被動微波遙感積雪參數(shù)反演方法進(jìn)展

孫知文， 于鵬珊， 夏浪， 武勝利， 蔣玲梅， 郭鐳

(1.航天恒星科技有限公司，北京 100086；2.北京神舟航天軟件技術(shù)有限公司，北京 100094；3.農(nóng)業(yè)部資源遙感與數(shù)字農(nóng)業(yè)重點開放實驗室，北京 100081；4.國家衛(wèi)星氣象中心，北京 100081；5.北京師范大學(xué)遙感科學(xué)國家重點實驗室，北京 100875)

被動微波遙感積雪參數(shù)反演方法進(jìn)展

孫知文1， 于鵬珊2， 夏浪3， 武勝利4， 蔣玲梅5， 郭鐳1

(1.航天恒星科技有限公司，北京 100086；2.北京神舟航天軟件技術(shù)有限公司，北京 100094；3.農(nóng)業(yè)部資源遙感與數(shù)字農(nóng)業(yè)重點開放實驗室，北京 100081；4.國家衛(wèi)星氣象中心，北京 100081；5.北京師范大學(xué)遙感科學(xué)國家重點實驗室，北京 100875)

雪深(snow depth，SD)和雪水當(dāng)量(snow water equivalent，SWE)是氣候水文研究中的重要參數(shù)，在雪災(zāi)監(jiān)測中尤為重要。首先,簡要介紹了被動微波遙感SD和SWE反演算法的物理基礎(chǔ)——積雪微波輻射傳輸模型，分析了不同微波頻段、不同特點的積雪微波輻射和散射特性。然后，根據(jù)前人的研究從數(shù)學(xué)角度將反演算法分為線性亮溫梯度法和基于先驗知識法，總結(jié)了2類算法的優(yōu)勢和局限性： 線性亮溫梯度法相對簡單、速度快，一般只適用于特定的研究區(qū)；先驗知識法需要獲取研究區(qū)的樣本數(shù)據(jù)，并反復(fù)訓(xùn)練才能達(dá)到較好的精度，但對樣本的獨立性及其均值差異顯著性的要求較高。最后，重點介紹了我國風(fēng)云三號微波成像儀(FY-3 MWRI)的全球SD和SWE反演算法和針對中國區(qū)域的改進(jìn)算法，并對未來的研究熱點進(jìn)行了展望。

被動微波遙感；微波輻射計；雪深(SD)；雪水當(dāng)量(SWE)；反演算法

0 引言

積雪是地球表面最活躍的氣象要素之一，影響著區(qū)域乃至全球的能量和水汽平衡。積雪參數(shù)是中長期氣候數(shù)值預(yù)報模式和陸表水文模型中的重要參數(shù)，在氣候模式、徑流預(yù)報、水資源管理、雪災(zāi)和洪澇監(jiān)測中有重要應(yīng)用。遙感技術(shù)能快速有效、大范圍地監(jiān)測積雪[1-12]。國內(nèi)外積雪遙感監(jiān)測主要有光學(xué)雪覆蓋監(jiān)測及微波反演雪深(snow depth，SD)和雪水當(dāng)量(snow water equivalent，SWE)，光學(xué)傳感器能夠監(jiān)測季節(jié)性積雪的覆蓋面積，但不能有效估算SD和SWE；微波則能夠穿透雪層、探測雪層信息，彌補(bǔ)了光學(xué)遙感的不足，是大范圍、全天候監(jiān)測SD和SWE的重要手段[13-17]。

自1978年起，經(jīng)過30余a星載被動微波輻射計的設(shè)計和工藝水平的不斷提高，由早期的低時空分辨率、單頻率、單極化的探測方式，逐漸發(fā)展為高時空分辨率、多頻率、多極化的探測方式，使積雪參數(shù)的估算精度也隨之提高。國內(nèi)外業(yè)務(wù)化運(yùn)行的星載被動微波輻射計包括Nimbus-7 SMMR[18]，DMSP-SSM/I[19]，AQUA AMSR-E[20]，F(xiàn)Y-3 MWRI[21]和GCOM-W1 AMSR2等，能定量估算區(qū)域和全球的積雪儲量及其變化趨勢，為全球用戶提供積雪監(jiān)測數(shù)據(jù)的業(yè)務(wù)化服務(wù)。

本文簡要介紹了被動微波積雪參數(shù)反演的理論基礎(chǔ)和模型；討論了不同反演算法的優(yōu)點和不足；最后介紹我國極軌氣象衛(wèi)星風(fēng)云三號微波成像儀(FY-3 MWRI)的SD和SWE的反演算法，為被動微波遙感數(shù)據(jù)在積雪參數(shù)反演中的深入應(yīng)用提供參考。

1 積雪反演理論基礎(chǔ)

