1, 毛克彪,  基于热红外和微波数据的地表温度和土壤水分反演算法研究,中国农业科学技术出版社, 2007.12(专著).

相应发表的英文论文下载：http://www.sciencenet.cn/blog/user_content.aspx?id=230867

中文将陆续在后面进行上载。

 

第三章     实验数据选择与分析

热红外和微波遥感在海面温度、陆面温度、大气温度、大气水汽、云顶温度的反演中具有非常重要的地位。但每种传感器的设计都具有很强的针对性，几乎每个通道的研究对象都是非常明确的。就本文地表温度和土壤水分的反演方法而言，几乎每一种具体的反演方法都是针对特定的遥感数据开发的。因此研究和选择地表温度反演算法时，首先要了解热红外遥感系统的特点。无论是从空间分辨率，还是时间分辨率，热红外和微波遥感系统发展十分迅速。现在使用和即将投入使用的热红外传感器达几十种之多。为了本论文后面建立分析反演算法方便，我们把本文将要用到的热红外和微波传感器进行简要介绍。

3.1 ASTER

1999年搭载ASTER(Advanced Spaceborne Thermal Emission and Reflection Radiometer)遥感器的对地观测卫星（TERRA）发射成功，为全球和区域资源环境动态监测开辟了又一新的途径。ASTER由日本通产省 (METI) 提供，主要用于解决土地利用与覆盖、自然灾害、短期天气变动、水文等几个方面的问题。轨高705 km，为太阳同步近极地轨道，运行周期98.88分钟，下行过赤道地方时为中午10：30±15min，地面重复访问周期16天，设计运行时间为6年。ASTER是一个拥有15个波段的高分辨率传感器，在ASTER的15个波段中有5个是高分辨率的热红外波段，因而非常适合于城市和小区域的地表热量空间差异分析。按照ASTER项目的计划，其数据应用于全球变化研究中，如提升自然灾害的监测和预报能力，短期气候变化和水循环等。针对ASTER本身及其数据产品的在更广范围都得到了很好的应用，而且在科研工作中也起到了很好的促进作用，ASTER使用情况至今一直很好，高空间分辨率、多波段、立体像对等3个主要特点为研究人员在更广的研究领域中使用提供的有效的支持[1][2]。

ASTER是第一台用于制图和温度精确测量的星载高空间分辨率多通道热红外成像仪。它由三个光学子系统组成：可见光近红外（VNIR）、短波红外（SWIR）和热红外（TIR）。ASTER数据具有高空间、波谱和辐射分辨率，每景幅宽60 ´60 km。VNIR在近红外波段（0.78-0.86um）提供能生成立体像对的后视影像数据。表1中列出了各个子系统的相关参数[1][2]。

表3-1 ASTER光学子系统

Table3-1The Sub-Optics System of ASTER

 

ASTER数据除去未经处理的原始数据Level 0以外，其他的数据都经过了不同程度的处理。目前用户可以申请到的数据产品有L1、L2、L3三个级别。其中使用最多的是Level 1产品。Level 1类数据产品包括两种：Level 1A (L1A)和Level 1B (L1B)。L1A 数据是经过重构的未经处理的仪器数据，保持了原有分辨率。L1A数据产品文件中包含了数据字典、类属头文件、云量覆盖表、辅助数据以及三个子系统的数据，子系统数据中包括各子系统的专门头文件、各个波段得影像数据、辐射计校正表、几何校正表和补充数据[1][2]。

L1B数据在L1A的基础上，使用L1A自带的参数完成辐射计反演和几何重采样后生成的。所以在子系统文件中少了辐射计矫正表和几何矫正表两项内容。在生产时用户可以根据需要选择采样方法，默认情况下采用UTM投影，Cubic Convolution重采样方法。ASTER每天能获得并处理650 景左右L1A 数据，L1B数据的最大产量为310左右[1][2]。更高级别的数据产品还有16种之多，是在L1数据产品的基础上进行处理后生成的，这些处理包括了更细致全面的辐射校正等。

