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。

第一章      绪论

1.1研究目的和意义

地表能量交换信息的获取是监测区域资源环境变化的一个重要环节。地表温度和土壤水分是地表能量平衡的决定因素之一。由于土壤水分含量对土壤发射率的变化影响很大，而且土壤水分的蒸发对能量交换影响很大，因此土壤水分含量变化是影响地表温度变化和地表能量交换的一个最主要的因素之一。获取区域地表温度和土壤水分时空差异，并进而分析其对区域资源环境变化的影响，是区域资源环境动态监测的重要内容。传统的做法是通过地面有限观测点的观测数据来分析区域地表温度和土壤水分的时空差异。这种地面观测方法不仅艰难而且非常昂贵。近20年来，遥感技术的飞速发展为快速地获取区域地表温度和土壤水分的时空差异信息提供了新的途径。地表温度和土壤水分在区域资源环境研究中的重要性已经使热红外和被动微波遥感成为遥感研究的一个重要领域，目前已经开发了很多针对热红外数据的实用地表温度遥感反演方法，如热辐射传输方程法、劈窗算法、单窗算法和多通道算法。但热红外遥感受大气和云的影响特别严重，因此在有云的情况，被动微波在地表温度反演中具有独特的优势。由于地球表面的复杂性，使得陆地表面温度的反演精度受到限制，特别是在土壤水分含量变化比较大的地区。因此，为了更准确地分析区域热量空间差异，很有必要考虑地表温度的过程中考虑土壤水分含量变化。经过大量的研究证明微波在监测土壤水分含量的变化过程中具有非常大的优势，而被动微波遥感是大尺度土壤水分含量变化监测的一个非常理想的工具。光学遥感和微波利用各自的优势联合反演地表参数是遥感中一个重要的研究主题。

随着现代遥感技术的发展，获取的遥感数据越来越多。高分辨率的热红外遥感数据如Landsat TM等，其周期长且价格昂贵，只适合对小范围的精确研究。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705km，为太阳同步近极地轨道，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。

中分辨率的遥感数据如MODIS、NOVAA/AVHRR，其中NOVAA/AVHRR主要是应用于气象。MODIS是为全球资源、环境、气候变化等综合服务。MODIS传感器可以同时接收来自大气、海洋、陆地表面的信息。每1～2天获得一次全球观测数据，比较适合于中大区域尺度的动态监测。MODIS是一个拥有36个波段的具有中等地面分辨率的地球观测卫星，其1－2波段的星下像元为250m，3－6波段为500m，7－36波段为1km。在36个波段中，有20个可见光－近红外波段，有16个热红外波段。MODIS卫星的飞行与太阳同步，每天同一区域至少可获得昼夜两景图像，并且可以免费接收，因此非常适合中大尺度的地表动态监测。对全球地温监测而言，MODIS数据是一个非常合适的选择。研究开发利用MODIS的热红外波段来进行全球地表温动态变化监测，具有很高的现实应用意义[1][2]。

热红外地表温度反演算法受天气的影响非常大，在实际应用中精度有时难以得到保证。而且，热红外遥感受云的影响很大，从NASA提供的温度产品分析可知大部分的温度产品，60%以上的地区受到云的影响，这对实际应用产生了很大的局限性。由于被动微波能穿透云层，并且受大气的影响非常的小，可以克服热红外遥感的缺点。因此，研究如何利用被动微波数据来反演地表温度就显得非常的迫切。

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。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-E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。

目前针对AMSR-E被动微波遥感数据的地表温度和土壤湿度反演算法的研究还很少，其主要原因是对于微波的地表辐射机理研究还不是很成熟，而且由于空间分辨率的影响，使得地面实测资料的获得非常困难, 因此研究如何综合利用对地观测卫星多传感器的优势是今后的一个重要研究方向。Aqua对地观测卫星同时拥有MODIS和AMSR-E传感器。相对而言，用MODIS的热红外波段反演地表温度的算法已经比较成熟。我们可以通过MODIS的地表温度产品来代替AMSR-E所需要的地表数据，通过建立AMSR-E各通道亮温和MODIS地表温度产品的关系，从而可以分析不同地表地物类型在微波波段的辐射机制，最后建立微波地表温度的反演算法。从而克服需要测试AMSR-E过境的同步地表温度数据的困难。并为多传感的参数反演相互校正和传感器的综合利用提供理论依据。在用被动微波数据反演得到地表温度的同时，我们可以通过利用微波波段的发射率和土壤水分的关系，进一步反演土壤水分和雪水当量等其它参数。

1.2国内外研究现状

从第一台热红外仪器算起，已经有50多年的历史[1][2]。这里介绍几个主要的热红外传感器。Landsat是美国的陆地卫星。NASA的陆地卫星（Landsat）计划（1975年前称“地球资源技术卫星——ERTS”），从1972年7月23日以来，已发射7颗（第6颗发射失败）。目前Landsat1~4均相继失效，Landsat5仍在超期运行（从1984年3月1日发射至今）（http://edc.usgs.gov/guides/landsat_tm.html）。NOAA卫星是美国发射的极轨气象卫星，1970年12月发射了第一颗，近30年来连续发射了16颗。NOAA气象卫星系列采用的是双星系统，与太阳同步近极地圆形轨道，以确保同一地点、同一地方时的上午、下午成像。轨道平均高度分别为833 km和870 km倾角为98.7°和98.9°。从1958起，NASA就开始致力于地球及环境演变的观察和研究（http://www.noaa.gov/wx.html）。1991开始实施ESE（Earth Science Enterprise），在1999年12月开始的ESE二期任务中，发射了首颗地球观测系统（Earth Observing System）卫星Terra(原AM-1)（http://eospso.gsfc.nasa.gov/）。它是第一个能提供整体观察地球变化信息的观测系统。主要用于地表、生物圈、固体地球、大气和海洋的长期全球范围的观测。Terra是EOS系列的第一颗承载多传感器卫星，星载传感器一共有五个：中分辨率成像光谱仪 (MODIS)，多角度成像光谱辐射计(MISR)，云与地球辐射能系统 (CERES)，对流层污染测量仪 (MOPITT)和高级星载热发射反照辐射计（ASTER）。MODIS (Moderate Resolution Imaging Spectroradiometer，中分辨率成像光谱辐射计)是搭载于美国EOS系列卫星之上的一个重要遥感传感器（http://modis.gsfc.nasa.gov/about/）。 MODIS具有36个可见光-红外的光谱波段，空间分辨率为250~1000m。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。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（http://asterweb.jpl.nasa.gov/）。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（0.78-0.86 ）提供能生成立体像对的后视影像数据。