1.1 被動微波反演理論基礎(chǔ)

如圖1所示，被動微波輻射傳輸模型描述了微波通過粗糙地表、非均勻致密介質(zhì)(如積雪)和大氣之間的輻射和散射過程[22]，是被動微波積雪反演的基礎(chǔ)。

(Z為深度；ε為介電常數(shù)；μ為介質(zhì)磁導(dǎo)率；θ為入射角；φ為出射角；T+,T-分別為雪層上、下行輻射強(qiáng)度)圖1 來自地表和雪層的微波發(fā)射Fig.1 Microwave emissivity from land surface and snowpack

由于雪層為非均勻介質(zhì)層，微波要經(jīng)過多次散射和吸收過程。雪層界面的上行和下行輻射可用2個方程表示為

(1)

(2)

式中：μs為介質(zhì)向上的總輻射；z為深度；T+,T-分別為雪層上、下行輻射強(qiáng)度；ke為雪層衰減系數(shù)；T為雪層溫度廓線；ka為雪層吸收系數(shù)；F±分別為雪顆粒的向上和向下的散射項。用于迭代求解的輻射傳輸方程為

(3)

(4)

式中：G0(μs,-μ)為下表面散射相位陣的零階傅立葉項；S0(μs,-μ)為上表面散射相位陣的零階傅立葉項；e為下邊界輻射率；z′為深度；Tg為下層介質(zhì)半空間溫度。

利用式(3)可計算出z=0處的上行輻射亮溫。上述方程無解析解，通常采用數(shù)值方法求解，求解過程中需要使用積雪模型描述地表輻射、雪層的消光和發(fā)射以及各介質(zhì)層之間的邊界條件等物理過程。積雪的微波輻射模型主要有： 早期的散射層微波發(fā)射模型[23]、赫爾辛基大學(xué)積雪微波發(fā)射模型(HUT snow emission model，HUT)[24]、積雪多層微波輻射傳輸模型(microwave emission model of layered snowpacks，MEMLS)[25]和基于致密介質(zhì)輻射傳輸(dense medium radiative transfer，DMRT)理論的積雪模型[26-28]。上述模型在很多專著和文獻(xiàn)中都有詳細(xì)的論述[5-8]。

1.2 積雪參數(shù)對微波信號影響分析

大量研究[9-11]表明，干雪的微波輻射隨雪的深度、顆粒大小、密度和結(jié)構(gòu)的變化而變化；低頻微波對地面參數(shù)較為敏感，高頻微波則對體散射內(nèi)的顆粒大小、形狀等較為敏感；當(dāng)存在液態(tài)水時，地表和冰之間存在介電常數(shù)差異，積雪的微波輻射得到增強(qiáng)[29]。

建立積雪反演算法需要考慮的因子包括雪密度、顆粒大小、雪深、微波頻率、極化方式和入射角等。蔣玲梅[9]使用改進(jìn)的積分方程模型(advanced integrated equation model，AIEM)模擬積雪的結(jié)果表明： 在入射角為45°、積雪平均粒徑為0.3 mm、頻率為18.7 GHz時，亮溫隨雪深的增加而略有增加；但在頻率為36.5 GHz時，無論是什么樣的顆粒大小，當(dāng)雪深增加時亮溫值都下降，而且很快飽和。在積雪粒徑很小時，雪深與亮溫差之間存在線性關(guān)系；但在積雪粒徑較大時，隨著積雪厚度的增加，雪深與亮溫差之間存在非線性關(guān)系。高頻89 GHz由于散射作用，密度與 89 GHz 的極化比的對數(shù)成線性關(guān)系。除此之外，積雪地表的含水量及其上覆的植被和積雪的介電常數(shù)、雪層的不均一性等都會影響積雪參數(shù)的反演精度。

因此，SD和SWE的反演非常復(fù)雜，需要在必要的前提條件和假設(shè)下，建立輻射計探測得到的微波亮溫與SD和SWE的數(shù)學(xué)關(guān)系。在算法中綜合考慮不同的影響因子是準(zhǔn)確估算SD和SWE的關(guān)鍵。

2 SD和SWE反演算法

研究人員發(fā)展了大量基于被動微波遙感數(shù)據(jù)的SD和SWE反演算法，本文從數(shù)學(xué)方法的角度將這些反演方法分為2類： 線性亮溫梯度法和基于先驗知識法。

2.1 線性亮溫梯度法

微波亮溫是積雪后向散射系數(shù)的函數(shù)。后向散射系數(shù)與微波頻率成正比，導(dǎo)致積雪的亮溫梯度為負(fù)。假定積雪為均一、單層的干雪，雪密度為常數(shù)，雪的顆粒大小不變，雪深不超過1 m，由于雪顆粒對來自地表的高頻或低頻的微波散射強(qiáng)度不同，因而造成不同頻段的微波輻射亮溫存在差異，并且隨著積雪深度的增加亮溫梯度增大。通?？蓪⑽⒉翜嘏cSD和SWE之間的關(guān)系描述成線性關(guān)系。

