遥感技术与应用, 2020, 35(6): 1237-1262 doi: 10.11873/j.issn.1004-0323.2020.6.1237

冰雪遥感专栏

积雪、土壤冻融与土壤水分遥感监测研究进展

蒋玲梅,1, 崔慧珍1,2, 王功雪1,3, 杨建卫1, 王健1, 潘方博1, 苏旭1, 方西瑶1

1.北京师范大学/中国科学院空天信息创新研究院联合遥感科学国家重点实验室，北京师范大学地理科学学部，北京 100875

2.北京师范大学生命科学学院，北京 100875

3.信息工程大学，河南 郑州 450001

Progress on Remote Sensing of Snow, Surface Soil Frozen/Thaw State and Soil Moisture

Jiang Lingmei,1, Cui Huizhen1,2, Wang Gongxue1,3, Yang Jianwei1, Wang Jian1, Pan Fangbo1, Su Xu1, Fang Xiyao1

1.State Key Laboratory of Remote Sensing Science，Jointly Sponsored by Beijing Normal University and Aerospace Information Research Institute of Chinese Academy of Sciences，Faculty of Geographical Science，Beijing Normal University，Beijing 100875，China

2.College of Life Sciences，Beijing Normal University，Beijing 100875，China

3.Information Engineering University，Zhengzhou 450001，China

收稿日期: 2020-04-27   修回日期: 2020-12-10   网络出版日期: 2021-01-25

基金资助: 青藏高原二次科考项目专题6“亚洲水塔区水量平衡的动态观测与模拟”.  2019QZKK0206
国家自然科学基金重大项目课题“陆地水循环关键参量时空多尺度智慧化遥感”.  42090014
国家自然科学基金项目“基于多源遥感数据的中国地区时空连续积雪覆盖度反演算法研究”.  41671334
国家科技基础资源调查专项“中国积雪特性及分布调查”第二课题“中国积雪时空分布特性遥感调查”.  2017FY100502

Received: 2020-04-27   Revised: 2020-12-10   Online: 2021-01-25

作者简介 About authors

蒋玲梅（1978-），女，浙江东阳人，博士，教授，主要从事积雪、地表冻融与土壤水分遥感研究E⁃mail:jiang@bnu.edu.cn , E-mail：jiang@bnu.edu.cn

摘要

积雪、土壤冻融与土壤水分是陆表能量与水分以及碳交换过程研究中的重要因子，为了更好地了解积雪覆盖、雪深/雪水当量、土壤冻融状态和土壤水分等参数的遥感监测领域的发展动态，对这些参数遥感监测方法的研究进展进行了梳理，总结了利用光学与微波遥感，以及多源遥感融合的监测方法，并对该研究领域的发展趋势进行了展望。积雪、土壤冻融与土壤水分的遥感监测能力不断提升，监测算法从单一传感器向多传感器、单波段单一模式向多波段多模式集成，以及卫星虚拟星座综合观测概念的提出，均促进了现有卫星观测地表参数能力的提升；长时间序列产品的开发，对于研究和掌握全球变化大背景下对气候的响应提供了很好的数据基础；同时有助于促进遥感在水文、气象、气候、生态等领域的应用。以上的研究综述，有望对陆表水循环遥感参数反演领域，以及水循环遥感关键参数的应用领域有一定的借鉴作用。

关键词： 遥感监测 ; 积雪覆盖 ; 雪深/雪水当量 ; 土壤冻融 ; 土壤水分

Abstract

Snow cover， snow depth/snow water equivalent， surface soil frozen/thaw state and soil moisture are the key variables in the three cycles including energy， water and carbon cycles. In order to better understand the remote sensing techniques of above parameters， this paper presents a comprehensive review of the progress in remote sensing of snow， soil frozen/thaw state and soil moisture， including the methods and theories of snow cover， snow depth / snow water equivalent， surface soil frozen/thaw and soil moisture remote sensing monitoring from visible， microwave techniques and the integration of multi-sources of remote sensing. The research progress of these parameters is summarized， and the prospects of these parameters are also discussed. The capability of snow， surface soil frozen/thaw state and soil moisture with remote sensing has been demonstrated to be improved greatly due to the retrieval algorithms development based on from single-sensor to multi-sensor combination， single-band to multi-band integration， especially on the virtual satellites constellation. Long time series data set of these surface parameters about 40~50 years were generated， then these products provide our better understanding on surface response to global climate change， and accelerating the application into the research of hydrology， climate and carbon cycles. This review will be helpful for the application of key parameters retrieval in water cycle with remote sensing.

Keywords： Remote sensing ; Snow cover ; Snow depth/snow water equivalent ; Surface soil frozen/thaw state ; Soil moisture

PDF (2576KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

蒋玲梅, 崔慧珍, 王功雪, 杨建卫, 王健, 潘方博, 苏旭, 方西瑶. 积雪、土壤冻融与土壤水分遥感监测研究进展. 遥感技术与应用[J], 2020, 35(6): 1237-1262 doi:10.11873/j.issn.1004-0323.2020.6.1237

Jiang Lingmei, Cui Huizhen, Wang Gongxue, Yang Jianwei, Wang Jian, Pan Fangbo, Su Xu, Fang Xiyao. Progress on Remote Sensing of Snow, Surface Soil Frozen/Thaw State and Soil Moisture. Remote Sensing Technology and Application[J], 2020, 35(6): 1237-1262 doi:10.11873/j.issn.1004-0323.2020.6.1237

1 引 言

季节性积雪和冻土约占地球陆地面积的60%，从高纬度苔原和森林生物群落到中纬度森林和草原生物群落，包括山区，都会有季节性积雪和冻土［1-2］。积雪覆盖作为土壤冻融期最普遍的上边界条件，直接影响着土壤水分的分布、迁移以及土壤温度、冻结速率、冻结深度等。积雪覆盖地表，大量水分以积雪的形式存在于土壤表面，由于积雪自身较高的反照率和较低的导热率等性质，对土壤起着一定的保温作用，从而影响着底层土壤的温湿状况以及土壤的冻融状态。季节性积雪影响着大气与地面之间的热量交换，从而影响了季节性冻土和永久冻土的分布。地表冻融的变化对地表水的流动性和能量分配影响重大，地表冻融循环会改变土壤的物理属性、影响土壤和融雪之间的相互作用和土壤的水热循环［3］。伴随着冰雪地表融化，雪水的入渗会补给土壤表层水分，同时土壤水分通过大气和地表之间的能量交换来调节地表能量循环，为植被的蒸发、散发及光合作用提供能量。如图1所示，积雪、地表冻融与土壤水分是全球水循环过程中的关键要素，同时也是地—气能量交换和碳循环过程研究中的关键因子，是水文、气象和气候研究中的重要要素。如何有效地获取积雪、地表冻融与土壤水分三要素信息，对于气象、水文、水资源、水循环和全球变化研究有着非常重要的意义。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   全球水循环过程示意图[5]

Fig.1   Schematic overview of global water cycle[5]


传统的地表参数观测方式中，由于经常受到人力、物力、监测范围的影响，尤其是在环境恶劣地区，依靠点观测很难有效获取大范围地表参数的时空动态变化特征，无法满足气象、气候、水文模型等研究的时空尺度要求。此外，地面站点数据的空间分布以及站点数据的代表性具有很大的局限性。随着基于卫星平台的遥感技术的不断深入发展，为获取高精度、不同区域时空尺度的地表参数信息提供了更多的可能性［4］。

按传感器采用波段的不同，目前观测地表参数的遥感手段可分为光学/热红外遥感监测，微波遥感监测。微波遥感方式又分为被动微波遥感和主动微波遥感。光学/热红外遥感、微波遥感对地表各要素的敏感性不同，因此获取各参数的方式有所不同。利用光学/热红外传感器数据可获取积雪覆盖、多年冻土覆盖范围、土壤水分等参数。但光学/热红外传感器容易受大气中的云、水汽及其他天气状况的影响，仅能获取晴空条件下的地表信息。相比于可见光、热红外遥感，微波遥感具有全天时、全天候的工作特点，对地物有较强的穿透能力，对地表参数更好的敏感性。其中低频X、C、L波段可探测到地表土壤信息，能够有效获取地表土壤水分和冻融状况。其他高频波段如K，Ka波段可有效获取雪深和雪水当量，以及地表的冻融状态。被动微波遥感的空间分辨率相对较粗（25~40 km）；而主动微波遥感重复观测周期相对较长（6~14 d），虽然目前在轨的Sentinel-1 A星和B星结合对地观测，其时间分辨率可达6 d，但其在实际应用中，除欧洲之外大多数地区的重访周期依旧为12 d。由于不同的遥感方式在获取地表参数中各有优势和不足，已有许多学者结合多源遥感的优点来进一步获得地表参数。目前，针对积雪、土壤冻融与土壤水分遥感监测已有大量的研究成果。本文将对上述地表参数的遥感反演方法以及研究进展做系统的总结。

2 积雪遥感研究进展

2.1　积雪覆盖

2.1.1　基于极轨星积雪覆盖算法

由于站点观测的局限性，卫星遥感早已用于积雪的动态监测。利用卫星遥感开展积雪监测已有50余年历史，积雪监测的空间尺度取决于卫星遥感影像的空间分辨率，可从米级至千米级。积雪覆盖面积的遥感估算有两种形式，一种为二值积雪判识（即有雪和无雪两类）；另一种是亚像元的积雪覆盖制图，以面积百分比形式，即积雪覆盖度。

自然界的积雪是由空气、一定形状和尺寸的冰晶以及一定含量的液态水、吸光性杂质的混合物组成。积雪具有可见光高反射、短波红外低反射的独特光谱特征，同时其光谱反射受雪粒径大小、吸光性杂质含量的影响。利用积雪在可见光波段具有高反射、短波红外低反射的光谱特征，Dozier［6］首次将该特征用于Landsat 5/TM影像的积雪信息提取，利用可见光绿波段0.6 μm和短波红外波段1.6 μm的反射率建立了归一化差值积雪指数（NDSI），可以有效识别积雪，将积雪与其他地物和云相区分。NASA MODIS的积雪覆盖产品（MOD10和MYD10）利用SNOMAP算法进行逐像元积雪二值的判别［7-9］。Salomonson和Appel［10-11］发现Landsat 7/ETM+积雪覆盖度与Terra和Aqua MODIS的NDSI值之间有很好的线性关系，基于该关系建立了基于积雪指数NDSI的积雪覆盖度估算方法，将其作为NASA MODIS官方积雪覆盖度经验算法。但是该经验算法用于全球不同地表，则难以消除地表覆盖类型、积雪物理属性、成像几何关系等因素的复杂变化带来的不确定性［17］。此外，除了NDSI之外，其他的积雪指数如NDFSI、URSI也用于植被覆盖区的积雪覆盖度估算，可以有效减小NDSI在植被覆盖地区的局限性［12-13］。

在山区雪线附近以及不连续斑块状积雪分布地区，使用中低空间分辨率影像获取的二值积雪信息对于该区域的积雪分布准确估计带来较大的不确定性和偏差，因此积雪覆盖度（像元内的积雪覆盖面积比例）的准确估计显得尤为重要。卫星像元内的二值积雪信息逐渐被积雪覆盖度替代。积雪覆盖度可通过无雪信号和有雪信号之间的线性插值（即二分法）来进行估算，积雪指数法就是采用了积雪指数（NDSI）来估算积雪覆盖度。Slater等［14］采用AVHRR观测数据，利用冬季积雪区与非积雪区NDVI值的不同来估计积雪覆盖度。Metsämäki等［15］利用一种森林地区积雪反射率模型，以“双层透过率”来考虑森林冠层对森林区积雪反射率的影响，通过该模型的反向解算获取积雪覆盖度，比线性插值算法（二值法）有所改进。欧空局将该方法用于ERS-2/ATSR-2与Envisat/AATSR数据生产的GlobSnow积雪覆盖度产品，其在森林地区的均方根误差RMSE约为0.2~0.3［16］。Hori等［17］利用AVHRR与MODIS数据，利用决策树算法制作了北半球长时序5 km分辨率的积雪覆盖产品（JASMES），该产品弥补了长时间序列大尺度逐日积雪覆盖产品的缺失。

估算积雪覆盖度的物理方法则是基于线性光谱模型的混合像元分解算法。Painter等［18］提出MODSCAG算法，则是从实验室与野外现场测量所得的光谱数据库中选取植被、岩石和土壤等典型端元，利用辐射传输模型提取不同粒径、入射—观测几何的积雪端元，通过多端元光谱混合分析方法估算积雪覆盖度。MODSCAG算法是目前精度较高的MODIS积雪覆盖面积估算方法［19］，但是由于依赖模型模拟其运算量很大。Sirguey等［20］对MODIS影像进行了严格的大气校正和地形校正，使端元的使用更具有健壮性。施建成［21］提出一种基于MODIS反射率影像的自动端元提取算法，通过NDVI、NDSI等指数自动从影像中选取端元。Zhu等［22］相比该方法有一定改进，利用了典型或邻域端元实现了较为快速的高精度、自动化积雪覆盖度反演。Hao等［23］发现在青藏高原地区，自动端元提取的混合像元分解算法与MODSCAG算法精度要高于半经验线性算法获取的MODIS官方积雪覆盖度产品（MOD10A1）。除了MODIS卫星数据外，中国的FY-3D/MERSI-II数据也使用了基于光谱混合分析理论反演积雪覆盖度［24］。

对于高空间分辨率的光学影像而言，如GF-1/2影像，可采用二值形式的积雪判别，如肖鹏峰等［25］利用GF-1红光波段和近红外波段建立了高分积雪指数进行积雪判识。但是利用高空间分辨率影像更需要关注地形和光谱辐射饱和效应对积雪判识的影响。Hao等［23， 25］采用监督分类方法估计了GF-2的积雪覆盖度。Sentinel-2/MSI可见光至短波红外波段空间分辨率可达10~20 m，且双星联合后时间分辨率可达5 d，近年来也被用于高空间分辨率积雪覆盖制图［23，26］。对于Landsat 30 m分辨率影像而言，积雪混合像元问题仍然存在，因此多端元混合光谱分析方法可用于Landsat影像［19， 27］。Hao等［23］利用GF-2验证了Landsat 8/OLI基于多端元线性光谱混合分析方法的积雪覆盖度，反演误差（RMSE）小于0.1。Aalstad等［28］利用地面延时拍摄的相片得到高精度积雪覆盖数据，验证了对Landsat-8/OLI、Sentinel-2/MSI、MODIS不同空间分辨率卫星数据使用3种积雪覆盖估算方法，发现在OLI与MSI尺度下混合像元分解算法明显优于阈值算法和基于积雪指数的线性经验算法。

除了上述经验回归算法和线性混合光谱分析方法之外，其他机器学习算法如神经网络方法、多元自适应样条算法和小波分析等方法也被用于积雪覆盖度反演。如Dobreva等［29］利用BP（后向传播）多层前馈神经网络算法，将MODIS共7个波段地表反射率、NDSI、NDVI以及地表覆盖作为输入来提取积雪覆盖度，根据独立于训练数据的测试数据集验证发现RMSE约14%。Czyzowska-Wisniewski等［30］将人工神经网络方法用于多尺度的遥感数据（Landsat 30 m和IKONOS 1 m数据）来反演积雪覆盖度，并且考虑了地形的影响。此外，Kuter等［31］首次尝试将多元自适应回归样条应用至积雪覆盖度反演，该模型比人工神经网络简单且训练过程效率更高。Moosavi等［32］利用小波—人工智能混合方法反演积雪盖度，发现小波变换的预处理技术可以提高人工神经网络和自适应神经模糊推理系统模型（ANFIS）反演积雪覆盖度的精度。但是这些算法较为复杂，难以直接应用于大区域的积雪覆盖度反演。

2.1.2　基于静止星积雪覆盖算法

近年来基于静止卫星提取积雪覆盖信息的研究越来越受关注。相对于极轨卫星而言，静止卫星在积雪覆盖监测具有高时频观测，其去云效果上具有明显的优势。Romanov等［33］利用美国静止卫星GOES卫星与SSM/I被动微波亮温数据联合发展了完全无云的积雪判识算法，为美国交互式冰雪制图系统（IMS）提供了积雪覆盖信息的初步判断。De Ruyter de Wildt等［34］ 针对欧洲静止卫星MSG/SEVIRI开发了积雪覆盖判识算法，该算法以8空间邻域、2时间邻域的像元辐射强度的标准差作为时相稳定性标准，改善了部分区的云雪混淆问题。Siljamo等［35］利用MSG/SEVIRI发展了每日积雪覆盖面积产品，为了避免分类错误，将像元标记为纯积雪覆盖、部分积雪覆盖、无雪覆盖和未分类4种类型。Yang等［36］针对中国风云气象卫星FY-2D/E VISSR与FY-3B/MWRI开展中国区的自动化积雪判识算法研究，基于阈值的静止星判识算法和利用微波数据改进南方湿雪判识算法，发展了中国地区基于风云气象卫星完全无云的积雪判识算法，其总体精度可达91.28%。从上述研究可看出，基于静止星与微波遥感观测的融合对于获取云下积雪提供了更多的可能。

