表1 典型海洋参数卫星反演产品
Tab.1 Typical Satellite Retrieval Products of Ocean
产品名称处理方法是否可在星上实现海面风场微波散射计:地球物理模型微波辐射计:辐射传输模型是海表温度微波辐射计:辐射传输模型是海面高度微波高度计:回波重跟踪方法是浪高微波高度计:回波重跟踪方法是
Reference format: Dong Xiaolong, Yang Xiaofeng, Xu Xingou, et al. On-board Fast Retrieval of Ocean Surface Parameters from Satellite Observations and Featured Applications[J]. Journal of Signal Processing, 2020, 36(12): 1979-1986. DOI: 10.16798/j.issn.1003- 0530.2020.12.003.
海洋相关参数在海洋动力学监测、防灾减灾中发挥着重要作用。卫星遥感方法是高效准确获取它们的方法。使用遥感数据得到的产品,或者融合了遥感观测信息的数值预报产品,能提供多种海洋参数信息。实时海面信息的获取与智能决策,将为人们的生产生活保障提供巨大支持,也是未来10年遥感应用的主要方向[1]。然而,目前的工作模式下,产品的发布实时性不足以满足需求。常规海洋卫星监测产品从观测到分发的时间间隔平均为数个小时。较为先进的欧洲先进传输服务(Advanced Retransmission Service,EARS)系统,分发产品也需要等待半小时以上。地面处理方式的时效性不足以应对海洋环境快速预报及灾害预警监测等实时智能服务的需求。国家重点研发计划“大气海洋环境载荷星上处理及快速反演技术”利用近年来不断提升的星上计算机硬件水平、计算和存储能力,合理构建星上处理平台,实现大气-海洋环境要素参数的星上快速识别和反演,并实现灾害性和危险性检测与自适应虚警抑制,对填补这一空白做出了贡献。
本文以海洋环境参数星上处理方法作为研究对象,重点开展基于多传感器协同的星上实时海面风、浪场反演研究,实现台风条件的风场快速反演。以“风浪”实时快速监测作为应用示范,并利用了“海洋二号”海洋动力学卫星的载荷模式、观测数据,开展了相关实验。论文首先对星上快速处理的方法进行介绍,星上系统的模拟环境进行说明。然后通过基于卫星观测数据的仿真实现星上处理流程的仿真,包括台风条件下多传感器数据联合风场反演的实现与精度评价。最后对处理的有效性和应用模式进行了描述和探讨。
卫星已成海洋观测的重要数据来源,主要国家海洋观测部门均发布多种类型的海洋参数反演产品。典型的海洋参数卫星反演产品及生产方法如表1所示。
表1 典型海洋参数卫星反演产品
Tab.1 Typical Satellite Retrieval Products of Ocean
产品名称处理方法是否可在星上实现海面风场微波散射计:地球物理模型微波辐射计:辐射传输模型是海表温度微波辐射计:辐射传输模型是海面高度微波高度计:回波重跟踪方法是浪高微波高度计:回波重跟踪方法是
目前,海洋参数卫星反演产品的主要生产流程是基于地面系统开展数据接收、产品生产和发布。多数算法在计算复杂度、输入数据需求等方面均可在星上实现。但考虑到星上计算环境等条件与地面系统有差异,海洋星上参数反演使用的方法与常规产品不同。本研究以海面风场、浪场为例,针对高风速海况条件下,得到适用于星上条件的多传感器观测及联合观测的反演、识别和智能分析算法。对星上处理环境仿真进行描述,并以高风速条件为应用示例,实现台风条件的星上快速处理应用。
海面台风风场伴随着复杂的海-气环境。综合利用多海洋遥感载荷数据,能得到更详尽的海面观测信息,提高反演精度。雷达微波散射计是能精确获取后向散射系数测量的主动模式工作的真是孔径雷达。其具有测量稳定性的优点[2];观测的后向散射系数与风场之间的经验关系地球物理模型函数(GMF)的一般形式如下所示[3]:
σ0=M|(U·φ·θ;p, f,L)
(1)
其中,σ0为海面的后向散射系数;U表示海面10 m高的风速;φ为风向与观测方位角夹角;θ为观测入射角;P表示观测使用的电磁波的极化方式, f为其频率;L为其他一些产生高阶影响的地球物理变量,如海洋表面温度(SST)等。散射计的常年观测累积下,上述经验模型在非高风速条件下,已经发展成熟,在业务运行中,能表达为直接可用的观测与风场对应关系查找表。对于微波辐射计而言,较为成熟的方法基于全天候的辐射传输模型(RTM)建立的观测的亮度温度与海洋表面风速之间的关系。可以用下式表达[4]:
