《基于多源卫星遥感数据的近地表冻融状态监测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
硕士学位论文基于多源卫星遥感数据的近地表冻融状态监测方法研究作者姓名：王平凯指导教师:施建成研究员中国科学院遥感与数字地球研究所赵天杰副研究员中国科学院遥感与数字地球研究所学位类别:理学硕士学科专业:地图学与地理信息系统培养单位:中国科学院遥感与数字地球研究所2018年4月 Studyofnear-surfacefreeze-thawstatemonitoringbasedonmulti-sourceremotesensingdataAthesissubmittedtoUniversityofChineseAcademyofSciencesinpartialfulfillmentoftherequirementforthedegreeofMasterofNaturalScienceinCartographyandgeographicalinformationsystemByPingkaiWangSupervisor:ProfessorJianchengShiInstituteofRemoteSensingandDigitalEarthApril2018 中国科学院遥感与数字地球研究所学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。论文中凡引用他人已经发表或未发表的成果、数据、观点等，均已明确注明出处。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：日期：年月日学位论文使用授权说明本人在导师指导下完成的论文，知识产权归属中国科学院遥感与数字地球研究所。本人完全了解中国科学院遥感与数字地球研究所关于收集、保存、使用学位论文的规定，同意研究所保存或向国家有关部门及机构送交论文的印刷版和电子版，允许论文被查阅和借阅；同意授权研究所采用影印、缩印、数字化或其它复制手段保存和汇编本学位论文。本人保证毕业后，以本论文数据和资料发表论文（著作）或使用论文工作成果时，第一署名单位为中国科学院遥感与数字地球研究所，并征得导师同意。保密论文在解密后遵守此规定。论文作者签名：导师签名：日期：年月日 摘要摘要近地表冻融循环是影响地-气交换、水文、碳循环以及水循环等过程的重要影响因子，因此有效的监测地表冻融循环的时空变换在气候变化以及环境研究中十分关键。基于相关研究的实际需要，大尺度的高空间分辨率高精度高时间分辨率的地表冻融状态的判别成为地表冻融研究的重点以及热点方向。本文为了达到上述目标，主要有以下几方面的研究：（1）发展了新的冻融判别式方程。冻融判别式方程（DFA）是一种被动微波判别地表冻融状态的算法。该算法经过相关学者验证可以应用到大尺度的地表冻融判别中，但是该算法在某些区域还是存在判别精度不够高的情况并且没有考虑卫星轨道的影响。根据原算法的局限性，本文基于AMSR-E不同通道亮温数据以及收集的北半球5cm深度的实测的密集土壤温度数据发展了一种新的冻融判别式算法，并且考虑了卫星不同轨道的影响。经过实地数据的验证，新的算法的冻融判别精度能达到90%左右。此外，通过与土壤水分主被动卫星（SMAP）的冻融产品进行比较，新的判别方程的冻融判别结果与SMAP的冻融产品具有很好的一致性。（2）建立了长时间序列下全球尺度下的MODIS地表温度数据与冻融系数FTI的线性回归模型。我们研究了全球尺度下的以像元为单位的新的冻融判别式方程计算得到的判别系数（冻融系数FTI）与MODIS地表温度数据之间的线性回归关系，结果显示两者除了在非洲中部以及巴西部分区域相关性较差之外（对冻融判别没有影响），同一像元内两者具有强的负相关性，北纬30度以上区域内，相关性在-1到-0.8范围内的区域所占的比例分别为95.6%和93.7%。该研究从侧面验证了全球尺度下建立线性回归关系时要考虑不同区域的影响，否则可能出现较大的偏差。该研究为建立高空间分辨率的长时间序列的地表冻融数据集提供了理论依据。（3）不同空间分辨率的长时间序列的冻融数据集的建立。该部分分别根据新I 基于多源卫星遥感数据的近地表冻融状态监测方法研究的冻融判别方程式以及冻融系数FTI与MODIS地表温度数据的线性回归模型来得到两个长时间序列的冻融数据集。本论文基于全球尺度下地表冻融判别算法存在的相关问题进行了研究，通过发展新的冻融判别式算法以及引入不同遥感数据源建立了不同分辨率的全球尺度的长时间序列的地表冻融数据集，提高了全球尺度下冻融判别的精细度，为地球的气候变化、水文过程、陆面过程等相关的研究提供更有效的信息支持。关键词：地表冻融，冻融判别式算法（DFA）,AMSR-E,MODIS,SMAPII AbstractAbstractThenear-surfacesoilfreeze–thaw(FT)transitionisanimportantfactoraffectingland-atmosphereexchanges,hydrologyandcarboncycles.Thus,effectivelymonitoringthetemporal–spatialchangesofsoilFTprocessesiscrucialtoclimatechangeandenvironmentresearch.Basedontheactualneedsofrelevantresearches,thediscriminationofthefreeze-thawstateofthesurfacewithhighspatial-temporalresolutionisthekeypointandhotissueofthesurfacefreeze-thawstudy..Inordertoachievetheaboveobjectives,thispapermainlystudiesthefollowingaspects:(1)Thedevelopmentofthediscriminantfunctionalgorithm(DFA).SeveralapproacheshavebeendevelopedtodetectthesoilFTstatefromsatelliteobservations.Thediscriminantfunctionalgorithm(DFA)usestemperatureandemissivityinformationfromAdvancedMicrowaveScanningRadiometerEnhanced(AMSR-E)passivemicrowavesatelliteobservations.Althoughitiswellvalidated,itwasshowntobeinsufficientlyrobustforalllandconditions.Inthisstudy,weusein-situobservedsoiltemperatureandAMSR-EbrightnesstemperaturetoparameterizetheDFAforsoilFTstatedetection.Weusethein-situsoiltemperaturerecordsat5cmselectedfromavailabledensenetworksintheNorthernHemisphereasareference.Consideringthedistinctionbetweenascendinganddescendingorbits,twodifferentsetsofparameterswereacquiredforeachfrequencypair.Thevalidationresultsindicatethattheoveralldiscriminantaccuracyofthenewfunctioncanreach90%.WefurthercomparedtheAdvancedMicrowaveScanningRadiometer2discriminantresultsusingthenewfunctiontotheSoilMoistureActivePassivefreeze/thawproduct,andareasonableconsistencybetweenthemwasfound.(2)ThelinearregressionmodelofMODISsurfacetemperaturedataandfreeze-thawcoefficientFTIwasestablishedontheglobalscaleoflongtimeseries.Westudiedthelinearregressionrelationshipbetweendeterminationcoefficient(FTI)andMODISlandsurfacetemperature(LST)dataindifferentpixelsonaglobalscale,itIII 基于多源卫星遥感数据的近地表冻融状态监测方法研究wasshownthatthereexistsastrongnegativecorrelationbetweenFTIandMODISLSTexceptthesomeregionsofAfricaandBrazilwhichhavenoeffectsonthefreeze-thawdiscrimination.Theproportionofcorrelationcoefficientbetween-0.8and-1withintheabove30degreesnorthlatitudeareaonascendinganddescendingorbitcanreach95.6%and93.7%respectively.It'sverifiedfromthesidethattheremayoccurlargedeviationwhenestablishinglinearregressionmodelignoringthedifferenceamongdifferentregions.Thisstudyprovidesatheoreticalbasisfortheestablishmentforalongtimeseriesfreeze-thawdatasetswithhighspatialresolution.(3)Theestablishmentoffreeze-thawdatasetsforalongtimeserieswithdifferentspatialresolution.Wecanacquiretwodifferentlongtimeseriesfreeze-thawdatasetscalculatedbythenewdiscriminantfunctionalgorithmandthelinearregressionmodelbetweenFTIandMODISLSTrespectively.Accordingtothestudyofsubsistentproblemsfordiscriminatingsurfacefreeze-thawstate,thepapernotonlydevelopsanewdiscriminantfunctionalgorithmbutalsoimprovesthefreeze-thawdiscriminantfidelityonaglobalscalebasedonthefusionofFTIandMODISLST,whichcanprovidemoreeffectiveinformationsupportfortheearth'sclimatechange,hydrologicalprocess,landsurfaceprocessandotherrelatedresearches.KeyWords:Thesurfacefreeze-thawstate,Discriminantfunctionalgorithm,AMSR-E,MODIS,SMAPIV 目录目录第1章绪论..........................................11.1研究背景及意义..........................................11.2国内外研究现状..........................................31.2.1早期的多年冻土研究................................31.2.2基于可见光-反射红外遥感的冻土分布的研究...........31.2.3基于热红外遥感的冻土分布及冻融判别的研究..........41.2.4基于主动微波遥感的地表冻融状态的研究..............51.2.5基于被动微波遥感的地表冻融状态的研究..............71.3研究内容...............................................131.4论文结构以及研究思路...................................14第2章被动微波冻融判别式算法的改进.................172.1数据源和参数化方法.....................................172.1.1数据源...........................................172.1.2参数化方法.......................................202.2新的冻融判别式方程.....................................222.3精度验证以及与SMAP冻融产品的一致性分析................252.3.1地表实测温度的验证...............................252.3.2与SMAP冻融产品的一致性分析......................292.4本章小结...............................................31第3章被动微波与热红外数据的融合判别方法研究.......333.1可行性分析.............................................333.2建立线性模型的卫星观测数据及预处理....................393.2.1联合AMSR-E以及AMSR2数据的冻融判别系数FTI......393.2.2MODIS地表温度数据LST的处理.....................393.3线性回归方法...........................................40V 基于多源卫星遥感数据的近地表冻融状态监测方法研究3.4回归结果...............................................413.4.1全球尺度下的回归效果分析.........................413.4.2像元尺度下的回归结果分析.........................473.5本章小结...............................................51第4章不同空间分辨率的冻融数据集生产与对比.........534.1基于改进的判别式算法的全球的长时间序列的地表冻融数据集.534.2基于冻融系数FTI与MODIS地表温度数据的高分辨冻融数据集的建立...........................................................554.3本章小结...............................................56第5章总结和展望...................................595.1论文内容与创新点.......................................595.2研究内容的不足及未来的展望.............................61参考文献............................................63致谢................................................71攻读学位期间取得的学术成果..........................75VI 图索引图索引图1.1决策树流程图.............................................11图1.2冻融判别式算法构建流程图.................................12图1.3论文主要研究思路.........................................15图2.1位于北半球的实测站点分布.................................19图2.2在6.925GHz的新的冻融判别式方程判别的冻融状态密度图......23图2.3在10.65GHz的新的冻融判别式方程判别的冻融状态密度图......23图2.4在18.7GHz的新的冻融判别式方程判别的冻融状态密度图.......24图2.5升轨状态下错误样本分布直方图.............................27图2.6降轨状态下错误样本分布直方图.............................28图2.7新冻融判别方程式判别结果与SMAPFTP的比较(Cambridge-Bay).30图3.1青藏高原那曲区域土壤水分与冻融监测站点。................34图3.2冻融系数FTI，MODISLST，土壤温度三者的关系。