2016, Vol. 32
2. 中国科学院大学
蚊媒病是指以蚊虫为媒介，将病原生物从宿主向人类传播，严重影响人类身体健康的疾病。20世纪70年代初，学者Cline[1]提出利用航空像片研究流行病学，后发展为可见光/近红外遥感数据。但蚊媒病多流行于气候湿润地区，这些地区的气候条件对光学遥感影响较大，而微波遥感具有全天候、全天时的工作能力，几乎不受云雾雨雪的影响[2]，是有效的蚊媒病监测手段。本文在总结影响蚊媒病形成与传播的环境因素基础上，归纳微波遥感在蚊媒病监测中的应用，探讨微波遥感在蚊媒病研究中的发展趋势。
1 用于蚊媒病监测的微波传感器从工作机制而言，微波传感器有4种基本模态：散射测量、高度测量和成像雷达3种主动式工作模态以及1种辐射测量的被动式工作模态[3]。1978年美国发射了首颗载有合成孔径雷达(synthetic aperture radar，SAR)的海洋卫星Seasat-A，经40余年发展，SAR已经从单极化单视角向多极化可变视角转变，空间分辨率从40 m提高到1~10 m[2]，观测带宽从100 km提高到500 km，大大扩展了微波传感器的应用领域[4-5]。目前用于蚊媒病监测的星载雷达系统主要有欧空局研发的欧洲遥感卫星(European Space Agency Remote Sensing Synthetic Aperture Radar，ERS-1/2 SAR)和环境卫星(environmental satellite advanced synthetic aperture radar，ENVISAT ASAR)，以及加拿大雷达卫星(RADARSAT-1/2)等。这些卫星均为C波段，但分辨率不同，其中ERS-1/2 SAR分别为30 m和25 m，ENVISAT ASAR 为10~1000 m，RADARSAT-1/2分别为10~100 m和1~100 m。自1968年前苏联利用宇宙卫星Cosmos完成被动微波遥感对地观测之后，许多卫星上开始装载被动微波辐射计，包括雨云号卫星Nimbus-5/6/7、热带降雨观测卫星(tropical rainfall measuring mission，TRMM)、地球观测卫星(earth observing satellites ，EOS-Aqua)等[6]。其中EOS-Aqua卫星携带的增强型高级微波辐射计(advanced microwave scanning radiometer-EOS，AMSR-E)是一种成像辐射计，能够提供除南北极极小区域的全球微波辐射图像，对全球环境遥感具有特别意义[7]。
2 蚊媒病主要类型和预测指标 2.1 蚊媒病的主要类型蚊媒病相较其他类型传染病更易引发人类的发病和死亡，类型主要有疟疾、乙脑、登革热、淋巴丝虫病等。其中，疟疾是由疟原虫引起的传染性寄生虫病，主要是通过受染按蚊叮咬而感染。乙脑是一种病毒性中枢神经系统急性传染病，流行于夏秋季，三带喙库蚊是乙脑病毒的主要传播媒介。登革热是由登革热病毒引起的急性虫媒传染病，主要传播媒介为埃及伊蚊和白纹伊蚊。淋巴丝虫病又分为班氏丝虫和马来丝虫2种，其成虫主要寄生在人体淋巴系统内，主要由致倦库蚊和淡色库蚊传播[8]。据统计，全球每年有超过3亿的疟疾和0.5~1亿的登革热患病病例[9-11]。
2.2 蚊虫监测的环境因素蚊媒病与蚊虫行为及种群动态密切相关，蚊虫生态习性和种群动态直接影响蚊媒病的传播和流行，蚊虫孳生地的环境变化是导致其种群变化的重要因素[12]。研究表明，气象要素和地表景观要素是蚊媒病监测的主要环境因素[13]。Hay等[14]证实了用遥感数据代替影响媒介生物种群动态的气候环境因素的可行性，并介绍了从遥感数据获取气象替代参数的方法。Hayes等[15]研究也认为，与常规地面取样调查相比，采用遥感手段监测蚊媒孳生地环境变化更加准确且更能节约成本。
气象要素是与蚊虫种群和丰度密切相关的自然环境因素，包括气温、光照、湿度、降雨量等，它们共同决定了蚊虫的生殖营养周期长度和孵化时间，以及幼虫的存活率和生长速度[16-17]。Kummerow等[18-19]验证了从TRMM数据获取降雨量估计的有效性。Chuang等[20]通过比较淡色环附库蚊和刺扰伊蚊种群的空间和时间模式，验证了地表覆被和气候条件是蚊虫种群丰度的重要驱动因素，并利用1989—2005年密歇根萨吉诺县的蚊虫数据，通过交叉联系图法分析了气候变量对蚊虫种群动态的影响[21]。Moreno-Madrinan等[22]利用中分辨率成像光谱仪(moderate resolution imaging spectroradiometer，MODIS)、TRMM和数字高程模型(digital elevation model，DEM)，揭示了墨西哥中部地区的埃及伊蚊丰度与夜间温度、沿气候梯度变化的高程和降雨量间较强的相关性。
地表景观要素是与孳生蚊虫类型和疾病时空分布相关的景观环境因素，包括土壤类型、土地覆盖类型、植被覆盖度等。Pope等[23]利用C波段和L波段监测了以芦苇和草为主要土地覆盖类型的蚊虫繁殖地的洪泛情况，为该地区蚊媒病预防提供了重要资料。Pope等[24]还采用多极化机载SAR数据对长有浓密蓝藻的伯利兹湿地进行制图，该地区是疟疾传播媒介白魔按蚊的重要繁殖地。
