AMSR-E观测资料干扰对反演地表参数的影响

张思勃，官 莉（南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏 南京 210044）

AMSR-E观测资料干扰对反演地表参数的影响

张思勃，官 莉*（南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏 南京 210044）

针对星载微波成像仪低频窗区通道观测数据中存在大范围无线电频率干扰（简称RFI）的情况，以微波扫描辐射计（AMSR-E）为例，首先用改进的主成分分析方法对RFI进行识别；进而探讨RFI存在对反演地表参数的影响.然后，利用经过线性拟合RFI订正后的AMSR-E观测资料，采用一维变分1D-Var方法进行地表参数反演，通过对美国地区陆地RFI订正前、后地表反演产品（地表温度及降水率）的比较，发现RFI干扰使得受影响区域反演的地表温度及降水率异常偏高，存在较大误差.因此，在使用星载微波成像仪低频窗区通道观测进行地表参数反演和资料同化前必须进行有效地RFI识别和订正，改进的主成分分析识别方法和线性拟合的RFI订正算法对陆地上观测是有效的.

反演；RFI；AMSR-E；1D-Var

地表温度、土壤湿度、表面降水率等地表参数作为重要的气象要素，若利用传统直接观测方法，其观测数据有很强的局地性，而且测站覆盖范围非常有限［1］.利用卫星观测的热红外通道反演地表温度又有很多限制因素，特别是在阴天、雨雪等极端天气情况下，热红外地表温度反演精度难以保证［2-4］.微波遥感恰好可以弥补这一缺陷，微波窗区通道受大气干扰小，可穿透部分云区获得地表发射辐射，具有全天候、多极化等特点［5］.这些特征使得微波在地表参数反演领域具有独特的优越性［6］.目前常用的星载微波成像仪主要有:美国国家航空航天局地球观测系统Aqua卫星上搭载先进的微波扫描辐射计（AMSR-E），美国国防部Coriolis实验卫星上的全极化微波辐射计（WindSat），中国第二代极轨气象卫星风云三号A/B/C星上的微波成像仪（MWRI）和日本第一期水循环全球变化观测卫星（GCOM-W1）上搭载的微波扫描辐射计（AMSR2）等［7］.这些搭载在极轨气象卫星上的微波成像仪主要用于提高地表遥感探测能力，被设计用来反演土壤湿度、植被含水量、地表温度、雪覆盖等地表参数［8-11］.

但是在用于反演地表参数的星载微波低频观测数据中发现大范围的无线电频率干扰（RFI）现象，所谓RFI现象是指人为主动源（如:地基雷达、手机、空中交通管制设备、高速路上的GPS信号和限速设备等）的工作频率恰好落在星载被动仪器的观测频率内，使得卫星观测到的自然地表、大气辐射受到这些人为主动发射辐射的干扰，对卫星观测数据造成污染［12］.在设计星载被动传感器的工作频率时优先选用专为被动遥感设备预留的受保护的频段，但是为了实现特定目标的探测，许多星载被动传感器不得不工作在不受保护的波段（如，C波段和X波段），而且未来的传感器仍得使用这些不受保护的波段来进行探测［13］. RFI干扰会在遥感探测量中增加不可预测的噪声，使得局地观测亮度温度异常偏高.特别对于被动遥感，这一问题犹为严重，因为地表相对较弱的热发射辐射很容易被强的RFI信号淹没，给被动微波遥感反演地表参数领域带来挑战［14-16］.

