Time-Varying Analysis of Backscatter Coefficient Corresponding to Different Surface Types in the Tibetan Plateau
-
摘要: 后向散射系数（$ {\sigma }_{0} $）是卫星雷达高度计的观测量之一，被广泛应用于地表状态监测、积雪冰层厚度反演、卫星测高定标与验证等过程。根据Jason-2测高卫星的地球物理数据记录分离出青藏高原Ku波段的$ {\sigma }_{0} $数据，以GlobeLand30 2020版本的地表数据为分类基础，通过经纬度数据对$ {\sigma }_{0} $赋予地表属性，获取不同种类地表特征对应的$ {\sigma }_{0} $数据在2008-12—2016-09期间的时变序列，利用奇异谱分析原理提取出的不同地表属性中$ {\sigma }_{0} $的趋势项信息和周期项信息，并对周期项结果进行快速傅里叶变换分析。结果表明：水体、湿地区域对应的$ {\sigma }_{0} $数值较高，冰川和永久积雪区域对应的$ {\sigma }_{0} $数值较低。在整个区域，$ {\sigma }_{0} $存在多种周期信号。人造地表、裸地、灌木地的地表性质稳定，区域对应的$ {\sigma }_{0} $周期不显著。在其余区域，$ {\sigma }_{0} $的变化具有显著的周年和半年周期，且变化振幅不一致，各个区域对应的$ {\sigma }_{0} $趋势变化有所差异。Abstract:Objectives Backscatter coefficient ($ {\sigma }_{0} $) is one of observations of satellite radar altimetry, which is widely used in the processes of surface state monitoring, snow thickness inversion, data calibration and verification of satellite altimeters, and other fields. The geophysical data record data of Jason-2 is used to extract and isolate the Ku-band $ {\sigma }_{0} $ data of the Tibetan Plateau (TP).Methods Taking the GlobeLand30 2020 version data as the basis for surface classification, $ {\sigma }_{0} $ is given surface attributes by latitude and longitude data. And we obtain the time-varying sequences of $ {\sigma }_{0} $ under different types of surface features from December 2008 to September 2016. The singular spectrum analysis principle is used to extract the $ {\sigma }_{0} $ time change trend and period information, and the period results are analyzed by fast Fourier transform.Results The results show that the $ {\sigma }_{0} $ is higher in waters and wetland areas, and is lower in permanent snow and ice areas. There are multiple period signals of $ {\sigma }_{0} $ in the TP.Conclusions The surface properties of the artificial surfaces, bare land, and shrubland area are stable, and the annual $ {\sigma }_{0} $ change is not significant. The other regions have significant annual and semi-annual cycles of $ {\sigma }_{0} $ variability, and the amplitude of variability is not consistent across regions, with different regions corresponding to different changes in $ {\sigma }_{0} $ trends.
-
卫星搭载测高计获取地球表面的后向散射系数（$ {\sigma }_{0} $）。在陆地上，$ {\sigma }_{0} $的值由地表的几何和电磁参数特征以及卫星系统参数信息决定[1]，$ {\sigma }_{0} $与反射表面的粗糙度、复介电常数和电磁波入射的角度有关[2]。因此，$ {\sigma }_{0} $的空间特征和时间变化规律能够反映地表性质，它同全球/区域气候变化影响下地表的物理特征和几何特征密切相关。$ {\sigma }_{0} $最初被用于建立波-风模型，以计算波高和表面风速[3-4]。除海洋表面以外，卫星雷达高度计能够在陆地和冰层表面产生脉冲回波，结果表明，$ {\sigma }_{0} $数据具有在全球和区域范围内监测陆地表面的强大能力[5-6]，它的数值由地表性质决定，对于不同的地表性质呈现不同的特征[7-8]。地表土壤湿度、植被随气候、季节不断变化并影响地表特征[9-10]，因此，$ {\sigma }_{0} $的时空变化受气候和地理特征变化的制约。利用地表$ {\sigma }_{0} $的时空变化规律来掌握地物变化特征和区域气候变化规律具有重要意义。
近年来，对地观测、信息处理等技术飞速发展，地表覆盖遥感信息提取能力逐步增强，多尺度地表覆盖数据产品不断涌现，其中，中国研制的GlobeLand30数据覆盖全球陆域数据，含水体、人造覆盖、耕地、森林等10个地表属性分类。GlobeLand30数据被联合国有关机构评价为世界上首套高分辨率全要素全球地表覆盖数据产品和全球性的重要基础数据[11]。
