相应发表的英文论文下载：http://www.sciencenet.cn/blog/user_content.aspx?id=230867

中文将陆续在后面进行上载。

第八章            结语与展望

本项研究在分析现有针对热红外、微波遥感的地表温度和土壤水分反演方法的基础上，深入研究了ASTER、MODIS、AMSR-E数据的地表温度和AMSR-E土壤水分反演方法。虽然ASTER拥有5个热红外波段，MODIS拥有8个热红外波段数据，但对于地表温度的反演，在大气透过率和地表发射率已知的情况下，使用其中的两个波段就足够了。根据热红外辐射在大气的传输特点，ASTER的第10至14波段的两两组合，MODIS热红外数据的第31和32波段最适合于用来进行地表温度的反演。本项研究提出了适合于ASTER/MODIS两个热红外波段数据的地表温度反演方法及其基本参数（大气透过率和地表发射率）估计方法。大气透过率主要是从MODIS的近红外波段数据反演得到大气水汽含量，并进而根据水汽含量与热红外波段大气透过率的关系来进行估算。由于是从同一颗卫星，同一景MODIS数据中获得大气水汽含量，因此本项研究提出的大气透过率估计方法保证了地表温度反演过程中所需大气参数的同步获取。对于地表发射率的估计，也是从同一景ASTER和MODIS数据的可见光波段和近红外波段来进行估计。因此，通过MODIS的可见光波段、近红外和中红外波段数据，完全可以获得地表温度反演所需要的基本参数，从而可以用ASTER的第11至14波段的两两组合、MODIS的第31和32热红外波段数据来反演地表温度，形成针对ASTER数据和MODIS数据的劈窗算法。在以往的单窗和劈窗算法中，通常假定发射率已知，这使得地表温度的反演精度在先验知识不够的地区受到限制。由于发射率在8.475~11.65mm范围内发射率变化很小，而且在局部范围内近似线性，因此本文针对这情况。用ASTER的第11、12、13和14波段建立辐射方程组，同时对相应的发射率建立线性方程组。联立方程从而形成针对ASTER数据的地表温度和发射率同时反演的多波段算法。用MODIS数据的第29、31、32波段建立辐射方程组，同时对相邻波段的发射率建立线性方程组。联立形成针对MODIS同时反演地表温度和发射率的多波段算法。由于计算的复杂性，我们用神经网络来优化计算。热红外遥感已经被广泛地应用于地表温度反演，但热红外遥感受天气的影响非常大，在实际应用中有时难以保证精度。从美国宇航局（NASA）提供的温度产品分析，可知大部分的温度产品60%以上的地区受到云的影响，这对实际应用带来了很大的局限。由于被动微波能穿透云层，并且受大气的影响非常的小，可以克服热红外遥感的一些缺点。因此，研究如何利用被动微波数据来反演地表温度就显得非常的迫切。针对对地观测卫星多传感器的特点，借助MODIS地表温度产品来从被动微波数据中反演地表温度。研究适合于被动微波数据AMSR-E的地表温度反演算法。土壤水分是地球科学中各个分支中一个重要的参数，尤其是在水文学和气象学中，它是许多模型所涉及到的基本参数。因而，反演土壤水分和研究土壤水分分布有着特别重要的意义。遥感，特别是微波遥感是监测土壤含水量的最有效的手段之一，它为短周期、不同区域尺度土壤水分制图提供了可能，这些都是传统的地面土壤水分测量无法做到的。

综上所述，本项研究的主要结论可以总结如下：

（1）    针对ASTER数据的地表温度和发射率反演算法研究

根据对地观测卫星传感器的特点，提出了适合于ASTER数据的地表温度的劈窗算法。即先对Planck方程做进行线性简化；然后从MODIS的近红外波段反演大气水汽含量，通过建立大气水汽含量与ASTER热红外波段透过率的关系，从而可以从同一颗星上计算得到透过率，使透过率的求算精确到每一个像元，保证了透过率求算的实时性。同时利用ASTER可见光和近红外对地表进行分类，然后通过JPL提供的光谱数据库来获得每种地物的发射率。最后用大气模拟校正法对算法的验证表明该算法可行，在参数没有误差的情况，精度在1°C以下。

