积雪微波辐射亮温对积雪参数的敏感性分析——以多层积雪微波辐射模型为例

积雪的被动微波辐射亮温信号十分复杂,深度、温度、粒径、密度、液态水含量,以及下垫面的状况都会不同程度的影响积雪层的亮度温度。本文利用多层积雪微波辐射模型（MEMLS）分别针对各个输入参数对模拟亮温的影响进行了分析,发现粒径是敏感性最高的模型参数,湿度、深度、密度、积雪温度次之。模型模拟结果表明,当雪深小于50cm时,雪深可以近似地表示为19和37GHz的亮温差的线性函数 |当雪深大于50cm后,随着雪深的增加,亮温差增加幅度变小,趋向于饱和。在建立积雪深度反演公式时,粒径和密度会影响公式的拟合系数。把一定区域内积雪粒径和密度看作是相同的值,这可能是造成被动微波遥感反演雪深和雪水当量误差的原因之一。被动微波无法反演湿雪的雪深和雪水当量,但可以有效识别干雪和湿雪,为水文模拟以及农业灌溉提供科学的依据和信息。积雪温度对积雪辐射亮温影响较小,而且在对积雪深度进行反演时,两个频率亮温值相减,温度的影响也被降到了最低。     

利用实测资料评估被动微波遥感雪深算法

利用SSM/I微波亮温数据,结合地面站点实测资料,比较Chang算法和Che算法在前苏联、中国及蒙古境内6种不同积雪类型的反演精度,结果表明:被广泛应用于全球雪深反演的Chang算法低估了前苏联境内雪深7.6cm,相对误差为-24.3%,而分别高估中国及蒙古境内雪深9.2cm与11.4cm,相对误差分别为108.8%和180.9%,区域反演效果很差;针对中国境内积雪的Che算法严重低估前苏联境内雪深,整体低估21.3cm,相对误差为-68.6%,RMSE为31.4cm;在中国及蒙古境内反演效果有所改善。6个积雪类型中,植被较单一,地形较平坦的苔原型积雪和草原型积雪雪深的反演效果较好。随着纬度和积雪深度的增加被动微波雪深反演有由高估变为低估的趋势。Che算法反演的雪深大体以40°N为界,以北表现为低估,以南表现为高估,另一方面,整体上该算法在雪深低于6.7cm时表现为低高估,高于6.7cm表现为低估;因此,全球算法应用到局部地区需要进行修正,不同下垫面性质以和气候条件下形成的积雪的被动微波反演应区别对待。     

基于多源数据的阿勒泰地区雪深反演研究

利用阿勒泰地区 2010~2012年冬季(11月~次年2月)3类积雪数据:风云三号微波成像仪(FY\|3/MWRI)反演的雪深数据、美国人机交互式多仪器冰雪制图系统(IMS)积雪面积数据、阿勒泰及周边地区实测雪深数据,进行积雪深度的反演研究。通过结合3类积雪数据的各自优势,建立修正模型,最终得到较准确的研究区雪深数据。同时通过编程实现了相应模型的操作平台,为今后研究区积雪业务化监测做好准备。结果表明:模型提高了FY\|3/MWRI数据反演阿勒泰地区积雪深度的准确性,改善了FY\|3/MWRI数据在阿勒泰地区雪深反演偏低的缺点,使微波与实测平均雪深误差由修正前的21.7~12.1 cm缩小为修正后的3.7~1.5 cm。     

被动微波遥感反演雪水当量不确定性因素分析

雪水当量定义为积雪融化后液态水的高度，是描述季节性积雪储量的关键参数。星载被动微波遥感适用于长时间序列、全球尺度的雪水当量监测。但目前的微波辐射传输模型大多忽略或简化了自然界垂直分层结构中的土壤、植被和大气等要素对积雪辐射亮温的影响，特别是植被参数（例如透过率、覆盖度、单次散射反照率）引起的微波亮温变化仍然不清晰。本研究通过构建土壤—积雪—森林—大气微波辐射模型，重点开展被动微波遥感反演雪水当量的不确定性机理研究。通过模型敏感性分析发现：(1)冠层透过率是森林参数中影响微波亮温最敏感的因子，其次是森林覆盖度，而单次散射反照率影响最小；(2)微波亮温随着森林覆盖度的增加而升高，但随着冠层透过率和雪粒径参数的增加而降低，即三者之间存在“抵偿效应”。通过构建的模型模拟数据库和卫星观测对风云三号B星（FY-3B）和The Advanced Microwave Scanning Radiometer 2(AMSR2)雪水当量反演算法进行亮温噪声测试发现：(1)亮温噪声对AMSR2雪水当量反演算法影响较大，特别是在森林像元尤为严重，与算法中表征积雪参数演化的极化因子和森林下雪深校正方法不确定性有关...     

