0 引言

海面风场对于海洋气象灾害(包括台风、温带气旋与风暴潮等)的发生有直接或间接联系，且海上大风往往会给船舶运输、港口作业与海洋平台生产带来较大经济损失。因此对海面风场实现实时监测和及时准确的预报具有重要意义。

目前观测海面风场的2类方法主要是常规观测与非常规观测。其中，常规观测一般是通过浮标、船舶、沿岸及岛屿自动气象站等传统手段获取观测资料^[1]。中国的常规观测设备多位于沿海一带，且分布稀疏，很难获得长时间序列、大面积同步的观测资料，缺乏对海面风场的系统性认知^[2]。20世纪以来，雷达探测与卫星遥感等非常规观测资料开始增多，并成为观测全球风场最为有效的技术手段。目前可以观测海面风的卫星传感器有微波散射计、微波辐射计与微波高度计^[3]。与传统观测手段对比，卫星遥感有大面积、全天候与准同步的观测能力。但卫星资料由于其采样特点，会产生数据空白区，无法提供时间、空间上连续的海面风场数据^[4]。

国外对于运用卫星遥感技术研究海风开展得较早，自1978年美国国家航空航天局(National Aeronautics and Space Administration，NASA)发射全球第一个星载散射计Seasat-A卫星散射计(Seasat-A Scatterometer System，SASS)以来，经过欧洲遥感卫星(European Remote Sensing Satellite，ERS)的主动微波装置(Active Microwave Instrument，AMI)、NSCAT(NASA SCATterometer)、SeaWinds、ASCAT(Advanced SCATterometer)、海洋卫星2号(OceanSat-2)、海洋二号卫星(HY-2)以及中法海洋卫星(China-France Oceanography SATellite，CFOSAT)搭载的散射计等的发展，散射计测风技术逐渐成熟，在为海洋与气象等研究领域提供高精度、高分辨率全球海面风场信息方面发挥着越来越重要的作用^[5-8]。2021年7月5日，中国第二代极轨业务气象卫星风云三号E星(FY-3E)发射成功，实现了晨昏轨道上对全球、全天候、全谱段和高精度的大气观测。FY-3E搭载了11个遥感仪器，包括中国气象卫星首次搭载的主动雷达设备风场测量雷达(wind radar，WindRAD)，实现对全球海面风场的高精度高时效观测^[9-11]。

卫星观测数据的精度是制约用户应用的重要因素。由于浮标和数值预报模式等资料有各自的特点和误差特征，并且多源数据之间时空分辨率不统一，海风测量的误差一般较大，为了对观测的风速与风向进行偏差订正，Stoffelen^[12]提出了三重匹配(triple collocation，TC)方法并引入卫星海面风数据的检验，利用ERS散射计反演风、数值预报模式风和美国浮标站观测风的海风数据，通过TC方法，对近海风的风向和风速进行偏差分析，提出了一种改进ERS散射计风反演的方法，指出TC方法是一种同时估计3个相互独立的测量系统的未知误差或标准偏差的技术，可以同时实现误差的建模和校准。Zwieback等^[13]指出TC方法经常用于研究和比较水文学和海洋学方面的遥感、现场观测和模式数据，以前的研究几乎完全集中在3个数据源的验证上。Crow等^[14]用TC方法估计卫星反演土壤湿度的误差，将TC方法应用于数据的同化，使得土壤湿度观测中自相关观测误差得到最佳处理。Portabella等^[15]将TC方法应用于海洋学中，利用散射计反演、浮标观测和数值天气预报(Numerical Weather Prediction，NWP)模式数据的TC数据集以及2种常用的近地层(surface layer，SL)模式来表征海洋风应力，估算海面风应力测量的误差。Massari等^[16]通过使用TC数据集来估计降水误差，结果表明，在南北美洲东部、南非、南亚和东亚、东澳大利亚以及南欧，卫星降水估算的精度相对较高。Fang等^[17]提出了一种新的方法来验证现有的全球叶面积指数(leaf area index，LAI)产品，该方法基于三重匹配误差模型(triple-collocation error model，TCEM)，该模型假设LAI产品之间的误差不相关，MODIS(Moderate Resolution Imaging Spectroradiometer)、CYCLOPES和GLOBCARBON LAI产品在空间格局和生物群落类型方面具有合理的一致性。综上，TC方法在不同领域均获得了相对客观准确的精度评价结论。

