基于FY-3D微波成像仪的中国陆地区域地表温度反演及验证

王博 郭鹏 孟春红 王琦

摘要 地表温度是地表与大气热量平衡中的关键参数，在气候、生态、水文等研究领域发挥着重要作用。选取2019年11月—2020年10月风云三号D星（FY-3D）微波成像仪亮温数据，对其进行数据重采样和异常像元剔除等预处理，采用UMT（University of Montana land surface retrieval algorithm，蒙大拿大学地表反演算法）微波反演算法中的物理模型反演中国区域地表温度，并利用FY-3D微波成像仪业务地表温度产品以及中国地面国家交换站的166个站点实测数据对反演结果进行了验证与分析。结果表明：同FY-3D微波成像仪业务地表温度产品相比，UMT反演结果在保证反演精度的同时，反演的数据量得到增加;在水陆混合像元地表温度反演结果验证中，UMT反演结果验证精度随像元内开放水体比例增大而提高，在[0.1，0.2）开放水体比例区间，UMT反演结果均方根误差与无偏均方根误差达到最小值，分别为4.239、4.233 ℃;当像元内开放水体比例较大时，UMT反演结果仍能较好地反映站点实测数据的时间序列变化;UMT反演结果能够反映中国地区地表温度的变化趋势与分布模式，同时补足了FY-3D微波成像仪业务地表温度产品在有较高开放水体比例像元内的数据缺失。

关键词被动微波遥感;地表温度;FY-3D;UMT算法;开放水体比例

地表温度（Land Surface Temperature，LST）是定量化描述地表与大气之间物质交换和能量平衡的重要参数，其值准确与否直接关系到地-气相互作用过程有关问题研究结果的正确性（何冬燕等，2013;吴晓娜和孙照渤，2015）。地表温度同时也是各种地表模型、气候变化和环境研究中的重要参数，在全球气候、水文等领域具有重要的研究意义（高浩等，2018）。目前地表温度数据的获取有多种方式，传统的地面观测站获取地表温度的方式受到气象站测量不确定性和覆盖范围的限制，无法满足在大尺度方面的时空变化研究;热红外遥感地表温度反演会受到云雨及大气的不利影响，导致反演精度难以满足应用要求;微波遥感拥有全天时、全天候，穿云透雾等热红外遥感无法匹及的优点，在地表温度反演方面发挥着重要作用（Zeng et al.，2015;王国杰等，2018;李占杰等，2020）。

目前，被動微波遥感求解地表温度的方法主要包括多通道算法（Njoku et al.，2003）、线性回归模型（de Jeu and Owe，2003;Holmes et al.，2009）与基于土地覆盖分类的多通道回归模型（毛克彪等，2006;武胜利和杨虎，2007）。多通道算法通过多个通道的卫星观测，同时反演得到土壤水分及地表温度等参数，但该算法存在计算效率低与多解的问题，极大地限制了其应用。线性回归模型利用37 GHz的垂直极化亮温与地表温度之间较好的相关性，将亮温数据与观测网实测值拟合得出亮温与地表温度之间的线性关系，以此来进行地表温度的反演。虽然线性回归模型在一般情况下能够获得较高精度的反演结果，但是相关研究也指出，当地表土壤处于过度潮湿状态或者当像元内含有较大面积开放水体时，反演误差会有所增加（Holmes et al.，2009）。基于土地覆盖分类的多通道回归模型是FY-3D微波成像仪业务地表温度产品的反演模型（高浩等，2018），该模型用MODIS的地表温度产品和高级微波扫描辐射计（Advanced Microwave Scanning Radiometer for EOS，AMSR-E）不同通道之间的亮温进行回归分析，并通过不同极化波段亮温的差值消除大气水气和土壤水分变化对反演的影响，最终构建地表温度与各个亮温频率之间的回归公式，但该模型对水陆混合像元地表温度的反演精度仍待进一步提高。因此，为了提高被动微波遥感地表温度的反演精度，本文选用蒙大拿大学地表反演算法（University of Montana land surface retrieval algorithm，UMT）中提出的物理模型求解地表温度，该算法目前已广泛应用于高级微波扫描辐射计系列亮温数据的反演（Mladenova et al.，2014;Du et al.，2017）。UMT算法中求解地表温度的主要输入参数为高级微波扫描辐射计中18.7 GHz和23.8 GHz的双频率四极化共四通道的亮温数据，采用迭代求解非线性方程组的方式反演地表温度。本文将UMT算法应用于FY-3D微波成像仪亮温数据，得到中国陆地区域内每日升轨、降轨时刻的地表温度值并对反演结果进行精度验证与分析，以此探究UMT算法在FY-3D微波成像仪地表温度反演方面的适应性与精确性。

