出版日期: 2019-01-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20198057
2019 | Volumn23 | Number 1
上一篇  |  下一篇
  
异质性地表反照率遥感产品真实性检验研究现状及挑战
expand article info 吴小丹1 , 肖青2,3 , 闻建光2,3 , 游冬琴2,3
1. 兰州大学 资源环境学院，兰州 730000
2. 中国科学院 遥感与数字地球研究所，北京 100101
3. 中国科学院大学，北京 100049
收稿日期: 2018-02-24
基金项目: 国家自然科学基金(编号：41801226)；中央高校基本科研业务费专项基金资助
第一作者简介: 吴小丹，1987年，女，副教授，研究方向为遥感数据产品真实性检验。E-mail：wuxd@lzu.edu.cn
通信作者简介: 肖青，1971年，男，研究员，研究方向为定量遥感、遥感试验。E-mail：xiaoqing@radi.ac.cn

摘要

地表反照率直接决定了地表能够吸收到的太阳辐射能量，是研究气候变化、能量平衡的一个关键参数。遥感为大尺度、连续获取地表反照率提供了一种有效的观测手段。但遥感数据本身的精度限制和反演模型的不确定性，使基于卫星数据反演的反照率产品存在误差，而这种误差的存在又会影响产品的进一步应用。正确的认识这种误差有助于提高产品的应用精度，深化其应用的深度和广度。真实性检验就是正确认识卫星反照率产品准确性、稳定性的重要手段，它是卫星产品从生产到应用的桥梁。虽然目前已经开展了大量的真实性检验工作，但即使是针对同一种卫星产品，真实性检验的结果往往并不一致。其根本原因在于验证中所采用的参考值能不能够准确地代表卫星像元尺度的地面真值。地面观测和卫星产品像元之间巨大的尺度差异以及广泛分布的地表异质性，使地面观测并不能直接作为像元尺度真值与卫星产品进行简单的对比。因此真实性检验过程并不是直接的，而是需要经过一系列严格、独立的过程得到像元尺度真值后与产品在一定的空间和时间范围内进行对比。针对目前真实性检验结果准确性和可信度不高等问题，本文尝试从地面实测数据、尺度转换、验证方式、评价方法及验证中存在的问题等几个方面来论述反照率产品的真实性检验现状及挑战。

关键词

真实性检验, 地表异质性, 尺度, 反照率

Advances and challenges in the validation of remote sensing albedo products
expand article info WU Xiaodan1 , XIAO Qing2,3 , WEN Jianguang2,3 , YOU Dongqin2,3
1.College of Earth and Environment Sciences, Lanzhou University, Lanzhou 730000, China
2.Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
3.University of Chinese Academy of Sciences, Beijing 100049, China

Abstract

Validation of satellite-derived albedo products is an essential precursor to scientific research and subsequent environmental monitoring. Unlike the simple comparison between two datasets, validation involves determining the ground truth at pixel scale that exists independently. The reliability of validation results depends on the accurate treatment of ground-based measurements, upscaling, and assessment methods. This study analyzed the current state and development trends of validation technique specifically for remote sensing of albedo products. Ground-based measurements are the primary source of truth value at pixel scale to validate remote sensing products. The balance between the comprehensiveness and strictness of a validation can be achieved by selecting either the extensively distributed but sparse networks or small-scale but dense networks depending on each specific goal. However, ground measurements cannot provide sufficient information for the acquisition of truth value at pixel scale due to their limited spatial scales. Moreover, this finding was especially true for heterogeneous surfaces. Therefore, an upscaling technique should be explored to minimize errors due to the large spatial-scale difference between ground measurements and satellite product pixels. High-resolution imageries can provide spatial distribution characteristics of surface albedo within a coarse pixel, and these imageries can address the severity of the upscaling problem. Apart from these factors, the quality index, the effect of solar zenith angle, and the choice of albedo can all affect the quality of validation. The sparse networks can ensure the comprehensiveness of the validation but ignore the scale problems embodied in the validation. The dense networks can address the scale problem but cannot support the validation on a global scale. With regard to upscaling issues, the combination of ground measurements and high-resolution imageries can provide ideal upscaling results. However, differences remained among different methods. The traditional multi-scale validation strategy suffered from critical uncertainties caused by high-resolution albedo maps’errors, geometric mismatches, and calibration model errors. Recently, the upscaling method based on the idea of trend surface has attracted the attention of scholars whose interest is the validation field. This method compensates the errors of high-resolution maps and calibration model, thus improving the quality of upscaling results. The quality index of satellite albedo products should be considered in validation. Otherwise, wrong results may be obtained. Moreover, ground measurements with solar zenith angle exceeding 75° should be discarded. Great achievements have been obtained with regard to ground measurements, upscaling, and assessing methods in the past few years. Nevertheless, the accuracy of validation results remained hindered by several problems, which had not been seriously considered. This study provided an overview of existing validation activity, including ground-based data acquisition and processing, upscaling method for calculating the reference at pixel scale, and assessment method. Furthermore, their key challenges were also presented.

Key words

validation, heterogeneous surfaces, scale effect, albedo

1 引　言

地表反照率(Land Surface Albedo)被定义为半球空间内目标物的出射辐射度与入射辐射度的比值(Dickinson，1995)。它影响着地表和大气之间辐射能量的分配过程，因此是地表能量平衡方程及气候变化模型中的一个关键参数，并且已被广泛应用到气候预测、生物化学、水文学和天气预报模型中。反照率的精度需要满足0.02—0.05(Henderson-Sellers和Wilson，1983；Sellers 等，1995)。反照率产品能否满足该精度要求，需要真实性检验工作才能确认。通过将遥感产品与能够代表像元尺度真值的参考数据进行对比分析，以此评价遥感反演产品的质量，这个过程就定义为真实性检验(Justice 等，2000)。这里的参考值可以是地面实测数据、机载数据和高分辨率遥感数据等。

在平坦地表条件下，根据辐射遵循能量加权法则(Wen 等，2009；Zhang 等，2010)，反照率是不存在尺度效应的(见式(1))。但这是针对面—面之间的升尺度而言的，即高分辨率聚合到低分辨率的面—面过程不存在尺度效应。但在真实性检验过程中，情况则不同。因为地面观测通常是局部的、小范围的观测，不能反映遥感像元“面”上的反照率信息。换言之，真实性检验过程中由“点”到“面”的过程是存在尺度效应的。尺度效应的存在使地面观测不能直接作为像元尺度真值与产品像元值进行对比。

$ {\alpha _0} = \frac{{\sum\limits_{k = 1}^N {E_{\rm{r}}^k} }}{{\sum\limits_{k = 1}^N {E_{\rm{i}}^k} }} = \frac{{\sum\limits_{k = 1}^N {{\alpha _k}{E_0}} }}{{\sum\limits_{k = 1}^N {{E_0}} }} = \frac{{{E_0}\sum\limits_{k = 1}^N {{\alpha _k}} }}{{N{E_0}}} = \frac{1}{N}\sum\limits_{k = 1}^N {{\alpha _k}} $ (1)

式中， ${\alpha _0}$ 表示像元尺度反照率， $E_{\rm{i}}^k$ 和 $E_{\rm{r}}^k$ 分别表示第 $k$ 个亚像元对应的入射辐射和反射辐射， ${\alpha _k}$ 表示第 $k$ 个亚像元的反照率，平坦地表的入射是均匀入射 ${E_0}$ ， $N$ 为粗分辨率像元内亚像元的个数。

