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%。     

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。     

局部加权线性回归模型的PM2.5空间插值方法

针对传统空间插值方法对影响PM2.5的插值因素考虑不全面和局部加权线性回归模型中近邻个数选择困难等问题,该文基于局部加权线性回归模型提出了一种引入正则化项的空间插值方法。以北京市3个月的PM2.5数据为例,选取SO_2、NO_2、O_3、CO作为观测指标,通过正则化进行权重系数修正、L曲线法确定正则化系数,提高了该插值模型的稳定性与自适应性。交叉验证结果显示,本文方法相对于普通Kriging,3个月的平均绝对误差(MAE)与均方根误差(RMSE)分别降低28.44%、26.25%;相对于反距离加权插值法的MAE、RMSE分别降低18.07%、17.02%。研究结果表明,基于局部加权线性回归模型的PM2.5空间插值相对于传统方法有一定提升。     

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。     

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。     

稳健度量选权迭代的地理加权回归研究

针对地理加权回归参数估计采用最小二乘方法,最小二乘估计易受离群值影响,导致地理加权回归模型并不稳健的问题,该文提出基于稳健度量选权迭代的地理加权回归分析方法,核心思想是通过标准化残差构造权重函数,通过迭代加权降低离群值对回归模型参数估计的影响。利用模拟数据与真实数据进行试验,分别与GWR、RGWR进行对比分析,以MSE、MAE为指标进行性能评价。模拟数据试验中,RMIWGWR模型比RGWR模型的MSE、MAE指标分别提升9.29%和8.34%;真实数据试验中,RMIWGWR模型比RGWR模型的MSE、MAE指标分别提升63.88%和38.45%。试验表明:该方法可改善粗差存在环境下地理加权回归模型参数估计精度,提升模型拟合效果。     

GBGWR模型在降水量空间分布模拟中的应用

近年来,我国大部分地区屡遭洪涝与干旱两种自然灾害侵袭,对重洪涝干旱区域进行空间插值具有重要的意义。针对传统地理加权回归（GWR）模型建模过程中模型识别和参数估计易受观测值异常点影响的问题,本文提出了一种基于吉布斯采样的贝叶斯地理加权回归（GBGWR）方法。运用基于吉布斯采样的马尔可夫链蒙特卡罗贝叶斯方法,估计地理加权回归模型参数,通过平滑函数降低观测值中异常点位数据,最后对湖南省1985-2015年35个观测站点的降水观测数据进行了空间分布模拟。试验结果表明,本文提出的方法相较于GWR模型性能提高了19.8%,相较于BGWR模型性能提高了8.2%,该方法可以有效降低异常值和"弱数据"对回归结果的影响,能够更加真实地模拟湖南省降水量的空间分布。     

地基GNSS用于冻土区域地表环境多参数反演研究

季节性冻土具有周期性地表抬升/沉降的物理特性，传统测量方法已不能满足当前高精度、实时的监测需求.地基GNSS是一种低成本、全天时、全天候、能够实现连续监测的新兴地基遥感技术.实验应用美国的板块边界观测台网(plate boundary observational GNSS network,PBO)计划SG27测站2013—2021年观测数据，使用地基GNSS技术解译了阿拉斯加巴罗永久冻土区域典型异常年份降雪、无雪期地表形变、测站形变、土壤湿度、大气水汽变化，并通过PBO实测降雪数据验证异常年雪深反演精度，通过测站形变结果验证反演结果为冻土活动层形变，同时对水汽与土壤湿度进行相关性分析.结果显示：反演雪深与实测雪深绝对系数R2为0.815 5，均方根误差(root mean squared error,RMSE)为0.064 3，平均绝对误差(mean absolute error,MAE)为0.040 2；通过水汽与土壤湿度变化趋势图发现两者具有较弱滞后性对应关系，但仅表现在趋势而非幅度值上.表明地基GNSS在长时序冻土环境监测中存在巨大的应用潜力.     

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%。     

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。     

稳健时序分析方法及其在边坡监测中的应用

本文将稳健估计方法引入时间序列建模,提出了基于稳健估计的自回归建模方法。采用某实测边坡两个监测点连续30期数据对该方法进行了验证计算与分析,结果表明当监测序列没有异常值时,稳健与常规自回归模型的预报精度相当;而当监测序列含有少量异常值时,稳健比常规自回归模型的预报精度有较明显的提高。     

基于高光谱数据的苔草营养成分反演方法研究

研究基于高光谱数据的苔草营养成分(侧重粗蛋白质、总氮、总磷)反演方法。结果显示,粗蛋白质的最佳反演模型是通过原始光谱反射率(偏最小二乘回归的方法)获得,R2=0.814、RMSE=0.450;总氮的最佳反演模型是通过一阶光谱反射率(偏最小二乘回归的方法)获得,R~2=0.850、RMSE=0.175;总磷的最佳反演模型是通过原始光谱反射率(偏最小二乘回归)获得,R~2=0.882、RMSE=0.025。最佳模型检验结果显示估算值和实测值之间的强相关性:粗蛋白质R2=0.801、RMSE=1.029,总氮R2=0.777、RMSE=0.234,总磷R2=0.756、RMSE=0.043。     

