被动微波遥感观测资料干扰对地表参数反演的影响分析
2017-09-21吴莹钱博王振会
吴莹， 钱博， 王振会
(南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室，南京 210044)
被动微波遥感观测资料干扰对地表参数反演的影响分析
吴莹， 钱博， 王振会
(南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室，南京 210044)
以东亚陆地为研究区，利用2011年7月1—16日AMSR-E (advanced microwave scanning radiometer - earth observing system ) 二级亮温数据，采用一维变分反演收敛度量识别法对研究区的无线电频率干扰(radio-frequency interference，RFI)进行识别，并进一步分析了该干扰对星载被动微波数据反演地表参数的影响。研究表明，在东亚地区，AMSR-E C波段和X波段都普遍存在RFI，大多出现在工业区、科研中心、人口密集的大城市、机场和高速公路等区域； 一般情况下，C波段和X波段的干扰信号分布区域基本不重合； 水平和垂直极化通道都有较强的RFI存在，其时间上具有持续性，且不同极化方式下干扰信号的强度因地而异； 干扰信号的强度随卫星地球方位角的变化而变化，当星载微波辐射计扫描到某一地球方位角度范围内时这些视场才会受到干扰。研究还发现，用受RFI影响的微波数据反演得到的地表参数值误差较大。因此，在采用被动微波观测数据反演地表参数之前，有必要先有效地检测和剔除RFI。
被动微波遥感； 地表参数； 无线电频率干扰(RFI)； 东亚陆地
0 引言
地表温度[1-3]、土壤水分[4]、积雪[5]和植被等地表参数是水文模型、气候及陆面过程模式中的重要参数[6-8]。传统方法所测结果只代表观测点的局部特征，而遥感可以快速同步获取大面积区域的地表参数[6]，提供二维陆面分布信息。因此利用卫星遥感数据反演地表参数，探讨卫星资料的反演理论及其实际应用方法，已经成为遥感科学的一个重要研究领域[6]。
根据传感器通道采用的波段不同，可将卫星传感器分为3类： 可见光、红外和微波传感器。由于较可见光和红外遥感而言，微波遥感不易受大气影响，具有全天时、全天候的监测能力以及对云、雨和大气较强的穿透能力，并且微波传感器对于植被特性的变化、地表土壤水分和积雪参数十分敏感，微波数据已被广泛应用于积雪、植被等地表参数的监测和反演应用之中[6]。近年来广泛使用的星载微波传感器有： 搭载于EOS/Aqua卫星上的先进微波扫描辐射计(advanced microwave scanning radiometer-earth observing system，AMSR-E)、搭载于美国国防部Coriolis卫星上的全极化微波辐射计(WindSat)、搭载于我国风云三号卫星上的微波成像仪(microwave radiation imager，MWRI)和搭载于日本GCOM-W1卫星上的AMSR-E的继任者(AMSR-2)等。
然而，这些用于反演地表参数的低频观测资料均不同程度地受到地面无线电频率的干扰。星载被动微波传感器的无线电频率干扰(radio-frequency interference，RFI)往往是由地面主动微波传感器的发射信号或陆面反射辐射信号产生的，很容易覆盖地表产生的相对较弱的热发射辐射信号，使得星载被动微波传感器接收的信息不能真实地反映地表状况。如果不能准确地将其识别和剔除，往往会导致较大的反演误差，从而显著降低现有以及将来的被动微波资料的使用效率[9-13]。
本文采用一维变分反演(one dimensional variational retrieval，1-DVAR)收敛度量识别法分析了AMSR-E观测资料在东亚陆地上RFI的时空分布特征、形成原因以及RFI对微波数据反演地表参数的影响，为提高星载微波资料在陆面过程模式及资料同化中的利用率提供依据。
1 数据源
