EN中文

地球信息科学学报 >

2018 , Vol. 20 >Issue 8: 1178 - 1189

DOI: https://doi.org/10.12082/dqxxkx.2018.170620

遥感科学与应用技术

3种土壤冻融判别算法在青藏高原的分类精度评价

  • 刘源 , 1, 2 ,
  • 秦军 , 1, * ,
  • 阳坤 1, 3, 4 ,
  • 韩孟磊 1, 4 ,
  • 拉珠 1 ,
  • 赵龙 1, 5
展开
  • 1. 中国科学院青藏高原研究所,北京 100101
  • 2. 中国科学院大学,北京 100049
  • 3. 中国科学院青藏高原地球科学卓越创新中心,北京 100101
  • 4. 清华大学地球系统科学系,北京 100084
  • 5. 德克萨斯大学奥斯汀分校地质科学系,美国 78705
*通讯作者：秦 军（1978-）,男,博士,研究员,主要从事青藏高原定量遥感的相关研究。E-mail:

作者简介：刘 源（1993-）,男,硕士生,主要从事青藏高原水文气象的相关研究。E-mail:

收稿日期: 2017-12-20

  要求修回日期: 2018-05-26

  网络出版日期: 2018-08-24

基金资助

国家重点研发计划项目（2017YFA0603101）

收起

Evaluation of Classification Accuracy in Tibetan Plateau of Three Soil Freeze/Thaw Discrimination Algorithms

  • LIU Yuan , 1, 2 ,
  • QIN Jun , 1, * ,
  • YANG Kun 1, 3, 4 ,
  • HAN Menglei 1, 4 ,
  • LA Zhu 1 ,
  • ZHAO Long 1, 5
Expand
  • 1. The Institute of Tibetan Plateau Research, Chinese Academy of Sciences, Beijing, 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. CAS Center for Excellence in Tibetan Plateau Earth Sciences, Beijing 100101, China
  • 4. Department of earth system science, Tinghua University,Beijing,100054,China
  • 5. Department of Geological Sciences, The University of Texas at Austin, Austin, USA
*Corresponding author: QIN Jun, E-mail:

Received date: 2017-12-20

  Request revised date: 2018-05-26

  Online published: 2018-08-24

Supported by

the National Key Research & Development Program of China, No.2017YFA0603101.

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

本文比较了基于AMSR-E被动微波数据的3种土壤冻融判别算法在青藏高原相关地区的分类精度。3种算法分别是：双指标算法、决策树算法、判别函数算法。本文选取了来自青藏高原那曲、玛曲、阿里3个地区土壤温湿度观测网的地表温度数据,并结合AMSR-E被动亮温数据,对上述算法在以上地区的分类精度分别进行了比较评价。结果表明：不论是白天还是夜间,相较于干旱区微波信号来自深层土壤的难以准确探测,在青藏高原半湿润半干旱区算法可取得相对较好的判别准确率;双指标算法相较于其他2种算法,在观测区具有较高的分类精度,且夜间分类精度高于白天;实测数据存在资料代表性不普遍即网格所包含站点信息量不够的问题,这也是后续工作中提高分类精度值得关注的着手点。

关键词： 青藏高原; 土壤冻融; 土壤温度; 分类精度; AMSR-E

本文引用格式

刘源 , 秦军 , 阳坤 , 韩孟磊 , 拉珠 , 赵龙 . 3种土壤冻融判别算法在青藏高原的分类精度评价[J]. 地球信息科学学报, 2018 , 20(8) : 1178 -1189 . DOI: 10.12082/dqxxkx.2018.170620

Abstract

The thesis paper is based on AMSR-E passive microwave brightness temperature data, chosen three soil surface freeze-thaw discrimination algorithms and compares the soil freeze-thaw status classification accuracy of the ground surface on Tibetan plateau area seperatly. Three algorithms are consisted of Dual Index Algorithm, Decision Tree Algorithm and Discriminant Function Algorithm. This thesis collects the soil surface temperature data from three soil temperature and humidity observational networks on Tibetan plateau that includes Naqu, Maqu and Ngari district, and combines with AMSR-E passive microwave brightness temperature data, then separately compares and evaluates the classification accuracy of the mentioned algorithms in the previous three observational areas. The results illustrate that whether during daytime or nighttime, in arid area like Ngari network district the microwave signal comes from deep layer soil, on the one hand, it’s kind of hard to probe in aid area and get an accurate detection as well, on the other hand, for all three discriminat algorithms that leads to the low discriminant accuracy in arid area at the same time. On the contrary each algorithm has relatively high discriminant accuracy in semi-arid area like Naqu network and subhumid area like Maqu network on Tibetan plateau; Dual Index Algorithm, compared with two other algorithm, has the highest classification accuracy among three discriminat algorithms, and has the best entirety classification accuracy in three observational networks on Tibetan plateau as well. The classificition accuracy at nighttime is higher than the dayttime due to the spatial heterogeneity of the air temperature between day and night; Except that the actual measured data also has the problem of incomprehensive representativeness, which means the inadequacy of information from all sites in the networks, and this is what needs to pay attention in the follow-up work to improve the algorithm classification accuracy.

