王健1,2
,
蒋玲梅1,2
,
寇晓康3,4
,
崔慧珍1,2
,
杨建卫1,2
|
收稿日期: 2018-03-08; 预印本: 2018-07-15
基金项目: 国家重点基础研究发展计划(编号：2015CB953701)；国家自然科学基金(编号：41671334)
第一作者简介: 王健，1995年生，女，硕士研究生，研究方向为地表冻融遥感。E-mail：wjian@mail.bnu.edu.cn
通信作者简介: 蒋玲梅，1978年生，女，副教授，研究方向为积雪与地表冻融遥感。E-mail:
jiang@bnu.edu.cn
|
摘要
高分辨率地表冻融监测对研究根河地区碳氮循环、水土流失和土壤冻融侵蚀非常重要。本文采用Kou等(2017)提出的被动微波亮温降尺度方法和1 km空间分辨率的温度数据，将0.25°空间分辨率的被动微波亮温降尺度至0.01°空间分辨率。利用通过模型模拟与实验数据发展得到的冻融判别式算法DFA_Zhao(Discriminant Function Algorithm)和改进的冻融判别式算法DFA_Kou(Improved Discriminant Function Algorithm)，基于降尺度前后的被动微波亮温监测根河地区的地表冻融。以根河地区2013年7月—2015年12月的地下0—5 cm深度的实测土壤温度检验这两种冻融判识算法的分类精度。结果显示，降尺度前后两种冻融判识算法整体判对率差异在6.72%内；DFA_Zhao算法融化判对率的均值比DFA_Kou算法高10%，DFA_Kou算法冻结判对率均值比DFA_Zhao算法高1%。两种冻融判别式算法的冻结判对率均在90%以上，升轨期的融化判对率均在80%以上，但两算法降轨期的融化判对率较低，在40%—82%之间。同时，还进一步讨论并分析了两种冻融判别式算法和被动微波亮温降尺度方法可能存在的问题，指出了可能的改进方向。
关键词
AMSR2, 地表冻融判识, 降尺度, 被动微波, 冻融判别式算法
WANG Jian1,2
,
JIANG Lingmei1,2
,
KOU Xiaokang3,4
,
CUI Huizhen1,2
,
YANG Jianwei1,2
Abstract
As the northernmost and coldest area in Inner Mongolia with the largest wetland in China, high-resolution and full time–space-covered surface freeze/thaw (F/T) in Genhe area must be determined. Carbon–nitrogen cycle, water and soil losses, and soil freeze–thaw erosion must be investigated in the Genhe region. In this study, a downscaling method of passive microwave (PMW) brightness temperature (TB) proposed by Kou et al. is used to downscale the TB from 0.25° spatial resolution to 0.01° spatial resolution. The downscaled temperature data of 1 km spatial resolution produced by Zhang et al. are used. AMSR2 TB is adjusted to AMSR-E TB using a linear conversion model between different polarizations of AMSR2 and AMSR-E sensors. Then, PMW TB and downscaled TB data are adopted to discriminate the surface F/T status using the F/T discriminant function algorithms developed by Zhao et al. and Kou through model simulation and experimental data, correspondingly. A comparison between the F/T state and the soil temperature measured at 0–5 cm in Genhe area shows that the overall classification accuracy of the two F/T discriminant algorithms before and after downscaling is within 6.72%, and the accuracy difference is insignificant. The mean value of thawing classification accuracy is 10% higher in the F/T discriminant algorithm developed by Zhao et al. than in Kou’s algorithm (DFA_Kou). Kou’s freezing classification accuracy is faster than that of Zhao et al. (DFA_Zhao, approximately 1%). The freezing classification accuracies of the two F/T discriminant algorithms are higher than 90%, and the thawing classification accuracies during the ascending orbits are higher than 80%. The thawing classification accuracies of two algorithms during the derailment period range from 40%–82%. During the development of DFA_Zhao and DFA_Kou, the temperature data at 0–1 and 0 cm are introduced to correct the freeze–thawing discriminant obtained through simulation, thereby making the two algorithms sensitive to the freezing and thawing changes in surface soil. PMW has a certain depth of penetration, which may cause errors when using the two algorithms to monitor soil freeze–thaw conditions. The proposed downscaling method is based on the assumption that the land cover is basically the same during downscaling TB between the PMW large pixel (0.25°) before downscaling and small pixel after downscaling (0.01°). This method was proposed by Kou et al. (2017) in Naqu area on the plateau. The land cover of Naqu area is nearly entirely grassland. However, the land cover in Genhe area mainly consists of three types, namely, forest land, grassland, and agricultural land. The proposed method has limitations in mixed pixels of different surface types. Thus, under the premise of without introducing the experimental calibration data, the penetration depth of TB during freeze–thaw transformation and the body scattering effect of TB in the soil layer will be investigated in the next step. A high-resolution surface freeze–thaw monitoring algorithm suitable for complex surface types and full time–space coverage will be developed in the next step.
