地基微波遙感評估黃河源區草原下墊面土壤凍融過程研究

蔣雨芹， 文 軍， 呂少寧， 王作亮， 劉聞慧， 武月月， 鄧 浩

（1.成都信息工程大學大氣科學學院/高原大氣與環境四川省重點實驗室，四川成都 610225； 2.復旦大學大氣與海洋科學系/大氣科學研究院，上海 200438； 3.中國科學院西北生態環境資源研究院寒旱區陸面過程與氣候變化重點實驗室，甘肅蘭州 730000）

0 引言

土壤凍融過程影響的地區占地球陸地總面積的一半以上，包括多年凍土和季節凍土，其中季節性土壤凍融轉換發生在大約51.0% 的陸地上，而多年凍土區約占北半球裸露土地面積的23.9%［1］。在北半球，每年大約有5.0×107km2的范圍會經歷凍融轉換過程［2］。由于青藏高原的特殊地理位置，高原上廣泛分布著多年凍土和季節凍土，土壤凍融過程（freeze/thaw process，F/T）可以通過改變土壤表層及其覆蓋層與大氣間能量與水分交換，進而影響近地面能量平衡，在區域氣候變化中起著非常重要的作用。此外，冰和液態水在凍土中的共存又極大地改變了土壤的水力和熱力性質，從而影響了土壤介質中的水熱分布，對水文過程產生了深遠的影響［3］。因此，開展青藏高原水文和氣候研究就必須掌握較為準確的土壤凍融過程信息。

在過去的研究中，季節性土壤凍融過程主要為分析研究地面單個站點的實測數據［4］，或進行有限區域尺度的數值模式模擬［5］。由于凍土的分布范圍在大尺度上主要受到緯度地帶性和垂直地帶性的雙重控制，但是在中小尺度上又會受到許多局地因素的影響（如坡向、坡度、積雪、植被覆蓋、土壤含水量和地質構造等），導致其空間異質性較強［6］。相對于傳統的地面站點觀測研究，衛星微波遙感技術優勢顯著，星載微波輻射計可以提供長時間序列、覆蓋全球的絕大部分地區、1～2 日重訪周期和多通道的雙極化亮溫觀測等監測優勢。L 波段微波可以穿透覆蓋度較小的植被和較薄的積雪，獲取植被或積雪覆蓋下的土壤物理信息［7］。不僅如此，由于液態水和冰的相對介電常數差異在L 波段較為顯著，最大可達80，因此L 波段微波輻射可以監測地表凍融過程［8］。L 波段地基微波輻射計ELBARA-III 儀器的中心波長約為21 cm，具有較強的穿透能力，可以提供一定深度的土壤信息［9］。在微波輻射傳輸過程中，地表植被的體散射效應很弱，影響較小［10］。由于有上述優勢，L 波段主動和被動微波遙感可以監測積雪融化和土壤凍融過程［11-12］。近年來也出現大量的研究使用水瓶座衛星（Aquarius）與土壤濕度和海洋鹽分衛星（Soil Moisture and Ocean Salinity mission，SMOS）來監測土壤凍融過程［13-15］，并利用Mo等［16］提出的輻射τ-ω零階輻射傳輸模型，可以將觀測的亮溫動態與土壤凍融轉換聯系起來。這也證明了L波段被動微波測量在監測土壤凍融狀態中的可行性和優越性［14］。

如上所述，由于土壤凍融過程的空間差異較大，并且目前星載微波輻射計的空間分辨率較低（通常為數十千米），遠遠不能滿足土壤凍融狀態監測的需要，而地表溫度對主動微波的后向散射系數影響較小。因此，可以將主動微波遙感和被動微波遙感相結合來監測地表凍融，開展地基微波遙感監測土壤凍融過程研究較為重要。同時，土壤凍融過程微波輻射地面觀測試驗也可以為從空間探測土壤的凍融狀態提供理論和依據。土壤凍結后，微波輻射計觀測的亮溫梯度會降低，并且含水量越大，降低得越明顯，水平極化的亮溫梯度總是大于垂直極化的亮溫梯度，并發現不同極化方式的亮溫與凍土中液態土壤水的相變過程密切相關［17］。Schwank等［18］也通過對L 波段微波輻射法監測土壤F/T 狀態的試驗研究和理論分析，發現土壤的凍融過渡對土壤的L 波段特征有明顯的影響，當土壤表層發生凍結時，L波段的亮溫升高。

