积雪陆表微波观测资料干扰识别方法对比分析

吴 莹， 姜苏麟， 王振会

(南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室，南京 210044)

0 引言

由于微波传感器观测资料可以提供各种天气条件下的陆表和大气信息，星载被动微波传感器在数值天气预报模式及资料同化中占有了愈来愈重要的地位。然而，随着无线电频谱的科学设置与商业用户需求之间的冲突越来越多，无线电频率干扰(radio-frequency interference，RFI)对被动和主动微波遥感的影响日益严重。目前广泛使用的星载微波辐射计，如搭载于EOS/Aqua卫星上的先进微波扫描辐射计(advanced microwave scanning radiometer - earth observing system，AMSR-E)、搭载于Coriolis卫星上的全极化微波辐射计WindSat、搭载于FY-3卫星上的微波成像仪(microwave radiation imager，MWRI)和搭载于GCOM-W1卫星上的AMSR-2等均不同程度地受到地面无线电频率的干扰，受到干扰较为严重的资料大部分来自微波低频观测通道[1-2]。然而，低频微波资料的准确性很大程度上影响着地表参数反演的精度[3-6]。而且主动微波传感器发射信号或陆表反射辐射信号很容易覆盖地表产生的相对较弱的热发射辐射信号，使得微波传感器接收的信息混杂了来自真实地表状况以外的辐射信息。如果不能准确地识别和剔除这种干扰，往往会导致较大的反演误差，从而显著降低现有以及将来被动微波资料的使用效率[7-11]。

国内外很多研究者针对星载微波辐射计提出了各种识别陆表RFI信号的方法。Li等[12]最初于2004年发现AMSR-E在C和X波段的观测值在某些区域均出现大面积的RFI信号，提出了用频谱差法来检测RFI的强度和范围，随后进一步提出了用主成分分析法(principal component analysis，PCA)来分析陆地区域的RFI分布特征[13]； Njoku等[14]指出了AMSR-E在6.925 GHz和10.67 GHz通道受RFI影响的区域分别处于不同的地理位置； Wu等[15]提出了AMSR-E RFI信号的检测及订正算法，进而提出了一维变分收敛度量识别法[16]； Lacava等[17]采用多时相法分析了AMSR-E C波段的RFI； Zou等[18]采用PCA方法分析了MWRI陆地表面的RFI分布； Zhao等[19]改进了PCA方法，采用双主成分分析法(double principal component analysis，DPCA)分析了WindSat资料在格林兰等地区的RFI分布； 官莉等[20]对欧洲陆地区域的AMSR-E RFI进行了识别和分析。而对于不同的陆表状况，不同识别方法的检测效果及其局限性还有待于进一步探讨。

本文针对冰、雪覆盖的陆面，选取常年冰雪覆盖的南极洲大陆为研究区域，采用频谱差法、标准化的主成分分析法(normalized principal component analysis，NPCA)和DPCA法这3种方法分别识别该地区AMSR-E观测资料中的RFI，通过比较3种方法对RFI的识别效果，进一步分析该地区RFI的时空分布特征及主要形成原因，为提高星载微波资料在数值天气预报模式及资料同化中的利用率提供了理论依据。

1 数据源

研究采用2011年7月1—7日的AMSR-E的L2级亮温数据，选取常年被积雪覆盖的南极洲大陆区域作为研究对象。AMSR-E搭载于2002年发射升空的Aqua卫星上，提供6.925 GHz，10.65 GHz, 18.7 GHz，23.8 GHz，36.5 GHz和89.0 GHz 6个频率、水平和垂直双极化、12个通道的微波观测资料。AMSR-E是圆锥型扫描辐射计，天线圆锥扫描角为47.4°，扫描帧幅宽度为1 445 km，过境升交点和降交点的时间分别为13: 30和1: 30。其数据主要用于观测大气、陆地、海洋和冰圈的气象与环境参数，包括降水、海面温度、海冰年代和覆盖范围、雪水当量、表面湿度、表面风速、大气云水和水汽等。

2 陆表RFI识别算法

在识别和订正陆表微波观测资料中的RFI中，大量研究者相继提出了一系列的识别方法。目前，应用最广泛的方法主要有频谱差法和PCA法，其中PCA法又分为NPCA法和DPCA法。

2.1 频谱差法

在绝大部分情况下，由于土壤中水分的作用，陆地表面亮温随着观测频率增加呈现上升趋势。当辐射计通道频率低于30 GHz时，所接收到的来自于地表的散射辐射非常有限，通常可以忽略。因此，AMSR-E低频率通道的RFI最可能导致负频谱梯度的产生。

只要RFI不是出现在所有的通道中，就可以根据各个通道数据之间的联系，运用频谱差法将其检测出来。RFI指数为[16]

RFIf1 p=TBf1 p-TBf2 p,

(1)