Key words： Tibetan Plateau; soil freeze-thaw; soil temperature; classification accuracy; AMSR-E

1 引言

土壤冻融是陆地表层极其重要的物理过程,对地气能量交换、地表径流、植被生长和生态系统等均具有重要的影响[1,2],卫星遥感为连续监测大陆和区域尺度近地表冻融循环提供了有效技术手段。其中,热红外遥感受天气条件和云层影响严重,具有一定的局限性,而微波遥感对大气中水汽和气溶胶的穿透性强,可全天时全天候工作,因此被广泛使用[3,4]。在微波频段,液态水与其他自然界物质的复介电常数差别显著,因此微波信号对土壤中液态水的变化极为敏感。随着气温降低,土壤中大部分液态水会转化为固态冰,引起地表土壤发生冻融循环,从而导致土壤介电常数明显降低。而介电常数的变化使得地表亮温和后向散射系数发生变化,得以实现对地表冻融的监测,因此被动微波辐射计被广泛应用于地表冻融监测[5,6,7]。
青藏高原地表最显著的物理特征之一是土壤的冻融过程。土壤冻融改变了地表与大气间的感热、潜热、动量交换和长波辐射,从而对区域气候产生影响,多年冻土、季节冻土和短时冻土范围分别占中国国土面积的17.42%、56.88%和18.25%,而其中约70%的多年冻土分布在青藏高原上,因此研究高原的地表冻融循环具有实际意义[8,9]。杨梅学等[10]分析了藏北高原多个站点冻融期土壤水热特征,指出季节冻融过程及其空间分布导致了地表干湿状况及地表能量平衡的时空变化。尚伦宇等[11]分析了高原玛曲站冻融过程对地表辐射特征的影响,认为土壤冻结增大了地表反照率,同时减缓了地表长波辐射和大气逆辐射降低的速率。王学佳等[12]分析了藏北高原D105站冻融期的土壤温湿特征,结果同样表明土壤冻融极大地影响了地表能量的分配。
本文选取讨论了3种常见的被动微波遥感判别近地表土壤冻融状态的算法：双指标算法[13]、决策树算法[14]和判别函数算法[15]。其中,双指标算法采用36.5 GHz垂直极化亮温数据和标准偏差指数（SDI）作为主要判定标准,指标的阈值基于AMSR-E 亮温数据和实测的青藏高原地表温度数据得到;决策树算法使用SSM/I 亮温数据、散射指数和19 GHz与37 GHz极化差作为主要分类指标,重点关注消除其他地表散射体（如沙漠）的影响,进一步提高分类精度;判别函数算法采用18.7 GHz水平极化亮温和36.5 GHz垂直极化亮温数据标定了冻土和融土的判别函数式,通过对判别函数值的比较进行冻融判别。
在采取来自青藏高原土壤温湿度观测网3个地区、97个站点的地表温度数据的基础上,为了增强评估这些采用不同亮温数据源算法的适用性,本文将SSM/I亮温数据拟合转换后,对3种算法的判定中均统一使用AMSR-E亮温数据,并综合升轨和降轨数据,对相应地区白天和夜间的冻融分类精度分别做出评估。

2 数据源

2.1 野外试验数据

近年来中国科学院青藏高原研究所建立于青藏高原的区域土壤温湿度观测网络为进一步理解地表过程和评估卫星产品提供了良好的实测数据。
由图1（a）可知,青藏高原3个土壤温湿度观测网的分布位置,分别包括位于高原中部的那曲观测网、东部的玛曲观测网,西部的阿里观测网。这些观测网络较好地囊括了青藏高原不同地形和气候条件的地区,可以为土壤湿度和冻融状态的遥感及陆地水文气象模型观测提供支持,在本文中选取监测深度为5 cm的土壤温度数据代表表层土壤温度,用于后续算法验证。
Fig. 1 Sketch map of three soil moisture and temperature networks in TP

图1 青藏高原3个土壤温湿度观测网示意图

（1）那曲观测网
那曲观测网站点分布于面积为100×100 km2的区域（图1（d））,为半干旱气候。平均海拔高度为4650 m,地势平坦,山丘环绕。冬季干燥,夏季多雨,陆表多为稀疏短小的的杂草所覆盖。年降雨量为400~500 mm,其中75%的降雨发生于季风时期。地表土壤日间冻融循环多始于10月,直至12月到次年2月完全冻结。
那曲观测网在经过2010-2012年的3次野外试验后得到完善。第1次野外试验,安置了30个站点来确定观测区域的整体框架,并自2010年8月开始工作。第2次野外试验,在面积为25×25 km2的空间尺度安置了20个站点,用于提高观测站点的空间密度,这批站点自2011年7月开始工作。最后一次野外试验则更进一步在面积为10×10 km2的空间尺度上提升了站点分布密度。截至目前,观测网由56个观测站点组成,而且覆盖了3种典型的空间尺度。在每个观测站点,均安置了4个传感器于土壤中,分别监测深度为5、10、20和40 cm的土壤温度及湿度数据。用于观测网络的仪器是EC-TM和5TM探测仪,记录频率为每30 min一次,选取监测深度为5 cm的土壤温度数据代表表层土壤温度,用于后续算法验证。
（2）玛曲观测网
玛曲观测网始建于面积为40×80 km2的区域 （图1（c））,为半湿润气候。平均海拔高度为3500 m,多为群山环绕的大片河谷地形。气候特征为夏季湿热,冬季干冷,年降雨量约为600 mm。地区地形多以矮草草地,河谷,湿地以及丘陵为主。
玛曲观测网始建于2008年7月,初始安置20个站点。其中,11个站点放置于沿着穿过黄河流域间的山谷,3个站点放置于大河谷,4个站点被放置于陡峭的山体斜坡,2个站点放置于湿地。这些站点收集了监测深度为5、10、20和40 cm的土壤温度及湿度数据,使用EC-TM和5TM探测仪监测,每15 记录一次,选取监测深度为5 cm的土壤温度数据代表表层土壤温度,用于后续算法验证。
（3）阿里观测网
阿里观测网坐落于青藏高原西部的干旱区域（图1（b））。平均海拔高度为4260~4390 m,地形多为狭窄山谷。该地区经历强烈的日间温度变化,年降雨量约为75 mm。由于降水很少以及充足的太阳辐射,导致这一地区主要为沙漠地表,表层结构多为沙土和壤砂土。自2010年6月起,一共20个站点被用于收集土壤温湿度数据,使用EC-TM和5TM探测仪监测,每15 min记录一次,选取监测深度为5 cm的土壤温度数据代表表层土壤温度,用于后续算法验证。
为了描述的方便,给予3个实验区域中的每个AMSR-E网格相应的ID编号,如图1（b）-（d）所示。每个网格的土壤温度及湿度数值是取自该网格内所有站点测量所得的平均值。本文中,分别选取了那曲观测网的01、08、10、13号网格（图1（d））,玛曲观测网的10、12、14号网格（图1（c））,以及阿里观测网的03,04号网格（图1（b））的数据用于算法精度评估。每个被选中的网格均至少包含3个及以上的观测站点,从而用于减少由于土壤温度空间变化所导致的评估误差。实测数据的时间跨度分别为：那曲观测网（2010-08-01至2011-09-27）,玛曲观测网（2010-01-01至2011-05-15）,阿里观测网（2010-07-23至2011-08-09）。