青藏高原是全球土壤凍融過程的主要發生區域之一。然而，目前對青藏高原土壤凍融過程的主要研究還停留在地面觀測數據和數值模擬結果的分析上，現有衛星遙感土壤凍融數據產品的精度也有待提高，鮮有對地基微波輻射觀測試驗的研究。為了更好地檢驗衛星遙感土壤凍融過程數據產品，發展衛星遙感土壤凍融過程算法模型，非常有必要開展地基微波遙感土壤凍融過程的研究。本文正是基于以上需求，利用在甘肅省甘南藏族自治州瑪曲縣境內的中國科學院若爾蓋高寒生態站陸面與遙感試驗平臺［19］，通過分析L 波段地基微波輻射計觀測數據，開展監測土壤凍融過程的研究，分析L波段微波對土壤季節性凍融周期的敏感性，為完善衛星遙感土壤凍融過程提供理論基礎。

1 數據與方法

本文研究區域位于青藏高原東北部的黃河源區，甘肅省甘南藏族自治州瑪曲縣內的中國科學院若爾蓋高寒生態站陸面與遙感試驗平臺觀測場（33°55′N、102°09′E，以下簡稱瑪曲觀測場）。瑪曲觀測場的下墊面類型以高寒草原、高寒草甸為主，整個生長季植被的高度介于5～15 cm，每年6—7月，觀測場內的植被高度通過人工控制，土壤以砂質壤土為主，粉砂壤土比例較大。瑪曲觀測場海拔為3 432 m，其所屬地區氣候屬于典型的高原大陸性高寒濕潤型，受青藏高原和東亞季風性大陸氣候的影響，冬季寒冷干燥，夏季多雨，多年平均氣溫僅2 ℃，多年平均地表氣壓在640 hPa 左右，多年平均降水為505 mm［20］。

本研究所使用的地基微波輻射計（ELBARAIII）由瑞士GAMMA 遙感公司設計，雙極化（p=H 時水平極化，p=V 時垂直極化）仰角掃描L 波段（1.4 GHz）Dicke 類型天線長度為2.7 m，直徑1.4 m 波束寬度為12°，信號強度為-3 dB 的輻射計［21］。微波輻射計（ELBARA III）被安裝在陸面與遙感實驗平臺觀測場處一個5 m 高的塔式觀測臺上，旋轉天線（大致在天線波束的相同位置）距離地面6.5 m。觀測場地理位置和儀器設備見圖1。

圖1 微波遙感土壤凍融過程觀測試驗場地理位置（a）和ELBARA-III輻射計（b）Fig.1 Geographical location of the experiment site for the observation of the soil freeze/thaw process by microwave remote sensing（a）and the ELBARA-III radiometer（b）

在標準觀測模式下，ELBARA-III 以30 min 的時間間隔和5°角度步長開展從40°～70°觀測角的地面掃描觀察。儀器每日測量數據包括：仰角掃描序列觀測數據、固定仰角觀測數據、天頂（天空）觀測數據。每天23：55 進行天空測量，開展一次天空背景輻射觀測，觀測角度為155°，用以標定儀器自身的冷源。儀器設備主要屬性列于表1。為觀測信號不被其他輻射源干擾和減少觀測誤差，ELBARA-III使用了兩個同步信道（1.400～1.418 GHz，1.409～1.427 GHz）來增強頻帶內的噪聲信號識別，減輕和檢測潛在的無線頻率干擾RFI（radio frequency interference，FRI）。ELBARA-III 的亮溫觀測的絕對精度優于1 K，可記錄敏感響應大于0.1 K 的微波亮溫變化［22］。

