地表比辐射率(emissivity)是地表发射辐射与黑体发射辐射的比值.微波(1 mm~100 cm,对应频率为0.3~300 GHz)由于波长较长,能够穿透一定的地表,因此陆面上微波地表比辐射率不仅受植被分布、地表粗糙度影响,还受地表下土壤湿度及其成分影响.当卫星在陆面观测时,量值较高(ε~0.90)的陆面微波比辐射率产生较强的地表辐射信号,与星载微波设备探测的大气辐射信号混合在一起.为了反演陆面的大气参数,如大气温度、湿度、云水含量、降水等,必须正确扣除星载微波信号中地表辐射的影响.陆地表微波比辐射率受地表植被以及土壤湿度影响,时空变化复杂而难以准确获知,因此造成陆面上微波遥感反演大气参数存在更多困难.只有提供准确的陆面微波比辐射率,才能正确区分陆面卫星微波数据中大气辐射和地面辐射的贡献,提高微波遥感反演陆面大气参数精度.
近三十年来,随着大量卫星资料的出现,将卫星数据同化到数值模式中,提高模式预报能力成为气象科学领域一直关注和努力的方向,尤其是卫星微波数据能提供大气温度、湿度廓线、云雨信息与地表信息,成为数值同化的一个重点研究领域(McNally et al., 2000; Schwartz et al., 2012).目前,洋面卫星微波资料已经同化到数值模式中,能够更为成功地预报、监测灾害性天气事件,如台风、暴雨等(Zhao and Wang, 2008;杨引明等,2012;董佩明等,2014).而陆面上由于地表微波比辐射率较高,时空变化复杂,只有一些对地面不敏感的微波通道,如微波垂直探测器AMSU的高层大气探空通道,已经同化应用到数值模式中,而AMSU的大气窗区通道,由于受地表影响显著而不能直接被使用.He等(2011)分析地表温度和比辐射率对于陆面AMSU-A辐射同化效果的影响,通过WRF模式模拟分析不同地表参数设置下辐射同化效果差异,并且指出正确的陆面温度和比辐射率对改善大气低层温度预报有积极影响.
因此,提供准确可靠的陆地微波比辐射率信息,对于改善陆面大气参数和地表参数的反演精度、拓展星载微波资料在数值预报模式中的同化应用都很重要和迫切.
1 陆面微波比辐射率的研究方法迄今为止,国外较为系统地开展了陆面微波比辐射率的研究,研究方法基本分为三类:观测试验、比辐射率模式和卫星观测直接反演.
早期,国外学者通过观测试验探索地表微波比辐射率的变化特征.有的直接采用地基微波辐射计观测不同类型的下垫面,结合地基试验和理论研究,分析不同地表微波比辐射率的变化特征,揭示地表微波比辐射率与土壤湿度、植被分布相关性(Ulaby et al., 1986; Mätzler, 1994, 1998; Calvet et al., 1995; Wigneron et al., 1997).有的利用机载微波辐射计的观测获得森林、农作物、雪地和冰面的比辐射率(Morland et al., 2000; Hewison and English, 1999).这些观测结果对于认识不同地表比辐射率变化特征有重要帮助,也能验证模式或卫星计算结果.但是场地观测试验只能获得有限地表类型、指定观测条件(如特定微波频率和扫描角度)的地表微波比辐射率,难以包含像卫星观测的大尺度时空变化的地表特征信息.
基于试验观测结果和地表辐射的物理原理,发展了一些微波比辐射率模式(Isaacs et al., 1989; Weng et al., 2001; Pellarin et al., 2003; Jiang et al., 2007; Xie et al., 2017).其中,Weng等(2001)建立的微波比辐射率模式已经植入美国卫星资料同化中心(JCSDA)开发的辐射传输模式CRTM(Weng, 2007),并广泛应用于数值预报模式的辐射同化系统.该模式通过处理几种典型下垫面(如裸土、沙漠、雪地和植被)的地表辐射传输过程,定量计算不同地表条件下的陆面比辐射率.为了准确计算地表比辐射率,这些模式需要输入大量地表参数,如地表类型、土壤湿度、植被特征、粗糙度和雪参量等,除个别观测试验能够提供这些参数,大部分地区缺乏这些复杂多变的地表参量,即使陆面模式能够提供,也存在很多不确定性.因此,在目前全球地表参数数据库不完备条件下,仅利用比辐射率模式不易准确获取大范围的陆面微波比辐射率,这也限制了模式方法的实际应用.
近年来,卫星微波观测技术迅速发展,利用丰富的星载被动微波观测直接反演陆面微波比辐射率成为一种主要手段(Prigent et al., 1997, 1999; Karbou et al., 2005). 表 1列出近年来主要的星载被动微波成像仪.早期,随着对星载被动微波遥感大气和地表参数的逐渐了解,人们意识到更多微波通道结合能更加有利.在1978年,第一个星载多通道微波辐射计(SMMR)诞生了,频率范围为6~37 GHz.这为微波多通道联合反演大气和地表参数提供机会.随后,美国国防气象卫星计划(DMSP)在1987年发射的卫星上搭载了七通道微波扫描成像光谱仪(SSM/I),并且陆续发射系列卫星(F8-14),使得SSM/I迄今一直在运行.与SMMR相比,SSM/I优越之处是扩展观测频率到85 GHz,扫描宽度是SMMR的两倍,并且仪器能够连续观测,不像SMMR每隔一天测量.另外的改善之处还包括采用一个单喇叭天线进行标定,仪器随着天线同步旋转,减少了对极化旋转订正的需要.由于SSM/I在三个波长可以接收两个不同极化方向的信号;对地球上同一地点,24小时内提供6个时次的观测资料;并且有很好的标定,从1987年以来一直有连续的数据,因此成为观测和研究全球大气和地表参数的有力工具.从20世纪90年代以来,美国宇航局(NASA)正式开展了地球观测系统(EOS)项目,其中,1997年美日合作发射的热带降雨测量计划(TRMM)卫星是星载微波遥感史上的一次飞跃,首次将测雨雷达PR和多波段微波辐射计TMI搭载在同一平台,为主被动联合反演提供有利的条件.与SSM/I相比,TMI的观测频率范围更宽,并且各个波段的空间分辨率都有所提高.2002年5月AQUA卫星上天,携带了先进微波扫描辐射计(Advanced Microwave Scanning Radiometer,AMSR),在TMI九通道基础上又增加了3个通道,最低可达到6.9 GHz,为监测地表信息提供更为丰富的微波观测数据.为了延续TRMM卫星观测计划,2014年2月美国和日本继续合作发射了全球降水计划GPM(Global Precipitation Mission)核心卫星,搭载着目前世界上最为先进的多通道被动微波辐射计GMI(GPM Microwave Image)和双频测雨雷达DPR(Dual-frequency Precipitation Radar).作为核心设备之一,13通道的微波成像仪GMI基本是在TRMM卫星微波成像仪TMI 9个通道基础上升级,拓宽增加4个高频通道,分别是166 GHz水平和垂直极化通道,183.3 GHz附近两个垂直通道.可以说,GMI把目前星载被动微波辐射计能使用的最佳探测通道都基本用上,是目前覆盖微波频率最广、最为先进的星载微波成像仪.因此,自20世纪70年代至今,星载微波传感器呈现出更多通道、更多频率的发展趋势.
