基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探

利用北疆地区2002，2003和2004年11月一次年3月3个积雪季AMSR—E445个时相的亮温数字图像和20个气象台站实测雪深数据，系统分析了雪深模型的影响因子和研究区样本筛选方法。通过对18和36GHz波段的水平、垂直极化方式的亮温差和实测雪深值回归分析比较，建立了北疆地区基于AMSR—E亮温数据的雪深反演模型，并对模型的精度进行了评价。结果表明，1）AMSR—E亮温差受气温、融雪、降水、湿雪、深霜层等因素的严重影响，其中受深霜层的影响最大；2）大于2．5cm的积雪深度SD同垂直极化方式的18和36GHz波段的亮温差（Tb18v—Tb36v）之间具有较好的线性相关性，其回归公式为SD=0．49（Tb18v—Tb36v）＋8．72，相关系数达0．65。3）当雪深为3～10cm时，反演模型平均误差为-7．1cm，平均绝对误差为7．1cm，RMSE值达7．7cm；当雪深为11～30cm时，平均误差为1．8cm，平均绝对误差为4．9cm，RMSE值为9．1cm；当雪深大于30cm时，平均误差为8．9cm，平均绝对误差为9．4cm，RMSE值为18．1cm。4）该模型在北疆地区优于Chang算法，基本能反映北疆地区雪深变化趋势。当地表为中雪覆盖时，反演雪深值和实测值之间的一致性较高，当地表为浅雪和深雪覆盖时，反演模型的误差较大，其反演精度较低，还有待于进一步研究。

我国主要积雪区AMSR-E被动微波雪深算法对比验证研究

采用高级微波扫描辐射计(AMSR-E)亮温数据,选取Chang算法、GSFC 96算法、AMSR-E SWE算法、青藏高原改进算法和Savoie算法等5种雪深反演算法,利用2010年2月10-12日3d的气象站台雪深观测数据,对比分析了5种雪深反演算法在新疆地区、青藏高原、内蒙古地区、东北地区、西北地区和华北平原的精度和适用性.结果表明:总体验证中,青藏高原改进算法3d的结果均优于其他算法,其均方根误差(RMSE)为9.16cm、9.96cm和9.63cm,平均相对误差(MRE)分别为59.77%、52.79%和48.47%.分区验证中,结果最佳的算法分别为:在新疆地区,GSFC 96算法RMSE为6.85～7.48cm;内蒙古地区,青藏高原改进算法的RMSE分别为5.9cm、6.11cm和5.46cm;东北地区,青藏高原改进算法RMSE为6.21～7.83cm;西北地区和华北平原5种算法的适用性不佳;青藏高原由于缺乏实测数据,无法得到该区验证统计结果.

针对被动微波AMSR-E数据的土壤水分反演算法

提出了一种针对被动微波AMSR-E数据的土壤水分反演算法。用改进的积分方程模型(AIEM)模拟表明:在给定的粗糙度条件下,土壤水分和发射率之间有很好的线性关系;18.7GHz与10.7GHz的垂直极化(V)微波指数与土壤水分有很好的关系,而且部分消除了土壤粗糙度的影响,相关系数的平方(R-Square)是0.98。因此,建立标准化的微波指数与土壤水分之间的关系是可行的。算法敏感性分析表明,当有降雨时此算法比较敏感。相对于全国农业遥感地面监测东北网点县实测数据,算法平均误差大约是21.5%。此算法低估了土壤水分,用实测数据对反演结果做进一步修正后的误差为7.4%。用AMSR-E数据对2009年2月1日中国主要陆地表面进行了实际反演分析,结果表明反演结果符合实际土壤水分的分布情况,表明算法可行。

利用南大洋漂流浮标数据评估AMSR-E SST

利用AOML(Atlantic Oceanographical and Meteorological Laboratory)SVP漂流浮标的海表面温度数据,针对30°S以南的南大洋海域,对目前主要使用的微波遥感产品(AMSR-E,Ad-vanced Microwave Scanning Radiometer for the Earth Observing System)反演的SST进行了较为系统的评估。结果表明,AMSR-E SST比浮标数据偏冷,偏差为-0.01℃,标准差为0.70℃。夏季的偏差为0.004℃,标准差为0.64℃;冬季的偏差为-0.06℃,标准差为0.75℃,冬季的偏差和标准差较大。温差ΔT受流速影响,随着流速的增大而减小,且这种趋势在夏季更为显著。具备托伞结构的浮标与总体情况基本一致,而无托伞结构的浮标受流速的影响要大一些。同时,温差ΔT受水汽的影响,随着水汽的增加而减小,且这种影响在冬季更大一些。进一步对4个穿极和绕极浮标的追踪分析表明,温差ΔT受大洋海流系统的影响显著。在海流大的大西洋边界流和南极绕极流中,温差ΔT的不确定性要明显大于总体情况。