εw(f,Usfc)=ε(f,Ts,S,Usfc)-ε0(f,Ts,S)
(2)
f为观测频率,Ts是海洋表面温度,S是海水盐度,Usfc是海面10 m高风速。通常可以使用该模型和约束分段回归的方法,对多频观测数据进行拟合,从而得到海面风速产品。
综合利用同步观测的散射计、多频辐射计联合观测数据,有利于更好地实现降水存在和高风速的极端海况的风速和风向信息,有利于应对台风条件下存在大风与降水同时发生的情况。此时,观测过程涉及复杂的非线性关系,此外,常规的物理模型中,高风条件下,还没有成熟的反演方法和模型,仅有散射计和辐射计分别反演的方法,尚无针对主被动联合观测的模型[5]。人工神经网络(ANN)是一种可以综合利用观测信息的有效方法。利用辐射计和散射计数据和ANN可以实现台风条件下海面风场的反演。使用反向传播(BP)神经网络是一种有效的非线性回归方法[5],并使用它实现了台风条件的主-被动风场联合反演。它由输入层、隐藏层和输出层,不同层之间平行作用,彼此之间没有链接;层间数据则具有传输作用。通过调整训练过程中节点的权重,能实现统计误差最小化,建立统计意义上的主、被动观测联合反演模型;而散射计和辐射计在高风速条件下的应用,以及[5]中相互之间无交叉分析的输入输出数据集合,则保障了该模型的具有的物理意义。此外,独立于训练数据集合的H*Wind风场的验证评价,也保障了[5]中方法的有效性。
为了实现星上环境的快速反演,本文采用[5]中的对观测过程和机理论证的基础上,实现包含高风速风场信息的BP神经网络作为星上海面风场的反演方法。隐藏层的数量是通过实验确定的。BP神经网络通过独立并连接的基本运算节点实现运算,使用的激活函数是Sigmoid函数。神经网络通过激活函数能引入非线性的拟合能力,使用这种函数的网络可以用于处理只有一个隐藏层的复杂数据集。形成输入层由风单元(WVC)中的项及属性组成,包括不同极化的散射计观测后向散射系数(sigma0),它们对应的方位角;不同通道辐射计观测的亮度温度(BT),相应的角度和极化等信息,训练使用我国的GRAPES再分析风场[6]。神经网络使用中,采用梯度下降法。对于输入和训练真值集,在应用BP神经网络之前进行归一化,将包括风向在内的角参数映射到范围[-1,1]。该方法除了能有效实现散射计、辐射计联合反演,由于BP网络结果简洁,训练后的使用实现运算快速,还具有星上环境应用的潜力。
热带气旋是影响我国最主要的海洋灾害,快速准确的获取气旋强度信息对于防灾减灾至关重要,利用星上处理技术可以有效的提高气旋遥感监测的时效性。微波遥感具有全天时、全天候、可以穿透云雨的能力,被广泛应用于热带气旋的动态监测与预警业务,本研究针对国产海洋二号卫星搭载的微波散射计和辐射计,研发了热带气旋主被动联合的星上自动定强算法。
微波辐射计不同频段不同极化通道的亮温数据包含了热带气旋不同高度的强度特征,微波散射计的雷达回波则受气旋风速风向、气旋内部涡旋和降雨等小尺度过程、气旋与海面能量和物质交换相互作用等因素影响。因此,为了构建筛选出能够表征气旋强度的特征参量,是构建气旋强度估计模型的前提[7]。本研究结合海洋二号卫星载荷技术特点,建立了包含候选参数集,并利用卫星遥感和再分析匹配资料,通过相关性分析和遗传算法,通过逐步回归方法,基于条件索引、方差比例、特征值等指标进一步优化选择了15个参数作为最后的候选参数。然后,选择多元线性回归拟合分析参数不同组合的相关性并对各组合进行精度验证。图1给出了不同个数参数组合下模型精度的趋势图,图中x轴表示参数的组合个数,左边y轴表示均方根误差,右y轴表示R2。从图中可以清晰的看出,当6个参数组合时,可以得到最低的RMSE及最高的R2。因此,选择了以下6个参数作为最终热带气旋强度估计模型的拟合参数,即气旋中心1°范围内的最小风速SSW_MIN_C100、气旋中心0.75°范围内19 GHz水平极化通道亮温TB19H_PART250_C075、气旋中心0.25°范围内的最大风速SSW_MAX_C250、气旋中心0.75°范围内37 GHz水平极化通道亮温TB37H_PART210_C075、气旋中心1.25°至1.5°范围内22 GHz垂直极化通道亮温TB22V_PART270_A125150、气旋中心1°范围内37 GHz水平极化通道亮温TB37H_MIN_C100。各参数具体定义详见[8]。