除了被动微波成像仪,星载被动微波垂直探测器发挥着类似探空作用,如搭载在美国大气和海洋局(NOAA)发射的系列极轨卫星平台上的微波探测仪(MSU)和先进的微波探测仪(AMSU)分别从1979年和1998年起一直提供全球大气温度垂直廓线,成为气候研究的重要数据,也广泛应用于数值预报模式中,在改善天气预报方面发挥重要作用.
由于星载微波观测亮温中就含有不同地表特征信息产生的地表辐射贡献,因此通过观测亮温能更为直观、动态描述扫描下垫面辐射信息变化,可以用于地表比辐射率的估算.
对于上述三类地表比辐射率研究方法,观测试验和物理模型方法对有限区域和特定地表能够获取较为准确的地表微波比辐射率,能提供较好的验证参考;基于卫星观测反演能够获取更大空间范围,乃至全球范围的地表微波比辐射率,尤其近几十年,随着卫星微波探测技术的快速发展,丰富的星载微波观测数据为第三种方法提供有利条件,成为反演估算区域或全球陆面微波比辐射率的主要方式.
2 陆面微波比辐射率的卫星观测研究 2.1 卫星观测反演陆面微波比辐射率的原理基于平面平行大气辐射传输方程,星载被动微波设备接收的辐射信息如公式(1)所示.
(1) |
其中,εv, p是地表比辐射率,v是频率,p是水平或垂直极化方向;Tv, pB是微波极化亮温;Ts是地表温度;Tv↑,Tv↓是大气向上、向下辐射, τv是大气透过率.
通过(1)式得到卫星观测下地表微波比辐射率的计算公式:
(2) |
因此,结合大气廓线和辐射传输模式计算出大气向上、向下辐射贡献,然后从卫星观测中扣除大气辐射贡献,即得到地表辐射;结合地表温度则计算出地表微波比辐射率.由于陆面上空云和降水的大气辐射过程较为复杂,一般计算晴空条件下的陆面微波比辐射率,基本反演流程如图 1所示.可见,利用卫星观测反演的陆面微波比辐射率是根据微波辐射传输原理,直接采用星载微波观测亮温计算出来,反演的陆面微波比辐射率理论上合理可靠.
目前广泛使用的星载被动微波传感器基于观测方式、观测目的不同,主要分为微波成像仪和微波垂直探测器.国外学者针对这两类星载微波传感器,进行了大量的陆面微波比辐射率的卫星观测研究.
2.2.1 星载微波成像仪国外学者从20世纪80年代开始逐渐关注星载微波观测资料研究陆面微波比辐射率.如图 1研究思路所示,为了避免大气中云和降水辐射的复杂多变性,一般选择无云晴空条件下的星载微波成像仪观测亮温来计算陆面微波比辐射率.
最初,针对第一台星载多通道微波成像仪SMMR,Wilke和McFarland(1986)提出较为简单的计算地表微波比辐射率的方法,就是直接利用SMMR观测亮温与地表温度的比值作为微波地表比辐射率,即近似认为大气透过率等于1,忽略大气辐射的影响.这种方法对于观测频率最高为37 GHz的SMMR或许可以,但是对于更高的微波频率,如85.5 GHz,即使是晴空条件下,较强的水汽吸收使得该频率处的大气透过率约为0.7,使得该假设不能适用.
因此,随着更多频率、更高分辨率的SSM/I出现,国外学者从20世纪90年代开始广泛采用多通道多极化的微波成像仪SSM/I观测资料直接反演陆面微波比辐射率.基于图 1反演流程,Prigent等(1997, 1999)针对SSM/I资料,结合几乎同步的国际卫星云气候学计划(ISCCP)资料提供的晴空判据和地表温度,以及泰罗斯垂直分布探测仪(TOVS)反演的大气温湿廓线,计算非洲、欧洲大部分地区和西亚部分地区的陆面微波比辐射率.需要指出的是ISCCP资料中地表温度是假定红外地表比辐射率恒定为1.0而反演的,这种假定与实际情况很不相符,也会造成地表温度反演的误差较大.基于后续改进的ISCCP地表温度和云产品数据,Prigent等(2006)得到10年SSM/I资料反演的全球陆面微波比辐射率数据库,并且将多年月平均的陆面微波比辐射率数据绘制成地理分布模型,不仅可直观看到地表微波比辐射率的月平均变化特征,还发现与全球植被分布信息具有较好的一致性,这表明可用陆面微波比辐射率监测地表植被. Jone和Vonder Haar(1997)采用静止卫星GOES的红外、可见光资料(VISSR)与SSM/I观测资料相结合反演美国中部地区的微波比辐射率.选取VISSR与SSM/I观测时空比较接近的部分,用红外资料计算晴空下的地表温度.考虑到正确计算红外地表比辐射率比较复杂,VISSR红外波段(10.2~12 μm)的比辐射率变化很小,他们近似取为一个恒定值0.98.类似地,Ruston和Vonder Haar(2004)结合GOES和SSM/I资料反演2000—2002年夏季美国陆面的微波比辐射率,并且结合植被类型和土壤湿度分析不同地表条件下微波比辐射率的变化特征.他们分析提出陆地表温度(LST)是星载微波观测反演地表比辐射率的主要误差因子,而对LST影响较大的是云的判别和处理.
除了SSM/I,更多通道、更高空间分辨率的星载微波成像仪, 如1997年TRMM卫星上微波成像仪TMI和2002年AQUA卫星上微波成像仪AMSR-E,尤其后者增加更多低频通道,如6.7和10.65 GHz,使得利用星载微波观测直接反演地表比辐射率的方法得以迅速发展(Prigent et al., 2000, 2008; Moncet et al., 2011; Norouzi et al., 2011, 2012).由于微波低频的波长更长,更容易穿透云层看到地表,甚至穿透地表,因此AMSR-E低频观测亮温为精细探测陆面地表特征提供有利条件.并且,同时搭载在AQUA卫星上的AMSR-E和MODIS设备,提供较好的同步观测数据,利用MODIS提供的更为准确的云和地表温度信息,使得AMSR-E反演的陆面比辐射率精度比之前其他星载微波传感器有显著改善(Moncet et al., 2011).
随着多颗卫星组合的全球降水测量计划(GPM)在2014年发射,其最为核心设备是被动微波成像仪(GMI)和主动微波测雨雷达(PR),这也引起更多学者关注星载微波遥感数据的应用,尤其在地表特征复杂的陆面,地表比辐射率对于降水反演精度的影响仍然是个迫切需要解决的问题.
因此,基于目前已有的多年星载微波观测数据反演的地表比辐射率历史数据库,学者们继续加强对陆面地表微波比辐射率反演方法的探索研究.一方面是对已有比辐射率模式进行扩展和定标(Harrison et al., 2016),即联合陆面模式和比辐射率模式,用前者提供给后者所需的多种较为详细的地表参量,如土壤湿度、植被含水量等,使得比辐射率模式能够广泛应用起来.然后利用卫星观测反演的比辐射率历史数据对模式计算结果进行定标,使得模式结果更为合理,也为应用于数值模式资料同化提供更可靠的地表比辐射率信息.