在實際應(yīng)用中,使用星載微波輻射計反演全球或區(qū)域積雪參數(shù)時，不同的研究人員根據(jù)不同微波頻段和/或不同研究區(qū)特點，給出不同的系數(shù)。不同反演算法的差異主要是由于系數(shù)獲取方式的不同和考慮了植被、雪顆粒大小等參數(shù)的影響造成的。根據(jù)系數(shù)獲取方法的不同，線性亮溫梯度法可分為3種： 靜態(tài)算法、動態(tài)算法和靜態(tài)與動態(tài)結(jié)合的算法。

2.1.1 靜態(tài)反演算法

針對裸地上的積雪反演算法是靜態(tài)算法中較為經(jīng)典的算法，最初由Chang等[30]建立，計算式為

SD=k0+k1·△Tb，

(5)

或

SWE=k0+k1·△Tb。

(6)

式(5)(6)中：SD為雪深，cm；SWE為雪水當(dāng)量，mm；△Tb為不同頻率、不同極化下的亮溫差；k0和k1為常數(shù)，由研究人員根據(jù)研究區(qū)域給出。SWE與SD的換算關(guān)系為

SWE=10ρ·SD，

(7)

式中ρ為積雪密度。

對于星載微波輻射計而言，△Tb大多采用K和Ka波段同極化的亮溫差，如 AMSR-E和FY-3 MWRI分別使用頻率為18.7 GHz和36.5 GHz時的水平極化亮溫差。

森林地區(qū)的植被削弱了下伏雪蓋的微波輻射，而植被冠層自身的發(fā)射則增加了星載輻射計接收到的微波輻射；若不考慮植被，反演算法會低估森林地區(qū)的SWE[31]，可將式(6)修訂為

(8)

式中fc是像元內(nèi)的森林覆蓋率。森林覆蓋率可通過高分辨率光學(xué)傳感器觀測到的植被指數(shù)百分比或反照率計算得出。

2.1.2 動態(tài)反演算法

自然積雪在演變過程中，其物理特性都會隨著時間和空間動態(tài)變化[32]，而靜態(tài)算法未考慮積雪的年際變化特性。動態(tài)算法則考慮了積雪內(nèi)部特性隨時間和空間變化而發(fā)生的變化，尤其是顆粒大小的變化。Josberger等[16]利用積雪的熱輻射梯度來描述積雪隨時空變化的質(zhì)變過程，用熱輻射指數(shù)(thermal gradient index，TGI)來表示積雪層內(nèi)熱溫度梯度，作為衡量顆粒增長的指標(biāo)，即

(9)

(9)

式中：C為臨界溫度梯度值，是一個常數(shù)(C=20 ℃/m)；Tground為下墊面地表-雪界面溫度；Tair為空氣-雪界面溫度；SD(t)為雪深。

研究過程中發(fā)現(xiàn)，亮溫梯度SG與熱輻射指數(shù)TGI之間存在很好的線性關(guān)系，即

SG=α·TGI+β,

(10)

式中α，β為經(jīng)驗系數(shù)。

對式(10)取導(dǎo)數(shù)，則SD(t)可表示成

(11)

該動態(tài)算法假設(shè)地表溫度接近于0℃，通過研究區(qū)密集氣象臺站數(shù)據(jù)來驗證衛(wèi)星反演的雪深，在美國北部大平原中精度比靜態(tài)算法高，但在針葉林和極地地區(qū)不適用。

另外一類動態(tài)算法同時考慮植被覆蓋度和積雪物理特性。如Kelly等[33]在靜態(tài)算法基礎(chǔ)上，綜合考慮植被覆蓋度、積雪顆粒大小和密度在時間和空間上的動態(tài)變化，采用基于輻射傳輸?shù)陌虢?jīng)驗?zāi)Ｐ蛠砻枋龇e雪顆粒大小和密度隨時空變化的演變過程。利用氣象臺站連續(xù)日積雪測量值與SSM/I數(shù)據(jù),建立了動態(tài)反演算法，即

SD=k0(△Tb)2+k1·△Tb,

(12)

式中：k0和k1分別為與積雪粒徑大小和密度相關(guān)的氣候參數(shù)。

2.1.3 靜態(tài)與動態(tài)結(jié)合反演算法

大范圍地區(qū)內(nèi)的積雪在空間上的變化會很大，加之冬季北半球大部分凍土區(qū)的地表空氣溫度非常低，永凍層的存在強(qiáng)烈影響著地表溫度，因而積雪的顆粒大小隨著溫度的下降而增長，而且隨著溫度梯度變大很容易形成霜殼。動態(tài)反演算法考慮了這些因素的影響，因而在冬初反演精度較好，而在冬末由于顆粒增長緩慢會使反演精度較差。