表1 本研究所用微波輻射計（ELBARA-III）的主要屬性Table 1 Main attributes of the microwave radiometer（ELBARA-III）used in the study

本文還用到其他地面觀測數據，來源于中國科學院西北生態環境資源研究院瑪曲土壤溫濕度觀測網和中國科學院若爾蓋高寒生態站陸面與遙感試驗平臺觀測場。土壤溫濕度觀測網總共有20 個站點，分布于平緩山坡和平坦地表，每個站點埋設由美國Decagon 設備公司生產的ECH20/EC-TM 土壤濕度感應探頭和ECH-EM50 數據自動記錄盒［23］。本文選取觀測網中NST-14 點的觀測數據，包括2.5 cm 和5.0 cm 深度的土壤溫度/土壤濕度，采樣頻率為15 分鐘，由于設備故障，2018 年7 月部分數據缺失。近地面氣溫采樣頻率為30 分鐘。為減少誤差，對于數據缺測值，本文選用平均日變化法處理，即某一時刻的缺失數據用相鄰數日同一時刻沒有缺失的數據的平均值代替［24］。

2 土壤凍融過程的監測方法

2.1 地面觀測數據監測凍融過程

在一個土壤凍融過程循環年內，土壤凍融過程分為四個階段：完全融化階段（thawed period，TP）、開始凍結至完全凍結階段（freezing-to-frozen period，FFP），完全凍結階段（frozen period，FP）和開始融化至完全融化階段（thawing-to-thawed period，TTP）［25］。根據土壤的日最高溫度、日最低溫度和日平均溫度分別定義凍融過程的四個階段，當土壤日最高溫度低于0 ℃時，土壤處于完全凍結階段；當土壤日最低溫度高于0 ℃時，土壤處于完全融化階段；當土壤日平均溫度高于0 ℃，并且日最低溫度低于0 ℃時，土壤處于開始凍結至完全凍結階段；當土壤日平均溫度低于0 ℃，并且日最高溫度高于0 ℃時，土壤處于開始融化至完全融化階段［26-27］。

根據以上定義，可用2017 年7 月至2018 年6 月的瑪曲觀測場的淺層土壤溫度（圖2）劃分得到土壤凍融的各階段的起止時間和持續日數。由表2 可知，在本研究時段內，瑪曲觀測場淺層土壤完全融化階段從4 月初開始，持續至11 月下旬開始進入下一階段。而完全凍結階段則是從12月中旬開始，結束時間約為第二年的2月中旬。這兩個階段持續時間共300 天左右，故瑪曲觀測場淺層土壤一年內大部分時間處于完全凍結或者完全融化狀態。從完土壤全凍結到完全融化的過渡階段時間約為40天，從土壤完全融化到完全凍結的過渡階段時間平均為20天左右。

圖2 瑪曲觀測場2017—2018年淺層土壤溫度時序圖Fig.2 Time series of the shallow soil temperature from 2017 to 2018 at Maqu Observatory

表2 瑪曲觀測場2017—2018年土壤各凍融過程階段的起止日期和持續日數Table 2 Start and end time and number of days of each freeze/thaw process stage of the soil at the Maqu Observatory during 2017—2018

