吳 瑩，王振會

(1.南京信息工程大學氣象災害省部共建教育部重點實驗室，南京 210044;2.南京信息工程大學大氣物理學院，南京 210044)

被動微波遙感反演地表發(fā)射率研究進展

吳 瑩1，2，王振會1，2

(1.南京信息工程大學氣象災害省部共建教育部重點實驗室，南京 210044;2.南京信息工程大學大氣物理學院，南京 210044)

微波地表發(fā)射率是表征地表特征的重要參數，也是反演地表、大氣參數的重要條件。相比較物理模型，其模擬計算需要若干輸入參數，且相當一部分地表、植被特征參數很難從常規(guī)資料中獲取，應用星載被動微波輻射計資料可以在更大空間和時間尺度范圍內直接反演地表發(fā)射率。從目前常用的幾種被動微波遙感反演方法(包括經驗統(tǒng)計方法、輻射傳輸方程方法、指數分析方法、神經網絡方法、一維變分方法等等)回顧了微波地表發(fā)射率反演的國內外研究進展及其研究中存在的問題，并對這些方法的優(yōu)、缺點進行了評價。最后指出，今后應開發(fā)識別和訂正直接影響衛(wèi)星觀測值的無線電頻率干擾(RFI)算法，改善云、雨檢測算法，并且加強微波波段大氣輻射傳輸等過程的機理研究。

被動微波遙感;地表發(fā)射率;反演方法

0 引言

地表發(fā)射率定義為在相同溫度下地表發(fā)出的熱輻射與黑體輻射能量之比，反映了地表的熱輻射能力。微波地表發(fā)射率是表征地表特性的重要參數，不僅是實現微波輻射資料直接同化的重要參數，也是衛(wèi)星微波反演地表、大氣參數的重要條件［1－2］。由于地表發(fā)射率的不確定性，衛(wèi)星資料所包含的大氣溫、濕信息難以更好地提取并應用于數值天氣預報。對于陸地表面，只能在有限的地表條件下導出微波發(fā)射率模型［3］。對于發(fā)射率模型不夠準確的地表，可以根據衛(wèi)星資料直接估算。衛(wèi)星遙感最突出的優(yōu)勢在于，能夠提供大范圍且空間上連續(xù)的地表和大氣信息。國內外很多學者對地表發(fā)射率的微波反演做了大量研究，提出了一系列反演方法。提高地表發(fā)射率微波反演的精度，對確定地表參數(如土壤水分［4－10］、植被含水量［11］、地表溫度［12－19］和冰雪覆蓋等［20－23］)、完善陸面同化過程及云和降水的微波反演等方面都具有非常重要的意義。

本文回顧了目前應用被動微波遙感反演地表發(fā)射率的研究進程，綜合概括了微波地表發(fā)射率反演方法取得的成果，對已有研究中存在的問題進行了分析和討論，并對反演研究的進一步發(fā)展進行了展望。

1 地表發(fā)射率的微波遙感反演方法

隨著星載被動微波遙感儀器從SMMR，SSM/I，SSM/T，MSU，AMSU發(fā)展到 TMI和 AMSR －E，陸面地表發(fā)射率的微波反演算法也在不斷改進。微波地表發(fā)射率反演算法總體可以歸納為:經驗統(tǒng)計方法、輻射傳輸方程方法、指數分析方法、神經網絡方法和一維變分方法等5種。

1.1 經驗統(tǒng)計方法

經驗統(tǒng)計方法是基于地表發(fā)射率和衛(wèi)星觀測亮溫之間的強相關性，通過統(tǒng)計方法來建立衛(wèi)星觀測亮溫與對應像元地表發(fā)射率之間的經驗方程，并將該方程應用于整個研究區(qū)域，從而推算出地表發(fā)射率。簡單的經驗統(tǒng)計方法是將衛(wèi)星觀測亮溫作為影響地表發(fā)射率的唯一因子，直接建立地表發(fā)射率與衛(wèi)星觀測亮溫之間的回歸方程。

Grody針對MSU氧氣吸收帶上相關通道的探測資料，提出了適用于 50.30，53.74，54.96 和 57.97 GHz通道地表微波發(fā)射率的統(tǒng)計反演算法［24］，即

式中:ε1為窗區(qū)通道的地表微波發(fā)射率;ai(i=0，1，2)是不同地方的天頂角系數;θ是觀測點的衛(wèi)星天頂角;TB50和 TB53分別為50.30 GHz和53.74 GHz通道的亮溫。此算法利用低頻通道微波亮溫的組合反演窗區(qū)通道地表微波發(fā)射率，方程中的系數與觀測角度有關。窗區(qū)通道地表的微波發(fā)射率反演結果基本介于0.8～0.95之間，較低的微波發(fā)射率值往往與像元中降水和云的影響有關。結果表明:頻率越低，反演結果越好。