另一方面是继续探索利用卫星微波观测数据直接反演陆面比辐射率的方法.其实,无论是理论分析或是对卫星微波观测反演的地表比辐射历史数据分析,都可以看出不同微波频率通道的地表比辐射率具有一定相关性.Aires等(2011)建立的陆面微波比辐射率估算工具(TELSEM),就是采用频率和角度内插或外推方法获取不同频率、观测角度的地表微波比辐射率.因此对于给定的自然地表条件,可以采用“通道之间相似性”联合,进而有效估算其他频率的地表比辐射率,如微波集合反演系统(MIRS, Boukabara et al., 2011),就是根据不同频率通道之间的比辐射率协方差关系来同时获取所有通道的比辐射率.此外,Ringerud等(2015)针对美国南部大平原建立一种半经验模式估算陆面微波比辐射率.该方法先采用物理模型计算出10 GHz比辐射率,并对降雨之后受雨水影响的地表比辐射率进行调整.然后,通过一个5年AMSR-E晴空观测亮温反演的陆面比辐射率数据库,分析不同频率通道之间较为稳定的协方差关系,从而基于物理模型计算的10 GHz比辐射率计算出AMSR-E其他频率通道的地表比辐射率.为了检验这种半经验方法估算的AMSR-E地表比辐射率可行性,结合辐射传输模式和地表比辐射率得到AMSR-E各通道模拟亮温,通过观测和模拟亮温比较,发现两者相关系数达到0.58~0.93,总体偏差小于1 K,最大偏差出现在高频89 GHz.这种方法对于类似地表面上利用星载观测数据估算比辐射计更为简单易行.Tian等(2014, 2015)等则直接通过观测亮温和地表比辐射率之间统计关系建立反演算法,即首先从多年AMSR-E地表比辐射率历史数据库建立比辐射率和各通道亮温之间线性回归关系,也建立与亮温相关的其他参量之间的统计关系,如亮温极化差指数.也有利用主成分分析方法,选取主要影响地表比辐射率的影响因子,建立观测亮温与比辐射率的统计反演算法(Turk et al., 2014).
2.2.2 星载微波垂直探测仪除了对星载微波成像仪的研究,微波垂直探测仪AMSU的陆面比辐射率研究也颇受关注.因为当前数值预报模式中更多同化提供大气温度、湿度廓线的AMSU资料,并且同化AMSU对数值预报结果有较为显著的改善(Liu et al., 2012).一直以来,对地面不敏感的AMSU探空通道数据已经同化应用到数值模式中,而其大气窗区通道和低层探空通道容易受地表影响,由于缺乏准确可靠的陆地微波比辐射率信息,较少被同化到数值模式中.Karbou等(2005)针对AMSU-A/B观测资料,基于已知的陆地表比辐射率和地表温度资料,采用神经网络方法反演陆面大气温度、湿度廓线,通过与探空廓线比较,发现反演的温度和相对湿度能分别改善2 K和2.5%.因此对于AMSU地表比辐射率的研究将会促进陆面微波资料同化的应用.
与采用固定角度扫轨的微波成像仪,如SSM/I、TMI和AMSR-E,观测方式不同,微波垂直探测仪AMSU采用跨轨步进扫描模式,即每轨以固定角度步长依次扫过±48.3°的观测角范围.另外一个复杂之处是AMSU天线随着扫描角度旋转,因此在不同扫描角的观测亮温是垂直和水平极化混合的结果,相应地利用AMSU亮温数据计算的比辐射率也是垂直和水平极化比辐射率混合信息.鉴于AMSU的复杂性,Prigent等(2000)利用地基观测试验和比辐射模式分析地表比辐射率随频率、观测角度、极化的变化特征,尝试从已计算的SSM/I地表比辐射率推算出AMSU多通道比辐射率,并进行初步验证.Karbou等(2005)针对AMSU,结合相近的ISCCP资料和ECMWF预报的6小时一次的大气温湿廓线,得到非洲和欧洲部分地区的陆面微波比辐射率.类似的,Karbou(2005)直接利用AMSU数据和ISCCP提供的云信息和地表温度、ECMWF提供的大气廓线计算出AMSU窗区通道的地表比辐射率.通过分析窗区通道比辐射率对于扫描角度和频率的依赖性,建立一个外推方法,即在偏低入射角范围内(<45°) AMSU探空通道(50~60 GHz和150~183 GHz)的比辐射率能够通过最近的窗区通道比辐射率插值得到,并成功检验该方法的效果.
2.2.3 地表比辐射率参数化研究虽然,利用多种卫星微波数据能直接获得全球陆面比辐射率分布地图,但是不同星载微波设备的观测频率、扫描角度和极化信息不尽相同,如何从中提取一个合理的比辐射率参数法方案,适用于现有的任意一种星载微波探测器,能简单、直接的提供较为真实、合理的陆面比辐射率,是一个迫切需要解决的问题.
Karbou等(2005)通过分析一个月AMSU数据计算的陆面比辐射率随地表类型、频率和观测角度的变化特征,初步建立适用于AMSU陆面比辐射率的两个参数化方法,并与模式和卫星资料计算结果进行比对,具有较好效果.Prigent等(2008)计算两个月多种星载微波数据(SSM/I、TMI和AMSU)的全球陆面微波比辐射率,统计分析不同陆地表上比辐射率随频率、观测角度和极化的变化规律,并发现这些变化规律在同一地表类型上存在较好的线性相关,可采用简单的多元线性拟合获得,进而建立一个针对19~100 GHz星载微波设备在不同扫描方式和极化条件的陆面比辐射率参数化方案.将该参数化方法与之前建立的10年(1993—2004)SSM/I比辐射率数据库结合(Prigent et al., 2006),对于给定经纬度和月份的信息,就能快速计算19~100 GHz之间不同观测角度和极化条件下的陆面比辐射率,具体流程如图 2所示.Aires等(2011)进一步采用类似的参数化方法,基于10年SSM/I月平均地表比辐射率数据库,建立一个计算陆面微波比辐射率的算法工具(TELSEM),使其应用于快速辐射传输模式RTTOV.基于全球地表比辐射率气候数据库,TELSM通过内插或外推方法估算出不同频率、不同观测角度的星载微波设备的地表比辐射率.TELSEM主要目的是提供更为真实、合理的陆面比辐射率初始猜测场,也能作为直接计算比辐射率的便利工具用于陆面参数反演或辐射资料同化中.
目前,欧洲数值预报中心已经将TELSEM结合到RTTOV模式,用于WRF和ECMWF数据预报模式的辐射资料同化研究中,对地表反映敏感的微波低频通道模拟上显示出一定的积极效果(He,2018).可见地表微波比辐射率参数化方法将会促进陆面微波比辐射率在数值预报模式中应用,将拓宽使用目前丰富的星载微波观测数据,有助改善NWP天气模式的预报性能.
