CN101738620A - 从被动微波遥感数据amsr-e反演地表温度的方法 - Google Patents

Abstract

一种从被动微波遥感数据AMSR-E反演地表温度的方法，包含三个步骤：第一步骤是美国对地观测数据中心提供的MODIS地表温度产品作为AMSR-E数据的地表温度数据，通过经纬度控制进行采集，建立训练和测试数据库。第二个步骤是利用神经网络对训练和测试数据集反复训练和测试。第三步骤是对AMSR-E实际影像数据进行反演计算，并进行实际地表验证和应用分析。本发明得到的产品精度高，克服了热红外受云和部分降雨的影响。

Description

从被动微波遥感数据AMSR-E反演地表温度的方法

技术领域

本发明涉及一种从被动微波遥感数据AMSR-E反演地表温度的方法，能够应用在气象、环境监测、土地管理、农情监测、以及国防军事等遥感部门。

背景技术

当前主要的被动微波遥感数据有SMM、SSM、AMSR。三种传感器的参数特征如表1所示。

表1：SMMR、SSM、AMSR-E主要仪器参数比较

参数	SMMR(Nimbus7)	SSM/I(DMSP)	AMSR-E
				频率(GHz)	6.6，10.7，18，21，37	19.3，22.3，37，85.5	6.9，10.7，18.7，23.8，36.5，89
高度(KM)	955	860	705
				入射角(°)	50.3	53.1	55
刈宽度(KM)	780	1400	1445
				发射日期(年)	1978	1987	2002

其中SMMR传感器是1978年搭载Nimbus-7卫星上天，空间分辨率为150KM，最低频率为6.6GHz。通过研究表明6.6，10.7GHz通道在低植被情况下对土壤水分比较敏感。SSM/I在1987年发射升空，最低频率为19.3GHz，这个波段主要是用来监测植被的信息。这两个传感器主要是研究海洋和大气。Wang[Wang，J.R.，Effect of vegetation on soil moisturesensing observed from orbiting microwave radiometers.Remote Sens.Environ.，1985，17：141-151.]第一次对6.6和10.7GHz通道对土壤湿度的估计做了一些研究工作。Sippel等[Sippel S.J.，S.K.Hamilton，J.M.Melack，B.J.Choudhury，Determination of inundation area in the Amazon river floodplainusing the SMMR 37GHz polarization difference，Remote Sens.Environ.，1994，48：70-76.]的研究表明SMMR可用于季节灾害研究。Choudhury等[Choudhury B.J.，C.J.Tucker，R.E.Golus，W.W.Newcomb，Monitoringvegetation using Nimbus-7 scanning multichannel microwave radiometer’sdata.Int.J.Remote Sens.，1987，8：533-538.]对SMMR在植被监测做了大量的研究。McFarland[McFarland M.J.，R.J.Miller，C.M.U.Neale，Land surfacetemperature derived from the SSM/I passive microwave brightnesstemperatures.IEEE Trans.Geosci.Remote Sens.，1990，28：839-845.]，Calvet[Calvet，J.C.，J.P.Wigneron，E.Mougin，Y.H.Kerr，BRITO J.L.S.，Plantwater content and temperature of the Amazon forest from satellite microwaveradiometry.IEEE Trans.Geosci.Remote Sens.，1994，32：397-408.]，Njoku[Njoku，E.G，1999，AMSR Land Surface Parameters Algorithmtheoretical Basis Document Version3.0]等通过研究表明37GHz可用于陆地表面温度反演。这两个传感器的空间分辨率大约在140KM左右。就其空间分辨率而言，SMM和SSM对陆地的监测还不是非常的理想。AMSR-E是在SMM和SSM传感器研究的基础上，针对其在应用中的优缺点来设计的，并在空间分辨率上有了很大的提高。因此，AMSRE将是第一个为在全球尺度上研究水文和气候变化上提供比较合适的土壤湿度和地表温度变化的数据。

AMSR是改进型多频率、双极化的被动微波辐射计。2001年AMSR搭载在日本的对地观测卫星ADEOS-II上升空。AMSR-E微波辐射计是在AMSR传感器的基础上改进设计的，它搭载在NASA对地观测卫星Aqua于2002年发射升空。AMSR和AMSR-E这两个传感器的仪器参数基本一致。最大区别在于AMSR是在上午10:30左右穿过赤道，而AMSR-E则是在下午1:30左右。这两个传感器的传输基本相同，因此本发明主要介绍AMSR-E。AMSR-E辐射计在6.9-89GHz范围内的6个频率，以双极化方式12个通道的微波辐射计。主要仪器参数如表2所示[毛克彪，覃志豪，李满春，徐斌，AMSR被动微波数据介绍及主要应用研究领域分析，遥感信息.2005，3：63-66.]。

表2AMSR-E的主要仪器参数特征

AMSR-E通过测量来自地球表面的微波辐射来研究全球范围的水循环变化。在水文应用研究中，为了取得两个降雨事件前后的土壤水分含量变化，频繁地获得研究区的数据是非常重要的。卫星的时间分辨率主要取决于刈宽度、卫星高度和倾角。对于AMSR而言，除了极地地区外，在不到两天的时间内，在升轨和降轨都可以将全球覆盖一次。图1是AMSR-E降轨的亮度温度合成图[AMSR-E Team Leader Science Computing FacilityScience Software，2004.8.AMSR-E Browse&Quick look image：1-69]。从图1中可以看出，在高纬度和低纬度地区，数据覆盖比较区。在中纬度地区，由于受地球形状的影响，相对低纬度和高纬度地区覆盖的周期可能相对要长。具体地说，在降轨时，AMSR-E基本是两天覆盖一次，有的地方是一天或者三天。但在纬度55°以上的地区是一天覆盖一次。

