导读:本文包含了被动微波遥感论文开题报告文献综述及选题提纲参考文献，主要关键词:中国东北地区,被动微波亮温,雪深反演,AMSR2
被动微波遥感论文文献综述
范昕桐[1]（2019）在《基于星载被动微波遥感数据的中国东北地区积雪深度反演研究》一文中研究指出随着计算机技术的飞速发展,地理信息的处理和分析方法越来越先进,遥感技术也越来越成熟,大范围的地表参数研究从主要依靠人力与时间的实地勘测转变为依靠遥感手段与小范围采集相结合的方法。季节性积雪覆盖在全球气候变化及水文循环中扮演着重要角色,地面站点等传统点观测虽然可以代表特定区域内的地表特性,但是难以代表大范围内的积雪情况,遥感技术的出现,解决了大范围观测地表参数的问题,所以当前大范围的积雪研究主要依靠遥感手段。积雪遥感涵盖多个研究方向,如光学遥感积雪研究和微波遥感积雪研究等方面,并随着卫星技术的发展,积雪遥感技术将会更加完善。本文在总结国内外被动微波积雪研究成果的基础上,进行了深入的探索,具体的研究工作和创新成果如下:(1)基于星载被动微波数据的中国东北地区雪深反演算法对比验证研究研究综合考虑不同下垫面类型,实现了AMSR2雪深反演算法和FY3BMWRI中国区域雪深反演算法在中国东北地区雪深反演结果的验证分析。为确定两种算法的反演准确度,将反演所得到的结果与该地区国家气象站点所观测到的雪深数据进行了比较。此外,比较了AMSR2雪深产品、风云雪深产品和反演的结果,并分析了反演结果与标准雪深产品之间的差异。实验结果表明:对于森林下垫面,AMSR2雪深反演算法反演结果接近FY3B-MWRI中国区域雪深反演算法反演结果,均方根误差(RMSE)分别为13.64cm和13.53cm;对于草地和农田下垫面,FY3B-MWRI中国区域雪深反演算法的雪深反演结果明显好于AMSR2雪深反演算法,此时RMSE分别为6.96cm和8.88cm。(2)基于自适应最小外接矩形的雪粒径自动测量方法雪粒径大小影响着积雪的辐射亮温,目前雪粒径测量主要以手动测量为主,而实际需要测量的雪粒径数据量较大,研究在总结野外实验测量经验及数据结果的基础上,提出了基于自适应最小外接矩形的雪粒径自动测量方法。实验结果表明实际测量结果雪粒径大小的平均值为3.21mm,自动测量结果雪粒径大小的平均值为2.98mm,实验误差在可以接受的误差范围内,而且此方法大大节省了人力与时间,是一种较快捷的雪粒径测量方法。(3)基于星载被动微波亮温差雪深查找表的中国东北地区雪深反演算法研究通过对比分析AMSR2雪深反演算法和FY3B-MWRI中国区域雪深反演算法在中国东北地区雪深反演结果,并在统计分析大量野外采集的实测积雪参数数据的基础上,使用多层积雪微波发射模型(MEMLS)模拟亮温差与积雪深度之间的对应关系,利用所建立的亮温差雪深查找表反演东北地区雪深。在查找表建立起来之后,使用AMSR2和FY3B-MWRI被动微波辐射计提供的亮温差数据去搜索查找表中对应的雪深值,并与实际测量得到的雪深值以及使用半经验算法反演的雪深进行对比分析。结果表明本文使用MEMLS所建立的农田雪深查找表相比其他方法能够取得较高的反演准确度。当使用亮温数据为FY3BMWRI数据,并且当在积雪积累期、稳定期和消融期叁个时期实际雪深平均值分别为6cm、13cm和15cm时,查找表结果的均方根误差(RMSE)分别为3.23cm、4.24cm和4.10cm,偏差(Bias)平均值分别为2cm、3cm和3cm。随着被动微波遥感技术的不断完善,被动微波遥感积雪研究已成为热门研究课题,本文通过对以上内容的研究为以后中国东北地区的积雪研究提供了参考。(本文来源于《吉林大学》期刊2019-06-01）