基于FY3B-MWRI数据新疆区域积雪深度反演

积雪深度不仅用于研究地表辐射平衡,还可以研究积雪的水文效应,是天气和水文模型运行的必要参数,同时,积雪深度监测在融雪径流预报、水资源管理以及洪水控制方面都具有重要作用。我国现有积雪深度反演算法所依据的站点数据主要分布在我国中部、东部、南部,而在西北的新疆地区站点数据相对较少,因此造成了现有算法在新疆地区的雪深反演精度较差。选择新疆地区作为研究区,以FY3B-MWRI为数据源,根据该地区的地形特征和地面土地覆盖类型特征,利用回归分析方法,研究了该区域内林地、农田和草地3种土地覆盖类型的积雪深度反演算法,并结合地面实测积雪深度数据,对算法精度进行验证。结果显示,林地、农田和草地3种土地覆盖类型的雪深反演结果的R2与RMSE分别为0.758,2.58、0.729,3.21、0.854,5.70,表明该算法对新疆地区积雪深度反演得到了较高的反演精度。     

FY-3B与FY-3C/MWRI交叉定标及雪深算法应用

FY-3C/MWRI于2015年7月30日开始业务运行,与FY-3B/MWRI对地表微波辐射进行联合观测。为保证MWRI亮温数据的可靠性、一致性以及综合双星MWRI观测数据应用雪深业务算法,利用地面近似稳定目标格陵兰岛冰盖与亚马逊热带雨林,对双星MWRI亮温数据进行交叉定标。分析了交叉定标前后FY-3B与FY-3C/MWRI雪盖面积及雪深反演结果的一致性,并以2013~2014年冬季气象站点的雪深观测数据评价了交叉定标对雪深反演精度的影响。结果表明:FY-3C/MWRI亮温数据与FY-3B/MWRI数据一致性较好,二者各通道的亮温平均偏差介于-0.87~2.05K之间,前者多数通道略偏"暖";绝对值大于3K的偏差比例在18H、36V、86H及86V等通道略高(10%~18%),其他通道比例均较低;FY-3B与FY-3C/MWRI雪盖面积及雪深估算结果一致性较好,交叉定标对雪盖面积反演影响较小,交叉定标后FY-3C/MWRI雪深反演误差(RMSE)略微降低,MWRI雪深反演结果更加稳定。     

被动微波遥感在青藏高原积雪业务监测中的初步应用

积雪范围、积雪深度和雪水当量等参数的遥感监测与反演对气候模式的建立以及积雪灾害的评估具有重要意义。被动微波遥感在这些参数的反演方面具有明显优势,但目前尚未应用到青藏高原地区的积雪遥感业务监测上来。2001年10月至2002年4月,利用SSM/I数据对青藏高原地区的积雪范围和积雪深度进行了实时监测,为西藏、青海遥感应用部门提供逐日的雪深分布图。对这次监测的总效果进行了分析和评价,并对发生在青海省内一次较大的降雪过程进行了遥感分析,结果表明:SSM/I反演的积雪范围变化趋势与MODIS结果总体上较为一致;SSM/I的雪深监测结果为当地遥感部门对大于10 cm的雪深做出正确判断提供了重要信息,是对雪灾定位的重要信息源。     

1980~2019年北疆积雪时空变化与气候和植被的关系

利用1980~2019年中国长时间序列的AVHRR逐日无云积雪面积产品和气象站实测雪深资料计算积雪日数、积雪初日、积雪终日、积雪期、雪深等积雪物候参数,研究积雪物候的时空分布变化,同时结合ECMWF-ERA5再分析资料和GIMMS NDVI3g数据集分别提取气象因子（气温、降水）和植被因子（返青期、枯黄期、生长期）,探究北疆积雪物候变化对气象因子和植被因子的响应。结果表明：北疆近40 a间的平均积雪日数为81.62 d/a,73%的区域为稳定积雪区,积雪初日在11月、终日在3月,积雪期为每年11月初至次年3月底4月初;空间上呈现不均匀分布,其中阿勒泰山地区、天山地区、大部分塔城盆地和额尔齐斯谷地区为主要积雪区,1980~2019年间北疆积雪覆盖面积比例、积雪日数和积雪期逐年降低,积雪初日基本没变,但积雪终日显著提前;ECMWF-ERA5再分析资料表明1980~2019年北疆积雪期降水量无明显变化,但积雪覆盖面积比例显著降低,说明降雪区雪深可能增加,这与北疆气象站实测雪深逐渐增加结果相吻合;平均气温与积雪期积雪覆盖面积比例、积雪日数、积雪期长度相关性较大,呈现显著负相关,积雪期降水量与积雪物候参数呈现正相关;积雪物候及其气候效应引起北疆自然植被返青期显著提前,植被生长期延长的特征。     

