Sentinel-1A遥感数据在地表冻融监测中的适用性分析

闫 爽

(河北省科学院地理科学研究所;河北省地理信息开发应用技术创新中心,河北 石家庄 050011)

0 引言

近地表土壤冻融变化随季节循环发生，影响着地表热量传输、植被生长、地表径流以及生态系统循环等，因此，有效监测地表冻融状态对于大气、生态、水文等领域具有重要意义。气候监测数据显示，青藏高原受全球变暖影响较大，其地表冻融变化严重影响青藏公路的运营与维护。因此，对青藏高原地区地表冻融状态进行监测尤为重要。

传统地表冻融监测多利用人工实地监测，耗费大量的人力与物力，且对于青藏高原地区，其环境气候恶劣、生态脆弱、空气稀薄，平均气温均在0℃以下，含氧量只有内地的50%，被视为“人类生命的禁区”[1]。卫星遥感技术具有获取影像速度快、周期短、时效性强等特点，可对地表冻融状态进行大面积监测。土壤冻融过程实际是土壤中液态水和固态冰相变的过程，由于水和冰的介电特性差异较大，造成冻土和融土发射的微波信号(亮温或后向散射系数)明显不同，故可以利用微波遥感监测地表冻融过程。例如：Entekhabi等人[2]利用季节性阈值法对地表土壤水分和冻融状态进行监测；Kimball等人[3]采用移动窗口法进行地表冻融状态监测；Canny[4]利用边缘检测法对地表冻融状态进行监测。以上研究取得较好成果，证明采用微波遥感可实现大范围内的地表冻融监测。

Sentinel-1卫星属于全球环境与安全监视(GMES)系列卫星的组成部分，已正式进入欧盟的全球地球观测系统(GEOSS)，其包括Sentinel-1A和Sentinel-1B。两颗卫星之间的相位差为180°，双星重访周期缩短至6天，因此，Sentinel系列卫星具有独立的测量能力，覆盖范围广，回程访问效率高，时效性和可靠性更高。Sentinel-1通过4种独特的成像模式执行C波段和双极化成像，最大扫描范围为400km，雷达分辨率高达5m，重访时间非常短且快速。Owe等人[5]利用地基/车载微波辐射计观测不同含水下量土壤层，并将测量得到的不同厚度的土壤含水量与辐射计的观测值或者反演值进行比对，发现C波段与0～2 cm的土壤含水量的相关性较高。这表明可以利用C波段对土壤水分进行监测。土壤水分是引起土壤冻融的重要指标，故利用C波段可以对地表冻融状态进行监测。鉴于此，本文以青藏高原那曲地区为例，选用Sentinel-1A卫星遥感影像数据，通过其后向散射系数数据与地表实测温度进行线性回归，建立反演模型，然后采用2015-2016年遥感观测数据输入反演模型中，得到研究区的地表温度反演结果，以期为青藏高原地区地表冻融状态监测提供参考。

1 研究区与数据

1.1 研究区简介

青藏高原那曲地区地处于西藏北部多个山脉之间，地势相对较低。但整体而言，中部属高原丘陵地形，西北部海拔较高，北部属唐古拉山区域，东部属高原山地，南部属藏北高原与藏东高山峡谷交汇地带。该地区地表类型较少，多数为草原、苔原，地下水丰富，气温常年较低，海拔较高，所以造成长年的冻土。这不仅与天气气温、降雪降雨的变化有关，还与冻土水热参数以及地表辐射平衡有着密切的关系。

由于长期的气候变化，地下冰层逐渐融化、活动层逐渐加深，从而导致多年冻土发生大规模退化，导致温暖的季节性径流增加，大大增加了冻土的冬季基础流量。受多年累积的温度变换和气候改变的影响，使得那曲地区多年冻土的活动层厚度逐渐变薄，因此，选取该地区为研究区进行地表冻融监测研究具有一定代表性。

1.2 研究数据及预处理

1.2.1 Sentinel-1A卫星遥感影像数据

Sentinel-1A卫星影像数据包含条带绘图模式(SM)、干涉宽视场模式(IW)、超宽视场模式(EW)、波模式(WV)4种成像模式，其中，IW模型空间分辨率为5m×20m，可满足研究需求。因此，本研究选择Sentinel-1A Level 1地距影像(GRD)数据(升轨)，极化模式为VV双极化，为分析地表冻融状态变化，选取时间跨度为2015-2016年，数据下载网址为阿拉斯加卫星数据中心(https://search.asf.alaska.edu/#/)。

遥感影像数据进行分析前，均进行预处理，包括：

(1)精轨校正，采用SNAP软件中轨道校正的自动下载模式进行处理；

(2)热噪声去除，雷达系统成像时不可避免地会产生噪声，影响接收的后向散射系数的精度，因此，通过SNAP软件中Radar→Radiometric→S-1 Thermal Noise进行处理，各参数采用软件默认值；

(3)辐射定标，Sentinel-1 Level1影像均未经过辐射定标，与真实的辐射值存在较大差异，因此本文采用SNAP软件中Radar→Radiometric→Calibrate实现辐射定标，各参数采用软件默认值；