王星星[2]（2019）在《基于被动微波遥感的湖冰物候监测和对比分析研究》一文中研究指出湖冰物候是用于描述湖冰覆盖季节性循环的术语,是气候变化的指示因子。被动微波数据可以在长时间的湖冰物候监测方面有较好的应用,但调研发现当前对基于被动微波的湖冰物候判读规则有所欠缺,使得基于被动微波监测的湖冰物候区域性对比缺乏。本文以被动微波数据为遥感数据源,利用最邻近法获取湖泊采样点亮度温度信息;通过MODIS归一化积雪指数产品(NDSI)进行湖冰识别及去云处理后,得到时间序列的湖冰范围及覆盖比例数据。然后将获得的湖泊被动微波亮温信息与MODIS获得的湖冰覆盖比例数据进行对比,同时结合气温、湖面积雪覆盖度数据,制定出一套基于被动微波遥感数据的湖冰物候判别规则,该规则分为四大类,可适用于不同区域的湖泊湖冰物候判读。根据此判别规则获得的湖冰物候,与光学监测结果、地面观测结果对比表明:被动微波监测结果与MODIS、地面监测结果具有较高一致性,但也存在差别。即对于开始冻结参数,被动微波所监测的结果与MODIS监测结果较为一致,但略早于地面观测;对于完全冻结参数,被动微波、MODIS的监测结果均晚于地面观测,被动微波的监测结果略早于MODIS;对于开始融化参数,地面观测晚于被动微波和MODIS的监测结果;对于完全融化参数,地面观测结果与被动微波较为一致,但地面观测结果晚于MODIS。在此基础上获得北欧、青藏高原、蒙古高原叁个区域共91个湖泊(采样点)的湖冰物候参数,对叁个区域的湖冰物候变化特征作对比分析,结果表明,北欧湖冰物候随纬度变化,而在青藏高原与蒙古高原则呈现空间集聚性;叁个区域的湖泊冰覆盖时长呈缩短趋势,开始冻结参数呈延迟趋势,完全融化参数呈提前趋势,但在青藏高原有40%的湖泊冰覆盖时长呈延长趋势。通过对影响青藏高原湖冰物候变化的驱动因子的相关分析表明,湖泊矿化度对湖冰物候参数的影响较小,而湖泊水量与湖冰覆盖时长呈负相关,与开始冻结日期呈正相关,与完全融化日期呈不显着相关;湖泊所处海拔与湖泊冰覆盖时长呈正相关,与开始冻结日期呈负相关、与完全融化呈正相关。尽管这叁个因子仍不能有效回答青藏高原湖泊冰覆盖时间延长的原因,但为湖冰物候变化分析提供了更多思路。(本文来源于《江西理工大学》期刊2019-05-01）
张子瑾,董晓龙[3]（2018）在《被动微波遥感海面气压在热带气旋分析中的应用》一文中研究指出1引言热带气旋的海面气压场对热带气旋结构以及动力特征分析、热带气旋的移动路径和强度预报都至关重要~([1])。目前,海面气压观测主要依赖于原位观测,如浮标和下投探空观测等。这些观测手段空间分辨率差,探测成本高,难以满足热带气旋分析的需求。通过星载遥感手段获取热带气旋的海面气压场信息是国内外学者关心的重要课题,目前提出的最有效的方案是利用星载散射计风场资料,根据风压关系,推导海面气(本文来源于《第35届中国气象学会年会 S1 灾害天气监测、分析与预报》期刊2018-10-24）
张晨雷,季青,庞小平,刘畅[4]（2018）在《北极海冰表面被动微波遥感积雪深度产品的比较》一文中研究指出北极海冰表面积雪的变化影响大气与海洋的能量收支平衡,对全球气候系统有着至关重要的作用。海冰表面积雪深度是精确估算海冰厚度的重要输入参数。针对如何应用不同机构发布的被动微波遥感积雪深度产品问题,比较了国际主流机构发布的基于叁种传感器的四种积雪深度产品,并利用物质平衡浮标与机载雪雷达观测的积雪深度数据进行验证和评估。