3 微波遥感在蚊虫监测中的应用传统蚊媒监测方法通过记录观测蚊虫密度数据来反映蚊虫种群动态，主要有人工叮咬法、人帐诱捕法、诱蚊灯诱捕法、灭蚊磁场法等，最新发展了3S技术即地理信息系统(gengraphic information system, GIS)，无线电高空测候(radio sonde, RS), 全球定位系统(global posirion system, GPS)法、BG-sentinel trap(BG)法和诱蚊诱卵法[25]。相比传统监测方法的费时费力和缺乏安全性，遥感应用于蚊媒监测，能识别蚊虫繁殖地并制作疾病风险图，预测疾病蔓延情况，空间尺度从小区域覆盖到全球范围[26-29]。基本模式可概括为：通过现场调查和资料调研，确定主要环境因素，建立媒介-环境关系模型，同时分析并提取遥感资料中的环境因素信息，建立预测模型，利用实测数据优化完善模型，确定其可行性和适用性并应用于实际工作[30-31]。
3.1 微波反演蚊虫种群动态的环境变量在微波遥感实际应用中，由于地物目标的复杂性和不确定性，只能模拟实际情况，建立基本的物理模型和数学模型，利用实地测量数据对模型的正确性进行验证[32]。利用遥感指数、气象要素和地表景观参数等辅助信息获取蚊虫的种群动态，是微波遥感反演过程的关键[33]。
3.1.1 遥感指数遥感指数可用于蚊虫种群监测，如归一化植被指数(normalized difference vegetation index，NDVI)可间接反映蚊虫孳生地植被覆盖、温度和湿度等综合生态信息。Adimi等[34]采用23个省级卫生站3年的疟疾数据，结合TRMM和中分辨率成像光谱仪(medium-resolution imaging spectrometer，MERIS)数据，建立疟疾时间序列模型对阿富汗地区的疟疾风险进行预测。结果表明，NDVI间接反映了灌溉是导致该地区疟疾传播的主要因素，是最有效的预测指标，地表温度次之，而降水不能作为显著的预测因子。田庆久、高峰等[35-36]利用微波极化差指数和微波极化比指数，监测了青藏高原地区的植被生长状况，为相关参数的反演提供了背景指数。
3.1.2 地表湿度地表湿度与土壤水分含量密切相关，是蚊虫孳生地监测的重要指标[37]。Wang等[38]通过机载实验证明了从L波段1.4 GHz的被动微波亮度温度测量数据中反演近地表土壤水分的可能性。Panciera等[39]也探讨了L波段低分辨率卫星数据的地表异质性与亮度温度和土壤水分间非线性效应的影响。刘纪远等[40]则基于航天飞机成像雷达(shuttle imaging radar-A，SIR-A)数据讨论了土壤介电特性与图像灰度特征间的相关性。
目前土壤水分的微波反演主要有基于雷达或散射计的主动反演法，基于微波辐射计的被动反演法以及主被动联合反演法[41]。其中，主动微波遥感反演法考虑了植被、粗糙度、土壤湿度与雷达后向散射的相互影响，常用方法主要有散射模型法、土壤湿度变化探测法、数据融合法等[42]。早期的基尔霍夫模型(Kirchhoff approximation, KA)和小扰动模型(small perturbation model, SPM)只能处理极端情况，在自然地表条件下的应用范围很窄[43]。近年来发展的积分方程模型(integral equation model，IEM)、改进的积分方程模型(advanced IEM，AIEM)、相位扰动理论(phase perturbation theory, PPT)、全波方法(full wave method, FWM)等更适用于具有广泛粗糙度范围的地表[44-46]。魏小兰等[47]利用AIEM模型分析了单极化SAR数据反演土壤水分在S波段的适用性。丁建丽等[48]以IEM模型为基础，利用微波遥感数据和土壤水分实测数据，讨论了裸地及稀疏植被覆盖条件下C波段提取土壤水分的适用性。
被动微波遥感反演土壤水分算法包括辐射传输法、比辐射率法、迭代求解法和人工神经网络法等[49]。欧空局土壤湿度与海水盐度卫星(soil moisture and ocean salinity，SMOS)比AMSR-E精度更高，但两者的土壤水分反演算法都存在不足。主被动联合反演法利用主动和被动微波遥感数据与土壤水分等地表参数的关系，两者融合后共同反演地表参数[50]，或者利用高分辨率主动微波数据获取地表参数，并代入被动模型中反演土壤水分[51]。
3.1.3 温度地表温度是影响蚊虫生长发育的重要自然因素之一，Chaves等[52]采用幼虫和成虫两阶段的矩阵模型，证明高温引起的与埃及伊蚊种群参数自相关的环境变化，能强制推迟蚊虫的爆发。受空间数据源的限制，早期研究多使用专题微波辐射计(special sensor microwave imager，SSM/I)反演地表温度，近年来开始采用高级微波扫描辐射计(Advanced microware scanning radiometer, AMSR-E)数据。McFarland等[53]研究指出，对于有水存在的地表，SSM/I数据受水体的影响必须加以校正。毛克彪等[54]利用中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)地表温度产品与AMSR-E各通道亮度温度进行回归分析得到最佳反演通道，并采用MODIS地表温度产品作为评价标准代替AMSR-E所需的地表数据，反演精度在2～3 ℃，克服了难获取地表同步实测数据的问题。Jones等[55]利用无雪季节期间从AMSR-E卫星中获得的亮温数据，反演2 m高度内每日最低、最高气温。结果表明，在植被浓密地区，AMSR-E反演结果与实测数据较接近，反演精度较高，而在沙漠和植被稀疏地区精度较低。
