AMSR-E卫星资料陆面干扰的气候特征分析

冯呈呈,董慧杰



AMSR-E卫星资料陆面干扰的气候特征分析

冯呈呈①②*,董慧杰①

① 南京信息工程大学 大气科学学院,江苏 南京 210044;

② 大连市气象台，辽宁 大连 116001

2014-12-15收稿,2015-06-15接受

公益性行业(气象)科研专项(GYHY201406008);江苏省普通高校研究生科研创新计划资助项目(CXLX13_483;KYLX_0822);江苏高校优势学科建设工程资助项目(PAPD)

摘要先进微波辐射计(AMSR-E)的低频特性使其更容易受到无线电频率干扰(RFI),本文首先对比了谱差法和双主成分分析(Double Principal Component Analysis,DPCA)方法这两种RFI识别算法的差异,验证了DPCA方法的适用性,然后选用DPCA方法对2002年9月—2011年9月AMSR-E陆面升轨亮温月平均数据中的RFI进行识别,并分析其多年变化特征。DPCA方法可以有效地识别出AMSR-E全球范围内陆地亮温数据中的RFI分布情况。识别结果显示:1)C波段中的RFI主要分布在美国、东亚及印度—阿拉伯半岛地区;X波段主要分布在欧洲及东亚地区。2)各区域的RFI空间位置及强度随时间会发生变化,其原因可能是由于基础设施及使用无线电频谱的变化造成。3)不同区域月平均亮温数据中识别出的RFI信号数量存在季节变化,并且C波段中识别出的RFI数量随时间减少,X波段中随时间增加。

关键词

卫星资料先进微波辐射计

无线电频率干扰

双主成分分析

气候趋势分析

微波遥感探测仪器具有很好的穿透性,可以穿透云层和部分的地表植被、土壤等,同时不受光照条件的限制,做到全天时、全天候的对地探测,为科学研究、气象预报业务使用提供高质量的探测数据。微波辐射数据常常被用于天气、气候的监测、反演和同化研究(龙利民等,2010;闵锦忠等,2012;王叶慧等,2013;刘建文等,2015)。

目前,全世界广泛使用的星载微波成像仪主要包括:搭载于地球观测系统Aqua卫星上的先进微波扫描辐射计(AMSR-E)(Kawanishi et al.,2003)、搭载于美国国防卫星上的WindSat全极化辐射计(Gaiser et al.,2004)和我国风云三号系列卫星上的微波成像仪(Dong et al.,2009)等。微波辐射计探测数据常常被用于反演海表温度、海表风场、大气云水、水汽、降水(Wilheit et al.,2003;Yan and Weng,2008)、土壤湿度(Jackson,1993;Njoku et al.,2003)、植被水含量(Calvet et al.,1994)、地表温度(Basist et al.,1998;Mao et al.,2007)、积雪(Kelly and Bauer,2000;Kelly et al.,2003)等。但是,研究发现被动微波辐射仪器在接收来自地球表面的辐射信号的同时,会混入相近波段的主动微波发射信号,这种现象称之为无线电频率干扰(Radio Frequency Interference,RFI)。常见的RFI来源主要有手机、雷达、空中交通管制、车辆遥控、全球导航定位系统等。这些RFI信号会对地球大气的散射、发射辐射信号造成影响,在卫星遥感的探测量中增加不可预测的噪声。这一情况极大的影响了被动遥感观测数据在反演、同化等研究的应用。例如,由于RFI的存在,在反演陆地表面土壤湿度的时候AMSR-E观测数据中的6.925 GHz通道亮温没有被使用(Li et al.,2003)。因此,在使用被动微波探测数据之前,需要对其中包含的RFI有较明确的认识。