美國NOAA國家環(huán)境衛(wèi)星信息服務中心(NESDIS)發(fā)布的全球AMSU－A地表微波發(fā)射率業(yè)務產品是通過AMSU－A通道1，2和3微波亮溫的多項式組合統(tǒng)計反演得到通道3的地表微波發(fā)射率。統(tǒng)計反演方程［25］為

式中:ε2為AMSU－A通道3的地表微波發(fā)射率;bi為回歸系數，i=0，1，… ，6;TBm為 m 通道的亮溫，m 代表通道序號，m=1，2，3。

1.2 輻射傳輸方程方法

除了以衛(wèi)星觀測亮溫作為唯一自變量的簡單經驗方程之外，根據輻射傳輸方程用衛(wèi)星資料反演地表發(fā)射率的方法也被廣泛采用。由于陸面上云和降水大氣的復雜多變性，一般選擇無云晴空條件計算地表微波發(fā)射率。

早期SMMR窗區(qū)低頻率通道上晴空大氣透過率約為0.88，Wilke和 McFarland忽略云的影響，近似認為大氣透過率等于1，得出最為直接和簡單的地表發(fā)射率計算方法，即直接用微波亮溫比地表溫度就可得到地表發(fā)射率［26］，即

式中:ε3，P為P(水平或垂直)極化時的地表發(fā)射率;TBP為P(水平或垂直)極化時的衛(wèi)星觀測亮溫;Ts為地表溫度。

Pan等［27］在利用SSM/I亮溫數據反演中國區(qū)域的地表微波發(fā)射率過程中也采用了這種方法，忽略了大氣影響，認為SSM/I低頻信號代表了地表信息，指出微波發(fā)射率跟地表類型密切相關。毛克彪等［17］認為微波受云和大氣影響較小，針對AMSR－E微波資料，也采用這種方法計算了陸面微波發(fā)射率。

然而，對于高頻(如85.5 GHz)，即使在晴空條件下，較強的水汽吸收也使得該頻率處的大氣透過率小于1，因而該方法不能很好地估計較高頻率的微波發(fā)射率。所以，考慮到大氣衰減，需要進行大氣校正，以減小大氣對地表微波發(fā)射率反演精度的影響。

在沒有云和降水的條件下，對于平行平面非散射大氣，使用Rayleigh－Jeans近似，根據輻射傳輸方程，用衛(wèi)星亮溫值TBP導出的發(fā)射率為

其中，

式中:ε4，P為P(水平或垂直)極化時的地表發(fā)射率;Tu和Td分別為向上和向下的大氣輻射;Γ為大氣透過率;Ts為地表溫度;C為宇宙背景輻射溫度(約2.7 K); μ=cos θ，θ是觀測點的衛(wèi)星天頂角; τ(z0，z1)為從z0高度到z1高度的大氣光學厚度;τ(z，h)為從z高度到h高度的大氣光學厚度;T(z)為z高度的大氣溫度;α(z)為z高度的大氣吸收影響因子。式(4)迄今已廣泛應用于微波反演地表發(fā)射率［25，28－40］。

此算法被Felde和Pickle［28］應用到由SSM/T－2的91 GHz和150 GHz數據直接反演大氣濕度廓線的研究中，但其用近地面氣溫代替地表溫度做近似處理。Jones和 Vonder Haar［29］在利用 SSM/I資料反演陸地上空云中液態(tài)水含量時，從GOES衛(wèi)星的紅外和可見光數據獲取有云/無云閾值進行云檢測，晴空區(qū)利用實際探空資料對紅外和微波通道進行大氣修正，同時利用紅外通道的遙感信息確定地表溫度，并進一步借助微波輻射傳輸模式反演美國中部地區(qū)的發(fā)射率。Prigent等［30］1997年利用SSM/I資料并結合幾乎同步的國際衛(wèi)星云氣候學項目(international satellite cloud climatology project，ISCCP) 資料提供的晴空數據和地表溫度，去除了大氣、云、雨水等影響，以及結合TIROS業(yè)務垂直探測器(TIROS operational vertical sounder，TOVS)反演的大氣溫、濕廓線，計算了歐洲大部分地區(qū)的地表微波發(fā)射率，并且分析了在不同地表條件下的變化特征。Prigent等［31］2006年又利用SSM/I數據建立了10 a的全球發(fā)射率數據庫，分析了月平均發(fā)射率及極化差的變動，以及發(fā)射率對植被、土壤水分、水體、積雪的敏感性。Ruston和 Vonder Haar［32］利用 SSM/I 資料反演了美國夏季地表微波發(fā)射率，分析了地表溫度(LST)是發(fā)射率估計中的主要誤差因子。