本研究中，采用的被动微波遥感观测资料是2011年7月1—16日AMSR-E的二级亮温数据。WindSat,MWRI和AMSR-2等设备都具有和AMSR-E频率相近的通道。AMSR-E搭载于2002年美国国家宇航局发射的地球观测系统Aqua卫星上，提供6.925 GHz，10.65 GHz，18.7 GHz，23.8 GHz，36.5 GHz和89.0 GHz 6个频率的水平和垂直2种极化方式，共12个通道的微波观测值，主要用于观测大气、陆地、海洋和冰圈的参数。AMSR-E是圆锥型扫描辐射计，天线圆锥扫描角为47.4°，扫描帧幅宽度为1 445 km。星下点空间分辨率随观测频率而变化，从56 km(6.925 GHz)到5.4 km(89.0 GHz)不等。AMSR-E资料每16 d为一个周期，每一个周期内覆盖完全相同的区域，因此本文选用一个完整周期的AMSR-E二级亮温数据。
在一维变分反演过程中，需要提取NCEP (NOAA’s national centers for environmental prediction) GDAS (global data assimilation system)客观分析场中的相关参数作为代价函数迭代的初始场。GDAS系统每天生成4个时次(00UTC，06UTC，12UTC 和18UTC)、水平空间分辨率为1°×1°的各种大气和地表参数场。
2 RFI识别算法
基于卫星微波和红外观测资料，采用1-DVAR不仅可以反演大气参数(如大气温和湿垂直廓线)、云参数(云量和云顶高度)外，还可以反演某些地表参数(如地表温度和地表发射率等)。变分反演的基础是在观测场与背景场误差均服从高斯误差分布的假定条件下，再对所定义的代价函数求最小化，得到最小误差的分析场。其代价函数一般可以表示为[14]
(1)
式中：J(X)为代价函数；X为被反演的大气(或地表)状态变量；X0为大气(或地表)状态的先验信息(称作背景场向量)；Ym为已获得的观测资料；B为背景场误差协方差矩阵；E为观测场误差协方差矩阵；H为前向算子，代表一种具有某种复杂结构的从模式空间向观测空间的映射。
通过对J(X)求导，并使其为0，求得目标函数式(1)达到最小值的解，即
(2)
可以得到
(X-X0)=△X=[(B-1+HTE-1H)-1HTE-1]×[Ym-H(X0)],
(3)
将式(3)用于迭代循环，一直到J(X)达到最小时，结束循环，从而可以得到使目标函数式(1)达到最小值的解，称作一维变分产生的分析场(Xa)，即
J(Xa)=minJ(X)。
(4)
对于卫星微波数据反演地球物理参数而言，这个前向算子H就是前向模式，即辐射传输模式。本文采用通用辐射传输模式(the community radiative transfer model，CRTM)作为1-DVAR中的前向模式。CRTM[15]由美国卫星资料同化联合中心开发，适用于各种天气条件，可以模拟所有微波频率下由冰晶、雪晶、雨滴、霰粒和云中液态水等产生的散射，并生成所有大气、地表参数相应的辐射值和辐射梯度(即雅可比矩阵)[14]。
在1-DVAR计算过程中，需要输入GDAS 的大气参数垂直廓线(温度、湿度和云中液水含量)与地表参数(地表温度、土壤湿度和植被覆盖度等)作为反演的背景场。由于卫星微波观测辐射对地面辐射率敏感性很高，因而将地表发射率作为预反演的大气状态变量的组成部分，在求代价函数极小值的过程中动态地调整地表发射率，有助于更好地反演地表参数。1-DVAR计算可得到地表和大气参数2类，其中地表参数主要有地表温度和地表发射率。
反演计算中，收敛度量是用前向算子最后一次模拟的亮温值和测量值之间所有残差的均方根。计算公式如下
χ2=[Ym-H(X)]T×E-1×[Ym-H(X)] 。
(5)
χ2作为是否可以达到收敛的判据，也用来衡量前向模式的优劣。只有选入并在1-DVAR计算中有效使用的那些通道的测量值才用于计算这个度量。通常，当χ2≤1时，认为可以达到收敛。然而，可以根据实际情况把这个标准放宽到10，即认为χ2>10时，反演结果不可靠。反演过程中发现，1-DVAR算法中的收敛度量值和RFI信号的强弱有着极强的相关性，χ2的值越大，意味着该处的RFI信号越强[16]。
3 结果与分析
AMSR-E 2011年7月10日一维变分法反演过程中计算χ2的分布如图1所示。
图1 2011年7月10日东亚陆地1-DVAR收敛度量分布(升轨)
