留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

HUT模型的改进及其雪深反演

武黎黎 李晓峰 陈月庆 赵凯 郑兴明 张兴国

武黎黎, 李晓峰, 陈月庆, 赵凯, 郑兴明, 张兴国. HUT模型的改进及其雪深反演[J]. 武汉大学学报 ● 信息科学版, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
引用本文: 武黎黎, 李晓峰, 陈月庆, 赵凯, 郑兴明, 张兴国. HUT模型的改进及其雪深反演[J]. 武汉大学学报 ● 信息科学版, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
WU Lili, LI Xiaofeng, CHEN Yueqing, ZHAO Kai, ZHENG Xingming, ZHANG Xingguo. The Improvement of HUT Model and Its Application in Snow Depth Inversion[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
Citation: WU Lili, LI Xiaofeng, CHEN Yueqing, ZHAO Kai, ZHENG Xingming, ZHANG Xingguo. The Improvement of HUT Model and Its Application in Snow Depth Inversion[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184

HUT模型的改进及其雪深反演

doi: 10.13203/j.whugis20150184
基金项目: 

国家自然科学基金 41471289

国家自然科学基金 41471344

国家自然科学基金 41371345

国家自然科学基金 41401436

吉林省科技发展计划 20140101158JC

详细信息
    作者简介:

    武黎黎, 博士生。现从事雪深被动微波遥感反演方法研究。wu.lili0330@163.com

    通讯作者: 赵凯, 研究员。zhaokai@iga.ac.cn
  • 中图分类号: TP751

The Improvement of HUT Model and Its Application in Snow Depth Inversion

Funds: 

The National Natural Science Foundation of China 41471289

The National Natural Science Foundation of China 41471344

The National Natural Science Foundation of China 41371345

The National Natural Science Foundation of China 41401436

the Science and Technology Development Plans of Jilin Province 20140101158JC

More Information
    Author Bio:

    WU Lili, PhD candidate, specializes in passive microwave remote sensing. E-mail:wu.lili0330@163.com

    Corresponding author: ZHAO Kai, professor. E-mail:zhaokai@iga.ac.cn
  • 摘要: 基于风云-3B(FY-3B)卫星的微波成像仪(MWRI)数据对HUT模型(Helsinki university of technology snow emission model)进行验证,结果表明,无论是18.7 GHz还是36.5 GHz水平极化亮温,HUT模型模拟亮温都与MWRI亮温存在较大的偏差。因此,本文对消光系数进行了本地化改进,得到了改进的HUT模型(IMPHUT模型)。IMPHUT模型在18.7 GHz水平极化和36.5 GHz水平极化时的模拟亮温偏差分别为-0.91 K和-4.19 K,较原始的HUT模型模拟精度(偏差分别为14.03 K和-16.33 K)有很大提高。最后,利用遗传算法进行雪深反演,基于IMPHUT模型的雪深反演(偏差为-6.79 cm)优于HUT模型和Chang算法,反演与实测雪深具有较好的一致性。
  • 图  1  黑龙江省1 km土地覆盖分类图

    Figure  1.  1 km Land Cover Classification of Heilongjiang Province

    图  2  2014-01-06野外观测实验

    Figure  2.  Field observation experiment on January 6, 2014

    图  3  2013-01-10 HUT模型模拟亮温与MWRI亮温比较图

    Figure  3.  The Comparison of Brightness Temperature of HUT Model Simulation and Brightness Temperature of MWRI on January 10, 2013

    图  4  20130-01-16模型模拟亮温与MWRI亮温比较图

    Figure  4.  The Comparison of Simulation Brightness Temperature and Brightness Temperature of MWRI on January 16, 2013

    图  5  2013-01-20 IMPHUT模型、HUT模型和Chang算法反演雪深

    Figure  5.  The Inversion Snow Depth of IMPHUT Model, HUT Model and Chang Algorithm on January 20, 2013

    表  1  FY-3B微波成像仪(MWRI)的性能参数

    Table  1.   The Property Parameter of Microwave Radiation Imager (MWRI) on FY-3B

    频率/(GHz)10.6518.723.836.589
    极化V, HV, HV, HV, HV, H
    地面分辨率/(km×km)51×8530×5027×4518×309×15
    带宽/(MHz)1802004009002×2 300
    注:扫描方式为圆锥扫描,主波束效率≥90%,幅宽1 400 km,扫描周期(1.7±0.1) s,天线视角为(45±0.1) ℃。
    下载: 导出CSV