目前AMSR-E数据主要用于土壤湿度、表面温度、植被等方面的研究。在数字天气预报模型四维数据同化系统里面，大尺度的土壤水分含量参数是非常重要的。先前对这一参数的取得主要是通过API(AntecedentPrecipitation Index)指数作为土壤湿度指数。Owe和Van de Gried[Owe，M.，A.A.van de Griend，Daily surface soil moisture model for large area semi-aridland application with limited climate data.J.Hydrology，1990，121：119-132.]通过建立一个陆地表面模型建立了大尺度的土壤水分反演模型，使用的微波数据是SMMR-6.6GHz。这个模型土壤湿度的估计依赖于稀疏气象站点数据是否和卫星过境时土壤表层的状态一致。但是，研究表明，空间微波数据测量与土壤湿度呈现出了很好的相关性。但其精度和验证有待进一步提高。

AMSR-E数据也被用来反演地表温度，主要的算法主要是线性回归法和迭代方法[McFarland M.J.，R.J.Miller，C.M.U.Neale，Land surfacetemperature derived from the SSM/I passive microwave brightnesstemperatures.IEEE Trans.Geosci.Remote Sens.，1990，28：839-845；Njoku E.G.，and Li，L.Retrieval of land surface parameters using passive microwavemeasurements at 6-18GHz.IEEE Trans.Geosci.Remote Sens.，1999，37(1)，79-93；毛克彪，施建成，李召良，覃志豪，贾媛媛，用被动微波AMSR数据反演地表温度及发射率方法研究，国土资源遥感，2005，3：14-18；毛克彪，施建成，李召良，覃志豪，李满春，徐斌，一个针对被动微波数据AMSRE数据反演地表温度的物理统计算法，中国科学D辑，2006，36(12)：1170-1176.]。但目前的精度在2-3K之间[毛克彪，施建成，李召良，覃志豪，李满春，徐斌，一个针对被动微波数据AMSRE数据反演地表温度的物理统计算法，中国科学D辑，2006，36(12)：1170-1176.]，相对用热红外地表反演的地表温度精度要低。目前在这方面的研究主要集中理论模型和统计模型上，其反演的精度还没有达到实用要求。因此需要进一步研究，尤其是要结合光学、热红外的优势。

MODIS(Moderate Resolution Imaging Spectroradiometer)是美国国家航空航天局(NASA)、日本国际贸易与工业厅和加拿大空间局、多伦多大学共同合作发射的卫星TERRA和Aqua上的一个中分辨率传感器[MODISLevel 1B Product User’s Guide，For Level 1B Version 4.2.0(Terra)andVersion 4.2.1(Aqua)]。MODIS具有36个可见光-红外的光谱波段，空间分辨率为250-1000m。36个波段分别针对陆地、海洋、水汽、气溶胶等来设计的。MODIS遥感数据是新一代的卫星遥感信息源，在生态学研究、环境监测、全球气候变化以及农业资源调查等诸多研究中具有广泛的应用前景。为了更好地理解地球表面所有全球的系统，EOS将提供表面动力学温度，而且指定海洋上分辨率为0.3K，陆地上为1K。国际TOGA(Tropical OceanGlobal Atmosphere)项目已确定全球尺度气候数值模式要求洋面温度反演精度达到0.3K。与NOAA卫星AVHRR资料0.7K的反演精度相比，这就要求EOS的传感器和反演方法有较大的改进。MODIS将作为研究大气、陆地和海洋过程的关键探测仪。星下点扫描角为正负55度，它每1～2天将提供地球上每一点的白天可见光和白天/夜间红外图象。所有通道都用12bit记录[毛克彪，针对MODIS数据的地表温度反演方法研究，硕士学位论文，南京大学，2004.5.]。

MODIS各波段特性如表3所示。

表3：MODIS技术参数[MODIS Level 1B Product User’s Guide，ForLevel 1B Version 4.2.0(Terra)and Version 4.2.1(Aqua).]

