研究背景 地球物理参数如土壤水分、地表温度、雪水当量等是地球系统的重要参量，在天气预报、气候模拟及预测等研究中扮演着重要的角色。对于许多气象研究而言，需要的是长时序、一致性的观测数据。这往往是单个传感器难以实现的，而多个传感器的联合可以实现此目标。多波段卫星/传感器如SMMR，SSM/I，TMI，Windsat，AMSR-E，AMSR2等提供了多达几十年的历史数据集，我国自主研发的风云系列FY-3B/C/D卫星也能提供多波段的亮温数据，是多波段历史数据的重要补充。相比其他多波段传感器，以往针对风云的研究相对较少，但在近年来越来越受到关注。然而由于不同的辐射校正过程以及传感器配置上的细微差异（如带宽、入射角等），会导致同频率的不同传感器观测到的亮温之间存在偏差，因此在联合这些传感器之前需要对其进行交叉定标使得这些数据具有一致性。 传感器之间的交叉定标通常有三种方法：SNO (simultaneous nadir overpass)、统计法和基于双差模式的定标。其中，统计法最适用于同时观测且具有相似配置的传感器，例如FY-3D MWRI和AMSR2。虽然以往已有学者开展了风云系列卫星（如FY-3B）与AMSR-E或AMSR2之间的交叉定标工作，但仍存在以下不足： （1）以往的统计交叉定标多集中于局部地区的定标，这些地区地表覆盖通常较为均匀，对于地表异质性较大的区域研究相对匮乏； （2）以往的统计交叉定标多采用全局线性回归方法（即同一通道全球共用一个线性回归方程），未考虑不同区域地表条件的差异性； （3）以往的研究通常只关注定标方法的有效性，未对定标精度的影响因素进行深入探讨，而后者对于进一步改进定标方法从而改善不同传感器之间的定标精度尤为重要； （4）不同的交叉定标方法之间未进行过评估，对于提供了目前FY系列最新的多波段亮温数据的FY-3D和AMSR2之间的最优交叉定标方式仍然未知。 基于以上研究动机，中国科学院空天信息创新研究院遥感科学国家重点实验室副研究员曾江源（第八批会员）课题组比较了FY-3D MWRI与AMSR2亮温之间的五种交叉定标方法，其中包括三种以往文献中用到的方法（全局线性回归定标法、逐格网线性回归加全局线性回归定标法、逐格网线性回归加反距离插值定标法）和两种新引入的定标方法（逐格网线性回归加最邻近插值定标法、全球逐格网线性回归定标法），并分析了多种环境因子（数字高程、地表异质性、土壤质地、植被覆盖度、地形复杂度、水体比例、地表类型、气候类型）对交叉定标的影响，此外还探讨了交叉定标的季节性变化以及定标系数的可靠性和适用性。 研究结果 1. 交叉定标结果 研究一共比较了两大类共五种交叉定标方法（表1）。（1）全局定标：① 全局线性回归定标；（2）逐格网定标：② 逐格网线性回归加全局线性回归定标法；③ 逐格网线性回归加反距离插值定标法；④ 逐格网线性回归加最邻近插值定标法；⑤ 全球逐格网线性回归定标法。其中逐格网定标方式的区别在于对FY-3D和AMSR2亮温系数小于0.9的格网的处理。 表1.五种交叉定标方式比较 
在交叉定标之前，对FY-3D和AMSR2亮温数据进行了相关性分析，计算了2019-2020年各通道H极化、V极化升降轨时两者的相关系数R。图1以10.7 GHz降轨数据为例，展示了AMSR2和FY-3D亮温数据的全球相关系数R。陆地上大部分区域相关系数均大于0.9，其中V极化亮温之间的相关性整体要高于H极化。这可能是因为相比V极化，H极化亮温对地表参量（如土壤水分、植被、地表粗糙度）的变化更加敏感。相关系数较低的区域（R<0.9）大部分为植被茂密区域以及水陆交界区域，如亚马逊热带雨林、刚果盆地、印度尼西亚群岛、北美五大湖区域以及欧洲的阿尔卑斯山脉。  图1. 2019-2020年FY-3D与AMSR2 降轨10.7 GHz亮温数据相关系数R：(a) H极化；(b) V极化。 研究采用RMSD和Bias评估了五种交叉定标方法，包括两种手段：定标时间段的验证（2019.01.01-2020.12.31）和非定标时间段的验证（2021.01.01-2021.12.31）。结果均发现第五种方法即全球逐格网线性回归定标法精度最高，且定标系数具有很好的鲁棒性（定标时间段和非定标时间段验证精度基本相当）。图2展示的是以10.7 GHz为例第五种定标方式在定标时间段的定标精度指标Bias及RMSD的全球分布。可以看到，定标后的FY-3D与AMSR2亮温数据的偏差优化至约0K，大部分地区的RMSD均小于3K。  图2.全球逐格网线性回归定标法定标后精度指标Bias(单位K，(a)和(b)分别为H极化和V极化)及RMSD(单位K，(c)和(d)分别为H极化和V极化)全球分布(以FY-3D 10.7GHz降轨为例)。 