基于SMAP亮温数据反演青藏高原玛曲区域土壤未冻水

未冻水和冰共同存在于冻土中,两者的相互转化即冻融变化深刻影响寒区地表水分循环和能量收支。被动微波遥感技术是土壤水分监测的主要手段,但目前大多应用于非冻结土壤的水分反演,对负温环境下冻结土壤中未冻水的反演研究较少。基于SMAP卫星升轨和降轨时刻的亮温观测数据和经改进后适用于青藏高原地区的零阶微波辐射模型,利用单通道算法（SCA）和双通道算法（DCA）,对青藏高原东部黄河源区玛曲区域季节冻土中的未冻水含量进行反演。结果表明：基于SMAP不同过境时刻亮温观测及不同算法的土壤未冻水反演结果均较同步地反映了研究区实测值的动态变化特征（相关系数R均大于0.9）。其中,基于SMAP降轨时刻亮温观测的反演结果在冻融交替的过渡季节存在明显低估,而基于升轨时刻亮温观测得到的反演结果精度更高。基于垂直极化亮温观测的单通道（SCA-V）和DCA算法得到的升轨时刻的反演值与实测值的无偏均方根误差（ubRMSE）分别为0.035 m³m^-3和0.039 m³m^-3,均达到SMAP任务的设计要求（即ubRMSE≤0.04 m³m^-3）,其中SCA-V对该研究区土壤未冻水的反演精度最高。与SMAP标准产品相比,基于SCA-V算法反演得到的暖季土壤水分精度更高。此外,该算法能成功反演得到冻结期土壤未冻水的动态变化,因此更适用于青藏高原地区冻融土壤条件下的水分反演。     

基于多频被动微波遥感的土壤水分反演—以黑河上游为例

土壤水分是陆地生态系统中最重要的组成部分,如何有效地得到高精度的土壤水分产品成为当前研究最为关注的问题。被动微波遥感具有监测面积大、重访周期短、对土壤水分敏感等优点,成为反演土壤水分最有潜力的方式。基于SMOS（Soil Moisture and Ocean Salinity）和AMSR2（The Advanced Microwave Scanning Radiometer-2）数据,通过研究L波段与C波段融合亮度温度在土壤水分反演中的潜力,发展多频率土壤水分反演算法,并对黑河上游4个像元开展土壤水分反演研究。结果表明：①利用L/C组合亮温反演结果与实测数据较为吻合,长时间内变化趋势一致,相关系数为0.841,均方根误差为0.063 m³/m³。②通过与SMOS和AMSR2官方土壤水分产品比较发现,AMSR2土壤水分产品存在明显的低估,SMOS土壤水分产品缺失值较多,无法得到较为完整的土壤水分时间序列;利用L/C多频率组合反演得到的结果明显优于官方土壤水分产品。融合L与C波段亮温数据,可有效提高反演土壤水分精度,实现高精度土壤水分的获取。     

中国东部沿海四省一市PM2.5浓度遥感估算方法研究

卫星遥感反演的气溶胶光学深度（AOD）产品已被广泛应用于近地面PM_2.5浓度的估算。已有研究表明通过构建AOD和PM_2.5之间的高级统计模型—线性混合效应模型（LME）可以有效获取近地面PM_2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD（空间分辨率：3 km）,以我国东部长江三角洲—福建—广东（YRD-FJ-GD）为研究区,构建了两种非参数机器学习模型,即支持向量机（SVM）和随机森林（RF）模型,来估算2018年YRD-FJ-GD地区的近地面PM_2.5浓度,并将其与线性混合效应模型（LME）的估算结果进行对比。研究发现,3种模型估算的PM_2.5浓度与地面实测值之间的R²均高于0.6,其中,RF模型的估算精度最优,模型拟合的R²高达0.91,比SVM模型（R²=0.79）和LME模型（R²=0.64）的估算结果分别提高了13%和30%;且RMSE（~9.07 μg/m³）也远低于LME（~19.09 μg/m³）和SVM模型（~17.29 μg/m³）。此外,由随机森林（RF）模型估算的2018年YRD-FJ-GD地区的PM_2.5空间分布显示,长江三角洲（YRD）地区的年均PM_2.5浓度最高（>46 μg/m³）,其次为广东省（GD）,福建地区（FJ）的年均PM_2.5浓度最低（<37 μg/m³）;4个季节的平均PM_2.5浓度则呈现冬季（46.32 μg/m³）>春季（38.80 μg/m³）>秋季（36.15 μg/m³）>夏季（30.16 μg/m³）的分布格局。研究结果表明：与高级统计模型（LME）和机器学习（SVM）相比,随机森林（RF）模型能更好地应用于YRD-FJ-GD地区的PM_2.5浓度估算。     