图1 不同参数组合条件下的气旋定强误差变化趋势图
Fig.1 The trend of cyclone amplitude errors from different combinations of parameters
最终得到了热带气旋强度的估计模型如下式所示:
Vmax=0.7582*SSW_MIN_C100+
0.1645*TB19H_RAPT250_C075+
0.3410*SSW_MAX_C250-
0.0722*TB37H_RAPT210_C075+
0.0806*TB22V_RAPT270_A125150+
0.2861*TB37H_MIN_C100-46.884
(3)
有效波高的快速反演算法基于高度计回波上升沿坡度对海面有效波高的高灵敏度。海面有效波高越高,则上升沿越平缓。高度计的回波上升沿为误差曲线的形状,在回波半功率点附近的较宽范围内该曲线可良好地近似为一条直线。通过估计该直线的坡度角,利用该坡度角与有效波高的线性关系,反演出有效波高。
有效波高快速反演算法流程如图2所示。首先对回波进行预处理,将回波功率进行比例缩放,使其位于[0, 100]区间;然后识别出回波上升沿,并对上升沿进行插值。利用预设的线性区间门限值选取用于坡度估计的回波样点,对回波上升沿的坡度角进行估计,根据有效波高和的经验公式获取,并利用预存的查找表对有效波高的仪器误差进行校正。利用海量回波上升沿的坡度角和有效波高之间的经验关系式,即可反演有效波高。
图2 有效波高快速反演算法流程图
Fig.2 Flow chart of retrieval procedures of significant wave heights
该算法的核心是如何获得上升沿坡度角和有效波高之间的关系。根据对Jason-2、Jason-3、HY-2A、HY-2B等多个卫星雷达高度计数据的统计分析。将全部海况条件纳入统计,上升沿坡度角和业务产品中有效波高的相关系数均高于0.98,这说明二者之间良好的线性关系。因此,以海量回波的上升沿坡度角和重跟踪有效波高进行线性回归分析,即可获得经验关系式中的斜率和截距参数[9-11]。
星载雷达高度计的回波受平均海面高度、海面有效波高、海面散射强度和卫星姿态角等因素的影响。开放海域的雷达高度计海面回波可由Brown模型表示[9]:
(4)
其中:A0为回波峰值,它和海面散射系数成正比,t0为高度计和平均海面之间的双程传输延时,σc为混合有效波高,它是波高标准差(归算到时间量纲)和高斯等效脉冲宽度的均方根合成值:
其中τ为压缩脉冲宽度,k为一比例因子,通常取0.513,在通常的海况下,近似有:
函数erf(·)为误差函数,α和β是和天线波束宽度及天线姿态角有关的参数。在回波上升沿附近,(4)式中的负指数项可以忽略。因此回波近似为误差函数(高斯概率积分)的形状。截取回波前沿(上升沿)的中间段,对其进行线性拟合,可获得回波前沿斜率,记为k,则其和有效波高之间存在良好的线性关系,可用下面的经验公式进行有效波高的快速反演:
SWH=a1k+a0
(5)
SWH表示有效波高,其中a0和a1是经验常数,通过适当选取高度计回波作为训练样本,对其上升沿斜率k和由回波重跟踪方法获得的高精度有效波高值进行回归分析,可以获取a0和a1的估计值。对不同的卫星雷达高度计,因为其系统参数不同,相应的a0和a1也略有差异。
基于上升沿坡度的快速反演方法和传统的非线性迭代回波重跟踪方法相比,有如下优势:
① 计算流程简单,不需要循环、迭代等耗费计算资源的环节;
② 除了计算坡度角时使用了反正切函数,计算中只需要用到四则算术运算,计算速度快;
③ 该方法健壮性强,一般情况下总能得到有效波高的反演结果;而传统的回波重跟踪方法在巨浪时很容易出现迭代无法收敛、进而得不出有效波高估计结果的情况。
近年来,随着硬件的发展,星上系统也有了长足的进步;除了已有应用的FPGA,GPU也投入使用。本研究的实验中,使用的星上板卡详情如表2所示。
表2 星上处理板卡详情
Tab.2 Descriptions of GPU board for the on-board processing enviroment
内存8 GB显卡(GPU)NVIDIA存储500 GB
使用表2配置的板卡,连接PC机,模拟星上环境[12]。测试使用C++语言进行实现,支持Jetson TX2和Ubuntu 10.2环境。
