基于AMSR-E数据的地表温度反演研究

论文总字数：16756字

目 录

1.引言………………………………………………………………4

1.1研究目的和意义…………………………………………………………………4

1.2 国内外研究现状…………………………………………………………………4

2.理论基础…………………………………………………………5

3.被动微波遥感反演地表温度的算法综述………………………6

3.1物理模型算法……………………………………………………………………6

3.2 统计模型算法……………………………………………………………………7

4.研究区域和数据…………………………………………………8

4.1研究区域…………………………………………………………………………8

4.2 AMSR-E数据………………………………………………………………………8

4.3 FNL数据 …………………………………………………………………………9

5.数据处理…………………………………………………………9

5.1 AMSR-E数据处理…………………………………………………………………9

5.2 FNL数据处理……………………………………………………………………11

6.反演算法及验证…………………………………………………12

6.1反演算法……………………………………………………………………………12

6.2 算法验证……………………………………………………………………………13

7.结论………………………………………………………………14

参考文献……………………………………………………………15

致谢…………………………………………………………………17

基于AMSR-E数据的地表温度反演研究

卜婷婷

, China

Abstract:Land surface temperature (LST) is an important parameter reflecting the global climate change and the ecological environment, and it has a wide application space in the fields of meteorology, agriculture and production. Passive microwave remote sensing has the characteristics of being little affected by atmosphere,being able to penetrate thin clouds, all weather and multipolar,so it is very suitable for inversion of surface temperature. Algorithms for inversion of surface temperature from passive microwave data can be roughly divided into statistical algorithms and physical algorithms. There is no perfect algorithm for inversion of surface temperature based on AMSR-E. This paper first summarizes the algorithms of the inversion of surface temperature based on passive microwave remote sensing data and analyze the advantages and disadvantages of these methods. In this paper, the Sahara Desert is used as the research area, and the AMSR-E L2A rise orbit brightness temperature data of May 9, 2010 are selected. The corresponding FNL surface temperature products are taken as the actual surface temperature. The relationships between the vertical polarization channels of AMSR-E and the FNL surface temperature is analyzed. Then, based on the empirical statistic model, the AMSR-E L2A brightness temperature and the FNL surface temperature are linearly regressed,so an algorithm for inversion of surface temperature using AMSR-E L2A brightness temperature data for the Sahara Desert is obtained. Finally, the rise orbit brightness temperature data of April 15, 2011 and the corresponding FNL surface temperature are used to validate the inversion algorithm .The inversion results show that the surface temperature map obtained by inversion has some similar characteristics to the FNL surface temperature diagram. This paper will provide a reference for the study of inversion of surface temperature from passive microwave remote sensing data in desert area.

Key words:passive microwave remote sensing;AMSR-E;brightness temperature;land surface temperature; Sahara Desert

1.引言

1.1研究目的和意义

地表温度（LST）是反映全球气候变化及生态环境状况的重要参数，在气象、农业、生产等领域具有广阔的应用空间。传统的获取方法是在地面观测站利用温度计测量，虽然精确度高,但只能反映局部地区的温度,不具有代表性。利用卫星遥感数据反演地表温度则可以及时得到大范围的地表温度，便于大尺度的温度研究。所以，利用卫星遥感数据反演地表温度是获取地表温度十分有效的方法。热红外遥感虽然分辨率相对比较高，但易受大气因素影响，存在局限。与之相比，微波遥感具有受大气因素影响小，可穿透薄云、全天候、多极化等特点。因此，利用被动微波遥感来反演地表温度能取得更好的效果。所以,开展利用被动微波数据反演地表温度的工作具有非常重要的应用意义。

当前基于AMSR-E反演地表温度的研究还比较少，发展得比较成熟的是经验统计模型。经验模型是依据下垫面类型、植被、降水、土壤湿度等情况，将被动微波传感器的亮温数据与其它卫星地表温度产品、站点实测温度等进行回归分析，得到反演地表温度的线性方程。 这种模型简单易行，但不具有普遍适用性，当下垫面状况发生改变或下垫面分布不均时，模型的系数需要随之改变。