在平坦均质的地表，像元尺度内地表反照率分布均一，这种情况下无论地面采样点的位置和空间覆盖范围如何，地面观测可以直接代表像元尺度真值(Jin 等，2003；Wang 等，2004；Stroeve等，2005；Salomon 等，2006)。但是这仅限于理想情况下，因为自然界中高度均一的地表是不存在的。因此基于这种假设的真实性检验结果通常存在一定程度的误差。一些学者对地面站点进行空间代表性评价(Román，等2009；Wang 等，2012；Cescatti 等，2012；Román 等，2013；Wang 等，2014)，从而把空间代表性高的站点观测直接作为像元尺度真值。但空间代表性评价通常是基于个别时相数据进行的，而地面站点的空间代表性随地表的季节变化也是不断变化的。另外，目前的空间代表性评价还停留在定性的描述阶段，因此基于这种方式的真实性检验结果存在很大的不确定性。更重要的是，这种方式避开了异质性站点，没有在根本上解决尺度问题。这就造成了异质性地表产品的精度仍然未知。

异质性地表条件下，地表反照率的空间变异大，地面观测仅仅能代表仪器所覆盖的空间范围内的反照率。这种情况下真实性检验最大的难点在于缺少反映像元尺度上反照率的“面”状分布信息。通过增加采样点的数目可以在一定程度上捕捉地表反照率的空间异质性(Susaki 等，2007；李新 等，2008；Hufkens 等，2008)，但在有限的观测成本下，这种方式的可操作性比较低。虽然近年来也发展了很多最优化的采样方法(De Gruijter 等，2006；Mulder 等，2013)，但缺少有效的、能够兼顾地面采样点空间代表性随时间改变的升尺度模型，因此像元尺度真值的获取仍然十分困难。高分辨率辅助数据由于可以提供地表反照率在粗分辨率像元内的空间分布信息，可作为地面—像元之间的尺度转换桥梁(Liang 等，2002；Zhang 等，2010)，但辅助数据的引入在减小尺度效应的同时也带来了数据本身的误差、几何匹配误差等，使真实性检验结果不确定性很大。Peng等人(2015)针对多尺度验证中的不确定性提出了不确定性最小原则，但这种方法理论上避开了空间异质性大的地表。

虽然真实性检验工作已经取得了很大的进展，但异质性地表反照率产品的真实性检验仍面临很大的挑战。除了空间尺度问题外，地面观测数据的来源、时间尺度上的不匹配问题、验证方式和评价方法等都会影响最终真实性检验结果的可信度。真实性检验的任一环节存在不确定性，将直接影响真实性检验结果的准确度和可信度(吴小丹 等，2014)。本文主要从地面数据、尺度转换、验证方式及评价方法、验证中存在的问题等几个方面来论述反照率产品的真实性检验现状。

2 地面实测值的获取及处理

2.1 数据来源

真实性检验所使用的地面数据根据待验证像元内采样点的密度可以概括为两类：一种是空间覆盖范围广但公里尺度像元内只包含一个站点的稀疏观测网(Jackson 等，2010)，这类数据主要包括CERN、FLUXNET、SURFRAD、BSRN等。这类数据的优点是其覆盖的空间范围广，时间范围长，包含的地表类型多，因此基于这种观测网得到的真实性检验结果能够比较全面的代表一种反照率产品的精度。但是由于公里尺度像元内只包含一个站点，因此只有空间代表性高的一小部分站点可用于真实性检验工作。而相当大一部分站点由于其有限的空间代表性，尚未被有效利用。

另外一种是空间覆盖范围小但公里尺度像元内包含多个地面实测点的稠密观测网，这类观测数据主要是指近几年兴起的无线传感器网络(WSN)观测数据，如HiWATER试验中黑河中游核心试验区的WSN和河北怀来遥感综合试验站的WSN。由于在公里尺度像元内通过布设多个采样点捕捉样区异质性，因此这类观测数据有助于研究真实性检验中的尺度问题。但是这类观测数据覆盖的空间范围、地表类型通常很有限，因此基于这类数据得到的真实性检验结果仅能代表研究区内特定地表类型下、特定时间段内产品的精度。此外，为了解决某些特定的问题，还可以在特定时期内通过人工采集的方式获取多点采样数据，这种方式获取的地面数据时间周期通常比较短，不能充分评价产品对地表反照率季节性和周期性变化的捕捉能力。为了全面评价产品捕捉地表反照率随时间变化的能力，即使是对稠密观测网来说，至少要覆盖一个完整的时间周期(即地表的变化周期)(Justice 等，2002)。

2.2 数据处理

2.2.1 天气判断

反照率产品通常是利用晴天条件下卫星观测的反射率经过一定的反演算法得到的。因此，为了消除验证过程中云的影响，需要选取晴天条件下的地面观测值。判断天气是否有云的方法通常有以下几种：第1种方法是利用下行辐射值，主要是因为有云时的下行短波辐射值要比晴天的下行短波辐射值偏低，因此可利用下行短波辐射将有云天气的数据移除(Wang 等，2004)；第2种方法是利用云信息进行判断，选取一定的阈值来进行云筛选(Jin 等，2003)；第3种方法是针对当云量信息不可用的时候，认为地面测量的直射光与散射光的比小于3时认为是有云的，需要移除(Salomon 等，2006)；第4种方法是计算地表入射太阳辐射与同等条件下理论上晴空下行辐射的比值，当比值大于0.8时认为是晴空(Box，1997；Wang等，2010；Wang和Liang，2009；Stroeve 等，2005, 2013)，理论上的晴空下行辐射是用辐射传输模拟计算得到的；最后一种方法是通过人工实时地记录天气条件，这种方法在短时间内是可行的，但对于长时间序列连续观测的野外站点，这种方法是不现实的。

2.2.2 时间选取

自然界中，到达地面的入射辐射既包括太阳直接入射还包括天空光的散射辐射，理想情况下当只有直射光存在时定义了黑空反照率(BSA)，当只有散射光存在时定义了白空反照率(WSA)。而真实大气条件下的反照率为蓝空反照率，是BSA和WSA经过天空散射比加权得到的。黑空反照率是由地表特性和太阳高度角共同决定的；白空反照率与观测几何无关，只与地表状况有关。因此地表真实反照率取决于照射和观测的几何条件以及大气状况。为了消除时间不一致对验证结果的影响，需要选取跟卫星反照率产品严格对应时间段内的地面值(Jin 等，2003)。对于验证瞬时的反照率产品，如NPP-VIIRS反照率产品(Wang 等，2013)，需要挑选卫星过境时刻的地面观测值(Wu 等，2017b)；而对于验证正午时刻的反照率产品，例如MODIS(V006和V005)(Schaaf 等，2002)、GLASS(Qu 等，2014)和MuSyQ(Wen 等，2017)反照率等，一般选取当地正午时刻的地面测量数据进行验证 (Liu 等，2013b；Wang 等，2014)。由于地面实测的反照率和卫星或机载数据反演的反照率都强烈依赖太阳天顶角，因此地表反照率在一天不同时刻变化很大。一些应用更关注特定太阳天顶角下的反照率值而不是正午时刻或者卫星过境时刻的反照率，对于日平均或者月平均反照率产品来说，在整个太阳天顶角范围内验证反照率产品是必要的(Liu 等，2009)。