针对被动遥感探测数据中的RFI信号,国内外学者展开许多相关研究。Li et al.(2003)首次提出在AMSR-E的C波段数据中存在有大范围无线电频率干扰现象,并使用谱差法对RFI做出识别。Njoku et al.(2005)对AMSR-E数据,使用平均值和平均标准差方法进行分析,得到其中RFI全球陆面分布情况:C波段主要分布在美国、日本和中东地区,X波段主要分布在英格兰、意大利和日本。Ellingson and Johnson(2006)分析了美国地区WindSat六个月的观测数据,得到C波段与X波段中的RFI信号的分布和强度,与AMSR-E中RFI分布情况相一致。之后,Li et al.(2006)利用各通道间观测数据的相关性,将主成分分析方法首次应用于陆面RFI识别中。Adams et al.(2010)通过分析一段时间内海洋区域反演产品的卡方检验反推得到WindSat海洋区域亮温数据中的RFI信号,指出海洋表面反射的静止卫星信号是海上RFI的主要来源。国内相关研究起步较晚,但也取得了不少的成果。Wu and Weng(2011)使用谱差法识别AMSR-E数据陆面RFI信号,并对其做出订正。Zou et al.(2012)提出使用标准化主成分分析方法识别RFI信号,去除周围积雪散射影响,并首次识别我国FY-3B上的MWRI亮温观测数据中X波段的RFI信号分布。Zhao et al.(2013)发展了双主成分分析方法(DPCA,Double Principal Component Analysis),并成功地识别出格陵兰岛和南极地区冰盖边缘WindSat数据中的RFI信号分布;之后,Feng et al.(2016)利用这一方法成功识别出积雪散射表面的分离散射信号和RFI信号。官莉和张思勃(2014)使用改进的主成分分析方法得到AMSR-E观测数据中的RFI信号,认为RFI的位置和强度与辐射计方位角和静止电视卫星信号方位有关。

现有研究多是从RFI的识别方法及其来源等方面入手,对RFI信号的多年气候变化特征很少涉及。本文选取2002年9月—2011年9月间的AMSR-E亮温数据,识别其月平均亮温数据中陆面范围内的RFI信号,并分析RFI多年气候变化特征,从而为AMSR-E资料的气候应用提供借鉴。

1　数据介绍

AMSR-E主要用于观测陆地、海洋和大气的水和能量循环变化。AMSR-E共有12个通道,可以分别测量6个不同频率的水平和垂直极化方向上的亮温,分别是6.925、10.65、18.7、23.8、36.5、89.0 GHz。空间分辨率由89.0 GHz通道的5.4 km变化到6.925 GHz通道的56 km。AMSR-E采用圆锥扫描方式,圆锥扫描角为47.4°,扫描帧幅宽度1 445 km。卫星每天越赤道两次,分别为13:30(北京时间,下同;升轨)和01:30(降轨)。仪器的详细参数和特征参见文献Parkinson(2003)。

AMSR-E有多级数据产品。本文选用多年的Level-2A亮温产品中56 km空间分辨率的亮温数据。Level-2A亮温经过定标和重采样,使得具有较高分辨率的高频通道亮温数据在空间分布上与低分辨率的低频通道亮温数据保持一致。这样可以保证在同一空间位置处各通道均有亮温数据。

2　识别方法

2.1谱差法

通常情况下,在陆面上,探测到的亮温会随着频率的增大而增加,主要原因是由于土壤与植被水的介电常数与频率有关,地表发射率和频率正相关,随频率增加而增大。而存在于低频通道上的RFI信号会使得所处通道的亮温值增大,导致频谱间差值的改变、逆转。将这一频谱差上的变化特性用于识别RFI信号的方法,称为频谱差异法(谱差法)。

Li et al.(2003)定义一种RFI指数用于识别RFI位置并量化其强度:

Ip,f1=Tp,f1-Tp,f2。

(1)

其中:T表示亮温;p表示垂直或水平极化方式;f1和f2表示相邻的频率(f1

Wu and Weng(2011)利用这一指数识别AMSR-E陆面数据中的RFI信号并对其强度进行划分:

(2)

同时,为了减少陆表积雪、冰等的散射影响,参考Zou et al.(2012)提出的散射敏感性谱差指数:

T89H-T18H≥-10 K;T89V-T18V≥-10 K。

(3)