ASTER数据在地表发射率、温度反演等的应用潜力很大,利用SWIR数据来判断水体的浑浊度、水体表面的运动情况以及地表岩石的判别等。ASTER还与MODIS合作形成一种新的用于地球科学研究的仪器MASTER（MODIS/ASTER Airbone Simulator），用于辅助星上ASTER仪器的反演和其它校准工作[1][2]。

3.2  MODIS

MODIS(Moderate Resolution Imaging Spectroradiometer)是美国国家航空航天局 、日本国际贸易与工业厅和加拿大空间局、多伦多大学 共同合作发射的卫星TERRA上的一个中分辨率传感器[3][4]。MODIS具有36个可见光-红外的光谱波段，空间分辨率为250-1000m。36个波段分别针对陆地、海洋、水汽、气溶胶等来设计的。MODIS遥感数据是新一代的卫星遥感信息源，在生态学研究、环境监测、全球气候变化以及农业资源调查等诸多研究中具有广泛的应用前景。为了更好地理解地球表面所有全球的系统，EOS将提供表面动力学温度，而且指定海洋上分辨率为0.3K，陆地上为1K。国际TOGA（Tropical Ocean Global Atmosphere）项目已确定全球尺度气候数值模式要求洋面温度反演精度达到0.3K。与NOAA卫星AVHRR资料0.7K的反演精度相比，这就要求EOS的传感器和反演方法有较大的改进。MODIS将作为研究大气、陆地和海洋过程的关键探测仪。星下点扫描角为正负55度，它每1~2天将提供地球上每一点的白天可见光和白天/夜间红外图像。所有通道都用12bit记录[3]-[6]。

MODIS 各波段特性如表3-2所示。从表3-2中的参数可以看出，MODIS在若干热红外波段都有较高的校正精度。在星下点，热红外通道的有效视场约为1km。为了获得高于1%的红外绝对校正精度，MODIS探测仪在对地扫描前和之后都对冷空和黑体进行探测。其中波段26可用于卷云探测，热红外波段20、22、23、29和31~33可用于大气削弱订正及反演地表发射率和温度反演[7][8]。波段2、5、17、18和19可用于大气水汽含量监测[4][7]-[13]。大气中的水汽含量对热辐射影响最大，由此可以通过建立大气水汽含量与透过率的关系来订正大气影响。位于中红外波段的多个波段将为精确订正太阳辐射效应提供机会，以便使太阳辐射可以作为MODIS数据反演地表发射率时的热红外源。MODIS数据可以覆盖全球，具有较合适的探测精度以及较宽的动态范围，因而可以用来探测多种地表类型。因此MODIS数据有利于发展地表温度LST产品。这是由于它可以覆盖全球，具有较合适的探测精度以及较宽的动态范围，使其可以探测多种地表类型，而且为了反演SST、LST及大气特性，它在若干热红外通道都有较高的校正精度。与NOAA卫星AVHRR和TM遥感数据相比，MODIS数据具有更高的光谱分辨率和时间分辨率，因而更适用于中大尺度的区域动态变化监测研究。MODIS数据的主要特点如下[3]-[6]：

（1）36个光谱通道（0.4~14.3 ）其中可见光—短波红外20个通道，热红外16个通道；谱带窄，可见光—短波红外通道除0.659和2.1 外，谱带宽度10~35nm；有许多大气纠正的特征波段，便于大气参数的反演。

（2）空间分辨率：通道1、2为250m；通道3~7为500m，其余为1000m；像元大小随视角而增加，边缘像元可比星下点像元大4倍。

（3）宽视域（扫描角±55°），太阳天顶角与观测天顶角变化大，扫描宽度为2330km，考虑到地球曲率，在轨道边缘，地面实际视角越位±（60°~65°）；太阳天顶角也会有20°的变化，且此变化与纬度、季节有关。由于太阳—目标—遥感器之间几何关系的变化、大气和目标的方向反射特征，使后向散射较前向散射有更大的太阳天顶角。