Key words
AMSR2, surface freeze-thaw discrimination, downscaling, passive microwave, freeze-thaw discriminant algorithm
1 引 言
冻土作为冰冻圈的重要组成部分之一，是指温度在零摄氏度及零摄氏度以下，同时含有冰的各种岩石与土壤。其中一部分冻土会随着季节变化发生冻融变化，称为季节性冻土；还有一部分冻土常年处于冻结状态，称为永久性冻土。陆地表面每年发生冻融变化的面积可达5000万km2，主要发生在北纬40°以北及海拔高于1000 m的区域。中国是世界上第3冻土大国，多年冻土面积约占中国国土面积的22.3%(周幼吾和郭东信，1982)。地表的冻融变化对水文活动、气象条件、生态气体动力学有重要影响(McDonald和Kimball，2006)。伴随着季节融化的开始，植被开始生长、积雪冰川开始融化、河流流量增大并可能出现洪水现象(Running 等，1999；Kimball 等，2001，2004；Qiu，2008；Jin 等，2015)。地表融化时间长短与植被生长季长短紧密相关，地表冻结时间与季节性积雪的覆盖时间基本一致(McDonald和Kimball，2006)。季节性冻土及永久冻土中存储着大量含碳氮的有机物，地表冻融变化与陆地生态系统碳循环联系紧密，季节融化开始的时间控制着生态系统碳交换量，开始融化时间越早植被净初级生产力及净吸收量越大(Goulden 等，1998；Vaganov 等，1999；Kimball 等，2004)。陆表升温会使多年冻土开始融化，季节性冻土春季融化时间提前(McDonald 等，2004)、融化期变长，二氧化碳和甲烷的释放量增加。永久冻土地区出现的冻融循环现象尤其会增加碳、氮的释放量(Walker，2007；Schuur和Abbott，2011；Christensen，2016；Wang 等，2017)，二氧化碳和甲烷释放量的增加会引起气候的不确定性变化(Swindles 等，2015)。地表冻融循环会改变的土壤的物理属性、影响土壤和融雪之间的相互作用、影响土壤的水热循环(Edwards 等，2007)。高分辨率土壤冻融循环对研究生态系统和地球系统土壤有机碳的过去分布、预测未来的变化至关重要(Beer，2008；Treat和Frolking，2013；Swindles 等，2015)。
根河地区是中国典型的多年冻土和季节冻土分布区(徐斅祖 等，2010)，广泛分布的黑土则是宝贵的土壤资源，地表冻融循环会导致黑土面临水土流失、侵蚀等问题。学者通过分析黑龙江省鹤北黑土区坡面8年和小流域7年的降雨产流产沙观测数据，发现地表的冻融过程会导致土壤流失量和土壤可蚀性增加(刘笑妍 等，2017)。黑土在冻融循环过程中发生的土壤水分迁移会改变土壤的性状，导致土壤发生冻融侵蚀(景国臣 等，2008)。还有学者基于泉河小流域的冻融土采样数据分析了冻融过程及冻融循环次数对不同土地利用土壤抗冲性的影响(高双 等，2015)。根河地区是内蒙古最北、最寒冷的地区，拥有中国面积最大的湿地，获取高分辨率、时空覆盖完整的根河地区高分辨率地表冻融数据对研究其水文、生态、气候、碳氮循环、地球生物化学过程、冰冻圈等的变化至关重要。
被动微波遥感能够全天时、全天候的获取地表信息，具有一定的穿透性。当土壤发生冻融变化时，土壤中的水发生相态变化，进而介电常数发生变化，介电常数变化引起地表发射率变化，最终引起被动微波亮温的变化。国内外研究学者已根据土壤冻融过程中介电常数的变化引起的微波辐射差异发展了一系列被动微波冻融判别算法，如双指标算法(Zuerndorfer 等，1990)、决策树算法(晋锐 等，2009)、新双指标算法(Han 等，2015)等，这些算法对实测数据依赖性大；季节阈值法(Kim 等，2011，2017；Roy 等，2015)判识冻融需要完整的冻融循环周期数据确定冻融状态参考值。Zhao等(2011)基于复杂地表微波辐射模型，结合模拟数据和实测数据发展的冻融判别式算法相比其他算法总体判识精度较好(Chai 等，2014)。Kou等(2018)通过改进复杂地表微波辐射模拟过程中对有机质土壤和植被覆盖地表的模拟，改进了冻融判别式算法和新的双指标算法。目前已有学者开展了高分辨率地表冻融状态监测的系列研究。有学者通过寻找被动微波亮温和温度之间的关系，利用高分辨率温度对被动微波亮温降尺度，用冻融判别式算法(Zhao 等，2011)监测青藏高原那曲地区的地表冻融，整体判识精度高于80%(Kou等，2017)。还有学者发展了基于冻融指数和热红外温度之间关系的高分辨率地表冻融监测算法，算法在青藏高原地区的判识精度高于70%，判识精度与冻融判别式算法的初始精度有关(Zhao 等，2017)。
本文采用Kou等(2017)提出的被动微波亮温降尺度方法，利用Zhang等(2017)生产的1 km空间分辨率的地表温度数据，将0.25°空间分辨率的亮温降尺度至0.01°空间分辨率。用被动微波冻融判别式算法(Zhao 等，2011；Kou 等，2018)监测地表冻融状态；结合地下0—5 cm深度的实测土壤温度，分析降尺度前后冻融判识结果的差异及两个冻融判识算法的结果差异。这两个算法都是基于模型模拟数据和实测数据发展而来的，算法理论性较强，本研究通过比较两个算法的冻融判识精度，分析算法在根河地区的适用性，探究在机理上改进冻融判别式算法的可能性。
2 研究区和数据
2.1 研究区
根河地区属寒温带季风性针叶林气候，位于大兴安岭北段西坡，是内蒙古自治区最北、最寒冷的地区。本文以根河地区为研究区，经纬度范围为120.5°E—127.5°E，47°N—54°N。图1为根河地区土地利用及地面站点分布图。
2.2 数据
第2代先进微波辐射成像仪AMSR2(Advanced Microwave Scanning Radiometer 2)是搭载在日本宇航局JAXA(Japan Aerospace Exploration Agency)于2012年5月18日发射的“第一轮卫星计划之全球水圈变化观测卫星”上的传感器。AMSR2共有7个观测频率，每个频率有水平(H)和垂直极化(V)两种观测方式。AMSR2升轨过境时间为每天当地时下午1:30，降轨过境时间为每天当地时上午1:30。本研究所用的被动微波亮温是由JAXA官方网站提供的，数据的投影方式为等经纬度投影。根据本文选取的冻融判别式算法(Zhao 等，2011；Kou 等，2018)，本研究选取的数据波段为18.7 GHz水平极化(18.7 H)亮温和36.5 GHz垂直极化(36.5 V)亮温。另外本研究在利用AMSR2亮温数据监测地表冻融及亮温降尺度研究时，用前后两天亮温平均值填补亮温缺失值。
本研究所用的温度数据是基于多元回归地表温度降尺度方法得到并由Zhang等(2017)提供的。该方法在晴空条件下建立10 km 空间分辨率的AMSR2亮温和1 km 空间分辨率的MODIS温度之间的统计回归关系，并将发展的关系应用到全天候情况，得到全天候情况下的1 km空间分辨率的温度数据，本文将其简称为1 km地表温度数据。Zhang等(2017)用1 km空间分辨率的MODIS温度验证1 km地表温度数据的精度，结果显示1 km地表温度数据精度为2—3 K。将数据重采样至0.01°空间分辨率，投影转换为等经纬度投影。为了进一步验证1 km地表温度数据的精度，选取2014年MODIS数据缺失较少的一天(11月16日)分析1 km地表温度数据与MODIS温度之间的相关性。白天和夜间二者R²分别为0.9355和0.7142，均方根误差(RMSE)分别为0.133 K和2.26 K。0—3 K的精度表明本文所用的1 km地表温度数据能够提供可靠的地表温度信息，同时1 km地表温度还能够提供MODIS温度缺失区域的温度空间细节信息(图3)。
本研究所用的地表分类数据是全球30 m地表覆盖数据(以下简称GlobalLand30，下载地址为http://glc30.tianditu.com/index.html[2018-03-08])，数据时间为2010年。GlobeLand30分类利用的影像为30 m多光谱影像，共包括10个地表类型，分别是：耕地、森林、草地、灌丛地、水体、湿地、苔原、人造覆盖、裸地、冰川与永久积雪，将其空间分辨率重采样至1 km。
本研究所用的地面实测数据来自北京师范大学土壤温湿度观测网BNU-NET(Beijing Normal University observation network)(Cui 等，2017)。BNU-NET观测点部署在根河地区，开始观测时间为2013年7月16日，土壤水分和土壤温度由Em50、ECH2O、EC-5TM探头测量。各观测点观测频率为30 min，观测的土壤温度和土壤湿度包括地下垂直3 cm、5 cm、10 cm和20 cm深度共4层。考虑到被动微波的穿透深度和根河地区的地理环境，将0—5 cm深度的土壤温度平均值作为“地面真值”验证冻融判识的精度，数据选取时间与卫星过境时间相同。图1(b)为地面观测站点的分布图，每个研究网格(0.25°，0.01°)的土壤温度是该网格内所有站点测量0—5 cm温度的平均值。本研究所取的观测数据时间段为2013-07-16—2015-12-31。