北京地区Landsat 8 OLI高空间分辨率气溶胶光学厚度反演

卫星气溶胶光学厚度(AOD)反演中,传统暗目标方法在反射率较低的水体、浓密植被覆盖区域取得了较好效果,在反射率较高且结构复杂的高反射地表上空目前多采用深蓝算法,但存在空间分辨率较低,对细节分布描述性较差等问题。为解决这一问题,本文首先以5年(2008年—2012年)长时间序列MODIS地表反射率产品为基础,采用最小值合成法建立500 m分辨率逐月地表反射率产品数据集,然后利用地物波谱库中典型地物波谱数据,分析建立MODIS与Landsat 8 OLI传感器蓝光波段反射率转换模型,最后北京地区AERONET地基观测数据确定了气溶胶光学物理参数,并反演获取了北京地区上空500 m分辨率的AOD分布。为验证反演算法的精度,分别将反演结果同AERONET及MODIS/Terra气溶胶产品(MOD04)进行交叉对比,同时利用相关系数R,均方根误差RMSE,平均绝对误差MAE以及MODIS AOD产品预期误差EE共4个指标进行衡量。结果表明:算法反演获取的AOD与AERONET观测值具有较高的一致性,各指标分别为R=0.963,RMSE=0.156,MAE=0.097,EE=85.3%,稍优于MOD04产品(R=0.962,RMSE=0.158,MAE=0.101,EE=75.8%),并且有效的对比点数也高于MOD04。通过与地基观测相比,卫星遥感获取的高分辨率城市地区AOD精度可作为定量评估城市空气质量的有效依据。     

自变量优化的一元线性回归

一元线性回归是应用最为广泛的参数估计方法之一。文中提出一元线性回归的自变量在等差级数的基础上进行双向黄金分割,提高两端点观测值的多余观测分量,缩小观测值之间多余观测分量的差异,在不增加观测值数量和不改变观测值精度的前提下,提高稳健估计方法消除或减弱粗差的能力。     

利用时空神经网络模型的长江经济带气温反演

传统基于遥感的气温反演方法往往使用全局模型,从而忽略了气温分布及其时空影响异质性,特别是在较大区域尺度的研究中存在不足。针对长江经济带区域,引入时空地理加权神经网络模型,建立一种高精度的气温估计方法。通过在广义回归网络模型中建立局部模型来顾及时空异质性的影响,融合遥感数据、同化数据、站点数据,获取面域分布的近地表气温信息。采用基于站点的十折交叉验证方法对模型性能进行评估,结果表明,时空地理加权神经网络有效提高了气温估计的精度（均方根误差为1.899℃,平均绝对误差（mean absolute error,MAE）为1.310℃,相关系数为0.976）,与多元线性回归和传统的全局神经网络方法相比,MAE值分别降低了1.112℃和0.378℃。气温空间分布制图结果显示,该方法结果能很好地反映长江经济带气温空间上的差异和不同季节的特征信息,具有实际应用价值。     

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。     

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。     

稳健主成分回归及粗差探测北大核心CSCD

针对测量平差模型中法方程系数矩阵病态和观测值存在粗差的问题,该文将主成分估计与稳健估计方法相结合,建立了稳健主成分回归方法。详细介绍了稳健主成分回归方法的步骤,即先将系数矩阵进行稳健主成分分析,得到稳健主成分,利用稳健的LTS估计法求解参数向量,同时构造了一种稳健的主成分选择统计量,便于选择最佳的主成分数目。文中构造了3种异常点检验统计量,给出了异常点和粗差的探测步骤。算例研究表明,与传统方法相比,本文方法有一定的优越性。     

基于二次多项式的AOD数据融合方法

针对Aqua和Terra MODIS AOD数据利用线性回归算法拟合结果不够精确的问题,本文提出了二次多项式回归算法对其进行拟合,二次多项式是指这个多项式的项数超过1,且最高次方数为2。采用二次多项式回归和线性回归算法分别对2015年随机选择的一天和4-6月的AOD数据进行拟合,并将两种方法拟合的结果进行对比分析。研究结果显示,针对同一组Aqua和Terra MODIS AOD数据的拟合,二次多项式回归方法拟合得到的RMSE、MAE、R值比线性回归拟合方法得到的值精度都要高很多,说明二次多项式回归拟合方法在Aqua和Terra MODIS AOD数据的拟合方面优于线性回归方法的拟合,证明了二次多项式回归拟合方法适用于此方面的研究,而且能够提升Aqua和Terra MODIS AOD数据拟合结果的精度。     

四种遥感浅海水深反演算法的比较

详细介绍了单波段线性回归模型、两波段比值线性回归模型、多波段组合线性回归模型、BP神经网络模型等4种光学遥感水深反演算法,然后利用同一地区、同一时期的Worldview-2多光谱遥感影像和实测水深数据,对4种水深反演模型的准确性进行了实验比较。研究表明:多波段组合线性回归模型、BP神经网络模型的水深反演的性能较好,利用多光谱遥感图像数据反演得到的水深值误差较小;而单波段线性回归模型、两波段比值线性回归模型的效果较差。