式中：TB代表卫星所测亮温值， K；p表示极化方式(下文中用H表示水平方向，用V表示垂直方向)；f1和f2表示2个相邻的频率(下文TB下标中的“6”，“10”，“18”，“23”和“36”分别代表6.925 GHz，10.65 GHz，18.7 GHz，23.8 GHz和36.5 GHz)，且f1

用相邻2个频率之间的亮温差作为判据，可识别出陆表AMSR-E资料在6.925 GHz和10.65 GHz通道的RFI信号，即

TB6H-TB10H>5K,

(2)

TB6V-TB10V>5K,

(3)

TB10H-TB18H>5K,

(4)

TB10V-TB18V>5K,

(5)

其中，阈值5 K是基于不同地表类型上的平均发射率特征设定[16]。然而，RFI指数的平均值在有积雪覆盖的高纬度地区会显著增加，这种趋势在冬季更加明显，所以可以把5 K的临界值修正成一个随纬度变化的阈值函数[18]。

2.2 NPCA法

与RFI信号的波段较窄、强度持续、孤立分布等特征不同，地球表面产生的微波信号通常呈现较为平滑和带宽较大的特点，因而微波辐射计各个通道接收到的数据通常有很高的相关性。RFI只会显著地增加某些特定频率的亮温，所以RFI的存在使某个通道和其余通道的关联很小，从而可以用PCA[13]将一系列含有RFI的数据矩阵转化成许多较小的相互之间没有关联的数据矩阵，成功地将RFI信号从自然信号中分离出来。

(6)

式中μ和σ分别为相应5个RFI指数的均值和标准差。

计算标准化的RFI指数矩阵，通过特征向量将该数据矩阵在正交空间中进行投影，得到主成分矩阵。主成分矩阵中，每一个主成分分量相互正交，第一主成分分量的方差最大，第二主成分分量的方差次之[18]，可以利用与RFI指数最相关的那个主成分分量来检测出RFI。

2.3 DPCA法

DPCA方法共包括2个步骤，第一步是用PCA定义10个通道的亮温数据矩阵，即

(7)

式中N为研究区域的总点数。

构造出A的协方差矩阵为

R10×10=AAT,

(8)

(9)

(10)

A还可以表示为[19]

A≡A1+A2,

(11)

(12)

(13)

式中：α为一个整数常量，其大小视情况而定； 矩阵A2为第(α+1)个到第10个主成分分量的累加和，被称作剩余数据矩阵。

(14)

S5×5=BBT,

(15)

(16)

3 识别结果对比分析

图1分别给出了2011年7月1—7日南极洲地区AMSR-E在6.925 GHz，10.65 GHz和18.7 GHz垂直极化升轨观测时的亮温分布。

(a) 6.925 GHz (b) 10.65 GHz (c) 18.7 GHz

图12011年7月1—7日垂直极化时的亮温分布

Fig.1BrightnesstemperatureswithverticalpolarizationsoverAtlanticduringJuly1—7,2011

从图1中可以发现，从沿海陆地边缘到冰盖地区的亮温值在140～260 K之间，且亮温值在冰盖的边缘地区有一个突然的增加，这是由于天线接收靠近海岸线的积雪覆盖陆地亮温时受到海洋发射信号的影响。而且从较温暖的沿海陆地地区到有冰雪覆盖的内陆地区，亮温从240 K左右下降到160 K左右，存在一个明显的亮温值梯度。

3.1 频谱差法识别结果

图2分别给出了用频谱差法计算得到的2011年7月1—7日南极洲在6.925 GHz，10.65 GHz和18.7 GHz垂直极化方式升轨观测时的RFI分布。大部分陆地表面，高频波段的亮温比低频波段的高(如10.65 GHz的亮温比6.925 GHz的高)，所以RFI指数一般为负值。

(a) 6.925 GHz (b) 10.65 GHz (c) 18.7 GHz

图2频谱差法检测的垂直极化时RFI指数分布

Fig.2RFIwithverticalpolarizationidentifiedbyspectraldifferencemethod

从图2可以发现，在垂直极化方式时，南极洲6.925 GHz，10.65 GHz和18.7 GHz的RFI指数值基本上都为正值，RFI的最大值出现在内陆地区。显然，RFI信号在人迹罕至的南极大陆有如此连续、成片的大面积分布不合常理。此外，地域广阔的南极洲大陆气候及各地雪层结构差异较大。积雪和冰面对微波的散射效应随着频率的增加显著增强，能够大幅度降低高频通道的亮温值。因此，频谱差法检测RFI不适合常年覆盖着积雪和冰川的南极洲。