此文利用FY-3E WindRAD反演产品、浮标站实地观测、数值预报模式和同类卫星观测风速数据，通过TC分析方法，对WindRAD的风速和风向进行客观精度分析，基于TC方法分析多个风速独立观测源的加性、乘性和随机误差。由于风向反演过程中通过二维变分模糊解去除(two dimensional variational ambiguity removal，以下简记为“2DVAR”)引入了数值预报模式背景场，不满足TC相互独立的假设，所以此文仅对海风风速进行TC的分析。同时研究结论能够辅助探究订正海上大风数值模式预报的方法，为海上大风短时临近预报预警工作提供经验。

1 数据与方法 1.1 FY-3E WindRAD风场产品数据

风云三号(FY-3)系列气象卫星是中国第二代极轨气象卫星，目标是实现在全球大气和地球物理要素的全天候、多光谱和三维观测。FY-3E是FY-3系列气象卫星的首颗卫星，目标是在晨昏轨道上实现对全球大气和地表要素的准确观测，为数值天气预报提供高精度观测信息。其上装载的WindRAD是中国气象卫星上首次搭载的主动微波测量仪器，目标是对海面10 m风矢量实现精准观测。WindRAD是气象卫星上装载的首台具有全球海面风矢量检测能力的星载双波段(5.40 GHz的C波段和13.256 GHz的Ku波段)、双极化(HH和VV极化)旋转扇形波束散射计设备^[11]，旋转扇形波束设计结合了旋转笔形束和固定扇形束散射计的特性，增加了更多和更多样化的入射角和方位角观测，能够大幅提高风矢量单元的重复观测数，降低天线旋转扫描速率，从而提高产品的精度、稳定性和可靠性，双波段探测为全球海面风场提供了重要而独特的数据来源。

卫星散射计观测与海表面粗糙度直接相关，因此WindRAD海面风场产品代表着10 m高度的压力等效风，压力等效风传递了海面粗糙度测量到10 m高度处去除了大气层结效应的风场。使用的FY-3E WindRAD海面风场产品来自于国家卫星气象中心业务产品，经WindRAD L1级后向散射系数海洋定标、最大似然估计反演、模糊解去除和质量控制等关键反演步骤获得，包含C波段、Ku波段和双波段产品，风矢量单元网格空间分辨率为20 km，风速测量范围为3~30 m ·s^-1，风速测量精度设计值为2 m ·s^-1，风向精度设计值为20°。选取2023年4月15日—2024年4月15日共1年的数据用于真实性检验。图 1给出了C、Ku波段单波段反演和双波段联合反演3个产品数据集的风速概率密度分布，可见风速基本呈现高斯性分布，该特征符合进行TC方法的基本要求，TC方法在第1.3节中会进一步展开介绍。

1.2 检验源数据

(1)浮标数据。浮标数据来自于美国国家数据浮标中心(National Data Buoy Center，NDBC)的浮标数据集，包括美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)热带大气和海洋(Tropical Atmosphere Ocean，TAO)、日本海洋地球科学技术厅(Japan Agency for Marine-Earth Science and Technology，JAMSTEC)的三角跨洋浮标网络(TRIangle Trans-Ocean Buoy Network，TRITON)阵列共65个浮标，时间分辨率为10 min~1 h，经过浮标质量码质控筛选。浮标一般为3 m或4 m高度的10 min平均风，需要通过边界层模式转成中性稳定层结风，此文使用的边界层模式为LKB(Liu-Katsaros-Businger)模式^[18]。

(2)数值预报模式数据。WindRAD L2级产品中同时包含用于2DVAR反演的欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)数值天气预报模式的预报场数据，此文利用该数值预报模式数据作为TC分析的独立源。ECMWF预报场数据为高分辨率大气模式确定性预报产品的全球地面层预报场数据，分辨率为0.125°×0.125°，10 m中性风同样利用LKB边界层模型进行转换。

(3) 同类卫星观测数据。此文使用的同类卫星观测数据为中国海洋二号B星(HY-2B)散射计海面风数据，轨道过境时间与FY-3E接近，能够提供大量的匹配数据。HY-2B于2018年10月25日发射，目前已连续稳定提供了6年的高精度风场观测数据^[19]。选取2023年4月15日—2024年4月15日共1年的HY-2B数据，与FY-3E WindRAD的海面风速数据进行时空匹配，匹配时间阈值为30 min。