基于MODIS和AMSR-E资料的青海省旬合成雪被图像精度评价

利用2002年10月1日至2008年3月31日青海省MODIS/Terra-Aqua每日雪被产品(MOD10A1、MYD10A1)和AMSR-E/Aqua每日雪水当量产品,研究了MODIS和AMSR-E旬数据的融合算法,合成了AMSR-E旬积雪分类图像(AE_10D)、MODIS旬积雪分类图像(MOYD_10D)及二者再次合成的旬积雪分类图像MDAE_10D;结合气象台站的雪情数据,对比分析这3种图像的分类精度.结果表明:合成的AE_10D,因受空间分辨率等因素影响,当积雪深度在4cm以上时,积雪分类精度(Sa)仅为48.44%,总精度(Oa)为55.43%;积雪深度对MOYD_10D图像的分类精度有较大影响.MOYD_10D图像对浅层的积雪识别率不高,当雪深在1～3cm时,Sa仅为20.63%;当积雪深度在4cm以上时,Sa为53.56%,Oa为93.54%;当雪深≥11cm时,Sa为88.57%.旬合成图像MDAE_10D在雪深为1～3cm时Sa为20.86%,当雪深在4cm以上时,Sa随雪深的增加而最大,Sa达到59.28%,Oa为93.66%;当雪深≥11cm时,Sa达到最高91.43%.由于MDAE_10D图像结合了AE_10D和MOYD_10D的特点,Sa和Oa均有提高.因此,该合成图像在牧区雪灾监测及评价等方面具有重要的作用和意义.

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。

AMSR-E卫星亮度温度数据在高原东北部土壤湿度观测和模拟中的应用

为了改进青藏高原东北部土壤湿度的观测和模拟效果,利用AMSR-E(Advanced Microwave Scanning Radiometer-EOS)亮度温度资料,估算了高原东北部的土壤湿度值;还利用耦合了Noah陆面模型的WRF中尺度模式WRF-Noah,结合牛顿松驰逼近同化法对AMSR-E估算的土壤湿度进行了同化试验。结果表明:与实测及NCEP再分析值土壤湿度相比,估算的高原东北部的土壤湿度值虽小些,但能够体现土壤湿度随降水事件等的影响。使用牛顿松弛逼近法同化后比没有同化或采用直接替代法模拟的土壤湿度的效果要好。在区域尺度上,通过对牛顿松弛逼近法中质量因子的详细控制,采用该同化方法后对沙漠地区土壤湿度的模拟改善最为明显,其次是草地以及灌木丛与草地混合区;在时间尺度上,采用牛顿松弛逼近同化方法后模拟值与实测值的均方根误差得到减少。

基于AMSR-E反演青藏高原夏季表层土壤湿度

利用AMSR-E观测的土壤表层亮温资料,采用简化修正的单通道算法模型(Single Channel Algorithm,SCA),反演青藏高原地区夏季2011年6-8月的表层土壤湿度。为对比验证反演结果,利用高原东部和中部的玛曲观测网和那曲观测网CTP-SMTMN(Soil Moisture and Temperature Monitoring Netw ork on the central Tibetan Plateau)的土壤湿度观测数据,以及NASA和VUA-NASA两种均基于AM SR-E的反演土壤湿度产品进行验证。结果表明:(1)与VUA-NASA产品和修改后的SCA模型反演结果相比,NASA产品在像元和区域尺度上相关系数较低,MAE(Mean Absolute Error)和RMSE(Root M ean Square Error)较高,明显低估了两个地区的土壤湿度。(2)VUA-NASA产品在玛曲地区表现良好,在那曲地区虽然相关系数较高,但MAE和RMSE同样较高,导致精度较差。(3)对比其他两种产品,修改后的SCA模型反演结果在两个地区表现出较高的相关系数(接近0.800)、较低的MAE(接近0.050m^3·m^(-3))和RMSE(接近0.060 m^3·m^(-3)),有着较高的精度。因此,可以认为修改后的SCA模型可以应用于青藏高原地区土壤湿度动态监测,为研究青藏高原地区的天气和气候变化影响及水循环过程提供了参考和借鉴。

冷季深入对AMSR-E监测内蒙古积雪的影响

传统的积雪范围和厚度监测是通过气象台站的定时观测,其缺点是:地面观测资料区域代表性有限和地面气象台站分布很均匀。遥感技术可以弥补传统观测的不足,中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)数据具有高空间分辨率、高时间分辨率,地球观测系统先进微波扫描辐射计(Advanced Microwave Scanning Radiometer-EOS,AMSR-E)数据具有不受云层影响的特点。分析冷季深入对AMSR-E影像积雪判别的影响,最终得出,在内蒙古地区随着冷季的深入,AMSR-E将MODIS影像上无雪像元和有云像元判别为有雪的比例越来越高,最高分别达34.22%和28.29%。两者同时判别为有雪像元的比例也越来越高,最高达33.66%。

