共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
利用GNSS干涉信号振荡幅度反演土壤湿度 总被引:1,自引:1,他引:1
根据干涉效应和GNSS接收机信噪比估计方法,推导了利用GNSS干涉信号幅度进行土壤湿度反演的模型,建模过程考虑了天线增益、土壤介电常数和噪声的影响。提出了使用AMPD算法从含有噪声的归一化干涉功率曲线中提取干涉峰值与谷值,进而反演了土壤介电常数与土壤湿度的方法,并对其进行了仿真。结果表明,利用提取出来的干涉谷值进行反演性能比峰值好,相对稳定准确的卫星仰角范围为5°~25°,湿度大于0.06cm~3/cm~3时反演结果更为准确,标准差在0.01cm~3/cm~3左右波动。 相似文献
3.
4.
利用GNSS-R反射信号估计土壤湿度 总被引:6,自引:1,他引:5
GNSS—R土壤湿度估计是利用接收直达波和土壤反射波的信号强度比值,通过反演得到土壤湿度参量。给出土壤反射波形的仿真结果,研究它们与土壤的介电常数和仰角的依赖关系。介绍了GNSS-R土壤湿度计的反演原理、观测设备和数据处理方法,并得出了初步的实验结果。GNSS—R反演得到的土壤湿度与同一地点用土壤湿度计测量值比较的结果显示,它们吻合得很好。 相似文献
5.
利用北斗GEO卫星反射信号反演土壤湿度 总被引:3,自引:0,他引:3
提出了一种基于北斗GEO卫星反射信号的土壤湿度长期连续探测方法,建立了土壤湿度反演模型,给出了信号处理的一般流程,并搭建陆基接收平台进行了验证试验。该方法采用GNSS-R双天线体制接收处理北斗GEO卫星直射和土壤反射信号,在信号同步的基础上提取信号功率并计算土壤反射率,进而根据反演模型得到土壤湿度。以北斗GEO卫星作为信号源,该方法可以在信号处理中省去一般GNSS-R处理过程的定位解算环节,能够实现对固定区域土壤湿度的长期连续观测。试验结果表明,基于北斗GEO卫星反射信号的土壤湿度反演结果在时间和数值上均具有良好的连续性,与土壤湿度参考值相吻合,均方根误差达到0.049,较北斗IGSO和GPS MEO卫星在反演土壤湿度方面性能更优。 相似文献
6.
面向遥感的GNSS反射信号接收处理系统及实验 总被引:3,自引:0,他引:3
提出了一种新的GNSS-R信号接收处理系统(GNSS-Rreceiver system,GRrSv.2)的结构及信号处理方法。该系统可同时针对直射和反射的GNSS信号协同处理,并输出可配置延迟和多普勒的二维相关值矩阵。为了验证系统的性能,进行了针对海洋和陆地遥感的机载和岸基验证实验,并给出了初步的实验结果。 相似文献
7.
提出了一种基于量子粒子群神经网络(QPSO-BP)模型的GNSS高程转换方法,通过建立GNSS点平面坐标与正常高之间的三层QPSO-BP数学模型而实现GNSS高程转换。试验分析结果表明,该方法全局迭代进化搜索能力高、稳健性强、拟合及预测精度高,在GNSS高程转换方面具有良好的有效性与先进性。 相似文献
8.
利用GPS信噪比(signal-to-noise ratio,SNR)观测值监测土壤湿度的精度直接受多径干涉相位与土壤湿度间的关系模型影响。传统方法基于线性模型,通过增加样本数量、排除特例提高普适性,但未合理考虑坡度、植被及天气等因素。基于上述因素短期变化可忽略的假设,引入时间窗口,采用自相关分析确定窗口长度,利用窗口内样本动态线性回归构建预测和插值模型反演土壤湿度。实验结果表明,引入窗口后,预测、插值误差分别下降17.4%和54.6%,相关系数上升16.2%和32.9%。插值模型利用了待估时刻之后的观测量,精度更高;预测模型精度略低,但更适于实时应用。同时,残差极大值与土壤湿度的上升之间显著相关。预测残差较土壤湿度具有极大值更小、时刻略微提前的时域特征。 相似文献
9.
机载GPS反射信号土壤湿度测量技术 总被引:8,自引:2,他引:8
随着全球导航定位系统反射信号(GNSS-R)技术的发展, 近年来提出了利用GPS地表反射信号遥感土壤湿度的新方法, 该方法利用地表反射率与土壤介电常数以及介电常数与土壤湿度之间的关系来建立反演模型。为了可以快速方便的利用DMR实测数据反演得到土壤湿度, 本文根据Wang和Schmugge模型建立了土壤介电常数与湿度之间的分段模型, 实现了从原始反射数据到土壤湿度结果的整个反演流程。为了验证反演的可行性, 利用NASA等机构联合进行的SMEX02试验机载数据反演得到的结果表明, GPS反射信号能够有效地反演 相似文献
10.
基于神经网络的水稻双向反射模型研究 总被引:8,自引:0,他引:8
水稻的双向反射特性与其冠层结构,各组分光谱性质以及入射光方向和观测方向之间存在着密切的,非线性的相关关系。运用人工神经网络技术,采用水稻田间实测数据,对这种关系进行拟合,所建立的水稻双向反射BP前向和反演模型,都达到了较高的拟合精度。研究表明:采用人工神经网络技术计算水稻双向反射率和成批反演冠层结构参数是可行的。对所建模型做进一步的改进,可模拟水稻双向反射的实际过程,进而监测作物长势。 相似文献
11.