2.3 国内陆面微波比辐射率的研究现状鉴于陆面微波比辐射率在大气参数反演和数值模式同化中的重要性,国内在20世纪80年代就关注地表微波比辐射率的研究(周秀骥等,1982;张培昌和王振会,1995).目前国内对于陆面微波比辐射率反演研究,有的是基于大气和地表参数反演所需,进行陆面微波比辐射率的计算研究(姚展予等,2003;谷松岩等,2004);有的是模式与站点观测资料结合,分析站点地表比辐射率变化趋势(Hong et al., 2003);更多的则是利用卫星观测数据开展大范围的陆面微波比辐射率反演研究.
毛克彪等(2005)直接用AMSR-E微波亮温与MODIS地表温度的比值计算陆面微波比辐射率,即忽略大气对AMSR-E通道的影响, 该方法不适合微波高频通道.基于图 1中反演流程,何文英和陈洪滨(2009)利用TRMM卫星上同时搭载微波成像仪TMI和可见及红外扫描仪VIRS优势,将微波观测亮温与红外观测提供的云检测信息以及获取地表温度结合,反演得到我国江淮地区陆面微波比辐射率,并结合地表类型数据分析不同地表微波比辐射率的变化特征.由于AQUA卫星上同时搭载AMSR-E和MODIS,并且AMSR-E有更多微波低频,为研究陆面微波比辐射率提供便利条件,因此国内学者近年主要利用AMSR-E观测资料开展了我国个别地区或全球陆面微波比辐射率研究,如结合地表覆盖类型认识我国青藏高原地区陆面微波比辐射率时空分布特征(何文英等,2011;王永前等,2013);结合植被参数、地表类型分析北半球和全球陆面微波比辐射率时空变化特征(张勇攀等,2010;石利娟等,2013;邱玉宝等,2016).
随着我国风云三号(FY-3)系列气象卫星的迅速发展,FY-3上搭载的微波温度计(MWTS)、微波湿度计(MWHS)和微波成像仪(MWRI),自2008年成功发射以来提供了丰富的微波观测数据.其中,MWTS和MWHS与AMSU的设计极其类似,用于探测大气温度和湿度廓线;而MWRI的通道设计类似于AMSR-E,用于探测云雨大气和地表特征.吴莹等(2019)结合微波成像仪MWRT和美国NCEP全球业务分析资料,分析研究我国青藏高原陆面微波比辐射率的频谱和空间分布特征,并指出青藏高原西北部地表发射率极化差异大,东南部极化异差小.
也有学者开展了微波比辐射率模式在我国的应用分析.Weng等(2001)开发的CRTM陆面比辐射率模式已经引入到我国的GRAPES模式同化系统中,顾松强等(2006)探讨该比辐射率模式在中国地区的应用状况,同时结合AMSU-A通道1或通道2统计反演的地表比辐射率来调整该模式所需地表参数, 从而在缺少详细地表参数情况下,改进AMSU-A通道3和通道15的地表比辐射率计算精度.这也表明地表参数的准确输入对比辐射率模式计算很重要,在缺乏这些复杂地表参数条件下,比辐射率模式结果需要更多验证分析.吴莹等(2013, 2014)较为详细研究CRTM比辐射率模式在我国塔克拉玛干和北非沙漠地区的模拟状况,表明沙漠地区的土壤质地与沙地比辐射率有密切关系,在模式输入参数中增加更细土壤质地信息将会改善沙漠地区的比辐射率.除了采用卫星资料或模式,何文英等(2010)开展了地基微波比辐射率试验研究,通过3个月的地基微波辐射计观测数据,分析不同下垫面微波比辐射率的昼夜差异以及降雨前后的变化特征.为了更为系统的认识陆面微波比辐射率变化特征,我们也持续在野外观测场地开展地基微波辐射计观测试验,以获取更多观测数据来深入认识陆面微波比辐射率,可以结合物理模式和卫星反演结果,提炼出适合我国地表特征的陆面微波比辐射率参数化方法.
3 卫星反演陆面微波比辐射率存在的问题 3.1 正确认识和评估卫星观测反演陆面微波比辐射率直接采用卫星微波观测亮温数据,根据微波辐射传输原理建立的卫星观测反演地表微波比辐射率方法理应是合理可靠.但是,从图 1反演流程可以看到,为了反演晴空条件下卫星微波设备瞬时扫描的地表比辐射率,需要辅助数据进行云检测甄别晴空观测样本;需要对应观测时刻的大气状态参数,如大气温湿廓线,结合辐射传输模式计算出大气辐射的贡献;需要地表温度数据进而计算出地表比辐射率.该过程计算复杂,需要多种辅助数据,这些数据质量的准确性都会直接影响反演的地表比辐射率. Ruston和Vonder Haar(2004)指出陆面地表温度(LST)是卫星观测反演微波地表比辐射率中主要的误差因子,不同的云检测方法和大气廓线也对微波比辐射率估算产生一定的不确定性.Tian等(2014)分析沙漠和热带雨林地区不同星载微波观测数据计算的地表比辐射率,发现存在显著差异,尤其在微波高频.除了星载设备自身引入的观测误差,卫星观测像元分辨率不同以及云检测正确性都影响卫星观测反演结果.因此,如何正确认识并更好使用卫星观测反演陆面微波比辐射率方法,成为地表比辐射率研究方面一个颇为关注的科学问题.
针对近些年发展的多种比辐射率估算方法,国外学者们开展一些评估研究.Ferraro等(2013)成立了一个比辐射率算法内部比较项目,通过比较多家单位采用不同方法反演的陆面微波比辐射率,希望能够定量化认识多种比辐射率估算方法的接近和差异程度,以及这些信息如何应用并推进陆面降水反演算法发展和改进.他们比较的比辐射率估算方法主要有三类:卫星观测直接反演;比辐射率模式;基于物理原理反演,如地表比辐射率与土壤湿度、植被消光特性之间物理模型.为了明确多种陆面微波比辐射率反演方法的准确性和变化程度,针对三年不同星载微波观测数据,包括SSM/I,AMSR-E,TMI和AMSU和MHS,选取三个目标范围,开展了不同方法反演结果比较.基本表明:不同方法估算结果之间存在显著差异,但是季节变化趋势还是较为一致.由于不同反演算法中采用不同的地表温度,因此同时比较地表温度和地表比辐射率比仅仅比较地表比辐射率能发现更多有意义的结果.
此外,美国NASA降水测量计划(PMM)科学组也针对目前常用的几种比辐射率计算方法,开展了较为系统的评估(Peters-Lidard et al., 2016; Tian et al., 2015).参加评估的算法主要有:1)物理方法,如Harrison等(2016)结合陆面模式和比辐射率模式,并用星载微波观测反演的比辐射率数据对模式结果进行定标;2)统计方法,如Tian等(2015)直接基于卫星观测反演的比辐射率历史数据建立的亮温及极化差(MPDI)与比辐射率的统计关系;3)混合方法,即半经验半模型方法,如Ringerud等(2015)建立的算法;4)TELSM方法,即基于卫星反演的地表比辐射率气候态数据库建立的地表比辐射率参数化方法(Aires et al., 2011).然后针对美国南部大平原开展了2年计算比较分析,具体比较结果如表 2所示(选水平极化比辐射率为例).可以看到,采用统计方法估算效果最佳,明显优于比辐射率模式和混合方法估算结果,也优于TELSEM估算结果;结合历史数据标定的比辐射率模式估算结果比没有标定前有明显改进;TELSEM估算能力介于统计和物理算法之间,混合半经验方法与比辐射率模式估算结果较接近.
