基于AMSR-E的全球陆表被动微波发射率数据集

地表微波发射率表征了地物向外发射微波辐射的能力,星载被动微波发射率估算可在宏观、大尺度上对陆表微波辐射进行整体表达,是被动微波地表参数定量反演中重要基础数据,也是在大尺度上获取陆表微波辐射特征的一种途径。本数据集利用搭载在Aqua卫星上的高级微波扫描辐射计(AMSR-E)和中分辨率成像光谱仪(MODIS)的同步观测特点,采用MODIS的地表温度和大气水汽产品数据作为输入,基于考虑大气影响的发射率估算模型,生产了全球晴空条件下AMSR-E传感器运行期间(2002年6月~2011年10月)的陆表多通道双极化微波瞬时发射率。通过产品低频无线电信号影响、数据间比对、分布统计、不同地表覆盖条件的发射率特征、频率依赖和相关性研究等开展验证性分析,结果表明:瞬时发射率的动态大、细节表达丰富,月内日变化标准差在0.02以内,其时空变化、频率依赖和相关性等符合微波理论分析和自然物理过程理解。此套数据集还包括AMSR-E全生命周期的全球陆表逐日、侯、旬、半月及月产品,可用于开展星载被动微波遥感模拟、陆面模型以及陆表温度、积雪、大气降水/水汽/可降水量等反演研究。     

基于机器学习算法的AMSR-2地表温度降尺度研究

MODIS日尺度的地表温度受到天气影响,有效像元信息严重缺失,这对数据稀缺区域尤为重要。以古尔班通古特沙漠为研究区,探索了采用AMSR-2的垂直极化亮度温度与植被指数对地表温度空间降尺度的方法,并用此方法填补了2018年MODIS的缺失像元。(1)通过十折交叉验证,对4种机器学习算法（Cubist、DBN、SVM、RF）、10个波段组合、2个空间尺度（5 km、10 km）下的训练模型进行了分析,表明RF算法精度明显高于其他3种算法,C09波段组合的验证精度高于其他波段组合。(2)构建了2个鲁棒性的随机森林算法地表温度降尺度模型（5 km|RF|09、10 km|RF|09）,将AMSR-2亮度温度降尺度到1km分辨率,表明5 km|RF|09模型反演结果更为合理,MODIS与站点验证的R2分别为0.971、0.930,RMSE分别为3.38 K、4.71 K,MAE分别为2.51 K、3.84 K。(3)降尺度结果填补MODIS地表温度缺失像元,将其应用到古尔班通古特沙漠长时间序列的陆表温度分析,可为数据稀缺区域数据获取提供科学参考。     

基于被动微波与时空联合算法的云下像元LST重建

地表温度作为衡量地球表面水热平衡的关键参数,具有两大时空分布特征:第一,空间分布一致性,即属性相近的像元地表温度与其地表亮温间的相关关系相对稳定;第二,时间序列周期性,且同一地区时间越接近地表温度值越相似。基于这两大特征将空间统计模型与时间序列滤波相结合,提出了用于云下像元地表温度重建的时空联合算法。以2008年MODIS地表温度产品为研究对象,采用Landsat TM数据和AMSR_E地表亮温数据重建中国9个省份的地表温度值,并与基于MODIS地表分类产品的多通道统计模型重建结果进行对比。实验结果表明,所提算法实用性强,能有效实现大面积复杂下垫面区域的地表温度重建;平均重建误差约为1.2 K,相较于基于下垫面分类的多通道统计模型下降了76%,算法精度明显提高。
     

基于FY-MWRI的中国西部被动微波积雪判识算法北大核心CSCD

积雪是冰冻圈中分布最广泛的要素,在气候变化以及水文循环中扮演着重要角色。微波遥感因其全天时全天候工作、具有一定穿透性等优势,成为积雪监测的重要手段。利用FY-3C卫星同步观测获取的微波成像仪(MWRI)被动微波亮度温度数据、融合可见光红外扫描仪(VIRR)与中等分辨率成像光谱仪(MERSI)数据得到的积雪产品,结合MODIS地表分类数据、地表温度数据,发展了基于国产卫星数据的被动微波积雪判识算法。首先提取无云覆盖的不同地表类型被动微波数据像元样本,然后对各地表类型的微波特征进行分析,利用空间聚类的方法,得到TB19V-TB19H、TB19V-TB37V、TB22V、TB22V-TB89V、(TB22V-TB89V)—(TB19V-TB37V)这五类可以较好地区分积雪和其他类似积雪地表的指标。最后应用MODIS积雪产品为参考对该积雪判识算法进行精度评价,该算法在中国西部积雪判识总体精度为87.1%,漏判率为4.6%,误判率为23.3%;Grody算法判识总体精度为78.6%,漏判率为9.8%,误判率为30.7%,该算法判识精度高于Grody算法;通过Kappa系数分析比较,该算法积雪判识结果的Kappa系数值为47.3%,高于Grody算法判识结果的Kappa系数值39.9%,表明该算法积雪判识结果与MODIS积雪产品判识结果一致性更好。     