目前基于静止星积雪覆盖度研究成果相对极轨星较少，Romanov等［37］利用GOES静止气象卫星数据利用二端元法开展积雪覆盖度反演，即采用无雪地表与积雪地表的反射率对该像元场景反射率的积雪覆盖度进行线性插值来获取像元内的积雪覆盖度，反演误差约10%，该成果显示了静止星在积雪覆盖度估算中的潜力。Romanov等［38］对上述算法进行了改进，无雪地表的反射率以雪季之前深秋季节地表的反射率为参考值，积雪完全覆盖的地表反射率则根据与其存在指数关系雪粒径的变化而进行调整。Wang等［39］根据FY-2E/F观测数据的特点对FY-2积雪判识方法［36］加以改进，并利用逐像元纯雪反射率和雪季之前的无雪反射率建立了积雪覆盖度线性插值估算方法。针对新一代静止气象卫星Himawari-8/AHI数据，Wang等［12］利用时间序列观测数据进行了无雪背景合成，进而提出一种动态积雪指数算法，其积雪覆盖度反演在青藏高原的RMSE为0.07~0.16。

利用光学传感器观测数据反演的积雪覆盖度往往面临的云遮掩造成的数据缺失，同时观测角度、地形等因素也会造成信号噪声。其中云的影响最为严重，大大限制了积雪覆盖范围数据的在水文、气象以及气候研究领域内的应用。如何形成时空完整的积雪覆盖范围数据，是近年以来积雪覆盖范围信息提取研究的一个热点。

2.1.3　积雪覆盖融合算法

融合极轨星与静止星光学—红外、被动微波等多源遥感观测数据进行积雪信息提取，是一种有效的去云策略。美国交互式冰雪制图系统利用多源遥感数据，以人机交互的方式提取北半球二值积雪覆盖图，空间分辨率从早期的24 km（1997年）提升至4 km（2004年）和1 km（2015年至今），由于该系统为人机交互系统，需要耗费大量的人工［40］，在林地和山地存在严重的积雪覆盖面积高估的问题［41］。

现有的积雪覆盖融合算法主要采用多遥感产品融合去云，如微波遥感积雪深度/雪水当量产品（如AMSR-E）与光学积雪产品如MODIS的融合［42］、MODIS双星融合与时空滤波方法的结合［43］、MODIS、IMS及AVHRR等积雪产品融合［44］。除了多源遥感数据融合去云外，地形数据尤其是高程数据也被用于去云［45］。这是因为山区积雪的分布与高程相关，雪线以上的云像元可以直接判定为雪。不过在青藏高原腹地地区，由于坡度较小，这种方法会产生一些错判［46］。

除了上述方法外，有学者采用基于时空插值的方法来获取时空连续积雪覆盖面积信息，如Hall等［47］提出CGF（Cloud-Gap-Filled）积雪覆盖面积产品（MOD10C1），将云像元（云覆盖比例≥80%）以先前日期的晴空观测填补。Morriss等［48］对该方法加以改进，当16 d周期内最近2次晴空观测都有雪，当前的云像元才可判定为雪，以此减少积雪的误判。Parajka等［49］则对Terra与Aqua的积雪覆盖产品进行融合，然后运用时-空滤波技术对无云分类数据进行填补。Gafurov等［50］则是将前人的去云方法进行了总结，联合MODIS双星观测、时空滤波和高程信息以去除MODIS积雪覆盖产品中的云像元非常有效，且引入的误差较少［51-52］。Dozier等［53］以二维自适应维纳滤波技术检测MODIS积雪覆盖度数据噪声，并借助MOD09云的质量评价标识与MODSCAG的雪粒径和高程信息对多云条件下的MODSCAG的积雪进行再次的云雪判别，然后以16 d至一个雪季的时间长度进行样条插值平滑，以获取时空连续的积雪覆盖度信息。为了充分利用积雪覆盖的时空相关性，Li等［54］采用自适应时空加权方法（ASTWM）对MODIS积雪覆盖度进行去云，不同程度的云覆盖下积雪覆盖总体精度可达93%。Huang等［55］提出综合利用MODIS光谱信息、积雪时空上下文信息以及地形信息，建立隐马尔科夫随机场（HMRF）模型来填补数据空缺。但是注意到这些方法比较复杂，Dozier等［53］仅采用了Terra/MODIS单颗卫星数据，并没有利用Aqua/MODIS的观测数据；而Li等［54］和Huang等［55］的方法没有考虑到MODIS积雪覆盖度本身的噪声以及双星MODIS观测之间的偏差，这些不确定性会被引入模型，进而对云下积雪覆盖度的预测产生影响。

综合分析国内外学者的研究成果，积雪覆盖的遥感估算存在的问题和未来的发展趋势可以概括为以下三个方面：

（1）复杂地表条件下积雪覆盖面积的精确反演。现有的积雪覆盖面积遥感反演算法在复杂地形条件、复杂地表覆盖条件、复杂成像几何条件下以及非晴空天气条件下的准确性和稳健性仍有缺陷，山区阴影、森林冠层、低观测角以及云/霾对积雪覆盖面积的精确反演造成干扰，因此未来需要在反演过程中进行准确的地形效应校正、冠层遮掩作用的校正、云/霾识别，并且考虑复杂照射—观测几何关系对反演算法适应性和稳健性的影响。

（2）长时序、高时空分辨率且时空完整的高精度积雪覆盖度数据集的构建。积雪覆盖具有高时空变化特征，但是依赖于光学遥感手段的积雪覆盖面积监测会受到云遮掩带来的严重影响，这大大限制了积雪覆盖遥感数据在水文、水资源管理、气象和气候变化等领域的应用。因此未来有必要根据积雪的波谱和时空变化特征，综合多源遥感数据，挖掘多平台遥感数据包括静止卫星观测以及极轨卫星星座观测在积雪监测的应用潜力，发展时空重建技术，构建对时间序列长度、时空分辨率有应用需求的时空完整积雪覆盖面积数据集，以推进其在多个研究领域的应用。

（3）积雪多参数的联合遥感反演。积雪是影响水循环、地表辐射能量平衡的重要变量，利用可见光至热红外波段的多光谱遥感影像，可以定量反演积雪覆盖面积、雪面辐射强迫、雪面反照率、雪面温度甚至积雪深度等积雪物理参数。目前积雪物理参数的遥感反演算法及产品多局限于单一或少数几个参数，因此集成积雪多参数遥感定量反演算法，生成高精度积雪多参数遥感数据产品，有利于拓展其应用的广度与深度。

2.2　雪水当量

雪水当量是地球系统研究中的关键变量之一，雪水当量的时空分布对气象、水文水资源、水循环和全球变化研究具有重要意义［56］。

积雪微波辐射传输模型是认识和理解积雪与电磁波相互作用关系的重要途径，对于解释实验数据和提取地表参数具有非常重要的作用。目前微波辐射传输模型主要有3类：半经验模型［57-58］、理论解析模型［59-61］和数值计算模型［62］。半经验模型以HUT模型和MEMLS模型为代表，由于该类模型简化了积雪辐散射特性计算，模型形式相对简单，因此模型模拟与地基观测存在一定偏差［63］。HUT模型假设积雪散射主要集中在前向，而且前向散射比例固定为0.96［57］。MEMLS模型中利用改进的波恩近似（IBA）对散射系数进行严格的物理修正，并采用六流近似来描述积雪层的辐射传输过程，因此MEMLS模型总体表现要优于HUT模型［63-64］。解析理论模型如DMRT模型假设雪颗粒为球形粘性粒子，考虑了密集雪粒子之间的散射相干作用，因此理论解析模型在计算积雪散射特性时较为准确［65-66］。数值计算模型如Bicontinuous模型的发展使得对积雪粒子和散射特性的描述推向了一个新的理论高度。该模型使用亚连续结构描述积雪颗粒的大小和分布，与实际积雪几何结构最为贴近，并且使用数值电磁计算方法直接解算麦克斯韦方程，因此其对积雪介质电磁特性的计算最为准确［67］。上述的半经验模型、解析理论模型和数值计算模型，这3类积雪微波散射和辐射模型在实际应用中均发挥了重要作用。其中，半经验模型形式简单，在实际应用过程中通过实验数据对部分参数进行优化，因此模型较为稳定，已被用于雪深和雪水当量的反演中。解析理论模型考虑了积雪层的多次散射，以致密介质散射理论和强起伏理论等为代表，具有较强的理论基础，但是该模型中假设条件较多，部分参数（如粘性因子）无法直接通过测量获取，应用时需要用户根据观测与模型模拟进行调整。此外，解析理论模型形式比较复杂很难直接用于反演。数值计算模型的模拟与实际积雪粒子结构和散射特性更为接近，但该类模型采用数值模拟，计算量非常大，依赖于计算机的计算性能。因此将数值计算模型进行参数化，使其具备简单的模型形式，而且在保持数据计算模型的模拟精度的前提下，将更有利于在卫星数据模拟和反演算法中进行应用。随着计算机能力的发展，数值计算模型的计算问题可以得到更好地解决。

目前用于雪水当量遥感监测的主要手段包括被动微波遥感、主动微波遥感和其他一些新型技术。

2.2.1　被动微波遥感雪水当量监测

目前，星载被动微波遥感仍然是获取大尺度、长时间序列雪水当量的重要手段。积雪覆盖地表的微波辐射主要来自积雪和其下覆地表的土壤。在微波低频波段（如K波段），积雪辐射主要受积雪下覆地表特性的影响，而在高频波段（如Ka波段），积雪的体散射起了重要的作用。这种随频率增加积雪散射作用增强的特点，可用来探测地表积雪的存在和估算雪水当量。现有的被动微波遥感的雪水当量反演算法主要包括基于亮温梯度的经验算法、基于积雪辐射传输模型的参数化算法、查找表算法、同化算法和基于数据驱动的机器学习方法。

2.2.1.1　基于亮温梯度的经验算法

基于亮温梯度的经验算法是国际上应用最为广泛的一种算法。该类算法通常假设雪水当量或雪深和亮温梯度（如K波段和Ka波段）存在一定的线性关系，基于地面实测雪水当量和卫星观测亮温的关系拟合得到，且在不同的研究区拟合的系数也会有所不同［68-76］。由于积雪微波观测信号容易受到积雪特性参数如分层结构、雪粒径、深霜层、冰壳、积雪形态，垂直方向上大气和森林的影响，以及水平方向混合像元的影响。经验算法无法考虑这些因素的影响，因此该类算法存在较大的反演误差。为了降低雪水当量经验算法的反演误差，一些学者对经验算法进行了改进，如通过引入森林覆盖度或森林密度等参数来校正森林冠层的影响［68-75］，引入雪粒径和雪密度的演化模型来考虑积雪微观参数变质引起的散射效应［70-71］。改进的经验算法考虑积雪属性和植被的影响，在特定区域的雪水当量反演精度有所提高，但这类算法的普适性和推广性欠缺。此外，国际上的被动微波遥感经验算法的验证工作表明，全球算法（Chang算法、Foster算法、Kelly算法）在中国地区存在严重的高估，针对中国区发展的WESTDC和FY-3B算法则在相对较厚积雪区存在一定的低估［73-75］。

2.2.1.2　基于积雪辐射传输模型的算法

由于气象要素的改变（如气温、风速、汽压、辐射等），积雪微观参数会发生时空演化，同时由于新降雪的发生以及积雪压实作用，从而导致积雪出现明显的分层现象［77-80］。积雪微观参数的时空演化是影响雪水当量反演精度的关键因素之一。许多学者为了降低积雪微观参数（雪粒径、雪密度）演化所带来的雪水当量反演误差做了大量的工作，发展了多种基于物理模型的反演算法，包括物理统计算法［81］、查找表算法［82-84］和同化算法［84-89］等。

基于物理模型的统计方法假设地表与积雪温度均已知，借助不同频率不同极化下的地表发射率之间存在的相关性来消除卫星观测总信号中土壤的影响，进而提取出积雪信号。通过积雪辐射模拟综合数据库，发现微波两个频率的极化差比值与雪水当量之间有较好的相关性，进而利用该统计模型反演雪水当量［60， 81］。基于物理模型统计算法是基于纯积雪物理模型发展而来，如何将其有效的推广到混合像元的雪水当量估算，还有待进一步研究。

基于物理模型的查找表算法以先验知识为基础，采用积雪微波辐射传输模型构建微波亮温与积雪参数的模拟数据库，进一步建立卫星观测值和积雪先验知识的查找表，从而获取对应的雪水当量［82-84］。查找表算法的可靠性与采用的积雪辐射传输模型有关，主要体现在辐射传输模型能否在卫星遥感尺度下表征出复杂地表下的积雪辐射特性，如森林、大气以及混合像元的影响。此外，查找表算法需要丰富的先验知识作为支撑，同时，如何合理的对积雪垂直结构进行分层，这对方法的实施具有一定的挑战性。

基于物理模型的同化算法是目前应用较为广泛的方法之一［84-89］。同化算法融合了观测和模型的优势来获取介于观测和模拟之间的最优的雪水当量。同化的思路就是利用积雪过程模型作为模型算子，积雪辐射传输模型作为观测算子，并借助于如集合卡尔曼滤波、粒子滤波、贝叶斯迭代等方法同化遥感观测，从而获取最优的雪水当量。由于积雪过程模型需要大量的积雪参数和气象数据驱动，而且模型运行比较复杂，目前仅在气象站点尺度进行研究，仍未实现卫星遥感的大尺度应用。此外，现有同化算法同化对积雪体散射较为敏感的Ka波段辐射时，由于其波段的穿透性有限，随着积雪特性演化粒径的增长以及积雪厚度的增加，使得观测算子模拟的亮温出现饱和问题，进而限制了同化算法的应用。

2.2.1.3　基于数据驱动的机器学习算法

由于雪水当量反演受诸多因素影响，简单的半经验线性模型无法考虑多因素的影响，而复杂机理模型又无法直接应用于反演，因此借助机器学习方法可用来描述雪水当量与微波亮温、其他地表参数（尤其是混合像元影响因素）的非线性函数关系。机器学习方法是完全借助于多维数据，从数据中寻找预测变量（自变量）和目标变量（因变量）关系和规律。已有研究借助于机器学习算法如人工神经网络［90］、马尔科夫链蒙特卡洛［91］、支持向量机［92］、随机森林［93-94］等机器学习算法来提高雪水当量的反演精度。机器学习方法大多由数据驱动，在训练过程中缺乏物理过程的描述，因此对于时空变化的地表参数提取也是捉襟见肘［94］。将机器学习方法和积雪辐射传输模型结合是提高雪深反演精度的途径之一。积雪模型可以提供积雪先验知识，表征积雪微观参数的演化，然后作为训练机器学习模型的预测变量之一，进而提高雪水当量的反演精度［95］。机器学习与同化方法结合也是提高雪水当量反演精度的途径之一［96-98］。一方面机器学习可以替代积雪辐射传输模型作为观测算子，能够避免积雪微观参数演化带来的饱和效应；另一方面机器学习代替了结构复杂的辐射传输模型，提高了同化算法的运算效率，有助于实现遥感大尺度的应用。

2.2.2　主动微波遥感雪水当量监测

微波辐射计数据源稳定可靠，适用于大尺度长时间序列雪水当量的反演。但由于其空间分辨率较低无法准确提供积雪分布的细节信息。相对被动微波遥感而言，主动微波遥感不仅具有高空间分辨率的优势，而且对干雪状态下的雪深十分敏感，对定量获取空间上高度异质的积雪参数有着巨大潜力。主动微波遥感反演雪水当量的方法主要有两类：第一类是基于后向散射系数的反演，第二类是基于相干相位变化的反演。积雪层的后向散射强度包含了地表散射和积雪体散射（包含体-表散射交互项）贡献。以主动微波遥感方式观测积雪特性时，不但要考虑波段对积雪的穿透能力，同时需要考虑返回信号中积雪部分的信号源强度，以便于提取积雪参数。因此基于后向散射系数的反演算法主要依赖于不同频率间的后向散射系数对积雪参数尤其是雪深的敏感性不同，如Ku波段（10.9~22 GHz）和X波段（5.75~10.9 GHz）是较好的双频段组合，可用于雪深的反演［61， 99-100］。ESA地球探测器计划（ESA SP-1324/2）的候选任务CoReH2O中，选用了Ku波段（17.2 GHz）和X波段（9.6 GHz）频率用于雪水当量反演［61］。目前基于后向散射系数的雪水当量反演算法大多使用相对高频（如X波段和Ku波段）波段对雪深和雪水当量的敏感性。而Lievens等［101］研究了基于Sentinel-1卫星C波段交叉极化（VH）与同极化（VV）对山区雪深变化的敏感性，发现交叉极化和同极化的比值能很好地体现山区雪深的时空变化，这为后续的研究中更加关注C波段微波模型和算法发展奠定了基础。雷达干涉信息则利用积雪造成的相位变化估算积雪参数，适合采用较低频率（例如L和C波段）的微波观测，可以降低由于积雪参数演化、森林和地形引起的反演误差［102-105］。目前主动微波遥感在雪水当量的发展主要受限于可用数据较少，其次主动微波传感器的观测幅宽有限，重访周期较长，难以获取大尺度长时间序列的雪水当量。