从图1中可以看出，在东亚地区χ2值较大的区域主要分布在中国的京津冀地区、长江中下游地区，日本的北海道部分地区、太平洋沿岸和濑户内海沿岸的狭长地带以及沿海平原地区等。RFI主要来源于城区及工业区的无线电通信、雷达以及有线电转播信号等，和该地区人口密集的城市和工业区分布基本一致。
大多数情况下，陆地上(非冰雪覆盖区)的发射和散射主要取决于土壤含水量、地表粗糙度、地形地貌、地表温度和植被覆盖等。由于土壤中水分和植被的吸收作用随频率增加而加大，地表亮温随频率增加而呈上升趋势。在AMSR-E的低频率通道，大气相对透明，辐射计接收到的微波辐射的光谱特性主要由地表的发射和散射决定。随着频率的增加，地表和植被的散射效应也增加，成为亮温降低的一个因素。而当频率低于30 GHz时，散射效应通常是有限的。因此，AMSR-E低频率通道的RFI是最可能造成C波段通道亮温值远远高于X波段、X波段远远高于K波段的原因，从而在低频波段上导致负频谱梯度的产生。
可以通过各个通道数据之间的联系(频谱差异)，用RFI指数来量化RFI的强度。RFI指数的定义[9]如下
RFIf1,p=TBf1,p-TBf2,p,
(6)
式中：TB表示亮温度； 下标p表示水平h或垂直v极化方式；f1和f2表示2个相邻的频率(f1
由于χ2值和RFI信号的强弱有着高度相关性[16]，可以利用线性拟合的方法来拟合出χ2值和各通道RFI强度的关系曲线。在本文研究区域内，获得线性关系如下
χ2=2.422 81+0.321 787RFI6,v+0.061 115 8RFI6,h,
(7)
χ2=3.569 67+0.089 525 1RFI10,v+0.285 240RFI10,h,
(8)
式(7)和式(8)线性拟合的标准差分别为1.366 7和1.246 5。显而易见，RFI的强度越大，对应的χ2值也越大。
相对于中国东部而言，RFI在日本分布尤为显著。日本的工业区主要分布在太平洋沿岸和濑户内海沿岸的狭长地带，这里分布着京滨工业区、名古屋工业区、阪神工业区、濑户内海沿岸工业区和北九州工业区等5大日本传统工业区。新兴工业的布局主要取决于人才、交通和环境因素，日本的九州岛(“硅岛”)、筑波(“科学城”)等新兴工业区主要分布在九州南部和本州岛的东北部，依托于现代飞机场和四通八达的高速公路网。在工业区内，日本的RFI除了受无线电通信的影响，还要考虑到卫星的影响，如阪神工业区周围就分布着10多个卫星城，也就是说这里的RFI受卫星以及无线电通信的综合影响。
由于AMSR-E是圆锥型扫描仪器，其数据中提供了卫星的地球方位角数值，定义为卫星扫描方向相对于观测视场正北面的方位，即观测视场和卫星的连线在地球上的投影与正北方向的夹角，取值范围为[-180°，180°]，顺时针方位为正值，反之为负值。根据Aqua卫星的轨道路径，选取图1中2个区域(B1： N 35°～37°，E 139°～142°，B2： N 38.5°～41°，E 140.5°～143°)进一步讨论RFI出现位置和强度与仪器的地球方位角之间的关系，如图2和图3所示。
(a) 6.925 GHz水平极化 (b) 6.925 GHz垂直极化 (c) 10.65 GHz水平极化(d) 10.65 GHz垂直极化
图22011年7月1—16日B1区域亮温的观测方向和强度间的关系
Fig.2ObservationdirectionandthemagnitudeofbrightnesstemperatureofAMSR-EinB1duringJuly1-16,2011
(a) 6.925 GHz水平极化 (b) 6.925 GHz垂直极化 (c) 10.65 GHz水平极化(d) 10.65 GHz垂直极化
图32011年7月1—16日B2区域亮温的观测方向和强度间的关系
Fig.3ObservationdirectionandthemagnitudeofbrightnesstemperatureofAMSR-EinB2duringJuly1-16,2011