反演策略对SMOS土壤水分反演算法的影响研究

为降低SMOS土壤水分反演算法的复杂度、提高土壤水分反演精度,对SMOS土壤水分反演策略进行调整：将多参数反演改为单参数反演以简化观测与模拟亮温的代价函数,以固定步长（0.001 m3/m3）代替不定步长从而避免复杂的矩阵运算,将围绕土壤水分先验值的少量局部搜索调整为全土壤水分区间（0~0.05 m³/m³）的密集全局搜索。利用美国USCRN 44个站点实测土壤水分分别与SMOS官方反演的土壤水分和SMOS调整算法反演的土壤水分进行对比分析。结果表明：与SMOS相比,算法调整后土壤水分的平均绝对偏差MAD、均方根误差RMSE和无偏均方根误差ubRMSE分别降低了0.012、0.018和0.020 m3/m3。     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度,利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量,该模型包含了多层土壤模块、物候模块以及管理模块;其次,利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中,并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比,Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度,站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后,碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度，利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量，该模型包含了多层土壤模块、物候模块以及管理模块；其次，利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中，并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比，Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度，站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后，碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

基于Sentinel-1数据的黑河中游土壤水分反演

基于Sentinel-1合成孔径雷达 (SAR) 数据及相同时段的中分辨率成像光谱仪（MODIS）和Landsat 8两种归一化植被指数（NDVI）,构建变化检测模型以估算黑河中游的高分辨率土壤水分,并探讨模型中具体参数设置对估算精度的影响。结果表明：①在对后向散射系数时间序列的差值 ( \mathrm{\Delta } \sigma ) 和植被指数 ( \mathrm{V} \mathrm{I} ) 进行线性建模过程中,MODIS NDVI和Landsat 8 NDVI这两种植被产品所构建的模型在 \mathrm{\Delta } \sigma - \mathrm{V} \mathrm{I} 空间中所选取的采样点比例分别为2%和4%时,各自取得最优精度; ②以土壤水分反演为目标,使用Landsat 8 NDVI构建的变化检测模型略优于使用MODIS NDVI构建的变化检测模型,两种模型的均方根误差RMSE分别为0.040 m³/m³和0.044 m³/m³,相关系数R分别为0.86和0.83; ③对于变化检测方法的关键参数,若使用低分辨率的SMAP/Sentinel-1 L2_SM_SP土壤水分数据分别代替站点观测的土壤水分初始值和缩放因子 (即两个连续时相土壤水分变化的最大值 \mathrm{\Delta } M s_{max} ) 这两个参数,则土壤水分RMSE将分别增加0.01 m³/m³和0.04 m³/m³。即土壤水分缩放因子这一参数的误差对反演结果的影响大于土壤水分初始值误差对反演结果的影响,故采用高精度的缩放因子进行变化检测估算。研究结论对于利用新兴的Sentinel-1 SAR数据,通过变化检测算法准确获取高分辨率土壤水分信息具有实际参考价值。     

基于地基微波辐射观测的土壤水分反演算法评估

当前常用的被动微波土壤水分反演算法有水平极化单通道算法、垂直极化单通道算法、双通道算法、微波极化差比值算法和扩展双通道算法,5种反演算法具有不同的差异,对这些反演算法进行系统的评估和分析将有助于反演算法的改进和星载高精度土壤水分产品的发布。为了避免直接采用卫星产品验证时的尺度匹配、空间异质性等问题,基于地基L波段微波辐射观测以及配套的土壤和植被参数测量数据,对这5种反演算法进行了实现、对比和分析,得出以下结论：①单通道算法具有最佳的反演性能,水平极化单通道算法反演结果具有最高的相关性(相关性系数R=0.83),垂直极化单通道算法反演结果具有最小的反演误差(均方根误差RMSE=0.028 m³/m³,偏差BIAS= -0.011 m³/m³),但单通道算法需要精确的植被含水量输入;②其余3种算法能脱离植被辅助数据的使用,性能略差但也能满足星载微波传感器的探测指标要求(小于等于0.04 m³/m³);其中,扩展双通道算法和微波极化差比值算法的土壤水分反演结果比双通道算法略差,但本例中扩展双通道算法在植被含水量反演方面更具优势。     