(4)时空匹配策略。在浮标-WindRAD-数值预报模式的TC中，由于数值预报数据已通过线性插值方法插值到WindRAD观测时空点位，因此主要涉及到WindRAD与浮标站和同类卫星(HY-2B)数据进行匹配。首先，对WindRAD和HY-2B散射计风场产品进行最邻近时空匹配，时间阈值为30 min，空间阈值为20/ 2 km；其次，基于匹配数据集，再与浮标站数据进行最邻近时空匹配，选择同时满足在2类卫星产品时间和空间间隔内的浮标数据点作为匹配样本。最终匹配到样本C波段、Ku波段、双波段产品与浮标站和HY-2B观测的有效点数量均为22 535个。匹配结果最后使用WindRAD质量码进行筛选，该质量码基于最大似然函数方法计算，能够识别由降水、海冰等污染导致的像元。

1.3 三重匹配方法

风是一种非常重要的地球物理变量，需要精确测量。然而，对于风的验证或校准来说，现有观测或模式模拟数据源均存在一定的误差。TC技术是一种统计方法，主要用于在没有可用的真实参考数据集时，估算3个独立测量系统的误差，这种方法通过利用与每个数据集相关的误差的统计特性来量化每个数据集的精确性。Stoffelen^[12]最早提出了TC方法用于校准散射计得出的海风并估计误差，该方法随后被用作海风不确定性评估的根据，是此文研究的基础。TC方法中均方根误差(root mean square error，RMSE)的推导过程如下。

$ x_i=a_i+b_i t+\delta_i \quad(i=0, 1, 2) $

(1)

其中：a_i为截距，b_i为斜率，δ_i为加性随机误差，t为真实值，i为检验源序号，当i=0，1，2时，分别代表浮标站、卫星和数值预报模式。当i=0时，选用浮标站数据作为参考值，认为其无偏，故a_i=0且b_i=1。根据Stoffelen^[12]的研究，假设真实值t的误差方差t²=σ²，故(t－x_i)²=ε_i²。且根据McColl等^[20]的研究，可推得不同测量系统间的协方差为

$ \operatorname{Cov}\left(x_i, x_j\right)=\left\{\begin{array}{l} b_i b_j \sigma^2, i \neq j \\ b_i^2 \sigma^2+\varepsilon_i^2, i=j \end{array}\right. $

(2)

由此，进一步推得误差方差为

$ \varepsilon_i^2=\operatorname{Cov}\left(x_i, x_j\right)-b_i^2 \sigma^2 $

(3)

最终实现的误差方差为

$ \left\{\begin{array}{l} \varepsilon_0^2=\operatorname{Cov}\left(x_0, x_0\right)-\frac{\operatorname{Cov}\left(x_0, x_1\right) \operatorname{Cov}\left(x_0, x_2\right)}{\operatorname{Cov}\left(x_1, x_2\right)} \\ \varepsilon_1^2=\operatorname{Cov}\left(x_1, x_1\right)-\frac{\operatorname{Cov}\left(x_0, x_1\right) \operatorname{Cov}\left(x_1, x_2\right)}{\operatorname{Cov}\left(x_0, x_2\right)} \\ \varepsilon_2^2=\operatorname{Cov}\left(x_2, x_2\right)-\frac{\operatorname{Cov}\left(x_0, x_2\right) \operatorname{Cov}\left(x_1, x_2\right)}{\operatorname{Cov}\left(x_0, x_1\right)} \end{array}\right. $

(4)

以上为一阶的TC方法，该方法的前提是以浮标站作为散射计校准的参考，则通常需假设浮标站提供散射计测距面积平均风矢量的无偏估计，特别是风速较低的情况。由公式(4)看出，TC解决的主要是3个独立源的随机误差方差问题，这是传统两两匹配方法所无法直接定量给出的，独立源的随机误差方差与该数据本身的方差正相关，同时与该数据源和其他2个数据源的协方差负相关以及其他2个数据源的协方差正相关，从物理上解释，公式(4)右侧第一项表征随机误差较大会导致数据本身离散度高，第二项表征与其他数据源的协同性越高，象征该数据与真实值越接近。

