植被覆盖地表土壤水分遥感反演

以地域特色突出的新疆渭干河-库车河三角洲绿洲为研究区,联合使用雷达数据和光学遥感数据,对干旱区绿洲土壤和植被水分信息进行提取。在同期光学遥感影像数据提取植被归一化差分水分指数基础上,利用"水-云模型"从雷达数据总的后向散射中去除植被影响,建立土壤后向散射系数与土壤含水量的关系,相关系数为HH极化R2=0.5227,HV极化R2=0.3277。结果表明利用C波段HH极化雷达影像数据结合光学影像数据,进行干旱半干旱地区棉花、玉米等农作物种植区地表土壤水分反演时,在中等覆盖条件下去除植被影响有较好的效果。     

植被覆盖区土壤水分反演研究——以北京市为例

以北京市为研究区域,联合使用光学遥感数据和雷达数据,对植被覆盖区地表土壤水分进行反演研究。在利用同期光学数据提取出归一化水分指数(normalized differential water index,NDWI)之后,利用water-cloud模型去除植被层在土壤水分后向散射中的贡献,然后考虑到地表粗糙度,在构建后向散射数据库的基础上分别利用HH和HV极化方式的后向散射系数构建土壤水分反演模型,并对反演结果进行对比研究。结果表明,采用HH极化方式反演土壤水分的均方根误差为0.044,相对误差为15.5%;采用HV极化方式反演土壤水分的均方根误差为0.057,相对误差为20.3%;相比而言,HH极化的反演效果更好。     

目标分解技术在植被覆盖条件下土壤水分计算中的应用

目标分解技术利用协方差距阵的特征值和特征矢量，将极化雷达后向散射测量值分解为单向散射，双向散射和交叉极化散射三个分量，并建立了植被覆盖地表的一阶物理离散散射模型。通过分解的各分量与该模型的比较，建立重轨极化雷达测量数据估算土壤水分的方法，采用Washita‘92实验区多时相全极化L波段JPL/AIRSAR图像雷达测量数据，利用分解的散射测量值，我们评估了在同一入射角，单频（L波段），多路条件下，分解理论在进行土壤水分估计时减少植被影响的能力。结果表明利用目标分解理论和重轨极化雷达数据可以估算植被覆盖区域土壤水分的变化情况。     

星载微波辐射计遥感反演云水量的一个算式

云柱含义水量（常称为云水路径,以下简写为Ｌ）是气象学中一个重要的物理参量。星载微波辐射计量目前监测全球范围云水路径分布和变化的最强有力的技术手段。已上天的微波辐射计（如ＳＳＭ／Ｉ）反演云水路径Ｌ的算式需要进一步改发展;将要上天的仪器（如日本的ＡＤＥＯＳⅡ－ＡＭＳＲ）反演式需要建立。采用物理－统计反演方法,建立了一个Ｌ反演算式。主要过程是,先根据辐射传输模式模拟得到的资料,建立云水量Ｌ与有云无云高温     

粗糙度对被动微波遥感反演土壤水分影响的试验研究

土壤水分是气象预报、农情监测及水文模型的重要参数之一,利用被动微波遥感技术可以有效获取土壤水分。本文分析被动微波遥感反演土壤水分的国内外研究现状,在前人相关理论与方法的研究基础之上,基于土壤的微波辐射特性,通过双波段(C、Ku)微波辐射计对不同水分、不同表面粗糙度的土壤微波辐射特性进行了试验研究,分析土壤湿度与微波发射率、土壤粗糙度与微波遥感指数之间的定量关系,并建立了土壤湿度与微波发射率、粗糙度与微波遥感指数间的经验模型。     

神舟四号飞船微波辐射计定标和检验（Ⅱ）——微波辐射计地物参数反演及其检验

针对神舟四号飞船微波辐射计(RAD)特殊入射角、频率的特点,开发了海面和大气参数的反演算法。然后用这个算法模拟RAD不同通道的亮温。最后用发射后重新定标的亮温结合国外大洋浮标、小岛上的气象探空数据以及其他星载微波辐射计产品,对RAD反演算法进行改进,最后给出海面温度、风速和大气水汽含量的反演的结果,并且对这些结果进行了检验。     

利用BG算法提高微波辐射计空间分辨率

将BG算法应用于增强微波辐射计空间分辨率 ,BG算法的基本原理是 ,如果测量密度大于仪器本身的分辨率 ,便可找到周围测量点的线性组合而得到一幅较高分辨率的图像 ,此原理同样适合其它遥感仪器。借鉴Stogryn的研究成果 ,在应用BG算法的同时 ,引入可调参数 ,它能够调整空间分辨率和系统的灵敏度之间的约束关系 ,使增强后的图像能够进行折衷处理 ,而不至于因为过分增强分辨率而使图像的斑点噪声增大 ,降低图像的质量。应用BG算法 ,对 2 0、5 0和 90GHz的微波仿真图像进行了图像增强处理 ,结果表明图像分辨率得到了增强 ,空间分辨率提高的倍数依赖于数据采样密度。     