黑色实线表示的是回归线，红色虚线表示95%的置信区间，蓝色虚线表示95%的预测区间。.......................................................36图3.3三种不同地表覆盖类型区域下的冻融系数FTI与MODISLST的比较...........................................................38图3.4三种不同地表覆盖类型下单个像元内的冻融系数FTI与MODISLST间的关系...................................................38图3.5不同卫星轨道下冻融系数FTI与MODISLST间的相关系数分布图42图3.6不同卫星轨道下相关系数数值比例图........................42图3.7不同卫星轨道下冻融系数FTI与MODISLST间的判别系数分布图44图3.8不同卫星轨道下冻融系数FTI与MODISLST之间线性回归方程的斜率的分布图.................................................45图3.9不同卫星轨道下冻融系数FTI与MODISLST之间线性回归方程的截距的分布图.................................................46图3.10单一像元内冻融系数FTI与MODISLST间的密度图...........48图3.11单一像元内的冻融系数与MODISLST间的回归残差图.........50VII 基于多源卫星遥感数据的近地表冻融状态监测方法研究图4.1升轨状态下新的冻融判别式方程判别的全球冻融状态分布图....54图4.2降轨状态下新的冻融判别式方程判别的全球冻融状态分布图....54图4.3升轨状态下FTI与MODISLST融合后的冻融判别图............56图4.4降轨状态下FTI与MODISLST融合后的冻融判别图............56VIII 表索引表索引表1.1主要被动微波传感器相关参数特征...........................8表2.1数据网络的详细信息......................................18表2.2新冻融判别方程式在不同波段不同轨道上的判别精度..........26表2.3原来的冻融判别方程式的判别精度..........................27表2.4新冻融判别方程式的判别结果与SMAPFTP在SMAP核心验证站点的比较.......................................................31表3.1冻融系数FTI，MODISLST，土壤温度三者在那曲地区的关系....36表3.2青藏高原地区不同像元的冻融系数FTI与MODISLST间的线性回归效果.......................................................51IX 第1章绪论第1章绪论1.1研究背景及意义冻土指的是零摄氏度以下并且含有冰的各种岩石和土壤。根据冻结时间的长短可以分为：多年冻土、季节性冻土以及瞬时性冻土。多年冻土一般指冻结时间在连续两年以上(Dobinski,2011)，季节性冻土的持续时间一般为半个月或者是数月，瞬时性冻土持续的时间为几天或者几个小时(徐学祖,王家澄,&张立新,2001)，其中季节性冻土包括多年冻土区的活动层以及非多年冻土区的土壤季节冻结层。冻土的分布主要集中在北半球，在包括冰川以及冰盖的情况下，大约2500万平方公里或者25.6%的北半球的陆地土壤是永久冻土(张廷军,晋锐,&高峰,2009)；季节性冻土最大的延展面积大约为4800万平方公里，占了北半球裸露土地面积的50.5%；瞬时性冻土则占据了一年中最冷月份的北半球裸土面积的6.6%(TingjunZhang,Barry,Knowles,Ling,&Armstrong,2003)。地表冻融循环一般发生在季节性冻土（包含活动层）以及瞬时性冻土中，地表冻融循环分布广泛且动态性强，冻融循环随着季节的变化每年都会重复发生，覆盖面积广泛，并与水循环、碳循环、植被净初级生产量以及能量平衡等过程关系紧密，是全球气候变化的重要指示器(T.Zhang&Armstrong,2001;张廷军etal.,2009)。冻融循环的实质为土壤水的相变过程，土壤水由于温度较低释放热量相变成冰，固体冰由于温度升高吸收热量相变成水，因此近地表季节性冻融循环影响着地面的热以及水文特性，从而打破了地表的能量平衡以及水汽平衡(Kurganova,Teepe,&Loftfield,2007)。当土壤由融化变为冻结时，土壤的热传导加强从而极大的增加了热通量，另一方面土壤水分的冻结减少了水力传导率，水分的渗透减少，地表径流增加，地表面一层薄薄的冻结层从根本上阻隔了大气与更深层土壤之间的水汽交换。除此之外，冻融循环是生态环境和气候变化的重要影响因素和示踪因子。土壤解冻时，土壤温度和空气温度升高，植被开始生长(JohnS.Kimball,Zhao,Mcdonald,Heinsch,&Running,2004)，生态系统中1 基于多源卫星遥感数据的近地表冻融状态监测方法研究的微生物的活动慢慢加强，一方面微生物代谢活动释放热量，使土壤温度继续升高(Blacketal.,2000)，另一方面向空气中释放二氧化碳以及甲烷等温室气体，从而加剧空气温度的升高，两者结合在一起会导致更快的更深层次的冻土的解冻，而冻土的解冻又再次加剧了微生物的代谢从而形成了对气候变化的“正反馈”(Blacketal.,2000;WalterCOecheletal.,1993;WalterC.Oecheletal.,2000)。综上所述，对土壤季节性冻融循环精确的判别以及全面的了解是评估寒区或寒冷季节在地表或次地表水文过程、区域和全球气候变化、陆地与大气碳交换以及陆地生态系统的潜在影响的先决条件。目前为止，对地表冻融状态判别的方法不一而足。由于冻土与融土最直观的判别因素是土壤温度，因此在冻土研究早期，研究者主要是通过在研究区内布设气象站点的方式来进行土壤冻融状态的判别。这种方法的好处是测量的温度指标准确，因此判别的冻土的精度极高。但是冻土的研究一般是在北半球的高纬度地区或者高山地区，那里气候寒冷，地形比较复杂，有些地方甚至是人迹罕至，因此布设站点的难度增加，需要的人力物力较大，不适合大规模的布设站点，并且对站点的维护成本也较高(Karl,Bretherton,Easterling,Miller,&Trenberth,1996;Lanfear&Hirsch,2013)。另一方面，由于研究区域的地理跨度问题，布设的站点仅能够代表小部分地区，而不能作为整块区域的参照，因此不具备大规模观测冻土的能力。随着遥感技术的不断发展，利用遥感技术大规模的判别冻融状态成为了可能。遥感可以根据探测波段的波长主要分为可见光-近红外遥感、热红外遥感以及微波遥感三种基本形式，前两者可以统称为光学遥感。基于光学遥感的对土壤冻融状态的判别，可以利用光学遥感的高空间分辨率对区域内的地表状态进行有效的判别且精度较高，然而由于光学遥感的限制（容易受到云、尘土、雾霾、气溶胶等影响）有可能导致光学遥感数据大面积缺失，从而只能靠合成的方式来获得一幅完整的地表判别图，不能够满足实际大尺度的应用。微波遥感由于能够全天时、全天候的进行观测并且不受到云、雨、太阳等因素的影响再加上微波波段对土壤水分变化的敏感使得微波遥感有潜力成为大尺度观测地表冻融的最有效的方法(Running,1998)。但是，微波遥感判别地表冻融也有一定的局限性，以被动微波遥感为例，用于观测全球2 第1章绪论尺度的被动微波遥感的空间分辨率较粗，一般都为几十公里(Kim,Kimball,McDonald,&Glassy,2011;Naeimietal.,2012)。因此在一个微波像元内，由于地形、不同地表覆盖类型以及积雪等因素的影响，会导致像元异质性，从而不能够满足现实的应用。伴随着地表冻融状态向着高空间分辨率、高时间分辨率以及高判别精度的发展要求，越来越多的国家开始发射相应的卫星来满足现实的需求，美国国家宇航局（NASA）在2015年发射了L波段的SMAP卫星，该卫星的原本目标是获取不同分辨率（3KM,9KM,36KM）的全球的地表冻融状态(DaraEntekhabietal.,2010),但由于其主动微波传感器在几个月后就停止了工作，因此目前所能得到的冻融产品只有被动微波的空间分辨率为36KM的全球地表冻融产品。由施建成教授作为首席科学家的“全球水循环卫星计划”（WCOM）计划于2020年发射一颗水卫星，该卫星不仅可以提供高空间分辨率的地表冻融产品，而且还对历史卫星数据（SMMR,SMMI,AMSR-E,AMSR2，SMOS等）进行重建从而获得历年的长时间序列的高空间分辨率的地表冻融产品，从而为国家的相关科学研究以及国家决策提供信息。1.2国内外研究现状1.2.1基于站点数据的多年冻土和活动层厚度的初步研究早期的关于冻土的研究一般是针对多年冻土活动层进行一系列的探索研究，研究区域一般为高纬度高海拔地区，有学者研究了活动层的厚度与气候变化的关系，通过布设站点对实验区域的冻土活动层进行系统的研究，得出了冻土活动层的发育厚度对气候变化有十分重要的影响(J.Brown&Johnson,1965)。除此之外，极地活动层监测计划（CALM）、欧洲多年冻土和气候变化组织都组建了监测网络，它们通过对监测区域的空气温度以及不同深度的土壤温度的观测与记录，得出了活动层的分布情况以及活动层的厚度的变化情况。虽然此种方法所观测的结果十分精确，但是对大范围内的甚至全球的冻融状态的判别却无能为力。1.2.2基于可见光-近红外遥感数据的冻土分布的研究3 基于多源卫星遥感数据的近地表冻融状态监测方法研究由于可见光-近红外遥感不能够穿透地表，因此只能利用该遥感波段间接进行冻土分布的相关研究。研究表明冻土的分布一般与地形、气候、地表覆盖状况、积雪等环境因素有关系。例如，永久冻土一般存在于高纬度高海拔的山区，并且在山区一般季节性冻土都会出现在阴面，而阳面则不会存在(R.J.E.Brown&Pewe,1973)。当地表有复杂的植被类型时，植被会有效的吸收太阳的能量，从而对冻土的形成造成影响(Lindsay&Odynsky,1965)。积雪也是地表土壤与空气的绝佳的隔离体，季节性积雪的出现很大程度上能够影响多年冻土的形成(Smith,1975)。国内外学者大多数也都是基于冻土形成与环境因素的关系利用光学-近红外遥感来进行冻土分布的研究。Haugen等（1972）研究人员尝试了利用Landsat-1上搭载的多光谱扫描仪影像来间接判别阿拉斯加地区永久冻土的分布的可能性。同样在阿拉斯加地区，Anderson等（1974）也利用同样的卫星影像提出了利用地表地质以及植被类型的纹理特征来对该地区进行更高精度的冻土制图。Morrisse等（1986）通过灵活组合地球资源卫星提取的植被图、TM波段的热红外数据以及潜在太阳辐射量三种数据来编制冻土分布图，并且其最高精度能够达到80%左右。许多学者也尝试使用不同的分类方法来对多年冻土分布进行识别。Peddle等（1993,1994）利用MERCURY分类器，通过输入有效的环境因子，不仅识别了加拿大育空Ruby山脉的多年冻土而且对该区域的活动层的厚度进行了有效的分类，并分别利用野外观测活动层厚度数据进行了验证。Leverington等（1996）利用了3种不同的分类器（神经网络、最大似然分类、证据理论分类法）以及所需要输入的地形、叶面积指数、TM波段数据以及植被覆盖等信息绘制了夏季结束时的育空中部森林的冻土分布图，精度均达到85%以上。基于以上研究，光学-近红外遥感利用不同的环境因子可以有效的绘制区域冻土分布图以及获取多年冻土活动层的厚度信息，且精度较高。此方法的局限性也很大，一方面由于相关传感器的时间分辨率较低，不能有效的监测冻土的变化，另一方面，对冻土分布的研究是局域性的并且需要使用各种有效的区域环境信息，给大规模判别冻土分布提供了难度。1.2.3基于热红外遥感数据的冻土分布的研究4 第1章绪论土壤冻融状态与地表热状况有紧密的联系。搭载在Aqua和Terra的中分辨率成像光谱仪（MODIS）提供了全球尺度的不同空间分辨率的陆面温度产品，得到了许多研究人员的广泛的关注和精度验证。MODIS温度产品被不同研究人员在不同地区（高纬度地区、低纬度地区）、不同地形条件、不同天气状况下与不同的验证数据（长时间序列的气象站点数据、热红外成像仪数据、地面实测温度数据）进行了比较(Crosman&Horel,2009;Hook,Vaughan,Tonooka,&Schladow,2007)，得出了MODIS温度产品在均一的下垫面情况下精度较高，而对地面异质性较强的区域验证误差比较大；MODIS陆表温度产品受云、雨的影响会产生较大的误差(Hachem,Duguay,&Allard,2012;Langer,Westermann,&Boike,2010;Westermann,Langer,&Boike,2011)。除此之外，经大量验证，MODIS1KM温度数据与气温数据具有一致性，因此MODIS1KM的温度产品被广泛运用到高纬度地区来进行多年冻土制图（Hachemetal2012,Langeretal,2010）。但是因为云等因素的影响，MODIS产品在高纬度地区缺失情况比较严重(Eastman&Warren,2010)，因此需要进行填补。Hachem等（2010）曾经利用回归模拟的方法利用地面站点数据对MODIS温度产品进行填补，Royer等（2010）曾利用被动微波亮温数据的时间差值来对MODIS的温度产品进行填补。填补的方法往往根据不同研究者的研究方向使用不同的方法进行填补，且精度有好有坏。从上文可知，在晴空条件下，MODIS温度产品的精度特别高，可以用来反映地表真实的温度信息，因此MODIS温度产品不仅可以用做多年冻土制图而且在进行全球冻融判别时也是具有相当大的潜力的。1.2.4基于主动微波遥感数据的地表冻融状态的研究不同于其他波段的探测手段，微波遥感不仅能够全天时、全天候的进行观测，而且穿透效果强，不受云、雨等因素的影响。