3 研究方法
3.1 被动微波亮温降尺度方法
本文选择Kou等(2017)提出的被动微波亮温降尺度的方法监测高分辨率地表冻融状态。该方法假设在地表覆盖类型基本一致的情况下：
假设一：由于低空间分辨率的0.25°的被动微波像元的物理温度代表的是该像元区域内物理温度的平均值。那么任一低分辨率像元(AMSR2 像元大小0.25°)内的物理温度Tgrid等于其对应的所有0.01°小像元的物理温度Tci的平均值，二者满足如下关系
| ${T_{{\rm{grid}}}} = \frac{{\sum\limits_{i = 1}^n {{T_{ci}}} }}{n}$ | (1) |
式中，n代表0.25°空间分辨率的微波像元内所包含的0.01°空间分辨率像元的个数，即25。根据物理温度、发射率以及亮温三者之间的关系，大像元的亮温TBgrid满足
| $T{B_{{\rm{grid}}}} = e \times {T_{{\rm{grid}}}} = e \times \frac{{\sum\limits_{i = 1}^n {{T_{ci}}} }}{n}$ | (2) |
假设二：同一个大像元(AMSR2像元大小0.25°)内，如果地表覆盖类型基本一致，假定其对应的所有小像元(0.01°)有相同的发射率e。因此该大像元所对应的任一小像元的亮温TBi也满足如下关系
| $T{B_i} = e \times {T_{ci}}$ | (3) |
由式(2)、(3)进行联立可以推出降尺度之后的小像元亮温TBi的计算公式，如下
| $T{B_i} = \frac{{n \times T{B_{{\rm{grid}}}} \times {T_{ci}}}}{{\sum\limits_{i = 1}^n {{T_{ci}}} }}$ | (4) |
由图1的根河地区土地利用图，可以看出本文研究区的地表类型主要为林地、耕地、草地。同一地类分布较集中，在不同地类斑块内部，本文章选用的被动微波亮温降尺度方法应该具有较好的适应性。与此同时，在不同地类的交替处，利用该方法对被动微波亮温降尺度的过程中可能会引起一定的误差。春秋季节是发生冻融交替的主要时期，这期间耕地地表大多为裸土。就裸土而言，无论是温度还是地表发射率都与林地、草地有明显不同，因此，本文的亮温降尺度过程可能在林地、草地与耕地的交替处出现误差。
3.2 冻融判别式算法判识地表冻融状态
(1)被动微波冻融判别式算法(简称DFA_Zhao算法)。Zhao等(2011)针对寒区复杂地表，采用冻土介电常数模型计算冻土介电常数，用AIEM模型计算地表发射率，以HUT模型计算积雪覆盖地表发射率，使用
| ${D_{\rm{F}}} = 1.47T{B_{36.5{\rm{V}}}} + 91.69Q{e_{18.7{\rm{H}}}} - 226.77$ | (5) |
| ${D_{\rm{T}}} = 1.55T{B_{36.5{\rm{V}}}} + 86.33Q{e_{18.7{\rm{H}}}} - 242.41$ | (6) |
当
(2)改进的冻融判别式算法(简称DFA_Kou算法)。Kou等(2018)对冻融判别式算法做了改进，采用有机质土壤介电常数模型模拟融化土壤微波辐射，根据中国区的森林生物量数据将森林蓄积量设置为动态输入参数，并将2008年AMSR-E亮温数据和全国气象站点0 cm每日最高/低温度数据作为实测数据扩充数据集，构建复杂地表综合数据集。基于数据集模拟和Fisher判别分析，得到改进后的冻融判别式
| $\begin{array}{l} {D_{\rm{F}}} = 1.69T{B_{36.5{\rm{V}}}} + 70.435Q{e_{18.7{\rm{H}}}} - 246.523 \\ \end{array} $ | (7) |
| $\begin{array}{l} {D_{\rm{T}}} = 1.948T{B_{36.5{\rm{V}}}} + 39.136Q{e_{18.7{\rm{H}}}} - 283.797 \\ \end{array} $ | (8) |
DFA_Zhao算法和DFA_Kou算法都是基于AMSR-E亮温数据和实测数据发展而来的，本文所用的AMSR2是AMSR-E的后继传感器，虽然二者具有相似的传感器配置、观测频率和空间分辨率，但是由于系统设置、定标过程不完全相同，观测数据之间存在偏差。为了将AMSR2亮温数据应用到两个冻融判别式算法上，必须要对AMSR2进行校正。本研究采用基于观测值直接对比的校正方法建立的AMSR2和AMSR-E传感器不同频率不同极化之间的线性转换模型(Hu 等，2016)校正AMSR2亮温数据，线性转换模型公式如下
| $T{B_{{\rm{AMSR - E}}\_18.7{\rm{H}}}} = 1.0189 \times T{B_{{\rm{AMSR2}}\_18.7{\rm{H}}}} - 5.2717$ | (9) |
| $T{B_{{\rm{AMSR - E}}\_36.5{\rm{V}}}} \!\!=\!\! 1.0135 \times T{B_{{\rm{AMSR2}}\_36.5{\rm{V}}}} - 6.3914$ | (10) |
对AMSR2亮温数据校正之后，应用DFA_Zhao算法和DFA_Kou算法对降尺度之后的被动微波亮温数据判识地表冻融状态。为了分析本文的地表冻融状态降尺度算法对冻融判识结果的影响，也用DFA_Zhao算法和DFA_Kou算法对降尺度之前的亮温做了冻融判识。
4 结果与分析
用地面实测站点测量的0—5 cm土壤温度验证地表冻融判识精度，判别标准为0 ℃，当0—5 cm温度高于0 ℃时，认为地表融化，否则地表冻结。本文基于冻结判对率EF、融化判对率ET、整体判对率E分析地表冻融判识结果，评价因子定义公式如下
| ${E_{\rm{F}}} = {N_{{\rm{FF}}}}/({N_{{\rm{FF}}}} + {N_{{\rm{FT}}}})$ | (11) |
| ${E_{\rm{T}}} = {N_{{\rm{TT}}}}/({N_{{\rm{TT}}}} + {N_{{\rm{TF}}}})$ | (12) |
| $E = ({N_{{\rm{FF}}}} + {N_{{\rm{TT}}}})/({N_{{\rm{FF}}}} + {N_{{\rm{TT}}}} + {N_{{\rm{FT}}}} + {N_{{\rm{TF}}}})$ | (13) |
式(11)—式(13)中统计量的含义如表1所示。NFF表示判识为冻土实际地表也为冻土的数据，NTT判识为融土实际地表也为融土的数据，NFT表示判识为融土实际地表为冻土的数据，NTF表示判识为冻土实际地表为融土的数据。
表 1 检验冻融判别精度的统计量
Table 1 The statistics used to test the accuracy of freeze-thaw discrimination
| 判识冻结地表 | 判识融化地表 | |
| 实测冻结地表 | NFF | NFT |
| 实测融化地表 | NTF | NTT |
根据上文提到的DFA_Zhao算法和DFA_Kou算法采用AMSR2降尺度前后的亮温数据，分升降轨监测根河地区地表冻融。研究时间为2013-07-16—2015-12-31，利用同时段的根河地区0—5 cm实测土壤温度数据进行精度验证，得到的验证结果统计见表2。
表 2 两种冻融判别式算法验证结果统计
Table 2 Statistics of verification results of two soil freeze/thaw discrimination algorithms
| 升/降轨 | 空间
分辨率 |
有效验证数据/个 | 误分数据/个 | 整体判对率/% | |
| DFA_Zhao | 升轨 | 0.25 | 2696 | 152 | 94.36 |
| 0.01 | 2500 | 167 | 93.32 | ||
| 降轨 | 0.25 | 2697 | 423 | 84.32 | |
| 0.01 | 2501 | 424 | 83.05 | ||
| DFA_Kou | 升轨 | 0.25 | 2696 | 208 | 92.28 |
| 0.01 | 2500 | 229 | 90.84 | ||
| 降轨 | 0.25 | 2697 | 658 | 75.6 | |
| 0.01 | 2501 | 638 | 74.49 |
