利用AMSR-E被动微波数据反演地表温度的神经网络算法

结合对地观测卫星AQUA多传感器/多分辨率的特点,研究了利用AMSR-E被动微波数据反演地表温度的神经网络算法.MODIS地表温度(LST)产品被作为地表温度实测数据,对应的平均温度被用作对应AMSR-E像元的实际地表温度,从而克服由于AMSR-E像元尺度太大和云的影响而难以获得地表实测数据的难点.反演结果分析表明,利用神经网络能够精确地由AMSR-E数据反演地表温度.当使用5个频率10个通道反演时,反演精度最高,说明使用更多的通道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,用此算法反演的平均误差约低于2K.     

植被覆盖地区AMSR-E反演土壤水分算法研究

在已有基于微波辐射传输模型的反演算法基础上,对2003年中国5种地区的AMSR-E观测数据进行了比较分析,引入了微波极化差异指数(MPDI)概念,提出了一种自动区分地面植被覆盖情况的方法.使用这种方法,反演过程中无需地面土地利用分类的辅助数据,同时在对有植被覆盖地区消除植被层的影响的过程中,改进了Richard提出的计算植被消光系数的方程,提高了反演应用中的运算效率.最后给出了AMSR-E反演土壤水分的工作流程,并对反演结果进行了分析.     

基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究

土壤水分是水文、气象、农业等研究中的重要参数,尤其在农作物估产模型和农业干旱监测研究中有特别重要的意义。前人在土壤水分反演算法研究上已经做了大量研究工作,但由于影响地表土壤水分的因素较多,各种算法依然存在一些不足。本研究在分析以往反演算法的基础上,总结不同算法的优势和局限性,提出利用具有深度学习特点的卷积神经网络方法(CNN)进行土壤水分反演,从而克服传统土壤水分反演方法的缺陷并提高土壤水分反演的精度。以被动微波AMSR2数据为例,在对土壤水分产品算法进行剖析的基础上,构建了基于卷积神经网络反演土壤水分的模型框架,从而提高反演算法的通用性和反演精度。深度学习卷积神经网络的精度主要取决于训练和测试样本数据库,然而被动微波像元分辨率比较低,以及很难获得与卫星同步的地面实测数据。本文选择不同地区地表均一的土壤水分观测站点,以AMSR2土壤水分产品作为参照来获取地面同步数据,从而克服地面同步观测数据的难题。将AMSR2亮温数据和对应地面同步观测土壤水分数据为样本随机分成训练和测试数据库,通过反复训练,当卷积神经网络选择两个卷积层两池化层的组合,迭代次数3000次时,网络反演的总体精度最高。经过测试样本验证表明,CNN反演土壤水分值与地面同步观测土壤水分的均方根误差RMSE为1.1178%,两者保持了较高相关性(r=0.8685)。以地面站点实测数据对CNN反演结果进行验证,相对误差为39.25%。相比于JAXA产品与实测值的验证结果,CNN反演结果的平均相对误差小10.24%,说明CNN明显提高被动微波遥感土壤水分反演的精度。     

基于AIEM和实地观测数据对GNSS-R反演土壤水分的研究

介绍了用GPS反射信号反演土壤水分的原理及反演研究的进展,并用改进的积分方程模型(AIEM)和实地观测数据对利用GPS反射信号反演土壤水分的方法进行了分析,分析结果表明,由于单个频率的雷达信号受地表粗糙度、角度和地表类型(裸地和植被类型)的影响比较大,很难提出一个实用的通用物理算法.利用美国2002年土壤水分实验(SMEX02)实测数据对上述的反演算法进行了分析,分析结果表明,采用经验统计算法对单个站点观测比较实用,平均相关系数达到0 85以上.整个分析表明,利用GPS前向散射信号与噪声之比反演土壤水分在单个站点能够取得比较高的精度.     