2.2 AMSR-E亮温数据

AMSR-E（Advanced Microwave Scanning Radiometer-EOS）是自2002年5月起装载于水文卫星上的传感器,于2011年9月终止使用。传感器在水平和垂直极化方向上均包含6个频率的通道,分别是：6.9、10.7、18.7、23.8、36.5和89 GHz。主卫星每天分别使用升轨（地方时13:30）和降轨（地方时01:30）通道对地球表面扫描,并且将升轨（白天）和降轨（夜间）轨道的数据均用于日间的冻融循环探测。由于青藏高原水汽含量比重很小,所以水汽对青藏高原的影响可以忽略不计。

3 判别算法

3.1 双指标算法

双指标算法最初是由Zuerndorfer等[16,17]在1990年基于SMMR数据的密度划分所提出,采取了双参数判别表层土壤的冻结状态,即37 GHz的单波段亮度温度和基于10.7、18.0和37 GHz辐射亮度线性回归下的光谱梯度。Judge等[18]在1997年修订了之前算法的阈值,并将其应用于SSM/I数据。在已有青藏高原土壤温湿度观测网络实测数据的支持下,本文选取了韩孟磊等[13]在2015年经改进后提出的一套基于AMSR-E微波亮温数据以青藏高原观测站点的温湿度观测数据经发展改进后提出的一套基于该地区的双指标算法,如图2所示。
Fig. 2 Flowchart of the dual-index algorithm for the surface soil frozen/thawed stateclassification

图2 双指标算法判别流程图

指标1是频率为36.5 GHz的垂直极化亮温（TB36.5,V）,与地表温度呈线性相关。
指标2是亮温标准偏差指数（SDI）。如上所述,定义为水平极化亮温在6.9、10.7、18.7、23.8和89.0 GHz的标准偏差,反映土壤冻结后液态水容量的变化,表达式如式（1）所示。
式中：n是频率通道的数目; T B fi H 是不同频率通道的水平极化亮温; T B H ¯ 是 T B fi H 在所有频率的平均值。
在AMSR-E垂直极化亮温的6个频率中,TB36.5,V与受土壤水分、大气水汽、云粒子和雨雪的影响较小,最适宜用于反演表层温度。而相较之下,微波高频波段TB89.0,V受大气云水的影响较大。为了在降低大气影响的同时保持亮温标准偏差指数的定义完整性,在指标2中选取加入了相对受大气影响较小的水平极化亮温TB89.0,H。
由于土壤温度在白天和夜间存在差异,因此升轨和降轨数据需要分别界定不同的双指标判别阈值,记为SDI0和TB0。选取包含观测站点数最多的那曲地区06号网格的资料数据用于发展算法,在升降轨分别对其进行亮温时间序列分析和5 cm深度土壤湿度与标准偏差指数的时间序列分析,确定出相应的双指标判别阈值。对于升轨数据,判别阈值SDI0和TB0分别为6 K和273 K,对于降轨数据,判别阈值SDI0和TB0分别为3.5 K和263 K。
如图2所示,当表层土壤的SDI值小于SDI0且TB36.5,V值小于TB0时,则会被判定会冻结状态,反之则为融化状态。

3.2 决策树算法

晋锐等[14]在2009年基于样本数据的统计分析和融化地表的辐射特性,以SSM/I传感器的被动微波亮温数据为基础,建立了判别地表冻融状态的决策树算法（图3）。
Fig. 3 Flowchart of the decision tree algorithm for the surface soil freeze-thaw status classification

图3 决策树算法流程图

如图3所示,决策树算法联合使用了散射指数（SI）、37 GHz的垂直极化亮温（TB37V）及19 GHz极化差（TB19V-TB19H）3个关键指标识别地表的冻融状态。其中,SI用于区分强散射体与弱散射体和非散射体;37 GHz垂直极化与地表温度呈现出最高的相关性和稳定性,因此用于区分地表温度状况;极化差则主要用于反映地表的粗糙程度,用于识别表面较为光滑的沙漠。
为了确保亮温数据来源的统一性和算法分类精度对比的准确性,谢燕梅等[19]计算建立了SSM/I垂直极化亮温（19、22和85 GHz）与AMSR-E相近频率段垂直极化亮温（18、23和89 GHz）之间的定量关系（图4）。根据升降轨路径的不同,将用于SSM/I数据的散射指数SI分别改写成适用于AMSR-E的表达式如（2）、（3）所示。
升轨（白天）： SI = 450.2 - 0.506 0.671 × T B 18 V + 83.46 - 1.874 0.693 × T B 23 V + 76.44 + 0.00637 0.693 × T B 23 V + 76.44 2 - 0.886 × T B 89 V + 19.96 （2）
降轨（夜间）： SI = 450.2 - 0.506 0.077 × T B 18 V + 6.171 - 1.874 0.951 × T B 23 V + 11.80 + 0 . 00637 0.951 × T B 23 V + 11.80 2 - 0.955 × T B 89 V + 8.168 （3）
Fig. 4 Correlation of SSM/I and AMSR-E descending and ascending orbit brightness temperature of corresponding frequencies

