無線電頻率干擾對MWRI資料反演地表溫度的影響

吳瑩， 姜蘇麟， 王振會

(南京信息工程大學氣象災害教育部重點實驗室/氣候與環境變化國際合作聯合實驗室/氣象災害預報預警與評估協同創新中心/中國氣象局氣溶膠與云降水重點開放實驗室，南京 210044)

0 引言

作為地表能量平衡中的重要參數之一，地表溫度影響著土壤和植被的蒸散作用、作物產能、地表水熱平衡和全球氣候變化等眾多領域，是地球物理學研究中不可或缺的重要組成部分。相比較于熱紅外及其他光學遙感，大氣對于微波遙感而言相對透明。微波對云層甚至雨區的穿透性，以及全天時獲取地表輻射信息的特點[1-2]恰恰能夠彌補熱紅外遙感受大氣中水汽影響較大、不能穿透云層的不足。這些特征使得微波在全球大尺度地表溫度反演領域具有獨特的優越性[3-4]。

目前廣泛使用的星載微波輻射計有DSMP(defense meteorological satellite program)衛星上搭載的SSM/I(special sensor microwave/imager)、EOS/Aqua衛星上的AMSR-E(advanced microwave scanning radiometer - earth observing system)、Coriolis衛星上的WindSat、風云三號衛星(FY-3)上的MWRI(microwave radiation imager)以及GCOM-W1衛星上的AMSR-2(advanced microwave scanning radiometer-earth observation system-2)等，如此眾多的先進微波輻射計為協同熱紅外遙感反演地表溫度研究提供了可能[5-9]。

然而，在星載微波資料的使用過程中，仍然存在著諸如對微波穿透深度考慮不足、低頻微波的無線電頻率干擾(radio-frequency interference，RFI)、地表溫度與發射率的分離等問題[2-4]。星載被動微波輻射計的RFI是指輻射計接收到的輻射信息除了來自地氣系統的自然熱輻射以外，還有一部分則來自于地面主動微波發射器發出的輻射信息以及陸面反射的來自于其他輻射源的輻射信號。目前廣泛使用的星載微波輻射計均不同程度地受到地面無線電頻率的干擾，且受到干擾較為嚴重的資料大部分來自于微波低頻觀測通道。受到干擾的被動微波輻射計測量值往往存在較大的地表和大氣參數反演誤差，如果不能準確地識別和剔除，這種影響產生的問題可能顯著降低現有以及將來的被動微波資料的使用效果。

Li等[10]最初于2004年發現AMSR-E在C和X波段的觀測值在某些區域均出現大面積的頻率干擾信號，提出了用頻譜差法來檢測RFI的強度和范圍的觀點，隨后進一步提出了用主成分分析法(principal component analysis，PCA)來分析陸地區域的RFI分布特征[11]；Njoku等[12]指出了AMSR-E在6.925 GHz和10.67 GHz通道受RFI影響的區域分別處于不同的地理位置；Lacava等[13]用多時相法分析了AMSR-E C波段中的RFI。國內也正陸續開展對星載被動微波觀測儀器受地面RFI的研究[14-19]。Wu等[14-15]提出了AMSR-E中RFI信號的檢測及訂正算法；Zou等[16]用PCA方法分析了MWRI陸地表面的RFI分布；Zhao等[17]改進了PCA方法，用雙主成分分析法(double principal component analysis，DPCA)分析了WindSat資料在格陵蘭等地區的RFI分布；官莉和張思勃[18-19]對歐洲和北美洲陸地區域AMSR-E中的RFI進行了識別和分析。

但目前在有效地檢測出MWRI資料中的RFI[16]以后，尚未進行對訂正算法及提高地表參數反演精度的探討。針對此問題，以歐洲大陸為主要研究區域，運用一維變分反演法(one dimensional variational retrieval，1D-VAR)收斂度量識別出MWRI一級亮溫資料中的RFI，進而提出了一種訂正受到RFI影響的MWRI亮溫數據的算法，并對比分析了RFI訂正前、后地表溫度的反演結果，初步探討了進行微波亮溫數據的RFI訂正對提高反演精度的重要性。

