GPS测量在土壤湿度分析中的应用

土壤湿度分析传统方法中存在时空变化大、易受仪器设备及天气等因素影响,因而难以提供大范围连续长时间观测数据。针对上述问题,本文利用GPS反射信号研究土壤湿度变化的测量方法,结合GPS反射信号地面反射轨迹,建立GPS反演土壤湿度变化模型,并通过试验验证了其可靠性。     

GNSS反射信号在土壤湿度测量中的应用

为全面获取陆地土壤湿度信息,实现导航卫星反射信号土壤含水量反演 ,在给出散射信号极化特征及散射信号归一化功率基础上,通过对陆基土壤时序采样数据、时序介电常数进行分析和仿真,估计了土壤湿度参数。仿真表明,实验结果与常规湿度测量方法一致。因此,多普勒延迟映射接收机能够正确表征地表含水量分布特征,导航卫星反射信号可以应用于在土壤湿度测量中。     

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。     

GNSS-R/IR监测地表冻融状态对延迟多普勒波形和多路径数据影响分析

将GNSS-R/IR技术的应用领域拓展到地表冻融状态的监测中，本文利用冻融土混合介质介电常数模型计算土壤介电常数，采用双站全极化相干反射率模型和随机粗糙面散射模型，分别计算了经冻融土反射的GPS相干反射量的镜像反射率，以及GPS非相干反射分量的漫散射特性。模拟分析了冻融转换时，GPS多路径信息（GNSS-IR）以及包含漫散射信号的延迟多普勒图（GNSS-R）的变化特征。理论研究表明冻融转换过程中，地表介电常数的变化导致GPS多路径信息和延迟多普勒图的明显变化。本文从散射机理上揭示了利用GNSS-R和GNSS-IR遥感进行地表冻融特性监测的理论依据。     

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。     

利用GPS-IR监测土壤含水量的反演模型

GPS-IR（GPS-interferometric reflectometry）本质上是一种基于GPS辐射源的双基地雷达技术,利用大地测量型接收机记录的信噪比（signal-to-noise ratio,SNR）数据可用于反演土壤含水量。针对GPS-IR获取土壤含水量的参数估计问题,提出了一种改进的反射信号参数估计方法,并研究了土壤含水量反演模型的建立过程。实验结果表明,利用改进的反射信号参数估计方法可获得更加准确可靠的结果,反射信号相位与土壤含水量间存在显著的线性相关,可建立土壤含水量的线性反演模型,但在连续降雨条件下会存在较大误差。     

GPS-R技术辅助的土壤水含量变化监测

针对传统地表土壤含水量测量方法时空分辨率小等不足,研究一种基于GPS卫星信号的矿区地表土壤水含量反演算法。针对傅里叶变换难以处理非均匀时序数据,设计了一种Lomb Scargle算法分析GPS信噪比特性。直接分离其中的直射信号和反射信号,提取多路径反射信号并分析其时频特征。通过与实测数据对比,分析反演土壤含水率的可行性。结果表明:反射信号频谱特征与实际数据具有较强的相关性。该方法为高时空分辨率监测地表土壤含水率提供了一种新的思路。     

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。     

土壤湿度的偏振反演模型与实验

采用了一种偏振方法来测量土壤湿度,并改进了一种粗糙表面的偏振反射模型。利用该模型对土壤湿度的偏振特性进行了分析与实验,发现该模型模拟数据与实验数据之间存在很强的相关性,进而可以建立该模型中的某些参数与土壤湿度的定量关系,为定量反演土壤湿度提供新的途径。     

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。     

Using GPS multipath to measure soil moisture fluctuations: initial results

Measurements of soil moisture are important for studies of climate and weather forecasting, flood prediction, and aquifer recharge studies. Although soil moisture measurement networks exist, most are sparsely distributed and lack standardized instrumentation. Measurements of soil moisture from satellites have extremely large spatial footprints (40–60 km). A methodology is described here that uses existing networks of continuously-operating GPS receivers to measure soil moisture fluctuations. In this technique, incoming signals are reflected off and attenuated by the ground before reception by the GPS receiver. These multipath reflections directly affect signal-to-noise ratio (SNR) data routinely collected by GPS receivers, creating amplitude variations that are a function of ground reflectivity and therefore soil moisture content. After describing this technique, multipath reflection amplitudes at a GPS site in Tashkent, Uzbekistan are compared to estimates of soil moisture from the Noah land surface model. Although the GPS multipath amplitudes and the land surface model are uncalibrated, over the 70-day period studied, they both rise sharply following each rainfall event and slowly decrease over a period of ∼10 days.     

