使用 Sentinel-1 和 AMSR2 数据进行每日高分辨率地表冻融检测.docx

《使用 Sentinel-1 和 AMSR2 数据进行每日高分辨率地表冻融检测.docx》由会员分享，可在线阅读，更多相关《使用 Sentinel-1 和 AMSR2 数据进行每日高分辨率地表冻融检测.docx（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、使用Sentinel-1和AMSR2数据进行每日高分辨率地表冻 融检测抽象高分辨率地表冻融(F/T)信息对于水文、霜冻蠕变和冰川作用/干燥以及气候预测研究非常有价值。目前，大规模、高分辨率 的F/T探测受到无源微波遥感传感器空间分辨率低或合成孔径雷达(SAR)数据时间分辨率低的限制。本研究通过结合Sentinel-1 雷达和先进微波扫描辐射计2 (AMSR2)与叶面积指数(LAI)数据，提出了一种在1 km空间分辨率下检测日地表F”状态的 新方法。在Sentinel-1的1 km F/T指数与AMSR2 (FTI)的1 km F/T指数和1 km LAI数据之间建立了非线性关系。1公里 FTI

2、是从AMSR2获得的25公里FTI的分解。然后将这种非线性关系应用于每日1 km FTI和LAI数据，以预测1 km每日F/T 指数，在此基础上使用基于网格单元的F/T阈值检测F/T状态。当在中国和加拿大的5cm 土壤温度原位进行评估时，这种每 日1 km F/T的总体准确度超过88.1%。这项研究对于检测每日高分辨率F/T状态很有价值，并且有助于与灾害和气候预测相 关的研究。关键字:检测冻融状态;哨兵1AMsR2;1公里分辨率;植被.引言大约5000万平方公里的陆地外表经历土壤冻结和解冻1。由于地形，土地覆盖，地下特性，积雪和其他因素的非均质性, 该外表的一局部表现出空间上不连续的土壤冻结和

3、解冻变化。地表冻融(F/T)的时空变化信息对水文、气候、地形变形和生态 系统过程至关重耍2, 3, 4, 5, 6。发生在永久冻土区的陆地外表F/T增加了碳和氮的排放7, 8, 9, 10,并导致气候变化 预测的不确定性11。高山的永久冻土层退化可能导致灾难，如岩石和冰雪崩12。覆盖高海拔地区的永久冻土的高分辨率测绘 对于基础设施规划非常重要1司。地表F/T状态的高分辨率监测对于各个研究领域都很重要，特别是灾害，如霜冻蠕变和风化/ 滞流14、春季洪水和气候预测15, 16。遥感卫星数据对于在全球和区域尺度上探测陆地外表F/T状态是有效的;长波长的卫星 微波遥感非常适合检测土壤F/T状态，因为它

4、能够穿透土壤介质17, 18,并且液态水和冰之间的介电常数比照度很高19近 年来，有源和无源微波数据已被广泛用于探测地表F/T。已经生产了几种全球和区域微波外表F/T产品，具有有源和无源微波 传感器，例如高级微波扫描辐射计2 (AMSR2) 20, 21, 土壤湿度和海洋盐度(SMOS) 22, 土壤湿度主动被动(SMAP) 23,水瓶座L波段辐射计24和高级散射计( ASCAT) 25.这些F/T产品在25 km至36 km的空间分辨率下检测地表F/T状 态，不能在异质像素内准确描述地表F/T过程，不能满足区域尺度的霜冻蠕变和干燥/干燥以及洪水灾害监测等诸多应用的要求。 合成孔径雷达(SAR

5、)数据的散射特性，如散射类型(外表、双弹跳和体积散射)和燧，在不同土地覆被(如森林或非森林、 积雪覆盖或无雪)中，土地F/T状态具有显著的季节变化，可用于绘制永久冻土活跃层的土地覆盖类型和地表地冻土特征26, Sentinel-1 (S1)卫星数据自2015年以来能够提供免费的高分辨率SAR数据，并且在本研究中具有较高的数据量覆盖，已成 功用于探测地表F/T28, 29, 30, 31, 32。但是，Sentinel-1的时间分辨率取决于地理位置。例如，Sentinel-1在北欧每天可 用，但在中国东北地区每12天才有一次。需要高分辨率F/T检测算法来检测某些区域的每日高分辨率外表F/T状态，

6、这些区 域没有每日S1数据，并满足许多区域霜冻蠕变和干燥/干燥以及气候变化研究的需求。一些研究已经开发出F/T检测算法，其中高分辨率光学/热数据用于缩小无源微波数据。Kou等人33使用判别函数算法 (DFA) 34从亮度温度(Tb)中检测到0.05。的地表F / T状态，该算法通过使用贝叶斯最大燧法混合土地温度数据来缩小比 例。Zhao等人35建立了无源微波F/T指数(FTI)与热红外观测之间的关系，以监测0.05。的高空间分辨率外表F/T状态。然 而，这些研究主要集中在青藏高原地区，结合了被动微波和热红外数据。此外，使用这些方法可能会降低被动微波土壤F/T检 测的准确性35,因为被动微波和热