在劈窗算法中，通过地面分类信息来确定地表发射率。但在地表分类精度不能保证或者地表类型不能确定时，劈窗算法就有一定的局限性。针对这种情况，本文提出了针对ASTER数据的同时反演地表温度和发射率的多波段算法。即选择ASTER的第11、12、13和14建立辐射传输方程组，然后通过分析ASTER热红外波段数据发射率的特点，建立了ASTER4个热红外波段发射率的线性关系，从而得到了6个未知数和6个方程。因为大气辐射传输模型模拟保证了地球物理参数之间的物理关系，而神经网络则内含了分类信息和优化计算的能力。因此，大气辐射传输模型和神经网络复合来反演地表参数是当前反演技术的一个进步。 利用MODTRAN4模拟数据精度分析评价表明精度很高，平均精度在0.25°C以下。最后进行实例应用分析，在使用 AST 09, 08, 05产品作为补充训练数据集后，相对于AST08产品，地表温度平均误差在0.1°C以下，相对于AST05产品，波段11/12/13/14 发射率的平均误差在0.001以下.

（2）    针对MODIS数据的地表温度和发射率反演算法研究

 针对EOS/MODIS数据的特点，提出了一个实用的劈窗算法，即在分析MODIS的多个热红外波段的基础上，选择最适合反演地表温度的第31和32波段建立热辐射传输方程组。通过对MODIS第31波段和32波段的热辐射强度和温度之间的关系进行计算，对Planck函数的线性简化方法，同时简化了辐射方程组。这个算法包含了两个必要的参数大气透过率和发射率。MODIS传感器中有5个近红外波段被设计用来反演大气水汽含量，而热红外波段的大气透过率主要受大气水汽含量的影响。因此，先反演大气水汽含量，然后通过MODTRAN模拟大气水汽含量和热红外波段大气透过率的关系计算得到MODIS31/32的透过率。由于是从同一景MODIS数据中获得大气水汽含量，因此本文提出的大气透过率估计方法保证了地表温度反演过程中所需大气参数的同步获取。对于地表发射率的估计，也是从同一景MODIS数据的红波段和近红外波段来进行估计。因此，通过MODIS的可见光波段、近红外和中红外波段数据，完全可以获得地表温度反演所需要的基本参数。最后用国际上通用的大气模拟验证对文中的方法进行了参数敏感性分析，分析表明该算法对大气水汽含量和发射率都不敏感，特别是大气水汽含量的误差在-80%-130%时，地表温度的反演误差在0.19-1.1°C之间，并且从实际影像反演中确认了这一结论。最后对算法精度进行了评价，当用大气模拟得到的透过率时，精度为0.32°C；当透过率是从大气水汽含量的指数关系计算得到时，精度为0.32°C；当透过率是从大气水汽含量的线性关系计算得到时，精度为0.49°C。

本文详细地讨论了从MODIS1B数据中同时反演地表温度和发射率的病态问题，用JPL提供的大约160种地物分析了在MODIS29/31/32波段范围发射率之间的关系，分析了地表温度、大气平均作用温度、星上亮度温度之间的关系，以及分析了透过率与大气水汽含量之间的关系。由于地球物理参数之间存在着相互制约关系，这些关系不能严格地用数学方法来描述，这就决定了大气辐射传输模型和神经网络的集成是解决地球物理参数（地表温度和发射率）病态反演问题的最好方法之一。

我们使用MODTRAN4来生成模拟数据训练和测试神经网络。测试结果表明RM-NN能够很好地解决病态反演问题。对于MODIS数据，当使用两个隐含层和每个隐含层节点数为800时精度最高。我们用训练好的神经网络对山东半岛地区的MODIS1B数据进行了地表温度和发射率反演。与MODIS产品比较表明MODIS1KM产品高估了发射率和低估了地表温度，MODIS5KM产品低估了发射率和高估了地表温度。RM-NN反演结果更接近于MODIS5KM产品。以MODIS1KM产品为参照，进行回归修正后RM-NN反演结果与MODIS1KM产品的平均误差大约是0.36°C 。本研究的目的是要证明RM-NN能够被用来精确地同时反演地表温度和发射率。我们的算法克服了以往反演中方程不足的缺点(N emissivities and LST)。当然，更多验证分析需要我们将来做更多的野外工作，从而使得我们的算法适用更多的情况。