结果表明,德国不莱梅大学(UB)发布产品的海冰表面积雪深度大于美国雪冰数据中心(NSIDC)与美国航天航空局(NASA)产品的积雪深度,平均差异达到10cm;四种积雪产品中,NSIDC AMSR-E积雪深度产品精度最优;对比UB发布的不同传感器积雪深度发现,SSMIS(Special Sensor Microwave Imager Sounder)传感器反演的积雪深度相比AMSR-E(AdvancedMicrowaveScanningRadiometerforEarthObservingSystem)积雪深度与观测值的偏差与均方根误差较小,精度更高;不同机构发布的积雪深度产品虽存在精度上差异,但总体都能较好地反映北极海冰表面积雪深度的时空变化。分析和验证不同机构发布的不同传感器积雪深度产品的差异和精度,可为进一步估算北极海冰厚度并分析北极航道适航性提供依据,为北极海冰与气候变化研究提供参考。(本文来源于《第五届高分辨率对地观测学术年会论文集》期刊2018-10-17）
邱玉宝,王星星,阮永俭,解鹏飞,钟钰[5]（2018）在《基于星载被动微波遥感的青藏高原湖冰物候监测方法》一文中研究指出湖冰物候影响着区域及全球气候,是全球变化的敏感因子,青藏高原湖泊众多,冻融现场监测数据缺乏,而微波具有对冰水相变敏感、时间分辨率高、历史存档数据长等特点,这对于长时间序列湖冰物候研究具有重要意义.然而,被动微波遥感空间分辨率低、湖泊亮温的精准定位难.论文通过获取AMSR-E/Aqua和AMSR-2/Gcom-W1的亮温数据,构建了基于轨道亮温数据的阈值判别法,通过对青藏高原不同区域和不同大小的青海湖、色林错、哈拉湖以及阿其克库勒湖进行测试研究:与青海湖现场观测对比,湖泊完全冻结日期与开始融化日期最大误差小于3天;与无云光学遥感判别结果相比,4个湖泊的冻融参数误差为2~4天.结果表明,被动微波轨道亮温数据可实现青藏高原地区亚像元级中大型湖泊冻融信息的获取,历史卫星资料可为湖冰物候的监测提供重要的支撑.(本文来源于《湖泊科学》期刊2018年05期）
肖雄新,张廷军[6]（2018）在《基于被动微波遥感的积雪深度和雪水当量反演研究进展》一文中研究指出积雪是冰冻圈重要组成要素之一,也是对天气和气候响应最为敏感的自然要素。被动微波能够穿透云层、积雪和大气进行全天候、全天时地工作,在估算积雪深度、雪水当量等积雪参数上有很大优势。综述了国内外基于被动微波遥感的积雪参数反演研究的进展,首先介绍了被动微波遥感监测积雪的基本理论,以及被动微波遥感数据;然后将当前的积雪深度和雪水当量反演算法总结为4类:(1)基于统计的线性反演算法;(2)基于微波积雪模型的反演算法;(3)基于先验知识的非线性反演算法;(4)数据融合与数据同化。随后介绍了常用的7种积雪数据产品,并讨论了影响积雪深度和雪水当量反演精度的几个因素,最后对未来积雪参数反演研究方向做出了展望。(本文来源于《地球科学进展》期刊2018年06期）
孙亚勇[7]（2018）在《基于C和L波段主被动微波遥感的土壤水分协同反演研究》一文中研究指出主被动微波遥感反演土壤水分具有巨大潜力,但主被动微波遥感在土壤水分监测中各具特色。主动微波雷达遥感具有高空间分辨率的特性,但重访时间长、土壤水分反演精度偏低;被动微波遥感具有重访时间短、土壤水分反演精度高的优势,但空间分辨率低。为了获取高空间分辨率、高精度的土壤水分产品,基于主动微波SAR与被动微波辐射计数据的土壤水分协同反演是一个有效途径。本论文充分考虑目前主被动微波遥感传感器和数据的特点,开展C波段主动微波雷达数据和L波段被动微波辐射计亮温数据协同反演表层土壤水分研究。主要包括以下研究内容:基于土壤介电特性影响因素的多种混合介电常数模型的模拟精度与适用性研究。