从表3中的参数可以看出，MODIS在若干热红外波段都有较高的校正精度。在星下点，热红外通道的有效视场约为1公里。为了获得高于1％的红外绝对校正精度，MODIS探测仪在对地扫描前和之后都对冷空和黑体进行探测。其中波段26可用于卷云探测，热红外波段20、22、23、29和31～33可用于大气削弱订正及反演地表发射率和温度反演[Gao Bo-Cai，KaufmanYoram J.，The MODIS Near-IR water Vapor Algorithm，ID：MOD05-TotalPrecipitable Water]。波段2、5、17、18和19可用于大气水汽含量监测[Kaufman Y.J.，Gao B.C.Remote Sensing of Water Vapor in the Near IR fromEOS/MODIS.IEEE Trans.Geosci.Remote Sens.，1992，5(30)：871-884.KingM.D.，W.P.Menzel，Y.J.Kaufman，D.Tanre，B.-C.Gao，S.Platnick，S.A.Ackerman，L.A.Remer，R.Pincus，and P.A.Hubanks，Cloud and AerosolProperties，Precipitable Water，and Profiles of Temperature and Water Vaporfrom MODIS，IEEE Trans.Geosci.Remote Sens.，2003，2(41)：442-458.]。大气中的水汽含量对热辐射影响最大，由此可以通过建立大气水汽含量与透过率的关系来订正大气影响。位于中红外波段的多个波段将为精确订正太阳辐射效应提供机会，以便使太阳辐射可以作为MODIS数据反演地表发射率时的热红外源。MODIS数据可以覆盖全球，具有较合适的探测精度以及较宽的动态范围，因而可以用来探测多种地表类型。因此MODIS数据有利于发展地表温度LST产品。这是由于它可以覆盖全球，具有较合适的探测精度以及较宽的动态范围，使其可以探测多种地表类型，而且为了反演SST、LST及大气特性，它在若干热红外通道都有较高的校正精度。与NOAA卫星AVHRR和TM遥感数据相比，MODIS数据具有更高的光谱分辨率和时间分辨率，因而更适用于中大尺度的区域动态变化监测研究。更多MODIS数据的特性请参见[MODIS Level 1B Product User’s Guide，For Level 1BVersion 4.2.0(Terra)and Version 4.2.1(Aqua).]。

Mcfarland et al[McFarland M.J.，R.J.Miller，C.M.U.Neale，Land surfacetemperature derived from the SSM/I passive microwave brightnesstemperatures.IEEE Trans.Geosci.Remote Sens.，1990，28：839-845]对三种地面类型(农作物、湿土、干土)的地表温度反演做了一些研究并分别得到了不同的反演等式。他们通过用SSM/I 37和22GHz通道的差来消除大气水汽含量的影响和37与19GHz差来消除土壤水分的影响，反演了美国中部平原的地表温度。毛克彪等[毛克彪，施建成，李召良，覃志豪，贾媛媛，用被动微波AMSR数据反演地表温度及发射率方法研究，国土资源遥感，2005，3：14-18；毛克彪，施建成，李召良，覃志豪，李满春，徐斌，一个针对被动微波数据AMSRE数据反演地表温度的物理统计算法，中国科学D辑，2006，36(12)：1170-1176.]对AMSR-E亮温数据和MODIS地表温度产品做了分析。研究表明陆地表至少要分成两大类：非雪覆盖的陆地表和雪覆盖的地表。如果要更加准确地反演地表温度，需要对不同的温度段建立不同的反演方程。在这两个研究中的反演方程都是经验的，也是局部适用的。而且，对于大尺度的真实地表，地面更加复杂。通过理论模型得到的模拟数据在实际应用中存在一些局限性，因为理论模型没有考虑实际的地形，大气以及植被的类型、结构及分布。被动微波的分辨率非常的低，通常是几十公里，这使得获得地面实测数据非常的困难。

发明内容

本发明的目的在于提供一种从被动微波遥感数据AMSR-E反演地表温度的方法，以克服现有的针对AMSR-E数据反演地表温度算法的缺点。本发明不仅能有效地反演地表温度，而且还能进一步提高近地表大尺度地表蒸散发的估算精度。

为实现上述目的，本发明提供的从遥感数据AMSR-E反演地表温度的方法，其步骤为：

第一步、建立卫星上AMSR-E传感器第10.7、18.7、23.8、36.5和89GHzV/H双极化星上辐射亮度温度和对应的MODIS地表温度产品的数据库：

1-1)选择研究区或者监测区，并下载卫星MODIS传感器数据反演的对应研究区或者监测区的地表温度参数和亮度温度参数；

1-2)输入各频率的星上亮度温度和经纬度参数；

1-3)输入MOD11_L2 LST_1KM产品地表温度和经纬度参数；

1-4)以经纬度作为控制条件，将多个MOD11_L2 LST_1KM地表温度平均值作为对应AMSR_E_L2A像元的地表实际温度；

1-5)将每次采集得到每个AMSR_E_L2A各频率的星上亮度温度，和对应的多个MOD11_L2 LST_1KM地表温度的平均值一起建立相应的数据库。

第二步、神经网络训练和测试

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)将训练数据集中的AMSR_E_L2A第10.7、18.7、23.8、36.5和89GHz V/H双极化星上辐射亮度温度10个星上亮度温度作为神经网络的输入节点，地表温度作为输出节点，进行训练；

2-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；

2-4)将2-3中输出的地表温度和对应的地表温度对比。

第三步、反演地表温度

3-1)对AMSR-E遥感影像数据的第10.7、18.7、23.8、36.5和89GHzV/H双极化星上辐射亮度温度10个星上亮度温度(T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H)做几何校正；

3-2)将3-1中T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H输入到第二步训练好的神经网络中，输出地表温度；

3-3)根据影像对应的地表进行相关验证和应用分析。

所述的方法，其中，第一步的1-1至1-4中，单个AMSR-E像元对应的MODIS地表温度无云和降雨影响的像元数目不少于20个。

所述的方法，其中，第一步中的卫星为卫星Aqua。

所述的方法，其中，第一步的1-2中的参数是指卫星Aqua上MODIS传感器数据反演的AMSR_E_L2A各频率的星上亮度温度和经纬度参数。

所述的方法，其中，第一步的1-3中的参数是指卫星Aqua上MODIS传感器数据反演的MOD11_L2 LST_1KM产品地表温度和经纬度参数。

所述的方法，其中，第二步的2-4中，地表温度标准误差大于2.6K和平均误差大于2K时，将两层隐含节点都加10，重复2-2继续进行训练和测试，至地表温度标准误差小于2.6K和平均误差都小于2K。