需要说明的是,目前通过卫星观测反演陆面微波比辐射率只针对晴空条件,上述开展的多种比辐射率反演方法评估分析也只是针对晴空估算结果.云雨天气条件下地表比辐射率变化相对更为复杂,如何结合晴空估算结果拓展获取云雨天气的地表比辐射率是一个需要进一步解决的问题.
3.2 干旱地区微波穿透问题尽管卫星观测反演地表微波比辐射率是基于辐射传输方程进行,但主要针对较为理想的平坦地表和平面平行非散射大气的辐射过程,即认为地表发射微波辐射只源自地表层,没有地表以下土壤体散射的影响.而实际情况是,特别干燥的沙地上微波穿透地表的深度非常明显.
Prigent等(1999)在分析SSM/I反演的全球地表比辐射率数据库,发现大部分地区陆面微波比辐射率在每个月内逐日变化标准偏差普遍都小于0.012,可是在干旱或半干旱地区的地表比辐射率标准偏差明显偏大(如>0.02,在19 GHz),显著高于附近地区.为此,Prigent等(1999)在研究中将一个随时间变化的热传导模式和辐射传输模式结合,建立并计算出与微波穿透深度成比例的无量纲参数α,即微波发射深度指数(MEDI),具体定义见公式(3).
(3) |
这里deff是指微波频率能够探测到的土壤表面以下的具体深度;ω0是一个角度频率值,根据定义ω0=2π/(3600×24)rad/s;κ是热扩散系数,根据定义κ=k/(ρc),这里k,ρ,c分别是土壤的热导率、密度和比热容.
研究表明,一般MEDI较高(>0.5)地区对应着标准偏差偏大的地表比辐射率(>0.02).通过对撒哈拉沙漠研究,微波辐射信号可以穿透地表以下至少5个波长的深度,如低频19 GHz,若MEDI为1.2时能穿透地表深度至少8 cm.
类似研究也应用到更先进的AMSR-E观测反演的陆面微波比辐射率中(Galantowicz et al., 2011).通过结合AMSR-E和SSM/I两种星载微波观测数据,得到AMSR-E多个频率的MEDI全球分布图,能够直观看到MEDI空间分布与地表类型和干旱分布紧密相关,并且随着频率增加MEDI系统性减弱,尤其低频11 GHz的MEDI在沙漠地区明显偏高,普遍高于1.5,也表明波长越长穿透地表深度越大;对于高频89 GHz,MEDI明显减小,只在沙漠中个别地方出现MEDI强中心.更多研究都发现地表微波比辐射率的昼夜显著负偏差分布范围和程度与MEDI分布很一致(Moncet et al., 2011; Norouzi et al., 2011),通常干旱或半干旱地区的MEDI较大(>0.4),对应的地表比辐射率昼夜差异也显著,并且低频尤为明显.这表明当微波信号穿透土壤内部一定深度时,对应的有效地表温度与红外获取的地表层温度存在很大差异,从而导致计算的地表比辐射率误差也大.
因此,在干旱或半干旱地区,地表微波比辐射率的计算要慎重考虑微波穿透深度影响,不能如公式(2)所述直接用红外探测的地表表层温度作为有效地表温度.
目前,主要有两种方法解决干旱地区比辐射率订正,一种是考虑微波穿透效应的时间序列法(Prigent et al., 1999);一种是基于微波亮温日变化改进陆面微波比辐射率(Norouzi et al., 2012).
所谓时间序列法,就是将随时间变化的热传导模式和辐射传输模式结合,以一个月内地表温度和微波亮温的日变化数据为约束条件,估算出每个月的MEDI和有效地表比辐射率(Prigent et al., 1999),即考虑了微波穿透地表的影响效应后的地表微波比辐射率.类似方法应用于AMSR-E反演的陆面微波比辐射率中(Moncet et al., 2011),只是先估算MEDI和有效地表温度,然后结合公式(2),将有效地表温度取代常用的地表温度,得到订正的地表比辐射率.
由于时间序列法只能得到每个月的有效地表比辐射率,因此,Norouzi等(2012)提出一种获取瞬时有效地表比辐射率方法,即直接从微波亮温信号的日变化数据中获取地表有效温度,从而取代公式(2)中地表温度,得到瞬时有效地表比辐射率.通过AMSR-E和三颗DMSP卫星上SSM/I组成每日8个时刻的微波亮温数据分析亮温日变化特征.采用主成分分析法,建立一个微波亮温异常日变化的查找表,然后叠加上每日地表温度均值就得到有效地表温度,类似于把含有穿透地表的微波信号与地面温度结合起来,建立一个有效地面温度的估算方法.通过比较订正前后的地表微波比辐射率,发现采用有效地表温度后,地表比辐射率在干旱地区昼夜差异明显消除.
3.3 雪盖地区比辐射率微波辐射与雪相互作用已经进行了许多研究,微波观测对于雪的属性,如雪深、积雪面积、雪水当量、雪粒尺度和状态,有很好的响应.若干地基和机载观测试验开展分析积雪特征以及对雪地比辐射率影响(Mätzler, 1994;Kurvonen and Hallikainen, 1997; Hewison and English, 1999).这些试验都表明,雪地微波比辐射率具有很大的变化性.由于积雪覆盖全球范围广,时空变化大,采用卫星微波观测能更好的监测雪地微波比辐射率变化特征,且与可见光和红外波段相比,微波对大气和薄云层有很强的穿透能力.
Prigent等(1997, 2006)在利用SSM/I微波观测构建全球地表比辐射率时,就提到雪盖地区存在较为显著的比辐射率差异,这主要是雪地表强散射和积雪特性复杂导致.因此,在评价全球比辐射率数据库数据质量时,一般都剔除雪地数据(Prigent et al., 2006, 2015).Moncet等(2011)在分析AMSR-E计算的全球地表比辐射率差异分布时,发现除了沙漠地区,青藏高原北部昼夜差异显著,认为与雪盖和冻土结构有关.
对于雪地,微波比辐射显著时空变化是由于复杂的雪面特征,如植被、地形以及雪中粒子相态改变,尤其越是高频,对于雪相态改变、粒子尺度更为敏感.通过比较全球的雪地比辐射率与雪深数据,发现两者相关性很低,而选择个别观测站点,发现微波比辐射率与站点雪深有较好相关性(Prigent et al., 2006).这也表明雪地影响微波辐射信号因素比较复杂,时空变化差异显著,为减少雪地微波反演地表参量的困难,最好结合局地性雪地特征参数建立更为合理的反演算法.