2.2.3　其他技术手段雪水当量监测

激光雷达技术的发展为雪深/雪水当量的定量反演带来了新的契机。目前机载激光雷达已经在林区和山区雪深提取方面发挥了巨大的优势，主要得益于高频率和高密度的点云数据。Painter等［151］在加州落基山脉积雪区通过机载激光雷达获取的雪深数据集已经在美国被广泛使用［106］。该数据集能提供区域尺度高空间分辨率、高精度的雪深和雪水当量数据，已作为雪水当量重建技术，以及为流域尺度水文应用提供了数据支撑［93］，这为利用激光雷达获取大区域高精度雪深和雪水当量提供了参考。星载激光雷达的发展将是大尺度、高精度雪深提取的关键技术，例如美国NASA的ICESat-1/2能够结合地面DEM数据反演雪深和雪水当量。此外，近年来国际上利用无人机获取不同角度的相片，采用运动重构技术获取山区雪深［107］，目前在山区的验证表明RMSE在7~30 cm之间［108-109］。由于无人机低成本，而且能提供非常高分辨率（米级）的雪深信息，这为小区域尤其是山区的雪深反演提供了有效的测量手段。

全球卫星导航系统（GNSS）的直接信号和地面反射的噪音信号为雪深反演提供了新的途径。我国学者利用地基GPS观测雪深，发现其雪深反演精度较高［110-112］。地基GNSS具有全天候、高精度、高时间分辨率、高自动化、低成本等优点，成为积雪遥感探测手段的有效补充。尽管GNSS不能提供大尺度的雪水当量反演数据，但是该技术将为雪深反演算法的改进和物理模型的发展提供数据保障，从而促进定量遥感的发展。

此外，一些研究人员利用光学遥感获取的积雪覆盖度信息结合积雪融雪模型（如度—日模型、能量平衡模型）估算的融雪量重建了融雪季的雪水当量［113-116］。该算法的原理是从积雪完全消失日开始往前推算至积雪最大累积量，在这期间估算每日的融雪量即可得到当日的雪水当量。像元尺度的积雪覆盖面积依据航空相片或高中分辨率卫星如Landsat或MOIDS、AVHRR等提供，进而可以估计山区高空间分辨率的积雪融雪量和雪水当量。该方法的缺陷是无法进行雪水当量实时监测和预测，只能从积雪消失日开始往前推算每日的雪水当量，而且融雪过程中出现的新降雪过程会对重建雪水当量带来较大误差。该方法对于估算山区的融雪径流可提供很好的思路，有助于与遥感监测雪水当量相结合，进而获取整个积雪季的雪水当量信息。

目前为止，国内外学者已经利用不同的技术和模型发展了诸多雪水当量反演算法，但仍然面临着多方面挑战：

（1）传感器技术的限制。基于被动微波遥感发展的算法能够提供逐日的全球范围雪水当量产品，但是空间分辨率低，混合像元问题严重，不能满足小尺度水文和水资源管理应用。主动微波遥感可以提供高空间分辨率的雪水当量，但是其重访周期较长，可用数据较少，不便于进行长时间序列气候模式研究。目前国际上仍在发展新型的传感器系统，如目前在论证的中法水循环卫星和欧空局的哥白尼成像微波辐射计，尝试通过新型传感器技术来提升现有星载辐射计的空间分辨率，有望提供高精度和高空间分辨率的雪水当量数据产品。

（2）森林与大气对现有卫星雪水当量估计的影响难以消除。对于被动微波遥感而言，大气、森林、积雪微结构参数演化、混合像元等问题会引起雪水当量反演误差。积雪微结构对雪水当量反演的影响可通过改进积雪前向机理模型如Bicontinuous随机介质辐射传输模型和引入积雪过程模型解决，混合像元问题通过超分辨率重建技术以及传感器性能的提升有望得到改善。而积雪上方的森林冠层与大气等影响，则在卫星观测信号中难以分离。尽管已有学者发展了相关的大气校正算法并对森林影响进行了评估，但如何将其应用于卫星遥感雪水当量的业务化算法中仍是今后研究的难点之一。

（3）机理算法模型到产品的过渡障碍。由于机理模型的复杂性，难以直接应用于反演。目前雪水当量业务化算法大多是基于半经验模型发展而来。随着计算机能力不断提升，建立基于解析理论模型和数值计算模型的查找表等方法或是将复杂机理模型的参数化用于雪水当量反演中，将是今后提升雪水当量估计精度的研究方向。数值计算模型会为今后加深对积雪微波机理的认识，以及提高遥感雪水当量监测能力提供帮助。此外，通过同化算法将卫星观测和机理模型进行有效结合，但是其运算量大，而且依赖于过程模型的驱动数据。如何在同化框架下，综合集成多模型和算法的优势是解决算法模型到高精度雪水当量产品的途径之一。如当前利用积雪过程模型和机器学习算法为积雪前向模型提供先验知识，利用集合预报方法（如贝叶斯模型平均方法）减少模型结构的不确定性，有望提供高精度的雪水当量产品。

（4）多种观测手段的结合，有望提升现有雪水当量时空探测精度。随着新型传感器用于雪深的探测，如激光雷达LiDAR，全球卫星导航系统GNSS，甚至运动重构技术摄影测量方式等与微波遥感相结合，有望提升现有的雪水当量产品时空精度，拓展现有产品在不同区域和不同领域的应用。

3 冻融状态监测研究进展

地表的冻结和融化过程对大气与地表之间的能量、水和物质交换具有重要的作用，地表冻融的变化影响着地表径流、植物生长以及工程的稳定性。同时，地表冻融循环会改变土壤的物理属性、影响土壤和融雪之间的相互作用、影响土壤的水热循环。目前，微波遥感是监测地表冻融状态非常有效的手段。

3.1　冻土微波辐射特征研究

由于组成成分复杂，冻土比融土的微波辐射模拟更加复杂，目前已经有一些学者针对冻土的微波辐射开展研究。基于对冻土成分的分析，在混合介质介电常数模型的基础上增加了冻土中冰的成分，形成了初代冻土介电常数模型［117］，基于实验室样本测量，并通过数据分析发展了针对一定频率范围的有机质土壤、矿物土壤的冻融土介电常数模型［118-120］。冻土的微波辐射具有相干效应和体散射效应，L波段辐射数据可以响应其对冻土的穿透和地表融化现象，利用冻土的相干效应可以监测土壤的冻结速度［121］，利用三层相干模型可以模拟地基观测数据中K和Ka波段亮温在土壤冻结过程中存在的相干效应［122］，利用简化的一阶辐射传输模型，考虑冻土的体散射特征，可以得到冻土的单次散射反照率与土壤物理温度之间的关系，基于地基辐射数据的验证分析结果显示该模型对V极化亮温的模拟结果较好，但是在H极化与实测数据相差较大［123-124］。基于理论模型与地面实测数据发展，微波对冻土的穿透深度研究得以初步开展，冻土穿透深度参数化模型仅依赖于土壤质地、温度和频率［125］，在青藏高原冻融土条件下观测的L波段微波辐射计无论在冻结还是融化条件下L波段采样深度均约为2.5 cm［126］。

3.2　被动微波监测地表冻融状态算法

被动微波亮温主要取决于地表温度和发射率两个因素，而地表发射率主要由其介电常数决定。研究表明，冻土和融土之间的介电常数之间存在明显差异，即使是具有相同含水量的冻土和融土的介电常数也存在明显的差异。冻土和融土在温度和介电常数上的差异为利用微波遥感监测地表冻融状态提供了理论依据。现有探测方法中，基于L波段的被动微波冻融监测算法主要依赖于L波段对土壤介电特性的敏感性。微波极化指数是V极化和H极化的亮温差与亮温和的比值，可有效消除地表温度的影响，因此采用微波极化指数能够反应地表的介电特性变化。土壤冻融变化过程中水分发生相变导致的介电常数变化十分敏感，一般来说，融化季L波段微波极化指数值较高，冻结季的L波段微波极化指数较低，结合微波极化指数在冻结季和融化季的参考值信息可以得到L波段的冻融监测算法。对于高频的K和Ka波段，虽然对土壤冻融过程中水分相变引起的介电常数变化的敏感性不如L波段，但通过不同波段之间的亮温差/比值可以反应出介电常数的变化。同时高频波段受冻土体散射效应影响明显，不同频段之间的差/比值还可以反应出冻土体散射的影响，结合介电常数变化和体散射影响的高低频波段的亮温差/比和表征地表温度的指标就可以得到高频被动微波遥感监测地表冻融的算法。利用被动微波监测地表冻融的算法如下所述。

3.2.1　双指标算法

在20世纪90年代基于SMMR和SSM/I辐射计开展的地表冻融判识，主要采用双指标算法。大量的实验研究表明，冻土在37 GHz垂直极化亮温较低，在体散射的作用下高低频的亮温谱梯度（SG）呈现为负值，基于样本的统计分析可以确定37 GHz垂直极化亮温和亮温谱梯度在地表冻融状态下的阈值，得到地表冻融判识的双指标算法［127-129］。但是通过分析地基实验数据发现冻土的SG不是一直表现为负值［130］。相对高频，低频对土壤水分变化更敏感，土壤冻结时，高低频之间的亮温差会增大，亮温标准差的概念由此提出，选择对地表温度敏感的36.5 GHz垂直极化亮温和AMSR-E各通道H极化的亮温标准差对双指标算法改进得到了新的双指标算法［131］。

3.2.2　决策树算法

决策树算法在针对双指标算法中亮温谱梯度不能与冻土、沙漠、降水、积雪等散射体相区分的问题，分析了冻结地表、融化地表、沙漠、积雪覆盖地表纯像元微波辐射特征。用散射指数区分强散射体和弱散射体，用反映地表粗糙度信息的19.3 GHz极化差区分沙漠，用22.3 GHz垂直极化和85.5 GHz垂直极化亮温识别散射作用强、含有冰晶的降雨，用19.3 GHz垂直极化和85.5 GHz垂直极化亮温识别冰雹云和降雨，建立判别地表冻融状态的决策树算法［132］。

3.2.3　冻融判别式算法

冻土具有低物理温度和高地表发射率的特点，36.5 GHz垂直极化亮温可以用来衡量地表温度的变化，定义18.7 GHz水平极化与36.5 GHz垂直极化的比值为准发射率来衡量发射率的变化，两个因子在冻结和融化状态下的不同二维空间分布可以通过费歇尔（Fisher）判别分析方法，得到线性冻融判别式。针对寒区复杂地表，集合冻土介电常数模型、AIEM模型、HUT模型、ω-τ模型建立了寒区复杂地表微波辐射模型，结合模型模拟分析和实测数据校正，可以得到监测地表冻融的判别式算法［130， 133-135］。

3.2.4　季节阈值法

季节阈值法是根据被动微波信号在不同季节的特征进行冻融判别。将土壤完全融化状态下的被动微波信号作为融化状态下的参考值，将土壤完全冻结状态下的信号作为冻结参考值。计算此时刻被动微波信号与冻结状态下的被动微波信号参考值的差、冻融状态下被动微波信号参考值的差，定义两个差值的比值为季节尺度因子。基于季节尺度因子和阈值判断此时刻的冻融状态。一般情况下阈值为0.5。此方法已成功被应用于利用专用传感器微波成像仪（SSM/I）数据监测全球1988年至2007年每日的地表冻融状态，利用多通道微波辐射计SMMR和SMM/I数据获取全球1978年至2016年每日地表冻融分类［136］，利用Aquarius和土壤水分和海洋盐度卫星SMOS的L波段以周为单位的亮温数据研究加拿大地区的冻融分布［137］，利用SMOS数据的北半球地表冻融监测［138］和SMAP数据的全球地表冻融监测［139］。

3.3　主动微波监测地表冻融状态算法

雷达遥感能够获取高空间分辨率的雷达影像，是当前获取高空间分辨率地表冻融状态的一个主要观测手段。主动微波监测地表冻融状态的算法主要是基于雷达后向散射系数对土壤发生冻融变化时介电常数发生的变化的响应发展而来。一般情况下冬季雷达后向散射系数值比夏季低，因此在土壤发生冻结/融化的过程中雷达后向散射系数会有明显的降低/升高，应用雷达监测地表冻融涉及到的波段有L、C和Ku波段，目前应用最广泛则是卫星数据获取便利的C波段。利用主动微波监测地表冻融的算法如下所述。

3.3.1　变化监测法

利用美国国家航空航天局NASA的NSCAT雷达后向散射系数和欧洲遥感卫星ERS-1 雷达后向散射系数得到后向散射系数在地表冻结和融化状态下的参考值，用5 d的移动时间窗口计算NSCAT后向散射系数的一阶差分。当后向散射系数的一阶差分大于其二倍的标准差时，定义为地表冻融发生变化的时间段，这时通过比较t时刻的后向散射系数与后向散射系数参考值的大小确定地表的冻融状态，这种利用时间窗口监测地表发生冻融变化的方法为变化监测法［140］。利用变化监测法以及NSCAT雷达后向散射数据，可以监测北半球高纬度冻融循环并制图［141］，可以监测加拿大北方森林区域1997年春季融化转换阶段并定义植被生长季［142-143］。

3.3.2　季节阈值法

基于雷达的季节阈值法与基于被动微波数据的季节阈值法相似。基于雷达数据的季节阈值算法已被成功用于ERS-1雷达数据研究北方森林生态系统的冻融状态［144］，日本地球资源卫星JERS-1、ERS-1/2和NASA快速散射计QuikSCAT雷达数据研究不同坡度、植被类型和高程下地表冻结和融化的时间差异、不同尺度大小微波信号的差异［145］，和100 m空间分辨率的相控阵合成孔径雷达PALSAR监测阿拉斯加地区的地表冻融［146］。

除此之外，Kimball等［6］利用NSCAT雷达数据直接将t时刻的雷达后向散射系数与冻结/融化状态下的雷达后向散射系数的参考值进行比较，从而获取地表的冻融状态。Naeimi等［147］通过分析不同下垫面实测地表温度和先进散射仪ASCAT雷达数据之间的关系，建立了基于经验阈值的决策树算法监测地表冻融状态。Cohen等［148］利用哨兵一号Sentinel-1干涉幅宽VV极化雷达后向散射系数，基于模型分解得到植被层雷达后向散射系数和地表雷达后向散射系数，通过线性判别分析方法监测冻融状态。Azarderakhsh等［149］利用Sentinel-1雷达数据和地面实测数据分析在发生冻融转换时雷达后向散射系数的变化阈值，进而监测地表的冻融状态。Muzalevskiy等［150］通过分析北极苔原观测点观测的温度数据以及SMAP辐射计数据和Sentinel-1雷达数据，建立了土壤反射率和后向散射系数对土壤温度的依赖关系。Prince等［151］基于空气温度确定冻融的空间分布加权模拟L波段亮温，发展了利用被动微波像元内部冻结比例的反演算法。

目前为止，国内外许多学者应用微波遥感对地表冻融状态的判识进行了许多研究工作，目前地表冻融状态判别的算法存在的问题及发展趋势可以概括为：

（1）算法普适性问题。目前主要的地表冻融监测算法，如季节阈值法，双指标算法，决策树算法以及冻融判别式算法都需要根据土壤温度或者空气温度确定算法的阈值，对温度数据的依赖性较大，且阈值的确定多是基于某一研究区的观测数据确定的，在全球尺度上的适用性有待进一步提升。通过验证SMAP、AMSR2、MEaSUREs冻融产品在中国地区的精度发现，固定阈值的SMAP冻融产品和基于特定研究区地面观测数据发展的AMSR2冻融产品的精度受干旱气候类型影响明显［152］，因此针对不同的气候分区对算法进行优化有可能提高现有冻融监测算法在全球尺度的适用性。

（2）冻土的微波辐射模拟。微波遥感监测地表冻融状态时多是通过实验数据的分析或校正获取判别阈值，对冻土微波辐射特征的机理研究还不够充分。微波对冻土的穿透能力高于融土，冻土的体散射特征明显，面散射辐射模型不能描述冻土的微波辐射。同时冻土和积雪具有类似的体散射特征，现有的冻融判别方法会产生积雪和冻土误判的现象。目前针对冻土的微波辐射模型对冻土体散射的效应影响的影响考虑欠缺。发展冻土体散射模型，并分析冻土体散射效应对不同波段的影响，可以加深对冻土微波辐射的认识，能够为更好地识别冻土带来更多的可能性。