Hong等［33］在淮河流域能量和水循環(huán)實驗(HUBEX)中，也利用此方法計算了壽縣地區(qū)的TRMM/TMI微波頻率的地表發(fā)射率，發(fā)現地表微波發(fā)射率隨地表狀況的變化存在敏感性，且變化是合理的。此項工作中，設定地表溫度等于地表空氣溫度，并且僅計算了壽縣的地表發(fā)射率，而在HUBEX區(qū)域上的地表發(fā)射率的計算需要更多觀測資料。何文英和陳洪濱［34］利用 TRMM衛(wèi)星上同步掃描的VIRS與TMI資料，采用微波輻射傳輸模式反演了中國江淮、黃淮地區(qū)地表發(fā)射率，然后結合MODIS提供的地表類型數據，分析了江淮、黃淮地區(qū)不同地表微波比輻射率的時空變化特征。

Karbou等［35］利用AMSU數據計算了地表發(fā)射率，分析了沙漠、草地、森林等不同地表類型在不同觀測角和頻率下的表現。初步結果表明，利用可靠的地表發(fā)射率數據有助于獲得更精確的大氣反演參數。Qiu等［36］利用AMSR－E的亮溫數據，MODIS地表溫度數據及溫、濕廓線數據計算了2006年8月12～25日晴空條件下的全球瞬時微波發(fā)射率，與Fatima Karbou同期的計算數據比較，發(fā)現兩者比較吻合，且能提供更詳細的信息。張勇攀等［37］基于 Qiu［36］算法，考察了2003年6～8，12月及2004年1～2月冬、夏季節(jié)的AMSR－E在晴空條件下微波發(fā)射率隨頻率和時間變化的規(guī)律，結合IGBP(international geosphere－biosphere program)分類標準及覆蓋度數據，分析了不同地表類型的發(fā)射率特征及其在不同波段、不同極化條件下隨季節(jié)變化的規(guī)律。Norouzi等［38］用AMSR－E被動微波數據建立了全球地表發(fā)射率產品，研究被動微波和熱力學溫度的穿透深度之間的差異對地表發(fā)射率反演的影響。Bytheway和Kummerow［39］反演了2006年 AMSR－E各個通道(除了6.925 GHz)的全球地表發(fā)射率，比較Jones和Vonder Haar［40］用 SSM/I資料反演的結果，發(fā)現有很好的一致性，并且確定了不同微波窗區(qū)頻率的發(fā)射率的協(xié)方差，并用這協(xié)方差來估算可能會引起降雨的觀測亮溫。

1.3 指數分析方法

如果已知大氣溫、濕狀況和地表溫度，利用輻射傳輸方程可以計算得到地表微波發(fā)射率。但一般應用時大氣和地表狀況參數都是未知的，因此需要嘗試構造一個對地表微波發(fā)射率敏感，而對地表溫度和大氣參數不敏感或相對不敏感的參數，建立這樣的參數與地表微波發(fā)射率之間的統(tǒng)計關系。

利用被動微波遙感資料提取地表特征，針對不同的應用目的，定義多種形式的特征指數，如:土壤濕度指數(soil wetness index，SWI)是高、低頻亮溫的組合，可以減弱大氣的影響;極化比(polarization ratio，PR)能抑制地表溫度的影響;微波植被指數(microwave vegetation index，MVI)對地表植被覆蓋有類似于歸一化植被指數(NDVI)的響應。

Morland等［41］利用衛(wèi)星可見光波段遙感觀測得到的NDVI和地表濕度指數等信息來估算非洲薩赫勒(African Sahel)半干旱地區(qū)的地表微波發(fā)射率，即

式中:ε5是地表發(fā)射率;a，b和c是經驗系數;N代表NDVI。結果顯示:在干潔大氣條件下，反演結果與地面觀測結果之間有很好的一致性;在前期沒有降水、大氣較干燥的情況下，|反演誤差|＜0.02;但當大氣比較濕潤，前期有降水事件發(fā)生時，反演結果與地面觀測結果的一致性就稍差。

潘廣東等［42］利用SSM/I多通道、多時相亮溫數據開展了中國陸地覆蓋特征的季節(jié)變化研究，提出了歸一化極化指數(NDPI)的概念。由于低頻數據對地表水分、植被反映較好，特別計算了SSM/I在19 GHz的NDPI，分析了中國陸地區(qū)域不同地表覆蓋微波輻射的季節(jié)變化特征。研究結果表明，不同的陸地覆蓋類型有其特征的NDPI值，NDPI隨季節(jié)而變化，植被、水分是引起NDPI變化的主要因子。

谷松巖等［43］用AMSU－A資料微波反演了中國陸地區(qū)域地表發(fā)射率，通過輻射傳輸正演模擬，提出了AMSU－A窗區(qū)通道微波反演地表發(fā)射率的指數分析方法，即對地表溫度有一定抑制作用的通道2和通道3亮溫歸一化組合形式的指數AI(AMSU－A brightness temperature index)，計算公式為

