介绍了一种适用于地面遥感或无人机测绘的轻质量、小体积双偏振L波段辐射计。在ESA土壤湿度和海洋盐度(SMOS)和NASA土壤湿度上有突出的应用主被动(SMAP)卫星的L波段辐射测量可用于反演环境参数，包括土壤湿度、海面盐度、雪中液态水含量、雪密度、植被光学深度等。介绍了气隙贴片阵列天线的设计和测试，并显示可提供37°的3db全功率波束宽度。我们提出了射频(RF)前端设计，它采用直接检测架构和平方律功率检测器。校准使用两个内部参考，包括在环境温度下的匹配电阻源(RS)和有源冷源(ACS)。射频(RF)前端不需要温度稳定，因为通过天空测量表征ACS噪声温度。介绍了ACS的表征过程。在1 s积分时，辐射计的噪声等效Δ (Δ)温度(NEΔT)为~0.14 K。天线总温度不确定度范围为0.6 ~ 1.5 K。
便携式L波段微波辐射计的设计与特性
（转译自Portable L-Band radiometer (PoLRa): Design and Characterization；
Derek Houtz , Reza Naderpour and Mike Schwank）
摘要：介绍了一种适用于地面遥感或无人机测绘的轻质量、小体积双偏振L波段辐射计。在ESA土壤湿度和海洋盐度(SMOS)和NASA土壤湿度上有突出的应用主被动(SMAP)卫星的L波段辐射测量可用于反演环境参数，包括土壤湿度、海水盐度、雪中液态水含量、雪密度、植被光学深度等。介绍了气隙贴片阵列天线的设计和测试，并显示可提供37°的3db全功率波束宽度。我们提出了射频(RF)前端设计，它采用直接检测架构和平方律功率检测器。使用两个内部参考校准，包括在环境温度下的匹配电阻源(RS)和主动冷源(ACS)。射频(RF)前端不需要温度稳定，因为通过天空测量表征ACS噪声温度。介绍了ACS的表征过程。在1 s积分时，辐射计的噪声等效Δ (Δ)温度(NEΔT)为~0.14 K。天线总温度不确定度范围为0.6 ~ 1.5 K。
1. 介绍
星载L波段(1 – 2GHz)微波辐射计的现代时代始于欧洲航天局(ESA) 2010年土壤湿度和海洋盐度卫星(SMOS)[1]。紧随其后的是美国guo家航空航天局(NASA)的Aquarius卫星[2]和土壤湿度主动式被动卫星(SMAP)[3]。L波段辐射测量通常发生在1400-1427 MHz的受保护频段。基于该波段的双偏振微波亮度温度，已经证明了土壤湿度[4,5]、海面盐度[6]、植被光学深度[7,8]、雪液水[9]、雪密度[10-12]、土壤冻结/解冻[13,14]和海冰厚度[15]等环境状态参数的反演。
近地表L波段辐射测量，如便携式L波段辐射计(PoLRa)，允许来自多个平台的高空间分辨率的L波段辐射测量。紧凑和轻质量的设计允许在无人驾驶飞行器(UAV)或无人驾驶飞机，轮式车辆或固定在塔，杆子或建筑物上使用。无人机安装的PoLRa能够提供几米(<10米)的地面分辨率。
基于无人机的L波段辐射计已经在先前的文献[16,17]中得到证实。这两种系统都不能提供双极化离zui低点天线温度，而这种温度对于已建立的检索算法(如Tau-Omega (TO)[18,19]或Two-Stream (2S)发射)来说是很优的模型(EMs)[5]。
PoLRa是一种直接探测辐射计，提供校准的双极化L波段天线温度，在1 s积分时分辨率为~0.14 K，根据积分时间和输入天线温度的不同，总不确定度在0.6-1.5 K之间。PoLRa采用独特的双2 × 2贴片阵列天线，带有气隙衬底，具有高增益和低欧姆损耗。独特的天线温度校正方案允许校正相对较宽的天线功率37°全波束宽度−3db灵敏度。该校正将天线方向图与模拟的角度相关的面亮度温度进行卷积，同时还考虑了几何性质在偏离轴视角处引入的偏振混合(参见附录[20])。PoLRa是一个研究型的辐射计系统，本文演示了它的特性。
下面几节介绍辐射计硬件、特性、初步结果和结论。硬件包括辐射计、电子设备和天线。表征包括辐射计的分辨率和稳定性、校准和不确定度。初步结果包括基于无人机的天线温度测量和土壤水分检索。
2. 硬件
以下各小节将介绍PoLRa的硬件组成，包括射频前端、后端和天线。
2.1 射频前端