SMOS与SMAP过境时段表层土壤水分的稳定性研究

SMOS和SMAP都是为获取全球土壤水分信息而设计的专题卫星,均搭载了L波段辐射计。进行二者的横向对比是构建具有一致性的全球土壤水分数据集的关键基础。虽然SMAP、SMOS名义上的过境时刻是固定的,但二者的实际过境时刻随时间和空间发生变化,它们与地面实测数据三者之间难以匹配形成时序上严格统一的样本对,从而给土壤水分反演结果的精度评定带来困难。针对这一问题,以美国大陆地区为研究区,首先对2016~2017年SMOS、SMAP土壤水分数据的时间戳进行统计,判定二者过境的交叠时段;进而利用高观测频率、大空间尺度的实测数据,研究表层土壤水分在此时段内的自然变化特征。结果显示,按照全部、无降水、有降水3种条件,在样本量分别为98.14%、99.51%和88.49%的绝大多数情况下,表层土壤水分的变化量为0.007 m3/m3、0.007 m3/m3和0.012 m3/m3, 远小于SMOS、SMAP的目标精度（0.04 m3/m3）。初步证实： ①SMOS与SMAP的土壤水分反演结果（L2数据）可进行直接比对;②过境时刻差异对验证误差的影响可不计。     

基于背包激光雷达的单木材积估测方法研究

背包式激光雷达（Backpack Laser Scanning, BLS）在森林资源调查中具有很大的应用潜力,但在复杂地表情景下,单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区,利用随机森林方法,基于BLS点云数据对单木材积和样地蓄积量进行估测。首先,对BLS点云进行单木分割,提取单木胸径（DBH）、树高（H_tree）、冠幅直径（CD）、冠幅面积（CA）、冠幅体积（CV）、郁闭度（CC）、间隙率（GF）和叶面积指数（LAI）共8个特征参数,并计算56个分层高度指标（高度百分比、累积高度百分比、变异系数、冠层起伏率等）。然后,通过随机森林算法构建单木材积估测模型,并对比各种参数组合的预测精度。得到结果： ①仅用8个单木结构特征参数进行建模,估测精度为： R2=0.83、RMSE=0.097 m³; ②加入分层高度指标的模型估测精度有所提升： R2=0.87、RMSE=0.087 m³;③通过Boruta算法进行变量筛选,输入参数从64个减少至52个,估测精度差异不大： R²= 0.87、RMSE=0.087 m³;④样方蓄积量估测精度为： R²=0.97,RMSE=0.703 m³·ha^-1。结果表明,基于BLS点云建立随机森林单木材积估测模型可以较好地估测单木材积,样方蓄积量估测精度高。     

青藏高原地区被动微波遥感反演地表温度算法验证

近年来,青藏高原地区的水热平衡成为关注的焦点,而地表温度是陆表过程模型的重要输入参数之一。被动微波遥感在地表温度反演上已经取得了一些进展。本文重点用被动微波数据反演地表温度算法对青藏高原地区的数据做不同下垫面的地面验证和分析,包括Mao(2005)、Richard(2003)、Zhao(2011)3种算法。研究表明:Richard(2003)的单通道算法能够适应低矮植被地区,反演精度高;Zhao(2011)算法在裸土地区的反演精度更高;而Mao(2005)算法出现了低估的情况。研究发现3种算法的绝对误差随不同时间降雨的变化呈现相同的波动趋势,即反演精度受到降雨的影响,降雨量增大,温度反演误差变大;降雨之后,随着地表逐渐干燥,土壤水分逐渐减小,误差随之减小。     

Pixel-scalesoil Moisture Monitoring Network and Its Preliminary Validation of L-band Soil Moisture Products

Soil moisture is a key variable in the process of crop growth,ground-air water heat exchange and global water cycle,which plays an important role in drought monitoring,hydrological land surface processes and climate change.Passive microwave remote sensing has become the main means of monitoring soil moisture with the sensitivity to soil moisture.In this study,the authenticity test of SMAP（Soil Moisture and Active and Passive） and SMOS（Soil Moisture and Ocean Salinity）passive microwave soil moisture products using the soil moisture sensor network monitoring data carried out against the underlying surface of farmlands in Jilin Province was carried out.The following conclusions were obtained：（1）Compared with the in situ measured data,SMOS L3(ascending and descending overpasses) and SMAP L3 passive microwave soil moisture products generally underestimated the ground data,but With the occurrence of rainfall events,there will be the phenomenon which is the value of soil moisture products is higher than the in situ data; although the unbiased root mean square error (unRMSE) of the two soil moisture products was greater than 0.07 m3/m3,the unRMSE of SMAP passive microwave soil moisture product data which was 0.078 m3/m3 was slightly lower;（2）Since the depth of induction of the L-band is lighter than the depth of detection of the sensor(5cm),and the dryness of the soil surface after rainfall causes the vertical inhomogeneity of soil moisture,which is one of the reasons why SMOS and SMAP passive microwave soil moisture products underestimate soil moisture; （3）SMOS has a higher value than the range of SMAP brightness temperature,which may be caused by radio frequency interference (RFI),which makes the error of soil moisture Retrieval and affects the validation accuracy.The comparison of bright temperature distribution of SMOS and SMAP shows that the effect of RFI on SMOS is more serious due to the influence of electromagnetic radio frequency interference (RFI),which may be the reason why the RMSE of soil moisture product of SMOS is higher than that of passive microwave soil moisture product of SMAP.     