本发明的有益效果是，利用美国宇航局(NASA)提供的MODIS地表温度产品作为AMSR-E对应的地表温度，克服了大尺度地表温度测量的困难。利用地球物理参数之间存在关系，具体不同频率之间的发射率和粗糙度存在一些非线性关系，神经网络是一种优化计算方法，能够利用这些潜在的信息，有效地减少未知数和解决病态反演中方程不够的难题。提高了反演精度和计算时间，克服以往需要从气象站点获得地表温度的困难。为高分辨率城市热点效应，地热监测，环境效益评价(房屋等保温效果)，矿产分析等提高了有效手段和技术支撑。其操作实用性比美国宇航局(NASA)用迭代算法生产的数据产品算法要简单，精度要高。

附图说明

图1是AMSR-E降轨的亮温示意图。

图2是一个AMSR-E像元与MODIS地表温度像元的关系

图3是本发明的主流程示意图。

图4是本发明建立Aqua卫星上AMSR-E传感器第T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H与对应的MODIS传感器反演得到地表温度数据库的流程示意图。

图5是本发明采用的多层神经网络结构示意图。

图6是本发明的神经网络训练和测试流程示意图。

图7是本发明的反演地表温度的流程示意图。

图8是采用本发明的反演方法对AMSR-E反演得到的地表温度图。

图9是美国对地观测数据中心提供的MODIS地表温度产品。

图10反演得到地表温度与美国对地观测数据中心提供的MODIS地表温度产品相对误差直方图。

图11北美地表温度反演结果。

图12是采用本发明得到的地表实测数据与反演结果的对比图。

具体实施方式

本发明借助与MODIS地表温度数据和使用神经网络来从AMSR-E数据中反演地表温度。由于MODIS温度产品比较高，而且两个传感器在一颗星上，因此可以将MODIS地表温度产品当作与AMSR-E数据对应的地表实测数据。

本发明的从被动微波遥感数据AMSR-E反演地表温度的方法为：

第一步、建立搭载在对地观测卫星Aqua上AMSR-E传感器第10.7、18.7、23.8、36.5和89GHz V/H双极化星上辐射亮度温度和对应的MODIS地表温度产品的数据库：

1-1)选择研究区或者监测区，在美国对地观测数据中心注册(http://delenn. gsfc.nasa.gov/～imswww/pub/imswelcome/index.html)，免费下载对应研究区或者监测区的Aqua卫星MODIS传感器数据反演的地表温度产品MOD11_L2 LST_1KM和AMSR_E_L2A亮度温度产品；

1-2)输入AMSR_E_L2A各频率的星上亮度温度和经纬度文件；

1-3)输入MOD11_L2 LST_1KM产品地表温度和经纬度文件；

1-4)以经纬度作为控制条件，将多个MOD11_L2 LST_1KM地表温度平均值作为对应AMSR_E_L2A像元的地表实际温度；

其中单个AMSR-E像元对应的MODIS地表温度无云和降雨影响的像元数目不少于20个；

1-5)将每次采集得到每个AMSR_E_L2A各频率的星上亮度温度，和对应的多个MOD11_L2 LST_1KM地表温度的平均值一起建立相应的数据库。

第二步、神经网络训练和测试

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)将训练数据集中的AMSR_E_L2A第10.7、18.7、23.8、36.5和89GHz V/H双极化星上辐射亮度温度10个星上亮度温度作为神经网络的输入节点，地表温度作为输出节点，进行训练；

2-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；

2-4)将2-3中输出的地表温度和对应的地表温度对比；当地表温度标准误差大于2.6K和平均误差大于2K时，将两层隐含节点都加10，重复2-2继续进行训练和测试，至地表温度标准误差小于2.6K和平均误差都小于2K。

第三步、反演地表温度

3-1)对AMSR-E遥感影像数据的第10.7、18.7、23.8、36.5和89GHzV/H双极化星上辐射亮度温度10个星上亮度温度(T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H)做几何校正；

3-2)将3-1中T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H输入到第二步训练好的神经网络中，输出地表温度；

3-3)根据影像对应的地表进行相关验证和应用分析。

从被动微波遥感数据中反演地表温度是非常难的，因为N个频率的热辐射测量总有N+1个未知数(N个发射率和一个地表温度)，这是一个典型的病态反演问题。而且，微波发射率主要是由介电常数决定，而介电常数是物理温度、盐度、水分含量、土壤纹理及其它因素(植被的结构和类型)的函数。这些使得开发一个通用的物理算法非常困难。

微波辐射计是测量地面的热辐射，以及在地面热辐射在传输过程中大气的热辐射。根据Raleigh-Jeans对Planck函数的简化，辐射计观测到的热辐射能够被简单地描述成式1：

$T_{\mathrm{bp}}(\mathrm{\τ},\mathrm{\μ})=(1-w)(1-e^{-\mathrm{\τ}/\mathrm{\μ}})T_c+{\mathrm{\ϵ}}_p{T}_s{e}^{-\mathrm{\τ}/\mathrm{\μ}}+t(1-t)(1-{\mathrm{\ϵ}}_p)T_a^{\↓}+(1-t)T_a^{\↑}$ (式1)