首先深入分析土壤质地、矿物组成、土壤水分含量、温度和频率五种因素对土壤介电特性的影响,然后全面收集国内外多种实验数据,从土壤质地、温度、频率叁个方面对物理的Mironov、半经验的Dobson、Wang和Schmugge模型、经验的Hallikainen四种混合介电常数模型开展模拟精度分析和适用性评价研究,提出了土壤水分主被动微波反演时不同土壤类型应采用的最优介电常数模型。针对不同的土壤质地条件,关于土壤介电常数实部和虚部的模拟,Mironov模型的精度最高,其次为Haillikainen模型,Dobson、Wang 和 Schmugge 模型精度较差。其中对于 Mironov、Dobson、Wang 和 Schmugge、Haillikainen四种模型的土壤介电常数实部模拟值,所统计的RMSE平均值分别为1.58、5.18、5.02和2.94。此外,对于粉砂壤土类、粉砂粘壤土类和粉砂粘土类土壤,随着粉砂含量比例增加,Mironov模型的模拟精度降低,而Dobson模型的模拟精度最好;针对不同的温度条件,在非冻土期Mironov、Dobson、Wang和Schmugge叁种模型模拟的介电常数随温度增加而发生的相对变化都与实测值的变化幅度基本一致,但是在冻土期四种模型都不适用,另外Haillikainen模型只适用于常温下土壤介电常数模拟;针对不同的频率条件,四种介电常数模型模拟的介电常数随频率变化而引起的相对变化与实测情况基本一致,表明四种模型在不同频率的介电常数模拟都适用。总的来说,针对L波段的微波土壤水分反演,优先选择Mironov混合介电常数模型,随着土壤质地条件的变化,对于粉砂壤土类、粉砂粘壤土类和粉砂粘土类中粉砂含量异常高的土壤,优先选择Dobson模型。基于亮度温度降尺度的C和L波段主被动微波数据协同的土壤水分反演模型研究。首先利用AIEM模型和Tor Vergata离散后向散射和辐射模型分别模拟C、L波段裸土区和植被区W极化后向散射系数和V极化发射率之间的关系特征,模拟结果显示,L波段V极化发射率与C波段VV极化后向散射系数之间呈现高度线性相关。然后根据被动微波辐射传输模型和主动微波的后向散射理论构建了后向散射系数与反射率的线性关系,同时引入主动微波的极化分解理论进行主动微波后向散射系数的分解,并分析主动微波后向散射机制中表面散射、二面散射和体散射叁分量的物理数学关系,基于此,建立了后向散射系数与反射率线性关系的系数的物理表达式,从而发展了一种新的基于后向散射系数的的亮度温度空间降尺度算法。并进一步结合被动微波土壤水分反演的单通道算法SCA-V,建立了基于亮度温度降尺度的C和L波段主被动微波数据协同的土壤水分反演模型。最后联合SMEX02实验区AirSAR C波段后向散射系数数据和PALS的L波段辐射亮度温度进行亮度温度的降尺度和土壤水分反演,并利用实测的土壤水分数据对反演结果进行了验证,两者相关系数R达到了 0.69,RMSE为0.051 cm3·cm-3,表明该模型可靠。基于土壤水分产品降尺度的C和L波段主被动微波数据协同的土壤水分反演模型研究。首先利用AIEM模型和TorVergata离散后向散射和辐射模型分别模拟了 C波段裸土区和植被区微波VV极化后向散射系数与土壤含水量的关系特征,模拟结果表明,linear形式的后向散射系数与土壤含水量之间具有较强的线性相关性。然后根据其线性关系,考虑粗尺度内的空间异质性,发展了一种新的土壤水分产品降尺算法,并结合单通道的SCA-V被动微波土壤水分反演算法,建立了基于土壤水分产品降尺度的C和L波段主被动微波数据协同的土壤水分反演模型。最后利用SMEX02实验区中C波段AirSAR雷达数据对PALS L波段被动微波反演的4000 m低空间分辨率的土壤水分结果进行降尺度,进而实现主被动微波遥感协同的土壤水分反演。利用实测土壤水分数据对反演结果进行验证,两者相关系数R达到了 0.71,RMSE为0.053 cm3.cm-3,结果表明该模型同样具有较好的可靠性。