我国发射了风云系列（http://www.cma.gov.cn/qxxdh/qxwx/）。风云1号（FY-1）气象卫星是我国首次自行设计和发射的实验型极轨气象卫星。FY-1A、1B分别于1988年9月7日和1990年9月3日在太原卫星发射中心先后发射升空。FY-1C、FY-1D分别于1999年5月10日、2002年5月15日成功发射。FY-1D是我国第一代与太阳同步轨道业务应用气象卫星。风云2号（FY-2）是我国自行研制的第一颗静止气象卫星。于1997年6月10日从我国西昌卫星发射中心，由长征三号运载火箭成功发射，送入地球准同步轨道。卫星从西向绕地球公转角速度与地球自转角速度相等，故对地相对静止，定位于东经105°的赤道上空。FY-2 采用自旋稳定方式（卫星每分钟自旋约105圈）通过卫星的姿态控制系统使卫星的自旋扫描保持与地轴平行。星上携带所重仪器，既有对地观测功能，又有广播、通信功能。其主要遥感器为3通道扫描辐射计——可见光、红外和水汽自旋扫描辐射计（VIWSSR），可获得白天的可见光云图、昼夜红外云图和水汽分布图像，可见光-近红外通道为0.55~1.05 ，星下点分辨率为1.25 km；水汽通道为6.2~7.6 ，用于获得对流层中上部水汽分布图像；红外通道为10.5~12.5 ，用于获得昼夜云和下垫面辐射信息。水汽和红外通道图像的星下点分辨率为5km，每半小时可以获得一幅全景原始云图。星上还带有3个卫星云图转发器，可转发高、低分辨率云图，并进行天气图传播等；数据收集系统可提供133个通道的数据传输（其中100个国内通道、33个国际通道），用于收集地球表面监测台站的气象、水文、海洋等数据；空间环境监测器用于监测太阳活动和空间环境。风云3系列相继将要发射。

中巴资源1号（CBERS-1）卫星已于1999年10月14日发射成功,这标志着我国有了自己的地球资源卫星（http://www.cresda.com/cn/default.asp）。中巴资源1号卫星（CBERS-1）是中国与巴西合作研制的数据传输型遥感卫星。轨道高度778km（与太阳同步轨道），重复覆盖周期26天，设计工作寿命2年。中巴资源一号卫星主要应用于地球资源和环境监测。其携带的高分辨率CCD相机接收的数据,地面分辨率可达20m。中巴资源一号卫星上搭载了3台成像传感器,即:广角成像仪(WFI)、高分辨率CCD相机、红外多光谱扫描仪(IR-MSS)。中巴资源1号卫星集4种功能于一体:高分辨率CCD相机具有几个与Landsat卫星的TM类似的波段,且空间分辨率高于TM；CCD相机具有侧视立体观测功能,这与SPOT的侧视立体功能类似;以不同的空间分辨率覆盖观测区域的能力，WFI的空间分辨率为256m，IR-MSS可达80m和160m，CCD为20m；3种成像传感器组成从可见光、近红外到热红外整个波谱域覆盖观测地区的组合能力。2003年中巴资源卫星2号相继发射，3号和4号正在研究中。

我国的热红外遥感研究比较多。刘玉洁, 杨忠东等在[3]中介绍了MODIS遥感影像在大气、陆地、海洋反演的参数的各种算法和MODIS数据的应用。李小文，汪骏发等在[4]主要介绍了二向性反射的几何光学模型和定量遥感的“病态”反演理论，并对非同温混合像元热辐射尺度效应模型进行了分析和验证，而且对多阶段目标决策反演策略的参数的不确定性和敏感性进行了分析。李小文对热红外的遥感机理做了比较深入的研究，他在[4][5]中讨论了地表非同温像元的发射率的定义问题及对分离真实温度和发射率的影响，同时强调了先验知识在反演中的作用。苏理宏在[6]中对非同温的混合像元和发射率的方向性进行了研究。徐希孺等[7]-[9]探讨了热红外多角度遥感问题，认为只有当扫描方向与作物垄向相垂直时才最有利于作物叶冠和土壤温度的反演，并提出了混合像元组分温度的反演方法。陈良富等[10]-[11]研究了热红外遥感中大气下行辐射的近似计算及通道间信息相差性对陆面温度反演的影响。孙毅义等[12]分析了地面发射率随观测角度而变化，认为热红外辐射具有方向性特征。陈良富等[13]提出了非同温混合像元热辐射组分有效发射率的概念，并验证该发射率与组分温度无关。李召良等[14]利用白天和晚上中红外和热红外的数值差异提出了一种用于提取方向发射率的物理方法。覃志豪也对热红外遥感原理，特别是地表温度的反演方法做了大量的研究[15]-[19]]。毛克彪等[1][20]-[32]同时也针对对地观测卫星（TERRA）多传感器的特点提出了适合于MODIS和ASTER数据的地表温度和发射率反演算法。

国外热红外遥感研究比国内要早。真正的地表温度算法是从80年代开始的[1][2][33]。按照使用热红外通道来划分，可以分为：单窗算法，劈窗算法和多波段算法。比较典型的单窗算法是覃志豪等针对只有一个热红外波段的Landsat TM/ETM数据提出来的地表温度反演方法[15][17][18]。Jiménez-Muñoz and Sobrino在[34]提出了一个普适性单通道算法。相对而言，劈窗算法比较成熟，到目前这止，已经提出了至少有18个劈窗算法[1][16][19][28][29][35]-[51]。这些算法的主要区别在于对各参数的计算方法不同，因此可以把这些算法归纳为五大类[14]：发射率模型，两基本参数模型、复杂模型、热辐射量模型和简单模型。同时反演地表温度和发射率的算法相对而言不是非常的成熟[25][29][52]-[60]。其中具有代表性的多波段算法是李召良等提出来的独立指数法（TISI）[57]和Wan and Li针对MODIS在 [60]中提出来的同时利用白天/黑夜数据的多波段算法。其特点是对地表温度和地表发射率的同时反演，但需要昼夜两景图像才能进行反演。针对MODIS数据的多波段算法算法需要14个方程，计算过程比较复杂，并且是在利用大气模型来确定若干参数的情况下才能进行求解。由于白天和晚上同一地区的天气变化较大，很多时候白天晴朗的地区晚上则有云，况且由于卫星轨道的变化，只有进行几何校正才能使白天和晚上两景图幅形成配匹，但几何校正的像元数值重采样又使像元数值发生变化，从而带来计算误差。