另外，根据第四章针对ASTER数据地表温度和发射率反演算法和第五章针对MODIS地表温度和发射率反演算法研究分析，我们可以得到另外一个结论。当用神经网络反演地表温度时，要精确地从热红外的星上亮温同时反演地表温度和发射率的精度，至少需要三个热红外波段的星上亮温和大气水汽含量或者至少有四个热红外波段的星上亮温作为神经网络的输入参数。

（3）        针对AMSR-E数据的地表温度反演算法研究

在分析Aqua卫星多传感器特征的基础上，利用MODIS的温度产品和AMSR-E不同通道之间的亮度温度建立反演地表温度的反演方程，从而克服了以往需要测量同步数据的困难。并为不同传感器之间的参数反演的相互校正和综合利用多传感器的数据提供实际应用和理论依据。通过各通道的回归系数分析表明，不同的地表覆盖类型的辐射机制是不同的。要精确地反演地表温度，至少对地表分成三种覆盖类型，即雪覆盖的地表、非雪覆盖的地表和水覆盖的地表。通过AIEM物理模型模拟分析表明，干燥土壤的发射率变化很小，土壤的粗糙度和土壤水分变化引起发射率的变化可以通过不同通道的发射率（亮温）之差与土壤水分含量的关系得到消除。以MODIS地表温度产品作为评价标准，对于验证的样本数据，本文建立的统计方法的平均精度在2-3°C左右。为了提高算法的实用性，还需要进一步对云覆盖和不同辐射机制的地表类型的混合像元进行研究。另外，微波的发射率是土壤水分反演的关键参数，在对微波地表温度反演的基础上，可以进一步利用发射率做土壤水分反演研究。

以辐射传输方程为基础，我们简单地分析了微波辐射传输的特性。在微波波段，地表发射率不是一个稳定的常数，它对土壤水分非常的敏感。这也是微波被认为是反演土壤水分最好的方法之一的原因，但这给地表温度的反演带来了困难。另外，N个频率的微波辐射测量具有N+1个未知数 (N 发射率 和 LST) ，因此地表温度反演是一个典型的病态反演问题。而且，发射率主要受介电常数的影响，而介电常数主要是土壤水分，物理温度，土壤纹理以及其它因素（象植被的类型和结构及分布）的影响。这些使得开发一个反演地表温度通用的物理算法变得非常的困难。幸运地，地球物理参数之间是相互影响，相互关联的，这一点可以从Q/P 和Q/H 模型看出来。为了准确地反演地表温度，至少需要建立四个反演方程。由于地面非常的复杂，由理论模型模拟的数据不可能非常好的描述实际情况。神经网络不需要推导具体的反演规则，这些条件决定了神经网络是微波地表温度反演的最佳选择。首先，我们用理论模型 (AIEM)模拟分析，用模拟数据和神经网络反演计算表明反演的标准误差在2°C以下，从而证明神经网络能够很好地被用来反演地表温度。然后我们利用多传感器和多分辨率的优势来获得与AMSR-E像元相匹配的地表数据。由于MODIS和AMSR-E两个传感器在同一颗卫星上，MODIS地表温度反演的算法已经相对比较成熟，而且验证表明其产品精度比较高。因此，MODIS地表温度产品给获得大尺度的AMSR-E地表数据带来了机会，而且可以通过部分MODIS像元的平均值来获得AMSR-E中存在云的地表数据。分析结果表明神经网络能够被很好地从被动微波数据AMSR-E中反演地表温度。当使用5个频率（10个通道）时，反演结果的精度最高，而且结果最稳定，主要原因可能是通道越多可以更好地消除土壤湿度、粗糙度、大气和其它因素的影响。相对于MODIS温度产品，反演的平均误差在2℃以下。同时我们用北美通量数据进行了评价。

