农业灾害遥感及空间气候变化前沿研究

　　毛克彪，1977年出生，博士，中国农业科学院农业资源与农业区划研究所研究员（优秀青年一级人才），湖南科技大学兼职教授，安徽农业大学客座教授。主要从事农业大数据、气候变化、农业遥感、微波、热红外遥感、空间数据挖掘及GIS应用等方面的研究，主持或作为核心成员参与各类国家重大、重点等科研项目近20项。在国内外期刊和国际会议发表论文100余篇，专著1部，获得国家发明专利6项，国际发明专利3项。为国家重大自然灾害监测做出突出贡献，2016年5月被授予“全国优秀科技工作者”称号。毛克彪是一位在学术界研究思维非常活跃的学者，在遥感和计算机等七个专业学习过，研究思路开阔，不拘一格。

　　水热参数是表征地球各圈层（岩石圈、水圈、大气圈和生物圈）之间能量传输的两个重要的物理量，地面温度（包括地表和近地表）是研究地表和大气之间物质和能量交换、全球海洋环流、气候变化异常等方面不可或缺的重要参数，涉及众多基础学科和重大应用领域。运用卫星遥感技术快速准确地获取大面积、长时间序列的地表温度和土壤水分，是顺应当前科学技术发展趋势，是应对多种自然灾害等诸多问题迫切需要开展的研究课题，其研究成果既具有重大的科学意义，同时也具有重要的社会经济价值。

　　地表热辐射在通过大气达到卫星传感器的过程中，主要受地表类型和土壤水分，近地表空气温度和大气水汽含量的影响。氮磷钾溶解在土壤水分里面，土壤水分的变化影响介电常数变化，从而改变发射率，发射率变化影响地表的辐射效率，而地表温度变化决定土壤水分的蒸发速度，从而影响与近地表空气的能量交互，改变近地表空气温度；近地表空气温度的变化影响大气剖面，从而决定大气平均作用温度；在地表热辐射经过大气时，被大气水汽吸收，然后达到卫星传感器。因此，在利用单波段热红外传感器准确计算地表温度过程中，必须满足三个条件：获取大气水汽含量计算大气透过率；获取近地表空气温度估算大气平均作用温度；已知地表类型和土壤水分准确估算地表发射率。

　　以往大部分研究人员只集中在辐射传输方程中某一个部分的改进提高反演精度。毛克彪博士为了系统性提高地表温度反演精度，在三个关键参数研究以及空间气候变化研究都做了大量创新研究工作，并取得了一系列创新成果。今天，就让我们走近毛克彪教授，领略科技改变世界的神奇！

　　问：据了解，为了系统性提高地表温度反演精度，您通过潜心研究，对三个关键参数进行了深入探讨，那么主要取得了哪些可喜的成绩？

　　答：我们通过利用同极化不同频率微波指数克服粗糙度的影响，建立了标准极化微波指数模型，提高了土壤水分反演精度；发明了一套利用GPS地面反射信号估算土壤水分的仪器和方法，填补了国内地面高空估算大面积土壤水分微波仪器的空白；提出利用卡曼滤波迭代优化方法估算窄波段、宽波段发射率及大气水汽含量，提高了反演精度。

　　土壤水分不但是干旱监测中非常重要的参数，而且其变化影响热辐射和发射率变化，从而影响地表温度的反演精度。以往人们通过同一个频率不同极化建立微波指数与土壤水分建立统计关系计算土壤水分，同频率不同极化的微波指数受土壤粗糙度的影响很大。我们通过研究发现，不同频率V极化的微波指数能较好的消除粗糙度的影响，从而提出并建立了新的不同频率同极化标准化微波指数模型，在此基础上建立了被动微波土壤水分反演方法。该方法通过比值法克服了以往需要同步获得大尺度地表温度的困难，且分析表明通过标准化发射率指数和标准化微波指数建立土壤水分反演方法精度较高，反演误差降低了10%，得到国际同行认可。为了进一步验证和提高土壤水分反演算法精度和实用性，我们还发明了一套利用GPS地面反射信号反演土壤水分的装置和方法，估算误差为0.02m/3m3，该装置和方法通过在地面一定高度架设信号接收器接受GPS地面反射信号，通过建立模型获得土壤水分与反射信号的关系，全天候获得土壤水分参数，填补了国内在地面一定高度获得大面积土壤水分参数仪器的空白，解决了星上土壤水分验证时地面点观测难以匹配且缺乏代表性的难题，获得了国家发明专利授权，被“草原植被及其水热生态条件遥感监测理论方法与应用”项目采纳，并在国家呼伦贝尔草原生态站得到了应用，为草原生态监测提供了强大的技术支持。

　　发射率地表温度反演过程非常重要的关键参数，以往主要通过两种方式计算发射率：一是通过地表类型分类赋予固定的发射率值，不随时间变化，从而限制了气候变化等模型的估算精度；二是通过局部线性关系和比值法来计算发射率。我们针对以往算法的缺点，提出了利用卡曼滤波迭代优化方法提高了窄波段和宽波段估算发射率的方法。针对ASTER数据误差在0.009以内，MODIS数据估算误差在0.010以内（国际相关研究精度为0.02）。为蒸散发和农情监测模型等提供了有效手段和技术支撑。

　　大气水汽含量是地表温度反演过程中计算透过率的关键参数，也是农业旱情监测的主要参数。为此，我们提出了一种用卡曼滤波迭代优化方法从遥感数据反演大气水汽含量的新方法。该方法克服了NASA传统比值法在水汽比较低和比较高时反演不敏感的缺陷，通过利用迭代优化提高了不同地表类型条件下反演方法的适用性。用MODIS数据反演分析表明，该方法还很好地简化了传统方法复杂的反演过程，和减少了反演结果的不确定性，平均误差0.12g/cm2。与美国宇航局（NASA）提供的产品比较表明，在大气水汽含量低于1.0g/cm2和高于3.5g/cm2时，反演精度提高15%以上。该反演方法被应用到了相关监测业务系统中，提高了农情和草原长势监测精度。

　　问：多年的科研生涯中，您创造了多个“首次”的记录，成为农业大数据、气候变化、农业遥感等领域的佼佼者，您简单介绍一下这些“首次”的创造都经历了哪些创新开拓？

　　答：首先，我们首次提出利用先验知识和人工智能方法直接从遥感数据大面积估算近地表空气温度反演方法，提高了空气温度反演的精度和时效性。

　　近地表空气温度不但是影响大气平均作用温度的关键参数，也是能量平衡和气候变化研究里一个非常重要的参数。由于近地表空气温度受时间和空间，以及地表情况的影响，至今还没有一种方法能够很好地估计近地表空气温度的空间分布。目前，在气候变化研究里公知的三种获得近地表空气温度的方法，一是基于能量平衡的物理方法。物理方法需要空气动力学阻抗，以及地表状态（包括水、土壤和植被的状态等），这几个参数难以获取；另外一个是经验方法，利用GIS对气象站点获得的近地表空气温度进行插值得到近地表空气温度的分布图。当气象站点不是很多而且不是均匀分布（特别是在山区）时，插值得到的结果不是很好；第三个是利用热红外波段与地面站点进行统计回归的经验算法，这种经验算法在时间和空间上不具备平移性，即需要在不同空间和时间重新采集数据进行统计修正系数。我们首次提出利用地表温度和发射率作为先验知识，建立迭代优化的人工智能方法，从而使得直接从遥感数据大面积反演近地表空气温度的反演方法变得通用，误差大约1℃（同类国际刊物发表精度是2～3℃）。在此基础上，进一步利用大气水汽含量作为先验知识提高近地表空气温度反演精度，获得国家发明专利1项。本文来自《农业灾害研究》杂志