7、红外表示的F/T深度不同。在图20b中，在草原上空。f/t间冷冻天数的差异新增功能和F/Tnew_noLAI主要发生在土地覆盖中，占被动 微波像素内所有土地覆盖的一小局部。从表6所示这四个区域的比拟来看，F/T的整体精度新增功能大于 F/Tnew_noLAI在不同的土地覆被类型上，特别是在源河流域，被动微波像素尺度内土地覆被的异质性更大。lai数据 的引入明显提高了无源微波像素尺度内异质土地覆被情况下的F/T检测精度。这是因为LAI可以指示接近地表解冻日期的高分 辨率植被绿化日期80, 81, 82o综上所述，通过引入LAI数据，植被覆盖面的验证精度有所提高，F/T图具有更多的空间细节。F/T

8、之间的F/T分类精度比拟S 1和F/T新增功能图21提供了 F/T之间解冻（a）、冻结（b）和总（c）精度的比拟S1和F/T新增功能超过四个研究区域，分 辨率为1 km。表7提供了 F/T的分类精度统计数字S1和F/T新增功能.结果比拟基于每个研究区域的所有可用S1 数据计算，如表2所示。F/T几乎所有原位站点的平均解冻、冻结和总精度新增功能高于FS1在四个研究领域。The f/tS1 仅使用S1雷达数据检索估计值，F / T新增功能估计数包括S1和FTI数据的组合使用。多频无源微波遥感对 土壤湿度和土壤温度都很敏感，适用于监测地表F/T,雷达信号在监测地表F/T时容易受到粗糙度和植被的影响。

9、从我们的结果 比拟中，F/T新增功能，包含被动信息，具有比F/T更高的精度S1.此外，S1数据中可能存在由噪声引起的异常（图 12b） o断续器新增功能可以通过考虑时间序列数据来减少异常现象。因此，F/T新增功能检测性能优于F/TS1 .F/T之间的F/T分类精度比拟新增功能和F/TAMSR2图22提供了从AMSR2 （F/T）检测到的F/T之间的解冻（a）,冻结（b）和总（c）精度的比拟 AMSR2） 和SSI 新增功能在站点级别。表8提供了 F/T的分类精度统计数字AMSR2和F/T新增功能.F/T的总精度新增 功能高于F/tAMSR2,而F/tAMSR2具有更高的解冻精度。C带的理论土壤

10、穿透深度为1-5cm83。与AMSR2 的F/T检测算法不同，AMSR2可以反映5 cm深度F/T状态，因为它由5 cm深度土壤温度参数化，F/T新增功能使 用C波段检测F/T,该波段不能在5 cm深度处反射土壤F/T。即使5厘米深的土壤已经解冻，F/T也无法检测到新士曾功 能与C波段。因此F/T新增功能检测到的冻土比F/T多AMSR2.图23显示了根据F/T计算的冻结天数新 增功能（a）在1公里和F/TAMSR2（b）以2017年6月至2018年5月在根河流域地区25公里处为例。图23a中 的白色表示被遮罩的人造外表和水体。此外，根据F/T计算的冻结日的空间模式新增功能和F/TAMSR2研究

11、区 域的数据相似，研究区西南部的冰冻天数较少，研究区东北部的空间趋势更多。根据F/T计算的冻结天数新士曾功育日显然 比AMSR2有更多的细节。6.结论本文利用AMSR2、S1和LAI数据，分别研究了根河流域、中国赛罕巴和那曲地区以及加拿大RISMA网络1 km处日地 表F/T检测的新方法。所提出的方法是基于SSI之间的物流关系推导出来的。S1源自Sentinel-1 SAR数据和AMSR2 FTL AIEM模拟和观测数据证实了物流关系。由于植被影响微波信号和地表冻结时间，引入LAI数据来表达植被的影响，并提供公里 尺度的空间模式，用于F/T状态确实定。1公里处的每日F/T状态可以从SSI估计新

12、增功能从FTI和LAI数据中获得。采用4个土壤测温网络的原位5 cm深度土壤温度数据，评价F/T的分类精度。新增功能.根河流域、赛罕坝、那曲和RISMA 的原位站点的平均总准确率分别为93.29%、90.79%、88.53%和88.1%。通过引入LAI数据，F/T的分类精度新增功能 植被覆盖外表最大增加7.6%。F/T之间的结果比拟新增功能和F/TS1在1km处，该方法可以减少局部S1数据异常, 获得更高的精度。此外，F/T之间的精度比拟结果新增功能在1公里和 f/tAMSR2 在25 km处，高分辨率结果 能够更准确地反映地表状态。在这项研究中，通过结合Sentinel-1 SAR, AMS

