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。     

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%。     

同天线不同接收机的GNSS-IR雪深反演分析

全球导航卫星系统（global navigation satellite system,GNSS）干涉遥感技术(GNSS-interferometry reflectometry,GNSS-IR)利用测量型GNSS接收机即可获取反射面信息,具有信号源丰富、采样率高等优势,被广泛应用于雪深、潮位、土壤湿度、海面风场、海冰探测、地表形变监测等领域的研究。然而,GNSS接收机会对接收信号进行多路径抑制,反射信号会被削弱甚至剔除,从而降低GNSS-IR技术的精度。为了探讨GNSS-IR反演中不同接收机、不同频点的影响,基于零基线模式在中国北极黄河站设计了GNSS-IR雪深反演实验,定量研究了接收机性能对雪深反演精度的影响。首先,在站上布设了和芯星通接收机和天宝接收机,并通过功分器共用同一个天线,这样可以获得反射面完全相同的多接收机、多频点观测值;然后,对两台接收机在3个GPS频点下的日均反演结果进行比较以便验证反演策略的有效性,并通过单次反演结果对比分析不同接收机反演效果的差异。结果表明,多个接收机、多个频点都能成功反演雪深值,其偏差基本上在3 cm以内。但是,尽管反射面完全相同,两个接收机之...     

一种GPS多路径反射信号的雪深反演

针对传统雪深测量缺乏必要时空敏感性的不足,该文在分析GPS信号多路径反射模型的基础上,利用GPS信噪比观测数据,通过分离提取多路径反射分量研究其时频特性,探讨GPS多路径信号与雪深及其变化关系并进行反演建模。依据菲涅尔反射区理论,确定了反射区域范围,进一步探讨卫星、波段选择及初始反射高度确定等。对比实验研究表明,反演结果与实测值吻合较好,相关系数为0.93,均方根误差为8.6cm;信噪比多路径反射分量的频率能有效跟踪积雪深度的变化。     

基于GPS和北斗信噪比观测值的雪深反演及其误差分析

利用GNSS反射信号反演雪深具有全天时、全天候、数据量大、成本低等突出优点。本文围绕基于信噪比观测值的雪深反演方法,利用参加中国北极科学考察的机会在黄河站设计了GNSS-R试验,采集了GPS和北斗的双频信噪比观测数据,详细讨论了高度角范围、弧段长度、卫星数量、方位角、时间尺度、星座结构、信号频率、信噪比强度等多种因素对雪深反演结果的影响。通过大样本、质量控制、误差分析等手段,雪深反演精度和可靠性得到有效提高。根据误差分析的结果,本文推荐的反演策略如下：选择高度角范围为5°~25°、信噪比强度较高的L1和B1I观测值,充分利用多颗卫星和4个方位角的大量观测数据,在一天的时间尺度上,可以实现5 cm的反演精度。另外,弧段长度、星座结构、信号频率等对反演结果的精度影响较小。     

SVM辅助的GPS SNR雪深时间序列反演

研究了GPS干涉反射技术GPS-IR(GPS-Interferometric Reflectometry);在利用GPS卫星SNR信号进行积雪深度探测的基础上构建了支持向量机SVM(Support Vector Machine)辅助的GPS SNR雪深时间序列反演模型;对积雪深度进行时间序列预报和与传统GPS-IR积雪探测模型进行精度对比分析。实验结果显示,相比传统GPS-IR雪深反演模型,SVM辅助的GPS SNR雪深时间序列反演模型的雪深预报结果的精度更高,也更符合实测雪深的变化趋势,可为地面积雪雪深反演提供新方法。     

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)NDV...     

基于GA-BP神经网络的高铁线下工程沉降预测模型

结合遗传算法与BP神经网络模型,介绍GA-BP模型的基本原理,建立高速铁路线下工程遗传BP神经网络沉降预测模型,并探讨模型精度的影响因子。通过实例分析表明GA-BP模型具有预测精度高、收敛速度快的特性,进而验证GA-BP模型在高速铁路线下工程沉降预测评估中的科学实用性。     

HUT模型的改进及其雪深反演

基于风云-3B（FY-3B）卫星的微波成像仪（MWRI）数据对HUT模型（Helsinki university of technology snow emission model）进行验证,结果表明,无论是18.7 GHz还是36.5 GHz水平极化亮温,HUT模型模拟亮温都与MWRI亮温存在较大的偏差。因此,本文对消光系数进行了本地化改进,得到了改进的HUT模型（IMPHUT模型）。IMPHUT模型在18.7 GHz水平极化和36.5 GHz水平极化时的模拟亮温偏差分别为-0.91 K和-4.19 K,较原始的HUT模型模拟精度（偏差分别为14.03 K和-16.33 K）有很大提高。最后,利用遗传算法进行雪深反演,基于IMPHUT模型的雪深反演（偏差为-6.79 cm）优于HUT模型和Chang算法,反演与实测雪深具有较好的一致性。     