    表  2  初始下雪时间和雪粒径演化结果

    Table  2.   Initial Time of Snowfall and Snow Grain Size Evolution Results

    气象
    站点
    下雪
    时间
    2013-01-10
    雪粒径/mm
    2013-01-16
    雪粒径/mm
    2013-01-20
    雪粒径/mm
    东宁10:221.31.41.4
    宁安10:221.41.41.5
    海林10:221.51.51.5
    五常11:121.41.41.4
    穆棱10:221.41.41.4
    尚志11:121.11.11.2
    林口10:221.41.41.4
    鸡西10:221.41.51.5
    延寿11:121.21.21.2
    密山10:221.21.21.3
    勃利10:221.31.31.3
    方正11:121.31.41.4
    肇东11:121.11.11.1
    巴彦11:141.11.11.2
    桦南11:131.11.11.1
    宝清11:081.11.11.1
    绥化11:121.21.21.3
    青冈11:121.21.21.3
    集贤11:091.31.31.3
    汤原11:121.41.41.4
    佳木斯11:121.31.41.4
    饶河11:071.21.21.2
    杜尔伯特11:111.11.21.2
    庆安11:121.31.31.4
    铁力11:131.21.21.2
    明水10:171.41.41.4
    龙江10:171.41.41.5
    海伦11:121.11.11.2
    拜泉10:171.41.41.5
    萝北11:121.21.31.3
    克山10:171.41.41.4
    北安10:171.41.41.5
    嫩江10:161.31.31.4
    逊克10:171.41.41.5
    下载: 导出CSV

    表  3  2013-01-16 IMPHUT模型和HUT模型的均方根误差、偏差及平均误差/K

    Table  3.   RMSE, Bias and Mean Error of IMPHU TModel and HUT Model on January 16, 2013/K

    18.7 GHz36.5 GHz
    IMPHUTHUTIMPHUTHUT
    RMSE4.7914.7911.8121.76
    Bias-0.9114.03-4.19-16.33
    ME4.0914.039.1518.06
    下载: 导出CSV

    表  4  3种方法反演雪深的均方根误差、偏差及平均误差/cm

    Table  4.   RMSE, Bias and Mean Error of Inversion Snow Depth of Three Methods/cm

    IMPHUT模型HUT模型Chang算法
    RMSE9.0213.5828.99
    Bias-6.79-12.0327.26
    ME7.6212.0327.26
    下载: 导出CSV
  • [1] 李新, 车涛.积雪被动微波遥感研究进展[J].冰川冻土, 2007, 29(3):487-496 http://www.cnki.com.cn/Article/CJFDTOTAL-CYKX200911009.htm

    Li Xin, Che Tao. A Review on Passive Microwave Remote Sensing of Snow Cover[J].Journal of Glaciology and Geocryology, 2007, 29(3):487-496 http://www.cnki.com.cn/Article/CJFDTOTAL-CYKX200911009.htm
    [2] Cohen J. Snow Cover and Climate[J]. Weather, 1994, 49:150-156 doi:  10.1002/wea.1994.49.issue-5
    [3] 刘海, 陈晓玲, 宋珍, 等. MODIS影像雪深遥感反演特征参数选择与模型研究[J].武汉大学学报·信息科学版, 2011, 36(1):113-116 http://ch.whu.edu.cn/CN/abstract/abstract432.shtml

    Liu Hai, Chen Xiaoling, Song Zhen, et al. Study of Characteristic Parametric Selection and Model Construction for Snow Depth Retrieval from MODIS Image[J]. Geomatics and Information Science of Wuhan University, 2011, 36(1):113-116 http://ch.whu.edu.cn/CN/abstract/abstract432.shtml
    [4] Shi J, Dozier J. Estimation of Snow Water Equivalence Using SIR-C/X-SAR, Part Ⅰ:Inferring Snow Density and Subsurface Properties[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(6):2465-2474 doi:  10.1109/36.885195
    [5] Takala M, Luojus K, Pulliainen J, et al. Estimating Northern Hemisphere Snow Water Equivalent for Climate Research Through Assimilation of Space-borne Radiometer Data and Ground-based Measurements[J]. Remote Sensing of Environment, 2011, 115(12):3517-3529 doi:  10.1016/j.rse.2011.08.014
    [6] 许剑辉, 舒红.基于Triple-Collocation的地面观测与卫星遥感数据融合的雪深反演[J].武汉大学学报·信息科学版, 2015, 40(4):469-473 http://ch.whu.edu.cn/CN/abstract/abstract3229.shtml

