CN116519913B - 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 - Google Patents

基于星载和地基平台融合的gnss-r数据土壤水分监测方法 Download PDF

Info

Publication number
CN116519913B
CN116519913B CN202310797258.8A CN202310797258A CN116519913B CN 116519913 B CN116519913 B CN 116519913B CN 202310797258 A CN202310797258 A CN 202310797258A CN 116519913 B CN116519913 B CN 116519913B
Authority
CN
China
Prior art keywords
data
soil moisture
gnss
satellite
borne
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310797258.8A
Other languages
English (en)
Other versions
CN116519913A (zh
Inventor
杨婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cas Shandong Dongying Institute Of Geographic Sciences
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Cas Shandong Dongying Institute Of Geographic Sciences
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cas Shandong Dongying Institute Of Geographic Sciences, Institute of Geographic Sciences and Natural Resources of CAS filed Critical Cas Shandong Dongying Institute Of Geographic Sciences
Priority to CN202310797258.8A priority Critical patent/CN116519913B/zh
Publication of CN116519913A publication Critical patent/CN116519913A/zh
Application granted granted Critical
Publication of CN116519913B publication Critical patent/CN116519913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24Earth materials
    • G01N33/246Earth materials for water content
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/04Investigating moisture content
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13Receivers
    • G01S19/35Constructional details or hardware or software details of the signal processing chain
    • G01S19/37Hardware or software details of the signal processing chain
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793Remote sensing
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Remote Sensing (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Electromagnetism (AREA)
  • Medicinal Chemistry (AREA)
  • Geology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及数据处理技术领域,提供一种基于星载和地基平台融合的GNSS‑R数据土壤水分监测方法。该方法首先获取星载GNSS‑R数据、光学遥感数据,并从美国板块边界观测PBO获取地基GNSS‑R数据;对星载GNSS‑R数据、地基GNSS‑R数据、光学遥感数据进行分别处理,对应得到第一土壤水分数据、第二土壤水分数据和第三土壤水分数据;利用第一土壤水分数据、第二土壤水分数据和第三土壤水分数据对机器学习模型进行训练,并基于训练完成的机器学习模型获取土壤水分估算值。由此,通过对不同手段的GNSS‑R数据进行拟合,既考虑了星载GNSS‑R可获取区域尺度土壤水分的优势,又考虑了地基GNSS‑R精度高的优点,从而能够以较高的计算效率获取连续分布且空间分辨率较高的土壤水分估算结果。

Description

基于星载和地基平台融合的GNSS-R数据土壤水分监测方法
技术领域
