基于被动微波观测的青藏高原陆面温度估计外文翻译资料

 2022-11-29 15:38:02

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

基于被动微波观测的青藏高原陆面温度估计

Jiangyuan Zeng1,2, Zhen Li1, Quan Chen1, Haiyun Bi1,2, Pengfei Zou1,2

1 Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;

2 University of Chinese Academy of Sciences, Beijing 100049, China

摘要：提出了一种利用被动微波观测的青藏高原地表温度（LST）估算新模型。基于先进微波扫描辐射计（AMSR-E）的36.5GHz垂直偏振亮度温度观测与来自CAMP /西藏，玛曲和那曲三个网络的表层土壤测量之间的强线性关系，在青藏高原建立了新的地表温度反演模型。这些网络位于不同气候条件和植被覆盖的地区。然后利用三个网络的地面测量数据验证了新的LST反演模型，并将其与已知的陆地参数反演模型（LPRM）进行了比较。结果表明，新模型能够显着提高青藏高原LST相对于LPRM的估计精度，在AMSR-E下降过程中取得了较好的效果。LPRM低估了AMSR-E下降通道的LST，而高估了青藏高原AMSR-E上升通道的LST。

关键词 - 被动微波，地表温度，LPRM，AMSR-E

  1. 引言

地表温度（LST）是区域和全球尺度表面能和水平衡物理过程中的关键参数之一[1]。它也是空间观测中众多土壤水分反演方法中的关键输入变量[2] - [4]。热红外（TIR）被认为是获得LST的有效和广泛使用的方式。但是，TIR容易受到云层的影响，在植被茂盛的情况下容易受到信号饱和的影响。前者是一个很大的局限，因为大约50％的地表被云层覆盖[5]。与TIR相比，微波可以穿透云层，受大气条件的影响较小，从而弥补了TIR在LST估计方面的缺陷。一些研究人员通过各种迭代方法使用被动微波观测，同时获得LST和其他陆地表面参数，如土壤湿度[6] - [7]。许多研究表明，LST可以从垂直极化的36.5GHz或37GHz（Ka波段）亮度温度推导出来，因为此波段的微波信号在大气透射率相对较高的情况下平衡了对土壤表面特性的敏感度[5]，[8] - [9]。目前，使用Ka波段无源微波观测的最广泛使用的LST估计模型是Holmes等人开发的模型[5]。它是基于Owe等人[8]和De Jeu等人[9]的工作的一种改进形式，并且已被纳入已知的土地参数检索模型（LPRM）[3]。然而，霍姆斯等人的基础观察用于建立LST模型,该模型主要应用于美国和一些欧洲国家。因此，该模型在全球应用时仍需要进一步验证，特别是在青藏高原等特殊地区。

青藏高原通常被称为“世界屋脊”，是世界上最高和最广泛的高原[10]。它也是全球变化最敏感的领域之一[11]。LST在该地区的地表能量和水平衡物理过程中起着关键作用，因此，了解青藏高原的陆 - 气相互作用对于获得长期和大尺度的LST非常重要。在研究中，我们收集并整理了TP中建立的名为CAMP / Tibet，Maqu和Naqu的网络的所有LST（即表层土壤温度）测量结果。这些网络位于不同气候条件和植被覆盖的地区。然后，利用高级微波扫描辐射计（AMSR-E）的所有表层土壤温度测量值和36.5GHz垂直偏振亮度温度观测资料，开发了青藏高原的一个新的LST恢复模型。最后，新的LST检索模型由三个网络的地面测量结果进行验证，并与LPRM进行比较。

  1. 研究区域和数据介绍

由于特殊的地理环境，极端的气候条件和在青藏高原开展试验工作的高昂成本，该地区长期以来缺乏对土壤温度和湿度等关键地表参数的测量。由于Ma等人[12]，Su等人[13]和杨等人[10]的努力，特别是近年来，青藏高原土壤温度和湿度的测量显着增加。这些测量结果为青藏高原主要地表参数估算算法的开发和验证提供了大量有价值的实验数据。以下简要介绍青藏高原现有的土壤温度和湿度网络以及我们在研究中使用的卫星数据。