冻融循环的实质其实是土壤水的相变过程，微波遥感信号对土壤水分含量的变化十分敏感，因此冻土和融土的微波辐射信号会发生较大的变化。对于主动微波传感器（雷达、散射计）来说辐射信号表现为后向散射系数，对于被动微波传感器（辐射计）来说辐射信号为亮度温度。5 基于多源卫星遥感数据的近地表冻融状态监测方法研究传感器接收到的后向散射系数主要与土壤的结构与介电常数有关(Elachi&VanZyl,2006)。当土壤含水量增加时，介电常数会显著增高，反之则会显著降低。一阶辐射传输模型可以用来解释地表后向散射系数的相关变化原因：ߪ௧ൌߪ௦expሺെ2߬ሻߪ௩ߪ௧（1.1）其中，最左边一项为地表的后向散射系数，ߪ௦expሺെ2߬ሻ代表的是地表有效的散射系数部分，ߪ௩代表了植被的后向散射系数(F.T.Ulaby,Moore,&Fung,1986;F.TUlabyetal.,1990)，ߪ௧表示的是地表与覆盖物间的相互影响部分，߬代表了植被层的不透明度。有辐射传输模型可知，当没有植被覆盖或是植被较稀疏时，地表后向散射系数的大小主要取决于ߪ௦expሺെ2߬ሻ，对应的就是土壤的或者被雪覆盖的地表的微波辐射信号。当雪覆盖地面时，地表的后向散射系数则显得杂乱无章，其辐射信号受到雪晶体的大小、密度。含水量等因素的影响。Kimball等（2001）以及Way等（1994）研究人员发现在高频波段下，积雪对后向散射系数的影响比低频波段严重，尤其需要剔除。主动微波冻融判别算法经过不断的完善更新，主要有下面三种：1.2.4.1季节性阈值法该方法的主要理论为找到与冻融变化有一定相关性的也具有季节性波动的遥感信号，分别计算出代表冻结和融化的遥感信号的值得大小，然后在通过接收到的新的遥感信号，将三者经过一定的数学运算，从而得到季节比例系数，然后通过经验或者半经验的方法选取一个阈值T作为冻融的边界，然后通过和季节比例系数比较得出地表土壤的冻融状态。一般季节比例系数的计算公式如下：ఙሺ௧ሻିఙሺ௭ሻሺtሻൌ（1.2）ఙሺ௧௪ௗሻିఙሺ௭ሻ其中，ሺtሻ即为季节比例系数，ߪሺݐ݄ܽݓ݁݀ሻ、ߪሺ݂ݎݖ݁݊ሻ分别为融化和冻结下的遥感信号参考值，ߪሺݐሻ为接收到的遥感信号值。在主动微波传感器中，遥感信号为后向散射系数。季节性阈值法已经被应用到ERS-1的雷达数据上，并且对不同地区进行了地表冻融状态的判别，结果均表明该方法可以有效的用于6 第1章绪论监测冻融状态(D.Entekhabietal.,2004;Gamonetal.,2004;Rignot&Way,1994;Way,Zimmermann,Rignot,McDonald,&Oren,1997)。1.2.4.2移动窗判别法该方法的主要原理为在某一时间序列（要有季节性变化）的后向散射系数变化图中设置一个一定间隔时间的移动窗口，通过移动该窗口来计算每次移动情况下该窗口内的信号的平均值，再选取一个判定阈值，从而进行地表冻融的判别。该算法已经被应用到NASA的SCAT卫星数据上，该研究对加拿大地表状态进行了研究有效的证实了该算法的可靠性(Frolkingetal.,1999;JohnS.Kimball&Mcdonald,2004;J.SKimball,Mcdonald,Keyser,Frolking,&Running,2001;JohnS.Kimball,McDonald,Running,&Frolking,2004;Rawlinsetal.,2005)。1.2.4.3边缘检测法冻融循环中，尤其是季节交替期间，微波信号会发生较大的改变，当季节交替之后，微波信号一般会处于缓慢变化中，但是也会可能在某一时刻产生相对较大的波动，该方法就是利用边缘检测算子来检查信号的变化(Canny,1986)。该算法通过选择不同的变异函数不仅对于季节性冻融循环能够识别，对于非季节性的不显著的冻融变化也能明确的感知。1.2.4.4主动微波遥感判别方法的局限性以上三种主动微波判别算法，在区域内的判别精度都比较高，也得到了一定的实际应用。但是由于主动微波传感器的重访周期太长,而冻融变化动态性比较强，导致主动微波信号不能有效的监测每天的地表冻融变化情况，因此不能满足一些实际的大范围的应用。1.2.5基于被动微波遥感数据的地表冻融状态的研究被动微波遥感除了具有微波的一般特性之外，还具有较高的时间分辨率，能够实现全球的每日的地表冻融判别，因此被动微波遥感判别地表冻融一直是遥感监测方法中的最常见的选择。和主动微波信号不同，由于介电常数以及土7 基于多源卫星遥感数据的近地表冻融状态监测方法研究壤质地的不同导致的被动微波遥感信号的变化主要体现在地表的亮度温度上。England等（1992）通过发展不同地表体散射体的微波辐射模型首先奠定了亮度温度可以用来识别季节性冻土的理论基础。假设把地表模拟成一个半无限空间里的均匀散射体，那么地表所辐射的亮度温度可以表示为：TBሺfሻൌ݁∗ܶ∆ܶܤሺ݂ሻ（1.3）డ்∆ܶܤሺ݂ሻൌ݁∗ቀቁ∗߬ሺ݂ሻ（1.4）డడ்其中݁表示的地表微波发射率，ܶ表示的是土壤的热力学温度，ቀቁ表డ示的为土壤层热梯度，߬ሺ݂ሻ表示的是光学厚度。从公式中可以看出，亮温的大小主要与地表发射率、地表温度以及土壤质地有关系。目前的研究也大多是根据上面的公式来进行反演算法的创建与完善。由于被动微波在监测土壤水以及冻融等方面的独特优势，目前为止，已经发射了多个被动微波传感器，表1.1列出了它们之间的参数特征。迄今为止，利用被动微波来判别冻融界限的方法主要有三种：双指标法，决策树法以及判别式算法。表1.1主要被动微波传感器相关参数特征参数SMMRSSM/IAMSR-EAMSR219.3,22.3,37,6.9,10.7,18.76.9,7.3,10.7,频率6.6,10.7,18,21,3785.5,23.8,36.518.7,23.8,36.5,89高度955860705699.6入射50.353.155>55角条带780140014501450宽度运行1978-19871987-至今2002-20112012-至今时间1.2.5.1双指标法8 第1章绪论双指标法主要是以37GHz的亮度温度以及亮温谱梯度作为判定地表冻融状态的两个指标。其中，37GHz的亮度温度被证明是与地表温度具有良好的相关性并且对土壤水分的变化不敏感，可以用来做温度判定指标；单一的温度指标不能够准确的判别地表冻融状态(Dobson,Ulaby,Hallikainen,&Elrayes,1985;Kraszewski,1996;Zuerndorfer,England,Dobson,&Ulaby,1990)，因此亮温谱梯度SG被选择用来减少单一指标判别的不确定性，SG与不同频率亮温TB的关系如下：డ்SGൌ（1.5）డZuerndorfer等（1992）提出了将37GHz的亮温以及18和37GHz亮温谱梯度阈值来分别作为代替地表温度以及冻融状态的指标，并在此基础上提出了将两者经过一定的处理然后等权相乘从而提出了冻融指数的概念。37GHz的亮温以及SG分别处理成两个相关的识别地表冻融的系数ܲଷ,ܲ௦,可以通过以下公式求得：0ܶܤଷ>ܶܤ௫்ೌି்యళܲଷ=ܶܤ<ܶܤଷ<ܶܤ௫（1.6）்ೌି்1ܶܤଷ<ܶܤ其中，ܶܤ௫=259K,ܶܤ=247Kడ்డ்0>ቀቁడడ௫ങಳങಳቀቁିങೌങడ்డ்డ்ܲଷൌങಳങಳቀቁ<<ቀቁ（1.7）ቀቁିቀቁడడడ௫ങങೌడ்డ்1>ቀቁడడడ்డ்其中，ቀቁ=0.3K/GHz,ቀቁ=-0.3K/GHzడడ௫SMMR传感器停止工作后，SSM/I作为其后来的被动微波传感器，相比于前者波段有变化，因此Judge等（1997）就将原来的算法进行了微小的修改，将19GHz通道代替原来的相近的18GHz的通道来计算亮温谱梯度SG，将37GHz的V极化亮温作为原来的温度指标，同时相应的阈值也进行了修改，调9 基于多源卫星遥感数据的近地表冻融状态监测方法研究整后的分类标准如下：冻土和干雪：SG<0且ܶܤଷ<247K湿润地表：SG>0且ܶܤଷ<247K暖干地表：SG~0且ܶܤଷ较高除此之外，Judge等（1997）考虑到大气成分有可能对微波亮温数据产生影响，因此对比了SSM/I的各个波段在进行大气纠正与不进行纠正的微波辐射结果，发现无论阴天还是晴天，大气成分以及云只对85GHz存在影响需要校正外，其他波段都不用纠正。使用上述算法时需要指定特定的阈值，并且阈值跟研究区有很大的关系，因此当在一个新的区域时需要根据一定的经验来重新选择阈值或者对原算法进行修改。比如，曹梅盛等（1997）利用Zuerndorfer的双指标算法在青藏高原验证时却发现春季时37GHz亮温的判别能力很强而SG的识别能力则较弱，而夏季则恰恰相反，主要是因为区域导致的差异（春季青藏高原地区的含水量较低导致发射率变化较小而夏季正好相反）。除了亮温谱梯度可以作为指标之外，当土壤冻结时，微波的低频与高频亮温值都会增加，但此时低频的亮温的增长幅度比高频的大，并且在冻结过程中由于体散射的影响也会使亮温差值变小，因为土壤冻结时伴随着体散射的急剧增加，且高频的体散射的变化强度比低频的更大(Savi,Maio,&Ferraris,2011)。基于以上的认知，Han等（2015）利用AMSR-E的多频多极化亮温值发展了一种以37GHz垂直极化亮温和多波段（6.9,10.7,18.7,23.8,37,89.0GHz）的水平极化亮温的偏差值作为新的双指标来判别冻融界限的算法，经过验证该算法在半干旱以及半湿润区域具有良好的判别精度。1.2.5.2决策树算法不同于双指标算法，决策树算法考虑了积雪、沙漠、降雨等环境因素对判别结果的影响，晋锐等（2009）通过对冻土和融土的辐射特性的研究和相应的统计分析，使用SSM/I的多波段亮温数据得到三个判别指标以及选取针对不同影响因子剔除方案的阈值，从而对地表冻融状态进行了判别，有效的剔除了沙10 第1章绪论漠、降雨等因素的影响。该算法的三个判别指标分别为：37GHz的垂直极化亮温值，散射指数（SI）以及19GHz频率下的垂直极化与水平极化的差值(Grody&Basist,1996)。下图是该算法的主要流程图。图1.1决策树流程图决策树算法的判别结果经过国际协同加强观测计划（CEOP）的4cm的青藏高原地区的温湿度观测仪器的验证，精度达到87%，并且发展了以SMMR、AMSR-E传感器为数据源的长时间序列的冻融数据集。1.2.5.3冻融判别式算法为了搞清楚复杂寒区地表的微波辐射特性，Zhao等（2011）在黑河上游的阿柔、扁都口开展了车载地基实验。该实验系统的测量了土壤分别由冻结到融化以及从融化到冻结期间内的车载微波辐射计所观测到的多波段的亮温值的变化，并且计算了该期间内的土壤发射率的变化情况。除此之外，Zhao等还建立了寒区地表的联合的微波辐射模型用来模拟实际的寒区辐射特征从而与车载实验中的观测的数据进行结合来构建判别式算法。算法的基本流程如下图所示：11 基于多源卫星遥感数据的近地表冻融状态监测方法研究图1.2冻融判别式算法构建流程图构建的地表辐射模型联合了冻土介电模型(L.Zhang,Shi,Zhang,&Zhao,2003)、改进的积分方程模型（AIEM）(Chen,Wu,Tsang,&Li,2003)以及HUT积雪微波辐射模型(Pulliainen,Grandell,&Hallikainen,1999)，其中冻土介电模型用来计算冻融土壤的介电常数，AIEM模型用来描述地表散射特性，HUT积雪辐射模型用来考虑积雪和植被覆盖的影响。经过模型模拟结果和实测结果的对比发现冻土的微波辐射与土壤含水量密切相关，当含水量较低时，土壤冻结时亮温减少，而含水量较大时，亮温反而增加。因此单纯的使用亮温作为指标不能够有效的判别地表冻融状态。研究中还发现了地表的发射率不管是在干旱还是湿润环境下，只要土壤水分较少，发射率就会增加(Zhaoetal.,2011)。基于以上的分析，Zhao等提出了“准发射率”概念作为判别冻融状态的一个指标，37GHz的垂直极化亮温值作为另外一个指标，通过FISHER线性判别方法建立12 第1章绪论了判别地表冻融的判别式算法，公式如下：ܦிൌ1.47ܶܤଷ.ହ91.69ܳ݁െ226.77（1.8）ܦ்ൌ1.55ܶܤଷ.ହ86.33ܳ݁െ242.4(1.9)்భఴ.ళಹQeൌ(1.10)்యల.ఱೇH,V代表不同的极化值，Qe为“准发射率”。当ܦி>ܦ்时该部分土壤被判定为冻结，否则就判别为融化，经过验证，冻融判别式算法的精度可以达到86%，且能够应用到长时间序列以及大尺度地表冻融判别中。1.2.5.4被动微波判别算法的局限性被动微波遥感虽然适用于大尺度的地表冻融判别，但是也存在一定的局限性。被动微波传感器的重访周期一般比较短，能够有效的捕捉到冻融的变化，但是目前的传感器的空间分辨率比较粗，导致一个微波像元内具有强的空间异质性，像元内的环境因子（地形、植被覆盖等）的影响导致一个微波像元并不是一个纯净的像元，因此不能简单的用冻结或融化来描述，给地表冻融界限判别带来了极大的不确定性。1.3研究内容从上文可知，无论是早期的布设站点进行冻土分布的判别，还是随着遥感卫星技术的快速发展所创建的遥感判别算法都存在一定的局限性，值得注意的是，遥感判别中被动微波遥感在大尺度的冻融界限的判别中具有很大的潜力，传感器种类繁多，可以形成长时间序列的冻融判别数据集，是本文重点研究的方向。针对被动微波遥感判别算法，本文主要的研究内容如下：1)近地表被动微波冻融判别算法的发展被动微波判别算法中，无论是双指标算法、决策树算法还是冻融判别式算法都有其相应的优点和缺点，本文考虑到构建全球尺度的长时间序列的冻融数据集的需要，我们选用冻融判别式算法作为我们的基础算法。但因为冻融判别式方程虽然能运用到大尺度的地表冻融判别中，但是仍然存在一定的问题，因此使用星载卫星数据以及站点实测土壤温度数据来对冻融判别式算法进行改13 基于多源卫星遥感数据的近地表冻融状态监测方法研究进，提高该算法的判别精度以及在全球范围内的适应性。2)基于改进的冻融判别式算法判定的长时间序列冻融数据集由于AMSR-E和AMSR2传感器的系统参数基本一致，已有研究者将它们两者的亮温数据进行了交叉定标，因此可以利用两传感器的时间上的连续性以及观测数据的相互转换性来使用基于AMSR-E或者AMSR2的冻融判别算法来构建长时间序列的冻融判别数据集，并使用辅助数据在数据集中剔除降雨、水体、积雪等因素的影响。3)基于被动微波遥感数据与光学遥感数据相融合的地表冻融判别。考虑到被动微波传感器空间分辨率都比较低（AMSR-E的分辨率为25公里）导致使用被动微波判别算法进行判别时存在像元异质性的问题，即一个微波像元不能单纯的使用冻结或者融化来表示。为了解决该问题，本文引入了热红外数据MODIS的地表温度数据与冻融判别式算法得到的冻融系数FTI，通过建立两者在全球尺度上的线性回归模型，来提高大尺度下的判别地表冻融状态的空间分辨率。4)全球尺度的长时间序列的高空间分辨率的地表冻融状态数据集的建立。根据前三部分的研究内容，利用新的冻融判别式算法计算得到的冻融系数FTI和MODIS地表温度在像元尺度上的融合来建立高空间分辨率的地表冻融状态判别，从而形成长时间序列的高分辨率的地表冻融状态数据集。1.4论文结构以及研究思路本文主要以获得高精度、高空间分辨率以及高时间分辨率的长时间序列的地表冻融判别产品为主要目的，论文主要结构如下：第1章绪论。本章的主要内容为地表冻融循环的研究背景及意义、冻融判别的国内外研究现状以及本论文的主要研究内容。第2章冻融判别式算法的发展。基于原来的冻融判别式算法（DFA）存在的局限性，改进判别式算法的判别系数，并使用实测土壤温度数据和卫星冻融产品数据来验证新算法的精度和适应性。第3章全球尺度下MODIS地表温度数据与冻融系数FTI线性回归模型的建14 第1章绪论立。本章就是针对被动微波冻融判别算法粗分辨率而导致出现空间异质性从而给冻融判别结果带来极大的不确定性这个问题，来使用不同数据源的遥感数据来提升冻融判别的空间分辨率。第4章不同空间分辨率的地表冻融数据集的建立。主要建立了两种不同分辨率的全球的长时间序列的地表冻融数据集。