Grippa等[34]把動態(tài)和靜態(tài)算法相結(jié)合，用每月的氣象雪深數(shù)據(jù)來調(diào)整靜態(tài)算法中的系數(shù)；當(dāng)亮溫梯度變化不大時則采用靜態(tài)算法，而亮溫梯度變化較大時則采用動態(tài)算法。靜態(tài)與動態(tài)結(jié)合的反演算法在長時間氣候變化的情況下應(yīng)用效果較好，因而在研究氣候和生態(tài)系統(tǒng)變化時經(jīng)常使用。

2.2 基于先驗知識法

2.2.1 神經(jīng)網(wǎng)絡(luò)法

當(dāng)雪深超過1 m、積雪粒徑較大時，用線性關(guān)系并不能準(zhǔn)確描述SD和SWE與微波亮溫之間的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)模型被廣泛用于解決各類非線性問題。通常使用神經(jīng)網(wǎng)絡(luò)法反演地表參數(shù)的步驟如下： 將采集的樣本數(shù)據(jù)隨機(jī)分成2組，一組為訓(xùn)練數(shù)據(jù)，另一組為測試數(shù)據(jù)；在反復(fù)訓(xùn)練和測試評估過程中，使用不同極化和頻段的組合使得SWE反演最穩(wěn)定且精度最高，最終將微波亮溫與SWE進(jìn)行神經(jīng)網(wǎng)絡(luò)建模。訓(xùn)練過程中使用的通道越多，就越容易克服積雪物理特性、地表粗糙度和植被的影響。Choudhury等[35]用神經(jīng)網(wǎng)絡(luò)技術(shù)反演積雪層的3個參數(shù)： 平均顆粒大小、積雪密度和溫度。Tedesco等[19]使用水文模型作為邊界限定，將神經(jīng)網(wǎng)絡(luò)與耦合水文模型相結(jié)合進(jìn)行積雪參數(shù)反演。

2.2.2 貝葉斯反演法

把模糊的前向模型(前向算法)轉(zhuǎn)化為數(shù)據(jù)驅(qū)動的前向模型作為貝葉斯模型的驅(qū)動條件，將先驗知識如地面實測數(shù)據(jù)、先驗概率、噪聲分布等信息作為貝葉斯迭代法的限制條件，使得迭代解很快收斂，反演出結(jié)果。Davis等[36]對微波前向模型使用貝葉斯迭代反演積雪參數(shù)，使用Nimbus-7 SMMR數(shù)據(jù)作為算法輸入，經(jīng)驗證表明，反演結(jié)果優(yōu)于線性亮溫梯度法。

2.2.3 其他反演法

除神經(jīng)網(wǎng)絡(luò)法和貝葉斯法外，Durand等[37]利用馬爾科夫鏈蒙特卡羅方法反演SWE。雪層的數(shù)量由選定模型的判據(jù)創(chuàng)建的一系列馬爾科夫鏈確定，在每一個馬爾科夫鏈中模擬積雪層的厚度、密度、顆粒度大小和溫度。結(jié)果表明，該方法對于淺雪反演效果較好，RMSE<18.2 mm；對于深雪則誤差較大，需要在算法中引入更多的先驗參數(shù)。

2.3 反演方法小結(jié)

線性亮溫梯度法是基于前向模型的經(jīng)驗、半經(jīng)驗算法，具有算法形式簡單、計算速度快、可對衛(wèi)星數(shù)據(jù)實時處理等特點。研究人員根據(jù)研究區(qū)內(nèi)積雪和其他影響因素的特征，將這些影響歸一化到2個回歸系數(shù)k0，k1中，在研究區(qū)內(nèi)的反演精度較好，基本上能滿足大尺度氣候和水文模式的精度要求。但同時也存在著一些問題，如算法的區(qū)域性較強(qiáng)，為保證精度，需要對系數(shù)經(jīng)常更新；在機(jī)理上還沒有完全搞清輻射計探測到的亮溫與地表輻射的復(fù)雜關(guān)系，尚沒有一個適用性很強(qiáng)的模型實現(xiàn)SD和SWE的高精度估算。