（3）高分辨率地表冻融状态监测。被动微波像元空间分辨率低，像元内的地表空间异质性往往很大，发展高分辨率的地表冻融监测方法十分必要。目前高分辨率地表冻融判别算法主要依赖热红外卫星数据作为辅助数据，而热红外数据容易受到云的影响，导致不能获取时空完整的高分辨率地表冻融状态。综合主被动微波数据可以发展得到高分辨率地表冻融监测算法，尽管SMAP卫星搭载的L波段雷达传感器已经停止工作，但结合SMAP L波段辐射计数据和Sentinel-1 C波段雷达数据仍有希望获取高分辨率的地表冻融状态。

4 土壤水分遥感研究进展

土壤水分是全球水循环和地-气能量交换的重要参数之一，是水文、气象、农业、生态等环境研究中的关键因子。土壤水分的长期监测及准确获取在探索全球水循环机制、构建气候和水文模型、农作物生长和干旱灾害监测与预报等方面中发挥着关键作用。目前，遥感反演土壤水分的主要方式有可见光/热红外遥感反演、微波遥感反演。为了满足更多用户的实际需求，结合多源遥感数据也可获取多种尺度下的土壤水分数据。

4.1　可见光/热红外遥感土壤水分反演

光学/热红外遥感主要是通过土壤及覆盖在土壤上的植被的光谱反射特性、地表发射特性、地表温度以及土壤的热力学特征来估算土壤水分。目前光学/热红外遥感反演土壤水分的方法主要如下：

温度植被指数法是基于温度和植被指数的特征空间分布规律来估算土壤水分。裸土地表下，水的比热大，地表温度在一定程度上能够间接反映土壤水分。同时，在植被覆盖的地表下，植被指数对水分胁迫较为敏感，基于地表温度的一些研究发展了许多能够表征地表干湿状况的指数［153］，如作物水分胁迫指数CWSI、温度植被干旱指数TVDI、水分亏缺指数WDI等。温度植被指数法能够反映出植被覆盖信息以及植被覆盖下的土壤水分信息，因此该方法适用于植被覆盖的地表，但其容易受大气水汽和植被覆盖程度的影响。此外，当植被覆盖度达到一定程度时，植被指数会出现饱和现象，对植被值存在低估，也会影响指数的监测精度。在大区域范围内获取土壤水分时，由于地表覆盖状况比较复杂、地表异质性较强，该方法需要进一步判断是否满足应用要求。

在热红外遥感土壤水分反演中，利用土壤热惯量也可估算土壤水分。热惯量是一种量度物质热容量大小的物理量，它是物质热特性的一种综合量度，反映了物质与周围环境能量交换的能力。土壤热惯量反映的是土壤的热学特性，与土壤含水量高度相关，是控制土壤表层温度变化的内在因素。当土壤水分增高时，土壤的热容量也随之增加，相对应日内的温度变化幅度也小，即热惯量与土壤水分之间的关系可以通过土壤温度的变化或地表温度的日变化幅度来定量描述［154］。一些研究基于热惯量信息提出了土壤水分升尺度方法［155］，在一定程度上有效地获取了区域土壤水分均值，但对于大范围内地表覆盖类型较多的下垫面或者对于高植被覆盖地区，适用性还有待提高。随后，Zhang等［156］提出了“伪热惯量”概念用于获取植被覆盖下土壤热惯量，提出了植被地表下归一化的伪土壤热惯量估算土壤相对含水量的方法，提高了植被覆盖区采用热惯量对地表土壤水分的估算能力。热惯量法是基于土壤热特性，物理意义明确，易于实施。但也具有一定的局限性，该方法适用于裸地以及低矮植被覆盖的区域，在高植被覆盖地区土壤水分反演的精度有待提高。

此外，随着高光谱遥感技术的发展，使得高光谱遥感有足够的光谱分辨率对具有纳米级诊断光谱特性的地表物体进行区分，同时也为土壤水分的反演提供了新途径。高光谱遥感技术反演土壤水分大多是基于土壤反射光谱特性、作物光谱特性与土壤水分之间的密切关系进一步估算土壤水分。目前，高光谱遥感技术大部分主要是通过土壤采样［157］，利用数理统计法、机器学习方法等建立土壤水分与土壤反射率光谱间的关系来估算土壤水分。高光谱遥感技术具有光谱分辨率高的特点，能够获取土壤的连续光谱信息，监测土壤水分的细微变化，为剖面土壤水分的反演提供了更多的可能性。但是高光谱遥感技术对地表的穿透能力有限，仅包含了土壤表层几微米的湿度信息。且该方法局限于小区域范围的使用以及天气条件的限制，并且在使用高光谱数据前如何彻底去噪、有效去除无信息变量也是一个难题。

4.2　微波遥感反演土壤水分

微波遥感反演土壤水分的物理基础主要利用微波的介电特性对土壤水分的高敏感性，由于水的介电常数（~80）和干土的介电常数（~3）之间存在较大的差异，当地表土壤水分发生变化或存在差异时，其介电特性发生显著的变化，因此地表土壤水分的变化很容易为微波信号所探测并可以定量提取。

4.2.1　被动微波遥感土壤水分反演

植被覆盖地表的微波观测信号，是土壤水分、地表粗糙度和植被的综合反映。因此估算卫星尺度的土壤水分，需要借助相关辅助数据或者辐射传输模型，将传感器观测的辐射亮温中的地表植被、粗糙度等影响因素的作用相互分离，进而估算土壤水分。根据被动微波遥感反演逻辑和技术手段，土壤水分反演方法主要如下：

统计回归反演算法是以统计描述和相关分析为基础，利用一系列的实际观测和地面采样数据建立起遥感观测数据与土壤和植被参数之间的经验回归模型来反演土壤水分。实测土壤水分与观测亮温之间有着明显的线性关系，但植被会影响微波辐射计探测地表土壤水分变化的能力。Paloscia等［158］考虑了植被影响，利用微波极化差指数采用了线性回归方法反演了土壤水分。为了提高土壤水分反演精度，越来越多的地表因素被考虑，Njoku等［159］针对AMSR-E提出了用特征参数表示植被光学厚度和地表粗糙度的综合效应，随后，NASA基于该特征参数利用回归算法反演了AMSR-E全球土壤水分产品。针对植被地表，Jackson［160］进一步考虑了植被影响，发展了单通道土壤水分反演算法。该算法基于零阶辐射传输模型，根据辅助数据获得地表粗糙度和植被参数，利用微波观测单通道亮温来反演土壤水分，该算法也是当前SMAP卫星的官方基础算法［161］。实际上，针对不同的传感器，不同极化下的发射率，粗糙度的影响也会不同。Shi等［162］基于理论模型模拟发展了Qp模型，模型中消除了不同极化方式下的粗糙度影响。利用该模型结合卫星观测数据，通过AIEM模型模拟数据回归获得土壤水分反演方法。该算法不依赖于地表粗糙度数据，同时也是我国“风云3号FY-3B”卫星微波土壤水分产品的官方算法。该算法比较适用于裸土和稀疏植被区域，在植被密集区的应用还有待提高［163］。Cui等［164］针对双通道算法中的植被校正部分进行了改进，利用Qp模型去除粗糙度的影响，反演的土壤水分精度得到了一定提高，但优势并不明显。统计回归反演算法最大的优势在于方法简单易行，对特定地区适用性较好，但其需要大量的辅助数据做支撑。

基于正向模型的反演方法，一种是迭代算法，比较有代表性的迭代算法是针对AMSR-E的NASA土壤水分反演算法［165］，该方法基于微波辐射传输模型，采用最小二乘法，通过调整使观测亮温值与模拟亮温值之间的代价函数最小化来进一步实现土壤水分的反演。除此之外，Owe等［166］发展的LPRM算法是具有代表性的迭代算法，该算法利用归一化微波极化差值指数MPDI进行植被影响的校正，并参与迭代运算。随着卫星传感器的发展，SMOS提供了L波段多角度观测，其土壤水分反演算法［167］采用了L-MEB模型，利用多角度观测下的亮温和模型模拟亮温建立代价函数，通过迭代循环使代价函数值最小，进而反演多个地表参数。另一种是查找表算法，比较典型的是AMSR-E的JAXA土壤水分官方算法，该算法是基于物理模型DMRT-AIEM发展的查找表算法［168］。继AMSR-E（2002年5月~2011年10月）之后，2012年5月，JAXA的AMSR2搭载在GCOM-W1卫星上成功发射。与AMSR-E不同的是AMSR2采用是零阶辐射传输模型为前向模型。该算法引入了土壤湿度指数和微波植被极化差指数，结合不同范围的植被覆盖度、植被含水量和土壤水分模拟数据库，构建了查找表，通过查找表来反演土壤水分［169］。基于正向模型的土壤水分反演算法具有一定的物理理论基础，适用性较为广泛。当正向模型比较复杂时，其运行速度非常缓慢，并且存在数学上迭代不收敛问题。除此之外，反演精度易受地表状况的复杂程度和正向模型的模拟精度的限制。

随着被动微波遥感土壤水分算法的不断发展和进步，许多学者考虑结合陆面过程模型LSP/R，结合不同的神经网络等智能算法反演多地表参数［170］，或者基于LSP/R和EPLBP神经网络算法［171］，利用不同波段的辐射计亮温反演土壤水分和植被参数等。为了提高反演精度，Frate等［172］采用了不同的组合方式，利用神经网络算法反演了植被参数与土壤水分。在保证精度的前提下，利用神经网络算法可为部分区域提供时空连续的土壤水分数据集。随着传感器的不断更新，Paloscia等［173］分别基于辐射传输模型的神经网络算法与单通道算法利用AMSR-E数据反演了地表土壤水分，并对神经网络算法和单通道算法的反演结果进行了比较，改善了神经网络算法的稳定性。Kolassa等［174］基于SMAP亮温数据，NASA戈达德地球观测系统模型第5版的地表土壤水分和温度数据，植被含水量数据，利用神经网络算法反演了土壤水分。神经网络通过其输入端，隐含层，输出端的内部连接，能够描述参数之间的复杂性关系，方法相对简单易实施。但是反演结果主要依赖于训练精度，当数据量缺乏时将会影响反演结果，极大地限制了算法应用的普适性。

4.2.2　主动微波遥感土壤水分反演

雷达的后向散射系数主要受地表性质，如植被、土壤介电常数、地表粗糙度影响。目前对于裸土和稀疏植被区，雷达反演土壤水分已发展多种算法。主要如下：

利用经验模型反演土壤水分，经验模型主要是基于数理统计获得土壤水分与其他地表参数的反演关系。雷达反演土壤水分的最初研究中，大量研究结果表明了，在裸土区或农田区，土壤水分与雷达后向散射系数存在线性关系［175］。随着算法的不断发展，植被影响也被考虑其中，Puri等［176］基于热带降雨雷达TRMM PR数据和AVHRR的NDVI反演了土壤水分，表明该线性模型在灌木区精度最高，在森林和农田区的误差相对较低。该方法考虑了植被影响，但忽略了研究区内的地表粗糙度和地形的影响。总体来说，经验模型一般建立在数理统计的基础上，缺乏足够的物理基础支撑，同时，该方法对区域的普适性有所限制。此外，在建立经验模型时，高质量的参考数据收集也是难点之一。

基于半经验模型反演土壤水分，半经验模型是针对不同的地表类型和地表植被信息发展的一些基于物理模型的经验模型，有一定的物理基础，适用区域较为广泛。目前主要的裸土半经验散射模型有Oh等［177-179］提出的模型。其中，Oh等［177］针对L、C、X波段雷达数据建立了不同极化方式下的后向散射极化比值分别与土壤水分以及地表粗糙度的关系。Dubois等［178］利用散射计数据，发展了雷达反演土壤水分和地表均方根高度的半经验算法。Shi等［179］通过IEM模型发展了半经验散射模型，建立了L波段双极化下后向散射与地表粗糙度、后向散射与土壤介电常数之间的关系，发展了裸土区半经验散射模型。上述的半经验模型大部分用于裸土地表，在少数稀疏或低矮植被区，随着植被覆盖度的增大其反演误差也会越来越大，因此针对植被覆盖的地表，Attema等［180］以农作物以及低矮植被为研究对象，提出了水云模型对植被影响进行校正。随着研究的深入，一些研究人员对水云模型进行了改进［181］，进一步反演了土壤水分。半经验模型由于其模型形式简单，容易操作，在实际反演中应用较为广泛。

基于物理模型的土壤水分反演算法。目前针对裸土区，主要使用的物理模型有Fung等［182］提出的积分方程模型IEM以及Chen等［183］在IEM的基础上发展的高级积分方程模型AIEM。一些研究人员基于IEM模型和AIEM模型提出了多种土壤水分反演算法［184-185］，其中包括内尔德—米德（Nelder-Mead）最小化方法、贝叶斯方程、查找表、神经网络等。针对植被覆盖地表，Ulaby等［186］提出了MIMICS模型，该模型是一阶解的微波辐射传输方程。除此之外，Ferrazzoli等［187］提出的Tor Vergeta模型，该高阶模型能够同时模拟植被覆盖地表的发射率和后向散射，但其输入参数较多，比较复杂。

4.3　多源遥感结合反演土壤水分

在实际应用中，水文气象模型和陆面过程模型需要更高空间分辨率（如＜10 km）的土壤水分作为模型输入数据。由于被动微波遥感器的空间分辨率低（25 km~45 km），不能满足水文气象应用的需求。因此，联合多源遥感数据如光学植被指数数据、地表温度数据、地表反照率和雷达后向散射、微波亮温数据等反演土壤水分，是目前提高土壤水分空间分辨率的有效手段。

4.3.1　热红外与被动微波遥感结合方法

光学/热红外遥感数据的空间分辨率可达到几百米至千米级，空间分辨率相对较高，但其数据易受云雨等天气影响。被动微波遥感反演土壤水分的物理基础较好、不受天气变化的影响，有着较高的时间分辨率。因此结合两者各自的优势协同反演可获得高精度、高时空分辨率的土壤水分。当前两者联合反演土壤水分方法主要如下：

最初的热红外与被动微波遥感结合大多是基于光学遥感植被指数（NDVI、EVI、LAI等）和地表温度及其变化（LST、ΔLST）的三角/梯形特征空间理论［188-190］，采用多元统计回归方法，构建了土壤水分与地表温度、植被指数和地表反照率等参数的多项式函数，进一步获取高空间分辨率的土壤水分。随后，多元回归拟合方法结合光学/热红外地表参数、微波极化指数、微波亮温等被广泛应用在SMAP、SMOS、AMSR-E土壤水分产品降尺度［191-193］。多元线性回归方法相对简单，主要依赖于卫星观测的地表参数。同时，基于土壤的热惯量信息对水分的敏感性，一些学者利用表观热惯量信息对粗分辨率的土壤水分产品或者微波亮温进行降尺度［194-197］。基于热惯量的土壤水分降尺度方法相对简单，使用参数较少，但该方法适用于裸土和稀疏植被地表，且依然需要考虑光学/热红外数据是否受云影响。

为了满足水文模型中对土壤水分的尺度需求，将粗分辨率土壤水分有效地应用到水文模型中，Pellenq等［198］将土壤植被大气传输模型SVAT与水文模型耦合，基于地形、土壤深度信息构建了粗分辨率土壤水分降尺度方法，由于亚像元的可变性，模拟尺度（25 m）和观测尺度（站点）的差异性，降尺度结果并不理想。基于大气—陆表交互模型，Merlin等［199］构建了SMOS土壤水分降尺度方法。该方法主要依赖于地表温度与土壤水分的相关性，在天气状况不好的情况下（云雨）会影响该方法的有效性。在此基础上，Merlin等［200］提出了基于物理理论尺度变化方法（DISPATCH），利用蒸散效率替代了地表温度，DISPATCH方法以蒸散效率为中间量实现了土壤水分降尺度。此外，Merlin等［201］对蒸散模型进行了优化，该方法虽然具有一定的物理和数学理论基础，但仍然需要复杂的地表辅助数据。同时，Merlin等［202］进一步提出了验证DISPATCH方法的新指标，通过对SMOS降尺度土壤水分数据（1 km）验证分析，证明了该指标在评估降尺度方法中的潜在能力，为后续SMOS、SMAP等降尺度方法的评估提供了参考。

随着热红外与被动微波遥感结合方法的不断发展，机器学习被用于微波遥感土壤水分降尺度研究，相关研究表明［203］，人工神经网络算法验证结果优于支持向量机、相关向量机和广义线性模型，与支持向量机相比，相关向量机涉及的相关向量更少，从而减少了计算时间。此外，随机森林机器学习算法也被用于SMAP与AMSR-E土壤水分降尺度，获得了1 km空间分辨率的区域土壤水分数据［204-205］。该方法操作简单，但对训练数据有强烈的依赖性，容易受到算法输入端参数特点的影响。

4.3.2　主被动微波遥感结合

相比星载辐射计，星载雷达遥感数据的空间分辨率要高的多，雷达对地表粗糙度和植被结构的变化更敏感，但其重复观测频率低。被动微波遥感对地表土壤水分变化更加敏感，时间分辨率较高，但其空间分辨率粗。两者的互补性结合是目前获提高土壤水分空间分辨率的有效手段之一，其结合方法主要如下：