对于B1区域，6.925 GHz和10.65 GHz的4个通道均不同程度地出现了异常高值的亮温点，说明该地区在C波段和X波段都存在RFI。C波段垂直极化时的RFI比水平极化时的RFI分布更广，强度也更大。而且，6.925 GHz的2个通道几乎在所有地球方位角范围内均出现RFI，而10.65 GHz的2个通道只在一定地球方位角范围内([-180°，-150°]，[110°，180°])才出现RFI，且10.65 GHz比6.925 GHz的 RFI强度更大。对于B2区域，6.925 GHz和10.65 GHz 2个频率也均受RFI影响，且水平极化时的RFI较垂直极化时强。6.925 GHz的2个通道出现RFI对应的卫星地球方位角范围([-60°，-30°]，[110°，150°])比10.65 GHz通道的RFI分布更广，说明6.925 GHz的RFI的方向性没有10.65 GHz的RFI方向性显著。
以NCEP GDAS的客观分析场作为1-DVAR算法的背景场，利用2011年7月10日AMSR-E的亮度温度数据进行反演计算地表参数。反演结果如图4所示，其中(a)—(d)分别是6.925 GHz 和10.65 GHz水平、垂直极化时的亮温值分布。图4(e)和(f) 分别是1-DVAR计算得出的地表温度和地表发射率分布。
(a) 6.925 GHz水平极化 (b) 6.925 GHz垂直极化(c) 10.65 GHz水平极化
(d) 10.65 GHz垂直极化(e) AMSR-E反演的地表温度 (f) AMSR-E 反演的地表发射率(6.925 GHz垂直极化)
图42011年7月10日东亚陆地AMSR-E6.925GHz和10.65GHz亮温和反演的地表温度、地表发射率
Fig.4AMSR-Ebrightnesstemperatureat6.925GHz,10.65GHzandAMSR-EretrievedlandsurfacetemperatureandlandsurfaceemissivityovereasternAsiaonJuly10,2011
从图4中可以发现，亮温值分布中显示存在大量高异常亮温值的点(红色区域)，而在地表温度和地表发射率分布中显示有断断续续的白色区域及一些零散分布的地表温度偏高的红色区域。主要由于该区域存在强RFI使得变分反演的收敛度量值过大，从而得不到反演值，造成反演失败(白色区域)； 较弱的RFI使得反演值偏差较大，呈现许多地表温度反演异常偏高的孤立点(红色区域)，与周围地表温度的分布不连续。而通常情况下，自然地表发射辐射特性往往呈现连续、平滑的分布特征。因此，如果反演之前，不对使用的微波资料进行RFI检测，将会大大降低反演精度，特别是强RFI的存在大大降低了微波资料的使用效率(即得不到反演值)。
4 结论
本文基于2011年7月16 d的AMSR-E二级亮温数据，用1-DVAR收敛度量识别法检测出东亚陆地上RFI信号的时空分布和方向特性，并分析了其产生的原因及其对地表参数反演的影响，得出如下结论：
1)以东亚陆地为例，用1-DVAR收敛度量识别法可检测RFI的位置和强度。
2)该研究区内，AMSR-E的RFI主要分布在工业区、科研中心、人口密集的大城市、机场和高速公路周边。
3)研究区除个别地区同时存在6.925 GHz和10.65 GHz的RFI信号，AMSR-E的RFI在C波段和X波段的分布区域重合较少，大部分位于不同的地理位置，其时间上具有持续性。
4)总体上，RFI呈现出较强的方向性，RFI的强度随卫星的地球方位角变化而变化，当星载微波辐射计扫描到某一地球方位角度范围内时这些视场才受RFI的影响。
5)RFI会使受影响区域地表参数的反演值偏高，严重影响参数的反演精度。故有效地进行RFI 检测并进行校正方法的开发是提高星载被动微波遥感资料利用率和地表参数反演精度的必要进程。
[1] 周芳成,宋小宁,李召良.地表温度的被动微波遥感反演研究进展[J].国土资源遥感,2014,26(1):1-7.doi:10.6046/gtzyyg.2014.01.01. Zhou F C,Song X N,Li Z L.Progress of land surface temperature retrieval based on passive microwave remote sensing[J].Remote Sensing for Land and Resources,2014,26(1):1-7.doi:10.6046/gtzyyg.2014.01.01.