3.2 微波遥感对蚊媒病的监测 3.2.1 SAR在蚊媒监测中的应用SAR对观测目标水分条件敏感，较容易对利于水生幼虫栖息繁殖的湿地和沼泽地区进行制图。Ross等[56]利用RADARSAT-1数据研究肯尼亚海岸的冈比亚按蚊丰度分布，讨论了C波段对疟疾进行监测和风险制图的贡献，并预测具有更高分辨率以及全极化数据的RADARSAT-2传感器，将会提高微波遥感对热带地区蚊媒病的监测能力。Kaya等[57]的研究也得出类似结论。Diuk等[58]利用ERS-2 SAR遥感数据跟踪马里纽诺地区的水稻灌溉面积变化监测冈比亚按蚊的密度，通过分析ERS-2 SAR后向散射强度获取水稻生长空间格局，从而监测蚊虫的种群规模和分布，结果表明，该蚊虫伴随着水稻的生长周期繁殖生长，在水稻生长早期阶段，蚊虫数量最多；当水稻长高变厚时，蚊虫数量降低。
3.2.2 微波遥感与GIS结合微波遥感能够获得更具时空连续性的环境指标和疾病空间分布数据，GIS建模和空间分析技术更利于对蚊媒病进行时空预测。遥感手段结合GIS技术和土地利用、人口、地形等数据，能识别并标识出与疾病传播危险相关的地理景观要素，绘制人类疾病风险图，为疾病的预防和治理提供了重要科学依据[59]。Kaya等[60]研究了RADARSAT-1数据和GIS空间分析技术，在肯尼亚沿海地区监测和绘制疟疾风险图中的应用。采用面向对象的分类方法提取蚊虫孳生区域，利用GIS缓冲区分析，以蚊虫孳生区域为中心，以携带疟疾的蚊虫从其孳生地去感染人类宿主的最大距离为半径，生成疟疾风险图。Andrianasolo等[61]从遥感数据获得登革热发病的环境因素和指标，利用GIS建模推导出登革热发病率水平的空间分布，对登革热的可能爆发地点和发病率水平进行预测。
3.2.3 微波遥感与地理统计学结合蚊媒病监测数据通常采用描述性流行病学法分析[62-64]，Robinson等[65]研究认为，由于蚊媒病及其媒介的空间分布不均匀而且并非完全独立，因此采用普通统计学模型反映其空间分布是不准确的，同时也忽略了它们的空间位置和相互关系。Chuang等[66]采用多项式分布滞后 (polynomial distributed lag，PDL)模型，统计分析AMSR-E传感器和原位气象站实测数据，分别验证了它们对美国苏福尔斯市2种重要蚊虫(刺扰伊蚊、环附库蚊)种群丰度的预测能力，结果表明，尽管AMSR-E数据空间分辨率不高(25 km)，但其衍生模型比基于气象站的模型有更高的预测精度。在AMSR-E衍生模型中，空气温度和地表含水率是刺扰伊蚊的最佳预测因子，空气温度和植被不透明度是环附库蚊的最佳预测因子。
4 小 结综上所述，微波遥感通过监测与蚊虫有关的关键环境因素，间接获得蚊虫种群动态，进而得到疾病预警信息和分布特征，为制订防制策略提供重要依据，但微波遥感应用于蚊媒病监测依然存在一些不足。蚊虫受大气温度直接影响，而微波遥感只能获取地表辐射值，造成反演温度与实测温度的不匹配。同时，环境变化导致蚊媒病影响因素不确定，微波遥感环境替代指标与蚊媒病传播环境因素的关系有待进一步研究。不同蚊媒病的媒介生物构成以及蚊媒环境的不同，是反演模型不具有普适性的重要原因。结合经验关系和辐射传输模拟，建立适用于多种媒介生物的环境因素反演算法，还需要更多的研究。同时，为减少人为不确定性造成的误差，需要进一步完善蚊虫验证样本采样方法。由于目前没有统一的应用标准，采用不同尺度的微波遥感数据研究不同地区蚊媒病，存在结果可比性问题。微波遥感技术在不断发展、多源遥感数据结合已有理论基础，微波遥感在流行病学研究领域的应用也将成为必然。
| [1] | Cline BL. New eyes for epidemiologists: arial photography and other remote sensing techniques[J]. American Journal of Epidemiology , 1970, 92 (2) : 85–89. |
| [2] | 舒宁. 微波遥感原理[M]. 武汉: 武汉测绘科技大学出版社, 2000 . |
| [3] | 姜景山, 张云华, 董晓龙. 微波遥感若干技术及新一代空间遥感方法探讨[J]. 中国工程科学 , 2000, 2 (8) : 76–82. |
| [4] | 姜景山. 微波遥感信息技术发展若干问题的讨论[J]. 遥感技术与应用 , 2005, 20 (1) : 1–5. |
| [5] | 姜景山, 吴一戎, 刘和光, 等. 中国微波遥感发展的新阶段新任务[J]. 中国工程科学 , 2008, 10 (6) : 10–15. |
| [6] | 孟霖达. 利用AMSR-E数据反演地表温度[D]. 吉林: 吉林大学硕士学位论文, 2007. http://cdmd.cnki.com.cn/article/cdmd-10183-2007091452.htm |
| [7] | 刘闯, 葛成辉. 美国对地观测系统(EOS)中分辨率成像光谱仪(MODIS)遥感数据的特点与应用[J]. 遥感信息 , 2000 (3) : 45–48. |
| [8] | 潘士贤. 蚊虫与疾病[J]. 应用预防医学 , 2013, 19 (4) : 1–2. |
| [9] | World Health Organization. Malaria[R]. Switzerland: WHO Press, 2009. |