变化监测法主要是利用雷达后向散射系数与土壤水分之间存在近似的线性关系，进而获取中高分辨率的土壤水分。该方法虽然提高了空间分辨率，但是仅能获得土壤水分的变化值［206］。除此之外，一些研究［207-208］针对SMAP传感器，基于变化监测法对辐射计亮温或土壤水分产品进行了降尺度研究，获得了中高分辨率（9 km）的土壤水分。该方法的基础条件是假设选定的时间窗口内，植被和地表粗糙度不发生变化，但在实际中很难满足该条件，而且该方法会随着时间的推移产生误差累积。

随着机理模型的发展，基于物理模型法结合主被动微波遥感反演土壤水分的研究越来越多，第一种是基于模型分步反演土壤水分，该算法首先基于雷达数据获取粗糙度和植被参数，然后将其代入被动微波遥感算法反演土壤水分［209-210］。该算法适合区域性土壤水分反演，且其在植被校正中存在一定的局限性。另一种方法是基于主被动模型协同反演土壤水分，该算法主要通过主被动模型协同构建主被动模拟数据，根据模拟数据集合地表参数，建立卫星观测值与表征前向模拟结果的代价函数，利用迭代算法反演出土壤水分［211］。该方法适用于主被动微波遥感同时观测，且在土壤水分反演中其并未充分利用雷达高空间分辨率的优势。

基于亮温降尺度的土壤水分反演方法，该方法主要用于SMAP传感器，利用SMAP主被动微波数据反演中高分辨率（9 km）的土壤水分，该方法也是SMAP中高尺度土壤水分反演的基本算法［212］。该算法假设植被和地表粗糙度的影响在一定时间范围内不变，且雷达后向散射系数与辐射计亮温是线性关系。利用3 km的高空间分辨率的雷达后向散射系数对36 km的低空间分辨率的亮温进行降尺度，进而获得9 km空间分辨率的亮温。最后利用单通道算法估算9 km空间分辨率下的地表土壤水分。该算法在计算中分辨率（9 km）亮温过程中假设线性关系斜率在低分辨率被动像元（36 km）是均一的，像元异质性使用交叉极化项校正，如何有效的解决斜率空间异质性带来的误差还需深入考虑。后向散射系数和亮温的线性关系是建立在植被在某一时间内不变基础上的，而在实际植被生长过程中，线性关系可能会发生改变，。

除了上述方法外，贝叶斯数据融合方法可将主被动遥感数据融合，通过不断的更新参数变量，使代价函数达到最优解，从而实现土壤水分的反演［213］。此外，机器学习法也是主被动结合反演土壤水分的一种广泛方法，主要是基于多种遥感数据（亮温、雷达后向散射系数、植被指数等）或模型模拟数据和地面数据利用机器学习训练，得到土壤水分与多源数据的非线性关系，然后通过训练结果输入主被动卫星观测数据，最终实现土壤水分反演［214］。该方法主要依赖于模拟数据以及训练精度，且训练过程中需要大量的数据，难以在全球尺度上应用。

4.3.3　多源遥感数据与过程模型结合

传感器的不断发展和更新为多源遥感数据与过程模型结合反演土壤水分算法的发展提供了新途径。该方法主要通过融合多源数据，利用陆面过程模型或数值预报模型，建立分析或预测系统，通过模型优化，使得模型积累误差最小化，进而获得地表特征参数的最优解。目前，土壤水分反演中，应用较多的是陆面数据同化系统［215-216］，其常用的陆面过程模型主要有全球陆面同化系统GLDAS Noah 模型，土壤—植被—大气传输模型SVAT，陆面水文模型TOPLATS，增强型自适应反射率时空融合模型ESTARFM等。此外，基于卡尔曼滤波方法结合陆面水文模型［215］，发展的土壤水分同化方案也表明了多源遥感数据的同化在地表土壤水分含量的估算中具有较大的潜力。多源遥感数据与过程模型结合能够有效的集成多源数据和过程模型，减小地表观测数据和遥感数据等随土壤水分反演的误差，提高了模型的预测的能力。但在同化过程中陆面模型涉及多种交互过程和多个参数，需要对模型误差进行准确的估计。

综上所述，不同的遥感方式在土壤水分的反演中各具特色：可见光和热红外遥感数据的空间分辨率较高，但是数据的获取容易受天气状况的影响而导致缺失。同时，其对地表的穿透能力较弱，大多获取的是地表肤面的土壤水分，而且容易受植被指数饱和限制，并且其利用土壤水分变化引起光谱变化或植被指数—地表温度特征空间方法或土壤热通量变化的响应来获取地表土壤水分，并非对土壤水分的直接响应。因此基于可见光与热红外反演的土壤水分有较大的局限性。微波遥感不仅具有全天时全天候的特点，对地物有一定的穿透能力，而且是对表层土壤水分变化的直接响应，是目前土壤水分反演的主要手段。但被动微波遥感空间分辨率较粗，主动微波遥感重复观测率较低。因此，多源遥感数据的结合为提供高时空分辨率的土壤水分提供了有效的途径。虽然遥感反演土壤水分的相关研究和应用已经取得了一系列实质性的进展，但其反演的土壤水分与地球系统科学研究的实际需求仍然存在一些差距。因此，未来遥感监测高时空分辨率土壤水分尚需做进一步研究：

（1）植被区的土壤水分反演精度有待进一步提升。高精度的土壤水分产品对植被生长监测、洪涝和旱情预警以及气象水文等应用具有重要的影响作用。目前国际上公开发布的土壤水分产品多为微波遥感土壤水分产品，已有的微波遥感卫星土壤水分产品验证结果表明［163］，L波段微波传感器反演的土壤水分产品精度优于C与X波段微波传感器反演的土壤水分，但在中高密集植被区，L波段的土壤水分产品的精度依然有待提高。目前国际上已在开展P波段地基辐射计探测根系土壤水分的可行性，而且P波段具备比L波段更长的天线，对于浓密高大森林更容易穿透，也有望提升植被区的土壤水分监测能力。

（2）进一步提升土壤水分产品的时空分辨率。目前国际上公开发布的AMSR-E、FY-3B、AMSR2、SMOS、SMAP等被动微波土壤水分产品的空间分辨率主要是25 km和36 km，仅适用于大区域或全球尺度研究。主动微波遥感对地表粗糙度和植被结构的变化敏感，空间分辨率可达到几十米，但其重复观测率低。同时，国际上发布的主被动微波遥感协同反演的土壤水分产品，如ESA CCI主被动微波遥感土壤水分数据集，空间分辨率为0.25°；NASA SMAP卫星L波段的主被动传感器协同反演的土壤水分产品将空间分辨率提高至9 km，但遗憾的是SMAP的雷达在轨半年后失效。尽管SMAP官方采用Sentinel-1雷达来替代SMAP主被动土壤水分产品中的雷达数据，但其发布的土壤水分产品的空间分辨率主要是中高分辨率（3~9 km），且其精度还有待更多的验证。而且对于几十米农业尺度以及小流域水文气象尺度的应用而言，则需更高空间分辨率且时空连续的土壤水分产品。

（3）多源遥感数据融合发展土壤水分算法趋势。综合分析各种算法以及验证结果可以看出，目前已有的土壤水分反演算法以及官方发布的土壤水分数据集都有自身的优缺点，单一传感器反演土壤水分局限性较大。综上所述，如何有效的消除中高植被和地表粗糙度对土壤水分反演的影响，提高土壤水分反演精度和时空分辨率是当前的研究热点和难点。因此，多波段结合、多源传感器联合发挥各算法的优势，有效校正植被以及地表粗糙度影响，发展土壤水分反演算法，提高土壤水分反演精度和时空分辨率是未来遥感监测土壤水分的一个发展趋势。

5 结 语

积雪、土壤冻融与土壤水分作为陆表能量与水、碳循环中的重要因子，其时空分布与量的多少均会影响到三大循环的关键研究。因此实时获取时空连续的积雪、土壤冻融与土壤水分对于全球变化的研究至关重要。随着对地观测技术的日益提升、更多卫星和各种传感器性能的改进，使得遥感数据不断丰富，地表参数反演理论更为深入。未来的遥感监测将会是各种卫星资料综合应用、多波段结合、卫星遥感和地面遥感结合。定量遥感研究经历了从单一卫星、单要素反演向多源卫星传感器和多要素反演的发展过程，近些年已经出现向虚拟星座发展的趋势。如全球降雨测量星座计划（Global Precipitation Measurement， GPM），提供了全球高质量的降水测量；此外，美国科学家Kim等［217］提出了虚拟星座模拟器，用于探索已有卫星与未来发射卫星组合对不同时空分辨率雪水当量监测能力。

综合分析各种算法和应用成果，现有监测算法都有自身的优缺点，结合光学/热红外传感器、微波传感器等多源遥感数据，集合各传感器的优势，集成已有的遥感理论成果、建立地表参数综合数据库，发展积雪、土壤冻融与土壤水分等参数监测算法，生成时空连续、高精度的遥感产品，可为地球系统过程的研究提供精度可靠的定量化遥感产品服务，为交叉学科的研究提供可靠的数据支撑。

对于积雪、土壤冻融与土壤水分遥感监测而言，其未来的发展趋势，主要体现在以下几个方面：

（1） 推动新型传感器的研制与应用。现有地表参数监测中的问题，暴露了现有观测手段（或传感器观测能力）的不足，促进新型传感器的面世，有望获取高空间分辨率、高时间分辨率与高精度的地表参数产品，以满足水文水资源、农业、气象气候和生态等应用领域的需求。如面向雪水当量高空间分辨率高精度数据的获取，欧盟正在计划的CIMR辐射计项目和中法水循环卫星的立项和推动，有望在卫星观测层面将雪水当量的空间分辨率提升至公里量级；欧美科学家正在开展P波段辐射计地基和机载实验，将其用于根系土壤水分的监测，以及有望进一步提高现有土壤水分动态变化监测能力［218］。

（2） 单一观测手段向多观测手段联合的发展，进而构建智慧虚拟星座方式来获取地表参数信息。单一观测手段如仅依赖于光学遥感或仅依赖于微波遥感观测，存在的不确定性较大。现有的发展趋势则是联合多传感器、多波段、多模式结合，将多源遥感综合用于对地观测，通过构建智慧虚拟星座，在机理模型基础上发展基于多源卫星遥感的智能化地表参数定量遥感反演新算法，面向用户需求的时空自适应地表参数信息获取能力，从而更好服务于灾害应急、水文、生态和农业等应用。

（3） 长时间序列高精度无缝产品的开发与应用。现有遥感观测能力的极大提升，以及卫星遥感观测数据的积累，有望为长时间序列的气候变化研究提供数据基础。现已有多种地表参数产品，随着产品与算法的不断检验与发现的问题，促进人们不断提升现有产品的精度，以及往长时间序列扩展。在长时间序列产品生产中，机器学习算法及同化算法得到了空前的应用，结合了已有的观测数据作为先验知识，在一定程度对提高参数的产品精度有较好的改进。但对于未来的预测与监测，仍需提高对现有物理过程的认识，进而改进和提高地表参数反演精度。

（4） 加强卫星遥感像元尺度上的地面连续观测与真实性检验。现有的遥感监测算法检验绝大部分依赖于有限的地面点观测，对卫星观测的评估有偏颇性。国内现有观测如黑河生态水文遥感试验［219］、青藏高原布设的土壤温湿度观测网［220］、东北根河与塞罕坝等地土壤温湿度观测网［221］、内蒙小滦河流域的土壤水分观测网［222］等为公里与几十公里及像元尺度验证提供了良好的开端。如何建立卫星遥感不同像元尺度上的连续观测，获取不同像元尺度的“真值”，仍然存在较大的挑战。

参考文献

Zhang T， Barry R G， Armstrong R L.

Application of Satellite Remote Sensing Techniques to Frozen Ground Studies

［J］. Polar Geography， 2004， 28（3）： 163-196.

[本文引用: 1]

Brooks P D， Grogan P， Templer P H， et al.

Carbon and Nitrogen Cycling in Snow-Covered Environments

［J］. Geography Compass， 2011， 5（9）： 682-699.

[本文引用: 1]

Edwards A C， Scalenghe R， Freppaz M.

Changes in the Seasonal Snow Cover of Alpine Regions and Its Effect on Soil Processes： A Review

［J］. Quaternary International， 2007， 162-163： 172-181.

[本文引用: 1]

Mei Anxin， Peng Wanglu， Qin Qiming， et al.

Introduction to Remote Sensing

［M］.Beijing：Higher Education Press，2001.梅安新， 彭望碌， 秦其明， 等.

遥感导论

［M］. 北京： 高等教育出版社， 2001.

[本文引用: 1]

Shi J C,Dong X,Zhao T,et al.

“WCOM: The Science Scenario and Objectives of a Global Water Cycle Observation Mission

,”[C]∥ Geoscience and Remote Sensing Symposium (IGARSS)， 2014 IEEE Geoscience and Remote Sensing,2014：3646-3649.

[本文引用: 2]

Dozier J.

Spectral Signature of Alpine Snow Cover from the Landsat Thematic Mapper

［J］. Remote Sensing of Environment， 1989， 28：9-22.

[本文引用: 2]

Hall D K， Riggs G A， Salomonson V V.

Development of Methods for Mapping Global Snow Cover Using Moderate Resolution Imaging Spectroradiometer Data

［J］. Remote Sensing of Environment， 1995， 54（2）： 127-140.

[本文引用: 1]

Klein A G， Hall D K， Riggs G A.

Improving Snow Cover Mapping in Forests through the Use of a Canopy Reflectance Model

［J］. Hydrological Processes， 1998， 12（10）： 1723-1744.

Riggs G A， Hall D K， RomÁN M O.

MODIS Snow Products Collection 6 User Guide

［EB/OL］. 2016， .

URL     [本文引用: 1]

Salomonson V V， Appel I.

Estimating Fractional Snow Cover from MODIS Using the Normalized Difference Snow Index

［J］. Remote Sensing of Environment， 2004， 89（3）： 351-360.

[本文引用: 1]

Salomonson V V， Appel I.

Development of the Aqua MODIS NDSI Fractional Snow Cover Algorithm and Validation Results

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2006， 44（7）： 1747-1756.

[本文引用: 1]

Wang G X， Jiang L M， Shi J C， et al.

Snow-covered Area Retrieval from Himawari–8 AHI Imagery of the Tibetan Plateau

［J］. Remote Sensing， 2019， 11（20）： 1-23.

[本文引用: 2]

Wang G X， Jiang L M， Shi J C， et al.

A Universal Ratio Snow Index for Fractional Snow Cover Estimation

［J］. IEEE Geoscience And Remote Sensing Letters， 2020： 1-5. doi：10.1109/LGRS.2020.2982053，1-5.

[本文引用: 1]

Slater M T， Sloggett D R， Rees W G， et al.

Potential Operational Multi-Satellite Sensor Mapping of Snow Cover in Maritime Sub-Polar Regions

［J］. International Journal of Remote Sensing， 1999， 20（15-16）： 3019-3030.

[本文引用: 1]

Metsämäki S， Anttila S T， Markus H J， et al.

A Feasible Method for Fractional Snow Cover Mapping in Boreal Zone based on A Reflectance Model

［J］. Remote Sensing of Environment， 2005， 95（1）： 77-95.

[本文引用: 1]

Metsämäki S， Pulliainen J， Salminen M， et al.

Introduction to Globsnow Snow Extent Products with Considerations for Accuracy Assessment

［J］. Remote Sensing of Environment， 2015， 156：96-108.

[本文引用: 1]

Hori M， Sugiura K， Kobayashi K， et al.

A 38-Year （1978–2015） Northern Hemisphere Daily Snow Cover Extent Product derived Using Consistent Objective Criteria from Satellite-Borne Optical Sensors

［J］. Remote Sensing of Environment， 2017， 191：402-418.

[本文引用: 2]

Painter T H， Rittger K， Mckenzie C， et al.

Retrieval of Subpixel Snow Covered Area， Grain Size，and Albedo from MODIS

［J］. Remote Sensing of Environment， 2009， 113（4）： 868-879.

[本文引用: 1]

Rittger K， Painter T H， Dozier J.

Assessment of Methods for Mapping Snow Cover from MODIS

［J］. Advances in Water Resources， 2013， 51：367-380.

[本文引用: 2]

Sirguey P， Matieu R， Arnaud Y.

Subpixel Monitoring of the Seasonal Snow Cover with MODIS at 250 m Spatial Resolution in the Southern Alps of New Zealand： Methodology and Accuracy Assessment

［J］. Remote Sensing of Environment， 2009， 113（1）： 160-181.

[本文引用: 1]

Shi Jiancheng.

An Automatic Algorithm on Estimating Sub-Pixel Snow Cover from MODIS

［J］.Quaternary Sciences，2012，32（1）：6-15.

[本文引用: 1]

施建成.

