.701 3，为强相关。总体来说，相比于单次测量结果，月均数据使数据相关性有所提高。

为进一步说明两个数据间的相关性，表5分析了2013年中12个月的月均数据相关程度。从表5中可看出，经过时空平均后，月均数据的相关程度确实会提高；对比每个月之间的结果又发现，4月的数据相关度最高，10月的相关度最低。

3.1.2 卫星数据与实测数据的相关程度

选取Argo海面浮标数据作参照[26-28]，将其看作盐度的真实值，分别比较Aquarius和SMOS盐度数据的相关程度。

由于Argo浮标测量的数据具有时空分布不规则的缺点，法国海洋开发研究所CORIOLIS设计开发了基于最优插值技术的ISAS温盐分析系统。ISAS数据利用有限覆盖的Argo浮标数据，结合理论模型和其他来源的盐度数据，提供了高精度的盐度地面测量数据[29]，故本文采用ISAS数据。

表5 SMOS和Aquarius月均数据相关性与匹配个数(2013年)

表6计算了2013年1月至12月的卫星数据同ISAS数据的相关程度。总体来说，SMOS月均数据同ISAS数据的相关程度较高，大部分都在1左右；但Aquarius月均数据较SMOS明显偏低，特别是7月至9月的数据，说明这3个月的盐度测量数据高于ISAS的实测数据。

表6 Aquarius和SMOS月均数据同ISAS数据的匹配与相关性(2013年)

虽然SMOS同ISAS实测数据的相关性较Aquarius好，但并不能说明SMOS的盐度测量精度就高于Aquarius，下面分别针对全球范围及区域范围来分析2颗卫星的盐度测量精度。

3.2 卫星数据的测量精度分析

将ISAS的数据作为盐度地面测量的“真实值”，进而分析卫星遥感数据的精度。

图9(a)为ISAS浮标测量的月均盐度数据，同Aquarius和SMOS的卫星遥感月均数据(2013年8月，同图7)比较，结果见图9(c)。

基于图9的比较结果，从2颗卫星数据的全球测量精度以及区域数据的精度两个方面分析。

为了定量评估精度，这里计算误差均值及均方根误差。测量数据xobs即为SMOS和Aquarius卫星测量的盐度数据，作为参考真值的数据xtrue为ISAS浮标测量的海面盐度数据，故测量的误差可表示为

ei=xobs,i-xtrue,i

(12)

误差均值指所有误差值的平均值

(13)

平均是为消除测量的随机误差，故均值应该和真值最接近。在测量学中，通常用均方根误差(RMSE)衡量观测值同真值之间的偏差，其表达式为

(14)

为方便比较，将2颗卫星的数据与ISAS实测数据的误差均值M和均方根误差eRMS绘制成对月份变化的曲线，如图10所示。

由图10可看出，Aquarius的误差均值小于SMOS，同时Aquarius的均方根误差也小于SMOS，表明Aquarius的盐度测量精度更高。由于Aquarius运用的是实孔径的观测手段，虽然相比SMOS的综合孔径辐射计有分辨率低和角度信息少等缺点，但在全球范围内，却有更高的亮温测量稳定度。

从图 10可看出，不同区域卫星测量数据的误差有差别。有必要分析不同海域的精度。

3.2.1 开阔海域

开阔海域因远离陆地污染及射频干扰(RFI,Radio Frequency Interference)的影响，一般有更好的盐度测量精度。表7选取5个不同的开阔海域，对比其盐度测量精度。为方便与前面的结果对比，图11标示了这5个区域在地图上的位置。

表7 开阔海域的选取

分别计算和分析5个区域的SMOS和Aquarius数据，将计算结果绘制成随月份变化的曲线，如图12所示。

从图12可看出，在这5个开阔海域，大多数月份的SMOS的月均测量误差均值及均方根误差都小于Aquarius。虽然全球范围SMOS的盐度测量精度不如Aquarius，但SMOS在开阔海域的表现优于Aquarius。

3.2.2 海岸区域

对于海岸区域，盐度测量会受到陆地污染及RFI的影响[30]，故海岸区域的盐度遥感一直是难点，其测量精度明显低于开阔海域。表8选取了5个不同的近海区域，对比其盐度测量精度。为方便和前面的结果对比，图13标示了这5个区域在地图上的位置。