近十年来，在陆表RFI识别和订正领域国外学者做出了重要的贡献，2004年Li等［14］最先在AMSR-E的C波段（6.925GHz）观测数据中发现RFI现象，提出利用谱差法识别中等强度以上的RFI区.2005年Njoku等［13］将研究范围从AMSRE数据的C波段扩展到X波段（10.65GHz），指出可以利用全年的统计平均值和标准差值来作为识别RFI所需的阈值.2006年，Ellingson等［15］利用搭载在美国国防卫星上的WindSat全极化辐射计观测数据，对比Li等［14］和Njoku等［13］的研究结果，发现WindSat和AMSR-E低频通道数据受RFI污染情况相似.2006年，Li等［16］利用主成分分析方法，充分考虑各通道间观测数据的相关性，对RFI的识别算法进行改进.然而，国内开展主动无线电频率对星载微波仪器的干扰研究和对无线电频率进行保护意识较晚，多数研究集中在地面主动无线电频率之间的相互影响［17-18］.2011年，Wu等［19］提出了针对AMSR-E观测数据的RFI订正算法即线性拟合法.2012年，邹晓蕾等［12］利用MWRI观测数据，针对冬季冰雪复杂地表的RFI识别问题提出了标准化的主成分分析算法. 2013年Zhao等［20］使用WinSat观测数据提出了双主成分分析算法，适用于极地积冰下垫面条件下RFI的识别问题.2014年，针对冬季冰雪和RFI混合的复杂陆地表面本课题组提出了一种简化算法即改进的主成分分析算法［21］.另外除了陆表RFI的识别，在美国和欧洲大陆近岸洋面区域也发现了RFI现象，这类RFI现象主要源自洋面反射静止通信/电视卫星信号的干扰，特别地在美国附近洋面区域主要是微波辐射计的18.7GHz频率通道受到DirecTV 10和DirecTV 11的干扰，而在欧洲附近洋面区域主要是微波辐射计的10.65GHz频率通道受到Atlantic Bird 4A、Hot Bird 9和Astra 1KR的干扰［22］.由于本研究重点关注RFI现象对地表参数反演的影响情况，以美国大陆作为主要研究区域，RFI影响集中出现在6.9GHz通道，而在10.7GHz和18.7GHz通道则不受RFI影响.

上述研究都集中在对RFI的识别上，未讨论RFI对反演地表参数的影响.本文以AMSR-E观测为例，首先用改进的主成分分析方法对无线电频率干扰进行识别；进而探讨RFI存在对反演地表参数的影响，通过对比试验分析识别和订正RFI对反演地表参数精度的改善.

1 研究使用数据

本文利用搭载在2002年发射的Aqua卫星上的先进的微波扫描辐射计（AMSR-E）的观测数据来开展研究.AMSR-E是被动式的遥感仪器，具有6个观测频率（6.925，10.65，18.7，23.8，36.5，89GHz），且每个频率有水平和垂直两种极化方式共计12个观测通道.该成像仪采用圆锥形扫描方式，具有固定的55°地球入射角，以及1445km的刈宽，不同观测频率对应不同星下点空间分辨率，从56km（6.9GHz）到5.4km（89GHz）不等［23］.本文使用的是AMSR-E的Level2A产品，它重采样各通道观测到的亮温，因研究使用了AMSR-E的所有观测通道，因此所有通道统一使用相同空间分辨率56km.

2 RFI识别和订正方法介绍

2.1 改进的主成分分析RFI识别算法

由于在AMSR-E的低频通道大气是相对透明的，探测到的微波辐射主要来自地表发射和散射的辐射.在陆地上，发射的微波辐射主要与土壤湿度、地表粗糙度、地表温度和植被覆盖程度有关［8］.由于土壤和植被中的水份对电磁辐射的吸收作用随着频率的增加而增加，导致探测到的亮度温度值也随着探测频率的增加而增加.然而，随着频率的增加地表和植被的散射作用也越来越明显，散射作用会减低观测到的亮度温度值.通常在频率低于30GHz时，地表的发射效应占主导地位，除冰雪散射区外，散射的作用是有限的.所以在非冰雪区，RFI影响就成了唯一可能造成被污染通道观测亮度温度异常偏大的原因.具体哪个观测通道受到RFI污染，取决于当地人为主动源的工作频率，比如美国地区主要是C波段受污染，而日本和中国地区主要是X波段受污染.如果RFI出现在C波段即6.9GHz，它会显著地增加6.9GHz通道观测到的亮温，使得6.9GHz和 10.7GHz通道的亮温差具有正谱差的特点（即6.9GHz通道观测亮度温度大于10.7GHz的亮度温度）；如X波段受到干扰，则10.7GHz 的观测亮度温度大于18.7GHz的亮度温度.这种谱差法可以从正常的自然发射辐射背景中区分出RFI区域，但是对于冰雪覆盖的下垫面，散射作用会使观测亮温随着频率的增加而逐渐减低，因此冰雪散射作用造成了类似的正谱差特征，使得冬季高纬度地区有降雪时RFI区难以识别.为此，本课题组提出了一种改进的主成分分析方法，以实现冰雪和RFI混合复杂地表时RFI的识别［21］，该算法不仅适用于冬季有冰雪存在的下垫面，同样适用于夏季非散射地表的RFI识别.