1 数据获取与预处理

1.1 FY-3D亮温数据

选用FY-3D微波成像仪（Microwave Radiation Imager，MWRI）2019年11月—2020年10月观测的L1亮温（Brightness Temperature）数据进行地表温度的反演。FY-3D微波成像仪L1数据通过国家卫星气象中心风云卫星遥感数据服务网（http：//data.nsmc.org.cn）下载获取。风云三号气象卫星（FY-3）是我国自行研制的第二代极轨气象卫星，其有效载荷覆盖了紫外、可见光、红外、微波等频段，其目标是实现全球全天候、多光谱、三维定量探测，为数值天气预报提供卫星观测数据，以及云和降水参数的探测，监视大范围的自然灾害和生态环境变化等。FY-3D是风云三号系列的第四颗卫星，于2017年11月15日发射升空，其与FY-3C形成共同组网，进一步提升了大气探测的精度，促进了我国气象卫星综合应用水平的提升，为促进生态文明建设、国家综合防灾减灾和“一带一路”建设提供重要支撑。星上微波成像仪MWRI是其中一台重要的微波遥感仪器，在全天空地表温度遥感中发挥重要的作用。MWRI包括五个观测频率波段（10.65、18.7、23.8、36.5、89 GHz），每个频率拥有水平（H）与垂直（V）两种极化形式，共计可接收亮温的通道为10个。MWRI的相关参数如表1所示。

1.2 FY-3D亮温数据预处理

由于MWRI各波段通道的对地观测空间分辨率均不相同，需要对亮温信号数据进行重采样处理，将亮温观测数据均重采样成具有特定网格分辨率的栅格影像（宋沛林，2019）。依据FY官方产品选用的25 km等面积多分辨率地球网格模型进行亮温数据重采样，该网格模型已被多套地表参数数据集所采用，具体使用的网格重采样方法为足迹中心落入法（Drop In The Bucket Method;Brodzik et al.，2012）。

進行地表温度反演前对栅格影像中异常像元进行剔除。MWRI L1亮温数据标记了每个观测亮温像元范围内地表类型，通过标记对水域面积的亮温数据进行剔除。除剔除掉水域面积外，当像元内冰雪、冻土或其他特殊地类占比较高时，也认为不符合本研究地表温度反演的要求，并进行相应剔除。

1.3 FY-3D MWRI 业务地表温度产品

选用2019年11月—2020年10月的FY3D MWRI地表温度日产品对反演结果进行精度验证对比，该数据从风云卫星遥感数据服务网（http：//data.nsmc.org.cn/）下载获取。产品包含MWRI各通道亮度温度日平均投影结果以及全球地表温度日平均升轨、降轨投影结果，主要用于全球气候变化与环境变化监测等方面。产品的空间分辨率为25 km×25 km，投影采用25 km等面积多分辨率地球网格模型。

1.4 地面自动观测站数据

选用2019年11月—2020年10月中国地面国际交换站气候资料日值数据集（V3.0）中的0 cm地表温度对反演结果进行精度验证。该数据从中国气象数据网（http：//data.cma.cn/）下载获取，166个地面自动观测站点的空间分布如图1所示。自动站观测仪器为铂电阻地面温度传感器，其原理为铂电阻的电阻值会随温度升高而增大，数据单位为℃，分辨率为0.1，误差为±0.2。由于观测站实测地表温度值和大尺度的微波遥感地表温度反演值之间存在空间尺度不匹配问题，因此本研究将某一像元内的观测站实测值等效于该像元的平均地表温度值进行反演精度验证。

2 研究方法

2.1 UMT反演算法

UMT算法最早由Jones et al.（2010）针对AMSR-E传感器提出，后又经Du et al.（2015，2016）不断完善与改进。针对AMSR系列辐射计，该算法着重考虑了三个重要参数对地表温度反演的影响，即沿着观测路径上的总垂直大气水含量（V）、像元内开放水体（河湖、湿地和灌溉或降水后的饱和土壤等）比例（fw）和植被透过率（tc）。算法基本公式如（1）所示：