图4 SSM/I和AMSR-E升降轨相近频率亮温之间的相关性[19]

对青藏高原那曲、玛曲和阿里3个地区的土壤温湿度观测网包含的所有站点,在其各自观测时间段内的地表平均冻融亮温时间序列的变化分别进行分析,并分为升轨和降轨路径（图5、6）。
Fig. 5 Ascending brightness temperature series of soil freeze/thaw at Naqu,Maquand Ngari
注：图中水平直线表示T=273.15 K

图5 那曲、玛曲及阿里的地表升轨冻融亮温时间序列

Fig.6 Descending brightness temperature series of soil freeze/thaw at Naqu, Maqu and Ngari
注：图中直线表示T=273.15 K

图6 那曲、玛曲及阿里的地表降轨冻融亮温时间序列

尽管3个地区的地表土壤温度和水分条件差异很大,但土壤冻结融化所表现出的亮温变化特征仍具有相似性：① 10月中下旬,土壤温度低于0 ℃以下,液态水相变为固态冰,TB36.5,V随之降低;次年4月中下旬,土壤开始升温,固态冰融化为液态水,TB36.5,V变化趋势反之;② 不考虑土壤含盐量等因素影响,认为当地温<273 K时土壤冻结,对应的TB36.5,V阈值白天可取为273 K,夜间可取为258 K;③ 冻结土壤为强散射体,SI指数>5。除此之外,由于所选择地区不包含明显的沙漠地形,同时,原算法中用于降水识别的亮温为SMM/I传感器的 19 GHz垂直和水平2个方向的极化差,而修订后适用于AMSR-E数据的决策树算法中,基于初始判别的4个频率通道的亮温均为垂直极化亮温,不包含水平极化亮温,综上则省略在新算法中略去了对沙漠地形和降水的识别。综上,修订后适用于AMSR-E数据的决策树算法见图7。
Fig. 7 Flowchart of the decision tree algorithm which based on AMSR-E data for the surface soil freeze-thaw status classification

图7 适用于AMSR-E的决策树算法流程图

3.3 判别函数算法

由于地表实际环境的复杂性,使得双指标算法和决策树算法中阈值的选取对最后的分类精度具有较大的影响,但阈值的选取很大程度上又取决于先验知识。出于这一考虑,赵天杰等[9]使用AMSR-E亮温数据建立了一套考虑了复杂环境条件影响的判别函数算法。在该算法中,使用冻土的介电常数模型计算冻土的介电特性,采用高阶积分方程的方法来描述地表散射,采用赫尔辛基理工大学研发的积雪微波发射模型来考虑积雪和植被的影响。在算法拟合下,采用线性判别回归的方法建立了判别函数,如式（4）、（5）所示。
D F = 1.47 × T B 36.5 , V + 91.69 × T B 18.7 , H T B 36.5 , V - 226.77 （4）
D T = 1.55 × T B 36.5 , V + 86.33 × T B 18.7 , H T B 36.5 , V - 242.41 （5）
式中：DF和DT分别代表冻土和融土的判别值。当DF>DT时,地表土壤被判定为冻结状态;当DF<DT时,地表土壤被判定为融化状态。

4 精度结果

4.1 双指标算法分类精度

根据上文提到的双指标算法对2010-01-01至2011-09-27的AMSR-E亮温数据分升降轨对相应时间段的观测地区进行地表冻融状态识别。利用同时段青藏高原3个土壤温湿度观测网的数据对分类结果进行验证,得到判别精度见表1。
Tab. 1 Soil freeze/thaw classification accuracy of dual-index algorithm

表1 双指标算法分类精度评价

格点编号 有效数据 误分个数 判别精度/%
那曲 白天 Grid 01
Grid 08
Grid 10
Grid 13		 306
278
308
283		 34
16
17
42		 88.89
94.24
94.48
85.16
总计 1175 109 90.72
夜间 Grid 01
Grid 08
Grid 10
Grid 13		 289
292
289
289		 15
14
11
30		 94.81
95.21
96.19
89.62
总计 1159 70 93.96
玛曲 白天 Grid 10
Grid 12
Grid 14		 369
339
369		 44
51
39		 88.08
84.96
89.43
总计 1077 134 87.56
夜间 Grid 10
Grid 12
Grid 14		 371
340
371		 41
40
50		 88.95
88.24
86.52
总计 1082 131 87.89
阿里 白天 Grid 03
Grid 04		 256
256		 135
134		 47.27
47.66
总计 512 269 47.46
夜间 Grid 03
Grid 04		 260
260		 136
123		 47.69
52.69
总计 520 259 50.19
那曲观测网选择了编号为01、08、10和13的4个网格进行分类精度评估,每个网格均包含3个及以上的观测站点。验证数据的时段为2010-08-01至2011-09-27,双指标算法在那曲地区的土壤冻融分类精度如表1所示。升轨（白天）有效数据验证1175个,其中误分109个,分类精度达到90.72%;降轨（夜间）有效数据验证1159个,其中误分70个,分类精度达到93.96%。
玛曲观测网选择了编号为10、12、14的3个网格进行分类精度评估,每个网格也均包含3个及以上的观测站点。验证数据的时段为2010-01-01至2011-05-15,土壤冻融分类精度如表1所示。升轨（白天）有效数据验证1077个,其中误分134个,分类精度达到87.56%;降轨（夜间）有效数据验证1082个,其中误分131个,分类精度达到87.89%。
阿里观测网选择了编号为03,04的两个网格进行分类精度评估,每个网格均包含3个及以上的观测站点。验证数据的时段为2010-07-23至2011-08-09,土壤冻融分类精度如表1所示。升轨（白天）有效数据验证512个,其中误分269个,分类精度为47.46%;降轨（夜间）有效数据验证520个,其中误分259个,分类精度为50.19%。阿里地区分类精度偏低的主要原因可能是该地区极度干旱的气候条件。首先,干旱条件下土壤冻结时土壤湿度并不能发生明显改变,SDI指标不能发生明显变化;其次,干旱条件下,相较于湿润土壤,微波信号可以穿透至更深层土壤,因此,TB36.5,V和SDI不能很好地反映干旱地区表层土壤的冻融状态。