由于不同地區的土壤凍融過渡期不同，本文根據研究區域一個完整凍融年的四個凍融階段的具體時間，劃分為春季（3—5月）、夏季（6—8月）、秋季（9—11 月）、冬季（12 月至次年2 月）。由圖3 可知，春季和秋季期間（土壤多處于開始凍結至完全凍結階段和開始融化至完全融化階段）此期間40°、50°、60°入射角下，垂直極化和水平極化的亮溫均值較夏季和冬季期間（土壤多處于完全凍結階段和完全融化階段）低。其中春季和夏季期間差距最大，不同入射角下，水平極化亮溫平均相差60.4 K，垂直極化亮溫平均相差32.0 K。春季和秋季期間亮溫標準差比夏季和冬季大，表明亮溫在發生土壤凍融轉換時有明顯響應。冬季期間，土壤多處于完全凍結階段，垂直極化亮溫波動較小，60°入射角下，標準差最低僅為2.5 K。垂直極化和水平極化亮溫的平均值在春季和秋季期間較低，夏季和冬季期間較高，分別為150.4 K 和216.3 K，180.3 K 和226.2 K；標準差在春季和秋季期間較大，夏季和冬季期間較小，分別為25.0 K和14.1 K，32.4 K和13.0 K。

圖3 入射角分別為40°、50°和60°下，ELBARA-III輻射計觀測垂直和水平極化亮溫在不同季節中的平均值和標準偏差Fig.3 Average and standard deviation of the vertical and horizontal polarization brightness temperature observed by ELBARA-III radiometer in different seasons under the incident angles of 40°，50° and 60°

2.2 微波輻射計遙感監測凍融過程

本文重點研究基于地基L波段微波輻射表面凍融算法的評估。利用ELBARA III 得到的亮溫數據作為輸入數據，采用Schwank 等［18］提出凍結因子（frost factor，FF）表征土壤凍融狀態與過程，再用地面觀測數據評估L波段微波輻射計估算土壤凍融狀態與過程關鍵參量及其季節變化。根據已有研究，本研究評估了四種不同的凍結因子。四種凍結因子主要與輻射極化比（比值或者差值）有關，分別為

式中：FFNPR為歸一化極化比值凍結因子（frost factor of normalized polarization ratio）；FFPD為極化差值凍結因子（frost factor of polarization difference）；FFCHPD和FFCVPD分別為組合水平極化差值凍結因子（frost factor of combined horizontal polarization difference）和組合垂直極化差值凍結因子（frost factor of combined vertical polarization difference）。實際計算中采用Schwank 等［18］提出的相對凍結因子（relative frost factor，RFF）判別土壤的凍融過程與狀態。RFF表達式為

式中：X為相對凍結因子類型；FFX（t）為由地基L 波段微波輻射計每日觀測地表亮溫獲得的凍結因子；FFX（fr）和FFX（th）分別為土壤凍結和融化狀態下凍結因子的數值。在此之上，提出一種判定閾值方法來區分凍結和融化狀態［28］。判定閾值方法為

再通過閾值（Δ2）判定當天相對凍結因子的標準差的大小，進一步區分開始凍結至完全凍結階段（FFP）和開始融化至完全融化階段（TTP）。判定閾值方法為

RFF 由不同凍結因子歸一化處理后得到，故其對應閾值（Δ1）應在0～1 之間變化，可通過迭代算法找出不同凍結因子與參考數據集匹配準確度最優的閾值Δ1，閾值Δ2范圍與計算所得的相對凍結因子的標準差范圍相同，處于0～1之間。

本研究將評估利用亮溫觀測值獲取FFX（fr）和FFX（th）方法。第一種方法是“30-Average”法，即FFX（fr）和FFX（th）是分別為從2017 年7 月到2018 年6 月中30 個FFX（t）的最大值和最小值的平均值（表3）。第二種方法是“5-Max/Min”法，即FFX（fr）和FFX（th）是分別從2017年7月至2018年6月的所有可用TBP數據中選取5 個最大值的平均值作為FFX（fr），從2017年7月至2018年6月的所有可用TBP數據中選取最小的5個值的平均值作為FFX（th）。

表3 “30-Average”和“5-Max/Min”方法在不同入射角下的凍融參考值Table 3 Freeze-thaw reference values of“30-Average”and“5-Max/Min”methods under different incident angles