青藏高原是响应全球气候变化最敏感的地区之一[12]，先前对于特定地表属性的后向散射系数时间序列变化的研究多数集中于单个或多个卫星雷达高度计的联合处理，未能联合精度更高的光谱影像。本文利用GlobeLand30 2020数据集对地表属性界定的这一条件，对青藏高原Jason-2 Ku波段的后向散射系数进行定性处理，以GlobeLand30 2020地表分类数据为采样基础，获取各个区域内后向散射系数的时变序列，利用奇异谱分析（singular spectrum analysis，SSA）分离出趋势项和周期项，利用快速傅里叶变换（fast Fourier transform，FFT）对获取的周期项进行处理，定量分析不同地表特征的后向散射系数的变化特征，为全球和区域性监测地面特征提供一定的方法参考和研究方向支持，同时有助于更好地了解各区域不同地表变化的特点。
1 研究区域数据及处理方法
1.1 青藏高原区域
本文研究区域为有“世界屋脊”之称的青藏高原地区，地处26°N~41°N、67°E~105°E，位于中国西南部，属亚洲内陆高原。该区域包含草地、湿地、裸地、冰川、积雪和湖泊等多种地理特征区域。由亚欧板块和印度洋板块挤压形成的青藏高原隆起[13]，影响了高原及其邻近地区环境的演化，被誉为“全球气候变化的驱动机与放大器”[14]。同时，作为地球陆地生态系统的重要组成部分，它被视为南极和北极之外的世界“第三极”[15]，可作为研究气候变化的“试验田”。
1.2 $ {\sigma }_{0} $数据及其预处理
卫星雷达高度计向地球发送脉冲并接收来自地球表面的反向散射回波能量，通过自动增益控制系统生成雷达回波波形。后向散射系数取决于反射的雷达脉冲功率，由地表回波散射产生，它主要由地表目标的特性、雷达扫过的足迹以及足迹内面散射量来决定。可以根据反射面回波的雷达波形计算得到后向散射系数[1, 16]。现存多种类型的卫星测高任务可供研究[17]，其中Jason-2任务是继Topex/Poseidon和Jason-1测高任务的又一次测高任务，通过Jason-2搭载的Poseidon雷达高度计获取的测高数据具有多种应用[18]，而由高度计探测地表得到的后向散射系数具有监测地面信息的能力[19]。$ {\sigma }_{0} $依赖于反射雷达的脉冲功率，可以从反射面回波的雷达波形中计算。雷达高度计的简化$ {\sigma }_{0} $方程为：
$$ {\sigma }_{0}=\frac{{P}_{r}64{{\rm{ \mathsf{ π} }}}(1+h/{R}_{e})}{{P}_{t}{G}^{2}{\lambda }^{2}c\tau }{h}^{3}{L}_{\mathrm{a}\mathrm{t}\mathrm{t}}{L}_{\mathrm{a}\mathrm{t}\mathrm{m}}{L}_{T} $$ (1) 式中，$ G $表示前视天线增益；$ {P}_{r} $表示高度计天线接收功率；$ h $表示卫星轨道高度；$ {R}_{e} $表示地球半径；$ {P}_{t} $表示天线发射功率；$ \lambda $表示雷达波长；$ c $为光速；$ \tau $为脉冲宽度；$ {L}_{\mathrm{a}\mathrm{t}\mathrm{t}} $为高度角损耗；$ {L}_{\mathrm{a}\mathrm{t}\mathrm{m}} $为大气损耗；$ {L}_{T} $为与温度有关的损耗。雷达高度计接收的返回能量$ {P}_{r} $取决于雷达系统、大气衰减和反射面的散射特性。
Jason-2卫星于2008年6月20日发射[20]，是美国宇航局/法国国家空间研究中心实施的Jason-1任务的后续，其轨道是圆形的非太阳同步轨道，高度为1 336 km，轨道倾角为66.038°，运行轨迹能够完整覆盖整个青藏高原地区。后向散射系数数据是从AVISO/Altimetry（ftp.aviso.altimetry.fr）卫星高度计任务的活动档案数据中心发布的Jason-2地球物理数据记录（geophysical data record，GDR）数据中提取的。该产品以10 d为一个周期进行存储，每个周期最多包含254个Pass文件。首先，根据AVISO的数据编辑准则[21]，从数据集中选取经过ice-1波形重定位[22]的20 Hz $ {\sigma }_{0} $数据，提取并筛选青藏高原内Ku波段的$ {\sigma }_{0} $数据，并进行平均得到时间序列。用3$ \sigma $准则对序列各点进行处理，剔除超过阈值的数据，数据剔除率为1.7%。应用SSA的迭代插值法[23-24]来填充缺失的数据。
利用SSA[24-25]对时间序列进行分解和重构，将窗口长度$ M $设为37，以获得该序列下的趋势项和周期项等信息。对于序列信号的重构分量（reconstruction component，RC），SSA能够有效地表示原始序列的主要变化成分，为原始序列的单个周期分量生成一对具有相似特征值的RC，从而对原始时序进行趋势提取、周期识别、数据平滑和消噪等。利用$ \omega $-correlation方法[25-26]对各RC之间的相关性进行分析，将具有相同信号特征的RC进行分组，假设利用SSA得到的分量序列为$ {\boldsymbol{Y}}^{i} $，则任意两个重建时间序列的$ \omega $-correlation可表示为如下形式：
$$ {\rho }_{i, j}^{\omega }=\frac{({\boldsymbol{Y}}^{\left(i\right)}, {\boldsymbol{Y}}^{\left(j\right)})}{{‖{\boldsymbol{Y}}^{i}‖}_{\omega }{‖{\boldsymbol{Y}}^{j}‖}_{\omega }}, 1\le i, j\le N $$ (2) 式中，$ {‖{\boldsymbol{Y}}^{i}‖}_{\omega }=\sqrt{({\boldsymbol{Y}}^{\left(i\right)}, {\boldsymbol{Y}}^{\left(i\right)})} $；$ ({\boldsymbol{Y}}^{\left(i\right)}, {\boldsymbol{Y}}^{\left(j\right)})=\sum \limits_{k=1}^{N}{\omega }_{k}{y}_{k}^{i}{y}_{k}^{j} $，其中，$ {\omega }_{k}=\mathrm{m}\mathrm{i}\mathrm{n}(k, M, N-k) $，表示权重系数。$ {\rho }_{i, j}^{\omega } $的绝对值越接近1，说明$ i $、$ j $对应部分的相关性越大，则将该组信号归为同一组信号成分。
振幅反映了$ {\sigma }_{0} $时间序列周期性变化的幅度。$ {\sigma }_{0} $的变化周期与地表特征的周期性变化有关，很有必要对$ {\sigma }_{0} $的振幅特征进行分析。利用最小二乘谱分析方法[27-28]对$ {\sigma }_{0} $序列数据进行处理，$ {\sigma }_{0} $时变周期内的振幅是将数据观测值与下式拟合得到的：