2 结果与讨论 2.1 多源数据直接比对结果

图 2给出了FY-3E WindRAD的3个产品数据集风速与浮标站观测风速的对比密度散点图和误差统计结果。从图中可以看到，与浮标相比，在风速较低(小于5 m ·s^-1)时，WindRAD对风速的估计误差相对更大，这与卫星对小信号观测的灵敏度较低有关。卫星散射计反演的精度在5~15 m ·s^-1相对更高，在小风速和超过25 m ·s^-1的大风速区间精度偏低。由于浮标观测的局限性，基于浮标的真实性检验一般均针对中低区间，此文主要针对0~20 m ·s^-1区间段进行分析。总的来说，3个产品数据集风速存在负偏差，C波段偏差为-0.867 m ·s^-1，Ku波段和双波段偏差区间为-0.3~-0.2 m ·s^-1。从RMSE水平上看，Ku波段和双波段产品均优于C波段，三者标准差水平相当，Ku波段略优，为1.182 m ·s^-1，受目标响应、天线增益、系统信噪比影响，越高频段的散射计往往具有更高的灵敏度。图 3给出了3个产品数据集的偏差、标准差和RMSE随平均风速的变化，可以进一步看到误差分布特征，从偏差上看，C波段在10 m ·s^-1以下风速区间均表现为明显的负偏差，而Ku波段和双波段产品的偏差特征较为相似，三者标准差水平接近。

所有数据与模式比对的皮尔逊相关系数均能达到0.8以上，具有强相关性；3个产品数据集与模式相比的RMSE类似(图 4)。值得补充的是，文中虽未专门进行分析，模式与浮标比对也存在负偏差，为-0.6 m ·s^-1，在低风速条件下二者方差也较大，这与卫星、模式与浮标的代表性有关，浮标为点观测，卫星空间分辨率为20 km，模式网格空间分辨率为12.5 km。由图 5来看，C波段反演表现为负偏差，Ku波段和双波段为正偏差，由于偏差量级和标准差相近，从RMSE值上发现3个产品精度相当。

图 6给出了FY-3E WindRAD风速与同类卫星(HY-2B)的对比密度散点图和误差统计结果，可见WindRAD风速与HY-2B散射计风速的相关性较数值预报模式和浮标结果更高，双波段反演产品相关性最高，相关系数达到0.974，RMSE为0.499 m ·s^-1，偏差为0.173 m ·s^-1，这与同为卫星观测源有关，即使WindRAD与HY-2B散射计风速观测相互独立，但同为卫星观测，对于目标的响应是高度一致的，尤其是当二者频点相同时这种一致性达到最高，Ku波段和双波段与HY-2B的RMSE均较C波段更小。从偏差角度看，Ku波段与双波段产品的偏差很小，而C波段仍表现出明显负偏差。由图 7进一步可见，Ku波段和双波段产品与HY-2B风场产品具有高一致性，尤其在风速为2~10 m ·s^-1时，二者RMSE达到最小。

图 8—10是在风速大于4 m ·s^-1情况下，FY-3E WindRAD的3个产品数据集的风向分别与浮标站、数值预报模式和HY-2B数据相比的密度散点图和误差统计结果。可见，FY-3E WindRAD的3个产品风向与浮标站风向的RMSE区间为16°~17°(图 8)，与模式数据风向的RMSE区间为13°~14°(图 9)，与同类卫星(HY-2B)风向的RMSE区间为9°~11°(图 10)。与模式和HY-2B风向数据更相近是因为FY-3E WindRAD风向反演时使用了数值预报模式的背景风向进行2DVAR，在FY-3E风向产品中融合了数值预报模式风向信息，使得散射计风向在代表性和精度上均与模式更一致，而HY-2B反演时也采用了相同数值预报模式背景场。与浮标站风向相比3个波段的卫星数据表现较为接近(图 8)，与数值预报模式相比Ku波段结果略优(图 9)，与同类卫星(HY-2B)相比Ku波段和双波段结果优于C波段(图 10)。

2.2 浮标-WindRAD-模式三重匹配结果

TC是基于线性误差模型假设，实现3个不同源系统数据之间的偏差分析，它建立在若干假设的基础之上，其中最重要的是：(1)数据系统之间使用线性校准误差，(2)各数据系统间的测量误差不相关^[12]。FY-3E风速反演过程中没有使用数值预报模式背景场，因此浮标观测风速、FY-3E反演风速与数值模式预报风速组成的3个数据系统相互独立、互相不存在依赖关系，这3个系统满足两两之间的测量误差互不相关，假设(2)成立；在第2.1节中，已经分析了两两风速测量系统的密度散点图，密度散点图中的大部分点位于一条直线上，或比较均匀地分布在这条直线两侧，所以假设(1)亦成立；综上，可用TC的算法实现这3个数据系统间的偏差分析。由于FY-3E风向反演过程中通过2DVAR引入了数值预报模式背景场，所以仅选用海风风速进行TC的分析。