基于神经网络技术的多因子遥感水深反演模型

采用动量BP人工神经网络方法,研究影响多光谱遥感水深反演的各种因素,概括出主要的影响因素,即:泥沙与叶绿素,通过在网络输入端加入泥沙参数因子与叶绿素参数因子,对神经网络进行训练,对大连湾的水深进行反演,取得较好的效果。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

被动微波遥感雪深反演混合像元问题研究EI北大核心CSCD

积雪深度是反映地表积雪量变化的重要因子,是水文模型和气候模式中的重要参数之一。被动微波遥感以其穿云透雾、对雪层信息敏感等特点,被广泛应用于雪深的反演研究中。被动微波传感器的低空间分辨率(数千米至数十千米)及地表覆盖的复杂性,使星载被动微波遥感影像中的混合像元现象十分突出,严重制约了被动微波雪深遥感监测的应用和发展。目前,被动微波遥感雪深反演中的混合像元问题研究仍存在着诸多挑战:①理论支撑不足,对被动微波混合像元亮温响应特征及影响机制的研究尚不充分;②针对混合像元问题所发展的被动微波雪深反演算法,对地表异质性特征考虑不足。     

Snow depth estimation accuracy using a dual-interface GPS-IR model with experimental results

GPS Solutions - Measuring snow depth using the GPS interferometric reflectometry is an active microwave remote sensing technique and an emerging approach because of its relatively large spatial...     

基于GPS新型L5信号的地表雪深反演研究

利用GPS多路径反射信号测量地表雪深具有全天候和高时空分辨率的特点,因此其可作为一种代替气象站监测雪深的新手段。然而,先前大多数研究仅使用了GPS L1和L2C波段信噪比数据探测积雪深度。为验证新型的L5信号在雪深反演方面的优越性,本文阐述了GPS-R技术反演雪深的原理,利用Lomb-Scargle周期图法所处理的受积雪表层影响的信噪比数据计算了频谱振幅强度,通过获取频谱特征值与天线高度的关系求解雪深值,最后分别与L1反演结果和实测雪深数据进行了对比。试验结果表明：与现有的GPS-R测量雪深结果相比,利用新型的L5反射信号反演地表雪深的精度更佳;采用GPS-R技术探测雪深对把握测站区域内的雪深变化情况和淡水资源储量具有重要价值。     

基于MODIS数据的天山北坡经济带雪深反演研究

根据实测雪深不同的积雪反射光谱值分析雪深和积雪反射率的关系,探讨利用MOD IS数据反演雪深的可行性和反演雪深的MOD IS最佳通道。利用2004年12月至2005年3月的MOD IS数据,以天山北坡经济带为实验区,结合该区域实测雪深数据、气象台地面雪深观测记录建立雪深反演数学模型,分析雪深空间分布特征对农业开发具有重要意义。     

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。     

GPS snow depth meter with geometry-free linear combinations of carrier phases

Multipath in global positioning system (GPS) is the interference of the microwave signals directly from satellites and those reflected before reaching the antenna, typically by the ground. Because reflected signals cause positioning errors, GPS antennas are designed to reduce such interference. Recent studies show that multipath could be utilized to infer the properties of the ground around the antenna. Here, we report one such application, i.e. a fixed GPS station used as a snow depth meter. Because the satellite moves in the sky, the excess path length of reflected waves changes at rates dependent on the antenna height. This causes quasi-periodic variations of the amplitude and phase of the received signals. Accumulation of snow reduces effective antenna heights, and we can see it by analyzing multipath signatures. Signal-to-noise ratios (SNR) are often used to analyze multipath, but they are not always available in raw GPS data files. Here, we demonstrate that the geometry-free linear combination (L4), normally used to study the ionosphere, can also be used to analyze multipath signatures. We obtained snow depth time series at a GPS station in Hokkaido, Japan, from January to April in 2009 using L4 and SNR. Then, we compared their precisions. We also discuss mechanisms responsible for the possible underestimation of the snow depth by GPS. Finally, we investigate the possibility of inferring physical conditions of the snow surface using amplitudes of multipath signatures.