无线电频率干扰对MWRI资料反演地表温度的影响

吴莹， 姜苏麟， 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)

0 引言

作为地表能量平衡中的重要参数之一，地表温度影响着土壤和植被的蒸散作用、作物产能、地表水热平衡和全球气候变化等众多领域，是地球物理学研究中不可或缺的重要组成部分。相比较于热红外及其他光学遥感，大气对于微波遥感而言相对透明。微波对云层甚至雨区的穿透性，以及全天时获取地表辐射信息的特点[1-2]恰恰能够弥补热红外遥感受大气中水汽影响较大、不能穿透云层的不足。这些特征使得微波在全球大尺度地表温度反演领域具有独特的优越性[3-4]。

目前广泛使用的星载微波辐射计有DSMP(defense meteorological satellite program)卫星上搭载的SSM/I(special sensor microwave/imager)、EOS/Aqua卫星上的AMSR-E(advanced microwave scanning radiometer - earth observing system)、Coriolis卫星上的WindSat、风云三号卫星(FY-3)上的MWRI(microwave radiation imager)以及GCOM-W1卫星上的AMSR-2(advanced microwave scanning radiometer-earth observation system-2)等，如此众多的先进微波辐射计为协同热红外遥感反演地表温度研究提供了可能[5-9]。

然而，在星载微波资料的使用过程中，仍然存在着诸如对微波穿透深度考虑不足、低频微波的无线电频率干扰(radio-frequency interference，RFI)、地表温度与发射率的分离等问题[2-4]。星载被动微波辐射计的RFI是指辐射计接收到的辐射信息除了来自地气系统的自然热辐射以外，还有一部分则来自于地面主动微波发射器发出的辐射信息以及陆面反射的来自于其他辐射源的辐射信号。目前广泛使用的星载微波辐射计均不同程度地受到地面无线电频率的干扰，且受到干扰较为严重的资料大部分来自于微波低频观测通道。受到干扰的被动微波辐射计测量值往往存在较大的地表和大气参数反演误差，如果不能准确地识别和剔除，这种影响产生的问题可能显著降低现有以及将来的被动微波资料的使用效果。

Li等[10]最初于2004年发现AMSR-E在C和X波段的观测值在某些区域均出现大面积的频率干扰信号，提出了用频谱差法来检测RFI的强度和范围的观点，随后进一步提出了用主成分分析法(principal component analysis，PCA)来分析陆地区域的RFI分布特征[11]；Njoku等[12]指出了AMSR-E在6.925 GHz和10.67 GHz通道受RFI影响的区域分别处于不同的地理位置；Lacava等[13]用多时相法分析了AMSR-E C波段中的RFI。国内也正陆续开展对星载被动微波观测仪器受地面RFI的研究[14-19]。Wu等[14-15]提出了AMSR-E中RFI信号的检测及订正算法；Zou等[16]用PCA方法分析了MWRI陆地表面的RFI分布；Zhao等[17]改进了PCA方法，用双主成分分析法(double principal component analysis，DPCA)分析了WindSat资料在格陵兰等地区的RFI分布；官莉和张思勃[18-19]对欧洲和北美洲陆地区域AMSR-E中的RFI进行了识别和分析。

但目前在有效地检测出MWRI资料中的RFI[16]以后，尚未进行对订正算法及提高地表参数反演精度的探讨。针对此问题，以欧洲大陆为主要研究区域，运用一维变分反演法(one dimensional variational retrieval，1D-VAR)收敛度量识别出MWRI一级亮温资料中的RFI，进而提出了一种订正受到RFI影响的MWRI亮温数据的算法，并对比分析了RFI订正前、后地表温度的反演结果，初步探讨了进行微波亮温数据的RFI订正对提高反演精度的重要性。