| [10] | World Health Organization. Dengue and dengue hemorrhagic fever[R]. Switzerland: WHO Press, 2009. |
| [11] | Gubler DJ. Resurgent vector-borne diseases as a global health problem[J]. Emerging Infectious Diseases , 1998, 4 (3) : 442–450. DOI:10.3201/eid0403.980326 |
| [12] | 顾卫东. 遥感技术在蚊虫孳生地监测中的应用[J]. 医学动物防制 , 1991, 7 (3) : 51–53. |
| [13] | 易彬樘, 徐德忠. RS在蚊媒传染病监测中的应用及发展现状[J]. 中国公共卫生 , 2003, 19 (3) : 355–357. |
| [14] | Hay SI, Tucker CJ, Rogers DJ, et al. Remotely sensed surrogates of meteorological data for the study of the distribution and abundance of arthropod vectors of disease[J]. Annals of Tropical Medicine and Parasitology , 1996, 90 (1) : 1–19. |
| [15] | Hayes MO, Maxwell EL, Mitchell CJ, et al. Detection identification and classification of mosquito larval habitats using remote-sensing scanners in earth-orbiting satellites[J]. Bulletin of the World Health Organization , 1985, 63 (2) : 361–374. |
| [16] | Becker N, Petric D, Zgomba M, et al. Mosquitoes and their control[M]. New York: Kluwer Academic/Plenum Publisher, 2003 . |
| [17] | 仲洁, 何隆华. 气象因素对蚊虫密度影响研究进展[J]. 中国媒介生物学及控制杂志 , 2015, 26 (1) : 87–91. |
| [18] | Kummerow C, Barnes W, Kozu T, et al. The Tropical Rainfall Measuring Mission(TRMM) sensor package[J]. Journal of Atmospheric and Oceanic Technology , 1998, 15 (3) : 809–817. DOI:10.1175/1520-0426(1998)015<0809:TTRMMT>2.0.CO;2 |
| [19] | 刘元波, 傅巧妮, 宋平, 等. 卫星遥感反演降水研究综述[J]. 地球科学进展 , 2011, 26 (11) : 1162–1171. |
| [20] | Chuang TW, Hildreth MB, Vanroekel DL, et al. Weather and land cover influences on mosquito populations in Sioux Falls, South Dakota[J]. Journal of Medical Entomology , 2011, 48 (3) : 669–679. DOI:10.1603/ME10246 |
| [21] | Chuang TW, lonides EL, Knepper RG, et al. Cross-correlation map analyses show weather variation influences on mosquito abundance patterns in Saginaw Country, Michigan, 1989-2005[J]. Journal of Medical Entomology , 2012, 49 (4) : 851–858. DOI:10.1603/ME11150 |
| [22] | Moreno-Madrinan MJ, William L, Crosson WL, et al. Correlating remote sensing data with the abundance of pupae of the dengue virus mosquito vector, Aedes aegypti, in Central Mexico[J]. ISPRS International Journal of Geo-Information , 2014, 3 (2) : 732–749. DOI:10.3390/ijgi3020732 |
