基于风云三号D星X波段观测资料首次反演的植被光学厚度产品

《Remote Sensing of Environment》：First vegetation optical depth product retrieved from FengYun-3D X-band observations

【字体：大中小】 时间：2026年09月16日 来源：Remote Sensing of Environment 12.3

编辑推荐：

　　 •首个FY-3D X波段植被光学深度（X-VOD）产品。•利用植被类型校准优化了X波段生物圈微波发射模型（X-MEB）的参数。•改善了与植被变量之间的空间一致性。•增强了对植被动态变化的表征能力。•在植被监测、碳循环和干旱评估方面具有较大潜力。引言植被光学深度（VOD）衡量的

•
首个FY-3D X波段植被光学深度（X-VOD）产品。
•
利用植被类型校准优化了X波段生物圈微波发射模型（X-MEB）的参数。
•
改善了与植被变量之间的空间一致性。
•
增强了对植被动态变化的表征能力。
•
在植被监测、碳循环和干旱评估方面具有较大潜力。

引言

植被光学深度（VOD）衡量的是微波信号在穿过植被冠层时受到的削弱程度（Wigneron等，2017年）。VOD可作为地上生物量（AGB）和植被含水量的替代指标，为生态系统碳评估（Liu等，2015年；Qin等，2021年；Fan等，2023年；Li等，2025年）、干旱胁迫监测（Konings等，2021年）和植物生理过程研究（Konings和Gentine，2017年；Li等，2023年）提供了关键信息。与受大气变率和相对于太阳照明的观测角度影响的辐射植被指数不同（Morton等，2014年），VOD能够穿透植被冠层，在监测茂密植被和追踪季节性物候变化方面具有独特能力（Frappart等，2020年；Wigneron等，2024年）。使用较高频率信号（如X波段，8–12 GHz）进行的观测主要探测植被冠层上部，且其穿透土壤的能力弱于较低频率信号。虽然这可能导致高生物量地区的信号更快饱和，但它有效减少了土壤湿度干扰，提高了植被监测的信噪比。此外，这些高频观测提供了来自多个传感器的宝贵长期记录（1997年至今），且相比低频替代方案，受射频干扰（RFI）的影响更小（Nijs等，2015年）。因此，从X波段微波亮温观测数据反演的X波段植被光学深度（X-VOD）成为理解陆地生态系统动态的一个重要生物物理参数。先前的研究已证明从多个被动微波传感器（包括SSM/I、TRMM TMI、WindSat和GPM GMI）反演X-VOD的可行性。这些多传感器X-VOD反演结果已被进一步整合到全球VOD数据集中，如VODCA和VODCA v2（Moesinger等，2020年；Zotta等，2024年），为全球尺度的植被监测提供了宝贵的观测数据。

中国第二代极轨气象卫星风云三号D（FY-3D）于2017年11月发射，搭载微波成像仪（MWRI），可测量亮温（TB）（Yang等，2011年）。该仪器经历了重大校准改进，与前一代仪器（FY-3C）相比，在交叉点的全球偏差减少了约1 K，标准差减少了约0.1–0.6 K，为VOD反演提供了新的机遇（Carminati等，2021年）。在所有频率中，X波段（10.65 GHz）亮温（X-TB）对大气水汽的敏感性较低，且在降水事件中的信号衰减程度小于MWRI测量的较高频率，使其成为VOD反演的有力候选者。FY-3D MWRI以水平和垂直极化获取X波段亮温，这对于区分微波信号中植被和土壤湿度的贡献至关重要，从而提高了X-VOD反演的能力（Wang等，2022年）。然而，FY-3D亮温观测数据在表征植被动态变化方面的潜力仍很大程度上未被探索，特别是基于辐射传输模型进行X-VOD反演方面（Chen等，2025年）。

在现有的X-VOD数据集中，应用于EOS高级微波扫描辐射计（AMSR-E）和高级微波扫描辐射计2（AMSR2）的陆面参数反演模型（LPRM）（Owe等，2008b）和陆面参数数据记录（LPDR）（Du等，2016年；Du等，2017年）因长期观测和全球覆盖而应用最为广泛。然而，由于辐射传输建模方法固有的简化，这些方法未能充分表征植被的复杂特性，导致其在多样化地表条件下的精度受到限制。VOD反演中的一个共同挑战是如何在不同地表面准确定义植被和土壤粗糙度的有效散射反照率（ω）和（_H），这两个参数都强烈影响反演质量。有效散射反照率（ω）是微波辐射被植被元素散射而非吸收的比例，它取决于冠层结构、含水量和物候阶段（Kurum，2013年）。由于植被结构的复杂性以及在卫星尺度上分离散射贡献的困难，对自然植被冠层精确估计该参数是极具挑战性的（Konings等，2017年）。土壤表面粗糙度影响其微波发射特性，而这些特性受地形和含水量的影响（Wang等，1983年；Schalie等，2016年）。微波发射模型中的土壤粗糙度参数化已被广泛研究（Fernandez-Moran等，2015年；Karthikeyan等，2019年；Walker等，2023年），但仍存在相当大的不确定性，特别是关于其与植被覆盖和土壤类型的依赖性。上述X-VOD反演算法（LPDR和LPRM）对ω和_H采用全球恒定值（在LPRM中，ω和_H均为固定值；在LPDR中，仅ω为固定值），这未能捕捉到这些参数在不同土地覆盖类型中的复杂变化。这些局限性将系统性不确定性引入辐射传输模型，并随后传播到X-VOD反演中，特别是在植被结构复杂的区域。