    Xu Jianhui, Shu Hong. The Triple-collocation-based Fusion of In-situ and Satellite Remote Sensing Data for Snow Depth Retrieval[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4):469-473 http://ch.whu.edu.cn/CN/abstract/abstract3229.shtml
    [7] Yang Hu, Weng Fuzhong, Lv Liqing, et al. The FengYun-3 Microwave Radiation Imager On-orbit Verification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(11):4552-4560 doi:  10.1109/TGRS.2011.2148200
    [8] Gu Lingjia, Zhao Kai, Zhang Shuwen, et al. Comparative Analysis of Microwave Brightness Temperature Data in Northeast China Using AMSR-E and MWRI Products[J]. Chinese Geographical Science, 2011, 21(1):84-93 doi:  10.1007/s11769-011-0442-8
    [9] Wiesmann A, Mätzler C. Microwave Emission Model of Layered Snowpacks[J]. Remote Sensing of Environment, 1999, 70(3):307-316 doi:  10.1016/S0034-4257(99)00046-2
    [10] Pulliainen J T, Grandell J, Hallikainen M T. HUT Snow Emission Model and Its Applicability to Snow Water Equivalent Retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(3):1378-1390 doi:  10.1109/36.763302
    [11] Jin Yaqiu. Radiative Transfer of Snowpack/Vegetation Canopy at the SSM/I Channels and Satellite Data Analysis[J]. Remote Sensing of Environment, 1997, 61(1):55-63 doi:  10.1016/S0034-4257(96)00240-4
    [12] Chang A T C, Foster J L, Hall D K. Nimbus-7 SMMRDerived Global Snow Cover Parameters[J]. Annals of Glaciology, 1987, 9(1):39-44
    [13] Roy V, Goïta K, Royer A, et al. Snow Water Equivalent Retrieval in a Canadian Boreal Environment from Microwave Measurements Using the HUT Snow Emission Model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(9):1850-1859 doi:  10.1109/TGRS.2004.832245
    [14] 冉有华, 李新, 卢玲.基于多源数据融合方法的中国1 km土地覆盖分类制图[J].地球科学进展, 2009, 24(2):192-203 http://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ200902013.htm