低分辨率的冻融数据集利用新的冻融判别式算法在全球尺度上进行冻融判别的结果建立而成；高分辨率的冻融数据集由新的冻融判别式算法计算得到的冻融系数FTI和MODIS地表温度数据间建立线性回归方程后判别的地表冻融结果建立而成。第5章结论和展望。本章针对前几章研究的内容进行归纳，总结了本论文得到的主要的结论、创新点以及不足，此外还对未来的研究方向进行了探讨。本文的主要研究思路如下：AMSR‐E亮温数MODIS LST据水体、积雪、降雨等辅助数质量控制、重新的DFA算法据采样等MODIS 冻融系数FTILST_0.25线性回归模型FTI_Based_LST补充缺失情况高分辨率冻融数据集图1.3论文主要研究思路15 基于多源卫星遥感数据的近地表冻融状态监测方法研究16 第2章被动微波冻融判别式算法的改进第2章被动微波冻融判别式算法的改进冻融判别式算法（DFA）通过在黑河上游的车载地基实验以及创建的寒区复杂地表的微波辐射模型提出了将37GHz的垂直亮温数据和18.7GHz的水平极化亮温与37GHz的垂直亮温数据的比值作为两个判别冻融的指标，取得了很好的判别效果。但是由于地基实验的实测数据有限，只有短短的几天，因此该算法在某些区域比如青藏高原地区的冻融判别精度较低。除此之外，将该算法应用到AMSR-E上时没有考虑升降轨的影响，导致算法的普适性不强。针对以上问题，本文考虑通过使用AMSR-E的不同波段的亮温数据以及从北半球获取的密集的5cm的实测的土壤温度来对DFA重新进行参数化，并且考虑升轨和降轨的差异性，分别得到升轨下的冻融判别系数以及降轨下的冻融判别系数。另外，将新算法的判别结果与SMAP卫星的冻融产品进行一致性分析。2.1数据源和参数化方法2.1.1数据源2.1.1.1实测的密集的土壤温度数据AMSR-E传感器是搭载在Aqua卫星上的星载微波辐射计。Aqua卫星是太阳同步卫星，经过赤道的时间分别为当地时间凌晨1:30以及下午1:30，因此升轨和降轨对应的基本上是一天中最热和最冷的时间段。为了和升降轨的时间保持对应，我们在北半球选择密集土壤温度时要选择对应的时间即凌晨1：30和下午1:30。但是在选择过程中，有的站点的数据只有每小时的数据，这时候我们将1:00以及2:00的土壤温度数据取平均来近似的作为升降轨对应时间的土壤温度数据。由于AMSR-E的分辨率为25公里，此时单个站点的土壤温度数据不能够代表这个像元对应的地表温度数据(Royetal.,2017)，因此我们在一个微波像元内选择多个土壤温度实测站点并将它们的实测的土壤温度的平均值作为该像元对应的地表实测温度。最后考虑到不同地区的差异性，我们选取了位于中国、美国、加拿大、芬兰等国家的土壤温度数据。表2.1中列出了这些土壤17 基于多源卫星遥感数据的近地表冻融状态监测方法研究实测数据的详细信息。在这里我们需要明确几个数据选取时的概念，我们将每个国家作为一个数据网络，每个数据网络里包含多个微波像元，每个像元又包括密集的单点站。表2.1数据网络的详细信息In-situPointsforSingleNetworkStatePixelsRowColumnobservationparameterStationsPointsizationCTP-China331087233SMTMN310872361749174951088234USA_NETUSA32304192229217054845400212386FLUXNETCanada343021453300145640954004297143FMIFinland178279134301800APEXAlaska4812710281677200113910511191181120112CTP-SMTMN数据网络，位于中国青藏高原，该地区是寒冷的半干旱气候。该网络包含了3个微波像元，数据的时间从2010年8月1日到2011年9月27日。该实测数据可以在第三极环境数据库中下载使用(http://en.tpedatabase.cn/portal/MetaDataList.jsp)。在加拿大FLUXNET数据网络，同样也选取了三个微波像元：Met2GF站点包括四个单独的站点，BERMS_OAB站点包括三个单独的站点，站点SKfire包括四个单点站。所有单18 第2章被动微波冻融判别式算法的改进点站的数据的时间都是从2008年1月1日到2010年12月31日。这些数据都可以从加拿大的FLUXNET研究网络——加拿大的碳计划数据（1993-2014年的数据）(https://daac.ornl.gov/cgi-bin/dsviewer.pl?ds_id=1335)。位于芬兰的FMI网络包含一个站点，该站点包含7个单站，数据是从2007年1月1日到2011年9月27日，并且可以从芬兰气象研究所研究中心北极的地面数据集的LITDB数据库中获得。（http://litdb.fmi.fi/）。位于美国的USA_NET网络包含三个可以通过土壤气候分析网络（SCAN）获得的数据站点(https://www.wcc.nrcs.usda.gov/scan/)。APEX数据网络位于阿拉斯加，包括四个数据站点，其中的三个站点的数据可以SCAN获得，剩下的一个站点来自阿拉斯加大学的北极生物研究所的富尔溪谷。(http://www.lter.uaf.edu/data)。图2.1显示了这些站点在北部的位置半球。图2.1位于北半球的实测站点分布2.1.1.2AMSR-E和AMSR2的亮温数据AMSR-E传感器在微波波段包括6.925,10.65,18.7,36.5,89GHz6个双极化的波段。在本文研究中使用了2002年到2011年的6.925,10.65,18.7,36.5GHz19 基于多源卫星遥感数据的近地表冻融状态监测方法研究的双极化的AMSR-E亮温数据。该亮温数据是通过处理AMSR-E/AquaL2A产品得到的0.25度网格数据，等经纬度投影。AMSR2是AMSR-E的后继传感器，两个传感器之间具有相似的轨道高度、空间分辨率、传感器配置以及观测波段，它们的过境时间理论上相差大概10分钟以内(Lobl,Spencer,Imaoka,&Nakagawa,2009)。因此，胡同喜等（2016）基于两个传感器的总体相似的特征，对两个传感器的18.7GHz、36.5GHz波段的数据进行了亮温数据的交叉定标，得到了两个传感器数据之间的相互转换的公式，从而能够与SMAP的冻融产品进行对比，这些内容会在下文中详细描述。本研究中所使用的AMSR2亮温数据是18.7GHz和36.5GHz波段的2016年全年的0.25度的网格数据。AMSR-E和AMSR2亮温数据都可以在日本宇宙探索局的全球变化观测任务（GCOM）的数据提供中心获得(http://suzaku.eorc.jaxa.jp/GCOM_W/data/data_w_dpss.html)。2.1.1.3SMAP冻融产品我们可以从美国国家冰雪中心下载到SMAP微波辐射计判别的L3级的冻融产品TheSMAPL3RadiometerNorthernHemisphereDaily36kmEASE-GridFreeze/ThawState,Version1(SPL3FTP)。该产品是由提供网格化的SMAP微波辐射计观测的亮温数据的SMAPL1C_TB的日合成产品，并且使用了美国国家冰雪中心为SMAP设计的极地36公里EASE2网格数据格式，该冻融产品包括地表冻融状态、辅助数据以及质量评估标志(Derksenetal.,2017)。该冻融产品从2015年3月31日发布，主要集中在北半球（纬度从北纬45度到北纬85度，经度从东经180度到西经180度）(Xuetal.,2016)。2.1.2冻融判别式方程参数化方法2.1.2.1Fisher线性判别分析Fisher线性判别分析方法是一种将多维数据投影到一维空间以达到分类目的的技术(Fisher,1936)。该线性判别方法的理论基础是将多维数据投影到一维空间时找到一个最适合的投影坐标轴使得两个样例重叠的部分最少。换句话说，该方法就是要找到一个投影坐标轴使得两个样例的均值的差的绝对值最大20 第2章被动微波冻融判别式算法的改进且同时两个样例投影后的各自的方差最小。因此投影坐标轴的方向应该使下面的公式达到最大：ሺఓమభିఓమሻܬሺ߱ሻൌ(2.1)ఙమାఙమభమ其中，μ代表样例的均值，σ代表样例的方差。我们要通过使上式最大化来找到投影坐标轴߱的投影方向。找到投影位置后，下一步就是要计算待分类数据的每个数据点到样例均值的距离，离哪个样例均值的距离最近，则将该数据点划分到该样例中。从以上分析可知，Fisher线性判别方程的一般形式为：ܦሺݔሻൌ்߱∗ܺܰ(2.2)其中，D代表类别分数,ܺ是判别依据,߱代表的是最优投影轴，N是一个常量。在本次研究中，我们选取和DFA相同的判别依据：“准发射率”和37GHz的垂直极化亮温数据。对于需要判定的土壤状态，我们可以分别计算得到该像元的冻结和融化的分数，哪个状态的分数大我们就将该像元划分到该类别。2.1.2.2冻融判别式方程的参数化判别一个像元是否为冻结像元主要依靠两个参数：较低的物理温度以及地表发射率的变化，这也是冻融判别式方程判别土壤冻融状态的依据。37GHz的垂直亮温数据已经被学者证明是微波波段最适合来模拟地表温度(Mcfarland,Miller,&Neale,1990)。由于低频率的水平极化亮温值对地表发射率的变化更加的敏感，因此可以用低频率的水平极化亮温数据与37GHz的垂直极化亮温数据的比值来近似的描述地表发射率。这个比值就是上文所提到的“准发射率”的概念。因此，在冻融判别式方程的形式如下所示：DFTൌA∗ܶܤଷܤ∗Qeܥ(2.3)其中，A,B,C是判别方程式系数，Qe代表的是准发射率。在本文研究中，6.9,10.65,18.7GHz的水平极化亮温被用来计算不同频率下的“准发射率”。当DFT大于0时，该像元被判定为冻结，当DFT小于0时，该像元被判定为融化。但是原方程忽略了卫星不同轨道（升轨和降轨）的影响。因此本研究去除了升轨和降轨的影响，我们将升轨数据和降轨数据分离开，分别参数化升轨条21 基于多源卫星遥感数据的近地表冻融状态监测方法研究件和降轨条件下的冻融判别式方程。除此之外，当使用AMSR-E的亮温数据时，我们应该考虑射频干扰（RFI）对亮温数据的影响，尤其是当我们使用到微波的C和X波段时（6.9,10.65GHz）。我们使用简单阈值法来去除RFI对亮温值的影响，我们选取最常用的阈值320K作为判定使用到的亮温数据是否收到RFI的影响(Olivaetal.,2012)。当亮温值大于320K时，我们就判定该亮温值受到了RFI的影响，并剔除该亮温值。在参数化冻融判别式方程之前，所有的AMSR-E以及AMSR2的亮温数据都要剔除RFI的影响。在剔除RFI的影响之后，我们就可以使用任何一天AMSR-E一个像元的亮温数据以及该像元内对应的实测土壤温度来获得三个元素：“准发射率”（亮温比值）、37GHz垂直亮温数据和根据地表实测土壤温度数据来判别的土壤冻融状态（实测土壤温度数据在0摄氏度以下时，判定为冻结，用1作为标记；实测土壤温度在0摄氏度以上时，判定为融化，用2作为标记）。我们将选取的每一天的实测土壤温度数据以及其对应的AMSR-E亮温数据所计算得到的三个元素组成数据库（以天为单位），该数据库就是用来建立新的冻融判别方程式（参数化）。因此，数据库中每天的数据包括三个元素，当进行冻融判别方程式的参数化时，三个元素中的土壤冻融状态作为分类的类别，“准发射率”以及37GHz的垂直极化亮温数据作为判别依据。数据库中的数据以升轨和降轨分别存储并分别都被用来参数化冻融判别式方程。我们分别将数据库中的包含的判别数据输入到社会科学统计软件包中（SPSS），在SPSS中选择线性判别方式，就分别可以得到升轨和降轨对应的冻融判别式方程。2.2新的冻融判别式方程根据SPSS的计算分析，不同频率的最终的冻融判别式方程如下所示：்బలಹDFT_Aൌെ0.119∗ܶܤଷ7.961∗23.626(2.4)்యళೇ்బలಹDFT_Dൌെ0.121∗ܶܤଷ4.857∗26.071(2.5)்యళೇ்భబಹDFT_Aൌെ0.120∗ܶܤଷ8.861∗22.956(2.6)்యళೇ்భబಹDFT_Dൌെ0.138∗ܶܤଷ3.351∗31.877(2.7)்యళೇ22 第2章被动微波冻融判别式算法的改进்భఴಹDFT_Aൌെ0.123∗ܶܤଷ11.842∗20.650(2.8)்యళೇ்భఴಹDFT_Dൌെ0.209∗ܶܤଷ9.384∗43.697(2.9)்యళೇ其中，公式2.4，2.5分别代表在6.925GHz频率下升轨和降轨情况下的新的冻融判别式方程。同样的情况，公式2.6，2.7代表的是在10.65GHz频率下的新的冻融判别公式，公式2.8，2.9代表的是在18.7GHz频率下的新的冻融判别方程式。根据新的冻融判别式方程判别的冻融状态密度图如下所示：图2.2在6.925GHz的新的冻融判别式方程判别的冻融状态密度图图2.3在10.65GHz的新的冻融判别式方程判别的冻融状态密度图23 基于多源卫星遥感数据的近地表冻融状态监测方法研究图2.4在18.7GHz的新的冻融判别式方程判别的冻融状态密度图每张图里都包含了升轨和降轨状态下的冻融判别结果。每张图中左边的颜色条（蓝色色标）代表的是冻结数据的数据密度，右边的颜色条（红色色标）代表的是融化数据的数据密度。从3个图中都可以明确看到升轨和降轨数据存在明显的不同，不同频率下的冻融状态的判别情况也存在不同。尽管新的冻融判别式方程能够有效的区分开地表的冻融状态，但是还是存在一些冻结数据与融化数据相互重合不能被有效分开的部分。从三个图里可以看出，当使用“准发射率”以及37GHz的垂直亮温值作为判别指标时，有些融化的点和冻结的点展现了基本相同的辐射特性。之所以会出现这个现象，其中一个原因是由于判别的区域可能受到降雨、积雪以及沙漠的影响。由于降雨和沙漠的强的体散射的影响，很容易错误的判别为冻结地表。用来建立冻融判别式方程所选取的不同区域，大部分都位于高纬度或者高海拔地区，在这些区域的冬天，地表大部分面积都会被积雪所覆盖，冻融判别方程式的判别指标对干雪覆盖的融化土壤是无效的，该情况下的地表状态“准发射率”的值很大，但地表温度却很低。当使用新的冻融判别式方程来判定湿雪覆盖的地表时也不能有效的识别，因为被动微波观测不能够穿过湿雪从而也就不能获得湿雪下的地表土壤的辐射信息(Zhaoetal.,2011)。另外一个原因可能是植被覆盖的影响。比如，在建立新的冻融判别式方程选取的USA_NET网络以及FLUXNET网络的数据点时，有些单站点处在被森林覆盖的区域。森林覆盖下的地表的辐射是复杂且不均匀的，因24 第2章被动微波冻融判别式算法的改进此被动微波传感器接收的微波信号不仅仅是近地表土壤的辐射特性而是植被辐射以及被植被影响的分散的地表辐射综合作用的结果。因此当判定这部分地区的地表冻融状态时很容易出现判别错误。从图2.2,2.3,2.4里我们还可以看出，在升轨阶段，原来的冻融判别式方程和新的冻融判别式方程都可以很好的区分冻结土壤和融化土壤。但是在降轨阶段，原来的冻融判别式方程总是过多的将融化土壤判别为冻结土壤，导致融化土壤的判别精度非常低。然而，我们新的冻融判别式方程解决了这个偏差。除此之外，从密度图的密度大小可以看出，融化土壤的37GHz垂直极化的亮温值基本聚集在260-276K的范围，“准发射率”的值基本集中在0.97-1的范围；冻结土壤的37GHz垂直极化的亮温值则基本聚集在230-250K的范围，“准发射率”的值则基本集中在1-1.03的范围。这也能从侧面反映冻融判别式方程的两个判别依据能够有效的区分地表冻融状态。2.3新冻融判别式方程算法验证与精度评价我们使用5cm的实测土壤温度来验证新冻融判别算法的判别精度。判定精度通过以下的公式进行判别：ிிା்்Accuracyൌ∙100%(2.10)ிிାி்ା்ிା்்其中FF表示的是当地表为冻结且该判别式算法也判别为冻结的比例，FT表示的是当地表为冻结状态而该算法判定为融化土壤的比例。相似的，TT代表的是当地表为融化状态时算法也判定为融化土壤的比例，TF代表的是地表为融化土壤时该判别式算法判别为冻结的比例。