$$ \begin{gathered} y=a_0+b_0\left(t-t_0\right)+A_0 \sin \left[\frac{2 {\rm{ \mathsf{ π} }}}{T}\left(t-t_0\right)+p_1\right]+ \\ A_1 \sin \left[\frac{4 {\rm{ \mathsf{ π} }}}{T}\left(t-t_0\right)+p_2\right] \end{gathered} $$ (3) 式中，$ {a}_{0} $为偏差；$ {b}_{0} $为变化趋势项；$ t $为时间；$ {t}_{0} $为初始时间（在本文中为2008年9月）；$ T $为周期，序列数据可能存在半年和周年周期；$ {A}_{0} $、$ {A}_{1} $分别为周年和半年变化的振幅；$ {p}_{1} $、$ {p}_{2} $是初始相位。
1.3 GlobeLand30 2020数据及预处理
本文使用的数据是最新发布的GlobeLand30 2020版数据（www.globeland30.org），GlobeLand30 2020版本数据研制所使用的分类影像主要是30 m多光谱影像，包括美国Landsat的TM5、ETM+、OLI多光谱影像和中国环境一号（HJ-1）卫星多光谱影像[29]，GlobeLand30 2020版数据还使用了16 m分辨率的GF-1多光谱影像进行更高精度的补充处理。利用ArcGIS 10.7软件对GlobeLand30 2020数据进行裁剪处理，获取青藏高原区域的地表属性分布，如图 1所示。将Jason-2卫星每周期的经纬度数据导入图幅中进行采样，获取按照地表属性分类的后向散射系数数据集，对分类后的各项数据进行处理，得到不同地表属性下$ {\sigma }_{0} $的时间序列。
2 结果与讨论
2.1 整体时变规律分析
获取整个青藏高原区域2008-12—2016-09期间Jason-2 Ku波段后向散射系数的时间序列，如图 2（a）所示。整个序列存在明显的周期特征，并且存在一定的规律：整个区域$ {\sigma }_{0} $的变化以周年为主要周期，每年1月—2月、6月—7月，后向散射系数稳定在10.2 dB，而在3月—5月、10月—12月，后向散射系数趋近于11.4 dB，这与青藏高原区域内的气候变化有关。
![]()
图 2 青藏高原区域内Jason-2 Ku波段后向散射系数时变信息Figure 2. Time-Varying Information of the Backscatter Coefficient in the Jason-2 Ku Band in the Tibetan Plateau Region根据SSA原理，对插值后的序列按照SSA方法（窗口长度$ M $=37）进行分解和重构。数据中通常包含周年、半周年、长期变化和噪声等一系列信号。对前30阶RC进行$ \omega $-correlation分析，结果见图 2（b），第12阶及其之后的RC之间不能很好地相互分离，这说明它们中噪声占较大部分。RC1为单独存在的趋势项信息（图 2（c）），对于RC2~RC11，将属于同一周期成分的重构序列进行合并，利用FFT谱分析探寻合并项中存在的周期特性（图 2（d））。通过对青藏高原区域后向散射系数变化趋势及频谱特征的分析，得到以下结果：
1）整个区域$ {\sigma }_{0} $的变化特征呈逐渐增加的趋势，可能是由于气候对地表的影响，高原地表逐渐向暖湿化过渡，整个区域土壤湿度增加。受土壤湿度影响[30]，地表复介电常数增加，进而导致区域后向散射增强。
2）区域内的$ {\sigma }_{0} $的变化以周年为主要周期，半年周期和季度周期特征不显著。地表$ {\sigma }_{0} $的变化特征与地面覆盖物的周期变化属性有关，青藏高原区域内的植被、河流、积雪和冻土具有显著的周年周期，受气候因素的影响，地表的$ {\sigma }_{0} $变化的周年周期显著。受高海拔、多山脉、植被覆盖面积少等地貌特征的影响，青藏高原生态区域多为高寒草地地区[31]，地表特征受季节变化影响小，半年和季度周期振幅较小；青藏高原区域大部分高海拔地区的生态环境稳定，但区域中仍存在随气候因素特征变化明显的区域，因此半年周期和季度项周期由该类区域变化主导，在不同时间段下的周期能量不同，需要进一步分析不同地表类型的时间序列。
2.2 不同地表类型下$ {\sigma }_{0} $时变序列分析
获取并筛选青藏高原区域内的后向散射系数，对各个地表属性数据的占比进行统计，得到的结果如图 3所示。可以看出，草地属性地表内的后向散射系数占比最多，裸地其次，人造地表占比最少。根据青藏高原区域各个地表特征内的后向散射系数时间序列变化特征（见图 4），对各个序列进行分析，能够得到以下信息：
![]()
图 3 Jason-2后向散射系数在青藏高原9项地表类型下占比Figure 3. Proportions of Jason-2 Backscatter Coefficient in Nine Land Surface Types in the Tibetan Plateau![]()
图 4 青藏高原区域内9种地表类型下Jason-2 Ku波段$ {\sigma }_{0} $时间序列Figure 4. $ {\sigma }_{0} $ Time Series of Jason-2 Ku Band of 9 Land Surface Types in the Tibetan Plateau1）周期性特征明显。湿地、水体、森林、草地、雪地地表类型的后向散射系数呈现出明显的周期特征，人造地表、耕地、灌木地、裸地的地表后向散射系数有较小浮动，这是因为其地表性质稳定但仍受气候制约。青藏高原裸地多为荒漠地域，地表性质变化受气候变化影响最小，裸地区域的后向散射系数最为稳定。
2）森林、草地区域$ {\sigma }_{0} $的时间序列相关性最高，两个区域地表性质的变化最为接近。表 1展示了不同地表属性下的后向散射系数时间序列相关系数，可以看出，除湿地外，其余地表属性下的后向散射系数同整体时变具有一致规律。湿地地区独特的变化特征可被用于区分湿地变化边界。因为$ {\sigma }_{0} $对应的研究区多为草地区域（见图 3），草地变化同整体变化的相关性最高。