（4）    针对AMSR-E的土壤水分反演算法研究

本文对土壤水分反演的理论基础进行了分析，并用AIEM模型针对被动微波数据AMSR-E进行了模拟分析。模拟结果表明，在给定粗糙度条件下，土壤水分和发射率存在很好的线性关系；在不同的土壤水分条件下，均方根高度和相关长度对发射率的影响基本相同。我们定义了极化指数，模拟数据表明， 18.7GHZ与10.7GHZ的垂直极化指数与土壤水分有很好的关系，而且部分地消除了土壤粗糙度的影响，R-Square 大约0.98。同时，我们推导了标准化微波指数近似等于标准化亮温指数。分析表明通过标准化发射率指数和标准化微波指数建立土壤水分反演算法是可行的。我们对算法进行了敏感性分析，分析表明当有降雨时，算法比较敏感。用SMEX02的实验数据验证分析表明，相对于实验数据, 算法精度大约是 25.9% 。算法低估了土壤水分，因此需要用实测数据对反演结果做进一步修正。修正后的精度为6.5% 。最后，我们对中国地区的两景AMSR-E进行了实际反演分析，结果表明微波指数可以用来监测土壤水分的变化。我们假定了植被为裸露地表，然后通过实测数据进行修正来反演土壤水分。另外，对于被动微波的大尺度像元来讲，几乎每个像元都是混合像元。因此，通微波指数的经验算法，根据当地的实际情况进行合理的修正是非常必要的。

对于地表温度演算的精度的评价，通常采用两种方法：大气模拟数据和地面测量法数据法。大气模拟数据法是用大气模型软件如LOWTRAN/ MODTRAN等对一定地表温度下的热辐射传导进行模拟，首先求算卫星高度观测到的热辐射，其中包括大气影响和辐射面的影响，然后用上述各算法反演地表温度，比较两者之间的差距可知算法的误差。因模拟过程中有关参数均已知，将这一误差代表个算法的绝对精度。由于现实情况非常复杂，绝非大气模型所能全部描述。地面测量数据是指实地测量卫星飞过天空时的实际地表温度和相应大气条件，然后根据卫星数据用上述各算法推算地表温度，两者比较可知其误差。这应该是最佳方法，但这一方法可行但实际操作非常的困难。对于土壤水分反演的验证，我们通常是采用实际测量比较法，土壤水分的变化相对地表温度还是比较稳定的，因此测量相对容易一些。但由于地表的不均一性和植被的影响，使得在地表复杂的地方精度评价非常的困难。

由于反演结果和参照标准缺乏一致性，所以算法的精度评价是遥感反演中一个热点，也是一个难点。对于反演结果精度很难得到精确的评价，最主要的原因是很难获得同步实测数据。其次是尺度效应问题，尤其对于AMSR-E, MODIS，NOAA/AVHRR。对于性质比较均一的地表来说，其结果评价相对还是比较容易的。但对于复杂的陆地表面，精度评价就显得非常的困难。主要原因是混合像元问题，其地表的非均一性使得温度反演显得非常的复杂。目前一个研究热点组分温度反演。另外的一个影响因素就是地形的影响，植被冠层的影响等。因此发射率很难确定。在很多地表温度反演算法中，假定发射率为定值是很不严密的。

对于MODIS和AMSR-E影像，影响反演精度评价的主要原因如下：MODIS像元尺度达1KM和AMSR-E分辨率大约25KM，如何在卫星飞过的瞬间测量到与卫星像元相匹配的地表数据，难度相当的大。当然还存在相片校正等许多问题需要考虑。 对于如何提高地表温度反演精度温度，主要考虑以下因素，混合像元，复杂的地表结构，地形的影响，以及植被结构的影响等。具体如下：