虽然热红外遥感技术的飞速发展为快速地获取区域地表温度空间差异信息提供了新的途径[1][2]。但热红外地表温度反演算法受天气的影响非常的大，特别是基于热惯量的土壤水分反演算法在实际应用中精度有时难以得到保证。而且，热红外遥感受云和大气水汽的影响很大，从NASA提供的温度产品分析可知大部分的温度产品，60%以上的地区受到云的影响，这对实际应用产生了很大的局限性。由于被动微波能穿透云层，并且受大气的影响非常的小，可以克服热红外遥感的缺点。因此，研究如何利用被动微波数据来反演地表温度就显得非常的迫切[61][62]。在微波波段，土壤水分和介电常数密切相关，土壤的介电特性明显地依赖于土壤水分的变化，而地表的辐射信号又由土壤的介电特性所决定。更重要的是微波传感器具有全天候、全天时监测潜力，因为在微波的低频波段，它可以穿透云雾、雨雪，对地物也具有一定的穿透能力，它不依赖于太阳辐射，不论白天黑夜都可以工作。各种研究分析表明被动微波遥感是土壤水分反演的最好方法之一[63][64][65]。

微波遥感的发展可以追溯到第二次世界大战，但微波遥感在地学中的应用起始于20世纪60年代，开始的研究是以地面和航空为主。随着微波遥感技术的迅猛发展，微波遥感已经成为获取遥感信息的重要手段（本研究主要是针对被动微波，因此在这里以介绍被动微波的发展历程为主）。最早发射的星载微波辐射计是1962年美国发射的近距离观测金星的水手2号（Marina 2）飞船搭载的双频道微波辐射计，其工作频率为15.8，22.2GHz，主要目的是为了测量金星大气深处的温度。从卫星上用被动式微波观测的有效记录是从1978发射的”雨云7号”卫星（Nimbus-7）上的SMMR（扫描式多通微波扫辐射仪）开始的,自1979运行到1987年，它每六天对全球进行一次观测。美国国防气象卫星计划DMSP系列卫星上的微波辐射计SMM/I在1987年取代了SMMR，SMM/I每三天对全球进行一次观测。这些微波辐射测量包括了4个频率微波的水平极化与垂直极化观测。对湿地研究来说，其较高频率的37GHz（SMMR和SMM/I）与85.5 GHz（仅SMM/I）提供的高空间分辨率数据（37GHz分别为30 km和85.5GHz为15 km）。被动微波观测的主要优点在于提供频繁的全球性观测以及能够揭示云层和植被下的地面特征。其较低的空间分辨率从而减少数据量是进行全球性和区域研究的一个优势。高级微波探测器(AMSU)搭载在第三代美国海洋卫星(NOAA)上, AMSU由2台仪器组成，1台是用于温度探测的15通道AMSU－1，1 台是着重湿度探测的5通道AMSU－B。AMSU是一种全天候的温度、湿度遥感仪器，可以改善有云状态下的大气温湿度分布的探测，探测大气温度廓线（包括有云情况下的大气温度）； 由原始探测资料反演出精度较好的湿度廓线；探测陆地和海洋上的降水；海冰分类（多年冰和1年冰）;探测雪覆盖的范围和雪的厚度以及雪的状况（包括融化程度和坚实程度）；并探测土壤湿度。热带降雨测量卫星TRMM（Tropical Rainfall Measuring Mission）是1997年11月美日联合发射的，第一次用于量化测量热带降雨的空间卫星计划,目的是更多的了解热带降雨对全球气候系统的影响。卫星上搭载的探测器包括：微波成像仪TMI（TRMM Microwave Image）, 降雨雷达PR，可见/红外辐射仪VIRS，雷电探测器LIS，以及地球辐射探测器CERES。TMI的观测目的是海上降雨强度，它扫描宽度760 km，有5个观测频率，其中频率为85.5GHz的水平分辨率为4.4 km, 它是专门为探测中小尺度的对流性降雨而设计的。高级微波扫描辐射计增强型AMSR-E已经于2002年塔载EOS(Earth Observation System) Aqua升空，高级微波扫描辐射计AMSR也于2002年塔载日本的环境观测技术卫星ADEOS-II升空，AMSR和AMSR-E在波段上的选择继承了以往微波辐射计的优势波段，波段明显增多，数据的空间分辨率有较大提高，可以提供从6.9～89GHz频率范围内的双极化和多频亮温数据。我国也在已经发射的神舟4号飞船上搭载了多模态微波遥感器，其中的微波辐射模态的最低频率为6.6GHz，可以用来反演土壤水分，类似的传感器还会出现在我国计划发射的风云3号以及海洋2号卫星上面。在土壤水分和海洋盐分(SMOS)的观测计划中，针对微波辐射计空间分辨率比较低的缺陷，提出了一种基于两维天线合成概念的具有较高分辨率的被动微波传感器，这种微波辐射计能以一种多角度的方式提供双极化的L波段被动微波辐射测量，这种传感器将在2007年上天[65]。

目前针对被动微波遥感数据的地表温度反演算法的研究已经有不少[61][62][66]-[83]，但还没有通用的地表温度反演物理算法公开发表。 其主要原因是对于微波的地表辐射机理研究还不成熟，而且受空间分辨率的影响, 使得地面实测资料的获得非常困难。虽然微波受大气的影响很小，但地表温度的反演本身是个病态反演。 主要原因是土壤地表发射率在微波波段并不是一个稳定的常数，而是随土壤水分的变化而变化。地表发射率在热红外波段变化非常的小，但受大气的影响非常大，热红外影像的空间分辨率要比微波高，因此微波和热红外存在一些互补性。早期的被动微波反演土壤水分的研究主要是利用微波辐射计SMMR和SMM/I提供的微波亮温数据，但SMM/I的最低频率为19GHz，受大气影响严重，不利于土壤水分反演。随着微波波长的增加，其穿透地物的能力增强，在长波段（大于10cm）范围里,植被和地表粗糙度的影响就会变小，此时，对于低矮稀疏植被覆盖情况，土壤水分对观测亮度温度的影响有着主导作用，有可能较好的反演出土壤水分[84]。另外，相对裸地，植被和粗糙度对地表亮度温度受频率和极化的影响。如何综合利用可见光、热红外、主动微波等传感器获取的遥感信息，土地利用图，土壤类型图、地形图等来提高土壤水分反演精度是一个重要的研究课题[85]。

