積雪陸表微波觀測資料干擾識別方法對比分析

吳 瑩， 姜蘇麟， 王振會

(南京信息工程大學氣象災害教育部重點實驗室/氣候與環境變化國際合作聯合實驗室/氣象災害預報預警與評估協同創新中心/中國氣象局氣溶膠與云降水重點開放實驗室，南京 210044)

0 引言

由于微波傳感器觀測資料可以提供各種天氣條件下的陸表和大氣信息，星載被動微波傳感器在數值天氣預報模式及資料同化中占有了愈來愈重要的地位。然而，隨著無線電頻譜的科學設置與商業用戶需求之間的沖突越來越多，無線電頻率干擾(radio-frequency interference，RFI)對被動和主動微波遙感的影響日益嚴重。目前廣泛使用的星載微波輻射計，如搭載于EOS/Aqua衛星上的先進微波掃描輻射計(advanced microwave scanning radiometer - earth observing system，AMSR-E)、搭載于Coriolis衛星上的全極化微波輻射計WindSat、搭載于FY-3衛星上的微波成像儀(microwave radiation imager，MWRI)和搭載于GCOM-W1衛星上的AMSR-2等均不同程度地受到地面無線電頻率的干擾，受到干擾較為嚴重的資料大部分來自微波低頻觀測通道[1-2]。然而，低頻微波資料的準確性很大程度上影響著地表參數反演的精度[3-6]。而且主動微波傳感器發射信號或陸表反射輻射信號很容易覆蓋地表產生的相對較弱的熱發射輻射信號，使得微波傳感器接收的信息混雜了來自真實地表狀況以外的輻射信息。如果不能準確地識別和剔除這種干擾，往往會導致較大的反演誤差，從而顯著降低現有以及將來被動微波資料的使用效率[7-11]。

國內外很多研究者針對星載微波輻射計提出了各種識別陸表RFI信號的方法。Li等[12]最初于2004年發現AMSR-E在C和X波段的觀測值在某些區域均出現大面積的RFI信號，提出了用頻譜差法來檢測RFI的強度和范圍，隨后進一步提出了用主成分分析法(principal component analysis，PCA)來分析陸地區域的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影響的區域分別處于不同的地理位置； Wu等[15]提出了AMSR-E RFI信號的檢測及訂正算法，進而提出了一維變分收斂度量識別法[16]； Lacava等[17]采用多時相法分析了AMSR-E C波段的RFI； Zou等[18]采用PCA方法分析了MWRI陸地表面的RFI分布； Zhao等[19]改進了PCA方法，采用雙主成分分析法(double principal component analysis，DPCA)分析了WindSat資料在格林蘭等地區的RFI分布； 官莉等[20]對歐洲陸地區域的AMSR-E RFI進行了識別和分析。而對于不同的陸表狀況，不同識別方法的檢測效果及其局限性還有待于進一步探討。

本文針對冰、雪覆蓋的陸面，選取常年冰雪覆蓋的南極洲大陸為研究區域，采用頻譜差法、標準化的主成分分析法(normalized principal component analysis，NPCA)和DPCA法這3種方法分別識別該地區AMSR-E觀測資料中的RFI，通過比較3種方法對RFI的識別效果，進一步分析該地區RFI的時空分布特征及主要形成原因，為提高星載微波資料在數值天氣預報模式及資料同化中的利用率提供了理論依據。

1 數據源

研究采用2011年7月1—7日的AMSR-E的L2級亮溫數據，選取常年被積雪覆蓋的南極洲大陸區域作為研究對象。AMSR-E搭載于2002年發射升空的Aqua衛星上，提供6.925 GHz，10.65 GHz, 18.7 GHz，23.8 GHz，36.5 GHz和89.0 GHz 6個頻率、水平和垂直雙極化、12個通道的微波觀測資料。AMSR-E是圓錐型掃描輻射計，天線圓錐掃描角為47.4°，掃描幀幅寬度為1 445 km，過境升交點和降交點的時間分別為13: 30和1: 30。其數據主要用于觀測大氣、陸地、海洋和冰圈的氣象與環境參數，包括降水、海面溫度、海冰年代和覆蓋范圍、雪水當量、表面濕度、表面風速、大氣云水和水汽等。

2 陸表RFI識別算法

在識別和訂正陸表微波觀測資料中的RFI中，大量研究者相繼提出了一系列的識別方法。目前，應用最廣泛的方法主要有頻譜差法和PCA法，其中PCA法又分為NPCA法和DPCA法。

2.1 頻譜差法

在絕大部分情況下，由于土壤中水分的作用，陸地表面亮溫隨著觀測頻率增加呈現上升趨勢。當輻射計通道頻率低于30 GHz時，所接收到的來自于地表的散射輻射非常有限，通?？梢院雎?。因此，AMSR-E低頻率通道的RFI最可能導致負頻譜梯度的產生。