[2] 刘晶,马红章,杨乐,等.基于被动微波的地表温度反演研究综述[J].遥感技术与应用,2012,27(6):812-821. Liu J,Ma H Z,Yang L,et al.A survey of surface temperature retrieval by passive microwave remote sensing[J].Remote Sensing Technology and Application,2012,27(6):812-821.
[3] 毛克彪,施建成,李召良,等.用被动微波AMSR数据反演地表温度及发射率的方法研究[J].国土资源遥感,2005,17(3):14-17.doi:10.6046/gtzyyg.2005.03.04. Mao K B,Shi J C,Li Z L,et al.The land surface temperature and emissivity retrieved from the AMSR passive microwave data[J].Remote Sensing for Land and Resources,2005,17(3):14-17.doi:10.6046/gtzyyg.2005.03.04.
[4] 鲍艳松,毛飞,闵锦忠,等.基于FY-3B/MWRI数据的裸土区土壤湿度反演[J].国土资源遥感,2014,26(4):131-137.doi:10.6046/gtzyyg.2014.04.21. Bao Y S,Mao F,Min J Z,et al.Retrieval of bare soil moisture from FY-3B/MWRI data[J].Remote Sensing for Land and Resources,2014,26(4):131-137.doi:10.6046/gtzyyg.2014.04.21.
[5] 孙知文,于鹏珊,夏浪,等.被动微波遥感积雪参数反演方法进展[J].国土资源遥感,2015,27(1):9-15.doi:10.6046/gtzyyg.2015.01.02. 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.doi:10.6046/gtzyyg.2015.01.02.
[6] 施建成,杜阳,杜今阳,等.微波遥感地表参数反演进展[J].中国科学(地球科学),2012,42(6):814-842. Shi J C,Du Y,Du J Y,et al.Progresses on microwave remote sensing of land surface parameters[J].Science China Earth Science,2012,55(7):1052-1078.
[7] 张廷军,晋锐,高峰.冻土遥感研究进展:被动微波遥感[J].地球科学进展,2009,24(10):1073-1083. Zhang T J,Jin R,Gao F.Overview of the satellite remote sensing of frozen ground:Passive microwave sensors[J].Advances in Earth Science,2009,24(10):1073-1083.
[8] 李芹,钟若飞.模拟AMSR-E数据的地表多参数反演[J].国土资源遥感,2011,23(1):42-47.doi:10.6046/gtzyyg.2011.01.08. Li Q,Zhong R F.Multiple surface parameters retrieval of simulated AMSR-E data[J].Remote Sensing for Land and Resources,2011,23(1):42-47.doi:10.6046/gtzyyg.2011.01.08.
[9] Li L,Njoku E G,Im E,et al.A preliminary survey of radio-frequency interference over the U.S. in Aqua AMSR-E data[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(2):380-390.
[10]Njoku E G,Ashcroft P,Chan T K,et al.Global survey and statistics of radio-frequency interference in AMSR-E land observations[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(5):938-947.
[11]Lacava T,Coviello I,Faruolo M,et al.A multitemporal investigation of AMSR-E C-band radio-frequency interference[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(4):2007-2015.