本申请涉及数据处理技术领域,特别涉及一种基于星载和地基平台融合的GNSS-R数据土壤水分监测方法。
背景技术
全球卫星导航***(Global Navigation SatelliteSystem,GNSS)是一种利用卫星信号提供地理空间定位的***。全球导航卫星***反射信号技术(GlobalNavigationSatellite System-Reflectometry,GNSS-R)通过测量GNSS卫星直射信号与地表反射信号之间的延迟(时间延迟或者相位延迟),根据GNSS卫星、信号接收器与地表反射点之间的几何位置关系推算出地表特性,进而获得地表粗糙度或者其他地球物理参数的技术。根据卫星信号接收器所处的位置不同,GNSS-R可以分为星载GNSS-R和地基GNSS-R两种,星载GNSS-R是指利用卫星上部署的信号接收器和相关设备进行GNSS-R数据采集和分析,而地基GNSS-R是指在地面上进行GNSS-R数据采集和分析的技术和方法。无论是星载或地基平台,GNSS-R的工作波段都为L波段,对土壤水分变化敏感,因此,基于GNSS-R遥感数据估算土壤水分具有高精度、高时间分辨率、成本低的优点。
但是,由于星载GNSS-R与地基GNSS-R的数据来源平台不同,其适用的场景也不同。具体来说,星载GNSS-R所获取的数据可进行大范围的土壤水分估算,但其为不连续分布的离散点,且密度较低,地基GNSS-R获取的土壤水分精度高,适用于长时间序列的土壤水分反演,但其测量范围有限。因此,需要提供一种融合地基和星载GNSS-R数据获取土壤水分的方法,以得到兼具精度高和覆盖范围广(比如区域尺度)的土壤水分数据。
目前,常用的多源卫星数据处理方法有多项式拟合、卡尔曼滤波及集合卡尔曼等,但多项式拟合算法在样本点的增加的情况下,拟合次数越高,越会产生振荡现象,影响其拟合结果精度;卡尔曼滤波算法多适用于陆面同化***,但该方法对模型参数需求过多,如地面气温、湿度、气压和风速等气象数据,且在计算中需对模型算法进行线性化;集合卡尔曼滤波克服了卡尔曼滤波要求线性化模型算子的缺点,但它的最大问题是计算量较大,计算效率低。
因此,如何高效率地处理地基和星载GNSS-R数据,以获取连续分布且空间分辨率较高的土壤水分估算结果,是业界亟待解决的问题。
发明内容
本申请的目的在于提供一种基于星载和地基平台融合的GNSS-R数据土壤水分监测方法,以解决或缓解上述现有技术中存在的问题。
为了实现上述目的,本申请提供如下技术方案:
本申请提供了一种基于星载和地基平台融合的GNSS-R数据土壤水分监测方法,包括:
获取星载GNSS-R数据、光学遥感数据,并从美国板块边界观测PBO站点获取地基GNSS-R数据;
分别对所述星载GNSS-R数据、所述地基GNSS-R数据、所述光学遥感数据进行处理,对应得到第一土壤水分数据、第二土壤水分数据和第三土壤水分数据;
利用所述第一土壤水分数据、所述第二土壤水分数据和所述第三土壤水分数据对机器学习模型进行训练,并基于训练完成的所述机器学习模型获取土壤水分估算值。
优选地,对所述星载GNSS-R数据进行处理,得到第一土壤水分数据,包括:
根据所述星载GNSS-R数据和预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR;
分析所述地表反射率SR与预先获取的SMAP土壤水分数据之间的相关度,采用线性回归的方法,建立不同像元的土壤水分线性经验模型;
利用所述土壤水分线性经验模型计算所述第一土壤水分数据。
优选地,根据所述星载GNSS-R数据和预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR,具体为:
从所述星载GNSS-R数据中提取归一化双态散射截面参数,所述归一化双态散射截面参数用于表征星载GNSS-R信号在地表的反射情况;
利用地表高程数据DEM计算均方斜率,将所述均方斜率作为地表粗糙度参数MSS;
根据所述归一化双态散射截面参数和所述地表粗糙度参数MSS,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,对地表粗糙度和植被衰减进行校正,计算得到地表反射率SR。
优选地,对所述地基GNSS-R数据进行处理,得到第二土壤水分数据,包括:
对PBO站点获取的地基GNSS-R数据中的土壤水分数据进行反距离权重插值处理,以获取连续分布的所述第二土壤水分数据。
优选地,对所述光学遥感数据进行处理,得到第三土壤水分数据,包括:
对于所述光学遥感数据的任意像元,提取该像元的可见光通道数据DN值以及近红外通道数据DN值;
基于可见光通道数据DN值以及近红外通道数据DN值计算该像元相应的改进型调整植被指数;
利用所述改进型调整植被指数,计算温度植被干旱指数,并将所述温度植被干旱指数作为所述第三土壤水分数据,用于表征所述光学遥感数据中的土壤水分状况。
优选地,所述改进型调整植被指数的计算公式如下:
式中,MSAVI表示改进型调整植被指数,DN band1 表示可见光通道数据DN值,DN band2表示近红外通道数据DN值。
优选地,所述光学遥感数据为MODIS卫星获取的MOD09Q1数据。
优选地,利用所述第一土壤水分数据、所述第二土壤水分数据和所述第三土壤水分数据对机器学习模型进行训练,具体为:
将所述第一土壤水分数据、所述第二土壤水分数据和所述第三土壤水分数据作为所述机器学习模型的输入层,以预先获取的SMAP土壤水分数据作为标签数据,对所述机器学习模型进行迭代训练,直至所述机器学习模型的预测误差符合预设误差阈值或者迭代次数达到预设次数阈值,终止训练并输出模型参数,以得到训练完成的所述机器学习模型。
优选地,所述机器学习模型为BP神经网络模型。