通常是用积雪指数SI=TB18-TB36来对积雪进行判断的.在改进的主成分分析方法中，利用3个变量:一个RFI指数（RI）和两个积雪散射指数（SI）来构建进行主成分分析的向量.比如，对于6.9GHz水平极化通道的RFI识别，构造数据矩阵如下:

式中:N表示指定区域内的观测点总数；TB表示观测的亮度温度；下标H和V表示水平极化和垂直极化方式；下标数字6表示6.9GHz通道，10表示10.7GHz通道，以此类推.

计算矩阵A的协方差矩阵S:S5×5=AAT，使其特征值（λ=［λ1，λ2，λ3］）以及特征向量（u=［u1，u2，u3］）满足式（2）

利用特征向量把数据矩阵A投影到一个新的正交的数据空间，得到主成分矩阵Z:

《青衣》作为一部东方色彩浓郁的小说，引发西方读者共鸣的是它深刻诠释了传统与现代的交融，艺术与现实的碰撞，以及人性的热望与偏执；而它所反映的独具特色的京剧文化以及社会、宗教、历史、语言文化，则为西方读者打开了通往神秘东方国度的大门。论其文学价值，《青衣》兼备世界文学的普适性和中国文学的异质性，既体现中国文学特色，又与西方文学传统保持默契，作为译介内容无疑是明智之选。

每一个主成分彼此正交，互不相关，且第一主成分具有最大的方差，第二主成分次之.我们利用与RI（RFI指数）最相关的那个主成分来识别RFI区，通常夏季第一主成分可用来识别RFI分布和强度，而冬季，由于大范围冰雪散射区的存在，第二主成分则是与RFI信息最相关的主成分.

2.2 RFI订正方法

识别出RFI区后，需要进一步去订正这些地区的异常观测，这里采用的是吴莹等［19］提出的线性拟合方法.根据前人的研究成果，陆地区域无RFI影响时6.9，10.7，18.7GHz通道间的观测亮度温度相关性非常高，相关系数在0.87以上，而且洋面区域的相关性更高，相关系数在0.96以上［13］.正是由于自然地表发射辐射在各通道观测之间的高度相关性，所以可以利用线性拟合的方法来拟合出未受RFI污染时各观测通道间的关系曲线，对f1通道中受RFI干扰区域进行订正:

式中:下标p表示水平极化或者垂直极化；H和V分别表示水平和垂直极化；f1表示须订正通道的频率；而f2表示未受污染通道的频率；C0，C1，C2为拟合系数.如果RFI出现在6.9GHz通道，且10.7GHz观测未受污染的话，用10.7GHz通道的观测值来订正6.9GHz通道；但如果10.7GHz观测也受污染的话（即6.9GHz和10.7GHz观测都受污染），则用18.7GHz通道的观测值来订正6.9GHz通道.类似的，如果RFI区出现在10.7GHz通道，用18.7GHz通道的观测值来订正10.7GHz通道.表1给出了3种不同情况下对应的式（4）中的拟合系数值.

表1 式（4）中的系数Table 1 Coefficients of eqation （4）

3 1D-Var反演算法介绍

利用变分技术，基于卫星微波和红外观测数据除了可以反演大气温度、湿度垂直廓线外，还可以反演云量、云顶高度、地表温度和地表发射率等大气参数［24］.一维变分方法的代价函数定义为:

式中:X表示大气状态变量；X0表示大气状态的先验信息（称作背景场）；Ym是已知观测资料；H为观测算子；B为背景场（X0）的误差协方差矩阵；O为观测资料的误差协方差矩阵；F为观测算子的误差协方差矩阵.

一维变分产生的分析场Xa是使目标函数式（5）达到最小值的解，即

要使得代价函数最小，可以通过对其求导，并使导数为零来求解，

将上式用于迭代循环，一直到代价函数达到最小时，结束循环.