面向星上空间环境以及体积重量功耗严格约束,开展星上实时处理平台以及算法的高效并行映射研究,包括:大气海洋环境实时处理特点和资源需求分析、星上处理平台架构设计、星上处理算法的优化及并行映射、以及卫星仿真器、载荷管理单元实现。以海洋二号卫星典型载荷配置为基础,完成技术应用方案设计与试验验证。
首先,BP神经网络使用的数据集合采用2015年6月、7月和8月的海洋2号卫星A星(HY-2A)对不同台风的多次观测结果。数据集合中包括海洋2号微波散射计提供HH和VV极化的后向散射观测,辐射计提供 6.6 GHz频段垂直极化(V)、水平极化(H)、10.7 GHz的V、H、18.7 GHz的V、H、23.8 GHz的V、37 GHz的V和H观测的海面亮度温度。同时,也包括由国家气象局提供的GRAPES数值预报模型的风速和风向。BP神经网络的训练过程中以GRAPES的风速和风向为真值,经多次迭代得到收敛的模型后建立。采用与训练数据集合不重叠的测试样本集合进行测试,并与数值预报模型风速比较。其中,70%的数据作为训练数据,其余为验证数据,验证数据集合不参与训练。基于前述的方法构造BP神经网络,在上述星上仿真环境运行,相关算法的处理成果与一般PC工作相同,风速和风向与数值预报模型产品有较好的一致性。结果示例如图3所示。
图3 主-被动台风风场星上环境反演成果图
Fig.3 On-board processing results of combined active-passive wind fields of a tropical cyclone
其次,利用2012～2017年度西北太平洋海域的热带气旋HY-2A卫星遥感观测数据和中国气象局台风最佳路径数据[13],对台风星上自动定强算法进行了精度检验。在数据匹配时,由于最佳路径资料的时间间隔较大(6小时一次),考虑到气旋在6小时间隔内的强度变化,将卫星过境时间与最佳路径数据线性插值获得的最大风速作为参考热带气旋强度。最终,共获得了23个热带气旋共145个有效检验样本。本文台风自动定强模型与最佳路径资料的误差统计结果详见图4,结果表明二者的R2为0.83,RMSE为5.94 m/s,MAE为4.62 m/s,BIAS为-0.43 m/s。
图4 台风自动定强模型与最佳路径资料的误差统计结果
Fig.4 Model based automatically determined amplitude errors of tropical cyclones taken references from the Best Track data
在处理速度方面,统计了模拟星上环境处理的时间消耗情况。以一轨HY-2A散射计数据和同步的辐射计观测数据作为计算标准,从数据完全加载开始,将处理过程分解为ANN风速反演、ANN风向反演、模糊消除三个步骤,分别统计计算时间,具体如表3所示。
表3 星上台风神经网络反演耗时
Tab.3 Time cost of on-board NN for retrieval of wind fields of a tropical cyclone
序号处理内容耗时/s1ANN风速反演37.42ANN风向反演41.33风向模糊消除12.1合计90.8
为了验证高度计的有效波高快速反演算法,我们利用HY-2B卫星高度计的数据进行了测试。测试区域选取在东太平洋区域的一条轨道(如图5左图),该轨道几乎完全位于开放海域,且巨浪情况较多。图5右图为2019年1月～2020年6月期间该轨道有效波高测量值的统计直方图,有效波高大于4 m(直方图中红线右侧截尾部分)的比例接近20%,且多分布在南北半球中高纬度的强西风带内。
图5 测试区域图(左图为测试的HY-2B卫星地面轨迹图,右图为有效波高统计直方图)
Fig.5 Data of the testing regions (figure on the left describe the location of the observed regions from HY-2B region, and figure on the right indicates the corresponding histogram of significant wave height)