其中：Tb为输入亮温数据;p、f分别为极化和频率;Ts表示地表平均有效温度，即最终需要反演得到的地表温度值;e（p，f）为地表有效发射率;δ为大气温度与地表温度比值常数。

ta（f）表示对应频率的大气透射率，可有效校正大气水含量对反演精度的影响，如公式（2）所示：

其中：式中θ表示入射角;Ao为氧气吸收项常数，该常数含量稳定且几乎不随环境条件发生变化;Av为大气水气吸收项，可看作大气水含量V的线性函数，即Av=av·V，av为水气吸收项常数。

公式（1）中地表有效发射率e（p，f）由像元中的开放水体发射率ew（p，f）和陆地表面发射率el（p，f）所组成，两项发射率通过像元开放水体比例fw进行连接，如公式（3）所示：

式（3）充分考虑到像元内开放水体与陆地表面发射率的差异以及开放水体比例fw对于亮温观测的影响，式中当亮温频率确定时，开放水体发射率ew（p，f）可被设为常数，陆地表面发射率el（p，f）还要受到地表植被冠层的削减（式4）：

其中：eos（p，f）为裸露地表发射率，它是只受频率与极化方式控制的常数，tc为微波辐射的植被透过率，ω为植被单次散射反照率，也被设为常数。

通过上述描述可知，公式（1—4）可被认为是含有四个未知参数（Ts、V、fw、tc）的多元非线性方程组，方程组中相关参数的具体信息详见（Jones et al.，2010）。结合着微波大气水含量指数（MAWVI）、频率指数（FI）和极化比指数（P）以及18.7 GHz和23.8 GHz的双频率四极化共四通道的输入亮温数据可对方程组的未知参数进行迭代求解。同时注意到由于Ts是各个方程的共有参数，运算时可以首先被抵消，先对其他三个未知参数进行迭代求解，得到三个参数最后带入18.7 GHz水平极化的方程下解得最终的地表温度Ts。

2.2 数据精度评估

选用均方根误差（RMSE）、无偏均方根误差（RMSE-ub）、相关系数（R）和平均偏差（Bias）等精度验证指标（Entekhabi et al.，2010;Cui et al.，2018）对UMT反演结果进行精度验证与评估，相关指标公式如（5—8）所示：

其中：E<>表示线性平均算子;t为观测日期;Ts-satellite（t）为在t时间下的算法反演地表温度;Ts-in-situ（t）为对应时间的实测地表温度;σsatellite与σin-situ分别表示反演结果与实测值之间的标准偏差。

3 结果验证与分析

3.1 站点实测升降轨时刻值与最值相关性分析

FY-3D卫星升、降轨时刻分别为每日的14：00和02：00（北京时，下同），因此本文选用闪电河（115.89°E，42.03°N）2019年1—12月、那曲（91.78°E，31.69°N）以及帕里（89.26°E，27.9°N）地区2019年1—9月的逐小时实测数据进行每日升、降轨时刻与最高、最低值时刻地表温度间的相关性分析（图2）。从图2可以看出，三处站点每日升、降轨时刻与最高、最低值时刻地表温度值之间拥有极高的相关性。闪电河站点的相关性最高，实测升、降轨时刻值同最值的相关系数分别高达0.996、0.999。那曲与帕里由于处在青藏高原地带，日温差较大，因此相关性略有降低，但那曲实测升、降轨时刻值同最值的相关系数仍高达0.992、0.980;帕里实测升、降轨时刻值同最值的相关系数高达0.992、0.993。因此，下边分别用对应时刻的观测值和每天的最高最低地表温度对卫星反演值进行验证，看是否能得到一致的结果。