1混合像元问题

对于大尺度的遥感影像，例如MODIS，AMSR-E，存在大量的混合像元。在以往大多数研究中，通常是假定每个像元为纯净像元，且同温。事实上，对于MODIS 1KM，AMSR-E24*24KM尺度的像元，像元内部的不同目标物体之间存在温差，例如植被和裸地，水体和陆地之间。到目前为止还没有方法能解决在一般非等温的、粗糙的表面且受大气影响的混合像元这一难题。

2地形的影响

对于地形比较复杂的地球表面，地形起伏是影响地表温度反演的精度主要因素之一。在高低不平起伏较大的地区，如果没有精确的DEM资料，对从相邻像元反射来的热辐射和辐射角度的影响不进行订正，则很难精确估算地表温度和土壤水分。

3植被结构与植被分布

作为植被的组成成分，比如树叶，树枝，树干等的空间分布，构成了树冠结构的多样性，从而导致了热辐射的多样性。另外，混合像元中不同植被和裸地以及水体的不同组合可能会得到同一种信号。这些使得温度和植被覆盖下的土壤水分反演更加复杂。

本文的创新之处主要有：

Ø        提出了适合ASTER地表温度的劈窗反演算法，主要是大气参数从同一颗卫星的MODIS传感器获取；提出了适合ASTER数据同时反演地表温度和发射率的多波段算法，提出了利用邻近波段之间的发射率建立新的方程，并利用辐射传输方程和神经网络来优化反演计算；

Ø        提出适合于MODIS地表温度的劈窗反演算法，主要是透过率参数是从MODIS的近红外波段反演大气水汽含量，并进一步计算得到透过率；提出了适合MODIS数据同时反演地表温度和发射率的多波段算法，主要分析了各地球物理参数之间的关系，并利用神经网络和辐射传输方程从MODIS数据中反演地表温度和发射率；

Ø        提出适合AMSR-E地表温度反演算法，主要是利用多传感器的优势来获得地表温度数据，提出了以89GHz为主要通道，分级的经验地表温度反演算法；在分析微波各参数关系的基础上，提出了用神经网络从微波数据中反演地表温度；

Ø        提出适合AMSR-E土壤水分反演经验算法，分析粗糙度对各频率发射率的影响；

Ø        多传感器的综合利用。高分辨率ASTER数据的大气参数从低分辨的传感器MODIS获得。微波传感器的分辨率非常低，非常难以获得对应的地表实测数据，而光学传感器的分辨率比较高，而且相对而言算法比较成熟，因为可以将光学传感器反演得到的地表参数作为微波传感器的地表数据。

展望

从热红外遥感和被动微波遥感数据中反演地表温度和土壤水分是一个很复杂的问题，要提高其反演精度，涉及到遥感过程的每个环节。首先是遥感器的波段设置和遥感器对热辐射的灵敏度，遥感平台的飞行高度和遥感器的对地观测角度也不同程度地影响着热辐射的遥感观测；其次是遥感数据的处理分析方法的发展，这是提高遥感热红外和微波数据应用的时效性的关键；最后是遥感反演方法的研究，尤其是地表温度和土壤水分反演所需参数的估计。目前，人们对此已经有比较深入的认识，对非均一像元以及像元的尺度效应等进行了理论探讨。为了解决反演的“病态”问题，引入了先验知识理论。随着遥感技术和人们对遥感机理认识的进步，地表温度和土壤水分反演的精度将会进一步提高，从而加快热红外和微波遥感理论方法的发展和热红外和微波遥感的实际应用。

被动微波遥感就在环境遥感中发挥积极作用，被动微波遥感也可以用于反演地面温度及植被含水量等地表参数，但其相对光学遥感最大的优势还在于其反演土壤水分的能力上，因此，被动微波遥感对地表参数的反演研究重点通常是围绕着土壤水分的反演展开的，同时，地面温度和植被含水量作为土壤水分反演中的一种过程产品，它可以由其它传感器得到，也可以和土壤水分一起作为待反演参数，由微波辐射计亮温数据反演得到。 目前针对AMSR-E被动微波遥感数据的地表温度反演算法的研究还很少，其主要原因是对于微波的地表辐射机理研究还不是很成熟，而且由于空间分辨率的影响，使得地面实测资料的获得非常困难。虽然微波受大气的影响很小，但地表温度的反演本身是个病态反演。主要原因是土壤地表发射率在微波波段并不是一个稳定的常数，而是随土壤水分的变化而变化。地表发射率在热红外波段变化非常的小，但受大气的影响非常大。热红外分辨率比空间分辨率要比微波要高，因此微波和热红外存在一些互补性。

