| 反演算法 | 作者及发表时间 | 特点 |
---|
热红外反演 | 单通道算法 | Price, 1983[11]; Susskind, 1984[12]; Qin, et al, 2001[14]; Mu?oz & Sobrino, 2003[15]; Jiménez-Mu?oz, et al, 2009[4]; Cristobal, et al, 2018[16] | 对单个红外通道进行建模,需要输入地表发射率、大气传输模型、精确大气廓线。 | 多通道算法 | McMillin, 1975[3]; Deschamps & Phulpin, 1980[18]; Becker & Li, 1990[19]; Sobrino, et al, 1996[20]; Franca & Carvalho, 2004[21]; Qian, et al, 2016[22]; Tang, 2018[23] | 对多个红外通道进行建模,无需大气廓线数据,反演精度较高,地表发射率具有不确定性,对算法结果影响较大。 | 多角度算法 | Chedin, et al, 1982[24]; Prata, 1993[25]; Sobrino, et al, 1996[20]; Li, et al, 2001[26]; Ren, 2015[27] | 根据特定通道在不同角度的亮温差异来消除大气的影响,无需大气廓线数据,数据源稀缺。 | 多时相算法 | Watson, 1992[28]; Wan & Li, 1997[29]; Wan, 2008[30] | 基于地表发射率不随时间变化的假设,无需输入地表发射率,结果对传感器噪声、大气校正误差和影像配准精度敏感,现在主要应用于MODIS地表温度反演。 | 高光谱反演算法 | Kanani, et al, 2007[31]; Borel, 2008[32]; Ouyang, et al, 2010[33]; Wang, et al, 2011[34]; Zhong, et al, 2016[35]; Chen, et al, 2019[36] | 利用地表发射率固有的光谱特征,无需输入地表发射率,需要精确大气校正。 | 被动微波反演 | 统计模型 | 单通道回归 | Mcfarland, 1990[37]; Njoku, 1999[38]; 毛克彪, et al, 2006[39]; Han, et al, 2018[40]; Zhou, et al, 2019[41] | 算法简单,模型回归需要大量实验数据,模型系数具有较强局地性。 | 多通道回归 | 物理模型 | 微波辐射传输方程 | Xiang, et al, 1997[42]; Basist, et al, 1998[43]; Fily, et al, 2003[44]; Kohn, et al, 2010[45]; Zhang, et al,2019[46]; Huang, et al, 2019[47] | 具有物理意义,且反演精度较经验模型高,过于依赖输入参数和假设条件的准确性。 | 基于发射率求解 | 基于发射率不变 | 神经网络模型 | Zurk, et al, 1992[48]; Aires, et al, 2001[49]; Prigent, et al, 2016[50]; Ermida, et al, 2017[53]; Jiménez, et al, 2017[54]; Mao, et al,2018[55] | 方法简单易行,但不具有实际物理意义,通过输入有代表性的训练样本建立数学公式推导结果,对训练样本的依赖性较大。 |
|