穿戴完毕后，教练带我来到了初级雪道进行训练。“膝盖、脚踝稍弯曲，保持一个姿势滑行。”教练边讲解边做动作，“刹车时，滑雪板呈八字形，膝盖内扣……”就这样，我跟着教练在雪道上一遍遍地练习。当教练把我送回爸爸妈妈身边时，还夸我道：“这小姑娘平衡性不错，胆子也大，学得快，滑得很稳。”

3.2 NPCA识别结果

图3给出了采用NPCA方法得到的2011年7月1—7日南极洲AMSR-E 6.925 GHz水平极化升轨观测时的RFI信号分布情况。

图3 NPCA 检测的6.925 GHz水平极化 RFI分布与观测站点分布Fig.3 RFI of 6.925 GHz at horizontal polarization identified by NPCA

图3中所显示的是第一个主成分分量的系数，其由标准化的RFI指数向量(式(6))计算而来。为了降低由不同地表状况造成的差异，使用NPCA法能更有效地检测出有积雪覆盖表面的RFI信号。可以发现，用NPCA法识别出的RFI主要出现在南极洲大陆的内陆地区，而在冰盖的边缘地区几乎没有检测出或仅个别地方识别出少量RFI信号。由于理论上RFI是由地面主动微波信号发射装置产生的，对照图3中蓝色圆圈表示的南极洲观测站点的分布[21](在蓝色椭圆区域内密集分布着18个观测站点，由于过于密集在此不一一标注)，识别出的RFI信号理应出现在地面微波发射装置附近，而不是如图3所示的集中分布在内陆地区，因此用NPCA法误判出了大量RFI信号，而对在冰雪盖边缘地区的观测站点附近极有可能出现真正的RFI信号却无法检测出来。

3.3 DPCA识别结果

在自然陆地表面和冰面上，各个通道微波辐射值之间的相关性比那些存在RFI影响的信号要高得多。对多个通道的亮温数据构成的矩阵使用PCA方法，可以把较强相关的主成分分量(A1)从较弱相关的主成分分量(A2)中分离出来。在南极洲地区，冰川的边缘地区有很大的亮温梯度，是由前α个主成分分量(A1)的各个通道之间较强的相关性决定的，而在该地区的RFI信号主要包含在剩余数据矩阵A2中。

基于2011年7月1—7日AMSR-E的观测资料，计算研究区域内亮温10个主成分分量的方差贡献率和累计方差贡献率，研究结果发现，第一个主成分分量的方差占累计方差贡献率的90%，前4个主成分分量的累计方差贡献率占了所有数据方差之和的99.99%以上。

图4中给出了当α=4时，由矩阵A1和A2重建得到的南极洲地区分别在6.925 GHz，10.65 GHz和18.7 GHz水平极化方式升轨道时的亮温空间分布。其中，图4(a)—(c)是用矩阵A1数据得到的水平极化亮温分布，图4(d)—(f) 为用矩阵A2数据得到的水平极化亮温分布。

(a)A1，6.925 GHz (b)A1，10.65 GHz (c)A1，18.7 GHz

(d)A2，6.925 GHz (e)A2，10.65 GHz (f)A2，18.7 GHz

图4由A1和A2重建得到的6.925GHz，10.65GHz和18.7GHz水平极化时的亮温分布

Fig.4Brightnesstemperaturesof6.925GHz,10.65GHzand18.7GHzathorizontalpolarizationreconstructedbyA1andA2

(a)α=4 (b)α=5 (c)α=6 (d)α=7

图5DPCA检测的6.925GHz水平极化方式下的RFI分布

Fig.5RFIdistributionsof6.925GHzathorizontalpolarizationidentifiedbyDPCA

比较图5可以发现，当α=6时，DPCA的识别效果较好。

图6分别给出了α=6时，采用DPCA检出的6.925 GHz和10.65 GHz水平和垂直极化时整个南极洲范围的RFI分布。采用DPCA可以有效地减少由于冰盖的边缘效应导致识别出虚假的RFI信号，而能较为准确地识别出冰盖边缘和海岸线附近的RFI信号。这和前期研究者[19]得出DPCA可以有效地识别出格林兰岛冰盖边缘地区Windsat资料中RFI信号的结论相一致。

(a) 6.925 GHz水平极化方式 (b) 6.925 GHz垂直极化方式 (c) 10.65 GHz水平极化方式 (d) 10.65 GHz垂直极化方式

图6DPCA检测的6.925GHz和10.65GHz的RFI分布

Fig.6RFIdistributionsof6.925GHzand10.65GHzidentifiedbyDPCA

对比图6和研究区域内观测站点的分布[21]可以发现，大多数强RFI信号确实与南极洲地区的观测站有关，特别是粉色椭圆区域内分布的18个观测站点。这和文献[19]中得出Windsat资料中的RFI信号主要分布在地面观测站点附近区域的结论相一致。对比图6(a)和(b)，6.925 GHz水平极化方式的RFI比垂直极化方式下的强，但差别不是很明显； 对比图6(c)和(d)，10.65 GHz的RFI在水平极化方式和垂直极化方式差异并不显著，但在红框地区却是存在水平极化方式的RFI强于垂直极化方式的现象。

