电视调解:让“法、理、情”穿透人性的迷雾

电视调解是继民生新闻之后,各地方电视台竞相创办的热点民生栏目,它以鲜活的语境、纪实的手法、亲民的态度迅速俘获观众,成为地方电视台的收视支撑。本文将从栏目宗旨、制作理念、节目模式、调解技巧、公正原则多角度剖析电视调解栏目的运作方式。     

从《实话实说》看电视谈话类节目

电视谈话类节目《实话实说》被推出以来,深受广大电视观众的喜爱,进而引发了全国范围内的电视节目制作的改版热潮。究其原因,不但是观众走进直播室,更主要的是节目内容的平民化,这是《实话实说》成功的所在,也是电视谈话类节目今后发展的趋势。     

AMSR-E与AMSR2被动微波亮温数据交叉定标

长时间序列的对地观测数据集在研究地球环境变化及趋势分析中具有十分重要的意义。而目前的对地观测卫星寿命很少有到数十年或者几十年以上。因而,通过对具有重叠观测并且具有相近配置的传感器之间进行交叉校正获得连续的对地观测数据就显得十分必要。由于不同传感器之间系统配置以及定标过程不同等,即使同时同地的观测值也可能会有一些差异。AMSR\|E和AMSR2具有极其接近的物理配置,为了获得长时间序列的地表参数数据集,选取该传感器2013~2014年一年期18.7 GHz和36.5 GHz陆面观测数据进行对比来确定观测值之间的差异,并建立了针对两传感器在这两个频率之间基于像元观测的线性转换模型。对比发现这两个通道的观测值之间的相关性在0.98以上,两传感器同时同地亮温观测值有2~6 k的差距,这些差异在地表参数反演及长时间序列数据集的建立中应予以关注。
     

“广电+”的实践路径探析

"广电+"是学界与业界共同关注的热词,尤其在当下,"广电+"深受"互联网+"深刻影响的启发,成为广电业界挽救颓势、重塑辉煌的一剂良药。但不同于"互联网+"立竿见影、摧枯拉朽的扩张进程,"广电+"的概念虽不断升温,但以其为标签实施的成功案例却乏善可陈。截止目前,将"广电+"作为拯救行业的重要手段尚未达到预期效果,实践路径亟待探索,本文将从抽象概念到具象实施探讨"广电+"的实践路径。     

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。     

地形坡面对被动微波遥感影响的试验研究

地表起伏所形成的倾斜表面,特别是在山区,受地形坡度和坡向变化的影响,地表的微波辐射特征较之平坦地表发生明显变化。基于地基微波辐射地形试验,模拟星载被动微波辐射计AMSR\|E的观测参数,通过建立地形坡面的地貌微缩景观进行观测,探索地表斜坡对被动微波辐射特征的影响,用AIEM模型 和 Fresnel 方程分别模拟裸土地形坡面的微波辐射特征。结果表明,倾斜坡面对被动微波辐射的亮度温度产生了10~15 K的偏差,由坡度形成的本地入射角改变了地表的有效发射率,并随坡向的变化发生微波极化旋转。经试验数据和模型模拟结果对比,认为AIEM 在考虑了表面粗糙度影响时可以较好地模拟地形坡面的被动微波辐射特征。     

Sentinel-1和Sentinel-2协同反演地表土壤水分

土壤水分是水文循环、生态环境、气候变化等研究中的关键参数,获取高分辨率长时间序列的土壤水分信息对农业管理、作物生长监测等具有重要的意义,同时也是研究的难点。基于时间序列(2019年至2020年)的Sentinel-1雷达数据和Sentinel-2光学数据,构建了地表土壤水分的雷达与光学数据协同反演模型,即裸土条件下地表土壤水分的变化检测方法,并利用归一化植被指数对植被影响进行校正,实现了青藏高原多年冻土区(五道梁)100 m空间分辨率的土壤水分反演。与地面实际观测的土壤水分进行对比验证,结果表明土壤水分反演结果与地面实测数据的相关系数介于0.672与0.941之间,无偏均方根误差介于0.031 m³/m³与0.073 m³/m³之间,土壤水分变化与区域降水事件和特征密切相关,验证了本文提出的考虑植被物候的变化检测方法在地势平坦、植被稀疏的青藏高原地区具有极高的适用性。     

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。     

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。