2.2.3 目前尚未解决的问题

对于瞬时的反照率产品如NPP-VIIRS反照率，取过境时刻的地面观测值进行真实性检验的时间匹配比较容易，但对于利用长时间观测合成的反照率产品(如MODIS、GLASS、MuSyQ反照率等)，其时间合成方法有所不同。以GLASS反照率产品为例，它是利用每天的卫星观测根据查找表(Qu 等，2014)计算出每天正午时的初级反照率产品，然后通过时间滤波算法(Liu 等，2013a)将16 d内的初级反照率进行平均得到时间分辨率为8 d的最终产品。而MODIS(V005和V006)和MuSyQ反照率则不同，分别是利用16 d内和10 d内无云条件下多角度观测数据拟合地表二向反射分布函数(BRDF)，然后将BRDF在半球空间内经过角度积分得到的，并不是多天平均的概念。而在实际的真实性检验工作中，无论是验证GLASS反照率产品还是验证MODIS(V005)和MuSyQ反照率产品，大多数研究者都采用对应时间周期内晴天条件下地面观测值的平均值进行验证(Jin 等，2003；Salomon 等，2006；Wang 等，2010；Stroeve 等，2013；Wu 等，2015, 2016)。这种方式在验证GLASS反照率等按照时间平均概念合成的反照率产品时是可行的，但在验证MODIS(V005)和MuSyQ反照率产品时，地面观测在时间上的升尺度方法与产品本身的时间合成方法之间的不一致性会增加验证结果的不确定性。特别是当地表反照率短时间内发生剧烈变化时，这种不确定性对验证结果产生的影响会更大。虽然一些学者在验证多天合成但时间分辨率为每天的反照率产品(如MODIS V006)时，使用对应产品时间标识的单天地面观测数据进行验证(Gascoin 等，2017；Wu 等，2018)，但两者在时间上对应的反照率并不相同。而这种地面—卫星产品在时间上的不完全匹配也会在一定程度上降低真实性检验结果的精度。

3 尺度转换

Schaaf等人(2016)利用BSRN观测网中架设在沙漠、草原和农田的6个站点观测数据计算了地表反照率，并分别跟Landsat 8、MODIS和VIIRS反照率进行了对比(表1)。这些站点的仪器架设高度在10 m左右，地面有效视场为126.28 m。当不考虑尺度问题把6个地面站点数据都作为参考值的验证结果(图1(a))与只选择空间代表性较好的站点作为参考值进行验证的结果(图1(b))明显不同。在空间代表性站点，MODIS和VIIRS两种分辨率较低的反照率产品的均方根误差(RMSE)更小，这是因为地面站点所能代表的空间范围与卫星产品的像元覆盖范围接近。而空间分辨率较高的Landsat 8反照率产品在空间代表性好的站点RMSE反而变大，这很大程度上是因为地面站点所覆盖的空间范围大于Landsat 8像元覆盖的范围。因此，尺度问题始终是影响真实性检验结果可靠性的关键因素。基于地面观测值得到的像元尺度真值的质量直接决定了真实性检验结果的准确性和可信度。

表 1 利用BSRN站点数据对MODIS、VIIRS和Land TM反照率产品的真实性检验结果(Schaaf 等，2016)
Table 1 Comparison results between in situ-based albedo and satellite albedo products (Schaaf et al, 2016)

下载CSV 
所有站点 空间代表性站点
结果 MODIS VIIRS Landsat-8 OLI 结果 MODIS VIIRS Landsat-8 OLI
RMSE 0.034 0.035 0.041 RMSE 0.028 0.031 0.045


图 1 BSRN站点数据与MODIS、VIIRS和Landsat TM反照率产品的对比结果(Schaaf 等，2016)
Fig. 1 The comparison between in situ-based albedo from BSRN and satellite albedo products including MODIS, VIIRS and Landsat TM (Schaaf et al, 2016)

地表的空间异质性是真实性检验中尺度问题的重要影响因素。由于绝对均质的地表是不存在的，在真实性检验工作中所说的均质地表通常是一个相对的概念，即相对均质。而空间异质性是绝对存在的。自然界的空间异质性按照统计特征可分为空间趋势异质性、各向异性异质性和空间分层异质性(王江浩，2014)。空间趋势异质性是指变量的数学期望在空间上分布的不平稳性；各向异性异质性指变量在不同方向具有不同的变异特征；空间分层异质性表示出较前两者更强的非均匀性，它是指变量的方差在空间分布的不平稳性(Wang 等，2009；王江浩，2014)。反照率产品真实性检验中涉及的空间异质性主要是指空间趋势异质性。在异质性地表条件下，地表观测值的空间代表性有限，需要经过尺度上推得到地面像元尺度相对真值。因此真实性检验必须涉及到尺度上推。

3.1 异质性平坦地表

由于地面实测的数据不足以提供像元尺度反照率的空间分布特征，因此无论哪种升尺度方法，都需要借助以影像形式存在的辅助信息。而真实性检验中不同的升尺度方法主要体现在高分辨率辅助信息是否直接参与了像元尺度相对真值的计算。因此可根据高分辨率数据是否直接参与相对真值的计算，将升尺度方法分为：由地面观测数据直接升尺度；借助高分辨率数据作为尺度转换桥梁的升尺度。

3.1.1 基于地面观测直接升尺度

根据地面数据在待检验像元内的布设情况，又可以分为基于单个站点直接升尺度和基于多个站点直接升尺度。基于单个站点直接升尺度是在站点空间代表性评价的基础上进行的。地面站点的空间代表性通常用地统计学的理论和方法(如变异函数)进行分析(Román 等，2009, 2013；Cescatti 等，2012；Wang 等，2014)。当地面观测的足迹大于或者等于像元尺度内利用高分辨率数据计算的地表反照率半方差模型的变程值(最小变异单元)时，地面观测被认为具有空间代表性(Wu 等，2016；Román 等, 2009)，可直接代表像元尺度相对真值。如果地面观测到的足迹大小接近于待验证像元的空间分辨率，可将地面观测值直接作为像元尺度相对真值。

由于这种方式不涉及到升尺度转换，严格意义上并不是升尺度过程。此外，地面观测值对像元尺度相对真值的代表性没有定量化，所以验证结果很大程度上受主观因素的影响。如用于评价空间代表性的半方差模型的基台值小到什么程度可以认为地表是均质的？大到什么程度又认为是异质的？又比如地面观测的足迹与半方差模型的变程值接近到什么程度，才认为地面站点对待检验像元具有空间代表性？由于缺乏定量的评价标准，基于空间代表性评价的验证结果的可信度受到质疑。另外，目前已有的空间代表性评价都是基于个别时相的高分辨率影像完成的，而基于代表性评价的检验工作则是在长时间序列上进行的。除了各别如沙漠和戈壁等相对稳定的地表，大部分植被覆盖地表都表现出随季节的周期性变化。而地表覆盖的改变也会造成站点空间代表性的改变。因此地面站点能否在长时间序列上保持空间代表性，以及空间代表性随时间的改变会给真实性检验结果带来多大的误差，目前都是亟需解决的问题。更重要的是，在全球的观测网或者气象网观测数据中，仅有一小部分站点的空间代表性比较好，可用于遥感产品的真实性检验。而相当大一部分站点由于其有限的空间代表性，尚未被有效利用。如何发展针对空间代表性差的站点的升尺度方法，使其为真实性检验提供可靠的参考值，将会是真实性检验工作的下一个重点。

为了捕捉粗分辨率像元内地表反照率的异质性，通常需要布设多个测量点(Susaki 等，2007；李新 等，2008；Wu 等，2016)。基于多点观测直接升尺度通常涉及对每一个采样点分配不同的权重，以此作为每一个采样点对像元尺度反照率的贡献(升尺度系数)。权重系数的计算方法有以下几种：

(1)对于荒漠、农田等存在空间异质性但空间结构相对规则的地表类型，通常可将植被覆盖度作为尺度上推的权重系数。例如可将每种地表类型在待验证像元内所占的面积比例作为该类型地面实测值的升尺度系数(Hufkens 等，2008)

$ {w_i} = \frac{{{P_i}}}{P} $ (2)

式中， ${w_i}$ 为第 $i$ 个采样点的升尺度系数， ${P_i}$ 为第 $i$ 个采样点所在地类在整个像元 $P$ 内所占的面积比例。

(2)对于森林这种空间异质性强并且不存在明显空间结构特征的地表，可引入地统计方法，将小尺度的“点”观测优化插值到与遥感像元空间尺度接近或者相等的格网化数据(Goovaerts，1997)。