（4）MODIS在对地观测中，每秒可同时获得6.1MB的来自大气、海洋、陆地表面的信息。每1~2天可获得一次全球观测数据（包括白天的可见光图像几百天/夜间的红外图像）。

（5）具有较高的辐射分辨率，数据的量化等级为2048，即所有通道都有12bit纪录。MODIS探测仪在对地扫描的同时，都对冷空和黑体进行探测，有较高的校正精度和灵敏度。

表 3-2  MODIS 技术参数[3][4]

Table 3-2 MODIS Technical Specifications

光谱范围	光谱带宽	地面分辨率（m）	信噪比	主要应用领域
620~670nm	50nm	250	128snr	植被叶绿素吸收
841~876nm	35nm		201snr	云和植物、土地覆盖
459~479nm	20nm	500	243snr	土壤、植被差异
545~565nm	20nm		228snr	绿色植物
1230~1250nm	20nm		74snr	叶子/冠层差异
1628~1652nm	20nm		275snr	雪/云差异
2105~2135nm	50nm		110snr	土地和云特性
405~420nm	15nm	1000	880snr	海洋水色 浮游生物
438~448nm	10nm		8380snr
483~493nm	10nm		802snr
526~536nm	10nm		754snr
546~556nm	10nm		750snr	海洋水色，沉积物
662~672nm	10nm		910snr	沉积物，大气
673~683nm	10nm		1087snr	叶绿素荧光
743~753nm	10nm		586snr	气溶胶特性
862~877nm	15nm		516snr	气溶胶/大气特性
890~920nm	30nm		167snr	云/大气特性
931~941nm	10nm		57snr
915~956nm	50nm		250snr
3660~3840nm	180nm		0.05 NEΔT	海面温度
3929~3989nm	50nm		2.00 NEΔT	林火/火山
3929~3989nm	50nm		0.07 NEΔT	云/表面温度
4020~4080nm	50nm		0.07 NEΔT
4433~4498nm	50nm		0.25 NEΔT	大气湿度/云
4482~4549nm	50nm		0.25 NEΔT
1360~1390nm	30nm		1504NEΔT	卷云、气溶胶
6535~6895nm	360nm		0.25 NEΔT	大气湿度
7175~7475nm	300nm		0.25 NEΔT
8400~8700nm	300nm		0.05 NEΔT	表面温度
9580~9880nm	300nm		0.25 NEΔT	臭氧
10780~11280nm	500nm		0.05 NEΔT	云/表面温度
11770~12270nm	500nm		0.05 NEΔT	云顶高度/表面温度
13185~13485nm	300nm		0.25 NEΔT	云顶高度
13485~13785nm	300nm		0.25 NEΔT
13785~14085nm	300nm		0.25 NEΔT
14085~14385nm	300nm		0.25 NEΔT

3.3 AMSR-E

当前主要的被动微波遥感数据有SMM、SSM、AMSR。三种传感器的参数特征如表3-3所示。其中SMMR传感器是1978年搭载Nimbus-7卫星上天，空间分辨率为150km，最低频率为6.6GHz。通过研究表明6.6, 10.7GHz通道在低植被情况下对土壤水分比较敏感。SSM/I在1987年发射升空，最低频率为19.3GHz，这个波段主要是用来监测植被的信息。这两个传感器主要是研究海洋和大气。Wang[14]第一次对6.6 和10.7GHz通道对土壤湿度的估计做了一些研究工作。Sippel等[15]的研究表明SMMR可用于季节灾害研究。Choudhury等[16]对SMMR在植被监测做了大量的研究。McFarland[17], Calvet[18], Njoku[19]等通过研究表明37GHz可用于陆地表面温度反演。这两个传感器的空间分辨率大约在140km左右。就其空间分辨率而言，SMM和SSM对陆地的监测还不是非常的理想。AMSR-E是在SMM和SSM传感器研究的基础上，针对其在应用中的优缺点来设计的，并在空间分辨率上有了很大的提高。因此，AMSRE将是第一个为在全球尺度上研究水文和气候变化上提供比较合适的土壤湿度变化的数据。