13、R2和LAI数据，可以检测到每天1公里的陆地表 面F/T。与单机S1 F/T在0.01。分辨率下和AMSR2 F/T在0.25。分辨率下的结果相比，精度提高了 5.17%和0.85%,分别达 到90%和90.18%。尽管这种方法可能受到农业活动引起的耕地粗糙度变化的影响，导致解冻外表的错误检测标志。耕地整体 准确率仍高于90%。这说明，SAR和无源微波遥感相结合，可以比通过无源卫星传感器在1 km处以高精度监测相对较高的空 间分辨率外表F/T。通过考虑植被的影响，在植被覆盖的外表上，精度有所提高。S1和AMSR2的组合有可能在大尺度上以高空间和时间分辨率探测地表F/T状态，即使在全球尺度上也是

14、如此。在未来 的工作中，我们将应用基于温度的过滤器来消除冬季由雪效应引起的错误检测。此外，这项工作中开发的新方法是基于每个像 素的时间序列数据建立的，并且从可用的Sentinel-1数据中获得的算法系数可用于估计SSI。新增功能在Sentinel-1发 射之前的时期。因此，可以估计哨兵-1发射前1公里处的每日陆地外表F/T状态。预计自2002年以来，它将以1公里的空间 分辨率得出一长串每日陆地外表F/T状态。目前，有一些关于F/T状态检测的研究结合了主动和被动微波卫星数据。Zhong等人36通过使用SMAP和ASCAT组 合的机器学习方法更准确地估计了 F/T的发病。这项研究揭示了通过梳理有源

15、和无源微波遥感来检测F/T状态的可能性。被动 数据和主动数据的结合为将土壤湿度估算值缩小到更精细的空间分辨率提供了一种潜在的方法37, 38, 39o 土壤介电常数高 度依赖于液态水含量;游离液态水的量越高，介电常数越高。对于低介电常数值（干燥或冷冻土壤），来自土壤外表的反向散射 信号处于最小值，土壤外表发射处于最大值。许多方法，如基于Tb的降尺度法39,基于土壤湿度的降尺度法37和变化检测 法40,通过结合主动和被动数据，成功地以高空间分辨率估计土壤水分。外表F/T检测依赖于观察土壤介电特性的变化，而 不是绝对值。在这项工作中，我们通过结合位于中国和加拿大的四个测试区域的有源和无源微波数据，

16、证明了高空间分辨率外表F/T 状态测定的可行性。该研究的目的是以1 km空间分辨率探测每日陆地外表F/T状态，并提出一种结合雷达和无源遥感数据的 F/T状态探测新方法。采用先进积分方程法（AIEM）微波发射散射模型，结合F/T 土的介电常数，研究了雷达和无源信号从解 冻到冻结的行为。最后，利用Sentinel-1和AMSR2数据，结合叶面积指数（LAI）数据，提出了一种在高空间和时间分辨率下 检测外表F/T状态的新方法。在第2局部中，简要描述了本研究中使用的研究领域和数据。在第3节中，详细介绍了我们的新 算法开发。在第4节和第5节中，给出了结果和讨论，然后是第6节中的结论。1 .材料使用的数据

17、集包括原位数据、Sentinel-1 SAR数据、AMSR2 Tb数据和辅助数据。辅助数据包括ERA5-land再分析数据 集和LAI数据。采用位于中国和加拿大的原位土壤水分和温度网络（图1）验证了 F/T检测结果的准确性。2 .L原位数据为了本研究的目的，可以获得来自近地表土壤水分分布的4个区域的数据和温度观测网络。三个原位土壤水分和温度观测 网络，包括根河流域、赛罕巴和那曲，位于中国（图1c-e）,另一个原位土壤水分和温度观测网络，即位于加拿大的农业实时 原位监测（RISMA）网络（图1g）。每个研究区域都受季节性土壤F/T的影响，并位于一个Sentinel-1图像中。玄河流域研究区位于中

18、国东北（北纬50.2551.25。，东经120322。）。根河流域具有寒冷潮湿的温带气候和大陆性季风 气候，主要的土地覆盖类型是森林，草原和耕地。玄河流域土壤中粘土和沙子含量分别为3652%和3-29%,海拔范围为 500-1420 mo玄河流域被永久冻土覆盖。自2013年10月以来，在玄河流域建立了土壤温度和湿度观测网络41, 42o赛罕坝 研究区位于中国北方（北纬41.75-42.75,东经115.5117.75。）。赛罕巴岛属于半干旱和半湿润气候，主要覆盖着森林和草 原，海拔从700米到2000米不等。塞罕巴土壤中粘土和沙子的含量分别为9%和79%。季节性冻土在这里分布广泛。自2018

