利用GNSS-R反射信号估计土壤湿度

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。     

GNSS信号土壤衰减模型的试验验证方法

GNSS（global navigation satellite system）信号在土壤中的衰减情况对于研究GNSS反射信号的有效遥感深度具有重要意义。本文通过试验研究了北斗信号与GPS（global positioning system）信号在土壤中的衰减情况。在试验设计上将GNSS天线置入土壤中并不断改变天线上方的土壤厚度与湿度以采集GNSS信号的功率衰减数据,最后利用这些数据反演土壤湿度以对GNSS信号土壤衰减模型进行验证。试验结果表明,土壤能够使GNSS信号发生明显的衰减。土壤的湿度值与厚度值越大,GNSS信号功率衰减越严重。在黏土土质,土壤湿度为0.15~0.30 cm³/cm³的情况下,当土壤厚度达到21 cm时,GNSS信号功率已衰减至无法被GNSS接收机测出。进一步根据GNSS信号衰减模型反演土壤湿度,结果显示,模型在土壤厚度大于等于10 cm、卫星仰角高于50°的情况下较为精确,此时利用北斗B1信号与GPS L1信号反演土壤湿度的均方根误差分别小于0.04 cm³/cm³与0.09 cm³/cm³。     

一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

GNSS干涉测量（GNSS interferometric reflectometry,GNSS-IR）技术已经成为探测地表环境特性的一种新兴被动遥感技术,综合利用从土壤反射的GNSS信号中提取的相位、振幅、频率特征,提出了一种多类型特征数据融合的GNSS-IR土壤湿度反演方法,采用最小二乘支持向量机（least square support vector machine,LSSVM）、随机森林（random forest,RF）、BP神经网络（back propagation neural network,BPNN）三种机器学习模型,对比和验证了所提方法的可行性与效果。结果表明,多特征融合的LSSVM、RF和BPNN模型反演得到的土壤湿度与参考值的相关系数分别为0.830、0.953和0.980,对应的均方根误差分别为0.045、0.035和0.032 cm3/cm3。相比于单一特征反演法,土壤湿度反演精度和可靠性有显著提升。     

机载GPS反射信号土壤湿度测量技术

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     

BP神经网络辅助的GNSS反射信号土壤湿度反演

针对如何快速准确地估算区域尺度上的土壤湿度问题,该文首先从高质量GPS接收机接收的信噪比观测值中,提取L2C反射信号的振幅和相位作为输入,并采用Noah陆面模型计算土壤湿度值作为期望值,构建基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演模型。实验结果表明:基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,线性回归的决定系数R2为0.909 1,均方根误差为0.028 7;进一步与线性回归统计模型比较发现,利用BP神经网络模型定量估测土壤湿度明显优于线性回归统计模型,证明了该方法的可靠性。     

机器学习算法辅助的GPS信噪比观测值土壤湿度反演

利用BP神经网络和支持向量回归机两种机器学习算法,构建基于机器学习算法的GNSS卫星反射信号土壤湿度反演模型,并与线性回归统计模型和实测数据进行对比分析。结果表明:基于机器学习算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,反演模型的决定系数分别为0.928 3和0.913 1,均方根误差为0.026 6和0.032 6,线性回归统计模型的决定系数分别为0.553 2和0.859 8,均方差根误差分别为0.093 9和0.041 6。说明利用回归算法定量估测土壤湿度明显优于线性回归统计模型,且基于支持向量回归机的土壤湿度反演模型定量估测土壤湿度优于基于BP神经网络算法的土壤湿度反演模型,证明了该方法的可靠性,为土壤湿度的实时反演研究提供了一种新方法。     

MODIS数据支持下的土壤湿度模型构建——以河南商丘地区为例

土壤湿度是农作物在生长过程中主要供水因子,实际测量土壤湿度较为复杂,卫星遥感成为反演和监测土壤湿度的重要手段。本文利用商丘地区2012和2013年MODIS数据,采用滤波方法减小云、气溶胶影响下的MODIS产品噪声,利用农田浅层土壤湿度指数（CSMI）与实测土壤相对湿度值进行了相关性分析,构建了适用于商丘地区的土壤湿度模型,并利用2013年的土壤实测数据对模型反演出来的土壤湿度进行了验证。结果表明,CSMI指数能够有效反演该地区0~50 cm深的土壤湿度值（通过了0.01的显著性检验）。     