有益效果:
本申请实施例提供一种基于星载和地基平台融合的GNSS-R数据土壤水分监测方法,首先获取星载GNSS-R数据、光学遥感数据,并从美国板块边界观测PBO获取地基GNSS-R数据;对星载GNSS-R数据、地基GNSS-R数据、光学遥感数据进行分别处理,对应得到第一土壤水分数据、第二土壤水分数据和第三土壤水分数据;利用第一土壤水分数据、第二土壤水分数据和第三土壤水分数据对机器学***台GNSS-R各自优点,通过较低的成本获取到空间连续分布且空间分辨率较高的土壤水分估算结果,实现高精度、大范围的土壤水分监测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。其中:
图1为根据本申请的一些实施例提供的基于星载和地基平台融合的GNSS-R数据土壤水分监测方法的流程示意图;
图2为根据本申请的一些实施例提供的PBO站点估算的土壤水分与SMAP土壤水分数据拟合结果示意图;
图3为根据本申请的一些实施例提供的星载GNSS-R的SNR数据与SMAP土壤水分数据拟合结果示意图;
图4为根据本申请的一些实施例提供的BP神经网络结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上,本领域的技术人员将清楚,在不脱离本申请的范围或精神的情况下,可在本申请中进行修改和变型。例如,示为或描述为一个实施例的一部分的特征可用于另一个实施例,以产生又一个实施例。因此,所期望的是,本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在以下描述中,所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
本申请实施例旨在利用融合不同平台的GNSS-R数据,即地基和星载平台,辅以其他的连续成像的光学遥感数据,利用地基GNSS-R的测量数据实现的高精度的土壤水分估算,以获取更连续分布且空间分辨率较高的土壤水分估算结果。
为此,本申请实施例提供一种基于星载和地基平台融合的GNSS-R数据土壤水分监测方法,如图1~图4所示,该方法包括:
步骤S101、获取星载GNSS-R数据、光学遥感数据,并从美国板块边界观测PBO站点获取地基GNSS-R数据。
由于星载GNSS-R数据和地基GNSS-R数据均为点状数据,只包含离散的点位置和其对应的反射率信息,为生成机器学***台上的光学传感器采集的数据,比如Landsat数据、MODIS数据。
优选地,光学遥感数据为MODIS卫星获取的MOD09Q1数据,该数据是MODIS传感器在地表反射率数据方面的产品之一,由MODIS传感器在每天观测到的多个波段上进行数据收集,包括红外波段和可见光波段,并进行了大气校正和亮温转换,以获取地表反射率信息,其空间分辨率为1km。
本实施例中,通过部署在卫星上的信号接收器获取大范围地表的反射信号数据,即星载GNSS-R数据。星载GNSS-R数据的覆盖范围更广,可以涵盖较大的地理区域,能够为土壤水分估算提供全球视角的数据,因此可以提供广域(区域尺度)的土壤水分估算。
为了更好的将GNSS-R遥感数据与光学遥感数据进行融合,地基GNSS站点数据的采集不仅仅要与星载遥感数据同步,也需考虑地形、植被变化存在显著的空间差异,同时考虑不同的气候及地表覆盖类型的实测数据。此外,为了更好实现高精度的建模,还需要保证地基GNSS站点满足一定的数量规模要求。本实施例中,地基GNSS-R数据是从美国板块边界观测PBO(Plate Boundary Observatory)站点获取的。PBO是一个由美国地质调查局(USGS)和国家科学基金会(NSF)资助的项目,旨在监测和研究北美板块边界的地质活动,为此,PBO项目在美国西北部地区以较为密集的空间分布部署了大量地基GPS站点,其覆盖了北美板块边界的重要地震带和构造断裂带,这些PBO站点能够获取高精度的地基GPSSNR(Signal-to-Noise Ratio)遥感数据,并且由于其空间覆盖范围较大、站点数据较多,能够充分代表地形、植被的空间差异,本申请实施例以该数据作为机器学习模型的训练数据之一,能够使机器学习模型学习到不同气候及地表覆盖类型的特征表达,提高模型的预测精度和泛化能力。
由于PBO站点获取的地基GNSS-R数据为点状数据,需要将其插值成面状数据,以获得研究区空间连续的土壤水分数据。为此,一些实施例中,对地基GNSS-R数据进行处理,得到第二土壤水分数据,包括:对PBO站点获取的地基GNSS-R数据中的土壤水分数据进行反距离权重插值处理,以获取连续分布的第二土壤水分数据。
考虑到PBO站点在板块边界的重要地震带和构造断裂带分布密集、空间分布不均匀的特点,本实施例中,采用反距离权重插值方法,将点状分布的SNR遥感数据插值成空间连续的地基GNSS-R土壤水分数据集,即第二土壤水分数据。其中,反距离权重插值是通过计算估计点与已知数据点之间的距离,将每个已知数据点的值按照其与估计点之间的距离的倒数进行加权求和,然后将加权和作为估计点的插值结果。由于反距离权重插值更加关注附近的数据点,即对靠近估计点的数据点赋予较大的权重,对远离估计点的数据点权重较小,因此在存在数据点密度变化或不均匀分布的情况下,仍然可以提供较好的插值结果。
步骤S102、分别对星载GNSS-R数据、地基GNSS-R数据、光学遥感数据进行处理,对应得到第一土壤水分数据、第二土壤水分数据和第三土壤水分数据。
步骤S102旨在对所获取的各个来源的数据进行处理以生成对应的土壤水分数据集,具体来说,分别对星载GNSS-R数据、地基GNSS-R数据、光学遥感数据进行相应的处理,对应得到星载GNSS-R土壤水分数据集(第一土壤水分数据)、地基GNSS-R土壤水分数据集(第二土壤水分数据)和光学遥感土壤水分数据集(第三土壤水分数据),为机器学习模型的训练奠定基础。