陆表比辐射率对遥感陆表温度反演结果的影响分析

陆表比辐射率（Land Surface Emissivity,LSE）是衡量物体表面以热辐射形式释放能量相对强弱能力的物理量,是影响遥感陆表温度（Land Surface Temperature, LST）的重要基本参数之一。为了分析不同条件下LSE对遥感LST反演结果的影响,基于Himawari8AHI (Advanced Himawari Imager, AHI)的分裂窗通道热红外遥感数据,采用Wan及Dozier的分裂窗算法,研究陆表温度反演结果对LSE的敏感性。首先,对LSE产品分别加入不同均值和标准差的高斯噪声,以此代表LSE不同的误差水平;然后,在其他条件不变的情况下,将带不同噪声的LSE和不带噪声的LSE分别输入分裂窗算法进行LST的反演;最后,分析不同时间、不同水汽、不同观测角度和不同下垫面条件下,LSE对LST的影响。结果表明：(1)无论白天、夜间还是日均LST,输入添加噪声的LSE较输入原始的LSE反演所得的LST数值总体略低,而且随着所添加噪声标准差的增大,所得LST差值的标准差增大。当LSE的噪声标准差为0.01时,所得白天、夜间和日均LST差值的标准差分别为0...     

联合同化MODIS地表温度与机载L波段微波亮度温度估计土壤水分

构建了基于通用陆面模型(CoLM,Common Land Model)、微波辐射传输模型L-MEB(Lband Microwave Emission of the Biosphere)和集合平滑算法(EnKS,Ensemble Kalman Smoother)的土壤水分数据同化框架,用于联合同化MODIS地表温度和机载L波段被动微波亮温数据。以2012年HiWATER试验期间中游大满超级站为实验站点,分析了3种LAI数据产品对土壤温度模拟结果的影响,进而分析了联合同化地表温度和微波亮度温度对土壤水分估计结果的影响。研究结果表明:3种LAI数据对土壤温度模拟结果的影响显著,MODIS LAI产品在该研究区显著低估,导致土壤温度模拟结果高估4~6K;同化亮度温度、同化地表温度以及联合同化两者均可以改进土壤水分的估计精度,联合同化地表温度和亮度温度对于土壤水分的改进最为显著,土壤水分同化结果的RMSE减少31%~53%。     

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。     

基于FY-MWRI的中国西部被动微波积雪判识算法

积雪是冰冻圈中分布最广泛的要素,在气候变化以及水文循环中扮演着重要角色。微波遥感因其全天时全天候工作、具有一定穿透性等优势,成为积雪监测的重要手段。利用FY-3C卫星同步观测获取的微波成像仪(MWRI)被动微波亮度温度数据、融合可见光红外扫描仪(VIRR)与中等分辨率成像光谱仪(MERSI)数据得到的积雪产品,结合MODIS地表分类数据、地表温度数据,发展了基于国产卫星数据的被动微波积雪判识算法。首先提取无云覆盖的不同地表类型被动微波数据像元样本,然后对各地表类型的微波特征进行分析,利用空间聚类的方法,得到TB19V-TB19H、TB19V-TB37V、TB22V、TB22V-TB89V、(TB22V-TB89V)—(TB19V-TB37V)这五类可以较好地区分积雪和其他类似积雪地表的指标。最后应用MODIS积雪产品为参考对该积雪判识算法进行精度评价,该算法在中国西部积雪判识总体精度为87.1%,漏判率为4.6%,误判率为23.3%;Grody算法判识总体精度为78.6%,漏判率为9.8%,误判率为30.7%,该算法判识精度高于Grody算法;通过Kappa系数分析比较,该算法积雪判识结果的Kappa系数值为47.3%,高于Grody算法判识结果的Kappa系数值39.9%,表明该算法积雪判识结果与MODIS积雪产品判识结果一致性更好。     

FY-3D-MWRI陆表温度的全国气象台站检验

针对FY-3D-MWRI卫星数据L2级陆表温度产品精度及可用性问题,对2019年1—12月全国区域内卫星遥感陆表温度(Ta)与2 000多个气象台站同步地面温度(Tg)和草面(雪面)温度(Ts)进行标准差对比与相关性分析检验。结果表明：利用FY-3D-MWRI数据反演的陆表温度与地面观测结果基本一致,瞬时值产品平均标准偏差小于6.4℃,数据相关性0.54以上,旬月产品更精确,能够比较准确反映我国各地陆表温度的时空分布特征。同时,对于非均匀下垫面,反演的陆表温度与地面温度和草面地温的相关性一般,但Ts-Ta与Tg-Ta存在显著线性正相关关系,且相关系数稳定。     