由于微波輻射計有多個觀測入射角度，由此可以產生出多種凍結因子組合類型（4個FFX×2個參考狀態（fr 和th）×3 個觀測入射角度）。為了比較實測淺層土壤溫度和近地面氣溫與相對凍結因子在反饋土壤凍融狀態的一致性，將溫度數據轉換為土壤凍融信息：當天日平均溫度大于0 ℃，則土壤視為融化狀態；當天日平均溫度小于0 ℃，則土壤視為凍結狀態。然后，將相對凍結因子與參考數據集（T2.5cmsoil、T5.0cmsoil和Tair）獲得的土壤凍融狀態信息進行對比，用相匹配的凍結和融化天數除以總時間（剔除數據缺測天數），便可得出微波輻射計估算土壤凍融過程準確度。具體表達式為

式中：Accuracy 為算法估算土壤凍融狀態與過程的準確度；Daycorrect為參考數據集和相對因子正確匹配天數；Dayall為總天數。研究表明，入射角為50°時，TBP對土壤凍融過程比其他入射角度更敏感［29］，而SMAP（Soil Moisture and Active Passive）衛星的觀測入射角為40°，為了增加可靠性，再選取入射角為60°的觀測數據作為對照參考。本研究選取入射角為40°、50°和60°的數據進行分析。所以，本研究總共有24 種不同類型的凍結因子組合類型表征土壤的凍融過程。

3 結果與分析

3.1 F/T算法評估

由圖4 可知，在對選用“30-Average”法和“5-Max/Min”法分別得到的FFX（fr）和FFX（th）的評估中，不同入射角度下的微波輻射計（ELBARA-III）數據，與、和Tair三種F/T 參考數據相比，使用第二種方法（“5-Max/Min”）獲得的FFX（fr）和FFX（th）參考值效果較好，這是因為選用“5-Max/Min”方法所獲得的凍融參考值的10 天僅1 天不處于完全凍結或者完全融化階段，而選用“30-Average”方法所獲得的凍融參考值的60 天中，有13 天不處于完全融化或者完全凍結階段。當選用淺層土壤溫度（、）作為參考數據集時。第一種方法（“30-Average”）與第二種方法（“5-Max/Min”）最佳準確度的最大相差約為5.0%，平均相差3.9%。這是因為得到第二種方法使用的參考值多處于完全凍結或者完全融化階段，而得到第一種方法的參考值有21.3% 的天數出現短期融化或凍結現象，土壤融化后土壤水分下滲和土壤水分值降低導致出現相對偏低的凍結因子，從而使準確度較低。當選用淺層土壤溫度作為參考數據集時，T2.5cmsoil和T5.0cmsoil經過處理后的結果幾乎完全一致，均可以很好地代表淺層土壤凍融狀況。選用“30-Average”法相較選用“5-Max/Min”法獲得的全年準確度較低，可能是異常值或者噪聲干擾值的影響，例如無線電射頻干擾未被過濾或者儀器測量異常等。因此，本文后續研究均采用第二種方法（“5-Max/Min”）所獲得的FFX（fr）和FFX（th）參考值。

圖4 不同入射角下，四個相對凍結因子與兩類參考數據集匹配的準確度Fig.4 Accuracy of matching the four relative frost factors with the two types of reference data sets under different incident angles

在評估四種凍結因子算法中，從圖4可以看出，當選用Tair作為參考數據集時，FFPD和FFNPR最佳準確度較高，在觀測入射角為40°和50°時，FFNPR準確度均最高，可達83.6%。 相比之下，選用FFCHPD和FFCVPD時得到的最佳準確度較低，在觀測入射角為40°時，FFCVPD準確度最低，僅為73.8%，與最高的最佳FFNPR準確度相差接近9.8%。并且FFCHPD和FFCVPD得到的最佳準確度隨著入射角度的增加也增大，其中FFCHPD增大幅度較明顯。而FFPD和FFNPR得到的最佳準確度基本相近。當選用或者參考數據集時，四種凍結因子在不同的入射角度下獲得的最佳準確度均有所下降，與選用Tair作為參考數據集時，平均相差約為7.2%，此時能得到的最佳準確度最高僅為73.8%。不過此時不同角度下四種凍結因子得到的最佳準確度數值相近，這表明選用淺層土壤溫度作為參考數據集時，總體效果相近與入射角度和凍結因子的選擇無關。因此，四種凍結因子中，FFPD和FFNPR對土壤凍融狀態的轉換相對比較敏感。