表1中分别给出了整个南极洲地区、图6红框地区和蓝框地区在6.925 GHz和10.65 GHz水平和垂直极化方式下RFI的最大值和累加值。其中，红框和蓝框地区的累加值是对其区域内所有值的求和，整个南极洲地区的累加值为所有RFI正值之和。

表1 6.925 GHz和10.65 GHz RFI指数的最大值和累加值Tab.1 Maximum and accumulated values of RFI at 6.925 GHz and 10.65 GHz

从表1中可以发现，在整个南极洲范围内，6.925 GHz和10.65 GHz水平极化方式的累加值都比垂直极化方式大； 在红框地区中也是如此； 但是在蓝框地区，10.65 GHz垂直极化方式下的RFI信号累加值却比水平极化方式大。

为了更好地研究蓝框地区所出现的这种情况，在表2中给出了南极洲地区、红框地区和蓝框地区RFI指数水平极化方式大于垂直极化方式像素点数占总点数的比例。

表2 RFI指数水平极化方式大于垂直极化方式 像素点占总点数的比例Tab.2 Percentages of dots with larger RFI values for horizontal polarization than those for vertical polarization

从表2可以发现，整个南极洲地区6.925 GHz水平极化方式的RFI指数值大于垂直极化方式的像素点数只占48.35%，即6.925 GHz水平极化方式比垂直极化方式RFI强度大的像素点相对较少； 但表1中6.925 GHz RFI指数的水平极化方式累加值却大于垂直极化方式，这说明6.925 GHz水平极化方式时RFI的强度较垂直极化方式时大得多，这和以往研究[19]得出的Windsat资料中的水平极化通道的RFI信号比垂直极化通道的RFI更强的结论相类似； 而在10.65 GHz，RFI强度在水平极化方式比垂直极化方式大的像素点分布范围更广； 在相同极化条件下，6.925 GHz的RFI比10.65 GHz强度大。在红框地区，无论是6.925 GHz还是10.65 GHz，水平极化方式比垂直极化方式RFI强度大的像素点分布范围都更广； 在相同极化条件下，10.65 GHz的RFI比6.925 GHz强度大。在蓝框地区，6.925 GHz水平极化方式的RFI指数值大于垂直极化方式的像素点数只占46.61%； 但表1中该区 6.925 GHz RFI指数的水平极化方式累加值却大于垂直极化方式，这说明6.925 GHz的RFI在水平极化方式较垂直极化方式强度大得多； 10.65 GHz水平极化方式的RFI指数值大于垂直极化方式的像素点数占52.03%，意味着垂直极化方式的RFI指数值大于水平极化方式的像素点数只占47.97%，但在表1中10.65 GHz垂直极化方式RFI的累加值却大于水平极化方式，这说明在蓝框地区，10.65 GHz的RFI在垂直极化方式的强度较水平极化方式大得多。

4 结论

基于AMSR-E亮温资料，用频谱差法、标准主成分分析法(NPCA)和双主成分分析法(DPCA)对积雪覆盖的南极洲地区的无线电频率干扰(RFI)信号进行对比识别和分析，并分析了其产生的原因，得出如下结论：

1)对于有积雪覆盖的陆地表面，频谱差法不能准确地识别出RFI信号；

2)NPCA可以检测出有积雪覆盖地区的RFI信号，但在有冰雪覆盖的海岸线附近会出现误判；

3)DPCA既考虑到自然地表和冰面造成的各个通道数据间较大的相关性，又考虑了由于RFI的存在造成的各个通道数据相关性下降的特征，可以有效地对有海冰或积雪覆盖的陆表进行RFI的识别； 采用DPCA可以减小由于冰盖的边缘效应带来的对RFI信号判断造成的影响，干扰识别效果最好。

4)在南极洲地区，AMSR-E较强的RFI信号在C波段和X波段都存在，且RFI信号大多集中在观测站附近地区；

5)AMSR-E在南极洲的RFI信号，大多数情况下，水平极化方式的RFI信号比垂直极化方式强； 而在部分地区，10.65 GHz的RFI在垂直极化方式的强度较水平极化方式大。

但是，本文仅就南极洲积雪陆地表面的RFI信号的识别方法进行对比分析，确认识别该类型陆地表面RFI信号的最佳方法。在后续的研究中将针对不同的地表状况，分析比较与各种地表类型相匹配的最佳识别方法，从而排除对需要运用微波辐射计资料进行地表参数(如土壤水分、地表温度等)反演的频率干扰，提高微波资料中RFI识别研究工作的应用价值。