利用AMSR-E微波辐射计对地表粗糙度参数的一种新标定方法

在利用微波辐射计进行对地观测的过程中，陆地表面特性参数（如土壤水分、土壤粗糙度和植被冠层）是土壤微波辐射的重要影响因素。地表粗糙度的标定对于利用微波辐射计数据反演地表参数而言是十分重要的工作。地表粗糙度参数（h和Q）随着观测频率而变化。通常的标定方法是，假设h的空间分布是变化的，Q在全球均一地分布，则在沙漠地区首先采取h=0的近似，再对Q进行标定。但是事实上，h和Q在全球的分布都是变化着的，这与地面环境状况有关。以AMSR—E数据为例，在对MPD1分析的基础上，推导给出了简单的、基于理论模型的参数厂。厂可以直接由观测亮温值计算得到，它是一个与土壤水分无关，仅与植被层含水量7．0，和土壤粗糙度σ有关的参量，因此它可以用于地表粗糙度的标定和对植被层含水量、植被生长／变化的估计。本文选择干旱季节里的北非地区，在没有对h采取任何假设的前提下，利用参数厂实现了对地表粗糙度参数h和σ的标定，并与原有标定方法的结果做了比较分析。     

利用星载微波辐射计AMSR-E数据反演海洋地球物理参数

从微波辐射传输原理出发, 通过理论模拟的亮温建立了海洋和大气参数的反演算法, 利用AMSR-E数据进行地球物理参数的反演验证, 并利用Wentz算法进行相同参数的反演, 以判断反演的效果。研究表明：在使用各种方法进行参数反演的时候, 反演结果和实际值之间存在很好的相关性, 但是都存在一个系统偏差需要修正。通过与NCEP和TAO浮标两组数据的比较发现, 同样的算法反演结果的均方根误差不同, 采用浮标数据比较的反演结果明显好于NCEP数据, 原因可能是NCEP数据存在一定的不确定性。算法反演大洋海面温度和风速的均方根误差分别为0.73K和1.21m/s。     

光学与微波数据协同反演农田区土壤水分

光学和微波协同遥感反演对于提高农田土壤水分遥感反演精度十分重要。本文采用SMEX02数据集,研究了L波段土壤发射率与地表土壤水分之间的关系,分析了地面植被覆盖对L波段土壤发射率与地表水分之关系的影响规律,推导了以L波段土壤发射率和归一化植被指数NDVI为自变量的土壤水分反演模型。研究表明:L波段土壤发射率与地表土壤水分之间的相关性随NDVI的增加而下降。验证结果表明,本文算法相对常规经验算法,土壤水分反演精度明显提高,H极化条件下,土壤水分的反演精度RMSE由0.0553提高到0.0407,相关系数R2由0.70提高到0.81;V极化条件下,反演精度RMSE由0.0452提高到0.0348,相关系数R2由0.79提高到0.86。     

植被层对被动微波遥感土壤水分反演影响的研究

在很多对土壤水分被动微波遥感的研究中 ,为简单起见 ,覆盖的植被层使用了一种简单的模型来表征其散射和衰减特性。本文中使用了一种基于辐射传输理论的离散模型来研究植被的发射率、传输率。这种方法可以更加真实地刻划组成植被的散射个体如叶、茎、树枝、树干等对这两个参数的影响 ,因而能更准确地描述植被对下垫面的影响。为了减少土壤水分反演算法中未知量的数目 ,该文给出了这两个参数的模拟结果分别在AMSR E三种不同频率下的简单关系。     

基于MODIS数据对不同植被覆盖下土壤水分监测的可行性研究

论文利用2005年、2006年怀来实验场附近玉米生长期中的多次野外试验数据，以热惯量模型为基础，探讨MODIS数据监测土壤水分的可行性。论文对该模型与算法进行了分析，并探讨了不同植被覆盖度下，热惯量方法监测土壤水分的可行性。论文引入归一化植被指数对热惯量法进行修正，得到一个新的回归参数，通过实验分析验证，在不同植被覆盖下，该参数与土壤含水量具有较好的相关关系，具有一定的实际可行性。     