2.1 CAMP/西藏网络区域

CEOP（协调增强观测期）亚澳季风项目的土壤湿度和温度测量系统（SMTMS）网络（CAMP/青藏高原）在青藏高原中部建立。其目的是监测土壤温度和湿度，并开发陆地过程模型。该网络由八个站点组成，分别命名为安多，BJ，D66，D105，D110，MS3608，MS3637和沱沱河。每个地点记录了2002年10月1日至2004年3月31日的不同深度（地表以下4至250厘米）土壤温度和湿度，时间分辨率为1小时。在研究中，使用了所有地点4cm处的土壤温度。更多详细信息，请参阅[12]。

2.2 玛曲网络区域

玛曲土壤温度和湿度监测网络位于青藏高原的东北部。处于寒冷潮湿气候的网络，占地约40公里times;80公里。它由20个地点组成，记录2008年7月1日至2010年7月31日不同深度（地表以下5至80厘米）土壤温度和湿度，时间分辨率为15分钟。这些遗址分布在黄河大谷和周围的山丘上，均匀地被草地覆盖。 在这项研究中，使用了所有20个地点5cm处的土壤温度。更多详细信息，请参阅[13]。

2.3那曲网络区域

那曲地区土壤温度和湿度监测网络处于寒冷半干旱气候的地区，是一个在中心目标地区建立的多尺度网络。它由56个测站组成，分别对应大尺度，中尺度和小尺度网络，分别对应于三个空间尺度（1.0,0.3,0.1度）的土壤温度和湿度，四个土壤深度（0〜 20和40厘米）。本研究采用大型网络38个站点的0〜5 cm土壤温度数据，这些数据在2010年8月1日至2011年9月30日之间收集，时间分辨率为30分钟。更多详细信息，请参阅[10]。此外，我们还利用归一化植被指数（NDVI）研究了三个网络区域的植被覆盖状况。图1显示了2002年1月1日至2012年12月31日这三个网络区域的平均NDVI。NDVI数据来自于Free Vegetation Products（www.vito-eodata.be），由10天的分辨率1公里的SPOT -4产生。该数据清楚地表明这三个网络位于不同植被覆盖的地区。玛曲网区域的NDVI最高，而CAMP /西藏网络区域NDVI最小。

图1 2002年1月1日-2012年12月31日三个网络区域平均NDVI的时间变化

2.4 AMSR-E数据

在这项研究中，使用了国家冰雪数据中心（NSIDC）的AMSR-E 3级数据产品[14]。 亮度温度数据已通过全球EASE-GRID投影重新采样到25千米times;25千米的网格。使用36.5 GHz垂直极化亮度温度数据建立新的LST检索模型。

  1. 研究方法

在这项研究中，我们整合了上述三个网络近5年的所有LST（即表土温度）测量值。我们发现在AMSR-E的上升和下降过程中，36.5GHz垂直偏振亮温与表层土壤温度呈线性相关，如图2所示，这与以前的研究一致[5][8][9]。 由于土壤和植被温度在夜间更加稳定，所以拟合效果在下降通道时更好[3]。此外，我们还比较了所有数据在上升通道和下将通道合并时的回归效果，但结果比分离结果差。 因此，利用Ka波段垂直极化亮温与LST之间的关系，我们建立了一个新的青藏高原LST反演模型，如下所示：

其中TB V36.5 [dsc]和TB V36.5 [asc]分别代表AMSR-E下降和上升时的36.5 GHz垂直极化亮度温度。

图2 36.5GHz垂直极化亮温与三网络表层土壤温度之间的关系（a）AMSR-E下降通道（b）AMSR-E上升通道

四．结果与讨论

我们将新的LST反演模型和LPRM得到的LST分别与AMSR-E上升和下降通道中所有三个网络的表土温度测量结果进行了比较，如图3所示，清楚地表明了新的LST模型非常接近1：1线，与现场数据相比，LPRM模型的结果要好得多。LPRM在上升和下降过程中表现出相反的结果。它似乎低估了下降通道的LST，而它在上升通道时高估了LST。

