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。     

一种裸露土壤湿度反演方法

针对目前土壤湿度反演方法研究较少且缺少实时性的现状,该文提出一种土壤湿度反演方法——最小二乘支持向量机技术。以积分方程模型为正向算法,数值模拟不同雷达参数(频率、入射角及极化)下后向散射系数随土壤含水量和地表粗糙度的变化情况。经过数据敏感性分析,选取C-波段和X-波段、小入射角下的同极化后向散射系数作为支持向量回归的训练样本信息;经过适当的训练,利用支持向量回归技术对土壤含水量进行了反演研究;并考虑通过多频率、多极化、多入射角数据的组合,消除地表粗糙度的影响,提高反演精度。模拟结果表明,该方法反演土壤湿度具有较高的精度和较好的实时性;同时,与人工神经网络方法的结果比较,证明了该方法的有效性,为土壤湿度的反演研究提供了一种方法。     

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。     

合成孔径雷达反演裸露地表土壤水分的新方法

提出了一种新的合成孔径雷达(SAR)反演裸露地表土壤水分的经验模型,该模型同时考虑了均方根高度S和相关长度L的影响,并将两个粗糙度参数合二为一,然后利用VV和VH极化的后向散射系数即可反演得到土壤水分。通过实测数据对模型进行了验证,发现在θ020°时,模型反演值与模拟值有着良好的相关关系(R2=0.71)。该模型在不需要测量地面粗糙度的情况下可以反演得到比较好的土壤水分精度,尤其适用于地表情况复杂、难以精确测量的地区。     

基于FY-3B/MWRI数据的裸土区土壤湿度反演

使用高级积分方程模型,模拟多个地表参数条件下的风云三号B星微波成像仪(FY-3B/MWRI)资料。基于模拟数据,分析地表微波辐射特性,利用粗糙地表发射率Qp模型,建立我国西部地区裸露地表土壤湿度反演模型。将该模型用于我国西部地区4个日期(2011年10月8日、10月18日、10月28日和11月8日)的土壤湿度反演,并将反演结果用实测数据进行交叉验证。结果表明:反演土壤湿度与实测土壤湿度的决策系数R2为0.604,均方根误差为0.030 5 cm3/cm3,反演模型具有较高的反演精度。     

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     

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%。     

自适应测站高的GNSS-R潮位监测研究

针对已有的GNSS-R反演潮位过程中由测站与潮位基准面高度的不确定性带来的误差,该文提出了一种 自适应测站高优化方法.该方法通过更新Lomb-Scargle谱分析噪声频率的阈值,可有效剔除噪声主频,从而提高GNSS-R反演潮位的精度.基于30 s采样间隔的GNSS的L2波段数据进行潮位反演的实验表明,该文提出的方法有效提高了GNSS-R反演潮位的精度.与传统反演方法相比,反演潮位与验潮站观测潮位之间的均方根误差降低了28.3％,相关系数提升了12.3％.同时,该文还证实了所提出方法求解出的自验潮站基准面起算的测站高度,可进一步应用于无验潮站或验潮站数据中断情况下的GNSS潮位反演.     

GNSS-R潮位监测抗差估计EI北大核心CSCD

针对GNSS-R反演潮位过程中,由测站天线相位中心与潮位基准面高度的不确定性造成的误差,本文提出了基于抗差估计的优化方法。通过确定观测值的最优权重,削弱水面高度粗差反演值,求解高精度测站高度,进而提高GNSS-R反演潮位的精度。基于HNLC、SC02、TDAM、TPW2这4个IGS GNSS连续运行跟踪站的数据,进行潮位反演试验,结果表明,与传统反演方法相比,本文方法计算所得测站高度分别提升了1.01、1.31、16.2、1.22 cm,反演潮位的均方根误差分别降低了26.7%、34.4%、84%、31.6%。同时,还证明了本文方法求解出的自潮位基准面起算的测站高度,可应用于后续无验潮站或验潮站数据中断情况下潮位的反演。     