表 1 不同地表属性下后向散射系数时间序列相关系数Table 1. Time Series of Correlation Coefficients of Backscatter Coefficient of Different Land Surface Types属性 整体区域 森林 草地 灌木地 冰川和永久积雪 裸地 人造地表 耕地 湿地 水体 整体区域 1.00 0.73 0.93 0.42 0.43 0.66 0.30 0.53 $ - $0.38 0.64 森林 0.73 1.00 0.60 0.16 0.40 0.31 0.12 0.49 $ - $0.58 0.57 草地 0.93 0.60 1.00 0.46 0.38 0.59 0.32 0.45 $ - $0.26 0.50 灌木地 0.42 0.16 0.46 1.00 $ - $0.07 0.31 0.20 0.04 0.08 0.16 冰川和永久积雪 0.43 0.40 0.38 $ - $0.07 1.00 0.13 0.05 0.31 $ - $0.50 0.45 裸地 0.66 0.31 0.59 0.31 0.13 1.00 0.04 0.14 0.01 0.17 人造地表 0.30 0.12 0.32 0.20 0.05 0.04 1.00 0.54 $ - $0.09 0.24 耕地 0.53 0.49 0.45 0.04 0.31 0.14 0.54 1.00 $ - $0.45 0.48 湿地 $ - $0.38 $ - $0.58 $ - $0.26 0.08 $ - $0.50 0.01 $ - $0.09 $ - $0.45 1.00 $ - $0.66 水体 0.64 0.57 0.50 0.16 0.45 0.17 0.24 0.48 $ - $0.66 1.00 3）湿地、水体等区域具有较高的后向散射特征，积雪区域的后向散射系数最低，推测是受到了不同性质复介电常数的影响，同时积雪在不同季节的深度对后向散射也有一定影响[32-33]。
对各个属性下的后向散射系数进行统计。数据的标准差能够描述区域性质的稳定性，标准差越小，稳定性越高。本文计算了后向散射系数的两种标准差属性：一是基于时变序列过程，对各个周期的序列数据进行处理，获取时间序列下的序列标准差，该项代表的是整个时变过程的稳定性；二是基于各个地表属性下的所有数据求得整体标准差，该项代表的是在各个地表属性下，整个时段（2008-12—2016-09）地表后向散射系数的变化特征及其稳定性。振幅由式（3）拟合得到。
1）在$ {\sigma }_{0} $的时变过程中，裸地区域的标准差和序列振幅小，这是由地表状态决定的，作为表层为土质，基本无植被覆盖的裸地区域受气候变化影响最小，其后向散射系数变化在时变过程中最为稳定。而湿地和水体区域受气温、降水等气候变化影响大，不同地表类型对应的$ {\sigma }_{0} $时间序列具有较高的振幅和标准差（见表 2）。
表 2 各个地表属性下后向散射系数特征量统计/dBTable 2. Statistics of Backscatter Coefficient Characteristic Quantity for Each Land Surface Type/dB属性 均值 序列标准差 整体标准差 周年振幅 半年振幅 青藏高原区域 10.68 0.44 9.42 0.34 0.16 耕地 11.37 0.96 10.82 0.64 0.01 林地 9.82 0.86 8.45 0.97 0.38 草地 9.99 0.43 8.55 0.32 0.15 灌木地 11.37 0.64 10.09 0.03 0.16 湿地 26.33 4.19 11.94 4.64 2.03 水体 24.42 2.48 12.37 2.47 0.64 人造地表 12.78 2.34 11.45 0.27 0.12 裸地 10.74 0.39 9.40 0.10 0.14 冰川和永久积雪 6.98 0.99 6.52 0.94 0.50 2）从整体标准差的数据状态来看，最为稳定的区域是冰川和永久积雪区域，整体标准差为6.52 dB；水体和湿地区域稳定性差，可能受季节影响；冰川和永久积雪表面性质稳定，而水体表面会覆盖冰雪的特征，导致整个区域散射系数变化复杂。
3）各个区域的周年、半年振幅也受气候影响。裸地、灌木地和人造地表的周年、半年周期振幅远小于含水量较多的湿地和水体区域，前者地表变化受气候影响较小。
2.3 周期与趋势规律分析
所用的GlobeLand30 2020数据是地表固定属性，以此得到的后向散射系数变化代表固定区域的变化特征，但地表性质是不断变化的。本文按照§2.1的步骤对各个属性下的时间序列进行进一步处理，探究相关变化规律。
图 5展示了不同属性序列数据SSA前30阶重构成分的$ \omega $-correlation。根据图 5可以得到以下结果：
![]()
图 5 不同属性序列数据SSA前30阶重构成分的$ \omega $-correlationFigure 5. $ \omega $-correlation of the First 30 RCs of the Different Attributes' Time Series with SSA1）所有类型下的第一组RC1成分均为趋势项成分。对趋势项进行分析，能够把握整个区域后向散射系数变化浮动特征，从而把握整个区域的变化规律。
2）在草地、森林和水体等受气候变化较大的区域，存在4~5对分离较明显的RC特征成分，而在冰川和永久冻雪、耕地、人造地表相对较少，在裸地区域只存在RC1一项趋势项成分，周期成分间不能较好地分离，存在较多噪声，裸地地表稳定，周期性不显著。
图 6展示了各个序列分离出的RC1成分，代表整个区域变化的趋势项，是整个区域不同属性的后向散射系数在2008-12—2016-09的变化趋势。
![]()
图 6 青藏高原下各个地表区域后向散射系数序列变化趋势Figure 6. Variation Trend Term of Backscatter Coefficient Series of Various Land Surface Regions in the Tibetan Plateau1）整个青藏高原的后向散射系数变化趋势以上升为主。除湿地、冰川和永久积雪区域以外，其余区域的后向散射系数均有一定的上升趋势，可能是气候变暖导致地表水储量增多，整个区域复介电常数增加，后向散射系数上升。而湿地的后向散射系数在2011—2016年呈下降趋势，可能是湿地面积减少或地表性质发生变化造成的。
2）后向散射系数变化幅度因地表属性而异。森林、草地、灌木地、耕地区域的后向散射系数在2009—2016年的增加幅度在0.8 dB左右；水体和人造地表的后向散射系数变化趋势尤为明显，增加幅度超过了2.0 dB；湿地区域的后向散射系数在2011—2016年的减少幅度超过了3.0 dB；冰川和永久冻雪的后向散射系数较为稳定，在整个时间序列下，其波动范围保持在0.15 dB左右，说明该属性区域随时变的特征是稳定的。
对SSA获取的RC周期项进行处理，由裸地区域分离出来的RCs之间的$ \omega $-correlation发现，除第一阶趋势项RC1外，其余周期项RC不能较好地分离，因此不对裸地区域的周期进行处理。利用FFT谱分析探寻RC中各个地表类型下$ {\sigma }_{0} $存在的周期特性，结果如图 7所示，可以得出以下结论：
![]()
图 7 各个地表属性区域后向散射系数时变FFT周期图Figure 7. FFT Spectrum of Time-Varying Periodic Term of $ {\sigma }_{0} $ for Each Land Surface Type Region1）森林、草地、冰川和永久积雪、湿地、水体具有一致且强烈的年、半年和季度周期信号。
2）灌木地周期能量较低，推测是灌木地的地表属性较为稳定。
3）人造地表存在较强的季度信号，这可能与人类活动相关，也可能是周期信号和噪声未分离完全导致。