    Ran Youhua, Li Xin, Lu Ling. China Land Cover Classification at 1 km Spatial Resolution Based on a Multi-source Data Fusion Approach[J]. Advances in Earth Science, 2009, 24(2):192-203 http://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ200902013.htm
    [15] Hallikainen M T, Ulaby F, Deventer T. Extinction Behavior of Dry Snow in the 18 to 90-GHz Range[J]. IEEE Transactions on Geoscience and Remote Sensing, 1987, 25(6):737-745 http://www.jpier.org/PIER/pier24/9902025.Wang.PH.pdf
    [16] Wegmüller U, Mätzler C. Rough Bare Soil Reflectivity Model[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(3):1391-1395 doi:  10.1109/36.763303
    [17] Dai Liyun, Che Tao, Wang Jian, et al. Snow Depth and Snow Water Equivalent Estimation from AMSR-E Data Based on a Priori Snow Characteristics in Xinjiang, China[J]. Remote Sensing of Environment, 2012, 127(1):14-29 https://www.researchgate.net/publication/256850423_Snow_depth_and_snow_water_equivalent_estimation_from_AMSR-E_data_based_on_a_priori_snow_characteristics_in_Xinjiang_China
    [18] Jordan R. A One-dimensional Temperature Model for a Snow Cover:Technical Documentation for SNTHERM.89[R]. Special Report 91-16, Hanover, NH, 1991
    [19] Huang Chunlin, Margulis S A, Durand M T, et al. Assessment of Snow Grain-size Model and Stratigraphy Representation Impacts on Snow Radiance Assimilation:Forward Modeling Evaluation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11):4551-4564 doi:  10.1109/TGRS.2012.2192480
    [20] Falkenauer E. Genetic Algorithms and Grouping Problems[M]. New York:Wiley, 1998
  • [1] 申文斌, 张朋飞, 申子宇, 许锐, 高玉平.  中国空间站微波链路引力红移检验仿真实验 . 武汉大学学报 ● 信息科学版, 2022, 47(6): 849-854. doi: 10.13203/j.whugis20220173
    [2] 吴传军, 汪长城, 沈鹏, 朱建军, 付海强.  线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演 . 武汉大学学报 ● 信息科学版, 2022, 47(1): 149-156. doi: 10.13203/j.whugis20190336
    [3] 刘婷婷, 杨子健, 王泽民, 高柯夫.  利用风云3D微波成像仪数据估算北极海冰密集度的精度评价 . 武汉大学学报 ● 信息科学版, 2021, 46(12): 1843-1851. doi: 10.13203/j.whugis20210449
    [4] 庞小平, 刘清全, 季青.  北极一年海冰表面积雪深度遥感反演与时序分析 . 武汉大学学报 ● 信息科学版, 2018, 43(7): 971-977. doi: 10.13203/j.whugis20160259
    [5] 张双成, 戴凯阳, 南阳, 张勤, 瞿伟, 李振宇, 赵迎辉.  GNSS-MR技术用于雪深探测的初步研究 . 武汉大学学报 ● 信息科学版, 2018, 43(2): 234-240. doi: 10.13203/j.whugis20150236
    [6] 王宏伟, 黄春林, 侯金亮, 李晓英.  基于数据同化算法融合多源数据估算雪深 . 武汉大学学报 ● 信息科学版, 2016, 41(6): 848-852. doi: 10.13203/j.whugis20140568
    [7] 许剑辉, 舒红.  基于DEnKF方法的考虑次网格变异性的MODIS雪盖同化 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 156-162. doi: 10.13203/j.whugis20140039
    [8] 连懿, 陈圣波, 孟治国, 张莹.  利用嫦娥二号微波辐射计数据的全月亮温制图 . 武汉大学学报 ● 信息科学版, 2015, 40(6): 732-737. doi: 10.13203/j.whugis20120571
    [9] 王永前, 施建成, 刘志红, 冯文兰.  利用微波辐射计AMSR-E的京津冀地区大气水汽反演 . 武汉大学学报 ● 信息科学版, 2015, 40(4): 479-486. doi: 10.13203/j.whugis20130530
    [10] 段苗苗, 马盈盈, 龚威, 王伦澈.  利用微波辐射计观测计算云衰减 . 武汉大学学报 ● 信息科学版, 2015, 40(12): 1606-1612. doi: 10.13203/j.whugis20130820
    [11] 许剑辉, 舒红.  基于Triple-Collocation的地面观测与卫星遥感数据融合的雪深反演 . 武汉大学学报 ● 信息科学版, 2015, 40(4): 469-473. doi: 10.13203/j.whugis20130727
    [12] 余凡, 李海涛, 张承明, 万紫, 刘江, 赵颖.  利用双极化微波遥感数据反演土壤水分的新方法 . 武汉大学学报 ● 信息科学版, 2014, 39(2): 225-228. doi: 10.13203/j.whugis20120527
    [13] 范林刚, 陈曦, 陈泽宗, 金燕.  微波多谱勒雷达海洋破碎波检测算法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 998-1002.
    [14] 陈泽宗, 金燕, 陈曦, 范林刚.  微波雷达海洋回波多普勒频谱的数值仿真 . 武汉大学学报 ● 信息科学版, 2013, 38(9): 1048-1051.
    [15] 黄声享, 罗力, 何超.  地面微波干涉雷达与GPS测定桥梁挠度的对比试验分析 . 武汉大学学报 ● 信息科学版, 2012, 37(10): 1173-1176.
    [16] 刘艳, 阮惠华, 张璞, 李杨.  利用MODIS数据研究天山北麓Kriging雪深插值 . 武汉大学学报 ● 信息科学版, 2012, 37(4): 403-405.
    [17] 刘海, 陈晓玲, 宋珍, 殷守敬.  MODIS影像雪深遥感反演特征参数选择与模型研究 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 113-116.
    [18] 向大享, 刘良明, 韩涛.  FY-3A MERSI数据干旱监测能力评价 . 武汉大学学报 ● 信息科学版, 2010, 35(3): 334-338.
    [19] 尤红建, 苏林, 李树楷.  利用机载三维成像仪的DSM数据自动提取建筑物 . 武汉大学学报 ● 信息科学版, 2002, 27(4): 408-413.
    [20] 尤红建, 刘少创, 刘彤, 李树楷.  机载三维成像仪数据的快速处理技术 . 武汉大学学报 ● 信息科学版, 2000, 25(6): 526-530.
  • 加载中
图(5) / 表(4)
计量
  • 文章访问数:  1061
  • HTML全文浏览量:  72
  • PDF下载量:  404
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-05-24
  • 刊出日期:  2017-07-05

HUT模型的改进及其雪深反演

doi: 10.13203/j.whugis20150184
    基金项目:

    国家自然科学基金 41471289

    国家自然科学基金 41471344

    国家自然科学基金 41371345

    国家自然科学基金 41401436

    吉林省科技发展计划 20140101158JC

    作者简介:

    武黎黎, 博士生。现从事雪深被动微波遥感反演方法研究。wu.lili0330@163.com

    通讯作者: 赵凯, 研究员。zhaokai@iga.ac.cn
  • 中图分类号: TP751

摘要: 基于风云-3B(FY-3B)卫星的微波成像仪(MWRI)数据对HUT模型(Helsinki university of technology snow emission model)进行验证,结果表明,无论是18.7 GHz还是36.5 GHz水平极化亮温,HUT模型模拟亮温都与MWRI亮温存在较大的偏差。因此,本文对消光系数进行了本地化改进,得到了改进的HUT模型(IMPHUT模型)。IMPHUT模型在18.7 GHz水平极化和36.5 GHz水平极化时的模拟亮温偏差分别为-0.91 K和-4.19 K,较原始的HUT模型模拟精度(偏差分别为14.03 K和-16.33 K)有很大提高。最后,利用遗传算法进行雪深反演,基于IMPHUT模型的雪深反演(偏差为-6.79 cm)优于HUT模型和Chang算法,反演与实测雪深具有较好的一致性。

English Abstract

武黎黎, 李晓峰, 陈月庆, 赵凯, 郑兴明, 张兴国. HUT模型的改进及其雪深反演[J]. 武汉大学学报 ● 信息科学版, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
引用本文: 武黎黎, 李晓峰, 陈月庆, 赵凯, 郑兴明, 张兴国. HUT模型的改进及其雪深反演[J]. 武汉大学学报 ● 信息科学版, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
WU Lili, LI Xiaofeng, CHEN Yueqing, ZHAO Kai, ZHENG Xingming, ZHANG Xingguo. The Improvement of HUT Model and Its Application in Snow Depth Inversion[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
Citation: WU Lili, LI Xiaofeng, CHEN Yueqing, ZHAO Kai, ZHENG Xingming, ZHANG Xingguo. The Improvement of HUT Model and Its Application in Snow Depth Inversion[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 904-910. doi: 10.13203/j.whugis20150184
  • 冰冻圈在全球气候系统中扮演着重要角色, 而积雪是其中最活跃、覆盖面积最广的要素[1]。积雪因其高发射率和低导热率在气候系统中扮演重要的角色[2]。积雪在水文循环中也有着突出的作用, 在许多山区, 融雪径流可作为稳定的水源。此外,积雪对于春季土壤墒情和作物种植时间具有重要的影响。遥感是最有效的测量积雪和雪深的方式[3]。可见光遥感和近红外遥感不能穿透积雪,主要用来获取积雪面积参数。微波遥感能够穿透云和积雪, 用来估计雪深和雪水当量[4-5]。另外,被动微波遥感的时间分辨率很高,能够快速覆盖全球,已被广泛应用到全球和大陆尺度的积雪时空变化研究中。

    SMMR (scanning multichannel microwave radiometer)、SSM/I(special sensor microwave imager)和AMSR-E(advanced microwave scanning radiometer for earth observing system)等被动微波传感器的在轨运行,使得积雪被动微波遥感取得了快速发展[6]。尽管AMSR-E从2011年就已经无法在轨运行,但风云-3(FY-3) 卫星于2010年发射成功,其上搭载的微波成像仪(MWRI)和AMSR-E的频率很相似[7]。文献[8]对MWRI数据进行了验证,结果表明,MWRI亮温与AMSR-E亮温有很好的一致性。

    HUT模型(Helsinki university of technology snow emission model)是一个半经验的模型,考虑了土壤、森林和大气对到达传感器亮温的影响,可以对到达传感器的亮温进行模拟。由于物理模型过于复杂,半经验模型比较适用,成为目前主要发展的模型[9-12],但半经验模型的经验参数具有区域化的特点,不一定适合所有地区。

    HUT模型中积雪的消光系数采用经验公式计算。Roy等[13]对HUT模型进行了验证,结果表明在18.7 GHz会高估亮温,36.5 GHz会低估亮温,并提出了符合瑞利散射理论的消光系数公式。本文根据实测积雪数据进行了消光系数的改进,同时,利用Jordan91模型演化了难以实时获取的雪粒径作为模型输入参数,结果表明改进后的HUT模型对雪盖亮温模拟精度大大改善。进一步利用遗传算法进行了雪深参数的反演,验证结果表明, 反演雪深与实测雪深具有很好的一致性,且优于HUT模型和Chang算法[12]

    • 本文选取黑龙江省作为研究区,该区冬季从10月到次年4月,冬季达6个月之久。选取了2013-01-10、01-16和01-20黑龙江省的34个气象站点的雪深、地面0 cm温度和气温数据。另外,从34个气象站点获得2012年冬季初始下雪时间及从初始下雪时间到2013-01-20的逐日大气压和地面0 cm温度数据,逐日数据由逐小时数据平均得到。