本文首先总结了被动微波遥感反演地表温度的反演算法。本文选取撒哈拉沙漠地区为研究对象，将FNL的地表温度产品作为真实的地表温度，分析了AMSR-E各垂直极化通道与FNL地表温度的关系。然后，基于经验统计模型，将AMSR-E的L2A亮度温度与FNL地表温度进行多元线性回归，得出针对撒哈拉沙漠地区的利用AMSR-E L2A亮温数据反演地表温度的算法，并对该算法进行了验证，有利于对沙漠地区地表温度的反演工作的开展。

1.2 国内外研究现状

被动微波遥感反演地表温度的研究主要采用来自SMMR、SSM/I、AMSR-E、AMSR-2等辐射计的数据。反演方法大致可分为统计模型法和物理模型法两大类。

一些学者研究了被动微波遥感反演地表温度的统计模型法，并取得了很多研究成果。McFarland等^[1]对SSM/I的全通道的亮度温度与百叶箱最低空气温度进行多元线性回归，建立了以37GHz通道为主反演通道，其他通道作为大气纠正通道的经验反演模型。Marshall等^[2]提出了四通道线性回归的地表温度反演算法，将SSM/I亮度温度与百叶箱测得的最低空气温度进行多元回归，为了修正水体的影响，将37GHz和19GHz两通道的亮度温度作差；为了修正大气影响，将37GHz和22GHz垂直极化两通道作差。Chen等^[3]将MPDI数值以不同的间隔划分，使用AMSR-E的7个频率通道进行回归分析。潘广东等^[4]在中国陆地地区，结合地表分类算法，采用SSM/I的亮度温度反演出了地表温度且误差小。李万彪等^[5]将地表下垫面分为5种，构建了反演地表温度的经验公式，并将此公式运用到我国东部地区进行温度反演。Njoku等^[6]通过组合不同参数，由辐射传输正向模型计算出亮温，生成了模拟数据集，用多元逐步回归的方法得到了地表温度的反演算法。毛克彪等^[7]用 MODIS 的地表温度和AMSR-E的亮度温度进行线性回归，发现当地表温度反演的主通道为89GHz垂直极化通道时，反演结果的精度最高，并依据此结论，以273K为分界点，通过AMSR-E 89GHz通道亮温数据反演地表温度，建立了不同通道的经验反演公式。武胜利等^[8]将AMSR-E亮温与MODIS地表分类产品结合，划分全球地表为16类，分别针对每种下垫面建立了地表温度反演算法。刘曾林等^[9]分析出AMSR-E反演地表温度最好的反演通道，建立了反演裸土地表温度的经验算法。陈修治等^[10]选取广东省为研究区域，根据植被指数，将下垫面情况分为5种类型，并针对每种类型建立了反演模型。

一些学者发展了物理模型反演算法。Basist 等^[11]建立了调整发射率的反演算法。Weng 等^[12]利用SSM/I的19.35 和 22.23GHz通道的亮温数据，采用牛顿迭代法求解非线性方程，为消除发射率变化带来的影响，用两个邻近通道的亮温作商，建立了反演地表温度的物理算法。Fily 等^[13]发展了基于极化比辐射率关系的地表温度反演算法。Pulliainen 等^[14]假设表面发射率率随空间变化且不随时间变化，采用两阶段法进行反演，提出了使用多通道的亮度温度数据反演北方森林区表面温度的算法。Xiang 等^［15］假定不同频率下的地表温度相同，且一天内的地表发射率不变, 使用SSM/I多通道的亮温,结合了温湿度廓线,求解非线性方程，从而得到地表温度。

剩余内容已隐藏，请支付后下载全文，论文总字数：16756字

相关图片展示：