被动微波遥感反演地表发射率研究进展

吴 莹，王振会

(1.南京信息工程大学气象灾害省部共建教育部重点实验室，南京 210044;2.南京信息工程大学大气物理学院，南京 210044)

被动微波遥感反演地表发射率研究进展

吴 莹1，2，王振会1，2

(1.南京信息工程大学气象灾害省部共建教育部重点实验室，南京 210044;2.南京信息工程大学大气物理学院，南京 210044)

微波地表发射率是表征地表特征的重要参数，也是反演地表、大气参数的重要条件。相比较物理模型，其模拟计算需要若干输入参数，且相当一部分地表、植被特征参数很难从常规资料中获取，应用星载被动微波辐射计资料可以在更大空间和时间尺度范围内直接反演地表发射率。从目前常用的几种被动微波遥感反演方法(包括经验统计方法、辐射传输方程方法、指数分析方法、神经网络方法、一维变分方法等等)回顾了微波地表发射率反演的国内外研究进展及其研究中存在的问题，并对这些方法的优、缺点进行了评价。最后指出，今后应开发识别和订正直接影响卫星观测值的无线电频率干扰(RFI)算法，改善云、雨检测算法，并且加强微波波段大气辐射传输等过程的机理研究。

被动微波遥感;地表发射率;反演方法

0 引言

地表发射率定义为在相同温度下地表发出的热辐射与黑体辐射能量之比，反映了地表的热辐射能力。微波地表发射率是表征地表特性的重要参数，不仅是实现微波辐射资料直接同化的重要参数，也是卫星微波反演地表、大气参数的重要条件［1－2］。由于地表发射率的不确定性，卫星资料所包含的大气温、湿信息难以更好地提取并应用于数值天气预报。对于陆地表面，只能在有限的地表条件下导出微波发射率模型［3］。对于发射率模型不够准确的地表，可以根据卫星资料直接估算。卫星遥感最突出的优势在于，能够提供大范围且空间上连续的地表和大气信息。国内外很多学者对地表发射率的微波反演做了大量研究，提出了一系列反演方法。提高地表发射率微波反演的精度，对确定地表参数(如土壤水分［4－10］、植被含水量［11］、地表温度［12－19］和冰雪覆盖等［20－23］)、完善陆面同化过程及云和降水的微波反演等方面都具有非常重要的意义。

本文回顾了目前应用被动微波遥感反演地表发射率的研究进程，综合概括了微波地表发射率反演方法取得的成果，对已有研究中存在的问题进行了分析和讨论，并对反演研究的进一步发展进行了展望。

1 地表发射率的微波遥感反演方法

随着星载被动微波遥感仪器从SMMR，SSM/I，SSM/T，MSU，AMSU发展到 TMI和 AMSR －E，陆面地表发射率的微波反演算法也在不断改进。微波地表发射率反演算法总体可以归纳为:经验统计方法、辐射传输方程方法、指数分析方法、神经网络方法和一维变分方法等5种。

1.1 经验统计方法

经验统计方法是基于地表发射率和卫星观测亮温之间的强相关性，通过统计方法来建立卫星观测亮温与对应像元地表发射率之间的经验方程，并将该方程应用于整个研究区域，从而推算出地表发射率。简单的经验统计方法是将卫星观测亮温作为影响地表发射率的唯一因子，直接建立地表发射率与卫星观测亮温之间的回归方程。

Grody针对MSU氧气吸收带上相关通道的探测资料，提出了适用于 50.30，53.74，54.96 和 57.97 GHz通道地表微波发射率的统计反演算法［24］，即

式中:ε1为窗区通道的地表微波发射率;ai(i=0，1，2)是不同地方的天顶角系数;θ是观测点的卫星天顶角;TB50和 TB53分别为50.30 GHz和53.74 GHz通道的亮温。此算法利用低频通道微波亮温的组合反演窗区通道地表微波发射率，方程中的系数与观测角度有关。窗区通道地表的微波发射率反演结果基本介于0.8～0.95之间，较低的微波发射率值往往与像元中降水和云的影响有关。结果表明:频率越低，反演结果越好。

美国NOAA国家环境卫星信息服务中心(NESDIS)发布的全球AMSU－A地表微波发射率业务产品是通过AMSU－A通道1，2和3微波亮温的多项式组合统计反演得到通道3的地表微波发射率。统计反演方程［25］为