风云三号微波成像仪积雪参数反演算法初步研究

选择新疆地区作为实验区,为风云三号(FY-3)微波成像仪(MWRI)发展中国区域的积雪参数半经验反演算法。使用2003年4个月的新疆地区的台站观测资料和AMSR-E 18.7 GHz,36.5GHz和89 GHz水平和垂直极化亮温作为FY-3 MWRI的模拟数据,在Chang建立的半经验模型的基础上,采用多元线性回归分析,建立一个新算法。用已有方法去除水体、降雨、湿雪、冻土的像元后,用新算法反演了新疆地区的2004年1月的积雪参数,并分别与AMSR-E雪水当量产品和台站观测值进行比较,结果表明新算法在新疆地区优于AMSR-E的反演算法。     

针对MODIS 数据的地表温度非线性迭代反演方法

地表温度是气象、水文、生态等研究领域中的一个重要参数。构建了MODIS31/ 32 波段的热辐射传输方程, 讨论了方程的数值迭代解法, 提出了针对MODIS 数据地表温度的非线性迭代反演方法, 并介绍了大气透过率和地表比辐射率这两个中间参数的估计方法。误差及敏感性分析表明,提出的方法对大气透过率和地表比辐射率都不敏感, 反演精度优于传统的线性分裂窗算法。     

基于HJ-1B卫星数据的南京市地表温度反演研究

地表温度(LST)是全球变化的过程参数,应用HJ-1B-RS热红外数据,采用辐射传输法(RTE)、覃志豪单窗算法(Qins’)和普适性单通道算法(JM&S)对南京市地表温度进行反演。结果表明:3种算法均能较好地反映南京地区的地表温度趋势。RTE反演精度最高,与MODIS地温产品的差值多集中在2.1 K左右;Qins’的反演结果略低,温差多集中在3.87 K左右;而JM&S的结果明显偏低,温差多集中在5.96 K左右。结合土地利用类型图对地表温度进行分析,RTE温度结果中,温度最高的建设用地与温度最低的水体的温度相差4.1 K;Qins’温度结果中建设用地与水体的温度相差4.38 K;JM&S温度结果中建设用地与水体的温度相差2.15 K。RTE和Qins’更能体现不同土地利用类型之间的温度差异及对城市热岛的贡献。     

一个从MODIS数据同时反演地表温度和发射率的神经网络算法

MODIS的三个热红外波段29、31、32建立了三个辐射传输方程,这三个方程包含了5个未知数(大气平均作用温度、地表温度和三个波段的发射率)。用JPL提供的大约160种地物的波谱数据对MODIS三个波段(29/31/32)发射率之间的关系和用MODTRAN4对大气透过率和大气水汽含量之间关系进行模拟分析。分析结果表明地球物理参数之间存在着大量的潜在信息。由于潜在的信息难以严格地用数学表达式来描述,因此神经网络是非常适合被用来解这种病态反演问题。利用辐射传输模型(RM)和神经网络(NN)反演分析表明神经网络能够被用来精确地同时从MODIS数据中反演地表温度和发射率。地表温度的平均反演误差在0.4°C以下;波段29/31/32发射率平均反演误差都在0.008以下。     

Evaluating NDVI-based emissivities of MODIS bands 31 and 32 using emissivities derived by Day/Night LST algorithm

Surface emissivity estimation is a significant factor for the land surface temperature estimation from remotely sensed data. For fully vegetated surfaces, the emissivity estimation is performed in a simple manner since the emissivity is relatively uniform. However, for arid land with sparse vegetation, the estimation is more complicated since the emissivity of the exposed soil and rock is highly variable. In this study, mean and difference emissivity for bands 31 and 32 of MODIS sensor have been derived based on NDVI values. First, the NDVI thresholds have been determined to separate bare soil, partially vegetated soil and fully vegetated land. Then regression relations have been derived to estimate mean and difference emissivity of the bare soil samples and partially vegetated surfaces. A constant emissivity is also used for fully vegetated area. Along with the correlations, standard deviations of the regression relations have been examined for a set of representative soil types. Standard deviations smaller than 0.003 in mean emissivity and smaller than 0.004 in difference emissivity are resulted in regression linear relations. Evaluation of the NDVI derived regression relations has been performed using the results of MODIS Day/Night Land Surface Temperature (LST) algorithm on a pair of MODIS images. Using around 45,500 pixels with different soil and land cover types, emissivity of each pixel in bands 31 and 32 have been estimated. The calculated emissivities have been compared with emissivities calculated by MODIS Day/Night LST algorithm. Biases and standard deviations of NDVI-based relations show relatively high agreement for mean and difference emissivity relations with Day/Night method results. It may be concluded that the proposed algorithm can be used as a rather simple alternative to complex emissivity estimation algorithms.     

