积雪辐射模型验证

雪水当量是气候模型与大尺度水文模型中的一个重要参数。积雪容量对全球气候变化研究、大尺度径流估算与水资源管理等方面都有很重要的意义。因此研究积雪辐射模型模拟特征及模型验证显得极为重要。本文选用的积雪辐射模型是采用考虑多次散射的双矩阵法（Matrix Doubling Formulation）作为求解辐射传输方程的方法，利用致密介质理论来考虑积雪的近场效应，辐射传输方程的边界条件和下垫面辐射计算则采用高级积分方程模型（AIEM）。文中首先分析了辐射模型对下垫面参数特性和积雪颗粒特性的敏感性，结果表明下垫面特性和积雪颗粒大小对当前人们采用的温度梯度雪水当量反演算法有着很大影响。另外，本文利用瑞士Weissfluhjoch试验区的地面实验数据，对该积雪辐射模型在宽波段高频率和大角度的辐射信号模拟能力做了验证，验证结果表明该模型模拟值与地面实测数据吻合很好，说明积雪辐射模型能很好模拟自然地表的积雪辐射信号。     

Envisat-1双极化雷达数据建模及应用

根据欧空局Envisat-1卫星上ASAR传感器的系统参数和双极化特点，利用AIEM模型模拟，建立了裸露地表同极化后向散射模型和粗糙度参数计算模型。前者把同极化总后向散射系数表达成人射角和两个地表参数（土壤水分和粗糙度）的函数；后者给出了用双极化雷达数据计算粗糙度的方法。把这两个模型结合，用于土壤水分反演，分别用模拟数据和实测数据验证，良好的结果证明了这两个模型的可靠性和实用性。双极化后向散射模型的建立，将为以后PALSAR（日本）和RADARSAT-2（加拿大）多极化雷达数据的应用打下基础。     

改进AMSR-E雪水当量算法研究

为了发展雪水当量物理反演算法,本文对不同散射阶模型——零阶、一阶、多次散射模型进行敏感性试验与分析,结果表明我们必须在前向理论模型和反演模型中考虑多次散射作用。本文采用的多次散射积雪辐射理论模型——双矩阵法（Matrix Doubling）求解辐射传输方程,用致密介质理论模型（DMRT）模拟积雪发射和消光特性,用AIEM模型模拟地表辐射及作为辐射传输方程的边界条件。由于该多次散射积雪辐射理论模型的复杂性,拟发展出简单且高精度的积雪辐射参数化模型,以发展雪水当量物理反演算法。因此,在包括多次散射的积雪理论模型基础上,本文通过建立针对AMSR-E传感器参数设置的积雪辐射模拟数据库,该数据库包含了各种可能的自然积雪和地表特性参数。从而在模拟数据库基础上,本文发展了针对AMSR-E的积雪参数化模型。     

双极化SAR数据反演裸露地表土壤水分

为了较高精度地获取大范围地表土壤水分,提出一种基于双极化合成孔径雷达数据的裸露地表土壤水分反演模型即非线性方程组,通过改进的粒子群算法求解非线性方程组从而得到土壤水分。首先通过AIEM模型数值模拟和回归分析,得到一种新的组合粗糙度,然后模拟分析得到土壤水分与雷达后向散射系数的关系,从而建立雷达后向散射系数与组合粗糙度、土壤水分的经验关系。利用ASAR C波段双极化雷达数据,基于经验关系和改进的粒子群算法即可实现土壤水分的反演。经过黑河流域实测土壤水分数据对模型进行验证,反演结果与实测数据具备良好的相关性(R~2=0.778 6)。与以往同一区域研究成果比较,文中的方法反演精度有所提高,更适用于裸露地表土壤水分反演。     