2.3.1地表实测温度的验证我们在这一部分对比新的冻融判别式算法与原来的冻融判别式算法分别在升轨和降轨下的判别精度。验证算法精度的实测数据来自上文组建的地表实测数据库。在Zhao的判别式方程中，只考虑了18.7GHz频率下的情况，而新的冻融判别式方程则考虑了三个频率下的情况（6.925,10.65,18.7GHz）。表2.2列出了新方程的在三个波段下的不同轨道的判别精度。“Frozen（%）”是冻土的25 基于多源卫星遥感数据的近地表冻融状态监测方法研究判别精度，“Thawed(%)”表示的是融土的判别精度，‘Ascend’和‘Descend’代表AMSR-E传感器的升轨和降轨。升轨和降轨情况下的判别总精度以及冻土和融土的判别总精度也都能计算了出来。从表2.2中可以看出不同波段下的总的判别精度大概都在90%左右。不用波段下的融土的判别精度基本没有变化为92.4%，但是冻结土壤的判别精度却有一定的波动，分别为84%，89%和86.5%。三个波段下的升降轨的判别精度也基本没有大的不同，但整体来看10.65GHz的波段下的整体判别精度最好。为了和原来的冻融判别式方程进行比较，表2.3列出了原来方程的判别精度。从两个表格比较可以看出，在升轨阶段，两个方程的判别精度都在86%以上，但是新的判别式方程在冻结土壤的判别正确率上提高比较明显；在降轨阶段，可以明显看出原来的冻融判别方程式的不合理性，冻结和融化的判别精度太失衡（冻土的判别精度为98.3%，融土的却只有73.3%），而新的判别式方程则有效的提升了融土的判别精度又没有大量的降低冻土的判别精度，使整体冻融土判别更加平衡，且相应的提高了总的判别精度。表2.2新冻融判别方程式在不同波段不同轨道上的判别精度FrequencyOrbitFrozen(%)Thawed(%)Mean(%)6.9GHzAscend84.3091.6288.70Descend84.1492.0288.87Mean(%)83.9892.4989.0910.65GHzAscend90.8291.3891.15Descend91.1890.5690.81Mean(%)88.9192.4791.0218.7GHzAscend87.5891.5089.92Descend86.4692.4890.0626 第2章被动微波冻融判别式算法的改进Mean(%)86.4692.4890.06表2.3原来的冻融判别方程式的判别精度18.7GHZ(Originalfunction)Frozen(%)Thawed(%)Mean(%)Ascend82.8392.9388.90Descend98.3273.2683.44Mean(%)90.6383.1686.17从以上论述可知，新的冻融判别式方程相比于原来的方程判别精度有了明显的提升，但是新的方程也存在一些问题。我们分析了新冻融判别式方程在18.7GHz波段下的错误判别在不同地表实测温度下所占的比例，并以直方图的形式显示在图2.5，2.6中。图2.5升轨状态下错误样本分布直方图27 基于多源卫星遥感数据的近地表冻融状态监测方法研究图2.6降轨状态下错误样本分布直方图从图中可以看出，无论是升轨还是降轨，错误的分类基本出现在土壤温度在0摄氏度附近。具体来说，经过计算升轨状态下大约87%的判别错误和降轨状态下93%错误都发生在土壤温度零下4摄氏度到零上4摄氏度之间。这很大可能是因为在土壤温度在0摄氏度附近时，地表冻融状态变化的更加剧烈，频率更加频繁。因为地表冻融状态变化的更加频繁，就导致更高的可能性卫星的瞬时观测没有捕捉到地表状态的改变。导致分类误差出现在0摄氏度附近的另一个原因有可能是当土壤温度为0摄氏度左右时，此时土壤不仅含有冰而且含有液态水(L.Zhangetal.,2003)。冰水混合的土壤一直在冻结和融化状态之间转换，这种情况下的地表微波辐射信号会落入新冻融判别式方程的两个判别指标的交叉区域中从而导致误判。在错误判别中，当温度在0摄氏度以上时，判别方程将土壤判别为冻土的原因可能是因为此时的地表被积雪覆盖，而当土壤温度在0摄氏度以下，判别方程将土壤判别为融土一般都发生在冬天与春天交际之时，且伴随着积雪的融化。从图中还可以看出，当土壤温度在4摄氏度以上时，判别方程式基本不会再出现分类错误，而当土壤温度在零下4摄氏度以下时，判别方程式还会存在一定的误判比例。换句话说，在新冻融判别式方程所出现的分类误差中，错误的将冻结土壤判定为融化土壤更加常见。之所以出现28 第2章被动微波冻融判别式算法的改进这种情况，至少一部分原因是本研究中实测土壤温度的深度在5cm，而18.7,36.5GHz微波波段的穿透深度达不到5cm(FawwazTUlaby,Moore,&Fung,1982),从而导致土壤浅层（0-2cm）已经融化但是5cm深度的土壤还处于冻结的状态。2.3.2与SMAP冻融产品的一致性分析在这一部分，我们将新冻融判别方程式的冻融判别结果与SMAP的冻融产品（SMAPFTP）进行了比较。考虑到SMAP的冻融产品从2015年3月开始发布，而AMSR-E的亮温数据是从2002年到2011年，因此为了达到这个目的，我们需要引入AMSR2的数据。因此我们需要对AMSR-E和AMSR2的亮温数据进行交叉定标。胡同喜等（2016）基于两个传感器相似的配置以及轨道特点对两个传感器在18.7和36.5GHz波段上进行了交叉定标，定标后两传感器波段的亮温数据的相关性达到97%，均方根误差大概为3-6K，平均偏差只有0-3K，因此两传感器亮温数据相互转化的数据可以用来进行长时间序列的冻融数据集的建立。相互转化方程如下：ܶܤா_ଵ଼.ൌ1.0189∗ܶܤଶ_ଵ଼.െ5.2717(2.11)ܶܤா_ଵ଼.௩ൌ1.0577∗ܶܤଶ_ଵ଼.௩െ16.204(2.12)ܶܤா_ଷ.ହൌ1.0073∗ܶܤଶ_ଷ.ହെ4.7723(2.13)ܶܤா_ଷ.ହ௩ൌ1.0135∗ܶܤଶ_ଷ.ହ௩െ6.3914(2.14)将AMSR2的亮温数据经过公式转化为相应的AMSR-E亮温数据后，使用新的冻融判别方程式从而判别出AMSR2亮温数据所对应的时间序列内的地表冻融状态从而与对应的时间内的SMAP的冻融产品进行比较。在对比之间，我们需要注意到的是SMAP的过境时间为升轨在早晨6:00左右，降轨在下午6:00左右，而AMSR-E和AMSR2的升降轨时间分为对应在下午1:30以及凌晨1:30左右，所以两个判别产品之间存在5个小时的时间间隔。虽然如此，我们也可29 基于多源卫星遥感数据的近地表冻融状态监测方法研究以间接地比较两个产品判别的结果，也具有参考意义。我们在SMAP的一个核心验证站Cambridge-Bay（北纬69.15度，西经105.11度）对比了两种判别方式在2016年全年的该站点的冻融判别结果，如下图所示：图2.7新冻融判别方程式判别结果与SMAPFTP的比较(Cambridge-Bay)图2.7中‘NewAlgorithmIndex’(左Y轴)代表的是新的冻融判别方程式所得到的判别值，‘SMAPFTP’（右Y轴）表示的是SMAP冻融产品所判定的冻融状态。图中蓝色方块和红色方块分别表示SMAP冻融产品判定的该核心站点为冻结和融化的情况，图中的蓝色圆和红色圆分别代表的是新的冻融判别式方程判别的冻融状态，当‘NewAlgorithmIndex’大于0时判定该像元为冻结状态，当该值小于0时判定该像元为融化状态。从图中可以看出，SMAPFTP和新冻融判别方程式判别的结果具有很高的一致性。经过计算，如果将SMAP30 第2章被动微波冻融判别式算法的改进FTP判定的结果作为验证数据的话，新冻融判别式方程的判别精度在升轨上可以达到84.9%，在降轨上可以达到90.4%。不考虑升降轨，从图2.7中还可以看出新冻融判别方程式的判别值（‘NewAlgorithmIndex’）在整个一年中都随着时间的推移缓慢变化除了3月到4月中旬的那段时间，那段时间序列内方程的判别值波动比较大。这种现象出现的原因是因为3月到4月中旬这段时间内是冬春季节交替最激烈的时间段，此时土壤温度的变化波动也很大。除了比较该核心站点的两者的判别情况外，我们还另外对比了SMAP其他核心验证站上两者的冻融判别结果。表2.4列出了2016年两者之间在SMAP核心站点的一致性情况，以SMAPFTP判别结果为依据，新冻融判别方程式判定的地表冻融状态在所有SMAP核心验证站点上的平均精度为81.25%（升轨）和81.11%（降轨）。表2.4新冻融判别方程式的判别结果与SMAPFTP在SMAP核心验证站点的比较ComparisonAnalysisCoreSiteCountryLocationAscendingOrbitDescendingOrbitBERMS-OASCanada53.63N;106.20W86.81%84.89%BERMS-OBSCanada53.99N;105.12W83.79%84.34%KenastonCanada51.41N;106.50W79.67%75.82%SodankylaFinland67.36N;26.64E77.75%75.55%SaariselkaFinland68.38N;27.42E83.24%75.82%ImnavaitUSA68.62N;149.30W70.33%82.69%Baie-JamesCanada53.41N;75.013W83.52%79.40%Cambridge-BayCanada69.15N;105.11W84.89%90.38%Mean81.25%81.11%2.4本章小结本章的主要内容为考虑到Zhao等是利用车载微波辐射计以及联合模型创建的冻融判别式方程在某些地区（青藏高原地区）判定地表冻融状态的精度比较31 基于多源卫星遥感数据的近地表冻融状态监测方法研究差，普适性不够强的局限性，创新的使用星载微波亮温数据以及北半球多个地区的地表实测土壤温度数据来对原方程进行参数化，新方程不仅考虑了升轨和降轨的差异而且还建立了不同微波波段下的冻融判别式方程。建立新冻融判别式方程之后，又通过地表实测站点数据以及SMAP的冻融产品进行了验证，结果显示不同微波波段下的新的冻融判别式方程不仅提高了冻融判别精度，而且与SMAP冻融产品达到了基本平均81%的一致性。这个新的冻融判别式方程也存在一定的缺陷。首先，在重新建立该方程时并没有考虑到地表覆盖物的影响，比如积雪、沙漠等。其次，我们没有考虑像元内水体或者湖冰的影响。针对这些缺陷，在以后的研究中，我们可以利用水体分布图和相应的植被模型来分别剔除水体、湖冰以及植被对冻融判别结果的影响。我们还应该组织针对积雪地面的车载微波辐射计野外实验来研究积雪覆盖地表下的微波辐射特性从而可以建立针对积雪覆盖地表的微波辐射模型来剔除雪对冻融判别结果的影响。32 第3章被动微波与热红外数据的融合判别方法研究第3章被动微波与热红外数据的融合判别方法研究在第二章中，我们通过参数化冻融判别式方程得到了精度更高适应性更好的新的地表冻融判别方程式，具有一定的实际应用意义，但是由于微波像元粗的空间分辨率，一个微波像元由于空间异质性导致并不是一个纯净的像元，因此不能够简单的使用冻结或者融化来表示，被动微波判别算法都存在空间异质性的问题，因此大尺度的高分辨率的地表冻融判别是研究地表冻融状态的亟待解决的关键问题。因此本文在被动微波判别的基础上，通过引入热红外遥感数据（MODIS地表温度数据）将两种数据进行融合从而获得全球的高分辨率的地表冻融状态。3.1可行性分析Zhao等（2017）研究人员曾经使用冻融判别式算法以及MODIS地表亮温数据研究了在青藏高原地区融合的可能性(Zhaoetal.,2017)。为了开发和评价冻融估算方法，需要对土壤温度进行实地测量(小于10cm)，并且需要有较高的时间采样频率和空间采样密度，基于以上的原因建立了中国中部青藏高原那曲地区的多尺度土壤湿度和冻融监测网络(Yang,Qin,Zhao,Chen,&Han,2013)。Zhao等选取了青藏高原的那曲作为研究区域。那曲覆盖了一个大约10000平方公里(31°N-32°N;91.5°E-92.5°E;1°×1°)的高原区域，这一地区受到南亚夏季风的影响，年降水量为407毫米，其中大部分集中在季风季节(六月到九月)，土地利用分类主要是高寒草原，其生长季节在夏季。那曲土壤表面(0-5cm)的土壤在10月开始了日冻融循环，并在12月到2月之间完全冻结。该区域分别在四种土壤深度(0-5、10、20、40厘米)埋设了用于测量土壤湿度和温度两种状态变量的探针，探针的采样间隔为半小时。在0-5cm深度的表层土壤，该地区使用EC-TM和5TM探针通过斜插入0-5cm的土壤层来测量表面温度和相应的湿度。其他深度的土壤温湿度是通过水平插入传感器来测量的。整个测量网络是由56个站点在三个不同的空间尺度上布设完成的。有30个站点从2010年8月33 基于多源卫星遥感数据的近地表冻融状态监测方法研究1日开始记录数据，其中测量的地表温度数据被用作研究中。那曲地区的站点布设如图3.1所示：图3.1青藏高原那曲区域土壤水分与冻融监测站点。由于研究中考虑到AMSR-E传感器微波波段的敏感性，我们选取了那曲地区观测的在土壤表层的0-5cm的实测土壤温度数据。Zhao等在研究中提出了冻融系数FTI的概念，由于在判别式方程中我们将微波像元内的18.7GHz,36.5GHz通道下的亮温值带入到冻融判别式方程时就可以得到方程的值，该值就是提出的冻融系数FTI。随后我们尝试建立了FTI与MODIS地表温度数据的一维线性关系：34 第3章被动微波与热红外数据的融合判别方法研究FTIൌA∗LSTB(3.1)其中A和B是线性回归系数，考虑到要建立这个方程式我们要假设两个数据之间的回归系数与空间分辨率的变化无关。因此，从热红外遥感观测的高分辨的MODIS地表温度数据就可以通过升尺度来与被动微波观测的低分辨率的冻融系数FTI建立联系，将计算得到的系数A和B以及高分辨率的LST数据来计算得到高分辨的对应于被动微波遥感的冻融系数FTI。在判定地表冻融状态时，土壤的物理温度是最准确的判别依据，因此为了建立FTI与MODIS的地表温度数据的关系，我们首先分别比较了FTI，MODIS地表温度数据与那曲地区实测的0-5cm间的土壤温度三者之间的相关性，详细的统计关系如表3.1所示。从表3.1中可以看出，冻融系数FTI和地表实测温度数据有强的负相关性，相关系数在-0.95到-0.93的范围内变化，MODIS的地表温度数据与实测的地表温度数据具有强的正相关性，相关系数在0.86到0.92之间变化，相比于FTI与实测土壤温度的相关性稍微减弱了一些。MODIS地表温度数据与实测地表温度数据的均方根误差RMSE在9.91K到12.02K之间变化。将创建的线性模型运用到MODIS地表温度数据上后，判定系数在0.68-0.77之间变化，这表明有大概68%到77%的冻融系数FTI可以通过MODIS地表温度数据来拟合得到。两者之间的误差方差最小可以达到0.06.这些证明了冻融系数FTI和MODIS地表温度数据的线性拟合模型是可以运用到那曲地区的。35 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.2冻融系数FTI，MODISLST，土壤温度三者的关系。黑色实线表示的是回归线，红色虚线表示95%的置信区间，蓝色虚线表示95%的预测区间。