其中:T89H、T89V、T18H、T18V分别表示89 GHz和18.7 GHz的水平和垂直极化通道亮温。

2.2DCPA方法

Zhao et al.(2013)提出使用双主成分分析方法(DPCA)识别RFI信号,并成功地应用这一方法识别出南极和格陵兰岛地区WindSat数据中的RFI信号分布,有效去除了信号附近积雪散射的影响。

DPCA方法的理论基础是不同通道间亮温数据的相关特性。微波探测仪探测到的有地球表面产生的微波辐射在不同通道上的亮温数据通常具有很高的相关性(Li et al.,2006;Zou et al.,2012)。而RFI的存在,会增加其所在通道的亮温值,降低不同通道间的相关程度。DPCA方法采用两次主成分分析,第一次主成分分析由各通道原始亮温数据之间的相关性得到亮温的高相关部分与残余部分;对低相关性亮温部分的RFI指数做第二次主成分分析得到RFI。

以AMSR-E数据为例,首先对各通道原始亮温数据进行第一次主成分分析。使用十个低频通道(除89.0 GHz通道外)的亮温数据,组成如下向量,

Vi=[T6.925H,i,T6.925V,i,T10.65H,i,T10.65V,i,T18.7H,i,T18.7V,i,T23.8H,i,T23.8V,i,T36.5H,i,T36.5V,i]T,i=1,2,…N。

(4)

其中:N为研究范围内的数据点总数;H表示水平通道;V表示垂直通道。

相应的的数据矩阵可以表示为:

(5)

计算得到相应的特征值λi(i=1,2,…,10)、特征向量ei=[e1,i,e2,i,…e10,i]T及主成分系数ui=[ui,1,ui,2,…ui,10]。其中,i表示第i个主成分模态,ei为第i个主成分。

(6)

由于主成分模态是依据特征值大小的降序排列,数据矩阵AR1代表了亮温的主要特征。AR2矩阵为第(α+1)到第10个主成分模态亮温之和,即为残余的数据矩阵。AR1代表了不同通道间的强相关部分。残余矩阵AR2则是包含了RFI信号的低相关的部分。通过α的数值选定,尽可能地将含有RFI的亮温部分与主要亮温信息分离开,同时使得RFI是残余部分中的主要成分。

第二步主成分分析则是针对含有RFI信号的残余矩阵AR2进行。根据Zou et al.(2012)文章中提出的方法,得到矩阵AR2的RFI指数。定义5个分量的RFI指数向量:

(7)

这一指数用于识别6.925 GHz水平极化通道上的RFI信号。同理,可以得到用于识别6.925 GHz垂直极化通道、10.65 GHz水平和垂直极化通道上的RFI信号的指数(公式略)。

计算得到特征值和特征向量,及其相应的主成分系数U,ui=[ui,1,ui,2,…ui,N],第一模态对应最大的数值。由于RFI信号包含在残余矩阵中,第一主成分系数u1体现了RFI信号的存在可能性,其值越高表示RFI信号存在的可能性越大。

在DPCA方法中,α作为重要参数,其取值决定了含有RFI的亮温信息是否可以跟主要亮温信息分离。α参数的确定思路大致如下:选取研究区域内亮温频谱差异较大的典型区域(以保证所选区域内存在RFI信号),依据这些区域对应的第二次主成分分析得到的第一主成分系数随α(α=0～9)取值的变化曲线,α最终取为大多数点的第一主成分系数最大值所对应的数值。因此,不同区域、不同时间的亮温场选取的α值不是固定的。

3　趋势变化

3.1AMSR-E亮温分布情况

AMSR-E主要是用于提高地表参数的探测能力。图1给出的是基于美国标准大气条件,通过辐射传输模式(Community Radiative Transfer Model,CRTM)计算得到的AMSR-E各频率权重函数曲线分布图。从图中可以看到,各通道的权重函数均在地表处达到最大值。由此可见,AMSR-E所探测到的辐射量是地表和整个大气层的不同垂直层向上的微波辐射加权总和,并对权重函数最大值所对应高度层上的大气温度最敏感。除23.8和36.5 GHz通道外,频率越低,权重函数的范围越窄。