| [23] | Pope KO, Sheffner EJ, Linthicum KJ, et al. Identification of central Kenyan Rift-valley fever virus vector habitats with Landsat TM and evaluation of their flooding status with airborne imaging radar[J]. Remote Sensing of Environment , 1992, 40 (3) : 185–196. DOI:10.1016/0034-4257(92)90002-2 |
| [24] | Pope KO, Reybenayas JM, Paris JF. Radar remote-sensing of forest and wetland ecosystems in the Central-American tropics[J]. Remote Sening of Enviroment , 1994, 48 (2) : 205–219. DOI:10.1016/0034-4257(94)90142-2 |
| [25] | 帅淑芬, 李奕基, 陈晓光. 常用蚊媒监测方法概述[J]. 热带医学杂志 , 2013, 13 (10) : 1292–1296. |
| [26] | Washino RK, Byron L, Wood BL. Application of remote sensing to vector arthropod surveillance and control[J]. Am Journal of Tropical Medicine and Hygiene , 1994, 50 (6) : 134–144. |
| [27] | Hay SI, Lennon JJ. Deriving meteorological variables across Africa for the study and control of vector-borne disease: a comparison of remote sensing and spatial interpolation of climate[J]. Tropical Medicine and International Health , 1999, 4 (1) : 58–71. DOI:10.1046/j.1365-3156.1999.00355.x |
| [28] | Machault V, Vignolles C, Pages F, et al. Spatial heterogeneity and temporal evolution of malaria transmission risk in Dakar, Senegal, according to remotely sensed environmental data[J]. Malaria Journal , 2010, 9 : 252. DOI:10.1186/1475-2875-9-252 |
| [29] | 董文明. 成像雷达在生态研究方面的应用回顾[J]. 国外铀金地质 , 1998, 15 (2) : 153–160. |
| [30] | Roberts DR, Paris JF, Manguin S, et al. Predictions of malaria vector distribution in Belize based on multispectral satellite data[J]. American Journal Tropical Medicine and Hygiene , 1998, 54 (3) : 304–308. |
| [31] | Rejmnkova E, Roberts DR, Pawley A, et al. Predictions of adult Anopheles-albimanus densities in villages based on distances to remotely-sensed larval habitats[J]. American Journal of Tropical Medicine and Hygiene , 1995, 53 (5) : 482–488. |
| [32] | 张俊荣. 我国微波遥感现状及前景[J]. 遥感技术与应用 , 1997, 12 (3) : 59–64. |
| [33] | 何隆华, 周明浩, 褚宏亮, 等. 遥感技术在蚊媒传染病研究中的应用进展[J]. 中国媒介生物学及控制杂志 , 2014, 25 (2) : 184–188. |
| [34] | Adimi F, Soebiyanto RP, Safi N, et al. Towards malaria risk prediction in Afghanistan using remote sensing[J]. Malaria Journal , 2010, 9 (5) : 339–341. |
| [35] | 田庆久, 闵祥军. 遥感植被指数研究进展[J]. 地球科学进展 , 1998, 13 (4) : 227–233. |
| [36] | 高峰, 车涛, 王介民, 等. 被动微波遥感指数及其利用[J]. 遥感技术与应用 , 2005, 20 (6) : 551–557. |
| [37] | 邵晓梅, 严昌荣, 徐振剑. 土壤水分监测与模拟研究进展[J]. 地理科学进展 , 2004, 23 (3) : 58–66. |