$ {{w}} = {{{C}}^{ - 1}}{{D}} $ (3)

式中，C是由 $N$ 个地面采样点数据构成的 $N \times N$ 的协方差矩阵，D是预测点和地面采样点的协相关系数构成的 $N \times 1$ 向量。这种方法的有效性会随着异质性程度的增加而降低，因为克里格插值的二阶平稳假设在异质性地表条件下很难满足。而且，地面测量点通常是很有限的，因此精确地估计参数C和D是很困难的。一种可行的办法是先从高分辨率产品计算反照率的空间自相关关系并假设这种关系对地面数据也是适用的(Zhang 等，2017)。

(3)另一种计算升尺度系数的方法是基于先验知识(野外实验数据或者高分辨影像数据)的统计回归(Wu 等，2015, 2016)。在地面观测值与像元尺度反照率均值之间建立线性回归关系通过最小二乘得到优化的权重系数。这里的地面观测值可以是地面实测值，也可以用跟地面观测值对应的高分辨率像元反照率代替；相应的，像元尺度反照率均值可以通过地面实测数据得到也可以用高分辨率数据聚合得到。为了消除不同数据源带来的误差和不确定性，计算权重系数的数据通常要求使用同一数据源。

$ {A_{{\rm{pixel}}}} = \sum\limits_{i = 1}^N {{w_i}{\alpha _i}} $ (4)
$ {w}{\rm{ = }}{({{\alpha}^{\rm{T}}}{\alpha})^{ - 1}}{{\alpha}^{\rm{T}}}{A_{\rm{pixel}}} $ (5)

式中， ${A_{{\rm{pixel}}}}$ 表示像元尺度反照率的均值， ${\alpha _i}$ 为地面采样点对应的小尺度反照率值。

基于多点采样得到的像元尺度参考值的精度，取决于升尺度方法的选择和地面采样点对像元尺度反照率的空间代表性。地面点的空间代表性体现在不同的采样方法上。常见的采样方法及优缺点在相关文章中已有介绍(吴小丹 等，2014)。此外，对于地面多点测量，除了要保证采样点对空间的代表性，还要保证其时间上的代表性。

3.1.2 基于高分辨率作为地面—像元之间尺度转换桥梁

无论是单点观测还是多点观测，地面观测始终是小尺度的“点”数据，在异质性比较强时，基于地面观测仍难获得像元尺度相对真值，尤其是在采样点数目不够充分的情况下。高分辨率数据可以提供空间连续的反照率分布信息，因此可以很好地捕捉地表反照率的空间异质性，缓解真实性检验中尺度问题对检验结果的影响(图2)。


图 2 利用高分辨率数据作为地面—待验证像元之间的尺度转换桥梁
Fig. 2 Upscaling sketch by using the high—resolution maps as the bridge between in situ-based albedo and satellite-based albedo

传统的多尺度验证是引入高分辨率数据作为地面—待验证像元之间的尺度转换桥梁(Liang 等，2002；焦子锑 等，2005；Huang 等，2006；Zhang 等，2010；Peng 等，2015)。地面观测数据通过与对应的高分辨率遥感像元建立回归关系(式(6))完成高分辨率产品的标定(式(7))，进而由待验证产品的空间响应函数聚合得到像元尺度相对真值(式(8))。

$ {\theta _{i, {\rm{Ground}}}} = a{\theta _{i, {\rm{RS}}}} + b $ (6)
$ M = a{\theta _{{\rm{RS}}}} + b $ (7)
$ {\theta _{{\rm{Upscaling}}}} = {F_ \uparrow }({\theta _{{\rm{Ground}}}}) = {f_{{\rm{PSF}}}} \cdot M $ (8)

式中， ${\theta _{i, {\rm{Ground}}}}$ 为第 $i$ 个采样点的地面观测值， ${\theta _{i, {\rm{RS}}}}$ 为与地面实测数据对应的高分辨率数据； $a$ 和 $b$ 是待反演的标定系数，可以利用最小二乘求出。 ${\theta _{{\rm{RS}}}}$ 为高分辨率像元， $M$ 为标定后的高分辨率像元， ${\theta _{{\rm{Upscaling}}}}$ 表示像元尺度相对真值， ${F_ \uparrow }$ 表示升尺度函数， ${f_{{\rm{PSF}}}}$ 表示卫星产品的点扩散函数。

上述过程由于对高分辨率产品进行了标定，在一定程度上可以弥补高分辨率产品存在的误差。但在异质性地表理想的标定关系是不可能得到的。这是因为标定往往是基于有限几个地面点观测和与之对应的个别高分辨率影像像元建立统计关系得到的(式(6))，不一定适合其他地类。把标定关系应用到整幅影像上时(式(7))，会带来较大的误差。因此聚合后的高分辨率产品值并不能完全准确地代表像元尺度参考值。

近年来，基于趋势面的思路也逐渐运用到了异质性地表的真实性检验中(Wu 等，2017a；Ge 等，2015；Wang 等，2015；Kang 等，2015；Crow 等，2012)。趋势面的建立也是借助地面与高分辨率数据之间的统计回归关系建立的(式(6)和式(7))。趋势面并不注重绝对值的大小，而在于准确代表反照率的空间分布趋势。地面观测的反照率和趋势面之间的差值(式(9))可以通过地统计方法进一步处理(式(10))。

$ {e_i} = {\theta _{i, {\rm{Ground}}}} - {M_i} $ (9)
$ e = \sum\limits_{i = 1}^N {{\lambda _i} \cdot {e_i}} $ (10)
$ {\theta _{{\rm{Upscaling}}}} = {F_ \uparrow }({\theta _{{\rm{Ground}}}}) = {f_{{\rm{PSF}}}}(s) \cdot (M + e) $ (11)

式中， ${e_i}$ 表示第 $i$ 个采样点对应的残差， $\lambda $ 为地统计工具计算出的插值系数， $e$ 为任意预测点插值得到的残差值。与传统的多尺度验证相比，基于趋势面的思路可以弥补多尺度检验中标定模型存在误差的不足。

无论是传统的多尺度验证还是基于趋势面的升尺度思路，升尺度过程严重依赖于高分辨率影像的质量和重访周期。受云等天气的影响以及高分辨率卫星自身重访周期的限制，上述升尺度方法无法连续地在长时间序列上应用。一个完整的验证工作不仅要考虑不同地表类型的空间上的完整性，还要求能覆盖典型地表变化周期的时间上的完整性，因此上述方法都不能满足一个全面的验证工作的需求。虽然目前已提出构造先验知识趋势面的普适性的尺度转换方法(王祎婷 等，2014)，但该方法目前还只是一个概念模型。Wu等人(2017b)将该方法向前推进，提出了能融合地面数据提供的时间信息和高分辨率数据提供的空间信息的时空趋势面模型构建方法。该模型可以在一定程度上克服高分辨率影像在时间上不连续的问题，支持长时间序列、连续的升尺度，解决了异质性地表地面观测信息量不足的问题。但是由于模型是基于相邻地面观测在时间上的相关性，因此该模型目前只能捕捉到地表反照率的渐变过程，当地面反照率发生突变时，模型的有效性降低。