式中TB2和TB3分別為AMSU－A通道2和通道3的亮溫。以AI=0.3為分界點，分別建立AI與AMSU－A通道3微波地表發(fā)射率間的線性統(tǒng)計關系，得到根據AI統(tǒng)計計算AMSU－A通道3的地表微波發(fā)射率ε6的公式為

AI在有效抑制地表溫度影響的同時，提高了與地表微波發(fā)射率的相關性，進而利用模擬數據對比了指數分析方法和以往通道亮溫組合方法。結果表明，對于地表比較干燥的地區(qū)，指數分析的反演結果略優(yōu)于通道亮溫組合的反演結果。

1.4 神經網絡方法

神經網絡方法是利用大量相互聯(lián)系的神經元來逼近任意復雜的非線性關系，不需要已知地表發(fā)射率與地表溫度、亮度溫度、地表特性等因素的相互作用機理，只通過訓練數據直接建立地表發(fā)射率和輸入參數之間的關系。

Aires等［44］用第一次猜測發(fā)展了神經網絡反演法，利用SSM/I觀測資料反演了陸面19 GHz至85 GHz的地表溫度、水汽含量、云中液態(tài)水路徑和地表微波發(fā)射率。其反演精度對于全球范圍內所有通道的地表發(fā)射率在晴空(或有云)條件下，均方根誤差分別小于0.008(或0.010)，較準確地反演了植被和干旱地區(qū)之間的梯度，以及像亞馬遜或剛果河的具體水文結構。Aires等同時反演了白天的陸面地表發(fā)射率，取得了均方根誤差較低的好結果。這種可能性已使得分析土壤濕度或露水沉積對后降雨事件的影響成為一個有意義的研究課題。

1.5 一維變分方法

變分法，通常就是尋找一個大氣狀態(tài)，使得所定義的代價函數(cost function)J(x)［45－46］達到極小值。Lorenc［47－48］在貝葉斯原理基礎上，假定觀測場與背景場誤差均服從高斯誤差分布，然后通過對代價函數的最小化，得到最小誤差的分析場。

這個代價函數J(x)一般可以寫成

式中:x是要被反演的長度為N的狀態(tài)向量;x0表示背景場向量;向量y0是長度為M的觀測值;B是階數為N×N的背景場誤差協(xié)方差矩陣，N是分析場的自由度數目;O是階數為M×M的觀測場誤差協(xié)方差矩陣，M是觀測數目;H為前向算子，代表模式空間向觀測空間的一種映射。當y0與x為相同類型的物理變量時，前向算子可簡化為一個簡單的插值算子，否則認為y0和x具有不同的物理屬性，這時觀測量為分析變量的一些泛函信息;算子H為模式空間向觀測空間的具有某種復雜結構的映射算子，如對衛(wèi)星反演發(fā)射率來說，解這個方程的前提就是有一個正向模式，即為輻射傳輸模式，并且可以毫無偏差地模擬輻射，在矩陣 O中的統(tǒng)計結果較好。

代價函數J(x)的最小化是對x求導后為零得到，這個最小值也是變分反演的偏差。

Ruston等［49］用一維變分法反演了AMSU－A/B以及高分辨率紅外輻射探測儀的地表發(fā)射率。其算法同時提供了紅外和微波發(fā)射率的反演，且加大了發(fā)射率和地表溫度信號的分離。對地表敏感的通道，其發(fā)射率的初步估計是由物理和經驗微波發(fā)射率模型相結合而獲得。結果表明:在紅外波段，對無雪、有植被覆蓋的地表發(fā)射率初步估計≤1%;在微波波段，對所有無雪區(qū)域的發(fā)射率初步估計≤4%，絕大多數≤2%。有雪覆蓋和海冰區(qū)的發(fā)射率仍需要進一步研究。

2 評價

在地表微波發(fā)射率的反演工作中，現有的經驗統(tǒng)計方法、輻射傳輸方程方法、指數分析方法、神經網絡方法及一維變分方法都得到了普遍認可和應用，各有其長處和局限性。

經驗統(tǒng)計方法是估算地表微波發(fā)射率的一種最為簡捷的方法，一般來說，采用回歸分析法進行二次或三次多項式的擬合。結果與輸入參數需要有較好的相關性，通常不涉及機理過程，對參數要求較少，算法簡單、計算速度快，可得到較穩(wěn)定的結果;但推導出的關系僅僅對具有確定關系式時所采用的數據及統(tǒng)計性質相同的統(tǒng)計數據才有效，對極端情況的反演能力較差，且不能有效地處理非線性問題。此外，回歸方程不具備明確的物理意義，受到地域和季節(jié)變化的影響，只適用于特定區(qū)域，普適性較差。