基于先驗知識訓(xùn)練的反演模型能較好地描述微波亮溫與積雪參數(shù)之間的非線性關(guān)系，所建立的模型在應(yīng)用于實際反演時，不再需要地表的任何先驗知識，克服了經(jīng)驗、半經(jīng)驗算法應(yīng)用于不同研究區(qū)時的局限性，是解決反演問題的一個強(qiáng)有力的工具。但同時此類算法也存在一定的局限性： 模型建立時需要積累大量的訓(xùn)練樣本，輸入?yún)?shù)必須是相關(guān)性小的獨立參數(shù)，否則訓(xùn)練結(jié)果誤差大；訓(xùn)練算法和結(jié)構(gòu)也是模型成功的關(guān)鍵[38]，該算法雖然適用范圍廣泛、精度高，但在反演機(jī)理上無實際的物理意義。上述因素都限制了神經(jīng)網(wǎng)絡(luò)反演算法的應(yīng)用。因此，該方法常用于科學(xué)研究中，在實際衛(wèi)星業(yè)務(wù)運(yùn)行中基本不使用。

3 FY-3 MWRI的SD和SWE算法

我國星載被動微波輻射計起步較晚，2008年發(fā)射的風(fēng)云三號(FY-3)A星搭載的微波成像儀(microwave radiation imager，MWRI)是我國首個獲取SD和SWE的業(yè)務(wù)化運(yùn)行的有效載荷，它能夠提供全球和中國區(qū)的積雪參數(shù)產(chǎn)品[39]。MWRI的各項性能指標(biāo)見表1。

表1 FY-3微波成像儀性能指標(biāo)Tab.1 Performance index of FY-3 MWRI

FY-3 MWRI 的SD和SWE反演算法有2種： 全球算法和中國區(qū)域算法。

3.1 全球算法

FY-3 MWRI的積雪參數(shù)全球算法在AQUA/AMSR-E的全球算法[40]的基礎(chǔ)上針對MWRI儀器特性發(fā)展而來。該算法考慮了以下因素：

1)植被。對有森林覆蓋的積雪區(qū)，使用森林覆蓋率和森林密度對亮溫進(jìn)行校正；

2)降雨。對降雨的判別可用散射指數(shù)的閾值進(jìn)行，同時將質(zhì)量標(biāo)志標(biāo)識為降雨；

3)濕雪。濕雪的介電常數(shù)較大，致使微波信號急劇變化。計算過程中遇到濕雪則不反演，將質(zhì)量標(biāo)志標(biāo)識為濕雪，供用戶酌情使用；

4)高海拔山區(qū)。由于受地表粗糙度、凍土、山地湖泊等的影響，加上衛(wèi)星升降軌的觀測方向不同，山地地區(qū)SD和SWE的反演變得更加復(fù)雜，SWE精度的可信度將會下降。計算過程中將質(zhì)量標(biāo)志標(biāo)識為山區(qū)，供用戶酌情使用。

FY-3 MWRI的積雪參數(shù)全球算法的核心公式為

(13)

式中：SD為雪深，cm；fc為森林覆蓋率；fd為森林密度；k0和k1分別為中心頻率在18 GHz和36 GHz的極化修正系數(shù)；T(b10,V)，T(b18,V)和T(b36,V)分別為10 GHz，18 GHz和36 GHz通道的垂直極化亮溫。使用式(7)計算SWE。

具體的算法流程如圖2所示。

圖2 FY-3 MWRI的SD和SWE反演算法流程Fig.2 Flow chart of SD and SWE inversion algorithm for FY-3 MWRI

3.2 中國區(qū)域算法

與全球算法不同的是在中國季節(jié)性降雪區(qū)內(nèi)，中國區(qū)域積雪參數(shù)反演算法考慮了4種類型的積雪覆蓋地表： 森林、草地、裸地和耕地，針對這4種類型的地表覆蓋給出了一組經(jīng)驗公式。SD是不同地表特征下雪深的加權(quán)和，權(quán)重系數(shù)是不同地表各自占陸地的百分比。計算SD的基本公式為

SD=fbarrenSDbarren+fgrassSDgrass+fforestSDforest+

ffarmSDfarm,

(14)

式中：f為不同類型地表覆蓋所占陸地的百分比；SD為不同地表類型上的雪深。

SWE依據(jù)式(7)、通過使用氣象臺站觀測數(shù)據(jù)回歸建立的經(jīng)驗算法計算得到。與實測數(shù)據(jù)的對比結(jié)果表明，F(xiàn)Y-3 MWRI的區(qū)域算法在中國區(qū)域內(nèi)的SWE反演精度優(yōu)于AMSR-E的全球算法，而AMSR-E的全球算法會高估中國區(qū)域內(nèi)的SWE[41]。