TRMM卫星3B43降水数据在黄河流域的精度分析

利用黄河流域90个气象站点实测降水数据，分别从流域和格网两个空间尺度，运用相关分析、相对误差等统计分析方法对TRMM卫星3B43 v7降水数据在黄河流域的精度进行了评估，在此基础上分析了精度评价指标的空间分布特征，讨论高程、降水强度等因素对精度的影响。结果表明：①在流域尺度上，TRMM月降水数据与站点实测月降水数据呈高度线性相关，TRMM降水数据比站点实测降水数据略微偏高。②在格网尺度上，大部分格网的TRMM月降水数据与站点实测月降水数据的相关系数较高，偏差较小。③TRMM降水精度与降水强度、高程相关，TRMM降水量与实测降水量的平均绝对误差呈自东南向西北递减规律，与黄河流域降水分布规律相一致；相对误差、平均误差和平均绝对误差等指标随着高程的增加呈现逐渐减小的趋势。整体上，对于黄河流域，随着降水量的增多，TRMM数据倾向于低估降水量；高海拔区域，TRMM低估降水量，低海拔区域，TRMM高估降水量。通过评估TRMM卫星降水产品在黄河流域的精度，为本地区地面降水产品提供有效补充。     

基于宇宙射线观测的喀斯特槽谷区典型流域土壤水分反演研究

宇宙射线中子法是一种百米尺度的土壤水分无损测量方法。基于重庆市青木关槽谷区多个站点的多层土壤水分观测数据,针对宇宙射线土壤水分观测系统（COSMOS）同步测得的中子序列开展了土壤含水量反演研究。在反演算法研究过程中,引入S-G滤波对COSMOS快中子数进行平滑,分析了植被含水量的影响,探索和优化了算法率定和验证阶段不同的数据筛选方案。结果表明：该区域植被含水量对COSMOS反演结果影响较小,且考虑全时段土壤水分水平下发展的算法能得到与实测区域平均更为一致的土壤水分序列。最后应用该反演算法进一步生成了COSMOS观测时段的长时间序列土壤水分产品,并与周边相邻土壤水分观测进行间接验证,揭示了该区域的土壤水分季节变化特征。该研究发展的COSMOS土壤水分反演算法在该区域展现了较强的适用性,可为重庆市青木关喀斯特槽谷区典型流域的区域尺度土壤水分观测与水文气象分析提供支持。     

TRMM卫星3B43降水数据在黄河流域的精度分析

利用黄河流域90个气象站点实测降水数据,分别从流域和格网两个空间尺度,运用相关分析、相对误差等统计分析方法对TRMM卫星3B43 v7降水数据在黄河流域的精度进行了评估,在此基础上分析了精度评价指标的空间分布特征,讨论高程、降水强度等因素对精度的影响。结果表明：①在流域尺度上,TRMM月降水数据与站点实测月降水数据呈高度线性相关,TRMM降水数据比站点实测降水数据略微偏高。②在格网尺度上,大部分格网的TRMM月降水数据与站点实测月降水数据的相关系数较高,偏差较小。③TRMM降水精度与降水强度、高程相关,TRMM降水量与实测降水量的平均绝对误差呈自东南向西北递减规律,与黄河流域降水分布规律相一致;相对误差、平均误差和平均绝对误差等指标随着高程的增加呈现逐渐减小的趋势。整体上,对于黄河流域,随着降水量的增多,TRMM数据倾向于低估降水量;高海拔区域,TRMM低估降水量,低海拔区域,TRMM高估降水量。通过评估TRMM卫星降水产品在黄河流域的精度,为本地区地面降水产品提供有效补充。     

A proposed extension to the soil moisture and ocean salinity level 2 algorithm for mixed forest and moderate vegetation pixels