4）耕地区域年周期信号稳定，半年周期不显著，由于存在耕种过程，该区域的季度信号较为强烈。
后向散射系数随着表面性质的变化而变化，并且表面性质的变化受到气候条件的限制。气候因素导致整个区域的$ {\sigma }_{0} $呈现出非线性趋势变化。
3 结论与展望
本文依据GlobeLand30 2020地表分类数据的各项地表属性，对联合Jason-2搭载高度计获取的青藏高原区域$ {\sigma }_{0} $数据进行处理，发现在不同
地表属性下$ {\sigma }_{0} $的时变特征是不同的。具体表现为：
1）青藏高原内的$ {\sigma }_{0} $呈现明显的周期性变化特征。由SSA重构得到的RCs能够反映诸如趋势项、年和半年周期的特点。
2）根据GlobeLand30 2020数据对青藏高原地表性质进行划分，发现不同地表性质下$ {\sigma }_{0} $的数值、周期以及时序振幅有所区别，受气候和地表因素影响，呈现出以下特征：
① 冰川和永久冻雪区域的后向散射系数较小，水体和湿地区域的后向散射系数较大，在利用现存的多源数据确定湿地季节性变化范围[34]的过程中，可以利用区域内$ {\sigma }_{0} $数据的特征核验该范围的准确度。相较于水体，积雪区域地表的复介电常数较低，地表粗糙程度高，影响地表后向散射特征。
② 裸地区域的$ {\sigma }_{0} $时变振幅明显小于随气候变化较为明显的湿地、草地、森林等区域，且整个区域不存在明显的周期性。这是因为裸地区域的地表性质稳定，随气候变化，地表特征变化较小。
③ 湿地区域的后向散射系数同其余林地、草地的变化特征相反，可能是湿地多位于青藏高原东部的温带区域，地表特征符合温带地区气候变化，和高原气候变化特征相悖。
3）依据SSA分析分离$ {\sigma }_{0} $长时间序列的趋势项，发现整个青藏高原区域$ {\sigma }_{0} $存在逐渐上升的趋势，可能是因为全球变暖导致青藏高原内融水增加，地表湿度增加；而湿地区域的$ {\sigma }_{0} $数值逐渐减小，这可能是湿地地区近些年来不断减少的结果[35]。
$ {\sigma }_{0} $与地面特性和气候变化密切相关。将数据与不同高度计的数据结合起来，建立有关地表性质变化的后向散射模型和校准雷达测高数据，并建立归一化标准[36]，或者按照统一标准联合应用不同的高度计数据[37-38]，这对提高对地观测的时间长度很有帮助[39-40]。此外，GlobeLand30 2020数据的地表分类种类为10类，总体精度约为85.72%[41]，本文获取到的不同地表类型的$ {\sigma }_{0} $变化规律可能存在部分误差。对更多分类的2020年全球30 m地表覆盖精细产品GLC_FCS30[42]进行一致的处理，可能获取到更为细微的地表类型间$ {\sigma }_{0} $变化的差异。此外，将协同散射计、光学遥感、SAR等同其他对地观测仪器联合起来在不同时间进行对地观测[43-44]，才能更好地发展对地观测技术，探索整个地球生态发展的总体趋势、方向和规律。
致谢: 感谢法国AVISO提供的Jason-2高度计GDR数据，以及自然资源部提供的GlobeLand30数据。 -
![]()
图 2 青藏高原区域内Jason-2 Ku波段后向散射系数时变信息
Figure 2. Time-Varying Information of the Backscatter Coefficient in the Jason-2 Ku Band in the Tibetan Plateau Region
![]()
图 3 Jason-2后向散射系数在青藏高原9项地表类型下占比
Figure 3. Proportions of Jason-2 Backscatter Coefficient in Nine Land Surface Types in the Tibetan Plateau
![]()
图 4 青藏高原区域内9种地表类型下Jason-2 Ku波段$ {\sigma }_{0} $时间序列
Figure 4. $ {\sigma }_{0} $ Time Series of Jason-2 Ku Band of 9 Land Surface Types in the Tibetan Plateau
![]()
图 5 不同属性序列数据SSA前30阶重构成分的$ \omega $-correlation
Figure 5. $ \omega $-correlation of the First 30 RCs of the Different Attributes' Time Series with SSA
![]()
图 6 青藏高原下各个地表区域后向散射系数序列变化趋势
Figure 6. Variation Trend Term of Backscatter Coefficient Series of Various Land Surface Regions in the Tibetan Plateau
![]()
图 7 各个地表属性区域后向散射系数时变FFT周期图
Figure 7. FFT Spectrum of Time-Varying Periodic Term of $ {\sigma }_{0} $ for Each Land Surface Type Region
表 1 不同地表属性下后向散射系数时间序列相关系数
Table 1 Time Series of Correlation Coefficients of Backscatter Coefficient of Different Land Surface Types
属性 整体区域 森林 草地 灌木地 冰川和永久积雪 裸地 人造地表 耕地 湿地 水体 整体区域 1.00 0.73 0.93 0.42 0.43 0.66 0.30 0.53 $ - $0.38 0.64 森林 0.73 1.00 0.60 0.16 0.40 0.31 0.12 0.49 $ - $0.58 0.57 草地 0.93 0.60 1.00 0.46 0.38 0.59 0.32 0.45 $ - $0.26 0.50 灌木地 0.42 0.16 0.46 1.00 $ - $0.07 0.31 0.20 0.04 0.08 0.16 冰川和永久积雪 0.43 0.40 0.38 $ - $0.07 1.00 0.13 0.05 0.31 $ - $0.50 0.45 裸地 0.66 0.31 0.59 0.31 0.13 1.00 0.04 0.14 0.01 0.17 人造地表 0.30 0.12 0.32 0.20 0.05 0.04 1.00 0.54 $ - $0.09 0.24 耕地 0.53 0.49 0.45 0.04 0.31 0.14 0.54 1.00 $ - $0.45 0.48 湿地 $ - $0.38 $ - $0.58 $ - $0.26 0.08 $ - $0.50 0.01 $ - $0.09 $ - $0.45 1.00 $ - $0.66 水体 0.64 0.57 0.50 0.16 0.45 0.17 0.24 0.48 $ - $0.66 1.00 