4 結(jié)論

被動微波遙感反演雪深(SD)和雪水當(dāng)量(SWE)依然是當(dāng)前研究的難點。全球范圍業(yè)務(wù)化運(yùn)行的星載微波輻射計反演算法以線性亮溫梯度法為主。利用微波輻射計監(jiān)測積雪的業(yè)務(wù)化運(yùn)行的星載輻射計主要有： 搭載在Nimbus-7上的SMMR是單極化5個頻率(6～37 GHz之間)的輻射計，從1978年起SMMR業(yè)務(wù)化獲取SD和SWE等參數(shù)，一直運(yùn)行至1987年。1987年美國國防氣象衛(wèi)星(DMSP)攜載SSM/I升空，SSM/I是H和V極化7個頻段的輻射計。2002年AQVA上的AMSR-E開始工作，儀器性能的改進(jìn)使得被動微波遙感的低空間分辨率得到很大改進(jìn)。2011年10月起AMSR-E停止工作，由日本AMSR2接替。中國的風(fēng)云三號微波成像儀器(FY-3 MWRI)自2008年起開始業(yè)務(wù)化服務(wù)。

經(jīng)過30余a的研究，被動微波遙感反演SD和SWE取得了很大進(jìn)展，但后續(xù)研究更應(yīng)關(guān)注以下幾個方面的問題：

1)雪層中的含水量是影響被動微波遙感反演SD的重要因素，也是反演的難點。特別是在積雪融化時，表面介電常數(shù)顯著改變[42]，表面含水量每增加1%，19 GHz頻率的微波穿透深度減小10 cm, 37 GHz的微波穿透深度更小。可見對濕雪SD的反演依然存在技術(shù)上的缺陷。

2)反演精度驗證方法的改進(jìn)也是反演算法改進(jìn)的重點之一。被動微波遙感的空間分辨率低，K波段和Ka波段的地面分辨率只有25 km，難以準(zhǔn)確獲取如此大尺度的積雪空間信息對算法進(jìn)行驗證。

3)星載微波輻射計C波段和X波段受地面通訊干擾，使觀測亮溫受到污染。主流的星載被動微波輻射計(如DMSP-SSM/I，AQUA AMSR-E，F(xiàn)Y-3 MWRI等)的星載微波輻射計的不同通道都會受到地面通訊不同程度的影響。

4)隨著陸表數(shù)據(jù)同化研究的興起，對星載輻射計積雪反演產(chǎn)品進(jìn)行同化也將是積雪研究的一個重要方向。使用同化方法將積雪前向模型與微波觀測數(shù)據(jù)結(jié)合，用數(shù)據(jù)同化方式解決反演本身存在的缺陷，可為提高SD和SWE的反演精度提供新途徑。

[1] Hall D K,Riggs G A,Salomonson V V.MODIS/AQUA snow cover 8-day L3 global 0. 05deg CMG Version 5[DB/OL].Boulder, Colorado USA: National Snow and Ice Data Center.Digital media,2007,updated daily.http://nsidc.org/data/myd10c2.html.

[2] 王世杰.利用NOAA/AVHRR影像資料估算積雪量的方法探討[J].冰川凍土,1998,20(1):68-73. Wang S J.Exploring the estimation of snowpack volume with NOAA/AVHRR satellite data[J].Journal of Glaciology and Geocryology,1998,20(1):68-73.

[3] Hall D,Riggs G,Salomonson V V.Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data[J].Remote Sensing of Environment,1995,54(2):127-140.

[4] 周詠梅,賈生海,劉萍.利用NOAA-AVHRR資料估算積雪參量[J].氣象科學(xué),200l,21(1):117-121. Zhou Y M,Jia S H,Liu P.The method of snowcover parameters estimation using NOAA-AVHRR data[J].Scientia Meteorologica Sinica,2001,21(1):117-121.

[5] (美)烏拉比F T,穆爾 R K,馮建超.微波遙感[M].北京:科學(xué)出版社,1986. Ulaby F T,Moore R K,Fung J C.Microwave Remote Sensing:Active and Passive[M].Norwood, MA:Artech House,1986.

[6] 金亞秋.電磁散射和熱輻射的遙感理論[M].北京:科學(xué)出版社,1993. Jin Y Q.Remote Sensing Theory of Electromagnetic Scattering and Thermal Emission[M].Beijing:Science Press,1993.

[7] (美)霍爾 D K,馬丁內(nèi)克 J.冰雪遙感[M].顧鐘煒,陳賢章,馮學(xué)智,等譯.蘭州:甘肅科學(xué)技術(shù)出版社,1991. Hall D K,Martinec J.Remote Sensing of Ice and Snow[M].London:Chapman and Hall,1985.

[8] Tsang L,Kong J A,Shin R T.Theory of Microwave Remote Sensing[M].New York:Wiley,1985.

[9] 蔣玲梅.被動微波雪水當(dāng)量研究[D].北京:北京師范大學(xué),2005. Jiang L M.Passive Microwave Remote Sensing of Snow Water Equivalence Study[D].Beijing:Beijing Normal University,2005.

[10]Tsang L,Kong J A.Multiple scattering of electromagnetic waves by random distribution of discrete scatterers with coherent potential and quantum mechanical formalism[J].Journal of Applied Physics,1980,51(7):3465-3485.