图1　AMSR-E仪器在不同通道的权重函数Fig.1　Weighting function of the AMSR-E channels

以2009年4月的美国地区陆面亮温为例,在图2中给出6.925、10.65、18.7和89.0GHz通道的亮温空间分布。由图中可以看出,各通道亮温的空间分布具有较好的一致性。同时,亮温值会随着通道频率的增加而增大,并且垂直通道上的亮温数值大于同频率水平通道。但是,研究发现美国地区在6.925 GHz通道上存在RFI,使得该通道上的亮温在某些区域会出现高值区,在这些区域6.925 GHz通道上的亮温会大于10.65 GHz通道的亮温。同时,也使得6.925 GHz通道上的亮温分布变得不再平缓,出现亮温“热点”。

3.2RFI信号识别结果对比验证

为研究AMSR-E数据中RFI信号多年变化趋势,首先需要保证RFI信号的识别结果是准确的。由于没有一个可信的“真实”数据集可以用来评估RFI信号的识别结果,因此,本文通过对比两种完全不同的方法的识别结果,验证方法的有效性。

图3给出使用谱差法得到的全球范围内6.925 GHz和10.65 GHz水平、垂直通道上的RFI信号分布。即满足T89H-T18H≥-10 K和T89V-T18V≥-10 K的条件下,RFI指数的全球分布。由图中可以看到,谱差法得到的6.925 GHz水平、垂直通道亮温数据中的RFI信号主要分布在美国地区,在日本、印度及阿拉伯半岛等处也有存在。10.65 GHz水平、垂直通道上的RFI信号主要存在于欧洲和日本地区。同时,相同频率水平和垂直极化通道上的RFI信号分布情况大体一致。但是,谱差法得到的结果仍存在一定的问题,即在格陵兰岛、北西伯利亚等有积雪覆盖的地区,虽然使用了散射敏感性的谱差指数,仍然有部分积雪散射表面造成的虚假信号。

使用DPCA方法识别的RFI信号分布情况如图4所示。可见,DPCA识别出的RFI空间水平分布与谱差法得到的结果(图3)具有很好的一致性,同时,DPCA方法还有效避免了积雪散射的影响,除了10 GHz垂直通道上在格陵兰岛积雪边缘处有少许虚假信号之外,其他通道上均很好地去除了积雪散射信号。两种方法所得结果,与已有的研究结果(Li et al.,2003;Njoku et al.,2005)也是相同,这都说明DPCA方法的识别结果是可信的。

3.3C波段RFI信号变化趋势

识别结果表明C波段的RFI信号主要存在于美国、东亚及阿拉伯—印度半岛地区。对以上三个地区采用DPCA方法分析2002年9月至2011年9月时间内C波段中的逐月RFI信号分布(图5),图中分别给出上述三个区域2002年9月和2011年9月RFI信号的空间分布、RFI信号数量的多年月平均以及RFI信号数量随时间的变化曲线。其中RFI信号的认定阈值参考谱差法的阈值设定,选定为5。由图5可见,较强的RFI信号主要出现在美国、印度半岛、伊朗及日本地区,在我国主要存在于北京地区,珠三角地区也有出现。对比2002年9月和2011年9月,发现不同时间的RFI信号出现的位置并非一成不变的。

美国地区,RFI信号的空间分布随时间变化不大,主要的变化是美国中北部地区信号的减少和东南部地区信号的增多,同时东北部沿海大城市群(包括波士顿、纽约、华盛顿等)区域的信号有增强的趋势。RFI信号的数量变化在季节上存在一定的规律,冬季识别出的RFI信号数量偏少,春夏的RFI信号数量较多。RFI识别数量在2002—2009年间呈减少趋势;东亚地区,不同时间的RFI信号的空间分布变化不大。但是在不同月份,RFI数量变化较大,夏季普遍偏多。RFI识别数量在2002—2011年之间随时间减少。