PoLRa是一种直接探测辐射计，具有三个模拟滤波级，其中一个在第1个放大器之前。前端滤波器对于防止射频推断(RFI)信号使低噪声放大器(LNA)饱和至关重要[21]。辐射计使用两个内部校准噪声源作为参考，包括环境温度下的匹配电阻源(RS)和主动冷源(ACS)。一个四端口低损耗射频开关在两个校准源和两个(垂直和水平)极化天线之间切换。温度传感器监测参考噪声源以及天线和电缆的物理温度。经过多次滤波放大后，射频信号由线性平方律功率检测器检测。
射频前端框图如图1所示。滤波器是陶瓷谐振器滤波器，两个LNA级提供了~70 dB的总增益。射频组件目前通过同轴电缆线路和SMA型连接器连接。RF组件可以与微带或共面波导连接，从而允许在单个印刷电路板(PCB)上实现整个RF前端。单个带通滤波器的实测响应如图2所示。
前端损耗或噪声系数(NF)由第1个LNA之前的组件驱动，并决定辐射计系统噪声温度，从而决定辐射分辨率。由于PoLRa所要求的轻质量和小体积，使用大的低损耗谐振腔滤波器是不切实际的。四口射频开关、隔离器和陶瓷腔滤波器的插入损耗分别为1.3 dB、0.2 dB和2.1 dB。第1个LNA的NF为0.6 dB，由于所有连接器和SMA部分约0.8 dB，存在额外的损耗。从交换机到包括第1个LNA的NF为5.0 dB。辐射计系统噪声温度Tsys由以dB为单位的NF计算[22]：
Tref是290k。这对应于Tsys为627 K。
图1所示，L波段辐射计射频(RF)前端和后探测电子器件的框图。
图2，用矢量网络分析仪(VNA)测量滤波器响应:(a)宽带响应;(b)频率y轴在保护频带附近变焦。
2.2．后端及处理
Linux微控制器驱动开关，读取温度传感器，并对模数转换器(ADC)进行采样，读取功率检测器输出信号。开关的稳定时间小于1 ms，通常一个完整的校准周期需要~69 ms，其中积分每个开关位置花费16 ms，在四次 ~1 ms的开关位置稳定周期内对4个温度传感器进行采样。ADC的采样频率为~ 2kHz和22bit，低通滤波器的RC时间常数为τ≈1ms。由于电池电源的稳定电压调节，该ADC能够检测＜0.01 mV分辨率。
辐射计完全运行在5V DC上，功耗约0.7 A，总功耗低于4W。辐射计没有主动温度控制，这被证明是不必要的，其达到所需的精度，可与星载L波段辐射计相媲美。相反，我们依赖于ACS的物理温度依赖性的表征。第3.1节详细介绍了这种特性。第三节还介绍了辐射计噪声温度的校准过程。
2.3. 天线设计与表征
独特的双贴片阵列天线结构紧凑，重量轻，并提供足够的指向性，以获得合理的地面分辨率，低后瓣贡献和较小的极化串扰。印刷电路板(PCB)贴片阵列使用由气隙隔开的两个PCB层来获得高增益和高辐射效率。贴片由印刷在与贴片相同的PCB上的微带馈电网络以均匀的幅度和相位馈电。微带馈电网络用同轴探头馈电，用1m的SMA电缆连接到前端交换机。天线由两个厚度为1.5 mm的FR4 PCB组成，中间间隔有6mm的PTFE垫片。PCB连接使用尼龙螺钉通过垫片和PCB层运行。天线总尺寸为0.6 m × 0.3 m × 9mm。
监测天线和馈电电缆的物理温度，如图1所示。天线的欧姆损耗和同轴馈电电缆的损耗是根据经验确定的，作为第3节中描述的ACS特性的一部分。图3显示了天线在地面天空测量和无人机测量期间的照片。
图3，天空测量时安装在塔上的贴片阵列天线(a);(b)在飞行测量时安装在多旋翼无人机上。
在设计过程中，利用商用有限元电磁学软件ANSYS electromagnetics Suite对天线回波损耗进行了仿真。优化了馈电网络和补片尺寸，减小了模拟回波损失。在天线指向天空的情况下，用矢量网络分析仪(VNA)测量回波损耗。天线的谐振，或zui小回波损耗，对FR4衬底的电磁介电常数高度敏感。zui终呈现的设计需要多次迭代才能准确确定特定PCB供应商提供的FR4介电常数。
利用ANSYS Electromagnetics Suite有限元软件对天线的角相关功率灵敏度进行了仿真。此外，采用[23]中描述的太阳立交桥方法测量天线功率灵敏度方向图。天线的定位使轴向指向当天太阳zui高天顶角的方位角和仰角。用太阳立交桥法测量的相对天线方向图将增益表征为太阳与天线轴向之间的总角度α的函数。球面极角θ只会恰好等于α时，太阳直接通过头顶，但对α的响应应该在恒定φ =｛0◦，90◦｝之间的切片。太阳立交桥法的数据只显示通过- 6 dB功率电平，因为在高角度地平线变得杂乱的树木，和测量变得不可靠。图4显示了(a)模拟和测量的天线回波损耗，(b)模拟和测量的天线功率灵敏度图(归一化天线增益)。
