Satellite Retrieval of Microwave Land Surface Emissivity under Clear and Cloudy Skies in China Using Observations from AMSR-E and MODIS
Notice bibliographique
Résumé
Microwave land surface emissivity (MLSE) is an important geophysical parameter to determine the microwave radiative transfer over land and has broad applications in satellite remote sensing of atmospheric parameters (e.g., precipitation, cloud properties), land surface parameters (e.g., soil moisture, vegetation properties), and the parameters of interactions between atmosphere and terrestrial ecosystem (e.g., evapotranspiration rate, gross primary production rate). In this study, MLSE in China under both clear and cloudy sky conditions was retrieved using satellite passive microwave measurements from Aqua Advanced Microwave Scanning Radiometer-Earth Observing System (AMSR-E), combined with visible/infrared observations from Aqua Moderate Resolution Imaging Spectroradiometer (MODIS), and the European Centre for Medium-Range Weather Forecasts (ECMWF) atmosphere reanalysis dataset of ERA-20C. Attenuations from atmospheric oxygen and water vapor, as well as the emissions and scatterings from cloud particles are taken into account using a microwave radiation transfer model to do atmosphere corrections. All cloud parameters needed are derived from MODIS visible and infrared instantaneous measurements. Ancillary surface skin temperature as well as atmospheric temperature-humidity profiles are collected from ECMWF reanalysis data. Quality control and sensitivity analyses were conducted for the input variables of surface skin temperature, air temperature, and atmospheric humidity. The ground-based validations show acceptable biases of primary input parameters (skin temperature, 2 m air temperature, near surface relative humidity, rain flag) for retrieving using. The subsequent sensitivity tests suggest that 10 K bias of skin temperature or observed brightness temperature may result in a 4% (~0.04) or 7% (0.07) retrieving error in MLSE at 23.5 GHz. A nonlinear sensitivity in the same magnitude is found for air temperature perturbation, while the sensitivity is less than 1% for 300 g/m2 error in cloud water path. Results show that our algorithm can successfully retrieve MLSE over 90% of the satellite detected land surface area in a typical cloudy day (cloud fraction of 64%), which is considerably higher than that of the 29% area by the clear-sky only algorithms. The spatial distribution of MLSE in China is highly dependent on the land surface types and topography. The retrieved MLSE is assessed by compared with other existing clear-sky AMSR-E emissivity products and the vegetation optical depth (VOD) product. Overall, high consistencies are shown for the MLSE retrieved in this study with other AMSR-E emissivity products across China though noticeable discrepancies are observed in Tibetan Plateau and Qinling-Taihang Mountains due to different sources of input skin temperature. In addition, the retrieved MLSE exhibits strong positive correlations in spatial patterns with microwave vegetation optical depth reported in the literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».