基于SSM/I数据的神经网络方法反演海面风速

研究了单参数神经网络(SANN)模型、多参数神经网络(MANN)模型及复合多参数神经网络(CMANN)模型对使用SSM/I数据反演海面风速精度的影响,并对增加85.5GHz垂直和水平极化亮温作为输入项对反演精度的提高进行了验证.重点发展了一种新型的CMANN算法,并分析了它在不同风速范围下的反演效果.随着风速的增加,反演风速的精度也有提高,高风速(≥15m/s)较低风速有更小的风速误差.比较表明,此方法的反演效果优于以往的各种SSM/I反演风速算法.反演风速的范围为0～25m/s,在晴天和云天混合状况下反演风速与实测风速的均方根误差为1.61m/s,晴天则达到1.46m/s.     

基于固有光学特性的北部湾透明度遥感反演及其检验

综合了固有光学量的反演和透明度与固有光学量的关系,构成了基于固有光学特性的透明度遥感算法.将此算法应用于北部湾的MODIS遥感数据,得到了该区域的透明度,并利用实测透明度对遥感反演结果进行了验证.通过对时间窗口为±48h,空间窗口为1km的30组实测与遥感匹配数据的统计分析(实测透明度在1 8～26 0m范围),得到平均百分比误差(ε)为22%,对数均方根误差(log_RMSE)为0.121.而基于叶绿素的经验算法反演的透明度,ε为42%,log_RMSE为0.185.上述结果说明,至少对于北部湾这类近岸水体,海色遥感结合基于固有光学量的算法,可以实现较高准确度的透明度遥感反演.     

利用海洋卫星HY-1数据反演叶绿素a的浓度

利用去包络线法分析了叶绿素的光谱特征,构造了一种新的指数NDPI（Normalized Difference Pigment Index）反映海洋中的浮游植物。以辽东湾为研究区,通过我国第一颗海洋水色卫星HY-1数据获得NDPI值,再根据实测数据建立了叶绿素a浓度反演模型。和波段比值法及类似SeaWiFS的OCAv4算法比较,NDPI算法优势明显,算法稳定。根据该算法反演整个海区的叶绿素a分布,和前人的现场调查有很好的一致性。结果表明HY-1可用于海洋叶绿素反演,用NDPI算法能获得实时大面积海域叶绿素a浓度。     

利用AMSR-E资料反演实时海面气象参数的个例

利用2005年1月的AMSR-E卫星资料作为一个例子,探讨了AMSR-E的12个通道的亮温与海表温度、海面气温、湿度及风速4个气象参数的关系,把亮温通道分3大类组合分别进行参数模拟,确定模拟这4个气象参数最合理的通道组合,并利用多参数回归方法建立海表温度、海面气温、湿度及风速与亮温之间的经验关系.反演结果与TAO浮标实测资料进行了比较,实时海表温度、海面气温、湿度及风速的均方根差分别为0.53℃、0.74℃、3.2%和1.1m/s.是一个利用卫星资料同时反演四个参数(海表温度、海面气温、湿度及风速)的成功例子,为计算海气热通量提供了数据,并为实时观测和研究气候变化提供了一种简单而有效的方法.     

主动微波遥感土壤水分观测中的最优雷达参数选择

用基于辐射传输方程的电磁波散射模型详尽研究了裸露地表条件地物后向散射特性,在三种常用雷达频段(1.25GHz,4.75GHz,9.25GHz)及入射角为0°～60°范围内分析了影响雷达后向散射系数对土壤水分敏感性的地表粗糙度因素,得到一组用于地表土壤水分测量的最优雷达参数组合。在这样一组传感器参数条件下,雷达后向散射系数基本独立于地表粗糙度的变化,同时在可测量范围内保持对土壤水分一定程度的敏感性。     

星载微波辐射计的非线性反演算法

为了提高用星载微波辐射计观测的数据反演大气海洋参数的精度和效率,提出了使用非线性的Nelder-Mead算法求解星载微波辐射计的辐射传输模型(RTM)的新的反演算法。与目前常用的多元线性回归(MLR)算法相比,Nelder-Mead算法保证了整个反演过程具有明确的物理意义,避免了引入MLR模型带来的误差。反演结果表明,与传统的M氓算法相比,Nelder-Mead算法具有较好的反演效率和较高的精度。