基于星载C波段Sentinel-1 SAR与L波段SMAP辐射计数据的区域土壤水分反演及验证。首先,针对预处理后的3km空间分辨率C波段Sentinel-1 SARVV极化和VH极化后向散射系数数据、9km SMAP亮度温度数据以及相应的土壤温度、土壤质地和植被含水量等辅助数据,然后基于本研究所提出的两种主被动微波协同的土壤水分反演模型,进行河南省3km空间分辨率的土壤水分反演。最后利用2017年3月21日、4月1日、4月11日、4月21、5月1日和5月11日的10cm表层土壤水分站点监测数据,对河南地区2017年3月18日至4月6日、4月11至4月19、5月5日至5月13日两种土壤水分产品进行初步评价。结果显示,基于亮度温度降尺度的土壤水分反演模型的土壤水分反演结果与实测数据统计平均RMSE为0.041 cm3·cm-3,bias为-0.008 cm3·cm-3,ubRMSE为0.040 cm3·cm-3,R为0.61;基于土壤水分产品降尺度的土壤水分反演模型所反演的土壤水分与实测数据的RMSE为0.043 cm3.cm-3,bias为-0.021 cm3.cm-3,ubRMSE为0.037cm3.cm-3,R为0.67。反演表明本研究提出的两种土壤水分反演模型均可以应用于基于星载C波段Sentinel-1 SAR和L波段SMAP亮度温度数据的区域土壤水分主被动微波协同反演,且具有较高的精度。(本文来源于《中国水利水电科学研究院》期刊2018-05-03）
韩晓静[8]（2018）在《云下地表温度被动微波遥感反演算法研究》一文中研究指出地表温度(Land Surface Temperature,LST)是地球表面能量平衡的重要指示因子,也是研究区域以及全球尺度陆地表面物理过程的关键参数。遥感技术的兴起和发展使得地表温度信息的获取从“点”过渡到“面”,目前遥感手段获取地表温度信息主要是基于热红外数据和被动微波数据。与热红外信号相比,微波信号对云、雾、雨、雪、植被以及一些干燥地物具有一定的穿透能力,具有全天候获取地表温度信息的特性,从而弥补了热红外地表温度监测中的不足。本文旨在提供一种简单易行且具有一定物理意义的云下地表温度反演算法。文中回顾了基于被动微波地表温度反演的国内外研究现状,给出了被动微波遥感的基本概念与理论,详细介绍了本研究中用到的模型和数据。在此基础上设定了两个研究目标:(1)定量分析大气对常用被动微波通道星上亮温的影响并提出相应的大气校正方法;(2)通过不同通道比辐射率间的关系发展具有一定物理意义的云下地表温度反演算法。主要研究内容包括以下几个方面:(1)大气对常用被动微波通道作用的研究以及大气校正方法的发展。本论文是针对云下地表温度反演方法的研究,有云情况下,大气对微波通道的影响相对较大。因此本文首先利用模拟数据库定量分析了大气对常用被动微波通道亮温的影响,结果显示,在1.4 GHz通道,当比辐射率大于0.7时大气影响可以忽略;在6.93 GHz通道,当比辐射率大于0.8时大气影响可以忽略;在10.65 GHz通道,当比辐射率大于0.9时大气影响可以忽略;其他通道(18.7、23.8、36.5、89.0GHz)一般情况大气影响不可忽略。然后根据大气校正精度的要求以及输入数据的可获取性,分别提出通用的大气校正方法、简单的大气校正方法和基于比辐射率的大气校正方法,为后续研究工作的开展奠定了基础。(2)地表温度被动微波反演方法的发展。本文首先建立了18.7、36.5和89.0 GHz叁个通道垂直极化比辐射率的关系,并对其进行近似和简化,在此基础上,假设辐射传输方程中的大气和植被影响可以忽略,利用简化的辐射传输方程发展了用于地表温度反演的叁通道算法。