顾及多径环境差异和粗差的GNSS-MR土壤湿度反演

针对基于单系统单卫星GNSS-MR（GNSS Multipath Reflectometry）土壤湿度反演的可靠性不高、实际可操作性不强和最小二乘估计不具鲁棒性的缺点,为获取更优的延迟相位估值,并改善GNSS-MR土壤湿度反演的可靠性和实际可操作性,同时简化繁杂的选星过程,提出了一种基于抗差估计的多系统多卫星组合GNSS-MR土壤湿度反演算法。该算法首先顾及多径环境的差异性、多径误差的周期特性等进行信噪比SNR（Signal to Noise Ratio）观测值的筛选,然后采用基于IGGIII（Weight Function III Developed by Institute of Geodesy and Geophysics）权函数的抗差估计解求延迟相位,进而获得表征土壤湿度变化趋势的延迟相位组合。实验结果表明,相较于未采用抗差估计的多系统多卫星组合（方案1）和单卫星组合（方案3）,得益于抗差估计良好的鲁棒性,基于抗差估计的多系统多卫星组合（方案2）和单卫星组合（方案4）获得了较高的建模精度,所得延迟相位与实测土壤湿度间的相关系数分别为0.97和0.95、土壤湿度拟合残差的均方根误差分别为0.010和0.012;同时,方案2和方案4还取得了较高的土壤湿度预报精度,土壤湿度预测值与土壤湿度实测值间的相关系数分别为0.92和0.91、土壤湿度预报残差的均方根误差分别为0.016和0.023;此外,相比于方案4,方案2在采用抗差估计解求延迟相位的基础上,采用多系统多卫星组合进一步提升了延迟相位的估值精度,从而不仅避免了复杂的选星过程,而且还获得了更好的建模效果和更高的土壤湿度预报精度。     

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.     

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。     

利用窗口GPS多径干涉相位反演土壤湿度

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。     

考虑随机模型精化的精密GPS动态定位新方法

GPS动态定位要求建立函数模型和随机模型。函数模型描述的是观测值和待估参数之间的物理和几何关系，随机模型描述了GPS观测值的统计特征，并通过观测值的方差协方差给定了每个观测值对最后的定位结果的贡献。正确给定函数模型和随机模型对于GPS定位结果的估计和观测值的粗差探测均至关重要。由于有各种误差存在于伪距和载波相位观测值中，一般GPS动态定位模型均采用双差观测值来构建函数模型。有时候，仔细地使用单差观测值，较之双差观测值有更多的优点，给出了选用单差观测值的理由。但是单差观测值给函数模型带来了接收机钟差，如果直接使用单差观测方程，设计矩阵是奇异的。为了解决这个问题，将伪距观测值中接收机钟差项和接收机延迟项合并为一个新的未知参数。至于载波相位观测值，首先选定一个参考卫星，然后在观测方程的右端同时增加一正一负的参考卫星单差整周模糊度，将正项与接收机钟差项和接收机延迟项合并为一个新的未知参数，将负项和原观测方程中的单差整周模糊度项合并为双差整周模糊度，而参考卫星观测方程的模糊度项则为零，这样无须组建双差观测值，软件实现较容易，也可以直接使用LAMBDA法求整周模糊度，最终也解决了观测方程奇异的问题。准确理解观测值的统计特征是建立GPS随机模型的基础，长期以来GPS商业软件均采用简化模型。关于GPS随机模型的研究远没有函数模型那样受到广泛关注，静态GPS定位可以采用方差协方差分量估计等严密的方法，而动态定位无法承担方差协方差分量估计的计算负担。GPS观测值的信噪比(SNR)是GPS接收机观测过程中的副产品，影响SNR值的因素，如大气层、多路径、接收机内部电路等，也正好是GPS观测值的误差源，因此GPS观测值的方差与SNR存在一定的对应关系。利用这个对应关系来精化GPS随机模型。为了验证本文采用的函数模型的正确性和随机模型的有效性，我们对1999年的一次实测数据(包括零基线和短基线)进行了试算。与零基线的真值和GPSurvey 2．35处理的短基线静态结果比较，表明使用的函数模型是正确的。简化随机模型和精化随机模型处理的结果比较说明精化模型提高了基线处理的精度，同时说明了研究GPS随机模型精化的必要性。     

利用恒星日滤波改进精密单点电离层延迟提取

利用非组合精密单点定位(PPP)可以提取高精度的电离层延迟。测站多径误差会影响伪距和相位测量精度,影响实时PPP电离层延迟提取的精度以及收敛速度。对于静态观测站,利用对GPS卫星地面跟踪的时间重复性进行恒星日滤波可以消除多径误差的影响。通过事后处理提取前几日的码和载波相位残差序列,利用恒星日滤波建立多径误差改正模型,修正实时观测数据,可以改善实时电离层延迟估计性能。对IGS观测站的实测数据分析表明,应用恒星日滤波多径误差修正后,实时电离层延迟提取的精度由0.185m提高到0.028m,新进卫星的电离层参数估计收敛时间由80min减少为35min。     

基于三频SNR数据探测北斗GEO卫星多径效应

多径误差是全球卫星导航系统（global navigation satellite system,GNSS）高精度实时定位的主要误差源。由于多径效应具有时变特性且与观测环境有关,难以有效探测与剔除,尤其是动态定位领域。鉴于多径效应对于同颗卫星不同频率观测值影响不同,本文采用三频信噪比（signal-noise ratio,SNR）频率间差分数据,设计算法探测北斗对地静止卫星（geostationary orbit satellite,GEO）多径误差,并依据开阔环境SNR频间差分数据序列进行统计分析,确定其探测阈值。实验结果表明,北斗GEO卫星易受多径误差影响,传统方法难以实时有效探测,本文提出的新方法可有效探测GEO多径误差,并基于设定的阈值对其数据进行降权或剔除,可应用于GNSS数据质量控制。     