利用温度植被旱情指数（TVDI）进行全国旱情监测研究

利用NOAA AVHRR资料提取的归一化植被指数 (NDVI)和陆地表面温度 (LST) ,构建NDVI Ts 特征空间 ,依据该特征空间设计的温度植被旱情指数作为旱情指标 ,对中国 2 0 0 0年 3月和 5月各旬的旱情进行了研究。研究结果表明在 2 0 0 0年 3月和 5月的重旱区主要分布在中国西北地区 ,在华北和华南的部分地区也有较大范围的分布 ,3月和 5月的全国重旱面积分别为 6 7 2× 10 4km2 和 12 6 1× 10 4km2 ;通过与各气象站测定的表层 10cm土壤重量含水量 (θ)数据进行相关性研究表明 ,利用综合了植被覆盖信息和陆地表面温度信息的TVDI旱情指标能够较好地反映表层土壤水分变化趋势 ,作为旱情评价指标是合理的 ;对TVDI随NDVI和Ts 变化的敏感性评价结果表明 ,以陆地表面温度为基础的旱情指标相对比以植被指数为基础的旱情指标更合理。     

The Second Modified Perpendicular Drought Index (MPDI1): A Combined Drought Monitoring Method with Soil Moisture and Vegetation Index

Since soil moisture and vegetation index are direct and important indicators for surface drought status, a new drought monitoring method (MPDI1) is developed in NIR-Red reflectance space. It is a combination of two satellite-derived variables—a soil moisture component using the Perpendicular Drought Index (PDI), and a vegetation component using the Perpendicular Vegetation Index (PVI). Enhanced Thematic Mapper Plus (ETM+) image and in-situ ground observation are introduced to validate the accuracy of the proposed method. Results indicate that MPDI1 is highly consistent to the in-situ ground observation with the coefficient of determination (R²?=?0.49) between MPDI1 and 5–20 cm mean soil moisture, which is slightly higher than the coefficient of determination (R²?=?0.42) between MPDI1 and 10 cm soil moisture. Compared with drought indices such as PDI and the Modified Perpendicular Drought Index (MPDI), MPDI1 provides quite similar trends for bare soil or lower vegetated surface, but it demonstrates a better performance in measuring densely vegetated surface. This paper concludes that MPDI1 provides correct and sufficient information on surface drought status in soil-plant continuum, which appears to have robust available and great potential for surface drought estimation in China and other countries.     

综合主动和被动微波数据监测土壤水分变化

微波遥感测量土壤水分的方法主要分主动和被动两种，它们都是基于干燥土壤和水体之间介电常数的巨大差异。估算植被覆盖土壤表面土壤水分必须要考虑地表粗糙度和植被覆盖影响的问题。植被覆盖土壤表面的后向散射包括来自植被的体散射，来自地表的面散射和植被与地表间的交互作用散射项。本研究建立了一个半经验公式模型，用来计算体散射项，综合时间序列的主动和被动微波数据，消除植被覆盖的影响，估算地表土壤水分的变化状况。并应用1997年美国SGP‘97综合实验中的机载800m分辨辐射计ESTAR数据计算表面反射系数，综合Radarsat的SCAN-SAR数据得到体散射项，然后，由NOAA/AVHRR和TM计算得到的NDVI值加权分配50m分辨率的体散射项，最后计算50m分辨率的表面反射系数的变化值，从而得到土壤水分的变化情况，验证数据表明该计算结果与实测值一致。     

A simple retrieval method of land surface temperature from AMSR-E passive microwave data—A case study over Southern China during the strong snow disaster of 2008

The analysis of the passive microwave radiance transfer equation certifies that there is a linear relationship between satellite-generated brightness temperatures (BT) and in situ observation temperature and that land surface temperature (LST) is largely influenced by vegetation cover conditions. Microwave polarization difference index (MPDI) is an effective indicator for characterizing the land surface vegetation cover density. Based on the analysis of LST models from AMSR-E BT with 6.9 GHz MPDI intervals at 0.04, 0.02 and 0.01, respectively, this paper developed a simplified LST regression model with MPDI-based five land cover types, combining observation temperatures from 86 meteorological observation stations. The study shows that smaller MPDI intervals can obtain higher accuracy of AMSR-E LST simulation, and that the combination of HDF Explorer and ArcGIS software was useful for automatically processing the pixel latitude, longitude and BT information from the AMSR-E HDF imagery files. The RMSE of the five LST simulation algorithms is between 1.47 and 1.92 °C, with an average LST retrieval error of 0.91–1.30 °C. Besides, only 7 polarization bands and 5 land surface types are required by the proposed simplified model. The new LST simulation models appears to be more effective for producing LST compared to past most studies, of which the accuracy used to be more than 2 °C. This study is one of the rare applications that combine the meteorological observation temperature with MPDI to produce the LST regression analysis algorithms with less RMSE from AMSR-E data. The results can be referred to similar areas of the world for LST retrieval or land surface process research, in particular under extreme bad weather conditions.     