在被动微波传感器技术发展的过程中，许多研究表明被动微波遥感在反演土壤水分中最有效的方法之一。同时伴随着传感器的发展, 人们针对不同的条件提出了不同的反演算法[86][87][88]。早期的土壤水分反演方法是由携带单配置传感器在航空平台上发展起来的，比如单极化、单频率以及天底观测，由于微波辐射机理的研究不成熟,加上传感器波段设置和分辨率的限制, 这些算法主要以统计和经验关系为主。

在20世纪70年代初，NASA在亚历山大农田进行的航空微波辐射计飞行实验，同步观测了0～15cm的土壤湿度,Schmugge等对亮度温度与土壤湿度进行了回归分析，结果表明在一定的范围和地表粗糙度条件下，亮度温度和土壤湿度之间存在简单的线性关系 [89]。另一个有关统计方法的典型应用是，利用降雨指数API和微波极化差指数MPDI等作为土壤湿度和植被生物量的指示因子，建立了土壤湿度或者生物量和微波指数之间的统计关系[90][91]。Paloscia and Pampaloni(1988)[92]用微波极化指数（10GHz和36GHz）对植被生长进行变化监测，结果分析表明当植被生长的时候，极化改变非常的大。Paloscia and Pampaloni（1992）[93]通过理论模型和实验分析表明，微波指数可以用来监测农作物的生物量和水分条件。被动微波遥感也可以用于反演地面温度[61][62]及植被含水量等地表参数，但其相对光学遥感最大的优势还在于其反演土壤水分的能力上，因此，被动微波遥感对地表参数的反演研究重点通常是围绕着土壤水分的反演展开的，但地表温度和植被含水量是土壤水分反演的重要参数。在植被覆盖的地区，土壤水分的反演精度还远没有达到实用要求。幸运的是，土壤水分能够通过植被反应出来 [94][95]。许多研究证明 [96][97][98]不同频率或者同频率不同极化的亮温差 ( ) 和土壤水分的变化是正相关的。由于被动微波的像元分辨率较低，绝大多数像元都是混合像元，这使得对植被覆盖地区的土壤水分反演更加困难。随着多频率双极化多角度传感器（如SMMR、SSM/I等传感器）技术的发展，土壤水分反演的算法也开始向综合利用多个通道不同极化的方式来消除土壤粗糙度和植被的影响。AMSR和AMSR-E传感器系统的上天，大大促进了被动微波遥感土壤水分反演算法的发展。Njoku针对AMSR-E提出了迭代算法，该算法基于辐射传输方程，建立了亮温和土壤水分等参数的非线性方程，然后利用迭代法反演土壤水分和其它地表参数[99]。另外一种比较实用的方法是：使用理论模型和神经网络联合进行反演。具体操作是用理论模型或者实际测量一组合适训练数据集；然后，利用该数据集对神经网络进行训练，然后通过测试数据对神经网络进行调整。通过反复训练和测试得到最佳的神经网络反演结构，一旦训练完成，就可以用训练好的网络进行参数反演。在微波遥感领域，神经网络已经有许多用于土壤水分反演的例子[100][101]。

我国从20世纪70年代开始就非常重视微波遥感技术的发展，经过30多年的努力，已经取得了一系列的成绩[102]。我国的微波遥感发展大概经历了从理论到实验，再到应用的阶段。理论阶段主要是概念设计研究阶段，微波遥感正式成为国家科技攻关重要项目，进行了基础研究及基本型遥感器研制并开始了若干应用研究；实验阶段主要是航天遥感阶段，在这一时期研制了星载遥感设备，发展新的遥感器，继续进行了基础研究和信息处理方法研究，同时利用国外数据进行应用处理，为以后数据处理做准备。这一阶段具有划时代意义的事件是在神舟4号飞船上首次飞行了我国的多模态微波遥感器，成功实现了我国航天微波遥感零的突破；应用阶段主要是指我国微波遥感已成为多个型号卫星的主要载荷，风云3号(FY-3)、嫦娥工程、海洋2号(HY-2)及其它卫星上都将装载微波遥感器。

算法精度评价对一个算法的实际应用非常的重要,是算法推广应用的前提。在发射新传感器和开发新的土壤水分反演算法的同时，人们制定和完成了大量的土壤水分监测计划，主要目的是发展和验证被动微波遥感土壤水分的反演算法。美国在1980年开始实施的用遥感技术进行农业和资源调查的AgRISTARS计划，该计划内容包括一系列野外航空遥感试验，定量地研究了如植被、粗糙度、观测角、土壤纹理结构、大气等对微波遥感土壤湿度的影响，Schmugge对此进行了综述[90]。另外，在1987到1989年在美国堪萨斯州中部进行的第一次国际卫星地表气候计划(ISLSCP)的野外试验(FIFE)[103]；在1990年夏季在美国南部亚利桑那州的干旱地区进行的Monsoon ’90野外试验[104][105]；1992年在美国俄克拉荷马州小沃希托河分水岭附近进行的WASHITA 92试验[106]以及1992年在西非尼日尔进行的HAPEX-Sahel试验[107][108]]，在这些实验中，主要搭载了L波段的1.4GHz微波辐射计。为了评价TMI、SSM/I、AMSR/E等星载传感器数据反演土壤水分的能力，美国水文和遥感实验室1997年在美国南部大平原进行的SGP97试验，1999年进行的SGP99试验，其中美国南部大平原(SGP99)试验目的是研究微波遥感探测土壤水分的机理，一些机载的微波辐射计，包括C、S、L波段参与了Oklahoma的地面试验，并将星载传感器TMI和SSM/I观测数据反演的土壤水分与机载反演结果及地面观测的土壤水分进行了对比 [65] 。2002-2005进行的（SMEX02-SMEX05）（http://nsidc.org/data/amsr_validation/）土壤水分野外实验强调多学科和多传感器土壤水分遥感监测，这个实验的目的是要为水文过程和陆地-大气交互作用研究提供一套数据集，并对从星上（特别是AMSR-E）土壤水分反演进行验证，并对新的传感器进行评价。与SMEX相关的AMSR-E的校正主要是评价AMSR-E的土壤水分反演精度。具体的校正包括：评价和提高土壤水分反演算法能力，校正土壤水分的精度，并对植被、地表温度、地形、土壤纹理对土壤水分精度反演的影响。