式中:ε2为AMSU－A通道3的地表微波发射率;bi为回归系数，i=0，1，… ，6;TBm为 m 通道的亮温，m 代表通道序号，m=1，2，3。

1.2 辐射传输方程方法

除了以卫星观测亮温作为唯一自变量的简单经验方程之外，根据辐射传输方程用卫星资料反演地表发射率的方法也被广泛采用。由于陆面上云和降水大气的复杂多变性，一般选择无云晴空条件计算地表微波发射率。

早期SMMR窗区低频率通道上晴空大气透过率约为0.88，Wilke和 McFarland忽略云的影响，近似认为大气透过率等于1，得出最为直接和简单的地表发射率计算方法，即直接用微波亮温比地表温度就可得到地表发射率［26］，即

式中:ε3，P为P(水平或垂直)极化时的地表发射率;TBP为P(水平或垂直)极化时的卫星观测亮温;Ts为地表温度。

Pan等［27］在利用SSM/I亮温数据反演中国区域的地表微波发射率过程中也采用了这种方法，忽略了大气影响，认为SSM/I低频信号代表了地表信息，指出微波发射率跟地表类型密切相关。毛克彪等［17］认为微波受云和大气影响较小，针对AMSR－E微波资料，也采用这种方法计算了陆面微波发射率。

然而，对于高频(如85.5 GHz)，即使在晴空条件下，较强的水汽吸收也使得该频率处的大气透过率小于1，因而该方法不能很好地估计较高频率的微波发射率。所以，考虑到大气衰减，需要进行大气校正，以减小大气对地表微波发射率反演精度的影响。

在没有云和降水的条件下，对于平行平面非散射大气，使用Rayleigh－Jeans近似，根据辐射传输方程，用卫星亮温值TBP导出的发射率为

其中，

式中:ε4，P为P(水平或垂直)极化时的地表发射率;Tu和Td分别为向上和向下的大气辐射;Γ为大气透过率;Ts为地表温度;C为宇宙背景辐射温度(约2.7 K); μ=cos θ，θ是观测点的卫星天顶角; τ(z0，z1)为从z0高度到z1高度的大气光学厚度;τ(z，h)为从z高度到h高度的大气光学厚度;T(z)为z高度的大气温度;α(z)为z高度的大气吸收影响因子。式(4)迄今已广泛应用于微波反演地表发射率［25，28－40］。

此算法被Felde和Pickle［28］应用到由SSM/T－2的91 GHz和150 GHz数据直接反演大气湿度廓线的研究中，但其用近地面气温代替地表温度做近似处理。Jones和 Vonder Haar［29］在利用 SSM/I资料反演陆地上空云中液态水含量时，从GOES卫星的红外和可见光数据获取有云/无云阈值进行云检测，晴空区利用实际探空资料对红外和微波通道进行大气修正，同时利用红外通道的遥感信息确定地表温度，并进一步借助微波辐射传输模式反演美国中部地区的发射率。Prigent等［30］1997年利用SSM/I资料并结合几乎同步的国际卫星云气候学项目(international satellite cloud climatology project，ISCCP) 资料提供的晴空数据和地表温度，去除了大气、云、雨水等影响，以及结合TIROS业务垂直探测器(TIROS operational vertical sounder，TOVS)反演的大气温、湿廓线，计算了欧洲大部分地区的地表微波发射率，并且分析了在不同地表条件下的变化特征。Prigent等［31］2006年又利用SSM/I数据建立了10 a的全球发射率数据库，分析了月平均发射率及极化差的变动，以及发射率对植被、土壤水分、水体、积雪的敏感性。Ruston和 Vonder Haar［32］利用 SSM/I 资料反演了美国夏季地表微波发射率，分析了地表温度(LST)是发射率估计中的主要误差因子。

Hong等［33］在淮河流域能量和水循环实验(HUBEX)中，也利用此方法计算了寿县地区的TRMM/TMI微波频率的地表发射率，发现地表微波发射率随地表状况的变化存在敏感性，且变化是合理的。此项工作中，设定地表温度等于地表空气温度，并且仅计算了寿县的地表发射率，而在HUBEX区域上的地表发射率的计算需要更多观测资料。何文英和陈洪滨［34］利用 TRMM卫星上同步扫描的VIRS与TMI资料，采用微波辐射传输模式反演了中国江淮、黄淮地区地表发射率，然后结合MODIS提供的地表类型数据，分析了江淮、黄淮地区不同地表微波比辐射率的时空变化特征。