The Soil Moisture and Ocean Salinity (SMOS) mission, launched in November 2009, provides global maps of soil moisture and ocean salinity by measuring the L-band (1.4 GHz) emission of the Earth's surface with a spatial resolution of 40-50 km. Uncertainty in the retrieval of soil moisture over large heterogeneous areas such as SMOS pixels is expected, due to the non-linearity of the relationship between soil moisture and the microwave emission. The current baseline soil moisture retrieval algorithm adopted by SMOS and implemented in the SMOS Level 2 (SMOS L2) processor partially accounts for the sub-pixel heterogeneity of the land surface, by modelling the individual contributions of different pixel fractions to the overall pixel emission. This retrieval approach is tested in this study using airborne L-band data over an area the size of a SMOS pixel characterised by a mix Eucalypt forest and moderate vegetation types (grassland and crops), with the objective of assessing its ability to correct for the soil moisture retrieval error induced by the land surface heterogeneity. A preliminary analysis using a traditional uniform pixel retrieval approach shows that the sub-pixel heterogeneity of land cover type causes significant errors in soil moisture retrieval (7.7%v/v RMSE, 2%v/v bias) in pixels characterised by a significant amount of forest (40-60%). Although the retrieval approach adopted by SMOS partially reduces this error, it is affected by errors beyond the SMOS target accuracy, presenting in particular a strong dry bias when a fraction of the pixel is occupied by forest (4.1%v/v RMSE, −3.1%v/v bias). An extension to the SMOS approach is proposed that accounts for the heterogeneity of vegetation optical depth within the SMOS pixel. The proposed approach is shown to significantly reduce the error in retrieved soil moisture (2.8%v/v RMSE, −0.3%v/v bias) in pixels characterised by a critical amount of forest (40-60%), at the limited cost of only a crude estimate of the optical depth of the forested area (better than 35% uncertainty). This study makes use of an unprecedented data set of airborne L-band observations and ground supporting data from the National Airborne Field Experiment 2005 (NAFE'05), which allowed accurate characterisation of the land surface heterogeneity over an area equivalent in size to a SMOS pixel.     

荷兰农业水土资源利用研究与遥感技术的应用-赴荷兰访问考察团

根据中荷两国学者互访协议,中国科学院沙漠所派我们两人在1985年10月10日至11月6日对荷兰进行了为期四周的考察访问。在荷期间,我们受到荷方学者热情友好的接待,首后访问了国际农业中心(IAC—     

青藏高原GPM降水数据空间降尺度研究

高分辨率的降水数据对于复杂地形区的精确水文预报和气候模拟至关重要。利用青藏高原的植被、地形和地理位置特征,建立了与降水的回归模型,将全球降水测量（GPM）IMERG的年降水量从0.1° 降尺度至1 km,通过分解年降水获得月降水量数据,并用气象站点的实测数据进行校准。得出以下结论：①GPM IMERG月降水量略大于地面观测值,与2015~2017年的站点数据相关性较高（R²=0.79）;②通过建立降尺度模型,提高了研究区GPM IMERG的空间分辨率;③利用站点数据校准后的月降水量,可以反映降水的细节特征,尤其是在雨季和湿润地区。该模型可用于获得地形复杂地区的高空间分辨率降水资料,对水文学和气象学研究具有重要意义。     

Initial results of land-reflected GPS bistatic radar measurements in SMEX02

To investigate scattering of Global Positioning System (GPS) signals from terrain and the potential for remotely sensing soil moisture with the L-band GPS bistatic radar concept, a prototype GPS bistatic radar participated in airborne measurements during the Soil Moisture Experiment 2002 (SMEX02). A 12-channel GPS navigation receiver, modified to perform bistatic radar measurements, was mounted on the NCAR C-130 aircraft to make co-located measurements with other instruments. Narrow pulse returns and comparison of the reflected GPS signal-to-noise ratio (SNR) measurements to digital imagery and cover maps indicated that the scattering was most likely quasi-specular, originating from a small footprint on the order of the first Fresnel zone (∼30 m). Temporal changes were observed in the measured signals and were expected to be proportional to varying soil moisture content. To investigate this effect, the bistatic signal measurements were interpolated to a spatial grid to produce daily maps of relative change of surface soil moisture over the study region. The maps of the study region showed a transition from dry surface soil moisture conditions to wet conditions following precipitation events occurring in the middle of the study period. Additionally, the maps showed the scattered power increased in areas with localized rainfall relative to areas without precipitation. Comparing the GPS-reflected SNR measurements with L-band brightness temperatures measured coincidently by the PALS radiometer showed good agreement in the trend measured by the two sensors. The scattered signal measurements were also compared with in situ soil moisture measurements and found to follow the general soil moisture trend as a function of time. These initial results from the first controlled experiment of GPS bistatic radar for soil moisture remote sensing indicate that the technique is sensitive to temporal and spatial variations in soil moisture.