为了将星载GNSS-R所获取的地表反射信号转换为第一土壤水分数据,一些实施例中,对星载GNSS-R数据进行处理,得到第一土壤水分数据,包括:根据星载GNSS-R数据和预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR;分析地表反射率SR与预先获取的SMAP(Soil Moisture Active Passive)土壤水分数据之间的相关度,采用线性回归的方法,建立不同像元的土壤水分线性经验模型;利用土壤水分线性经验模型计算第一土壤水分数据。
从星载GNSS-R数据解算地表反射率SR的过程中,不同的解算参数,得到的地表反射率精度不同,为此,一些实施例中,根据星载GNSS-R数据和预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR,具体为:从星载GNSS-R数据中提取归一化双态散射截面参数(NBRCS),归一化双态散射截面参数用于表征星载GNSS-R信号在地表的反射情况;利用地表高程数据DEM计算均方斜率,将均方斜率作为地表粗糙度参数MSS;根据归一化双态散射截面参数和地表粗糙度参数MSS,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,对地表粗糙度和植被衰减进行校正,计算得到地表反射率SR。
传统的地表反射率解算中,通常直接使用预先获取的SMAP数据提供的地表粗糙度代入公式计算地表反射率,然而,SMAP与GNSS-R属于不同的卫星平台,二者获取的数据在空间分辨率和时间分辨率上并不匹配,因此,在使用SMAP数据提供的地表粗糙度校正星载GNSS-R数据的地表反射率之前,需要对其进行尺度对齐,导致校正后的星载GNSS-R数据的地表反射率精度不足。
本申请实施例提供的方法突破以往技术的限制,基于在GNSS-R观测中,地表反射率应该被视为一个均方斜率,因此,利用地表高程数据,即DEM数据,计算均方斜率,从而得到地表粗糙度MSS。由于DEM数据具有高精度、高分辨率、易于获取的特点,其计算结果能够与星载GNSS-R数据在空间分辨率、时间分辨率上更好地适配,从而提高后续步骤的处理精度。
需要说明的是,传统的地表反射率基于地表反射是相干反射的假设进行计算,然而,实际应用中地表在多数情况下并不是相干反射,而是非相干反射,为此,本实施例用从星载GNSS-R数据中提取的归一化双态散射截面参数来表征星载GNSS-R卫星信号在地表的非相干反射特性,并基于菲涅尔反射方程和星载GNSS-R数据在地表的传输过程,根据地表粗糙度和植被光学厚度数据对NBRCS参数校正,以解算地表反射率SR,由此,提高解算得到的地表反射率SR的精度。
基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,对地表粗糙度和植被衰减进行校正,解算地表反射率SR,具体表达式为:
………………(1)
式中,SR为地表反射率,P r 模拟延迟波形的峰值减去噪声;R ts 是发射器到镜面反射点SP的距离,R sr 是接收器到镜面反射点SP的距离,P t 是发射的GPS信号的峰值功率,θ是入射角,G t G r 分别是发射器天线和接收器天线的增益,τ是植被光学厚度VOD,h是地表粗糙度参数MSS。
不同的地表特征和材料对不同波长的光线有不同的反射能力,比如土壤的反射率受其成分和含水量的影响,裸露的干燥土壤在可见光波段中通常具有较高的地表反射率,约为10%至30%之间,而湿润的土壤在可见光波段中的地表反射率较低,通常在5%以下,因此可以利用星载GNSS-R的地表反射率来估算土壤水分,本实施例中,首先根据星载GNSS-R数据,结合预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR,然后分析星载GNSS-R解算得到的地表反射率SR与SMAP土壤水分数据之间的相关度,进而建立土壤水分线性经验模型,进而计算星载GNSS-R相应的第一土壤水分数据。
本实施例中,SMAP土壤水分数据用于拟合土壤水分线性经验模型的参数。其中,SMAP是NASA提供的卫星平台,通过搭载的主动和被动微波遥感仪器,能够提供全球每2-3天、空间分辨率为大约10公里的全球范围内的土壤水分观测数据。
在一个具体的示例中,土壤水分线性经验模型的表达式如下:
……………(2)
式中,SM GNSS-R 为所求的星载GNSS-R土壤水分,也就是第一土壤水分数据;SM SMAP 为SMAP土壤水分数据,a和b分别为斜率和截距,a和b的取值由线性拟合地表反射率SR和SMAP土壤水分确定。
一些实施例中,对光学遥感数据进行处理,得到第三土壤水分数据,包括:对于光学遥感数据的任意像元,提取该像元的可见光通道数据DN(Digital Number)值以及近红外通道数据DN值;基于可见光通道数据DN值以及近红外通道数据DN值计算该像元相应的改进型调整植被指数;利用改进型调整植被指数,计算温度植被干旱指数(TemperatureVegetation Dryness Index,TVDI),并将温度植被干旱指数作为第三土壤水分数据,用于表征光学遥感数据中的土壤水分状况。
需要说明的是,TVDI利用Ts-NDVI特征空间提出的水分胁迫指标,来反演陆面表层土壤水分的一种方法。其中,Ts表示地表温度(Land Surface Temperature,LST),Ts是表征地球表面能量平衡的良好指标,能够间接反映土壤水分状况。NDVI表示归一化植被指数,能够提供植被的生长状况信息及覆盖度信息。
