论文总字数：19702字

目 录

摘要 II

Abstract III

1. 绪论 1

1.1研究意义 1

1.2国内外研究进展 2

2. MWRI仪器与通道特征 3

2.1 微波成像仪介绍 3

2.2 FY-3B微波成像仪的通道特征 6

3. 无线电频率干扰信号的识别方法 7

3.1 谱差法原理 7

3.2 主分量分析法 8

4. 数值结果 11

4.1微波成像仪10.65GHz和18.7GHz 通道亮温观测的空间分布 11

4.2 谱差法识别出的RFI信号 12

4.2.1 亚洲东部存在的RFI信号 12

4.2.2 欧洲地区存在的RFI信号 14

4.3 主分量分析法识别出的RFI信号 16

5. 总结与展望 17

5.1 主要结论 17

5.2 工作展望 18

参考文献 18

致谢 20

MWRI RFI识别方法对比分析

姜苏麟

, China

Abstract: Right now, the x-band has been widely used in active and passive remote sensing, the artificial active remote sensing signal can be received by microwave detecting instrument with similar frequency, and these contaminated data greatly affect the quality and efficiency of microwave remote sensing data. Therefore, it is very necessary to detect radio frequency interference signals before the assimilation and inversion of the Microwave Radiation Imager data.

The ascending orbit data of the Microwave Radiation Imager onboard the FY-3B satellite from July 1,2014 to July 16,2014 are used in this paper. The detectation of the RFI signals over land use the spectral difference method and the principal component analysis (PCA) method, and compare the radio frequency interference signals identified by different methods. In general, the brightness temperature of natural signals generated in low frequency channel is lower than that in high frequency channel, but when the RFI signals exist, brightness temperature in low frequency channel increases, thus, the brightness temperature difference between the low frequency channel and the high frequency channel increases, and even the opposite spectral difference appears. The spectral difference method is based on this feature to identify the RFI signal. Natural radiation causes different channels to be correlated, the principal component analysis (PCA) method detect the radio frequency interference signals by using this characteristic. The results show that Microwave Radiation Imager data at 10.65GHz has strong RFI, both two methods can effectively detect the radio frequency interference signal over land in summer, and two identification methods of RFI signal has good consistency. Radio frequency interference in eastern Asia are mainly distributed in eastern China (mainly in Shanghai and Beijing, elsewhere has less interference signal) and Japan, RFI signals of European area are mainly distributed in Britain, Italy and Turkey.

Key words: Microwave Radiation Imager(MWRI); radio frequency interference(RFI); spectral difference method; principal component analysis (PCA)

1. 绪论

1.1研究意义

遥感技术不断发展，卫星与雷达逐渐地广泛应用于天文、气象、农业、军事等各个领域，作为新型的气象探测方式，他们有许多优点是常规探测无法比拟的。但是，随着无线电业务不断发展，比如手机、广播、导航等，人类的日常生产生活过程中，卫星遥感的低频部分与主动遥感中的低频波段重叠，并且重叠部分越来越多。由于频率比较接近，微波探测仪器可以接收到人为主动遥感信号，这种现象影响了微波探测仪器的数据，称为无线电频率干扰(Radio Frequency Interference, RFI)。

2010年11月5号，中国第二代极轨卫星FY-3B发射^[1]，微波成像仪(MWRI)装载于该卫星上。微波成像仪有10个通道，它包含5个频率（10.65GHz，18.7GHz，23.8GHz，36.5GHz，89.0GHz），并且每个频率都包括两种极化方式，分别为垂直极化和水平极化。如今^[2]，X波段已经在主动遥感和被动遥感中广泛应用。尤其是雷达技术，被军事和民事生产以及政府普遍采用，比如气象观测、航空监管、全球卫星定位系统(GPS)、追踪、车速检测等。所以微波成像仪的X波段的运行没有受到保护，这些主动微波发射器的信号很容易就能掩盖地表发射的自然信号。同时，在受保护的频段附近工作的不必要的高排放服务站也可能会导致RFI信号的产生^[3]。