真实性检验中高分辨率数据的引入虽然在一定程度上解决了尺度不匹配的问题，但同时也带来了一系列的不确定性。一方面，高分辨率数据作为独立的数据引入进来，其自身是存在一定的误差的。另一方面，地面与高分辨率数据、高分辨率数据与待检验产品像元之间的几何匹配误差，高分辨率数据的尺度转换误差，都可能导致真实性检验结果的不确定性。Peng等人(2015)分析了多尺度检验方法中的不确定性来源，并提出不确定性最小原则。但基于不确定性最小原则更多地是选择地面尽可能均质的区域，降低几何配准和尺度带来的影响，该方法的最大优势在于保证得到的像元尺度参考值不确定性最小，使真实性检验结果可靠。因此也就避开了不确定性大的地方，即异质性程度大的地方。

3.2 山地地表

与平坦地表相比，高分辨率数据解决尺度不匹配问题的能力在山地会下降。这是因为山地反照率产品真实性检验中的尺度效应要比平坦地表更为复杂。地形的坡度、坡向、阴影和太阳位置对反照率的值和空间分布都产生很大的影响，使得山地地表反照率的升尺度过程更为困难。正因为如此，目前的验证工作大都避开复杂地形。Lin等人(2018)针对山地反照率多尺度验证中的尺度效应提出了一种基于辐射传输的升尺度模型，该模型虽然在山地取得了比较好的结果，但几何定位误差、模型假设等问题在一定程度上降低了模型的适用性。由于山地复杂的地形地势，直接获取粗分辨率像元尺度地面实测值几乎是不可能的。未来验证山地反照率产品比较好的思路是利用野外观测结合计算机仿真试验结果，考察不同影响因素造成的尺度效应的大小。

4 验证方式

4.1 质量标识的运用

质量标识描述了模型输入数据大气校正的质量，观测的数量以及角度的分布，反演的算法等。这些是影响反照率产品精度的关键因素。因此在验证工作中，考虑质量标识是很重要的，不然很可能得到错误的结论或不可信的验证结果。Stroeve等人(2005)利用GC-Net自动气象站测得的反照率验证MOD43B3反照率产品时，发现与地面实测数据相比，RMSE为0.07；如果剔除利用备用算法(backup algorithm)生产的值仅利用高质量正向反演算法反演的反照率，RMSE则为0.04。当不考虑质量标识时，在太阳天顶角大于55°的时候，MODIS反照率跟地面实测的反照率差异较大(Wang和Zender，2010)。而当考虑质量标识时，在天顶角为55°—70°时反照率的精度没有明显下降，MODIS反照率产品与地面实测数据仍然很接近(Schaaf 等，2011)。因此在真实性检验过程中，要充分考虑产品的质量标识，全面、客观地给出产品的精度评价(Liu 等，2009；Román 等，2009；Schaaf 等，2011)。此外，反照率产品应用于气候、生物化学等模型中时，也需要考虑卫星反演产品的质量标识信息。

4.2 太阳天顶角的影响

在平滑均一的地表，当太阳天顶角增大时，路径长度增加，多次散射增加(Gardner和Sharp，2010；Warren 等，1998)，反照率会随之增大；但在异质性程度较大的地表，反照率随太阳天顶角的变化趋势相反。这是因为地表粗糙度会明显降低反照率，尤其是在大天顶角下(Pirazzini，2004；Warren 等，1998)。此外，地面测量数据的余弦误差随着太阳天顶角的增加而增大，当太阳天顶角特别大时，地面数据是不可信的(Wang 等，2012；Albrecht和Cox，1977)。在真实性检验过程中，太阳天顶角大于75°的地面观测通常应被舍弃。

除地面实测数据外，反照率产品在不同太阳天顶角下的表现也有所不同。以MODIS反照率产品为例，在太阳天顶角大于75°的情况下，MODIS的大气纠正不起作用，而且各向异性模型不再适用(Liu 等，2009；Stroeve 等，2005；Schaaf 等，2002；Lucht 等，2000；Lucht，1998)。因此在大的天顶角时，地面数据和反照率产品不能用来进行真实性检验工作。在已有的反照率产品验证工作中已有很多学者把太阳天顶角的影响考虑在内(Liu 等，2009；Wang和Zender，2010；Wang 等，2012；Stroeve 等，2013)。

4.3 反照率的选择

地面观测到的反照率是真实大气状况下的蓝空反照率，而卫星产品提供的反照率是只有直射光存在条件下的黑空反照率(BSA)和只有散射光存在条件下的白空反照率(WSA)，需要经过天空散射比(SKYL)加权得到蓝空反照率(Wang 等, 2012；Stroeve 等，2013)。天空散射比是气溶胶和太阳几何的函数，可以通过辐射传输模型进行模拟。在利用SKYL计算蓝空反照率时通常假设散射辐射是没有角度效应的。事实上，在太阳天顶角比较大(大于70°)或者气溶胶厚度比较大时，散射光具有明显的角度效应(Román 等，2010)。Román等人(2010)人指出，当考虑各向异性散射和多次散射时验证结果会有提高。但与尺度不匹配引起的误差相比，散射光各向同性假设引起的误差较小(Sütterlin 等，2015)。

目前的真实性检验工作主要侧重于验证地表短波波段的反照率。但是大气分子的散射和气溶胶的吸收与散射所造成的影响在不同波段并不相同，通常可见光波段的影响大于近红外波段。相应的，大气校正的质量在两个波段也不相同。而大气校正的质量又决定着反照率反演的准确性，因此有必要对不同波段的反照率进行验证(Wang 等，2010)。

5 结　语

反照率遥感产品由于受观测数据质量、反演方法精度和地表异质性等因素的影响，本身存在一定的误差，因此需要真实性检验工作给出客观、定量的评价，使其成为应对全球变化、地球系统科学的重要信息源。尺度效应是影响反照率产品真实性检验结果准确性和可靠性的关键问题。目前的检验工作大多集中在均质地表或者空间代表性高的站点，避开(剔除)了异质性(空间代表性不足)的站点，并没有从根本上解决异质性地表反照率的尺度问题，这就造成了异质性地表反照率产品的精度仍然未知，并且在异质性地表如何开展验证也是未知的。为了全面评价反照率遥感产品的质量，亟需发展异质性地表的真实性检验方法。

异质性地表反照率产品真实性检验结果的准确性和可信度依赖于地面观测数据的形式、升尺度方法和最终的评价方式。广泛分布于全球的稀疏站点由于其覆盖范围广、时间序列长等优势，能够确保真实性检验的结果更具有通用性。但地面单个站点有限的时空代表性会使真实性检验结果的准确性和可信度降低。如何定量地评估待验证像元内单个站点的时空代表性误差以及如何对这种误差进行纠正，发展适用于异质性地表单个站点数据的升尺度方法，提高真实性检验的准确度，促进广泛分布于异质性地表单个站点数据的利用率，还需进一步探索。而稠密观测网重点在于研究尺度问题，基于这种观测网能够得到较准确的像元尺度参考值，因此真实性检验结果通常比较可靠。但由于其覆盖的空间范围比较小，包含的地表类型很有限，因此真实性检验结果不能够全面反映产品的精度。另外，即使对于像元内多点观测而言，各个站点的观测始终是小尺度的“点”，并且它们对像元尺度反照率的空间代表性也会随着地表类型的改变而改变，如何发展有效的升尺度方法从而得到尽可能准确的像元尺度参考值也是真实性检验的一个重点。而引入高分辨率辅助数据的升尺度，虽然在一定程度上减小了尺度不匹配引起的误差，但也引入了诸如数据本身的误差、几何匹配误差、以及各种误差传递等因素的影响。这也就导致了得到的升尺度结果的不确定性很难定量地刻画。如何将真实性检验过程中引入的不确定性定量化以及如何纠正这些不确定性因素也将会是未来反照率产品真实性检验工作的一个重点方向。