当干土比辐射率已知时,其算法误差为0.83 K;当干土比辐射率近似为常数时,该方法仅需要输入18.7、36.5和89.0 GHz叁个通道的亮温数据即可估算地表温度,其算法误差为2.37 K。利用AMSR-E星上亮温数据和地表亮温数据估算地表温度,精度分别为4.0~5.0 K和3.0~4.0 K。(3)云下地表温度反演与验证。本文通过两步法反演中国区域的地表温度,即首先通过通用的大气校正方法将AMSR-E卫星数据的星上亮温转换为地表亮温,然后通过叁通道算法利用地表亮温估算中国区域的地表温度。与有云条件下的地面空气温度对比,结果显示,该方法精度约为4.0 K。(本文来源于《中国农业科学院》期刊2018-05-01）
白瑜[9]（2018）在《东北农田区被动微波遥感土壤水分产品验证研究》一文中研究指出土壤水分是影响作物生长和地-气界面水热交换及全球水循环过程的关键变量。土壤水分的准确监测与预报在作物生长与估产、旱涝灾害监测和预报、地表水文研究、全球水循环和能量交换等方面发挥着关键作用。与光学遥感相比,微波遥感对于土壤水分变化十分敏感,其中的L波段被认为是监测土壤水分的最佳波段。尽管SMOS(Soil Moisture Ocean Sanility)与SMAP(Soil Moisture Active Passive)计划已经能够提供全球范围的土壤水分产品,但由于被动微波遥感土壤水分产品的空间分辨率为几十公里尺度,且像元内部土壤水分存在程度不一的异质性,导致这些土壤水分产品(或反演算法)的不确定性一直没有在我国东北区域进行精确地评估。因此,本论文针对被动微波像元尺度的土壤水分产品真实性检验与算法改进开展研究,通过建设与运行微波像元尺度土壤水分观测网络(36km×36km),评估了L波段被动波遥感土壤水分产品的不确定性,取得的主要研究成果如下:(1)像元尺度农田土壤水分观测网络的建设东北地区是我国最大的商品粮基地,平原面积广阔,主要的农作物为小麦、水稻和玉米。东北农田区土壤水分准确监测对于粮食产量和农业发展具有重要作用。为验证被动微波遥感土壤水分产品在东北农田区域的不确定性,首先需要获取一套精确的地面土壤水分观测数据集。本论文首先考虑植被类型均一性、高程差小、土壤质地均一等原则,选择了吉林省长春市北郊农田区(主要作物为玉米)作为被动微波遥感土壤水分产品的检验场;其次利用土壤表观热惯量(ATI)来表示被动微波像元内土壤水分的空间异质性,并结合规则格网方法选定了土壤水分观测站点;然后对观测站点的土壤水分传感器进行了室内定标,以减小点尺度测量值的不确定性。通过以上工作的开展,最终提出了一套适合于被动微波像元尺度土壤水分产品真实性检验的地面观测网络的建设规范。(2)像元尺度被动微波遥感土壤水分产品的精度分析通过被动微波像元尺度土壤水分观测网络的成功运行,利用2016年至2017年的时间序列土壤水分观测网络实测数据验证了SMAP和SMOS L3被动微波遥感土壤水分产品。与实测土壤水分相比较,2016年的SMOS L3(升降轨)和36km SMAP_L3_P被动微波遥感土壤水分产品存在低估现象,伴随降雨事件会出现高于实测土壤水分的情况;SMOS升降轨被动微波遥感土壤水分产品的均方根误差(RMSE)分别为0.125 cm3/cm3和0.127 cm3/cm3;而无偏均方根误差(ub RMSE)分别为0.123 cm3/cm3和0.090 cm3/cm3,说明降轨土壤水分产品受随机误差的影响较大;SMAP_L3_P被动微波土壤水分产品数据的ub RMSE略低,为0.078cm3/cm3。两种被动微波土壤水分产品的ub RMSE都大于0.07cm3/cm3。