輻射傳輸方程法以輻射傳輸理論為基礎，物理意義明確。其解決問題的過程明確，有利于解釋地表發(fā)射率計算的內在機理，但是物理過程復雜，所需參數過多，而且有些參數(如地表溫度、大氣廓線等)在某些區(qū)域無法通過常規(guī)方法獲得，只能依賴同化等手段獲取，并且計算量大，耗時較多。

指數分析方法只需要由被動微波遙感資料提取地表特征，針對不同的應用目的定義相應的特征指數就可以估算地表發(fā)射率，不需要大氣和地表狀況參數，對輸入參數要求較小。但不同特征指數的適用范圍受到限制，如飽和歸一化植被指數的選取大多依賴經驗，易受個人主觀影響;歸一化極化指數主要隨地物類型變化，影響因素較多，主要包括含水量、地表類型、地表粗糙度、溫度及大氣;AI指數分析法不適用于凍土、積雪、沙漠和水體等區(qū)域。

神經網絡方法具有分布并行處理、非線性映射、自適應學習和容錯等特性。其最大優(yōu)點是理論上它可以逼近任意復雜的非線形關系，不需要專門設計特別復雜的反演算法，并且不依賴于物理正向模型，因而可以省去許多直接分析物理模型的工作;但其解決問題的過程不明確，不利于解釋地表發(fā)射率估算的內在機理。利用神經網絡反演時，其存在的主要問題是采樣數據點少，這大大限制了訓練樣本的選擇。在反演過程中，第一次猜測提供了發(fā)射率頻譜關系，然而，如果沒有對第一次猜測的估計，神經網絡技術的效果就不會太好。

一維變分方法可以有效降低模式預報場的均方根誤差，在正向模式足夠線性時，同化衛(wèi)星反演數據就可得到很好的效果，且方法簡單，計算量小。但其反演的前提是需要有完善的正向模式，且這個正向模式在觀測場誤差協(xié)方差矩陣中統(tǒng)計效果較好。

3 結語與展望

本文對被動微波遙感反演地表發(fā)射率的研究進行了回顧和總結。當前，陸面地表發(fā)射率微波反演從理論研究到應用都已取得了相當可觀的成果。各種反演方法均有其所長，但也有各自的局限性。為了提高地表發(fā)射率的微波反演精度和實用性，筆者認為今后應該在以下幾個方面作進一步研究:

1)開發(fā)識別和訂正無線電頻率干擾(RFI)的算法。近年來，由于無線電頻譜的科學和商業(yè)用戶之間的沖突加劇，RFI已成為微波輻射計的一個嚴重問題。RFI在某特定頻率能顯著增加亮度溫度并產生負的頻譜梯度，直接影響到發(fā)射率的反演精度。如果能正確識別、剔除或訂正RFI，將會改善RFI污染使發(fā)射率反演精度顯著降低的狀況。

2)改善云、雨檢測算法。雨水、云中液態(tài)水和大氣中冰粒子的存在使亮溫發(fā)生很大變化，特別是當頻率高于10 GHz時，會在很大程度上影響微波地表發(fā)射率的估算精度。為了使衛(wèi)星測量值反演的地表發(fā)射率更準確，需要檢測被大雨和冰粒子的散射效應改變的衛(wèi)星觀測值。如何更好地去除云、雨的影響是應用微波遙感反演地表發(fā)射率首要解決的問題之一。

3)加強微波波段大氣輻射傳輸等過程的機理研究，深入理解地表發(fā)射率與衛(wèi)星觀測亮溫、衛(wèi)星觀測天頂角、大氣上行和下行輻射、大氣透過率、大氣溫－濕廓線、地表植被覆蓋以及地表土壤特性等因素之間的關聯(lián)性。由于不同的大氣輻射傳輸模式對輻射傳輸過程的計算存在一定差異，可以選取一些具有典型地表特征的區(qū)域進行星載、地基相結合的觀測試驗，驗證現有的各種大氣輻射傳輸模式在不同大氣、地表條件下的適用性與準確性。

［1］Felde G W，Pickle J D.Retrieval of 91 and 150GHz Earth Surface Emissivities［J］.J Geophys Res，1995，100(D10):20855 －20866.

［2］Jun L，Wolf W W，Menzel W P，et al.Global Soundings of the Atmosphere from ATOVS Measurements:The Algorithm and Validation［J］.J Appl Meteor，2000，39(8):1248 －1268.

［3］Weng F Z，Yan B H，Grody N C.A Microwave Land Emissivity Model［J］.J Geophys Res，2001，106(D17):20115 －20123.

［4］Jackson T J.Measuring Surface Soil Moisture Using Passive Microwave Remote Sensing［J］.Hydro Proc，1993，7(2):139 －152.

