SCIENCE CHINA Technological Sciences 2012, DOI: 10.1007/s11431-012-4974-7 Development of a soil-plant-atmosphere continuum model (HDS-SPAC) based on hybrid dual-source approach and its verification in wheat field 摘要及全文下载 : 201210-SC-TS-Development of a soil-plant-atmosphere continuum model (HDS-SPAC) b.pdf http://tech.scichina.com:8082/sciEe/EN/abstract/abstract508574.shtml YuTing Yang , SongHao Shang and Huade Guan Abstract HDS-SPAC, a new soil-plant-atmosphere continuum (SPAC) model, is developed for simulating water and heat transfer in SPAC. The model adopts a recently proposed hybrid dual source approach for soil evaporation and plant transpiration partitioning. For the above-ground part, a layer approach is used to partition available energy and calculate aerodynamic resistances, while a patch approach is used to derive sensible heat and latent heat fluxes from the two sources (soil and vegetation). For the below-ground part, soil water and heat dynamics are described by the mixed form of Richards equation, and the soil heat conductivity equation, respectively. These two parts are coupled through ground heat flux for energy transfer, root-zone water potential-dependent stomatal resistance, and surface soil water potential-dependent evaporation for water transfer. Evaporation is calculated from the water potential gradient at soil-atmosphere interface and aerodynamic resistance, and transpiration is determined using a Jarvis-type function linking soil water availability and atmospheric conditions. Some other processes, such as canopy interception and deep percolation, are also considered in the HDS-SPAC model. The hybrid dual-source approach allows HDS-SPAC to simulate heat and water transfer in an ecosystem with a large range of vegetation cover change temporally or spatially. The model was tested with observations at a wheat field in North China Plain over a time of three months covering both wet and dry conditions. The fractional crop covers change from 30% to over 90%. The results indicated that the HDS-SPAC model can estimate actual evaporation and transpiration partitioning and soil water content and temperature over the whole range of tested vegetation coverage.
2011年的第一篇论文: Shang, S. H. and Mao, X. M. 2011. A physicoempirical model for soil water simulation in crop root zone. Pedosphere. 21(4): 512–521. doi:10.1016/S1002-0160(11)60153-7 sciencedirect链接: http://www.sciencedirect.com/science/article/pii/S1002016011601537 全文下载: 201108-Pedosphere-A Physicoempirical Model for Soil Water Simulation in Crop Root Zone.pdf A Physicoempirical Model for Soil Water Simulati on in Crop Root Zone ABSTRACT : To predict soil water variation in the crop root zone, a general exponential recession (GER) model was developed to depict the recession process of soil water storage. Incorporating the GER model into the mass balance model for soil water, a GER-based physicoempirical (PE-GER) model was proposed for simulating soil water variation in the crop root zone. The PE-GER model was calibrated and validated with experimental data of winter wheat in North China. Simulation results agreed well with the field experiment results, as well as were consistent with the simulation results from a more thoroughly developed soil water balance model which required more detailed parameters and inputs. Compared with a previously developed simple exponential recession (SER) based physicoempirical (PE-SER) model, PE-GER was more suitable for application in a broad range of soil texture, from light soil to heavy soil. Practical application of PE-GER showed that PE-GER could provide a convenient way to simulate and predict the variation of soil water storage in the crop root zone, especially in case of insufficient data for conceptual or hydrodynamic models. Key Words : general exponential recession model, irrigation scheduling, recession process, soil texture
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。 第七章 针对被动微波数据 AMSR-E 的土壤水分反演研究 土壤水分是地球科学中各个分支中一个重要的参数,尤其是在水文学和气象学中,它是许多模型所涉及到的基本参数。因而,反演土壤含水量和研究土壤水分分布有着特别重要的意义。遥感,特别是微波遥感是监测土壤含水量的最有效的手段之一,它为短周期、不同区域尺度土壤水分制图提供了可能,这些都是传统的地面土壤水分测量无法做到的。微波遥感土壤水分工作已经早已广泛展开。近年来,随着传感器技术的进步,为更高精度的监测土壤水分提供了新的物理平台。现今,已经有许多不同的算法,来利用被动微波遥感来反演土壤水分。但是由于植被和地形以及各种因素的影响,目前通过遥感反演得到的土壤水分还没有达到实用要求,为了提高土壤水分的反演精度,人们仍然在做不停的努力。本章探讨并研究利用微波指数从 AMSR-E 中反演土壤水分。 7.1 引言 土壤水分是水文、气象、农业和环境灾害等研究中的一个重要参数。随着微波传感器技术的发展、对地表微波辐射机理的深入理解及反演模型和算法的完善,被动微波遥感监测土壤水分将会有越来越宽阔的应用前景。大尺度的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土壤水分的时间、空间变化研究的需要。而微波在土壤水分反演方面具有独特的优势。可以说,通过被动微波遥感技术监测地表温度和土壤水分时空变化规律,将大大提高和完善水文和气象模型的预报精度,并为农业生产和灾害监测提供准确的数据。目前,被动微波遥感土壤水分反演仍然是当前的一个研究热点和难点,至今还没有一种实用的土壤水分监测方法达到实用要求,现今这个领域的大部分工作都是实验性的或研究性的,特别是植被覆盖地区需要进一步加强研究。 AMSR-E 是改进型多频率、双极化的被动微波辐射计。 2001 年 AMSR-E 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。 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 。本章主要针对 AMSR-E 数据进行模拟分析,对被动土壤水分反演进行研究。 7.2 被动微波土壤水分反演的理论基础 土壤水分能用发射率来直接反演是因为土壤水分的变化直接影响土壤介电常数的变化,而介电常数是决定发射率变化的最主要因素。对于微波传感器来说,只有通过获得的能量建立辐射传输方程来反演地表信息。因此,被动微波的土壤水分反演是建立在辐射传导方程基础上,即通过卫星传感器获得的地表能量与地表辐射能建立能量平衡方程的关系来反演土壤水分。辐射传输方程描述了卫星的微波辐射计所观测到的辐射总强度,不仅有来自地表的辐射,而且还有来自大气的向上和向下的路径辐射。这些辐射成分在穿过大气层到达遥感器的过程中,还受到大气层的吸收作用的影响而削减。因此,微波辐射的能量平衡实际上是一个复杂的求解问题。根据在微波波段区间的 Ralleigh-Jeans 近似,热辐射传输方程可简化为式( 7-1 )所示: (7-1) 式中 表示透过率, 表示发射率, 表示星上亮度温度, 表示地表温度, 为大气向下平均作用温度, 是大气平均向上作用温度。 表示极化垂直极化(V)或者水平极化 ( H ) 。在式 ( 1 ) 中, Qin ( Qin et al. 2001 ) 与 近似相等,因此发射率可以表示成 (7-2) ( 7-2 ) 在低频波段,微波受大气的影响非常的小,即使大气水汽含量达到 5 g /cm2 时,其透过率仍能近似等于 1 。因此,通常在微波波段,其发射率可以用式( 7-3 )来计算。 ( 7-3 ) 土壤发射率的变化主要受土壤水分含量和粗糙度的影响 ,因此可以通过发射率的变化来直接反演土壤水分含量。式( 7-3 )中土壤温度是一个非常关键的参数,但由于发射率的不稳定的特点使得地表温度的反演非常的复杂。目前还没有通用的针对被动微波地表温度反演的算法(不计迭代算法)公开发表。虽然L (1.4GHz) 1据此,通常在微波波段,其发射率可以用式(5 emperature 波段已经被证明非常适合于反演土壤水分,但植被仍然是土壤水分反演中最大的难题。目前存在三个主要的问题:第一,低频的数据分辨率很低;第二:以往的被动微波数据没有L波段的数据,而我们需要了解过去土壤水分的变化情况;第三:虽然L波段能穿透植被获得较多的地表信息,但它仍然受植被的影响。 许多小尺度的地面和航空实验已经进行并且许多模型和算法提出来了 - , 但还没有一个被证明在大尺度(星上)非常的实用。 许多研究人员 - 用 模型来消除植被的影响。这种方法有很大的局限性,因为目前绝大多数陆地被动微波像元(几十公里 * 几十公里)都是混合像元。举一个例子,假设一个被动微波影象里面有 2000 个像元的 NDVI 都是 0.3, 但每个像元的植被类型都不一样,而且分布状态(从随机分布到集中)也不一样,而我们用一种方式来处理植被的影响,显然是不合适的。我们认为在土壤水分反演的过程中,需要同时利用尽可能多的低频和高频数据。因为低频能够获得植被下面的土壤水分信息,而高频则能获得植被的信息,另外,多个频率信息的组合能够反映大尺度的像元里面的植被分布状态以及植被结构特征,使得每个像元能够被唯一确定。