地表温度是地球表面能量平衡和温室效应的重要指标,也是区域和全球尺度地表物理过程的一个关键因子,而地表发射率的反演精度直接影响了地表温度的估计,因此精确获得地表发射率是地表温度反演的关键。本论文利用CRTM(Community Radiative Transfer Model)辐射传输模式,结合风云三号气象卫星C星(FY-3C)的微波成像仪资料,反演沙漠地区微波地表发射率与其影响因子之间的函数关系模型。通篇以提高地表发射率反演精度,构建算法模型展开的。全文共分为六章,前两章分别介绍了当前国内外对地表发射率反演的研究进展、研究成果以及CRTM模式。第一章主要给出地表发射率反演的物理模型、半经验模型和资料分析方法三种分析方法,详细描述各种模型的应用途径和局限性;第二章介绍了 CRTM模式及本论文使用的资料,重点是为了利用CRTM模式描述辐射传输过程的真实状态,以及算法程序的流程。通过总结前人的研究成果以及现有的算法模式,我们尝试开发针对特定问题的算法模型。第三章引入了一种基于遗传算法和牛顿法的联合算法来反演沙漠地区微波地表发射率的函数模型,具体是结合遗传算法全局高效搜索和牛顿法局部细致搜索的优势,充分利用一算法的优点弥补另一算法的不足,并将该联合算法接入到CRTM模式中,利用某一块沙漠地区的观测亮温资料,得到该地区微波地表发射率关于地表温度和地表湿度的函数关系模型(称为两个因子的模型),相比之下,用该函数模型计算得到的地表发射率模拟亮温较原模式(地表发射率未改动)的计算亮温更加接近于观测值,亮温模拟值的误差仅为2.13K。同时,为了检验该模型的普适性,将其用于另外两片沙漠地区,结果同样也表明此时模拟的亮温优于原模式。为了完善地表发射率结构,第四章我们在原线性模型中增加了两个影响因子(地面下0.07米和0.28米的土壤湿度),得到沙漠地区微波地表发射率关于4个因子的函数关系模型(多因子模型),并将该模型计算得到的地表发射率提供给CRTM模式进行模拟分析,可看出,多因子的地表发射率模型要略优于两个因子的地表发射率模型。分析完线性算法模型后,紧接着第五章介绍非线性算法模型,即BP神经网络算法,将原四十个扫描点信息作为四十个训练样本输入,通过反向调节机制训练权值与阈值,得到微波地表发射率非线性函数关系模型,由反演的结果来看,亮温模拟值的误差约3.34K,结果略差于线性模型,这可能是由于BP神经网络算法在处理非线性问题上的局限性造成的。