Karbou等［35］利用AMSU数据计算了地表发射率，分析了沙漠、草地、森林等不同地表类型在不同观测角和频率下的表现。初步结果表明，利用可靠的地表发射率数据有助于获得更精确的大气反演参数。Qiu等［36］利用AMSR－E的亮温数据，MODIS地表温度数据及温、湿廓线数据计算了2006年8月12～25日晴空条件下的全球瞬时微波发射率，与Fatima Karbou同期的计算数据比较，发现两者比较吻合，且能提供更详细的信息。张勇攀等［37］基于 Qiu［36］算法，考察了2003年6～8，12月及2004年1～2月冬、夏季节的AMSR－E在晴空条件下微波发射率随频率和时间变化的规律，结合IGBP(international geosphere－biosphere program)分类标准及覆盖度数据，分析了不同地表类型的发射率特征及其在不同波段、不同极化条件下随季节变化的规律。Norouzi等［38］用AMSR－E被动微波数据建立了全球地表发射率产品，研究被动微波和热力学温度的穿透深度之间的差异对地表发射率反演的影响。Bytheway和Kummerow［39］反演了2006年 AMSR－E各个通道(除了6.925 GHz)的全球地表发射率，比较Jones和Vonder Haar［40］用 SSM/I资料反演的结果，发现有很好的一致性，并且确定了不同微波窗区频率的发射率的协方差，并用这协方差来估算可能会引起降雨的观测亮温。

1.3 指数分析方法

如果已知大气温、湿状况和地表温度，利用辐射传输方程可以计算得到地表微波发射率。但一般应用时大气和地表状况参数都是未知的，因此需要尝试构造一个对地表微波发射率敏感，而对地表温度和大气参数不敏感或相对不敏感的参数，建立这样的参数与地表微波发射率之间的统计关系。

利用被动微波遥感资料提取地表特征，针对不同的应用目的，定义多种形式的特征指数，如:土壤湿度指数(soil wetness index，SWI)是高、低频亮温的组合，可以减弱大气的影响;极化比(polarization ratio，PR)能抑制地表温度的影响;微波植被指数(microwave vegetation index，MVI)对地表植被覆盖有类似于归一化植被指数(NDVI)的响应。

Morland等［41］利用卫星可见光波段遥感观测得到的NDVI和地表湿度指数等信息来估算非洲萨赫勒(African Sahel)半干旱地区的地表微波发射率，即

式中:ε5是地表发射率;a，b和c是经验系数;N代表NDVI。结果显示:在干洁大气条件下，反演结果与地面观测结果之间有很好的一致性;在前期没有降水、大气较干燥的情况下，|反演误差|＜0.02;但当大气比较湿润，前期有降水事件发生时，反演结果与地面观测结果的一致性就稍差。

潘广东等［42］利用SSM/I多通道、多时相亮温数据开展了中国陆地覆盖特征的季节变化研究，提出了归一化极化指数(NDPI)的概念。由于低频数据对地表水分、植被反映较好，特别计算了SSM/I在19 GHz的NDPI，分析了中国陆地区域不同地表覆盖微波辐射的季节变化特征。研究结果表明，不同的陆地覆盖类型有其特征的NDPI值，NDPI随季节而变化，植被、水分是引起NDPI变化的主要因子。

谷松岩等［43］用AMSU－A资料微波反演了中国陆地区域地表发射率，通过辐射传输正演模拟，提出了AMSU－A窗区通道微波反演地表发射率的指数分析方法，即对地表温度有一定抑制作用的通道2和通道3亮温归一化组合形式的指数AI(AMSU－A brightness temperature index)，计算公式为

式中TB2和TB3分别为AMSU－A通道2和通道3的亮温。以AI=0.3为分界点，分别建立AI与AMSU－A通道3微波地表发射率间的线性统计关系，得到根据AI统计计算AMSU－A通道3的地表微波发射率ε6的公式为

AI在有效抑制地表温度影响的同时，提高了与地表微波发射率的相关性，进而利用模拟数据对比了指数分析方法和以往通道亮温组合方法。结果表明，对于地表比较干燥的地区，指数分析的反演结果略优于通道亮温组合的反演结果。