为了测试快速反演方法在巨浪情况下的性能,本文重点对巨浪条件下的反演结果进行了统计分析,一共统计了233,938个有效样本。图6为高度计回波上升沿坡度角和快速反演有效波高的关系，以及回波重跟踪有效波高和快速反演有效波高的比较散点图。图中叠加了线性拟合的趋势线。高度计回波上升沿坡度角和产品中有效波高的相关系数为0.93,说明即使在巨浪情况下,上升沿坡度角和有效波高之间仍保持良好的线性关系。在未进行数据筛选的情况下,回波重跟踪有效波高和快速反演有效波高之间的标准差为0.429 m,满足优于0.5 m或相对10%的应用精度需求。
在处理速度方面,统计了模拟星上环境处理的时间消耗情况。以一轨HY-2B高度计数据作为计算标准，分别统计传统的回波重跟踪方法和快速反演方法的计算时间，快速反演方法的效率比传统的回波重跟踪方法高约6000倍[14-15]。
图6 (左)高度计回波上升沿坡度角和重跟踪有效波高的关系图，(右)回波重跟踪有效波高和快速反演有效波高对
比图，图中的红线为线性拟合趋势线
Fig.6 (Left) The relation of slope angle of rising edge and significant wave height, (right) the significant wave heights from re-tracking of backscattered wave compared with that from the fast retrieval method
本文的研究中,将微波辐射计、散射计联合反演与台风自动定位定强方法,以及高度计海面波高反演算法集成到研制的星上实时处理仿真平台上,能以较快的速度实现。通讯技术的发展极大地推动了上一代气象海洋观测的发展,并将相应的应用推向了新的纪元,极大改善了预报水平。随着人工智能技术、量子计算、卫星技术和星上硬件系统新时代的到来,集成了AI方法的新遥感模式将在国民经济保障中发挥比现有工作模式和方法更大的作用[16-17]。随着AI在遥感应用的深入,散射计观测中降水信息提取和降水对风场影响的改正、散射计-辐射计台风遥感已成为AI技术在相应领域中的潜在应用方向,并已在基于模型和数据的应用中展现出优势和成效。研究结果作为海洋环境和灾害星上快速处理关键技术,成果的应用,将显著提升我国气象海洋灾害的监测能力和国产卫星的应急响应水平。
[1] Karen St. Germain. Earth System Science: Understanding and Adapting to our Changing Planet[C]∥ IEEE International Geoscience and Remote Sensing Symposium (IGASS 2020), Waikoloa Village, USA.Oct. 2020. [available on-line Oct. 14th, 2020]: https:∥www.igarss2020.org/PlenarySession.php.
[2] Stoffelen A, Kumar R, Zou J, et al. Ocean Surface Vector Wind Observations[M]. Remote Sensing of the Asian Seas, 2019.
[3] Stoffelen A. Scatterometry[D]. Ph. D Thesis. University of Utrcht, Utrecht, the Netherlands, 1998.
[4] Sapp J, Alsweiss S, Jelenak Z, et al. Stepped Frequency Microwave Radiometer Wind-Speed Retrieval Improvements[J]. Remote Sensing, 2019, 11(3). DOI: 10.3390/rs11030214.
[5] Xu Xingou, Dong Xiaolong, Zhu Di, et al. High Winds From Combined Active and Passive Measurements of HY-2A Satellite[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018: 4339- 4348. DOI: 10.1109/JSTARS.2018.2873257.
[6] 韩威. GRAPES卫星资料同化进展和未来挑战[C]∥第35届中国气象学会年会 S9 卫星资料同化, 2018.