对于幅员辽阔、地形地貌以及地表覆盖复杂多变的中国陆面而言,正确认识我国陆面微波比辐射率变化特征是一项重要工作.尽管目前已有多种方法开展了我国陆面地区微波比辐射率研究,可是准确评估这些方法及其建立的陆面比辐射率数据质量是一个挑战性的研究.国外分析卫星观测反演的全球地表比辐射率分布特征及其数据质量时,发现我国塔克拉玛干地区地表比辐射率存在显著日夜差异,微波穿透地表现象较为明显,也认为我国青藏高原地区地表比辐射率变化差异显著大多与降雪和冻土有关(Prigent et al., 1999; Moncet et al., 2011).因此,这些地区比辐射率估算的准确性,不同比辐射率估算方法的合理性都需要进行更为深入的研究.
4 总结准确可靠的陆地微波比辐射率信息,对于改善陆面大气参数和地表参数的反演精度、拓展星载微波资料在数值预报模式中的同化应用很重要.随着星载微波资料的丰富,近些年学者们一直在积极开展卫星观测数据反演陆面微波比辐射率的研究,建立了不同类型的地表比辐射率反演方法,如物理反演、统计反演和混合半经验反演.利用卫星观测优势建立全球或区域性陆面微波比辐射率数据库,开发微波地表比辐射率参数化方法,应用于辐射资料同化模式中.
但是利用星载微波观测反演的地表比辐射率在一些地方存在显著时空变化,如干旱地区和冰雪覆盖区域.对于干旱地区,主要是微波穿透地表使得地表有效温度与地表温度存在差异,致使反演的地表比辐射率失真,需要订正才能合理使用.对于冰雪覆盖区域,复杂的雪面特征使得雪地微波比辐射率的准确性评估还是很困难,需要针对局地雪地特征,加强质量评估分析.此外,针对日益丰富的陆面微波比辐射率反演方法,如何正确认识和应用这些方法,成为目前较为关注的科学问题.
国内近年来也陆续开展地基观测、模式和卫星资料分析研究陆面微波比辐射率的变化特征,但整体上尚缺乏系统、综合的提炼,尤其针对我国FY-3系列卫星上搭载的微波垂直探测器和微波成像仪MWRI观测数据,尚没有较为长期系统的微波地表比辐射率研究,在一定程度上限制国产星载微波观测数据在数值预报模式中的应用.
尽管国内学者开展不少卫星观测反演陆面微波比辐射率研究,但是关于卫星观测反演的中国陆面微波比辐射率的质量状况以及合理程度,国内这方面研究还很有限,尤其我国干旱地区微波穿透效应影响以及复杂雪盖地区比辐射率质量的研究几乎空白.而对于国外研究建立的多种陆面微波比辐射率反演方法以及参数化方法在中国地区的应用能力,还有待于进行更系统深入的评估认识.只有正确认识不同地表比辐射率反演方法,才能将合理可信的地表微波比辐射率信息应用于数值预报模式的微波资料同化中,才能有效提高星载微波遥感反演陆面大气参数的精度.
Aires F, Prigent C, Bernardo F, et al. 2011. A tool to estimate land-surface emissivities at microwave frequencies (TELSEM) for use in numerical weather prediction. Quarterly Journal of the Royal Meteorological Society, 137(656): 690-699. DOI:10.1002/qj.803 |
Boukabara S A, Garrett K, Chen W C, et al. 2011. MIRS:An all-weather 1DVAR satellite data assimilation and retrieval system. IEEE Transactions on Geoscience and Remote Sensing, 49(9): 3249-3272. DOI:10.1109/TGRS.2011.2158438 |
Calvet J C, Wigneron J P, Chanzy A, et al. 1995. Microwave dielectric properties of a silt-loam at high frequencies. IEEE Transactions on Geoscience and Remote Sensing, 33(3): 634-642. DOI:10.1109/36.387579 |
Dong P M, Huang J P, Liu G Q, et al. 2014. Assimilation of FY-3A microwave observations and simulation of brightness temperature under cloudy and rainy condition. Journal of Tropical Meteorology (in Chinese), 30(2): 302-310. |
Ferraro R R, Peters-Lidard C D, Hernandez C, et al. 2013. An evaluation of microwave land surface emissivities over the continental United States to benefit GPM-era precipitation algorithms. IEEE Transactions on Geoscience and Remote Sensing, 51(1): 378-398. DOI:10.1109/TGRS.2012.2199121 |
Galantowicz J F, Moncet J L, Liang P, et al. 2011. Subsurface emission effects in AMSR-E measurements:Implications for land surface microwave emissivity retrieval. Journal of Geophysical Research, 116(D17): D17105. DOI:10.1029/2010JD015431 |
Gu S Q, Wang Z H, Weng F Z, et al. 2006. A study for improving a microwave land surface emissivity model with NOAA/AMSU Data and the GRAPES 3DVar system. Plateau Meteorology (in Chinese), 25(6): 1101-1106. |
Gu S Y, Zhang W J, Qiu H. 2004. Retrieving regional soil moisture over china from SSM/I microwave data. Journal of Applied Meteorological Science (in Chinese), 15(4): 407-416. |
Harrison K W, Tian Y D, Peters-Lidard C D, et al. 2016. Calibration to improve forward model simulation of microwave emissivity at GPM frequencies over the U.S. Southern Great Plains. IEEE Transactions on Geoscience and Remote Sensing, 54(2): 1103-1117. DOI:10.1109/TGRS.2015.2474120 |
He W Y, Chen H B. 2009. The characteristics of microwave emissivity over land of Chinese Jianghuai-Huanghuai region. Remote Sensing Technology and Application (in Chinese), 24(3): 297-303. |
He W Y, Chen H B, Xuan Y J, et al. 2010. Field measurements of the surface microwave emissivity for different surface types. Progress in Geophysics (in Chinese), 25(6): 1983-1993. DOI:10.3969/j.issn.1004-2903.2010.06.013 |
He W Y, Chen H B, Sun Q, et al. 2011. The characteristics of microwave surface emissivity over Tibetan Plateau. Remote Sensing Technology and Application (in Chinese), 26(6): 735-741. |
He W Y, Liu Z Q, Chen H B. 2011. Influence of surface temperature and emissivity on AMSU-A assimilation over land. Acta Meteorologica Sinica, 25(5): 545-557. DOI:10.1007/s13351-011-0501-1 |
He W Y. 2018. Comparisons of radiative transfer models for GMI assimilation in WRF.//Proc. SPIE 10782, Remote Sensing and Modeling of the Atmosphere, Oceans, and Interactions VⅡ. Honolulu, Hawaii, United States: SPIE.