中国江淮、黄淮地区陆面微波比辐射率的变化特征

陆面微波比辐射率较高且易变,造成陆面上反演降水以及其它大气参数较为困难。对于地表特征复杂的中国,陆面微波比辐射率的研究还很有限。通过利用Tropical Rainfall Measuring Mission (TRMM)卫星上同步扫描的VIRS（红外和可见光）与TMI（微波）资料以及微波辐射传输模式反演了中国江淮、黄淮地区陆面微波比辐射率。然后,结合MODIS提供的地表类型数据,分析了江淮、黄淮地区不同地表微波比辐射率的时空变化特征。 结果表明该地区的农作物地表比辐射率最小,垂直与水平比辐射率极化差最大;而森林地表比辐射率最大,极化差最小。此外,不同地表的微波比辐射率昼夜变化明显,季节变化不明显。比辐射率估算误差中,地表温度、微波亮温和大气相对湿度3因子的准确计算对22 GHz和85 GHz的影响较为明显,对其它通道影响较小。对于小于85 GHz的通道,比辐射率估算精度受微波亮温的影响最为明显,地表温度其次,相对湿度最小;对于高频85 GHz,相对湿度的影响最明显,其次是微波亮温,最后是地表温度。     

MODIS数据地表温度反演劈窗算法比较

针对MODIS数据,分析比较了QIN和Wan-Dozier两种劈窗算法地表温度(LST)反演精度和误差分布。首先利用辐射传输模型MODTRAN4.0,结合TIGR大气廓线数据,评价两种算法绝对精度,然后基于误差传递理论分析评价二者的总精度,最后对两种算法的LST反演结果进行比较。研究表明针对所有廓线数据,两种算法绝对精度相差不大,但Wan-Dozier算法绝对精度受地表温度和水汽含量变化的影响程度要大于QIN算法;两种算法总精度相差不大,且主要误差源均为算法绝对精度和地表比辐射率精度,QIN算法反演结果对地表比辐射率的敏感性要略高于Wan-Dozier算法;两种算法得到研究区LST分布情况基本一致,均可表现空间LST分布差异,其中水体和裸土的LST反演结果差异较大,城镇和植被平均温度差异在0.5 K以内。     

基于劈窗算法的Landsat 8影像地表温度反演

陆地表面温度（LST）是表征地表能量交换和地面特征的重要指标,目前遥感技术逐渐成为区域和全球尺度上LST反演的一种便捷工具,而采样不同算法及不同影像的热红外遥感LST反演研究层出不穷,其中基于Landsat数据的反演成果尤为突出。文章利用劈窗算法对Landsat 8遥感影像进行地表温度反演,对比探讨了根据经验值与借助MODIS热红外数据两种不同方式的LST反演结果,并进行北京市热红外波段辐射亮度温度比较,针对地表温度分级进行统计,分析了当地地表温度分布趋势。结果表明：劈窗算法下Landsat 8数据的反演温度更接近实际温度,精度较高且优于MODIS产品;北京市地表温度空间分布格局受地物结构与反射率所制约,高温区主要集中分布于中东部,中低温区分布与林地及水体分布结构较为吻合。     

一种基于ASTER数据的陆面温度反演方法

陆面温度是地表物体热红外辐射的综合定量形式,是地表热量平衡的结果。陆面温度作为一个重要的基本参数已广泛用于相关模型的计算及生态环境等领域的研究。ASTER数据具有较高的空间分辨率与光谱分辨率,可提供比陆地卫星、NOAA/AVHRR等常见卫星数据更丰富的地表信息,有助于提高陆面温度的反演精度。根据温度/比辐射率分离(TES)的思想,基于ASTER热红外数据的特性,获取了一种反演陆面温度的方法,并以长白山为例进行了试验。结果表明,所用的方法仅依赖ASTER遥感数据便可快速获取地面温度的空间分布特征,对自然地表可取得比较理想的结果,具有较好的应用前景。     

基于Landsat-5 TM数据的河南省白沙灌区地表温度反演研究

地表温度是土壤水分和植被水分状态的指示计,在干旱遥感监测中有重要作用。应用Landsat-5 TM遥感数据和气象资料,利用归一化植被指数(NDVI)区分地表覆盖类型,采用Van de Griend的经验公式法结合典型地表赋值法计算出地表比辐射率。用单窗算法和单通道算法分别对河南省白沙灌区地表温度进行反演,结果表明:两种方法均能较好地将白沙灌区地表温度分布趋势反映出来,单窗算法的反演精度较高,绝对误差为1.1 ℃,更适宜白沙灌区的地表温度反演,进而可以提高灌区旱情遥感监测精度。