4.2 决策树算法分类精度

根据上文提到的决策树算法对2010-01-01至2011-09-27的AMSR-E亮温数据分升降轨对相应时间段的观测地区进行地表冻融状态识别。利用同时段青藏高原3个土壤温湿度观测网的数据对分类结果进行验证,得到判别精度见表2。
Tab. 2 Soil freeze/thaw classification accuracy of decision tree algorithm

表2 决策树算法分类精度评价

格点编号 有效数据 误分个数 判别精度/%
那曲 白天 Grid 01
Grid 08
Grid 10
Grid 13		 306
284
308
283		 73
58
68
73		 76.14
79.58
77.92
74.20
总计 1181 272 76.97
夜间 Grid 01
Grid 08
Grid 10
Grid 13		 289
292
289
289		 100
33
47
88		 65.40
88.70
83.74
69.55
总计 1159 268 76.88
玛曲 白天 Grid 10
Grid 12
Grid 14		 370
340
370		 99
74
70		 73.24
78.24
81.08
总计 1080 243 77.50
夜间 Grid 10
Grid 12
Grid 14		 372
341
372		 54
63
60		 85.48
81.52
83.87
总计 1085 177 83.69
阿里 白天 Grid 03
Grid 04		 257
257		 144
128		 43.97
50.19
总计 514 272 47.08
夜间 Grid 03
Grid 04		 262
262		 148
147		 43.51
43.89
总计 524 295 43.70
那曲观测网选择了编号为01、08、10、13的4个网格进行分类精度评估,验证数据的时段为2010-08-01至2011-09-27。决策树算法的土壤冻融分类精度为：升轨（白天）有效数据验证1184个,其中误分272个,分类精度达到76.97%;降轨（夜间）有效数据验证1159个,其中误分268个,分类精度达到76.88%。
玛曲观测网选择了编号为10、12、14的3个网格进行分类精度评估,验证数据的时段为2010-01-01至2011-05-15。土壤冻融分类精度为：升轨（白天）有效数据验证1077个,其中误分243个,分类精度达到77.50%;降轨（夜间）有效数据验证1085个,其中误分177个,分类精度达到83.69%。
阿里观测网选择了编号为03、04的2个网格进行分类精度评估,验证数据的时段为2010-07-23至2011-08-09。土壤冻融分类精度为：升轨（白天）有效数据验证514个,其中误分272个,分类精度为47.08%;降轨（夜间）有效数据验证524个,其中误分295个,分类精度为43.70%。
与双指标算法相比较,决策树算法在青藏高原地区观测网取得的分类精度较低。那曲地区的8号网格包含5个观测站点,具有较为丰富的观测数据,由表1、2可看出在2种算法下8号网格相对其他网格精度均较高,由于包含观测站点数越多的网格其代表性可能越好,故表明算法分类精度的高低与观测资料代表性可能呈正相关的关系。同时,在2种算法中,由于白天相较于夜间土壤水分蒸发活动较强和土壤温度差异性等原因,所以夜间的分类精度均高于白天的分类精度。

4.3 判别函数算法分类精度

根据上文提到的判别函数算法对2010-01-01至2011-09-27的AMSR-E亮温数据分升降轨对相应时间段的观测地区进行地表冻融状态识别。利用同时段青藏高原3个土壤温湿度观测网的数据对分类结果进行验证,得到判别精度见表3。
Tab.3 Soil freeze/thaw classification accuracy of discrimination algorithm

表3 判别函数算法分类精度评价

格点编号 有效数据 误分个数 判别精度/%
那曲 白天 Grid 01
Grid 08
Grid 10
Grid 13		 308
283
308
285		 162
137
123
175		 47.40
51.59
60.06
38.60
总计 1184 597 49.58
夜间 Grid 01
Grid 08
Grid 10
Grid 13		 289
313
289
289		 166
192
182
177		 42.56
38.66
37.02
38.75
总计 1180 713 39.58
玛曲 白天 Grid 10
Grid 12
Grid 14		 370
340
370		 167
174
176		 54.86
48.82
52.43
总计 1080 517 52.13
夜间 Grid 10
Grid 12
Grid 14		 372
361
372		 227
213
248		 38.71
41.00
33.33
总计 1105 688 37.74
阿里 白天 Grid 03
Grid 04		 257
257		 182
184		 29.18
28.40
总计 514 366 28.79
夜间 Grid 03
Grid 04		 262
262		 145
147		 44.66
43.89
总计 524 292 44.27
那曲观测网选择了编号为01、08、10、13的4个网格进行分类精度评估,验证数据的时段为2010-08-01至2011-09-27。土壤冻融分类精度为：升轨（白天）有效数据验证1184个,其中误分597个,分类精度为49.58%;降轨（夜间）有效数据验证1180个,其中误分713个,分类精度为37.74%。
玛曲观测网选择了编号为10、12、14的3个网格进行分类精度评估,验证数据的时段为2010-01-01至2011-05-15。土壤冻融分类精度为：其中,升轨（白天）有效数据验证1080个,其中误分517个,分类精度为52.13%;降轨（夜间）有效数据验证1105个,其中误分688个,分类精度为37.74%。
阿里观测网选择了编号为03和04的2个网格进行分类精度评估,验证数据的时段为2010-07-23至2011-08-09。土壤冻融分类精度为：升轨（白天）有效数据验证514个,其中误分366个,分类精度为28.79%;降轨（夜间）有效数据验证524个,其中误分292个,分类精度为44.27%。
判别函数算法在青藏高原3个地区的分类精度均不太理想,表明该算法可能并不适用于青藏高原地区的土壤冻融精度判别。可能原因如下：① 青藏高原本身复杂的地形条件为判别函数算法在该地区进行冻融判别增加了难度;② 判别函数算法只选取了18.7 GHz的水平极化和36.5 GHz的垂直极化2个频率的亮温数据,资料丰富度不够;③ 判别函数式中变量系数的选取也可能是影响算法冻融判别精度的因素之一。