                表3-3 SMMR, SSM, AMSR-E主要仪器参数比较

           Table 3-3 The Main Instrument Parameters of SMMR, SSM,AMSR-E

3.3.1 AMSR-E仪器特征

AMSR是改进型多频率、双极化的被动微波辐射计。2001年AMSR搭载在日本的对地观测卫星ADEOS-II上升空 。AMSR-E微波辐射计是在AMSR传感器的基础上改进设计的，它搭载在NASA对地观测卫星Aqua于2002年发射升空。AMSR和AMSR-E这两个传感器的仪器参数基本一致。最大区别在于AMSR是在上午10:30左右穿过赤道，而AMSR-E则是在下午1:30左右。这两个传感器的传输基本相同，因此本节主要介绍AMSR-E。AMSR-E辐射计在6.9-89GHz范围内的6个频率，以双极化方式12个通道的微波辐射计。主要仪器参数如表3-4所示[20]。

AMSR-E通过测量来自地球表面的微波辐射来研究全球范围的水循环变化。在水文应用研究中，为了取得两个降雨事件前后的土壤水分含量变化，频繁地获得研究区的数据是非常重要的。卫星的时间分辨率主要取决于刈宽度、卫星高度和倾角。对于AMSR而言，除了极地地区外，在不到两天的时间内，在升轨和降轨都可以将全球覆盖一次。图4-1是AMSR-E降轨的亮度温度合成图[20][21]。从图4-1中可以看出，在高纬度和低纬度地区，数据覆盖比较区。在中纬度地区，由于受地球形状的影响，相对低纬度和高纬度地区覆盖的周期可能相对要长。具体地说，在降轨时，AMSR-E基本是两天覆盖一次，有的地方是一天或者三天。但在纬度55°以上的地区是一天覆盖一次。

              表3-4  AMSR-E 的主要仪器参数特征

Table 3-4 The Main Instrument Parameters of AMSR-E

中心频率	6.925GHz	10.65GHz	18.7GHz	23.8GHz	36.5GHz	89.0GHz
						A	B
空间分辨率	50 km		25 km		15 km	5 km
波段宽度	350MHz	100MHz	200MHz	400MHz	1000MHz	3000MHz
极化方式	垂直和水平
入射角	55°						54.5°
交叉极化	小于20dB
刈宽度	1445 km
检测范围	2.7-340K
精度	1K
敏感性	0.34K	0.7K	0.7K	0.6K	0.7K	1.2K
量化位数	12 bit	10 bit

 

 

图4-1 AMSR-E 降轨的亮温示意图[7]

 Figure 4-1 Brightness Temperature in Descend Orbit of AMSR-E

3.3.2 AMSR-E数据的主要应用研究领域

   目前AMSR-E数据主要用于土壤湿度、表面温度、植被等方面的研究。在数字天气预报模型四维数据同化系统里面，大尺度的土壤水分含量参数是非常重要的。先前对这一参数的取得主要是通过API（Antecedent Precipitation Index）指数作为土壤湿度指数。Owe和Van de Gried[22]通过建立一个陆地表面模型建立了大尺度的土壤水分反演模型，使用的微波数据是SMMR-6.6GHz。这个模型土壤湿度的估计依赖于稀疏气象站点数据是否和卫星过境时土壤表层的状态一致。但是，研究表明，空间微波数据测量与土壤湿度呈现出了很好的相关性。但其精度和验证有待进一步提高。