本研究选取了根河地区3个0.25°格网的地面观测数据进行初始冻融判识精度评价。由于观测站点的损坏及增补的影响，选取了2013年4个0.01°验证格网、2014年2个0.01°验证格网、2015年3个0.01°验证格网的地面观测数据进行降尺度后的冻融判识精度评价。当一个验证格网内包含多个站点时，格网的验证值为各个站点实测值的平均值。表2统计了降尺度前后两个冻融判别式算法2013年—2015年所有验证格网的有效验证数据个数、误分数据个数及总体判对率。如表2所示，降尺度前升轨共有2696个有效验证数据，DFA_Zhao的判对率为94.36%，DFA_Kou的判对率为92.28%；降尺度后升轨共有2500个有效验证数据，DFA_Zhao的判对率为93.32%，DFA_Kou的判对率为90.84%；降尺度前降轨共有2697个有效验证数据，DFA_Zhao的判对率为84.32%，DFA_Kou的判对率为75.6%；降尺度后降轨共有2501个有效验证数据，DFA_Zhao的判对率为83.05%，DFA_Kou的判对率为74.49%。可以发现，无论是升降轨还是降尺度前后，DFA_Kou的判对率相比DFA_Zhao有所下降。两个算法降尺度后的判对率相比降尺度前都有所下降。
表3、表4为降尺度前后两个冻融判别式算法判识精度的时间序列统计结果。图4为降尺度前DFA_Zhao和DFA_Kou算法站点验证判对率，图5为降尺度后的两个算法的站点验证判对率。其中，横轴的A/D表示升轨期/降轨期。如图4、图5所示，降尺度前后两个算法判对率表现特征一致：DFA_Kou算法的站点年冻结判对率与DFA_Zhao相比较高(~1%)；DFA_Zhao算法的站点年融化判对率与DFA_Kou相比较高(~10%)。综合表3—表4可以看出，降尺度前，DFA_Zhao的冻结判对率在92%以上，融化判对率在59%—97%之间，DFA_Kou的冻结判对率在94%以上，融化判对率在46%—92%之间。降尺度后DFA_Zhao的冻结判对率在92%以上，融化判对率在62%—95%之间，DFA_Kou的冻结判对率在95%以上，融化判对率在46%—91%之间。无论降尺度前后，DFA_Zhao和DFA_Kou算法升降轨时期的冻结判对率差异较小，DFA_Zhao算法降轨的冻结判对率比升轨高约4%；DFA_Kou降轨的冻结判对率比升轨高约2%。然而，两算法升降轨时期的融化判对率差异较大，升轨期DFA_Zhao(DFA_Kou)算法的融化判对率达到了88%(80%)以上，降轨期DFA_Zhao(DFA_Kou)算法的融化判对率均较低，在59%—82%(46%—73%)之间。DFA_Zhao算法升轨的融化判对率比降轨高约22%；DFA_Kou升轨的融化判对率比降轨高约32%/27%(降尺度前/降尺度后)。
表 3 降尺度前两种冻融判别式算法判对率统计
Table 3 Comparison of classification accuracies of two soil F/T discrimination algorithms at 0.25°
| 时间 | 冻结判对率a/% | 融化判对率a/% | 整体判对率a/% | 冻结判对率b/% | 融化判对率b/% | 整体判对率b/% |
| 2013A | 98.57 | 89.84 | 92.11 | 99.19 | 82.49 | 86.98 |
| 2013D | 100 | 59.45 | 70.61 | 100 | 46.2 | 61.14 |
| 2014A | 93.94 | 95.45 | 94.79 | 96.22 | 92.34 | 93.79 |
| 2014D | 98.86 | 75.1 | 84.93 | 99.53 | 63.65 | 78.54 |
| 2015A | 92.81 | 97.15 | 94.97 | 94.86 | 92.7 | 93.24 |
| 2015D | 99.04 | 82.53 | 90.05 | 99.61 | 62.2 | 79.36 |
| 注：a：DFA_Zhao；b：DFA_Kou；A：升轨期；D：降轨期。 | ||||||
表 4 降尺度后两种冻融判别式算法时间序列判对率
Table 4 Comparison of classification accuracies of two soil F/T discrimination algorithms at 0.01°
| 时间 | 冻结判对率a/% | 融化判对率a/% | 整体判对率a/% | 冻结判对率b/% | 融化判对率b/% | 整体判对率b/% |
| 2013A | 95.47 | 88.76 | 90.38 | 98.49 | 80.96 | 85.65 |
| 2013D | 99 | 62.88 | 73.37 | 100 | 46.89 | 62.57 |
| 2014A | 96.96 | 94.6 | 95.48 | 98.83 | 91.78 | 94.38 |
| 2014D | 100 | 64.5 | 78.22 | 99.68 | 73.28 | 83.42 |
| 2015A | 92.85 | 95.2 | 93.7 | 95.22 | 89.95 | 91.68 |
| 2015D | 99.21 | 79.62 | 88.77 | 99.61 | 61.72 | 79.36 |
| 注：a：DFA_Zhao；b：DFA_Kou；A：升轨期；D：降轨期。 | ||||||
表5为降尺度前后两算法判对率的差值(降尺度前—降尺度后)。如表5所示，两个算法降尺度前后的冻结判对率差异在3.1%以内，融化判对率差异最高达到了10.6%，整体判对率差异在6.72%内。验证结果显示2013年降尺度后升轨期两算法的整体判对率均下降，降尺度后降轨期两算法的整体判对率提高；2014年降尺度后升降轨两算法都多表现为整体判对率升高；2015年降尺度后的两算法整体判对率均下降。2013年—2015年降尺度后的融化判对率大多呈现降低的结果。
表 5 两种冻融判别式算法降尺度前后(降尺度前—降尺度后)判对率的差值
Table 5 The difference (0.25°—0.01°) of two soil F/T discrimination algorithm accuracies between 0.25°and 0.01°
| 时间 | 冻结判对率a/% | 融化判对率a/% | 整体判对率a/% | 冻结判对率b/% | 融化判对率b/% | 整体判对率b/% |
| 2013A | 3.1 | 1.08 | 1.73 | 0.7 | 1.52 | 1.33 |
| 2013D | 1 | –3.43 | –2.76 | 0 | –0.69 | –1.43 |
| 2014A | –3.02 | 0.84 | –0.69 | –2.61 | 0.56 | –0.59 |
| 2014D | –1.14 | 10.6 | 6.72 | –0.14 | –9.63 | –4.89 |
| 2015A | –0.04 | 1.95 | 1.28 | –0.36 | 2.75 | 1.55 |
| 2015D | –0.17 | 2.91 | 1.28 | 0 | 0.48 | 0 |
| 注：a：DFA_Zhao；b：DFA_Kou；A：升轨期；D：降轨期。 | ||||||
为了探究两个算法的判对率在时间上的变化趋势，分析了两个算法的冻结/融化判对率随时间变化的趋势，通过分析发现两个算法判对率的时间变化趋势一致：在完全冻结的冬季和完全融化的夏季整体判对率均为100%；在冻融交替时期整体判对率较低(<70%)。
DFA_Zhao和DFA_Kou算法在降轨期表现出较低的融化判对率，通过查看数据验证结果发现降轨期融化判对率低主要发生在冻融交替时期。由式(12)和表1可以得出，融化判对率较低即实际地表为融土而被动微波判识为冻土的情况较多。结合根河地区的实测土壤温度分析这一现象发现，秋季土壤开始冻结时，相比0—5 cm深处的土壤温度夜间(降轨)，3 cm深处的土壤温度达到0 ℃以下的时间要早4—7天。在这段时间内，利用两个冻融判别式算法可以监测到土壤的冻结状态，但是0—5 cm深度的土壤温度高于0 ℃，从而导致融化判对率降低。这还可能与这两个算法在发展的过程中引入的实测数据有关，DFA_Zhao和DFA_Kou算法分别采用0—1 cm和0 cm的地表温度做基于模拟数据建立的判别方程进行校正，这会导致这两个算法对表层(0—1 cm)土壤的冻融变化敏感。降尺度前后两算法表现的差异可能与算法自身有关，本文选取的两个冻融判别式算法都是在0.25°空间分辨率下建立的，将其应用到0.01°空间分辨率时也许会带来误差。查看数据验证结果时发现在土壤以融化状态为主的夏季也出现了融化判对率低的情况，这可能是因为降雨对地表辐射的掩膜和对亮温的影响(Grody和Basist，1996)。根河地区的年降雨量为388—488 mm(蔡研聪 等，2014)，两个冻融判别式算法在发展的过程中均未考虑降水的影响，有学者在应用冻融判别式算法监测地表冻融时，不考虑日降雨量在5 mm以上的像元，整体判对率提高了2.1%(Kou 等，2017)。