19、年8月以来，已经建立了一个土壤湿度和温度观测网络，以测量$由2此上5（和10（1深度的数据41。那曲属半干旱气 候，位于青藏高原中部，分布有永久冻土（北纬31.2532。，东经91.592.5。）。那曲土壤中粘土和沙子的含量分别为20%和 66%O纳曲海拔从4280到5900不等，主要覆盖着高山草甸。5 cm深度的原位土壤温度是从多尺度土壤湿度和温度监测网络获 得的43。本研究中使用的RISMA 土壤湿度和温度网络位于加拿大曼尼托巴省，覆盖着耕地和森林44。RISMA 土壤中粘土和 沙子的含量分别为970%和390%。该RISMA网络成立于2011年。土壤传感器使用Stevens Hydra

20、Probe传感器在外表（0-5 cm） , 5cm, 20cm, 50cm和100cm深度测量了实际的介电介电常数，土壤湿度和土壤温度。在每个深度安装了三个Hydra 探头传感器。从本研究中使用的 下载5 cm深度的土壤温度数据，间隔一小时。RISMA气候寒冷，海拔130至720米。本研 究中的RISMA研究区（49-50.25N, -10097E）包括曼尼托巴省RISMA网络。考虑到各种土壤水分和温度观测网络的可用时间段以及辅助数据，本研究共使用了 2017年6月至2019年5月根河流域 的19、16、23和13个地面站点,2018年8月至2019年12月的Saihanba以及2018年1月

21、至2019年12月的Naqu和RISMA。 表1给出了四个研究区域的原位站点的简短描述。图1c-e和图1g显示了根河流域、那曲、赛罕坝和RISMA原位站的土地覆 被图和分布。这里使用了中国国家测绘中心提供的GlobeLand30-2010 土地覆被地图，并通过将基于像素和对象的方法与知识 相结合的方式制作了土地覆被图，并制作了 10, 000多张陆地卫星图像，总体精度超过80%45卫星数据Sentinel-1由两颗极轨道卫星（Sentinel-1 A （星A）和-1B （S1B）组成,执行C波段（5.406 GHz）合成孔径雷达（SAR） 成像。S1A和S1B分别于2014年4月和2016年4

22、月推出。Sentinel-1数据产品可从获得，并于2021年12月20日访问。 只有S1B在Genhe流域和RISMA上获取了数据，只有S1A在Naqu上获取了数据。S1A和S1B都在Saihanba上获取数据， 但为了将下降的AMSR2数据与凌晨1： 30的立交时间相匹配，使用了 S1B数据和下午22： 20的立交时间。四个研究区域中S1 数据的重访频率长达12天。表2给出了四个研究区域的S1数据的简短描述。本研究中使用的S1 SAR数据是从1级地面检测范围（GRD）乘积生成的VV和VH偏振的干涉宽条带模式（IW）图像。 首先，对S1 SAR图像进行了预处理。预处理步骤包括使用穿梭雷达地形测

23、绘任务（SRTM）数字高程模型（DEM）数据 的多视距处理、辐射校正、滤波和几何校正。然后，将图像像素值转换为反向散射系数（）.从不同入射角获得的反向散射系数（） 归一化为40 （）根据平方余弦校正方程46, 47：（1）最后，采用平均采样法将预处理的S1数据的空间分辨率从20 m重采样至1 km。本研究中使用的无源微波数据是AMSR2L3Tb （6.925 GHz和36.5 GHz）,空间分辨率为0.25。，由日本宇宙航空研究 开发机构（JAXA）提供AMSR2 Tb数据是从不同区域的S1数据相同的下降轨道中选出的。然后，使用简单的加权方法将Tb 数据的空间分辨率重新采样为1 km。2.3.

24、辅助数据来自的ERA5 土地再分析数据用于这项工作，用于F/T估计的开发和验证。ERA5-land数据集以网格格式提供每小时 0.1的空气（约2 m高度）、土壤（第1层：0-7 cm）和每小时的雪深数据飞全球陆地表卫星（GLASS） LAI产品的空间分辨率为500 m,时间分辨率为8天，由时间序列MODIS外表反射率数据使 用通用回归神经网络生成48, 49o为了与S1B数据的分辨率相匹配，使用平均采样方法将GLASS LAI数据重新采样为1 km 的空间分辨率。考虑到植被的微小变化，8 d内的LAI被处理为相同的值。3.方法从有源和无源微波观测得出的F/T指数雷达观测的F/T指数从SAR进行