图4，(a)有限元模拟和VNA测量的天线回波损耗;(b)由有限元模拟和太阳立交桥测量得到的归一化天线功率灵敏度图。
3. 辐射计表征
下面的小节描述了PoLRa辐射计的实验特性。首先，描述了主动冷源(ACS)表征过程；其次，讨论了稳定性和辐射分辨率；第三，给出了辐射计不确定度的量化。
3.1．主动冷源表征
在非温度稳定的辐射计硬件上使用主动冷源(ACS)，需要确定ACS噪声温度对温度的依赖性。在没有星系背景辐射的情况下，根据天顶角的不同，天空的L波段亮温Tsky约为几个开尔文[24]。银河系辐射已被证明对天空亮度温度的影响高达5K或更多[25]，但与[25]中假设的10°天线相比，相对较大的37°天线波束宽度将其减少到不到2K。
两个极化开关输入处的噪声温度p={H，V｝,Tinp可以被以下式子表达：
式中ap为天线/电缆平均物理温度Tphy(假设所有天线元件和电缆温度均匀)下总传输路径(TP)的吸收。请注意，温度符号上的条形重音在接下来的讨论中指的是物理温度。
以分贝(dB)为单位的Lp是天线和辐射计输入之间的累积损耗(上面提到的TP)，它考虑了由于非理想天线效率、电缆损耗、适配器和连接器损耗以及不匹配误差造成的损耗。由于两种传输路径(TPs)的电缆和天线损耗各自的可变性，我们考虑在每个极化p = {H, V}中不同的损耗Lp。
我们使用天空和环境匹配电阻源(RS)测量，以开关输入作为参考平面对辐射计进行两点校准。辐射计增益Gp和辐射计固有偏置(off)噪声温度Toffp由下式给出:
式中TRS = TRS为RS的噪声温度，如果RS完全匹配，则等于RS的物理温度TRS。uRS为RS开关位置测得的探测器电压，uskyp为天线极化p = {H, V}处开关位置测得的探测器电压，天线朝向天空。开关输入端ACS的校准噪声温度TACSp为:
如文献[26,27]所示，ACS参考文献的噪声温度TACSp随其物理温度呈线性增加。因此，以下线性模型适用于表示ACS噪声温度TACS,modp作为其测量物理温度TACS的函数，
其中mp和bp分别是线性zui小二乘回归的斜率(单位为K/K)和偏移量(单位为K)。给定一个理想的开关，因为所有的值都参考开关输入，所以没有极化依赖于ACS噪声温度，这意味着TACSH = TACSV。我们将此与假定的ACS噪声与物理温度之间的线性关系一起使用，以制定成本函数(CF)，通过zui小二乘拟合zui小化并获得LH和LV的损失:
其中TACSH,i和TACSV,i是由式(5)导出的ACS噪声温度，并使用天空测量得到的电压uACS ,i ={1,2，…n}。CF中的第1项表示ACS噪声与其物理温度的线性关系，第2项表示TACSH = TACSV。利用数值全局zui小查找器zui小化CF以获得zui优LH和LV。对于理想的测量系统，公式(6)中使用的线性拟合参数mp和bp对于p = {H, V}是相同的，但在实践中并非如此。为了获得zui优的与极化无关的ACS线性温度依赖关系，可以对m =＜mH, mV＞和b =＜bH, bV＞进行两个极化的平均，这相当于所有TACSp,i值与TACS的线性拟合。图3a显示了在达沃斯-拉雷特遥感野外实验室进行这些天空测量的设置[28]。天线以大约70°高度角朝向南方。在2020年5月7日至8日约11小时的时间内，每隔5分钟进行一次天空测量。傍晚至夜间(当地时间17:00-06:00)测量是为了zui大化物理温度范围，同时也避免太阳侵入天线。我们还使用夜空计算器调查了潜在的银河系噪声入侵，并从我们的赤道坐标估计其小于1 K[25]，zui坏的情况发生在测量周期的开始。图5显示了物理温度和测量到的探测器电压。夜间冷却期提供了~25 K的温度变化。请注意，PoLRa上的检测器是反斜率检测器，因此较低的电压对应于较高的绝对功率水平。图6提供了校准后的冷负荷亮度温度TACSp,i (TACS)与ACS物理温度TACS，以及两个极化的线性拟合线TACS,mod和该拟合线的95%置信区间。表1显示了成本函数(CF)zui小化过程产生的参数值。
图5，(a)测量到的物理温度，(b)在天空测量期间测量到的探测器的原始电压与一天时间的关系。
图6，主动冷源(ACS) TACS的测量物理温度与校准的ACS噪声温度TACSp,i和线性拟合TACS,mod，用于基于天空测量的ACS特征。虚线表示线性模型的95%置信区间(CI)。颜色条表示在2020年5月7日至8日之间进行每次测量的当地时间。
表1，来自ACS特性的参数值。