1.4 神经网络方法

神经网络方法是利用大量相互联系的神经元来逼近任意复杂的非线性关系，不需要已知地表发射率与地表温度、亮度温度、地表特性等因素的相互作用机理，只通过训练数据直接建立地表发射率和输入参数之间的关系。

Aires等［44］用第一次猜测发展了神经网络反演法，利用SSM/I观测资料反演了陆面19 GHz至85 GHz的地表温度、水汽含量、云中液态水路径和地表微波发射率。其反演精度对于全球范围内所有通道的地表发射率在晴空(或有云)条件下，均方根误差分别小于0.008(或0.010)，较准确地反演了植被和干旱地区之间的梯度，以及像亚马逊或刚果河的具体水文结构。Aires等同时反演了白天的陆面地表发射率，取得了均方根误差较低的好结果。这种可能性已使得分析土壤湿度或露水沉积对后降雨事件的影响成为一个有意义的研究课题。

1.5 一维变分方法

变分法，通常就是寻找一个大气状态，使得所定义的代价函数(cost function)J(x)［45－46］达到极小值。Lorenc［47－48］在贝叶斯原理基础上，假定观测场与背景场误差均服从高斯误差分布，然后通过对代价函数的最小化，得到最小误差的分析场。

这个代价函数J(x)一般可以写成

式中:x是要被反演的长度为N的状态向量;x0表示背景场向量;向量y0是长度为M的观测值;B是阶数为N×N的背景场误差协方差矩阵，N是分析场的自由度数目;O是阶数为M×M的观测场误差协方差矩阵，M是观测数目;H为前向算子，代表模式空间向观测空间的一种映射。当y0与x为相同类型的物理变量时，前向算子可简化为一个简单的插值算子，否则认为y0和x具有不同的物理属性，这时观测量为分析变量的一些泛函信息;算子H为模式空间向观测空间的具有某种复杂结构的映射算子，如对卫星反演发射率来说，解这个方程的前提就是有一个正向模式，即为辐射传输模式，并且可以毫无偏差地模拟辐射，在矩阵 O中的统计结果较好。

代价函数J(x)的最小化是对x求导后为零得到，这个最小值也是变分反演的偏差。

Ruston等［49］用一维变分法反演了AMSU－A/B以及高分辨率红外辐射探测仪的地表发射率。其算法同时提供了红外和微波发射率的反演，且加大了发射率和地表温度信号的分离。对地表敏感的通道，其发射率的初步估计是由物理和经验微波发射率模型相结合而获得。结果表明:在红外波段，对无雪、有植被覆盖的地表发射率初步估计≤1%;在微波波段，对所有无雪区域的发射率初步估计≤4%，绝大多数≤2%。有雪覆盖和海冰区的发射率仍需要进一步研究。

2 评价

在地表微波发射率的反演工作中，现有的经验统计方法、辐射传输方程方法、指数分析方法、神经网络方法及一维变分方法都得到了普遍认可和应用，各有其长处和局限性。

经验统计方法是估算地表微波发射率的一种最为简捷的方法，一般来说，采用回归分析法进行二次或三次多项式的拟合。结果与输入参数需要有较好的相关性，通常不涉及机理过程，对参数要求较少，算法简单、计算速度快，可得到较稳定的结果;但推导出的关系仅仅对具有确定关系式时所采用的数据及统计性质相同的统计数据才有效，对极端情况的反演能力较差，且不能有效地处理非线性问题。此外，回归方程不具备明确的物理意义，受到地域和季节变化的影响，只适用于特定区域，普适性较差。

辐射传输方程法以辐射传输理论为基础，物理意义明确。其解决问题的过程明确，有利于解释地表发射率计算的内在机理，但是物理过程复杂，所需参数过多，而且有些参数(如地表温度、大气廓线等)在某些区域无法通过常规方法获得，只能依赖同化等手段获取，并且计算量大，耗时较多。

指数分析方法只需要由被动微波遥感资料提取地表特征，针对不同的应用目的定义相应的特征指数就可以估算地表发射率，不需要大气和地表状况参数，对输入参数要求较小。但不同特征指数的适用范围受到限制，如饱和归一化植被指数的选取大多依赖经验，易受个人主观影响;归一化极化指数主要随地物类型变化，影响因素较多，主要包括含水量、地表类型、地表粗糙度、温度及大气;AI指数分析法不适用于冻土、积雪、沙漠和水体等区域。