目前，被动微波遥感反演地表温度和土壤水分依然是当前的一个研究热点和难点，至今还没有一种真正实用的地表温度和土壤水分监测方法达到实用要求，现今这个领域的所有工作都是实验性的或研究性的，特别是地形复杂和植被覆盖地区需要进一步加强研究。因此需要我们进一步研究，尤其是要结合光学、热红外的优势。随着微波传感器技术的发展、对地表微波辐射机理的深入理解及反演模型和算法的完善，被动微波遥感监测地表温度和土壤水分将会有越来越宽阔的应用前景。大尺度的土壤水分变化对于建立全球的水循环模型很重要，进而可以预测气候变化和洪涝监测。传统的地面测量站网络不能满足大尺度土壤水分的时间、空间变化研究的需要。而微波在土壤水分反演方面具有独特的优势。可以说，通过被动微波遥感技术监测地表温度和土壤水分时空变化规律，将大大提高和完善水文和气象模型的预报精度，并为农业生产和灾害监测提供准确的数据，因而将在气候、气象、水文、农业、环境灾害等领域有十分重要的应用价值。

陆面数据同化已逐步成为当前地球科学研究的新方向，它综合利用了地表观测、卫星以及模型等数据，对陆面模型和卫星参数反演输出进行同化处理，在一定程度上解决了陆地表面观测数据稀少、数据精度不高、分布不均的问题。同时可以提高卫星参数反演的精度。随着全球和大尺度的陆面数据同化系统的逐步建立，观测资料的不断更新积累，也给陆面数据同化系统的研发带来了新的挑战。改进和发展数据同化算法，使卫星陆面参数同化向高时间、空间分辨率方向发展；同时有效的评价和估计模型和背景场误差方法、解决地理空间自相关性、提高数据的精度等均是当前国内外的研究热点和同化发展趋势。这使得空间数据挖掘和空间数据仓库与数据同化集成也成为了一个重要的研究方向。

参考文献（Reference）：

[1]    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.

[2]    秦军,优化控制技术在遥感反演地表参数中的研究与应用, 北京师范大学,博士学位论文,2005.

[3]    韩丽娟，同化MODIS地表温度产品和陆面过程模型研究地表蒸散,北京师范大学,博士学位论文,2006.

[4]    毛克彪, 覃志豪,李昕,李海涛,空间数据挖掘与GIS集成及应用研究,测绘与空间地理信息, 2004,27(1):14-18.

[5]    毛克彪, 覃志豪,陈晓燕,李昕,基于WEBGIS的电子商务数据挖掘研究,测绘学院学报, 2003,3:180-182

[6]    毛克彪, 覃志豪,李海涛，周若鸿,基于空间数据仓库的空间数据挖掘研究,遥感信息, 2002,68(4):19-26.

[7]    毛克彪,田庆久,空间数据挖掘技术及应用研究,遥感技术与应用,2002(4):198-206.

[8]    李小文, 王锦地, 地表非同温像元发射率的定义问题,科学通报，1999, 44(15):1612-1617.

[9]     徐希孺,陈良富,庄家礼, 基于多角度热红外遥感的混合像元组分温度演化反演方法,中国科学D辑, 2002, 31(1) : 81-88.

[10]徐希孺, 庄家礼, 陈良富, 热红外多角度遥感和反演混合像元组分温度, 北京大学学报(自然科学版), 2000,36(4): 555-560.

[11]陈良富,庄家礼,徐希孺, 等, 非同温像元热辐射有效比辐射率概念及其验证,科学通报, 2000, 45（1）:22-29.

[12]李小文, 汪骏发, 王锦地,多角度与热红外对地遥感, 科学出版社, 2001.