| [38] | Wang JR. Passive microwave sensing of soil-moisture content- the effects of soil bulk-density and surface-roughness[J]. Remote Sensing of Environment , 1983, 13 (4) : 329–344. DOI:10.1016/0034-4257(83)90034-2 |
| [39] | Panciera R, Walker JP, Kim E, et al. Effect of spatial scale on soil moisture retrieval from passive microwave sensors[R]. New Zealand: MSSANZ, 2007. |
| [40] | 刘纪远, 滕叙兖, 肖金凯. 航天飞机成像雷达(SIR-A)图像在土地利用调查中的应用研究[J]. 地理科学 , 1985, 5 (1) : 10–19. |
| [41] | 施建成, 杜阳, 杜今阳, 等. 微波遥感地表参数反演进展[J]. 地球科学 , 2012, 42 (6) : 814–842. |
| [42] | 赵少华. 河北平原东部土壤湿度的遥感监测研究[D]. 北京: 北京师范大学博士学位论文, 2008. |
| [43] | Fung AK, Li ZQ, Chen KS. Back scattering from a randomly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing , 1992, 30 (2) : 356–369. DOI:10.1109/36.134085 |
| [44] | Shen J, Maradudin AA. Multiple-scattering of waves from random rough surfaces[J]. Physical Review B , 1980, 22 (9) : 4234–4240. DOI:10.1103/PhysRevB.22.4234 |
| [45] | Bahar E. Full-wave solutions for the depolarization of the scattered radiation-fields by rough surfaces of arbitrary slope[J]. IEEE Transactions on Antennas Propagation , 1981, 29 (3) : 443–454. DOI:10.1109/TAP.1981.1142604 |
| [46] | 赵少华, 秦其明, 沈心一, 等. 微波遥感技术监测土壤湿度的研究[J]. 微波学报 , 2010, 26 (2) : 90–96. |
| [47] | 魏小兰, 李震, 陈权. S波段雷达数据反演土壤水分的模拟分析和验证[J]. 地理信息科学 , 2008, 10 (1) : 97–108. |
| [48] | 丁建丽, 姚远. 干旱区稀疏植被覆盖条件下地表土壤水分微波遥感估算[J]. 地理科学 , 2013, 33 (7) : 837–843. |
| [49] | 钟若飞, 郭华东, 王为民. 被动微波遥感反演土壤水分进展研究[J]. 遥感技术与应用 , 2005, 20 (1) : 49–57. |
| [50] | Notamicola C, Posa F. Bayesian fusion of active and passive microwave data for estimating bare soil water content[M]. New York: IEEE International Symposium on Geoscience and Remote Sensing, 2001 : 1167 -1169. |
| [51] | Chauhan NS. Soil moisture estimation under a vegetation cover combined active and passive microwave remote sensing approach[J]. International Journal of Remote Sensing , 1997, 18 (5) : 1079–1097. DOI:10.1080/014311697218584 |
| [52] | Chaves LF, Scott TW, Morrison AC, et al. Hot temperatures can force delayed mosquito outbreaks via sequential changes in Aedes aegypti demographic parameters in autocorrelated environments[J]. Acta Tropica , 2014, 129 (SI) : 15–24. |