表8 海岸区域的选取

分别计算和分析这5个区域的SMOS和Aquarius数据的测量精度并将计算结果绘制成随月份变化的曲线，如图14所示。从误差均值看，二者在海岸区域的测量均存在较大误差，在区域1，SMOS和Aquarius的测量误差比较接近，而在区域2～5的多数月份，Aquarius的测量误差均值明显小于SMOS。从均方根误差看，在区域1、2、5中，二者测量结果大多数接近，但在区域3和4中，某些月份SMOS的均方根误差大于Aquarius，甚至SMOS测量的海岸盐度在某些月份的均方根误差达到1.8 psu。说明在近海区域Aquarius的测量精度高于SMOS。

4 结束语

从海表盐度测量方法、数据处理算法和盐度数据3个方面，对比分析了SMOS和Aquarius 2颗盐度卫星。

在盐度遥感器载荷体制方面，SMOS采用综合孔径辐射计，有较高的空间及时间分辨率，可同时满足海洋盐度遥感及土壤湿度遥感的需求，但定标系统更复杂；Aquarius采用高稳定度的实孔径辐射计及散射计联合测量，空间分辨率达到了海洋盐度遥感的需求，但没达到土壤湿度遥感的需求，故后来美国于2015年发射了另一颗卫星SMAP用于测量土壤湿度。

在海面粗糙度校正方面，SMOS的粗糙度校正依靠第三方的ECWMF数据中的风速、波龄和波高数据，但因时间、空间不同步而带来误差。Aquarius后来版本中同时利用星上散射计获得的数据，采用CAP算法处理数据，避免了时间、空间不同步带来的误差，故利用散射计与辐射计同时测量的Aquarius卫星能更加有效地校正粗糙度。

反演算法方面，SMOS采用LM最优化算法使构造的代价函数最小化,得到盐度值。Aquarius在早期使用的是半经验算法，在后来的数据版本中开始采用CAP算法作为其官方算法之一，CAP算法同样是最小化其所构造的代价函数反演盐度，但其代价函数不同，引入了散射计同步测量数据，减少了海面粗糙度对盐度反演精度的影响。

在数据质量上，对比SMOS卫星和Aquarius卫星之间的L3级数据发现，SMOS和Aquarius的月均盐度数据之间的相关程度高于单日测量。将2颗卫星的盐度遥感数据与ISAS浮标盐度数据对比发现，在全球范围内，Aquarius盐度测量精度优于SMOS；但在开阔海域，SMOS盐度测量精度优于Aquarius；而在近海岸区域，均出现较大的误差，且SMOS数据误差更大。

未来的盐度遥感研究需要考虑以下问题：1)在盐度遥感器载荷的选择问题上，综合孔径辐射计有更高的空间及时间分辨率，而实孔径辐射计有更高的稳定度，结合散射计的同步测量也可达到较高的测量精度；2)从原理上看，L波段微波辐射计可兼顾土壤湿度遥感和海洋盐度遥感，但土壤湿度遥感与海洋盐度遥感对空间分辨率及测量精度的要求不一样，可选择一颗卫星实现海表盐度和土壤湿度遥感，也可用两颗卫星分别实现。这些问题均需要在总体设计的时候综合论证。

除了上述需要选择论证的问题外，还需要进一步研究的问题有：1)2颗卫星的盐度遥感数据在近海区域误差均较大；2)目前SMOS和Aquarius都不能有效解决RFI问题，使部分测量数据无效或精度受到影响。

在数据处理方面，SMOS和Aquarius卫星的数据处理算法不断改进、数据处理软件的版本不断升级，使其数据产品精度也不断提升。这种提高遥感数据精度的方法值得借鉴。

[1] BARRE H M, DUESMANN B, KERR Y H. SMOS: the mission and the system[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(3): 587-593.

[2] LE VINE D, LAGERLOEF G, Yueh S, et al. Aquarius mission technical overview[C]∥IEEE International Conference on Geoscience and Remote Sensing Symposium, Denver, CO, USA, 2006: 1678-1680.

[3] CAMPS A, DUFFO N, VALL-LLOSSERA M, et al. Sea surface salinity retrieval using multi-angular L-band radiometry: numerical study using the SMOS end-to-end performance simulator[C]∥IEEE International Conference on Geoscience and Remote Sensing Symposium, Toronto, Ontario, Canada, 2002: 1123-1125.

[4] WENTZ F J, LE VINE D. Algorithm theoretical basis document Aquarius level-2 radiometer algorithm: revision 1[R]. RSS Technical Report, 2008(4): 012208.

[5] LAGERLOEF G, COLOMB F R, LE VINE D, et al. The aquarius/SAC-D mission: designed to meet the salinity remote-sensing challenge[J]. Oceanography, 2008, 21(1): 68-81.

[6] 唐治华. 国外海洋盐度与土壤湿度探测卫星的发展[J]. 航天器工程, 2013, 22(3): 83-89.