总的来说，目前反照率遥感产品在异质性地表的真实性检验工作是十分匮乏的，由于缺乏有效的、时空连续的升尺度模型，真实性检验结果存在较大的不确定性。此外，山区反照率产品的验证因为其尺度效应的复杂性更为困难。中国山区面积占国土总面积的69.1%，因此定量估计反照率产品在山地的精度也是迫切需要的。陆表参数产品在山地的真实性检验方法的探索才刚刚开始。如何把地形的影响考虑进来获取粗分辨率像元尺度相对真值也将是未来真实性检验工作的重点。异质性地表反照率遥感产品的真实性检验涉及到地表优化采样、升尺度方法的构建、评价方式、不确定性分析等多个遥感基础科学问题，需要引起足够的重视，使遥感产品成为应对各种生态环境挑战的可靠信息源，期待在今后建立更普适的真实性检验方法体系。

参考文献(References)

  • Albrecht B and Cox S K. 1977. Procedures for improving pyrgeometer performance. Journal of Applied Meteorology, 16 : 188–197. [DOI: 10.1175/1520-0450(1977)016<0190:PFIPP>2.0.CO;2]
  • Box J E. 1997. Polar Day Effective Cloud Opacity in the Arctic from Measured and Modeled Solar Radiation Fluxes. Boulder, CO: University of Colorado
  • Cescatti A, Marcolla B, Santhana Vannan S K, Pan J Y, Román M O, Yang X Y, Ciais P, Cook R B, Law B E, Matteucci G, Migliavacca M, Moors E, Richardson A D, Seufert G and Schaaf C B. 2012. Intercomparison of MODIS albedo retrievals and in situ measurements across the global FLUXNET network. Remote Sensing of Environment, 121 : 323–334. [DOI: 10.1016/j.rse.2012.02.019]
  • Crow W T, Berg A A, Cosh M H, Loew A, Mohanty B P, Panciera R, de Rosnay P, Ryu D and Walker J P. 2012. Upscaling sparse ground-based soil moisture observations for the validation of coarse-resolution satellite soil moisture products. Reviews of Geophysics, 50 (2): RG2002 [DOI: 10.1029/2011RG000372]
  • De Gruijter J, Brus D J, Bierkens M F P and Knotters M. 2006. Sampling for Natural Resource Monitoring. Berlin, Heidelberg: Springer-Verlag [DOI: 10.1007/3-540-33161-1]
  • Dickinson R E. 1995. Land processes in climate models. Remote Sensing of Environment, 51 (1): 27–38. [DOI: 10.1016/0034-4257(94)00062-R]
  • Gardner A S and Sharp M J. 2010. A review of snow and ice albedo and the development of a new physically based broadband albedo parameterization. Journal of Geophysical Research: Earth Surface, 115 (F1): F01009 [DOI: 10.1029/2009JF001444]
  • Gascoin S, Guðmundsson S, Aðalgeirsdóttir G, Pálsson F, Schmidt L, Berthier E and Björnsson H. 2017. Evaluation of MODIS albedo product over ice caps in iceland and impact of volcanic eruptions on their albedo. Remote Sensing, 9 (5): 399 [DOI: 10.3390/rs9050399]
  • Ge Y, Liang Y Z, Wang J H, Zhao Q Y and Liu S M. 2015. Upscaling sensible heat fluxes with area-to-area regression kriging. IEEE Geoscience and Remote Sensing Letters, 12 (3): 656–660. [DOI: 10.1109/LGRS.2014.2355871]
  • Goovaerts P. 1997. Geostatistics for Natural Resources Evaluation. Oxford: Oxford University Press
  • Henderson-Sellers A and Wilson M F. 1983. Surface albedo data for climatic modeling. Reviews of Geophysics, 21 (8): 1743–1778. [DOI: 10.1029/RG021i008p01743]
  • Huang D, Yang W Z, Tan B, Rautiainen M, Zhang P, Hu J N, Shabanov N V, Linder S, Knyazikhin Y and Myneni R B. 2006. The importance of measurement errors for deriving accurate reference leaf area index maps for validation of moderate-resolution satellite LAI products. IEEE Transactions on Geoscience and Remote Sensing, 44 (7): 1866–1871. [DOI: 10.1109/TGRS.2006.876025]
  • Hufkens K, Bogaert J, Dong Q H, Lu L, Huang C L, Ma M G, Che T, Li X, Veroustraete F and Ceulemans R. 2008. Impacts and uncertainties of upscaling of remote-sensing data validation for a semi-arid woodland. Journal of Arid Environments, 72 (8): 1490–1505. [DOI: 10.1016/j.jaridenv.2008.02.012]
  • Jackson T J, Cosh M H, Bindlish R, Starks P J, Bosch D D, Seyfried M, Goodrich D C, Moran M S and Du J Y. 2010. Validation of advanced microwave scanning radiometer soil moisture products. IEEE Transactions on Geoscience and Remote Sensing, 48 (12): 4256–4272. [DOI: 10.1109/TGRS.2010.2051035]
  • Jiao Z T, Wang J D, Xie L O, Zhang H, Yan G J, He L M and Li X W. 2005. Initial validation of MODIS albedo product by using field measurements and airborne multiangular remote sensing observations. Journal of Remote Sensing, 9 (1): 64–72. [DOI: 10.3321/j.issn:1007-4619.2005.01.010] ( 焦子锑, 王锦地, 谢里欧, 张颢, 阎广建, 何立明, 李小文. 2005. 地面和机载多角度观测数据的反照率反演及对MODIS反照率产品的初步验证. 遥感学报, 9 (1): 64–72. [DOI: 10.3321/j.issn:1007-4619.2005.01.010] )
  • Jin Y F, Schaaf C B, Woodcock C E, Gao F, Li X W, Strahler A H, Lucht W and Liang S L. 2003. Consistency of MODIS surface bidirectional reflectance distribution function and albedo retrievals: 2. Validation. Journal of Geophysical Research, 108 : 4159 [DOI: 10.1029/2002JD002804]
  • Justice C, Belward A, Morisette J, Lewis P, Privette J and Baret F. 2000. Developments in the ‘validation’ of satellite sensor products for the study of the land surface. International Journal of Remote Sensing, 21 (17): 3383–3390. [DOI: 10.1080/014311600750020000]
  • Justice C O, Townshend J R G, Vermote E F, Masuoka E, Wolfe R E, Saleous N, Roy D P and Morisette J T. 2002. An overview of MODIS land data processing and product status. Remote Sensing of Environment, 83 (1/2): 3–15. [DOI: 10.1016/S0034-4257(02)00084-6]
  • Kang J, Jin R and Li X. 2015. Regression kriging-based upscaling of soil moisture measurements from a wireless sensor network and multiresource remote sensing information over heterogeneous cropland. IEEE Geoscience and Remote Sensing Letters, 12 (1): 92–96. [DOI: 10.1109/LGRS.2014.2326775]
  • Li X, Ma M G, Wang J, Liu Q, Che T, Hu Z Y, Xiao Q, Liu Q H, Su P X, Chu R Z, Jin R, Wang W Z and Ran Y H. 2008. Simultaneous remote sensing and ground-based experiment in the Heihe River Basin: scientific objectives and experiment design. Advances in Earth Science, 23 (9): 897–914. [DOI: 10.3321/j.issn:1001-8166.2008.09.001] ( 李新, 马明国, 王建, 刘强, 车涛, 胡泽勇, 肖青, 柳钦火, 苏培玺, 楚荣忠, 晋锐, 王维真, 冉有华. 2008. 黑河流域遥感—地面观测同步试验: 科学目标与试验方案. 地球科学进展, 23 (9): 897–914. [DOI: 10.3321/j.issn:1001-8166.2008.09.001] )
  • Liang S L, Fang H L, Chen M Z, Shuey C J, Walthall C, Daughtry C, Morisette J, Schaaf C and Strahler A. 2002. Validating MODIS land surface reflectance and albedo products: methods and preliminary results. Remote Sensing of Environment, 83 (1/2): 149–162. [DOI: 10.1016/S0034-4257(02)00092-5]