双矩阵算法的L波段多角度玉米微波辐射参数化模型

双矩阵MD(Matrix-Doubling)算法是辐射传输方程的一种数值解,考虑了植被层内的多次散射信号,具有较高的模拟精度。但受限于算法的复杂性,很难直接应用到地表参数的反演中。本文以玉米覆盖地表为研究对象,基于MD算法的模拟数据,发展了一种L波段多角度微波辐射参数化模型。基于模拟数据的对比结果表明,参数化模型具有与理论模型相当的精度,两者之间的发射率误差不超过0.004(V极化)和0.007(H极化)。同时,结合黑河流域的地面实测数据,利用本论文中发展的参数化模型模拟了纯玉米像元的辐射亮温。该模拟结果与相同像元尺度上机载L波段微波辐射计(PLMR)观测亮温之间的差异基本在10 K以内。     

用双矩阵法和积分方程模型估算地表的亮度温度

提出了一种估计覆盖植被的地表亮度温度模型。模型中的植被看作是不同大小和朝向的离散散射体如叶、茎、杆构成。植被层内的体散射以及植被与地表之间的多次散射采用了双矩阵法(M atrix Doub ling)计算,地表辐射采用了积分方程模型(Integral Equation M ethod)。较高频率上的模拟结果显示植被的辐射是主要的,植被对地表辐射的衰减作用较明显。模拟的亮度温度跟SGP99机载C波段以及AMSR-E的X和Ku波段实测数据相比接近一致。     

基于FY-3B/MWRI数据的裸土区土壤湿度反演

使用高级积分方程模型,模拟多个地表参数条件下的风云三号B星微波成像仪(FY-3B/MWRI)资料。基于模拟数据,分析地表微波辐射特性,利用粗糙地表发射率Qp模型,建立我国西部地区裸露地表土壤湿度反演模型。将该模型用于我国西部地区4个日期(2011年10月8日、10月18日、10月28日和11月8日)的土壤湿度反演,并将反演结果用实测数据进行交叉验证。结果表明:反演土壤湿度与实测土壤湿度的决策系数R2为0.604,均方根误差为0.030 5 cm3/cm3,反演模型具有较高的反演精度。     

利用主被动微波遥感结合反演土壤水分的理论模型分析

为了更好地进行土壤水分反演,发展了一种基于热带降雨观测计划(TRMM)的主被动微波结合反演裸露地表土壤水分的算法.为了提高反演精度,同时利用TRMM搭载的测雨雷达(PR)和微波成像仪(TMI)进行观测.另外,针对PR/TMI数据,还建立了包含大范围的土壤水分和粗糙度参数的AIEM模型数据库.通过分析AIEM模型对地表后...     

利用双极化微波遥感数据反演土壤水分的新方法

提出了一种基于微波双极化数据的土壤水分反演经验模型,该模型引入了新的综合粗糙度参数Rs=S2/L(1/2)来描述地表粗糙状况,将两个粗糙度参数均方根高度S和相关长度L合二为一,因而模型的未知量仅为Rs与法向菲涅尔反射系数Г0。基于AIEM模型数值模拟,建立了后向散射系数与Rs、Г0的经验关系,并利用两个极化的微波数据同时反演得到粗糙度参数Rs和Г0,进而得到地表土壤水分。实测数据表明,该模型反演的土壤水分与地表实测值相关性较高(R2=0.681,RMS=0.043),在土壤水分反演方面具有较大的潜力。     

中国陆地区域陆表温度业务化遥感反演算法及产品运行系统

地表温度反演的裂窗算法已成功应用于NOAA系列卫星热红外遥感数据。目前，裂窗算法中应用较为广泛的一种是Becker等人于1990年提出的局地裂窗算法，主要是通过辐射传输模型模拟不同地表条件和大气状况下，地表温度和发射率对红外辐射亮温的影响，从而发展出一个利用AVHRR4，5通道亮温数据反演地表温度的线性模型。在晴空无云和地表比辐射率能精确估算的情况下，Becker算法反演地表温度的精度在1K以内。Becker算法用Lowtran程序模拟计算地表辐射量，且模型中参数主要针对NOAA-9传感器特性得到。本文在Becker算法的基础上，针对NOAA-16／17传感器热红外通道光谱响应函数特性，利用最新的、计算光谱分辨率更高的MODTRAN程序模拟不同大气状况下，不同地表温度和发射率对NOAAAVHRR4，5通道辐射亮温响应特性的影响，改进Becker算法中模型参数，使之能适用于NOAA-16／17热红外数据。同时，本文利用植被指数NDVI，在中国陆地区域lkm分辨率最新地表分类数据的基础上，得到模型中需要的地表比辐射率参数，将改进的模型应用于1km分辨率NOAA17数据，得到了旬合成中国陆地区域范围地表温度，通过地面气象台站实测数据对比验证．取得了较好的结果。     