[11]Armstrong R L,Brodzik M J.Recent northen hemisphere snow extent:A comparison of data derived from visible and microwave satellite sensors[J].Geophysical Research Letters,2001,28(19):3673-3676.

[12]車濤,李新,高峰.青藏高原積雪深度和雪水當(dāng)量的被動微波遙感反演[J].冰川凍土,2004,26(3):363-368. Che T,Li X,Gao F.Estimation of snow water equivalent in the Tibetan Plateau using passive microwave remote sensing data(SSM/I)[J].Journal of Glaciology and Geocryology,2004,26(3):363-368.

[13]Martinec J.Expected snow loads on structures from incomplete hydrological data[J].Journal of Glaciology,1978,19:185-195.

[14]Bernier P Y.Microwave remote sensing of snowpack properties:Potential and limitations[J].Nordic Hydrology,1987,18(1):1-20.

[15]Rango A,Chang A T C,Foster J L.The utilization of spaceborne microwave radiometers for monitoring snowpack properties[J].Nordic Hydrology,1979,10(1):25-40.

[16]Josberger E G,Mognard N M.A passive microwave snow depth algorithm with a proxy for snow metamorphism[J].Hydrological Processes,2002,16(8):1557-1568.

[17]Goodison B E,Walker A E.Use of snow cover derived from satellite passive microwave data as an indicator of climate change[J].Annals of Glaciology,1993,17:137-142.

[18]Chang A T C,Foster J L,Hall D K.NIMBUS-7 SMMR derived global snow cover parameters[J].Annals of Glaciology,1987,9:39-44.

[19]Tedesco M,Pulliainen J,Takala,et al.Artificial neural network-based techniques for the retrieval of SWE and snow depth from SSM/I data[J].Remote Sensing of Environment,2004,90(1):76-85.

[20]Kelly R.The AMSR-E snow depth algorithm:Description and initial results[J].Journal of the Remote Sensing Society of Japan,2009,29(1):307-317.

[21]孫知文,施建成,楊虎,等.風(fēng)云三號微波成像儀積雪參數(shù)反演算法初步研究[J].遙感技術(shù)與應(yīng)用,2007,22(2):264-267. Sun Z W,Shi J C,Yang H,et al.A study on snow depth estimating and snow water equivalent algorithm for FY-3 MWRI[J].Remote Sensing Technology and Application,2007,22(2):264-267.

[22]Ulaby F T,Moore R K,Fung A K.Microwave Remote Sensing:Active and Passive.Volume I:Microwave Remote Sensing Fundamentals and Radiometry[M].Reading,Massachusetts:Addison-Wesley,Advanced Book Program,1981:1-456.

[23]England A W.Thermal microwave emission from a scattering layer[J].Journal of Geophysical Research,1975,80(32):4484-4496.

[24]Pulliainen J T,Grandell J,Hallikainen M T.HUT snow emission model and its applicability to snow water equivalent retrieval[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(3):1378-1390.

[25]Wiesmann A,M?tzler C.Microwave emission model of layered snowpacks[J].Remote Sensing of Environment,1999,70(3):307-316.

[26]Tsang L.Dense media radiative transfer theory for dense discrete random media with spherical particles of multiple sizes and permittivities[J].Progress in Electromagnetics Research,1992,5(6):181-230.

[27]Tsang L,Chen C T,Chang A T C,et al.Dense media radiative transfer theory based on quasicrystalline approximation with applications to passive microwave remote sensing of snow[J].Radio Science,2000,35(3):731-749.

[28]Fung A K.Microwave Scattering and Emission Models and Their Applications[M].Boston:Artech House,1994:1-573.

[29]Armstrong R L,Rango A,Chang A T C,et al.Snow depths and grain size relationships with relevance for passive microwave studies[J].Annals of Glaciology,1993,17:171-176.

[30]Chang A T C,GIoersen P,Schmugge T,et al.Microwave emission from snow and glacier ice[J].Journal of Glaciology,1976,16(74):23-39.

[31]Langlois A,Royer A,Dupont F,et al.Improved corrections of forest effects on passive microwave satellite remote sensing of snow over boreal and subarctic regions[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(10):3824-3837.

[32]Sturm M,Holmgren J,Liston G E.A seasonal snow cover classification system for local to global applications[J].Journal of Climate,1995,8(5):1261-1283.

[33]Kelly R E,Chang A T,Tsang L,et al.A prototype AMSR-E global snow area and snow depth algorithm[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(2):230-242.

[34]Grippa M,Mognard N,Toan T L,et al.Siberia snow depth climatology derived from SSM/I data using a combined dynamic and static algorithm[J].Remote Sensing of Environment,2004,93(1-2):30-41.