DFA_Kou算法的冻结判对率要高于DFA_Zhao算法，这表明DFA_Kou算法与DFA_Zhao算法相比对冻结现象更为敏感。分析原因可能是DFA_Kou算法对DFA_Zhao算法做改进时引入2008年全国800多个气象站点0 cm地表日最高温、最低温和AMSR-E升降轨期的数据作为实测数据扩充复杂地表数据库。一天中温度最低的时间是在日出前，AMSR-E卫星降轨数据过境时间为1:30，这会导致DFA_Kou算法将亮温和与之对应物理温度更低的物理温度匹配，将更多的地表判别为冻结状态，表现出对冻结现象更敏感的结果。
图6为根河地区高程图。图7显示的是两个算法判识的2014年白天降尺度前后冻结天数分布图、两个算法冻结天数差值(DFA_Kou-DFA_Zhao)分布图。可以看出降尺度后可以获取有关地表冻融状态更多的细节信息。综合图1的土地覆盖分类图，林地、耕地、草地是主要类型，降尺度前后的冻结天数分布与土地类型分布存在明显的关系，林地冻结天数较多，耕地冻结天数较少。综合图1的土地覆盖图和图6的根河地区高程图来看，可以看出林地主要分布在高海拔区域，海拔高的区域较海拔低区域温度低，年冻结天数多，也有学者在分析怒江流域水文站地区年平均地表冻结天数时发现，地表冻结天数与高程相关性显著(罗贤 等，2017)。通过冻结天数差值图可以看出，DFA_Kou算法判识的林地冻结天数要比DFA_Zhao算法判识的冻结天数多10—20天左右，判识的耕地冻结天数与DFA_Zhao判识结果相比有高有低，二者差值在0±3 天的范围内变化。图7的差值图中的水体地类处，DFA_Zhao判识的冻结天数比DFA_Kou要低10—20天左右。究其原因主要为根河地区森林资源丰富，DFA_Zhao算法在建立时由于缺乏全国森林蓄积量数据，因此将其设定为一个经验值25 m3/ha，而根据中国区域生物量的分布(刘双娜 等，2012)，森林蓄积量在中国区域内不是单一值，根河地区森铃生物量取值在75.3—117 Mg/hm2。DFA_Kou算法考虑了森林生物量的空间分布，通过研究18.7 GHz频率段被动微波在不同森林蓄积量下的透过率确定了探测土壤冻融情况的森林蓄积量范围为0—150 m3/ha。DFA_Kou算法对森林蓄积量的考虑使得其在植被覆盖区域判识的冻结天数与DFA_Zhao算法相差较大。本研究中的两个算法在发展过程中均未考虑水体对冻融判识的影响，可能导致了水体地类下两个算法之间的差异。
表 6 站点冻结天数与两个算法判识冻结天数的对比
Table 6 Comparison of frozen days between in suit and DFA_Zhao and DFA_Kou algorithms
| 空间分辨率 | 站点1 | DFA_Zhao | DFA_Kou |
| 0.25° | 128 | 145 | 153 |
| 0.01° | 128 | 135 | 141 |
| 空间分辨率 | 站点2 | DFA_Zhao | DFA_Kou |
| 0.25° | 136 | 144 | 156 |
| 0.01° | 136 | 148 | 160 |
为了探究两个冻融判识算法判识的冻结天数与站点冻结天数之间的差异，进一步选取了一个位于林地的站点1(120.760525°E，50.363728°N，高程754 m)和一个位于农田和草地相间地类下的站点2(120.528677°E，50.506864°N，高程697 m)，根据两个站点实测0—5 cm土壤温度计算站点冻结天数，同样认为土壤温度小于0 ℃则土壤为冻结状态统计站点冻结天数。同时读取两个冻融判识算法判识的降尺度前后的站点对应冻结天数，如表6。从表6中可以看出两个算法在降尺度前后判识的冻结天数均表现为高估：其中DFA_Kou算法判识的冻结天数要高于DFA_Zhao算法判识的冻结天数。两个算法对冻结天数的高估进一步表明了这两个算法对冻结现象更敏感，这也是两个算法的冻结判对率高的一个原因，其中DFA_Kou算法对冻结现象的敏感度高于DFA_Zhao算法。Kou等(2017)在用DFA_Zhao算法判识青藏高原那曲地区的高分辨率地表冻融状态时，用0—5 cm深度的土壤温度验证冻融判识精度时也表现出冻结判对率高，融化判对率低的结果。
根据统计的站点冻结天数结果看，站点1(林地)的冻结天数要低于站点2(草地)，这是因为这两个站点的高程相差不多，而本研究结果显示的林地冻结天数多于耕地是受这两种地类高程差的影响。同时地表覆盖也是影响土壤冻融的主要因素，根据根河地区的实际情况，秋天草地会被收割，所以站点2(草地)在土壤发生冻融交替时期的地表覆盖类型实为裸地，而站点1(林地)地面上枯枝落叶较多，有学者在分析不同地表条件下土壤的季节性冻融特征时发现，裸地的冻结时间最长，而有秸秆、植被覆盖的地表冻结天数短(杨金凤，2006；薛明霞，2008)，所以站点1(林地)的冻结天数比站点2(草地)少。
两个站点冻结天数与算法判识的冻结天数的比较显示两个算法都对土壤冻结表现为高估，这可能是受积雪的影响。查看两个站点实测的0—5 cm土壤温度发现，两个站点秋季土壤温度低于0 ℃的时间分别为11月中旬(站点1)和10月底(站点2)，而全国气象站点观测的积雪深度数据显示，根河地区在10月中旬就会出现降雪，积雪与冻土相似的体散射特征会导致被动微波将积雪覆盖地表判识为冻结状态，进而导致对冻结的高估现象。
5 讨 论
本研究采用基于地表覆盖类型基本一致的前提下提出的利用温度信息对被动微波亮温降尺度的方法，将被动微波亮温的空间分辨率提升至0.01°。
而根河地区包含林地、草地、耕地3种主要的地表覆盖类型，在降尺度的过程中由于混合像元的影响会导致降尺度后的被动微波亮温存在偏差，为了分析本研究用到的被动微波亮温降尺度算法对冻融判别结果产生的影响，分析了2014年升轨期间18.7 GHz水平极化亮温降尺度前后的差值，对于一个0.25°的像元而言，亮温差值为降尺度后25×25个0.01°的格网亮温值与降尺度前的一个格网亮温值的差。在7°×7°的研究区内，一年共有255500×700个0.01°格网亮温数据，表7为亮温差值在不同范围内的数据分布统计。亮温差值分布在–34—33 k，其中差值在±1 k内的数值占一年总差值数据的39.68%，差值在±2 k内的数值占一年总差值数据的64.03%，差值在±5 k内的数值所占比例达到了91.59%。这表明降尺度后有91.59%的亮温与降尺度前的亮温差值在±5 k之内。
表 7 不同范围内的亮温差值(k)分布统计
Table 7 The distribution of difference (k) between PMW TB and downscaled TB
| 范围 | 个数 | 比例/% | 范围 | 个数 | 比例/% |
| 0—1 | 35534125 | 19.87 | –1—0 | 35426933 | 19.81 |
| 1—2 | 21696296 | 12.13 | –2— –1 | 21861815 | 12.22 |
| 2—3 | 11953470 | 6.68 | –3— –2 | 13258215 | 7.41 |
| 3—4 | 6610256 | 3.7 | –4— –3 | 8322557 | 4.65 |
| 4—5 | 3876837 | 2.17 | –5— –4 | 5264210 | 2.94 |
| 5—10 | 6966887 | 3.9 | –10— –5 | 6757594 | 3.78 |
| 10—20 | 1135344 | 0.63 | –20— –10 | 183110 | 0.1 |
| 20—35 | 452 | 0.0003 | –35— –20 | 1899 | 0.001 |
图8为2014年7月31日升轨18.7 GHz水平极化的亮温差值分布图，结合图3中2014年7月31日白天1 km温度空间分布图来看，降尺度前后亮温差值较大(>5 k或<–5 k)的区域与温度变化大(5—10 k左右)区域分布较一致。大像元内的温度值空间变化大则降尺度亮温值差异大。
为了分析亮温变化对冻融判别结果的影响，对0.25°空间分辨率的亮温做数值增加/减少的噪声处理，然后用噪声处理后的亮温数据判识根河地区的地表冻融，同样使用根河实测0—5 cm土壤温度数据判识冻融精度。这里以2014年升轨期数据为例，分析亮温变化对冻融判识的影响。表8为对被动微波亮温处理前后得到的冻融判识精度统计。亮温差值在±5 k的范围内变化时，整体判对率都在92%以上。当亮温的变化值达到±35 k时，整体判对率降低到了69.59%(38.72%)。综合表7的统计结果看，差值在±5 k内的数值所占比例达到了91.59%，而亮温差值在20—35 k(–35— –20 k)内的数值所占比例仅为0.0003%(0.001)。这表明本文的亮温降尺度方法在根河地区具有一定的适用性，降尺度后有91.59%的数据冻融整体判对率能够达到92%以上。
表 8 亮温变化对冻融判识的敏感性分析
Table 8 Sensitivity analysis of TB changes to F/T identification
| 变化范围/k | 整体判对率/% | 变化范围/k | 整体判对率/% |
| 0 | 94.79 | +5 | 94.52 |
| +1 | 94.98 | –5 | 92.42 |
| –1 | 94.7 | +10 | 92.33 |
| +2 | 95.07 | –10 | 82.47 |
| –2 | 94.34 | +20 | 88.13 |