1 数据源

本文选用FY-3B卫星上的MWRI一级亮温资料。MWRI提供5个频率(10.65 GHz,18.7 GHz,23.8 GHz,36.5 GHz和89.0 GHz)、水平和垂直双极化共10个通道的微波观测值。使用1D-VAR反演算法需要从美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)全球资料同化系统(global data assimilation system，GDAS)的客观分析场中提取相关参数作为反演的背景场。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°的大气和地表参数场。

2 1D-VAR算法

基于卫星微波和红外观测资料，采用1D-VAR法不仅可以反演大气参数(如大气温、湿垂直廓线)和云参数(云量、云顶高度)，还可以反演地表参数(如地表温度和地表发射率等)。1D-VAR反演的前提是观测场与背景场误差是无偏的、不相关的，且均满足高斯误差分布这些假定条件，通过对目标函数(称为代价函数)求最小化得到最小误差的分析场。这个代价函数J(X)一般可以写成[20]

(1)

式中：X为被反演的大气(或地表)状态变量；X0为大气(或地表)状态的背景场向量；Ym为已获得的观测资料；B和E分别为背景场和观测场误差协方差矩阵；H为前向算子。

1D-VAR产生的分析场Xa是求得使代价函数式(1)达到最小值的解，故J(Xa)为

J(Xa)=minJ(X)

(2)

对所定义的代价函数求导，并使导数为0，即

(3)

可以得到

(X-X0)=ΔX=[(B-1+HTE-1H)-1HTE-1]×[Ym-H(X0)]

(4)

将式(4)用于迭代计算，直到J(X)达到最小或达到规定迭代次数时，结束循环。

对于卫星反演地球物理参数而言，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(community radiative transfer model，CRTM)作为1D-VAR中的前向模式。CRTM[21]由美国的卫星资料同化联合中心(Joint Center for Satellite Data Assimilation，JCSDA)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，并生成所有大气和地表参数相应的辐射值和辐射梯度(即雅可比矩阵)[20]。在变分计算过程中，反演所需的背景场可以从GDAS提供的大气参数垂直廓线(温度、湿度和云中液水含量等)和地表参数(地表温度、土壤湿度和植被覆盖度等)获取。1D-VAR计算可以得到大气和地表参数，本文主要讨论地表参数之一的地表温度。

3 RFI识别和订正算法

对于陆地表面，辐射计测得的微波辐射信息主要是地表的发射辐射[12]，而冰雪覆盖区散射辐射所占比例较高。在非冰雪覆盖区，随着频率的增加，地表和植被的散射效应逐渐增强，当辐射计通道频率低于30 GHz时，所接收到的来自于地表的散射辐射非常有限，通常可以忽略。而由地面主动微波传感器的发射信号或陆面反射辐射信号往往强于地表本身发出的辐射，使得星载被动微波传感器接收的信息是这些信号与地表自身发出辐射的叠加，从而不能真实反映地表状况，所以这些信号被称为RFI。受RFI影响的微波观测值通常表现为被污染通道观测亮温值异常偏大，在空间分布上呈现不连续且有一定方向性、时间上有持续性的特点。若RFI强度较大，甚至可能使通道亮温值呈负频谱梯度关系，即与正常的自然发射辐射谱规律相反。

本文研究的受RFI影响的MWRI一级亮温数据，主要出现在10.65 GHz水平和垂直极化的2个通道，大部分分布在东亚、欧洲等地[16]，这是由当地人为主动源的工作频率所决定的。

在1D-VAR计算地表温度中，收敛度量χ2为前向算子最后一次模拟的亮温值和测量值间所有残差的均方根。χ2计算公式为

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。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，1D-VAR算法中的收敛度量值和RFI信号的强弱有着极强的相关性，收敛度量值越大，意味着该处的RFI信号越强[15]。

迄今为止，人们已发现不是所有的通道都会出现RFI，而且可以利用自然通道的相关性开发出订正算法去订正存在RFI的这些地区的异常观测值。RFI指数[14]不仅可以用来识别RFI的位置，也能量化地检测其强度，即一种极化的RFI定义为