1.3主要研究内容和技术路线

1.3.1主要研究内容

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、云顶温度和土壤水分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。本文将研究并提出适合于高分辨率ASTER数据的地表温度和发射率反演算法；提出适合于中分辨率MODIS数据的地表温度和发射率反演算法；提出适合于低分辨率被动微波数据AMSR-E的地表温度算法；利用微波指数来反演土壤水分，并分析发射率对土壤水分反演的影响。对于这3个传感器上面已经有一些介绍，更详细的介绍请参见[109-115]。

1.3.2主要研究技术路线

图1-1是针对ASTER数据的地表温度反演的劈窗算法技术路线。首先通过ASTER的可见光和近红外对地表进行分类并得到发射率；然后通过MODIS近红外波段反演得到大气水汽含量，并进一步计算得到透过率；最后利用ASTER的热红外波段建立辐射传输方程建立劈窗算法。

图1-1针对ASTER数据的劈窗算法的技术路线示意图

Figure1-1 Frame map of retrieving LST by using split window algorithm from ASTER

图1-2是针对ASTER数据的同时反演地表温度和发射率的多波段算法。首先对多波段算法进行推导，然后用神经网络进行优化反演计算。即通过ASTER1B做大气校正,得到AST09产品，用ASTER的4个热红外波段分别建立热辐射平衡方程，利用邻近波段发射率局部线性关系，建立额外的两个方程，形成波段算法。然后用神经网络进行优化反演计算，即通过MODTRAN模拟得到训练和测试数据库，对神经网络进行训练和测试，另外，通过补充可靠的ASTER产品（AST09/AST08/ASR05）作为补充训练数据集。

图1-2 针对ASTER数据同时反演地表温度和发射率的多波段算法技术路线

Figure1-2 Frame map of retrieving LST and emissivity by using NN from ASTER

图1-3是针对MODIS数据反演地表温度的劈窗算法的技术路线。首先通过MODIS的NDVI指数计算得到相应的发射率；然后通过MODIS近红外波段反演得到大气水汽含量，并进一步计算得到透过率；最后利用MODIS的热红外波段建立辐射传输方程建立劈窗算法。

      　 图1-3 针对MODIS数据的地表温度反演的劈窗算法路线

Figure1-3 Frame map of retrieving LST by using split-window algorithm from MODIS

图1-4是针对MODIS数据同时反演地表温度和发射率的RM-NN算法的技术路线。首先对地球物理参数之间的关系进行分析；然后通过MODTRAN模拟训练和测试数据；最后利用训练好的神经网络进行地表温度和发射率的反演。

图1-4　针对MODIS数据同时反演地表温度和发射率的多波段算法

Figure1-4 Frame map of retrieving LST and emissivity by using NN from MODIS

图1-5是针对AMSR-E数据反演地表温度的物理统计算法的技术路线。首先利用AMSR-E的亮温和MODIS地表温度产品进行回归分析，并找出最佳反演主通道；然后通过AIEM模型模拟分析得到消除大气影响的方法，最后形成物理统计算法。

　　　　　 图1-5　针对AMSR-E地表温度反演算法（经验）

Figure1-5 Frame map of retrieving LST from AMSR-E

图1-6是针对AMSR-E数据反演地表温度的神经网络反演算法的技术路线。具体做法是将MODIS地表温度产品作为AMSR-E亮度温度对应的地表温度数据，通过经纬度控制获得训练和测试数据。通过反复的测试和训练神经网络，形成AMSR-E的地表温度反演神经网络算法。

          图1-6　针对AMSR-E地表温度反演算法（神经网络）

Figure1-6 Frame map of retrieving LST by using NN from AMSR-E

图1-7是针对AMSR-E数据反演土壤水分反演算法的技术路线。具体的做法是用AIEM分析微波指数和土壤水分的关系，并分析粗糙度的影响，找到影响最小的微波指数，通过实际地表数据的校正形成针对AMSR-E的土壤水分反演算法。

图1-7 AMSR-E 土壤水分反演算法（指数）

Figure1-7 Frame map of retrieving soil moisture from AMSR-E

1.4本章小结

本章对本文研究的目的和意义，国内外研究现状，主要研究内容和方法，研究的技术路线做了简要的介绍。本研究将针对ASTER/MODIS/AMSR-E数据提出7个不同的算法。由于针对不同的传感器反演地表参数的基本理论相同，为了保持每个算法的独立性，在后面的介绍和推导的过程中可能存在一些重复。

参考文献（References）：

[1]    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.

[2]    赵英时等, 2003, 遥感应用分析原理与方法, 科学出版社.

[3]    刘玉洁, 杨忠东等, 2001, MODIS遥感信息处理原理与算法, 科学出版社.

[4]    李小文, 汪骏发, 王锦地, 2001, 多角度与热红外对地遥感, 科学出版社.

[5]      李小文, 王锦地,地表非同温像元发射率的定义问题,科学通报，1999, 44(15):1612-1617.

[6]    苏理宏, 热红外辐射方向性与尺度效用研究, 2000,博士学位论文:中国科学院遥感应用研究所.

[7]    徐希孺, 陈良富,关于热红外多角度遥感扫描方向的问题, 北京大学学报(自然科学版)，2002, 38(1): 98-103.

[8]    徐希孺,陈良富,庄家礼,基于多角度热红外遥感的混合像元组分温度演化反演方法,中国科学D辑, 2002, 31(1) : 81-88.

[9]      徐希孺, 庄家礼, 陈良富, 热红外多角度遥感和反演混合像元组分温度, 北京大学学报(自然科学版), 2000, 36(4): 555-560.

[10]陈良富, 徐希孺, 热红外遥感中大气下行辐射效应的一种近似计算与误差估计,遥感学报, 1999, 3(3):165-170.

[11]  陈良富, 庄家礼, 徐希孺, 热红外遥感中通道间信息相关性及其对陆面温度反演的影响, 科学通报, 1999, 44(19):2122-2127.

[12]  孙毅义,李治平,地面热红外发射率的天顶角变化效应, 气象学报, 2001, 59(3): 373-376.

[13]  陈良富,庄家礼,徐希孺, 非同温像元热辐射有效比辐射率概念及其验证,科学通报, 2000, 45（1）:22-29.

[14]  李召良, F.Petitcolin, 张仁华,一种从中红外和热红外数据中反演地表比辐射率的物理算法, 中国科学E辑, 2000, 3018-26.