| +3 | 94.98 | –20 | 51.51 |
| –3 | 94.16 | +35 | 69.59 |
| +4 | 94.79 | –35 | 38.72 |
| –4 | 93.33 |
综合图8的亮温差值图和图1的根河地区土地覆盖类型图来看，二者之间没有明显的关系。在不用地表覆盖类型相接的混合像元处亮温差值变化不明显，说明本文的亮温降尺度方法与温度信息的相关性很大，同时忽视了不同地表覆盖类型对降尺度前后亮温的影响。
6 结 论
本研究采用基于地表覆盖类型基本一致的前提下提出的利用温度信息对被动微波亮温降尺度的方法，将被动微波亮温的空间分辨率提升至0.01°。分别采用改进前后的冻融判别式算法和降尺度前后的亮温数据监测地表冻融状态。用2013年—2015年的地面观测站点0—5 cm土壤温度数据验证判识结果。结果显示两种冻融判别式算法的冻结判对率均在90%以上，升轨期的融化判对率均在80%以上，降轨期的融化判对率在40%—82%之间。降尺度前后两种冻融判识算法整体判对率差异在6.72%内，本文的降尺度方法对降尺度后的冻融判识结果影响不大。
DFA_Zhao算法和DFA_Kou算法在发展冻融判别式算法的过程中，分别引入了0—1 cm和0 cm的温度数据校正模拟得到的冻融判别式，这可能使这两个算法对土壤表层的冻融变化更敏感。而被动微波具有一定的穿透深度，利用这两个算法监测土壤冻融状态可能会引起误差。因此在不引入实测校正数据的前提下，探究在冻融交替的过程中亮温对土壤的穿透深度、亮温在土壤层发生的体散射效应将是下一步工作的重点。
本研究中的降尺度方法在对被动微波亮温降尺度的过程中，基于地表覆盖类型基本一致的前提下假设降尺度前的被动微波大像元(0.25°)与降尺度之后的小像元(0.01°)发射率一致，这一方法是Kou等(2017)针对青藏高原那曲地区提出的，该地区地表覆盖类型几乎全为草地。而本文研究的根河地区，地表覆盖主要包含林地、草地、农用地3种类型，此方法在不同地表类型的混合像元处具有局限性。如何发展适用于复杂下垫面地表、时空覆盖完整的高分辨率地表冻融状态监测算法也将是下一步研究的重点。
志 谢 感谢日本宇航局提供的AMSR2亮温数据，感谢美国宇航局陆地过程分布式数据档案中心提供的MODIS温度数据，感谢电子科技大学周纪教授、张晓东同学提供的1 km地表温度数据。
参考文献(References)
-
Beer C. 2008. The arctic carbon count. Nature Geoscience, 1 (9): 569–570. [DOI: 10.1038/ngeo292]
-
Cai Y C, Jin C J, Wang A Z, Guan D X, Wu J B, Yuan F H, Xu L L and Bu C Q. 2014. Accuracy evaluation of the TRMM satellite-based precipitation data over the mid-high latitudes. Chinese Journal of Applied Ecology, 25 (11): 3296–3306. [DOI: 10.13287/j.1001-9332.2014.0190] ( 蔡研聪, 金昌杰, 王安志, 关德新, 吴家兵, 袁凤辉, 徐磊磊, 步长千. 2014. 中高纬度地区TRMM卫星降雨数据的精度评价. 应用生态学报, 25 (11): 3296–3306. [DOI: 10.13287/j.1001-9332.2014.0190] )
-
Chai L N, Zhang L X, Zhang Y Y, Hao Z G, Jiang L M and Zhao S J. 2014. Comparison of the classification accuracy of three soil freeze-thaw discrimination algorithms in China using SSMIS and AMSR-E passive microwave imagery. International Journal of Remote Sensing, 35 (22): 7631–7649. [DOI: 10.1080/01431161.2014.975376]
-
Christensen T R. 2016. Permafrost: it’s a gas. Nature Geoscience, 9 (9): 647–648. [DOI: 10.1038/ngeo2803]
-
Cui H Z, Jiang L M, Du J Y, Zhao S J, Wang G X, Lu Z and Wang J. 2017. Evaluation and analysis of AMSR-2, SMOS, and SMAP soil moisture products in the GENHE area of China. Journal of Geophysical Research, 122 (16): 8650–8666. [DOI: 10.1002/2017JD026800]
-
Edwards A C, Scalenghe R and Freppaz M. 2007. Changes in the seasonal snow cover of alpine regions and its effect on soil processes: a review. Quaternary International, 162–163 : 172–181. [DOI: 10.1016/j.quaint.2006.10.027]
-
Gao S, Jia Y F, Fan H M and Li G N. 2015. Effect of freezing and thawing on soil anti-scourability under different land use types in the black soil region of northeast China. Journal of Soil and Water Conservation, 29 (6): 69–73. [DOI: 10.13870/j.cnki.stbcxb.2015.06.013] ( 高双, 贾燕锋, 范昊明, 李光南. 2015. 冻融作用下东北黑土区不同土地利用类型土壤抗冲性研究. 水土保持学报, 29 (6): 69–73. [DOI: 10.13870/j.cnki.stbcxb.2015.06.013] )
-
Goulden M L, Wofsy S C, Harden J W, Trumbore S E, Crill P M, Gower S T, Fries T, Daube B C, Fan S M, Sutton D J, Bazzaz A and Munger J W. 1998. Sensitivity of boreal forest carbon balance to soil thaw. Science, 279 (5348): 214–217. [DOI: 10.1126/science.279.5348.214]
-
Grody N C and Basist A N. 1996. Global identification of snowcover using SSM/I measurements. IEEE Transactions on Geoscience and Remote Sensing, 34 (1): 237–249. [DOI: 10.1109/36.481908]
-
Han M L, Yang K, Qin J, Jin R, Ma Y M, Wen J, Chen Y Y, Zhao L, Lazhu and Tang W J. 2015. An algorithm based on the standard deviation of passive microwave brightness temperatures for monitoring soil surface freeze/thaw state on the Tibetan plateau. IEEE Transactions on Geoscience and Remote Sensing, 53 (5): 2775–2783. [DOI: 10.1109/TGRS.2014.2364823]
-
Hu T X, Zhao T J, Shi J C, Wang T X, Ji D B, Al Bitar A, Peng B and Cui Y R. 2016. Development and analysis of a continuous record of global near-surface soil freeze/thaw patterns from AMSR-E and AMSR2 data. The Cryosphere Discussions
-