为了更直观的观察交叉定标的效果，随机选取了2020年8月1日的亮温数据，对比了定标前后的密度散点图（图3）。定标后的FY-3D亮温数据明显更靠近AMSR2亮温数据基准值，消除了大部分FY-3D与AMSR2亮温数据之间的偏差，Bias优化至0K。图中的黑线为1:1直线，可以看到定标后的亮温更接近1:1直线。误差指标RMSD也由定标前的7.95K显著降低至2.69K。  图3. 2020年8月1日定标前后的FY-3D和AMSR2 10.7 GHz H极化升轨亮温数据密度散点图： (a) 定标前结果；(b) 全球逐格网线性回归定标法定标后结果。 2. 环境因子对定标精度的影响 图4展示了第五种定标方式（全球逐格网线性回归定标法）的定标精度指标RMSD在不同环境因子条件下的变化。可以看到，土壤质地、地形复杂度以及NDVI对定标精度影响较小；气候类型中热带、极地气候误差较其他气候类型更大；草地、农田定标精度相对森林、灌木、草原以及裸地较差；DEM（数字高程）与误差呈现负相关而地表异质性与误差呈现正相关；水体比例对定标精度影响最大，当水体比例大于15%时，RMSD达到3K。  图4. 环境因子对第五种定标方式精度指标RMSD (K)的影响(以FY-3D 10.7 GHz V极化降轨为例)：(a)高程(DEM); (b) 地形复杂度(SDE); (c) 砂土含量(Sand); (d) 黏土含量Clay; (e) 归一化植被指数(NDVI); (f) 地表异质性指数(GSI); (g) 水体比例(Wetland Fraction); (h) 地表类型(Land cover); (i) 气候类型(Climate Type)。 3. 定标精度的季节性特征 定标精度在南北半球的季节性变化不一致（图5），在南半球更稳定（表现为RMSD在不同的季度差异不大），而在北半球变化更加剧烈。原因可能在于北半球的陆地占全球陆地比例更多，从而造成RMSD的季节波动性更大。研究发现当分季节进行定标时，定标精度低于不考虑季节性的定标结果，表明如果传感器的重叠时期足够长，那么分季节进行定标，精度将会进一步提高。  图5. 不同季度下FY-3D的定标精度指标RMSD (K) (以10.7GHz 降轨为例)： (a)北半球；(b)南半球；(c)全球。 4. 不同R阈值下的RMSD 四种逐格网定标方式之间的区别在于对相关系数小于0.9的格网的处理，因此比较了不同的R阈值对于定标精度的影响（图6）。可以看到不同的R值对全局线性回归定标方法（图中方法1）的精度影响较小，但对除全球逐格网线性回归定标方法（图中方法5）外的其他三种逐格网回归方法影响较大，其精度随着R值的增加而降低。表明对FY-3D和AMSR2交叉定标时，无需根据FY-3D和AMSR2数据之间的相关性对格网进行阈值划分，全球逐格网线性回归定标方法是最优的定标方法。 计算效率上，全球逐格网线性回归定标方法也与以往研究中最常用的全局线性回归定标方法基本相当。因此全球逐格网线性回归定标方法是一种高效且高精度的交叉定标方法，不仅可应用于多波段的传感器（如FY-3D与AMSR2），也可以用于单波段的传感器（如SMAP和SMOS），具有广泛的应用价值。  (a) (b) 图6. 不同定标方法在不同相关系数R阈值下的定标精度指标RMSD (K)：(a) H极化；(b) V极化。 研究成果近期发表于IEEE地球科学与遥感学会旗舰期刊IEEE Transactions on Geoscience and Remote Sensing。中国科学院空天信息创新研究院遥感科学国家重点实验室在读硕士生汪田田为第一作者，曾江源副研究员为通讯作者。研究得到可持续发展大数据国际研究中心主任青年基金(CBAS2022DF013)、国家自然科学基金(41971317, 41976171)、国家重点研发计划(2018YFE0107000)和中科院青年创新促进会项目(2018082)的资助。
文章链接 https://ieeexplore.ieee.org/document/9779239
论文信息： T. T. Wang, J. Y. Zeng*, K. S. Chen, Z. Li, H. L. Ma, Q. Chen, H. Y. Bi., P. F. Shi, L. Zhu, & C. Y. Cui. (2022), Comparison of Different Intercalibration Methods of Brightness Temperature from FY-3D and AMSR2, IEEE Transactions on Geoscience and Remote Sensing, vol. 60, 5304217.
| 