利用AMSR-E遥感数据反演地表温度——以2008年广东省春季寒害为例

基于2008年1月25日至2008年2月5日期间的AMSR-E/Aqua L2A微波亮度温度数据,以广东省为研究对象,依据微波极化差异指数(MPDI)、归一化植被指数(NDVI)和比率植被指数(RVI)等3种植被指数,将广东省地表植被覆盖情况分为裸地、草地、灌木林、针叶林和阔叶林等5种类型,利用逐步回归分析方法,建立了基于不同植被覆盖类型的微波亮度温度与地面气象温度多元回归模型。同步地面气象温度数据验证表明,本文建立的基于地表植被覆盖分类的多波段地表温度反演模型,地表温度反演精度基本可达到3.0℃,其中有大约86%的地区地表温度反演精度可以控制在2.5℃以内,为广东省作物寒害预测提供了微波遥感技术支持。

AMSR-E被动微波土壤水分与降雨率时空相关性分析研究

地表土壤水分和降水具有高度相关性,是2个密切相关的地气相互作用参量.采用同时反演获取的土壤水分和大气降水数据来研究土壤水分的变化情况,定量理解降水和土壤水分之间的物理联系,进而可以获得对反演算法改进有用的信息.采用被动微波辐射计AMSR-E反演获得的全球地表土壤水分和降雨率数据作为研究对象,一共收集了2005年10月1日至2006年10月31日之间共395 d的AMSR-E全球日土壤水分产品和升、降轨道瞬时降雨率数据.把降雨率轨道产品经过等积割圆柱投影并重采样到同日土壤水分产品相当的25 km分辨率EASE-Grid格点上.针对土壤水分和投影后得到的日降雨率数据进行每2,8,16 d的时间维平均,在空间维进行3×3、5×5、7×7格点的重采样,经时间序列对比,分析了降水对土壤水分反演的影响及其时空相关特性,并对反演参数间弱相关性出现的原因进行了探讨,这对于发现微波土壤水分和大气降雨算法的不足,提供其改进方向具有重要的指导意义.

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（MPDl）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AMSR-E土壤湿度产品的LIS同化试验

由陆面信息系统(Land Information System,简称LIS)通过NOAH陆面过程模型使用集合卡尔曼滤波开展AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)土壤湿度同化试验,得到2003年中国区域垂直深度为4层、水平空间分辨率为0.25°×0.25°的土壤湿度试验数据。使用农业气象观测站土壤相对湿度和国家生态系统野外科学观测研究站土壤体积含水量对试验结果进行检验,结果表明:同化过程整体上提高了陆面模型的模拟精度,草地生态系统模拟精度高于作物和森林生态系统;有效的同化过程依赖于AMSR-E土壤湿度的准确性;模拟出的土壤湿度空间分布特征与实际相符。同化试验得到的时空相对连续且精度相对准确的土壤湿度数据是气候变化和干旱监测的重要数据基础。

基于AMSR-E数据的被动微波遥感干旱指数研究

基于2005年和2006年AMSR-E(advanced microwave scanning radiometer-earth observingsystem)的亮温,计算了8个亮温比值作为候选干旱指数。假设反演出的AMSR-E Land3土壤湿度数据能反映地表干旱程度,候选干旱指数与土壤湿度的相关性分析即能显示哪一候选干旱指数较好。选择河北省3个站点,分析了相关性较好的干旱指数的年际变化,并利用该干旱指数研究了河北省2006年3月份的干旱分布,通过比较河北省136个观测站的同期降水距平百分率,表明该干旱指数具有一定的实用性。

黑龙江流域MODIS和AMSR-E雪盖产品精度分析

以黑龙江流域气象站数据作为"真值",检验了2002～2007年黑龙江流域MODIS积雪产品和AMSR-E数据识别积雪的精度,分析了云以及海拔高度对积雪识别的影响.结果表明,MOD10A2、MOD10C2、AMSR-E识别积雪的平均精度分别为75.4%、88.7%和88.9%,云仍然是影响积雪识别精度的主要原因,MOD10C2的积雪识别结果接近于气象站的真实值,AMSR-E高估积雪覆盖面积.此外通过软分类方法得出的MOD10A2和MOD10C2的积雪覆盖面积要低于硬分类得出的积雪覆盖面积,软分类法得到的结果更接近真实值.