    • FY-3B卫星携带的微波成像仪(MWRI)有10.65 GHz、18.7 GHz、23.8 GHz、36.5 GHz以及89 GHz等5个频段,其中每个频段都有水平极化和垂直极化两种极化方式。MWRI的具体的参数见表 1

      表 1  FY-3B微波成像仪(MWRI)的性能参数

      Table 1.  The Property Parameter of Microwave Radiation Imager (MWRI) on FY-3B

      频率/(GHz)10.6518.723.836.589
      极化V, HV, HV, HV, HV, H
      地面分辨率/(km×km)51×8530×5027×4518×309×15
      带宽/(MHz)1802004009002×2 300
      注:扫描方式为圆锥扫描,主波束效率≥90%,幅宽1 400 km,扫描周期(1.7±0.1) s,天线视角为(45±0.1) ℃。

      本研究中使用FY3B卫星微波成像仪(MWRI)的L1级亮温数据,频段和极化方式为18.7 GHz和36.5 GHz水平极化亮温数据。把亮温数据采样为10 km的分辨率,投影方式采用经纬度投影。

    • 中国1 km土地覆盖分类制图[14]按照IGBP土地覆盖分类系统将土地覆盖分为17类,本研究中把1~7类作为森林。黑龙江省1 km土地覆盖分类图如图 1所示。由黑龙江省1 km土地覆盖分类数据计算得到分辨率为10 km的各种地物类型所占比例,具体计算方法为10 km内地物类型所占的像元数除以总像元数。本文选取了34个气象站点,34个气象站点的农田比例大于70%,且森林比例小于20%。

      图  1  黑龙江省1 km土地覆盖分类图

      Figure 1.  1 km Land Cover Classification of Heilongjiang Province

    • 冻土的微波发射率对雪深反演具有重要的影响,为了得到这个参数,2014-01-06在东北进行了冻土发射率的实验,微波辐射计装置如图 2(a)所示。实验中采用18.7 GHz水平极化和36.5 GHz水平极化的微波辐射计,对冻土进行观测,同时测量了地面0 cm温度。微波辐射计的亮温Tb数据的间隔为1 s,地面0 cm的温度Tsoil数据的间隔为10 min,18.7 GHz和36.5 GHz水平极化亮温如图 2(b)所示(图中只保留了2014-01-06 0点到18点的数据),冻土的物理温度如图 2(c)所示。冻土发射率的计算公式为:

      $$ {e_{{\rm{soil}}}} = Tb/{T_{{\rm{soil}}}} $$ (1)

      图  2  2014-01-06野外观测实验

      Figure 2.  Field observation experiment on January 6, 2014

      式中,esoil为冻土的发射率;Tb为18.7 GHz水平极化或者36.5 GHz水平极化的亮温的平均值;Tsoil为冻土的物理温度的平均值。由式(1) 计算得到18.7 GHz和36.5 GHz时冻土的发射率分别为0.92和0.93。

    • HUT模型[10]考虑了土壤表面、森林和大气对于星上亮温的影响,是基于辐射传输理论的半经验模型。在此模型中,假设积雪为均质的一层介质。

      HUT模型中冻土发射率是由粗糙裸土发射率模型得到的[16],计算得到的冻土的发射率在18.7 GHz水平极化和36.5 GHz水平极化相同。冻土发射率在不同年份的变化不大。文献[17]假设新疆在不同年份冬季的冻土发射率都为0.93。因此,2014-01-06的冻土发射率可作为本文2013-01模型中的输入参数。由辐射计观测数据可知,冻土的发射率在18.7 GHz水平极化和36.5 GHz水平极化时分别为0.92和0.93。取两者的平均值(0.925) 作为本文中18.7 GHz和36.5 GHz水平极化的冻土发射率。由于选取的气象站点所在的10 km像元的森林比例小于20%,因此,认为这个像元为非森林像元,模型中假设森林材积量和森林覆盖度为0。

    • Jordan91[18]雪粒径演化模型中积雪温度采用§1.1中逐日地面0 cm温度数据,大气压采用逐日大气压数据。Jordan91雪粒径演化模型对新雪的雪粒径大小不敏感[19],因此, 模型假设积雪的初始粒径为0.3 mm。在2013-01-09-2013-01-14对中国东北地区进行野外实验,积雪的温度梯度变化大致为10 ℃/m,这个值作为本研究中的温度梯度变化。雪粒径的演化从2012年初始下雪时间开始,分别演化得到34气象站点的2013-01-10、2013-01-16日和2013-01-20日的雪粒径, 见表 2。演化得到的雪粒径作为HUT模型的参数输入。