25、F/T检测的算法通常基于阈值检测方法28, 29, 30,并且可能包括模型的额外使用31, 32。阈值检测算 法基于检查反向散射系数相对于在冻结和融化季节获得的参考阈值的时间变化。阈值算法通常称为季节性阈值算法（STAs）。 Derksen等人23通过检查季节性尺度指数（SSI）的时间变化，从SMAP卫星雷达数据中确定了地表F / T状态。SSI是时间 序列雷达反向散射的线性拉伸，与雷达反向散射线性相关，范围约为。1。当反向散射与冻结参考相同时，SSI获得值0;当反 向散射信号与解冻参考相同时，SSI获得值1。在这项研究中，我们首先实现了 S1数据的STA来检测外表F/T状态。Derksen

26、等人23中的原始SSI定义如下：哪里是时间t处的反向散射系数,（2）哪里是时间t处的反向散射系数,是从冬季（12月、1月和2月）获得的10个最小反向散射值的平均值，以及是从夏季（6月、7月和8月）获得的10个最大反向散射值的平均值。和可以分别近似为最小和最大反向散射。最后，地表F/T状态按以卜阈值进行分类:（3） (4)其中T是阈值。在之前的工作中,T被设置为0.5 23,或者使用从测量站观察到的原位土壤/空气温度数据进行优化29, 30o然而，具有固定值或优化值的T的可行性受到某些区域的限制。在这项研究中，我们定义了基于像素的T,具有SSI和ERA5- 陆地空气温度的分布拟合，这在第节中进行

27、了详细描述。图2和图3显示了使用S1数据计算的SSI箱线图的时间序 列（称为 ssiS1 ）分别在四个研究区域的VH和VV极化处。绿线是SSI的中位数S1.在图2和图3中，当SSI时，地表 很容易被分类为解冻或冻结状态S1分别接近1或0。比拟SSI的F/T检测能力S1在VH和VV极化时，我们计算了 SSI 的差值S1介于夏季的最小值和冬季的最大值之间。SSI的差异越大S1在夏季和冬季之间，它对着陆外表F/T越敏感。 在图2中，SSI的差异S1在VH处，根河流域，赛罕巴，纳曲和RISMA的极化分别为0.83, 0.7, 0.4和0.74。在图3中， SSI的差异S1在VV处，根河流域，赛罕巴，那

28、曲和RISMA的极化分别为0.72, 0.55, 0.63和0.6。显然， ssiS1 在 VH偏振处更适合于根河流域，赛罕巴和RISMA以及SSI上的F/T检测S1在VV偏振时更适合于通过纳曲的F/T检测。在 以前的研究中，Baghdadi等人29, Fayad等人30和Rodionova50发现VH极化在不同研究区域比VV极化更适合F/T检测， 尽管VV极化对土壤介电常数更敏感。我们发现，上述三项研究的地表主要覆盖着森林、农作物、灌木和草原，与根河流域、赛 罕坝和RISMA地区相似。VH极化对植被体积散射的敏感性可能导致SSI差异更大S1在夏季和冬季之间。在纳曲地区，草 甸体积散射的影响几

29、乎可以忽略不计。因此, ssiS1 在VV偏振时，对陆地外表F/T更敏感。因此, SSlSl 在VH偏振时， 选择用于监测根河流域，赛罕巴和RISMA地区的陆地外表F/T,以及 SSlSl 在VV偏振处选择对那曲区域的陆地外表F/T 进行分类。被动微波观测的F/T指数DFA 21, 34基于AMSR2数据，用于检测无源微波遥感数据的地表F/T状态。SMAP和AMSR2 F/T检测算法均具有 F/T指数来识别外表F/T,而SMAP的F/T检测指标（即归一化极化比（NPR）对土壤液态含水量的变化敏感，而AMSR2 （即 FTI）的F/T检测指标（即FTI）对土壤温度的变化敏感51。本研究主要利用无

30、源微波F/T检测指标提供外表温度信息。DFA 检查了 36.5 GHz （Tb36.5 V）的V极化Tb （Tb36.5 V）的二维空间分布以及AMSR2卫星数据相对于在冻结和解冻状态期间 获得的特征的准发射率（Qe） o这两个因素可以通过费雪判别分析来区分F/T。选择Tb36.5V是因为它是对地表温度最敏感的 波段52。由于Tb的比值介于任何较低频率和36.5 V之间，因此Qe主要受介电常数变化的影响。一些研究21, 34, 53已经 使用DFA成功地监测了 F/T状态。为了获得玄河流域的DFA,基于原位5 cm 土壤温度数据以及AMSR2 c和Ka波段数据， 采用Fisher线性判别分析对