Jin R, Li X and Che T. 2009. A decision tree algorithm for surface freeze/thaw classification using SSM/I. Journal of Remote Sensing, 13 (1): 152–161. ( 晋锐, 李新, 车涛. 2009. SSM/I监测地表冻融状态的决策树算法. 遥感学报, 13 (1): 152–161. )
-
Jin R, Zhang T J, Li X, Yang X G and Ran Y H. 2015. Mapping surface soil freeze-thaw cycles in China based on SMMR and SSM/I brightness temperatures from 1978 to 2008. Arctic, Antarctic, and Alpine Research, 47 (2): 213–229. [DOI: 10.1657/AAAR00C-13-304]
-
Jing G C, Ren X P, Liu X J, Liu B Y, Zhang L H, Yang Y J and Wang Y J. 2008. Relationship between freeze-thaw action and soil moisture for northeast black soil region of China. Science of Soil and Water Conservation, 6 (5): 32–36. [DOI: 10.3969/j.issn.1672-3007.2008.05.007] ( 景国臣, 任宪平, 刘绪军, 刘丙友, 张丽华, 杨亚娟, 王亚娟. 2008. 东北黑土区冻融作用与土壤水分的关系. 中国水土保持科学, 6 (5): 32–36. [DOI: 10.3969/j.issn.1672-3007.2008.05.007] )
-
Kim Y, Kimball J S, Glassy J and Du J Y. 2017. An extended global earth system data record on daily landscape freeze-thaw status determined from satellite passive microwave remote sensing. Earth System Science Data, 9 (1): 133–147. [DOI: 10.5194/essd-9-133-2017]
-
Kim Y, Kimball J S, McDonald K C and Glassy J. 2011. Developing a global data record of daily landscape freeze/thaw status using satellite passive microwave remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 49 (3): 949–960. [DOI: 10.1109/TGRS.2010.2070515]
-
Kimball J S, McDonald K C, Keyser A R, Frolking S and Running S W. 2001. Application of the NASA scatterometer (NSCAT) for determining the daily frozen and nonfrozen landscape of Alaska. Remote Sensing of Environment, 75 (1): 113–126. [DOI: 10.1016/S0034-4257(00)00160-7]
-
Kimball J S, McDonald K C, Running S W and Frolking S E. 2004. Satellite radar remote sensing of seasonal growing seasons for boreal and subalpine evergreen forests. Remote Sensing of Environment, 90 (2): 243–258. [DOI: 10.1016/j.rse.2004.01.002]
-
Kou X K, Jiang L M, Yan S, Wang J and Gao L Y. 2018. Research on the Improvement of Passive Microwave Freezing and Thawing Discriminant Algorithms for Complicated Surface Conditions. // Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia, Spain: IEEE: 7161–7164 [DOI: 10.1109/IGARSS.2018.8518731]
-
Kou X K, Jiang L M, Yan S, Zhao T J, Lu H and Cui H Z. 2017. Detection of land surface freeze-thaw status on the Tibetan plateau using passive microwave and thermal infrared remote sensing data. Remote Sensing of Environment, 199 : 291–301. [DOI: 10.1016/j.rse.2017.06.035]
-
Liu S N, Zhou T, Shu Y, Dai M, Wei L Y and Zhang X. 2012. The estimating of the spatial distribution of forest biomass in China based on remote sensing and downscaling techniques. Acta Ecologica Sinica, 32 (8): 2320–2330. [DOI: 10.5846/stxb201009301390] ( 刘双娜, 周涛, 舒阳, 戴铭, 魏林艳, 张鑫. 2012. 基于遥感降尺度估算中国森林生物量的空间分布. 生态学报, 32 (8): 2320–2330. [DOI: 10.5846/stxb201009301390] )
-
Liu X Y, Zhang Z D, Zhang K L and Liu G. 2017. Effects of freezing and thawing on runoff and sediment yield in the black soil region of Northeast China at different scales. Journal of Soil and Water Conservation, 31 (5): 45–50. [DOI: 10.13870/j.cnki.stbcxb.2017.05.008] ( 刘笑妍, 张卓栋, 张科利, 刘刚. 2017. 不同尺度下冻融作用对东北黑土区产流产沙的影响. 水土保持学报, 31 (5): 45–50. [DOI: 10.13870/j.cnki.stbcxb.2017.05.008] )
-
Luo X, Ji X, Li Y G and Huang J C. 2017. Spatial and temporal distribution and variation characteristics of surface freeze/thaw status in the upper and middle Nujiang river basin. Mountain Research, 35 (3): 266–273. [DOI: 10.16089/j.cnki.1008-2786.000221] ( 罗贤, 季漩, 李运刚, 黄江成. 2017. 怒江流域中上游地表冻融特征及时空分布. 山地学报, 35 (3): 266–273. [DOI: 10.16089/j.cnki.1008-2786.000221] )
-
McDonald K C and Kimball J S. 2006. Estimation of surface freeze-thaw states using microwave sensors. In: Anderson M G, Encyclopedia of Hydrological Sciences. West Sussex: John Wiley & Sons Ltd [DOI: 10.1002/0470848944.hsa059a]
-