与实测土壤水分相比较,类似于2016年验证结果,2017年的SMAP_L3_P升降轨被动土壤水分产品存在“干偏”现象(负偏差),RMSE分别为0.074cm3/cm3和0.062 cm3/cm3,SMAP_L3_P降轨被动土壤水分产品与实测数据的一致性较好,二者的RMSE都超过了0.06 cm3/cm3,没有达到SMAP预期精度。在选定的36 km像元内(嵌套模式),大部分9km增强型SMAP L3级升降轨土壤水分产品(SMAP_L3_P_E)的RMSE大于0.07cm3/cm3(降轨),和0.08cm3/cm3(升轨),同样地,SMAP_L3_P_E降轨被动土壤水分产品与实测数据的一致性较好。SMAP_L3_P_E被动土壤水分产品也存在干偏现象,且其RMSE高于相应的36 km SMAP_L3_P被动土壤水分产品的RMSE。综合两年的被动土壤水分产品的评价结果,都没有达到SMOS和SMAP卫星预期精度,并且都存在干偏现象,需要对影响土壤水分反演的因素进行分析。(3)SMAP土壤水分反演算法参数优化方法研究通过对比分析发现,SMAP土壤温度(Ts)是使得SMAP_L3_P被动土壤水分产品低估及SMAP_L3_P升降轨被动土壤水分产品产生精度差异的重要参数。在裸土/低矮植被阶段,SMAP升降轨Ts的偏差分别为-5.46K和-1.33K,而在高植被阶段,升降轨时刻实测Ts与植被温度(Tc)之间的偏差为2.11K和-0.21K,SMAP升轨土壤温度的不确定性大于SMAP降轨土壤温度的不确定性,并且该参数被低估。SMAP降轨土壤温度的不确定性满足SMAP任务要求(2K),我们对SMAP升轨Ts进行了校正。校正SMAP升轨Ts后,裸土/低植被阶段和高植被覆盖阶段的SMAP_L3_P升轨被动土壤水分产品的RMSE分别从0.063 cm3/cm3降低到0.041 cm3/cm3和0.083 cm3/cm3降低到0.078 cm3/cm3,裸土/低矮植被阶段精度明显提高且接近SMAP任务要求,高植被阶段精度提高不明显,可能需要对影响该阶段土壤水分反演的其他因素如植被含水量等做进一步研究。(本文来源于《吉林大学》期刊2018-05-01）
刘进军,傅云飞,李锐,王雨,符玉云[10]（2018）在《青藏高原云和大气对被动微波遥感积雪雪深的影响》一文中研究指出利用AMSR-E(Advanced Microwave Scanning Radiometer-EOS)观测的2002 2011年青藏高原上空大气顶上行微波亮温(TB_(TOA)),经过辐射传输计算,对水汽和非降水云进行订正,推算出相应的高原地表上行亮温(TB_(SRF))。并用这两组亮温估算了青藏高原地区的雪深SDTOA和SD_(SRF)。通过个例和近10年统计研究发现,低频18.7 GHz亮温几乎不受影响,而大气顶处36.5 GHz亮温明显高于相应的地表亮温。不考虑这一效应,忽略大气的影响将造成青藏高原雪深反演低估(SD_(TOA)<SD_(SRF))。这种低估在多个个例中出现,在多年平均尺度上也很显着,不可忽略。直接用大气顶微波亮温反演雪深,将造成绝对误差2~3 cm。在青藏高原雪深较浅的区域,相对误差很大,为50%~80%。而在高原雪深较深的地区,相对误差较小为10%~20%。该误差(SD_(TOA)-SD_(SRF))和云水路径呈较强的负相关(R=-0.45),敏感性为-0.047 cm·(g·m~(-2))~(-1),该误差对冰云的敏感性较低,和水汽的相关性更弱。通过与MODIS雪盖产品比较发现,用地表出射亮温反演的雪深SD_(SRF)与MODIS雪盖产品吻合得更好。(本文来源于《高原气象》期刊2018年02期）
