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。     

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。     

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。     

粒子群优化神经网络的土壤有机质高光谱估测

针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。     

多星融合的土壤湿度滚动式估算模型

全球定位系统干涉反射测量(GPS-IR)是一种新的遥感技术,可用于估算近地表土壤水分含量。考虑到多卫星融合的优势和土壤湿度的时空尺度性,提出一种基于多星融合的土壤湿度最小二乘支持向量机(LS-SVM)滚动式估算模型。首先通过低阶多项式拟合分离GPS卫星直射和反射信号,进而建立反射信号正弦拟合模型,获取相对延迟相位。最后,通过线性回归模型有效分析和选取多卫星相对延迟相位,并建立基于多星融合的最小二乘支持向量机模型进行滚动式估算土壤湿度。以美国板块边界观测计划PBO提供的监测数据为例,对比分析利用单颗、多颗GPS卫星进行土壤湿度滚动式估算的可行性和有效性。经理论分析和两个测站实验表明:该模型充分发挥了LS-SVM的优势,有效综合了各卫星的性能,改善了采用单颗卫星进行土壤湿度估算时,其结果极易出现异常跳变的现象;模型只需较少的建模数据,采用滚动式能实现较长时间的估算,估算误差较为稳定;模型所估算的结果与土壤湿度实测值之间的相关系数R2以及均方根误差分别为0.942和0.962、0.072和0.032,相对于部分单一卫星至少提高了18.18%。因此,土壤湿度问题可作为非线性事件处理,采用多卫星融合估算是可行和有效的。     

高光谱土壤有机质估测模型对比研究

应用高光谱技术探讨土壤有机质含量定量估测方法,对发展精细农业具有重要意义。本文利用陕西省横山县的实测数据,采用对数的一阶微分变换方法对土样的高光谱数据进行处理,分别采用线性回归分析法、BP神经网络法、模糊识别法建立高光谱土壤有机质含量估测模型,并对比分析其精度,确定最优的光谱反演模型。实验结果表明:模糊识别模型的决定系数达到0.973,RMSE为0.0468%;比线性模型和BP神经网络模型精度都高。研究表明,土壤有机质光谱反演不仅要重视机理研究,同时要加强光谱反演建模方法创新。     

利用北斗GEO卫星反射信号反演土壤湿度

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。     

利用GPS-IR估算雪深的反演模型研究

利用全球定位系统反射信号干涉测量(GPS-IR)反演雪深成为近年来研究的热点领域。在此基础上,针对卫星反射信号分离这一问题,该文提出一种基于小波分解重构的卫星反射信号提取模型。利用coif5小波变换分解6层信噪比数据重构低频分量获取卫星反射信号,并对其反演精度和稳定性进行判别分析。结果表明:该方法克服了低阶多项式拟合分离卫星反射信号存在的局限性;算法简单实用,具有较强的抗干扰能力,分解得到的卫星反射信号较好;均方根误差和平均绝对误差分别降低了34%和27%;单颗卫星线性回归模型平均相关系数达到0.737,相比传统方法提高40%。     

基于GPS-IR的地表土壤湿度估算方法

全球定位系统干涉反射测量（GPS-IR）是一种新型的遥感技术，可用于估算近地表土壤水分含量。本文从多卫星融合角度出发，提出了一种基于多星融合的地表土壤湿度估算方法。首先通过低阶多项式拟合分离出卫星反射信号；然后建立反射信号正弦拟合模型，获取相对延迟相位；最后基于多卫星相对延迟相位建立多元线性回归模型。利用美国板块边界观测计划（PBO）提供的监测数据，对比分析不同建模序列长度的反演效果，从而确定最佳的建模长度。试验结果表明，采用多元线性回归模型可实现多颗卫星的有效融合，运用于土壤湿度估算是可行的。     

土壤有机质含量地面高光谱估测模型对比分析

采用高光谱技术获得的数据进行土壤有机质含量的反演和估测是近年来的研究热点。为确定有效的估测建模方法,利用地面实测的土壤高光谱反射率及有机质含量等数据,采用小波分析方法实现去噪,包络线去除法实现建模参数提取和数据量压缩,结合多种不同的数据变换方法,利用BP神经网络法、多元线性回归法及最小二乘回归法建立不同的估测模型。对比发现,BP神经网络模型的估测效果优于回归模型,其中结合对数的平方变换和神经网络所建立的模型为最优估测模型,模型的决定系数达到0. 933,检验样本的均方根误差达到0. 069。实验证明,BP神经网络+对数的平方变换模型的学习机制适用于土壤有机质含量地面高光谱估测且效果好。通过在建模因子层面上进行数据变换建立了较好的估测模型,其研究方法、模型和结论,对土壤有机质含量地面高光谱估测具有一定的参考意义。     

四种遥感浅海水深反演算法的比较

详细介绍了单波段线性回归模型、两波段比值线性回归模型、多波段组合线性回归模型、BP神经网络模型等4种光学遥感水深反演算法,然后利用同一地区、同一时期的Worldview-2多光谱遥感影像和实测水深数据,对4种水深反演模型的准确性进行了实验比较。研究表明:多波段组合线性回归模型、BP神经网络模型的水深反演的性能较好,利用多光谱遥感图像数据反演得到的水深值误差较小;而单波段线性回归模型、两波段比值线性回归模型的效果较差。     

