GNSS-R農(nóng)田土壤濕度反演方法研究.pdf

1、土壤水分是量化陸地及大氣能量交換的關(guān)鍵參數(shù)。準(zhǔn)確監(jiān)測(cè)土壤濕度是實(shí)現(xiàn)農(nóng)業(yè)穩(wěn)產(chǎn)、高產(chǎn)的重要基礎(chǔ)。研究監(jiān)測(cè)大范圍的土壤水分的方法在農(nóng)業(yè)、水文以及氣象等領(lǐng)域的應(yīng)用意義重大。本文從利用全球?qū)Ш叫l(wèi)星系統(tǒng)反射信號(hào)（Global Navigation Satellite System-Reflectmetry，GNSS-R）技術(shù)探測(cè)土壤濕度的基礎(chǔ)理論出發(fā)，分析了目前 GNSS-R技術(shù)的兩種基本觀測(cè)模式—利用干涉復(fù)數(shù)場(chǎng)技術(shù)的雙天線模式和利用干涉圖技術(shù)的單

2、天線模式；并對(duì)兩種模式反演土壤濕度的方法進(jìn)行了研究，構(gòu)建了基于支持向量機(jī)（Support Vector Machine，SVM）的雙天線模式GNSS-R土壤濕度反演模型、基于人工神經(jīng)網(wǎng)絡(luò)的地表粗糙度影響修正模型；最后探討了針對(duì)植被對(duì) GNSS反射信號(hào)的影響機(jī)理，提出了利用植被含水量、葉面積指數(shù)以及 SVM的植被影響修正模型，并進(jìn)行了地基實(shí)驗(yàn)驗(yàn)證，得到了最終結(jié)論。
　　本論文具體完成了以下四個(gè)方面的研究工作，并得出相關(guān)結(jié)論如下：

3、r>　?。?）GNSS-R土壤濕度探測(cè)技術(shù)的分析
　　首先對(duì)GNSS-R技術(shù)的信號(hào)源和信號(hào)體制進(jìn)行了分析；從電磁波原理角度分析了GNSS信號(hào)載波的反射機(jī)制；探討了GNSS信號(hào)反射過(guò)程中的宏觀和微觀幾何關(guān)系，研究了反射面區(qū)域包括鏡面反射點(diǎn)、等延遲區(qū)、等多普勒線、菲涅爾反射區(qū)以及天線覆蓋區(qū)域等的定義和計(jì)算方法。在此基礎(chǔ)上，探討了GNSS直、反射信號(hào)的數(shù)學(xué)表達(dá)以及GNSS直、反射信號(hào)的相關(guān)功率模型，研究了目前利用GNSS衛(wèi)星反射信號(hào)進(jìn)行

4、土壤濕度探測(cè)的兩種主要模式，并對(duì)二者的特點(diǎn)、適用場(chǎng)合等進(jìn)行了對(duì)比。
　?。?）雙天線模式GNSS-R土壤濕度反演方法研究
　　分析了雙天線模式 GNSS-R土壤濕度反演的原理，包括土壤物理性質(zhì)及其介電模型，即土壤濕度和土壤介電常數(shù)的關(guān)系。首先總結(jié)了現(xiàn)有的土壤介電模型，其中，表達(dá)形式簡(jiǎn)單，可用于多種土壤類(lèi)型的Wang模型，更為適合GNSS-R應(yīng)用場(chǎng)景；之后分析了土壤介電常數(shù)對(duì)電磁波反射的影響，給出了不同入射、出射極化方式的電磁

5、波反射率；最后給出了反射率對(duì)GNSS反射信號(hào)的影響。
　　構(gòu)建了雙天線模式GNSS-R土壤濕度反演的兩個(gè)模型：解析模型和基于SVM的模型。設(shè)計(jì)了地基實(shí)驗(yàn)對(duì)這兩個(gè)模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)中采集了 GPS和北斗衛(wèi)星導(dǎo)航系統(tǒng)的直射、反射信號(hào)，并使用烘干稱(chēng)重法測(cè)量了土壤濕度作為對(duì)比真值。北斗 GEO（Geostationary Earth Orbit）衛(wèi)星信號(hào)的數(shù)據(jù)處理結(jié)果顯示：解析模型估算土壤濕度值與真值回歸決定系數(shù) R2=0.7489，均方

