地表凍融狀態的被動微波遙感判別研究進展

肖 楊， 滿浩然， 董星豐， 臧淑英， 李 苗

（1.哈爾濱師范大學 地理科學學院，黑龍江 哈爾濱 150025；2.寒區地理環境監測與空間信息服務黑龍江省重點實驗室，黑龍江 哈爾濱 150025）

0 引言

凍土一般指溫度在0 ℃及0 ℃以下并含有冰的各種巖石和土壤［1］。根據凍結持續時間可以分為短時凍土（凍結時間為數小時、數日至半月）、季節凍土（凍結時間為半月至數月）、隔年凍土（凍結時間超過一年但少于兩年）及多年凍土（連續凍結時間在2 年以上）四種類型［2］。土壤凍融發生在季節凍土、短時凍土、隔年凍土及多年凍土的活動層上，據統計在北半球超過一半的近地表土壤經歷凍融循環過程［3］。土壤凍融是近地表土壤中固態冰與液態水相變交替的過程［4］。當溫度降低時，土壤中液態水通過放熱相變為固態冰，地-氣間能量、水分交換等處于滯緩狀態；當溫度升高時，土壤中固態冰通過吸熱相變為液態水，碳循環、水文過程、微生物活動等處于活躍狀態。地表凍融循環對全球及區域范圍內地氣能量交換、植被生長、農業生產、地表徑流、碳循環和陸地生態系統等均產生影響［5-7］；地表凍融循環是氣候變化的重要指標，地表凍結起始時間推遲、融化結束時間提前以及凍結持續天數縮短等能夠反映全球及區域的氣候變化［8］。對凍融循環的深入研究是更好理解碳循環、陸面水文過程、植被生長周期、氣候變化的前提。

目前，判別地表凍融的方法主要可以分為基于地面臺站觀測資料［9］、數值模擬［10］和遙感方法［11］三大類，其中遙感方法又可依據探測的工作波段細化為可見光紅外遙感［12］和微波遙感［13］。上述幾種判別地表凍融的方法都存在各自的優勢和局限性。早期地表凍融判別結果主要基于地面臺站觀測資料獲得，地面臺站觀測資料能夠準確獲得觀測點附近的近地表土壤溫度。近地表土壤溫度變化，對土壤的物理性質、化學變化及微生物活動都有重要的影響，近地表土壤溫度能夠反映真實的近地表土壤凍融信息，是影響地表凍融循環天數的主要因素［14-15］。相較于其他方法，地面臺站觀測可以獲取更長時間序列的地溫資料，能夠描述我國從20世紀50 年代以來土壤凍融變化趨勢［16］。地面臺站觀測數據不僅能夠在點尺度上準確描述近地表土壤凍融的起止時間、持續時間和凍結深度，而且還能對數值模擬和遙感方法獲得的凍融結果進行驗證［17-18］。但地面臺站觀測數據也具有一定的缺點，其空間連續性差，觀測站點分布不均勻，觀測站點數據僅能代表小范圍地域，不能反映大尺度的連續地表凍融變化特征［19］。此外，在自然條件惡劣的地區，布設觀測站點的難度大且其過程耗時、耗力、花費高［20］。數值模擬方法通過陸面過程模式對土壤溫度進行模擬來判斷地表凍融狀況，可以模擬分析現在和預測未來土壤凍融過程中水熱動態遷移規律，是研究地表凍融過程和機理的重要手段［21-22］。眾多學者利用陸面模式對土壤凍融過程進行了一系列的數值模擬研究，模擬出不同深度土層土壤的凍融變化過程中水熱動態變化規律［23-24］。但數值模擬所需的參數自身存在一定的不確定性，且模擬結果的空間分辨率較低，對于小區域的模擬可能存在較大誤差［10］。此外，由于凍融過程本身的復雜性，缺乏可靠的氣象驅動資料和陸面特征數據集，使該方法的應用面臨著挑戰［15，18］。遙感技術具有探測范圍大、受地面條件限制少、獲取資料速度快等特點［25］，使得大范圍、連續、高時間分辨率的識別地表土壤凍融狀態成為可能?？梢姽饧t外遙感雖然具有較高的空間分辨率，但凍土通常發育于地下，而可見光、紅外傳感器不能穿透地表，且受云層影響嚴重、時間分辨率較低，因此利用可見光紅外遙感來判別凍融具有較大局限性。微波遙感波長較長，受日照及云層的影響相對較小，可以穿透土壤獲得地下一定深度范圍內的信息，其中高頻波段W、K、Ka 波段的穿透深度大約為1～2 cm，低頻波段L、C、X 波段的穿透深度約為2.5～15 cm［26-28］。微波遙感對土壤凍融狀態之間的介電變化十分敏感，當近地表土壤經歷凍融循環時，土壤中的介電常數發生改變，致使被動微波的亮溫值發生變化，進而識別出近地表土壤凍融狀況［29-31］。被動微波遙感雖然適用于地表凍融判別，但也存在一定局限性，當前傳感器空間分辨率較低，像元內的空間異質性較強，其應用仍然面臨著挑戰［32］。盡管如此，截至目前微波遙感仍是監測全球及區域近地表土壤凍融循環的最有效手段。