1 數據源

本文選用FY-3B衛星上的MWRI一級亮溫資料。MWRI提供5個頻率(10.65 GHz,18.7 GHz,23.8 GHz,36.5 GHz和89.0 GHz)、水平和垂直雙極化共10個通道的微波觀測值。使用1D-VAR反演算法需要從美國國家環境預報中心(National Centers for Environmental Prediction，NCEP)全球資料同化系統(global data assimilation system，GDAS)的客觀分析場中提取相關參數作為反演的背景場。GDAS系統每天生成4個時次(00UTC，06UTC，12UTC和18UTC)、水平空間分辨率為1°×1°的大氣和地表參數場。

2 1D-VAR算法

基于衛星微波和紅外觀測資料，采用1D-VAR法不僅可以反演大氣參數(如大氣溫、濕垂直廓線)和云參數(云量、云頂高度)，還可以反演地表參數(如地表溫度和地表發射率等)。1D-VAR反演的前提是觀測場與背景場誤差是無偏的、不相關的，且均滿足高斯誤差分布這些假定條件，通過對目標函數(稱為代價函數)求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[20]

(1)

式中：X為被反演的大氣(或地表)狀態變量；X0為大氣(或地表)狀態的背景場向量；Ym為已獲得的觀測資料；B和E分別為背景場和觀測場誤差協方差矩陣；H為前向算子。

1D-VAR產生的分析場Xa是求得使代價函數式(1)達到最小值的解，故J(Xa)為

J(Xa)=minJ(X)

(2)

對所定義的代價函數求導，并使導數為0，即

(3)

可以得到

(X-X0)=ΔX=[(B-1+HTE-1H)-1HTE-1]×[Ym-H(X0)]

(4)

將式(4)用于迭代計算，直到J(X)達到最小或達到規定迭代次數時，結束循環。

對于衛星反演地球物理參數而言，前向算子H就是前向模式，即輻射傳輸模式。本文采用通用輻射傳輸模式(community radiative transfer model，CRTM)作為1D-VAR中的前向模式。CRTM[21]由美國的衛星資料同化聯合中心(Joint Center for Satellite Data Assimilation，JCSDA)開發，適用于各種天氣條件，可以模擬所有微波頻率下由冰晶、雪晶、雨滴、霰粒和云中液態水等產生的散射，并生成所有大氣和地表參數相應的輻射值和輻射梯度(即雅可比矩陣)[20]。在變分計算過程中，反演所需的背景場可以從GDAS提供的大氣參數垂直廓線(溫度、濕度和云中液水含量等)和地表參數(地表溫度、土壤濕度和植被覆蓋度等)獲取。1D-VAR計算可以得到大氣和地表參數，本文主要討論地表參數之一的地表溫度。

3 RFI識別和訂正算法

對于陸地表面，輻射計測得的微波輻射信息主要是地表的發射輻射[12]，而冰雪覆蓋區散射輻射所占比例較高。在非冰雪覆蓋區，隨著頻率的增加，地表和植被的散射效應逐漸增強，當輻射計通道頻率低于30 GHz時，所接收到的來自于地表的散射輻射非常有限，通常可以忽略。而由地面主動微波傳感器的發射信號或陸面反射輻射信號往往強于地表本身發出的輻射，使得星載被動微波傳感器接收的信息是這些信號與地表自身發出輻射的疊加，從而不能真實反映地表狀況，所以這些信號被稱為RFI。受RFI影響的微波觀測值通常表現為被污染通道觀測亮溫值異常偏大，在空間分布上呈現不連續且有一定方向性、時間上有持續性的特點。若RFI強度較大，甚至可能使通道亮溫值呈負頻譜梯度關系，即與正常的自然發射輻射譜規律相反。

本文研究的受RFI影響的MWRI一級亮溫數據，主要出現在10.65 GHz水平和垂直極化的2個通道，大部分分布在東亞、歐洲等地[16]，這是由當地人為主動源的工作頻率所決定的。

在1D-VAR計算地表溫度中，收斂度量χ2為前向算子最后一次模擬的亮溫值和測量值間所有殘差的均方根。χ2計算公式為

χ2=[Ym-H(X)]T×E-1×[Ym-H(X)]。

(5)

χ2作為是否可以達到收斂的判據，也用來衡量前向模式的優劣。通常，當χ2≤1時，認為可以達到收斂。然而，可以根據實際情況把這個標準放寬到10，即認為χ2>10時，反演結果不可靠。