[35]Goodison B,Walker A.Canadian development and use of snow cover information from passive microwave satellite data[M]//Choudhury B,Kerr Y H,Njoku E G,et al.Passive Microwave Remote Sensing of Land-Atmosphere Interactions.Utrecht:VSP International Science Publishers,1995:245-262.

[36]Davis D T,Chen Z X,Tsang L,et al.Retrieval of snow parameters by iterative inversion of a neural network[J].IEEE Transactions on Geoscience and Remote Sensing,1993,31(4):842-852.

[37]Durand M,Liu D S.The need for prior information in characterizing snow water equivalent from microwave brightness temperatures[J].Remote Sensing of Environment,2012,126:248-257.

[38]楊虎,郭華東,王長林,等.基于神經(jīng)網(wǎng)絡(luò)方法的極化雷達(dá)地表參數(shù)反演[J].遙感學(xué)報,2002,6(6):451-455. Yang H,Guo H D,Wang C L,et al.Polarimetric SAR surface parameters inversion based on neural network[J].Journal of Remote Sensing,2002,6(6):451-455.

[39]孫知文.風(fēng)云三號微波成像儀(FY-3 MWRI)積雪參數(shù)反演算法研究與系統(tǒng)開發(fā)[D].北京:北京師范大學(xué),2007. Sun Z W.Estimate Snow Depth and Snow Water Equivalent Algorithm for FY-3 MWRI and Development of System[D].Beijing:Beijing Normal University,2007.

[40]Chang A T C,Rango A.Algorithm Theoretic Basis Document(ATBD) for the AMSR-E Snow Water Equivalent Algorithm,Version 3.1[R].USA:NASA,2000.

[41]楊虎,李小青,游然,等.風(fēng)云三號微波成像儀定標(biāo)精度評價及業(yè)務(wù)產(chǎn)品介紹[J].氣象科技進(jìn)展,2013,3(4):136-143. Yang H,Li X Q,You R,et al.Environmental data records from Feng Yun-3B mircowave radiation imager[J].Advances in Meteorological Science and Technology,2013,3(4):136-143.

[42]Hallikainen M T,Ulaby F,Abdelrazik M.Dielectric properties of snow in the 3 to 37 GHz range[J].IEEE Transactions on Antennas and Propagation,1986,34(11):1329-1340.

(責(zé)任編輯： 劉心季)

Progress in study of snow parameter inversion by passive microwave remote sensing

SUN Zhiwen1， YU Pengshan2， XIA Lang3， WU Shengli4， JIANG Lingmei5， GUO Lei1

(1.SpaceStarTechnologyCo.，Ltd. ,Beijing100086，China；2.BeijingShenzhouAerospaceSoftwareTechnologyCo.,Ltd.,Beijing100094,China; 3.KeyLaboratoryofResourceRemoteSensingandDigitalAgriculture，Beijing100081，China；4.NationalSatelliteMeteorologicalCenter，Beijing100081，China；5.StateKeyLaboratoryofRemoteSensingScience，BeijingNormalUniversity，Beijing100875，China)

Snow depth(SD)and snow water equivalent(SWE)are key parameters in hydrology and climate research，especially in the snowstorm monitoring. In this paper，the authors first provided a brief background of the physical basis of the SD and SWE inversion algorithm，i.e., the snow microwave radiative transfer model，and discussed the snow microwave radiation and scattering in different microwave frequencies. After that, the former snow estimation inversion algorithms were reviewed, which can be categorized into two types: linear brightness temperature gradient and prior knowledge-based from mathematical methods. The advantages and limitations of the two algorithms were summarized. The linear brightness temperature gradient method is easier and runs faster，but it only suits specific study areas. For the establishment of a prior knowledge-based model，researchers need to obtain the sample data and repeated training so as to achieve higher accuracy. However, the model requires the independence and significant mean difference of the samples. The SD and SWE inversion algorithms for Fengyun-3 microwave radiation imager (FY-3 MWRI) were described，which are composed of global business algorithm and improved regional algorithm for China. Finally, the research focuses in this aspect were predicted.

passive microwave remote sensing；microwave radiometer；snow depth(SD)；snow water equivalent(SWE)；inversion algorithm

2013-11-05；

2014-01-15

10.6046/gtzyyg.2015.01.02

孫知文，于鵬珊，夏浪，等.被動微波遙感積雪參數(shù)反演方法進(jìn)展[J].國土資源遙感，2015，27(1)：9-15.(Sun Z W，Yu P S，Xia L，et al.Progress in study of snow parameter inversion by passive microwave remote sensing[J].Remote Sensing for Land and Resources，2015，27(1)：9-15.)

TP 79

A

1001-070X(2015)01-0009-07

孫知文(1983-)，男，工程師，主要從事微波遙感、微波輻射定標(biāo)等方向的研究。Email： sunzhiwen503@163.com。