地表发射率是地表的固有属性,是物体在温度T、波长λ处的辐射出射度与黑体辐射出射度之比。微波地表发射率作为同化各种卫星微波辐射资料的重要参数,精准的数值会提升星载微波辐射计资料的利用率。而微波地表发射率易受到地表本身特性和传感器观测条件的影响,从而为大范围的反演带来一定的难度。因此,为提高地表发射率和亮温的模拟精度,本文建立了不同的微波地表发射率反演模型。首先,基于多元函数泰勒公式和最优控制原理,选择塔克拉玛干沙漠的部分中心区域为反演区域,将地表温度、地表湿度、地表下0.07m及地表下0.28m土壤湿度作为影响因子,利用2014年1月7、13、17、18、24五日的FY-3C微波成像仪10.65GHz垂直极化的观测亮温、CRTM模式的模拟亮温等资料,构建了2个、4个因子线性反演模型。以反演区域的观测亮温为参考,使用两种线性反演模型所得的地表发射率后,模拟亮温的平均偏差分别减少至1.1324K、0.9919K,仅为原地表发射率模拟亮温平均偏差的56.36%和49.37%。通过在整个塔克拉玛干沙漠的独立性检验,得出用于反演的18日、未用于反演的29日的平均偏差分别由2.6157K、4.9997K减小到1.8789K、1.6235K。可见两种线性反演模型提高了沙漠地区1月份地表发射率的反演精度,且4个因子线性反演模型的改进程度更高。其次,由于微波地表发射率受多种因素影响,且线性反演模型可能很难精准的描述地表发射率与其影响因子之间的函数关系,而神经网络方法可以拟合任意复杂的非线性关系,弥补了线性反演模型的这一缺陷。但传统的神经网络有泛化能力差、易陷入局部最优、收敛速度慢等问题,因此,本文以地表温度、地表湿度、地表下0.07m及地表下0.28m土壤湿度为输入,地表发射率真值为输出,建立了一种基于贝叶斯正则化的LM-BP神经网络模型。为了与4个因子线性反演模型的反演精度进行对比,模型选取了相同的反演日期(2014年1月7、13、17、18、24日),但贝叶斯正则化的LM-BP神经网络模型需要大量的数据进行学习,因此反演区域选取整个塔克拉玛干沙漠。检验表明,贝叶斯正则化的LM-BP神经网络模型在训练日期(18日)的平均偏差由原模型的2.6157K减少到0.5579K,远远小于4个因子线性反演模型在训练日期的改进程度,在未用于训练的29日,其平均偏差由4.9997K减小到1.6906K,此时两种模型的改进程度相当。最后,基于贝叶斯正则化的LM-BP神经网络模型,增加训练日期,通过不同输入变量的组合,在2014-2018年冬季建立了两种地表发射率反演模型。通过时间上的独立性检验得出,以地表温度、地表湿度、地表下0.07m及地表下0.28m土壤湿度为输入的M1模型具有较高的反演精度和较少的训练时长;以FY-3C微波成像仪10.65GHz(H&V)、18.7GHz(H&V)、36.5GHz(H&V)、89GHz(H&V)八个通道的观测亮温为输入的M2模型在检验日期的普适性更好,且由两种输入所得的反演模型均具有很好的精度。可以看出,本文建立的2个、4个因子线性反演模型以及贝叶斯正则化的LM-BP神经网络模型均具有一定的模拟精度,其中贝叶斯正则化的LM-BP神经网络模型在训练数据改进效果最佳,且可用于冬季微波地表发射率的反演中。