利用GNSS-R(Global Navigation Satellite System-Reflectometry)技术探测土壤水分是近年来一个新兴的研究方向。目前GNSS-R遥感观测中反射信号的接收与处理方式包括单天线与多天线两种模式,面向实际应用需求,GNSS-R遥感正在实现从最初的地基观测向空基、星载观测的转变。在推进GNSS-R土壤水分遥感技术业务化应用的过程中,必须首先进行适宜性分析,确定该技术探测的地理位置、空间分辨率与探测深度,然而目前对此尚未有系统、全面、定量的论述。本文针对适宜性分析中的3个关键因子分别进行理论分析与公式推导,明确相关概念的定义,并实现定量化描述,最终通过实际应用分析进一步诠释其应用价值。对于单天线模式地基观测,以美国板块边界观测计划PBO(Plate Boundary Observatory)土壤水分产品为例,分析镜面反射点的相对位置、第一级Fresnel反射椭圆簇的面积与时间序列土壤水分所代表的探测深度;对于多天线模式,以郑州上街区农田空基观测试验为例,得到基于航迹的栅格土壤水分空间分布并探讨其探测深度。本文能够为未来两种观测模式下地基、空基和星载GNSS-R遥感观测、北斗反射信号遥感,以及GNSS-R在农业、水文、生态等领域的实际应用提供理论指导。 相似文献
12.
基于改进的BP神经网络裸露地表土壤水分反演模型对比 总被引:1,自引:0,他引:1
《国土资源遥感》2016,(1)
土壤水分对于全球水循环十分重要,大面积、快速获取土壤水分信息具有重要意义。微波遥感数据可以用于反演土壤水分。以Matlab为平台建立BP神经网络,通过改进BP神经网络的权值、阈值和网络结构,对该算法进行了优化;在研究区范围,分别利用积分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模拟数据,训练改进的BP神经网络,构建裸露地表土壤水分反演模型,并用野外实测土壤水分数据对模型进行了验证。结果表明,改进后的BP神经网络算法反演精度明显提高,且Shi模型训练网络反演精度较其他2种模型更高,绝对误差为2.47 g/cm3,相对误差仅为7.78%。 相似文献
13.
全球定位系统干涉反射测量(GPS-interferometric reflectometry,GPS-IR)是一种新的遥感技术,利用测量型接收机记录的信噪比(SNR)观测值可实现近地表土壤湿度的监测。考虑到目前利用多星组合反演土壤湿度的研究较少,本文提出一种土壤湿度多星线性回归反演模型。试验表明:①多星组合反演能够更全面地反映测站附近有效监测范围内的土壤湿度信息,有效改善采用单颗卫星反演时反演过程极易出现异常跳变的现象,提高了突发性降雨时段的土壤湿度反演精度。②当组合卫星数达到6颗以上时,其反演结果与土壤湿度参考值之间的相关系数均大于0.9,相对于单颗卫星至少提高了20.8%。 相似文献
14.
15.
16.
被动微波遥感具有监测面积大、重复周期短、对土壤水分更为敏感等优点,成为反演土壤水分最有潜力的方式.论文针对地表粗糙度和植被覆盖变化对土壤水分反演过程中带来的误差和不确定性展开研究,发展更适合大区域土壤水分反演的算法. 相似文献
17.
Daniela Thaller Rolf Dach Manuela Seitz Gerhard Beutler Maria Mareyen Bernd Richter 《Journal of Geodesy》2011,85(5):257-272
Satellite Laser Ranging (SLR) observations to Global Navigation Satellite System (GNSS) satellites may be used for several
purposes. On one hand, the range measurement may be used as an independent validation for satellite orbits derived solely
from GNSS microwave observations. On the other hand, both observation types may be analyzed together to generate a combined
orbit. The latter procedure implies that one common set of orbit parameters is estimated from GNSS and SLR data. We performed
such a combined processing of GNSS and SLR using the data of the year 2008. During this period, two GPS and four GLONASS satellites
could be used as satellite co-locations. We focus on the general procedure for this type of combined processing and the impact
on the terrestrial reference frame (including scale and geocenter), the GNSS satellite antenna offsets (SAO) and the SLR range
biases. We show that the combination using only satellite co-locations as connection between GNSS and SLR is possible and
allows the estimation of SLR station coordinates at the level of 1–2 cm. The SLR observations to GNSS satellites provide the
scale allowing the estimation of GNSS SAO without relying on the scale of any a priori terrestrial reference frame. We show
that the necessity to estimate SLR range biases does not prohibit the estimation of GNSS SAO. A good distribution of SLR observations
allows a common estimation of the two parameter types. The estimated corrections for the GNSS SAO are 119 mm and −13 mm on
average for the GPS and GLONASS satellites, respectively. The resulting SLR range biases suggest that it might be sufficient
to estimate one parameter per station representing a range bias common to all GNSS satellites. The estimated biases are in
the range of a few centimeters up to 5 cm. Scale differences of 0.9 ppb are seen between GNSS and SLR. 相似文献
18.
The purpose of this study is to estimate long-term SMC and find its relation with soil moisture (SM) of climate station in different depths and NDVI for the growing season. The study area is located in agricultural regions in the North of Mongolia. The Pearson’s correlation methodology was used in this study. We used MODIS and SPOT satellite data and 14 years data for precipitation, temperature and SMC of 38 climate stations. The estimated SMC from this methodology were compared with SM from climate data and NDVI. The estimated SMC was compared with SM of climate stations at a 10-cm depth (r2 = 0.58) and at a 50-cm depth (r2 = 0.38), respectively. From the analysis, it can be seen that the previous month’s SMC affects vegetation growth of the following month, especially from May to August. The methodology can be an advantageous indicator for taking further environmental analysis in the region. 相似文献