3.2. 辐射计稳定
对于辐射计的标称使用，天线在水平和垂直极化时的温度使用两点校准，以内部匹配电阻源(RS)和主动冷源(ACS)为参考。与式(3)(4)相似，辐射计增益G和偏移Toff的计算公式为:
在开关位置p = {V, H}处，在开关输入参考平面处的噪声温度Tinp为:
其中up为天线指向目标场景时，开关在水平和垂直极化输入口测得的探测器电压。
通过在两根天线馈电电缆的末端附加电阻匹配源来表征辐射计的稳定性。辐射计从冷启动开始持续测量约20分钟，在两个外部电阻源上使用τ = 16 ms积分时间。在四个开关位置之间切换对应的总时间，在每个位置(ACS, RS和两个外部电阻源)对检测器采样16ms，对四个温度传感器采样69 ms。在稳定性测试中，辐射计使用电池供电。
在稳定性试验中，外部匹配的电阻源被动地保持在环境温度下。假定各自的射频电缆和匹配的电阻源处于相等和均匀的温度。在测试过程中，将热电偶温度传感器连接到匹配的电阻源上，以监测其物理温度。在测量期间，检测到匹配的电阻源轻微发热(~0.6 K)，可能是由靠近辐射计电子设备产生的热量引起的。
噪声等效Δ (Δ)温度(NEΔT)由该匹配电阻源稳定性试验实验计算得到。NEΔT取决于积分时间(τ)，在我们的系统中，它由原始16 ms样本的尾随滚动平均值表示。所提供的NEΔT值是作为超过1000个原始样品的校准天线温度的标准偏差计算的。积分时间被实现为与积分时间对应长度的尾随滚动平均值(矩形窗口)，因此是16的倍数。表2给出了不同积分时间下的实验NEΔT值。图7给出了H极化开关端口的测量原始(在τ = 16 ms(蓝色)时采样)和集成天线温度的示例，以及各自原始数据的直方图和高斯拟合。图7中原始样本的峰度为3.018，接近高斯分布。
表2，两种极化和不同积分时间下实验辐射计噪声等效Δ (Δ)温度(NEΔTs)表。
图7，辐射计在匹配电阻源期间测量的噪声温度连接到辐射计的H端口，用于量化PoLRa的稳定性。(a)不同积分时间τ的噪声温度时间序列随源的物理温度绘制。(b) (a)所示原始τ = 16 ms样本的直方图和分布的高斯拟合。
NEΔT也可以通过公式[29]进行理论计算:
其中Tsys为2.1节(627 K)中讨论的系统噪声温度，B为系统的RF带宽，τ为检测后积分时间。射频带宽由FE滤波器决定，其在1400-1427 MHz范围内具有27 MHz的3db通频带。理论值NEΔT和实验值见表2。理论值可能略低(~20%)，因为在实验过程中辐射计的温度不是完全稳定的，并且式(11)中假设的理想矩形滤波器的带宽高估了实际滤波器的带宽。实验确定的NEΔT值确实与各自理论值的趋势密切相关，这表明辐射计确实是在测量高斯热噪声。
外阻源的平均噪声温度与平均物理温度的差值在H极化口为0.02 K，在V极化口为0.26 K。垂直极化端口的较大差异可能是由于电缆加热不均匀或温度传感器与电阻源的热接触不理想所致。热电偶传感器的绝对精度规格仅为1K。考虑到这一点，外部电阻源(附在H端口上)的测量噪声温度与传感器不确定度内的物理温度一致。
3.3. 不确定性特征
在变量不相关的情况下，交换机端口参考平面标定噪声温度的系统不确定度可以用方差公式表示为[30]:
其中Δ前缀表示与前一个变量相关的不确定性。测量电压uRS、uACS、up的系统不确定度ΔuRS、ΔuACS、Δup均为0.01 mV。当通过增益G (~5 K/mV)的乘积转换为温度单位时，这些不确定性远小于TRS, TACS的测量物理温度ΔTRS = ΔTACS≃1K。因此式(12)可化简为:
其中：
其中偏导数由式(8)和式(9)代入式(10)计算。在3.1节给出的温度传感器不确定度ΔTRS = ΔTACS≃1K, ACS RMSE ΔTACS = 0.66 K的条件下，输入端口p = {H, V}处PoLRa噪声温度测量的系统不确定度ΔTinp可由式(13)计算。我们计算ΔTinp的范围为上，覆盖50 K≤Tp≤350 K的范围，用于地面场景的测量。总不确定度ΔTin,totp的测量噪声温度在辐射计端口p = {H, V}，然后计算为系统和统计贡献的平方根和:
系统不确定度ΔTinp和总不确定度ΔTin,totp在图8中为两个不同的积分时间绘制。当测量的噪声温度大致处于两个校准参考点(RS和ACS)之间时，不确定度达到zui小，当测量的噪声温度需要外推超出校准参考点时，不确定度增加。