中国地区AVHRR长时间序列积雪范围产品精度评估

积雪是冰冻圈重要的组成部分,积雪面积在地表的积累和消融影响着水资源的平衡以及生态环境的变化,进而影响社会经济的发展。目前由日本宇航局发布的JASMES系列产品包含一套北半球自1978年以来长时间序列的AVHRR逐日积雪范围产品,可以作为气候和水文模型的重要输入,然而该产品在中国地区的精度尚未被评估。以高分辨率Landsat-5TM数据和气象台站雪深观测数据两种手段通过构建误差矩阵和一致性检验方法来评价JASMES积雪范围产品在我国三大积雪区(北疆,东北和青藏高原)的总体精度。研究结果表明:使用Landsat-5TM积雪面积二值图进行验证时,东北、北疆和青藏高原地区的总体精度分别为66.3%、69.3%和49.5%,积雪识别的漏分误差均较为严重,混合像元以及积雪消融时间过短严重地降低了青藏高原地区的总体评估精度;在积雪季逐月分析中,JASMES积雪产品由于地形的影响,青藏高原地区总体评估精度低于北疆和东北地区,消融过快的特性进一步降低了评估的总体精度。结合气象站点数据验证时,当雪深阈值为9cm时,青藏高原、北疆和东北地区总体精度分别为94.2%、67.8%和77.8%,青藏高原地区对非雪像元的识别精度达到98.9%;随着站点积雪覆盖日数的增加,其总体精度均呈下降的趋势,漏分积雪情况较为严重,存在多分陆地,少分积雪的现象。综上所述,JASMES积雪产品在青藏高原、北疆和东北地区均存在漏分积雪比较严重的现象,青藏高原地区积雪漏分现象最为突出。     

天山雪深反演算法验证与分析

针对被动微波遥感雪深反演算法在特殊地形条件下精度较差的问题,分析了两种雪深反演算法在新疆天山地区山地和平地在不同雪深条件下的误差。利用2014年12月15日到24日同步获得的46个山地和52个平地雪深数据、FY3B-MWRI亮温数据以及2008年MCD12Q1地面分类数据,对FY3B-MWRI业务化算法和Chang算法在新疆天山地区进行了对比分析。采用实测的不同地形和雪深数据进行了多组雪深反演,并分析山地和平地不同雪深反演误差。结果表明:1)所有样点参与反演时,Chang算法的雪深反演均方根误差为14.18cm,FY3B-MWRI业务化算法均方根误差为8.66cm,FY3B-MWRI业务化算法雪深反演效果优于Chang算法;2)对比山地和平地雪深反演结果,Chang算法的山地雪深反演均方根误差为18.31cm,平地雪深反演均方根误差为9.3cm;对于FY3B-MWRI业务化算法,山地雪深反演均方根误差为10.73cm,平地的雪深反演均方根误差为4.36cm,Chang算法和FY3B-MWRI业务化算法山地反演均方根误差是平地均方根误差的两倍左右;3)当雪深在20~30cm和大于30cm两组时,FY3B-MWRI业务化算法和Chang算法精度普遍都不高。     

冰沟流域积雪面积比例与雪水当量关系初探

像元尺度上积雪面积比例与雪水当量的关系是将积雪遥感面积数据引入水文模型的有效手段。以冰沟流域为例,利用合成孔径雷达ENVISAT-ASAR数据反演得到积雪面积、雪水当量信息,分析了500m像元尺度上积雪面积比例与雪水当量的关系。结果表明:1在积雪面积比例未达到全覆盖饱和状态,雪水当量和积雪面积比例呈正相关关系,积雪面积比例控制着雪水当量的最大值,但由于受到地形的影响,关系不显著;2当考虑地形因子影响,即将坡度、坡向、海拔、积雪面积比例与雪水当量进行多元线性回归,回归系数的显著性水平均小于0.05,相关系数(r)达到0.841。因此,在高分辨率地形因子已知的情况下,结合遥感积雪数据,可建立良好的积雪面积比例和雪水当量之间的关系,有利于高分辨率积雪面积比例数据在寒区分布式水文模型中的应用。     