31、DFA进行参数化。选择C波段是因为它的波长与Sentinel-1 B相似。FTI的计算方法如下：（5） 其中FTI对应于被动F/T检测指数，Tb6.925H对应于H极化时6.925 GHz的Tb,因为H极化对土壤液态水含量更敏感。等 式（5）中的系数按土壤温度原位5 cm的区域进行参数化，并随研究区域而变化，如表3所示。根河流域和赛罕巴的系数与那 曲和RISMA明显不同。玄河流域和赛罕坝具有相似的位置和更接近的系数。最后，根据以下公式对F状态进行分类，其中T 设置为0：（6） 高分辨率F/T检测算法的开展FTI和SSI具有明显的F/T季节特征，如图4所示，可用于检测外表F/T状态。FTI的季节

32、变化与土壤温度的季节变化一 致。在裸露的陆地外表上，F/T跃迁期间的SSI变化主要受介电常数的影响。通常，当土壤冻结过程开始时，由于土壤外表顶层 游离液态水的急剧减少，SSI迅速降低。随着土壤冻结前沿在深层进展和土壤温度降低，SSI降低速度减慢并趋于稳定。同样， 在土壤解冻过程中，SSI的增加通常在开始时是快速的，并且随着解冻过程的继续而减慢。FTI和SSI都对陆地外表F / T具有 季节性响应，因此通过分析FTI和SSI之间的关系来检测地表F/T是有可能的。介电常数和温度之间的关系通常遵循土壤外表 F/T过程中的逻辑曲线54, 55, 56o在我们的研究区域，土壤介电常数主要由土壤含水量及其

33、相位决定。在高分辨率土壤水分 估算研究中已经证明并实现了土壤液态水含量与雷达反向散射之间的近线性关系37, 40, 57o由于SSI与反向散射线性相关, 因此SSI与介电常数线性相关。Zhao等人35基于FTI与热红外温度的线性关系，在青藏高原地区开发出一种高分辨率近地表 F/T检测算法，精度高于70%o在一项验证了 Wang等人在中国参数化的DFA性能的研究中21, Wang等人51还发现FTI 与外表温度呈线性相关。Naeimi等人25发现，在大多数情况下，基于ASCAT数据的反向散射行为遵循土壤温度的逻辑曲线，特别是在植被稀疏的高纬度地区。在不考虑植被对反向散射的影响的情况下，土壤中SS

34、I的行为（标记为SSI 土）和FTI预计将遵循一条逻辑曲线，类似于介电常数与土壤外表温度之间的关系。SSI之间的关系土 FTI表示如下：（8）其中a和b是模型参数。FTI和SSI的AIEM模型模拟利用Tb和反向散射的模拟，分析了结合S1 C波段数据和AMSR2数据检测地表F/T状态的潜力。采用AIEM 58模拟了 冻土和未冻土的雷达反向散射系数和无源Tb,并结合冻土和未冻土的介电常数模型（张氏模型）55, 59, 60, 61o用于确定 粗糙外表微波发射的因素之一是土壤的介电常数。Dobson等人59开发了一种用于解冻土壤的介电混合模型，该模型已广泛应 用于微波遥感领域。通过添加冰块以响应冻结

35、条件，开发了半经验介电常数模型的扩展55, 60o这两种介电混合模型用于模拟 F/T 土的介电常数。Mironov等人54用土壤的介电数据验证了张氏模型55, 60,说明张的模型可以模拟冻土井的介电常数， 实部和虚部的均方根误差（RMSE）分别为2.16和1.18采用AIEM模拟雷达背向散射系数和土壤外表的Tb。作为对积分方 程方法（IEM）的改进，AIEM为散射场保存了互补分量，并消除了格林函数的光谱表示中的简化假设62。之所以使用AIEM, 是因为它提供了比IEM更好的性能58AIEM可以更好地解释外表微波散射，并准确模拟AMSR-E频率下的地面辐射计数据63, 64o 一些研究已经观察到

36、冻土体积散射对较高频率（Ku和Ka波段）而不是C波段的影响65, 66o尽管AIEM没有考虑冻土 的体积散射，但它己被证明可以成功地模拟冻土的外表排放34, 5司。对于仿真,F/T 土壤介电常数通过介电混合模型估算。将介电常数估计值设置为AIEM的输入数据，以模拟S1频率为5.406 GHz时VV和VH极化的反向散射系数，并计算6.925 GHz和36.5 GHz时的无源微波Tb。随机生成用于模拟雷达反向散射系 数和无源微波Tb的输入参数，如表4所示。假设固定像素的粗糙度参数和土壤纹理不随时间而变化，参数设置为常量值。图5显示了基于仿真数据的SSI与FTI的行为。为了突出F/T转变中SSI和F

37、TI之间的关系，表4中的模拟数据在土 壤湿度高于0.2 m时3/米3当F/T跃迁期间发生明显的介电常数变化时选择。从图5中的仿真数据中观察到SSI和FTI之间 的Logistic关系，决定系数为0.97。3. 2. 2.植被对F/T测定的影响基于卫星的SSI之间的散射S1图6a-c中耕地、草原和森林的FTI遵循逻辑曲线，决定系数为0.880.91。即使SSI 之间的关系土等式（8）中的FTI是针对裸露土地建立的，它也适用于植被外表。与草原和森林的相关系数略低。此外，植被 覆盖会影响地表冻结的开始。由于植被层的保温效应，大多数植被覆盖外表的冻结发生时间晚于裸露土地的冻结67。森林和草 原广泛分布

38、在研究区域。考虑到植被不可忽视的影响，在算法开发过程中引入了 LAI数据。根据水云模型（WCM） 68, 69, 植被的反向散射可以表示如下：（9）表示植被SSI之间的关系（SSI蔬菜）表示植被SSI之间的关系（SSI蔬菜）其中E和尸是模型的参数，并且是雷达的入射角。0和1/2,描述冠层，在以前的研究中具有各种描述符69, 70, 71, 72, 并且可以被描述为LAI的指数形式。由于SSI和反向散射是线性相关的，因此使用WCM中植被反向散射与LAI之间的关系来 和LAL根据等式（9） , SSI之间的关系蔬菜和LAI可以简化如下:(10)其中、F、L1和L2是拟合系数。基于等式（10）的植被

39、影响被添加到等式（8）中，SSI可以写如下:(11) 其中a、b、c、d、E、F、L1和Z_2是函数系数。基于SSI的时间序列逐个像素地进行非线性拟合S1、FTI和LAI数据。在这种方法中，关系是在1 km尺度上建立的。将回归系数应用于每日IkmFTI和LAI数据，以估计新的时间连续1 km SSI 数据（SSI新增功能）.以图6中的3个原位站点为例，综合考虑了来自FTI的土壤信息和来自LAI的植被，SSI之间的决定系数新增功能和SSlS1 站点12、站点3和站点17分别增加到0.92、0.89和0.88。图7显示了 SSI之间 的关系S1和SSI新增功能既考虑又不考虑站点12、3和17的LA

40、L使用LAI信息时，可以看出决定系数的小幅 增加。这种改进主要表达在SSI值相对较小的时候。3. 2. 3.用于检测F/T的基于像素的SSI阈值为了在距离SSI的1公里网格处检测外表F/T,需要确定阈值（T）。以前的研究基本上将T定义为0.5 23, 50,或者 在使用雷达数据检测地表F/T时使用原位土壤/空气温度数据29, 30对其进行优化。然而，具有固定值或优化值的T的可行性 受到某些区域的限制。考虑到地表（如地表覆被和地形）的异质性，定义了基于像素的T来监测不同区域的SSI地表F/T状态。 T的定义如下：（12） 其中，SST_T是用SSI定义的阈值，T_min, T_max, Tefe

41、r是用ERA5陆地空气温度定义的阈值。这里使用ERA5land 空气温度数据来确保T是有效的，因为SSI_T可能非常低或很高，并且导致某些具有强烈土地覆盖异质性的像素的低精度。为 了分析可能的最大和最小冻结条件，分别使用时间序列ERA5-land每日最低和最高温度定义T_min和T_max0我们假设SSI_T 应该在T_min和T_max之间的范围内。如果不是，那么使用时间序列ERA5-land每日1： 00 AM温度定义Tefer,该温度对 应于AMSR2的立交桥时间。为了找到T_min、T_max T_refer,在ERA5陆地空气最小值、最大值和1： 00 AM温度下， 针对不同的阈值（

42、从SSI的最小值到SSI的最大值，增量为0.01）验证了 SSI的F/T分类准确性。ERA5陆地空气温度 的F/T状态定义为阈值为然后，在精度最高时找到具有阈值的T_min、T_max和Tefer。然而，在根河流域、赛罕 巴、那曲和RISMA上，四个研究区的原位土壤温度和ERA5陆地每小时气温之间的偏差分别为-1.18。（3、-1.18, -7.83 和-2.1 C。考虑到ERA5-陆地每小时空气温度在纳曲地区的偏差较大，为了防止引入更多的误差，SSI_T是纳曲地区的阈值。 以往的研究也报告了对那曲地区的冷偏倚73, 74, 75o为了定义SSI_T,我们估计了 SSI在深秋到早春的概率密度分

43、布曲线。 SSLT拟合为与SSI的最小值对称的SSI值（SSI_min）。概率密度分布曲线的均值是对称轴。图8显示了基于直方图和SSI 的概率密度分布曲线确定SSI_T的例如新增功能深秋至初春。最后，通过SSI检测地表F/T状态新增功能基于方 程式（3）、（4）和（12）。为了将地表F/T检测结果与S1进行比拟，方程（12）也应用于SSIS1以监视F/T状态。3.3.评估指标F/T分类准确率采用以下三个指标33进行评估：（13）（14） 其中FF和TT分别表示冻土和解冻土的正确分类数量。FT和TF分别表示冻土和解冻土的错误检测标志。方程（13）-（15） 分别表示冷冻精度、解冻精度和整体精度。