式1中p代表水平极化(H)或者垂直极化(V)，μ＝cosθ，ε_p是发射率，τ(等效光学厚度)和ω(单次散射反照率)是描述植被吸收和散射的两个重要参数，T_s是陆地表面温度，T_c是植被的平均温度，T_bp(τ，μ)植被在角度θ的亮度温度，t是大气透过率，T_a ^↑是平均大气向上作用温度，T_a ^↓是大气平均向下的作用温度。微波受大气的影响非常的小，即使当水汽含量达到5gcm^-2，透过率(t)非常的高(接近于1)[Ulaby F.T.，Moore R.K.，and FungA.K.，Microwave Remote Sensing：Active and Passive，Dedham，MA：ArtechHouse，1986，vol.3]，所以式(1)能够被简化为式2。

T_bp(τ，μ)＝(1-w)(1-e^-τ/μ)T_c+ε_pT_se^-τ/μ    (式2)

在植被覆盖的地表，植被温度Tc通常假定等于地表温度T_s[PalosciaS.，Pampaloni P.，Microwave polarization index for monitoring vegetationgrowth，IEEE Trans.Geosci.Remote Sens.，1988，26：617-621；Njoku E.G.，Jackson T.J.，Venkataraman Lakshmi，Chan T.K.，and Nghiem S.V.，Soilmoisture retrieval from AMSR-E，IEEE Trans.Geosci.Remote Sens.，2003，41(2)：215-229.]。对于裸露地表，光学厚度τ≈0，式(2)能够被简化为式3。

T_bp(τ，μ)＝ε_pT_s    (式3)

从式3可见，利用单个的热辐射通道反演地表温度是非常困难的，因为反演方程中总多一个未知数。在地球物理参数反演中，这是一个典型的病态反演。在热红外地表温度反演中，不同的地物类型的发射率在热红外波段基本上是稳定的。在微波波段，发射率主要是由介电常数决定，而介电常数又是物理温度、盐度、水分、土壤纹理以及其它影响的影响[Hallikainen M.T.，Ulaby F.T.，Microwave Dielectric Behavior of WetSoil-Part I：Empirical Models and Experimental Observations.IEEE Trans.Geosci.Remote Sens.，1984，GE 23(1)：25-34；Dobson M.C.，Ulaby F.T.，Hallikainen M.T.，and El-Rayes M.A.，Microwave Dielectric Behavior ofWet Soil-Part II：Dielectric Mixing Models，IEEE Trans.Geosci.RemoteSens.，1985，23(1)：35-46.]。最复杂的是，地表温度本身也影响发射率。发射率和主要影响因素土壤水分(sm)、粗糙度(roughness)和物理温度(T_s)能够被描述成式4。

ε_p＝f(sm，roughness，T_s)    (式4)

土壤水分、粗糙度以及陆地表面温度是随天气，时间和地点变化，这使得反演变得更加复杂，因为这些影响因素不同的组合能够得到相同和不同的发射率。在式4中，对发射率的影响因子非常的多。Shi et al(2005)[Shi J.C.，Jiang L.M.，Zhang L.X.，Chen K.S.，Wigneron J.P.，ChanzyA.，A parameterized multifrequency-polarization surface emission model，IEEE Trans.Geosci.Remote Sens.，2005，43：2831-2841.]用AIEM(advancedintegral equation model)[Chen K.S.，Wu T.D，Fung A.K.，A note on themultiple scattering in an IEM model，IEEE Trans.Geosci.Remote Sens.，2000，38：249-256.]证明发射率、反射率以及粗糙度之间的相互关系是相互影响的，并且提出了Q/P模型。

E_p＝Q_pt_q+(1-Q_p)t_p    (式5)

式5中E_p是发射率，t_p＝1-r_p是菲涅尔透射系数。粗糙度参数Q_p连接着有效发射率和发射率。对于每个频率，Q_p可以表示成式6。

log[Q_p(f)]＝a_p(f)+b_p(f)log(s/l)+c_p(f)(s/l)    (式6)

式6中s为均方根(rms)高度，l是相关长度。参数a、b和c依赖于频率f和极化，这几个参数能够通过AIEM模拟数据库和多元回归分析得到[Shi J.C.，Jiang L.M.，Zhang L.X.，Chen K.S.，Wigneron J.P.，ChanzyA.，A parameterized multifrequency-polarization surface emission model，IEEE Trans.Geosci.Remote Sens.，2005，43：2831-2841.]。对于AMSR-E传感器，在10.7GHz的Q_p参数与其它频率的参数可以表示成式7。

Q_p(f)＝α_p(f)+β_p(f)Q_p(10.7GHz)    (式7)