| [53] | McFarland MJ, Miller RL, Christopher M. Land surface temperature derived from the SSM/I passive microwave brightness temperature[J]. IEEE Trans Geosci Remote Sensing , 1990, 28 (5) : 839–845. DOI:10.1109/36.58971 |
| [54] | 毛克彪, 施建成, 李召良, 等. 一个针对被动微波AMSR-E数据反演地表温度的物理统计方法[J]. 地球科学 , 2006, 36 (12) : 1170–1176. |
| [55] | Jones LA, Ferguson CR, Kimball JS, et al. Satellite microwave remote sensing of daily land surface air temperature minima and maxima from AMSR-E[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 2010, 3 (1) : 111–123. DOI:10.1109/JSTARS.2010.2041530 |
| [56] | Ross SG, Thomson MC, Pultz T, et al. On the use of Radarsat-1 for monitoring malaria risk in Kenya[R]. Netherlands: ESA Special Publications, 2002. |
| [57] | Kaya S, Sokol J, Pultz TJ. Monitoring environmental indicators of vector-borne disease from space: a new opportunity for RADARSAT-2[J]. Canadian Journal of Remote Sensing , 2004, 30 (3) : 560–565. DOI:10.5589/m04-012 |
| [58] | Diuk-Wasser MA, Dolo G, Bagayoko M, et al. Patterns of irrigated rice growth and malaria vector breeding in Mali using multi-temporal ERS-2 synthetic aperture radar[J]. International Journal of Remote Sensing , 2006, 27 (3) : 535–548. DOI:10.1080/01431160500104350 |
| [59] | 宫鹏, 徐冰, 梁松. 用遥感和地理信息系统研究传染病时空分布[J]. 中国科学 , 2006, 26 (2) : 184–192. |
| [60] | Kaya S, Pultz TJ, Mbogo CM, et al. The use of radar remote sensing for identifying environmental factors associated with malaria risk in Coastal Kenya[R]. Toronto: IGARSS, 2002. |
| [61] | Andrianasolo HH, Nakhapakorn K, Gonzalez JP. Remote sensing and GIS modeling applied to viral disease in Nakhonpathom Province, Thailand[R]. New York: IGARSS, 2000. |
| [62] | 丁磊, 王显军, 李忠, 等. 山东地区2010年秋冬型羌虫病流行特征及影响因素[J]. 中国公共卫生 , 2013, 29 (4) : 543–545. |
| [63] | 陈武, 吴生根, 洪荣涛, 等. 福建省2004—2013年登革热流行特征分析[J]. 中国公共卫生 , 2015, 31 (1) : 1–4. |
| [64] | 张育富, 周明浩, 刘大鹏, 等. 江苏沿海地区2005—2013年虫媒传染病流行特征[J]. 中国公共卫生 , 2015, 31 (1) : 36–39. |
| [65] | Robinson TP. Geographic information systems and the selection of priority areas for control of tsetse-transmitted trypanosomiasis in Africa[J]. Parasitology Today , 1998, 14 (11) : 457–461. DOI:10.1016/S0169-4758(98)01336-2 |
| [66] | Chuang TW, Henebry GM, Kimball JS, et al. Satellite microwave remote sensing for environmental modeling of mosquito population dynamics[J]. Remote Sensing of Environment , 2012, 125 (10) : 147–156. |