  • Lin X W, Wen J G, Liu Q H, Xiao Q, You D Q, Wu S B, Hao D L and Wu X D. 2018. A multi-scale validation strategy for albedo products over rugged terrain and preliminary application in Heihe River Basin, China. Remote Sensing, 10 (2): 156 [DOI: 10.3390/rs10020156]
  • Liu J C, Schaaf C, Strahler A, Jiao Z T, Shuai Y M, Zhang Q, Roman M, Augustine J A and Dutton E G. 2009. Validation of Moderate Resolution Imaging Spectroradiometer (MODIS) albedo retrieval algorithm: dependence of albedo on solar zenith angle. Journal of Geophysical Research: Atmospheres, 114 (D1): D01106 [DOI: 10.1029/2008JD009969]
  • Liu N F, Liu Q, Wang L Z, Liang S L, Wen J G, Qu Y and Liu S H. 2013a. A statistics-based temporal filter algorithm to map spatiotemporally continuous shortwave albedo from MODIS data. Hydrology and Earth System Sciences, 17 (6): 2121–2129. [DOI: 10.5194/hess-17-2121-2013]
  • Liu Q, Wang L Z, Qu Y, Liu N F, Liu S H, Tang H R and Liang S L. 2013b. Preliminary evaluation of the long-term GLASS albedo product. International Journal of Digital Earth, 6 : 69–95. [DOI: 10.1080/17538947.2013.804601]
  • Lucht W. 1998. Expected retrieval accuracies of bidirectional reflectance and albedo from EOS-MODIS and MISR angular sampling. Journal of Geophysical Research, 103 (D8): 8763–8778. [DOI: 10.1029/98JD00089]
  • Lucht W, Schaaf C B and Strahler A H. 2000. An algorithm for the retrieval of albedo from space using semiempirical BRDF models. IEEE Transactions on Geoscience and Remote Sensing, 38 (2): 977–998. [DOI: 10.1109/36.841980]
  • Mulder V L, de Bruin S and Schaepman M E. 2013. Representing major soil variability at regional scale by constrained Latin Hypercube Sampling of remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 21 : 301–310. [DOI: 10.1016/j.jag.2012.07.004]
  • Peng J J, Liu Q, Wen J G, Liu Q H, Tang Y, Wang L Z, Dou B C, You D Q, Sun C K, Zhao X J, Feng Y B and Shi J. 2015. Multi-scale validation strategy for satellite albedo products and its uncertainty analysis. Science China Earth Sciences, 58 (4): 573–588. [DOI: 10.1007/s11430-014-4997-y]
  • Pirazzini R. 2004. Surface albedo measurements over Antarctic sites in summer. Journal of Geophysical Research: Atmospheres, 109 : D20118 [DOI: 10.1029/2004JD004617]
  • Qu Y, Liu Q, Liang S L, Wang L Z, Liu N F and Liu S H. 2014. Direct-estimation algorithm for mapping daily land-surface broadband albedo from MODIS data. IEEE Transactions on Geoscience and Remote Sensing, 52 (2): 907–919. [DOI: 10.1109/TGRS.2013.2245670]
  • Román M O, Gatebe C K, Shuai Y M, Wang Z S, Gao F, Masek J G, He T, Liang S L and Schaaf C B. 2013. Use of in situ and airborne multiangle data to assess MODIS- and Landsat-based estimates of directional reflectance and albedo. IEEE Transactions on Geoscience and Remote Sensing, 51 (3): 1393–1404. [DOI: 10.1109/TGRS.2013.2243457]
  • Román M O, Schaaf C B, Lewis P, Gao F, Anderson G P, Privette J L, Strahler A H, Woodcock C E and Barnsley M. 2010. Assessing the coupling between surface albedo derived from MODIS and the fraction of diffuse skylight over spatially-characterized landscapes. Remote Sensing of Environment, 114 (4): 738–760. [DOI: 10.1016/j.rse.2009.11.014]
  • Román M O, Schaaf C B, Woodcock C E, Strahler A H, Yang X Y, Braswell R H, Curtis P S, Davis K J, Dragoni D, Goulden M L, Gu L H, Hollinger D Y, Kolb T E, Meyers T P, Munger J W, Privette J L, Richardson A W, Wilson T B and Wofsy S C. 2009. The MODIS (Collection V005) BRDF/albedo product: assessment of spatial representativeness over forested landscapes. Remote Sensing of Environment, 113 (11): 2476–2498. [DOI: 10.1016/j.rse.2009.07.009]
  • Salomon J G, Schaaf C B, Strahler A H, Gao F and Jin Y F. 2006. Validation of the MODIS bidirectional reflectance distribution function and albedo retrievals using combined observations from the Aqua and Terra platforms. IEEE Transactions on Geoscience and Remote Sensing, 44 (6): 1555–1565. [DOI: 10.1109/TGRS.2006.871564]
  • Schaaf C B, Gao F, Strahler A H, Lucht W, Li X W, Tsang T, Strugnell N C, Zhang X Y, Jin Y F, Muller J P, Lewis P, Barnsley M, Hobson P, Disney M, Roberts G, Dunderdale M, Doll C, d'Entremont R P, Hu B X, Liang S L, Privette J L and Roy D. 2002. First operational BRDF, albedo nadir reflectance products from MODIS. Remote Sensing of Environment, 83 (1/2): 135–148. [DOI: 10.1016/S0034-4257(02)00091-3]
  • Schaaf C, Liu Y, Li Z, Sun Q S, Erb A, Shuai Y M and Wang Z S. 2016. Evaluation of MODIS/VIIRS/Landsat-8 Albedo Products over BSRN Sites. https://www.esrl.noaa.gov/gmd/grad/meetings/BSRN_talks/P2_3_Crystal_Schaaf_BSRN_validation_2016_v0.8.pdf
  • Schaaf C B, Wang Z S and Strahler A H. 2011. Commentary on Wang and Zender-MODIS snow albedo bias at high solar zenith angles relative to theory and to in situ observations in Greenland. Remote Sensing of Environment, 115 (5): 1296–1300. [DOI: 10.1016/j.rse.2011.01.002]
  • Sellers P J, Meeson B W, Hall F G, Asrar G, Murphy R E, Schiffer R A, Bretherton F P, Dickinson R E, Ellingson R G, Field C B, Huemmrich K F, Justice C O, Melack J M, Roulet N T, Schimel D S and Try P D. 1995. Remote sensing of the land surface for studies of global change: models- algorithms- experiments. Remote Sensing of Environment, 51 (1): 3–26. [DOI: 10.1016/0034-4257(94)00061-Q]
  • Stroeve J, Box J E, Gao F, Liang S L, Nolin A and Schaaf C. 2005. Accuracy assessment of the MODIS 16-day albedo product for snow: comparisons with Greenland in situ measurements. Remote Sensing of Environment, 94 (1): 46–60. [DOI: 10.1016/j.rse.2004.09.001]
  • Stroeve J, Box J E, Wang Z S, Schaaf C and Barrett A. 2013. Re-evaluation of MODIS MCD43 Greenland albedo accuracy and trends. Remote Sensing of Environment, 138 : 199–214. [DOI: 10.1016/j.rse.2013.07.023]
  • Sütterlin M, Schaaf C B, Stöckli R, Sun Q, Hüsler F, Neuhaus C and Wunderle S. 2015. Albedo and reflectance anisotropy retrieval from AVHRR operated onboard NOAA and MetOp satellites: algorithm performance and accuracy assessment for Europe. Remote Sensing of Environment, 168 : 163–176. [DOI: 10.1016/j.rse.2015.06.023]