［5］Jackson T J，Le Vine D M，Swift C T，et al.Large Area Mapping of Soil Moisture Using the ESTAR Passive Microwave Radiometer in Washita’92［J］.Remote Sens Environ，1995，54(1):27 －37.

［6］Jackson T J，Le Vine D M，Hsu A Y，et al.Soil Moisture Mapping at Regional Scales Using Microwave Radiometry:The Southern Great Plains Hydrology Experiment［J］.IEEE Trans Geosci Remote Sens，1999，37(5):2136 －2151.

［7］Njoku E G，Jackson T J，Lakshmi V，et al.Soil Moisture Retrieval from AMSR － E［J］.IEEE Trans Geosci Remote Sens，2003，41(2):215－229.

［8］Pellerin T，Wigneron J P，Calvet J C，et al.Global Soil Moisture Retrieval from a Synthetic L－band Brightness Temperature Data Set［J］.J Geophys Res，2003，108(D12):4364，doi:10.1029/2002JD003086.

［9］Shi J C，Chen K S，Li Q，et al.A Parameterized Surface Reflectivity Model and Estimation of Bare－surface Soil Moisture with L－band Radiometer［J］.IEEE Trans Geosci Remote Sens，2002，40(12):2674－2686.

［10］Wigneron J P，Calvet J C，Pellarin T，et al.Retrieving Near－ surface Soil Moisture from Microwave Radiometric Observations:Current Status and Future Plans［J］.Remote Sens Environ，2003，85(4):489－506.

［11］Calvet J C，Wigneron J P，Mougin E，et al.Plant Water Content and Temperature of the Amazon Forest from Satellite Microwave Radiometry［J］.IEEE Trans Geosci Remote Sens，1994，32(2):397 －408.

［12］Dash P，G?ttsche F M，Olesen F S，et al.Land Surface Temperature and Emissivity Estimation from Passive Sensor Data:Theory and Practice － current Trends［J］.Inter J Remote Sens，2002，23(13):2563－2594.

［13］Fily M，Royer A，Go?ta K，et al.A Simple Retrieval Method for Land Surface Temperature and Fraction of Water Surface Determination from Satellite Microwave Brightness Temperatures in Subarctic Areas［J］.Remote Sens Environ，2003，85:328 － 338.

［14］Prigent C，Aires F，Rossow W B.Land Surface Skin Temperatures from a Combined Analysis of Microwave and Infrared Satellite Observations for an All－ weather Evaluation of the Differences Between Air And Skin Temperatures［J］.J Geophys Res，2003，108(D10):4310，doi:10.1029/2002JD002301.

［15］Pulliainen J T，Grandell J，Hallikainen M T.Retrieval of Surface Temperature in Boreal Forest Zone from SSM/I Data［J］.IEEE Trans Geosci Remote Sens，1997，35(5):1188 －1200.

［16］Weng F Z，Grody N C.Physical Retrieval of Land Surface Temper－ature Using the Special Sensor Microwave Imager［J］.J Geophys Res，1998，103(D8):8839 －8848.

［17］毛克彪，施建成，李召良，等.用被動微波AMSR數據反演地表溫度及發(fā)射率的方法研究［J］.國土資源遙感，2005(3):14－18.Mao K B，Shi J C，Li Z L，et al.The Land Surface Temperature and Emissivity Retrieved from the AMSR Passive Microwave Data［J］.Remote Sensing for Land and Resources，2005(3):14 － 18(in Chinese with English Abstract).

［18］毛克彪，施建成，李召良，等.一個針對被動微波AMSR－E數據反演地表溫度的物理統(tǒng)計算法［J］.中國科學D輯:地球科學，2006，36(12):1170 －1176.Mao K B，Shi J C，Li Z L，et al.A Physical Statistic Algorithm for the Land Surface Temperature from the AMSR － E Passive Microwave Data［J］.Science in China(Series D:Earth Sciences)，2006，36(12):1170－1176(in Chinese with English Abstract).

［19］宮曉蕙，金亞秋.“嫦娥一號”微波輻射計觀測月球虹灣地區(qū)表面物理溫度晝夜時間分布［J］.科學通報，2011，56(23):1877－1886.Gong X H，Jin Y Q.Diurnal Distribution of the Physical Temperature at Sinus Iridum Area Retrieved from Observations of CE －1 Microwave Radiometer［J］.Chinese Sci Bull，2011，56(23):1877 －1886(in Chinese with English Abstract).

［20］Hewison T J，English S J.Airborne Retrievals of Snow and Ice Surface Emissivity at Millimeter Wavelengths［J］.IEEE Trans Geosci Remote Sens，1999，37(4):1871 －1879.