式7中α和β能够通过模拟分析得到[Shi J.C.，Jiang L.M.，Zhang L.X.，Chen K.S.，Wigneron  J.P.，Chanzy  A.，A parameterizedmultifrequency-polarization surface emission model，IEEE Trans.Geosci.Remote Sens.，2005，43：2831-2841.]。这个模型表现得非常的好，具体可以参见Shi et al(2005)[Shi J.C.，Jiang L.M.，Zhang L.X.，Chen K.S.，Wigneron J.P.，Chanzy A.，A parameterized multifrequency-polarizationsurface emission model，IEEE Trans.Geosci.Remote Sens.，2005，43：2831-2841.]。事实上，土壤水分、粗糙度、和地表温度对辐射的影响不能通过简单的线性组合来消除。这一点能够从Q/P模型[Shi J.C.，Jiang L.M.，Zhang L.X.，Chen K.S.，Wigneron J.P.，Chanzy A.，A parameterizedmultifrequency-polarization surface emission model，IEEE Trans.Geosci.Remote Sens.，2005，43：2831-2841.]和Q/H模型(Choudhury et al 1979，Wang and Choudhury 1981)[Choudhury B.J.，Schmugge T.J.，Chang A.，Newton R.W.，Effect of surface roughness on the microwave emission fromsoil，J.Geophys.Res.，1979，84：5699-5706.]。从式3-7可以得知，我们需要四个通道建立四个方程来反演地表温度。解方程是非常复杂的，对于一般的数学方法是非常难的。

因此，在理想状态下，是可以构造足够的方程来计算得到地表温度。但由于不同地球物理参数之间的关系不可能非常准确地描述出来，当用严格的数学方法解方程时，参数之间的估计误差会传递，最后会导致所估计的目标参数非常大。另外，在实际生活中，大尺度的AMSR-E的地表情况远比理论模型复杂，例如，其它复杂因子的影响象地形、大气和植被(包括类型，结构及分布)。这些影响因素使得开发一个通用的物理算法非常的困难。从某种程度上讲，神经网络能够克服先前算法的需要推导反演规则缺点，训练数据直接决定了神经网络反演的映射关系和函数关系。最为重要的是，神经网络能够复合分类信息和优化计算，这使得神经网络成为地球物理参数反演的最佳方法之一。

本发明的创新点在于将公知的美国对地观测中心提供的MODIS地表温度参数作为大尺度AMSR-E的地表温度数据和动态学习神经网络[Tzeng Y.C.，Chen K.S.，Kao W.L.，and  Fung A.K.，A Dynamic learningnerual network for remote sensing applications，IEEE Trans.Geosci.RemoteSensing，1994，32(5)：1096-1102.]来解反演方程，从而充分利用了地球物理参数之间的潜在信息，克服以往算法难以获得地表实测数据，并且只适用局部地区和特定季节的缺点。

本方法主要包括三个步骤，如图3所示。

第一个步骤是采用美国对地观测数据中心免费提供的MODIS地表温度产品和AMSR-E数据进行同步采集，建立数据库。具体采集计算流程如图4所示，过程如下：

1)输入AMSR-E影像数据的最大行数(i_max)和最大列数(l_max)，行列的初始值设为0；

2)将AMSR-E影像的各频率V/H双极化的亮度温度以及经纬度分别读入数组AMSRE_LST[i][j]、Lon[i][j]、Lat[i][j]；

3)计算AMSR-E第i个像元左上角的经纬度坐标，lon_l＝lon[i][j]-(lon[i][j]-lon[i][j-1])/2，纬度lat_l＝lat[i][j]-(lat[i][j]-lat[i-1][j])/2；

4)计算AMSR-E第i个像元像元右下角经度lon_r＝lon[i][j]+(lon[i][j+1]-lon[i][j])/2；纬度lat_r＝lat[i][j]+(lat[i+1][j]-lat[i][j])/2；

5)输入MODIS影像的最大行数：m_max；最大列数：n_max；m＝0，n＝0；无云计算K＝0；

6)输入MODIS地表温度产品中地表温度MODISLST[m][n]，经纬度数组M_Lon[m][n]，M_Lat[m][n]，；

7)如果Lon_l＜M_lon[m][n]＜lon_r，lat_r＜M_lat[m][n]＜lat_l不满足条件，则i＝i+1；j＝j+1，继续读下一个AMSR-E像元；

8)如果Lon_l＜M_lon[m][n]＜lon_r，lat_r＜M_lat[m][n]＜lat_l，MODIS地表温度值为0(MODISLST[m][n]＝0)，则m＝m+1；n＝n+1；

9)如果Lon_l＜M_lon[m][n]＜lon_r，lat_r＜M_lat[m][n]＜lat_l，MODIS地表温度值不为0，则AMSRE_LST[i][j]＝AMSRE_LST[i][j]+MODISLST[M][N]；K＝K+1；m＝m+1；n＝n+1；

10)如果m＜m_max&n＜n_max，则继续读下一个MODIS像元；

11)如果m＜m_max&n＜n_max不成立，且K>20，则AMSRE_LST[i][j]＝AMSRE_LST[i][j]/K，i＝i+1；j＝j+1；

11)如果m＜m_max&n＜n_max成立，且K＜20，则i＝i+1；j＝j+1；

12)如果i＜i_max&j＜j_max成立，则继续读下一个AMSR-E像元，否则跳出循环。

13)将每次从MODIS地表温度产品采集得到对应AMSR-E地表温度与AMSR-E各频率的亮度温度建立相应的数据库。

第二个步骤，是利用神经网络软件，神经网络与传统的方法不一样，它不需要准确地知道反演算法(规则)。由于神经网络具备从复杂的和不精确的数据中提取信息，所以神经网络能够被用来提取模式预测[Hornik K.M.，Stinchcombe M.，and White H.，Multilayer feedforward networks areuniversal approximators，Neural Network，1989，4(5)：359-366]。如图5所示，采集得到的AMSR-E第T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_36.5V、T_36.5H、T_89V、T_89H星上亮度温度作为多层神经网络的10个输入节点，地表温度(LST)作为唯一输出节点。网络包含了多层基本处理单元，最小的基本单元被称之为神经元。单个的神经元是神经网络每层的基本构成单元。单个神经元是处理一个或多个输入信号的基本单元：(1)输入信号x与权重(w)相乘加上偏差σ；(2)通过激励函数产生输出信号。图5是本实例采用的公知的动态学习神经网络的结构示意图。