表3.1冻融系数FTI，MODISLST，土壤温度三者在那曲地区的关系FTI~STLST~STFTI~LSTColumnRowRRRMSE(K)Bias(K)ܴଶErrorVariance1086235-0.950.8810.56-9.810.680.111087235-0.950.9010.83-10.080.740.091088235-0.950.8911.49-10.760.760.081089235-0.930.8610.62-9.600.730.101087234-0.940.9210.95-10.270.760.071088234-0.940.9211.28-10.640.770.071086233-0.930.9012.02-11.310.690.071087233-0.940.9210.01-9.220.770.061088233-0.940.9111.74-10.980.760.071089233-0.940.9111.48-10.680.750.091086232-0.930.909.91-8.960.680.071087232-0.930.9110.48-9.720.760.06注解：R表示相关系数；RMSE表示均方根误差；ܴ2表示决定系数此外为了更加直观的看出冻融系数FTI，MODIS地表温度数据和实测土壤温度的相关性，我们还比较了单个像元里的三者的关系（图3.2），从图3.2（a）,(b)明显的可以看出冻融系数FTI、MODIS地表温度数据LST与实测土壤温度具有强的相关性，并且还可以计算得出当FTI以及LST为0时所对应的地表土壤温度数据分别为2.95摄氏度以及9.79摄氏度。这种情况表明无论是AMSR-E还是MODIS的判别结果都要比实际的土壤温度“要冷”。换句话说，土壤更加容易被判定为冻结的土壤，因为在研究可行性分析时，Zhao使用的是原来的冻融判别式方程，所以图3.2（a）会存在“不平衡”的情况，这在新的36 第3章被动微波与热红外数据的融合判别方法研究地表冻融判别式中已经被解决。在图3.2（c）中我们能够得到在此像元内，FTI与MODIS的地表温度LST具有负相关性，判定系数为0.77。另外，图3.2（c）中的红色和蓝色虚线分别代表了95%的置信区间和预测区间。通过应用线性模型，MODIS的地表温度数据LST可以调整到接近于实测土壤温度数据的相关方向，能够达到与冻融系数FTI一样的水平。此外，我们还在青藏高原三种主要地表覆盖类型上的像元上对比了FTI与MODIS地表温度数据的相关性。这三种主要地表覆盖类型在MODISIGBP分类数据上分别属于裸土或稀疏植被（类别16）、开放灌木丛（类别7）以及草地（类别10）。此时的MODIS地表温度数据已经被采样到与AMSR-E相同的分辨率。所有的AMSR-E亮温数据（从2002年6月19日到2011年9月27日）都被用来进行FTI以及MODIS地表温度数据的对比，三种主要地表覆盖类型情况下的冻融系数FTI以及MODIS地表温度数据的对比密度图如图3.3所示，从图3.3中可以明显看出，同上文所得出的结果相同，冻融系数FTI以及MODISLST数据都呈现出特别强的负相关性。三个地表覆盖类型下即类别16,7,10的MODISLST和冻融系数FTI的线性模型的斜率系数分别为-0.1145，-0.1049，-0.0835。这表明了当冻融系数在相同的范围内时，草地下的MODIS的地表温度的动态变化范围是最大的。因为土壤具有比较高的热吸收能力，就会导致植被表层最上层的MODIS的地表温度相比于有一定深度的实测土壤温度的变化动态性更强，也因此会与冻融系数FTI有更高的相关性。这里也进一步解释了实测地表温度数据和MODIS地表温度数据在冻融判别上的偏差需要及时的更正。37 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.3三种不同地表覆盖类型区域下的冻融系数FTI与MODISLST的比较。(a)裸土或稀疏植被，(b)开放灌木丛，(c)草地图3.4三种不同地表覆盖类型下单个像元内的冻融系数FTI与MODISLST间的关系我们还选取了三个地表覆盖数据中的分别一个像元的冻融系数FTI以及MODIS地表温度数据。从图3.4中可以看出，两者的线性关系不仅在区域内成立在单个微波像元内也成立。以上这些研究表明了线性回归方法的有效性，我们可以通过建立冻融系数FTI与MODISLST之间的线性回归模型从而引进高空间分辨率的热红外遥感数38 第3章被动微波与热红外数据的融合判别方法研究据来提高冻融判别的空间分辨率与精度。3.2卫星观测数据选取及预处理上一节中，我们已经在青藏高原那曲地区验证了冻融系数FTI与MODIS地表温度数据之间的强的负相关性，我们的研究目的是建立全球的高分辨率的冻融数据集。因此需要在全球尺度上将冻融系数FTI与MODIS地表温度数据利用线性模型融合在一起。3.2.1联合AMSR-E以及AMSR2数据的冻融判别系数FTI的计算本研究中的被动微波遥感判别数据采用的是新的冻融判别式算法所计算出来的冻融系数(FTI)。具体来讲，就是使用18.7GHz下的新冻融判别式方程：்భఴಹDFT_Aൌെ0.123∗ܶܤଷ11.842∗20.650(3.2)்యళೇ்భఴಹDFT_Dൌെ0.209∗ܶܤଷ9.384∗43.697(3.3)்యళೇ根据本文2.3.2节中的AMSR-E和AMSR2的交叉定标公式我们可以将AMSR2的亮温数据转换为相对应的AMSR-E的亮温数据，这样我们就可以获得从2002年到目前为止的可用于计算冻融系数FTI的亮温数据。在一个微波像元内，根据微波亮温值带入判别式方程后，我们就能得到分别对应于升轨降轨的DFT_A以及DFT_D两个值，并把这两个值以升轨和降轨的方式存下来，将2002年到目前为止的微波观测数据按照每天两个文件存储冻融系数FTI。除此之外，我们还要使用相应的辅助数据（地表分类数据、降雨数据、水体数据等）来剔除积雪、降雨等因素的影响，因此每天的冻融系数FTI按照升降轨的方式存储在720×1440的网格中。3.2.2MODIS地表温度数据LST的处理光学遥感数据使用的是红外遥感数据中的MODIS的再分析的L3级地表温度数据MYD11C1，第五版本。该数据是0.05度的网格化产品，来源于对MOD11B1全球每日的空间分辨率为6公里的网格化数据的处理。因为两个传39 基于多源卫星遥感数据的近地表冻融状态监测方法研究感器都搭载在Aqua卫星上，因此它们之间的升降轨的时间更好相同，保证了时间上的一致性。因为MODIS地表温度数据是0.05度的网格数据，因此需要重采样到与AMSR-E以及AMSR2相同的空间分辨率以保证两数据空间上的一致性。重采样之前，因为MODIS温度数据易受到云、雨等因素的影响，我们需要提前剔除云、雨的影响，具体做法就是利用MODIS的质量控制数据，我们只保留满足质量控制数据中标明的“质量较好，无需其他验证”的数据，其他数据我们都标记为缺失数据。重采样时，将0.05度网格数据重采样到0.25度时，就是按经纬度顺序分别选取MODIS数据中的25个网格，将这25个网格中的数据求平均值就能达到要求。在求均值的过程中，当25个网格中有一半以上的网格存在有效的MODIS温度数据时，我们就将含有有效数据的网格求取平均值，得出采样后的网格的MODIS温度数据。经采样后以及质量控制后的MODIS数据，也每天按照升降轨的方式一天存储两个文件，每个文件都是720×1440的网格数据。3.3线性回归方法从上3.2节可以得到从2002年到目前为止的每日对应的MODIS地表温度数据以及被动微波冻融系数FTI数据，我们在线性回归之前需要先使每天的MODIS地表温度数据与冻融系数FTI的有效数据相对应，也就是只保留两者之间都存在有效数据的像元，其余像元都作为缺失的数据进行处理。原本是打算将所有的对应的从2002开始的MODIS地表温度和FTI有效数据全部混在一起进行线性回归，但是这样的做法具有很大的缺陷，首先就是将所有的像元中的数据混在一起，导致十几年的数据量特别大，根本不能在一张图里显示出来；其次就是因为本文研究的是在全球尺度上进行线性的回归，因此由于地域的差别过大，将全球的所有像元中的数据都用一个线性回归表达式来概括显然很不适合，会导致许多像元的回归判别系数很低。为了避免上述问题的发生，我们考虑以像元为最基本的单位在全球的每个像元上分别进行线性回归，既避免了数据量过大难以绘图，也大大减少了空间差异带来的不确定性。另外，在每个像元进行线性回归时，该像元内在十几年的时间内，会存在某天的数据缺失的40 第3章被动微波与热红外数据的融合判别方法研究情况，那么在此情况下，只要该像元在该时间序列范围内的数据超过四分之一时间范围，那么该像元就可以作为有效像元来进行线性回归模型的建立。在本文中，我们使用相关系数和判别系数来表征线性回归的效果，相关系数的范围为-1到1，正负数分别表示两变量正相关以及负相关的程度，相关系数的绝对值越接近1表明两个变量的相关性越好，线性回归模型的效果就越好。判别系数体现了自变量变化时，因变量随之变化的百分比，范围为0-1，数值越大，表示线性回归的效果越好。本文中是一维线性回归，因此判别系数是相关系数的平方。3.4回归结果3.4.1全球尺度下的回归效果分析我们分别计算了全球尺度下升降轨情况下的每个有效像元之间从2002年到目前为止的MODISLST和冻融系数FTI的相关性，如图3.5所示：41 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.5不同过境时间下冻融系数FTI与MODISLST间的相关系数分布图图3.5中白色的部分表示的是被剔除的或者缺失的数据。从图3.5中可以看出，MODISLST和冻融系数FTI在全球的每个有效像元上都呈现了强烈的负相关，如上文可行性分析中得出的结论一致。无论是升轨还是降轨，全球的有效像元里的相关系数基本都在-1到-0.8之间。为了更清楚的体现两者数据的强相关性，我们还分别做了升降轨条件下的相关系数所占比例的直方图。图3.6不同卫星轨道下相关系数数值比例图从直方图中可以看出，升轨和降轨条件下，MODISLST与冻融系数FTI之间的相关系数的值在-1到-0.8范围内的像元多占的比例分别为74.6%和73.5%。不同轨道的相关系数在全球不是均匀分布的。从图3.5中可以看出相关系数在-0.7以上的地区基本集中在非洲以及南美洲的区域。因为本文研究的是地表冻融42 第3章被动微波与热红外数据的融合判别方法研究状态的判别，且根据上一章可知，全球冻融循环基本集中在北纬30度以上。在图3.5中，在北纬30度以上的区域MODISLST以及冻融系数FTI具有强烈的负相关性。经过计算可知，升轨条件下在有效像元内的两者的相关性在-1到-0.8之间的比例大约96.9%，降轨条件下所占的比例大约为89.5%。由上文可知，相关性比较差的有效像元基本集中在南纬20度到北纬20度之间非洲的中部以及南美洲的巴西等地，该地区常年处于高温的情况，全年基本温度都在20度以上，不会出现冻融循环，之所以出现相关性差的情况可能是因为该地区的海拔较高以及云等的出现导致MODIS的地表数据存在一定的偏差，但是并不影响本文研究的内容。在北纬30度以上的区域，也出现了少量的相关系数在-0.7左右的区域，引起这种现象的原因是复杂的，可能包括海拔、地表覆盖类型、MODIS以及AMSR-E,AMSR2的观测误差以及该地区高的冻融循环变换的频率等。我们同样给出了MODISLST与冻融系数FTI的回归关系的判别系数的在全球范围内的变化范围，如图3.7所示：43 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.7不同过境时间下冻融系数FTI与MODISLST间的判别系数分布图上文已经提到，判别系数表示的是由于自变量的变化导致因变量也跟着变化的比比例，比如当判别系数为0.7时，表明有70%的冻融系数FTI的变化是可以通过MOSISLST来解释的。在本文中，因为存在着MODISLST和冻融系数FTI的相关系数和判别系数比较差的情况，因此在求解MODISLST和冻融系数FTI之间的回归系数的时候，我们首先要将不符合条件的像元剔除掉，具体做法就是将相关系数大于-0.8的以及判别系数小于0.64的像元剔除掉，不计算它们的回归系数。经过筛选，我们分别得到了升降轨条件下的回归系数在全球尺度上的分布范围，如图3.8,3.9所示：44 第3章被动微波与热红外数据的融合判别方法研究图3.8不同过境时间下冻融系数FTI与MODISLST之间线性回归方程的斜率的分布图45 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.9不同过境时间下冻融系数FTI与MODISLST之间线性回归方程的截距的分布图从回归系数的分布图可以明显的看出，不同轨道条件下的MODISLST和冻融系数FTI间的回归关系是完全不同的，回归系数也会随着像元位置的变化发生变化。其中“Slope”表示的就是上文回归方程中的“A”即斜率，“Intercept”表示的是回归方程中的“B”即截距。从图3.8中可以看出，升轨条件下的回归方程的斜率的范围大部分都在-0.2到0之间，经过计算该范围内的取值大约占97%的比例,回归方程的截距大部分的值落在-2到4之间，所占的比例大约为95.8%；从图3.8中可以看出，降轨条件下的回归方程的斜率除了在46 第3章被动微波与热红外数据的融合判别方法研究南纬75度到南纬90度之间的值的范围相同，其他地方的斜率值都在-0.3到-0.2之间，回归方程的截距的值大部分都落在-6到6之间，所占的比例大约为93.7%。从以上分析可知，在全球尺度上，不同像元回归方程的系数都存在着空间上的变化，因此在全球尺度上不能够不考虑空间因素的影响而将所有的MODISLST以及冻融系数FTI数据统一起来进行回归分析，会出现较大的误差，导致很多像元的回归误差特别差，不利用高分辨的冻融循环的判别。但是，从图中可以看出，在区域性的范围内，将MODISLST和冻融系数FTI不考虑空间因素的影响区域内所有的点进行融合是可行的，比如中国的青藏高原地区，升轨条件下，回归系数的方程的斜率均在-0.1左右很小幅度的变化，截距均在0.3左右的范围小幅度变化；降轨条件下，回归系数的方程的斜率在-0.15左右很小幅度的变化，截距均在-1.1左右的范围小幅度变化。因此，如果你是在区域性范围内进行研究的话，是可以根据回归系数以及截距的全球空间分布图来考虑将区域内所有的MODISLST和冻融系数FTI融化在一起进行线性回归分析，这样可以增加区域线性回归判别的数据量，从而使区域内的两者的线性判别的效果变得更加优秀。3.4.2像元尺度下的回归结果分析上一节我们分析了全球尺度下MODISLST以及冻融系数FTI的回归效果，这一节就具体的在像元尺度上分析两者的线性回归情况。我们将位于青藏高原地区地理位置为北纬31.375度，东经91.43度的区域作为研究范围，该区域对应的像元的位置在1086列，235行。在该像元内一共有600个有效的数据用于线性回归分析，该像元内的MODISLST以及冻融系数FTI的回归关系的密度图如下所示：47 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.10单一像元内(1086,235)冻融系数FTI与MODISLST间的密度图其中，MODISLST数据的单位为摄氏度，黑色实线为该像元内两者的回归线。从图3.10中可以看出，升降轨条件下的回归系数分别为-0.88和-0.87，回归分析的效果都很好。此外降轨条件下MODISLST以及冻融系数FTI对应的点相对于升轨而言比较分散，因此回归的效果不如升轨条件。升轨条件下，当48 第3章被动微波与热红外数据的融合判别方法研究冻融系数FTI等于0时，MODISLST对应的温度为0.22摄氏度，此时MODIS地表温度数据判别地表冻融状态的偏差为0.22摄氏度左右，对应的开尔文温度为273.4K，该像元下，MODIS判别地表冻融时的判别界限为273.4K，当MODIS地表温度大于273.4K时地表为融化状态，当小于273.4K时，地表为冻结状态；降轨条件下，当冻融系数FTI等于0时，MODISLST对应的温度为-8.2摄氏度，此时MODIS地表温度数据判别地表冻融状态的偏差为-8.2摄氏度左右，对应的开尔文温度为265K，该像元下，MODIS判别地表冻融时的判别界限为265K，当MODIS地表温度大于265K时地表为融化状态，当小于265K时，地表为冻结状态。降轨条件下的MODIS的地表温度的偏差要比升轨条件下的地表温度的偏差要大，且偏差的方向相反，主要的原因可能是升降轨对应的时间基本是一天中最热与最冷的时间，且对应的时间也有白天与晚上之分从而导致MODIS地表温度的差异。除此之外，我们还分析了该像元数据在升降轨的残差，并画出了残差图。