只要RFI不是出現在所有的通道中，就可以根據各個通道數據之間的聯系，運用頻譜差法將其檢測出來。RFI指數為[16]

RFIf1 p=TBf1 p-TBf2 p,

(1)

式中：TB代表衛星所測亮溫值， K；p表示極化方式(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個相鄰的頻率(下文TB下標中的“6”，“10”，“18”，“23”和“36”分別代表6.925 GHz，10.65 GHz，18.7 GHz，23.8 GHz和36.5 GHz)，且f1

用相鄰2個頻率之間的亮溫差作為判據，可識別出陸表AMSR-E資料在6.925 GHz和10.65 GHz通道的RFI信號，即

TB6H-TB10H>5K,

(2)

TB6V-TB10V>5K,

(3)

TB10H-TB18H>5K,

(4)

TB10V-TB18V>5K,

(5)

其中，閾值5 K是基于不同地表類型上的平均發射率特征設定[16]。然而，RFI指數的平均值在有積雪覆蓋的高緯度地區會顯著增加，這種趨勢在冬季更加明顯，所以可以把5 K的臨界值修正成一個隨緯度變化的閾值函數[18]。

2.2 NPCA法

與RFI信號的波段較窄、強度持續、孤立分布等特征不同，地球表面產生的微波信號通常呈現較為平滑和帶寬較大的特點，因而微波輻射計各個通道接收到的數據通常有很高的相關性。RFI只會顯著地增加某些特定頻率的亮溫，所以RFI的存在使某個通道和其余通道的關聯很小，從而可以用PCA[13]將一系列含有RFI的數據矩陣轉化成許多較小的相互之間沒有關聯的數據矩陣，成功地將RFI信號從自然信號中分離出來。

(6)

式中μ和σ分別為相應5個RFI指數的均值和標準差。

計算標準化的RFI指數矩陣，通過特征向量將該數據矩陣在正交空間中進行投影，得到主成分矩陣。主成分矩陣中，每一個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]，可以利用與RFI指數最相關的那個主成分分量來檢測出RFI。

2.3 DPCA法

DPCA方法共包括2個步驟，第一步是用PCA定義10個通道的亮溫數據矩陣，即

(7)

式中N為研究區域的總點數。

構造出A的協方差矩陣為

R10×10=AAT,

(8)

(9)

(10)

A還可以表示為[19]

A≡A1+A2,

(11)

(12)

(13)

式中：α為一個整數常量，其大小視情況而定； 矩陣A2為第(α+1)個到第10個主成分分量的累加和，被稱作剩余數據矩陣。

(14)

S5×5=BBT,

(15)

(16)

3 識別結果對比分析

圖1分別給出了2011年7月1—7日南極洲地區AMSR-E在6.925 GHz，10.65 GHz和18.7 GHz垂直極化升軌觀測時的亮溫分布。

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

圖12011年7月1—7日垂直極化時的亮溫分布

Fig.1BrightnesstemperatureswithverticalpolarizationsoverAtlanticduringJuly1—7,2011

從圖1中可以發現，從沿海陸地邊緣到冰蓋地區的亮溫值在140～260 K之間，且亮溫值在冰蓋的邊緣地區有一個突然的增加，這是由于天線接收靠近海岸線的積雪覆蓋陸地亮溫時受到海洋發射信號的影響。而且從較溫暖的沿海陸地地區到有冰雪覆蓋的內陸地區，亮溫從240 K左右下降到160 K左右，存在一個明顯的亮溫值梯度。

3.1 頻譜差法識別結果

圖2分別給出了用頻譜差法計算得到的2011年7月1—7日南極洲在6.925 GHz，10.65 GHz和18.7 GHz垂直極化方式升軌觀測時的RFI分布。大部分陸地表面，高頻波段的亮溫比低頻波段的高(如10.65 GHz的亮溫比6.925 GHz的高)，所以RFI指數一般為負值。

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

圖2頻譜差法檢測的垂直極化時RFI指數分布

Fig.2RFIwithverticalpolarizationidentifiedbyspectraldifferencemethod

從圖2可以發現，在垂直極化方式時，南極洲6.925 GHz，10.65 GHz和18.7 GHz的RFI指數值基本上都為正值，RFI的最大值出現在內陸地區。顯然，RFI信號在人跡罕至的南極大陸有如此連續、成片的大面積分布不合常理。此外，地域廣闊的南極洲大陸氣候及各地雪層結構差異較大。積雪和冰面對微波的散射效應隨著頻率的增加顯著增強，能夠大幅度降低高頻通道的亮溫值。因此，頻譜差法檢測RFI不適合常年覆蓋著積雪和冰川的南極洲。