TC程序建议使用最高分辨率的测量系统作为系统0，使用最粗分辨率的测量系统作为系统2，故浮标观测数据系统为系统0，WindRAD反演数据系统为系统1，模式预报数据系统为系统2。

表 1给出了浮标观测风速、FY-3E WindRAD观测风速的3个产品数据集与数值模式预报风速的TC结果，除了公式(4)的随机误差方差ε_i，同时给出了以浮标数据为准(基于浮标数据仅有随机误差的假设)线性回归得到的公式(1)中的加性和乘性误差参数a_i与b_i，总的来说，C波段存在显著负偏差，这与第2.1节分析结论一致，C波段反演的风速与浮标的回归斜率更接近1，但存在明显负偏差，Ku波段产品斜率更大，表明乘性误差大，双波段产品的偏差最小。从TC计算得到的随机方差看到，Ku波段在3个产品数据集产品中最小，三者水平相当。纵观3个观测源中的随机误差方差可知，浮标的随机误差是最小的，3个产品数据集中模式数据的标准误差均为最大，且明显高于卫星数据和浮标数据的标准误差值。

2.3 浮标-WindRAD-同类卫星观测三重匹配结果

表 2给出了浮标观测风速、FY-3E WindRAD的3个产品数据集观测风速与同类卫星(HY-2B)风速的TC结果，可见与模式的TC相比，WindRAD产品的偏差和误差方差的特征类似，Ku波段产品乘性误差大，但偏差和随机误差最小，C波段负偏差特征和随机误差明显，但乘性误差小，双波段的结果介于二者之间。与浮标-卫星-模式TC相比，浮标的随机误差略大，而FY-3E和同类卫星(HY-2B)2个卫星的观测误差均较小。由FY-3E WindRAD与HY-2B散射计风产品的对比来看，FY-3E WindRAD的Ku波段、双波段产品和HY-2B散射计风产品的加性偏差相当，C波段偏差较差，FY-3E WindRAD的3个产品乘性误差优于HY-2B散射计，随机误差方差水平相当。

3 总结与讨论

利用时间跨度为1年的FY-3E WindRAD海面风场产品、数值预报模式、浮标站实地观测和同类卫星(HY-2B)风速数据，通过直接比对和TC分析方法，对卫星产品进行精度分析，得到结论如下。

(1)多源资料直接比对结果显示，FY-3E WindRAD 3个产品数据集的精度均达到设计指标。风速产品在不同风速情况下具有不同响应，并存在频点依赖，C波段具有更明显的负偏差，Ku和双波段产品偏差水平近似，三者标准差水平相当，从RMSE水平上看，Ku波段和双波段产品均优于C波段，Ku波段略优。风向产品总体表现为3个产品数据集相当，Ku波段和双波段联合反演结果略优。所有数据与模式、浮标和同类卫星比对的皮尔逊相关系数均能超过0.8，具有强相关性。FY-3E与HY-2B的一致性较模式和浮标结果更高，这与同为卫星观测源的代表性相似有关。

(2) 由TC分析结果来看，以浮标作为无偏观测源，Ku波段产品乘性误差大，但偏差和随机误差小，C波段负偏差特征和随机误差明显，但乘性误差小，双波段的结果介于二者之间，浮标-WindRAD-模式与浮标-WindRAD-同类卫星观测的分析结论类似。模式数据的误差明显高于卫星数据和浮标数据的标准误差值。WindRAD的Ku波段、双波段产品与HY-2B散射计风产品的加性偏差相当，C波段偏差较差，随机误差方差均与HY-2B散射计风产品水平相当。

文中使用多源观测数据和TC误差估计方法从多个维度评估了FY-3E WindRAD业务海面风场产品的误差特征，对全面分析各独立观测源的误差特征以及独立源的客观订正有较为重要的参考价值。未来考虑将再分析资料以及更多浮标站点数据纳入比对源。此外，后续可根据采取延长匹配时间、增加站点数量、使用多源数据的方式开展更全面的评估工作。