  • Susaki J, Yasuoka Y, Kajiwara K, Honda Y and Hara K. 2007. Validation of MODIS albedo products of paddy fields in Japan. IEEE Transactions on Geoscience and Remote Sensing, 45 (1): 206–217. [DOI: 10.1109/TGRS.2006.882266]
  • Wang D D, Liang S L, He T and Yu Y Y. 2013. Direct estimation of land surface albedo from VIIRS data: algorithm improvement and preliminary validation. Journal of Geophysical Research: Atmospheres, 118(22): 12577–12586 [DOI: 10.1002/2013JD020417]
  • Wang J F, Christakos G and Hu M G. 2009. Modeling spatial means of surfaces with stratified nonhomogeneity. IEEE Transactions on Geoscience and Remote Sensing, 47 (12): 4167–4174. [DOI: 10.1109/TGRS.2009.2023326]
  • Wang J H. 2014. Space-Time Geostatistical Model-based Monitoring Network Optimization and Space-Time Interpolation. Beijing: University of Chinese Academy of Sciences (王江浩. 2014. 基于时空地统计学的监测网布局优化与时空插值研究. 北京: 中国科学院大学)
  • Wang J H, Ge Y, Heuvelink G B M and Zhou C H. 2015. Upscaling in situ soil moisture observations to pixel averages with spatio-temporal geostatistics. Remote Sensing, 7 (9): 11372–11388. [DOI: 10.3390/rs70911372]
  • Wang K C and Liang S L. 2009. Evaluation of ASTER and MODIS land surface temperature and emissivity products using long-term surface longwave radiation observations at SURFRAD sites. Remote Sensing of Environment, 113 (7): 1556–1565. [DOI: 10.1016/j.rse.2009.03.009]
  • Wang K C, Liang S L, Schaaf C L and Strahler A H. 2010. Evaluation of Moderate Resolution Imaging Spectroradiometer land surface visible and shortwave albedo products at FLUXNET sites. Journal of Geophysical Research, 115 (D17): D17107 [DOI: 10.1029/2009JD013101]
  • Wang K C, Liu J M, Zhou X J, Sparrow M, Ma M, Sun Z and Jiang W H. 2004. Validation of the MODIS global land surface albedo product using ground measurements in a semidesert region on the Tibetan Plateau. Journal of Geophysical Research, 109 : D05107 [DOI: 10.1029/2003JD004229]
  • Wang X W and Zender C S. 2010. MODIS snow albedo bias at high solar zenith angles relative to theory and to in situ observations in Greenland. Remote Sensing of Environment, 114 (3): 563–575. [DOI: 10.1016/j.rse.2009.10.014]
  • Wang Y T, Xie D H and Li X W. 2014. Universal scaling methodology in remote sensing science by constructing geographic trend surface. Journal of Remote Sensing, 18 (6): 1139–1146. [DOI: 10.11834/jrs.20144108] ( 王祎婷, 谢东辉, 李小文. 2014. 构造地理要素趋势面的尺度转换普适性方法探讨. 遥感学报, 18 (6): 1139–1146. [DOI: 10.11834/jrs.20144108] )
  • Wang Z S, Schaaf C B, Chopping M J, Strahler A H, Wang J D, Román M O, Rocha A V, Woodcock C E and Shuai Y M. 2012. Evaluation of Moderate-resolution Imaging Spectroradiometer (MODIS) snow albedo product (MCD43A) over tundra. Remote Sensing of Environment, 117 : 264–280. [DOI: 10.1016/j.rse.2011.10.002]
  • Wang Z S, Schaaf C B, Strahler A H, Chopping M J, Román M O, Shuai Y M, Woodcock C E, Hollinger D Y and Fitzjarrald D R. 2014. Evaluation of MODIS albedo product (MCD43A) over grassland, agriculture and forest surface types during dormant and snow-covered periods. Remote Sensing of Environment, 140 : 60–77. [DOI: 10.1016/j.rse.2013.08.025]
  • Warren S G, Brandt R E and Hinton P O. 1998. Effect of surface roughness on bidirectional reflectance of Antarctic snow. Journal of Geophysical Research, 103 (E11): 25789–25807. [DOI: 10.1029/98JE01898]
  • Wen J G, Dou B C, You D Q, Tang Y, Xiao Q, Liu Q and Liu Q H. 2017. Forward a small-timescale BRDF/Albedo by multisensor combined BRDF inversion model. IEEE Transactions on Geoscience and Remote Sensing, 55 (2): 683–697. [DOI: 10.1109/TGRS.2016.2613899]
  • Wen J G, Liu Q H, Liu Q, Xiao Q and Li X W. 2009. Parametrized BRDF for atmospheric and topographic correction and albedo estimation in Jiangxi rugged terrain, China. International Journal of Remote Sensing, 30 (11): 2875–2896. [DOI: 10.1080/01431160802558618]
  • Wu X D, Wen J G, Xiao Q, Liu Q, Peng J J, Dou B C, Li X H, You D Q, Tang Y and Liu Q H. 2016. Coarse scale in situ albedo observations over heterogeneous snow-free land surfaces and validation strategy: a case of MODIS albedo products preliminary validation over northern China. Remote Sensing of Environment, 184 : 25–39. [DOI: 10.1016/j.rse.2016.06.013]
  • Wu X D, Wen J G, Xiao Q, You D Q, Liu Q and Lin X W. 2018. Forward a spatio-temporal trend surface for long-term ground-measured albedo upscaling over heterogeneous land surface. International Journal of Digital Earth, 11 (5): 470–484. [DOI: 10.1080/17538947.2017.1334097]
  • Wu X D, Wen J G, Xiao Q, Yu Y Y, You D Q and Hueni A. 2017b. Assessment of NPP VIIRS albedo over heterogeneous crop land in northern China. Journal of Geophysical Research: Atmospheres, 122 (24): 13138–13154. [DOI: 10.1002/2017JD027262]
  • Wu X D, Xiao Q, Wen J G, Liu Q, Peng J J and Li X W. 2014. Advances in uncertainty analysis for the validation of remote sensing products: take leaf area index for example. Journal of Remote Sensing, 18 (5): 1011–1023. [DOI: 10.11834/jrs.20143332] ( 吴小丹, 肖青, 闻建光, 刘强, 彭菁菁, 李小文. 2014. 遥感数据产品真实性检验不确定性分析研究进展. 遥感学报, 18 (5): 1011–1023. [DOI: 10.11834/jrs.20143332] )
  • Wu X D, Xiao Q, Wen J G, Liu Q, You D Q, Dou B C, Tang Y and Li X W. 2015. Optimal nodes selectiveness from WSN to fit field scale albedo observation and validation in long time series in the foci experiment areas, Heihe. Remote Sensing, 7 (11): 14757–14780. [DOI: 10.3390/rs71114757]
  • Wu X D, Xiao Q, Wen J G, Liu Q, You D Q, Dou B C and Yong T. 2017a. Upscaling in situ albedo for validation of coarse scale albedo product over heterogeneous surfaces. International Journal of Digital Earth, 10 (6): 604–622. [DOI: 10.1080/17538947.2016.1247300]
  • Zhang J L, Li X H, Yang R J, Liu Q, Zhao L and Dou B C. 2017. An extended kriging method to interpolate near-surface soil moisture data measured by wireless sensor networks. Sensors, 17 (6): 1390 [DOI: 10.3390/s17061390]
  • Zhang R H, Tian J, Li Z L, Su H B, Chen S H and Tang X Z. 2010. Principles and methods for the validation of quantitative remote sensing products. Science China Earth Sciences, 53 (5): 741–751. [DOI: 10.1007/s11430-010-0021-3]
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体