3.2 相對凍結因子的最佳閾值分析

圖5～7展示了不同入射角下，使用“5-Max/Min”法估算FFX（fr）和FFX（th）參考值的四種凍結因子與三類參考數據估算土壤凍融狀態與過程的匹配準確度。結果表明，當選擇Tair作為參考數據集時，可靠閾值范圍較廣（0.1～0.8），此間準確度存在一個極大值，曲線成“倒U”形，最大限度地提高了F/T 的準確檢測。其中，選擇FFPD時，最佳閾值為0.54，較為接近固定閾值（Δ=0.5）；而選擇另三種凍結因子時，最佳閾值通常較小，介于0.2～0.4 之間，此時與固定閾值（Δ=0.5）相比，優化閾值后準確度提高10%～15%。隨著入射角度增大，四類凍結因子獲得較高準確度的可靠閾值范圍均增大，即準確度大于70%的閾值增多。其中對凍融信號敏感的FFPD變化顯著，可靠閾值范圍從0.4～0.6 擴寬到0.35～0.65；對凍融狀態轉換相對不敏感的FFCHPD和FFCVPD可靠閾值也提前出現，分別在0.15 和0.15 達到可靠閾值的要求。通過比較三種入射角度下四種相對凍結因子得最佳閾值可知，選用氣溫作為參考數據集時，FFPD的最佳閾值最接近固定閾值為0.5；FFNPR的最佳閾值為0.4；FFCHPD和FFCVPD的在入射角較低（40°、50°）最佳閾值為0.2，在入射角較高（60°）時最佳閾值為0.3。

圖5 在40°入射角下，使用“5-Max/Min”法FFX（fr）和FFX（th）參考值時四種凍結因子不同閾值下與參考數據集Tair（a），（b）和（c）匹配的準確度（虛線為固定閾值）Fig.5 Under the incident angle of 40°，using the“5-Max/Min”method FFX（fr）and FFX（th）reference values，the four frost factors are compared with the reference data set Tair（a），（b）and（c）under different thresholds（The dotted line is a fixed threshold）

圖6 在50°入射角下，使用“5-Max/Min”法FFX（fr）和FFX（th）參考值時四種凍結因子不同閾值下與參考數據集Tair（a），（b）和（c）匹配的準確度（虛線為固定閾值）Fig.6 Under the incident angle of 50°，using the“5-Max/Min”method FFX（fr）and FFX（th）reference values，the four frost factors are compared with the reference data set Tair（a），（b）and （c）under different thresholds（The dotted line is a fixed threshold）

圖7 在60°入射角下，使用“5-Max/Min”法FFX（fr）和FFX（th）參考值時四種凍結因子不同閾值下與參考數據集Tair（a），（b）和（c）匹配的準確度（虛線為固定閾值）Fig.7 Under the incident angle of 60°，using the“5-Max/Min”method FFX（fr）and FFX（th）reference values，the four frost factors are compared with the reference data set Tair（a），（b）and （c）under different thresholds（The dotted line is a fixed threshold）

當選用土壤溫度作參考數據集時，在三種不同觀測入射角度下，四種凍結因子獲得的準確度均與閾值大體成負相關關系。但是四種凍結因子均存在一個拐點閾值，拐點閾值后，準確度回升。對凍融信號較為敏感的FFPD和FFNPR的拐點閾值相對靠近固定閾值，分別為0.4和0.6。隨著觀測入射角度增大，拐點閾值也前移。選用土壤溫度作為參考數據集時，最佳閾值通常出現在拐點閾值后，隨著入射角度增大，最佳閾值離拐點閾值越遠。與選用氣溫作為參考數據集時相比，選用土壤溫度作為參考數據集時，各相對凍結因子的閾值均增大。