本研究使用快速通用辐射传输模式CRTM（Community Radiative Transfer Model），CRTM由美国NOAA JCSDA （Joint Center for Satellite Data Assimilation）设计研发，可以将大气状态变量投影到观测空间，模拟计算出相应的辐射值和辐射梯度（Jacobian）［25］，它不仅适用于晴空，同时也适用于有云及降水的天气条件.该1D-Var算法从NCEP （NOAA's National Centers for Environmental Prediction） GDAS （Global Data Assimilation System）的客观分析场中提取相关参数作为代价函数迭代的初始场，GDAS系统每天生成4个时次（00UTC、06UTC、12UTC和18UTC）水平空间分辨率为1°×1°的各种大气参数场，垂直高度分为26层.在本1D-Var算法中需要输入GDAS的温度垂直廓线、湿度垂直廓线、云中液水含量垂直廓线，表面温度以及地表发射率参数作为反演的背景场.由于卫星微波观测辐射对地面辐射率很敏感，将地表发射率作为欲反演的大气状态变量的组成部分，极小化过程中动态地调整地表发射率，有助于更好地反演地表参数.反演得到的产品有地表和大气参数两类，地表参数主要有地表温度和发射率谱；大气参数主要有温度垂直廓线、湿度垂直廓线、云中液态水含量垂直廓线等.基于这些基本的反演产品通过后处理算法（如，垂直积分、多元回归等）可以计算得到其它的反演产品，如总水汽含量（TPW）、云中液水总含量、表面降水率（RR）等.

4 应用试验及分析

4.1 应用试验RFI订正效果分析

以2011年3月10日美国地区AMSR-E的升轨观测数据为例，利用上述改进的主成分分析算法识别出6.9GHz通道上的RFI干扰区如图1所示，图1a为识别出的6.9GHz 水平极化RFI分布图，图1b为垂直极化.图中灰线表示轨道宽度，两轨之间的空白区为轨道间隙，没有卫星观测数据.通常以大于5K作为判断RFI区的阈值.

从图1中可见，无论在水平还是垂直极化，6.9GHz通道上都分布着大范围、离散的RFI区，且数值越大表示RFI影响越强.RFI干扰广泛存在于美国本土，尤其是西海岸的加利福尼亚州和华盛顿州、密歇根州、俄亥俄州、肯塔基州及东海岸的北卡罗来纳州、弗吉尼亚州、宾夕法尼亚州、马萨诸塞州、马里兰州等地.

图1 2011年3月10日AMSR-E升轨观测数据识别出的美国地区6.9GHz RFI分布Fig.1 RFI distribution at 6.9 GHz with the AMSR-E ascending pass observations over the U.S. on 10 March， 2011

图2 2011年3月10日美国地区AMSR-E升轨观测6.9GHz通道亮度温度Fig.2 Brightness temperatures at 6.9GHz with the AMSR-E ascending pass observations over the U.S. on 10March， 2011

进一步对识别出的RFI区采用线性拟合方法进行订正，RFI订正前、后的观测亮度温度对比如图2所示.图2a、2b分别为RFI订正前的6.9GHz水平和垂直极化通道原始观测亮温.在这两张图中，由RFI造成的异常高亮度温度区非常明显，表现为各个孤立的异常“热点”（红色点区），亮温值远超过300K，而自然地表发射则呈现大范围、连续、平滑的亮度温度分布特征.对比图1，这些观测亮度温度异常高区与识别出的RFI区一一对应，主要是受RFI干扰，使传感器接收到的辐射加强.

经RFI识别和订正处理后的亮度温度为图2c、2d，可见RFI订正后观测亮温中的异常高值区已经被合理的拟合数据所取代，RFI订正后的AMSR-E 6.9GHz亮度温度数据更平滑，符合自然地表发射辐射特征.对垂直极化通道的订正效果（图2d）要好于水平极化通道（图2c），图2c中对美国中部某些区域的订正不是很彻底，还残留一些孤立点.另外，以垂直极化通道为例考察受 RFI污染通道的亮度温度在RFI订正前、后与不受RFI污染通道的亮度温度间的关系，图2e为RFI订正前的AMSR-E 6.9GHz通道与不受RFI污染的18.7GHz通道间的亮度温度散点图，从图中可见RFI订正前的6.9GHz通道中有部分像素点的亮度温度甚至超过300K，而这一异常现象并没有出现在18.7GHz通道的观测亮温中.图2f为相应的RFI订正后的6.9GHz与18.7GHz通道间的亮度温度散点图，从图中可见，RFI订正后6.9GHz通道中亮度温度异常高的像素点消失了.