研究表明,地表温度LST和植被指数,如NDVI之间呈显著的负相关关系。当土壤水分高时,土壤吸收的太阳能主要用于蒸发及蒸腾作用,土壤表层温度与植被冠层温度差异不明显,Ts与NDVI轴呈平行直线;当土壤水分较低时,土壤覆盖度小的表面迅速干燥,蒸发量小,吸收的太阳能主要用于土壤表面升温;土壤表面温度高时,植被根层吸收水分,维持在较高的蒸腾速率,且植被与周围空气的能量交换导致冠层温度较低,裸土与植被冠层温差较大,此时Ts-NDVI成较陡的线性关系,因此,将Ts-NDVI的直线斜率称为温度植被干旱指数TVDI,用于反映土壤水分状况。其传统的TDVI计算公式如下:
………………………(3)
式中,代表湿边,表征某一NDVI值对应的最低地表温度,/>代表干边,表征某一NDVI值对应的最高地表温度,/>代表任意像元的地表温度,a 1 b 1 a 2 b 2 分别为湿边、干边拟合方程的系数。
从上面的计算公式可以看出,目前国内外利用遥感数据进行TVDI模型反演中,NDVI是使用最广泛的植被指数。然而,气温和降水的持续性和滞后性及植被覆盖度的影响可导致NDVI反演精度的降低;同时,当植被覆盖度较低时,NDVI对土壤背景的变化较为敏感。为了精确反演植被覆盖较少的地区土壤水分的变化,需利用消除了土壤背景影响的植被指数进行监测。为此,本实施例中,使用改进型调整植被指数MSAVI替代NDVI进行TVDI模型反演,以消除土壤背景对土壤水分反演的影响,更准确地反映地表土壤水分,从而提高植被覆盖较少地区的土壤水分反演精度。
具体地,对于光学遥感数据的任意像元,先提取该像元的可见光通道数据DN值以及近红外通道数据DN值,其中,DN值是指在遥感图像或数字图像中的像素值,在数字图像处理中,图像被离散化为像素矩阵,每个像素都有一个对应的数字值来表示其亮度或颜色,其对应的数值称为DN值。
然后,基于可见光通道数据DN值以及近红外通道数据DN值计算该像元相应的改进型调整植被指数,一个具体示例中,改进型调整植被指数的计算公式如下:
…(4)
式中,MSAVI表示改进型调整植被指数,DN band1 表示可见光通道数据DN值,DN band2表示近红外通道数据DN值。
接着,将MSAVI替代公式(3)中的NDVI,计算出TVDI,使用TVDI来反映土壤水分状况。
步骤S103、利用第一土壤水分数据、第二土壤水分数据和第三土壤水分数据对机器学习模型进行训练,并基于训练完成的机器学习模型获取土壤水分估算值。
在获取地基GNSS-R土壤水分数据集、星载GNSS-R土壤水分数据集和光学遥感土壤水分数据集之后,需要联合所获取的三种来源的土壤水分数据来估算未知位置或时间点的土壤水分,传统的方法包括多项式拟合、卡尔曼滤波或者集合卡尔曼法,然而,这些方法均存在一定的不足。本实施例中,采用机器学习的方法构建土壤水分估算模型,其中,机器学习模型可以是任意结构的神经网络模型,本实施例对此不作限定。
优选地,机器学习模型为BP神经网络模型。BP神经网络神经元网络算法具有极强的自组织性、非线性模拟的优点,非常适合解决非线性的复杂问题。该算法无需先验知识,通过学习信号的前向传播和误差的反向传播来不断的调整映射关系的权重,将误差减小到阈值范围内。在前向传播过程中,该算法进行从输入经隐含层到输出层的前向进行;反向传播时,计算从输出经隐含层到输入层的方向进行,将误差分配给各层的所有单元,从而修正权值以及阈值。不断地重复以上两个过程,这就是网络的训练过程,此过程一直进行到网络输出的误差减小到可接受的程度或进行到预先设定好的学习次数为止。
一些实施例中,利用第一土壤水分数据、第二土壤水分数据和第三土壤水分数据对机器学习模型进行训练,具体为:将第一土壤水分数据、第二土壤水分数据和第三土壤水分数据作为机器学习模型的输入层,以预先获取的相同时期的SMAP土壤水分数据作为标签数据,对机器学习模型进行迭代训练,直至机器学习模型的预测误差符合预设误差阈值或者迭代次数达到预设次数阈值,终止训练并输出模型参数,以得到训练完成的机器学习模型。
本申请实施例采用BP神经网络算法对多源遥感数据进行融合,输入层为三个相对独立的土壤水分数据集,即第一土壤水分数据、第二土壤水分数据和第三土壤水分数据,中间设置若干隐含层进行特征提取,利用预先获取的SMAP土壤水分数据完成网络训练,输出层为土壤水分的估算数据。该算法对多源卫星遥感数据集进行优化整合,通过网络的不断训练过程,得到误差在阈值范围内的数据融合模型。该融合方法将不同数据集的优势互补,因此得到的结果具备多源遥感数据的优势,从而更精确的对土壤水分进行预测。
一个具体示例中,本实施例提供的方法分为三个步骤:
(1)分别获取星载GNSS-R卫星数据、光学MODIS数据及地基GPS SNR数据,分别处理得到星载和地基GNSS-R的土壤水分数据;同时,对于MODIS数据,获取相对的植被指数和地表温度数据,计算TVDI值。
(2)辅以同时期的SMAP土壤水分数据产品,分别对三个数据集进行精度评级,并采用线性拟合的方式得到三个数据集的土壤水分数据。
(3)建立研究区的BP神经网络模型,并应用该模型估算研究区地区的土壤水分分布,利用同时期的SMAP土壤水分卫星产品对土壤水分反演结果进行验证。
综上所述,本申请实施例提供的方法能够对不同手段的GNSS-R数据进行拟合,既考虑了星载GNSS-R可获取区域尺度土壤水分的优势,又考虑了地基GNSS-R精度高的优点,同时充分利用GNSS-R数据工作于L波段对土壤水分高度敏感的优势,进而获取高精度的土壤水分估算结果。