1 地表凍融監測常用的被動微波數據

被動微波數據具有時間分辨率高、覆蓋范圍廣、雙極化觀測模式和提供不同頻率亮溫的優勢，主要包括多通道微波輻射計（Scanning Multi-channel Microwave Radiometer，SMMR）、專用微波成像儀（Special Sensor Microwave/Imager，SSM/I）、專用微波成像探測器（Special Sensor Microwave Imager/Sounder，SSMIS）、高級微波掃描輻射計（Advanced Microwave Scanning Radiometer-enhanced，AMSRE）、高級微波掃描輻射計2（Advanced Microwave Scanning Radiometer-2，AMSR-2）、土壤水分與海洋鹽度衛星（The Soil Moisture and Ocean Salinity，SMOS）、土壤水分的主動和被動衛星（Soil Moisture Active and Passive，SMAP）、微波輻射成像儀（Microwave Radiation Imager，MWRI）。這些數據是監測長時間序列和大尺度地表凍融的主要數據源［33］。常用的傳感器及其詳細參數如表1所示。

表1 被動微波傳感器的特征參數Table 1 Characteristic parameters of passive microwave sensor

早期研究主要使用的是1978年搭載在Nimbus-7 衛星上的SMMR 傳感器，Zuerndorfer 等［34］首次將SMMR 傳感器所獲取的37 GHz 亮溫和負亮溫譜梯度兩個指標引入到地表凍融這個領域，并根據這兩個指標分析了美國中西部和北部地區的日凍融變化情況。SMMR在1987年停止運行，后由美國國防氣象衛星計劃（Defense Meteorological Satellite Program，DMSP）發射的衛星分別搭載SSM/I 傳感器和SSMIS 傳感器提供被動微波亮溫數據。F08、F10、F11、F13、F14、F15 衛星搭載的SSM/I 傳感器分別提供 了1987—1991 年、1990—1997 年、1991—2000年、1995—2009年、1997—2008年、2000—2021年的數據。F16、F17、F18、F19 衛星搭載的SSMIS 傳感器分別提供了2005 年至今、2008 年至今、2010 年至今、2014—2016 年的數據［35］。與SMMR 數據相比，SSM/I和SSMIS數據在空間分辨率和時間分辨率上都有所提高，頻率范圍從37 GHz 分別擴展到85.5 GHz 和91.7 GHz，其中22.3 GHz 只具有垂直極化方式，其他頻率都具有水平和垂直雙極化方式［36］。AMSR-E 傳感器搭乘Aqua 衛星于2002 年發射升空，AMSR-E 比SSM/I提供了更多波段，空間分辨率也有較大的提高，尤其是AMSR-E 數據的89 GHz具有高空間分辨率（4 km×6 km）。由于儀器故障，AMSR-E在2011年結束了長達9年的工作，隨后搭載在衛星GCOM-W1 上的AMSR2 在2012 年5月發射升空。AMSR2 比AMSR-E 新增了7.3 GHz，該傳感器的技術參數和AMSR-E 基本保持一致，如相同的入射角，工作頻率，軌道傾斜角等，它繼承AMSR-E 繼續提供全球觀測數據。進入21 世紀，我國星載被動微波遙感技術進步令人矚目，目前國家氣象衛星中心陸續發射FY-3（A-D）系列并載有微波輻射成像儀MWRI 的極軌衛星，其中FY-3A、FY-3B、FY-3C 和FY-3D 衛星搭載的MWRI 微波輻射成像儀分別提供了2008—2010 年、2010—2019年、2013—2020 年、2019 年至今的亮溫數據。其中FY-3B 的升降軌過境時間與AMSR-E/AMSR2 最相似，日變化差異最小，軌道傾角、軌道高度也最為接近，由此可以利用MWRI數據填補2011—2012年間AMSR-E/AMSR2 缺少的亮溫值［37-38］。2009 年11 月歐洲航天局（ESA）在俄羅斯北部發射SMOS衛星和美國國家航空航天局（NASA）于2015 年1 月在戈達德航天飛行中心發射SMAP 衛星都載有L 波段（1.4 GHz）的輻射計，能夠探測相對較深的土壤凍融狀態，是監測地表凍融狀況的最佳技術之一。