44、原位F/T状态由土壤温度数据定义，该数据对应于阈值为0P的AMSR2的立 交时间。4.结果.L F/T新增功能分类评估在本节中，使用5 cm深度的原位土壤温度来评估新F/T算法的性能。图9显示了 F/T的分类精度新增功能2017年6月至2019年5月在根河流域的每个地点，2018年8月至2019年12月在赛罕巴，2018年1月至2019年12月在那曲和 RISMA上。如表5所示，根河流域、赛罕坝、那曲和RISMA上所有地面站点的总准确度分别为93.29%、90.79%、88.53%和 88.1%。所有研究区域的平均总准确率为90.18%,高于基于全球气候观测系统（GCOS）基本气候变量（ECV

45、）观测要求的土 壤F/T所需的测量精度（90%）此外，4个研究区域的总体准确度高于SMAP80%精度的基线任务要求2司。在有农田的Genhe流域地区，11号地点的精度低于其他解冻精度较低的地点。这是因为在收获和犁地后，农0！上地面土 壤的粗糙度降低了。秋季农业活动造成的外表光滑会导致反向散射系数降低76。在这种情况下，外表冻结前反向散射系数的下 降可能导致F/T检测到错误的冻结标志新增功能.CD07、MS3527和P1在纳曲地区的精度明显低于其他地点。图10显 示了 SSI的时间序列S1 ,纳曲地区MS3527站点的原位土壤湿度和ERA5-陆地雪深。在现场MS3527, SSlS1 在冬季，

46、由于雪量散射的影响，深雪（2018年12月约为50厘米）的情况下较高（约0.3）。在图10a中，土壤湿度增加到0.2米3/ 米35月和6月随着地表解冻，然后减少到0.020.15 m3/米3由于干旱，7月和8月。The SSlS1随着夏季土壤水分的 减少，将降至-0.1 o由于冬季深雪和夏季干旱的综合作用，SSI值高S1在冬季（0.3）大于SSI的低值S1在夏季（一0.1）, 导致夏季出现假冰冻旗帜。在耕种外表下，RISMA的精度低于其他研究区域。图11给出了 SSI的时间序列新增功能，ERA5-陆地温度，原位土壤温度和RISMA区域MB3站点的F/T分类阈值。粉红色虚线是SSI的阈值新增功能

47、.在图11中，SSI新增功能在冬季的站点MB3 （-0.4）与SSI 一样高新增功能在春季，这会导致冬季的假解冻标志，并且由于融雪的影响而降低冻结精度。高SSI新士曾功育旨在冬季通常对应于ERA5-陆地空气温度的升高时可能发生融雪。4 2. SS1的比拟S1B型和SS1新增功能结果在本节中，要查看新算法（SSI）的性能新增功能）在确定外表F/T状态时，我们提出了一个SSI空间分布的例子。S1B型、SSI新增功能，检索到的S1B （F/T）的F/T映射S1B 型） ,检索到的SSInew （F/T）的F/T 映射新增功能）和ERA5-根河流域上空的陆地空气温度。然后，在研究区域上呈现F/T检测结

48、果的时间序列。图12提 供了 SSI的例如S1B 型（a）, （f）, SSI 新增功能（b）、（g）、F/TS1B 型（、（h）、 F“新增功能 （d）,）和ERA5-陆地空气温度（e） , （j）分别于2018年10月24日，2018年11月5日（即 冻结期）在Genhe流域上空。SSI的空间分辨率S1B型和 SSI新增功能都是1公里，ERA5陆地空气温度是10 公里。虽然ERA5-陆地空气温度比SSI具有更粗糙的空间分辨率新增功能，它仍然可以提供温度分布信息以供参考。大 多数SSlS1 B 型和SSI新增功能在此期间，研究区域的值从大约0.5下降到接近0,这说明地表冻结。图12b, g中的图像是SSI新增功能从这项研究中获得，它具有与SSI相似的空间细节S1B型（图12a, f）,但该值高于SSI 的值S1B型.在图12f的底部，反向散射系数显示出明显的亮条纹，这可能是由噪声引起的。在图12g中，SSI显着改善 了亮条纹新增功能.图12c, d和图12h, i中的图像可以与图12e, j中所示的ERA5陆地空气温度图像进行比拟。F/T的 地图S1B 型和F/T新增功能与ERA5陆地空气温度很好地对应。陆地外表于2018年10月24日基本解冻，并于 2018年11月5日开始冻结。在图12e中，研