      表 2  初始下雪时间和雪粒径演化结果

      Table 2.  Initial Time of Snowfall and Snow Grain Size Evolution Results

      气象
      站点
      下雪
      时间
      2013-01-10
      雪粒径/mm
      2013-01-16
      雪粒径/mm
      2013-01-20
      雪粒径/mm
      东宁10:221.31.41.4
      宁安10:221.41.41.5
      海林10:221.51.51.5
      五常11:121.41.41.4
      穆棱10:221.41.41.4
      尚志11:121.11.11.2
      林口10:221.41.41.4
      鸡西10:221.41.51.5
      延寿11:121.21.21.2
      密山10:221.21.21.3
      勃利10:221.31.31.3
      方正11:121.31.41.4
      肇东11:121.11.11.1
      巴彦11:141.11.11.2
      桦南11:131.11.11.1
      宝清11:081.11.11.1
      绥化11:121.21.21.3
      青冈11:121.21.21.3
      集贤11:091.31.31.3
      汤原11:121.41.41.4
      佳木斯11:121.31.41.4
      饶河11:071.21.21.2
      杜尔伯特11:111.11.21.2
      庆安11:121.31.31.4
      铁力11:131.21.21.2
      明水10:171.41.41.4
      龙江10:171.41.41.5
      海伦11:121.11.11.2
      拜泉10:171.41.41.5
      萝北11:121.21.31.3
      克山10:171.41.41.4
      北安10:171.41.41.5
      嫩江10:161.31.31.4
      逊克10:171.41.41.5
    • 遗传算法(genetic algorithm, GA)是一种智能优化算法[20]。本文采用遗传算法对雪深进行优化,雪深反演常用的两个波段为18.7 GHz和36.5 GHz水平极化,为了得到优化的雪深参数,目标函数设为模型模拟亮温和星上亮温差值的平方和,即有:

      $$ f = {(T{b_{{1_{_{18.7}}}}}-T{b_{{0_{_{18.7}}}}})^2} + {(T{b_{{1_{36.5}}}}-T{b_0}_{_{36.5}})^2} $$ (2)

      式中,Tb118.7Tb018.7分别为18.7 GHz时模型模拟亮温和MWRI亮温;Tb136.5Tb036.5分别为36.5 GHz时模型模拟亮温和MWRI亮温。算法通过遗传算法和MATLAB工具箱来实现。

    • 本文利用HUT模型模拟的2013-01-10的18.7 GHz水平极化亮温和36.5 GHz水平极化亮温结果如图 3所示,图 3中也给出了FY-3B MWRI亮温作为比较。

      图  3  2013-01-10 HUT模型模拟亮温与MWRI亮温比较图

      Figure 3.  The Comparison of Brightness Temperature of HUT Model Simulation and Brightness Temperature of MWRI on January 10, 2013

      图 3可知,无论是18.7 GHz还是36.5 GHz水平极化亮温,HUT模型模拟的亮温都与MWRI亮温存在较大的偏差。主要原因是HUT模型的经验参数(消光系数)具有区域化的特点,即使在下垫面特性相对较简单的农田积雪区域也未必适用,所以模型需要进一步改进。

    • 对于积雪来说,平均的雪粒径的变化范围为1~3 mm。在这种情况下,波长和雪粒径的比值在18 GHz时的变化范围为5~15,在37 GHz时的变化范围为3~8,这就符合瑞利散射理论[13]。Roy等提出消光系数ke的计算公式为:

      $$ ke = a{({f^4} \times d{0^6})^b} $$ (3)

      式中,a=2±1;b=0.2±0.04。本文中令b=0.2。

      HUT模型中计算消光系数时,2013-01-10模拟亮温与星上亮温偏差较大。因此,为了进一步改进了系数a,令HUT模型的模拟亮温等于31个站点所在像元的亮温数据,利用最小二乘得到改进的本地化系数为2.23。在进行求解新的消光系数时,把雪深小于或等于5 cm时的站点(共3个站点)去掉。改进后的消光系数的公式为:

      $$ ke = 2.23 \times {({f^4} \times d{0^6})^{0.2}} $$ (4)
    • HUT模型采用式(10) 计算消光系数,称为改进的HUT模型(IMPHUT)。为验证改进模型的亮温模拟精度,利用IMPHUT模拟了2013-01-16的各站点的积雪亮温,并与HUT模拟的亮温和MWRI亮温进行了比较,如图 4所示。在验证时同样去掉了薄雪(小于或等于5 cm)的气象站点。

      图  4  20130-01-16模型模拟亮温与MWRI亮温比较图

      Figure 4.  The Comparison of Simulation Brightness Temperature and Brightness Temperature of MWRI on January 16, 2013