RFIp,f1=TBp,f1-TBp,f2

(6)

式中：TB为卫星所测得的亮温值；p为极化方式(水平方向(H)或垂直方向(V))；f1和f2表示2个相邻的频率(下文中下标中的“10”和“18”分别代表10.65 GHz和18.7 GHz)，且f1

在本研究中，提出了一个用于订正受到RFI影响的MWRI亮温数据的算法。算法的基本思想是，由于18.7 GHz的测量值几乎没有受到干扰，因而当检测到10.65 GHz存在RFI时，根据经验公式，受干扰的10.65 GHz的MWRI测量值可以用18.7 GHz的测量值估算出来。

对于MWRI观测值，RFI指数大于5 K[22]就定义为受到RFI影响。剔除受到干扰的亮温数据，用未受到干扰作用的训练数据回归得出RFI订正算法。由于二次项在降低订正算法的偏差和标准差方面并没有显著改进，因此使用线性回归，由未受到干扰的通道来估算受到RFI作用的通道的亮温，即

TBV,10=-13.378 4+1.128 85TBV,18-0.093 387 3TBH,18

(7)

TBH,10= -2.958 77+0.070 948 37TBV,18+0.925 626TBH,18

(8)

其中，式(7)和式(8)的标准差分别为1.433 89和1.323 97。

4 结果与分析

从全球的MWRI亮温分布可知，10.65 GHz的RFI主要出现在欧洲大陆以及日本部分地区，因此本文选取欧洲大陆作为研究区域，运用式(7)和式(8)提出的RFI订正算法来订正异常亮温值。由于夏、秋季节全球有积雪覆盖的地区相对较少，在此以2014年7月20日的数据为例，如图1和图2所示。图1(a)— (c)分别是上升轨道未经过RFI订正的MWRI 10.65 GHz垂直、水平极化2个通道的亮温值和1D-VAR收敛度量值的分布，图1(d)—(f)分别是与之对应的经过RFI订正后的分布。与图1类似，图2为下降轨道时的分布。

(a) 订正前垂直极化亮温 (b) 订正前水平极化亮温 c) 订正前1D-VAR收敛度量值

(d) 订正后垂直极化亮温 (e) 订正后水平极化亮温 (f) 订正后1D-VAR收敛度量值

(a) 订正前垂直极化亮温 (b) 订正前水平极化亮温 (c) 订正前1D-VAR收敛度量值

(d) 订正后垂直极化亮温 (e) 订正后水平极化亮温 (f) 订正后1D-VAR收敛度量值

从图1和图2可见，无论是在上升轨道还是下降轨道，MWRI 10.65 GHz水平、垂直极化的2个通道上都分布着大范围、强度较大的RFI区域，且1D-VAR收敛度量值的大小和RFI的强度大小也相对应。RFI信号广泛存在于大不列颠岛和意大利附近，法国境内有一些零星分布。显而易见，式(7)和式(8)给出的算法显著地订正了大部分RFI污染。由于强度较弱的RFI很难从自然地球物理变化中识别出来，特别是很难区分合理的较高值和受到污染的较高值，因此图1(d)中英格兰中部有部分残余RFI污染。

从NCEP GDAS再分析场中提取大气和地表参数作为1D-VAR计算中的背景场，本文研究区域内2014年7月20日地表温度的反演结果如图3所示。

(a) 订正前反演的地表温度(升轨) (b) 订正后反演的地表温度(升轨)

(c) 订正前反演的地表温度(降轨) (d) 订正后反演的地表温度(降轨)