本申请实施例提供的方法利用机器学习方法对星载和地基不同来源的GNSS-R数据进行融合,为提高机器学习模型的精度和泛化性能,考虑到PBO站点覆盖范围广、代表性强、站点数量多的特点,从PBO站点获取地基GNSS-R数据,经过数据处理后得到高精度的地基GNSS-R土壤水分数据集,结合星载GNSS-R信号提供的全球范围的星载GNSS-R土壤水分数据集,同时,该方法使用光学遥感土壤水分数据集作为辅助数据集,以避免PBO站点或星载GNSS-R信号观测点的未覆盖的部分地区特征表达较弱的问题,提高了土壤水分估算精度。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于星载和地基平台融合的GNSS-R数据土壤水分监测方法,其特征在于,包括:
获取星载GNSS-R数据、光学遥感数据,并从美国板块边界观测PBO站点获取地基GNSS-R数据;
分别对所述星载GNSS-R数据、所述地基GNSS-R数据、所述光学遥感数据进行处理,对应得到第一土壤水分数据、第二土壤水分数据和第三土壤水分数据;
利用所述第一土壤水分数据、所述第二土壤水分数据和所述第三土壤水分数据对机器学习模型进行训练,并基于训练完成的所述机器学习模型获取土壤水分估算值。
2.根据权利要求1所述的方法,其特征在于,对所述星载GNSS-R数据进行处理,得到第一土壤水分数据,包括:
根据所述星载GNSS-R数据和预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR;
分析所述地表反射率SR与预先获取的SMAP土壤水分数据之间的相关度,采用线性回归的方法,建立不同像元的土壤水分线性经验模型;
利用所述土壤水分线性经验模型计算所述第一土壤水分数据。
3.根据权利要求2所述的方法,其特征在于,根据所述星载GNSS-R数据和预先获取的地表高程数据DEM,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,解算地表反射率SR,具体为:
从所述星载GNSS-R数据中提取归一化双态散射截面参数,所述归一化双态散射截面参数用于表征星载GNSS-R信号在地表的反射情况;
利用地表高程数据DEM计算均方斜率,将所述均方斜率作为地表粗糙度参数MSS;
根据所述归一化双态散射截面参数和所述地表粗糙度参数MSS,基于菲涅尔反射公式和星载GNSS-R数据在地表的传输过程,对地表粗糙度和植被衰减进行校正,计算得到地表反射率SR。
4.根据权利要求1所述的方法,其特征在于,对所述地基GNSS-R数据进行处理,得到第二土壤水分数据,包括:
对PBO站点获取的地基GNSS-R数据中的土壤水分数据进行反距离权重插值处理,以获取连续分布的所述第二土壤水分数据。
5.根据权利要求1所述的方法,其特征在于,对所述光学遥感数据进行处理,得到第三土壤水分数据,包括:
对于所述光学遥感数据的任意像元,提取该像元的可见光通道数据DN值以及近红外通道数据DN值;
基于可见光通道数据DN值以及近红外通道数据DN值计算该像元相应的改进型调整植被指数;
利用所述改进型调整植被指数,计算温度植被干旱指数,并将所述温度植被干旱指数作为所述第三土壤水分数据,用于表征所述光学遥感数据中的土壤水分状况。
6.根据权利要求5所述的方法,其特征在于,所述改进型调整植被指数的计算公式如下:
式中,MSAVI表示改进型调整植被指数,DN band1 表示可见光通道数据DN值,DN band2表示近红外通道数据DN值。
7.根据权利要求5或6所述的方法,其特征在于,所述光学遥感数据为MODIS卫星获取的MOD09Q1数据。
8.根据权利要求1所述的方法,其特征在于,利用所述第一土壤水分数据、所述第二土壤水分数据和所述第三土壤水分数据对机器学习模型进行训练,具体为:
将所述第一土壤水分数据、所述第二土壤水分数据和所述第三土壤水分数据作为所述机器学习模型的输入层,以预先获取的SMAP土壤水分数据作为标签数据,对所述机器学习模型进行迭代训练,直至所述机器学习模型的预测误差符合预设误差阈值或者迭代次数达到预设次数阈值,终止训练并输出模型参数,以得到训练完成的所述机器学习模型。
9.根据权利要求1所述的方法,其特征在于,所述机器学习模型为BP神经网络模型。
CN202310797258.8A 2023-07-03 2023-07-03 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 Active CN116519913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310797258.8A CN116519913B (zh) 2023-07-03 2023-07-03 基于星载和地基平台融合的gnss-r数据土壤水分监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310797258.8A CN116519913B (zh) 2023-07-03 2023-07-03 基于星载和地基平台融合的gnss-r数据土壤水分监测方法

Publications (2)

Publication Number Publication Date
CN116519913A CN116519913A (zh) 2023-08-01
CN116519913B true CN116519913B (zh) 2023-09-08

Family

ID=87390626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310797258.8A Active CN116519913B (zh) 2023-07-03 2023-07-03 基于星载和地基平台融合的gnss-r数据土壤水分监测方法

Country Status (1)