神经网络方法具有分布并行处理、非线性映射、自适应学习和容错等特性。其最大优点是理论上它可以逼近任意复杂的非线形关系，不需要专门设计特别复杂的反演算法，并且不依赖于物理正向模型，因而可以省去许多直接分析物理模型的工作;但其解决问题的过程不明确，不利于解释地表发射率估算的内在机理。利用神经网络反演时，其存在的主要问题是采样数据点少，这大大限制了训练样本的选择。在反演过程中，第一次猜测提供了发射率频谱关系，然而，如果没有对第一次猜测的估计，神经网络技术的效果就不会太好。

一维变分方法可以有效降低模式预报场的均方根误差，在正向模式足够线性时，同化卫星反演数据就可得到很好的效果，且方法简单，计算量小。但其反演的前提是需要有完善的正向模式，且这个正向模式在观测场误差协方差矩阵中统计效果较好。

3 结语与展望

本文对被动微波遥感反演地表发射率的研究进行了回顾和总结。当前，陆面地表发射率微波反演从理论研究到应用都已取得了相当可观的成果。各种反演方法均有其所长，但也有各自的局限性。为了提高地表发射率的微波反演精度和实用性，笔者认为今后应该在以下几个方面作进一步研究:

1)开发识别和订正无线电频率干扰(RFI)的算法。近年来，由于无线电频谱的科学和商业用户之间的冲突加剧，RFI已成为微波辐射计的一个严重问题。RFI在某特定频率能显著增加亮度温度并产生负的频谱梯度，直接影响到发射率的反演精度。如果能正确识别、剔除或订正RFI，将会改善RFI污染使发射率反演精度显著降低的状况。

2)改善云、雨检测算法。雨水、云中液态水和大气中冰粒子的存在使亮温发生很大变化，特别是当频率高于10 GHz时，会在很大程度上影响微波地表发射率的估算精度。为了使卫星测量值反演的地表发射率更准确，需要检测被大雨和冰粒子的散射效应改变的卫星观测值。如何更好地去除云、雨的影响是应用微波遥感反演地表发射率首要解决的问题之一。

3)加强微波波段大气辐射传输等过程的机理研究，深入理解地表发射率与卫星观测亮温、卫星观测天顶角、大气上行和下行辐射、大气透过率、大气温－湿廓线、地表植被覆盖以及地表土壤特性等因素之间的关联性。由于不同的大气辐射传输模式对辐射传输过程的计算存在一定差异，可以选取一些具有典型地表特征的区域进行星载、地基相结合的观测试验，验证现有的各种大气辐射传输模式在不同大气、地表条件下的适用性与准确性。

［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，Göttsche 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，Goöta 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.用被动微波AMSR数据反演地表温度及发射率的方法研究［J］.国土资源遥感，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.一个针对被动微波AMSR－E数据反演地表温度的物理统计算法［J］.中国科学D辑:地球科学，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］宫晓蕙，金亚秋.“嫦娥一号”微波辐射计观测月球虹湾地区表面物理温度昼夜时间分布［J］.科学通报，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］车 涛，李 新，晋 锐.利用被动微波遥感低频亮温数据监测青海湖封冻与解冻期［J］.科学通报，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，陈洪滨.中国江淮、黄淮地区陆面微波比辐射率的变化特征［J］.遥感技术与应用，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］张勇攀，蒋玲梅，邱玉宝，等.不同地物类型微波发射率特征分析［J］.光谱学与光谱分析，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］潘广东，王 超，张卫国，等.SSM/I微波辐射计数据中国陆地覆盖特征季节变化分析［J］.遥感学报，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］谷松岩，邱 红，张文建.先进微波探测器资料反演地表微波辐射率试验［J］.电波科学学报，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

国家自然科学基金项目(编号:41175035，40975019和40875016)和南京信息工程大学校科研启动项目(编号:20100372)共同资助。

10.6046/gtzyyg.2012.04.01

吴 莹(1980－)，女，讲师，博士，主要从事大气探测与大气遥感方面的研究。E－mail:wuying_nuist@163.com。

(责任编辑:邢 宇)