AMSR-E数据也被用来反演地表温度，主要的算法主要是线性回归法和迭代方法[23[24]-[27]。但目前的精度在2-3°C之间[17]，相对用热红外地表反演的地表温度精度要低。其主要原因在于，目前对被动微波的机理研究还不够深入。

对于AMSR-E在植被方面的研究主要利用频率37GHz的水平和垂直极化的亮度温度的差值指数来植被进行研究[9]。虽然该指数在计算上和该频率上的空间分辨率具有优势，但该指数不能和植被的物理量直接关联。另外，由于植被的透过率是辐射传输方程中的一个重要参数，而6-10GHz与植被含水量近似呈线性关系。因此用低频来研究生物量是非常有前景的。

事实上，各种地球物理参数，特别是与水相关的参数都可以用AMSR-E来研究,因为被动微波对水特别敏感。在土壤湿度的反演中都牵涉到这些参数（植被穿透率、土壤温度等），裸露地表只是植被覆盖地表的一种特例。目前在这方面的研究主要集中理论模型和统计模型上，其反演的精度还没有达到实用要求。因此需要我们进一步研究，尤其是要结合光学、热红外的优势。

3.4本章小结

本章对ASTER和MODIS热红外遥感和AMSR-E微波遥感器做了简要的介绍，为后面算法的介绍提供了方便。大尺度的地表温度和土壤水分变化对于建立全球的水循环模型很重要，进而可以预测气候变化和洪涝监测。传统的地面测量站网络不能满足大尺度地表温度和土壤水分的时间、空间变化研究的需要。而热红外和微波在土壤水分反演方面具有独特的优势。因此本文对ASTER和MODIS热红外传感器和被动微波AMSR-E做了简要介绍外，还对其主要研究应用做了简要分析。

参考文献（References）：

[1]     ASTER Reference Guide Version 1.0, ERSDAC, Earth Remote Sensing Data Analysis Center, March, 2003.

[2]      李海涛，田庆久，ASTER数据产品的特性及其计划介绍，遥感信息，2004,3: 52-55.

[3]     MODIS Level 1B Product User’s Guide，For Level 1B Version 4.2.0 (Terra) and Version 4.2.1 (Aqua).

[4]     毛克彪，针对MODIS数据的地表温度反演方法研究，硕士学位论文，南京大学，2004.5.

[5]     MODIS Manuel :1-14   http://page.irsa.ac.cn/download/modis_brochure.pdf

[6]      中分辨率成像光谱仪（MODIS）简介  http://page.irsa.ac.cn/modis/modis-intro.htm

[7]     Gao Bo-Cai, Kaufman Yoram J.,The MODIS Near-IR water Vapor Algorithm, ID: MOD05 - Total Precipitable Water ...www.gsfc.nasa.gov/MODIS-Atmosphere/_docs/atbd_mod03.pdf

[8]     Gao B.C, Goetz A.F.H, Column Atmospheric Water Vapor and Vegetation Liquid Water Retrievals From Airborne Imaging Spectrometer Data, J. Geophys. Res., 1990,4(95): 3549-3564.

[9]     Kaufman Y. J., Gao B. C. Remote Sensing of Water Vapor in the Near IR from EOS/MODIS. IEEE Trans. Geosci. Remote Sens., 1992, 5(30): 871-884.

[10]  King M. D., W. P. Menzel, Y. J. Kaufman, D. Tanre, B.-C. Gao, S. Platnick, S. A. Ackerman, L. A. Remer, R. Pincus, and P. A. Hubanks, Cloud and Aerosol Properties, Precipitable Water, and Profiles of Temperature and Water Vapor from MODIS, IEEE Trans. Geosci. Remote Sens., 2003, 2(41): 442-458.

[11]  Kaufman Yoram J., Bo-Cai. Gao, Remote Sensing of Water Vapor in the Near      IR from EOS/MODIS, IEEE Trans. Geosci. Remote Sens., 1992,5(30): 871-884.