|
Hewison T J, English S J. 1999. Airborne retrievals of snow and ice surface emissivity at millimeter wavelengths. IEEE Transactions on Geoscience and Remote Sensing, 37(4): 1871-1879. DOI:10.1109/36.774700 |
Hong G, Geory H, Klaus K, et al. 2003. Retrieval of microwave surface emissivities at TMI frequencies in Shouxian. Advances in Atmospheric Sciences, 20(2): 253-259. |
Isaacs R G, Jin Y Q, Worsham R D, et al. 1989. The RADTRAN microwave surface emission models. IEEE Transactions on Geoscience and Remote Sensing, 27(4): 433-440. DOI:10.1109/36.29563 |
Jiang L M, Shi J C, Tjuatja S, et al. 2007. A parameterized multiple-scattering model for microwave emission from dry snow. Remote Sensing of Environment, 111(2-3): 357-366. DOI:10.1016/j.rse.2007.02.034 |
Jones A S, Vonder Haar T H. 1997. Retrieval of microwave surface emittance over land using coincident microwave and infrared satellite measurements. Journal of Geophysical Research, 102(D12): 13609-13626. |
Karbou F. 2005. Two microwave land emissivity parameterizations suitable for AMSU observations. IEEE Transactions on Geoscience and Remote Sensing, 43(8): 1788-1795. DOI:10.1109/TGRS.2005.851168 |
Karbou F, Aires F, Prigent C, et al. 2005a. Potential of Advanced Microwave Sounding Unit-A (AMSU-A) and AMSU-B measurements for atmospheric temperature and humidity profiling over land. Journal of Geophysical Research, 110: D07109. DOI:10.1029/2004JD005318 |
Karbou F, Prigent C, Eymard F, et al. 2005b. Microwave land emissivity calculations using AMSU measurements. IEEE Transactions on Geoscience and Remote Sensing, 43(5): 948-959. DOI:10.1109/TGRS.2004.837503 |
Kurvonen L, Hallikainen M. 1997. Influence of land-cover category on brightness temperature of snow. IEEE Transactions on Geoscience and Remote Sensing, 35(2): 367-377. DOI:10.1109/36.563276 |
Liu Z Q, Schwartz C S, Snyder C, et al. 2012. Impact of assimilating AMSU-A radiances on forecasts of 2008 Atlantic tropical cyclones initialized with a limited-area ensemble Kalman filter. Monthly Weather Review, 140(12): 4017-4034. |
Mätzler C. 1994. Passive microwave signatures of landscapes in winter. Meteorology and Atmospheric Physics, 54(1): 241-260. |
Mätzler C. 1998. Microwave permittivity of dry sand. IEEE Transactions on Geoscience and Remote Sensing, 36(1): 317-319. DOI:10.1109/36.655342 |
McNally A P, Derber J C, Wu W S, et al. 2000. The use of TOVS level-1B radiances in the NCEP SSI analysis system. Quarterly Journal of the Royal Meteorological Society, 126(563): 689-724. DOI:10.1002/qj.49712656315 |
Miao K B, Shi J C, Li Z L, et al. 2005. The land surface temperature and emissivity retrieved from the AMSR passive microwave data. Remote Sensing for Land and Resources (in Chinese), (3): 14-17. |
Moncet J L, Liang P, Galantowicz J F, et al. 2011. Land surface microwave emissivities derived from AMSR-E and MODIS measurements with advanced quality control. Journal of Geophysical Research, 116(D16): D16104. DOI:10.1029/2010JD015429 |
Morland J C, Grimes D I F, Dugdale G, et al. 2000. The estimation of land surface emissivities at 24 GHz to 157 GHz using remotely sensed aircraft data. Remote Sensing of Environment, 73(3): 323-336. DOI:10.1016/S0034-4257(00)00108-5 |
Norouzi H, Temimi M, Rossow W B, et al. 2011. The sensitivity of land emissivity estimates from AMSR-E at C and X bands to surface properties. Hydrology and Earth System Sciences, 15: 3577-3589. DOI:10.5194/hess-15-3577-2011 |
Norouzi H, Rossow W, Temimi M, et al. 2012. Using microwave brightness temperature diurnal cycle to improve emissivity retrievals over land. Remote Sensing of Environment, 123: 470-482. DOI:10.1016/J.Rse.2012.04.015 |
Pellarin T, Wigneron J P, Calvet J C, et al. 2003. Global soil moisture retrieval from a synthetic L-band brightness temperature data set. Journal of Geophysical Research, 108(D12): 4364. DOI:10.1029/2002JD003086 |
Peters-Lidard C, You Y L, Tian Y D, et al. 2016. Dynamic emissivity estimates to support physical precipitation retrievals from GPM. PMM Science Team Meeting.
|
Prigent C, Rossow W B, Matthews E. 1997. Microwave land surface emissivities estimated from SSM/I observations. Journal of Geophysical Research:Atmospheres, 102(D18): 21867-21890. |
Prigent C, Rossow W B, Matthews E, et al. 1999. Microwave radiometric signatures of different surface types in deserts. Journal of Geophysical Research:Atmospheres, 104(D10): 12147-12158. DOI:10.1029/1999JD900153 |
Prigent C, Wigneron J P, Rossow W B, et al. 2000. Frequency and angular variations of land surface microwave emissivities:can we estimate SSM/T and AMSU emissivities from SSM/I emissivities?. IEEE Transactions on Geoscience and Remote Sensing, 38(5): 2373-2386. DOI:10.1109/36.868893 |
Prigent C, Aires F, Rossow W B. 2006. Land surface microwave emissivities over the globe for a decade. Bulletin of the American Meteorological Society, 87(11): 1573-1584. DOI:10.1175/BAMS-87-11-1573 |
Prigent C, Jaumouille E, Chevallier F, et al. 2008. A parameterization of the microwave land surface emissivity between 19 and 100 GHz, anchored to satellite-derived estimates. IEEE Transactions on Geoscience and Remote Sensing, 46(2): 344-352. |
Prigent C, Liang P, Tian Y, et al. 2015. Evaluation of modeled microwave land surface emissivities with satellite-based estimates. Journal of Geophysical Research:Atmospheres, 120(7): 2706-2718. DOI:10.1002/2014JD021817 |
Qiu Y B, Guo H D, Shi L J, et al. 2016. Global land surface emissivity dataset based on AMSR-E observations. Remote Sensing Technology and Application (in Chinese), 31(4): 809-819. |
Ringerud S, Kummerow C D, Peters-Lidard C D. 2015. A semi-empirical model for computing land surface emissivity in the microwave region. IEEE Transactions on Geoscience and Remote Sensing, 53(4): 1935-1946. DOI:10.1109/TGRS.2014.2351232 |
Ruston R C, Vonder Haar T H. 2004. Characterization of summertime microwave emissivities from the Special Sensor Microwave Imager over the conterminous United States. Journal of Geophysical Research:Atmospheres, 109(D19): D19103. DOI:10.1029/2004JD004890 |
Schwartz C S, Liu Z Q, Chen Y, et al. 2012. Impact of assimilating microwave radiances with a limited-area ensemble data assimilation system on forecasts of Typhoon Morakot. Weather Forecasting, 27: 424-437. DOI:10.1175/WAF-D-11-00033.1 |
Shi L J, Qiu Y B, Shi J C. 2013. Study of the microwave emissivity characteristics of vegetation over the northern hemisphere. Spectroscopy and Spectral Analysis (in Chinese), 33(5): 1157-1162. |
Tian Y D, Peters-Lidard C D, Harrison K W, et al. 2014. Quantifying uncertainties in land-surface microwave emissivity retrievals. IEEE Transactions on Geoscience and Remote Sensing, 52(2): 829-840. DOI:10.1109/TGRS.2013.2244214 |
Tian Y D, Peters-Lidard C D, Harrison K W, et al. 2015. An examination of methods for estimating land surface microwave emissivity. Journal of Geophysical Research:Atmospheres, 120(21): 11114-11128. DOI:10.1002/2015JD023582 |
Turk F J, Haddad Z S, You Y L. 2014. Principal components of multifrequency microwave land surface emissivities.Part I:Estimation under clear and precipitating conditions. Journal of Hydrometeorology, 15(1): 3-19. DOI:10.1175/JHM-D-13-08.1 |
Ulaby F T, Moore R K, Fung A K. 1986. Microwave Remote Sensing: Active and Passive. Vol.3: From Theory to Applications. Norwood: Artech House.