MODIS 亚像元积雪覆盖反演算法研究—纪念杰出的地理学家， 冰川学家施雅风先生逝世一周年

［J］. 第四纪研究， 2012， 32（1）： 6-15.

[本文引用: 1]

Zhu J， Shi J C， Wang Y.

Subpixel Snow Mapping of the Qinghai–Tibet Plateau Using MODIS Data

［J］. International Journal of Applied Earth Observation and Geoinformation， 2012， 18：251-262.

[本文引用: 1]

Hao S R， Jiang L M， Shi J C， et al.

Assessment of MODIS-Based Fractional Snow Cover Products over the Tibetan Plateau

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 12（2）： 533-548.

[本文引用: 4]

Zhao Hongyu， Hao Xiaohua， Zheng Zhaojun， et al.

A New Algorithm of Fractional Snow Cover Basing on FY-3D/MERSI-II

［J］. Remote Sensing Technology and Application ，2018，33（6）：24-36.

[本文引用: 1]

赵宏宇， 郝晓华， 郑照军，等.

基于FY-3D/MERSI-II的积雪面积比例提取算法

［J］. 遥感技术与应用， 2018， 33（6）： 24-36.

[本文引用: 1]

Xiao Pengfeng， Feng Xuezhi， Xie Shunping，et al.

Research Progresses of High-resolution Remote Sensing of Snow in Manasi River Basin in Tianshan Mountains，Xinjiang Province

［J］.Journal of Nanjing University（Natural Sciences Edition），2015，51（5）：909-920.

[本文引用: 2]

肖鹏峰， 冯学智， 谢顺平， 等.

新疆天山玛纳斯河流域高分辨率积雪遥感研究进展

［J］. 南京大学学报（自然科学版）， 2015，51（5）： 909-920.

[本文引用: 2]

Gascoin S， Grizonnet M， Bouchet M， et al.

Theia Snow Collection： High-resolution Operational Snow Cover Maps from Sentinel-2 and Landsat-8 Data

［J］. Earth System Science Data， 2019， 11（2）： 493-514.

[本文引用: 1]

CortÉS G， Girotto M， Margulis S A.

Analysis of Sub-pixel Snow and Ice Extent over the Extratropical Andes Using Spectral Unmixing of Historical Landsat Imagery

［J］. Remote Sensing of Environment， 2014， 141：64-78.

[本文引用: 1]

Aalstad K， Westermann S， Bertino L.

Evaluating Satellite Retrieved Fractional Snow-covered Area at A High-Arctic Site Using Terrestrial Photography

［J］. Remote Sensing of Environment， 2020， 239：1-19.

[本文引用: 1]

Dobreva I D， Klein A G.

Fractional Snow Cover Mapping Through Artificial Neural Network Analysis of MODIS Surface Reflectance

［J］. Remote Sensing of Environment， 2011， 115（12）： 3355-3366.

[本文引用: 1]

Czyzowska-Wisniewski E H， Vanleeuwen W J D， Hirschboeck K K， et al.

Fractional Snow Cover Estimation in Complex Alpine-forested Environments Using an Artificial Neural Network

［J］. Remote Sensing of Environment， 2015， 156：403-417.

[本文引用: 1]

Kuter S， Akyurek Z， Weber G W.

Retrieval of Fractional Snow Covered Area from MODIS Data by Multivariate Adaptive Regression Splines

［J］. Remote Sensing of Environment， 2018， 205：236-252.

[本文引用: 1]

Moosavi V， Malekinezhad H， Shirmohmmadi B.

Fractional Snow Cover Mapping from MODIS Data Using Wavelet-Artificial Intelligence Hybrid Models

［J］. Journal of Hydrology， 2014， 511：160-170.

[本文引用: 1]

Romanov P， Gutman G， Csiszar I.

Automated Monitoring of Snow Cover over North America with Multispectral Satellite Data

［J］. Journal of Applied Meteorology， 2000， 39（11）： 1866-1880.

[本文引用: 1]

De Ruyter De Wildt M， Seiz G， Gruen A.

Operational Snow Mapping Using Multitemporal Meteosat SEVIRI Imagery

［J］. Remote Sensing of Environment， 2007， 109（1）： 29-41.

[本文引用: 1]

Siljamo N， Hyvärinen O.

New Geostationary Satellite-based Snow Cover Algorithm

［J］. Journal of Applied Meteorology and Climatology， 2011， 50（6）： 1275-1290.

[本文引用: 1]

Yang J T， Jiang L M ， Shi J C， et al.

Monitoring Snow Cover Using Chinese Meteorological Satellite Data over China

［J］. Remote Sensing of Environment， 2014， 143：192-203.

[本文引用: 2]

Romanov P， Tarpley D， Gutman G， et al.

Mapping And Monitoring of the Snow Cover Fraction over North America

［J］. Journal of Geophysical Research： Atmospheres， 2003， 108（D16）： 1-15.

[本文引用: 1]

Romanov P， Tarpley D.

Enhanced Algorithm for Estimating Snow Depth from Geostationary Satellites

［J］. Remote Sensing of Environment， 2007， 108（1）： 97-110.

[本文引用: 1]

Wang G X， Jiang L M， Wu S L， et al.

Fractional Snow Cover Mapping from FY-2 VISSR Imagery of China

［J］. Remote Sensing， 2017， 9（10）： 1-20.

[本文引用: 1]

Ramsay B H.

The Interactive Multisensor Snow and Ice Mapping System

［J］. Hydrological Processes， 1998， 12（10）： 1537-1546.

[本文引用: 1]

Chen X Y， Jiang L M.

Evaluation of the IMS Snow Map in Southern China based on High Spatial Resolution Imagery

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2014： 3994-3997.

[本文引用: 1]

Liang T， Zhang X， Xie H， et al.

Toward Improved Daily Snow Cover Mapping with Advanced Combination of MODIS and AMSR-E Measurements

［J］. Remote Sensing of Environment， 2008， 112（10）： 3750-3761.

[本文引用: 1]

Gao Y， Xie H， Yao T， et al.

Integrated Assessment on Multi-temporal and Multi-sensor Combinations for Reducing Cloud Obscuration of MODIS Snow Cover Products of The Pacific Northwest USA

［J］. Remote Sensing of Environment， 2010， 114（8）： 1662-1675.

[本文引用: 1]

Chen X N， Long D， Liang S L， et al.

Developing A Composite Daily Snow Cover Extent Record over The Tibetan Plateau from 1981 to 2016 Using Multisource Data

［J］. Remote Sensing of Environment， 2018， 215：284-299.

[本文引用: 1]

Parajka J， Pepe M， Rampini A， et al.

A Regional Snow-Line Method for Estimating Snow Cover from MODIS during Cloud Cover

［J］. Journal of Hydrology， 2010， 381（3-4）： 203-212.

[本文引用: 1]

Zhang Huan，Qiu Yubao， Zheng Zhaojun，et al.

Comparative Study of the Feasibility of Cloud Removal Methods based on MODIS Seasonal Snow Cover Data over the Tibetan Plateau

［J］. Journal of Glaciology and Geocryology，2016，38（3）：714-724.

[本文引用: 1]

张欢， 邱玉宝， 郑照军， 等.

基于MODIS的青藏高原季节性积雪去云方法可行性比较研究

［J］. 冰川冻土， 2016， 38（3）： 714-724.

[本文引用: 1]

Hall D K， Riggs G A， Foster J L， et al.

Development and Evaluation of a Cloud-Gap-Filled MODIS Daily Snow Cover Product

［J］. Remote Sensing Of Environment， 2010， 114（3）： 496-503.

[本文引用: 1]

Morriss B F， Ochs E， Deeb E J， et al.

Persistence-based Temporal Filtering for MODIS Snow Products

［J］. Remote Sensing of Environment， 2016， 175：130-137.

[本文引用: 1]

Parajka J， Blöschl G.

Spatio-Temporal Combination of MODIS Images - Potential for Snow Cover Mapping

［J］. Water Resources Research， 2008， 44（3）： 72-84.

[本文引用: 1]

Gafurov A， BÁRdossy A.

Cloud Removal Methodology from MODIS Snow Cover Product

［J］. Hydrology and Earth System Sciences， 2009， 13（7）： 1361-1373.

[本文引用: 1]

Wang W， Huang X， Deng J， et al.

Spatio-Temporal Change of Snow Cover and Its Response to Climate over The Tibetan Plateau based on an Improved Daily Cloud-Free Snow Cover Product

［J］. Remote Sensing， 2014， 7（1）： 169-194.

[本文引用: 1]

Qiu Yubao， Zhang Huan，Chu Duo，et al.

Cloud Removing Algorithm for The Daily Cloud Free MODIS-based Snow Cover Product Over The Tibetan Plateau

［J］.Journal of Glaciology and Geocryology，2017，39（3）：515-526.

[本文引用: 1]

邱玉宝， 张欢， 除多， 等.

基于MODIS的青藏高原逐日无云积雪产品算法

［J］. 冰川冻土， 2017， 39（3）： 515-526.

[本文引用: 1]

Dozier J， Painter T H， Rittger K， et al.

Time–Space Continuity of Daily Maps of Fractional Snow Cover and Albedo from MODIS

［J］. Advances in Water Resources， 2008， 31（11）： 1515-1526.

[本文引用: 2]

Li X， Fu W， Shen H， et al.

Monitoring Snow Cover Variability （2000-2014） in The Hengduan Mountains based on Cloud-removed MODIS Products with An Adaptive Spatio-Temporal Weighted Method

［J］. Journal of Hydrology， 2017， 551：314-327.

[本文引用: 2]

Huang Y， Liu H， Yu B， et al.

Improving MODIS Snow Products with A HMRF-based Spatio-Temporal Modeling Technique in the Upper Rio Grande Basin

［J］. Remote Sensing of Environment， 2018， 204：568-582.

[本文引用: 2]

Shi Jiancheng， Xiong Chuan， Jiang Lingmei.

Review of Snow Water Equivalent Microwave Remote Sensing

［J］.Scientia Sinica （Terrae），2016，46（4）：529-543.

[本文引用: 1]

施建成 ，熊川， 蒋玲梅.

雪水当量主被动微波遥感研究进展

［J］. 中国科学：D 辑， 2016， 46（4）： 529-543.

[本文引用: 1]

Wiesmann A M C.

Microwave Emission Model of Layered Snowpacks

［J］. Remote Sensing of Environment， 1999， 70（3）： 307-316.

[本文引用: 2]

Pulliainen J， Grandell J， Hallikainen M.

HUT Snow Emission Model and Its Applicability to Snow Water Equivalent Retrieval

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1999， 37（31）： 13-17.

[本文引用: 1]

Tsang L， Chen C T， Chang A T， et al.

Dense Media Radiative Transfer Theory based on Quasicrystalline Approximation with Applications to Passive Microwave Remote Sensing of Snow

［J］. Radio Science， 2000， 35（3）： 731-749.

[本文引用: 1]

Jiang L M， Shi J C， Tjuatja S.

A Parameterized Multiple-scattering Model for Microwave Emission from Dry Snow

［J］. Remote Sensing of Environment， 2007， 111（2-3）：357-366.

[本文引用: 1]

Du J， Shi J， Rott H.

Comparison between A Multi-scattering and Multi-layer Snow Scattering Model and Its Parameterized Snow Backscattering Model

［J］. Remote Sensing of Environment， 2010， 114（5）： 1089-1098.

[本文引用: 3]

Ding K H， Xu X， Tsang L.

Electromagnetic Scattering by Bicontinuous Random Microstructures with Discrete Permittivities

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（8）： 3139-3151.

[本文引用: 1]

Pan J M， Durand M T， Sandells M， et al.

Differences between the HUT Snow Emission Model and MEMLS and Their Effects on Brightness Temperature Simulation

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54：2001-2019.

[本文引用: 2]

Mätzler C， Wiesmann A.

Extension of the Microwave Emissionmodel of Layered Snowpacks to Coarse-Grained Snow

［J］. Remote Sensing of Environment， 1999， 70（3）： 317–325.

[本文引用: 1]

Löwe H， Picard G.

Microwave Scattering Coefficient of Snowin MEMLS and DMRTML Revisited： The Relevance of Sticky Hard Spheres and Tomography-based Estimates of Stickiness

［J］. Cryosphere， 2015， 9（6）： 2101–2117.

[本文引用: 1]

Royer A， Roy A， Montpetit B ，et al.

Comparison of Commonly-Used Microwave Radiative Transfer Models for Snow Remote Sensing

［J］. Remote Sensing of Environment， 2017， 190：247-259.

[本文引用: 1]

Zhu J， Tan S， King J， et al.

Forward and Inverse Radar Modelingof Terrestrial Snow Using Snowsar Data

［J］. IEEE Transactions on Geoence and Remote Sensing， 2018， 56（12）： 7122-7132.

[本文引用: 1]

Foster J L， Chang A T C， Hall D K.

Comparison of Snow Mass Estimates from a Prototype Passive Microwave Snow Algorithm， a Revised Algorithm and a Snow Depth Climatology

［J］. Remote Sensing of Environment， 1997， 62（2）：132-142.

[本文引用: 2]

Foster J L， Sun C， Walker J P， et al.

Quantifying the Uncertainty in Passive Microwave Snow Water Equivalent Observations

［J］. Remote Sensing of Environment， 2005， 94（2）：187-203.

Kelly R， Chang A， Leung T， et al.

A Prototype AMSR-E Global Snow Area and Snow Depth Algorithm

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（2）：230-242.

[本文引用: 1]

Kelly R.

The AMSR-E Snow Depth Algorithm： Description and Initial Results

［J］. Journal of The Remote Sensing Society of Japan， 2009， 29（1）：307-317.

[本文引用: 1]

Derksen C， Walker A E， Goodison B E，et al.

Integrating in Situ and Multiscale Passive Microwave Data for Estimation of Subgrid Scale Snow Water Equivalent Distribution and Variability

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2005， 43（5）： 1-13.

Che T， Li X.， Jin R.，et al.

Snow Depth Derived from Passive Microwave Remote-Sensing Data in China

［J］. Annals of Glaciology， 2008， 49（1）：145-154.

[本文引用: 1]

Jiang L M， Wang P， Zhang L X， et al.

Improvement of Snow Depth Retrieval for FY3B-MWRI in China

［J］. China Earth Science， 2014， 57（6）：1278-1292.

Yang J W， Jiang L M， Wu S L， et al.

Development of a Snow Depth Estimation Algorithm over China for the FY-3D/MWRI

［J］. Remote Sensing， 2019， 11（8）：1-21.

[本文引用: 2]

Chang A T C， Foster J L， Hall D K.

Nimbus-7 SMMR derived Global Snow Cover Parameters

［J］. Annals of Glaciology， 1987， 9：39-44.

[本文引用: 1]

Fierz C， Armstrong R L， Durand Y， et al.

The International Classification for Seasonal Snow on the Ground

［M］.Paris, the International Hydrological Programme of the United Nations Educational, Scientific and Cultural Organization (UNESCO- IHP), 2009.

[本文引用: 1]

Durand M， Kim E J， Margulis S A.

Quantifying Uncertainty in Modeling Snow Microwave Radiance for a Mountain Snowpack at the Point-Scale， Including Stratigraphic Effects

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（6）： 1753-1767.

Sturm M， Brian T， Glen L，et al.

Estimating Snow Water Equivalent Using Snow Depth Data and Climate Classes

［J］. Journal of Hydrometeorology， 2010， 11（6）： 1380-1394.

Sturm M， Holmgren J， Liston G E.

A Seasonal Snow Cover Classification System for Local to Global Applications

［J］. Journal of Climate， 1995， 8（5）：1261-1283.

[本文引用: 1]

Jiang L M， Shi J C， Tjuatja S.

Estimation of Snow Water Equivalence Using the Polarimetric Scanning Radiometer from the Cold Land Processes Experiments （CLPX03）

［J］. IEEE Geoscience and Remote Sensing Letters， 2011， 8（2）： 359-363.

[本文引用: 2]

Dai L， Che T， Wang J，et al.

Snow Depth and Snow Water Equivalent Estimation from AMSR-E Data based on A Priori Snow Characteristics in Xinjiang， China

［J］. Remote Sensing of Environment， 2012， 127：14-29.

[本文引用: 2]

Che T， Dai L， Zheng X.，et al.

Estimation of Snow Depth from Passive Microwave Brightness Temperature Data in Forest Regions of Northeast China

［J］. Remote Sensing of Environment， 2016， 183：334-349.

Kelly R， Li Q H，Saberi N.

The AMSR2 Satellite-based Microwave Snow Algorithm （SMA）： A New Algorithm for Estimating Global Snow Accumulation

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2019： 5606-5609.

[本文引用: 4]

Pulliainen J.

Mapping of Snow Water Equivalent and Snow Depth in Boreal and Sub-Arctic Zones by Assimilating Space-borne Microwave Radiometer Data and Ground-based Observations

［J］. Remote Sensing of Environment， 2006， 101（2）：257-269.

Che T， Li X， Jin R，et al.