印度—阿拉伯半岛2002年9月与2011年9月识别出的RFI信号的空间分布有着较大的不同。随着时间的变化,在沙特阿拉伯境内的信号基本消失,在巴基斯坦和伊朗境内的RFI信号明显减少。分析其中的原因,首先可能与当地的局势变化有关,受军事设施变化的影响;其次,当地油井等设施变化也会引起相应的变化。印度地区,RFI信号的空间分布变化不大,主要分布在新德里、孟买、班加罗尔等人口众多的大城市区。而其识别数量在2002年9月至2011年呈明显减少趋势。

图2　2009年4月美国地区AMSR-E各通道陆地亮温的空间分布(升轨)　　a1.6.925 GHz水平极化通道;a2.6.925 GHz垂直极化通道;b1.10.65 GHz水平极化通道;b2.10.65 GHz垂直极化通道;c1.18.7 GHz水平极化通道;c2.18.7 GHz垂直极化通道;d1.89.0 GHz水平极化通道;d2.89.0 GHz垂直极化通道Fig.2　The brightness temperature of AMSR-E on 12 channels over U.S.land areas during April 2009(ascending orbit):(a1)6.925 GHz horizontal polarization;(a2)6.925 GHz vertical polarization;(b1)10.65 GHz horizontal polarization;(b2)10.65 GHz vertical polarization;(c1)18.7 GHz horizontal polarization;(c2)18.7 GHz vertical polarization;(f1)89.0 GHz horizontal polarization;(f2)89.0 GHz vertical polarization

图3　2009年4月全球RFI分布(谱差法)　　a.6.925 GHz水平极化通道;b.6.925 GHz垂直极化通道;c.10.65 GHz水平极化通道;d.10.65 GHz垂直极化通道Fig.3　The distribution of RFI signals detected during April 2009(by the spectral difference method):(a)6.925 GHz horizontal polarization;(b)6.925 GHz vertical polarization;(c)10.65 GHz horizontal polarization;(d)10.65 GHz vertical polarization

图4　2009年4月全球RFI分布(DPCA)　　a.6.925 GHz水平极化通道;b.6.925 GHz垂直极化通道;c.10.65 GHz水平极化通道;d.10.65 GHz垂直极化通道Fig.4　The distribution of RFI signals during April 2009(by the DPCA method):(a)6.925 GHz horizontal polarization;(b)6.925 GHz vertical polarization;(c)10.65 GHz horizontal polarization;(d)10.65 GHz vertical polarization

图5　基于DPCA方法识别出的6.925 GHz水平通道RFI信号分布(a1、a2、a3.2002年9月;b1、b2、b3.2011年9月)、多年月平均RFI识别数量(c1、c2、c3)及多年趋势变化(d1、d2、d3)　　a1—d1.美国(60～130°W,20～50°N);a2—d2.东亚(100～150°E,15～55°N);a3—d3.印度—阿拉伯半岛地区(30～90°E,5～45°N)Fig.5　RFI distributions on 6.925 GHz channels for horizontal polarization detected by the DCPA method(a1,a2,a3—September 2002;b1,b2,b3—September 2011);the RFI signal numbers in different months(c1,c2,c3);and the variation with time(d1,d2,d3):(a1—d1)U.S.,(20—50°N,60—130°W);(a2—d2)East Asia,(15—50°N,100—150°E);(a3—d3)Southwest Asia,(5—45°N,30—90°E)

3.4X波段RFI信号变化趋势

10.65 GHz通道中RFI信号主要分布在欧洲地区(英格兰、意大利)与东亚地区。同理,使用DPCA方法得到上述地区逐月的RFI信号分布情况。其中,2002年9月和2011年9月RFI信号空间分布及识别出的X波段RFI信号数量随时间的变化情况如图6所示。