额外的不确定性来源，如非线性、失配和隔离[31]，在本分析中被忽略，因为与与温度传感器相关的不确定性相比，它们被认为很小。检测器提供线性估计，元件和开关端口之间的不匹配都测量在−20 dB以下。上述不确定度分析只考虑了影响开关输入端口p = {H, V}处测量噪声温度Tinp的内部不确定源。
当天线在地面上观察自然足迹时，会产生额外的不确定性源，包括潜在的射频干扰(RFI)。尽管许多现代辐射计zui近使用高采样率数字后端来缓解频域RFI，但这种方法仍然会导致残余RFI，并且不是万无一失的[32]。在时域对样本进行高斯拟合也是一种适当的RFI检测手段，如文献[28,33,34]所示。本文讨论的便携式L波段辐射计(PoLRa)采用直接检测架构，具有稳定、简单和低功耗的总功率检测。类似辐射计的数字后端已被证明至少消耗19W[35]，这远远超过PoLRa使用的~ 4W。
图8。计算系统和总噪声温度不确定性作为两个不同积分时间τ的测量噪声温度的函数。
用于检索地球物理状态参数的从天线温度到足迹亮度温度的转换也可能需要进行校正，以考虑到天线的相对较大的视场。当以非zui低点入射角观察地面时，天线平面上的线极化只对应于天线轴线上相同的线极化。在非zui低点角度，来自地面的发射必须进行偏振混合校正;该过程的详细描述见[20]的附录a。基于PoLRa的地球物理参数(如土壤湿度)检索将在未来使用原位土壤湿度传感器网络进行验证。
4. 讨论
概述了便携式L波段辐射计(PoLRa)的设计和特性。给出了详细的技术讨论，以证明该辐射计的硬件功能符合预期，并提供了其噪声温度测量不确定度的估计。
虽然使用与其他辐射计相似的架构，但PoLRa的天线设计独特，电子设备简单，功耗低，成本效益高，无需主动温度控制。由于采用了新颖的主动冷源(ACS)表征方法，这里介绍的辐射计不需要温度稳定性。利用模拟的冷天亮度温度来表征ACS噪声温度对预期工作温度范围内物理温度变化的响应。这一初始特性允许之后对辐射计进行完整的内部校准，而不需要进一步的天空测量。
内部校准噪声源(RS和ACS)的测量物理温度的不确定度是PoLRa输入端口测量噪声温度总不确定度的主要原因之一。通过提高温度传感器的质量，可以提高辐射计的精度，但这也需要研究二阶不确定性项，如非线性和不匹配。与基于卫星的无源l波段测量相比，在自然足迹上测量的噪声温度范围的总不确定性值在0.6 K到1.4 K之间，仍然很低。例如，SMOS的不确定度为3k或更高[36,37]，而NASA SMAP辐射计的不确定度为1.3 K[3]。
PolRa的总质量小于4公斤，包括所有安装硬件，可以安装在无人驾驶飞行器(UAV)上，如多直升机无人机，或者可以用作塔架或简单杆子上的地面仪器。这种辐射计也可以安装在其他车辆上，如农用拖拉机、汽车或飞机上。系统的低功耗允许使用紧凑型电池或小型太阳能电池板和电池系统进行离网地面使用。这种具有成本效益的设计允许生产大量这样的辐射计，这将允许在广泛的网络中用于卫星地面验证目的，或大规模生产用于农业和土木工程的硬件。
农业方面的应用可能是基于无人机的土壤水分和植被含水量测绘。土壤湿度信息可用于智能灌溉系统，节约用水，减少作物压力，提高作物产量。植被含水量检索可用于评估作物健康状况和作物成熟度，如小麦和谷物，以确定zui佳收获时机。
基于无人机的PoLRa在土木工程中的应用将包括发现堤坝和水坝的泄漏，以及为调查和建筑规划评估土壤湿度。PoLRa未来的其他潜在用途包括滑坡风险预测和缓解，以及通过雪湿度和密度的空间测绘来减轻雪崩风险。
本论文介绍了PoLRa辐射计的硬件设计、特性、校准和不确定度分析。我们只包括冷天空的自由空间测量，以表征主动冷源(ACS)校准参考。这里介绍的其他测量都是在实验室中进行的。未来的出版物将介绍使用PoLRa的地面和无人机测量，以及相关的环境参数检索，例如，包括土壤湿度和植被光学深度。
5. 结论
我们介绍了一种小型、轻质量、低成本的L波段辐射计设计，并提供了表征结果来证明其性能。L波段，频率zui低的无源保护波段，从1400-1427 MHz，提供对自然介质的渗透，如土壤和植被。
通过在多旋翼无人机上安装便携式低质量辐射计，可以实现~6米或更小的像素尺寸。PoLRa还可以方便地作为卫星验证网络的地面辐射计，或任何亮度温度时间序列测量，并且可以安装在简单的自动气象站类型的基础设施上。本文介绍了该辐射计的硬件设计、标定、表征和不确定度分析。基于无人机的演示和结果保留用于以下出版物。