3.3 基于微波輻射計觀測數據估算F/T 準確度的季節特征

在一個凍融年周期內，地基微波輻射計估計的總準確度（如圖4 所示）可以很好地表征F/T 信號的整體強度，準確度越高說明凍融信號越明顯，但不能確定重要凍/融轉換過渡季節的準確性。為了更好評估不同季節下的土壤凍融狀態，選用各個凍結因子下的最佳閾值和使用“5-Max/Min”方法后獲得的FFX（fr）和FFX（th）參考值來最大程度減少干擾。選用氣溫和土壤溫度作為參考數據集在準確度匹配方面給出了非常相似的結果。通過圖8 可知，當選用氣溫作為參考數據集時，四個凍結指數表現基本一致。在春季的F/T 過渡期間，四個凍結指數準確度均較低，僅FFCHPD指標在50°入射角時，準確度相對較高達到78.3%。夏季期間，FFNPR和FFPD指標準確度遠高于FFCHPD和FFCVPD指標，準確度均超過95%。秋季和冬季，四個凍結指數準確度均較高，僅FFNPR指標在冬季期間（土壤完全凍結期）準確度較低，僅為28.8%。通過圖9 可知，選用土壤溫度作為參考數據集時，與選用氣溫作為參考數據集時相似，兩個F/T 過渡期（春季和秋季），四個凍結指標的準確度均較低，春季期間僅FFCHPD指標準確度相對較高，達到74.8%。

圖8 在50°（a）和60°（b）入射角下，選用Tair作為參考數據集的各個凍結因子在最佳閾值時的季節準確度Fig.8 Seasonal accuracy of each frost factor selected as the reference data set Tair at the optimal threshold under the incidence angles of 50°（a）and 60°（b）

圖9 在50°（a）和60°（b）入射角下，選用作為參考數據集的各個凍結指數在最佳閾值時的季節準確度Fig.9 Seasonal accuracy of each frost factor selected as the reference data set at the optimal threshold under the incidence angles of 50°（a）and 60°（b）

3.4 微波輻射計觀測亮溫與土壤凍融狀態變化特征

由圖10 可知，隨著觀測入射角的增加，土壤凍融狀態發生轉換時，亮溫差值振幅較大。當土壤處于由凍結（融化）向融化（凍結）轉換階段時，其亮溫的差值介于15～50 K 之間。當土壤處于完全凍結或者完全融化階段時，亮溫差值振幅較小。進入冬季土壤完全凍結后，觀測到的TBP增加到一定的飽和極限；達到極限后，TBP通常保持穩定，直到土壤開始融化。期間，水平極化亮溫的變化比垂直極化的變化更大，冬季的水平極化亮溫的標準差和垂直極化的標準差分別為10～13 K 和2～7 K［圖3（b）］。這是由于水平極化對積雪變化的敏感性增加，特別是在垂直分層的積雪中。盡管大部分情況下干雪對L波段輻射是比較透明的，但是出現諸如融化-再凍結形成冰晶層之類的強烈特征會影響雪內部的局部折射，從而改變微波輻射計探測到的輻射信號［18］。積雪在可見光波段和微波波段對輻射的影響不同。在可見光波段，由于積雪冰晶或雪粒的反射率大，導致積雪的反照率大［30］，由此導致積雪表面獲得的太陽輻射減小，導致地面冷卻。在微波波段，由于積雪液態含水量較少，從而導致微波發射率較小，再加上雪層溫度的降低，使得微波輻射亮溫降低。故當地面有積雪覆蓋時，垂直極化和水平極化亮溫均下降。在土壤從融化轉向凍結的過程中，由于土壤中液態水含量急劇減小，導致土壤的微波發射率增大，這使得垂直極化亮溫和水平極化亮溫也迅速上升，極化亮溫差也進一步加大。而在融化狀態下，土壤液態水含量高，土壤溫度也高，變化幅度大，這使得極化亮溫較大，變幅也大，極化亮溫差減小。在微波輻射計的典型觀測角度（40°，50°，60°）下，土壤凍融轉換中的信號響應可以概述為：土壤發生凍融轉換時，垂直極化和水平極化上亮溫信號均增加，垂直極化和水平極化差值減小；土壤處于完全凍結或者完全融化階段時，亮溫信號趨于穩定，波動較開始融化或開始凍結階段小。