［21］Kelly G，Bauer P.The Use of AMSU － A Surface Channels to Obtain Surface Emissivity over Land，Snow and Ice for Numerical Weather Prediction［C］//Proc 11th Internation TOVS Study Conference.Budapest，Hungary，2000:167 －179.

［22］Kelly R E，Chang A T，Tsang L，et al.A Prototype AMSR － E Global Snow Area and Snow Depth Algorithm［J］.IEEE Trans Geosci Remote Sens，2003，41(2):230 －242.

［23］車 濤，李 新，晉 銳.利用被動微波遙感低頻亮溫數據監(jiān)測青海湖封凍與解凍期［J］.科學通報，2009，54(6):787 －791.Che T，Li X，Jin R.Monitoring the Frozen Duration of Qinghai Lake Using Satellite Passive Microwave Remote Sensing Low Frequency Data［J］.Chinese Sci Bull，2009，54(6):787 － 791(in Chinese with English Abstract).

［24］Grody N C.Severe Storm Observations Using the Microwave Sounding Unit［J］.J Climate App Meteor，1983，22(2):609 －625.

［25］(NOAA)Satellite－earth Observing Laboratory，Digital Earth Emissivity Information System(DEEIS)［EB/OL］.http://www.eol.ucar.edu/projects/gapp/dm/satellite/noaa_list.html.

［26］Wilke G D，McFarland M J.Correlations Between Nimbus－ 7 Scanning Multichannel Microwave Radiometer Data and an Antecedent Precipitation Index［J］.J Climate App Meteor，1986，25(2):227－238.

［27］Pan G D，Wang C，Wang H M，et al.Microwave Emissivity Retrieval from SSM/I Data over Land in China［C］//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Honolulu，HI:IEEE，2000:923 － 925.doi:10.1109/IGARSS.2000.861745.

［28］Felde G W，Pickle J D.Retrieval of 91 and 150 GHz Earth Surface Emissivities［J］.J Geophys Res，1995，100(D10):20855 －20866.

［29］Jones A S，Vonder T H.Passive Microwave Remote Sensing of Cloud Liquid Water over Land Regions［J］.J Geophys Res，1990，95(D10):16673－16683.

［30］Prigent C，Rossow W B，Matthews E.Microwave Land Surface Emissivities Estimated from SSM/I Observations［J］.J Geophys Res，1997，102(D18):21867 －21890.

［31］Prigent C，Aires F，Rossow W B.Land Surface Microwave Emissivities over the Globe for a Decade［J］.Bull Am Meteor Soc，2006，87(11):1573－1584.

［32］Ruston B C，Vonder Haar T H.Characterization of Summertime Microwave Emissivities from the Special Sensor Microwave Imager over the Conterminous United States［J］.J Geophys Res，2004，109D19103.doi:10.1029/2004JD004890.

［33］Hong G，Heygester G，Qunzi K，et al.Retrieval of Microwave Surface Emissivities at TMI Frequencies in Shouxian［J］.Adv Atmos Sci，2003，20(2):253 －259.

［34］何文英，陳洪濱.中國江淮、黃淮地區(qū)陸面微波比輻射率的變化特征［J］.遙感技術與應用，2009，24(3):297 －303.He W Y，Cheng H B.The Characteristics of Microwave Emissivity over Land of Chinese Jianghuai－ Huanghuai Region［J］.Remote Sensing Technology and Application，2009，24(3):297 － 303(in Chinese with English Abstract).

［35］Karbou F，Prigent C，Eymard L，et al.Microwave Land Emissivity Calculations Using AMSU Measurements［J］.IEEE Trans Geosci Remote Sens，2005，43(5):948 －959.

［36］Qiu Y B，Shi J C，Hallikainen M T，et al.The AMSR － E Instantaneous Emissivity Estimation and Its Correlation，Frequency Dependency Analysis over Different Land Covers［C］//Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Boston，MA:IEEE，2008:749 － 752.doi:10.1109/IGARSS.2008.4779102.

［37］張勇攀，蔣玲梅，邱玉寶，等.不同地物類型微波發(fā)射率特征分析［J］.光譜學與光譜分析，2010，30(6):1446 －1451.Zhang Y P，Jiang L M，Qiu Y B，et al.Study of the Microwave Emissivity Characteristics over Different Land Cover Types［J］.Spectroscopy and Spectral Analysis，2010，30(6):1446 －1451(in Chinese with English Abstract).

［38］Norouzi H，Temimi M，Khanbilvardi R.Global Microwave Land Surface Emissivity Retrieval at the AMSR －E Microwave Frequencies［C］//Proceedings of the 11th Specialist Meeting on Microwave Radiometry and Remote Sensing of the Environment(Micro－Rad).Washington，DC:IEEE，2010:90 － 95.doi:10.1109/MICRORAD.2010.5559582.