現有傳感器中涵蓋的探測波段，按頻率由高至低的次序為W、Ka、K、X、C 和L 波段。其中W、Ka、K 波段為高頻波段，主要用于獲取土壤表層凍融信息。W 波段對降水的識別有顯著優勢，可用于區分與降水具有相似散射特性的凍土，但在識別凍融狀態時受氧氣和水汽影響較大，使用前需進行大氣校正。Ka 和K 波段與地表溫度均有相關性，Ka 波段能最好地體現土壤凍融溫度的變化特征；此外K，Ka 波段還可有效獲取雪深和雪水當量［39-40］。X、C、L 波段為低頻波段，可用于探測深層土壤信息，識別區域的土壤水分和凍融狀況。L 波段的探測深度最大，能夠較為準確的判別干雪與植被下土壤凍融狀況，但其亮溫值受射頻干擾的影響較為嚴重，常用閾值法去除射頻干擾的影響。此外，在X、C 波段中也存在此問題［41-42］。以上這些傳感器所包含波段將為凍融循環判別提供更加有力的支持［43］。

2 地表凍融判別算法的研究進展

2.1 被動微波遙感監測地表凍融狀態的原理

被動微波遙感使用探測儀器接收并記錄地球表面物體自身發射或反射的電磁波信息。地表物體的微波輻射特性與地物的介電特性密切相關，當近地表土壤凍結時，土壤中的大部分水轉換為固態冰，土壤的物理溫度降低、介電常數減少，導致土壤微波發射率增加；當近地表土壤融化時，土壤中大部分固態冰轉化成水，土壤物理溫度升高、土壤介電常數增加，導致土壤微波發射率減小。將土壤假設為均勻半空間的自由散射體，那么微波傳感器所接收到的地表微波輻射亮溫Tb可以近似表示為［34］：

式中：Tb為微波輻射亮溫；e為比輻射率；Teff為土壤有效溫度。

式（1）表明地表的溫度和比輻射率決定著凍土的亮溫。凍土一般具有較低的物理溫度和較高的發射率。微波傳感器所接收到的地表微波輻射亮溫隨著土壤含水量發生變化。在同樣降溫的狀態下，對于較為干燥或者含水量比較少的土壤，土壤的比輻射率沒有顯著的變化，則亮溫值降低；對于較為濕潤或者含水量比較多的土壤，土壤的比輻射率發生顯著的升高，因而亮溫值增加。土壤凍結導致的輻射亮度變化可能是正的，也可能是負的，這取決于土壤含水量。因此僅僅利用含水量的不同而獲得的亮溫數據來判別土壤是否凍融，會存在較大的不確定性［34-44］。為了降低這種不確定性，研究人員進行了多次實驗和計算［45-46］，發現可以結合土壤凍融過程中引起的其他微波輻射變化特征來識別地表凍融狀態。在微波高頻波段由凍土的體散射效應引起的衰減比低頻波段強，凍土的體散射效應顯著降低了高頻波段的微波輻射，使得高頻波段亮溫低于低頻亮溫，凍土呈現負亮溫譜梯度，但是在融土中正好相反［47］。隨著土壤的凍結，微波低頻波段的亮溫比高頻波段的亮溫增加得快，使得各通道間的亮溫差值變?。?8］。以上研究結論為基于被動微波遙感發展判別地表土壤凍融狀態的算法提供了依據。