[12]  毛克彪,覃志豪,王建明,武胜利,针对MODIS数据的大气水汽含量及31和32波段透过率计算,国土资源遥感,2005,1:26-30.

[13]  毛克彪,覃志豪,用MODIS影像反演环渤海地区的大气水汽含量,遥感信息,2004,4:47-49.

[14]  Wang, J.R., Effect of vegetation on soil moisture sensing observed from orbiting microwave radiometers. Remote Sens. Environ., 1985, 17:141-151.

[15]  Sippel S.J., S. K. Hamilton, J.M. Melack, B.J. Choudhury, Determination of inundation area in the Amazon river floodplain using the SMMR 37 GHz polarization difference, Remote Sens. Environ., 1994, 48:70-76.

[16]  Choudhury B. J., C.J. Tucker, R.E. Golus,W.W. Newcomb, Monitoring vegetation using Nimbus-7 scanning multichannel microwave radiometer’s data. Int. J. Remote Sens., 1987, 8:533-538.

[17]   McFarland M.J., R.J. Miller,C.M.U.Neale, Land surface temperature derived from the SSM/I passive microwave brightness temperatures. IEEE Trans. Geosci. Remote Sens., 1990, 28:839-845.

[18]  Calvet, J.C., J.P. Wigneron, E.Mougin, Y.H. Kerr, BRITO J. L. S., Plant water content and temperature of the Amazon forest from satellite microwave radiometry. IEEE Trans. Geosci. Remote Sens., 1994, 32:397-408.

[19]  Njoku, E.G, 1999, AMSR Land Surface Parameters Algorithm theoretical Basis Document Version3.0…http://eospso.gsfc.nasa.gov/eos_homepage/for_scientists/atbd/docs/AMSR/atbd-amsr-land.pdf

[20]  毛克彪, 覃志豪, 李满春, 徐斌, AMSR被动微波数据介绍及主要应用研究领域分析,遥感信息.2005,3:63-66.

[21]  AMSR-E Team Leader Science Computing Facility Science Software,2004.8. AMSR -E Browse & Quick look image:1-69…http://www.ghcc.msfc.nasa.gov/AMSR/ftcollins/conway.pdf

[22]  Owe, M., A.A. van de Griend, Daily surface soil moisture model for large area semi-arid land application with limited climate data. J. Hydrology, 1990,121:119-132.

[23]   Njoku E. G., and Li, L. Retrieval of land surface parameters using passive microwave measurements at 6 –18 GHz. IEEE Trans. Geosci. Remote Sens., 1999, 37(1), 79–93.

[24]  Mao K. B., Shi J. C., Li Z. L., Qin Z. H., and Y. Y.Jia, Land Surface Temperature and Emissivity Retrieved From the AMSR Passive Microwave Data,  IGARSS05, 25-29 July COEX, Seoul, Korea., 2005.

[25]  Mao K. B., Shi J. C., Li Z. L., Qin Z. H., and Jia Y. Y., A Physics Based on Statistics Algorithm for Retrieving Land Surface Temperature and Soil Moisture From AMSR-E Passive Microwave Data, ispmsrs2005.10, Beijing, China. 2005.

[26]  毛克彪, 施建成, 李召良, 覃志豪, 贾媛媛, 用被动微波AMSR数据反演地表温度及发射率方法研究,国土资源遥感,2005,3:14-18

[27]毛克彪, 施建成, 李召良, 覃志豪, 李满春, 徐斌, 一个针对被动微波数据AMSRE数据反演地表 温度的物理统计算法, 中国科学D辑，2006, 36(12):1-7.

转载本文请联系原作者获取授权，同时请注明本文来自毛克彪科学网博客。
链接地址：https://m.sciencenet.cn/blog-67260-232199.html

上一篇：第二章 热红外和被动微波地表温度和土壤水分反演的
下一篇：第四章 针对ASTER数据的地表温度和发射率反演算法研究