基于深度置信网络的GNSS-IR土壤湿度反演

基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷,本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明,基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021,与线性回归和BP神经网络算法相比,与实测数据吻合度更高,可有效提高土壤湿度反演精度,证明了方法的有效性和可靠性。     

小波多尺度和多星融合的GPS-IR土壤湿度反演

全球定位系统干涉反射测量GPS-IR(Global Positioning System Interferometric Reflectometry)是利用多路径信噪比反射分量参数幅度、相位、频率的变化监测地表环境的技术。针对多路径信号中同时包含卫星直射信号和反射信号,传统低阶多项式难以准确提取卫星反射信号有效参数的问题,本文利用小波分析对卫星直射、反射信号进行分离,准确获取卫星反射信号,利用熵值法多星融合模型反演土壤湿度。经理论和实验研究表明:该方法能够更为精确地反映测站周围土壤湿度的变化,有效改善了部分异常跳变现象。相关系数为0.914,相比单星反演模型至少提高18.4%。     

GNSS-IR多星融合的稳健回归土壤湿度反演方法

全球卫星导航系统干涉测量法(GNSS-IR)能够利用直/反射卫星信号间的干涉信息分析提取土壤湿度、海面高度等有效信息。针对传统线性回归方法在土壤湿度反演过程中出现的拟合模型随异常观测值偏移的问题,本文提出了利用稳健回归方法降低异常值权重,以达到减小或抵消异常观测数据对观测结果的影响。为验证模型的适用范围,本文在稳健回归的基础上进行了多星融合试验,有效提高了土壤湿度反演精度。结果表明,与传统线性回归方法相比,本文提出的方法在单颗卫星时RMSE和MAE平均降低8.38%和8.91%,在两颗卫星时RMSE和MAE平均降低15.18%和16.42%,在三颗卫星时RMSE和MAE平均降低21.00%和22.97%,在四颗卫星时RMSE和MAE平均降低26.25%和28.71%。     

An Information fusion approach for PALSAR data to retrieve soil moisture

Estimation of vegetation covered soil moisture with satellite images is still a challenging task. Several models are available for soil moisture retrieval in which water cloud model (WCM) is most common. But, it requires an estimation of accurate vegetation parameterization. Thus, there is a need to develop such an approach for soil moisture retrieval which minimize these limitations. Therefore, this paper deals with the soil moisture retrieval using fully polarimetric SAR data by fusing the information from different bands. Various polarimetric indices and observables were critically analysed, and found that the index; SPAN (total scattered power) gives better information of vegetation cover as compared to other indices/observables. Based on this, WCM model has been modified using SPAN as parameter and soil moisture content were retrieved.     

基于参数不确定性分析的SAR土壤水分反演精度控制方法

参数不确定性是SAR反演土壤水分的重要不确定性来源,为控制土壤水分反演精度,提出一种基于参数不确定性的有效控制土壤水分反演精度的方法,使用该方法可以控制参数的误差范围。首先使用全局敏感性分析方法,确定后向影响散射系数输出的主要参数;在不同量级高斯噪声随机扰动下,将大量各参数采值输入AIEM模型中,得到带噪声的后向散射系数集合;再使用LUT法反演土壤水分,计算反演结果满足误差量级控制范围。以此为基础,利用ENVISAT ASAR双极化数据(VV、VH)和实测土壤水分数据进行验证,利用LUT法反演得到带噪声的土壤水分,计算ASAR影像中采样点土壤水分反演值RMSE0.04cm3/cm3。结果表明各影响参数误差量级控制范围可有效控制土壤水分反演精度,在较大的入射角范围内都适用。     

GNSS-MR技术用于潮位变化监测分析

潮位变化的高精度监测一直是全球海平面观测系统、海洋环流和全球气候变化研究领域关注的热点问题之一。随着GNSS研究与应用的不断深入,近年来基于多路径效应的GNSS-MR技术已逐步成为一种新兴的遥感手段,即利用测量型GNSS站进行地表环境(植被、土壤湿度、雪深、潮位、火山活动等)监测。通过分析由多路径引起岸基GNSS站SNR值的变化特性,本文给出了基于SNR观测值的GNSS-MR技术监测潮位变化的反演原理。利用布设在美国华盛顿州Friday Harbor海港岸边的CORS站SC02实测观测数据对潮位变化监测进行了反演分析,并与该站相距359 m的验潮站数据进行了对比分析,两者较差均值约为10 cm左右,两者的相关系数均优于0.98。试验结果分析表明基于岸基CORS站的GNSS-MR技术在一定程度上可用于实时、连续的潮位变化监测,同时也说明岸基CORS站在一定程度上可作为验潮站的补充,进一步拓展GNSS在海洋遥感领域的应用范围。     