反演過程中發現，1D-VAR算法中的收斂度量值和RFI信號的強弱有著極強的相關性，收斂度量值越大，意味著該處的RFI信號越強[15]。

迄今為止，人們已發現不是所有的通道都會出現RFI，而且可以利用自然通道的相關性開發出訂正算法去訂正存在RFI的這些地區的異常觀測值。RFI指數[14]不僅可以用來識別RFI的位置，也能量化地檢測其強度，即一種極化的RFI定義為

RFIp,f1=TBp,f1-TBp,f2

(6)

式中：TB為衛星所測得的亮溫值；p為極化方式(水平方向(H)或垂直方向(V))；f1和f2表示2個相鄰的頻率(下文中下標中的“10”和“18”分別代表10.65 GHz和18.7 GHz)，且f1

在本研究中，提出了一個用于訂正受到RFI影響的MWRI亮溫數據的算法。算法的基本思想是，由于18.7 GHz的測量值幾乎沒有受到干擾，因而當檢測到10.65 GHz存在RFI時，根據經驗公式，受干擾的10.65 GHz的MWRI測量值可以用18.7 GHz的測量值估算出來。

對于MWRI觀測值，RFI指數大于5 K[22]就定義為受到RFI影響。剔除受到干擾的亮溫數據，用未受到干擾作用的訓練數據回歸得出RFI訂正算法。由于二次項在降低訂正算法的偏差和標準差方面并沒有顯著改進，因此使用線性回歸，由未受到干擾的通道來估算受到RFI作用的通道的亮溫，即

TBV,10=-13.378 4+1.128 85TBV,18-0.093 387 3TBH,18

(7)

TBH,10= -2.958 77+0.070 948 37TBV,18+0.925 626TBH,18

(8)

其中，式(7)和式(8)的標準差分別為1.433 89和1.323 97。

4 結果與分析

從全球的MWRI亮溫分布可知，10.65 GHz的RFI主要出現在歐洲大陸以及日本部分地區，因此本文選取歐洲大陸作為研究區域，運用式(7)和式(8)提出的RFI訂正算法來訂正異常亮溫值。由于夏、秋季節全球有積雪覆蓋的地區相對較少，在此以2014年7月20日的數據為例，如圖1和圖2所示。圖1(a)— (c)分別是上升軌道未經過RFI訂正的MWRI 10.65 GHz垂直、水平極化2個通道的亮溫值和1D-VAR收斂度量值的分布，圖1(d)—(f)分別是與之對應的經過RFI訂正后的分布。與圖1類似，圖2為下降軌道時的分布。

(a) 訂正前垂直極化亮溫 (b) 訂正前水平極化亮溫 c) 訂正前1D-VAR收斂度量值

(d) 訂正后垂直極化亮溫 (e) 訂正后水平極化亮溫 (f) 訂正后1D-VAR收斂度量值

(a) 訂正前垂直極化亮溫 (b) 訂正前水平極化亮溫 (c) 訂正前1D-VAR收斂度量值

(d) 訂正后垂直極化亮溫 (e) 訂正后水平極化亮溫 (f) 訂正后1D-VAR收斂度量值

從圖1和圖2可見，無論是在上升軌道還是下降軌道，MWRI 10.65 GHz水平、垂直極化的2個通道上都分布著大范圍、強度較大的RFI區域，且1D-VAR收斂度量值的大小和RFI的強度大小也相對應。RFI信號廣泛存在于大不列顛島和意大利附近，法國境內有一些零星分布。顯而易見，式(7)和式(8)給出的算法顯著地訂正了大部分RFI污染。由于強度較弱的RFI很難從自然地球物理變化中識別出來，特別是很難區分合理的較高值和受到污染的較高值，因此圖1(d)中英格蘭中部有部分殘余RFI污染。

從NCEP GDAS再分析場中提取大氣和地表參數作為1D-VAR計算中的背景場，本文研究區域內2014年7月20日地表溫度的反演結果如圖3所示。

(a) 訂正前反演的地表溫度(升軌) (b) 訂正后反演的地表溫度(升軌)

(c) 訂正前反演的地表溫度(降軌) (d) 訂正后反演的地表溫度(降軌)