利用ASAR图像监测土壤含水量和小麦覆盖度

以高级合成孔径雷达（ASAR）影像数据和地面实测数据为基础，分析了裸土、低覆盖（覆盖度为0．2左右）冬小麦麦地的后向散射与土壤含水量、地表粗糙度及小麦覆盖度之间的关系，探讨了裸土和冬小麦麦地土壤含水量及小麦覆盖度的反演方法。分析结果表明：①裸土后向散射系数受地表粗糙度和土壤质地的综合影响较大，裸土的后向散射和土壤含水量正相关关系未达显著，反演裸土土壤含水量必须考虑这两个因素的影响。②冬小麦麦地两种极化后向散射对土壤含水量和小麦覆盖度的敏感性差异明显。由于小麦植株与土壤的水平同极化后向散射差异较大，水平极化后向散射系数和小麦覆盖度及土壤含水量相关性达到显著；冬小麦麦地的垂直同极化后向散射对土壤含水量较敏感，垂直极化后向散射系数和土壤含水量的相关性达到显著，但与小麦覆盖度的相关性相对较低。据此，利用冬小麦麦地的两个同极化后向散射系数，建立了后向散射系数与土壤含水量和小麦覆盖度之间的关系模型，实现了小麦覆盖度和冬小麦覆盖下的土壤含水量反演。验证结果表明：土壤含水量和小麦覆盖度反演结果与地面调查和测量结果一致。     

多角度遥感估算稀疏团粒分布型土壤表面粗糙度方法初探

表面粗糙度是影响土壤在微波波段发射和散射辐射的主要因素之一,也是微波遥感研究与应用的重要参量。由于微波后向散射还受介电特性、穿透深度等因素的影响,在微波遥感应用中往往难以单独考虑介质表面粗糙度,给参数估算与反演带来了一定困难。在可见光、近红外波段,粗糙度作为土壤表面重要的结构参数之一,直接影响着土壤的二向反射分布特征。因此,本文尝试利用光学多角度观测信息,反演土壤表面粗糙度。基于地表二向反射几何光学模型,假设裸土像元由随机分布于平坦表面的土壤团粒组成,将团粒近似为半椭球体,建立裸露土壤表面二向反射模型,模拟不同粗糙度条件下土壤表面像元的二向反射分布特征。进一步尝试采用多角度观测数据反演模型,估算土壤团粒的几何结构参数,进而计算土壤表面均方根高度,作为表面粗糙度的衡量指标。地面实测多角度数据的初步验证结果表明,多角度光学遥感估算土壤表面粗糙度的方法是可行的。     

合成孔径雷达反演裸露地表土壤水分的新方法

提出了一种新的合成孔径雷达(SAR)反演裸露地表土壤水分的经验模型,该模型同时考虑了均方根高度S和相关长度L的影响,并将两个粗糙度参数合二为一,然后利用VV和VH极化的后向散射系数即可反演得到土壤水分。通过实测数据对模型进行了验证,发现在θ020°时,模型反演值与模拟值有着良好的相关关系(R2=0.71)。该模型在不需要测量地面粗糙度的情况下可以反演得到比较好的土壤水分精度,尤其适用于地表情况复杂、难以精确测量的地区。     

Deriving Marine-Boundary-Layer Lapse Rate from Collocated CALIPSO, MODIS, and AMSR-E Data to Study Global Low-Cloud Height Statistics