由图可见,东亚地区RFI信号主要分布在日本地区,位置和强度等变化不大。对比2002年与2011年9月,发现我国的RFI信号有明显增加,主要出现在北京、长三角等人口密集地区。RFI数量不同月份间差异较大,冬、夏季偏多,春、秋季偏少。2002—2011年间识别出的RFI数量随时间略有增加;在欧洲地区,RFI信号在英格兰和意大利最为强烈。对比2002年9月和2011年9月的识别结果,在巴黎、埃及的亚历山大港等地出现较明显的RFI信号。RFI识别数量季节变化较小,在2002—2011年期间呈增加趋势。

4　结论

本文首先对比了谱差法和DPCA方法识别的RFI信号的空间分布特征,验证了DPCA方法的有效性,然后利用DPCA方法识别2002年9月—2011年9月AMSR-E陆面升轨亮温月平均数据中的RFI信号,并分析了RFI信号的气候特征。结果表明:

1)DPCA方法能够有效地识别出全球范围内AMSR-E陆地亮温数据中的RFI信号分布情况,可以较好地避免积雪等下垫面的影响。

2)由DPCA方法得到的AMSR-E数据中的RFI信号空间分布与已有的研究结果相同。其中,C波段主要分布在美国、东亚及印度—阿拉伯半岛地区;X波段主要分布在欧洲及东亚地区。

3)各区域的RFI信号的空间位置及强度随时间会发生变化,很大程度上是由于人为使用无线电频谱的变化有关。比较明显的位置变化则可能与基础设施等替换有关。

4)各区域的月平均亮温中RFI信号的识别数量存在季节变化。C波段中识别出的RFI信号数量随时间呈递减趋势;X波段中识别出的RFI信号数量随时间呈增加趋势。

参考文献(References)

Adams I S,Bettenhausen M H,Gaiser P W,et al.,2010.Identification of ocean-reflected radio-frequency interference using WindSat retrieval chi-square probability[J].IEEE Geoscience & Remote Sensing Letters,7(2):406-410.

Basist A,Grody N C,Peterson T C,et al.,1998.Using the special sensor microwave/imager to monitor land surface temperatures,wetness,and snow cover[J].J Appl Meteor,37(9):888-911.

Calvet J C,Wigneron J P,Mougin E,et al.,1994.Plant water content and temperature of Amazon forest from satellite microwave radiometry[J].IEEE Transactions on Geoscience & Remote Sensing,32(2):397-408.

图6　基于DPCA方法识别出的10.65 GHz水平通道RFI信号分布(a1、a2.2002年9月;b1、b2.2011年9月)、多年月平均RFI识别数量(c1、c2)及多年趋势变化(d1、d2)　　a1—d1.东亚(100～150°E,15～55°N);a2—d2.欧洲(15～40°E,30～70°N)Fig.6　RFI distributions on 10.65 GHz channels for horizontal polarization detected by the DCPA method(a1,a2—September 2002;b1,b2—September 2011);the RFI signal numbers in different months(c1,c2);and the variation with time(d1,d2):(a1—d1)East Asia,(15—50°N,100—150°E);(a3—d3)Europe,(30—70°N,15°W—40°E)

Dong C,Yang J,Zhang W,et al.,2009.An overview of a new Chinese weather satellite FY-3A[J].Bulletin of the American Meteorological Society,90(10):1531-1544.

Ellingson S W,Johnson J T,2006.A polarimetric survey of radio-frequency interference in C and X-bands in the continental United States using WindSat radiometry[J].IEEE Transactions on Geoscience & Remote Sensing,44(3):540-548.

Feng C C,Zou X L,Zhao J,2016.Detection of radio-frequency interference signals from AMSR-E data over the United States with snow cover[J].Front Earth Sci,2016,10(2):195-204.

Gaiser P W,St Germain K M,Twarog E M,et al.,2004.The WindSat spaceborne polarimetric microwave radiometer:Sensor description and early orbit performance[J].IEEE Transactions on Geoscience & Remote Sensing,42(11):2347-2361.

官莉,张思勃,2014.星载微波辐射计欧洲大陆无线电频率干扰分析[J].光学学报,34(7):277-283.Guan L,Zhang S B,2014.Source analysis of radio-frequency interference over Europe land from advanced microwave scanning Radiometer-E[J].Acta Optica Sinica,34(7):277-283.(in Chinese).