2.2 被動微波遙感監測地表凍融狀態的算法

國內外學者依據土壤凍融過程中微波輻射差異性和研究區地表特點來發展監測地表凍融狀態的算法。比較常見的判別地表凍融狀態的算法主要包括雙指標算法、決策樹算法、凍融判別式算法、季節閾值算法、基于L 波段相對凍結因子閾值判別算法五種。常用的監測地表凍融狀態的算法及主要指標如表2所示。

表2 地表凍融狀態的算法Table 2 Algorithm of surface freeze-thaw state

2.2.1 雙指標算法

雙指標算法理論基礎由England［69］在1974 年提出，他指出凍土和融土的介電常數具有顯著的差異，凍土的體散射作用導致凍結土壤在微波波段的有效發射深度比融土深，使得凍土和融土發射的微波信號明顯不同。Zuerndorfer 等［34，49］基于SMMR微波數據提出雙指標算法，認為37 GHz垂直極化亮溫和10.7～37 GHz的負亮溫譜梯度可以作為判別地表凍融的指標，其中37 GHz垂直極化亮溫對水分含量變化不敏感，能夠反映地表溫度變化情況，凍土在體散射作用下使得10.7～37 GHz的亮溫譜梯度為負值，基于站點驗證數據統計分析確定37 GHz垂直極化亮溫和負亮溫譜梯度在地表凍融狀態下的閾值，即能判別地表凍融狀態。此方法一經提出，便在全球不同區域得到廣泛應用，但由于不同學者使用的被動微波數據和研究區域存在差異，在具體應用時都在原方法的基礎上進行調整和優化，并取得了可靠的結果。如Judge 等［50］使用SSM/I 數據的37 GHz 垂直極化亮溫和19 GHz、37 GHz 的負亮溫譜梯度作為判別土壤凍融的依據，識別了北美大草原凍融狀態。為了進一步驗證Judge 提出算法的適用性，Zhang 等［51］使用該算法對美國中部大平原近地表土壤凍融狀態進行分類，發現雙指標算法不適用于積雪覆蓋的地區，這是因為積雪和凍結地表具有類似的體散射特性。同樣基于SSM/I 數據，Han等［52］考慮一天內地表凍融狀態可能會發生變化，針對SSM/I 升軌和降軌數據，分別采用不同的判別閾值，從而判斷中國北方及蒙古國地區一日之內土壤凍融循環特征。雙指標算法在研究區應用時，整個研究區通常采用相同的閾值，為了提高判別精度，有研究針對不同地表類型對該算法指標的閾值分別進行了修訂［53］。負亮溫譜梯度是以上研究使用的指標之一，但通過對地基實驗數據分析發現凍土的負亮溫譜梯度不是一直表現為負值。在此基礎上，Han等［54］根據土壤在凍結時，微波低頻的亮溫比高頻亮溫增加得快，高低頻之間的亮溫差值變小的原理，提出了將AMSR-E 數據的各個波段的水平極化亮溫標準偏差值SDI 作為判別土壤凍融的指標，同時采取36.5 GHz垂直極化亮溫反映地表溫度，從而發展了雙指標算法。

2.2.2 決策樹算法

Jin 等［55］考慮到雙指標算法中負亮溫譜梯度不能把與凍土具有類似散射特性的沙漠、降水等區分開，他們分析了沙漠、積雪、凍結地表和融化地表的輻射亮溫特征，提出了用散射指數（scattering index，SI）區分強散射體、弱散射體和非散射體，用19 GHz極化差來識別沙漠，用85 GHz 垂直極化亮溫和22 GHz 垂直極化亮溫識別散射較強的降雨，用37 GHz垂直極化亮溫來判別地表熱狀況，最終建立了一種判別土壤凍融狀態的決策樹算法?；谠撍惴ㄅ袆e了中國境內地表凍融狀態，利用國際協同加強觀測期（CEOP）在青藏高原地區獲取的4 cm 地溫數據驗證該算法判別結果，該算法判別精度達87%。