由于FY-3D MWRI业务地表温度产品在那曲与帕里点位数据缺失，因此本文在那曲与帕里站点仅对UMT反演结果进行分析，若反演值同实测升降轨值与最值之间存在较高的一致性，即表明可用每日最值代替对应时刻观测值进行精度验证。对那曲与帕里站点的UMT反演结果同实测升降轨时刻值、最值进行精度对比验证（表2）。从表2可以看出，UMT反演结果同实测最值与实测升降轨时刻地温值的精度验证结果相近，相关系数变化均小于0.05，无偏均方根误差变化在0.5 ℃以内。对闪电河站点的UMT反演结果与FY-3D MWRI 业务地表温度产品同实测升降轨时刻值、最值进行精度对比验证（表3）。从表3可以看出，UMT反演结果与FY-3D MWRI业务地表温度产品同实测最高、最低地温值的精度验证结果与实测升、降轨时刻地温值的精度验证结果极其相近，相关系数变化均小于0.01，均方根误差与无偏均方根误差变化均在0.2 ℃以内，因此采用每日最高和最低观测值代替对应升降轨时刻的观测值对精度验证结果的影响极其有限。因此本文利用每日实测最高、最低值对两种卫星观测反演结果进行精度验证与分析。

3.2 利用气象站实测值的总体精度验证

Jones et al.（2010）的研究表明，AMSR-E升、降轨时刻反演得到的地表温度分别与一天中地表实测值的最高、最低值相近。FY-3D卫星升、降轨时间同AMSR-E相近，因此本文采用每日实测的最高、最低地表温度值对卫星反演结果进行验证。同时由于冬季地面有积雪时，地面观测站中铂电阻地面温度传感器观测的地表温度为雪下温度，会造成观测地表温度值偏高，从而不利于精度验证。因此，本文中采用大于0 ℃的每日实测最高、最低地表温度值分别对UMT算法升、降轨反演结果、FY-3D MWRI业务地表温度产品进行精度验证。

总体精度验证结果如表4所示，N表示参与验证的数据量。根据表4中结果显示，两种产品的精度验证可信度较高，其中降轨数据明显优于升轨。升轨数据方面，UMT反演结果与FY-3D MWRI业务地表温度产品精度验证结果较差，原因是FY-3D的升轨过境时间接近当地时正午，而正午时刻浅层土壤竖直剖面内的温度场并不稳定，所以升轨时所观测的地表亮温信号的稳定性会受影响（Draper et al.，2009）。降轨数据上，UMT反演结果与FY-3D MWRI业务地表温度产品精度验证的均方根误差与无偏均方根误差均在5 ℃附近，相关系数在0.7附近，偏差均小于2，总体上表明反演精度较高。数据量方面，FY-3D MWRI业务地表温度产品由于在高地形以及开放水体比例较高像元内存在大量数据缺失，参与验证的数据量远低于UMT反演结果。

密度散点分布如图3所示，图中黑线为参考线（y=x）。从图3中可知，UMT反演结果在升轨上普遍低于实测值，数据点普遍偏向参考线的右下方。实测值达到70 ℃左右时，UMT反演结果只有少数值能到50 ℃，绝大部分反演值在40 ℃以下，因此导致反演值与实测值之间存在较大误差与偏差，数据量增加使得误差不断累积，最终得出表3中较大的误差与偏差值;降轨方面数据点基本分布在参考线的附近，且数据空间分布上相较于升轨更密集，最终验证精度大幅度优于升轨数据。FY-3D MWRI业务地表温度产品升、降轨数据分布与UMT反演结果类似，但其数据的离散程度略低于UMT反演结果。总体上，UMT反演結果与FY-3D MWRI业务地表温度产品同实测值之间均有着较好的相关性。相比FY-3D MWRI业务地表温度产品，UMT反演结果在保证了较高的验证精度的同时，反演得到的数据量显著增加。

3.3 UMT反演结果与FY-3D MWRI业务地表温度产品精度对比

MWRI亮温数据标记了每个观测亮温像元范围内地表类型，但在部分标记为陆地地表类型的像元内仍会有不同比例的开放水体（河湖、湿地和灌溉或降水后的饱和土壤等）影响反演精度。UMT算法在反演地表温度时考虑到地表像元内开放水体比例fw信息，尽可能地减小了像元内水体比例的变动对反演结果精度的影响，这是UMT算法反演地表温度的重要改进。为了验证像元开放水体比例大小对地表温度反演的影响，本文根据反演得到的开放水体比例值fw的分布情况将所有像元划分到[0，0.01）、[0.01，0.05）、[0.05，0.1）、[0.1，0.2）四个开放水体比例子区间内。由于升轨时刻浅层土壤竖直剖面内温度场不稳定导致反演结果精度较差，因此本节采用反演精度较高的每日降轨数据进行精度验证。在精度验证过程中保证UMT反演结果与FY-3D MWRI业务地表温度产品参与验证的数据量一致，最终精度验证结果如表5所示，表中N为数据的样本量。结果表明，在所有区间内，UMT反演结果验证的均方根误差与无偏均方根误差均小于6 ℃，相关系数为0.5～0.7。对于UMT反演结果，当fw<0.05时其均方根误差值与无偏均方根误差值与FY-3D MWRI业务地表温度产品相当，但随着fw值的增加，UMT反演结果的误差值减小，精度逐渐优于FY-3D MWRI业务地表温度产品，在[0.1，0.2）内均方根误差与无偏均方根误差达到最小，分别为4.239、4.233 ℃。偏差方面UMT反演结果的偏差绝对值均小于1，优于FY-3D MWRI业务地表温度产品，总体上偏差向正方向偏离，这与表4中总体验证的结果相符。散点密度对比如图4所示。图4中显示当开放水比例区间范围值逐渐增大时，UMT反演结果和实测值之间仍具有较高程度的稳定性，而FY-3D MWRI业务地表温度产品与实测值之间的相关程度逐渐变差，在[0.05，0.1）区间范围内相关性最低，为0.508。

UMT算法由于考虑到像元内开放水体比例对亮温观测的影响，使得地表温度的反演精度得到提高。一般情况下水体表面的发射率要明显低于陆地表面，当像元内掺杂了大面积的开放水体表面的信号时，传感器接收到的亮温信号会明显低于纯陆地表面。线性回归模型是由37 GHz的垂直极化亮温和纯陆地表面地表温度实测值拟合而成，得到的反演公式不适应于水面;多通道回归模型对地表温度反演公式的构建仅限于单一地表类型占90%以上的陆地表面，在含开放水体像元内的反演精度仍待进一步提高。而UMT算法中考虑到水体表面与陆地表面发射率的差异以及像元开放水体比例fw对于亮温观测的影响（公式3），通过fw将水体发射率与陆表发射率相联系，得出水陆混合像元的地表有效发射率，从而有效提高地表温度的反演精度。

3.4 UMT反演结果与FY-3D MWRI地表温度产品时间序列对比分析

从四个开放水体比例区间内分别选择了一个典型站点（桂林，110.18°E、25.19°N;景德镇，117.12°E、29.18°N;徐州，117.1°E、34.17°N;南京，118.54°E、31.56°N）作为代表，四个站点海拔均在200 m以下。

将站点对应像元的UMT反演结果与FY-3D MWRI业务地表温度产品降轨数据进行时间序列对比分析，结果如图5所示。根据图5显示，对于选取的四个像元，UMT反演结果与FY-3D MWRI业务地表温度产品时间序列的变化趋势基本一致。而随着像元内开放水体比例逐渐增大，FY-3D MWRI业务地表温度产品数据值逐渐缺失，但UMT反演结果仍能够保证精度的同时有充足的反演数据量。

3.5 基于UMT算法的中国区域地表温度空间分布

将得到的每日升轨与降轨地表温度反演结果按月进行合成得到月平均地表温度，并将反演结果同FY-3D MWRI 业务地表温度月产品进行对比显示。图6展示了中国区域2020年1月和7月的升、降轨地表温度，单位为℃。从图6可以看出UMT反演结果符合地表温度的空间分布，自低纬度向高纬度地表温度值逐渐降低。地形地势方面，典型的例如青藏高原地区的低温与其周边低地较高的地表温度之间表现出明显的温度梯度差异。UMT反演结果与FY-3D MWRI 业务地表温度产品有相似的时空分布，但与FY-3D MWRI 业务地表温度产品在高地形与积雪区域反演数据缺失的情况不同，UMT反演结果在这些区域仍有足量的地表温度值。另一方面，UMT反演结果补足了FY-3D MWRI 业务地表温度产品在开放水体比例较高像元反演上的缺失，如长江中下游流域与青藏高原内缺失的像元反演值。

4 讨论与结论

基于FY-3D MWRI亮温数据，运用UMT算法对地表溫度的反演进行改进，并利用FY-3D MWRI业务地表温度产品、中国区域内地面站点实测地表温度值进行精度验证与分析，着重研究了像元内开放水体比例大小对反演结果精度的影响，最终得出以下结论：