下载: 导出CSV
表 2 各个地表属性下后向散射系数特征量统计/dB
Table 2 Statistics of Backscatter Coefficient Characteristic Quantity for Each Land Surface Type/dB
属性 均值 序列标准差 整体标准差 周年振幅 半年振幅 青藏高原区域 10.68 0.44 9.42 0.34 0.16 耕地 11.37 0.96 10.82 0.64 0.01 林地 9.82 0.86 8.45 0.97 0.38 草地 9.99 0.43 8.55 0.32 0.15 灌木地 11.37 0.64 10.09 0.03 0.16 湿地 26.33 4.19 11.94 4.64 2.03 水体 24.42 2.48 12.37 2.47 0.64 人造地表 12.78 2.34 11.45 0.27 0.12 裸地 10.74 0.39 9.40 0.10 0.14 冰川和永久积雪 6.98 0.99 6.52 0.94 0.50
下载: 导出CSV
-
[1] Fu L L, Cazenave A. Satellite Altimetry and Earth Sciences[M]. San Diego, USA: Academic Press, 2001.
[2] Freilich M H, Vanhoff B A. The Relationship Between Winds, Surface Roughness, and Radar Backscatter at Low Incidence Angles from TRMM Precipitation Radar Measurements[J]. Journal of Atmospheric and Oceanic Technology, 2003, 20(4): 549-562. doi: 10.1175/1520-0426(2003)20<549:TRBWSR>2.0.CO;2
[3] Brown G S, Stanley H R, Roy N A. The Wind-Speed Measurement Capability of Spaceborne Radar Altimeters [J]. IEEE Journal of Oceanic Engineering, 1981, 6(2): 59-63. doi: 10.1109/JOE.1981.1145484
[4] Chelton D B, McCabe P J. A Review of Satellite Altimeter Measurement of Sea Surface Wind Speed: With a Proposed New Algorithm[J]. Journal of Geophysical Research: Oceans, 1985, 90(C3): 4707-4720. doi: 10.1029/JC090iC03p04707
[5] Frison P L, Mougin E. Use of ERS-1 Wind Scatterometer Data over Land Surfaces [J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 550-560. doi: 10.1109/36.485131
[6] 柯宝贵, 章传银, 常晓涛, 等. 联合Topex/Poseidon与Envisat高度计数据监测我国大陆地表覆盖变化[J]. 测绘学报, 2015, 44(9): 1048-1055. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201509016.htm Ke Baogui, Zhang Chuanyin, Chang Xiaotao, et al. Monitoring the Land Cover Change of China with the Combination of the Topex/Poseidon and Envisat Radar Altimetric Data[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(9): 1048-1055. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201509016.htm
[7] Remy F, Legresy B, Bleuzen S, et al. Dual-frequency Topex Altimeter Observations of Greenland[J]. Journal of Electromagnetic Waves and Applications, 1996, 10(11): 1507-1525. doi: 10.1163/156939396X00892
[8] Ridley J, Strawbridge F, Card R, et al. Radar Backscatter Characteristics of a Desert Surface[J]. Remote Sensing of Environment, 1996, 57(2): 63-78. doi: 10.1016/0034-4257(96)00018-1
[9] Wang J R, Engman E T, Mo T, et al. The Effects of Soil Moisture, Surface Roughness, and Vegetation on L-Band Emission and Backscatter[J]. IEEE Transactions on Geoscience and Remote Sensing, 1987, 25(6): 825-833.
[10] Méndez-Barroso L A, Vivoni E R, Watts C J, et al. Seasonal and Interannual Relations Between Precipitation, Surface Soil Moisture and Vegetation Dynamics in the North American Monsoon Region[J]. Journal of Hydrology, 2009, 377(1/2): 59-70. https://www.sciencedirect.com/science/article/pii/S002216940900482X
[11] Jun C, Ban Y F, Li S N. Open Access to Earth Land-Cover Map[J]. Nature, 2014, 514(7523): 434.