2.2.3 凍融判別式算法

趙天杰等［56，70］則結合積雪輻射模型、凍土介電模型和面散射模型，建立了針對寒區復雜地表環境的凍融判別模型。經過模型模擬分析選擇AMSR-E數據的36.5 GHz垂直極化亮溫指示地表溫度變化，選擇低頻波段（6.29 GHz、10.65 GHz、18.7 GHz）的水平極化亮溫與36.5 GHz 垂直極化亮溫的比值作為衡量地表發射率的變化，通過Fisher 線性判別方法來構建判別地表凍融狀態的方程。并使用實測數據對該判別方程進行優化，得到了高精度的判別地表凍融的凍融判別式算法。該方法在不同區域進行使用，如Chai 等［8］引入全國756 個氣象站的地表溫度數據對該算法進行評估，結果表明凍融判別式算法總體分類精度很高，但是凍融判別式算法對凍結土壤的識別精度低于融化土壤。對此，胡文星等［57］將該算法對凍土的識別度低歸因于凍土介電模型的精度所限，引入趙少杰［71］提出的凍土介電模型對趙天杰等［56］提出的凍融判別方法進行改進，改進后的算法精度有所提升。為了進一步提高該算法的土壤凍融分類精度，越來越多的土壤因素被考慮，Kou等［58］針對凍結土壤中的有機質會對微波輻射產生影響，從而將此影響考慮在土壤介電模型內，并對趙天杰提出的凍融判別式算法進行改進，經過驗證該算法總體判別精度比趙天杰提出的凍融判別式算法高。以上研究都沒有考慮升降軌數據對土壤判別精度的影響，基于此，Wang 等［59］依據升降軌差異并利用中國、美國、芬蘭、加拿大地區AMSR-E 亮溫數據和5 cm 的土壤溫度對趙天杰提出的凍融判別式算法的系數進行調整，總體精度達到了90%。

2.2.4 季節閾值算法

季節閾值算法是依據被動微波信號在不同季節的特點對土壤凍融狀態進行判別，分別采用土壤完全凍結和融化的被動微波信號作為凍結和融化狀態下的參考值。然后通過計算此刻土壤的微波輻射與凍結時微波輻射參考值的差、土壤凍結與融化時微波輻射參考值的差，將兩個差值的比值作為季節比例系數。然后利用實測數據或半經驗數據選取閾值作為土壤凍融的界限，將季節比例系數與閾值進行比較來判斷此刻土壤凍融狀態［72］。Kim等［60］應用該方法和SSM/I 數據的37 GHz 垂直極化亮溫，并結合全球氣溫場再分析資料確定了閾值，分析了全球近地表土壤凍融變化情況。

2.2.5 基于L波段相對凍結因子閾值判別算法

早期，Schwank等［61］和Rautiainen 等［62］基于地基微波輻射計ELBARA 觀測的L 波段亮溫數據在蘇黎世東北部草原和北方草原進行凍融實驗，一致認為L 波段對土壤凍融的敏感性，尤其是L 波段垂直極化的亮溫數據在判別土壤凍融方面具有潛力。隨后Rautiainen 等［63］根據地基微波輻射計ELBARA-Π 觀測的L波段亮溫數據建立相對凍結因子閾值判別算法判別地表凍融狀態，具體公式如下：

式中：t為時間；FFrel(t)為t時刻相對凍結因子指數；FFx（t）為t時刻基于L波段亮溫數據得到的凍結因子；FFwinter_x和FFsummer_x分別為凍結和融化狀態所對應的凍結因子。

隨著載有L 波段SMOS 和SMAP 相繼升空，很多學者依據Rautiainen 等［63］提出的相對凍結因子閾值判別算法，以及基于陸基微波輻射計觀測的L 波段亮溫數據提出7 種不同指標，并將這7 種指標分別代入式（2）得到相對凍結因子指數，通過站點數據或半經驗、經驗數據選取閾值作為土壤凍融的界限，通過對比凍結因子指數和閾值來判斷土壤凍融特征。這7種指標如式（3）～（9）所示：

式中：FFratio為雙極化歸一化指數；FFdiff為雙極化差指數；FFHpol為水平極化指數；FFVpol為垂直極化指數；FFSTI為標準差異凍融指數；FFcombH為水平極化下亮溫加權極化差指數；FFcombV為垂直極化下亮溫加權極化差指數。此外，Rautiainen 等［63］還指出利用這七種指標得到的相對凍結因子指數與凍結深度之間呈現指標關系?；诖?，Roy 等［73］使用FFratio指標發現探測深度在2.5 cm 時L波段亮溫與地溫具有較 好的一致性。Escorihuelae 等［74］和Zheng等［75］的研究也表明，無論在凍結還是融化狀態下，L波段的有效探測深度為2.5 cm。