|
Wang Y Q, Shi J C, Liu Z H, et al. 2013. Retrieval algorithm for microwave surface emissivities based on multi-source, remote-sensing data:An assessment on the Qinghai-Tibet Plateau. Science China Earth Sciences, 56(1): 93-101. DOI:10.1007/s11430-012-4501-5 |
Weng F Z, Yan B H, Grody N C. 2001. A microwave land emissivity model. Journal of Geophysical Research:Atmospheres, 106(D17): 20115-20123. DOI:10.1029/2001JD900019 |
Weng F. 2007. Advances in radiative transfer modeling in support of satellite data assimilation. Journal of the Atmospheric Sciences, 64: 3799-3807. DOI:10.1175/2007JAS2112.1 |
Wigneron J P, Guyon D, Calvet J C, et al. 1997. Monitoring coniferous forest characteristics using a multifrequency (5~90 GHz) microwave radiometer. Remote Sensing of Environment, 60(3): 299-310. DOI:10.1016/S0034-4257(96)00212-X |
Wilke G D, McFarland M J. 1986. Correlations between nimbus-7 scanning multichannel microwave radiometer data and an antecedent precipitation index. Journal of Climate and Applied Meteorology, 25(2): 227-238. DOI:10.1175/1520-0450(1986)025<0227:CBNSMM>2.0.CO;2 |
Wu Y, Weng F Z, Wang Z H, et al. 2013. Analysis on the relationship between microwave land surface emissivity and soil texture in desert region. Plateau Meteorology (in Chinese), 32(2): 481-490. |
Wu Y, Wang Z H, Weng F Z. 2014. Relationship between inter-annual variations of microwave land surface emissivity and climate factors over the desert. Remote Sensing for Land and Resources (in Chinese), 26(3): 55-60. |
Wu Y, He L L, Qian B, et al. 2019. Retrieval of land surface emissivity from FY-3B/MWRI data over the Qinghai-Tibetan Plateau. Progress in Geophysics (in Chinese), 34(1): 12-18. DOI:10.6038/pg2019BB0541 |
Xie Y H, Shi J C, Ji D B, et al. 2017. A parameterized microwave emissivity model for bare soil surfaces. Remote Sensing, 9(2): 155. DOI:10.3390/rs9020155 |
Yang Y M, Du M B, Zhang J. 2012. Experiments of assimilating FY-3A microwave data in forecast of typhoon MORAKOT. Journal of Tropical Meteorology (in Chinese), 28(1): 23-30. |
Yao Z Y, Li W B, Zhu Y J, et al. 2003. Remote sensing of cloud liquid water using TRMM microwave imager. Journal of Applied Meteorological Science (in Chinese), 14(Z1): 19-26. |
Zhang P C, Wang Z H. 1995. Fundamentals of Atmospheric Microwave Remote Sensing (in Chinese). Beijing: Meteorological Press.
|
Zhang P Y, Jiang L M, Qiu Y B. 2010. Study of the microwave emissivity characteristics over different land cover types. Spectroscopy and Spectral Analysis (in Chinese), 30(6): 1446-1451. |
Zhao Y, Wang B. 2008. Numerical experiments for Typhoon Dan incorporating AMSU-A retrieved data with 3DVM. Advances in Atmospheric Sciences, 25(4): 692-703. DOI:10.1007/s00376-008-0692-2 |
Zhou X J, et al. 1982. Atmospheric Microwave Radiation and Remote Sensing Principles (in Chinese). Beijing: Science Press.
|
董佩明, 黄江平, 刘桂青, 等. 2014. FY-3A微波探测资料的直接同化应用及云雨条件下的亮温模拟. 热带气象学报, 30(2): 302-310. |
顾松强, 王振会, 翁富忠, 等. 2006. 利用NOAA/AMSU资料和GRAPES同化系统对陆面比辐射率计算的改进研究. 高原气象, 25(6): 1101-1106. |
谷松岩, 张文建, 邱红. 2004. SSM/I资料反演大范围地表湿度试验. 应用气象学报, 15(4): 407-416. |
何文英, 陈洪滨. 2009. 中国江淮、黄淮地区陆面微波比辐射率的变化特征. 遥感技术与应用, 24(3): 297-303. |
何文英, 陈洪滨, 宣越健, 等. 2010. 几种地表微波比辐射率变化特征的地面观测. 地球物理学进展, 25(6): 1983-1993. DOI:10.3969/j.issn.1004-2903.2010.06.013 |
何文英, 陈洪滨, 孙强, 等. 2011. 青藏高原地表微波比辐射率的反演与分析. 遥感技术与应用, 26(6): 735-741. |
毛克彪, 施建成, 李召良, 等. 2005. 用被动微波AMSR数据反演地表温度及发射率的方法研究. 国土资源遥感, (3): 14-17. |
邱玉宝, 郭华东, 石利娟, 等. 2016. 基于AMSR-E的全球陆表被动微波发射率数据集. 遥感技术与应用, 31(4): 809-819. |
石利娟, 邱玉宝, 施建成. 2013. 北半球植被冬夏两季微波发射率特征分析. 光谱学与光谱分析, 33(5): 1157-1162. |
王永前, 施建成, 刘志红, 等. 2013. 基于AMSR-E的微波波段地表发射率反演——以青藏高原为例. 中国科学:地球科学, 43(2): 271-279. |
吴莹, Weng F Z, 王振会, 等. 2013. 沙漠地区微波地表发射率和土壤质地关系分析. 高原气象, 32(2): 481-490. |
吴莹, 王振会, 翁富忠. 2014. 沙漠地区微波地表发射率年内变化规律与气候因子的关系分析. 国土资源遥感, 26(3): 55-60. |
吴莹, 何灵莉, 钱博, 等. 2019. 基于FY-3B/MWRI数据的青藏高原地区地表发射率反演. 地球物理学进展, 34(1): 12-18. DOI:10.6038/pg2019BB0541 |
杨引明, 杜明斌, 张洁. 2012. FY-3A微波资料在"莫拉克"台风预报中的同化试验. 热带气象学报, 28(1): 23-30. |
姚展予, 李万彪, 朱元竞, 等. 2003. 用TRMM卫星微波成像仪遥感云中液态水. 应用气象学报, 14(Z1): 19-26. |
张培昌, 王振会. 1995. 大气微波遥感基础. 北京: 气象出版社.
|
张勇攀, 蒋玲梅, 邱玉宝, 等. 2010. 不同地物类型微波发射率特征分析. 光谱学与光谱分析, 30(6): 1446-1451. |
周秀骥, 等. 1982. 大气微波辐射及遥感原理. 北京: 科学出版社.
|