AMSR-E土壤湿度产品在锡林浩特草地样区的精度验证

AMSR-E土壤湿度产品已逐渐应用于气象、农业等各个领域,对土壤湿度的研究,特别是干旱半干旱地区,有着重要的科研和现实意义。为了验证AMSR-E土壤湿度产品在锡林浩特草地的适用性,利用锡林浩特草地野外实验,在3 km×3km范围内,与同经纬度地面9个点的2 cm土壤体积含水量数据作产品精度验证。通过与降水量的比较,验证了AMSR-E土壤湿度产品的可靠性,通过与地面实测值的比较,验证结果表明,AMSR-E反演的平均土壤体积含水量与地面实测平均土壤体积含水量分别为13.3%和11.8%,两者土壤体积含水量的RMSE为3.7%。

利用AMSR-E对台风“泰利”的初步分析

基于洋面上的微波辐射传输模型,采用多元线性回归算法,建立了海洋-大气参数的反演算式,并对其进行了验证。在此基础上,根据AMSR-E的反演结果,对台风“泰利”的发生发展过程进行了初步分析。结果表明,反演算式的精度接近于网上公布的业务产品,反演结果比较符合实际情况;但是由于受到所采用物理模型的限制,反演结果对于强降水区不敏感。

基于AMSR-E数据的土壤湿度监测研究

[目的]通过建立AMSR-E土壤湿度监测模型,实现土壤湿度的实时监测。[方法]利用1961～2006年广西蒸发量、逐日降雨量、日平均最高气温、日最小相对湿度、≤5 mm降雨日数等气象观测数据,以及AMSR-E土壤湿度数据,通过逐步回归的统计方法,基于GIS技术进行土壤湿度实时监测研究,并对其监测结果进行验证。[结果]2005年9月23日广西土壤湿度值较低的区域主要分布在桂东北地区和桂中地区,包括桂林市、柳州市、来宾市等市大部分地区,以及贺州市、贵港市、南宁市、河池市、百色市等市的局部地区。[结论]基于地面气象观测数据的AMSR-E土壤湿度统计模型适用于土壤湿度的实时监测。

一种基于AMSR-E的地表温度半经验反演模型

基于被动微波辐射传输方程,结合DeJeu建立的透过率与微波极化差异指数的通用关系式,以及Smiths建立的地表温度与大气总可降水量的经验关系,构建了一套基于AMSR-E影像的地表温度半经验反演模型,该模型无需借助其他辅助数据,便可从AMSR-E6.9GHz和10.7GHz两个波段的亮度温度模拟得到地表温度变量。对2009年我国地表温度进行实例模拟和验证,结果显示,该地表温度模型的平均反演精度达到2.54℃(R2=0.79),是一种简单有效的被动微波遥感地表温度模拟方法。

AMSR-E土壤水分产品评价及在干旱监测中的应用

土壤水分在地表能量交换和气候变化中有重要作用。干旱为常见的自然灾害,土壤水分是反映干旱最直观的指标,利用微波遥感监测地表土壤水分具有明显优势,微波土壤水分产品也在干旱监测中具有重要作用,但由于地表下垫面的差异和反演算法的精度,使土壤水分产品的应用受到了限制,因此,本研究对广泛使用的AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)土壤水分产品在中国范围内的精度及在干旱监测中的作用进行评价。结果表明:AMSR-E能较好的反映站点不同深度的土壤水分情况,大多数站点存在极显著相关关系,但20 cm相关性低于10 cm,且高相关系数区域明显缩小;下垫面为白地的农试站观测的土壤水分和AMSR-E土壤水分产品之间的相关性显著高于种植作物下的农田区这2种数据的相关性;对于大多数下垫面类型,站点土壤水分和AMSR-E土壤水分之间存在明显的正相关关系,且达到极显著相关,对10 cm土壤水分观测,相关性最好的是种植高梁下观测的土壤水分,相关性达到了0.579,对20 cm土壤水分观测,相关性最好的是棉花下观测的土壤水分,相关性达到0.528。春季、夏季和秋季的相关性较高,而冬季相关性略低;在种植作物的情况下,东北、华南和西北地区,站点和AMSR-E土壤水分观测相关性较好,仅考虑白地的情况下,西北、西南和华中区域,这2种数据的相关性更高些;AMSR-E较农试站土壤水分取值范围宽,但不同区域AMSR-E土壤水分取值峰值不同,华北区域2种土壤水分观测分布和波动较为一致;AMSR-E基本能反映北方干旱和南方多雨引起的土壤水分差异趋势;大多数站点和大多数作物类型下,10 cm站点土壤水分和AMSR-E土壤水分相关性较好的情况下,20 cm也会有这样的表现。其次,AMSR-E土壤水分产品提取的土壤水分距平百分率与同期的降水距平百分率之间的相关性较好,尤其在西北地区和北方大部分区域更明显,AMSR-E土壤水分产品能较好的反映降水的波动和干旱的发生状况。