Roy 等［64］在加拿大地區采用SMOS 的L 波段亮溫數據，分別采用FFdiff、FFratio、FFcombH、FFcombV這四種反映土壤微波輻射凍結因子判別地表凍融狀態，采用迭代法在0～1 之間以0.01 為增量確定最優閾值，結果表明采用FFratio這一指標判別精度最高。Rautiainen 等［65］利用SMOS 的L 波段亮溫數據研究了芬蘭地區的秋季地表凍融狀況，并通過選取FFratio、FFVpol這兩個反映土壤的微波輻射凍結因子分別計算相對凍結因子，并與芬蘭環境研究所土壤凍結網絡提供土壤凍結深度據進行對比分析，將地表土壤劃分為三種狀態：融化（凍結因子指數＜0.5）、部分凍結（0.5≤凍結因子指數≤0.8）、凍結（凍結因子指數＞0.8），通過在芬蘭、北美洲和西伯利亞等地驗證取得較好結果。Derksen 等［66］和Simon等［67］利用SMAP 衛星攜帶L 波段亮溫采用FFratio計算相對凍結因子指數，并使用閾值0.5 作為地表凍融界限，根據相對凍結因子指數和閾值來識別全球和美國地表凍融狀態。

以上基于L波段相對凍結因子閾值判別算法大多是以FFratio指標來判別地表凍融，認為該指標具有代表性。而席家駒等［68］基于SMAP 衛星攜帶的L波段的亮溫數據和地溫數據監測青藏高原地表凍融狀況時，其中凍結因子選用FFratio、FFVpol、FFSTI和FFcombV四種指標來計算相對凍結因子指數，并在0～1 之間分別選取這四種指標對應算法的最佳閾值，結果顯示廣泛使用的FFratio指標對地表凍融的分類精度僅為75%，FFVpol凍結因子在青藏高原凍土區判別精度可達到92%。這表明廣泛采用的FFratio指標并不適用判別青藏高原地表凍融狀況。

2.2.6 算法的對比與分析

以上各類判別地表凍融算法的對比如表3 所示，不同算法因其原理、所需波段數據等差別而各有特點。雙指標算法較為簡單，便于理解，已在全球諸多區域得到應用，但該方法在應用時僅適用沒有積雪覆蓋的地表。決策數算法選取多種指標判別地表凍融狀態，并剔除與凍土具有類似散射作用，如沙漠、降水等強散射體的影響，但該方法中37 GHz 垂直極化亮溫的判別閾值是根據青藏高原4 cm 地溫數據統計分析得到的，而青藏高原年平均氣溫較低，導致該方法在其他地區應用會明顯低估土壤凍結時間，因此，該方法適用于與青藏高原具有類似氣候特征的研究區域［76］，此外決策樹算法使用過程也較為復雜，缺少對該算法的不斷改進和運用，限制其發展。凍融判別式算法簡單易實現，使用的凍融判別式方程屬于半經驗方程，該方程僅需亮溫數據即可實現判別地表凍融狀況，不需要任何實測數據來確定閾值，但該算法忽略了不同氣候類型和地形等條件下土壤凍融時的地表輻射和溫度特征，在具體應用時，所使用的凍融判別式方程系數要與訓練數據集具有相似的地表條件，才會取得更好的判別結果，因此在該算法應用于其他區域之前進行參數校準，才能更準確判別地表凍融狀態［8，76］。此外，凍融判別式算法所采用的介電常數模型與真實的介電常數機制有一定的差距，會導致誤差的產生。季節閾值算法和基于L波段相對凍結因子閾值判別算法只需要利用單頻亮溫數據就可以判別土壤凍融狀態，在識別大規模、長時間地表凍融變化的方面具有優勢，但需要完整凍融周期才能確定土壤完全凍結和融化狀態下的參考值。這兩種算法的不同之處在于前者是基于垂直極化亮溫區分凍融狀態，后者是基于L 波段水平和垂直極化之間的亮溫變化來推導介電信息判別凍融狀態。其中基于L波段相對凍結因子閾值判別算法可以較為準確的探測干雪和植被下土壤凍融狀況，但該算法使用的L 波段探測深度較深，對表層土壤凍融的識別不敏感。此外，它受土壤水分影響較大，在干旱地區進行凍融判別時具有較大誤差［77］。限于地表環境復雜多變，雙指標算法、決策樹算法、季節閾值算法和基于L波段相對凍結因子閾值判別算法的閾值選取具有一定難度；凍融判別式算法的方程系數需要結合地面實測數據和模型模擬數據進行修改。綜合來看，這五類判別地表凍融的方法都各有優點與缺點，需要根據研究區的地形、氣候、季節和地物類型等特點選取最合適的研究方法。

表3 判別地表凍融狀態算法對比Table 3 Comparison of algorithms for discriminating surface freeze-thaw state

3 基于不同算法和被動微波數據的凍融產品

國內外學者基于被動微波數據利用雙指標算法、決策樹算法、凍融判別式算法、季節閾值算法和基于L波段相對凍結因子閾值判別算法在不同空間尺度上共享了多個長時序的凍融產品。表4展示了利用不同算法和被動微波數據發布凍融產品的基本信息。凍融產品可用于分析凍土的年際變化、季節變化、發生范圍以及凍結天數等指標的時空分布和變化趨勢，為冰凍圈、生態、水文、氣候等變化分析提供數據基礎。因此，評估凍融產品的準確性和適用性至關重要。

表4 各算法凍融產品的基本信息Table 4 Essential information of freeze-thaw products with different algorithms

Jin等［53，55，78］根據雙指標算法和決策數算法分別制備中國區域的凍融產品時間跨度為1978—2015年和1987—2009年，并對這兩種方法制備的凍融產品進行了分析，兩種產品的在中國境內均呈現土壤融化時間提前、凍結時間延后的特點，且兩種產品整體精度都在80%以上?；诩竟濋撝邓惴ǖ膬鋈诋a品記錄著全球時間跨度最長的凍融分類記錄，時間從1979 年擴展至2020 年，Kim 等［79-80］對該算法的凍融產品在全球進行研究，結果表明降軌和升軌精度分別為90.3%和84.3%，并且發現全球凍土區植物生長季延長。SMAP 凍融產品是基于L 波段相對凍結因子閾值判別算法產生，其中空間分辨率為36 km 的SMAP 凍融產品使用的是最接近原始亮溫數據，而9 km 空間分辨率的SMAP 凍融產品將亮溫數據進行最優插值獲取，利用5 000 個全球氣象站的地溫數據，對空間分辨率為36 km、9 km 的SMAP凍融產品進行評估，結果顯示：36 km 空間分辨率的SMAP 凍融產品的降軌和升軌精度分別為78%和90%，而9 km 空間分辨率的SMAP 凍融產品精度略低于36 km的SMAP凍融產品精度［81-82］。Hu等［83］在全球范圍內對基于凍融判別式算法、分辨率為25 km 的凍融產品進行驗證，該凍融產品的降軌和升軌的精度分別為79%和85%。此外，得出全球7.7%的地表溫度出現明顯的變暖趨勢。以上凍融產品所用亮溫數據分辨率都較粗，為了進一步提高凍融產品的精度。Hu等［84］利用凍融判別式算法，及2013—2014 年的MODIS 數據和AMSR2 亮溫數據，生成空間分辨率為5 km 的凍融狀態圖，并在中國進行評估取得了較好的結果。在此基礎上此，通過利用AMSR-E、AMSR2和MODIS 數據，制備全球凍融數據產品時間跨度為2002—2018 年［85］。以上凍融產品都是在不同地區、不同時間范圍進行驗證評估的，為了進一步對比不同凍融產品在同一地區的優劣，邵婉婉等［86］基于雙指標算法、決策數算法和季節閾值算法發布的三種凍融產品對1978—2008 年中國近地表土壤凍融狀況進行對比分析，并利用0 cm 站點數據進行驗證，結果表明季節閾值算法凍融產品歷年的凍結時間與站點數據最為接近，而雙指標算法凍融數據產品整體上都高估了土壤凍結時間，決策數算法凍融產品低估了土壤凍結時間。Wang 等［77］對基于季節閾值算法發布的凍融產品和基于L 波段相對凍結因子閾值判別算法產生的SMAP 凍融產品在中國地區的效果進行評估，結果發現基于季節閾值算法的凍融產品，受氣候因素的影響較小，且與0 cm 地表土壤相關性較好，而SMAP 凍融產品受干旱氣候影響明顯，且該凍融產品可以較好地指示5 cm 土壤凍融狀態，此外該凍融產品受積雪影響較少。