[15]  覃志豪, W. Li, M. Zhang, A. Karnieli, and P. Berliner, 单窗算法的基本大气参数估计方法, 国土资源遥感, 2003，2(56):37-43.

[16]覃志豪, Zhang Minghua, Arnon Karnieli, 用NOAA-AVHRR热通道数据演算地表温度的劈窗算法,国土资源遥感, 2001, 2（48）:33-41.

[17]  覃志豪, M. Zhang, A. Karnieli and P. Berliner, 用陆地卫星TM6数据演算地表温度的单窗算法,地理学报, 2001, 56 (4): 456-466.

[18]  Qin Zhihao, G. D.O., Arnon Karnieli, Derivation of split window algorithm AVHRR data, J. Geophys. Res., 2001, 106: 22655-22670.

[19]  Qin. Z., A. Karnieli, P. Berliner, A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region, Int. J. Remote Sens., 2001, 22 (18) :3719-3746.

[20]  毛克彪,覃志豪, 刘伟, 用MODIS影像和单窗算法反演环渤海地区的地表温度,空间与测绘, 2004, 6:23-25

[21]  毛克彪,覃志豪, 施建成, 宫鹏, 针对MODIS数据的劈窗算法研究,武汉大学学报(信息科学版)，2005, 8：703-708.

[22]  毛克彪, 覃志豪, 施建成, 用MODIS影像和劈窗算法反演山东半岛的地表温度,中国矿业大学学报(自然科学版)，2005, 1:46-50.

[23]毛克彪，施建成, 覃志豪, 宫鹏, 徐斌，从MODIS数据中同时反演地表温度和比辐射率的多波段算法研究，兰州大学学报（自然科学版）(专辑)，2005, 6：49-55.

[24]毛克彪,覃志豪，徐斌,针对ASTER的单窗算法研究,测绘学院学报，2005, 1：40-43.

[25]毛克彪，施建成, 覃志豪, 宫鹏,徐斌,张钟军,蒋玲梅, 一个针对ASTER数据同时反演地表温度和比辐射率的四通道算法，海峡两岸会议，2005.8.

[26]  Mao Kebiao, Shi Jiancheng, Qin Zhihao, Gong Peng, Liu Wei, Xu Lina, A Multiple-band Algorithm for Retrieving Land-Surface Temperature and Emissivity from MODIS    Data, International Geoscience and Remote Sensing Symposium (IGARSS05).

[27]  Mao Kebiao, Qin Zhihao, Xu Bin, Li Manchun, Wang Jianming, Wu Shengli, The Influence Analysis of Water Content for the Accuracy of Practical Split-window Algorithm, International Geoscience and Remote Sensing Symposium (IGARSS05).

[28]Mao K., Qin Z., Shi J., Gong P., A Practical Split-Window Algorithm for Retrieving Land Surface Temperature from MODIS Data, Int. J. Remote Sens., 2005,26:3181-3204.

[29]  Mao Kebiao, Shi Jiancheng, Qin Zhihao, Gong Peng, An Advanced and Optimized Split-Window Algorithm for Retrieving Land-Surface Temperature from ASTER Data, ispmsrs2005.10.

[30]Mao Kebiao, Shi Jiangcheng, Li Zhaoliang,  Qin Zhihao, Wang Xiufeng, Jiang Lingmei, A Multiple-Band Algorithm for Separating Land Surface Emissivity and Temperature from ASTER Imagery, International Geoscience and Remote Sensing Symposium (IGARSS06).

[31]毛克彪, 唐华俊, 陈仲新, 邱玉宝, 覃志豪, 李满春, 一个针对ASTER数据的劈窗算法, 遥感信息, 2006, 5:7-11.

[32]  毛克彪, 施建成, 覃志豪, 宫鹏, 徐斌, 蒋玲梅, 一个针对ASTER数据同时反演地表温度和比辐射率的四通道算法，遥感学报，2006, 4: 593-599.

[33]  Qin Zhihao, A. Karnieli, Progress in the remote sensing of land surface temperature and ground emissivity using NOAA-AVHRR data, Int. J. Remote Sens., 1999, 20: 2367-2393.

[34]  Jiménez-Muñoz, J.C., J. A. Sobrino, A generalized single-channel method for retrieving land surface temperature from remote sensing data, J. Geophys. Res., 2003,108 (doi:10.1029/2003JD003480).

[35]  Price J. C., Land surface temperature measurements from the split window channels of the NOAA 7 Advanced Very High Resolution Radiometer. J. Geophys. Res., 1984, 89: 7231-7237.

[36]  Becker F., and Li Z. L., Towards a local split window method over land surface, Int. J. Remote Sens., 1990, 3: 369-393.

[37]  Prata A. J., and Platt M., Land surface temperature measurements from the AVHRR. In Proceedings of the 5th AVHRR data Users' Meeting. Tromso (NORWAY). 24-28 June 1991 EUMETSAT, Darmstadt, 1991, 433-438.

[38]  Vidal A. Atmospheric and emissivity correction of land surface temperature measured from satellite using ground measurements or satellite data. Int. J. Remote Sens., 1991, 12:2449-2460.

[39]  Sobrino J. A., Coll C., and Caselles V., Atmospheric correction for land surface temperature using NOAA-11 AVHRR channels 4 and 5. Remote Sens. Environ., 1991, 38: 19-34.

[40]  Ottlé C., and Vidal-Madjar D., Estimation of land surface temperature with NOAA-9 Data, Remote Sens. Environ., 1992, 40: 27-41.

[41]  Kerr Y. H, Lagouarde J. P., and Imbernon J., Accurate land surface temperature retrieval from AVHRR data with use of an improved split window algorithm, Remote Sens. Environ., 1992, 41: 197-209.

[42]  Harris A. R. and Mason I. M., An extension to the split-window technique giving improved atmospheric correction and total water vapour. Int. J. Remote Sens., 1992, 13: 881-892.

[43]  Prata A. J., Land surface temperature derived from the Advanced Very High Resolution Radiometer and the Along-Track Scanning Radiometer 1. Theory. J. Geophys. Res., 1993, 98: 16689-16702.

[44]  Coll C., Caselles V., Sobrino A., and Valor E., On the atmospheric dependence of the split-window equation for land surface temperature, Int. J. Remote Sens., 1994, 15: 105-122.