1）UMT反演结果同实测值相比总体上精度验证的可信度较高，降轨的验证精度优于升轨，反演结果普遍存在低估现象。同FY-3D MWRI业务地表温度产品相比，UMT反演结果在保证反演精度的同时反演得到的数据量显著增加。

2）针对像元内开放水体比例（fw）大小对反演结果精度的影响进行验证。结果表明：当fw值在[0，0.05）区间范围内，UMT反演结果与FY-3D MWRI业务地表温度产品验证精度相当;当fw值在[0.05，0.2）区间范围内，UMT反演结果相较于FY-3D MWRI业务地表温度产品的验证精度明显提高。由于UMT算法考虑了水体与陆表发射率的差异以及水体占比fw对于亮温观测的影响，从而有效减小了像元内开放水体对地表温度反演的影响。根据时间序列对比分析，随着像元fw值逐渐变大，FY-3D MWRI业务地表温度产品值逐渐缺失，但UMT反演结果仍有充足的高拟合度的数据量。

3）UMT算法反演得到的结果能够较好的反映地表温度的空间分布与变化趋势。自低纬度向高纬度地表温度值逐渐降低，符合温度分布的规律;青藏高原与周边低地区域的温度差异则表明反演结果有较好的梯度差异。与FY-3D MWRI业务地表温度产品在高地形与积雪区域数据缺失不同，UMT反演结果有充足的数据量。同时UMT反演结果补足了FY-3D MWRI业务地表温度产品在开放水体比例较高像元反演上的缺失，如长江中下游流域与青藏高原内缺失的像元反演值。

通过验证与分析表明UMT算法对FY-3D MWRI 亮温数据尤其是水陆混合像元亮温数据的反演有着较好的适应性与精确性，对于地表温度反演的研究具有一定的意义，也为土壤水分等相关地表参数的反演提供了参考。

参考文献（References）

Brodzik m j，Billingsley b，Haran t，et al.，2012.EASE-grid 2.0：incremental but significant improvements for earth-gridded data sets[J].ISPRS Int J Geo Inf（1）：32.doi：10.3390/ijgi1010032.（in Chinese）.

Cui C Y，Xu J，Zeng J Y，et al.，2017.Soil moisture mapping from satellites：an intercomparison of SMAP，SMOS，FY3B，AMSR2，and ESA CCI over two dense network regions at different spatial scales[J].Remote Sens，10（2）：33.doi：10.3390/rs10010033.

de Jeu R A M，Owe M，2003.Further validation of a new methodology for surface moisture and vegetation optical depth retrieval[J].Int J Remote Sens，24（22）：4559-4578.doi：10.1080/0143116031000095934.

Draper C S，Walker J P，Steinle P J，et al.，2009.An evaluation of AMSR-E derived soil moisture over Australia[J].Remote Sens Environ，113（4）：703-710.doi：10.1016/j.rse.2008.11.011.

Du J Y，Kimball J S，Jones L A，2015.Satellite microwave retrieval of total precipitable water vapor and surface air temperature over land from AMSR2[J].IEEE Trans Geosci Remote Sens，53（5）：2520-2531.doi：10.1109/TGRS.2014.2361344.

Du J Y，Kimball J S，Jones L A，2016.Passive microwave remote sensing of soil moisture based on dynamic vegetation scattering properties for AMSR-E[J].IEEE Trans Geosci Remote Sens，54（1）：597-608.doi：10.1109/TGRS.2015.2462758.

Du J Y，Kimball J S，Jones L A，et al.，2017.A global satellite environmental data record derived from AMSR-E and AMSR2 microwave Earth observations[J].Earth Syst Sci Data，9（2）：791-808.doi：10.5194/essd-9-791-2017.

Entekhabi D，Reichle R H，Koster R D，et al.，2010.Performance metrics for soil moisture retrievals and application requirements[J].J Hydrometeorol，11（3）：832-840.doi：10.1175/2010jhm1223.1.

高浩，徐榕焓，武胜利，2018.风云三号C星微波全球地表温度产品精度评估[J].气象与环境科学，41（4）：1-8. Gao H，Xu R H，Wu S L，2018.Accuracy evaluation of the FengYun-3C global land surface temperature products retrieval from microwave radiation imager[J].Meteorol Environ Sci，41（4）：1-8.doi：10.16765/j.cnki.1673-7148.2018.04.001.（in Chinese）.

何冬燕，田红，邓伟涛，2013.三种再分析地表温度资料在青藏高原区域的适用性分析[J].大气科学学报，36（4）：458-465. He D Y，Tian H，Deng W T，2013.Applicability analysis of three reanalysis surface temperature data over the Tibetan Plateau[J].Trans Atmos Sci，36（4）：458-465.doi：10.13878/j.cnki.dqkxxb.2013.04.009.（in Chinese）.

Holmes T R H，de Jeu R A M，Owe M，et al.，2009.Land surface temperature from Ka band （37 GHz） passive microwave observations[J].J Geophys Res：Atmos，114（D4）：D04113.doi：10.1029/2008JD010257.

Jones L A，Ferguson C R，Kimball J S，et al.，2010.Satellite microwave remote sensing of daily land surface air temperature minima and maxima from AMSR-E[J].IEEE J Sel Top Appl Earth Obs Remote Sens，3（1）：111-123.doi：10.1109/JSTARS.2010.2041530.

李占杰，陳基培，刘艳民，等，2020.土壤水分遥感反演研究进展[J].北京师范大学学报（自然科学版），56（3）：474-481. Li Z J，Chen J P，Liu Y M，et al.，2020.Soil moisture retrieval from remote sensing[J].J Beijing Norm Univ Nat Sci，56（3）：474-481.（in Chinese）.

毛克彪，施建成，李召良，等，2006.一个针对被动微波AMSR-E数据反演地表温度的物理统计算法[J].中国科学 D辑：地球科学，36（12）：1170-1176. Mao K B，Shi J C，Li Z L，et al.，2006.A physical statistical algorithm for retrieving surface temperature from passive microwave AMSR-E data [J].Sci China Ser D：Earth Sci，36（12）：1170-1176.（in Chinese）.

Mladenova I E，Jackson T J，Njoku E，et al.，2014.Remote monitoring of soil moisture using passive microwave-based techniques：theoretical basis and overview of selected algorithms for AMSR-E[J].Remote Sens Environ，144：197-213.doi：10.1016/j.rse.2014.01.013.

Njoku E G，Jackson T J，Lakshmi V，et al.，2003.Soil moisture retrieval from AMSR-E[J].IEEE Trans Geosci Remote Sens，41（2）：215-229.doi：10.1109/TGRS.2002.808243.

宋沛林，2019.基于AMSR被动微波辐射计的地表土壤含水量估算方法改进及应用研究[D].杭州：浙江大学. Song P L，2019.Improved surface soil moisture estimation methods and their applications based on AMSR radiometers[D].Hangzhou：Zhejiang University.（in Chinese）.

王國杰，薛峰，齐道日娜，等，2018.基于风云三号卫星微波资料反演我国地表土壤湿度及其对比[J].大气科学学报，41（1）：113-125. WANG G J，XUE F，CHYI Dori，et al.，2018.Soil moisture retrievals from FY-3B satellite microwave brightness and comparative analyses over China[J].Trans Atmos Sci，41（1）：113-125.doi：10.13878/j.cnki.dqkxxb.20150901003.（in Chinese）.

武胜利，杨虎，2007.AMSR-E亮温数据与MODIS陆表分类产品结合反演全球陆表温度[J].遥感技术与应用，22（2）：234-237. Wu S L，Yang H，2007.Global land surface temperature retrieval with AMSR-E brightness temperature and MODIS land cover type products[J].Remote Sens Technol Appl，22（2）：234-237.doi：10.3969/j.issn.1004-0323.2007.02.022.（in Chinese）.

吴晓娜，孙照渤，2015.欧亚大陆夏季地表温度的气候特征及与大气环流的联系[J].大气科学学报，38（2）：195-204. Wu X N，Sun Z B，2015.Climatic features of summer land surface temperature in Eurasian continent and its relationship with atmospheric circulation[J].Trans Atmos Sci，38（2）：195-204.doi：10.13878/j.cnki.dqkxxb.20130525001.（in Chinese）.

Zeng J Y，Li Z，Chen Q，et al.，2015.Method for soil moisture and surface temperature estimation in the Tibetan Plateau using spaceborne radiometer observations[J].IEEE Geosci Remote Sens Lett，12（1）：97-101.doi：10.1109/LGRS.2014.2326890.

（责任编辑：袁东敏）