Jackson T J Ⅲ,1993.Measuring surface soil moisture using passive microwave remote sensing[J].Hydrological Processes,7(2):139-152.

Kawanishi T,Sezai T,Ito Y,et al.,2003.The advanced microwave scanning radiometer for the earth observing system(AMSR-E),NASDA’s contribution to the EOS for global energy and water cycle studies[J].IEEE Transactions on Geoscience & Remote Sensing,41(2):184-194.

Kelly G,Bauer P.2000.The use of AMSU-A surface channels to obtain surface emissivity over land,snow and ice for numerical weather prediction[C].The Eleventh International TOVS Study Conference,Budapest,Hungary.

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

Li L,Njok E,Im E,et al.,2003.A preliminary survey of radio-frequency interference over the U.S.in Aqua AMSR-E data[J].IEEE Transactions on Geoscience & Remote Sensing,42(2):1736-1738.

Li L,Gaiser P W,Bettenhausen M H,et al.,2006.WindSat radio-frequency interference signature and its identification over land and ocean[J].IEEE Transactions on Geoscience & Remote Sensing,44(3):530-539.

刘健文,蔡则帅,闵锦忠,等,2015.ATMS微波资料特征及其对台风路径预报的影响[J].大气科学学报,38(3):421-427.Liu J W,Cai Z S,Min J Z,et al.,2015.Characteristics of ATMS data and their impact on typhoon track forecast[J].Trans Atmos Sci,38(3):421-427.(in Chinese).

龙利民,张萍萍,张宁,2010.2008-07-22襄樊特大暴雨FY-3A微波资料分析[J].大气科学学报,33(5):569-575.Long L M,Zhang P P,Zhang N,2010.Analysis of 2008-07-22 Xiangfan rainstorm using FY-3A microwave data[J].Trans Atmos Sci,33(5):569-575.(in Chinese).

Mao K B,Shi J C,Li Z L,et al.,2007.A physics-based statistical algorithm fro retrieving land surface temperature from AMSR-E passive microwave data[J].Science in China,50(7):1115-1120.

闵锦忠,孔莹,杨春等,2012.卫星辐射率资料EnSRF同化及暴雨模拟应用[J].大气科学学报,35(3):272-281.Min J Z,Kong Y,Yang C,et al.,2012.Assimilation of radiance data in WRF-EnSRF and its application in a rainstorm simulation[J].Trans Atmos Sci,35(3):272-281.(in Chinese).

Njoku E G,Jackson T J,Lakshmi V,et al.,2003.Soil moisture retrieval from AMSR-E[J].IEEE Transactions on Geoscience & Remote Sensing,41(2):215-229.

Njoku E G,Ashcroft P,Chan T K,et al.,2005.Global survey and statistics of radio-frequency interference in AMSR-E land observations[J].IEEE Transactions on Geoscience & Remote Sensing,43(5):938-947.

Parkinson C L,2003.Aqua:An earth-observing satellite mission to examine water and other climate variables[J].IEEE Transactions on Geoscience & Remote Sensing,41(2):172-183.

王叶慧,李刚,何光鑫,2013.风云三号卫星微波辐射率资料的质量控制[J].大气科学学报,36(5):560-567.Wang Y H,Li G,He G X,2013.A quality control procedure for FY-3 microwave radiance data[J].Trans Atmos Sci,36(5):560-567.(in Chinese).

Wilheit T,Kummerow C D,Ferraro R,2003.Rainfall algorithms for AMSR-E[J].IEEE Transactions on Geoscience & Remote Sensing,41(2):204-214.

Wu Y,Weng F Z,2011.Detection and correction of AMSR-E radio-frequency interference[J].Acta Meteorologica Sinica,25(5):669-681.

Yan B H,Weng F Z,2008.Application of AMSR-E measurements for tropical cyclone predictions part I:Retrieval of sea surface temperature and wind speed[J].Adv Atmos Sci,25(2):227-245.