Assimilating Passive Microwave Remote Sensing Data into a Land Surface Model to Improve the Estimation of Snow Depth

［J］. Remote Sensing of Environment， 2014， 143： 54-63.

Takala M， Luojus K， Pulliainen J，et al.

Estimating Northern Hemisphere Snow Water Equivalent for Climate Research Through Assimilation of Space-borne Radiometer Data and Ground-based Measurements

［J］. Remote Sensing of Environment， 2011， 115（12）：3517-3529.

Kontu A， Lemmetyinen J， Vehviläinen J， et al.

Coupling SNOWPACK Modeled Grain Size Parameters with The HUT Snow Emission Model

［J］. Remote Sensing of Environment， 2017， 194：33-47.

Kim R S， Durand M， Li D，et al.

Estimating Alpine Snow Depth by Combining Multifrequency Passive Radiance Observations with Ensemble Snowpack Modeling

［J］. Remote Sensing of Environment， 2019， 226：1-15.

[本文引用: 2]

Forman B A， Reichle R H.

Using A Support Vector Machine and a Land Surface Model to Estimate Large-Scale Passive Microwave Brightness Temperatures over Snow Covered Land in North America

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（9）： 4431-4441.

[本文引用: 1]

Pan J M， Durand M T， Vander Jagt B J，et al.

Application of a Markov Chain Monte Carlo Algorithm for Snow Water Equivalent Retrieval from Passive Microwave Measurements

［J］. Remote Sensing of Environment， 2017， 192：150-165.

[本文引用: 1]

Xiao X， Zhang T， And Zhong X.

Support Vector Regression Snow-depth Retrieval Algorithm Using Passive Microwave Remote Sensing Data

［J］. Remote Sensing of Environment， 2018， 210（7）： 48-64.

[本文引用: 1]

Bair E H， Andre A C， Karl R.

Using Machine Learning for Real-time Estimates of Snow Water Equivalent in the Watersheds of Afghanistan

［J］. The Cryosphere， 2018， 12（5）： 1579-1594.

[本文引用: 2]

Yang J， Jiang L， Luojus K，et al.

Snow Depth Estimation and Historical Data Reconstruction over China based on a Random Forest Machine Learning Approach

［J］. The Cryosphere， 2020， 14：1763-1778.

[本文引用: 2]

Tedsco M， Jeyaratnam J.

A New Operational Snow Retrieval Algorithm Applied to Historical AMSR-E Brightness Temperatures

［J］. Remote Sensing， 2016， 8（12）： 1-25.

[本文引用: 1]

Kwon Y， Yang Z， Zhao L，et al.

Estimating Snow Water Storage in North America Using CLM4， DART， and Snow Radiance Data Assimilation

［J］. Journal of Hydrometeorology， 2016， 17（11）：2853-2874.

[本文引用: 1]

Kwon Y， Yang Z， Zhao L.

Improving The Radiance Assimilation Performance in Estimating Snow Water Storage Across Snow and Land-cover Types in North America

［J］. Journal of Hydrometeorology， 2017， 18（3）：651-668.

Larue F， Royer A， De SÈVe D，et al.

Assimilation of Passive Microwave AMSR-2 Satellite Observations in a Snowpack Evolution Model over Northeastern Canada

［J］. Hydrology and Earth System Science， 2018， 22：5711-5734.

[本文引用: 1]

Shi J C， Dong X L， Zhao T J，et al.

WCOM： The Science Scenario and Objectives of a Global Water Cycle Observation Mission

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2014：3646-3649.

[本文引用: 1]

Cui Y， Xiong C， Lemmetyinen J，et al.

Estimating Snow Water Equivalent with Backscattering at X and Ku Band based on Absorption Loss

［J］. Remote Sensing， 2016， 8（6）： 1-18.

[本文引用: 1]

Lievens H， Demuzere H， Marshall H P， et al.

Snow Depth Variability in the Northern Hemisphere Mountains Observed from Space

［J］. Nature Communications， 2019， 10：1-12.

[本文引用: 1]

Guneriussen T， Hogda K， Johnsen H， et al.

Insar for Estimation of Changes in Snow Water Equivalent of Dry Snow

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（10）： 2101-2108.

[本文引用: 1]

Deeb E ， Marshall H P， Forster R. R，et al.

Supporting NASA Snowex Remote Sensing Strategies and Requirements for L-band Interferometric Snow Depth and Snow Water Equivalent Estimation

［C］∥ IEEE International Geoscience and Remote Sensing Symposium ，2017：1395-1396.

Leinss S， Wiesmann A， Lemmetyinen J， et al.

Snow Water Equivalent of Dry Snow Measured by Differential Interferometry

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（8）： 3773-3790.

Moller D， Readis K M， Bormann K J， et al.

Mapping Snow Depth from Ka-band Interferometry： Proof of Concept and Comparison with Scanning Lidar Retrievals

.［J］. IEEE Geoscience Remote Sensing Letters， 2017， 14（6）：886-890.

[本文引用: 1]

Thomas H P， Daniel F B， Joseph W B， et al.

The Airborne Snow Observatory： Fusion of Scanning LiDAR， Imaging Spectrometer， and Physically-based Modeling for Mapping Snow Water Equivalent and Snow Albedo

［J］. Remote Sensing of Environment， 2016， 184：139-152.

[本文引用: 1]

Goetz J， Brenning A.

Quantifying Uncertainties in Snow Depth Mapping from Structure from Motion Photogrammetry in An Alpine Area

［J］. Water Resources Research， 2019， 55（9）：7772-7783.

[本文引用: 1]

Adams M S， BÜHler Y， Fromm R.

Multitemporal Accuracy and Precision Assessment of Unmanned Aerial System Photogrammetry for Slope‐Scale Snow Depth Maps in Alpine Terrain

［J］. Pure and Applied Geophysics， 2018， 175（9）： 3303-3324.

[本文引用: 1]

Avazi F， Bianchi A， Cina A， et al.

Centimetric Accuracy in Snow Depth Using Unmanned Aerial System Photogrammetry and A Multistation

［J］. Remote Sensing， 2018， 10（5）：1-16.

[本文引用: 1]

Yu K， Li Y， Chang X.

Snow Depth Estimation based on Combination of Pseudorange and Carrier Phase of GNSS Dual-Frequency Signals

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2018， 57（3）： 1817-1828.

[本文引用: 1]

Huang Liangke， Zhou Wei， Liu Lilong， et al.

Research on Surface Snow Depth Retrieval of New L5 Signals from GPS

［J］.Bulletin of Surveying and Mapping，2019（7）：1-5.

黄良珂

周威， 刘立龙， 等.

基于GPS新型L5信号的地表雪深反演研究

［J］. 测绘通报， 2019（7）：1-5.

Wang Lifu， Zhang Shuang， Zhang Chenglong， et al.

The Study of Ground-based GPS Retrieved Snow Depth in Altay

［J］. Desert and Oasis Meteorology ，2019，13（1）：93-98.

[本文引用: 1]

王力福， 张双， 张成龙， 等.

地基GPS用于阿勒泰积雪深度反演研究

［J］. 沙漠与绿洲气象， 2019， 13（1）： 93-98.

[本文引用: 1]

Martinec J， Rango A.

Areal Distribution of Snow Water Equivalent Evaluated by Snow Cover Monitoring

［J］. Water Resources Research， 1981，17（5）：1480-1488.

[本文引用: 1]

Cline D W， Bales R C， Dozier J.

Estimating the Spatial Distribution of Snow in Mountain Basins Using Remote Sensing and Energy Balance Modeling

［J］. Water Resources Research， 1998，34（5）： 1275–1285.

Molotch N P.

Reconstructing Snow Water Equivalent in the Rio Grande Headwaters Using Remotely Sensed Snow Cover Data and a Spatially Distributed Snowmelt Model

［J］. Hydrological Processes，2009， 23（7）：1076–1089.

Rittger K，Bair E H， Kahl A， et al.

Spatial Estimates of Snow Water Equivalent from Reconstruction

［J］. Advances in Water Resources， 2016， 94：345-363.

[本文引用: 1]

Zhang L X， Shi J C， Zhang Z J， et al.

The Estimation of Dielectric Constant of Frozen Soil-water Mixture at Microwave Bands

［C］∥ IEEE International Geoscience and Remote Sensing Symposium，2003，4：2903-2905.

[本文引用: 1]

Mironov V L， Kerr Y H， Kosolapova L G， et al.

A Temperature-dependent Dielectric Model for Thawed and Frozen Organic Soil at 1.4 GHZ

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（9）： 4470-4477.

[本文引用: 1]

Mironov V L， Kosolapova L G， Fomin S V， et al.

Experimental Analysis and Empirical Model of the Complex Permittivity of Five Organic Soils at 1.4 GHZ in the Temperature Range from -30 °C to 25 °C

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（6）： 3778-3787.

Mironov V L， Karavayskiy A Y， Lukin Y I， et al.

A Dielectric Model of Thawed and Frozen Arctic Soils Considering Frequency， Temperature， Texture and Dry Density

［J］. International Journal of Remote Sensing， 2020， 41（10）： 3845-3465.

[本文引用: 1]

Schwank M， Stahli M， Wydler H， et al.

Microwave L-Band Emission of Freezing Soil

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2004， 42（6）： 1252-1261.

[本文引用: 1]

Zhao S， Zhang L， Zhang Y， et al.

The Coherent Microwave Emission of Freezing Soil Experimental Research and Model simulation

［C］∥ IEEE International Geoscience and Remote Sensing Symposium，2009，2：678-681.

[本文引用: 1]

England A W， Galantowicz J F， Zuerndorfer B W.

A Volume Scattering Explanation for the Negative Spectral Gradient of Frozen Soil

［C］∥ International Geoscience and Remote Sensing Symposium，1991，3：1175-1177.

[本文引用: 1]

Hao Z G， Zhao S J， Zhang L X， et al.

Comparison of Microwave Emission Model for Frozen Soil and Field Observation

［C］∥ IEEE International Geoscience and Remote Sensing Symposium ，2011：3097-3100.

[本文引用: 1]

Zhang T， Jiang L M， Zhao S J， et al.

Development of a Parameterized Model to Estimate Microwave Radiation Response Depth of Frozen Soil

［J］. Remote Sensing， 2019， 11（17）：1-21.

[本文引用: 1]

Zheng D H， Li X， Wang X， et al.

Sampling Depth of L-Band Radiometer Measurements of Soil Moisture and Freeze-Thaw Dynamics on the Tibetan Plateau

［J］. Remote Sensing of Environment， 2019， 226：16-25.

[本文引用: 1]

Zuerndorfer B W， England A W， Dobson M C， et al.

Mapping Freeze/Thaw Boundaries with SMMR Data

［J］. Agricultural and Forest Meteorology， 1990， 52（1）： 199-225.

[本文引用: 1]

Zuerndorfer B， England A W.

Radiobrightness Decision Criteria for Freeze/Thaw Boundaries

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1992， 30（1）： 89-102.

Judge J， Galatowicz J F， England A W， et al.

Freeze/Thaw Classification for Prairie Soils Using SSM/I Radiobrightnesses

［J］. IEEE Transactions on Geoscience and Remote Sensing，1997，35（4）：827-832.

[本文引用: 1]

Zhao T J， Zhang L X， Jiang L M， et al.

A New Soil Freeze/Thaw Discriminant Algorithm Using AMSR-E Passive Microwave Imagery

［J］. Hydrological Processes， 2011， 25（11）： 1704-1716.

[本文引用: 2]

Han M L， Yang K， Qin J， et al.

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 and Remote Sensing， 2015， 53（5）： 2775-2783.

[本文引用: 1]

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.

[本文引用: 1]

Kou X K， Jiang L M， Yan S， et al.

Research on the Improvement of Passive Microwave Freezing and Thawing Discriminant Algorithms for Complicated Surface Conditions

［C］∥ IEEE International Geoscience and Remote Sensing Symposium，2018：7161-7164.

[本文引用: 1]

Wang P K， Zhao T J， Shi J C， et al.

Parameterization of the Freeze/Thaw Discriminant Function Algorithm Using Dense In-Situ Observation Network Data

［J］. International Journal of Digital Earth， 2018， 12（8）： 980-994.

Kou X K， Jiang L M， Yan S， et al.

Detection of Land Surface Freeze-Thaw Status on the Tibetan Plateau Using Passive Microwave and Thermal Infrared Remote Sensing Data

［J］. Remote Sensing of Environment， 2017， 199：291-301.

[本文引用: 1]

Kim Y， Kimball J S， Mcdonald K C， et al.

Developing A Global Data Record of Daily Landscape Freeze/Thaw Status Using Satellite Passive Microwave Remote Sensing

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（3）： 949-960.

[本文引用: 1]

Roy A， Royer A， Derksen C， et al.

Evaluation of Spaceborne L-Band Radiometer Measurements for Terrestrial Freeze/Thaw Retrievals in Canada

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（9）： 4442-4459.

[本文引用: 1]

Rautiainen K， Parkkinen T， Lemmetyinen J， et al.

SMOS Prototype Algorithm for Detecting Autumn Soil Freezing

［J］. Remote Sensing of Environment， 2016， 180：346-360.

[本文引用: 1]

Derksen C， Xu X L， Dunbar R S， et al.

Retrieving Landscape Freeze/Thaw State from Soil Moisture Active Passive （SMAP） Radar and Radiometer Measurements

［J］. Remote Sensing of Environment， 2017， 194：48-62.

[本文引用: 1]

Frolking S， Mcdonald K C， Kimball J S， et al.

Using the Space-Borne NASA Scatterometer （NSCAT） to Determine the Frozen and Thawed Seasons

［J］. Journal of Geophysical Research-Atmospheres， 1999， 104（D22）： 27895-27907.

[本文引用: 1]

Rawlins M A， Mcdonald K C， Frolking S， et al.

Remote Sensing of Pan-Arctic Snowpack Thaw Using the Seawinds Scatterometer

［J］. Journal of Hydrology， 2004， 312（1-4）： 294-311.

[本文引用: 1]

Kimball J S， Mcdonald K C， Running S W， et al.

Satellite Radar Remote Sensing of Seasonal Growing Seasons for Boreal and Subalpine Evergreen Forests

［J］. Remote Sensing of Environment， 2004， 90（2）： 243-258.

[本文引用: 1]

Kimball J S， Mcdonald K C， Frolking S E， et al.

Radar Remote Sensing of the Spring Thaw Transition Across a Boreal Landscape

［J］. Remote Sensing of Environment， 2004， 89（2）： 163-175.

[本文引用: 1]

Rignot E， Way J B.

Monitoring Freeze-thaw Along North-South Alaskan Transects Using ERS-1 SAR

［J］. Remote Sensing of Environment， 1994，49（2）：131-137.

[本文引用: 1]

Podest E， Mcdonald K C， Kimball J S.

Multisensor Microwave Sensitivity to Freeze/Thaw Dynamics Across a Complex Boreal Landscape

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（11）： 6818-6828.

[本文引用: 1]

Du J Y， Kimball J S， Azaderakhsh M， et al.

Classification of Alaska Spring Thaw Characteristics Using Satellite L-Band Radar Remote Sensing

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2015， 53（1）： 542-556.

[本文引用: 1]

Naeimi V， Paulik C， Bartsch A， et al.

ASCAT Surface State Flag （SSF）： Extracting Information on Surface Freeze/Thaw Conditions from Backscatter Data Using an Empirical Threshold-analysis Algorithm

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2012， 50（7）： 2566-2582.

[本文引用: 1]

Cohen J， Rautiainen K， Ikonen J， et al.

A Modeling-based Approach for Soil Frost Detection in the Northern Boreal Forest Region with C-Band SAR

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（2）： 1069-1083.

[本文引用: 1]

Azarderakhsh M， Mcdonald K， Norouzi H， et al.

Using Sentinel-L SAR Measurements to Detect High Resolution Freeze and Thaw States in Alaska

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2018：2398-2399.

[本文引用: 1]

Muzalevskiy K V， Ruzicka Z.

Signatures of Sentinel-1 Radar and SMAP Radiometer Depending on the Temperature of Frozen Arctic Soil in the Cooling and Heating Process of the Active Layer

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2018：7176-7179.

[本文引用: 1]

Prince M， Roy A， Royer A， et al.

Timing and Spatial Variability of Fall Soil Freezing in Boreal Forest and Its Effect on SMAP L-Band Radiometer Measurements

［J］. Remote Sensing of Environment， 2019， 231：1-10.

[本文引用: 2]

Wang J， Jiang L M， Cui H Z， et al.

Evaluation and Analysis of SMAP， AMSR2 and Measures Freeze/Thaw Products in China

［J］. Remote Sensing of Environment， 2020， 242：1-18.

[本文引用: 1]

Wang Pengxin， Wan Zhengming，Gong Jianya，et al.

Advances in Drought Monitoring by Using Remotely Sensed Normalized Difference Vegetation Index and Land Surface Temperature Products

［J］. Advances in Earth Science，2003， 18（4）： 527-533.

[本文引用: 1]

王鹏新， 万正明， 龚健雅， 等.