4.2 应用试验反演地表参数分析

以NCEP GDAS的客观分析场作为1D-Var反演算法的背景场，利用2011年3月10日AMSR-E观测美国地区的亮度温度数据进行反演，RFI订正前、后反演的地表温度如图3所示.图中高纬度北方有一片白色区域，主要是由于该区域存在积雪，积雪的散射作用使得变分反演时代价函数不收敛，造成反演失败.图3a为没有进行RFI订正时利用1D-Var变分方法反演出的地表温度图，可见一些零散分布区域反演的地表温度偏高（红色，尤其是在东部的几个州），且与周围地表温度的分布不连续.温度偏高区分布与图1中识别出的RFI位置对应的很好，比周围其他自然地表发射辐射的反演结果偏高几度甚至更高.因此，如果不进行RFI识别和订正处理将严重影响被动微波遥感设备反演地表温度的效果，使得反演精度大大降低、反演结果不可用.图3b是RFI订正后的反演结果.通过图3a、3b对比发现，RFI识别和订正处理可以有效地剔除由RFI污染所造成的反演异常高值区，使得反演的地表温度分布更连续、更平滑可信，符合自然地表发射辐射的特征.

图3 基于2011年3月10日AMSR-E升轨观测利用1D-Var方法反演的美国地区地表温度（K）Fig.3 Retrieved land surface temperatures （K） with the AMSR-E ascending pass observations by 1D-Var method over the U.S. on 10March， 2011

图4 基于2011年3月10日AMSR-E升轨观测利用1D-Var方法反演的美国地区降水率（mm/h）Fig.4 Retrieved surface rainfall rate （mm/h） with the AMSR-E ascending pass observations by 1D-Var method over the U.S. on 10March， 2011

为了进一步对比RFI订正前、后反演地表温度的误差，本文将1D-Var反演的地表温度与NCEP FNL （Final Operational Global Analysis data） 空间分辨率为1°×1°的地表温度再分析场（2011年3月10日18UTC）进行比较，以地表温度再分析场近似作为真值（图3c）.首先，从图像上看，RFI订正前（图3a）反演的地表温度分布不连续，与地表温度再分析场（图3c）相比可以看到许多孤立点区的地表温度反演异常偏高，而RFI订正后（图3b）反演的地表温度分布更连续，平滑了图3a中地表温度异常高的像素点，虽然总体上RFI订正后反演的地表温度偏高于地表温度再分析场（图3c），但从反演结果的连续性上对比图3a、3b和3c，可以发现RFI订正后明显改进了地表温度反演的效果.

然后，从统计数据上考虑，利用反演的地表温度减去再分析真值得到二者的误差，研究范围覆盖美国大陆（20N-52N，130W-60W）.经统计发现RFI订正前反演地表温度的平均误差为3.9128，均方根误差为7.2512；而RFI订正后平均误差减少为3.2452，均方根误差减少为6.6103，说明RFI识别和订正处理确实可以直接、有效地改善地表温度的反演精度.但是就该个例而言，计算出的均方根误差较大，分析可能原因:1）本文只是单一个例，相较于目前较公认的微波地表温度反演均方根误差3～4K而言略偏高［26］，下一步需要做大量样本的统计分析以检验算法的可行性.2）时间不一致，在该个例中AMSR-E在美国陆地区的观测时间在17UTC到21UTC时间段附近，而用于对比的地表温度再分析场只能选择时间较接近的18UTC资料，这将造成一定的误差.3）空间不一致，地表温度再分析场是空间分辨率为1°×1°的格点数据，为了与1D-Var反演的地表温度对比，需要将1°×1°的格点资料内插到卫星观测的空间分辨率上，这同样也会造成一定的误差.