總而言之，這些凍融產品所用的數據涵蓋了SMMR、SSM/I、AMSR-E 和AMSR2 等類型，雖然所共享的凍融產品使用的算法、數據來源、時間范圍以及產品性能不同，但是大體上呈現出凍結時間推遲、解凍時間提前以及凍結天數縮短的趨勢。

4 結論

本文總結了被動微波遙感數據的類型和所含波段的特點；闡述了被動微波數據用于凍融監測的原理及方法；梳理了基于不同算法和被動微波數據的凍融產品；被動微波遙感在地表凍融監測中主要存在的問題和發展趨勢總結如下：

（1）從獲取的被動微波數據上看，被動微波傳感器由于受地球形狀及其運行軌道的影響，被動微波數據存在著部分區域缺失現象。為了減少被動微波亮溫數據的缺失對監測凍融循環產生影響，需要對缺失數據進行填補，從而覆蓋整個研究區域。當前主要的方法是通過編程取前后兩天被動微波數據平均值填補亮溫數據的缺失值［87］?；蛘呃脙删安煌瑫r間的影像建立統計函數來進行缺失補齊［88］。怎樣建立更加合理的數據的補齊方法將是未來一個研究重點。此外被動微波數據空間分辨率較低，像元內存在混合因子，現有的發展趨勢則是在利用被動微波數據的基礎上，聯合多個數據產品，如地溫、主動微波數據等數據進行降尺度，或者對像元內的地表凍融狀態進行概率判別，以更好地描述地表凍融狀態［88-92］。

（2）從現有判別地表凍融的算法上看，雙指標算法、決策樹算法、凍融判別式算法、季節閾值算法這四類算法都不能準確判別積雪覆蓋下土壤凍融狀態，積雪與凍土具有類似的微波輻射特性，在已有的研究中一般認為積雪覆蓋的地表被判別為是凍結狀態，而由于積雪具有隔熱保溫作用，延緩土壤凍結的效果，致使初冬季節積雪覆蓋下的融化地表被誤判為凍結狀態［93］。Bateni 等［94］提出利用18.7 GHz、36.5 GHz 頻率的地基被動微波觀測數據和L 波段（1.4 GHz）、Ku 波段（15.5 GHz）的主動觀測數據提出的數據同化方法能夠識別點尺度范圍內積雪覆蓋下地表凍融狀況。目前這方面研究較少，未來研究中應側重利用星載被動微波和主動微波將該方法應用于大規模領域，此外結合積雪輻射模型和凍土介電模型，進一步研究積雪類型、深度和密度等條件對地表微波輻射產生的影響，針對積雪覆蓋的地表對算法進行優化有可能提高現有的凍融判別算法的精度。此外，L 波段可以探測積雪下的地表凍融狀態，可使用基于L 波段相對凍結因子閾值判別算法針對常年有積雪覆蓋地區進行探測?；蛘呶磥砭C合研發一套針對不同地表環境的凍融算法，新算法應在機理模型基礎上融合地表覆被類型、氣候類型、高程、積雪等要素，對地表凍融狀態進行細化分析，使算法不僅局限于判別地表凍融的二值狀態，還能夠評價單位像元內凍融的比例、凍融相變水量、凍結深度、凍結速率等。

（3）隨著凍融產品的制備與應用，以及被動微波數據的積累，為長期生態變化研究提供基礎數據。目前，時間序列最長的凍融產品（1979—2020年）是通過季節閾值算法而制備的，研究人員繼續根據該算法將獲取的最新亮溫數據用于延長凍融產品時間序列?；贚波段相對凍結因子閾值判別算法的凍融產品隨著SMAP 衛星的運行，該凍融產品持續進行更新，但該凍融產品時間跨度較短（2015 年至今），在未來研究中可結合SMOS 衛星提供的L 波段數據擴展該算法凍融產品的時間跨度，此外其他三種算法的凍融產品時間跨度也可隨亮溫數據的更新繼續擴展凍融產品的時間序列。

致謝：感謝哈爾濱師范大學研究生學術論壇的支持；感謝粵港澳大灣區地理科學數據中心提供相關數據；感謝國家青藏高原科學數據中心、美國國家冰雪數據中心提供凍融數據產品。