[12] Liu X D, Chen B D. Climatic Warming in the Tibetan Plateau During Recent Decades[J]. International Journal of Climatology, 2000, 20(14): 1729-1742. doi: 10.1002/1097-0088(20001130)20:14<1729::AID-JOC556>3.0.CO;2-Y
[13] Dewey J F, Shackleton R M, Chengfa C, et al. The Tectonic Evolution of the Tibetan Plateau[J]. Philosophical Transactions of the Royal Society of London Series A, Mathematical and Physical Sciences, 1988, 327(1594): 379-413. doi: 10.1098/rsta.1988.0135
[14] 潘保田, 李吉均. 青藏高原: 全球气候变化的驱动机与放大器: Ⅲ. 青藏高原隆起对气候变化的影响[J]. 兰州大学学报, 1996, 32(1): 108-115. https://www.cnki.com.cn/Article/CJFDTOTAL-LDZK601.023.htm Pan Baotian, Li Jijun. Qinghai-Tibetan Plateau: A Driver and Amplifier of the Global Climatic Change: Ⅲ. The Effects of the Uplift of Qinghai-Tibetan Plateau on Climatic Changes[J]. Journal of Lanzhou University, 1996, 32(1): 108-115. https://www.cnki.com.cn/Article/CJFDTOTAL-LDZK601.023.htm
[15] Kang S C, Xu Y W, You Q L, et al. Review of Climate and Cryospheric Change in the Tibetan Plateau[J]. Environmental Research Letters, 2010, 5(1): 015101. doi: 10.1088/1748-9326/5/1/015101
[16] Guo J Y, Yang L, Liu X, et al. On Temporal-Spatial Distribution of Backscatter Coefficients over China Determined by Topex/Poseidon Mission[J]. Science China Earth Sciences, 2012, 55(12): 2068-2083. doi: 10.1007/s11430-012-4524-y
[17] 程鹏飞, 文汉江, 刘焕玲, 等. 卫星大地测量学的研究现状及发展趋势[J]. 武汉大学学报(信息科学版), 2019, 44(1): 48-54. doi: 10.13203/j.whugis20180356 Cheng Pengfei, Wen Hanjiang, Liu Huanling, et al. Research Situation and Future Development of Satellite Geodesy[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 48-54. doi: 10.13203/j.whugis20180356
[18] 何飞, 刘兆飞, 姚治君. Jason-2测高卫星对湖泊水位的监测精度评价[J]. 地球信息科学学报, 2020, 22(3): 494-504. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202003018.htm He Fei, Liu Zhaofei, Yao Zhijun. Evaluation of the Monitoring Accuracy of Lake Water Level by the Jason-2 Altimeter Satellite[J]. Journal of Geo-Information Science, 2020, 22(3): 494-504. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202003018.htm
[19] Papa F, Legrésy B, Rémy F. Use of the Topex-Poseidon Dual-frequency Radar Altimeter over Land Surfaces[J]. Remote Sensing of Environment, 2003, 87(2/3): 136-147. https://www.sciencedirect.com/science/article/pii/S0034425703001366
[20] Lambin J, Morrow R, Fu L L, et al. The OSTM/Jason-2 Mission[J]. Marine Geodesy, 2010, 33(S1): 4-25.
[21] Ablain M, Philipps S, Picot N, et al. Jason-2 Global Statistical Assessment and Cross-Calibration with Jason-1[J]. Marine Geodesy, 2010, 33(S1): 162-185.
[22] Martin T V, Zwally H J, Brenner A C, et al. Analysis and Retracking of Continental Ice Sheet Radar Altimeter Waveforms[J]. Journal of Geophysical Research, 1983, 88(C3): 1608. doi: 10.1029/JC088iC03p01608
[23] Kondrashov D, Ghil M. Spatio-Temporal Filling of Missing Points in Geophysical Data Sets [J]. Nonlinear Processes in Geophysics, 2006, 13(2): 151-159. doi: 10.5194/npg-13-151-2006
[24] Hassani H. Singular Spectrum Analysis: Methodology and Comparison[J]. Journal of Data Science, 2021, 5(2): 239-257. doi: 10.6339/JDS.2007.05(2).396
[25] 郭金运, 高文宗, 于红娟, 等. 基于奇异谱分析的静态相对重力观测重力固体潮提取[J]. 地球物理学报, 2018, 61(10): 3889-3902. https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201810001.htm Guo Jinyun, Gao Wenzong, Yu Hongjuan, et al. Gravity Tides Extracted from Relative Gravimetric Data with Singular Spectrum Analysis[J]. Chinese Journal of Geophysics, 2018, 61(10): 3889-3902. https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201810001.htm
[26] Shen Y, Guo J Y, Liu X, et al. Long-Term Prediction of Polar Motion Using a Combined SSA and ARMA Model[J]. Journal of Geodesy, 2018, 92(3): 333-343. doi: 10.1007/s00190-017-1065-3
[27] Guo J Y, Yang L, Liu X, et al. Decadal Variation in Surface Characteristics over Xinjiang, Western China, from T/P Altimetry Backscatter Coefficients: Evidence of Climate Change[J]. Terrestrial, Atmospheric and Oceanic Sciences, 2013, 24(4): 565.