49 基于多源卫星遥感数据的近地表冻融状态监测方法研究图3.11单一像元内的冻融系数与MODISLST间的回归残差图残差图中，绿色线表示的是数据残差的置信区间，当置信区间都包括0时表明线性回归较好的符合原始数据，红色的线表明是异常点，即红色线上的数据点的残差置信区间不包括0，这种情况表明该像元内有的数据不能根据该线性回归模型进行识别，可能是由于其他因素的影响导致传感器得到的数据出现异常。从图3.11中可以看出，该像元内绝大多数点的残差置信区间都包括0，表明该线性回归方程对该像元内的绝大多数数据都效果良好。除了这个像元点之外，我们还选取了青藏高原其他位置的像元点来分析不同像元之间的线性回归效果(升轨)，如表3.2所示：50 第3章被动微波与热红外数据的融合判别方法研究表3.2青藏高原地区不同像元的冻融系数FTI与MODISLST间的线性回归效果像元列行斜率截距相关系数判别系数P11086235-0.09810.282-0.90980.8278P21087235-0.10260.272-0.89810.8067P31088235-0.11070.3807-0.90320.8158P41089235-0.11920.6456-0.87820.7712P51087234-0.09820.1125-0.90780.8241P61088234-0.10980.2572-0.91730.8415P71086233-0.0886-0.0048-0.9130.8336P81087233-0.10010.1483-0.90590.8206P91088233-0.11820.1077-0.89810.8065P101089233-0.12880.3688-0.8870.7867P111086232-0.09720.1819-0.84730.7179P121087232-0.09870.1943-0.83720.7009从表3.2可以得出，青藏高原地区的12个像元点内的MODISLST和冻融系数FTI数据都呈现强烈的负相关，从此处可以看出以像元为单位进行线性回归分析具有良好的效果。并且通过跟表3.1进行对比可以发现，表3.2中相同像元下的FTI与MODISLST的相关性以及判别系数都比3.1节的得到的结果效果要好，这是因为我们对原来的冻融判别式方程进行了参数化，使得两者的相关性更加强从而也能从侧面验证新的冻融判别式方程提高了原方程的冻融判别精度。综上所述，通过运用MODISLST和冻融系数FTI的线性回归模型可以有效的进行不同遥感数据源的融合，从而获得高分辨率的冻融判别方法。3.5本章小结本章主要的内容是在全球尺度上以像元为依据，在像元尺度内建立从2002年到目前为止的MODIS地表温度数据和冻融系数FTI数据的线性回归方程，结果显示无论是升轨还是降轨情况下两者数据在全球的每个含有有效数据的像元内都存在较强的负相关性。基于此，我们得到了全球的每个有效像元内的51 基于多源卫星遥感数据的近地表冻融状态监测方法研究MODISLST和冻融系数FTI的线性回归关系，并将系数分别存于Slope和Intercept两个文件中，可以用做下一章高分辨率冻融数据集的建立。此外，我们还发现在全球尺度上，不能忽视空间位置因素的影响，而将MODISLST数据以及冻融系数FTI数据全球所有的像元混合在一起进行线性回归，这样会导致其他像元可能存在严重的拟合误差，但是在根据本章所得到的回归系数分布图我们可以在一定的区域里将两者对应的数据全部放在一起进行回归分析，由于数据量的增加，这种情况下也能相应的提高两个数据间的相关性，从而使回归效果变得更好。52 第4章不同空间分辨率的冻融数据集生产与对比第4章不同空间分辨率的冻融数据集生产本章的主要内容是建立长时间序列的冻融数据集，主要分为两部分，第一部分为基于改进的冻融判别式算法的长时间序列的粗分辨的地表冻融判别数据集；第二部分为基于多源遥感数据的高分辨率的地表冻融状态数据集。4.1基于改进的判别式算法的全球的长时间序列的地表冻融数据集本节的主要内容是根据新的冻融判别方程式以及AMSR-E，AMSR2亮温数据来获得从2002年开始一直到2018年的全球的冻融数据集。为了剔除积雪、降雨、水体等的影响，我们分别引入了MODIS的全球分类数据中的IGBP分类，AMSR-E以及AMSR2的降雨数据，MODIS的水体数据这些辅助数据来协同提高地表冻融判别的精度。具体来说，MODIS的IGBP分类数据用来将剔除常年积雪以及冰盖区域，该分类数据是L3级的全球地表覆盖的每年的0.05度的气候模型网格数据，每年一幅这样的数据，像元数量为3600×7200，因此在使用该数据之前，要将该数据重采样到与AMSR-E和AMSR2所用到的亮温数据一样的空间分辨率，该数据可以从LANDPROCESSESDISTRIBUTEDACTIVEARCHIVECENTER中下载（https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mcd12c1）。AMSR-E和AMSR2的降雨数据也是L3级每日的数据，空间分辨率与所用到的亮温数据一致，直接使用剔除相应的降雨即可，降雨数据可以从GCOM-1数据提供服务中心下载得到（http://gcom-w1.jaxa.jp/index.html）。MODIS的水体数据是全球的每年的陆地-水体标记数据，空间分辨率为250m，在使用该数据之前，也要对该数据进行重采样，使其与AMSR-E和AMSR2的空间分辨率一致，在本文中我们设定水体系数的阈值为0.3.当大于0.3时我们就将该像元判定为水体并剔除。该数据可以在NASA的官方遥感影像网站上进行下载（https://ladsweb.modaps.eosdis.nasa.gov/）。因此，使用新的冻融判别式53 基于多源卫星遥感数据的近地表冻融状态监测方法研究方程进行全球尺度的地表冻融判别时，生成的全球地表冻融图包括以下几部分：冻结像元、融化像元、降雨、积雪和冰盖、水体和其他（水体以及数据缺失情况等）。下面是两张2010年的1月7日的利用新冻融判别方程式判别的AMSR-E升轨和降轨的全球地表冻融分类图。图4.1升轨状态下新的冻融判别式方程判别的全球冻融状态分布图图4.2降轨状态下新的冻融判别式方程判别的全球冻融状态分布图在建立全球长时间序列的地表冻融数据集时，我们将每天的地表冻融数据集以升降轨的模式分为两个文件，命名规则以数据日期开头（比如20130101AMSR_Daily_FTA.dat，20130101AMSR_Daily_FTD.dat）,数据为整型数据，数据范围包括0,1,2,3,15。其中0代表的是水体数据或缺失的数据，1代表冻结地表，2代表融化地表，3代表降雨数据，15代表常年积雪以及冰盖数据。因此根据以上分析我们就可以得到从2002年一直到目前为止的被动微波的54 第4章不同空间分辨率的冻融数据集生产与对比空间分辨率为25公里的全球地表冻融数据集。4.2基于冻融系数FTI与MODIS地表温度数据的高分辨冻融数据集的建立由第三章可知，在全球尺度上我们建立了MODISLST和冻融系数FTI在每个有效像元内的线性回归关系，我们可以将MODIS地表温度产品里的每个有效像元数据带入到对应的线性回归方程中，这样我们就可以得到和MODIS一样的分辨率大小的网格中地表的冻融状态，我们把这个值叫做基于MODIS地表温度的冻融系数，简称为FTI_LST。因为存在无效像元（缺失数据、数据误差等原因），导致有些MODISLST数据不能通过线性回归模型来计算得到FTI_LST，对于这部分像元，我们使用对应的AMSR-E,AMSR2对应的像元进行填补，这个时候MODIS像元里对应的FTI_LST对应的值其实就是新的冻融判别式方程所计算的冻融系数FTI。通过上文的操作，我们就可以得到和MODISLST相同分辨率的冻融判别图，像元里的值表示为FTI_LST，当该值大于0时，表明该地表为冻结状态，当该值小于0时，表明该地表为融化状态。除此之外，我们也要使用和上一节中相同的辅助数据来剔除积雪、降雨、水体等因素的影响。为了和上一节的冻融状态图对比，我们做出了2010年1月7日的高分辨的冻融数据判别的全球冻融判别图，如图4.3,4.4所示。从图中可以明显看出，经过融合后的地表冻融分类图不仅填补了图4.1,4.2中的冻融的缺失部分，而且在全球一些区域的判别中有相应的不同。尤其在北纬30度左右的地方，融合后的全球冻融分类图在该区域内判别的更加精细。因为北纬30度左右的地表冻融变化具有强的动态性，因此被动微波一个像元内有的地区是冻结的有的地区是融化的，这个问题可以依据融合后的算法有效的解决，融合判别的空间分辨率能达到5公里，极大的减小了像元异质性的问题。根据上文所述，我们也创建了融合后的全球的长时间序列的地表冻融数据集。我们将每天的高分辨率的地表冻融数据集以升降轨的模式分为两个文件，命名规则以数据日期开头（比如20130101FTI_Based_LST_A.dat,20130101FTI_Based_LST_A.dat）,数据为整型数据，数据范围包括0,1,2,3,15。其中0代表的是水体数据或缺失的数据，1代表冻结地表，2代表融化地表，3代表降雨数据，15代表常年积雪以55 基于多源卫星遥感数据的近地表冻融状态监测方法研究及冰盖数据。图4.3升轨状态下FTI与MODISLST融合后的冻融判别图图4.4降轨状态下FTI与MODISLST融合后的冻融判别图4.3本章小结本章的主要内容为两种长时间序列的地表冻融数据集的建立，一种是被动微波的分辨率为25公里的地表冻融判别数据集；另一种是被动微波判别数据与MODIS地表温度数据融合得到的高分辨率（5Km）的地表冻融数据集。两个数56 第4章不同空间分辨率的冻融数据集生产与对比据集都剔除了水体、积雪、降雨等因素的影响。57 基于多源卫星遥感数据的近地表冻融状态监测方法研究58 第5章总结和展望第5章总结和展望本文主要的工作是判别全球尺度下的地表冻融状态，通过将被动微波数据与光学数据进行融合从而获得了高分辨率的长时间序列的地表冻融状态数据集，并发展了新的冻融判别式算法。5.1论文内容与创新点本文主要是研究基于多源遥感数据的近地表冻融状态的判别，本文用于研究的卫星数据包括AMSR-E、AMSR2的不同波段的亮温数据和降雨数据，SMAP的冻融产品，MODIS的地表温度数据、IGBP分类数据，MODIS水体数据等。针对地表冻融判别的相关问题，本文研究的主要内容如下：(1)新的冻融判别方程式的建立。本文基于Zhao所创建的冻融判别式方程的局限性，利用卫星数据与地面验证数据对原冻融判别式方程进行参数化。新的冻融判别方程式考虑到卫星升降轨导致的差异，分别计算了适用于升轨和降轨条件下冻融判别式方程，经过实测数据的验证，精度能达到90%左右。除此之外，我们充分利用AMSR-E和AMSR2传感器在轨道高度、波段类型、传感器配置等方面的几乎相同的情况，将AMSR2亮温数据根据交叉验证转换为对应的AMSR-E的亮度温度，从而可以利用新的冻融判别方程式判别2012年以后的地表冻融状态。本文也根据AMSR2亮温数据的转化，利用新的冻融判别式方程判别的地表冻融状态与SMAP的北半球的冻融产品进行比较分析，发现两个冻融判别结果在SMAP的核心验证站上能达到平均80%的一致性。(2)建立MODIS地表温度数据与冻融系数FTI的线性回归模型。通过早期在青藏高原的可行性分析，我们可以得知MODIS地表温度数据与冻融系数FTI具有一定的相关性。冻融系数FTI是将像元内的不同波段的微波亮温数据带入到新的冻融判别式方程中所得到的值。我们将该线性模型从青藏高原地区扩展到全球尺度上。在全球尺度上，我们考虑到不同地区的MODIS地表温59 基于多源卫星遥感数据的近地表冻融状态监测方法研究度数据的差异性以及不同空间产生的复杂的空间异质性问题，因此在建立线性回归方程时，我们以像元为基本单位，对全球的每个像元都进行MODIS地表温度数据和冻融系数FTI回归分析，结果显示，在像元为基本单位的情况下，无论是升轨条件还是降轨条件下，MODIS地表温度数据与冻融系数FTI都存在强的负相关性，并计算出了全球尺度上每个有效像元内的相关系数、判别系数、回归系数等。通过对这些系数的分析，我们可以得出在全球尺度上是不能不考虑空间的影响而将所有对应的MODIS地表温度数据与冻融系数FTI放在一起进行线性的判别，虽然如此，但是在相应的区域范围内，我们却可以对该区域整体进行线性回归分析，具体的区域范围可以通过得到的回归系数在全球尺度上的变化来判断该区域是否可以整体使用线性回归分析。(3)不同分辨率的长时间序列的地表冻融数据集的建立。两个冻融数据集的时间范围都是从2002年6月19日开始一直到2017年12月31日。随着AMSR2和MODIS的数据继续产生，冻融数据集会一致延续下去。建立的冻融数据集一个是根据新的冻融判别方程式判定的25公里空间分辨率的数据集，另一个是将被动微波遥感与热红外遥感相结合的5KM空间分辨率的数据集。并且两个冻融数据集都剔除了降雨、积雪、水体等相关因素的影响。主要创新点如下：(1)对冻融判别方程式进行改进的时候加入了卫星升降轨不同条件下的冻融判别式方程。虽然也有学者对冻融判别方程式进行改进，但是都没有考虑卫星不同轨道的影响；对冻融判别式改进时，利用收集的来自北半球的密集的实测温度数据来作为微波像元内的实际冻融状态的判别结果，该方法使得新改进的冻融判别式算法的精度进一步提高，在全球尺度上达到90%左右。(2)在全球尺度上将MODIS地表温度数据和冻融系数FTI以像元为单位进行线性回归模型的建立，不仅有效的避免了空间差异带来的严重的不确定性而且还将MODIS地表温度数据与冻融系数FTI在全球不同像元的回归系数存储下来，为多源数据融合提供前提。(3)将被动微波判别的地表冻融状态与热红外遥感数据进行融合，来获得全球尺60 第5章总结和展望度的高分辨冻融判别数据集。这是首次利用多源遥感数据融合来获得的长时间序列的高分辨率的地表冻融状态数据集，并且还根据相关的辅助数据剔除了积雪、水体、降雨等因素的影响。5.2研究内容的不足及未来的展望虽然本文在地表冻融状态研究方面取得了相应的进展，也有相当一部分内容的创新，但是仍然存在着一定的局限性，这些局限性需要在未来的工作里去认真的考虑办法并解决。本论文主要的研究不足之处有：(1)在进行地表冻融状态判别时，有许多可以影响判别结果的因素。本文中虽然剔除了积雪、水体以及降雨等因素的影响，但是我们使用的是相应的辅助数据，缺乏复杂地表情况下地表微波辐射特征受到不同覆盖物以及天气等影响时发生的变化。这也是地表微波判别的一大难点：即能否分别建立寒区不同地表状态下的微波辐射模型，从而可以从机理层面上更好的了解积雪、沙漠等因素对地表微波微波辐射所造成的干扰，从而利用模型剔除相关因素的影响。(2)建立从2002年开始的全球的长时间序列的冻融数据集时，由于AMSR-E和AMSR2两个传感器在时间上并非完美对接，因此导致2011年到2012年间有大约10个月的数据是没有观测值的，因此未来的工作需要利用其它卫星数据将该段时间的空白进行有效的填补。(3)本研究所用到的5cm深度的土壤温度来判别地表冻融状态也存在一定的问题，因为微波在不同覆盖类型的地表下的穿透深度有所不同，最理想的情况是能够得到各个层次的土壤温度的数值，再加上土壤温度一般都是以站点的形式单独存在，并没有在某个区域连成一片，因此未来的研究是要精确的找到不同深度的土壤温度的变化关系，这样就可以通过表层的空气温度利用数学方法来计算出地表以下不同深度的土壤温度，从而对地表冻融状态的验证或者是冻融算法的建立提供更加精确的信息。61 参考文献参考文献Anderson,D.M.,Mckim,H.L.,Crowder,W.K.,Haugen,R.K.,Gatto,L.W.,&Marlar,T.L.(1974).ApplicationsofERTS-1ImagerytoTerrestrialandMarineEnvironmentalAnalysisinAlaska.PaperpresentedattheGlobecomWorkshops(GCWkshps),2014.Black,T.,Chen,W.,Barr,A.,Arain,M.,Chen,Z.,Nesic,Z.,...Yang,P.