[7] DINNAT E P, LE VINE D M, PIEPMEIER J R, et al. Aquarius L-band radiometers calibration using cold sky observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(12): 5433-5449.

[8] FORE A G, NEUMANN G, FREEDMAN A P, et al. Aquarius scatterometer calibration[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(12): 5424-5432.

[9] CORBELLA I, TORRES F, DUFFO N, et al. MIRAS calibration and performance: results from the SMOS in-orbit commissioning phase[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9): 3147-3155.

[10] KAREN N. International Spacecraft Carrying NASA′s Aquarius instrument ends operations[EB/OL]. [2015-06-18]. http://www.nasa.gov/press-release/international-spacecraft-carrying-nasa-s-aquarius-instrument-ends-operations.

[11] BROWN M A, TORRES F, CORBELLA I, et al. SMOS calibration[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(3): 646-658.

[12] PIEPMEIER J, BINDLISH R, BROWN S, et al. Aquarius radiometer post-launch calibration for product version 2[Z]. Aquarius Project Document: AQ-014-PS-0015, 2013.

[13] DINNAT E P, LE VINE D M, BINDLISH R, et al. Aquarius whole range calibration: celestial sky, ocean, and land targets[C]∥13th IEEE Specialist Meeting on Microwave Radiometry and Remote Sensing of the Environment (MicroRad), Pasadena, CA, USA, 2014: 192-196.

[14] KLEIN L, SWIFT C T. An improved model for the dielectric constant of sea water at microwave frequencies[J]. IEEE Transactions on Antennas and Propagation, 1977, 25(1): 104-111.

[15] MEISSNER T, WWNTZ F J. The emissivity of the ocean surface between 6 and 90 GHz over a large range of wind speeds and Earth incidence angles[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(8): 3004-3026.

[16] SABIA R, CAMPS A, VALL-LLOSSERA M, et al. Impact on sea surface salinity retrieval of different auxiliary data within the SMOS mission[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10): 2769-2778.

[17] YUEH S. Aquarius CAP algorithm and data user guide[Z]. Jet Propul. Lab., Pasadena, Calif, 2013.

[18] FREEDMAN A, MCWATTERS D, SPENCER M. The Aquarius scatterometer: an active system for measuring surface roughness for sea-surface brightness temperature correction [C]∥IEEE International Conference on Geoscience and Remote Sensing Symposium, Denver, CO, USA, 2006: 1685-1688.

[19] STOFFELEN A. Toward the true near-surface wind speed: error modeling and calibration using triple collocation[J]. Journal of Geophysical Research, 1998, 103(C4): 7755-7766.

[20] VOGELZANG J, STOFFELEN A, VERHOED A, et al. On the quality of high-resolution scatterometer winds[J]. Journal of Geophysical Research: Oceans, 2011, 116(C10), C10033.

[21] YUEH S H, WENQING T, FORE A G, et al. L-band passive and active microwave geophysical model functions of ocean surface winds and applications to aquarius retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(9): 4619-4632.

[22] MARQUARDT D W. An algorithm for least-squares estimation of nonlinear parameters[J]. Journal of the Society for Industrial and Applied Mathematics, 1963, 11(2): 431-441.

[23] WALDTEUFEL P, BOUTIN J, KERR Y. Selecting an optimal configuration for the soil moisture and ocean salinity mission[J]. Radio Science, 2003, 38(3): 16.

[24] CAMPS A, FONT J, VALL-LLOSSERA M, et al. Determination of the sea surface emissivity at L-band and application to SMOS salinity retrieval algorithms: review of the contributions of the UPC-ICM[J]. Radio Science, 2008, 43(3): 1-16.

[25] MEISSNER T, WENTZ F, LAGERLOED G, et al. The Aquarius salinity retrieval algorithm[C]∥2012 IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 2012: 386-388.

[26] PABLOS M, PILES M, GONZLEZ-GAMBAU V, et al. SMOS and aquarius radiometers: inter-comparison over selected targets[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(9): 3833-3844.

[27] ROEMMICH D, GILSON J. The 2004—2008 mean and annual cycle of temperature, salinity, and steric height in the global ocean from the Argo program[J]. Progress in Oceanography, 2009, 82(2): 81-100.

[28] RISER S C, REN L, WONG A. Salinity in Argo[J]. Oceanography, 2008, 21(1): 56.

[29] GAILLARD F, AUTRET E, THIERRY V, et al. Quality control of large Argo datasets[J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(2): 337-351.

[30] LI Y, LI Q, LANG L, et al. Correction of SMOS data in coastal area of south China sea based on land contamination analysis[C]∥IEEE International Conference on Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 2016: 7667-7670.