[28] Adodo F I, Remy F, Picard G. Seasonal Variations of the Backscattering Coefficient Measured by Radar Altimeters over the Antarctic Ice Sheet[J]. The Cryosphere, 2018, 12(5): 1767-1778. doi: 10.5194/tc-12-1767-2018
[29] Chen J, Zhu X L, Vogelmann J E, et al. A Simple and Effective Method for Filling Gaps in Landsat ETM+ SLC-off Images[J]. Remote Sensing of Environment, 2011, 115(4): 1053-1064. doi: 10.1016/j.rse.2010.12.010
[30] 张友静, 王军战, 鲍艳松. 多源遥感数据反演土壤水分方法[J]. 水科学进展, 2010, 21(2): 222-228. https://www.cnki.com.cn/Article/CJFDTOTAL-SKXJ201002013.htm Zhang Youjing, Wang Junzhan, Bao Yansong. Soil Moisture Retrieval from Multi-resource Remotely Sensed Images over a Wheat Area[J]. Advances in Water Science, 2010, 21(2): 222-228. https://www.cnki.com.cn/Article/CJFDTOTAL-SKXJ201002013.htm
[31] 陈槐, 鞠佩君, 张江, 等. 青藏高原高寒草地生态系统变化的归因分析[J]. 科学通报, 2020, 65(22): 2406-2418. https://www.cnki.com.cn/Article/CJFDTOTAL-KXTB202022014.htm Chen Huai, Ju Peijun, Zhang Jiang, et al. Attribution Analyses of Changes in Alpine Grasslands on the Qinghai-Tibetan Plateau[J]. Chinese Science Bulletin, 2020, 65(22): 2406-2418. https://www.cnki.com.cn/Article/CJFDTOTAL-KXTB202022014.htm
[32] Papa F, Legresy B, Mognard N M, et al. Estimating Terrestrial Snow Depth with the Topex-Poseidon Altimeter and Radiometer[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(10): 2162-2169. https://pubs.er.usgs.gov/publication/70024201
[33] Haas C, Beckers J, King J, et al. Ice and Snow Thickness Variability and Change in the High Arctic Ocean Observed by in Situ Measurements[J]. Geophysical Research Letters, 2017, 44(20): 10462-10469.
[34] 杨腊梅, 贾永红. 利用多源数据确定季节性咸水湖湿地自然边界的方法[J]. 武汉大学学报(信息科学版), 2020, 45(3): 419-425. doi: 10.13203/j.whugis20180207 Yang Lamei, Jia Yonghong. A Method for Determining the Natural Boundary of Seasonal Saltwater Lake Wetland with Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(3): 419-425. doi: 10.13203/j.whugis20180207
[35] 王根绪, 李元寿, 王一博, 等. 近40年来青藏高原典型高寒湿地系统的动态变化[J]. 地理学报, 2007, 62(5): 481-491. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB200705004.htm Wang Genxu, Li Yuanshou, Wang Yibo, et al. Typical Alpine Wetland System Changes on the Qinghai-Tibet Plateau in Recent 40 Years[J]. Acta Geographica Sinica, 2007, 62(5): 481-491. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB200705004.htm
[36] Yang L, Du H J, Ma H Z, et al. Use of the Merged Dual-Frequency Radar Altimeter Backscatter Data over China Land Surface[C]//IEEE International Geoscience and Remote Sensing Symposium, Honolulu, USA, 2010.
[37] Yang L, Liu Q H, Zhao J, et al. Global Land Surface Backscatter at Ku-Band Using Merged Jason1, Envisat, and Jason2 Data Sets[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(2): 784-794. https://ieeexplore.ieee.org/document/6849461
[38] Yuan J J, Guo J Y, Liu X, et al. Mean Sea Surface Model over China Seas and Its Adjacent Ocean Established with the 19-Year Moving Average Method from Multi-satellite Altimeter Data[J]. Continental Shelf Research, 2020, 192: 104009. https://www.sciencedirect.com/science/article/pii/S0278434319303929
[39] 李大炜, 李建成, 金涛勇, 等. 利用多代卫星测高资料监测1993—2011年全球海平面变化[J]. 武汉大学学报(信息科学版), 2012, 37(12): 1421-1424. http://ch.whu.edu.cn/article/id/394 Li Dawei, Li Jiancheng, Jin Taoyong, et al. Monitoring Global Sea Level Change from 1993 to 2011 Using Topex and Jason Altimeter Missions[J]. Geomatics and Information Science of Wuhan University, 2012, 37(12): 1421-1424. http://ch.whu.edu.cn/article/id/394
[40] Hwang C, Cheng Y S, Yang W H, et al. Lake Level Changes in the Tibetan Plateau from Cryosat-2, SARAL, ICESat, and Jason-2 Altimeters[J]. Terrestrial, Atmospheric and Oceanic Sciences, 2019, 30(1): 33-50.
[41] Chen F, Chen J, Wu H, et al. A Landscape Shape Index-Based Sampling Approach for Land Cover Accuracy Assessment[J]. Science China Earth Sciences, 2016, 59(12): 2263-2274. doi: 10.1007/s11430-015-5280-5
[42] Gong P, Wang J, Yu L, et al. Finer Resolution Observation and Monitoring of Global Land Cover: First Mapping Results with Landsat TM and ETM+ Data[J]. International Journal of Remote Sensing, 2013, 34(7): 2607-2654.
[43] 李鹏, 黎达辉, 李振洪, 等. 黄河三角洲地区GF-3雷达数据与Sentinel-2多光谱数据湿地协同分类研究[J]. 武汉大学学报(信息科学版), 2019, 44(11): 1641-1649. doi: 10.13203/j.whugis20180258 Li Peng, Li Dahui, Li Zhenhong, et al. Wetland Classification Through Integration of GF-3 SAR and Sentinel-2B Multispectral Data over the Yellow River Delta[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1641-1649. doi: 10.13203/j.whugis20180258
[44] Young I R, Sanina E, Babanin A V. Calibration and Cross Validation of a Global Wind and Wave Database of Altimeter, Radiometer, and Scatterometer Measurements [J]. Journal of Atmospheric and Oceanic Technology, 2017, 34(6): 1285-1306.
-
期刊类型引用(1)
1. 田博，何海军，钟海超，李铁. 复杂地物背景角域后向散射分布特性研究. 探测与控制学报. 2024(04): 26-31 . 
百度学术
其他类型引用(2)
计量
- 文章访问数: 1313
- HTML全文浏览量: 219
- PDF下载量: 81
- 被引次数: 3