图3(a)和(c)分别为未经RFI 订正反演出的升轨和降轨地表温度分布。在图中均出现了呈孤立点状分布的反演值偏高的散点区域，甚至出现了较大范围连续的反演值缺失的区域(图3(a)和(c) 中圈出的空白区域)。通常情况下，地表状况差异不大的陆地表面，地表温度往往遵循连续性分布的规律，而不会出现不连续的零星突增的极高值区域。再对比图1(c)和图2(c)中1D-VAR收敛度量值分析法识别出的RFI区域，这些区域与检测出的RFI存在的位置有着很好的对应关系。这些零星的地表温度反演偏高值像素点恰恰对应于强度中等的RFI存在区域，而图3(a)和(c)中圈出的无反演结果的空白区域恰恰对应着RFI强度更大的区域。这是由于强度较大的RFI致使该位置的卫星测量值严重偏离地表的自然辐射值，使得变分反演时代价函数不收敛，从而得不到反演结果。

因此，如果对存在RFI的数据进行检测并进一步订正，将会大大提高地表温度反演的精度。而经式(7)和式(8)的算法订正后，反演的地表温度分布更连续(图3(b)和(d))，异常的反演偏高值得到了校正，不收敛的空白区域反演结果得到了恢复。从地表温度的分布特点来看，RFI订正后提高了反演结果的可靠性，也提高了MWRI亮温数据的利用率，减少了反演失败区域。

为了验证反演结果的可靠性，把空间分辨率为1°×1°的NCEP FNL全球分析资料(final operational global analysis data) 再分析场中的地表温度作为“真值”，计算反演值和真值间的偏差。计算结果表明，RFI订正前反演地表温度的平均误差为3.72 K，标准差为6.34 K；经RFI订正后平均误差减少为3.05 K，标准差减少为5.64 K。对比结果可见，对MWRI的RFI检测、订正可以显著改善地表温度的反演精度。但是就该个例而言，计算出的标准差较大，可能有多种因素产生。首先，卫星观测时间和地表温度“真值”时间不完全吻合，在该研究中由于MWRI在欧洲陆地区的升轨观测时间大致是从11UTC—13UTC，因此作为“真值”资料选取的时次为当天4个时次中最为接近的12UTC；降轨观测时间在02UTC—04UTC之间，因此选取时间最为接近的00UTC的资料；其次，空间不完全匹配，“真值”的空间分辨率为1°×1°的格点数据，需要内插到卫星观测像素点的地理位置上，这同样也会造成一定的误差。

5 结论

1)基于MWRI观测数据，使用1D-VAR法识别出欧洲陆地地区的RFI分布及强度，提出了一种订正MWRI 10.65 GHz通道RFI的算法。该RFI订正算法基于几乎未受到RFI影响的18.7 GHz的测量值，根据各通道亮温值之间的高相关性，用不含有RFI信号的MWRI数据推导出了2个回归方程(分别对应水平和垂直极化)。这样，在用1D-VAR法识别出RFI以后，就可以通过18.7 GHz通道上的观测亮温估算出受RFI污染的10.65 GHz通道的亮温值。1D-VAR收敛度量值识别、分析RFI的方法和基于线性回归的RFI 订正方法对存在类似RFI信号的其他星载微波辐射计也是相通的，但具体的订正算法会因具体仪器设备的差异而有所不同。

2)对比经RFI识别和订正前、后的MWRI观测资料反演地表温度的结果表明，RFI信号的存在显著增大了受污染的亮温数据的反演误差，甚至造成反演结果缺失，很大程度上降低了反演的精度和星载微波资料的利用率。而本文提出的RFI订正算法可以有效地减弱MWRI 低频通道受到干扰的影响，显著提高RFI存在区域地表温度的反演精度。由此可见，正确识别和剔除日益严重的RFI信号对低频微波观测资料反演地表参数尤为重要，也是卫星资料同化之前必不可少的重要步骤。随着RFI影响的缓解，更多受RFI污染的MWRI观测值将有待用于地表温度反演。

3)今后若能依赖于区域或背景，调整算法中的参数，可以降低区分合理的较高值和受到污染的较高值这个难点对订正效果的影响。对于强度弱、不易被检测出的RFI，可以考虑把研究区域缩小，甚至可以结合具体地表状况等信息，调整检测阈值或算法中的参数，从而降低订正结果的标准差。