图3 三种网络新LST模型和LPRM的测量对比图（a）AMSR-E下降通道（b）AMSR-E上升通道

表1显示了两种模型的准确性评估。可以清楚地看到，在AMSR-E的上升和下降过程中，新的LST模型（New model_T）比LPRM（LPRM_T）具有更好的准确性，较低的均方根误差（RMSE）和偏差。Holmes等人[5]提到LPRM不能准确估计CAMP /西藏网络区域相对应的贫瘠或稀疏植被区域的温度。在AMSR-E的下降过程中，LPRM具有13.96 K的较大RMSE，此时使用LPRM表明存在巨大的反演误差。相比之下，新模型的RMSE仅为3.46 K，这意味着它还可以在植被稀疏的地区很好地估计温度。总体而言，新的LST反演模型可以显着提高青藏高原表层土壤温度相对于LRPM的估算精度，特别是在AMSR-E的下降通道中。

表1 新模型_T与LPRM_T关于地表土壤温度的误差统计

五．结论

青藏高原平均海拔高达4000米，对亚洲季风有强烈的影响。由于水文和气候科学家特别是近年来的巨大努力，在青藏高原建立了几个土壤温度和湿度监测网络，如CAMP/西藏，玛曲和那曲网络，以提供长时间序列的土壤温度和湿度观察结果。这些有价值的实验数据不仅可以提高对青藏高原地表过程的认识，而且有助于促进高海拔地区卫星土壤温度产品和算法的开发和验证。

基于36.5GHz（Ka波段）垂直亮度温度对表层土壤温度高度敏感的物理基础，利用星载辐射计观测值建立了青藏高原LST估计的新模型。通过使用来自三个网络的所有表层土壤测量结果来校准新的LST反演模型的系数。由于这些网络位于不同气候条件和植被覆盖的地区，并且记录时间长（总计近五年），因此新模型被认为对青藏高原有利。最后，新的LST反演模型通过地面测量进行验证，并与著名的LPRM进行了对比。结果表明，新模型能够显着提高青藏高原LST相对于LPRM的估计精度，并且由于夜间地表温度的稳定性较高，在AMSR-E下降通道上取得了较好的结果。LPRM低估了AMSR-E下降通道的LST，而高估了青藏高原AMSR-E上升通道的LST。

致谢

这项工作得到了中国科学技术部（基金号：2010CB951403），中国科学院遥感与数字地球研究所研究生基金资助（基金号：Y3ZZ17101B），国家自然科学基金中国（基金号码：41101391）。

参考文献

[1] Z. L. Li, B. H. Tang, H. Wu, H. Z. Ren, G. J. Yan, Z. M. Wan, I. F. Trigo, and J. A. Sobrino, 'Satellite-derived land surface temperature: Current status and perspectives,' Remote Sens. Environ., vol. 131, pp. 14-37, 2013.

[2] T. J. Jackson, “Measuring surface soil moisture using passive microwave remote sensing,” Hydrol. Process., vol. 7, no. 2, pp. 139–152, 1993.

[3] M. Owe, R. A. M. De Jeu, and T. R. H. Holmes,“Multisensor historical climatology of satellite-derived global land surface moisture,” J. Geophys. Res., vol. 113, p. F01002, 2008. DOI:1029/2007JF000769.

[4] J. Y. Zeng, Z. Li, Q. Chen and H. Y. Bi, “Method for soil moisture and surface temperature estimation in the Tibetan Plateau using spaceborne radiometer observations,” IEEE Geosci. Remote Sens. Lett., 2014. DOI: 10.1109/LGRS.2014.2326890.

[5] T. R. H. Holmes, R. A. M. De Jeu, M. Owe, and A. J. Dolman, “Land surface temperature from Ka band (37 GHz) passive microwave observations,” J. Geophys. Res., vol. 114, p. D04113, 2009, DOI:10.1029/2008JD010257.

[6] E. G. Njoku, T. J. Jackson, V. Lakshmi, T. K. Chan, and S. V. Nghiem, “Soil moisture retrieval from AMSR-E,” IEE

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21934]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章