本研究通过利用校准的X波段生物圈微波发射（X-MEB）算法（Wang等，2021b；Wang等，2024年）开发首个基于FY-3D MWRI的X-VOD产品来解决这些不足。与主要来源于AMSR-E/AMSR2和其他微波传感器的现有X-VOD产品不同，本研究探索了FY-3D MWRI观测数据在植被监测方面的能力。一项关键创新是对ω和_H参数进行了精细优化，这两个参数已被确认为先前反演方案中的重要不确定性来源。通过专门为X波段优化这些参数，我们的目标是提高X-VOD估计在不同土地覆盖类型和季节条件下的精度和一致性。此外，对采用不同方法获取的X-VOD产品进行结构化评估也是必要的，以突出其比较优势和局限性，帮助用户选择合适的数据集进行应用。

本研究的主要目标为：(1) 将X-MEB辐射传输模型适配到FY-3D观测数据以反演X-VOD；(2) 开发一种系统策略，针对不同类型植被约束植被的散射行为和土壤表面粗糙度；(3) 利用校准后的模型生成全球X-VOD数据集；(4) 将反演的X-VOD与现有产品（LPDR和LPRM）以及独立的植被信息（如生物量和卫星反演的植被指数）进行比较，评估反演结果。

章节摘要

数据集

本研究使用了若干全球数据集，包括用于模型输入的数据（FY-3D亮温和ECMWF第五代再分析ERA5数据集）、用于校准的数据（实地土壤湿度（SM）测量和ERA5 SM）以及用于评估的数据（AGB、冠层高度、树木覆盖和辐射植被指数）。为确保与FY-3D亮温观测数据的空间分辨率一致，所有数据集均重采样至0.25°网格。

方法

本节介绍了用于反演FY-3D X-VOD的算法，包括校准、反演和评估步骤（图2）。本研究实现的X-MEB反演方案是对L-MEB算法（Wigneron等，2007年）的改编，专门针对FY-3D X波段亮温观测数据进行调整。X-MEB的物理基础基于τ-ω辐射传输理论（见第3.1节）。在该框架下，同时估计土壤湿度（SM）和X-VOD，使用代价函数进行……

校准结果

有效散射反照率（ω）和土壤粗糙度（_H）作为正向τ-ω模型中的两个关键参数，针对不同植被类型分别进行了校准（表2）。ω的校准结果显示出与冠层高度的关系，这印证了Liu等（2025年）报告的结果，即ω与冠层高度呈负相关。

对于类型1（表S2），对应高生物量的植被区域，参数ω的影响更为……

FY-3D X-VOD反演的区域表现

搭载多光谱可见光/红外/微波传感器的FY-3D卫星已广泛应用于火灾识别（Chen等，2022年）、土壤湿度反演（Kang等，2021年）、冰/雪面温度估算（Zheng等，2022年）和可降水量水汽估算（Abbasi等，2020年）。本研究首次开发了FY-3D X-VOD反演算法。研究结果表明，FY-3D在X-VOD反演方面具有与现有产品相媲美的表现潜力……

结论与展望

本研究的主要创新在于开发了首个基于FY-3D的X-VOD产品。与主要来源于AMSR-E/AMSR2和其他被动微波传感器的先前X-VOD产品不同，本研究通过利用FY-3D MWRI测量数据扩展了全球微波植被观测框架。为实现这一目标，我们实施了一种基于校准的X-VOD反演算法，其中τ-ω模型的关键参数——ω和_H——进行了优化。校准工作是在……

作者贡献声明

Lei Fan（范磊）：撰写–审阅与编辑、经费获取、概念设计。Mengjia Wang（王梦佳）：撰写–原稿、指导、方法学、概念设计。Dongbo Chen（陈冬波）：撰写–原稿、方法学、调查、数据整理。Philippe Ciais：撰写–审阅与编辑。Frédéric Frappart：撰写–审阅与编辑。Jiangyuan Zeng（曾江元）：撰写–审阅与编辑。Gabrielle De Lannoy：撰写–审阅与编辑。Jian Peng（彭健）：撰写–审阅与编辑。Xiuqing Hu（胡秀清）：撰写–审阅与……

利益冲突声明

作者声明不存在已知的竞争性财务利益或个人关系，这些可能影响本文所报告工作的公正性。

致谢

本研究得到了青年基金人才培育支持项目（SRICSPYF-ZY2025147）和国家自然科学基金（资助编号：42322103、42301401）的资助。我们感谢Andrej Varlagin和Adelina Mihai以及俄罗斯科学院西维尔采夫生态与进化研究所Ru_CFR团队在ISMN方面的支持；感谢Frank Annor和Nicolaas Cornelis van de Giesen以及Trans-African……

引言