反演的地面降水率如图4所示，从图4a中可见，RFI订正前美国大陆上反演出了大范围离散的降水区，尤其是东、西海岸各州以及中部的蒙大纳州、怀俄明州、北达科州、南达科他州、奥克拉荷马州等地.这些降水区基本呈孤立点状分布且强度较弱（小于1mm/h），这并不符合我们熟知的降水规律（如，层云导致的大范围连续降水或者对流云导致的局地强降水）.而且研究发现这些降水区的位置恰恰对应于图1中利用改进的主成分分析算法识别出的RFI区.由于RFI污染使得观测数据异常偏高，让反演算法误认为这些高亮温是由降水引起的，造成虚假的陆面降水率反演.对比图4b（RFI识别和订正后的降水率反演结果）可以看到陆地上由RFI造成的虚假降水区被剔除了，只有在洋面上出现了零星的降水，提高了降水率产品的反演精度.

5 结论

5.1 以AMSR-E观测数据为例，使用改进的主成分分析算法识别美国陆地地区的RFI分布及强度，发现该地区主要受6.9GHz地面主动源干扰.

5.2 RFI干扰使得受影响区域反演的地表温度及降水率异常偏高，存在较大偏差，严重影响反演的地表参数精度.

5.3 RFI识别和订正处理，可以有效地消除RFI的影响，改善反演地表参数的精度，进行有效地RFI识别和订正处理是利用星载被动微波遥感设备观测值反演地表参数及卫星资料直接同化时必不可少的关键步骤.

5.4 改进的主成分分析RFI识别方法和线性拟合的RFI订正算法对陆地上星载微波成像仪观测是普适的，不仅适用于ASMR-E，同时也适用于WindSat、MWRI、AMSR2等类似的设备，并用AMSR-E观测资料在美国、欧洲和亚洲大陆对改进的主成分分析算法进行了测试.

5.5 但是该方法并不适用于洋面RFI的识别，这是由于洋面自身较大的波动性给RFI识别带来了困难.同时也不适用于终年积冰的格陵兰岛和南极州等地，在这些地区由于RFI订正不完全，导致反演结果不可靠.进一步改进这些地区的RFI识别效果，是本课题组未来的研究方向.

［1］徐希孺，柳钦火，陈家宜.遥感陆面温度 ［J］. 北京大学学报（自然科学版）， 1998，34（2）:248-253.

［2］朱怀松，刘晓锰，裴 欢.热红外遥感反演地表温度研究现状 ［J］.干旱气象， 2007，25（2）:17-21.

［3］官 莉，王振会，Huang Hunglung.红外高光谱资料模拟大气廓线反演对云的敏感性 ［J］. 气象科学， 2009，29（3）:312-316.

［4］贾媛媛，李召良.被动微波遥感数据反演地表温度研究进展 ［J］.地理科学进展， 2006，25（3）:96-105.

［5］张廷军，晋 锐，高 峰.冻土遥感研究进展:被动微波遥感 ［J］.地球科学进展， 2009，24（10）:1073-1083.

［6］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， 2005，16（3）:14-17.

［7］邹晓蕾.极轨气象卫星微波成像仪资料 ［J］. 气象科技进展，2012，2（3）:45-50.

［8］Njoku E G， Li L. Retrieval of land surface parameters using passive microwave measurements at 6 -18GHz ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 1999，37（1）:79-93.

［9］Njoku E， Jackson T J， Lakshmi V， et al. Soil moisture retrievalfrom AMSR-E. Retrieval of soil moisture from AMSR-E ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2003，41（2）:215-229.

［10］Li L， Gaiser P W， Gao B C， et al. WindSat global soil moisture retrieval and validation ［J］. Geoscience and Remote Sensing，IEEE Transactions on， 2010，48（5）:2224-2241.

［11］Kelly R E， Chang A T， Tsang L， et al. A prototype AMSR-E global snow area and snow depth algorithm ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2003，41（2）:230-242.

［12］Zou X， Zhao J， Weng F， et al. Detection of Radio-Frequency Interference Signal Over Land From FY-3B Microwave Radiation Imager （MWRI） ［J］. Geoscience and Remote Sensing，IEEE Transactions on， 2012，50（12）:4994-5003.

［13］Njoku E G， Ashcroft P， Chan T K， et al. Global survey and statistics of radio-frequency interference in AMSR-E land observations ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2005，43（5）:938-947.