McDonald K C, Kimball J S, Njoku E, Zimmermann R and Zhao M S. 2004. Variability in springtime thaw in the terrestrial high latitudes: monitoring a major control on the biospheric assimilation of atmospheric CO2 with spaceborne microwave remote sensing . Earth Interactions, 8 (20): 1–23. [DOI: 10.1175/1087-3562(2004)8<1:VISTIT>2.0.CO;2]
-
Qiu J. 2008. China: the third pole. Nature, 454 (7203): 393–396. [DOI: 10.1038/454393a]
-
Roy A, Royer A, Derksen C, Brucker L, Langlois A, Mialon A and Kerr Y H. 2015. Evaluation of spaceborne l-band radiometer measurements for terrestrial freeze/thaw retrievals in Canada. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (9): 4442–4459. [DOI: 10.1109/JSTARS.2015.2476358]
-
Running S W, Way J B, McDonald K C, Kimball J S, Frolking S, Keyser A R and Zimmerman R. 1999. Radar remote sensing proposed for monitoring freeze-thaw transitions in boreal regions. Eos, Transactions American Geophysical Union, 80 (19): 213–221. [DOI: 10.1029/99EO00158]
-
Schuur E A G and Abbott B. 2011. High risk of permafrost thaw. Nature, 480 (7375): 32–33. [DOI: 10.1038/480032a]
-
Swindles G T, Morris P J, Mullan D, Watson E J, Turner T E, Roland T P, Amesbury M J, Kokfelt U, Schoning K, Pratte S, Gallego-Sala A, Charman D J, Sanderson N, Garneau M, Carrivick J L, Woulds C, Holden J, Parry L and Galloway J M. 2015. The long-term fate of permafrost peatlands under rapid climate warming. Scientific Reports, 5 : 17951 [DOI: 10.1038/srep17951]
-
Treat C C and Frolking S. 2013. Carbon storage: a permafrost carbon bomb?. Nature Climate Change, 3 (10): 865–867. [DOI: 10.1038/nclimate2010]
-
Vaganov E A, Hughes M K, Kirdyanov A V, Schweingruber F H and Silkin P P. 1999. Influence of snowfall and melt timing on tree growth in subarctic Eurasia. Nature, 400 (6740): 149–151. [DOI: 10.1038/22087]
-
Walker G. 2007. Climate change 2007: a world melting from the top down. Nature, 446 (7137): 718–221. [DOI: 10.1038/446718a]
-
Wang J Y, Song C C, Hou A X and Xi F M. 2017. Methane emission potential from freshwater marsh soils of Northeast China: response to simulated freezing-thawing cycles. Wetlands, 37 (3): 437–445. [DOI: 10.1007/s13157-017-0879-3]
-
Xu X Z, Wang J C and Zhang L X. 2010. Physics of Frozen Soil. 2nd ed. Beijing: Science Press (徐斅祖, 王家澄, 张立新. 2010. 冻土物理学. 2版. 北京: 科学出版社)
-
Xue M X. 2008. Analying on freeze-thaw characteristics of the seasonal freeze-thaw soil under different surface treatments. Shanxi Hydrotechnics (1): 19–21. [DOI: 10.3969/j.issn.1006-8139.2008.01.006] ( 薛明霞. 2008. 不同地表条件下季节性冻融土壤的冻融特征分析. 山西水利科技 (1): 19–21. [DOI: 10.3969/j.issn.1006-8139.2008.01.006] )
-
Yang J F. 2006. Experimental Study of Soil Moisture and Heat Regimes under Different Surface Conditions During Seasonal Freezing-thawing Period. Taiyuan: Taiyuan University of Technology (杨金凤. 2006. 季节性冻融期不同地表条件下土壤水热动态变化规律的试验研究. 太原: 太原理工大学)
-
Zhang X D, Zhou J and Yin C M. 2017. Direct estimation of 1-KM land surface temperature from AMSR2 brightness temperature//Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium. Fort Worth, TX, USA: IEEE: 4845-4847
-
Zhao T J, Shi J C, Hu T X, Zhao L, Zou D F, Wang T X, Ji D B, Li R and Wang P K. 2017. Estimation of high‐resolution near‐surface freeze/thaw state by the integration of microwave and thermal infrared remote sensing data on the Tibetan plateau. Earth and Space Science, 4 (8): 472–484. [DOI: 10.1002/2017EA000277]
-
Zhao T J, Zhang L X, Jiang L M, Zhao S J, Chai L N and Jin R. 2011. A new soil freeze/thaw discriminant algorithm using AMSR-E passive microwave imagery. Hydrological Processes, 25 (11): 1704–1716. [DOI: 10.1002/hyp.7930]
-
Zhou Y W and Guo D X. 1982. Principal characteristics of permafrost in China. Journal of Glaciology and Geocryology, 4 (1): 1–19. ( 周幼吾, 郭东信. 1982. 我国多年冻土的主要特征. 冰川冻土, 4 (1): 1–19. )
-
Zuerndorfer B W, England A W, Dobson M C and Ulaby F T. 1990. Mapping freeze/thaw boundaries with SMMR data. Agricultural and Forest Meteorology, 52 (1-2): 199–225. [DOI: 10.1016/0168-1923(90)90106-G]