在过去的几年中，星载微波辐射计的数据中存在无线电频率干扰信号(RFI)的问题严重影响了遥感科学产品的质量。这种趋势在未来几年将日益增长，因为卫星遥感的频率已经与无线电业务分配的频率开始逐渐重叠^[4-5]。被动微波传感器工作在微波低频段的电磁波谱显示了RFI对测量信号及其对地球物理参数的影响的增强，比如先进微波扫描辐射计(AMSR-E)和WindSat辐射计^[6]–[11]。除此之外，遥感测量获得的C波段数据(AMSR-E的6.7-7.1 GHz 和WindSat的6.74-6.86 GHz)和X波段的数据(AMSR-E的10.6-10.7 GHz和WindSat的10.55-10.85 GHz)，尽管它们是运行在一个受保护的频段上^[12]，仍然发现存在RFI信号。RFI的存在使亮温观测值与地球自然的热辐射信号相比异常偏大，如果不能正确的识别和消除遥感测量中存在的无线电频率干扰信号，RFI污染可能会严重影响现有和未来的低频波段的微波被动遥感任务的科学价值。在对低频微波的观测数据反演前最好先消除RFI信号，使反演误差达到最小。

因此，在同化和反演低频微波资料之前，消除RFI信号是十分必要的。本文在MWRI的通道特征、RFI信号的产生和识别等方面进行概括总结，利用2014年7月1日至7月16日的风云三号B星搭载的MWRI的升轨数据，重点研究中国风云三号B星搭载的MWRI X波段上的RFI信号的识别方法，比如谱差法、主分量分析法，尝试使用这两种方法识别微波成像仪10.65GHz通道上的RFI信号，并对两种方法识别出的RFI信号进行对比分析。

1.2国内外研究进展

为了能够有效地识别出无线电频率干扰信号，已开发了许多RFI的识别方法，可以量化RFI的范围和强度，比如谱差法、平均值和标准差方法、PCA方法、标准化的PCA方法等。

Li等^[6]在2004年在先进微波辐射计的低频通道数据中识别出RFI信号，并且提出利用谱差法来识别RFI，自然信号在不同通道上产生的亮温差异较小，当数据中存在RFI信号时，通道之间观测的亮温差异变大，谱差法是根据此特征来识别RFI信号的。Njoku等^[8]对AMSR-E数据中存在RFI污染问题进行了分析，研究了C波段和X波段的通道数据发现，6. 9 GHz通道数据中所存在的RFI信号主要分布在日本等地区，欧洲地区的分布比较稀疏；而10. 7GHz通道的数据中所存在的RFI信号主要分布在欧洲地区和日本。对通过谱差法(谱差指数SI)识别出的RFI信号在时间和空间的分布特征进行分析，得出SI的标准差和平均值可以有效的识别较强的RFI^[9]。 Li等^[7]通过研究发现，来自自然地表—大气的通道之间具有很高的相关性，而RFI只能影响被污染通道，使其观测值明显增加，从而大大减小该通道和其余通道的观测之间的相关性，谱差法是在此基础上识别RFI信号的。这一研究结果对于将RFI从地表发射的自然信号中识别出来是非常关键的，并且初次对陆地区域提出了主成分分析（Principal Component Analysis）方法，此外，Li还提出了多通道回归算法来识别海洋上存在的无线电频率干扰信号，该方法是建立在多通道间亮温具有相关性的特征上，为了识别出欧洲地区的无线电频率干扰信号，对一段时间内不受无线电频率干扰信号影响并且没有海冰地区的WindSat资料进行回归计算。邹晓蕾等^[1]针对装载于FY-3B上的MWRI中的亮温数据在陆地上的RFI信号的识别进行了研究，提出标准化的PCA方法，该方法是根据不同通道间存在相关性的特征来识别无线电频率干扰信号，能成功识别冬季的RFI信号。Zhao等^[13]利用WindSat的观测数据研究了不同的无线电频率干扰信号的识别方法，发现主成分分析法及谱差法在海冰区识别无线电频率干扰信号时会出现虚假信号，提出了DPCA（Double Principal Component Analysis）方法，该算法可以有效识别海冰区的RFI信号。

1.3 本文的主要内容

本文分为五个部分，使用不同方法对微波成像仪资料存在的无线电频率干扰信号进行识别并对比分析。论文的主要内容如下：

剩余内容已隐藏，请支付后下载全文，论文总字数：19702字

相关图片展示：