      为了更精确地比较IMPHUT模型和HUT模型的精度,分别求出了IMPHUT模型和HUT模型的均方根误差(RMSE)、偏差(Bias)和平均误差(ME):

      $$ {A_{{\rm{RMSE}}}} = {(\sum\limits_{i = 1}^n {\frac{{{{(T{b_1}-T{b_0})}^2}}}{n}} )^{1/2}} $$ (5)
      $$ {A_{{\rm{Bias}}}} = \sum\limits_{i = 1}^n {\frac{{T{b_1}-T{b_0}}}{n}} $$ (6)
      $$ {A_{{\rm{ME}}}} = \sum\limits_{i = 1}^n {\frac{{\left| {T{b_1}-T{b_0}} \right|}}{n}} $$ (7)

      式中,Tb1代表模型模拟亮温;Tb0代表星上亮温;n代表点的个数。

      两种模型的均方根误差、偏差和平均误差见表 3

      表 3  2013-01-16 IMPHUT模型和HUT模型的均方根误差、偏差及平均误差/K

      Table 3.  RMSE, Bias and Mean Error of IMPHU TModel and HUT Model on January 16, 2013/K

      18.7 GHz36.5 GHz
      IMPHUTHUTIMPHUTHUT
      RMSE4.7914.7911.8121.76
      Bias-0.9114.03-4.19-16.33
      ME4.0914.039.1518.06

      表 3可知,IMPHUT模型在18.7 GHz和36.5 GHz水平极化时的模拟亮温偏差分别为-0.91 K和-4.19 K,较原始的HUT模型模拟精度(偏差分别为14.03 K和-16.33 K)有很大提高。

      图 4(a)可知,IMPHUT模型的模拟亮温与MWRI亮温仍有较小偏差,这主要是由于模型中假设冻土、积雪和森林的物理温度相同(都为T),但野外测量实验数据表明它们之间存在部分差异,这可能会给亮温模拟带来一定误差。此外,模型模拟过程中把气象站点观测的气温作为大气平均温度,在亮温模拟时也会造成一定的偏差。

    • 为了检验IMPHUT模型对于雪深参数反演的有效性,本文采用遗传算法分别利用IMPHUT模型、HUT模型和Chang算法反演2013-01-20的雪深,如图 5所示。

      图  5  2013-01-20 IMPHUT模型、HUT模型和Chang算法反演雪深

      Figure 5.  The Inversion Snow Depth of IMPHUT Model, HUT Model and Chang Algorithm on January 20, 2013

      图 5可知,HUT模型低估雪深,Chang算法高估雪深,而IMPHUT模型反演雪深与气象站点雪深有较好的一致性。为了更精确地评价3种方法反演雪深的精度,本文分别计算了3种方法反演雪深的均方根误差、偏差和平均误差,结果见表 4

      表 4  3种方法反演雪深的均方根误差、偏差及平均误差/cm

      Table 4.  RMSE, Bias and Mean Error of Inversion Snow Depth of Three Methods/cm

      IMPHUT模型HUT模型Chang算法
      RMSE9.0213.5828.99
      Bias-6.79-12.0327.26
      ME7.6212.0327.26

      表 4可知,尽管Chang算法简单易用,但是利用IMPHUT模型或HUT模型反演雪深的精度要高于Chang算法。均方根误差、偏差及平均误差等3种指标均表明IMPHUT模型反演雪深的精度最高。

    • 本文基于风云-3B(FY-3B)卫星的微波成像仪(MWRI)数据对HUT模型进行验证。结果表明,HUT模型模拟的亮温都与星上亮温存在较大的偏差,这主要是由于HUT模型中对消光系数的处理不适合研究区域,因此,本文对消光系数进行了改进,得到了改进的HUT模型(IMPHUT模型)。对IMPHUT的验证结果表明,IMPHUT模型在18.7 GHz和36.5 GHz水平极化亮温模拟时优于HUT模型。最后,本文利用IMPHUT模型、HUT模型和Chang算法进行了雪深参数反演精度的对比验证。定量结果表明,IMPHUT模型反演雪深精度最高,反演雪深与实测雪深具有较好的一致性。

      本文重点针对农田区进行了积雪的亮温模拟和雪深反演,并忽略了小部分像元内覆盖率较小(小于20%)的森林对亮温的影响,这可能也是一个潜在的误差源。森林积雪的亮温模拟和雪深反演一直是一个难点,下一步将利用积雪改进的消光系数公式针对森林区积雪进行亮温模拟,以提高森林与农田混合像元的亮温模拟和雪深反演精度。

参考文献 (20)

目录

    /

    返回文章
    返回