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。     

BDS/GPS多卫星解译土壤湿度变化研究

针对单颗卫星结果易跳变且无法有效表征土壤湿度时空尺度特征的问题,提出了一种多卫星赋权融合解译土壤湿度变化的算法.该方法无需额外观测值仅使用卫星直射和反射信号强度来确定权值,并通过实测GNSS数据进行了验证.研究结果表明,卫星赋权融合结果有效综合了不同卫星间的信息,提高了土壤湿度解译值与实测值间的一致性,BDS/GPS融合结果的相关系数分别达到了 0.849和0.729,较单颗卫星的结果至少提升了 15.51％和17.01％.因此,多卫星融合解译结果可作为土壤湿度实测值的更优估计,为简便且高效地监测土壤湿度提供了新手段.     

一种改进的星载GPS周跳探测与修复方法

周跳探测与修复是星载GPS数据预处理的重要内容。首先使用SWARM卫星实测数据对TurboEdit算法的有效性进行了分析,针对算法在观测噪声较大情况下无法有效探测小周跳的问题,提出了一种改进算法。该算法利用载波相位观测值对伪距组合观测值进行平滑,降低了观测噪声对宽巷模糊度的影响,提高了周跳探测能力。实验结果表明,改进算法能够有效提高小周跳的探测能力。      

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。     

利用GPS-IR监测土壤湿度的多星线性回归反演模型

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%。     

顾及GEO卫星约束的长距离BDS三频整周模糊度解算

长距离BDS三频载波相位整周模糊度解算受大气误差残余的影响较大,GEO卫星相对于地球静止也非常不利于载波相位整周模糊度的解算。利用GEO卫星的信号传播路径相对较稳定、大气延迟误差的影响不随卫星空间位置变化的特点,对GEO卫星进行更符合实际情况的大气延迟误差约束研究。利用GEO卫星B2和B3载波相位整周模糊度线性关系,降低测站差分电离层延迟误差残余对模糊度备选值的影响,进行B2和B3载波相位整周模糊度备选值的选择。通过三频载波相位整周模糊度间不包含观测误差影响的线性关系对模糊度备选值组合进行检测,并对模糊度搜索空间进行约束。利用历元间GEO卫星的模糊度备选值判断历元间电离层延迟误差残余的变化,对GEO卫星的参数估计进行更符合实际情况的约束。研究了顾及GEO卫星实际大气延迟变化和整周模糊度约束的长距离BDS三频载波相位整周模糊度解算方法。提出了利用历元间模糊度备选值确定电离层延迟约束值的方法,对GEO卫星历元间随机游走的约束值进行符合实际情况的调整。试验结果表明,本文的方法能够提高三频载波相位整周模糊度解算的效率和测站位置的精度。     

An algorithm for soil moisture estimation using GPS-interferometric reflectometry for bare and vegetated soil

Ground-reflected global positioning system signals measured by a geodetic-quality GPS system can be used to infer temporal changes in near-surface soil moisture for the area surrounding the antenna. This technique, known as GPS-interferometric reflectometry, analyzes changes in the interference pattern of the direct and reflected signals, which are recorded in signal-to-noise ratio (SNR) data, as interferograms. Temporal fluctuations in the phase of the interferogram are indicative of changes in near-surface volumetric soil moisture content. However, SNR phase is also highly sensitive to changes in overlying vegetation, and thus, the effects of seasonal vegetation changes on the ground-reflected signal must be considered. Here a method is described for determining whether SNR data are significantly corrupted by vegetation and for correcting these effects. Absolute soil moisture content must be determined for each site using ancillary data for the residual moisture content. Accounting for vegetation effects significantly improves the agreement between GPS-derived soil moisture and in situ measurements.     

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。     

Long-term soil moisture dynamics derived from GNSS interferometric reflectometry: a case study for Sutherland,South Africa

Soil moisture is a geophysical key observable for predicting floods and droughts, modeling weather and climate and optimizing agricultural management. Currently available in situ observations are limited to small sampling volumes and restricted number of sites, whereas measurements from satellites lack spatial resolution. Global navigation satellite system (GNSS) receivers can be used to estimate soil moisture time series at an intermediate scale of about 1000 m². In this study, GNSS signal-to-noise ratio (SNR) data at the station Sutherland, South Africa, are used to estimate soil moisture variations during 2008–2014. The results capture the wetting and drying cycles in response to rainfall. The GNSS Volumetric Water Content (VWC) is highly correlated (r ² = 0.8) with in situ observations by time-domain reflectometry sensors and is accurate to 0.05 m³/m³. The soil moisture estimates derived from the SNR of the L1 and L2P signals compared to the L2C show small differences with a RMSE of 0.03 m³/m³. A reduction in the SNR sampling rate from 1 to 30 s has very little impact on the accuracy of the soil moisture estimates (RMSE of the VWC difference 1–30 s is 0.01 m³/m³). The results show that the existing data of the global tracking network with continuous observations of the L1 and L2P signals with a 30-s sampling rate over the last two decades can provide valuable complementary soil moisture observations worldwide.     

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.