基于植被指数和土地表面温度的干旱监测模型

［J］. 地球科学进展， 2003， 18（4）： 537-533

[本文引用: 1]

Price J C.

Thermal Inertia Mapping： A New View of the Earth

［J］. Journal of Geophysical Research， 1977， 82（18）： 2582-2590.

[本文引用: 1]

Qin J， Yang K， Lu N， et al.

Spatial Upscaling of In-Situ Soil Moisture Measurements based on MODIS-Derived Apparent Thermal Inertia

［J］. Remote Sensing of Environment， 2013， 138：1-9.

[本文引用: 1]

Zhang R， Tian J， Mi S， et al.

The Effect of Vegetation on the Remotely Sensed Soil Thermal Inertia and a Two-Source Normalized Soil Thermal Inertia Model for Vegetated Surfaces

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 9（4）： 1725-1735.

[本文引用: 1]

Wu Shiwen， Wang Changkun， Liu Ya， et al.

Inversion and Mapping of the Moisture Contentin Soil Profiles based on Hyperspectral Imaging Technology

［J］. Spectroscopy snd Spectral Analysis， 2019， 39（9）： 2847-2854.

[本文引用: 1]

吴士文， 王昌昆， 刘娅， 等.

高光谱成像的土壤剖面水分含量反演及制图

［J］. 光谱学与光谱分析， 2019， 39（9）： 2847-2854.

[本文引用: 1]

Paloscia S， Macelloni G， Santi E， et al.

A Multifrequency Algorithm for the Retrieval of Soil Moisture on a Large Scale Using Microwave Data from SMMR and SSM/I Satellites

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（8）： 1655-1661.

[本文引用: 1]

Njoku E G， Chan S K.

Vegetation and Surface Roughness Effects on AMSR-E Land Observations

［J］. Remote Sensing of Environment， 2006， 100（2）： 190-199.

[本文引用: 1]

Jackson T J.

Measuring Surface Soil Moisture Using Passive Microwave Remote Sensing

［J］. Hydrological Processes， 1993， 7（2）： 139-152.

[本文引用: 1]

O’ Neill P， Chan S， Njoku E， et al.

Soil Moisture Active Passive （SMAP） Algorithm Theoretical Basis Document Level 2 & 3 Soil Moisture （Passive） Data Products

［Z］. Jet Propulsion Laboratory California Institute of Technology， 2015.

[本文引用: 1]

Shi J C， Jiang L M， Zhang L X， et al.

A Parameterized Multifrequency-polarization Surface Emission Model

［J］. IEEE Transactions on Geoscience And Remote Sensing， 2005， 43（12）： 2831-2841.

[本文引用: 1]

Cui H Z， Jiang L M， Du J Y， et al.

Evaluation and Analysis of AMSR-2， SMOS， and SMAP Soil Moisture Products in the Genhe Area of China

［J］. Journal of Geophysical Research： Atmospheres， 2017， 122（16）： 8650-8666.

[本文引用: 2]

Cui H Z， Jiang L M， Lu Z， et al. Improvement and Validation of QP Model with Dual-Channel Soil Moisture Retrieval Algorithm in Genhe，

China

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2017： 4951-4954.

[本文引用: 1]

Njoke E G， Jackson T J， Lakshni V， et al.

Soil Moisture Retrieval from AMSR-E

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2003， 41（2）： 215-229.

[本文引用: 1]

Owe M， De J R， Holmes T.

Multisensor Historical Climatology of Satellite-derived Global Land Surface Moisture

［J］. Journal of Geophysical Research： Earth Surface， 2008， 113（F1）： 1-17.

[本文引用: 1]

Kerr Y H， Waldteufel P， Richaume P， et al.

The SMOS Soil Moisture Retrieval Algorithm

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2012， 50（5）： 1384-1403.

[本文引用: 1]

Lu H， Koike T， Fujii H， et al.

Development of a Physically-based Soil Moisture Retrieval Algorithm for Spaceborne Passive Microwave Radiometers and Its Application to AMSR-E

［J］. Journal of the Remote Sensing Society of Japan， 2009， 29（1）： 253-262.

[本文引用: 1]

Koike T.

Description of the GCOM-W1 AMSR2 Soil Moisture Algorithm

［D］. Tokyo： School of Engineering the University of Tokyo， 2013.

[本文引用: 1]

Liou Y A， Liu S F， Wang W J.

Retrieving Soil Moisture from Simulated Brightness Temperatures by a Neural Network

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（8）： 1662-1672.

[本文引用: 1]

Liu S F， Liou Y A， Wang W J， et al.

Retrieval of Crop Biomass and Soil Moisture from Measured 1.4 and 10.65 Ghz Brightness Temperatures

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（6）： 1260-1268.

[本文引用: 1]

Frate F D， Ferrazzoli P， Schiavon G.

Retrieving Soil Moisture and Agricultural Variables by Microwave Radiometry Using Neural Networks

［J］. Remote Sensing of Environment， 2003， 84（2）： 174-183.

[本文引用: 1]

Paloscia S， Santi E， Pettinato S， et al.

A Comparison between Two Algorithms for the Retrieval of Soil Moisture Using AMSR-E Data

［J］. Frontiers in Earth Science， 2015， 3（16）：1-10.

[本文引用: 1]

Kolassa J， Reichle R， Liu Q， et al.

Estimating Surface Soil Moisture from SMAP Observations Using a Neural Network Technique

［J］. Remote Sensing of Environment， 2018， 204：43-59.

[本文引用: 1]

Ulaby F T， Dobson M C， Bradley G A.

Radar Reflectivity of Bare and Vegetation-covered Soil

［J］. Advances in Space Research， 1981， 1（10）： 91-104.

[本文引用: 1]

Puri S， Stephen H， Ahmad S.

Relating TRMM Precipitation Radar Land Surface Backscatter Response to Soil Moisture in the Southern United States

［J］. Journal of Hydrology， 2011， 402（1-2）： 115-125.

[本文引用: 1]

Oh Y， Sarabandi K， Ulaby F T.

An Empirical Model and an Inversion Technique for Radar Scattering from Bare Soil Surfaces

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 1992， 30（2）： 370-381.

[本文引用: 2]

Dubois P C， Van Z J， Engman T.

Measuring Soil Moisture with Imaging Radars

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1995， 33（4）： 915-926.

[本文引用: 1]

Shi J C， Wang J， Hsu A Y， et al.

Estimation of Bare Surface Soil Moisture and Surface Roughness Parameter Using L-Band SAR Image Data

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 1997， 35（5）： 1254-1266.

[本文引用: 2]

Attema E P W， Ulaby F T.

Vegetation Modeled as a Water Cloud

［J］. Radio Science， 1978， 13（2）： 357-364.

[本文引用: 1]

Rawat K S， Singh S K， Ray R L， et al.

Parameterization of the Modified Water Cloud Model （MWCM） Using Normalized Difference Vegetation Index （NDVI） for Winter Wheat Crop： A Case Study from Punjab， India

［J］. Geocarto International， 2020： 1-14. doi：10.1081/10106049.2020.1783579.

[本文引用: 1]

Fung A K， Li Z， Chen K S.

Backscattering from a Randomly Rough Dielectric Surface

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1992， 30（2）： 356-369.

[本文引用: 1]

Chen K S， Wu T D， Tsang L， et al.

Emission of Rough Surfaces Calculated by the Integral Equation Method with Comparison to Three-dimensional Moment Method Simulations

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2003， 41（1）： 90-101.

[本文引用: 1]

Paloscia S， Pampaloni P， Pettinato S， et al.

The Retrieval of Soil Moisture from ENVISAT/ASAR Data

［J］. Earsel Eproceedings， 2005， 4（1）： 44-51.

[本文引用: 1]

Thoma D， Moran M， Bryant R， et al.

Comparison of Four Models to Determine Surface Soil Moisture from C-Band Radar Imagery in A Sparsely Vegetated Semiarid Landscape

［J］. Water Resources Research， 2006， 42（1）： 1-12.

[本文引用: 1]

Ulaby F T， Sarabandi K， Mcdonald K， et al.

Michigan Microwave Canopy Scattering Model

［J］. International Journal of Remote Sensing， 1990， 11（7）： 1223-1253.

[本文引用: 1]

Ferrazzoli P， Guerriero L.

Passive Microwave Remote Sensing of Forests： A Model Investigation

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 1996， 34（2）： 433-443.

[本文引用: 1]

Zhan X， Miller S， Chauhan N， et al.

Soil Moisture Visible/Infrared Radiometer Suite Algorithm Theoretical Basis Document

［Z］. Raytheon Information Technology and Scientific Services, Lanham, Md, 2002.

[本文引用: 1]

Chauhan N S， Miller S， Ardanuy P.

Spaceborne Soil Moisture Estimation at High Resolution： A Microwave-Optical/IR Synergistic Approach

［J］. International Journal of Remote Sensing， 2003， 24（22）： 4599-4622.

Song C， Jia L， Menenti M.

Retrieving High-resolution Surface Soil Moisture by Downscaling AMSR-E Brightness Temperature Using MODIS LST and NDVI Data

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（3）： 935-942.

[本文引用: 1]

Piles M， Camps A， Vall-Llossera M， et al.

Downscaling SMOS-derived Soil Moisture Using MODIS Visible/Infrared Data

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2011， 49（9）： 3156-3166.

[本文引用: 1]

Cui H Z， Jiang L M， Zhou Z， et al.

Downscaling of QP Model with Dual-channel Soil Moisture Retrievals over Genhe Area in China

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2018： 9118-9121.

Cui H Z，Jiang L M，Wang J，et al.

Downscaling of SMAP Soil Moisture Products over GENHE Area in China

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2019： 7037-7040.

[本文引用: 1]

Song C Y， Jia L.

A Method for Downscaling Fengyun-3B Soil Moisture based on Apparent Thermal Inertia

［J］. Remote Sensing， 2016， 8（9）： 1-16.

[本文引用: 1]

Merlin O， Chehbouni A， Walker J P， et al.

A Simple Method to Disaggregate Passive Microwave-based Soil Moisture

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2008， 46（3）： 786-796.

Fang B， Lakshmi V， Bindlish R， et al.

Passive Microwave Soil Moisture Downscaling Using Vegetation Index and Skin Surface Temperature

［J］. Vadose Zone Journal， 2013， 12（3）： 1-19.

Fang B， Lakshmi V.

Soil Moisture at Watershed Scale： Remote Sensing Techniques

［J］. Journal of Hydrology， 2014， 516：258-272.

[本文引用: 1]

Pellenq J， Kalma J， Boulet G， et al.

A Disaggregation Scheme for Soil Moisture based on Topography and Soil Depth

［J］. Journal of Hydrology， 2003， 276（1）： 112-127.

[本文引用: 1]

Merlin O， Chehbouni A， Boulet G， et al.

Assimilation of Disaggregated Microwave Soil Moisture into a Hydrologic Model Using Coarse-Scale Meteorological Data

［J］. Journal of Hydrometeorology， 2006， 7（6）： 1308-1322.

[本文引用: 1]

Merlin O， Walker J， Chehbouni A， et al.

Towards Deterministic Downscaling of SMOS Soil Moisture Using MODIS Derived Soil Evaporative Efficiency

［J］. Remote Sensing of Environment， 2008， 112（10）： 3935-3946.

[本文引用: 1]

Merlin O， Stefan V G， Amazirh A， et al.

Modeling Soil Evaporation Efficiency in a Range of Soil and Atmospheric Conditions Using a Meta-analysis Approach

［J］. Water Resources Research， 2016， 52（5）： 3663-3684.

[本文引用: 1]

Merlin O， MalbÉTeau Y， Notel Y， et al.

Performance Metrics for Soil Moisturedownscaling Methods： Application to DISPATCH Data in Central Morocco

［J］. Remote Sensing， 2015， 7（4）： 3783-3807.

[本文引用: 1]

Srivastava P K， Han D W， Ramirez M R， et al.

Machine Learning Techniques for Downscaling SMOS Satellite Soil Moisture Using MODIS Land Surface Temperature for Hydrological Application

［J］. Water Resources Management， 2013， 27（8）： 3127-3144.

[本文引用: 1]

Chen S D， Zhang L， Guo M，et al.

Spatial Downscaling Methods of Soil Moisture based on Multisource Remote Sensing Data and Its Application

［J］. Water， 2019， 11（1401）： 1-25.

[本文引用: 1]

Zhao W， SÁNchez N， Lu H， et al.

A Spatial Downscaling Approach for the SMAP Passive Surface Soil Moisture Product Using Random Forest Regression

［J］. Journal of Hydrology， 2018， 563：1009-1024.

[本文引用: 1]

Narayan U， Lakshmi V， Jackson T J.

High-resolution Change Estimation of Soil Moisture Using L-band Radiometer and Radar Observations Made during the SMEX02 Experiments

［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2006， 44（6）： 1545-1554.

[本文引用: 1]

Piles M， Entekhabi D， Camps A.

A Change Detection Algorithm for Retrieving High-resolution Soil Moisture from SMAP Radar and Radiometer Observations

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2009， 47（12）： 4125-4131.

[本文引用: 1]

Das N N， Entekhabi D， Njoku E G.

An Algorithm for Merging SMAP Radiometer and Radar Data for High-resolution Soil-Moisture Retrieval

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（5）： 1504-1512.

[本文引用: 1]

O'Neill P， Chauhan N， Jackson T.

Use of Active and Passive Microwave Remote Sensing for Soil Moisture Estimation Through Corn

［J］. International Journal of Remote Sensing， 1996， 17（10）： 1851-1865.

[本文引用: 1]

Chauhan N S.

Soil Moisture Estimation Under a Vegetation Cover： Combined Active Passive Microwave Remote Sensing Approach

［J］. International Journal of Remote Sensing， 1997， 18（5）： 1079-1097.

[本文引用: 1]

Lee K H， Anagnostou E N.

A Combined Passive/Active Microwave Remote Sensing Approach for Surface Variable Retrieval Using Tropical Rainfall Measuring Mission Observations

［J］. Remote Sensing of Environment， 2004， 92（1）： 112-125.

[本文引用: 1]

Das N N， Entekhabi D E ， Dunbar R S， et al.

The SMAP Mission Combined Active-passive Soil Moisture Product at 9 km and 3 km Spatial Resolutions

［J］. Remote Sensing of Environment， 2018， 211：204-217.

[本文引用: 1]

Zhan X， Houser P R， Walker J P， et al.

A Method for Retrieving High-resolution Surface Soil Moisture from Hydros L-Band Radiometer and Radar Observations

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2006， 44（6）： 1534-1544.

[本文引用: 1]

Santi E， Paloscia S， Pettinato S， et al.

On the Synergy of SMAP， AMSR2 and SENTINEL-1 for Retrieving Soil Moisture

［J］. International Journal of Applied Earth Observation and Geoinformation， 2018， 65：114-123.

[本文引用: 1]

Li Xin， Huang Chunlin， Che Tao， et al.

Progress and Prospect of Research on Land Surface Data Assimilation System in China

［J］. Progress in Natural Science， 2007， 17（2）： 163-173.

[本文引用: 2]

李新， 黄春林， 车涛， 等.

中国陆面数据同化系统研究的进展与前瞻

［J］. 自然科学进展， 2007， 17（2）： 163-173.

[本文引用: 2]

Bai L， Long D， Yan L.

Estimation of Surface Soil Moisture with Downscaled Land Surface Temperatures Using a Data Fusion Approach for Heterogeneous Agricultural Land

［J］. Water Resources Research， 2019， 55（2）： 1105-1128.

[本文引用: 1]

Kim E， Forman B A， Wang L Z， et al.

Space-time Coverage Scenarios for a Global Snow Satellite Constellation

［C］∥ IEEE International Geoscience and Remote Sensing Symposium， 2019：5614-5616.

[本文引用: 1]

Ye N， Hills J， Walker J P， et al.

Toward P-band Passive Microwave Sensing of Soil Moisture

［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 99：1-5.

[本文引用: 1]

Li X， Cheng G， Liu S， et al.

Heihe Watershed Allied Telemetry Experimental Research （Hiwater）： Scientific Objectives and Experimental Design

［J］. Bulletin of the American Meteorological Society， 2013， 94（8）： 1145-1160.

[本文引用: 1]

Yang K， Qin J， Zhao L， et al.

A Multiscale Soil Moisture and Freeze–Thaw Monitoring Network on the Third Pole

［J］. Bulletin of the American Meteorological Society， 2013， 94（12）： 1907-1916.

[本文引用: 1]

Jiang L M， Wang J， Cui H Z， et al.

In Situ Soil Moisture and Temperature Network in Genhe Watershed and Saihanba Area in China

［J］. Data in Brief， 2020， 31：1-9.

[本文引用: 1]

Zhao T J， Shi J C， Lv L Q， et al.

Soil Moisture Experiment in the Luan River Supporting New Satellite Mission Oppor-tunities

［J］. Remote Sensing of Environment， 2020， 240：1-21.

[本文引用: 1]

/

〈 〉