5 结论与展望

本文在以青藏高原3个地区温湿度观测网络的实测数据和AMSR-E对应频率的升降轨亮温数据为统一数据源的基础上,对现有的3种土壤冻融判别算法在相应地区白天和夜间的分类精度进行了验证评价。结果表明：
（1） 在观测地区网络分别使用3种算法对来自同一数据源的观测数据和亮温数据进行分类精度验证,得到3种算法的总体分类精度评价为：双指标算法>决策树算法>判别函数算法。
（2） 双指标算法和决策树算法在那曲地区的分类精度分别达到91%和78%,在玛曲地区,分类精度则分别达到87%和81%,2种算法在青藏高原半湿润和半干旱地区均具有较高的判别准确率。但在阿里这样的干旱地区,由于微波波段穿透深度较深,2种判别算法的分类精度偏低,在此地区并不适用。
（3） 白天时段相较于夜间时段的监测,存在土壤水分蒸发活动较强、土壤温度的差异性以及地形存在对被动微波遥感的影响等原因,算法验证结果可见夜间的分类精度高于白天的分类精度。
（4） 算法分类精度的高低可能与资料代表性呈正相关的关系。在同一观测地区,当所测网格包含站点信息资料较多时,则相较于包含站点资料较少的网格表现出更高的精度,即观测资料代表性越高,则分类精度随之增高。
综上所述,文章选取的3种土壤冻融判别算法中,双指标算法和决策树算法适用于青藏高原半干旱半湿润区的冻融判别,而判别函数算法并不适用。相较于之前的传感器数据,AMSR-E亮温数据具有较低微波频率和较高空间分辨率,适用于探测区域尺度和全球尺度的土壤冻融循环。但对于干旱地区的冻融判别精度的提高,则应考虑进行判别公式修订、指标阈值局地校正以及加入植被信息等改进方法,需要进一步研究。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张立新,蒋玲梅,柴琳娜,等.地表冻融过程被动微波遥感机理研究进展[J].地球科学进展,2011,26(10):1023-1029.lt;p>地表冻融过程及参数特征是陆表过程、气候模式、全球变化等研究的重要方面。被动微波遥感由于具有对土壤水分敏感、高时间分辨率等特点，非常适合用于地表冻融过程的监测和相关参数的反演。在分析地表冻融过程被动微波遥感机理研究发展现状的基础上，面向全球范围内大尺度陆表冻融过程微波遥感算法发展的需求，针对由土壤、积雪和植被组合的复杂地表，从基础研究角度，总结凝练了存在的科学问题，为研究工作的深入开展提供了参考思路。</p>

DOI

[ Zhang L X, Jiang L M, Chai L N, et al.Research advances in passive microwave remote sensing of freeze/thaw processes over complex[J]. Advances in Earth Science, 2011,26(10):1023-1029. ]

[2]
张廷军,晋锐,高峰.冻土遥感研究进展—可见光、红外及主动微波卫星遥感方法[J].地球科学进展,2011,24(9):963-972.多年冻土和季节冻土分别占北半球裸露地表的24％和55％。近地表土壤冻融的范围、冻结起始日期、持续时间及冻融深度对寒季／寒区的植被生长、大气与土壤间能量、水分及温室气体交换都具有极其重要的影响。卫星遥感结合地面观测资料研究局地到区域尺度的季节冻土和多年冻土已取得诸多成果。综述了近几十年来卫星遥感技术在冻土研究中的应用。监测多年冻土和地表冻融循环通常需要综合利用可见光、红外、被动微波及主动微波（包括合成孔径雷达SAR和散射计）遥感数据，任何单一波段的传感器都无法满足研究需求。SAR图像能提供空间分辨率较高的寒季／寒区近地表土壤冻融状态的起始日期、持续时间和区域演变等信息，但目前在轨SAR的重访周期相对于春秋季的土壤冻融循环变化过长；星栽被动微波传感器具有多通道观测且重访周期较高，但空间分辨率很低的特点；光学和热红外传感器的时空分辨率介于SAR和被动微波遥感之间，但应用于冻土研究时需要具备多年冻土分布扣冻融深度与环境因子相关关系的先验信息。总体而言，微波遥感是探测无雪覆盖近地表土壤冻融循环的有效技术手段，而利用热红外传感器反演的地表温度研究土壤冻融过程具有极大潜力。应用卫星遥感反演的积雪范围、雪深、融雪、地表类型、归一化差值植被指数、地表反照率和土壤水分等参数对研究局地、区域乃至全球尺度的冻土都大有裨益。

DOI

[ Zhang T J, Jin R, Gao F.Overview of the satellite remote sensing of frozen ground: Visible thermal Infrared and Radar Sensor[J]. Advances in Earth Science, 2011,24(9):963-972. ]

[3]
Chai L, Zhang L, Zhang Y.Comparison of the classification accuracy of three soil freeze-thaw discrimination algorithms in China using SSMIS and AMSR-E passive microwave imagery[J]. International Journal of Remote Sensing, 2014,35(22):7631-7649.