Country Link
CN (1) CN116519913B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076819B (zh) * 2023-08-14 2024-06-04 昆明理工大学 融合星载gnss-r和多源rs数据协同反演地表土壤水分和植被含水量的方法
CN117787110B (zh) * 2024-02-26 2024-05-17 山东建筑大学 基于深度学习模型的土壤水分反演方法及***
CN117852417B (zh) * 2024-03-07 2024-06-07 环天智慧科技股份有限公司 一种基于降尺度的土壤墒情遥感计算方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201754150U (zh) * 2010-06-07 2011-03-02 大连海事大学 一种微波遥感土壤水分监测***
CN105321120A (zh) * 2014-06-30 2016-02-10 中国农业科学院农业资源与农业区划研究所 同化蒸散发和叶面积指数的区域土壤水分监测方法
CN106125106A (zh) * 2016-08-10 2016-11-16 清华大学 基于地基北斗/gps双模测站测量土壤湿度的方法
KR102034994B1 (ko) * 2019-06-19 2019-10-21 세종대학교산학협력단 Gps 반사파 신호를 이용한 토양 수분량 산출 방법 및 장치
CN110672640A (zh) * 2019-11-13 2020-01-10 武汉大学 一种植被覆盖区域的土壤湿度估计方法及装置
CN112488008A (zh) * 2020-12-04 2021-03-12 中国科学院地理科学与资源研究所 一种基于多源遥感数据融合的土壤水分测量方法及装置
CN114049570A (zh) * 2022-01-13 2022-02-15 山东大学 基于神经网络的星载遥感水汽空间反演方法及***
CN114371182A (zh) * 2022-03-22 2022-04-19 中国科学院地理科学与资源研究所 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法
CN114894819A (zh) * 2022-05-07 2022-08-12 中国石油大学(华东) 一种星载gnss-r土壤湿度反演方法
CN116029162A (zh) * 2023-03-29 2023-04-28 中国科学院地理科学与资源研究所 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和***
CN116304541A (zh) * 2023-05-25 2023-06-23 山东大学 一种基于多源地球物理参数的火山爆发分析方法及***
CN116298206A (zh) * 2023-03-22 2023-06-23 济南大学 Gnss-r与辐射计融合的土壤湿度反演方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337554A (zh) * 2020-03-13 2020-06-26 山东航向电子科技有限公司 多模式兼容gnss-r土壤湿度微波遥感装置及其使用方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201754150U (zh) * 2010-06-07 2011-03-02 大连海事大学 一种微波遥感土壤水分监测***
CN105321120A (zh) * 2014-06-30 2016-02-10 中国农业科学院农业资源与农业区划研究所 同化蒸散发和叶面积指数的区域土壤水分监测方法
CN106125106A (zh) * 2016-08-10 2016-11-16 清华大学 基于地基北斗/gps双模测站测量土壤湿度的方法
KR102034994B1 (ko) * 2019-06-19 2019-10-21 세종대학교산학협력단 Gps 반사파 신호를 이용한 토양 수분량 산출 방법 및 장치
CN110672640A (zh) * 2019-11-13 2020-01-10 武汉大学 一种植被覆盖区域的土壤湿度估计方法及装置
CN112488008A (zh) * 2020-12-04 2021-03-12 中国科学院地理科学与资源研究所 一种基于多源遥感数据融合的土壤水分测量方法及装置
CN114049570A (zh) * 2022-01-13 2022-02-15 山东大学 基于神经网络的星载遥感水汽空间反演方法及***
CN114371182A (zh) * 2022-03-22 2022-04-19 中国科学院地理科学与资源研究所 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法
CN114894819A (zh) * 2022-05-07 2022-08-12 中国石油大学(华东) 一种星载gnss-r土壤湿度反演方法
CN116298206A (zh) * 2023-03-22 2023-06-23 济南大学 Gnss-r与辐射计融合的土壤湿度反演方法及***
CN116029162A (zh) * 2023-03-29 2023-04-28 中国科学院地理科学与资源研究所 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和***