Global cloud-top height statistics of marine-boundary-layer clouds are derived from the Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation (CALIPSO) Level 2 aerosol and cloud layer products. The boundary-layer lapse rate in the northeast region of the Pacific Ocean is investigated using sea surface temperature (SST) data from the Advanced Microwave Scanning Radiometer-EOS (AMSR-E), cloud-top temperature data from the Moderate Resolution Imaging Spectroradiometer (MODIS), and cloud-top height data from CALIPSO. Based on the lapse rate derived from the combined CALIPSO/MODIS/AMSR-E measurements, cloud-top heights in regions within CALIPSO tracks are derived from AMSR SST and MODIS cloud temperature to test the validity of this approach. For homogeneous low-level clouds, the results agree with the cloud-top height from the collocated CALIPSO cloud-top height measurements. These results suggest that the database of derived lapse rates from the combined measurements can be applied to study cloud-top height climate statistics using the MODIS and AMSR data when CALIPSO observations are not available.      

基于参数不确定性分析的SAR土壤水分反演精度控制方法

参数不确定性是SAR反演土壤水分的重要不确定性来源,为控制土壤水分反演精度,提出一种基于参数不确定性的有效控制土壤水分反演精度的方法,使用该方法可以控制参数的误差范围。首先使用全局敏感性分析方法,确定后向影响散射系数输出的主要参数;在不同量级高斯噪声随机扰动下,将大量各参数采值输入AIEM模型中,得到带噪声的后向散射系数集合;再使用LUT法反演土壤水分,计算反演结果满足误差量级控制范围。以此为基础,利用ENVISAT ASAR双极化数据(VV、VH)和实测土壤水分数据进行验证,利用LUT法反演得到带噪声的土壤水分,计算ASAR影像中采样点土壤水分反演值RMSE0.04cm3/cm3。结果表明各影响参数误差量级控制范围可有效控制土壤水分反演精度,在较大的入射角范围内都适用。     

An Effective Model to Retrieve Soil Moisture from L- and C-Band SAR Data

This study investigated an appropriate method for soil moisture retrieval from radar images and coincident ground measurements acquired over bare soil and sparsely vegetated regions. The adopted approach based on a single scattering integral equation method (IEM) was developed to establish the relationship between backscatter coefficient and surface soil parameters including volumetric soil moisture content and surface roughness. The performance of IEM in 0–7.6 cm is better than that in 0–20 cm. Moreover, IEM can simulate correctly the backscatter coefficients only for the root mean square (RMS) height s < 1.5 cm at C-band and s < 2.5 cm at L-band by using an exponential correlation function and for s > 1.5 cm at C-band and s > 2.5 cm at L-band by using Gaussian function. However, due to the difficulties involved in the parameterization of soil surface roughness, the estimated accuracy is not satisfactory for the inversion of IEM. This paper used a combined roughness parameter and Fresnel reflection coefficient to develop an empirical model. Simulations were performed to support experimental results and to highlight soil moisture content and surface roughness effects in different polarizations. Results showed that a good agreement was found between the IEM simulations and the SAR measurements over a wide range of soil moisture and surface roughness characteristics. The model had a significant operational advantage in soil moisture retrieval. The correlation coefficients were 77.03 % at L-band and 81.45 % at C-band with the RMSEs of 0.515 and 0.4996 dB, respectively. Additionally, this work offered insight into the required application accuracy of soil moisture retrieval at a large area of arid regions.     

A disaggregation approach for estimating high spatial resolution broadband emissivity for bare soils from Landsat surface reflectance

High spatial resolution land surface broadband emissivity (BBE) is not only useful for surface energy balance studies at local scales, but also can bridge the gap between existing coarser resolution BBE products and point-based field measurements. This study proposes a disaggregation approach that utilizes the established BBE–reflectance relationship for estimating high spatial resolution BBE for bare soils from Landsat surface reflectance data. The disaggregated BBE is compared to the BBE calculated from spatial–temporal matched Advanced Spaceborne Thermal Emission and Reflectance Radiometer emissivity product. Comparison results show that better agreement is achieved over relative homogeneous areas, but deteriorated over heterogeneous and cloud-contaminated areas. In addition, field-measured emissivity data over large homogeneous desert were also used to validate the disaggregated BBE, and the bias is 0.005. The comparison and validation results indicated that the disaggregation approach can obtain high spatial resolution BBE with better accuracy for homogeneous area.