[12]Zou X L,Zhao J,Weng F Z,et al.Detection of radio-frequency interference signal over land from FY-3B microwave radiation imager(MWRI)[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(12):4994-5003.
[13]官莉,张思勃.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,2014,34(7):0728004. Guan L,Zhang S B.Source analysis of radio-frequency interference over Europe land from advanced microwave scanning radiometer-E[J].Acta Optica Sinica,2014,34(7):0728004.
[14]Boukabara S A,Garrett K,Chen W C,et al.MiRS:An all-weather 1DVAR satellite data assimilation and retrieval system[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(9):3249-3272.
[15]Weng F Z,Han Y,van Delst P,et al.JCSDA Community radiative transfer model(CRTM)[C]//Proc.14th Int.ATOVS Study Conf.2005:217-222.
[16]Adams I S,Bettenhausen M H,Gaiser P W,et al.Identification of ocean-reflected radio-frequency interference using WindSat retrieval chi-square probability[J].IEEE Geoscience and Remote Sensing Letters,2010,7(2):406-410.
(责任编辑：陈理)
Effectofradio-frequencyinterferenceonthelandsurfaceparametersretrievalfrompassivemicrowaveremotesensingdata
WU Ying， QIAN Bo， WANG Zhenhui
(KeyLaboratoryofMeteorologicalDisaster,MinistryofEducation(KLME)/JointInternationalResearchLaboratoryofClimateandEnvironmentChange(ILCEC)/CollaborativeInnovationCenteronForecastandEvaluationofMeteorologicalDisasters(CIC-FEMD)/KeyLaboratoryforAerosol-Cloud-PrecipitationofChinaMeteorologicalAdministration,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,China)
Radio-frequency interference (RFI) over eastern Asia land was detected and analyzed using one dimensional variational retrieval (1-DVAR) convergence metric method from AMSR-E (the advanced microwave scanning radiometer - earth observing system) Leval 2A measurements during July 1-16, 2011. And then its influence on the retrieval of surface parameters was studied. It is found that the RFI signals are detected both at C and X band channels of AMSR-E over eastern Asia, and the signals are most densely concentrated in industrial zones, scientific research centers, metropolises, airports and highways. Moreover, RFI signals at C and X band normally do not coincide with the same distribution area. AMSR-E RFI over eastern Asia land exists along both horizontal and vertical polarization channels. Furthermore, the intensity of AMSR-E RFI varies with the earth azimuth angle of the satellite; measurements are contaminated by RFI only when the spaceborne microwave radiometer is within some earth azimuth angle range. Lastly, it is also found that retrieved land parameters have large deviations from RFI contaminated microwave measurements. Therefore, it is expected to detect even weakened RFI effectively prior to retrieving land surface parameters from passive microwave remote sensing measurements.
passive microwave remote sensing; land surface parameter; radio-frequency interference (RFI); eastern Asia land
10.6046/gtzyyg.2017.03.26
吴莹,钱博,王振会.被动微波遥感观测资料干扰对地表参数反演的影响分析[J].国土资源遥感,2017,29(3):176-181.(Wu Y,Qian B,Wang Z H.Effect of radio-frequency interference on the land surface parameters retrieval from passive microwave remote sensing data[J].Remote Sensing for Land and Resources,2017,29(3):176-181.)
2015-12-29；
2016-03-02
国家自然科学基金项目“FY-3微波数据RFI订正及我国典型地区地表微波发射率反演研究”(编号： 41305033)、江苏省基础研究计划—青年基金项目“微波地表温度计算及其对中国典型地区地表发射率反演改进研究”(编号： BK20150911)和江苏高校优势学科建设工程资助项目(PAPD)共同资助。
吴莹(1980-)，女，讲师，博士，主要从事大气探测与大气遥感方面的教学和研究工作。Email： wuying_nuist@163.com。
P 422.2; TP 722.6
： A
： 1001-070X(2017)03-0176-06