Han Wei. The progress and future challenges of the satellite data assimilation system GRAPES[C]∥S9 Satellite data assimilation in the 35th annual meeting of the Chinese Meteorological Society, 2018.(in Chinese)
[7] Demuth J L, Demaria M, Knaff J A. Improvement of Advanced Microwave Sounding Unit Tropical Cyclone Intensity and Size Estimation Algorithms[J]. Journal of Applied Meteorology, 2006, 45(45): 1573-1581. DOI: 10.1175/1520- 0450(2004)0432.0.CO;2.
[8] Xiang Kunsheng， Yang Xiaofeng， Zhang Miao, et al. Objective Estimation of Tropical Cyclone Intensity from Active and Passive Microwave Remote Sensing Observations in the Northwestern Pacific Ocean[J]. Remote Sens, 2019, 11: 627. DOI: 10.3390/rs11060627.
[9] Brown G. The average impulse response of a rough surface and its applications[J]. IEEE Transactions on Antennas and Propagation, 1977,25(1), 67-74. DOI: 10.1109/JOE.1977.1145328.
[10] Hayne G S. Radar altimeter mean return waveforms from near-normal-incidence ocean surface scattering[J]. IEEE Transactions on Antennas and Propagation, 1980,28(5), 687- 692. DOI: 10.1109/TAP.1980.1142398.
[11] Callahan P S, Rodriguez E. Retracking of Jason-1 data[J]. Marine Geodesy, 2004, 27(3, 4): 391- 407. DOI:10.1080/01490410490902098.
[12] Xu Xingou, Dong Xiaolong, Xie Yu. On-Board Wind Scatterometry[J]. Remote Sensing, 2020, 12(7): 1216. DOI: 10.3390/rs12071216.
[13] Ying Ming, Zhang Wei, Yu Hui, et al. An Overview of the China Meteorological Administration Tropical Cyclone Database[J]. Journal of Atmospheric & Oceanic Technology, 2014, 31(2):287-301.
[14] 徐曦煜, 耿兵绪. 一种新型星载雷达高度计巨浪浪高快速反演方法[C]∥第一届空间科学大会, 2019.
Xu Xiyu, Geng Bingxu. A new surge wave fast detection method for satellite based altimeter[C]∥The 1st Spatial Science Conference, 2019.(in Chinese)
[15] Liu Yalong, Ji Ling, Zou Shuguang, et al. Onboard Fast Retrieving of Significant Wave Height from Leading Edge of Altimeter Waveforms[J]. Journal of Coastal Research, 2020, 99(sp1):236.
[16] 李德仁, 龚健雅, 邵振峰. 从数字地球到智慧地球[J]. 武汉大学学报(信息科学版), 2010, 35(2): 127-132.
Li Deren, Gong Jianya, Shao Zhengfeng. From Digital Earth to Smart Earth[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 127-132.(in Chinese)
[17] 苏宁远, 陈小龙, 关键, 等. 基于卷积神经网络的海上微动目标检测与分类方法[J]. 雷达学报, 2018, 7(5): 565-574.
Su Ningyuan, Chen Xiaolong, Guan Jian, et al. Detection and Classification of Maritime Target with Micro-motion Based on CNNs[J]. Journal of Radars, 2018, 7(5): 565-574.(in Chinese)
董晓龙 男, 1969年生, 陕西大荔人。现任中国科学院国家空间科学中心副主任, 工学博士。主要研究方向为微波遥感探测与成像理论与方法、先进微波遥感有效载荷、地球与空间微波遥感探测技术等。
E-mail: dongxiaolong@mirslab.cn
杨晓峰 男, 1982年生, 四川成都人。现任海南省对地观测重点实验室研究员, 理学博士。主要从事海洋微波遥感和海洋动力环境遥感监测方法与技术研究。
E-mail: yangxf@radi.ac.cn
徐星欧 女, 1984年生, 贵州贵阳人。现任中国科学院国家空间科学中心副研究员, 工学博士, IEEE高级会员(Senior Member)。主要研究方向为微波散射计海面风场反演、高风速风场散射计、辐射计联合反演;进行海面降水、台风条件下, 散射计观测机理和反演模型等。
E-mail: xuxingou@mirslab.cn
徐曦煜 男, 1978年生, 河南南阳人。现任中国科学院国家空间科学中心研究员, 工学博士。主要研究方向为微波遥感系统设计、信号处理、定标和应用;海洋和大气遥感信息处理方法研究等。
E-mail: xuxiyu@mirslab.cn