综合主动和被动微波数据监测土壤水分变化

微波遥感测量土壤水分的方法主要分主动和被动两种，它们都是基于干燥土壤和水体之间介电常数的巨大差异。估算植被覆盖土壤表面土壤水分必须要考虑地表粗糙度和植被覆盖影响的问题。植被覆盖土壤表面的后向散射包括来自植被的体散射，来自地表的面散射和植被与地表间的交互作用散射项。本研究建立了一个半经验公式模型，用来计算体散射项，综合时间序列的主动和被动微波数据，消除植被覆盖的影响，估算地表土壤水分的变化状况。并应用1997年美国SGP‘97综合实验中的机载800m分辨辐射计ESTAR数据计算表面反射系数，综合Radarsat的SCAN-SAR数据得到体散射项，然后，由NOAA/AVHRR和TM计算得到的NDVI值加权分配50m分辨率的体散射项，最后计算50m分辨率的表面反射系数的变化值，从而得到土壤水分的变化情况，验证数据表明该计算结果与实测值一致。     

Soil Moisture Estimation in a Vegetated Area Using Combination of AIRSAR and Landsat5-TM Images

High difference between dielectric constant of water (dielectric constant about 80) and dielectric constant of dried soil (dielectric constant about 2–3) makes Synthetic Aperture Radar (SAR) highly capable in soil moisture estimation. However, there are other factors which affect on radar backscattering coefficient. The most important parameters are vegetation cover, surface roughness and sensor parameters (frequency, polarization and incidence angle). In this paper, the importance of considering the effects of these parameters on SAR backscatter coefficients is shown by comparing different soil moisture estimation models. Moreover, an experimental soil moisture estimation model is developed. It is shown that this model can be used to estimate soil moisture under a variety of vegetation cover densities. The new developed model is based on combination of different indices derived from Landsat5-Thematic Mapper and AIRSAR images. The AIRSAR image is used for extraction of backscattering coefficient and incidence angle while TM image is used for calculation of Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), Normalized Difference Water Index (NDWI) and Brightness Temperature. Then a soil moisture estimation model which is named as Hybrid model is developed based on integration of all of these parameters. The accuracies of this model are assessed in the NDVI ranges of 0–0.2, 0.2–0.4 and 0.4–0.7 by using SAR data in C band and L band frequencies and also in different polarizations of HH, HV, VV and TP. The results show that for instance in L band with HV polarization, R-square values of 0.728, 0.628 and 0.527 are obtained between ground measured soil moisture and estimated soil moisture values using the Hybrid model for NDVI ranges of 0–0.2, 0.2–0.4 and 0.4–0.7, respectively.     

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-R土壤水分遥感的适宜性分析

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。     

GPS多路径信号提取地面反射点算法

基于GPS卫星、接收机天线、地面反射点及地心的空间几何关系,阐述了一种利用GPS多路径信号提取地面反射点的算法,并通过实验数据,利用Matlab实现了对地面反射点和反射点轨迹的提取。     

GPS信噪比观测值的土壤湿度变化趋势反演

土壤湿度变化趋势是某一个位置或区域内水资源循环的重要指标.多路径误差作为一种在导航、定位中的重要测量误差,由于其较弱的空间相关性,难以采用全球甚至区域性模型或差分的方法予以消除.在讨论和研究了多路径误差反射模型的基础上,实现了利用 GPS信噪比 SNR(Signal - to - NoiseRatio)观测值中的多路径反射分量对土壤湿度变化趋势的模拟.结合实测 GPS数据和土壤湿度计观测数据的对比和分析表明,该方法能反映土壤湿度变化趋势.同时,在计算过程中如何选择合适卫星、对反演结果质量进行评价以及如何实现两种观测结果之间的同化等是进一步需要研究的问题.     

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。