穿戴完畢后，教練帶我來到了初級雪道進行訓練?！跋ドw、腳踝稍彎曲，保持一個姿勢滑行?！苯叹氝呏v解邊做動作，“剎車時，滑雪板呈八字形，膝蓋內扣……”就這樣，我跟著教練在雪道上一遍遍地練習。當教練把我送回爸爸媽媽身邊時，還夸我道：“這小姑娘平衡性不錯，膽子也大，學得快，滑得很穩?！?/p>

3.2 NPCA識別結果

圖3給出了采用NPCA方法得到的2011年7月1—7日南極洲AMSR-E 6.925 GHz水平極化升軌觀測時的RFI信號分布情況。

圖3 NPCA 檢測的6.925 GHz水平極化 RFI分布與觀測站點分布Fig.3 RFI of 6.925 GHz at horizontal polarization identified by NPCA

圖3中所顯示的是第一個主成分分量的系數，其由標準化的RFI指數向量(式(6))計算而來。為了降低由不同地表狀況造成的差異，使用NPCA法能更有效地檢測出有積雪覆蓋表面的RFI信號?？梢园l現，用NPCA法識別出的RFI主要出現在南極洲大陸的內陸地區，而在冰蓋的邊緣地區幾乎沒有檢測出或僅個別地方識別出少量RFI信號。由于理論上RFI是由地面主動微波信號發射裝置產生的，對照圖3中藍色圓圈表示的南極洲觀測站點的分布[21](在藍色橢圓區域內密集分布著18個觀測站點，由于過于密集在此不一一標注)，識別出的RFI信號理應出現在地面微波發射裝置附近，而不是如圖3所示的集中分布在內陸地區，因此用NPCA法誤判出了大量RFI信號，而對在冰雪蓋邊緣地區的觀測站點附近極有可能出現真正的RFI信號卻無法檢測出來。

3.3 DPCA識別結果

在自然陸地表面和冰面上，各個通道微波輻射值之間的相關性比那些存在RFI影響的信號要高得多。對多個通道的亮溫數據構成的矩陣使用PCA方法，可以把較強相關的主成分分量(A1)從較弱相關的主成分分量(A2)中分離出來。在南極洲地區，冰川的邊緣地區有很大的亮溫梯度，是由前α個主成分分量(A1)的各個通道之間較強的相關性決定的，而在該地區的RFI信號主要包含在剩余數據矩陣A2中。

基于2011年7月1—7日AMSR-E的觀測資料，計算研究區域內亮溫10個主成分分量的方差貢獻率和累計方差貢獻率，研究結果發現，第一個主成分分量的方差占累計方差貢獻率的90%，前4個主成分分量的累計方差貢獻率占了所有數據方差之和的99.99%以上。

圖4中給出了當α=4時，由矩陣A1和A2重建得到的南極洲地區分別在6.925 GHz，10.65 GHz和18.7 GHz水平極化方式升軌道時的亮溫空間分布。其中，圖4(a)—(c)是用矩陣A1數據得到的水平極化亮溫分布，圖4(d)—(f) 為用矩陣A2數據得到的水平極化亮溫分布。

(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

圖4由A1和A2重建得到的6.925GHz，10.65GHz和18.7GHz水平極化時的亮溫分布

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

(a)α=4 (b)α=5 (c)α=6 (d)α=7

圖5DPCA檢測的6.925GHz水平極化方式下的RFI分布

Fig.5RFIdistributionsof6.925GHzathorizontalpolarizationidentifiedbyDPCA

比較圖5可以發現，當α=6時，DPCA的識別效果較好。

圖6分別給出了α=6時，采用DPCA檢出的6.925 GHz和10.65 GHz水平和垂直極化時整個南極洲范圍的RFI分布。采用DPCA可以有效地減少由于冰蓋的邊緣效應導致識別出虛假的RFI信號，而能較為準確地識別出冰蓋邊緣和海岸線附近的RFI信號。這和前期研究者[19]得出DPCA可以有效地識別出格林蘭島冰蓋邊緣地區Windsat資料中RFI信號的結論相一致。

(a) 6.925 GHz水平極化方式 (b) 6.925 GHz垂直極化方式 (c) 10.65 GHz水平極化方式 (d) 10.65 GHz垂直極化方式

圖6DPCA檢測的6.925GHz和10.65GHz的RFI分布

Fig.6RFIdistributionsof6.925GHzand10.65GHzidentifiedbyDPCA

對比圖6和研究區域內觀測站點的分布[21]可以發現，大多數強RFI信號確實與南極洲地區的觀測站有關，特別是粉色橢圓區域內分布的18個觀測站點。這和文獻[19]中得出Windsat資料中的RFI信號主要分布在地面觀測站點附近區域的結論相一致。對比圖6(a)和(b)，6.925 GHz水平極化方式的RFI比垂直極化方式下的強，但差別不是很明顯； 對比圖6(c)和(d)，10.65 GHz的RFI在水平極化方式和垂直極化方式差異并不顯著，但在紅框地區卻是存在水平極化方式的RFI強于垂直極化方式的現象。