图5中每个神经元的输入信息是系统的输入信号或者上一层的输出信号。激励函数f(Net)有许多种形式，最常见的激励函数是非线性的sigmoid函数，如式8所示。

$f\left(\mathrm{Net}\right)=\frac{1}{1+e^{-\mathrm{Net}}}=\frac{1}{1+e^{-(w\·x+\mathrm{\θ})}}$ (式8)

通过输出对输入的响应来获得模拟的函数。在网络的监督训练阶段，训练的模式被内化到网络里。在所有的训练模式被输入后，神经元的权重通过输出和期望输出之间的误差全局最小调整来获得。误差调整的等式如式9所示。

$\mathrm{Error}=\underset{p}{\mathrm{\Σ}}{E}_p=\frac{1}{2}\underset{p}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{[T_{\mathrm{pi}}-a_{\mathrm{pi}}]}^2$ (式9)

式9中T_pi是第p个模式的第i神经元期望输出，a_pi是第p个模式的第i神经元的输出。在式9中，i是输出单元的和。我们可以认为训练的神经网络是由一组离散数据集分组得到的多个最小二乘法构成的内插方程组。很明显，方程近似的精度很大程度上取决于训练数据。对于从遥感数据中反演地球物理参数，对于其中非线性的关系和相互作用的因素很难描述清楚。但神经网络和传统的方法不一样，神经网络不需要准确地知道输入参数和输出参数之间的具体关系。神经网络通过训练数据直接决定了输入数据和输出数据之间的关系。本实施例采用动态学习神经网络(DL)对第一步骤中建立的数据库进行训练和测试。动态神经网络使用了卡曼滤波来增加训练时的收敛速度并且提高了解非线性问题的能力，神经网络的各节点权重被初始化为(-1，1)之间的随机数。卡曼滤波过程是均方根估计迭代的过程，每次网络权重的更新是新输入数据集基于先前的权重学习的基础上，输出节点的权重更新是相互独立的。由于基于卡曼滤波的动态学习神经网络只需要两个迭代过程就达到所要求的均方根阈值，而且反演结果很稳定，所以均方根误差通常设定为10e^-3，迭代次数为2。更多的请参阅[TzengY.C.，Chen K.S.，Kao W.L.，and  Fung A.K.，A Dynamic learning nerualnetwork for remote sensing applications，IEEE Trans.Geosci.Remote Sensing，1994，32(5)：1096-1102.]的介绍。

本发明具体的神经网络训练和测试流程如图6所示，过程如下：

1)将第一模块中模拟得到的数据库分成两组：一组为训练数据集；一组为测试数据集；

2)将采集得到的训练数据集中的AMSR-E第T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H的星上亮度温度作为神经网络的输入节点，地表温度作为唯一输出节点，进行训练；

3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；

4)将第三步中输出的地表温度和对应的地表温度对比。如果地表温度标准误差大于2.6K和平均误差大于2K时，将两层隐含节点都加10，跳到第二步继续进行训练和测试；

5)如果地表温度标准误差小于2.6K和平均误差小于2K时，则训练成功。

在上述第二步骤中，本实施例是随机地将模拟数据分成两部分：训练数据是17308组，测试数据7011组，训练神经网络。通过不断地调整隐含节点(从小往大递增)，当两个隐含层每个300节点时精度比较高，地表温度的反演标准误差在2.6K和平均误差在2K以下，达到目前大尺度地表温度反演的实用要求。部分反演信息表如表4所示。

表4反演信息总结表

R：相关系数；SD：标准偏差；A(K)：平均相对误差

第三步骤是是利用第二模块中训练好的神经网络对遥感影像数据AMSR-E进行实际反演。具体训练和测试流程如图7所示，过程如下：

1)选择中国西部地区的一景AMSR-E(2004/05/02/)影像数据。对AMSR-E遥感影像数据的第T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H进行几何校正；

2)将1)中得到的星上亮度温度T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H输入到第二模块中训练好的神经网络中，输出地表温度；

3)根据影像对应的地表进行相关验证和应用分析；

在反演的结果中，有少量的像元值非常高或者低。主要原因可能是这些像元存在降雨或者包含了大面积的湖泊，本发明将这些值设为0。为了分析地表温度反演结果的合理性，本发明将反演的地表温度做成了一个彩图(图8)。为了和MODI11_L2LST_1KM产品比较，本发明将4幅MODIS1KM产品镶嵌在一起(图9)。从图8和图9可以看出，AMSR-E的地表温度反演结果和MODIS1KM产品分布基本相同，而且从常识来看，反演结果是非常合理的。青藏高原地区的温度是最低的，塔克拉马干沙漠的温度最高。在卫星过境时，塔克拉马干沙漠恰好被云覆盖，可以从图9看到。云和降雨对MODIS产品影响是非常大的，这点可以从图9看出来，大约超过了50％的地区受到了云和降雨的影响，这也恰恰展示了被动微波遥感反演地表温度的优势。图10是没有云或者降雨影响地方对应的误差分布分布图。