［39］Bytheway J L，Kummerow C D.A Physically Based Screen for Precipitation over Complex Surfaces Using Passive Microwave Observations［J］.IEEE Trans Geosci Remote Sens，2010，48(1):299 －313.

［40］Jones A S，Vonder Haar T H.Retrieval of Microwave Surface Emittance over Land Using Coincident Microwave and Infrared Satellite Measurements［J］.J Geophys Res，1997，102(D12):13609 －13626.

［41］Morland J C，Grimes D I F，Hewison T J.Satellite Observations of the Microwave Emissivity of a Semi－ arid Land Surface［J］.Remote Sens Environ，2001，77(2):149 －164.

［42］潘廣東，王 超，張衛(wèi)國，等.SSM/I微波輻射計數據中國陸地覆蓋特征季節(jié)變化分析［J］.遙感學報，2003，7(6):498 －503.Pan G D，Wang C，Zhang W G，et al.Analysis of Seasonal Change of Land Cover Characteristics with SSM/I Data in China［J］.Journal of Remote Sensing，2003，7(6):498 － 503(in Chinese with English Abstract).

［43］谷松巖，邱 紅，張文建.先進微波探測器資料反演地表微波輻射率試驗［J］.電波科學學報，2004，19(4):452 －457.Gu S Y，Qiu H，Zhang W J.Retrieval of Land Surface Microwave Emissivity by Using Satellite － borne AMSU Data［J］.Chinese Journal of Radio Science，2004，19(4):452 －457(in Chinese with English Abstract).

［44］Aires F，Prigent C，Rossow W B，et al.A New Neural Network Approach Including First Guess for Retrieval of Atmospheric Water Vapor，Cloud Liquid Water Path，Surface Temperature，and Emissivities over Land from Satellite Microwave Observations［J］.J Geophys Res，2001，106(D14):14887 －14907.

［45］Daley R，Barker E.NAVDAS Source Book 2001:NRL Atmospheric Variational Data Assimilation System［M］.Washington，DC:Naval Res Lab，2001:NRL/PU/7530 －01 －441.

［46］Eyre J R，Kelly G A，NcNally A P，et al.Assimilation of TOVS Radiance Information Through One－dimensional Variational Analysis［J］.Q J R Meteor Soc，1993，119(514):1427 － 1463.

［47］Lorenc A C.Analysis Methods for Numerical Weather Prediction［J］.Q J R Meteor Soc，1986，112(474):1177 －1194.

［48］Lorenc A C.Optimal Nonlinear Objective Analysis［J］.Q J R Meteor Soc，1988，114(479):205 －240.

［49］Ruston B，Weng F Z，Yan B H.Use of a One－dimensional Variational Retrieval to Diagnose Estimates of Infrared and Microwave Surface Emissivity over Land for ATOVS Sounding Instruments［J］.IEEE Trans Geosci Remote Sens，2008，46(2):393 －402.

Advances in the Study of Land Surface Emissivity Retrieval from Passive Microwave Remote Sensing

WU Ying1，2，WANG Zhen － hui1，2
(1.Key Laboratory of Meteorological Disaster of Ministry of Education，Nanjing University of Information Science and Technology，Nanjing 210044，China;2.School of Atmospheric Physics，Nanjing University of Information Science and Technology，Nanjing 210044，China)

The microwave land surface emissivity(MLSE)is a very important parameter for describing the characteristics of the lands，and it is also a key factor for retrieving the parameters of land and atmosphere.Space－borne passive microwave radiometers provide direct retrieved land surface emissivity spectra with larger temporal and spatial scales compared with physical modeling simulation in that the physical modeling simulation needs plenty of parameters，but quite a few of these parameters，such as parameters of land surface and vegetation，are not available from traditional measurements.This paper systematically reviews MLSE retrieving algorithms for passive microwave remote sensing data，which include statistical approach，atmospheric radiation transfer model approach，index analysis approach，neural network approach and one － dimensionally variational analysis approach.The main advantages and limitations of these five methods are also discussed.Finally，the development tendencies of estimating MLSE by remote sensing are pointed out，such as developing algorithms of Radio Frequency Interference(RFI)detection and correction，improving algorithms of detection of clouds and rainaffected radiances，and intensive research on microwave atmospheric radiation transfer process.

passive microwave remote sensing;land surface emissivity;retrieving approach

TP 79;TP 722.6

A

1001－070X(2012)04－0001－07

2012－02－03;

2012－05－22

國家自然科學基金項目(編號:41175035，40975019和40875016)和南京信息工程大學?？蒲袉禹椖?編號:20100372)共同資助。

10.6046/gtzyyg.2012.04.01

吳 瑩(1980－)，女，講師，博士，主要從事大氣探測與大氣遙感方面的研究。E－mail:wuying_nuist@163.com。

(責任編輯:邢 宇)