圖3(a)和(c)分別為未經RFI 訂正反演出的升軌和降軌地表溫度分布。在圖中均出現了呈孤立點狀分布的反演值偏高的散點區域，甚至出現了較大范圍連續的反演值缺失的區域(圖3(a)和(c) 中圈出的空白區域)。通常情況下，地表狀況差異不大的陸地表面，地表溫度往往遵循連續性分布的規律，而不會出現不連續的零星突增的極高值區域。再對比圖1(c)和圖2(c)中1D-VAR收斂度量值分析法識別出的RFI區域，這些區域與檢測出的RFI存在的位置有著很好的對應關系。這些零星的地表溫度反演偏高值像素點恰恰對應于強度中等的RFI存在區域，而圖3(a)和(c)中圈出的無反演結果的空白區域恰恰對應著RFI強度更大的區域。這是由于強度較大的RFI致使該位置的衛星測量值嚴重偏離地表的自然輻射值，使得變分反演時代價函數不收斂，從而得不到反演結果。

因此，如果對存在RFI的數據進行檢測并進一步訂正，將會大大提高地表溫度反演的精度。而經式(7)和式(8)的算法訂正后，反演的地表溫度分布更連續(圖3(b)和(d))，異常的反演偏高值得到了校正，不收斂的空白區域反演結果得到了恢復。從地表溫度的分布特點來看，RFI訂正后提高了反演結果的可靠性，也提高了MWRI亮溫數據的利用率，減少了反演失敗區域。

為了驗證反演結果的可靠性，把空間分辨率為1°×1°的NCEP FNL全球分析資料(final operational global analysis data) 再分析場中的地表溫度作為“真值”，計算反演值和真值間的偏差。計算結果表明，RFI訂正前反演地表溫度的平均誤差為3.72 K，標準差為6.34 K；經RFI訂正后平均誤差減少為3.05 K，標準差減少為5.64 K。對比結果可見，對MWRI的RFI檢測、訂正可以顯著改善地表溫度的反演精度。但是就該個例而言，計算出的標準差較大，可能有多種因素產生。首先，衛星觀測時間和地表溫度“真值”時間不完全吻合，在該研究中由于MWRI在歐洲陸地區的升軌觀測時間大致是從11UTC—13UTC，因此作為“真值”資料選取的時次為當天4個時次中最為接近的12UTC；降軌觀測時間在02UTC—04UTC之間，因此選取時間最為接近的00UTC的資料；其次，空間不完全匹配，“真值”的空間分辨率為1°×1°的格點數據，需要內插到衛星觀測像素點的地理位置上，這同樣也會造成一定的誤差。

5 結論

1)基于MWRI觀測數據，使用1D-VAR法識別出歐洲陸地地區的RFI分布及強度，提出了一種訂正MWRI 10.65 GHz通道RFI的算法。該RFI訂正算法基于幾乎未受到RFI影響的18.7 GHz的測量值，根據各通道亮溫值之間的高相關性，用不含有RFI信號的MWRI數據推導出了2個回歸方程(分別對應水平和垂直極化)。這樣，在用1D-VAR法識別出RFI以后，就可以通過18.7 GHz通道上的觀測亮溫估算出受RFI污染的10.65 GHz通道的亮溫值。1D-VAR收斂度量值識別、分析RFI的方法和基于線性回歸的RFI 訂正方法對存在類似RFI信號的其他星載微波輻射計也是相通的，但具體的訂正算法會因具體儀器設備的差異而有所不同。

2)對比經RFI識別和訂正前、后的MWRI觀測資料反演地表溫度的結果表明，RFI信號的存在顯著增大了受污染的亮溫數據的反演誤差，甚至造成反演結果缺失，很大程度上降低了反演的精度和星載微波資料的利用率。而本文提出的RFI訂正算法可以有效地減弱MWRI 低頻通道受到干擾的影響，顯著提高RFI存在區域地表溫度的反演精度。由此可見，正確識別和剔除日益嚴重的RFI信號對低頻微波觀測資料反演地表參數尤為重要，也是衛星資料同化之前必不可少的重要步驟。隨著RFI影響的緩解，更多受RFI污染的MWRI觀測值將有待用于地表溫度反演。

3)今后若能依賴于區域或背景，調整算法中的參數，可以降低區分合理的較高值和受到污染的較高值這個難點對訂正效果的影響。對于強度弱、不易被檢測出的RFI，可以考慮把研究區域縮小，甚至可以結合具體地表狀況等信息，調整檢測閾值或算法中的參數，從而降低訂正結果的標準差。