本发明利用训练好的神经网络对北美地区的一景AMSR-E(2003/7/1)进行了反演，反演结果如图11。其地表温度分布趋势与正常的温度地理分布一致，而且MODIS产品也是一致的。同样，从反演结果图中可以看出，在大湖及湖的边缘反演结果不是很好。这也说明神经网络的适用性是比较强的。当然，也需要补充合适的高精度有代表性地区的训练样本数据。

获得实际地表测量数据对反演算法进行精度评价是一件非常困难的事情。因为AMSR-E的像元分辨率很低(大约24KM×24KM)，地表测量通常是点测量。很难用几个点测量的数据的平均值来代表一个大尺度的像元，而且是要在卫星过境时同时获取。在这里用美国通量网数据来对本发明的算法进行评价。通量数据库(http://public.ornl.gov/ameriflux/datahandler.cfm)是一个全球微气象观测网络，主要是用来监测二氧化碳交换、水蒸汽、陆地生态系统和大气能量交换。也被用来对MODIS地表温度产品进行验证[Wang，W.，S.Liang，Validating MODIS land surface temperature product，ispmsrs05，17-19，October，Beijing，China，2005.]。这里选择了6个地表比较比较平坦且均一站点(Brookings，Audubon，FortPeck，Canaan，BlackHills，Bondville)的地表温度作为实测量数据。具体介绍请参考(http://public.ornl.gov/ameriflux/site-select.cfm)。本发明从AMSR-E反演地表温度和通量站点数据比较如图12所示。平均精度大约是2.6K。从图中可以看出，神经网络反演的结果和实际比有点偏低，这可能跟地表温度数据是由MODIS地表温度产品获得有关系。因为热红外和被动微波探测的地表温度还是有些区别的，被动微波探测的地表温度比热红外探测的地表温度要深一些。因此，这需要在实际反演中对反演结果做适当的修正。需要说明的是，本发明去掉了一些反演误差比较大像元，因为可能受到降雨或者其它因素的影响。事实上，精确的陆地表温度验证是一件非常困难的事情，地表测量是点测量，而且需要测量地表发射率。地表发射率的确定是非常困难的，几乎不同的地物发射率都不一样，而且受环境的影响。虽然需要将进一步做更多的分析反演，但本发明反演得到的大尺度地表温度能够满足目前的应用需求。

Claims (6)

1.一种从遥感数据AMSR-E反演地表温度的方法，其步骤为：

第一步、建立卫星上AMSR-E传感器第10.7、18.7、23.8、36.5和89GHzV/H双极化星上辐射亮度温度和对应的MODIS地表温度产品的数据库：

1-1)选择研究区或者监测区，并下载Aqua卫星MODIS传感器数据反演的对应研究区或者监测区的地表温度参数和亮度温度参数；

1-2)输入各频率的星上亮度温度和经纬度参数；

1-3)输入MOD11_L2 LST_1KM产品地表温度和经纬度参数；

1-4)以经纬度作为控制条件，将多个MOD11_L2 LST_1KM地表温度平均值作为对应AMSR_E_L2A像元的地表实际温度；

1-5)将每次采集得到每个AMSR_E_L2A各频率的星上亮度温度，和对应的多个MOD11_L2 LST_1KM地表温度的平均值一起建立相应的数据库。

第二步、神经网络训练和测试

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)将训练数据集中的AMSR_E_L2A第10.7、18.7、23.8、36.5和89GHz V/H双极化星上辐射亮度温度10个星上亮度温度作为神经网络的输入节点，地表温度作为输出节点，进行训练；

2-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；

2-4)将2-3中输出的地表温度和对应的地表温度对比。

第三步、反演地表温度

3-1)对AMSR-E遥感影像数据的第10.7、18.7、23.8、36.5和89GHzV/H双极化星上辐射亮度温度T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H做几何校正；

3-2)将3-1中T_10.7V、T_10.7H、T_18.7V、T_18.7H、T_23.8V、T_23.8H、T_36.5V、T_36.5H、T_89V、T_89H输入到第二步训练好的神经网络中，输出地表温度；

3-3)根据影像对应的地表进行相关验证和应用分析。

2.如权利要求1所述的方法，其中，第一步的1-1至1-4中，单个AMSR-E像元对应的MODIS地表温度无云和降雨影响的像元数目不少于20个。

3.如权利要求1的述的方法，其中，第一步中的卫星为卫星Aqua。

4.如权利要求1所述的方法，其中，第一步的1-2中的参数是指卫星Aqua上MODIS传感器数据反演的AMSR_E_L2A各频率的星上亮度温度和经纬度参数。

5.如权利要求1所述的方法，其中，第一步的1-3中的参数是指卫星Aqua上MODIS传感器数据反演的MOD11_L2 LST_1KM产品地表温度和经纬度参数。

6.如权利要求1所述的方法，其中，第二步的2-4中，地表温度标准误差大于2.6K和平均误差大于2K时，将两层隐含节点都加10，重复2-2继续进行训练和测试，至地表温度标准误差小于2.6K和平均误差都小于2K。

Images