［14］Li L， Njoku E G， Im E， et al. A Preliminary Survey of Radio-Frequency Interference over the U. S. in Aqua AMSR-E Data ［J］. Geoscience and Remote Sensing， IEEE Transactions on，2004，42（2）:380-390.

［15］Ellingson S W， Johnson J T. A polarimetric survey of radio-frequency interference in C-and X-bands in the continental United States using WindSat radiometry ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2006，44（3）:540-548.

［16］Li L， Gaiser P W， Bettenhausen M H， et al. WindSat radio-frequency interference signature and its identification over land and ocean ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2006，44（3）:530-539.

［17］翟国庆，周 兵，贾 丽，等.移动基站远场区功率密度分布和规划控制距离 ［J］. 中国环境科学， 2010，30（9）:1293-1296.

［18］俞 鹏，翟国庆，黄逸凡，等.城市居住区设备噪声频率特性分析［J］. 中国环境科学， 2006，26（4）:491-495.

［19］Wu Y， Weng F. Detection and Correction of AMSR-E Radio-Frequency Interference ［J］. Acta Meteorologica Sinica，2011，25（5）:669-681.

［20］Zhao J， Zou X， and Weng F. WindSat Radio-Frequency Interference Signature and Its Identification Over Greenland and Antarctic ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2013，51（9）:4830-4839.

［21］官 莉，张思勃.星载微波辐射计欧洲大陆无线电频率干扰分析［J］. 光学学报， 2014，34（7）:0728004-1-7.

［22］Gentemann C L， Wentz F J， Brewer M， et al. Passive microwave remote sensing of the ocean: An overview ［M］. Springer Netherlands: Oceanography from Space， 2010:13-33.

［23］Kawanishi T， Sezai T， Ito Y， et al. The advanced microwave scanning radiometer for the earth observing system （AMSR-E），NASDA's contribution to the EOS for global energy and water cycle studies ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2003，41（2）:184-194.

［24］Boukabara S A， Garrett K， Chen W， et al. MiRS: An all-weather 1DVAR satellite data assimilation and retrieval system ［J］. Geoscience and Remote Sensing， IEEE Transactions on， 2011， 49（9）:3249-3272.

［25］Weng F， Han Y， van Delst P， et al. JCSDA Community radiative transfer model （CRTM） ［C］//Proc. 14th Int. ATOVS Study Conf. 2005:217-222.

［26］Weng F， Grody N C. Physical retrieval of land surface temperature using the special sensor microwave imager ［J］. Journal of Geophysical Research: Atmospheres （1984-2012），1998，103（D8）:8839-8848.

Effect of AMSR-E data interference on the retrieval of land surface parameters.

ZHANG Si-bo， GUAN Li*（Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters， Nanjing University of Information Science and Technology， Nanjing 210044， China）. China Environmental Science， 2015，35（1）：260～268

There are spread radio-frequency interference （RFI） problems of the low-frequency observations of the spaceborne microwave imagers， e.g. AMSR-E （Advanced Microwave Scanning Radiometer）. A modified principal component analysis method was used to identify RFI and then its influence on the retrieval of surface parameters was studied. Next， the AMSR-E data corrected by linear fitting correction of RFI were used to retrieve the surface parameters through 1D-Var method. By comparing the retrieved products （e.g.， land surface temperature and surface rainfall rate）before and after RFI correction over the United States， it was found that retrieved land surface temperature and surface rainfall rate which were interfered by RFI were abnormally high and with large deviations. Therefore， it was necessary to effectively identify and correct RFI prior to low-frequency observations with spaceborne microwave imagers to retrieve land surface parameters or assimilate these observations. And the modified principal component analyzing RFI identification method and linear fitting RFI correction algorithm were effective for the observations over land.

retrieval；RFI；AMSR-E；1D-Var

X87，P407.7

A

1000-6923（2015）01-0260-09

张思勃（1987-），女，黑龙江哈尔滨人，南京信息工程大学博士研究生，主要从事大气遥感科学与技术方面研究.发表论文2篇.

2014-03-20

国家自然科学基金项目（41175034）、江苏省高校自然科学研究重大项目（13KJA170003）和江苏省普通高校研究生科研创新计划项目（CXLX13_489）

* 责任作者， 教授， liguan.nuist@gmail.com