表1中分別給出了整個南極洲地區、圖6紅框地區和藍框地區在6.925 GHz和10.65 GHz水平和垂直極化方式下RFI的最大值和累加值。其中，紅框和藍框地區的累加值是對其區域內所有值的求和，整個南極洲地區的累加值為所有RFI正值之和。

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

從表1中可以發現，在整個南極洲范圍內，6.925 GHz和10.65 GHz水平極化方式的累加值都比垂直極化方式大； 在紅框地區中也是如此； 但是在藍框地區，10.65 GHz垂直極化方式下的RFI信號累加值卻比水平極化方式大。

為了更好地研究藍框地區所出現的這種情況，在表2中給出了南極洲地區、紅框地區和藍框地區RFI指數水平極化方式大于垂直極化方式像素點數占總點數的比例。

表2 RFI指數水平極化方式大于垂直極化方式 像素點占總點數的比例Tab.2 Percentages of dots with larger RFI values for horizontal polarization than those for vertical polarization

從表2可以發現，整個南極洲地區6.925 GHz水平極化方式的RFI指數值大于垂直極化方式的像素點數只占48.35%，即6.925 GHz水平極化方式比垂直極化方式RFI強度大的像素點相對較少； 但表1中6.925 GHz RFI指數的水平極化方式累加值卻大于垂直極化方式，這說明6.925 GHz水平極化方式時RFI的強度較垂直極化方式時大得多，這和以往研究[19]得出的Windsat資料中的水平極化通道的RFI信號比垂直極化通道的RFI更強的結論相類似； 而在10.65 GHz，RFI強度在水平極化方式比垂直極化方式大的像素點分布范圍更廣； 在相同極化條件下，6.925 GHz的RFI比10.65 GHz強度大。在紅框地區，無論是6.925 GHz還是10.65 GHz，水平極化方式比垂直極化方式RFI強度大的像素點分布范圍都更廣； 在相同極化條件下，10.65 GHz的RFI比6.925 GHz強度大。在藍框地區，6.925 GHz水平極化方式的RFI指數值大于垂直極化方式的像素點數只占46.61%； 但表1中該區 6.925 GHz RFI指數的水平極化方式累加值卻大于垂直極化方式，這說明6.925 GHz的RFI在水平極化方式較垂直極化方式強度大得多； 10.65 GHz水平極化方式的RFI指數值大于垂直極化方式的像素點數占52.03%，意味著垂直極化方式的RFI指數值大于水平極化方式的像素點數只占47.97%，但在表1中10.65 GHz垂直極化方式RFI的累加值卻大于水平極化方式，這說明在藍框地區，10.65 GHz的RFI在垂直極化方式的強度較水平極化方式大得多。

4 結論

基于AMSR-E亮溫資料，用頻譜差法、標準主成分分析法(NPCA)和雙主成分分析法(DPCA)對積雪覆蓋的南極洲地區的無線電頻率干擾(RFI)信號進行對比識別和分析，并分析了其產生的原因，得出如下結論：

1)對于有積雪覆蓋的陸地表面，頻譜差法不能準確地識別出RFI信號；

2)NPCA可以檢測出有積雪覆蓋地區的RFI信號，但在有冰雪覆蓋的海岸線附近會出現誤判；

3)DPCA既考慮到自然地表和冰面造成的各個通道數據間較大的相關性，又考慮了由于RFI的存在造成的各個通道數據相關性下降的特征，可以有效地對有海冰或積雪覆蓋的陸表進行RFI的識別； 采用DPCA可以減小由于冰蓋的邊緣效應帶來的對RFI信號判斷造成的影響，干擾識別效果最好。

4)在南極洲地區，AMSR-E較強的RFI信號在C波段和X波段都存在，且RFI信號大多集中在觀測站附近地區；

5)AMSR-E在南極洲的RFI信號，大多數情況下，水平極化方式的RFI信號比垂直極化方式強； 而在部分地區，10.65 GHz的RFI在垂直極化方式的強度較水平極化方式大。

但是，本文僅就南極洲積雪陸地表面的RFI信號的識別方法進行對比分析，確認識別該類型陸地表面RFI信號的最佳方法。在后續的研究中將針對不同的地表狀況，分析比較與各種地表類型相匹配的最佳識別方法，從而排除對需要運用微波輻射計資料進行地表參數(如土壤水分、地表溫度等)反演的頻率干擾，提高微波資料中RFI識別研究工作的應用價值。