GNSS-MR技术用于潮位变化监测分析

潮位变化的高精度监测一直是全球海平面观测系统、海洋环流和全球气候变化研究领域关注的热点问题之一。随着GNSS研究与应用的不断深入,近年来基于多路径效应的GNSS-MR技术已逐步成为一种新兴的遥感手段,即利用测量型GNSS站进行地表环境(植被、土壤湿度、雪深、潮位、火山活动等)监测。通过分析由多路径引起岸基GNSS站SNR值的变化特性,本文给出了基于SNR观测值的GNSS-MR技术监测潮位变化的反演原理。利用布设在美国华盛顿州Friday Harbor海港岸边的CORS站SC02实测观测数据对潮位变化监测进行了反演分析,并与该站相距359 m的验潮站数据进行了对比分析,两者较差均值约为10 cm左右,两者的相关系数均优于0.98。试验结果分析表明基于岸基CORS站的GNSS-MR技术在一定程度上可用于实时、连续的潮位变化监测,同时也说明岸基CORS站在一定程度上可作为验潮站的补充,进一步拓展GNSS在海洋遥感领域的应用范围。     

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。     

GNSS-MR技术用于雪深探测的初步研究

积雪是全球水循环中的重要组成部分,积雪深度与雪水当量的精确监测对全球气候变化研究极其重要。随着GNSS研究与应用的不断深入,基于多路径效应的GNSS-MR（GNSS multipath reflectometry）技术用于地表环境监测（植被、土壤湿度、雪深、海平面等）已成为一种新兴的遥感手段。分析了SNR（signal-to-noise ratio）信噪比值的变化特性,详细给出了基于SNR观测值的GNSS-MR技术探测雪深的基本原理及其计算流程图。为了验证算法的有效性,利用科罗拉多州17 d连续跟踪站NWOT的GPS数据反演了降雪厚度,其结果与实测的雪深记录数据吻合较好,误差均值为0.07 m。初步研究结果验证了GNSS-MR技术用于积雪深度探测的可行性,并为后续充分利用现有的全球密集GNSS跟踪站数据开展地表环境监测提供重要参考。     

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。     

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%。     

利用IGGIII模型的多模多频GNSS-MR潮位反演

潮位是保证沿海安全、监测海洋气候、维持高程基准的重要参数。近年来基于地基Global Navigation Satellite Systems (GNSS)反射信号的遥感方法被证实可以用于潮位监测。相较于传统的潮位测量方法,GNSSmultipath reflectometry (GNSS-MR)技术有成本低、连续跟踪、全天候等优势;但是目前技术的精度不高、时间分辨率较低。通过获取更多GNSS卫星系统的观测数据可以提高潮位监测结果的时间分辨率,本文利用GPS、GLONASS、Galileo和BeiDou的观测数据,采用基于IGGIII模型的稳健回归方法对四系统的潮位反演数据进行融合研究。测站选取BRST站和HKQT站,这两个测站均可接收四系统数据;实验结果表明,利用多模多频GNSSMR进行潮位反演,二个测站的反演精度分别优于13 cm和8 cm,相比于单系统单频精度有40%—70%的提升,而且能够大大提高时间分辨率。     

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。     

GLONASS卫星SNR信号的雪深探测

利用GNSS-MR(Global Navigation Satellite System Multipath Reflectometry)技术反演积雪深度是近年来一种新兴的卫星遥感技术。目前大多数研究仅使用GPS(Global Position System)数据限制了该技术的发展,为了扩展GNSS-MR算法的应用,介绍了基于GNSS-MR算法的雪深反演模型。首先,通过多项式拟合分解GLONASS观测数据获取高精度的信噪比残差序列;然后,利用Lomb-Scargle谱分析法对其进行频谱分析可解算雪深值。选取IGS中心的YEL2站2015年11月到2016年6月共243天的GLONASS卫星L1波段反射信号的SNR数据进行实例分析,并以美国国家气象数据中心提供的加拿大Y-H (Yellowknife Henderson)气象站的实测雪深数据为真值,将反演雪深与实测雪深进行对比验证。所得实验结果如下:(1)与GPS卫星的反演值相比,基于GLONASS-MR(GLONASS Multipath Reflectometry)技术反演积雪深度的精度同样能达到厘米级,RMSE仅3.3 cm,反演值与实测值的空间分布趋势一致且相关性较强,其相关系数R2高达0.969;(2)不同的积雪深度对信噪比的振幅频率与垂直反射距离具有直接影响;(3)对同一卫星而言,信噪比的频谱振幅强度峰值与其对应的反演值存在线性相关;(4)在相同条件下,采用多颗GLONASS卫星数据比单颗GLONASS卫星数据反演雪深的效果明显更优。基于反演的高时间分辨率产品,分析该地区雪深日变化的情况,实验结果表明基于陆基CORS站的GLONASS-MR技术在用于实时、连续的雪深变化监测方面具有良好的潜力和可行性。     