DOI

[4]
Chen K, Wu T, Tsang L.Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations[J]. IEEE Transactions on Geoscience & Remote Sensing, 2003,41(1):90-101.

[5]
Jin R, Li X, Che T.A decision tree algorithm for surface soil freeze/thaw classification over China using SSM/I brightness temperature[J]. Remote Sensing of Environment, 2009,113(12):2651-2660.

DOI

[6]
Jin R, Li X.Improving the estimation of hydrothermal state variables in the active layer of frozen ground by assimilating in situ observations and SSM/I data[J]. Science in China Series D: Earth Sciences, 2009,52(11):1732-1745.

DOI

[7]
晋锐,李新.被动微波遥感监测土壤冻融界限的研究综述[J].遥感技术与应用,2002,17(6):370-375.lt;p>主要介绍了被动微波遥感数据在研究土壤冻融状态方面的国内外研究进展。目前常用的而且比较成熟的冻融界限判别指标是37GHz亮度温度及负亮温谱梯度,重点对这两个冻融边界判别指标的发展进行了详细讨论,并对冻融判别和积雪判别的关系及其相互影响进行了分析和讨论。发展可靠实用的微波遥感土壤冻融状态的判别算法,以提供区域和全球尺度上的土壤状态信息,对水文学、气象学以及农业科学、工程地质研究与应用都有重要意义。</p>

DOI

[ Jin R,Li X.A review on the algorithms of frozen/thaw boundary detection by using passive microwave remote sensing[J]. Remote Sensing Technology and Application, 2002,17(6):370-375. ]

[8]
曹梅盛,张铁军.青海高原春秋季地表土冻融的微波遥感监测[J].遥感学报,1997,1(2):139-144.用青海高原地区1983年的SMMR18及37GHz水平极化微波亮温记录与台站地表 5cm深温度实况相比较,统计确定部分考虑含水量对区分地表土冻融影响的亮温<i>T<sub>37H</sub></i>及亮温谱梯度<i>SG</i>两参数综合模式,区分的正确率达74%。青海高原地处干旱半干旱环境,春季地表土含水量低,Zuerndorfer提出的负亮温谱梯度,在春季区分冻融的效果并不明显。

DOI

[ Cao M S,Zhang T J.Monitoring terra soil freeze/thaw condition on qinghai plateau in spring and autumn using microwave remote sensing[J]. Journal of Remote Sensing, 1997,1(2):139-144. ]

[9]
赵天杰,张立新,蒋玲梅,等.复杂地表条件下冻融土的微波辐射特性模拟及判别分析[J].冰川冻土,2009,31(2):36-42.针对AMSR-E数据的新特点,在HUT积雪辐射模型的基础上, 增加冻土介电模型计算冻融土的介电常数,并使用ATEM模型描述地表的散射特性,建立寒区地表微波辐射模型,对寒区6种典型环境的微波辐射进行了模拟.结 果表明:使用36.5 V的亮温以及6.925 H、10.65 H、18.7 H与36.5 V的亮温比分别衡量地表温度和发射率的变化,最能体现地表土壤的冻融变化特征.通过Fishcr判别分析,建立了复杂地表条件下的冻融土判别算法,并使用 微波辐射计观测数据进行修正.AMSRE星载数据的验证结果表明,该判别算法能够有效区分较长时间序列和人范围的地表冻融状态,是种可靠的判别模式.

[ Zhao T J, Zhang L X, Jiang L M, et al.Microwave radiation of frozen and thawed soils under complicated surface condition: Simulation and discrimination analysis[J]. Journal of Glaciology and Geocryology, 2009,31(2):36-42. ]

[10]
杨梅学,姚檀栋,丁永建,等.藏北高原D110点不同季节土壤温度的日变化特征[J].地理科学,1999,19(6):570-574.利用1998年GAME-Tibet加强观测期间取得的一个年周期的土壤温度资料,对藏北高原D110点土壤温度日变化特征的月际变化进行了分析。结果表明,在夏半年(5～9月)土壤温度存在明显的日变化(可达40cm深处),且基本上按正弦曲线变化,但相位随深度的增加而滞后;冬半年(10～4月)土壤温度尽管也存在日变化,但变幅较小。就所研究的时段而言,6月地表土壤温度的日变化最大。一年中最低温度的变化较小且平稳;而最高温度的变化较大,尤其是9月到10月的降温过程和4月到5月的升温过程都相当剧烈。

DOI

[ Yang M X,Yao T D, Ding Y J, et al.The daily variation of the soil temperature in different seasons at site 110 in the northern part of xizang plateau[J]. Scientia Geographica Sinica, 1999,19(6):570-574. ]

[11]
尚伦宇,吕世华,李锁锁,等.青藏高原土壤冻融对地表辐射特征的影响分析[J].太阳能学报,2010,31(1):12-16.

[ Shang L Y, Lv S H, Li S S, et al.Effect of soil freezing and thawing on surface radiation over qinghai-tibet plateau[J]. Acta Energiae Solaris Sinica, 2010,31(1):12-16. ]

[12]
王学佳,杨梅学,万国宁.藏北高原D105点土壤冻融状况与温湿特征分析[J].冰川冻土,2012,34(1):56-63.利用CAMP/Tibet在藏北高原D105点所观测的2002年1月1日&mdash;2005年12月31日土壤温度、含水量资料, 分析了该点的土壤温、湿度变化及其冻融特征. 结果表明: D105点40 cm深度以上土壤温度日变化明显, 随着深度增加, 土壤温度日变化相位明显滞后. 各层土壤温度月最高值出现在8-9月, 月最低值都出现在1-2月; 年际气候的差异至少可以反映到185 cm深处的土壤. 土壤冻结和消融都是由表层开始, 土壤随深度增加冻结快, 消融则慢. 冻结期间, 土壤温度分布上部低, 下部高; 消融期间, 则分布相反. 60 cm深度以上的土壤含水量在消融期有显著的波动, 表明60 cm深度以上的土壤与大气之间的水热交换比较频繁. 土壤温度的日变化和平均温度对土壤的冻融过程有较大的影响; 土壤含水量的多少会极大的影响土壤的冻融过程、土壤热量的分布状况以及地表能量的分配. 因此水(湿度)热(温度)相互耦合影响着土壤的冻融过程.