(4)多视处理，采用SNAP软件中Radar→Multilooking进行处理；

(5)滤波，采用软件中Radar→Speckle Filtering→Single Product Speckle Filter实现；

(6)地形校正，合成孔径雷达成像时受地形起伏的影响较大，从而产生较大的几何畸变，并导致透视收缩、叠掩、阴影等现象，因此，本文采用那曲地区空间分辨率为30m的SRTM DEM数据(.hgt)文件，该数据覆盖范围60°S～60°N，总覆盖面积达1.1×108km2；

(7)分贝化，为便于后续数据分析，采用SNAP软件中Raster→Data Conversion→Converts bands to/from dB进行处理，得到雷达后向散射系数的分贝值。

1.2.2 地面站点观测数据

研究区土壤温度观测数据来源于国家青藏高原科学数据中心(http://data.tpdc.ac.cn)，时间分辨率为逐小时，土壤温度测量精度为0.1℃，测量深度为5cm、10cm、20cm、40cm和80cm[6-10]，本研究选取那曲地区57个地面站点观测数据进行分析。

2 研究方法

Sentinel-1A合成孔径雷达利用的是C波段，在裸露的土壤和稀疏植被的土地上，除了土壤粗糙度之外，雷达接收到的C波段后向散射值对土壤含水量的变化较为敏感。具体表现在，土壤含水量的增加将增加合成孔径雷达后向散射值，当土壤含水量显著降低时，后向散射值会显著降低，当冰开始形成时，水的介电系数会降低到一定程度，导致后向散射值显著下降，即后向散射值与土壤含水量和介电系数成正比。因此，可以通过判断雷达后向散射值的变化对土壤含水量的变化(是否结冰)进行判断。

基于上述基本原理，本研究方法具体实现流程为：首先，利用SNAP软件对研究区Sentinel-1A卫星遥感影像数据进行预处理，将雷达观测到的后向散射值转化为以dB为单位的数据；然后，利用该数据对不同探测层的土壤温度进行回归分析，拟合得出后向散射系数与土壤温度的关系式，利用该关系式对地表冻融状态进行研判；最后，分析不同探测层土壤温度对地表冻融判别的影响，从而分析C波段的有效穿透深度。具体实现流程如图1所示。

图1 研究方法实现流程图

3 结果分析

3.1 站点土壤温度数据分析

选取研究区内57个站点的土壤观测数据进行分析，发现有16个站点的观测数据出现无效值，因此将其进行剔除，最终得到各站点在不同观测深度的土壤温度时间序列变化结果，结果如图2-图5所示。由图2-图5可以看出，不同土壤层的温度变化整体较为一致，随着时间的变化，土壤温度呈现上升—下降—上升—下降的“M”形变化趋势，相比5cm深度的土壤温度变化，各观测站点在10cm、20cm和40cm的土壤温度更接近，表明随深度增加，土壤温度变化较缓慢。除去个别观测站点，大部分观测站点在5cm、10cm处的观测值最大为15℃左右，而在20cm、40cm处的观测值最大为12～13℃，因此，本文将地面站点观测温度分为5cm、10cm、20cm、40cm四组，分别与Sentinel-1A后向散射系数进行回归分析，从而构建后向散射系数与地表温度的拟合关系式。

图2 5cm深度的多个地面站点观测土壤温度

图3 10cm深度的多个地面站点观测土壤温度

图4 20cm深度的多个地面站点观测土壤温度

图5 40cm深度的多个地面站点观测土壤温度

3.2 后向散射系数与站点土壤温度回归分析

剔除无效数据后，利用5cm、10cm、20cm、40cm深度处土壤温度与遥感观测的后向散射系数进行一元回归分析，回归结果如图6所示。由图6可以看出，不同土壤深度下，土壤温度的变化范围较大，而后向散射系数的变化范围较小，得到的一元拟合关系式与二者间真实关系存在一定误差。分析误差主要在于：(1)遥感影像数据自身存在的误差[11]，雷达传感器接收数据时易受地表其他地物的反射信号影响，虽然本文已对遥感数据进行了一定的辐射校正、地形校正等预处理，但这种影响并不能完全消除，从而影响最终的回归分析；(2)地面观测数据及遥感数据出现部分缺失，对最终统计样本量造成一定影响，从而影响回归结果。为此，利用该拟合关系式仍可以对地表温度进行粗略估算，从而为地表冻融状态监测提供一定的参考，证明本文算法的有效性。

4 结语

地表冻融监测对铁路、公路建设具有重要意义，本文利用Sentinel-1A遥感影像数据，经过辐射定标、地形校正等预处理得到遥感观测到的后向散射系数，然后利用地面站点观测到的土壤温度数据与后向散射系数进行一元线性回归，得到二者的拟合关系式，利用该拟合关系可以为地表冻融监测提供一定参考。但受数据质量限制，拟合结果仍存在一定误差，后续会增加长时序观测数据进行研究。