水文模型的LAI优化与单网格土壤湿度同化

利用可变下渗能力水文(VIC)模型和MODIS反演的月叶面积指数(LAI)分析了模拟土壤湿度对LAI的敏感性,以及年际动态变化的LAI对VIC模型土壤湿度模拟能力的影响;并利用集合卡尔曼滤波同化法将CCI土壤湿度数据同化进增加了LAI年际变化能力的VIC模型中。敏感性分析表明,模拟土壤湿度全年对LAI敏感,且夏天高于冬天。站点数据的验证结果表明,年际动态变化的LAI能提高模拟土壤湿度的精度,无偏均方根差异(ubRMSD)减少了2.2%,相关系数提高了9.3%;土壤湿度经过同化后能使均方根误差(RMSE)降低4.5%,平均偏差(MBE)降低5.3%。     

Improved Understanding of Soil Surface Roughness Parameterization for L-Band Passive Microwave Soil Moisture Retrieval

Surface roughness parameterization plays an important role in soil moisture retrieval from passive microwave observations. This letter investigates the parameterization of surface roughness in the retrieval algorithm adopted by the Soil Moisture and Ocean Salinity mission, making use of experimental airborne and ground data from the National Airborne Field Experiment held in Australia in 2005. The surface roughness parameter is retrieved from high-resolution (60 m) airborne data in different soil moisture conditions, using the ground soil moisture as input of the model. The effect of surface roughness on the emitted signal is found to change with the soil moisture conditions with a law different from that proposed in previous studies. The magnitude of this change is found to be related to soil textural properties: in clay soils, the effect of surface roughness is higher in intermediate wetness conditions (0.2–0.3 v/v) and decreases on both the dry and wet ends. Consequently, this letter calls for a rethink of surface roughness parameterization in microwave emission modeling.      

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.     

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。     

利用随机森林回归进行极化SAR土壤水分反演

全极化合成孔径雷达影像能够提供地物丰富的极化信息，挖掘这些信息在地表参数反演中的作用是目前相关领域的研究趋势之一。针对冬小麦区域的不同植被覆盖情况，利用随机森林回归对常用极化特征在土壤水分反演中的重要性进行评估，并在此基础上进行特征选择，挑选优化的极化特征组合，构建了高精度的土壤水分反演模型。实验结果显示，由重要性评分较高的极化特征所组成的反演模型能得到均方根误差（root mean square error，RMSE）小于6%的反演精度，比只输入传统线极化后向散射系数的模型在不同时相、不同数据集的精度都有所提高。与支持向量回归和人工神经网络模型进行比较，利用随机森林回归进行重要性评分与土壤水分反演的效果更好。     

双极化SAR数据反演裸露地表土壤水分

为了较高精度地获取大范围地表土壤水分,提出一种基于双极化合成孔径雷达数据的裸露地表土壤水分反演模型即非线性方程组,通过改进的粒子群算法求解非线性方程组从而得到土壤水分。首先通过AIEM模型数值模拟和回归分析,得到一种新的组合粗糙度,然后模拟分析得到土壤水分与雷达后向散射系数的关系,从而建立雷达后向散射系数与组合粗糙度、土壤水分的经验关系。利用ASAR C波段双极化雷达数据,基于经验关系和改进的粒子群算法即可实现土壤水分的反演。经过黑河流域实测土壤水分数据对模型进行验证,反演结果与实测数据具备良好的相关性(R~2=0.778 6)。与以往同一区域研究成果比较,文中的方法反演精度有所提高,更适用于裸露地表土壤水分反演。     

陆地表面粗糙度和土壤湿度多维参数同时反演的遗传算法

用遗传算法,从多角度后向散射观测值同时反演陆地表面粗糙度（小尺度起伏方差与相关长度、大尺度起伏坡度）和土壤体湿度的多维特征性参数。粗糙陆地表面散射用Ｋｉｒｃｈｈｏｆｆ近似的稳相法与微扰法相结合的双尺度模型计算,以构造代价函数。遗传算法反演结果与车载多角度遥感时的陆地实测值作了比较,取得了十分良好的结果。为遗传算法在遥感反演中的新应用提供了实例。     

利用GNSS干涉信号振荡幅度反演土壤湿度

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。