An Effective Model to Retrieve Soil Moisture from L- and C-Band SAR Data

This study investigated an appropriate method for soil moisture retrieval from radar images and coincident ground measurements acquired over bare soil and sparsely vegetated regions. The adopted approach based on a single scattering integral equation method (IEM) was developed to establish the relationship between backscatter coefficient and surface soil parameters including volumetric soil moisture content and surface roughness. The performance of IEM in 0–7.6 cm is better than that in 0–20 cm. Moreover, IEM can simulate correctly the backscatter coefficients only for the root mean square (RMS) height s < 1.5 cm at C-band and s < 2.5 cm at L-band by using an exponential correlation function and for s > 1.5 cm at C-band and s > 2.5 cm at L-band by using Gaussian function. However, due to the difficulties involved in the parameterization of soil surface roughness, the estimated accuracy is not satisfactory for the inversion of IEM. This paper used a combined roughness parameter and Fresnel reflection coefficient to develop an empirical model. Simulations were performed to support experimental results and to highlight soil moisture content and surface roughness effects in different polarizations. Results showed that a good agreement was found between the IEM simulations and the SAR measurements over a wide range of soil moisture and surface roughness characteristics. The model had a significant operational advantage in soil moisture retrieval. The correlation coefficients were 77.03 % at L-band and 81.45 % at C-band with the RMSEs of 0.515 and 0.4996 dB, respectively. Additionally, this work offered insight into the required application accuracy of soil moisture retrieval at a large area of arid regions.     

阶段模型修正的星载GNSS-R土壤湿度反演方法EI北大核心CSCD

本文提出了一种基于CYGNSS数据的星载GNSS-R土壤湿度反演方法。首先,基于CYGNSS数据提取地表反射率参数,联合SMAP数据中提取的植被光学厚度、地表粗糙度和温度等辅助信息,初步构建了土壤湿度反演理论模型,并利用神经网络模型确定了土壤湿度反演的精细数学模型;然后,将该模型处理获得的土壤湿度以35%为分界点,利用本文提出的阶段函数模型提高反演精度,并使用2018年10月—2019年5月的CYGNSS数据,获得了全球范围内星载GNSS-R土壤湿度;最后,通过与SMAP提供的土壤湿度数据进行对比,评估了本文提出的星载GNSS-R土壤湿度反演方法的有效性,并对获取的星载GNSS-R土壤湿度进行了时间序列分析。结果表明,本文提出的土壤湿度反演方法的结果与SMAP土壤湿度具有良好的一致性,且随时间变化的趋势也相符合,为高精度土壤湿度反演提供了一种思路。     

Comprehensive evaluation of soil moisture retrieval models under different crop cover types using C-band synthetic aperture radar data

In the present study, random forest regression (RFR), support vector regression (SVR) and artificial neural network regression (ANNR) models were evaluated for the retrieval of soil moisture covered by winter wheat, barley and corn crops. SVR with radial basis function kernel was provided the highest adj. R² (0.95) value for soil moisture retrieval covered by the wheat crop at VV polarization. However, RFR provided the adj. R² (0.94) value for soil moisture retrieval covered by barley crop at VV polarization using Sentinel-1A satellite data. The adj. R² (0.94) values were found for the soil moisture covered by corn crop at VV polarization using RFR, SVR linear and radial basis function kernels. The least performance was reported using ANNR model for almost all the crops under investigation. The soil moisture retrieval outcomes were found better at VV polarization in comparison to VH polarization using three different models.     

基于改进热惯量模型的表层土壤水反演研究

针对改进热惯量模型需要通过对地面实测的温度进行插值推算地表最高温度,而玛多县属高原地区,较难获取实测数据,利用MODIS地表温度产品的4个瞬时值计算日平均地表温度,结合修正普适性单通道算法反演HJ-1B地表温度,推算出地表最高温度,从而减少了改进热惯量模型对地面观测数据的依赖,进而利用HJ-1B数据反演了玛多县土壤水。结果表明:本文方法可行,能够获得较高分辨率的土壤水空间分布结果,拓宽了HJ-1B数据的应用范围。