圖10 在40°（a）、50°（b）和60°（c）入射角下，土壤凍融狀態及與微波輻射亮溫的時間序列（紫：TP，黃：FFP或者TTP，藍：FP）Fig.10 Time series of the soil freeze-thaw state and the brightness temperature of microwave radiation under the incident angles of 40°（a），50°（b）and 60°（c）（purple：TP，yellow：FFP or TTP，blue：FP）

在微波輻射計監測土壤凍融準確度最佳的50°入射角觀測下（圖11），四個凍結因子的變化趨勢相似，自7 月起波動變化較小，進入10 月下旬，土壤發生凍融轉換，相對凍結因子數值增大，隨后保持穩定。直到土壤開始解凍，相對凍結因子先波動上升，在春季中期達到最大，隨后波動下降直至趨于穩定，全年變化趨勢呈“雙峰型”。由圖12 可知，將四個相對凍結因子歸一化后，春季期間四個相對凍結因子的標準差平均約為0.23，秋季期間四個相對凍結因子的標準差平均約為0.3。土壤處于完全融化或者完全凍結狀態時，相對凍結因子的標準差均小于0.2。

圖11 在50°入射角下，各個相對凍結因子的時間序列Fig.11 Time series of the relative frost factors under the incident angle of 50°

圖12 在50°入射角下，歸一化后各個相對凍結因子的時間序列Fig.12 Time series of the normalized relative frost factors under the incident angle of 50°

4 結論

本文通過對比分析中國科學院若爾蓋高寒濕地生態系統站瑪曲觀測場地基微波輻射計（ELBARA-III）觀測數據，評估了微波輻射計觀測在土壤F/T監測中的準確性，得出以下結論：

（1）地基微波輻射計（ELBARA-III）監測土壤凍融過程時，對F/T 監測結果與（、和Tair）參考數據集估算的結果基本一致。與Tair估算的F/T結果高于或，平均相差7.2%以上。

（2）不同凍結因子算法的準確度與觀測入射角有一定關聯。當觀測入射角為50°時，FFPD和FFNPR算法準確度相較40°或60°觀測入射角時高，最高可以達到83.6%。FFPD和FFNPR算法對土壤的凍融轉換過程更加敏感。

（3）在土壤凍融過程中，FFCHPD指標準確度相對較高，春季期間最高可以達到84.8%，秋季期間最高可達91.0%。在完全凍結期中，FFNPR指標準確度較另三個指標低，最低僅為28.8%。

（4）土壤處于從凍結（融化）向融化（凍結）轉換時期時，亮溫差值介于15～40 K 之間。當土壤處于完全凍結或者完全融化階段時，亮溫極化差值小于15 K。在春季和秋季期間，相對凍結因子波動較大，標準差分別為0.23和0.3。夏季和冬季期間，相對凍結因子較為穩定，標準差小于0.2。

本文利用L波段地基微波輻射計觀測數據評估了土壤凍融過程，考慮到青藏高原地區下墊面的非均勻性，若要得到更確定的結論需要儀器監測更多類型的下墊面，進而對比分析。另外，本文選取的研究站點的觀測數據時間長度較短，這還有待今后建立長時間序列資料。本次研究僅選用近地面氣溫和淺層土壤溫度作為參考數據集，下一步準備使用與土壤凍融過程聯系更緊密的土壤含水量作為參考數據，并利用數值模式探討土壤凍融過程的影響機制。