[ Wang X J, Yang M X,Wan G N.Processes of soil thawing-freezing and features of ground temperature and moisture at D105 on the northern tibetan plateau[J]. Journal of Glaciology and Geocryology, 2012,34(1):56-63. ]

[13]
Han M, Yang K, Qin J.An algorithm based on the standard deviation of passive microwave brightness temperatures for monitoring soil surface freeze/thaw state on the tibetan plateau[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015,3(5):2775-2783.

[14]
晋锐,李新,车涛.SSM/I监测地表冻融状态的决策树算法[J].遥感学报,2009,13(1):152-161.基于样本统计分析及冻结和融化地表的辐射/散射特性建立了判别地表冻融状态的决策树,首次联合使用散射指数、37GHz垂直极化亮温及19GHz极化差3个关键指标识别出地表或植被冠层的冻融状态,同时剔除了沙漠和降水的影响.利用国际协同加强观测期(CEOP)在青藏高原地区的土壤温度和湿度观测系统获取的4cm地温数据代表浅层土壤真实冻融状态验证分类结果,其准确性达87%.经分析,约40%和73%的误分分别发生在浅层土壤温度为-0.5-0.5℃和-2.0-2.0℃之间,即冻结点附近;且多发生在冷暖季节过渡时期,即4-5月和9-10月,分别占误分的33%和38%.基于该决策树获得的2002年1O月-2003年9月中国全境地表冻结日数图,以中国冻土区划及类型图为参考进行精度评价,其总体分类精度为91.66%,Kappa系数为80.5%,且冻融界线与季节冻土分布南界具有较好的一致性.

[ Jin R, Li X, Che T.A decision tree algorithm for surface soil freeze/thaw classification over China using SSM/I brightness temperature[J]. Journal of Remote Sensing, 2009,13(1):152-161. ]

[15]
Zhao T J, Zhang L X, Jiang L M.Microwave radiation of frozen and thawed soils under complicated surface condition: Simulation and discrimination analysis[J]. Journal of Glaciology & Geocryology, 2009.

[16]
Zuemdorfer B, England AW, Ulaby FT.An optimized approach to mapping freezing terrain with SMMR data[C]. International Geoscience & Remote Sensing Symposium,1989:1153-1156.

[17]
Zuemdorfer B, England A W, Dobson M C.Mapping freeze/thaw boundaries with SMMR data[C]. Agricultural & Forest Meteorology, 1990,52(1-2):199-225.

[18]
Judge J, Galantowicz J F, England A W.Freeze/thaw classification for prairie soils using SSM/I radiobrightnesses[J]. IEEE Transactions on Geoscience & Remote Sensing, 1997,35(4):827-832.Data from the Nimbus-7 Scanning Multichannel Microwave Radiometer (SMMR) have been used to classify snow-free soils in the northern Great Plains as either frozen or thawed. The technique is based on differing sensitivities among SMMR radiobrightness frequencies to liquid moisture and volume scattering in the upper few millimeters of bare soil. The SMMR is no longer active. A current near-equivalent is the Special Sensor Microwave/Imager (SSM/I). The authors demonstrate that SSM/I radiobrightnesses also exhibit differential sensitivities to liquid water and volume scattering in frozen soil despite their higher frequencies. They find that the best classification discriminants for SSM/I data are a combination of the 37-GHz V-pol radiobrightnesses and the 19-to-37-GHz V-pol spectral gradients. They also examine the sensitivity of the classification to atmospheric emission and absorption and find little effect.

DOI

[19]
谢燕梅,晋锐,杨兴国. AMSR-E亮温监测中国近地表冻融循环算法研究[J].遥感技术与应用,2013,28(2):182-191.<p>为更加精细地获取日内地表冻融循环信息,联合使用AMSR-E升轨(13:30)和降轨(1:30)一天两次过境的逐日亮温数据,采用双指标算法,分别判定升轨和降轨过境时刻的地表冻融状态,综合两次过境信息将地表细分为日内完全冻结、日内完全融化、日内冻融循环和日内逆向冻融循环4种类型。经过验证,日内完全冻结地表分类精度达90%,日内完全融化地表和日内冻融循环地表分类精度约为70%。在日内地表冻融循环分类基础上,将年冻融循环周期划分为稳定冻结期、稳定融化期、春季冻融过渡期和秋季冻融过渡期。根据2004年分类结果得出,1月份,日内完全冻结地表和日内完全融化地表大体以秦岭淮河为界,随着温度逐渐升高,日内完全冻结地表南界、日内完全融化地表北界和日内冻融循环地表的南北界从东南向西北移动,温度降低,各边界线从西北向东南移动;稳定冻结期主要出现在1月和2月,稳定融化期出现在7月和8月,春季冻融过渡期是3~5月,秋季冻融过渡期是9~11月。</p>

[ Xie Y M, Jin R, Yang X G.Algorithm development of monitorting daily near surface freeze/thaw cycles using AMSR-E brightness temperatures[J]. Remote Sensing Technology and Application, 2013,28(2):182-191. ]

Options
文章导航

/

〈 〉