给出了直接检测总功率辐射计的框图和实测的系统前端滤波器响应。根据前端和第1LNA的级联噪声系数，估计辐射计的系统噪声温度为Tsys = 627 K。给出了独特的气隙贴片天线阵设计，并给出了仿真和实测的回波损耗和增益图。天线的半功率全波束宽度为37◦，并且与方位角几乎对称，从而产生圆形zui低点观看像素。
第3节介绍了主动冷源(ACS)参考、噪声等效Δ (Δ)温度(NEΔT)和总辐射不确定度的特征。ACS与电缆和天线损耗因子一起进行了表征，噪声温度均方根误差(RMSE)为0.66 K。在τ≈1的积分时间内，实验确定的NEΔT是0.14K, 这与由系统噪声温度、积分时间和带宽确定的理论值0.12 K非常吻合。由于校准视图和两个极化视图，1秒的积分时间实际上总共需要大约4.4秒。对于未来基于无人机的操作，更现实的集成时间约为100ms，对应于总测量时间为480ms，NEΔT为0.4 K。
辐射计的总不确定度是系统不确定度和统计不确定度贡献的总和。系统不确定度由标定参考不确定度的传播决定，而统计不确定度等效于NEΔT，并且是积分时间的函数。在观测范围内，总不确定性在0.6 K到1.4 K之间，15个预期自然亮度温度中的13个在50 K到350 K之间。这个值小于ESA SMOS卫星的辐射不确定度，与NASA的SMAP仪器相当。
关于生产商：
TerraRAD是一家瑞士初创公司，从瑞士联邦理工ETH-Zrich所属的瑞士联邦森林雪与景观研究所(WSL)分拆出来。公司起源于对地观测和遥感的研究。TerraRad使用一种被称为被动微波的传感技术，这种技术在卫星上很常见。我们的产品包括传感器和相关软件包，用于通过湿度图提供可操作的信息。我们提供无人机(UAV)，车辆和地面系统。我们的系统已在从亚马逊到南极洲的五大洲使用，以满足广泛的传感需求。
上海昊量光电作为TerraRAD在中国大陆地区代理商，为您提供专业的选型以及技术服务。对于TerraRAD有兴趣或者任何问题，都欢迎通过电话、电子邮件或者微信与我们联系。
如果您对L波段微波辐射计有兴趣，请访问上海昊量光电的官方网页：
https://www.auniontech.com/details-1925.html
欢迎继续关注上海昊量光电的各大媒体平台，我们将不定期推出各种产品介绍与技术新闻。
更多详情请联系昊量光电/欢迎直接联系昊量光电
关于昊量光电：
上海昊量光电设备有限公司是光电产品专业代理商，产品包括各类激光器、光电调制器、光学测量设备、光学元件等，涉及应用涵盖了材料加工、光通讯、生物医疗、科学研究、国防、量子光学、生物显微、物联传感、激光制造等；可为客户提供完整的设备安装，培训，硬件开发，软件开发，系统集成等服务。
您可以通过我们昊量光电的官方网站www.auniontech.com了解更多的产品信息，或直接来电咨询4006-888-532。
参考文献：
1. Kerr, Y.H.; Waldteufel, P.; Wigneron, J.P.; Martinuzzi, J.M.; Font, J.; Berger, M. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity (SMOS) mission. IEEE Trans. Geosci. Remote Sens. 2001, 39,1729–1735.
2. Le Vine, D.M.; Lagerloef, G.S.; Colomb, F.R.; Yueh, S.H.; Pellerano, F.A. Aquarius: An instrument to monitor sea surface salinity from space. IEEE Trans. Geosci. Remote Sens. 2007, 45, 2040–2050.
3. Entekhabi, D.; Njoku, E.G.; O’Neill, P.E.; Kellogg, K.H.; Crow, W.T.; Edelstein, W.N.; Entin, J.K.; Goodman, S.D.; Jackson, T.J.; Johnson, J.; et al. The Soil Moisture Active Passive (SMAP) Mission. Proc. IEEE. 2010, 98, 704–716.
4. Kerr, Y.H.; Waldteufel, P.; Richaume, P.; Wigneron, J.P.; Ferrazzoli, P.; Mahmoodi, A.; Al Bitar, A.; Cabot, F.; Gruhier, C.; Juglea, S.E.; et al. The SMOS Soil Moisture Retrieval Algorithm. IEEE Trans. Geosci. Remote Sens. 2012, 50, 1384–1403.
5. Schwank, M.; Naderpour, R.; Mätzler, C. “Tau-Omega”- and Two-Stream Emission Models Used for Passive L-Band Retrievals: Application to Close-Range Measurements over a Forest. Remote Sens. 2018, 10, 1868.
6. Font, J.; Camps, A.; Borges, A.; Martín-Neira, M.; Boutin, J.; Reul, N.; Kerr, Y.H.; Hahne, A.; Mecklenburg, S. SMOS: The challenging sea surface salinity measurement from space. Proc. IEEE 2010, 98, 649–665.
7. Rodríguez-Fernández, N.J.; Mialon, A.; Mermoz, S.; Bouvet, A.; Richaume, P.; Al Bitar, A.; Al-Yaari, A.; Brandt, M.; Kaminski, T.; Le Toan, T. An evaluation of SMOS L-band vegetation optical depth (L-VOD) data sets: High sensitivity of L-VOD to above-ground biomass in Africa. Biogeosciences 2018, 15, 4627–4645.
8. Li, X.; Al-Yaari, A.; Schwank, M.; Fan, L.; Frappart, F.; Swenson, J.; Wigneron, J.-P. Compared performances of SMOS-IC soil moisture and vegetation optical depth retrievals based on Tau-Omega and Two-Stream microwave emission models. Remote Sens. Environ. 2020, 236, 111502.
9. Naderpour, R.; Schwank, M. Snow Wetness Retrieved from L-Band Radiometry. Remote Sens. 2018, 10, 359.
10. Schwank, M.; Naderpour, R. Snow Density and Ground permittivity Retrieved from L-Band Radiometry: Melting Effects. Remote Sens. 2018, 10, 354.
11. Houtz, D.; Naderpour, R.; Schwank, M.; Steffen, K. Snow wetness and density retrieved from L-band satellite radiometer observations over a site in the West Greenland ablation zone. Remote Sens. Environ. 2019, 235, 111361.
12. Schwank, M.; Matzler, C.; Wiesmann, A.; Wegmuller, U.; Pulliainen, J.; Lemmetyinen, J.; Rautiainen, K.; Derksen, C.; Toose, P.; Drusch, M. Snow Density and Ground Permittivity Retrieved from L-Band Radiometry: A Synthetic Analysis. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 3833–3845.
13. Rautiainen, K.; Parkkinen, T.; Lemmetyinen, J.; Schwank, M.; Wiesmann, A.; Ikonen, J.; Derksen, C.; Davydov, S.; Davydova, A.; Boike, J. SMOS prototype algorithm for detecting autumn soil freezing. Remote Sens. Environ. 2016, 180, 346–360.
14. Rautiainen, K.; Lemmetyinen, J.; Schwank, M.; Kontu, A.; Menard, C.B.; Matzler, C.; Drusch, M.; Wiesmann, A.; Ikonen, J.; Pulliainen, J. Detection of soil freezing from L-band passive microwave observations. Remote Sens. Environ. 2014, 147, 206–218.
15. Kaleschke, L.; Tian-Kunze, X.; Maass, N.; Makynen, M.; Drusch, M. Sea ice thickness retrieval from SMOS brightness temperatures during the Arctic freeze-up period. Geophys. Res. Lett. 2012, 39.
16. Acevo-Herrera, R.; Aguasca, A.; Bosch-Lluis, X.; Camps, A.; Martínez-Fernández, J.; Sánchez-Martín, N.; Pérez-Gutiérrez, C. Design and first results of an UAV-borne L-band radiometer for multiple monitoring purposes. Remote Sens. 2010, 2, 1662–1679.
17. McIntyre, E.M.; Gasiewski, A.J. An ultra-lightweight L-band digital Lobe-Differencing Correlation Radiometer (LDCR) for airborne UAV SSS mapping. In Proceedings of the 2007 IEEE International Geoscience and remote sensing Symposium, Barcelona, Spain, 23 July 2007; pp. 1095–1097.
18. Davenport, I.J.; Fernández-Gálvez, J.; Gurney, R.J. A sensitivity analysis of soil moisture retrieval from the tau-omega microwave emission model. IEEE Trans. Geosci. Remote Sens. 2005, 43, 1304–1316.
19. Mo, T.; Choudhury, B.J.; Schmugge, T.J.; Wang, J.R.; Jackson, T.J. A Model for Microwave Emission from Vegetation-Covered Fields. J. Geophys. Res. Ocean. Atmos. 1982, 87, 1229–1237.