Zhao J,Zou X,Weng F Z,2013.WindSat radio-frequency interference signature and its identification over Greenland and Antarctic[J].IEEE Transactions on Geoscience & Remote Sensing,51(9):4830-4839

Zou X,Zhao J,Weng F Z,et al.,2012.Detection of radio-frequency interference signal over land from FY-3B microwave radiation imager(MWRI)[J].IEEE Transactions on Geoscience & Remote Sensing,50(12):4994-5003.

With the improvement of weather forecasting and the development of technology,the measurements of meteorological satellites have gradually become an important supplement to conventional observations.Owing to its advantage of all-day observation,Advanced Microwave Scanning Radiometer(AMSR-E) measurements have been widely used in research on global environmental change.The AMSR-E data record is very important in climate change monitoring and data assimilation in numerical weather prediction,but man-made radiative signals are also received by the microwave instrument and interfere with the natural thermal emissions of Earth.This phenomenon of satellite observations being mixed with signals from active microwave transmitters is referred to as Radio-Frequency Interference(RFI).RFI causes severe contamination of passive and active microwave sensing observations and corresponding retrieval products over some continents.The presence of RFI signals will reduce the scientific value of satellite measurements,so RFI signals should be detected and filtered before applying the microwave data in retrieval and data assimilation.With the long-term AMSR-E data being used in climate research,the characteristics of RFI signals also need to be analyzed.

This paper focuses on the characteristics of RFI signals from AMSR-E data and their trend from September 2002 to September 2011.In this study,firstly,the spectral difference method and double principal component analysis(DPCA) method are used to obtain the spatial distribution of RFI signals.Compared to the spectral difference method,the DPCA method can detect RFI signals even over snow-covered areas,by taking advantage of the correlation of different channels for natural and snow radiation,and the de-correlation caused by RFI,and it is more robust and suitable for application worldwide.Then,the DPCA method is chosen to detect the RFI signals from the AMSR-E data over land from September 2002 to September 2011,and the trend of RFI signals with time is analyzed.The results show that the DPCA method can identify the RFI signals from brightness temperature of AMSR-E over land effectively,and can avoid the scattering effect of snow surfaces.The RFI signals from AMSR-E detected by the DPCA method are distributed mainly over the United States,East Asia and the India—Arabia Peninsula on C-band channels,and over Europe and East Asia on X-band.Strong RFI signals are mainly concentrated in populated cities.The locations of RFI signals are almost the same for horizontal polarization and vertical polarization channels;and RFI for horizontal polarization is stronger than that for vertical polarization.The areas and positions of RFI signals change with time,and their intensities are also not constant.The variation of RFI signals is probably due to changes in the human utilization of the radio spectrum,and obvious position changes may be related to the replacement of the infrastructure.The number of RFI signals detected by the DPCA method also varies with the seasons,being high in summer and low in winter in different regions except East Asia.From September 2002 to September 2011,the number of RFI signals decreased with time on C-band channels and increases on X-band.

satellite data;AMSR-E;RFI;DPCA;trend analysis

(责任编辑：孙宁)

doi：10.13878/j.cnki.dqkxxb.20141215001

Trend analysis of radio-frequency interference signals of Advanced Microwave Scanning Radiometer data over land

Feng Chengcheng1,2,Dong Huijie1

1SchoolofAtmosphericScience,NanjingUniversityofInformationScience&Technology,Nanjing210044,China;2DalianMeteorologicalObservatory,Dalian116001,China

引用格式：冯呈呈,董慧杰,2016.AMSR-E卫星资料陆面干扰的气候特征分析[J].大气科学学报,39(4):536-545.

Feng C C,Dong H J,2016.Trend analysis of radio-frequency interference signals of Advanced Microwave Scanning Radiometer data over land[J].Trans Atmos Sci,39(4):536-545.doi：10.13878/j.cnki.dqkxxb.20141215001.(in Chinese).

*联系人，E-mail:feng_chengcheng@163.com