由于目前星上数据的低频波段非常的少,像 AMSR-E6.9GHz 信号并不稳定,受手机信号的影响比较大,所以要获得植被下面的信息非常的困难。幸运的是,土壤水分能够通过植被反应出来 。许多研究证明 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。从某种程度上讲,目前利用这种信息来反演大尺度土壤水分是一种比较好的选择。所以我们在本研究中假定土壤水分与植被的水分变化是正相关的,这意味着我们可以近似地把植被当作裸露地表来处理。本文的研究目的就是要如何回避关键参数地表温度和尽可能地消除粗糙度的影响,并且利用发射率和土壤水分的关系来反演土壤水分含量。第一步是利用理论模型模拟地表上绝大数的情况并建立数据库;第二,利用模拟数据库构建反演算法;第三,利用地表实测数据对算法进行修正,从而提高算法的精度和适用性。 7.3 针对 AMSR-E 数据的 AIEM 模拟分析 IEM(Integrated Equation Model) 模型是由 Fung 等人于 1992 年提出 ,该模型是基于电磁波辐射传输方程的地表散射模型,能在一个很宽的地表粗糙度范围内再现真实地表后向散射情况,已经被广泛应用于微波地表散射、辐射的模拟和分析,并经过了大量的验证。积分方程模型( IEM )是地表散射和辐射模拟中被证明是最好的模型之一 。近年来, IEM 模型经过不断改进和完善,模型模拟结果和精度得到不断提高。积分方程模型由于其模拟的范围更接近于真实的自然地表而被广泛的应用,新近发展的改进的积分方程模型 AIEM ( Advanced IEM ) 对粗糙度谱的计算和 Fresnel 反射系数计算形式进行了改进,使的模型模拟更接近真实情况。本研究利用 AIEM 模型针对 AMSR-E 数据的 6 个频率的微波数据进行了模拟分析。 为了更好地分析各参数的关系,我们先固定一些参数对 AMSR-E 的6个频率通道的数据进行模拟分析。图 7-1 表示在不同频率通道下土壤水分和发射率之间的关系,这里取的均方根高度( sig )为 1cm ,相关长度 (cl) 为 6cm ,入射角为 55 度。从图 7-1 可以看出,在同样的土壤水分含量下和极化状态下,频率越高,其发射率也越高;水平极化( H )随土壤水分变化的较垂直( V )极化要快,可见 H 极化的亮温对土壤水分的敏感性要高于 V 极化。从对应的土壤水分和发射率的变化情况来看,低频对对土壤水分更加敏感。因此,频率越低越适宜于土壤水分反演。对于 AMSR-E 数据来说,最好的频率选择是 6.9GHz, 10.7GHz ,其次是 18.7GHz 。为了分析粗糙度对发射率的影响,我们选择频率 10.7GHz 作为分析频段。图 7-2 表示相关长度等于 6 ,入射角为 55 ,在不同土壤水分情况下发射率随均方根高度的变化情况。从图 7-2 可以看去,垂直极化发射率随均方根高度的增加而下降,而水平极化则相反。大约在均方根高度等于 1.3cm 时,均方根高度对发射率(无论是垂直还是水平)的影响减小。图 7-3 则表示固定均方根高度为 1 时,发射率随相关长度的变化情况。 从图 7-3 可以看去,垂直极化发射率随相关长度的增加而增加,而水平极化则相反。大约在均方根高度等于 15cm 时,均方根高度对发射率(无论是垂直还是水平)的影响减小。 图 7-1 土壤水分与不同频率发射率的关系(固定粗糙度情况下) Figure7-1 The relationship between soil moisture and difference of different frequency emissivity 图 7-2 相关高度 (rms) 与发射率在不同土壤水分下的关系 Figure 7-2 The relationship between rms height and emissivity in different soil moisture 图 7-3 相关长度 (cl) 与发射率在不同土壤水分下的关系 Figure 7-3 The relationship between correlation length and emissivity in different soil moisture 从图 7-2 和 7-3 可以看去,在土壤水分越大的情况下,均方根高度对发射率的影响比相关长度要大。 在不同土壤水分条件下,发射率的递减趋势基本一致,这说明土壤水分对发射率的影响受粗糙度的影响不大。通过图 7-1,2,3 可以看出,发射率对土壤水分是最为敏感的,然后是均方根高度,最后是相关长度。 7.4 土壤水分反演算法及敏感性分析 从上面的模拟分析可知,水平极化比垂直极化对土壤水分更加敏感,但受粗糙度的影响也更大。在给定的粗糙度条件下,能够建立土壤水分和发射率之间的关系。由于发射率和亮度温度之间存在一种线性关系,因此,许多算法就建立在这种基础之上 。但由于不同地方的粗糙度是变化的,而且即使是同一个区域,随着季节的变化或者天气(降雨)的影响,粗糙度也是变化的。因此这些算法是经验的,局部适用的。为了得到一个更加实用的算法。我们对粗糙度通常的范围( sig:0.25 -3.1cm , cl:5 -31cm )情况下,针对 AMSRE 数据的 6.9GHz, 10.7GHz 和 19.7GHz 进行模拟,入射角为 55 。模拟结果如图 7-4 所示。 图 7-4 土壤水分与不同频率发射率的关系(粗糙度在一定范围内变化) Figure 7-4 the relationship between soil moisture and emissivity 从图 7-4 可以看出,土壤水分和发射率之间存在一种近似线性关系,但受粗糙度的影响比较大。我们对模拟数据进行了回归分析,得到了如表 7-1 所示的关系。 表 7-1 土壤水分与发射率之间的关系 Table 7-1 the relationship between soil moisture and emissivity Frequency(GHz) Number of Set Equation R^2 6.9V 1584 SM=0.45583+1.07283*ET6.9V -1.51467*ET6.9V^2 0.939 6.9H 1584 SM=0.93251-1.45563*ET6.9H +0.43683*ET6.9H^2 0.846 10.7V 1584 SM=0.08873+1.97604*ET10.7V -2.04988ET10.7V^2 0.931 10.7H 1584 SM=0.93407-1.41944*ET10.7H +0.39588ET10.7H^2 0.849 18.7V 1584 SM=-0.97597+4.56981ET18.7V -3.57541ET18.7V^2 0.919 18.7H 1584 SM=0.92005-1.24056ET18.7H +0.21453ET18.7H^2 0.851 注: ET 代表发射率 从表 1 中 R-Square 可以看出,垂直极化更加适合土壤水分反演。事实上,如果能够计算得到土壤发射率,就可以直接用表 1 计算公式计算得到土壤水分。当然,反演仍然受粗糙度的影响比较大。从式 7-3 可以看出,要计算发射率,必须知道土壤温度。而土壤温度的测量和反演是非常难的,特别是在大尺度的情况下。微波地表温度反演 - 比较困难,主要原因是受土壤水分,粗糙度以及植被不确定性影响。因此怎样避免这个参数就显得非常的关键。在这里,我们 定义了标准化微波指数: ( 7-4 ) 从式 (7-4) 可以看出 , 通过比值法可以回避计算发射率的关键参数地表温度。我们用式( 7-4 )对图 4 中的模拟数据进行了计算得到了图 7-5 。从图 7-5 可以看出, 18.7 V GHz 和 10.7 V GHz 垂直极化很好地收敛得非常的好,而其它的则相反。 图 7-5 土壤水分与不同极化指数差的关系 Figure 7-5 the Relationship between soil moisture and normalized difference of different frequency 对图 7-5 进行回归分析得到了表 7-2 ,从表 7-2 中可以看到, 18.7GHz 与 10.7GHz 垂直极化 R-Square 达到了 0.98 ,而其它的则不是太好。从这点就可以看出, 18.7GHz 与 10.7GHz 垂直极化的比值不仅有效地消除了关键参数地表温度,而且部分地消除了粗糙度的影响。改变土壤成分得到的模拟结果和图 7-5 类似。因此用标准化垂直极化反演土壤水分是可行的。对于高于 10GHz 频率微波信号,获得的植被下面的信息非常的少。改变土壤成分得到的模拟结果和图 7-5 类似。因此用标准化垂直极化指数反演土壤水分是可行的。当频率 10.7GHz 以上时,很难直接获得植被覆盖下土壤水分信息。土壤水分能够通过植被反应出来 。 Paloscia Pampaloni ( 1984 ) Pampaloni Paloscia(1985), Choudhury Tucker(1987) 研究表明,微波指数可以用来监测土壤水分的变化。我们假定了植被为裸露地表,然后通过实测数据进行修正来反演土壤水分。另外,对于被动微波的大尺度像元来讲,几乎每个像元都是混合像元。因此,通过理论推导的经验算法,根据当地的实际情况进行合理的修正是非常必要的。 表 7-2 土壤水分与不同极化指数关系 Table 7-2 the relationship between soil moisture and normalized difference of different frequency Frequency(GHz) Number of Set Equation R^2 10.7-6.9V 1584 SM=0.02163+46.28937*NDE1 +892.302*NDE1^2 0.865 18.7-10.7V 1584 SM=0.033+10.99947*NDE2 +563.80628*NDE2^2 0.978 10.7V-10.7H 1584 SM=0.01175+0.97019*NDE3 +0.66398*NDE3^2 0.506 18.7H-10.7H 1584 SM=-0.02544+8.50306*NDE4 +119.12*NDE4^2 0.687 (7-5) 式( 7-5 )中, SM 表示土壤水分 , 就是式 (7-4) 。 式( 7-5 )的参数敏感性取决于式( 7-4 )。从式( 7- 4)可以看出,由于分母比较大,稍微一点误差是不会对 产生多大的误差。引起算法的主要在于其分子。由于微波波段的透过率非常的高,即使大气中的水汽含量高达 5g /cm2 ,对于 18.7GHz 和 10.7 GHz 近似等于 1 (Ulaby et al. 1986) 。由于 18.7GHz 的波长比 10.7 GHz 的波长要长,因此受大气的影响大一些。因此当大气钟的水汽非常多或者存在云的时候,式( 7- 4)的计算值要偏低,从而导致反演值比实际值偏低。所以,在实际反演中要对反演结果做一些修正。特别是当云层含水比较多的时候,大气校正还是有必要的。另外, 18.7GHz 对降雨比较敏感, 10.7 GHz 次之,因此 18.7GHZ 能够被用来监测降雨。当有降雨时,反演值的误差比较大,算法可能已经不太适用。因此,对有降雨时的土壤水分反演需要进一步研究。 7.5 算法验证及应用 算法精度评价也是非常重要的,目前对土壤水分反演算法的实际精度评价是反演方法研究中的一个难点,其主要原因在于很难用地面的一个或者几个点的观测数据来代表一个像元对应的地表几十公里范围的土壤湿度;其次是实测数据与影像成像时的同步性问题、几何配准问题和尺度效应等问题。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,人们建立了许多典型的算法验证区域。其中 SMEX02 主要致力于 AMSR-E 的土壤水分反演算法的验证,实验区域为美国爱菏华州 Walnut Creek watershed 地区,侧重于高生物量的植被,如成熟期的大豆和玉米。 SMEX02 的目标是局限于使用微波遥感测量农业区的土壤水分( http://nsidc.org/data/ amsr_validation/soil_moisture/smex02/ )。 该区域地面在经历了 6 月 25 日 到 7 月 4 日间较为干燥的阶段,在 7 月 11 日 经历了一场大的降雨,降雨量平均约为 35mm 。因此我们只选择了 6 月 25 日 到 7 月 4 日 之间的实测数据,为了进行修正,我们还排除了几个明显不对的数据。反演结果和实测比较如图 7-6 所示。 图 7-6 地表实测土壤水分与反演土壤水分关系 Figure 7-6 The Relationship between Measured Ground Soil Moisture and Retrieval Soil Moisture 反演结果和地表实测数据表明算法明显地低估了土壤水分含量,我们进行回归分析得到了式( 7-6 )。 =0.8368 (7-6) 因此,通常在用表 2 中 18.7GHZ 与 10.7GHZ 反演得到土壤水分后,需要根据当地的实际情况进行修正。 为了进一步说明我们的算法的实际应用潜力,我们对利用中国地区两景 AMSR-E ( 2005/08/25 ) 数据进行了实际反演。为了看土壤水分的分布情况,我们等间隔地划分土壤水分的区间。土壤水分分布如图 7-7 所示。从图中可以看到,土壤水分的分布趋势是比较合理的。在沿海,长江流域,黄河流域,以及一些大湖泊周围的土壤水分特别高,这和实际情况是相符合的。另外,在青藏高原,特别是西藏,有一小块地方的土壤水分也比较高。 这个地方的土壤水分比较高,这一点我们可以从 国 际合作项目全球能量水循环之亚洲季风青藏高原试验( GAME ― Tibet )( 1997-1998 )中的实验数据看到这个图 7 中的西藏地区红色区域的土壤水分的确很高,跟我们反演的结果的分布趋势很接近。具体请参见实验数据 ( http://monsoon.t.u-tokyo.ac.jp/tibet/ ) ,主要原因是 8 月份正式雪水融化的高峰期。 图 7-7 用式( 7-5 )反演得到土壤水分布图 Figure 7-7 Retrieval Soil Moisture by expression 5 在验证中,我们知道用式 5 反演的结果低估了实际的土壤水分含量。为了进一步提高反演精度,我们需要根据各地地表的实际情况进行修正。但由于实际获取数据非常困难,这里我们用式( 7-6 )来进行修正。修正结果如图 8 所示。为了看土壤水分变化的趋势,我们让计算机选择进行自动颜色渐变。但这时的不能反映面积的实际变化,因此,我们对图 7-8 进行了统计分析 , 其土壤水分变化的像元数如表 7-3 所示。从表 7-3 中可以看到,绝大部分地区在土壤水分在 20% 以下。另外需要说明的是我们的算法主要适用于裸露地表地区以及没有降雨的情况,对于 NDVI 比较大或者有降雨和云层比较厚的地区,反演结果要根据地面实际情况(不同的地表和不同的环境)需要进一步修正。 图 7-8 用式( 7-6 )修正后的土壤水分反演图 Figure 7-8 Revised Retrieval Soil Moisture by expression 7-6 表 7-3 统计土壤水分分布情况 Table 7-3 The distribution of pixel in different soil moisture range Rang of Soil Moisture 0-0.1 0.1-0.2 0.2-0.3 0.3-0.4 0.4 Number of Pixels 8609 3349 773 305 363 Percent 64.25% 25% 5.80% 2.27% 2.70% 我们对 TRMM/TMI 数据也做了同样的分析和得到了相似的算法。具体推导和分析评价请参见 。我们用 TRMM/TMI ( 1998/09/01 ) 对西藏地区的土壤水分进行了反演(如图 7-9 ),并用全球能量水循环之亚洲季风青藏高原试验( GAME ― Tibet )( 1997-1998 )的土壤水分实测数据进行了校正,修正后的反演结果如图 7-10 。 图 7-9 西藏地区土壤水分分布图 Figure 7-9 Retrieval s oil m oisture 图 7-10 校正后的西藏地区土壤水分分布图 Figure 7-10 Revised Retrieval s oil m oisture 7.6 本章小结 本章对土壤水分反演的理论基础进行了简要介绍,并用 AIEM 模型针对被动微波数据 AMSR-E 进行了模拟分析。模拟结果表明,在给定粗糙度条件下,土壤水分和发射率存在很好的线性关系;在不同的土壤水分条件下,均方根高度和相关长度对发射率的影响基本相同。我们定义了极化指数,模拟数据表明, 18.7GHZ 与 10.7GHZ 的垂直极化指数与土壤水分有很好的关系,而且部分地消除了土壤粗糙度的影响, R-Square 大约 0.98 。同时,我们推导了标准化微波指数近似等于标准化亮温指数。分析表明通过标准化发射率指数和标准化微波指数建立土壤水分反演算法是可行的。同时我们对算法进行了敏感性分析,分析表明当有降雨时,算法比较敏感。用 SMEX02 的实验数据验证分析表明,相对于实验数据 , 算法精度大约是 25.9% 。算法低估了土壤水分,因此需要用实测数据对反演结果做进一步修正。修正后的精度为 6.5% 。最后,我们对中国地区的两景 AMSR-E 进行了实际反演分析,结果表明微波指数可以用来监测土壤水分的变化。我们假定了植被为裸露地表,然后通过实测数据进行修正来反演土壤水分。另外,对于被动微波的大尺度像元来讲,几乎每个像元都是混合像元。因此,通微波指数的经验算法反演土壤水分,根据当地的实际情况进行合理的修正是非常必要的。 参考文献( Reference ): 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. Qin Z. H., Giorgio D. O., and Karnieli A., Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution radiometer data, J. Geophys. Res. , 2001, 22655-22670. Ulaby F.T., Moore R.K., and Fung A. K.. Microwave Remote Sensing: Active and Passive Dedham , MA : Artech House, 1986, vol. 3 Wang J. R. and Schmugge T. J., An empirical model for the complex dielectric permittivity of soil as a function of water content, IEEE Trans. Geosci. Remote Sens. , 1980, 39: 288295. Njoku Eni G., Thomas J. Jackson, Venkataraman Lakshmi, Tsz K. Chan, Son V. Nghiem, Soil moisture retrieval from AMSR-E, IEEE Trans. Geosci. Remote Sens. , 2003, 41: 215229. Mtzler C., Seasonal evolution fo microwave radiation from an oat field, Remote Sens. Environ. , 1990, 31: 161-173. Griend A. A., Owe M., Ruiter J. d., Gouweleeuw B. T., Measurement and behavior of dual-polarization vegetation optical depth and single scattering albedo at 1.4 and 5 GHz microwave frequencies, IEEE Trans. Geosci. Remote Sens. , 1996, 34: 957-965. Wigneron J. P., Parde M., Waldteufel P., Chanzy A., Kerr Y., Schmidl S., Skou N., Characterizing the dependence of vegeation model parameters on crop structure, incidence angle, and polarization at L-band, IEEE Trans. Geosci. Remote Sens. , 2004, 42: 416425. Mike Schwank, Christian Mtzler, Massimo Guglielmetti, Hannes Flhler, L-band radiometer measurements of soil water under growing clover grass, IEEE Trans. Geosci. Remote Sens. , 2005, 43: 22252237. Njoku E. G., Li L., Retrieval of land surface parameters using passive microwave meaurements at 6-18 GHz, IEEE Trans. Geosci. Remote Sens. , 1999, 37: 79-93. Njoku E. G., AMSR Land Surface Parameters: ALGORITHM THEORETICAL BASIS DOCUMENT Version 2.0, November 10, 1997 . Jackson T. J., Schmugge T. J., Vegetation effects on the microwave emission from soils, Remote Sens. Environ. , 1991, 36: 203-219. Jackson T. J. and ONeill P. E., Attenuation of soil microwave emissision by corn and soybeans at 1.4 and 5 GHz, IEEE Trans. Geosci. Remote Sens. , 1990, 28: 978980. 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: 19311943. 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. Cmaillo P.T. and Schmugge T. S., Estimating soil moisture storage in the root zone from surface measurements, Soil Science, 1983, 135:245. Paloscia S., Pampaloni P., Short communications microwave remote sensing of plant water stress, Remote Sens. Environ. , 1984, 16: 249-255. Pampaloni P. and Paloscia S., Experimental relationship between microwave emission and vegetation feafures, Int. J. Remote Sens. , 1985, 6: 315-323. Choudhury B. J., Tucker C. J., Monitoring global vegeation using Nimbus-7 37 GHz data some emrical relation, Int. J. Remote Sensing, 1987, 9: 10851090. Fung A. K., Li Z. , Chen K. S., Backscattering from a randomly rough dieletric surface, IEEE Trans. Geosci. Remote Sens. , 1992, 30: 356-369. Wu T. D., Chen K. S., Shi J., Fung A. K., A transition model for the reflection coefficient in surface scattering, IEEE Trans. Geosci. Remote Sens. , 2001, 39: 20402050. Chen K. S., Wu T. D., Tsang L., Li Q., Shi J. C., Fung A. K., Emission of Rough Surfaces Calculated by the Integral Equation Method With Comparison to Three-Dimensional Moment Method Simulation, IEEE Trans. Geosci. Remote Sens. , 2003, 41: 90-101. 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. 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. Paloscia S., Macelloni G., Emanuele S., and Koike T., 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: 16551661. 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: 839845. Mao K. B., Shi J. C. , Li Z. L. , Qin Z. H., Jia Y. Y., Land Surface Temperature and Emissivity Retrieved From the AMSR Passive Microwave Data, IGARSS 2005, 25-29 July 2005 COEX, Seoul, Korea. Mao K. B., Shi J. C., Li Z. L., Qin Z. H., A Physics Based on Statistics Algorithm for Retrieving Land Surface Temperature and Soil Moisture From AMSR-E Passive Microwave Data, ispmsrs2005.10, Beijing, China. 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. 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 Mao K., Tang H. J., Zhang L. X., Li M. C., Guo Y., Zhao D. Z., A Method for Retrieving Soil Moisture in Tibet Region By Utilizing Microwave Index from TRMM/TMI Data, Int. J. Remote Sens. .(Accepted) Kebiao Mao, Zhihao Qin, Manchun Li, Lixin Zhang, Bin Xu, Lingmei Jiang, An Algorithm for Surface Soil Moisture Retrieval Using the Microwave Polarization Difference Index, International Geoscience and Remote Sensing Symposium ( IGARSS 06).
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。 第二章 热红外和被动微波地表温度和土壤水分反演的 基本理论与方法 遥感的物理基础是地物对电磁波的反射、吸收和发射特性;遥感研究的最终目的是应用。遥感技术及其应用实质上是一个地物电磁波谱特性成像与反演问题。因此,遥感的 科学的定义是:利用电磁波与地球表面物质的相互作用而具有不同的性质作为基础来探测、分析和研究目标的性质。遥感是获取地表热状况信息的一种非常重要的手段,从第一台机载热红外遥感仪器算起,遥感的研究已经有 50 多年的历史。根据平台的不同分为:地面遥感、机载遥感、星载遥感;根据遥感的性质可分为:主动遥感和被动遥感;根据电磁波长可分为:光学遥感、热红外遥感以及微波遥感。目前,对遥感的研究已经渗入到各个领域,本章主要简要地介绍遥感,特别是热红外遥感和微波遥感在地表温度和土壤水分反演方面的一些基本概念、模型及算法。 2.1 电磁波谱 遥感的主要研究对象是电磁波信号,而波长和频率是电磁波特性的主要因子。因此,通常我们把以电磁波的波长为横轴( X ),把电磁波经过大气层后的透过率为纵轴( Y )的分布称为电磁波谱。如图 2-1 所示,由于大气对电磁波有吸收作用,因此形成了大气窗口。在实际应用研究中,我们根据研究选取不同的电磁波谱区 。对于遥感而言,人们习惯上将电磁波段人为地划分如表 2-1 ,我们通常将遥感分成四种类型:可见光遥感、热红外遥感、被动微波遥感、主动微波遥感(雷达)。它们各自的优点与缺点如表 2-2 。 图 2-1 电磁波谱 Figure2-1 Electromagnetic wave spectrum 表 2-1 遥感波谱区域分类 Table2-1 The Classification of remote sensing spectrum 名称 波长范围 主要辐射源 表面性质 可见光 0.24 -0.76 m m 太阳 发射率 近红外 0.76 -3 m m 太阳 反射率 中红外 3 -6 m m 太阳,热辐射 反射率,温度 远红外 6 -15 m m 热辐射,太阳 温度 微波 1mm -1m 热辐射(被动) 人造(主动) 温度(被动) 粗糙度(主动) 表 2-2 不同地表土壤水分遥感测量手段的对比 ( Engman , 1991 ;杨虎, 2003 ) Table 2-2 Summary of remote sensing techniques characteristics 遥感测量手段 传感器获取地表参数 优点 缺点 可见光遥感 地表反射率 分辨率高 , 数据易获取 受云的影响大 热红外遥感 地表温度 , 发射率 空间分辨率高,温度和土壤水压力之间的关系独立于土壤类型 受云,地形,气候条件影响较大,测量深度仅限于土壤表层 被动微波 地表温度,土壤温度,发射率,介电常数 全天候,分辨率低,对植被覆盖下土壤水分变化敏感性较高 空间分辨率低,在植被覆盖度很高时影响大 主动微波 地表后向散射系数,介电常数 全天候,高分辨率 , 低分辨率 受土壤表面粗糙度、植被、地形影响 2.2 热辐射的基本定律及基本概念 2.2.1 四个基本定律 空间所有的物体都通过辐射方式交换能量,如果没有其它方式的能量交换,则一物体热状态的变化就决定于放射与吸收辐射能量的差值。当物体的辐射能量等于吸收的外来辐射能量,这时该物体处于热平衡状态,因而我们可以用一函数温度来描写它。通过很多研究,人们得到了四个基本定律 。 (1) 基尔霍夫定律 不同温度下物体的吸收率与出射度之间没有确定的数量关系,但是在同一温度下,它们之间严格成成正比例关系,这个规律称之为基尔霍夫定律。基尔霍夫定律表明:任何物体的辐射出射度和其吸收率之比都等于同一温度下的黑体辐射出射度 , 吸收率大的,其放射能力就强。黑体的吸收率等于 1 ,其放射能力最大。我们只要知道一物体的吸收光谱,其辐射光谱也就立刻可以确定。通常我们把物体的辐射出射度与相同温度下黑体的辐射出射度的比值,称作物体的发射率,发射率等于吸收率 , 是物体发射本领的表征。地表与大气耦合面能量交换过程很复杂,一般在几个微米的表层内,处于非热平衡状态。 (2) 普朗克定律 绝对黑体的辐射光谱对于研究一切物体的辐射规律具有根本的意义。 1900 年普朗克引进量子概念,将辐射当做不连续的量子发射,成功地从理论上得出了与实验精确符合的绝对黑体辐射出射度随波长的分布函数。黑体辐射公式是由普朗克于 1900 年导出的,其工作基础是维恩公式与瑞利 琴斯公式。 ( 2-1 ) 是分谱辐射通量密度,单位是 ; 是波长,单位 ; 是普朗克常数( 6.6256 10 -34 Js ); 是光速( 3 10 8 m /s ); 是玻耳兹曼常数( 1.38 10 -23 J / K ); T 是绝对温度( K )。 (3) 斯忒藩 玻耳兹曼定律 1879 年斯蒂芬由实验发现,绝对黑体的积分辐射能力与其温度的 4 次方成正比。 1884 年,玻耳兹曼由热力学理论得出了这个公式: ( 2-2 ) 式中: 为斯忒藩 玻耳兹曼常数, 。 ( 4 ) 维恩位移定律 1893 年维恩从热力学理论导出黑体辐射光谱的极大值对应的波长,温度越高,峰值波长越小,其计算公式如( 2-3 )。 ( 2-3 ) 对于 6000K 黑体 ,( 对应蓝色光 ) ,地球环境的代表性温度为 300K ,它对应的峰值波长接近 10 ,正处在热红外大气窗口区内,地物的热辐射谱是很宽的,虽然其主要能量集中在热红外波段,对微波波段而言,其能量已下降了许多数量级,然而微波传感器的测量灵敏度高于热红外光谱仪,补偿了能量不足的缺点,使利用微波辐射计接收来自目标的微波波段热辐射噪声同样可以达到测量目标温度的目的。所以热红外遥感与微波被动遥感的应用有很多相似之处,但由于微波与地物相互作用机理与热红外辐射与地物的相互作用机理有些差别。由于微波的波长比热红外波段要长,受云和大气的影响比较小,但对地表粗糙度的影响要大一些。对于中红外波段窗区( 3.5 m m 5.0 m m )白天地表反射太阳辐射的中红外波段的能量在数量级上与地物自身发射的中红外波段热辐射相当,目前还很难从传感器所接受的辐射能量中将这两部加以区分,因此白天中红外波段应用受到了限制 。 2.2.2 发射率 黑体是一种理想物体,自然界中并不存在这样的物体,大多数是灰体。因此地表温度的反演需要考虑发射率的影响。发射率通常用 表示,定义为:物体在温度 T 、波长 处的辐射强度 与同温度、同波长下的黑体辐射强度 的比值,即: (2-4) 发射率是一个比值,因此没有单位, 取值 0-1 之间,但发射率是波长 的函数。对于大多数的地面物体,在波段 8~14 范围内,地表发射率在 0.91 和 0.98 之间 。如果没有大气的影响,地物的真实温度可以直接用式 2-4 求解。但是,地物的辐射能通常是被搭载在高空平台上观测到的。其间要受到大气的影响,从而使得地面温度的反演变得复杂。 发射率是物体热辐射能力的量度。发射率的测量主要受物体的表面状态,如表面粗糙度等,及物理性质,介电常数、含水量、温度等因素的影响。并随着所测定的辐射能的波长,观测角度等条件的变化而变化。随着热红外遥感研究的深入,人们已积累了不同物质的发射率的测量经验,而且还探索地表热辐射及发射率各向异性的产生机理。赵英时等根据发射率的大小及其与波长的关系把物体的热辐射分为三类 :一是接近于黑体的物体。许多物质在某一特定的波长范围内的辐射如同黑体;二是发射率与波长无关的灰体,发射率小于 1 ;三是接近于黑体的灰体,发射率随波长变化的物体,称为选择性辐射体。 2.2.3 地表温度 地表温度通常被定义为地表的皮肤温度 (Skin temperature) 。一般地说,地面不是同质的,而是异质的,比如包含各种植被和土壤。对于植被茂密的地表,遥感反演所得到的地表温度是指植被叶冠的表面温度。对于稀疏的地表,地表温度是地面、植被叶冠等温度的混合平均值。因此,地表的非同质性使地表温度的遥感反演成为一个很复杂的问题。 2.2.4 辐射温度 辐射温度被定义为所测量的物体的辐射能量所对应的温度。对于黑体而言,物体的辐射温度等于它的真实温度。但对于真实物体而言,热遥感器所记录的辐射温度与物体的地表温度之间的关系可以近似地表示为 : ( 2-5 ) 式中 e 为发射率。由于 e 1 ,地物的辐射温度总小于它的热力学温度。因此,对于任何给定的地物,热遥感器所记录的辐射温度小于它的真实温度。从式 2-5 可以看出,如果地物的发射率未知,则无法估算其真实温度。表 2-3 列出了 5 种典型地物的真实温度与辐射温度之间的对应关系。这 5 种地物为:黑体、植物、湿土、干土、水体。虽然真实温度相同,但因发射率不同,其辐射温度也各异。 表 2-3 典型地物的热力学温度和辐射温度之间的比较 Table2-3 Comparison of kinetic temperature and radiant temperature for typical objects 对象 发射率 真实温度 (K) 辐射温度 (K) 黑体 1.000 303 303 植被 0.985 303 298.455 湿地 0.956 303 289.668 干燥地 0.925 303 280.275 水体 0.99 303 299.97 2.2.5 亮度温度 亮度温度 (bright temperature) 通常被定义为星上遥感器获得的辐射能所对应的温度。亮度温度是衡量物体温度的一个指标,但也不是物体的真实温度。它与辐射温度是一致的。主要差别在于亮度温度是通过星上遥感器获得,而辐射温度是通过地面遥感器测得。 2.3 大气窗口与热红外遥感 由于热辐射传输是个很复杂的过程,有些波长的热红外谱段能量没有达到传感器就已经被大气吸收。有些谱段受大气影响很小,形成了一些大气窗口。热红外谱段区间主要有 3 ~ 5 和 8 ~ 14 两个大气窗口。因此,在热红外遥感波段选择中,既要考虑地表物质温度的特性,也要考虑大气的影响。地表温度通常在- 45- + 45 C 之间,大部分地区平均为 27 C 左右。根据维恩位移定律,地面物体的热辐射峰值波长在 9.26 ~ 12.43 之间,恰好位于 8 ~ 14 的大气窗口内。因此这个谱段区间通常被用来调查地表一般物体的热辐射特性,探测常温下的温度分布和目标的温度场,进行热制图等。随温度升高,热辐射谱段峰值波长向短波方向移动。对于地表高温目标,如火燃等,其温度达 600K ,热辐射谱段峰值在 4.8 ,位于热红外谱段 3 ~ 5 的大气窗口内。所以为了对火灾、活火山等高温目标识别,通常把热红外遥感波段选择在这个区间内 。 由于影响热辐射的大气的变化因素不确定,例如,大气、气溶胶、云、风、水汽以及海拔等随时空变化,使得很多变量实时测定非常困难。在热辐射能的地 - 气辐射传输过程中,地面和大气都是热辐射源。热辐射能多次被大气吸收、散射与折射。同时地表也不是黑体。因此,通过遥感影像研究地面热辐射必须考虑大气和地表的双重影响。考虑到大气和地表影响因素的复杂性和不确定性,热辐射过程可表达为 : (2-6) 式中 是在视角 大气透过率, 是在视角 方向的发射率, 是地表温度, 是星上亮度温度, 是大气下行辐射, 是大气上行辐射。 Planck 函数是热辐射传输方程的核心组成部分。 2.4 热红外地表温度和发射率反演的常用方法 从热遥感器获得的是地物的亮度温度。但是在许多热红外遥感应用研究中,我们需要的是地物的真实温度。为了获得地表温度,许多研究者已经做了许多工作并且已经取得了很大的成绩,形成了一系列的地表温度反演方法。按反演过程中所用的波段数来划分,基本上分成 4 种方法。第一种是传统的辐射传输方程法;第二种是单通道算法;第三种是两通道算法;第四种是多通道算法。另外,还有伴随着这些方法的多角度算法。这些方法是针对不同的条件和环境提出来的,各有优缺点 。 辐射传输方程法是最基本的地表温度反演方法。由于这个方法考虑的影响因素最多,理论上讲是最好的方法。但其需要的大气参数比较多,而大气参数很难实时获取,一般是用大气模型模拟计算来代替,所以反演的精度很难得到保证。 单一热红外通道法最早是 Kahle 等人在假定发射率为常数和大气参数已知条件下提出的一种单通道地表温度反演算法 。但这种方法由于假定的条件太多,是一种非常原始的单通道算法。实用单通道算法是覃志豪 针对 TM6 热红外数据提出来的。该算法是根据辐射传输方程推导出来的,它的优点在于仅需要 3 个参数,即地表发射率、大气透过率和有效大气平均作用温度,就可从仅有一个热红外波段的遥感数据中反演出真正的地表温度。同时,覃志豪等提出了在大气实时资料缺乏的情况下,对大气透过率和有效大气平均作用温度估计的实用方法。 两通道算法主要是针对 NOAA 的两个热红外通道提出来的。相对而言,是一个发展得比较完善的方法。它的主要思想是利用两个通道对水汽吸收和发射率的差异来分别建立方程,通过解方程组获得地表温度的反演。很多研究对两通道算法做了大量的研究工作,形成了许多版本不同的反演算法。现在国际上公开发表的算法有 18 种以上 - 。这些算法的主要区别在于参数估计和计算形式的不同。覃志豪在 中把这些算法归纳为四种类型:简单算法、发射率模型、两因素模型和复杂模型。对于劈窗算法,地表温度的反演关键在于地表发射率和大气透过率这两个基本参数的获取。发射率订正非常的困难。因为发射率不仅依赖于地表物体的组成成分、物体的表面状态和物理性质,而且还和辐射能的波长、观测角度有关,从而使得对发射率的精确测量难度相当大。这一直也是地表温度反演中的一个难点。影响大气透过率精确估计的主要因素是大气水汽吸收和气溶胶的实时剖面资料难以获取,往往用标准大气来模拟求解,使精度难以得到保证。 多通道算法是利用多个热红外通道数据来反演地表温度的方法 - ,被广泛得到应用的是 Li 和 Becker , Wan 和 Li 在 分别提出了针对 AVHRR 和 MODIS 数据提出的多通道反演方法。但这两个方法至少需要同一个地方的两景影像(白天 / 晚上)。当天气变化比较大的地方,这使得反演精度不是非常稳定。 地表温度是遥感反演中一个典型的病态的反演问题,因为根据遥感器的波段所能建立的方程数小于方程的未知数。所以,要想从遥感数据中求解出地表温度,必须对某些未知数进行假设,使其成为已知的参数,而这种参数的估计需要获取许多先验的知识,比如地面气象资料等,才能使其估计精度和接着进行的地表温度反演精度有所保证。本文探讨地球物理参数之间关系,研究如何高精度地从 ASTER/MODIS 热红外数据中反演地表温度和发射率。 2.5 微波模型简要介绍 陆地微波遥感模型主要分成两类:地表(裸地)模型和植被覆盖模型。相对而言,地表模型发展得要成熟一些,主要是因为植被覆盖变化类型比较大,通常发展的模型只能适用某种特定的植被。研究覆盖植被的地表散射或辐射问题时,研究对象包括大气、植被和地表。由于大气对微波信号的衰减作用非常小,通常忽略其影响,这也是当今植被覆盖地区土壤水分反演不高的一个原因。地表模型可以看作是植被模型的一种特殊情况,主动的微波遥感手段(雷达)对植被的结构和类型的测量很有意义,可以获得植被整体或者其组成部分如叶、枝、树木的生物特性。被动微波遥感中的辐射信号包括覆盖的植被层和地表辐射。无论是主动还是被动微波遥感,它们的联系是很紧密的。很多被动微波模型中发射率的计算,是借助主动微波中散射系数积分的方式求出散射效果,然后根据能量守恒定理得到发射率。因此植被微波遥感模型中经常把两种方式放在一起讨论,其模型可以相互借用。总体来说地表和植被模型分为两类:半经验模型和物理模型 。国内已经有很多的介绍,具体请参见 - 。中文后面不再一一列举。 2.5.1 裸露地表模型 地表的微波遥感模型包括物理模型和半经验模型。 物理模型是基于电磁场理论和辐射传输理论。经验模型通常是根据实际测量数据分析得到。半经验模型是综合经验 模型和物理模型的优点产生的,既考虑模型的定性物理含义,又采用经验参数建模。 物理模型 主要包括几何光学模型,它是基尔霍夫散射模型 (Kirtchhoff) 在驻留相位( stationary-phase approximation )近似下得到的解析解 。物理光学模型( POM )是 Kirchhoff 模型在标量近似下得到的地表后向散射解析解 。小挠动模型( SPM )主要针对小尺度粗糙度开发的, SPM 模型要求表面标准离差小于电磁波波长的 5% 左右 。积分方程模型( IEM, Integrated Equation Model )是由 Fung 等人于 1992 年提出 ,该模型是基于电磁波辐射传输方程的地表散射模型,能在一个很宽的地表粗糙度范围内再现真实地表后向散射情况,已经被广泛应用于微波地表散射、辐射的模拟和分析,并经过了很多试验研究验证 。近年来, IEM 模型经过不断改进和完善,模型模拟结果和精度得到不断提高。积分方程模型由于其模拟的范围更接近于真实的自然地表而被广泛的应用,但是,积分方程模型还存在着一些不足 。其主要原因有两个方面:一是模型中对实际地表粗糙度刻画的不准确。二是模型中对不同粗糙地表条件下 Fresnel 反射系数的处理过于简单。新近发展的改进的积分方程模型 主要对 AIEM 模型中粗糙度谱和 Fresnel 反射系数计算形式进行了改进。 半经验模型 Choudhury Q/H ( Choudhury, Schmugge, 1979; Wang and Choudhury, 1981 ) 等人提出了半经验的 Q/H 模型,其中参数 Q 描述了正交极化波在表面粗糙度影响下的发射情况, H 度量了表面粗糙度对增加面散射的影响效应。在模型适用的范围内 H 参数主要取决于频率。施建成等人以 AIEM 模型为基础,提出了 Q/P 模型 通过 AIEM 模拟和试验数据比较, Q/P 模型比 Q/H 模型有更广泛的实用性。 2.5.2 植被模型 植被模型也主要非常两类:物理模型、经验和半经验模型。 半经验模型: 半经验模型的典型代表是 Richards 和孙国清等 (1987) 研究 L 波段针叶林时提出的一种两层模型。被动微波中半经验模型的代表是广泛使用的 模型 , 是植被层的单散射反照率 ( single scattering albedo ) , 是植被层的光学厚度。这种模型中植被看作是均匀的介质,忽略了多次散射作用。 数值通常很小。植被的衰减的光学厚度 被认为是跟植被含水量 呈线性关系: ,其中 是观察角度, 系数 依赖于植被的结构和频率。理论和实验数据表明,对于给定的植被类型,在 C 波段以下 正比于频率。不过在更高的频率, 对频率的依赖性下降,而对植被结构的依赖性增强 。 物理模型: 物理模型是基于电磁波和植被层的相互作用,通过辐射传输方程来求解散射系数 。物理模型可以根据植被层的连续与离散特性分为离散植被模型和连续植被模型。离散模型中将植被层看作是自由分布的离散散射体的集合体。植被覆盖地表的后向散射模型总的来说可以分成两种不同的方法,即连续模型 和离散模型 。 2.6 被动微波地表温度反演算法简要介绍 目前还没有针对被动微波遥感数据的通用地表温度物理反演算法 ( McFarland,1990) ,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。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。热红外空间分辨率要比微波要高,因此微波和热红外存在一些互补性。本研究通过 AIEM 物理模型模拟分析表明,干燥土壤的发射率变化很小,土壤的粗糙度和土壤水分变化引起发射率的变化可以通过不同通道的发射率(亮温)之差与土壤水分含量的关系得到消除。因此,我们可以近似地把土壤发射率看成是干燥土壤和土壤水分发射率的合成。利用对地观测卫星多传感器的特点,即 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 所需要的地表实测数据,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。 2.7 被动微波土壤水分反演算法简要介绍 目前,针对被动微波数据进行土壤水分反演的研究,已产生很多算法。其中比较典型的是 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 。 另外一种比较实用的经验算法和神经网络算法,这些我们已经在第一章绪论中有所分析,这里不再重复。 2.8 本章小结 本章简要介绍了遥感的理论基础和地表温度反演的基本概念,比如黑体、发射率、 Planck 方程、热辐射定律、辐射传输方程、热红外波段的选择等,分析了常用的地表温度反演方法及其关键参数估计问题。简要介绍了利用微波反演地表温度和土壤水分反演的算法。 参考文献( References ): 徐希孺, 遥感物理, 北京大学出版社 , 2005.2. E.T.Engman, N.Chauhan, Status of microwave soil moisture measurements with remote sensing, Remote Sens. Environ. , 1995, 51(1), 189-198. 杨虎 , 植被覆盖地表土壤水分变化雷达探测模型和应用研究 , 博士学位论文 , 中科院遥感应用研究所 , 2003.6. 陈述彭 , 赵英时, 1990 ,遥感地学分析, 测绘出版社 : 100-104. 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. Ottle C, Vidal-Madjar D. Estimation of land surface temperature with NOAA-9 data, Remote Sens. Environ.. , 1992, 40:27-41. Qin Z., Karnieli A., Berliner P., 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. 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. Qin Zhihao, G. D.O., Arnon Karnieli, Derivation of split window algorithm AVHRR data, J. Geophys. Res. , 2001, 106: 22655-22670. 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. Mao Kebiao, Shi Jiancheng, Qin Zhihao, Gong Peng, An Advanced and Optimized Split-Window Algorithm for Retrieving Land-Surface Temperature from ASTER Data, ispmsrs 2005.10. 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. Becker F., and Li Z. L., Towards a local split window method over land surface, Int. J. Remote Sens. , 1990, 3: 369-393. 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. 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. 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. Ottl C., and Vidal-Madjar D., Estimation of land surface temperature with NOAA-9 Data, Remote Sens. Environ. , 1992, 40: 27-41. 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. 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. 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. 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. Frana 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. 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. 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. 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. Franois C. and Ottl 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. 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. 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. 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. 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. Mao Kebiao, Shi Jiancheng, Qin Zhihao, Gong Peng, An Advanced and Optimized Split-Window Algorithm for Retrieving Land-Surface Temperature from ASTER Data, ispmsrs 2005.10. 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 ( IGARSS 06). 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. Watson K., Spectral ratio method for measuring emissivity, Remote Sens. Environ. , 1992, 42:113116. 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, 31:11551164. 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. 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. Li Z. L. and Becker F., Feasibility of land surface temperature and emissivity determination from AVHRR data. Remote Sens. Environ. , 1993, 43: 67-85. 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. 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. 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 Ulaby FT., RK.Moore, AK.Fung, Microwave Remote Sensing: Active and Passive, vol. II, Artech House,1986. Fung A.K., Microwave Scattering and Emission Models and Their Applications, Artech House Inc. 1994 张钟军 , 覆盖植被的地表微波辐射模型研究 , 博士学位论文 , 北京师范大学 , 2004.1. 刘伟 , 植被覆盖地表极化雷达土壤水分反演与应用研究 , 中科院遥感应用研究所 , 2005.6. 王建明 , 基于 ERS 散射计的青藏高原地表土壤水分估算方法研究 , 中科院遥感应用研究所 , 2005.8. 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. 蒋玲梅,被动微波雪水当量研究,博士学位论文 , 北京师范大学 , 2005.5. 董彦芳 , 基于 ENVISAT ASAR 的水稻参数反演和面积测算研究 , 博士论文, 中科院遥感所 , 2005.12. Fung A.K., Chen K.S., Dependence of the surface backscattering coefficients on roughness, frequency and polarization states, Int. J. Remote Sens. , 1992, 13(9):1663-1680. Wu Tzong Dar, Chen K. S., Shi Jiancheng, A Transition Model for the Reflection Coefficient in Surface Scattering, IEEE Trans. Geosci. Remote Sens. , 2001, 39(9): 2040-2050. Zribi, M., Paille, J., Ciarletti, V., Taconet, O., Boissard,P., Chapron, M.,. and. Rabin, B., Modelisation of roughness and microwave scattering of bare soil surfaces based on fractal Brownian geometry, 1998, IGARSS 98,1213-1215. Chen K. S., Wu T. D., Tsang L., Qin Li, Shi J. C. and A. K. Fung, The Emission of Rough Surfaces Calculated by the Integral Equation Method with a Comparison to a Three-Dimensional Moment Method Simulations, IEEE Trans. Geosci. Remote Sens. , 2003, 41(1): 1-12. Choudhury, B. J., Schmugge, T. J., Chang, A., Newton , R. W. Effect of surface roughness on the microwave emission from soils . Journal of Geophysical Research, 1979, 84: 5699 5706. Wang, J. R., Choudhury, B. J. Remote sensing of soil moisture content over bare field at 1.4 GHz frequency . Journal of Geophysical Research, 1981, 86:52775282. Shi Jiancheng, Lingmei Jiang, Lixin Zhang, Kun-Shan Chen, Jean-pierre Wigneron, Andr Chanzy, A parameterized multifrequency-polarization surface emission model , IEEE Transactions on Geoscience and Remote Sensing, 2005: 43 2831-2841. Richards J. A., Sun G. Q. and Simonett D. S., L-band radar backscattering modeling of forest stands, IEEE Trans. Geosci. Remote Sens. , 1987, 23: 487-498. Karam M. A., and Fung A. K., Electrmagnetic scattering from a layer of finite length, randomly oriented, dielectric, circular cylinders over a rough interface with application to vegetation, Int. J. Remote Sens. , 1988, 9: 1109-1134. Eom H. J., Fung A. K., Scattering from a random layer embedded with dielectric needles, Remote Sens. Environ. , 1986, 19:139-149. Kerr Yann H., and Njoku Eni G., A semi-mpirical model for interpreting microwave emission from semiarid land surfaces as seen from spaces, IEEE Trans. Geosci. Remote Sens. , 1990, 28: 384-393. Jackson T. J. and Schmugge T. J., Vegetation effects on the microwave emission from soils. Remote Sens. Environ. , 1991, 36: 203 - 210. 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): 7993. Njoku Eni G, Jackson T. G. , Soil Moisture Retrieval from AMSR-E. IEEE Trans. Geosci. Remote Sens. , 2003, 41: 215-229. Bush T. F. and Ulaby F. T., Radar return from a continuous vegetation canopy, IEEE Transactions on Antennas and Propagation, 1976, 2: 269-276. Attema E. P. W., Ulaby F. T., Vegetation modeled as a water cloud, Radio Sci. , 1978, 13: 357-364. Hoekman D. H., L. Krul, E. P. W. Attema, A multilayer model for radar backscattering from vegetation canopies, IGRASS 1982, TA-1, 4.1-4.7. Peake W. H., Theory of Radar Return from Terrain , IRE Convention Record, 1959, 7: 27-41. Lang R. H. and J. S. Sidhu, Electromagnetic backscattering from a layer of vegetation: a discrete approach, IEEE Trans. Geosci. Remote Sens. , 1983, GE-21: 62-71. Ulaby F. T., Sarabandi K., McDonald K., Whitt M., Dobson M. C., Michigan Microwave canopy scattering model, Int. J. Remote Sens. , 1990, 28: 477-491. Roger D. De Roo, Yang Du, Ulaby F W. , A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion, IEEE Trans. Geosci. Remote Sens. , 2001,39: 864-872. Ulaby F.T., Sarabandi K., K.McDonald, M.Whitt, and Dobson M.C.. Michigan Microwave Canopy Scattering Model (MIMICS) . Univ. of Michigan Radiation Lab., Rep. 022486-T-1, July, 1988. 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: 839845. 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. 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: 839845. 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. 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): 215229. 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. 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: 19311943. 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): 397408. Calvet J. C., Chanzy, Andr, 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. Givri J. R., The extension of the split window technique to passive microwave surface temperature assessment, Int. J. Remote Sens. , 1997, 18, 335-353. 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. 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. 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. Morland J. C., David, Grimes I. F., and Hewison T. J., Satellite observations of the microwave emissivity of a semi-arid land surface, Remote Sens. Environ. , 2001, 77: 149-164,. Dash P., Gttsche 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. Fily M., Royer A., Goa, 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. 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. 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, IGARSS 05, 25-29 July COEX, Seoul, Korea., 2005. 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, ispmsrs 2005.10, Beijing, China. 2005. 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 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 , 2006, 36(12):1170-1176.
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A STER 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 。 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 。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 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 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 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 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 - 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 - 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 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 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 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 - ] 。毛克彪等 - 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 。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 。 Jimnez-Muoz and Sobrino 在 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 - 。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 :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 - 。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 ) 和 Wan and Li 针对 MODIS 在 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 。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 。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 。 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 。 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 - ,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 。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 。 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 。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 。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 。 Paloscia and Pampaloni(1988) 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 ) 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 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 。许多研究证明 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 。 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 。 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 。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 。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) ;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 ; 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 以及 1992 年在西非尼日尔进行的 HAPEX-Sahel 试验 ] ,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 。 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 。 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 ): 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. 赵英时等 , 2003, 遥感应用分析原理与方法 , 科学出版社 . 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 . 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 . 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. 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 . 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Qin Zhihao, G. D.O., Arnon Karnieli, Derivation of split window algorithm AVHRR data, J. Geophys. Res. , 2001, 106: 22655-22670. 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. 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 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. 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. 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. 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. 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. 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 ). 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 ). 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. 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 . 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 ). 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. 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. 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. Jimnez-Muoz, 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). 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. Becker F., and Li Z. L., Towards a local split window method over land surface, Int. J. Remote Sens. , 1990, 3: 369-393. 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. 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. 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. Ottl C., and Vidal-Madjar D., Estimation of land surface temperature with NOAA-9 Data, Remote Sens. Environ. , 1992, 40: 27-41. 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. 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. 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. 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. Frana 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. 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 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. 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. Franois C. and Ottl 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. 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. 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. 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: 123135. Watson K., Spectral ratio method for measuring emissivity, Remote Sens. Environ. , 1992, 42:113116. 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, 31:11551164. 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. 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. Li Z. L. and Becker F., Feasibility of land surface temperature and emissivity determination from AVHRR data. Remote Sens. Environ. , 1993, 43: 67-85. 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. 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. 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 . 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. 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. 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. 田国良 , 土壤水分的遥感监测方法, 环境遥感 , 1991,6(2):89-98 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. 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. 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): 839845. 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. 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): 215229. 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. 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, 14:19311943. 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): 397408. Calvet J. C., Chanzy, Andr, 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. Givri J. R., The extension of the split window technique to passive microwave surface temperature assessment, Int. J. Remote Sens. , 1997, 18: 335-353. 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. 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. 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. 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. Dash P., Gttsche 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. Fily M., Royer A. , Goa, 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. 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. 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. 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, ispmsrs 2005.10, Beijing, China. 2005. 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: 52775282. 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. Jackson T. J, Measuring surface soil moisture using passive microwave remote sensing. Hydrological Processes , 1993, 7:139152. Wang J. R., ONeill 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. 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):21362151. 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. 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. 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: 16551661. Paloscia S., Pampaloni P., Microwave polarization index for monitoring vegetation growth, IEEE Trans. Geosci. Remote Sens. , 1988,26:617-621. Paloscia S., Pampaloni P., Microwave vegetation indexes for detecting biomass and water conditions of agriculture crops, Remote Sens. Environ , 1992,1:15-26. 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. Cmaillo P.T. and Schmugge T. S., Estimating soil moisture storage in the root zone from surface measurements, Soil Science , 1983, 135:245. Paloscia S., Pampaloni P., Short communications microwave remote sensing of plant water stress, Remote Sens. Environ , 1984, 16: 249-255. Pampaloni P. and Paloscia S., Experimental relationship between microwave emission and vegetation feafures, Int. J. Remote Sens. , 1985, 6: 315-323. Choudhury B. J., Tucker C. J., Monitoring global vegeation using Nimbus-7 37 GHz data some emrical relation, Int. J. Remote Sens. , 1987, 9: 10851090. 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): 7993. 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: 489506. 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. 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. 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. 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: 16831705. Kustas W. P., Goodrich D.C. , Preface to the special section on MONSOON 90. Water Resources Research , 1994, 30: 1211 1225. 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. 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: 5364. 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. ASTER Reference Guide Version 1.0, ERSDAC, Earth Remote Sensing Data Analysis Center , March, 2003. 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. MODIS Level1B Product Users Guide , For Level1B Version 4.2.0 (Terra) and Version 4.2.1 (Aqua). MODIS Manuel :1-14 http://page.irsa.ac.cn/download/modis_brochure.pdf 中分辨率成像光谱仪( MODIS )简介 http://page.irsa.ac.cn/modis/modis-intro.htm Njoku, E.G, 1999, AMSR Land Surface Parameters Algorithm theoretical Basis Document Version3.0http://eospso.gsfc.nasa.gov/eos_homepage/for_scientists/atbd/docs/AMSR/atbd-amsr-land.pdf 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.
相应发表的英文论文下载 : http://www.sciencenet.cn/blog/user_content.aspx?id=230867 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 毛 克 彪 著 The Study of Algorithm for Retrieving Land Surface Temperature and Soil Moisture from Thermal and Microwave Data Kebiao Mao 前 言 地面温度和土壤水分是反映土壤植被大气系统能量流动与物质交换以及土地资源和环境管理的重要参数,也是地球表面能量平衡和温室效应的两个重要指标,是区域和全球尺度地表物理过程的一个关键因子。因此,地面温度和土壤水分在气候、水文、生态学和生地化学等许多领域中是非常重要的。但是依靠地面观测站的观测来大面积地获取地表温度和土壤水分参数是不现实的。然而借助于热红外遥感、微波遥感影像 ,可以方便快捷地获得大面积 ,甚至全球的地温和土壤水分资料,且数据更新快,成本低廉。 地表温度和土壤水分是陆地植物、土壤生物赖以生存的重要物质源泉。陆地植物赖以生存的水分、各种矿物质等主要来源于土壤水和溶解在土壤水中的各种营养物质。土壤中的水分可以直接被植物的根系吸收。土壤水是植物所需的各种营养物的主要载体,土壤水分的适量增加有利于各种营养物质的溶解和移动,有利于磷酸盐的水解和有机磷的矿化,这些都能改善植物的营养状况,促进营养物的循环。地表温度和土壤水分可以作为干旱预报、农作物估产等的两个重要指标。在干旱半干旱地区,监测地表土壤水分和地表温度的时空变化特性对理解土壤-植被相互作用过程,提高土壤和植被的有效利用率尤为必要。在干旱半干旱地区土壤水分蒸发一般是一种及其不利的过程,可使土壤干旱缺水、导致土壤盐渍化等,从而引起土壤沙化、水土流失、植被退化等生态环境恶化现象。在绿洲和沙漠的交错地带由于干旱少雨,土壤水分低,荒漠化的现象比较严重。同时,土壤水分和地表温度是农作物长势监测和估产的主要参数,准确、快速、大范围的土壤水分测量是作物生长状态监测和估产模型所必需的。 本书汇集了作者近六年多的研究工作,其中大部分内容已经在国际权威遥感刊物( International Journal of Remote Sensing ),地球物理研究( Journal of Geophysical Research-atmosphere ), IEEE ( IEEE Trans. Geosci. Remote Sensing )等国际刊物和国际会议,以及中国科学和国内核心刊物上发表。特别是在地表温度上,作者从高分辨率的 ASTER 数据,中分辨率的 MODIS 数据,到低分辨率的被动微波 AMSR-E 都提出了自己算法(至少有 7 个算法)。 到 2020 前 , 中国计划发射 100 颗卫星,作者希望得到国内有关部门的支持,将我们的算法应用到我们国家的卫星上去。衷心希望进一步得到科技部、农业部、教育部、国家自然科学基金委、国防科工委、中国农业科学院、中国气象局等相关单位的支持,使得我们的研究能够更好地进行和推广到实际应用中去,为农业生产和灾害监测提供准确的数据。 作者:毛克彪 2007-11
A Method for Retrieving Soil Moisture in Tibet Region By Utilizing Microwave Index from TRMM/TMI Data Kebiao Mao , Tang Hua Jun, Zhang Li Xin, Li Man Chun, Guo Ying, Zhao Dengzhong., According to simulation analysis of the advanced integral equation model (AIEM), there is a good linear relationship between emissivity and soil moisture under conditions of given roughness. The normalized difference of emissivities at 19.35GHz and 10.65GHz with vertical polarization can partly eliminate the influence of roughness and the squared correlation coefficient is about 0.985. This paper uses the normalized brightness temperature for retrieving soil moisture in Tibet from TRMM/TMI data. This method avoids parametrizing the land surface temperature which is a key parameter for the computation of emissivity. We make some sensitivity analysis for the atmosphere which is the main influence factor for our method. The analysis results indicate that our method is very good for clear days but is not very good when there is rainfall. We evaluate our algorithm by using the ground truth data obtained from GAME Tibet and the retrieval error of soil moisture is about 0.04m3 m-3 relative to experimental data. The analysis indicates that the relationship obtained from the theoretical model should be revised through the local ground measurement data because the method is still influenced by roughness and vegetation. After making a regression revision, the retrieval error of soil moisture is under 0.02m3 m 2 3. Finally, we retrieve the soil moisture in Tibet from TRMM/TMI data, and the distribution trend of retrieval results is consistent with the real world. Kebiao Mao , Tang H. J., Zhang L. X., Li M. C., Guo Y., Zhao D. Z., A Method for Retrieving Soil Moisture in Tibet Region By Utilizing Microwave Index from TRMM/TMI Data, International Journal of Remote Sensing, DOI:10.1080/01431160701442104. 2008 , 29 ( 10 ): 2905-2925. PDF download(点击下载) 相关连接 : http://www.sciencenet.cn/blog/user_content.aspx?id=230867