东北地区森林积雪的微波辐射亮温模拟分析

微波辐射亮温正向模拟是辐射传输模型反演积雪参数的关键步骤之一。以HUT模型为基础,针对森林冠层微波透过率这一关键的模型输入参数,在东北大小兴安岭典型森林积雪区进行了14个子区域(10km!10km)的地基遥感观测和森林参数取样观测实验,分别利用地基微波辐射计实测和森林材积量回归两种不同参数获取方法,得到实验观测区冬季森林透过率,并模拟了星载微波辐射计探测亮温(TsimuB)。通过对两种参数获取方法模拟亮温的相关性分析,说明在K波段水平极化条件下森林存在体散射效应(相关系数R2≤0.37),而Ka波段双极化和K波段垂直极化条件下,森林存在很弱或无体散射效应(相关系数R2≥0.53)。在此基础上,将TsimuB与FY3C MWRI观测的微波辐射亮温进行了差值比较,以MWRI的定标精度约以2 K为基准,提出了以偏差|Δ|≤3·"=6K为一致性判据准则。在K波段水平极化(H)与垂直极化(V)辐射计模拟的一致性为79%、82%,Ka波段的H和V为43%、50%;材积量模拟亮温的一致性是K波段H和V为57%、86%,Ka波段的H和V均为64%。结果表明:在HUT模型模拟森林积雪系统微波辐射亮度温度时,Ka波段积雪层散射引起的不确定性大于K波段森林散射引起的不确定性。通过数据分析,提出了HUT模型的适用性及东北地区森林—积雪真实性检验场的选址依据。     

一种融合遥感和地面观测资料的雪深空间插值方法

针对积雪观测站点稀少的问题,提出一种考虑海拔影响,能够融合MODIS积雪面积产品和站点观测的雪深空间插值方法,该方法利用去云后MODIS积雪面积产品构建的无积雪“虚拟站点”弥补站点分布不均匀和稀少的不足,利用泛协克里金插值方法考虑海拔对雪深的影响。利用北疆地区50个气象站点的逐日雪深观测资料、逐日MODIS积雪面积产品和AMSR-E被动微波雪水当量和雪深产品,对普通克里金、泛克里金、普通协克里金和泛协克里金插值结果进行了比较研究。研究结果表明:积雪覆盖范围较大时,站点雪深与海拔之间相关系数较大,利用泛协克里金插值结果精度高且稳定;否则利用普通克里金插值精度较高且稳定。通过增加“虚拟站点”,能够提高雪深插值精度,并在一定程度上修正了克里金插值中存在的平滑效应。
     

基于多元线性回归的GPS-IR积雪深度反演研究

利用全球导航卫星系统反射干涉遥感技术（GPS-Interferometric Reflectometry, GPS-IR）可实现地表环境参数的监测。基于全球导航卫星系统多径反射信号与积雪深度之间的关系,针对目前已有研究较少的考虑多星融合对反演效果的影响,提出一种基于多元线性回归的多星融合积雪深度反演模型。为了验证算法的可靠性,利用美国PBO观测网络中的P101测站连续监测数据进行雪深反演研究。研究和实验表明：反演结果与积雪深度参考值具有显著相关性;多星融合能够有效综合各单颗卫星的反演性能,相关系数均大于0.940,相比单星提高了13.6%;RMSE和MAE均小于0.08和0.165。     