20. Naderpour, R.; Houtz, D.; Schwank, M. Snow Wetness Retrieved from Close-Range L-band Radiometry in the Western Greenland Ablation Zone. J. Glaciol. 2020, in press.
21. De Roo, R.D.; Ruf, C.S.; Sabet, K. An L-band radio frequency interference (RFI) detection and mitigation testbed for microwave radiometry. In Proceedings of the 2007 IEEE International Geoscience and Remote Sensing Symposium, Barcelona, Spain, 23 July 2007; pp. 2718–2721.
22. Application Notes. 57-1: Fundamentals of RF and Microwave Noise Figure Measurements. 2000. Available online: https://www.keysight.com/ch/de/assets/7018-06808/application-notes/5952-8255.pdf (accessed on 24 July 2020).
23. Schwank, M.; Wiesmann, A.; Werner, C.; Matzler, C.; Weber, D.; Murk, A.; Volksch, I.; Wegmuller, U. ELBARA II, an L-band radiometer system for soil moisture research. Sensors 2010, 10, 584–612.
24. Pellarin, T.; Wigneron, J.P.; Calvet, J.C.; Berger, M.; Douville, H.; Ferrazzoli, P.; Kerr, Y.H.; Lopez-Baeza, E.; Pulliainen, J.; Simmonds, L.P.; et al. Two-year global simulation of L-band brightness temperatures over land. IEEE Trans. Geosci. Remote Sens. 2003, 41, 2135–2139.
25. Le Vine, D.M.; Abraham, S. Galactic noise and passive microwave remote sensing from space at L-band. IEEE Trans. Geosci. Remote Sens. 2004, 42, 119–129.
26. Sobjaerg, S.S.; Skou, N.; Balling, J.E. Measurements on active cold loads for radiometer calibration. IEEE Trans. Geosci. Remote Sens. 2009, 47, 3134–3139.
27. de la Jarrige, E.L.; Escotte, L.; Goutoule, J.; Gonneau, E.; Rayssac, J. SiGe HBT-based active cold load for radiometer calibration. IEEE Microw. Wirel. Compon. Lett. 2010, 20, 238–240.
28. Naderpour, R.; Schwank, M.; Matzler, C. Davos-Laret Remote Sensing Field Laboratory: 2016/2017 Winter Season L-Band Measurements Data-Processing and Analysis. Remote Sens. 2017, 9, 1185.
29. Racette, P.; Lang, R.H. Radiometer design analysis based upon measurement uncertainty. Radio Sci. 2005, 40, 1–22.
30. Ku, H.H. Notes on the use of propagation of error formulas. J. Res. Natl. Bur. Stand. 1966, 70, 263–273.
31. Randa, J.P. Uncertainties in NIST Noise-Temperature Measurements. In Technical Note (NIST TN)-1502; 1998. Available online: https://www.nist.gov/publications/uncertainties-nist-noise-temperature-measurements (accessed on 24 July 2020).
32. Majurec, N.; Park, J.; Niamsuwan, N.; Frankford, M.; Johnson, J.T. Airborne L-band RFI observations in the smapvex08 campaign with the L-band interference suppressing radiometer. In Proceedings of the 2009 IEEE International Geoscience and Remote Sensing Symposium, Cape Town, South Africa, 12 July 2009; pp. 158–161.
33. Guner, B.; Johnson, J.T.; Niamsuwan, N. Time and frequency blanking for radio-frequency interference mitigation in microwave radiometry. IEEE Trans. Geosci. Remote Sens. 2007, 45, 3672–3679.
34. Tarongi, J.M.; Camps, A. Normality analysis for RFI detection in microwave radiometry. Remote Sens. 2010, 2, 191–210.
35. Lahtinen, J.; Ruokokoski, T.; Kristensen, S.S.; Skou, N. Intelligent Digital Back-End for Real-Time RFI Detection and Mitigation in Microwave Radiometry. 2011. Available online: https://www.researchgate.net/publication/268063678_Intelligent_Digital_Back-End_for_Real Time_RFI_Detection_and_Mitigation_in_Microwave_Radiometry(accessed on 24 July 2020).
36. Munoz-Sabater, J.; de Rosnay, P.; Jimenez, C.; Isaksen, L.; Albergel, C. SMOS brightness temperature angular noise: Characterization, filtering, and validation. IEEE Trans. Geosci. Remote Sens. 2013, 52, 5827–5839.
37. McMullan, K.; Brown, M.A.; Martín-Neira, M.; Rits, W.; Ekholm, S.; Marti, J.; Lemanczyk, J. SMOS: The payload. IEEE Trans. Geosci. Remote Sens. 2008, 46, 594–605.