6、根誤差 RMSE=0.03680 m3/m3；基于支持向量機(jī)的模型結(jié)果與真值線性回歸方程決定系數(shù) R2為0.8979，均方根誤差 RMSE為0.01493 m3/m3；由此可見(jiàn)基于支持向量機(jī)的模型相比解析模型有了顯著提高，其中決定系數(shù)R2提高了23.03％，均方根誤差RMSE減小了59.44%。
　　研究了地表粗糙度對(duì)反射信號(hào)的影響，構(gòu)建了修正地表粗糙度影響的雙天線GNSS-R土壤濕度反演解析模型和基于 ANN的模型。建立仿真平臺(tái)

7、，并對(duì)不同粗糙度兩個(gè)模型的反演精度進(jìn)行分析。結(jié)果顯示：在進(jìn)行地表粗糙度影響修正之前，當(dāng)?shù)乇砭礁叨仍黾拥?.010 m以上時(shí)，解析模型的均方根誤差超過(guò)0.07 m3/m3，說(shuō)明此時(shí)進(jìn)行粗糙度補(bǔ)償是必須的；在地表均方根高度大于0.025 m的情況下，人工神經(jīng)網(wǎng)絡(luò)模型精度比解析模型提高了36.83%—72.36%。進(jìn)行粗糙度修正之后，在地表均方根高度小于0.020 m的情況下，獲取的土壤濕度均方根誤差RMSE均小于0.05 m3/m3，地

8、表均方根高度超過(guò)0.025 m，均方根誤差RMSE就超過(guò)0.05 m3/m3，說(shuō)明解析模型在消除大粗糙度誤差方面有一定局限；此時(shí)人工神經(jīng)網(wǎng)絡(luò)模型的精度比解析模型提高了42.86%—54.40%。解析模型在小粗糙度的情況下修正效果明顯，但大粗糙度情況下修正的有效性急劇下降，在地表均方根高度達(dá)到0.030 m以上時(shí)，修正幾乎不能提升精度；而人工神經(jīng)網(wǎng)絡(luò)模型對(duì)于粗糙度修正不敏感，修正前后取得了相近的精度。
　　（3）單天線模式GNSS-

9、R土壤濕度反演方法研究
　　針對(duì)裸露地表情況下的單天線觀測(cè)模式GNSS-R土壤濕度反演模型進(jìn)行相關(guān)研究，分析了干涉信號(hào)引起 SNR波形震蕩的原理，探討了數(shù)據(jù)處理的基本流程。在此基礎(chǔ)上進(jìn)行了地基實(shí)驗(yàn)驗(yàn)證，使用測(cè)繪級(jí)接收機(jī)采集了GPS數(shù)據(jù)，并使用Theta Probe傳感器采集土壤濕度數(shù)據(jù)作為土壤真值；對(duì)數(shù)據(jù)進(jìn)行了處理，結(jié)果顯示：GPS PRN1，PRN20， PRN24，PRN25四顆衛(wèi)星的SNR相位與土壤濕度的回歸決定系數(shù)分別達(dá)到

10、了0.7207，0.5094，0.7334，0.5208；GPS PRN4，PRN12，PRN15，PRN31四顆衛(wèi)星的SNR幅度與土壤濕度回歸決定系數(shù)R2達(dá)到了0.7963，0.7260，0.7845，0.7745。
　?。?）植被覆蓋對(duì)GNSS反射信號(hào)的影響研究
　　分析了植被的介電常數(shù)模型，探討了適用于單基雷達(dá)的MIMICS模型、雙基雷達(dá)的Bi-MIMICS模型、適用于農(nóng)作物的“水—云”模型，以及利用植被含水量進(jìn)行衰減

11、補(bǔ)償?shù)倪m用于GNSS-R技術(shù)的模型；最后對(duì)基于支持向量機(jī)的GNSS-R土壤濕度反演模型進(jìn)行了修改，利用葉面積指數(shù)和植被含水量進(jìn)行植被影響修正，并與未包含植被信息的模型結(jié)果進(jìn)行了對(duì)比。結(jié)果顯示：加入植被信息之后的模型回歸決定系數(shù)R2為0.9214，均方根誤差RMSE為0.01331 m3/m3。與未加入植被信息的反演模型相比，決定系數(shù)R2提高了2.62%，均方根誤差RMSE降低了11.94%，說(shuō)明模型對(duì)植被的影響有顯著的消除效果。