支持向量机回归在西北山区GNSS高程转换中的应用研究

文章将支持向量机回归应用于西北山区GNSS高程转换,研究了支持向量机回归、多项式、BP神经网络和RBF神经网络4种模型在GNSS高程转换中的应用。结果表明,支持向量机回归拟合精度优于其他三种转换模型,有效地解决了西北困难地区点位分布不均以及小样本数据高程转换等问题,为相关工程提供了参考。     

基于支持向量机回归的水稻地重金属Fe含量估算

本文利用地物光谱仪获取的土壤反射光谱,通过多元线性回归模型和支持向量机回归模型分别建立土壤铁含量的估算模型,并利用检验数据对模型进行验证。建模和估算决定系数为0.9855和0.7158,估算均方根误差为0.0601,结果表明利用支持向量机回归模型能够较好的进行土壤重金属含量的估算。     

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0～20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2～0.7 m),多元线性回归模型次之(均方根误差范围为0.3～0.8 m),对数比值模型精度最低(均方根误差范围为0.6～1.1 m)。     

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。     

基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

Sentinel-2卫星落叶松林龄信息反演

林龄结构信息能够有效反映区域森林群落不同生长阶段的固碳能力，对于评估森林生态系统的健康状况具有重要意义。本研究以中国温带典型优势树种落叶松林为研究对象，分别选择其芽萌动期、展叶期和落叶期时段的Sentinel-2影像，采用多元线性回归（MLR）、随机森林（RF）、支持向量机回归（SVR）、前馈反向传播神经网络（BP）以及多元自适应回归样条（MARS）等5种方法依次构建落叶松林龄反演模型。通过相关性分析首先确定最佳遥感反演物候期，并在此基础上根据相关性差异筛选出5个最优特征变量用于模型反演，分别为冠层含水量（CWC），归一化水体指数（NDWI），叶面积指数（LAI），光合有效辐射吸收率（FAPAR）和植被覆盖度（FVC）。研究结果表明，展叶期为落叶松林最佳遥感反演物候期。除植被衰减指数（PSRI）以及落叶期的NDVI、RVI外，落叶松林龄与各指标之间均呈负相关关系，其中与冠层含水量（CWC）的相关性最高，pearson相关系数达到-0.74（p<0.01）。此外，不同模型反演结果表明，随机森林模型（RF）为最佳落叶松林龄估测模型，其平均决定系数R²和平均均方根误差RMSE分别为0.89和2.91 a；多元线性回归模型（MLR）的林龄估测结果最差，其平均决定系数R²和平均均方根误差RMSE仅为0.57和5.69 a，非线性模型能更好的解释林龄与建模变量之间的关系。     

基于GPS-IR的归一化植被指数反演

针对利用GPS接收机在接收L 波段信号时对周围植被水分含量较为敏感的特性,使用GPS反射信号的变化,进行测站归一化植被指数(NDVI)反演. 利用2个GPS参考站近5年的连续观测数据计算的归一化微波反射指数(NMRI),构建了反演NDVI的一元线性模型. NMRI整体变化趋势与同时间段内中分辨率成像光谱仪(MODIS) NDVI趋势表现一致,其反演结果相关系数R分别为0.626 53、0.625 73,均方根误差(RMSE)分别为0.051 29和0.055 08,进而使用BP神经网络模型反演相关系数分别提高了2%、6%. 表明GPS干涉反射测量(GPS-IR)反演区域NDVI结果具有较高可靠性. 该研究为获取精确位置、实时连续、高分辨率的 NDVI 提供了一定的理论支撑.      

小波变换与滑动窗口相结合的GNSS-IR雪深估测模型

GNSS干涉反射技术（GNSS interferometric reflectometry）是一种新型的地表雪深监测方式。针对当前信号分离不佳和随机估测偏差的问题,提出联合小波变换和滑动窗口构建一种多卫星融合的GNSS-IR雪深估测精化模型。该模型采用离散小波变换代替常用的多项式方法,获取高质量的信噪比序列。通过利用阈值约束下的滑动窗口筛选多卫星有效反射高度,并进行等权平均。以PBO H₂O和SNOTEL的雪深数据为参考值,利用2016—2017年雪季的GNSS观测数据建立模型并验证精度。结果表明：①GNSS-IR精化模型估测结果与实测数据在整体趋势上保持高一致性;②与单颗卫星结果相比,多卫星融合估测结果在精度和稳定性方面明显改善,其均方根误差（RMSE）为10 cm,相较于PBO H₂O减少了近50%。此外,考虑到地表粗糙度作为一种误差影响因素,采用新的反射高度基准修正的雪深估测相对RMSE误差约4 cm,同时估测值与实际值的相关系数达到0.98。     

GPS反射信号信噪比与NDVI相关性研究

归一化植被指数（normalized difference vegetation index，NDVI）作为重要的植被生长状况植被指数，对其进行有效实时监测具有重要科学意义。选择4个大陆板块边界观测网（plate boundary observatory，PBO）观测站的GPS信噪比观测值，提取反射信号信噪比并计算归一化振幅，通过与MODIS（moderate resolution imaging spectroradiometer）NDVI产品时序频谱特征的相关性分析，建立GPS反射信号植被指数线性反演模型和BP神经网络反演模型。分析发现:GPS反射信号信噪比归一化振幅与NDVI指数存在显著年周期性和季候特性，NDVI线性反演模型相关系数均约为0.7，均方根误差处于0.05~0.09之间，BP神经网络反演模型相关系数提高了约5%。利用GPS反射信号反演NDVI变化趋势具有可行性，为获取高时间分辨率、低成本的NDVI指数提供了一种新思路。