[45]  França G.. B., and Cracknell A. P., Retrieval of land and sea surface temperature using NOAA-11 AVHRR data in northeastern Brazil, Int. J. Remote Sens., 1994, 15: 1695-1712.

[46]  Sobrino J. A., Li Z. L., Stoll M. P., and Becker F., Improvements in the split-window technique for land surface temperature determination. IEEE Trans. Geosci. Remote Sens., 1994, 32(2): 243-253

[47]  Becker F., and Li Z. L., Surface temperature and emissivity at various scales: definition, measurement and related problems. Remote Sens. Rev., 1995, 12: 225-253.

[48]  Ulivieri C., Castronuovo M. M., Francioni R., and Cardillo A., A split-window algorithm for estimating land surface temperatures from satellites. Advan. Space Res., 1996, 14, 1279-1292.

[49]  François C. and Ottlé C., Atmospheric corrections in the thermal infrared: Global and water vapor dependent split window algorithms – applications to ATSR and AVHRR data. IEEE Trans. Geosci. Remote Sens., 1996, 34(2): 457-470.

[50]  Wan, Z.M., and Z. L. Li, A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data, IEEE Trans. Geosci. Remote Sens., 1997, 35(4): 980-996.

[51]  Sobrino J. A. and Raissouni N., Toward remote sensing methods for land cover dynamic monitoring: application to Morocco. Int. J. Remote Sens., 2000, 21(2): 353-366.

[52]  Hook S. J., Gabell A. R., Green A. A., and Kealy P. S. , A comparison of techniques for extracting emissivity information from thermal infrared data for geologic studies, Remote Sens. Environ., 1992, 42: 123–135.

[53]  Watson K., Spectral ratio method for measuring emissivity, Remote Sens. Environ., 1992, 42:113–116.

[54]  Kealy P. S. and Hook S., Separating temperature and emissivity in thermal infrared multispectral scanner data: Implication for recovering land surface temperatures, IEEE Trans. Geosci. Remote Sens., 1993, 31:1155–1164.

[55]  Schmugge T., Hook S.J., Coll C., Recovering surface temperature and emissivity from thermal infrared multispectral data, Remote Sens. Environ., 1998, 65(2): 121-131.

[56]  Schmugge T., French A., Ritchie J.C., Rango A., Pelgrum H., Temperature and emissivity separation from multispectral thermal infrared observations, Remote Sens. Environ., 2002, 79(2-3): 189-198.

[57]  Li Z. L. and Becker F., Feasibility of land surface temperature and emissivity determination from AVHRR data. Remote Sens. Environ., 1993, 43: 67-85.

[58]  Gillespie A. R., Rokugawa S., Matsunaga, A Temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) images. IEEE Trans. Geosci. Remote Sens., 1998, 36: 1113-1126.

[59]  Liang Shunlin, An optimization algorithm for separating land surface temperature and emissivity from multispectral thermal infrared imagery, IEEE Trans. Geosci. Remote Sens., 2001, 39: 264-274.

[60]  Wan Z. M., and Li Z. L., A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data. IEEE Trans. Geosci. Remote Sens., 1997, 35(4): 980-996.

[61]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.

[62]  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):1170-1176.

[63]  Schmugge T., Gloersen P., Wilheit T. T., and Geiger, Remote sensing of soil moisture with microwave radiometers. J. Geophys. Res., 1974, 79(2): 317– 323.

[64]  田国良, 土壤水分的遥感监测方法，环境遥感，1991,6(2):89-98

[65]  钟若飞，神州四号微波辐射计数据处理与地表参数反演研究，博士论文，中科院遥感所，2005.6.

[66]  Susskind J., Rosenfield J., Reuter D., and Cahine M.T., Remote sensing of weather and climate parameters from HIRS2/MUS on Tiros-N, J. Geophys. Res., 1984, 89, D3: 4677-4697.

[67]  McFarland M. J., Miller R. L., and Neale C. M. U., Land surface temperature derived from the SSM/I passive microwave brightness temperatures, IEEE Trans. Geosci. Remote Sens., 1990, 28(5): 839–845.

[68]  Aires F., Prigent C., Rossow W., and  Rothstein M., A new neural network approach including first guess for retrieval of atmospheric watervapor, cloud liquid water path, surface temperature, and emissivities over land from satellite microwaves observations, J. Geophys. Res., 2001, 106, D14: 14887- 14907.

[69]  Njoku E. G.., Jackson T. J., Venkataraman Lakshmi, Chan T.K., and Nghiem S. V., Soil moisture retrieval from AMSR-E, IEEE Trans. Geosci. Remote Sens., 2003, 41(2): 215–229.

[70]  Choudhury B. J., Major E. R., Smith E. A., and Becker F., Atmospheric effects on SMMR and SSM/I 37 GHz polarization difference over the Sahel, Int. J. Remote Sens., 1992, 13: 3443-3463.

[71]  Kerr Y. H., and Njoku E. G.., On the use of passive microwaves at 37 GHz in remote sensing of vegetation, Int. J. Remote Sens., 1993, 14:1931–1943.

[72]  Calvet J. C., Wigneron J. P., Mougin E., Kerr Y. H., and Brito L. S., Plant water content and temperature of Amazon forest from satellite microwave radiometry, IEEE Trans. Geosci. Remote Sens., 1994, 32(2): 397–408.

[73]  Calvet J. C., Chanzy, André, and Wigneron J. P., Surface tempeature and soil moisture retrieval in the Sahel from Airborn multifrequency mircrowave radiometry,  IEEE Trans. Geosci. Remote Sens., 1996, 34(2): 588-600.

[74]  Givri J. R., The extension of the split window technique to passive microwave surface temperature assessment, Int. J. Remote Sens., 1997, 18: 335-353.

[75]  Pulliainen J. T., Grandell J., and Hallikainen M. T., Retrieval of surface temperature in Boreal Forest Zone from SSM/I data, IEEE Trans. Geosci. Remote Sens., 1997, 35(5): 1188-1200.

[76]  Basist A., Grody N., Peterson T., and Williams C., Using the Special Sensor Mi-crowave/Imager to monitor land surface temperatures, wetness, and snow cover, J. Appl. Meteorol., 1998, 37: 888-911.

[77]  Weng F. and Grody N., Physical retrieval of land surface temperature using the special sensor microwave imager, J. Geophys. Res., 1998, 103, D8: 8839-8848.

[78]  Morland J. C., David, I. F Grimes, and T. J. Hewison, Satellite observations of the microwave emissivity of a semi-arid land surface, Remote Sens. Environ., 2001, 77: 149-164.