NASA系列雪参数反演算法在单像元内的时间序列验证与分析

NASA系列算法(Chang,NASA96和Foster算法)是被动微波遥感反演雪深、雪水当量的简单、实用的经验算法,并经过了很多学者大范围的算法验证和改进。为了进一步评价NASA系列算法在东北地区的时空适用性,于长春净月潭区域选定了一个以农田和森林为主的10km×10km被动微波遥感混合像元,在时间上连续观测整个干雪期(2014年12月至次年2月)的积雪参数和气象数据,结合FY3B卫星搭载的微波成像仪(MWRI)亮温数据,对NASA系列算法精度进行了评价分析。结果表明:对于雪深的反演,Chang算法和NASA 96算法前期反演效果较好,后期随着时间的推进高估雪深的趋势愈加明显。由于考虑了森林覆盖率的影响,NASA 96算法的反演精度更高。两种算法最大高估值分别是24.46和14.62cm,这是因为期间雪性质不断变化,尤其是雪粒径不断增大的缘故。Foster算法也严重高估了雪水当量,可能是由于积雪类型的分类系统未必适合于东北地区的积雪特征。本文的积雪连续观测数据为认识东北地区的积雪特性奠定了基础,对算法的时间序列验证与分析为雪参数反演算法的进一步改进提供了可靠依据。     

华北积雪冻融循环微波辐射特征研究

积雪冻融循环监测是陆表水文过程和冰雪自然灾害研究的重要方面。被动微波遥感由于具有对水分敏感、高时间分辨率的特点,尤其适合大尺度的积雪冻融监测及相关参数的反演。该研究于2012年11月6日~27日在河北怀来遥感综合实验站使用车载多频率微波辐射计TMMR观测了积雪冻融循环微波辐射特征。研究发现,36.5GHz的观测亮温对积雪的冻融循环最敏感,18.7GHz次之,融化和冻结的时亮温差别可分别约达80K和60K;HUT单层和多层积雪微波辐射模型对18.7GHz和36.5GHz的模拟亮温能够基本反映冻融循环过程中的亮温变化;多层模型更适合模拟冻融循环的过程,18.7GHz和36.5GHz在V极化的相关系数均为0.97;冻融循环研究中,冰壳、冰层粒径的观测、雪湿度的观测和湿雪介电常数模型仍有待进一步改善。     

干涉式被动微波成像仪二维频谱特征及误差分析

干涉式被动微波成像仪(干涉式综合孔径微波辐射计)利用不同距离的干涉天线对形成的基线对视场范围内亮温分布的空间频谱进行采样,进而反演得到亮温图像。首先介绍了干涉式被动微波成像仪的基本工作原理,在此基础上分析了空间图像的二维频谱特征,并能利用这些特征从采样频谱中初步分析出原始亮温中的某些特殊分布,证实了在反演亮温存在明显振荡的情况下,可以从振荡方向判断存在误差的基线的大致位置。还分析了成像仪的天线位置误差、信道的幅度和相位误差以及天线方向图误差对反演亮温的影响及特点。这些分析将为从反演图像判断干涉式被动微波成像仪误差类型和来源提供重要的判别依据,并为后续的反演图像增强算法的设计提供重要的参考。     

基于积雪调查数据的东北地区被动微波积雪遥感产品精度验证与分析

积雪遥感数据产品可以提供积雪的时空分布信息，是积雪监测的重要数据源。对现有的不同遥感产品进行精度验证和对比分析，明确其适用范围，有利于积雪数据产品的进一步发展和应用。为验证积雪产品在东北地区的适用性，以中国积雪特性及分布调查项目为依托，精心设计野外实验，观测了东北地区25 km典型样方和积雪线路调查数据，验证了在阔叶林和农田两种下垫面下，FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区的反演精度。结果表明：GlobSnow雪水当量产品精度最高，不区分下垫面的情况下，最大偏差和均方根误差分别为10.87 cm和12.53 cm。考虑下垫面的影响，GlobSnow雪水当量产品和FY-3B雪深产品在两种下垫面下的雪深反演精度差别很小，偏差和均方根误差的差值小于2.11 cm和3.46 cm，AMSR-2积雪产品在两种下垫面下反演精度差别很大，两种下垫面下偏差和均方根误差的差值大于9.94 cm和7.19 cm。对于3种积雪产品，下垫面为农田的雪深反演精度均高于下垫面为阔叶林的反演精度。     

基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例

高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义.利用10 km空间分辨率的AMSR2 L1B亮度温度数据,结合500 m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法(SDD).基于该算法获取了北疆地区500 m空间分辨率的雪深数据(SDDsd),并利用研究...     

色林错、纳木错湖区被动微波雪深反演算法评估

被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径,但由于缺乏地面雪深观测资料,导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性,利用AMSR2亮温数据和地面站点雪深数据,以相关系数、偏差和均方根误差作为评价指标,评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示,Jiang算法综合表现最好,在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好,其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好,在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想,对雪深高估明显,其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大,在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外,其余算法均低估了研究区雪深,与以往研究结果一致。