被动微波遥感论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
湖冰物候是用于描述湖冰覆盖季节性循环的术语,是气候变化的指示因子。被动微波数据可以在长时间的湖冰物候监测方面有较好的应用,但调研发现当前对基于被动微波的湖冰物候判读规则有所欠缺,使得基于被动微波监测的湖冰物候区域性对比缺乏。本文以被动微波数据为遥感数据源,利用最邻近法获取湖泊采样点亮度温度信息;通过MODIS归一化积雪指数产品(NDSI)进行湖冰识别及去云处理后,得到时间序列的湖冰范围及覆盖比例数据。然后将获得的湖泊被动微波亮温信息与MODIS获得的湖冰覆盖比例数据进行对比,同时结合气温、湖面积雪覆盖度数据,制定出一套基于被动微波遥感数据的湖冰物候判别规则,该规则分为四大类,可适用于不同区域的湖泊湖冰物候判读。根据此判别规则获得的湖冰物候,与光学监测结果、地面观测结果对比表明:被动微波监测结果与MODIS、地面监测结果具有较高一致性,但也存在差别。即对于开始冻结参数,被动微波所监测的结果与MODIS监测结果较为一致,但略早于地面观测;对于完全冻结参数,被动微波、MODIS的监测结果均晚于地面观测,被动微波的监测结果略早于MODIS;对于开始融化参数,地面观测晚于被动微波和MODIS的监测结果;对于完全融化参数,地面观测结果与被动微波较为一致,但地面观测结果晚于MODIS。在此基础上获得北欧、青藏高原、蒙古高原叁个区域共91个湖泊(采样点)的湖冰物候参数,对叁个区域的湖冰物候变化特征作对比分析,结果表明,北欧湖冰物候随纬度变化,而在青藏高原与蒙古高原则呈现空间集聚性;叁个区域的湖泊冰覆盖时长呈缩短趋势,开始冻结参数呈延迟趋势,完全融化参数呈提前趋势,但在青藏高原有40%的湖泊冰覆盖时长呈延长趋势。通过对影响青藏高原湖冰物候变化的驱动因子的相关分析表明,湖泊矿化度对湖冰物候参数的影响较小,而湖泊水量与湖冰覆盖时长呈负相关,与开始冻结日期呈正相关,与完全融化日期呈不显着相关;湖泊所处海拔与湖泊冰覆盖时长呈正相关,与开始冻结日期呈负相关、与完全融化呈正相关。尽管这叁个因子仍不能有效回答青藏高原湖泊冰覆盖时间延长的原因,但为湖冰物候变化分析提供了更多思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
被动微波遥感论文参考文献
[1].范昕桐.基于星载被动微波遥感数据的中国东北地区积雪深度反演研究[D].吉林大学.2019
[2].王星星.基于被动微波遥感的湖冰物候监测和对比分析研究[D].江西理工大学.2019
[3].张子瑾,董晓龙.被动微波遥感海面气压在热带气旋分析中的应用[C].第35届中国气象学会年会S1灾害天气监测、分析与预报.2018
[4].张晨雷,季青,庞小平,刘畅.北极海冰表面被动微波遥感积雪深度产品的比较[C].第五届高分辨率对地观测学术年会论文集.2018
[5].邱玉宝,王星星,阮永俭,解鹏飞,钟钰.基于星载被动微波遥感的青藏高原湖冰物候监测方法[J].湖泊科学.2018
[6].肖雄新,张廷军.基于被动微波遥感的积雪深度和雪水当量反演研究进展[J].地球科学进展.2018
[7].孙亚勇.基于C和L波段主被动微波遥感的土壤水分协同反演研究[D].中国水利水电科学研究院.2018
[8].韩晓静.云下地表温度被动微波遥感反演算法研究[D].中国农业科学院.2018
[9].白瑜.东北农田区被动微波遥感土壤水分产品验证研究[D].吉林大学.2018
[10].刘进军,傅云飞,李锐,王雨,符玉云.青藏高原云和大气对被动微波遥感积雪雪深的影响[J].高原气象.2018