[79]  Dash P., Göttsche F. M., Olesen F. S., and Fischer H., Land surface temperature and emissivity estimation from passive sensor data : theory and practise-current trends, Int. J. Remote Sens., 2002, 23: 2563-2594.

[80]  Fily M., Royer A. , Goïa, and Prigent C., A simple retrieval method for land surface temperature and fraction of water surface determination from satellite microwave brightness tempeatures in sub-arctic areas, Remote Sens. Environ., 2003, 41: 328-338.

[81]  Prigent C. , Aires F., Rossow W. B., Land surface skin temperature from a combined analysis of microwave and infrared satellite observations for an all-weather evaluation of the differences between air and skin temperatures, J. Geophys. Res., 2003, 108, D10: 4310, doi:10.1029/2002JD002301.

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

[83]  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.

[84]  Wang J. R., and Choudhury B. J. Remote sensing of soil moisture content over bare field at 1.4 GHz frequency. J. Geophys. Res., 1981, 86: 5277–5282.

[85]赵开广, 基于IEM的随机粗糙地表的辐射模拟以及裸露地表土壤水分含量反演,硕士论文,北京师范大学，2004.5.

[86]  Jackson T. J, Measuring surface soil moisture using passive microwave remote sensing. Hydrological Processes, 1993, 7:139–152.

[87]  Wang J. R., O’Neill P. E., Jackson T. J., and Engman E. T. Multifrequency measurements of the effects of soil moisture, soil texture, and surface roughness. IEEE Trans. Geosci. Remote Sens., 1983, 21: 44– 51.

[88]  Jackson T. J., Le Vine D. M., Hsu A. Y., Oldak A., Starks P. J., Swift C. T., Isham J. D., and Haken M, Soil moisture mapping at regional scales using microwave radiometry: The southern great plains hydrology experiment. IEEE Trans. Geosci. Remote Sens., 1999, 37(5):2136–2151.

[89]  Schmugge T. J, O'Neill P. E, Wang J. R., Passive Microwave Soil Moisture Research. IEEE Trans. Geosci. Remote Sens., 1986, GE-24(1) :12-20.

[90]  Ahmed, N. U. Estimating soil moisture from 6.6 GHz dual polarization, and/or satellite derived vegetation index. Int. J. Remote Sens., 1995, 16(4): 687– 708.

[91]  Paloscia S., Giovanni Macelloni, Emanuele Santi, and Toshio Koike, A multifrequency algorithm for the retrieval of soil moisture on a large scale using microwave data from SMMR and SSM/I satellites, IEEE Trans. Geosci. Remote Sens., 2001, 39: 1655–1661.

[92]  Paloscia S., Pampaloni P., Microwave polarization index for monitoring vegetation growth, IEEE Trans. Geosci. Remote Sens., 1988,26:617-621.

[93]  Paloscia S., Pampaloni P., Microwave vegetation indexes for detecting biomass and water conditions of agriculture crops, Remote Sens. Environ, 1992,1:15-26.

[94]  Jackson T. J., Schmugge T., and Wang J., Passive microwave remote sensing of soil moisture under vegetation canopies, water resources Res., 1982, 18: 1137-1142.

[95]  Cmaillo P.T. and Schmugge T. S., Estimating soil moisture storage in the root zone from surface measurements, Soil Science, 1983, 135:245.

[96]  Paloscia S., Pampaloni P., Short communications microwave remote sensing of plant water stress, Remote Sens. Environ, 1984, 16: 249-255.

[97]  Pampaloni P. and Paloscia S., Experimental relationship between microwave emission and vegetation feafures, Int. J. Remote Sens., 1985, 6: 315-323.

[98]  Choudhury B. J., Tucker C. J., Monitoring global vegeation using Nimbus-7 37 GHz data some emrical relation, Int. J. Remote Sens., 1987, 9: 1085–1090.

[99]  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.

[100]   Wigneron J.-P, Calvet J.-C., T. Pellarin, A.A. Van de Griend, M. Berger, P. Ferrazzoli, Retrieving near-surface soil moisture from microwave radiometric observations: current status and future plans, Remote Sens. Environ, 2003, 85: 489–506.

[101]   Liou, Y. -A., Tzeng, Y. C., Chen, K. S. A neural-network approach to radiometric sensing of land-surface parameters. IEEE Trans. Geosci. Remote Sens., 1999, 37: 2718– 2724.

[102]   姜景山，微波遥感信息科技发展若干问题的讨论，遥感技术与应用，2005, 20(1)：1-5.

[103]   Wang J. R., Shiue J. C., Schmugge T. J., and Engman E. T., The L band PBMR measurements of surface soil moisture in FIFE. IEEE Trans. Geosci. Remote Sens., 1990, GE-28: 906– 913.

[104]   Kustas W. P., Goodrich D. C., Moran M. S. et al., An interdisciplinary study of the energy and water fluxes in the atmosphere-biosphere system over semiarid rangelands: description and some preliminary results. Bull Am Meteorol Soc. 1991, 72: 1683–1705.

[105]   Kustas W. P., Goodrich D.C., Preface to the special section on MONSOON ‘90. Water Resources Research, 1994, 30: 1211– 1225.

[106]   Jackson T. J., Le Vine D. M., Swift C. T., Schmugge T. J., and Schiebe F. R., Large area mapping of soil moisture using the ESTAR passive microwave radiometer in Washita ’92. Remote Sens. Environ., 1995, 53: 27– 37.

[107]   Goutorbe J-P., et al., HAPEX-Sahel: A large scale observational study of land atmosphere interactions in the semi-arid tropics. Analysis Geophysical, 1993, 12: 53–64.

[108]   Prince S.D., Y.H. Kerr, J.P. Goutorbe, T. Lebel, A. Tinga, J. Brouwer, A.J. Dolman, E.T. Engman, J.H.C. Gash, M. Hoepffner, P. Kabat, B. Molteny, F. Said, P. Sellers, and J. Wallace, Geographical Biological and Remote Sensing aspects of the Hydrologic Atmosphere Pilot Experiment in the Sahel (HAPEX-Sahel), Remote Sens. Environ.. 1995, 51,215-234.

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

[110]  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.

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

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

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

[114]   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

[115]   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.

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-67260-232196.html

上一篇："基于热红外和微波数据的地表温度和土壤水分演算法研究"的目录
下一篇：第二章 热红外和被动微波地表温度和土壤水分反演的