GNSS-R農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鍵參數(shù)。準確監(jiān)測土壤濕度是實現(xiàn)農業(yè)穩(wěn)產、高產的重要基礎。研究監(jiān)測大范圍的土壤水分的方法在農業(yè)、水文以及氣象等領域的應用意義重大。本文從利用全球導航衛(wèi)星系統(tǒng)反射信號（Global Navigation Satellite System-Reflectmetry，GNSS-R）技術探測土壤濕度的基礎理論出發(fā)，分析了目前 GNSS-R技術的兩種基本觀測模式—利用干涉復數(shù)場技術的雙天線模式和利用干涉圖技術的單

2、天線模式；并對兩種模式反演土壤濕度的方法進行了研究，構建了基于支持向量機（Support Vector Machine，SVM）的雙天線模式GNSS-R土壤濕度反演模型、基于人工神經網絡的地表粗糙度影響修正模型；最后探討了針對植被對 GNSS反射信號的影響機理，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，并進行了地基實驗驗證，得到了最終結論。
　　本論文具體完成了以下四個方面的研究工作，并得出相關結論如下：

3、r>　?。?）GNSS-R土壤濕度探測技術的分析
　　首先對GNSS-R技術的信號源和信號體制進行了分析；從電磁波原理角度分析了GNSS信號載波的反射機制；探討了GNSS信號反射過程中的宏觀和微觀幾何關系，研究了反射面區(qū)域包括鏡面反射點、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)域等的定義和計算方法。在此基礎上，探討了GNSS直、反射信號的數(shù)學表達以及GNSS直、反射信號的相關功率模型，研究了目前利用GNSS衛(wèi)星反射信號進行

4、土壤濕度探測的兩種主要模式，并對二者的特點、適用場合等進行了對比。
　　（2）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，包括土壤物理性質及其介電模型，即土壤濕度和土壤介電常數(shù)的關系。首先總結了現(xiàn)有的土壤介電模型，其中，表達形式簡單，可用于多種土壤類型的Wang模型，更為適合GNSS-R應用場景；之后分析了土壤介電常數(shù)對電磁波反射的影響，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GNSS反射信號的影響。
　　構建了雙天線模式GNSS-R土壤濕度反演的兩個模型：解析模型和基于SVM的模型。設計了地基實驗對這兩個模型進行驗證，實驗中采集了 GPS和北斗衛(wèi)星導航系統(tǒng)的直射、反射信號，并使用烘干稱重法測量了土壤濕度作為對比真值。北斗 GEO（Geostationary Earth Orbit）衛(wèi)星信號的數(shù)據處理結果顯示：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；基于支持向量機的模型結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；由此可見基于支持向量機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反射信號的影響，構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

7、，并對不同粗糙度兩個模型的反演精度進行分析。結果顯示：在進行地表粗糙度影響修正之前，當?shù)乇砭礁叨仍黾拥?.010 m以上時，解析模型的均方根誤差超過0.07 m3/m3，說明此時進行粗糙度補償是必須的；在地表均方根高度大于0.025 m的情況下，人工神經網絡模型精度比解析模型提高了36.83%—72.36%。進行粗糙度修正之后，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0.025 m，均方根誤差RMSE就超過0.05 m3/m3，說明解析模型在消除大粗糙度誤差方面有一定局限；此時人工神經網絡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到0.030 m以上時，修正幾乎不能提升精度；而人工神經網絡模型對于粗糙度修正不敏感，修正前后取得了相近的精度。
　?。?）單天線模式GNSS-

9、R土壤濕度反演方法研究
　　針對裸露地表情況下的單天線觀測模式GNSS-R土壤濕度反演模型進行相關研究，分析了干涉信號引起 SNR波形震蕩的原理，探討了數(shù)據處理的基本流程。在此基礎上進行了地基實驗驗證，使用測繪級接收機采集了GPS數(shù)據，并使用Theta Probe傳感器采集土壤濕度數(shù)據作為土壤真值；對數(shù)據進行了處理，結果顯示：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達到了0.7963，0.7260，0.7845，0.7745。
　　（4）植被覆蓋對GNSS反射信號的影響研究
　　分析了植被的介電常數(shù)模型，探討了適用于單基雷達的MIMICS模型、雙基雷達的Bi-MIMICS模型、適用于農作物的“水—云”模型，以及利用植被含水量進行衰減

11、補償?shù)倪m用于GNSS-R技術的模型；最后對基于支持向量機的GNSS-R土壤濕度反演模型進行了修改，利用葉面積指數(shù)和植被含水量進行植被影響修正，并與未包含植被信息的模型結果進行了對比。結果顯示：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%，說明模型對植被的影響有顯著的消除效果。