基于Triple Collocation方法的土壤湿度误差分析

土壤湿度作为水循环中重要的驱动参数之一,对天气变化有着显著影响。遥感技术的发展促使土壤湿度的大范围动态性观测变为可能,但对其误差的准确估计仍需进一步的研究。利用ASCAT散射计、AMSR-E辐射计反演得到的2种卫星遥感土壤湿度数据以及ERA-Interim土壤湿度再分析资料,通过三重组合(Triple Collocation,TC)方法得到了研究区域(15°N~55°N,73°E~135°E) 3种土壤湿度数据的误差方差和信噪比估计,并结合MODIS土地覆盖类型数据分析了3种土壤湿度数据的误差特征。结果表明:植被覆盖会影响遥感土壤湿度的TC误差方差估计;从TC误差方差估计值来看,ERA土壤湿度精度最高,AMSR-E精度次之,ASCAT精度最低;从信噪比来看,ASCAT土壤湿度信噪比最高,ERA的信噪比低于ASCAT高于AMSR-E,AMSR-E信噪比最低;通过研究区MODIS土地覆盖类型数据与TC结果的分析可知TC结果多分布在草原、农田和裸地,TC结果比较符合客观实际情况。     

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。     

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。     

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。     

北斗全球卫星导航系统试验卫星测距信号质量分析

目前,北斗全球卫星导航系统有5颗试验卫星发射试验信号。试验卫星数据质量分析是北斗全球系统信号体制验证的重要内容。基于单测站北斗试验卫星观测数据,采用伪距相位差组合和伪距多径组合方法,初步分析了试验卫星民用信号以及Bs频点信号伪距测量噪声和多径误差。结果表明,倾斜同步轨道卫星伪距测量精度优于中轨道卫星;在各导航信号中,B2a+b信号伪距测量精度最高,具有最优的抗多径性能;B1C信号伪距测量精度最低,抗多径性能最差;Bs信号伪距测量精度较差,但优于B1C信号,且其伪距多径存在一个与高度角相关的系统误差,在高度角最大时可达0.5 m。     

基于UofC模型的多系统组合PPP解算性能分析

针对GNSS多系统组合进行PPP定位的问题,推导了基于UofC模型的多系统组合PPP的函数模型和随机模型。最后采用IGS观测站30 d的部分观测数据对不同组合模式的PPP进行了解算。试验分析结果表明：GNSS多系统组合PPP收敛时间与GPS单系统相比可以缩短30%~50%。对于定位精度,在观测时长较短时（如0.5 h）,GNSS多系统组合PPP整体上具有较优的定位精度,N、E方向偏差和标准差分别为0.3、0.5 cm和1.9、4.3 cm,短时间内由于对流层参数与垂直方向的强相关性,使得U方向精度稍差。此外,在卫星高度截止角大于40°的条件下,单系统可见卫星数不足从而导致无法进行连续定位,但多系统组合具有更多的可视卫星,仍能获得较好的定位精度,使其在建筑物密集区、山区和卫星遮挡较为严重的恶劣条件下具有实际应用价值。     

减小伪卫星多路径效应误差的试验研究

伪卫星定位技术可以补偿GPS系统本身一些先天不足,然而GPS和伪卫星组合进行定位又带来了新的误差源,伪卫星多路径效应就是误差源之一。针对多路径的产生原理及特点,在经典最小二乘理论的基础上,推求稳健最小二乘估计的权函数,并结合实际观测数据验证了稳健最小二乘法消除多路径误差的有效性。     

高斯过程回归辅助下的GPS干涉反射积雪深度估测

本文对全球定位系统干涉反射技术进行了研究。以美国板块边界天文台计划提供的P101测站的GPS监测数据为基础,利用GPS卫星高度角低于某一角度时多路径效应明显的特点,构建高斯过程回归(GPR)辅助的GPS干涉反射积雪深度估测模型,并监测了测站周围的积雪深度。结果表明,GPR辅助的GPS干涉反射积雪深度估测模型输出的雪深估测值的精度,相比传统单星反演结果有不同程度的提高,并且更贴近实测雪深的变化,为地表雪深反演提供了新思路。