(2000).Increasedcarbonsequestrationbyaborealdeciduousforestinyearswithawarmspring.GeophysicalResearchLetters,27(9),1271-1274.Brown,J.,&Johnson,P.L.(1965).Pedo-EcologicalInvestigations,Barrow,Alaska.Brown,R.J.E.,&Pewe,T.L.(1973).DistributionofpermafrostinNorthAmericaanditsrelationshiptotheenvironment:AReview,1963-1973.Research.Canny,J.(1986).Acomputationalapproachtoedgedetection.IEEETransactionsonpatternanalysisandmachineintelligence(6),679-698.Chen,K.S.,Wu,T.D.,Tsang,L.,&Li,Q.(2003).Emissionofroughsurfacescalculatedbytheintegralequationmethodwithcomparisontothree-dimensionalmomentmethodsimulations.IEEETransactionsonGeoscience&RemoteSensing,41(1),90-101.Crosman,E.T.,&Horel,J.D.(2009).MODIS-derivedsurfacetemperatureoftheGreatSaltLake.RemoteSensingofEnvironment,113(1),73-81.Derksen,C.,Xu,X.,ScottDunbar,R.,Colliander,A.,Kim,Y.,Kimball,J.S.,...Stephens,J.(2017).Retrievinglandscapefreeze/thawstatefromSoilMoistureActivePassive(SMAP)radarandradiometermeasurements.RemoteSensingofEnvironment,194,48-62.doi:10.1016/j.rse.2017.03.007Dobinski,W.(2011).Permafrost.Earth-ScienceReviews,108(3-4),158-169.doi:10.1016/j.earscirev.2011.06.007Dobson,M.C.,Ulaby,F.T.,Hallikainen,M.T.,&Elrayes,M.A.(1985).MicrowaveDielectricBehaviorofWetSoil-PartII:DielectricMixingModels.IEEETrans.geosci.rem.sens,GE-23(1),35-46.63 基于多源卫星遥感数据的近地表冻融状态监测方法研究Eastman,R.,&Warren,S.G.(2010).InterannualvariationsofArcticcloudtypesinrelationtoseaice.JournalofClimate,23(23),4216-4232.Elachi,C.,&VanZyl,J.J.(2006).IntroductiontothePhysicsandTechniquesofRemoteSensing:SecondEdition.(Jun).Entekhabi,D.,Njoku,E.G.,Houser,P.,Spencer,M.,Doiron,T.,Yunjin,K.,...vanZyl,J.(2004).ThehydrosphereState(hydros)Satellitemission:anEarthsystempathfinderforglobalmappingofsoilmoistureandlandfreeze/thaw.IEEETransactionsonGeoscienceandRemoteSensing,42(10),2184-2195.doi:10.1109/tgrs.2004.834631Entekhabi,D.,Njoku,E.G.,O'Neill,P.E.,Kellogg,K.H.,Crow,W.T.,Edelstein,W.N.,...VanZyl,J.(2010).TheSoilMoistureActivePassive(SMAP)Mission.ProceedingsoftheIEEE,98(5),704-716.doi:10.1109/jproc.2010.2043918Fisher,R.A.(1936).THEUSEOFMULTIPLEMEASUREMENTSINTAXONOMICPROBLEMS.AnnEugenics,7(2),179-188.Frolking,S.,McDonald,K.C.,Kimball,J.S.,Way,J.,Zimmermann,R.,&Running,S.W.(1999).Usingthespace‐borneNASAscatterometer(NSCAT)todeterminethefrozenandthawedseasons.JournalofGeophysicalResearch:Atmospheres,104(D22),27895-27907.Gamon,J.,Huemmrich,K.,Peddle,D.,Chen,J.,Fuentes,D.,Hall,F.,...McDonald,K.(2004).RemotesensinginBOREAS:Lessonslearned.RemoteSensingofEnvironment,89(2),139-162.Grody,N.C.,&Basist,A.N.(1996).GlobalidentificationofsnowcoverusingSSM/Imeasurements.IEEETrans.geosci.remoteSens,34(1),237-249.Hachem,S.,Duguay,C.R.,&Allard,M.(2012).ComparisonofMODIS-derivedlandsurfacetemperatureswithnear-surfacesoilandairtemperaturemeasurementsincontinuouspermafrostterrain.Cryosphere,6(1),51-69.Hachem,S.,Allard,M.,Duguay,C.,&Lewkowicz,A.(2010).UsingtheMODISlandsurfacetemperatureproductformappingpermafrost:anapplicationtonorthernQuébecandLabrador,Canada.Permafrost&PeriglacialProcesses,20(4),407-416.Han,M.,Yang,K.,Qin,J.,Jin,R.,Ma,Y.,Wen,J.,...Tang,W.(2015).AnAlgorithmBasedon64 参考文献theStandardDeviationofPassiveMicrowaveBrightnessTemperaturesforMonitoringSoilSurfaceFreeze/ThawStateontheTibetanPlateau.IEEETransactionsonGeoscienceandRemoteSensing,53(5),2775-2783.doi:10.1109/tgrs.2014.2364823Haugen,R.K.,Mckim,H.L.,Gatto,L.W.,&Anderson,D.M.(1972).ColdRegionsEnvironmentalAnalysisBasedonERTS-1Imagery.PaperpresentedattheRemoteSensingofEnvironment,VIII.Hook,S.J.,Vaughan,R.G.,Tonooka,H.,&Schladow,S.G.(2007).AbsoluteRadiometricIn-FlightValidationofMidInfraredandThermalInfraredDataFromASTERandMODISontheTerraSpacecraftUsingtheLakeTahoe,CA/NV,USA,AutomatedValidationSite.IEEETransactionsonGeoscience&RemoteSensing,45(6),1798-1807.Jin,R.,Li,X.,&Che,T.(2009).Adecisiontreealgorithmforsurfacesoilfreeze/thawclassificationoverChinausingSSM/Ibrightnesstemperature.RemoteSensingofEnvironment,113(12),2651-2660.doi:10.1016/j.rse.2009.08.003Judge,J.,Galantowicz,J.F.,England,A.W.,&Dahl,P.(1997).Freeze/thawclassificationforprairiesoilsusingSSM/Iradiobrightnesses.IEEETransactionsonGeoscience&RemoteSensing,35(4),827-832.Karl,T.,Bretherton,F.,Easterling,W.,Miller,C.,&Trenberth,K.(1996).Long-TermClimateMonitoringbytheGlobalClimateObservingSystem(GCOS):SpringerNetherlands.Kim,Y.,Kimball,J.S.,McDonald,K.C.,&Glassy,J.(2011).DevelopingaGlobalDataRecordofDailyLandscapeFreeze/ThawStatusUsingSatellitePassiveMicrowaveRemoteSensing.IEEETransactionsonGeoscienceandRemoteSensing,49(3),949-960.doi:10.1109/tgrs.2010.2070515Kimball,J.S.,&Mcdonald,K.C.(2004).Satelliteobservationsofannualvariabilityinterrestrialcarboncyclesandseasonalgrowingseasonsathighnorthernlatitudes.ProceedingsofSPIE-TheInternationalSocietyforOpticalEngineering,5654.Kimball,J.S.,Mcdonald,K.C.,Keyser,A.R.,Frolking,S.,&Running,S.W.(2001).ApplicationoftheNASAScatterometer(NSCAT)forDeterminingtheDailyFrozenandNonfrozenLandscapeofAlaska.RemoteSensingofEnvironment,75(1),113-126.65 基于多源卫星遥感数据的近地表冻融状态监测方法研究Kimball,J.S.,Mcdonald,K.C.,Keyser,A.R.,Frolking,S.,&Running,S.W.(2001).ApplicationoftheNASAScatterometer(NSCAT)forDeterminingtheDailyFrozenandNonfrozenLandscapeofAlaska.RemoteSensingofEnvironment,75(1),113-126.Kimball,J.S.,McDonald,K.C.,Running,S.W.,&Frolking,S.E.(2004).Satelliteradarremotesensingofseasonalgrowingseasonsforborealandsubalpineevergreenforests.RemoteSensingofEnvironment,90(2),243-258.doi:10.1016/j.rse.2004.01.002Kimball,J.S.,Zhao,M.,Mcdonald,K.C.,Heinsch,F.A.,&Running,S.W.(2004).Satelliteobservationsofannualvariabilityinterrestrialcarboncyclesandseasonalgrowingseasonsathighnorthernlatitudes.PaperpresentedattheInternationalAsia-PacificEnvironmentalRemoteSensingSymposium2004:RemoteSensingoftheAtmosphere,Ocean,Environment,andSpace.Kraszewski,A.W.(1996).MicrowaveAquametry:ElectromagneticWaveInteractionWithWater-ContainingMaterials.Kurganova,I.,Teepe,R.,&Loftfield,N.(2007).Influenceoffreeze-thaweventsoncarbondioxideemissionfromsoilsatdifferentmoistureandlanduse.CarbonBalance&Management,2(1),2.Lanfear,K.J.,&Hirsch,R.M.(2013).USGSStudyrevealsadeclineinlong-recordstreamgages.EosTransactionsAmericanGeophysicalUnion,80(50),605-607.Langer,M.,Westermann,S.,&Boike,J.(2010).SpatialandtemporalvariationsofsummersurfacetemperaturesofwetpolygonaltundrainSiberia-implicationsforMODISLSTbasedpermafrostmonitoring.RemoteSensingofEnvironment,114(9),2059-2069.Leverington,D.W.,&Duguay,C.R.(1996).EvaluationofThreeSupervisedClassifiersinMappingâ DepthtoLate-SummerFrozenGround,â CentralYukonTerritory.CanadianJournalofRemoteSensing,22(2),163-174.Lindsay,J.D.,&Odynsky,W.(1965).PERMAFROSTINORGANICSOILSOFNORTHERNALBERTA.CanadianJournalofSoilence,45(3),265-269.Lobl,E.,Spencer,R.W.,Imaoka,K.,&Nakagawa,K.(2009).
此文档下载收益归作者所有