Global SMOS Soil Moisture Retrievals from The Land Parameter Retrieval Model

A recent study by Van der Schalie et al. (2015) showed good results for applying the Land Parameter Retrieval Model (LPRM) on SMOS observations over southeast Australia and optimizing and evaluating the retrieved soil moisture (θ in m³ m⁻³) against ground measurements from the OzNet sites. In this study, the LPRM parameterization is globally updated for SMOS against modelled θ from MERRA-Land (MERRA) and ERA-Interim/Land (ERA) over the period of July 2010–December 2010, mainly focusing on two parameters: the single scattering albedo (ω) and the roughness (h). The Pearson's coefficient of correlation (r) increased rapidly when increasing the ω up to 0.12 and reached a steady state from thereon, no significant spatial pattern was found in the estimation of the single scattering albedo, which could be an artifact of the used parameter estimation procedure, and a single value of 0.12 was therefore used globally. The h was defined as a function of θ and varied slightly for the different angle bins, with maximum values of 1.1–1.3 as the angle changes from 42.5° to 57.5°.This resulted in an average r of 0.51 and 0.47, with a bias (m³ m⁻³) of −0.02 and −0.01 and an unbiased root mean square error (ubrmse in m³ m⁻³) of 0.054 and 0.056 against MERRA (ascending and descending). For ERA this resulted in an r of 0.61 and 0.53, with a bias of −0.03 and an ubrmse 0.055 and 0.059. The resulting parameterization was then used to run LPRM on SMOS observations over the period of July 2010–December 2013 and evaluated against SMOS Level 3 (L3) θ and available in situ measurements from the International Soil Moisture Network (ISMN). The comparison with L3 shows that the LPRM θ retrievals are very similar, with for the ascending set very high r of over 0.9 in large parts of the globe, with an overall average of 0.85 and the descending set performing less with an average of 0.74, mainly due to the negative r over the Sahara. The mean bias is 0.03, with an ubrmse of 0.038 and 0.044. In this study there are three major areas where the LPRM retrievals do not perform well: very dry sandy areas, densely forested areas and over high latitudes, which are all known limitations of LPRM. The comparison against in situ measurement from the ISMN give very similar results, with average r for LPRM of 0.65 and 0.61 (0.64 and 0.59 for L3) for the ascending and descending sets, while having a comparable bias and ubrmse over the different networks. This shows that LPRM used on SMOS observations produce θ retrievals with a similar quality as the SMOS L3 product.     

利用窗口GPS多径干涉相位反演土壤湿度

利用GPS信噪比（signal-to-noise ratio,SNR）观测值监测土壤湿度的精度直接受多径干涉相位与土壤湿度间的关系模型影响。传统方法基于线性模型,通过增加样本数量、排除特例提高普适性,但未合理考虑坡度、植被及天气等因素。基于上述因素短期变化可忽略的假设,引入时间窗口,采用自相关分析确定窗口长度,利用窗口内样本动态线性回归构建预测和插值模型反演土壤湿度。实验结果表明,引入窗口后,预测、插值误差分别下降17.4%和54.6%,相关系数上升16.2%和32.9%。插值模型利用了待估时刻之后的观测量,精度更高;预测模型精度略低,但更适于实时应用。同时,残差极大值与土壤湿度的上升之间显著相关。预测残差较土壤湿度具有极大值更小、时刻略微提前的时域特征。     

地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析

基于双天线全球导航卫星系统反射技术（global navigation satellite system reflectometry,GNSS-R）,建立了两个修正地表粗糙度影响的土壤湿度反演模型——解析模型和人工神经网络模型,并以GPS L1 C/A码为例建立了GNSS-R土壤湿度仿真平台,仿真分析了地表粗糙度对两个模型反演精确度的影响。结果表明,当地表均方根高度大于0.010 m时,必须对解析模型进行粗糙度修正。粗糙度影响修正结果显示,小粗糙度情况下修正的解析模型取得了良好的结果,但对于大粗糙度有一定局限性。在均方根高度大于0.025 m时,进行土壤粗糙度修正前,人工神经网络模型精度比解析模型提高了36.83%~72.36%。进行修正后,人工神经网络模型的精度比解析模型提高了42.86%~54.40%。人工神经网络模型在修正前后取得了相近的精度,无修正的人工神经网络模型精度比有修正的解析模型精度仍提高了35.83%~53.48%。