CN116304541A (zh) * 2023-05-25 2023-06-23 山东大学 一种基于多源地球物理参数的火山爆发分析方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种融合天地基多源数据的电离层反演方法;欧明 等;电波科学学报;第31卷(第4期);第713-719页 *

Also Published As

Publication number Publication date
CN116519913A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116519913B (zh) 基于星载和地基平台融合的gnss-r数据土壤水分监测方法
CN102539336B (zh) 基于环境一号卫星的可吸入颗粒物估算方法及***
Montzka et al. Brightness temperature and soil moisture validation at different scales during the SMOS validation campaign in the Rur and Erft catchments, Germany
CN102540166B (zh) 一种基于优化算法的高光谱传感器交叉辐射定标方法
CN114371182B (zh) 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法
CN109709558B (zh) 一种星载微波遥感陆地上空pwv的物理反演方法
CN104406686B (zh) 复杂地形条件下太阳短波入射辐射估算方法
CN114076738A (zh) 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
Benevides et al. 4D wet refractivity estimation in the atmosphere using GNSS tomography initialized by radiosonde and AIRS measurements: results from a 1-week intensive campaign
CN113408111B (zh) 大气可降水量反演方法及***、电子设备和存储介质
CN114564767A (zh) 一种基于太阳-云-卫星观测几何的云下地表温度估算方法
Zhao et al. An optimal tropospheric tomography approach with the support of an auxiliary area
Ma et al. An improved MODIS NIR PWV retrieval algorithm based on an artificial neural network considering the land-cover types
Zhang et al. A new method for tropospheric tomography using GNSS and Fengyun-4A data
Guo et al. Soil moisture retrieval using BuFeng-1 A/B based on land surface clustering algorithm
CN114880883B (zh) 山地地表土壤水分遥感估算方法、装置及电子设备
CN115099159B (zh) 基于神经网络且顾及地表差异的modis水汽反演方法
Elgered et al. Monitoring of the neutral atmosphere
Li Production of Regional 1 km× 1 km Water Vapor Fields through the Integration of GPS and MODIS Data
Bock et al. GPS water vapor project associated to the ESCOMPTE programme: description and first results of the field experiment
Zhou et al. Land surface albedo estimation with Chinese GF-1 WFV data in Northwest China
Masabi et al. Evaluation the efficiency of a parametric model based on MODIS data for solar radiation estimation in comparison with some empirical models
CN115525854B (zh) 一种静止气象卫星的水汽总量与分层水汽产品的生产方法
Zhu et al. Coupling SMAP brightness temperature into SWAT hydrological model for 30-m resolution soil moisture retrievals
Jieying et al. Quality verification and analysis of feng yun satellite microwave payload products based on GNSS occultation data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant