AMSR-E L3 级数据产品包含全球数据，是由 L1B 产品和 L2 级产品处理而来，L1B产品包含由天线亮温经变换系数计算得到新亮温数据，L2 级产品包含由 L1B 数据计算而得到的地球物理数据。通过对 L1B 和 L2 级数据的处理，通过一定的算法，进行重新计算平均值，得到每日或每月以 HDF-EOS 格式存储的 L3 级数据。目前的 L3 级产品可应用于海洋、土壤湿度以及冰雪等的参数反演和检测，这些数据产品通过美国国家冰雪中心网站下载使用. AMSR-E数据产品介绍 HEG软件的安装与使用 上安装的Windows XP/VISTA/7 根据你的Windows机器上，您可能需要hegWINv2.11_FullCyg.zip，而不是对hegWINv2.11.zip。 首先，您可以尝试安装hegWINv2.11.zip。 如果安装抱怨说，在Cygwin库 丢失，然后尝试hegWINv2.11_FullCyg.zip 0。 将zip文件的目录中的hegWINv2.11.zip（或hegWINv2.11_FullCyg.zip）没有空格 在目录的路径名。 HEG将被安装在这个路径树。 1。 安装Java（JDK1.6或JRE6或更新的Windows版本）。 2。 解压hegWINv2.11.zip（或hegWINv2.11_FullCyg.zip如果这是您使用的是一个）到当前目录。 3。 双击上的install.bat，然后按照指令在MS - DOS窗口出现。 4。 将创建一个文件HEGTool.bat HEG \ HEG_Win \ bin目录中的安装。 5。 转到bin目录，在HEGTool.bat文件，并右击HEGTool.bat。 点击创建 快捷方式。 你可以改变这在第6步的快捷方式的图标。 6。 右键单击“上的HEGTool.bat快捷方式。 单击属性，然后单击“更改图标。 现在点击浏览并选择文件“heg.ico”中的HEG_Win \ bin目录 7。 要运行HEG上创建的快捷方式（S）或HEGTool.bat HEG_Win \ bin目录中双击。 界面浏览 Level-3 Soil Moisture Data Fields The following Notations are used in this document: Type Description Float64 64-bit or 8-byte floating point Int16 16-bit or 2-byte signed integer There are two Fill Values: Fill Values Description 9999 Indicates pixels that are void of any retrieval due to inherent gaps between available L2A swaths. -9999 Indicates no retrieval due to bad brightness temperature data or screening by land surface classification, or unsuccessful retrieval due to retrieval values outside the physical range. Note: The dimension of each field is 586 rows x 1383 columns. Ascending Land Grid Field Name Data Type Description Scale Factor A_Time Float64 Scan start time. International Atomic Time in seconds with 01 January 1993 as the zero base (TAI93) n/a A_TB06.9V (Res 1) Int16 6.9V GHz T b (K) Level-2A 6.9 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB06.9H (Res 1) Int16 6.9H GHz T b (K) Level-2A 6.9 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB10.7V (Res 1) Int16 10.7V GHz T b (K) Level-2A 10.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB10.7H (Res 1) Int16 10.7H GHz T b (K) Level-2A 10.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB18.7V (Res 1) Int16 18.7V GHz T b (K) Level-2A 18.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB18.7H (Res 1) Int16 18.7H GHz T b (K) Level-2A 18.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB36.5V (Res 1) Int16 36.5V GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB36.5H (Res 1) Int16 36.5H GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB36.5V (Res 4) Int16 36.5V GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB36.5H (Res 4) Int16 36.5H GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB89.0V (Res 4) Int16 89.0V GHz T b (K) Level-2A 89.0 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_TB89.0H (Res 4) Int16 89.0H GHz T b (K) Level-2A 89.0 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. A_Soil_Moisture Int16 Soil moisture at 10.7 GHz resolution (g cm -3 ). Range: 0 to 500. Multiply data values by 0.001 to obtain soil moisture in g cm -3 . A_Veg_Water_Content Int16 The Vegetation Water Content field (kg m -2 ) incorporates the effects of vegetation and roughness together. See the Derivation Techniques and Algorithms section in the AMSR-E/Aqua L2B Surface Soil Moisture, Ancillary Parameters, QC EASE-Grids Guide Document. When interpreted as vegetation water content, it is the total water content in the vertical column of vegetation averaged over the retrieval footprint. Multiply data values by 0.01 to obtain vegetation water content in kg m -2 . A_Land_Surface_Temp Int16 Land Surface Temperature (K) is not calculated because of Radio Frequency Interference (RFI) contamination in the 6.9 GHz channels . The field contains only fill values. Multiply data values by 0.1 to obtain units in K. A_Inversion_QC_Flag Int16 Inversion quality control flag. Also includes surface type flags encoded in individual bits of this integer. For a description of the contents, see the Processing Steps section of the AMSR-E/Aqua Daily L3 Surface Soil Moisture, Interpretive Parameters, QC EASE-Grids Guide Document. For grid points such as open or inland water, a fill value of 9999 is assigned. n/a Descending Land Grid Field Name Data Type Description Scale Factor D_Time Float64 Scan start time. International Atomic Time in seconds with 01 January 1993 as the zero base (TAI93). n/a D_TB06.9V (Res 1) Int16 6.9V GHz T b (K) Level-2A 6.9 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB06.9H (Res 1) Int16 6.9H GHz T b (K) Level-2A 6.9 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB10.7V (Res 1) Int16 10.7V GHz T b (K) Level-2A 10.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB10.7H (Res 1) Int16 10.7H GHz T b (K) Level-2A 10.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB18.7V (Res 1) Int16 18.7V GHz T b (K) Level-2A 18.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB18.7H (Res 1) Int16 18.7H GHz T b (K) Level-2A 18.7 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB36.5V (Res 1) Int16 36.5V GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB36.5H (Res 1) Int16 36.5H GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 56 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB36.5V (Res 4) Int16 36.5V GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB36.5H (Res 4) Int16 36.5H GHz T b (K) Level-2A 36.5 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB89.0V (Res 4) Int16 89.0V GHz T b (K) Level-2A 89.0 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_TB89.0H (Res 4) Int16 89.0H GHz T b (K) Level-2A 89.0 GHz data with a mean spatial resolution of 12 km were resampled to a 25 km EASE-Grid to create this data field. Multiply data values by 0.1 to obtain units in K. D_Soil_Moisture Int16 Soil moisture at 10.7 GHz resolution (g cm -3) . Range: 0 to 500. Multiply data values by 0.001 to obtain soil moisture in g cm -3 . D_Veg_Water_Content Int16 The Vegetation Water Content field (kg m -2 ) incorporates the effects of vegetation and roughness together. See the Derivation Techniques and Algorithms section in the AMSR-E/Aqua L2B Surface Soil Moisture, Ancillary Parameters, QC EASE-Grids Guide Document. When interpreted as vegetation water content, it is the total water content in the vertical column of vegetation averaged over the retrieval footprint. Multiply data values by 0.01 to obtain vegetation water content in kg m -2 . D_Land_Surface_Temp Int16 Land Surface Temperature (K) is not calculated because of Radio Frequency Interference (RFI) contamination in the 6.9 GHz channels. The field contains only fill values. Multiply data values by 0.1 to obtain units in K. D_Inversion_QC_Flag Int16 Inversion quality control flag. Also includes surface type flags encoded in individual bits of this integer. For a description of the contents, see the Processing Steps section of the AMSR-E/Aqua Daily L3 Surface Soil Moisture, Interpretive Parameters, QC EASE-Grids Guide Document. For grid points such as open or inland water, a fill value of 9999 is assigned. n/a http://blog.sina.com.cn/s/blog_4b01c72b0100wzof.html
The AMSR-E is aconically scanning total power passive microwave radiometer sensing microwave radiation (brightness temperatures) at 12 channels and 6 frequencies ranging from 6.9 to 89.0 GHz. Horizontally and vertically polarized radiation are measured separately at each frequency. There are 2 separate horns at 89 GHz, one being slightly offset from the centerline of the feedhorn array. (As of 25 October 2004, there are no data from the 89 GHz horn A. The science algorithms have been modified to take this into account). more AMSR-E Data Access and Use
The Monitoring Analysis for the Drought in China by Using an Improved MPI Method Abstract ： MPI (microwave polarization index) method can use different frequencies at vertical polarization to retrieve soil moisture from TMI (tropical microwave imager) data, which is mainly suitable for bare soil. This paper makes an improvement for MPI method which makes it suitable for surface covered by vegetation. The MPI by using single frequency at different polarizations is used to discriminate the bare soil and vegetation which overcomes the difficulty in previous algorithms by using optical remote sensing data, and then the revision is made according to the different land surface types. The validation by using ground measurement data indicates that revision for different land surface types can improve the retrieval accuracy. The average error is about 24.5% by using the ground truth data obtained from ground observation stations, and the retrieval error is about 13.7% after making a revision by using ground measurement data from local observation stations for different surface types. The improved MPI method and precipitation are used to analyze the drought in Southwest China, and the analysis indicates the soil moisture retrieved by improved MPI method can be used to monitor the drought. Key words: drought, soil moisture, climate change, microwave remote sensing Kebiao Mao , Ying Ma, Lang Xia, Huajun Tang, Lijuan Han, The Monitoring Analysis for the Drought in China by Using an Improved MPI Method, Journal of Integrative Agriculture, 2012, 11(6), 1048-1058. The monitoring analysis for the drought.pdf
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。 第六章 针对被动微波数据 AMSR-E 的地表温度反演 研究 热红外遥感已经被广泛地应用于地表温度反演，但热红外遥感受天气的影响非常大，在实际应用中有时难以保证精度。从美国宇航局（ 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，这对实际应用带来了很大的局限。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一些缺点。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。本章针对对地观测卫星多传感器的特点，借助 MODIS 地表温度产品来从被动微波数据中反演地表温度。研究适合于被动微波数据的地表温度反演算法。另外，微波的发射率是土壤水分反演的关键参数，在对微波地表温度反演的基础上，可以对发射率做进一步研究。 由于有三个不同的算法，为了保持每个算法的独立性，在介绍和推导的过程中可能存在一些重复。 6.1 引言 许多研究表明陆地表面温度是数字天气预报的一个重要参数，在复合地面 - 大气相互作用和大气 - 地面的辐射通量后，在区域和全球尺度的陆面过程模拟精度大大提高了 (Njoku, Li 1999 ) 。近 20 年来，热红外遥感技术的飞速发展为快速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大，在实际应用中有时难以保证精度。从美国宇航局（ 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，这对实际应用带来了很大的局限。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。 在热红外遥感领域，有许多针对热红外数据（比如 MODIS 、 NOAA/AVHRR 、 ASTER 、 TM ）反演海面温度和地表温度的算法已经被提出来了 - 。相对于被动微波，这些算法是比较成熟的。 热红外遥感受云和大气水汽含量的影响很大。在 MODIS 地表温度产品里面，超过了 60% 的面积受天气特别是云的影响。但是微波在这一方面有优势，这主要是由于微波具有穿透能力，能克服热红外遥感的缺点。 在微波辐射计应用发展的过程中，地表温度的反演算法非常的少。 Susskind et al(1984) 开发了一个针对卫星温度探测器系统，这个系统包含了 HIRS2 （一个具有 20 个通道的红外探测器）和 MSU （一个具有四个通道的微波探测器）来获取大气剖面温度和全球海面和陆地表面温度的反演。 McFarland, et al (1990) 利用 DMSP/SSM-I 对地表温度反演做了许多研究。 这些研究和结论大部分都是经验的，其主要原因是由于被动微波的分辨率非常的低，获得对应的地面实测数据非常的困难。另外，在辐射计视场里的复杂因子是变化的，比如大气里或者土壤水分的各种状态会改变发射和吸收以及散射。 Lambert and McFarland 发现在北美的干山脉和草原， SMMR 的 18 和 37 GHz 的水平极化和垂直极化之间存在非常好的相关性 (McFarland, et al 1990) 。许多研究 (McFarland et al. 1990, Calvet et al. 1994, Fily et al 2003, Mao et al 2005, 2006) - 表明被动微波数据能够被用来估计地表温度。 Choudhury et al (1992) , Kerr and Njoku(1993) 调查了大气对用 37 GHz 测量地表温度的影响。这些研究表明在没有陆地表面发射率、吸收以及散射的先验知识的条件下，被动微波能够用来反演陆地表面温度。 Njoku et al (1999, 2003) 提出了用用迭代方法来量化湿度、温度和植被参数，但这个方法需要一个非常好的前向模型，目前还没有一个模型能够非常好的模拟大尺度下微波辐射传输过程。 AMSR -E 和 MODIS 是对地观测卫星 EOS/AQUA 上的两个传感器。 AMSR -E 是微波辐射计，它能被用来观测大气、陆地、海洋、其它参数，包括降雨，海洋表面温度，冰的浓度、雪水当量、湿度、风速、云中水的含量以及大气水汽含量。 MODIS 具有 36 个波段，可以被用来反演海洋表面温度、陆地表面温度以及大气性质。 MODIS 传感器具有高分辨率，但受云的影响很大。在晴朗的天气条件下，地表温度反演算法精度比较高。而被动微波分辨率很低，受云的影响很小。由于缺乏相应的地表实测数据，地表温度反演算法的发展非常困难。因此，这两个传感器在优势上能互补。在有云的情况下，被动微波亮温反演地表温度具有优势。因此，怎样利用多传感器的和多分辨率的优势是遥感里面的一个重要方法学。 目前针对 AMSR-E 被动微波遥感数据的地表温度反演算法的研究还很少，还没有针对 AMSR - E 数据的通用的地表温度反演物理算法（不计辐射传输方程的迭代反演算法）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。 McFarland 对被动微波数据的 SSM/I 反演地表温度做了一些研究，虽然受到数据获取的限制，但仍能得到许多有用的结论：对于有水存在的陆地表面，水的影响必须校正。水的高介电常数降低了 19GHz 的发射率，而且由于水面的辐射是高极化的，所以陆表水的效应造成亮温减小和极化差异增加。 37 和 19GHz 两通道亮温差异可以用来订正这一影响，同时水汽对 37GHz 也有较大的影响，所以可用 37 和 22GHz 垂直极化的差异来订正大气水汽的辐射影响。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。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（与亮温呈线性关系）之差与土壤水分含量的关系得到部分消除。对地观测卫星 Aqua 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 - 。我们可以用 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。 6.2 被动微波地表温度反演的理论基础 被动微波地表温度反演以热辐射传导方程为基础，通过建立能量平衡方程来反演地表温度。辐射传输方程描述了卫星的微波辐射计所观测到的总辐射强度，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影响而削减。因此，地表温度的演算实际上是一个复杂的求解问题。在微波波段，热辐射平衡可以用 下面的大气辐射传输方程描述： (6-1) 式中 表示频率 的透过率， 表示频率 发射率， 表示星上辐射强度， 星上亮度温度， 表示地表辐射强度， 表示地表温度， 表示大气向下的总辐射强度， 为大气向下平均作用温度， 表示大气向上的总辐射强度， 是大气平均向上作用温度。 为 Planck 函数： (6-2) 黑体谱亮度，单位为 Wm -2 sr -1 Hz -1 , h 是谱朗克常数 6.63*10 -34 J, 单位为 Hz, k 是波尔兹曼常数 1.38*10 -23 J K -1 ,T 是绝对温度，单位是 K ， c 是光速， c=2.992458*10 8 ms -1 ，根据在微波波段区间的 Ralleigh-Jeans 近似，式 6-2 可以简化为： （ 6-3 ） 因此可将（ 6-1 ）式化简为： （ 6-4 ） 从上式可以看出，可以用亮温度的线性组合来建立反演方程。很显然，对于单通道的辐射传输方程（ 6-4 ）至少包含了两个未知数地表温度（ ）和地表发射率（ ），另外大气的影响（ ）也需要消除。而且即使增加一个通道，也会增加一个未知数，因此要反演地表温度必须消除发射率这个未知数。在微波波段，地表的发射率受土壤水分影响很大，因此发射率通常不是一个稳定的常数（发射率对土壤水分变化敏感也是用微波反演土壤水分的主要原因）。微波的发射率受土壤水分的影响变化很大的这种性质和热红外有很大差别，这就给地表温度反演带来了困难。幸运的是，我们通过 AIEM 模拟发现，对于干燥土壤，不同频率的发射率几乎是相同的，而且是稳定的。随着土壤水分的增加 , 不同频率的发射率改变不一样。因此反演地表温度的关键在于怎样消除土壤水分变化和其它因素（粗糙度）引起的发射率变化。 6.3 地表温度反演传统经验方法 针对微波数据来反演地表温度的算法和研究目前还很少。还没有针对 AMSRE 数据的地表温度反演算法公开发表。 McFarland 对被动微波数据的 SSM/I 反演地表温度做了许多研究，并且得到了一些有用的结论。低频受大气中水汽、云粒子和雨的散射和吸收的影响最小， 37V(GHz) 的亮温最适宜用来反演地表温度。在没有大气散射和再辐射的情况下，高频和低频相比对水有较低的介电常数和浅的辐射厚度，而且分析 89V 与 MODIS 的地表温度相关性最高，所以高频的垂直极化亮温能够提高反演地表温度的精度。对于有水存在的陆地表面，水的影响必须校正。水的高介电常数降低了 19GHZ 的发射率，而且由于水面的辐射是高极化的，所以陆表水的效应造成亮温的减小和极化差异的增加。 37 和 19GHz 两通道亮温差异可以用来订正这一影响。 22GHz 通道位于水汽的吸收通道，同时水汽对 37GHz 也有较大的影响，所以可用 37 和 22GHZ 垂直极化的差异来订正大气水汽辐射的影响。对于 AMSRE 数据，地表温度的反演写成如下方程： T s =A 0 +A 1* T 36.5V -A 2* T 23.8V A 3* T 18.7H +A 4* T 89V (6-5) 式中 A 0 、 A 1 、 A 2 、 A 3 和 A 4 是系数 ， T s 是地表温度 ， T 36.5V 、 T 23.8V 、 T 18.7H 和 T 89V 分别是 AMSRE 的亮度温度 。 T s 和 T i 的单位 K 。这个算法也可以表示成如下： T s =C 0 +C 1* T 36.5V +C 2* (T 36.5V -T 23.5V ) +C 3* ( T 36.5V - T 18.7H ) +C 4* T 89V （ 6-6 ） 这个方程的物理意义是： T 36.5V 是主要的地表温度反演通道， T 36.5V -T 23.5V 用来消除大气水汽含量的发射影响； T 36.5V - T 18.7H 用来消除地表水分对微波的极化影响， T 89V 用来消除其它大气的平均影响 。由于被动微波数据的分辨率很低，而且地表比较复杂，加上地面同步实测非常的困难，所以至今针对被动微波数据的地表温度反演方法很少。 McFarland 只是针对几个地物比较均一的实验区做了研究分析，其得出的结论具有经验性，在实际应用中有局限性。 MODIS 的温度产品经验证 ，其实验区验证精度在 1 C 以下。由于 MODIS 和 AMSRE 在同一颗星上，因此如何充分利用不同传感器的优势成为遥感应用研究中的一个重要方法学。我们将同步的 MODIS 地表温度产品做为 AMSRE 对应的地面数据，从而克服了同步实测数据带来的困难。我们选择了三个具有代表性的地表类型作为研究区：中国东北（森林）；北非（沙漠）；西藏（冰雪）。其数据采集训练样本信息如表 6-1 所示。通过回归分析表明：当将三个典型区域的样本数据放在一起回归分析时，引起的误差比较大；当把西藏地区和其它两个地区分别回归时，能够获得比较高的精度。主要原因是青藏高原受雪和冻土的影响，雪和冻土的辐射机理和其它地表类型的辐射机理差别比较大。对非洲和中国东北地区的训练数据进行回归分析得到（ 6-7 ）式，在这两个地区（中国东北和非洲北部）的模拟精度（指相对于 MODIS 地表温度产品的平均误差）分别为 1.73 C 和 1.52 C 。 T s =252.36903+0.29509 * T 36.5V -0.07294 * T 23.8V 0.07932 * T 18.7H +0.03067 * T 89V （ 6-7 ） 对西藏地区进行回归得到（ 6-8 ）式，模拟精度为 2.64 C 。 T s =64.58271-2.20473 * T 36.5V +2.37112 * T 23.8V 0.00797 * T 18.7H +0.62904 * T 89V （ 6-8 ） 从回归表达式（ 6-7 ）和（ 6-8 ）的系数可以看出，冰雪覆盖地表和非冰雪覆盖地表的地表温度表达式的各通道的系数差别很大，说明各通道的辐射能量对地表温度贡献不一样，从某种程度上说明了其辐射机理差别比较大。同时，由于不同的微波波段对地表和植被的穿透能力不一样，从而导致卫星接收到的不同地表层面的地表辐射能量不一样。 表 6-1 中国东北、非洲北部及西藏 AMSRE 数据和 MODIS 温度训练数据信息表 Table 6-1 Trained sample information in North-East of China , African and Tibet 地点 时间 像元数 温度范围 (K) 相对误差变化范围 ( C) 相对近似精度 ( C) 中国东北 2003-8-26 65 296-306 0.04~3.1 1.52 北非 2003-3-7 57 303-314 0.1~4.2 1.76 西藏 2003- 5 -5 59 2 53 -2 78 0.15~6.8 2. 08 目前对地表温度反演算法的实际精度评价是反演方法研究中的一个难点，其主要原因在于实测数据与影像成像时的同步性问题，另外几何配准问题和尺度效应等问题。很难用地面的一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地表温度。对于热红外，国际上通常采用大气模拟数据法对反演算法进行精度评价。对于微波波段，目前还没有好的方法对地表温度反演算法进行验证。然而 MODIS 温度产品为用微波反演地表温度算法提供了较好的条件，克服了以往获取同步测试数据的困难。同样我们在非洲，中国东北和西藏和印度采集了验证数据，采集数据信息如表 6-2 所示。对于非洲北部，其验证精度为 1.76 C 、 1.76 C 、 2.08 C 。结果表明，以 MODIS 温度产品作为标准，用 AMSR-E 反演精度还是比较高的。相对热红外而言，微波不需要太多大气先验知识，主要原因在于微波的波长较长，对大气和云有穿透作用。 表 6-2 中国东北、非洲北部及西藏 AMSRE 数据和 MODIS 温度验证数据信息表 Table 6-2Validation Sample information in North-East of China , African and Tibet 地点 时间 像元数 温度范围 (K) 相对误差变化范围 ( C) 相对近似精度 ( C) 中国东北 2003-8-26 95 295-304 0.04~4.3 1.76 北非 2003-3-7 78 301-314 0.01~4.9 1.73 西藏 2003- 5 -5 57 2 55 -2 87 0.8~5.7 2.6 4 6.4 针对被动微波 AMSR-E 数据反演地表温度物理统计算法 上面是利用传统研究方法，分析得到的经验反演方法。在本节中，我们进一步分析 AMSR-E 被动微波数据反演地表温度的特点。首先针对对地观测卫星 Aqua 具有多传感器的优势，利用 MODIS 地表温度产品和 AMSR-E 的各亮度温度数据分析，找到最佳反演通道；然后利用地表辐射模型 AIEM 进行模拟分析，从而找到消除土壤水分以及大气水分影响的最佳途径。 6.4.1 MODIS LST 与 AMSR-E 亮度温度数据统计分析 因为地表温度不是均一的，而且地面测量只可能是点状测量，因此很难获得卫星过境时与像元分辨率 (25 25km ) 一致的地面数据。另外，即使获得了实测数据，实测数据与星上亮度温度的配准仍然存在误差。由于这些原因，使得针对被动微波数据的地表温度反演算法开发和验证变得非常困难。 MODIS 的温度产品经验证 ，其实验区验证精度在 1 C 以下。由于 MODIS 和 AMSR-E 在同一颗星上，因此如何充分利用不同传感器的优势成为遥感应用研究中的一个重要方法学。我们将同步的 MODIS 地表温度产品作为 AMSR-E 对应的地面实测数据，从而克服了同步实测数据带来的困难。我们选择了中国西部地区（主要是青藏高原）作为研究区，青藏高原作为世界上平均海拔最高、面积最大、地形最为复杂的高原，其能量与水分循环过程对亚洲季风、东亚大气环流及全球气候变化均有极大的影响。准确持续地获取青藏高原地表温度数据一直是科学家研究青藏高原地气相互作用过程的努力方向之一。选择经纬度范围：纬度 24 -40 ；经度： 75 -100 ；时间： 2004/2/2 -9 和 2004/8/1 -15 共 20799 个像元。 6 -1A 6.9V 6-1B 10.7V 6 -1C 18.7V 6-1D 23.8V 6-1E 36.5V 6 -1F 89V 图 6-1MODIS 地表温度产品和 AMSR-E 亮度温度 Figure 6-1The relationship between MODIS LST product and AMSR-E brightness temperature 对 MODIS 温度产品和 AMSR-E 亮度温度做散点图（部分数据如图 6-1 ），对其分别做回归分析得到如表 6-3 所示的结果。从表 6-3 中相关系数可以看出，随着频率的升高，相关性越好。 89 GHz V 的 R-Square 达到 0.88 。平均误差在 4 C 以下。从表 6-3 中可以看出，对于温度很低时，低频的数据与 MODIS 地表温度产品的关系很差。这其中的部分原因可能是因为热红外测量的温度主要来自地球表层，而高频（ 89GHz ）测量得到的亮温更加接近热红外测量的温度。对于频率越低，能量可能来自不同的表层的贡献就不一样。因此，在无云的情况下， 89GHz V 是 AMSR-E 数据最好的反演地表温度的单通道。 表 6-3 MODIS 温度产品和 AMSR-E 亮温的关系 Table 6-3 The Relationship between MODIS LST and AMSR -E Brightness Temperature 频率 (GHz) 像元数 关系方程 地表温度误差 ( C) 相关系数平方 6.9V 20799 LST=49.013+0.8529*T6.9V 5.71 0.704 10.7V 20799 LST=63.677+0.8047*T10.7V 5.34 0.734 18.7V 20799 LST=76.399+0.7591T18.7V 4.61 0.805 23.8V 20799 LST=83.633+0.7335T23.8V 4.04 0.847 36.5V 20799 LST=96.7131+0.694T36.5V 4.17 0.832 89V 20799 LST=121.63+0.5971T89V 3.7 0.876 6.4.2 A IEM 模拟分析及被动微波地表温度反演算法 潮湿程度不同的土壤介电常数不同，导致发射率不同，进而影响亮度温度，因此被动微波遥感成为估计土壤水分的最主要手段 。微波遥感模型旨在建立电磁参数与地表物理和几何参数之间的数学关系。土壤的介电常数的变化反应了土壤水分含量的变化。但通常遥感器不能直接测得土壤的介电常数，而是获得土壤的亮温信息。因此要反演土壤水分就需要建立亮温信息和介电常数的关系。为了研究方便，人们用与亮温联系紧密的发射率来建立与介电常数的关系。事实上，物体的散射和辐射是有直接关系的，它们之间的定量关系能够通过研究物体的散射问题来解决相应的辐射问题。发射率是被动微波中间接获取的参数，而它可以由粗糙表面的双站散射系数求出，因此研究微波的散射问题成为微波遥感的基础。对于粗糙表面的散射的研究主要有几何光学模型（ GO ）、物理光学模型（ POM ）、小波绕模型（ SPM ） 。这些模型各有各的适应范围，其中几何光学模型和物理光学模型都是基于基尔霍夫模型，只是前者是在驻留相位近似下得到的，后者是在标量的近似下得到的。基尔霍夫模型要求地表相关长度大于一个电磁波波长。而小波绕模型是针对当表面相关长度小于波长时提出来的。 由于实际地表是连续的，上述模型都不能很好地描述地表的真实状态。近些年，人们意识到 SPM 、 POM 以及 GO 模型在粗糙度方面都有一定的局限性 。自然地表的真实状况超越了这些模型粗糙度的范围。为了更好的模拟地表的散射和辐射， Fung 等人提出了 IEM 模型 （积分方程模型），该模型是基于原始的积分方程，能够很好地模拟地表的真实状况，可以适应更广的粗糙度范围，涵盖了从 Kirchhoff 到 SPM 模型。已经被广泛地用于微波的散射和辐射模拟。 Chen 和 Fung 的研究结果表明： Kirchhoff 和 SPM 分别是 IEM 在高频和低频区域的特例， IEM 跟 SPM 和 Kirchhoff 的结果一致 。在实际应用中，人们针对 IEM 的某些缺陷做了修正，已经发展成为 AIEM 模型 。该模型比 IEM 模型考虑了更多的影响因素，能更好地模拟地表的真实状况。由于模型推导以及公式比较复杂，具体请参见 - 。因此本文的研究将采用 AIEM 模型作为地表辐射模型，即用 AIEM 模型模拟土壤水分和发射率的关系。我们以 AMSR-E 的观测角度 55 度，相关长度 (Cl) 为 5.5cm ，均方根高度 (Sig) 为 2cm 作为模型的输入值。为了分析方便，对模拟数据土壤水分和发射率做散点图（图 2 ）。图 6-2 中左图是土壤水分和频率 6.9GHz, 10.7GHz, 23.8GHz, 36.5GHz, 89GHz, 在固定粗糙度情况下垂直极化发射率与土壤水分的关系。从图 6- 2 中可以看到，当土壤水分低于 2% 时候，不同频率的发射率几乎交于一点，而且是一种近似的线性关系。由于发射率在微波波段和亮温是线性关系，因此发射率与土壤水分的关系实际上也反应了亮温和土壤水分的变化关系．在 中， McFarland 用 37 和 19GHz Ｖ极化之差一次线性关系来消除土壤水分的影响是有一定的物理意义的。但由于当时对于土壤辐射模型的研究还处于初步发展阶段，从而导致这种描述不是十分准确。在图 6-2 的右图中，可以看到，将不同频率的发射率相减与土壤水分的关系可以明显地看出，不同频率的亮温（发射率）之差和土壤水分之间不是严格的线性关系，用二次关系模拟的近似精度要远远高于一次近似精度。因此，对于用微波的不同频率之间的亮温差来消除土壤水分，甚至大气水分的影响应该用二次以上的关系来描述，从而可以提高算法的精度和实用性。 图 6 -2A AIEM 模拟土壤水分和不同频率发射率之间的关系 Figure 6 -2A The Relationship between Soil Moisture and Different Frequency Emissivity 图 6-2B AIEM 模拟土壤水分和不同频率发射率差值之间的关系 Figure 6-2B The Relationship between Soil Moisture and Difference of Different Frequency Emissivity 对表 6-3 中 MODIS 地表温度产品和 AMSR-E 的各亮度温度分析可知， 89GHz 是最适宜用来作为单通道反演地表温度的。而且在局部分析中，我们发现当地表温度不同时，由于不同的地表层微波各频率的辐射稍微变化。特别是当地表温度小于 273K 时候，其辐射机制有很大的差异。因此为了更加精确的反演地表温度，需要对反演算法进行分段处理。如图 6-3 所示，我们将地表温度基本上分为两个区间，即大于 273K 和小于 273K 。算法的思想是：先用表 6-3 中 89V 的近似公式计算得到初步的地表温度；第二将得到的温度在其所属的温度区间内进一步通过消除土壤水分和大气水分的影响来提高其精度。对 4.1 中的数据进行回归分析得到如表 6-4 所示的地表温度反演公式。在这里，需要说明的是当在第一步用 89V 计算的初步地表温度时，误差可能落在第二步分区间的边缘，比如，用 89V 计算得到的地表温度是 270K ，反演误差是 4 C ，实际应该用大于 273 Ｋ区间的计算公式，而用了小于 273K 的公式。因此在实际应用中，我们需要将这个区间的计算范围都延伸，形成边缘重叠。这样对于边缘的部分，两个公式都适用，不至于误差很大。通过分析，得到了如表 2 所示的地表温度计算公式。其近似精度在 3 C 以下。 图 6-3 被动微波地表温度反演方法流程图 Figure6.-3 Land Surface Temperature Retrieval Frame 表 6-4 对不同温度范围的地表温度反演的计算方法 Table 6-4 The Retriev al Method in Different Range of Temperature 时间跨度 温度范围 (K) 像元数 地表温度计算方程 地表温度 反演误差 ( C) 2004-2-2 ＿ 2004-8-15 279 15563 LST=0.6329*89V-1.9389*(36.5V-23.V) +0.0292*(36.5V-23.V)^2+0.5265*(36.5V-18.7V) -0.0084*(36.5V-18.7V)^2+106.395 2.78 270 12520 LST=0.509*89V+0.313*(36.5V-23.V) +0.021*(36.5V-23.V)^2-0.8712*(36.5V-18.7V)+ 0.0058*(36.5V-18.7V)^2+142.6452 2.61 6.4.3 算法验证及应用 目前对地表温度反演算法的实际精度评价是反演方法研究中的一个难点，其主要原因在于实测数据与影像成像时的同步性问题；其次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公里范围的地表温度、几何配准问题和尺度效应等问题。对于热红外，国际上通常采用大气模拟数据法对反演算法进行精度评价。对于微波波段，目前还没有好的方法对地表温度反演算法进行验证。在这里，我们用 MODIS 温度产品作为微波反演地表温度算法验证所需要的地表温度实测数据，克服了同步测试数据的困难。同样我们在青藏高原采集了验证数据，采集数据信息如表 6-5 所示。对不同的温度区间，其验证精度相对 MODIS 温度产品分别为 2.69 C 、 1.89 C 。结果表明，相对 MODIS 温度产品，用 AMSR-E 反演精度还是比较高的。事实上，在验证的过程中，我们去掉了少数偏差比较大像元。因为有些数据明显有些问题，比如有些通道的值为 0 。另外还有两个主要的原因：一是 MODIS 地表温度产品有的地方本身精度并不高，比如像元中有部分云的影响；二是 AMSR-E 数据的信号质量有些时候存在问题，比如有些像元的信号有些是时候为 0 值，像元分辨率低，从而受云的影响更严重。再者算法本身还需要进一步的提高精度，比如还没有考虑被云覆盖的时候的情况，而我们采集的样本验证数据中有些像元可能含有部分云。相对热红外而言，微波不需要太多地表先验知识，主要原因在于微波的波长较长，除土壤水分含量和粗糙度外，受地表的影响较小，而且对大气和云有穿透作用。 表 6-5 AMSR -E 数据和地表温度验证数据信息表 Table 6-5 Validation Sample information 时间跨度 温度范围 (K) 像元数 相对误差变化范围 ( C) 相对近似精度 ( C) 2004-3-1 － 200 4 - 6 - 4 2 73 10407 0~8.38 2.69 273 9702 0~17.5 1.89 为了更好地分析微波与热红外反演地表温度的机理差异，我们选择了中国西部地区的 AMSR-E 影像（ 2005/8/25 /20 ），该影象包含了西藏、青海、新疆和甘肃的大部分地区。通过利用上述方法反演得到地表温度（如图 6-4 ）。从图 6-4 可以看出，温度的分布成块状，其主要原因是 AMSR-E 的分辨率很低（本文用到是 25 25KM ）。这种大面积温度分布规律在高分辨率的 TM 影像上体现不出来，反映大区域的全球温度分布差异是 AMSR-E 影像的一个优势。 图 6-4 地表温度反演结果图 Figure 6-4 The retrieval of land surface temperature 另外，我们对东部沿海地区的 AMSR-E 影象反演发现温度最高的地方分布在有水的边缘（海岸线和长江流域），这是不准确的。原因在于，对于水覆盖的陆地表面，其反演方法和陆地表面相差很大，这个误差主要是由于反演算法中两个平方修正项引起的，这对于水面来说是不成立的。因此完整的地表温度反演算法应该至少将陆地表面分成：水覆盖的陆地，雪和冻土（ 0 C 以下）覆盖的陆地以及裸土和植被。由于被动微波的分辨率比较低，对于陆地与海洋交界等过渡地带存在大量的混合像元，在这些地方反演的结果可能存在较大误差。在这些地方（混合像元），地表温度的反演精度需要进一步提高。这也是土壤水分反演需要集中研究的地方。 用 AMSRE 反演地表温度的另外一个重要的意义就是，就是通过地表温度计算发射率。地表发射率也是微波反演土壤水分的关键参数之一，因此反演地表温度可以解决以往反演土壤水分含量算法需要通过比值法消除发射率参数的困难。由于微波受云和大气的影响很小，因此对于发射率的计算通常可以近似用 e f =T i /T s 。 6.5 利用神经网络从被动微波数据 AMSR-E 中反演地表温度 从被动微波遥感数据中反演地表温度是非常难的，因为Ｎ个频率的热辐射测量总有Ｎ＋１个未知数（Ｎ个发射率和一个地表温度），这是一个典型的病态反演问题。而且，微波发射率主要是由介电常数决定，而介电常数是物理温度、盐度、水分含量、土壤纹理及其它因素（植被的结构和类型）的函数。这些使得开发一个通用的物理算法非常困难。 我们打算分析地球物理参数之间的关系并利用神经网络来从被动微波数据 AMSR-E 中反演地表温度。这个研究最有意义的是我们里了多传感器和多分辨率的优势。即 MODIS 地表温度产品能够被用来当作对应的大尺度（ 25KM * 25KM ） AMSR-E 像元的地表温度。而且，多分辨率使得当大尺度 AMSR-E 像元存在云时，用部分 MODIS 温度产品的像元的平均值来代替，这就克服了当有云存在时获得地面数据的困难。 6.5.1 微波辐射计 微波辐射计是测量地面的热辐射，以及在地面热辐射在传输过程中大气的热辐射。根据 Raleigh-Jeans 对 Planck 函数的简化，辐射计观测到的热辐射能够被简单地描述成公式（ 6-9 ） : (6-9) 式中 代表水平极化 (H) 或者垂直极化 (V) , , 是发射率， ( 等效光学厚度 ) 和 ( 单次散射反照率 ) 是描述植被吸收和散射的两个重要参数， 是陆地表面温度， 是植被的平均温度， 植被在角度 的亮度温度， 是大气透过率， 是平均大气向上作用温度， 是大气平均向下的作用温度。微波受大气的影响非常的小，即使当水汽含量达到 5 ，透过率 ( ) 非常的高（接近于 1 ） (Ulaby, Moore, Fung, 1986) ，所以式（ 6-9 ）能够被简化为式（ 6-10 ）。 （ 6-10 ） 在植被覆盖的地表，植被温度 通常假定等于地表温度 (Paloscia and Pampaloni, 1988, Njoku, et al 2003) 。对于裸露地表， 光学厚度 0, 式（ 6-10 ）能够被简化为式（ 6-11 ）。 (6-11) 从式（ 6-11 ）可见，利用单个的热辐射通道反演地表温度是非常困难的，因为反演方程中总多一个未知数。在地球物理参数反演中，这是一个典型的病态反演。在热红外地表温度反演中，不同的地物类型的发射率在热红外波段基本上是稳定的。在微波波段，发射率主要是由介电常数决定，而介电常数又是物理温度、盐度、水分、土壤纹理以及其它影响的影响 (Hallikainen, Ulaby, Dobson, et al 1985, Dobson, Ulaby et al,1985) 。最复杂的是，地表温度本身也影响发射率。发射率和主要影响因素土壤水分 (sm) 、粗糙度（ roughness ）和物理温度 ( ) 能够被描述成等式（ 6-12 ）。 (6-12) 土壤水分、粗糙度以及陆地表面温度是随天气，时间和地点变化，这使得反演变得更加复杂，因为这些影响因素不同的组合能够得到相同和不同的发射率。 6.5.2 利用神经网络从 AMSR-E 数据中反演地表温度 地球物理参数之间不是彼此独立的。在以往的地表温度反演算法中，我们没有充分地利用地球物理参数之间的关系。在本研究中，我们将分析粗糙度、发射率、反射率以及频率之间的关系。如果充分利用地球物理参数之间的关系，我们就能够建立新的方程，从而克服病态反演 通常，反演方程是非常复杂，而且解方程非常的困难。幸运的是，神经网络与传统的反演算法不一样，它不需要精确地刻画反演方程。对于从遥感数据中反演地球物理参数，往往存在许多非线性关系和不确定因子，这可能会由于对非线性关系的构造和不确定因子的理解不好会导致反演非常的困难。神经网络包含了大量的相互联系的神经元，它们可以并行地来解一个非线性的具体问题。神经网络不需要针对具体的问题编程，主要是通过训练数据来学习 。许多研究证明 - ，在地球物理参数反演中，神经网络是一个非常好方法，特别是当地球物理参数之间的关系非常复杂且不好描述的是时候，是最佳的选择。 6.5.2 .1 为什么利用神经网络 在等式（ 6-12 ）中，对发射率的影响因子非常的多。 Shi et al (2005) 用 AIEM (advanced integral equation model) (Chen et al, 2000) 证明发射率、反射率以及粗糙度之间的相互关系是相互影响的，并且提出了 Q/P 模型。 (6-13) 式 是发射率， 是菲涅尔透射系数。粗糙度参数 连接着有效发射率和发射率。对于每个频率， 可以表示成式（ 6-14 ）。 (6-14) 式中 为均方根（ rms ）高度， 是相关长度。参数 、 和 依赖于频率 和极化， 这几个参数能够通过 AIEM 模拟数据库和多元回归分析得到 (Shi et al, 2005) 。对于 AMSR-E 传感器，在 10.7 GHz 的 参数与其它频率的参数可以表示成式（ 6-15 ）。 (6-15) 式中 和 能够通过模拟分析得到（ Shi et al 2005) 。这个模型表现得非常的好，具体可以参见 Shi et al (2005) 。在实际生活中，地表的情况远比理论模型复杂，例如，其它复杂因子的影响象地形、大气和植被（包括类型，结构及分布）。这些影响因素使得开发一个通用的物理算法非常的困难。 Mcfarland et al (1990) 三种地面类型 ( 农作物、湿土、干土 ) 的地表温度反演做了一些研究并分别得到了不同的反演等式。他们通过 用 SSM/I 37 和 22GHz 通道的差来消除大气水汽含量的影响和 37 与 19GHz 差来消除土壤水分的影响，反演了美国中部平原的地表温度。 Mao et al (2005) - 对 AMSR-E 亮温数据和 MODIS 地表温度产品做了分析。研究表明陆地表至少要分成两大类 : 非雪覆盖的陆地表和雪覆盖的地表。如果要更加准确地反演地表温度，我们需要对不同的温度段建立不同的反演方程。在这两个研究中的反演方程都是经验的，也是局部适用的。事实上，土壤水分、粗糙度、和地表温度对辐射的影响不能通过简单的线性组合来消除。这一点能够从 Q/P 模型 (Shi et al, 2005) 和 Q/H 模型 ( Choudhury et al 1979, Wang and Choudhury 1981) 。从等式 3-7 可以得知，我们需要四个通道建立四个方程来反演地表温度。解方程是非常复杂的，对于一般的数学方法是非常难的。而且，对于大尺度的真实地表，地面更加复杂。通过理论模型得到的模拟数据在实际应用中存在一些局限性，因为理论模型没有考虑实际的地形，大气以及植被的类型、结构及分布。被动微波的分辨率非常的低，通常是几十公里，这使得获得地面实测数据非常的困难。幸运的是， MODIS 地表温度产品给我们提供了机会。由于 MODIS 温度产品比较高，而且两个传感器在一颗星上，因此我们可以将 MODIS 地表温度产品当作与 AMSR-E 数据对应的地表实测数据。在本研究中，将借助与 MODIS 地表温度产品和使用神经网络来从 AMSR-E 数据中反演地表温度。 从某种程度上讲，神经网络能够克服先前算法的缺点，即需要推导反演规则，训练数据直接决定了神经网络反演的映射关系和函数关系。最为重要的是，神经网络能够复合分类信息和优化计算，这使得神经网络成为地球物理参数反演的最佳方法之一。 6.5.2 .2 多层神经网络 如图 6-5 所示，一个简单的多层神经网络具备一个输入层，一个输出层以及一个或多个隐含层。多层神经网络是由一些最基本的处理单元 - 神经元构成。如图 2 所示，这些单个的神经元被看作是通过与权重矢量 w 乘积以及与偏移量 之和来处理一个或者多个输入信号 x ，然后通过一个非线性的激励函数得到一个单个的输出项。 图 6-5 多层神经网络 Figure 6 -5 a simple multiple layer neural networks xw+ 被看作是神经网络单元。神经元的输入可能是系统输入信号或者上一层其它神经元的输出结果（如图 6-6 ）。 图 6-6 单个神经元 Figure 6 -6 a single neuron 激励函数 有许多形式。最一般的激励函数是非线性 sigmoid 函数： ( 6-16 ) 神经网络代表的反演函数是通过一组训练数据（输出响应输入）训练得到的。在监督训练阶段，训练的模式已经内化到神经网络。在所有的模式被训练好后，神经元之间的权重被调整，通过使得输出结果和期望输出结果之间的全局最小（式 6-17 ）而使得反演结果达到最优。 ( 6-17 ) 式中 第 的第 个期望输出， 是相应的激励层的第 输出。在式 9 中， 是输出单元的和。我们可以把训练的神经网络看成是一组非线性运用最小二乘法对离散数据内插的结果。从某种程度上讲，近似的精度决定于训练数据。 6.5.2 . 3 怎么利用神经网络反演地表温度 从式 1-7 的推导来看，发射率和影响因子 ( 粗糙度、地表温度和土壤湿度 ) 之间的关系是非常复杂的。有四个未知数和需要建立四个方程。为了提高解的精度，我们用神经网络来解反演问题。在这个研究中，我们用动态学习神经网络 (DL) (Tzeng et al 1994) 来解反演方程。这个神经网络使用了卡漫滤波算法来增加训练的收敛速度和和提高非线性问题边界问题的处理能力。详细的介绍请参见 (Tzeng et al 1994) 。 A. 模拟数据反演分析 为了证明神经网络能够被用来从被动微波数据 AMSR-E 中精确地反演地表温度，我们用 AIEM 模拟裸露地表的辐射，从而得到训练和测试数据集。这些模拟数据能够被看作是已知的地表真实数据，具体的过程如下： 1) AIEM 的主要输入参数如表 6-6 所示， 我们得到了 5040 组训练数据集和 840 个测试数据集。通过改变步长，测试数据集分布是非常均一的。 10.7 和 18.7(V and H) 亮温是通过地表温度和发射率的乘积得到的，它们被作为神经网络的输入节点的输入数据。 表 6-6 AIEM 模型输入参数 Table 6-6 The input information of AIEM model parameters Minimum Maximum step unit sig 0.5 3.2 0.3 cm cl 5 30 4 cm Soil moisture 0.02 0.45 0.04 % Land surface temperature 270 320 8 K frequency 10.7 18.7 GHz 2) 训练和神经网络。 通过使用训练数据和测试数据反复地尝试后，两个隐含层，每个隐含层具有 800 节点时，神经网络表现得非常的好。这个节点数目在很大程度上是由等式 6-9 至 6-15 决定的，这也在一定程度上表现去反演方程的复杂性。测试数据集的详细信息可以参见表 6-7 。 图 6-7 反演误差表 T able 6-7 The summery of ret r ieval error Hidden nodes LST Soil Moisture Sig Cl R SD R SD R SD R SD 100-100 0.928 5.11 0.989 0.018 0.544 0.593 0.741 4.51 200-200 0.954 4.09 0.991 0.016 0.57 0.581 0.762 4.34 300-300 0.978 2.86 0.996 0.011 0.695 0.509 0.776 4.23 400-400 0.964 3.63 0.992 0.015 0.593 0.57 0.761 4.35 500-500 0.989 1.98 0.998 0.008 0.731 0.483 0.788 4.13 600-600 0.986 2.29 0.998 0.008 0.65 0.538 0.775 4.25 700-700 0.991 1.79 0.999 0.006 0.667 0.528 0.777 4.23 800-800 0.992 1.68 0.999 0.006 0.558 0.588 0.659 5.05 900-900 0.99 1.91 0.998 0.007 0.661 0.531 0.762 4.35 1000-1000 0.984 2.41 0.997 0.01 0.584 0.575 0.688 4.87 R: 相关系数； SD: 标准偏差 事实上，当模拟数据的步长变小，我们能够得到更高的精度。从表 6-7 可以看出，土壤水分反演的精度最高，地表温度次之，均方根高度 sig 的精度最差。主要原因是粗糙度在不同的频率是变化的，地表温度的标准偏差在 2 C 以下。 B 利用 MODIS 地表温度产品从 AMSR-E 中反演地表温度 众所周知，对于大尺度的微波像元，地表是非常复杂的，几乎所有的像元都是混合像元。不同的组分组合（特别是植被类型和结构）会得到相同和不同的信号。而且受到大气以及地形的影响，这使得真实地表的信号远比理论模型模拟的信号要复杂得多。最好的方法是，我们从不同地表类型中测得大量的训练和测试数据集。但测量大尺度像元（ 24KM * 24KM ）的地面对应的数据是非常困难的。一般来说，地表不同的地方温度是不一样，而且地表温度测量是点测量，要测得与 AMSR-E 像元相对应的地表数据是非常困难的。另外， AMSR-E 观测是 55 ，但在单个像元里面地形是变化的，而且配准也是一个问题。 幸运地是， MODIS 地表温度产品为 AMSR-E 提供了相应可以替代的地表温度数据。 MODIS 有两种温度产品，一种是用劈窗算法反演的 1KM 产品（ MOD11_L2 LST_ 1KM ），这个产品提供了每个像元的温度和发射率。温度单位是 K ，是用劈窗算法计算得到，发射率则是通过地表类型和发射率库获得；另一种产品是 MOD11B1 (MODIS_Grid_Daily_ 5km _LST) ，这个产品是通过白天 / 晚上 地表温度反演算法计算得到 (Wan, 1999) 。 在天气晴朗的条件下，地表温度产品的精度非常的高，在验证区域的精度在 1 C 以下 (Wan et al 2002, 2004) 。为了获得在有云情况下 AMSR-E 像元的对应的地表温度，我们选择了高分辨率的 MOD11_L2 LST_ 1KM 产品，因为这样可以用部分 MODIS 产品的值去替代 AMSR-E 像元的地表温度。我们选择了三个典型的研究区 ( 非洲，青藏高原，中国东北包括俄罗斯部分地区 ) 作为数据采集区。一个 AMSR-E 像元与 1KM 产品的 MODIS 地表温度的关系可以用图 6-7 来表示，对于一个几十公里的被动微波像元来讲，它可能同时包括了不同种类的云以及不同强度的降雨影响。 图 6-7 AMSR-E 像元与 MODIS 地表温度像元的关系 Figure 6 -7 A simple relationship between many MODIS LST pixels and An AMSR-E pixel MODIS 产品的平均值作为对应的 AMSR-E 像元的地面值。我们定义了式（ 6-18 ）来从 MODIS 产品计算 AMSR-E 的陆地表面温度数据。 (6-18) 式中 是 MODIS 陆地产品温度值， 是代表相应的 AMSR-E 的地面像元温度值。我们编写了一个以经纬度为控制条件，从 AMSR-E 和 MODIS 温度产品中读取相对应数据的程序。为了是的反演方法 适用有云的情况，我们设定了当 AMSR-E 像云中对应的 MODIS 产品像元超过 20 个无云值时，将其平均值作为了对应的 AMSR-E 像元对应的地表温度值。这就意味着我们采集的数据中，由于受云和降雨的影响，许多 MODIS 像元值为 0 。这将克服有云情况下获得地表数据的困难。 我们采集了 24319 组数据集，并且随机地将其分成两部分：训练数据是 17308 组 ；测试数据是 7011 组。然后训练神经网络。在不断地尝试后，五个频率 ( 十个通道 V/H) 的组合使得反演最稳定和精度最高。 通道越多，就越容易克服大气水汽含量，粗糙度，地形以及植被的结构和分布。不同通道组合反演的信息可以参见表 6-8 。 表 6-8 不同通道组合反演误差总结 T able 6-8 The summery of ret r ieval error when using different combination of channels Hidden nodes 10.7, 18.7V/H 10.7,18.7,23.8V/H 10.7,18.7,23.8, 36.5V/H 10.7,18.7,23.8, 36.5,89 V/H R SD A( C) R SD A( C) R SD A( C) R SD A( C) 100-100 0.972 4.94 3.2 0.978 4.38 3.1 0.98 4.21 3.03 0.99 2.92 2.26 200-200 0.982 3.97 2.92 0.985 3.65 2.62 0.988 3.27 2.4 0.992 2.74 2.14 300-300 0.976 4.63 2.76 0.987 3.37 2.39 0.98 4.21 2.5 0.993 2.54 1.98 400-400 0.951 6.51 2.8 0.748 13.98 2.96 0.889 9.62 2.61 0.992 2.62 1.99 500-500 0.958 6.01 2.63 0.969 5.2 2.42 0.989 3.14 2.31 0.992 2.62 1.96 600-600 0.879 10.03 2.91 0.939 7.24 2.52 0.989 3.09 2.1 0.985 3.63 1.95 700-700 0.785 13.05 3.15 0.956 6.17 2.5 0.983 3.86 2.18 0.986 3.5 1.91 800-800 0.114 20.92 6.21 0.333 19.85 3.25 0.975 4.71 2.38 0.984 3.7 1.97 900-900 0.302 20.08 4.37 0.718 14.66 2.89 0.63 16.36 2.85 0.962 5.77 1.98 1000-1000 0.538 17.75 3.76 0.568 17.33 3.25 0.916 8.43 2.29 0.955 6.28 2.03 R ：相关系数； SD ：标准偏差 ； A( C) ：平均相对误差 我们对不同通道的组合的反演误差进行了分析。从图 6-8 可以看出，有些像元的误差超过了 8 C 。这主要是由 3 个原因引起的。第一个是，当 AMSR-E 像元中有云时，部分 MODIS 像元的平均值不能代表对应 AMSR-E 像元的地表实际值；第二是 AMSR-E 像元中存在大量的水体，因为水体的辐射特性与土壤和植被的差别非常的大；第三是有些像云存在降雨影响。 图 6-8 不同通道组合时反演误差直方图 Figure6-8 The Comparison of Error Relative to MODIS LST for Different Combination of Channels 6.5. 2 . 4 与 MODIS 地表温度比较及精度评价分析 为了提供一个应用实例来确认我们算法的实用性，我们利用训练好的神经网络对中国西部地区的一景 AMSR-E ( 2004/05/02 /) 进行了反演。在反演的结果中，有少量的像元值非常高或者低。主要原因可能是这些像元存在降雨或者包含了大面积的湖泊，我们将这些值设为 0 。为了分析地表温度反演结果的合理性，我们将反演的地表温度做成了一个彩图（图 6 -9A ）。为了和 MODI11_L2LST_ 1KM 产品比较，我们将 4 幅 MODIS 1KM 产品镶嵌在一起（图 6-9B ）。从图 6-9 可以看出， AMSR-E 的地表温度反演结果和 MODIS 1KM 产品分布基本相同，而且从常识来看，反演结果是非常合理的。青藏高原地区的温度是最低的，塔克拉马干沙漠的温度最高。在卫星过境时，塔克拉马干沙漠恰好被云覆盖，可以从图 6-9B 看到。云和降雨对 MODIS 产品影响是非常大的，这点可以从图 6-9B 看出来，大约超过了 50% 的地区受到了云和降雨的影响，这也恰恰展示了被动微波遥感反演地表温度的优势。图 6-10 是图 6-9 的地表温度分布的直方图，图 6-11 是没有云或者降雨影响地方对应的误差分布分布图。需要交代的是，图 6-11 所采集的像元范围比图 6-9 要大，因为图 6-11 不是用简单矢量图（图 6-9 ）截取之后的数据，而是通过经纬度控制采集原始反演结果的像元数目。 MODI11_L2LST_ 1KM 的像元数目少于 AMSR-E ，主要原因是由于 MODI11_L2LST_ 1KM 受云和降雨很大（见图 6-9 中黑框）。另外我们需要做实地的调查，因为在 AMSR-E （图 6 -9A ）和 MODIS 产品（图 6-9B ）存在一些区别，比如：在 AMSR-E 像元（图 6 -9A ）中有极少数像元值为 0 ，而在 MODI11_L2LST_ 1KM （图 6-9B ）中的值不为 0 ，这个原因是否是由于湖泊的影响，还是其他因素（降雨）。 图 6 -9A 用神经网络反演得到的地表温度图 Figure 6 -9 A The land surface temperature retrieved from AMSR-E by NN 图 6-9 B MODIS 1KM 产品图 Figure 6-9B MOD11_L2 LST_ 1KM 图 6-10 图 6.9 像元值分布直方图 Figure 6-10 The histogram of land surface temperature in figure9 图 6-11 图 6.9A 与 B 相对误差直方图 Figure 6-11 The histogram of land surface temperature in figure6-9 我们用上面训练好的神经网络对北美地区的一景 AMSR-E ( 2003/7/1 ) 进行了反演，反演结果如图 6-12 。其地表温度分布趋势与正常的温度地理分布一致，而且 MODIS 产品也是一致的。同样，从反演结果图中可以看出，在大湖及湖的边缘反演结果不是很好，跟上面分析的结论一致。这也说明神经网络的适用性是比较强的。当然，也需要我们补充合适的高精度有代表性地区的训练样本数据。 图 6-12 北美地表温度反演结果 Figure 6-12 The LST of North American retrieved from AMSR-E by NN 获得实际地表测量数据对反演算法进行精度评价是一件非常困难的事情。因为 AMSR-E 的像元分辨率很低 ( 大约 24km * 24KM ) ，地表测量通常是点测量。我们很难用几个点测量的数据的平均值来代表一个大尺度的像元，而且是要在卫星过境时同时获取。在这里我们打算用美国通量网数据来对我们的算法进行评价。通量数据库 ( http://public.ornl.gov/ameriflux/datahandler.cfm ) 是一个全球微气象观测网络，主要是用来监测二氧化碳交换、水蒸汽、陆地生态系统和大气能量交换。 也被用来对 MODIS 地表温度产品进行验证 ( Wang and Liang 2005 ， ) 。 这里我们也选择了 6 个地表比较比较平坦且均一站点 (Brookings, Audubon, FortPeck, Canaan, BlackHills, Bondville) 的地表温度作为实测量数据。具体介绍请参考 ( http://public.ornl.gov/ameriflux/site-select.cfm ) 。我们从 AMSR-E 反演地表温度和通量站点数据比较如图 6-13 所示。平均精度大约是 2.6 ℃ 。从图中可以看出，神经网络反演的结果和实际比有点偏低，这可能跟地表温度数据是由 MODIS 地表温度产品获得有关系。因为热红外和被动微波探测的地表温度还是有些区别的，被动微波探测的地表温度比热红外探测的地表温度要深一些。因此，这需要我们在实际反演中对反演结果做适当的修正。需要说明的是，我们去掉了一些反演误差比较大像元，因为可能受到降雨或者其它因素的影响。 事实上，精确的陆地表温度验证是一件非常困难的事情，地表测量是点测量，而且需要测量地表发射率。地表发射率的确定是非常困难的，几乎不同的地物发射率都不一样，而且受环境的影响。我们将会进一步做更多的分析评价。 图 6-13 校验结果 Figure 6-13 Validation Results 6.6 本章小结 本章在分析 Aqua 卫星多传感器特征的基础上，利用 MODIS 的温度产品和 AMSR-E 不同通道之间的亮度温度建立反演地表温度的反演方程，从而克服了以往需要测量同步数据的困难。并为不同传感器之间的参数反演的相互校正和综合利用多传感器的数据提供实际应用和理论依据。通过各通道的回归系数分析表明，不同的地表覆盖类型的辐射机制是不同的。要精确地反演地表温度，至少对地表分成三种覆盖类型，即雪覆盖的地表、非雪覆盖的地表和水覆盖的地表。以 MODIS 地表温度产品作为评价标准，对于验证的样本数据，本文建立的统计方法的平均精度在 2 -3 C 左右。为了提高算法的实用性，还需要进一步对云覆盖和不同辐射机制的地表类型的混合像元进行研究。另外，微波的发射率是土壤水分反演的关键参数，在对微波地表温度反演的基础上，可以进一步对发射率做研究并反演土壤水分。 从被动微波遥感中精确地反演地表温度是非常难的，因为 N 个频率的热辐射测量总有 N ＋１个未知数（ N 个发射率和一个地表温度），这是一个典型的病态反演问题。而且，微波发射率主要是由介电常数决定，而介电常数是物理温度、盐度、水分含量、土壤纹理及其它因素（植被的结构和类型）的函数。这些使得开发一个通用的物理算法非常困难。本研究利用对地观测卫星（ EOS/AQUA ）多传感器 / 多分辨率的特点和神经网络来从被动微波 AMSR-E 数据中反演地表温度。通过 AIEM 模拟数据和神经网络反演表明神经网络能够被用来从被动微波反演地表温度，而且误差在 2 ℃ 以下。 MODIS 地表温度产品被作为地表温度数据，而且部分 MODIS 温度产品的平均温度能够被用来代替对应 AMSR-E 像元的温度，从而克服由于云的影响而难以获得地表实测数据。反演结果和分析表明神经网络能够被用来精确地从 AMSR-E 中反演地表温度。 当使用 5 个频率（ 10 个通道）作为反演通道时，精度最高和解最稳定，说明通道越多能更好地消除土壤水分、粗糙度、大气和其它因素的影响。相对于 MODIS 温度产品， 反演的平均精度在 2 ℃ 以下。最后，我们提供了一个应用实例，并且与 MOD11_L2 LST_ 1KM 产品进行了比较。最后，我们提供了一个反演的应用实例和确认了我们的算法的实用性。我们用训练好的神经网络和 AMSR-E 影象对中国西部地区的地表温度进行了反演， 分析表明反演结果非常的合理。当然，还需要我们做进一步的实际调查，以确认 AMSR-E 反演结果和 MOD11_L2 LST_ 1KM 产品之间的差异。 参考文献（ Reference ）： Njoku E. G.,Li li, Retrieval of land surface parameters using passive microwave measurements at 6-18GHz, IEEE Trans. Geosci. Remote Sens. , 1999, 37: 7993. Prata A. J., Land surface temperatures from derived from the advanced very high resolution radiometer and the along-track scanning radiometer 2. Experimental results and validation of AVHRR algorithms, J. Geophys. Res. , 1994 , 99: 13025-13058. Becker F., Li Z. L., Towards a local split window method over land surface. Int. J. Remote Sens. , 1990, 11: 369-393. Coll C., Caselles V., Sobrino A., Valor E., On the atmospheric dependence of the split-window equation for land surface temperature, Int. J. Remote Sens. , 1994, 27:105-122. Frana G. B., 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. Harris A. R., 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. Sobrino J. A., Coll C., Caselles V., Atmospheric corrections for land surface temperature using AVHRR channel 4 and 5, Remote Sens. Environ. , 1991, 38:19-34. Price J. C., Land surface temperature measurements from the split-window channels of the NOAA-7 AVHRR, J. Geophys. Res. , 1984,79: 5039-5044. Kerr Y. H., Lagouarde J. P., 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. Sobrino J. A., Li Z. L., Stoll M. P., Becker F., Improvements in the split window technique for land surface temperature determination. IEEE Trans. Geosci. Remote Sens. , 1994, 32: 243-253. Qin Z. H., Giorgio D. O., Arnon K., 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, 105:22655-22670. Li Z., 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 S. L., 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., Dozier J., A generalized split-window algorithm for retrieving land surface temperature measurement from space, IEEE Trans. Geosci. Remote Sens. ， 1996, 34: 892-905. Wan Z. M., 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: 980-996. Wan Z., MODIS Land-Surface Temperature Algorithm Theoretical Basis Document(LST ATBD) Version 3.3, Institute for Computational Earth System Science, University of California , Santa Barbara , CA ,1999. Mao K., Qin Z., Shi J., Gong P., A practical split-window algorithm for retriving land surface temperature from MODIS data, Int. J. Remote Sens. , 2005,15: 3181-3204. Mao K. B., Shi J. C., Qin Z. H., Gong P., Liu W., Xu L. N., A Multiple-band Algorithm for Retrieving Land-Surface Temperature and Emissivity from MODIS Data, IGARSS05, 25-29 July 2005 COEX, Seoul, Korea. Susskind J., Rosenfield J., Reuter D., Cahine M.T., Remote sensing of weather and climate parameters from HIRS2/MUS on Tiros-N, J. Geophys. Res. , 1984, 89: 4677-4697. Mcfarland M J, Miller R L, Christopher M, Land surface temperature derived from the SSM/I passive microwave brightness temperature, IEEE Trans. Geosci. Remote Sens. , 1990, 28: 839-845. 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: 397408. Fily M., Royer A., Goa, 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. 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, IGARSS05, 25-29 July 2005 COEX, Seoul, Korea. Mao K. B., Shi J. C., Li Z. L., Qin Z. L., 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 , 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. Choudhury B.J., Major E.R., Smith E.A., 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., Njoku E. G., On the use of passive microwaves at 37 GHz in remote sensing of vegetation, Int. J. Remote Sens. , 1993, 14: 19311943. Wan Z. M., Zhang Y. L., Zhang Q. C., Li Z. L., Validation of the land-surface temperature products retrieved from terra moderate resolution imaging spectroradiometer data, Remote Sens. Environ. , 2002,83:163180. Wan Z., Zhang Y., Zhang Q., Li Z. L., Quality assessment and validation of the MODIS global land surface temperature, Int. J. Remote Sens. , 2004, 25:261274. Owe M., Richard D. J., Walker J., A methodology for surface soil moisutre and vegetation optical depth retrieval using the microwave polarization difference index, IEEE Trans. Geosci. Remote Sens. , 2001, 39:16431654. Ulaby F.T., Moore R.K., and Fung A.K., Microwave Remote Sensing: Active and Passive Dedham , MA : Artech House, 1986, vol. 3 Fung A. K., Microwave Scattering and Emission Models and Their Applications, Artech House Inc. 1994:227-303. Fung A. K., Li Z., Chen K. S., Backscattering from a randomly rough dieletric surface, IEEE Trans. Geosci. Remote Sens. , 1992,30:356-369. Chen K. S., Wu T. D, Fung A. K., A note on the multiple scattering in an IEM model, IEEE Trans. Geosci. Remote Sens. , 2000, 38: 249256. 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: 2040-2050. 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. Paloscia S., Pampaloni P., Microwave polarization index for monitoring vegetation growth, IEEE Trans. Geosci. Remote Sens. , 1988, 26: 617-621. 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. Hallikainen M.T., Ulaby F. T., Microwave Dielectric Behavior of Wet Soil-Part I:Empirical Models and Experimental Observations. IEEE Trans. Geosci. Remote Sens. ,1984,GE 23(1):25-34. Dobson M. C., Ulaby F. T., Hallikainen M. T., and El-Rayes M. A., Microwave Dielectric Behavior of Wet Soil-Part II: Dielectric Mixing Models, IEEE Trans. Geosci. Remote Sens. , 1985, 23(1): 35-46. Hornik K. M., Stinchcombe M. , and White H., Multilayer feedforward networks are universal approximators, Neual Netw. , 1989 , 4 ( 5 ): 359-366. Hsu S. Y., Masters T., Olson M., Tenorio M., and T.Grogan, Comparavtive analysis of five neural networks models, Remote sens. reviews , 1992, 6 : 319-329. Tzeng Y. C., Chen K. S., Kao W. L., and Fung A.K., A Dynamic learning nerual network for remote sensing applications, IEEE Trans. Geosci. Remote Sens. , 1994 , 32 ( 5 ): 1096-1102. Haykin S., Stehwien W., Deng C., Weber P., and Mann R., Classification of radar clutter in an air traffic contronl envionment, Pro. IEEE , 1991 , 79 (6): 742-772. Herrmann P. D. and Khazene N., Classification of multiplespectral remote sensing data using a back-propagation neural network, IEEE Trans. Geosci. Remote Sens. , 1992 , 30 (1): 81-88. Bischof H. , Schneider W. , and Pinz A. J., Multiplespetral classification of landsat images using neural networks, IEEE Trans. Geosci. Remote Sens. , 1992 , 28 (3): 482-489. Chen K. S., Tzeng Y. C., Chen C. F., and Kao W. L., Land-cover classification of multispectral imagery using a dynamic learing neural network, Photogrammet. Eng. Remote sensing , 1994. Jin Y. Q. and Liu C., Biomass retrieval from high-dimensional active/passive remote sensing data by using artificial neural networ, Int. J. Remote Sens. , 1997, 18 ( 4 ): 971-979. Chen. Z., Davis . D., Tsang L., Hwang V., Chang A.T.C, Inversion of snow parameters by neural network with iterative inversion, in Proc. Of IGASS92, 1992, 1061-1063. Aires F., Prigent C., Rossow W. B., and Rossow M., A new neural network approach including first guess for retrieval of atmospheric water vapor, cloud liquid water path, surface tempeature, and emissivities over land from satllite microwave observations, J. Geophys. Res. , 2001 , 106, D14 : 1488714907. Faure T., Isaka H., Guillemet B., Neural network retrieval of cloud parameters of inhomogeneous and fractional clouds feasibility study, Remote Sens. Environ. , 2001 , 77 : 123-138. Tedesco M., Pulliainen J., Takala M., Hallikainen M., Pampaloni P., Artificial neural network-based techniques for the retrieval of SWE and snow depth from SSM/I data, Remote Sens. Environ. , 2004 , 90 : 76-85. Blackwell W. J. , A neural-network technique for the retrieval of atmospheric temperature and moisture profiles from high specrtral resolution sounding data, IEEE Trans. Geosci. Remote Sens. , 2005 , 43 ( 11 ): 2535-2546. Tang L., Chen Z., Oh S. , R. J. Marks II, and A. T. C. Chang, Inversion of snow parameters from passive microwave remote sensing measurements by a neural network trained with a multiple scattering model, IEEE Trans. Geosci. Remote Sens. , 1992 , 30 (5): 1015-1024. Shi J. C., Jiang L. M., Zhang L. X., Chen K. S., Wigneron J. P., Chanzy A., A parameterized multifrequency-polarization surface emission model, IEEE Trans. Geosci. Remote Sens. , 2005, 43: 2831-2841. Choudhury B. J., Schmugge T. J., Chang A., Newton R.W., Effect of surface roughness on the microwave emission from soil, J. Geophys. Res. , 1979, 84: 5699-5706. Wang J.R., Choudhury, Remote sensing of soil moisture content over bare fields at 1.4 GHz frequency, J. Geophys. Res. , 1981, 86: 5277-5282. Wang, W., S. Liang, Validating MODIS land surface temperature product, ispmsrs05, 17-19,October, Beijing, China, 2005.
A physics-based statistical algorithm for retrieving land surface temperature from AMSR-E passive microwave data Kebiao Mao , Jiancheng Shi, Zhaoliang Li, Zhihao Qin, Manchun Li, Bin Xu, AMSR-E and MODIS are two EOS (Earth Observing System) instruments on board the Aqua satellite. A regression analysis between the brightness of all AMSR-E bands and the MODIS land surface temperature product indicated that the 89 GHz vertical polarization is the best single band to retrieve land surface temperature. According to simulation analysis with AIEM, the difference of different frequencies can eliminate the influence of water in soil and atmosphere, and also the surface roughness partly. The analysis results indicate that the radiation mechanism of surface covered snow is different from others. In order to retrieve land surface temperature more accurately, the land surface should be at least classified into three types: water covered surface, snow covered surface, and non-water and non-snow covered land surface. In order to improve the practicality and accuracy of the algorithm, we built different equations for different ranges of temperature. The average land surface temperature error is about 2 ― 3 K relative to the MODIS LST product. Kebiao Mao , Jiancheng Shi, Zhaoliang Li, Zhihao Qin, Manchun Li, Bin Xu, A physics-based statistical algorithm for retrieving land surface temperature from AMSR-E passive microwave data, Science in China (Series D) ， 2007,7:1115-1120. PDF download(点击下载) 相关连接： http://www.sciencenet.cn/blog/user_content.aspx?id=230867
标签: AMSR-E
