CN105116399B - 一种针对超宽带雷达回波的土壤湿度反演方法 - Google Patents

一种针对超宽带雷达回波的土壤湿度反演方法 Download PDF

Info

Publication number
CN105116399B
CN105116399B CN201510536304.4A CN201510536304A CN105116399B CN 105116399 B CN105116399 B CN 105116399B CN 201510536304 A CN201510536304 A CN 201510536304A CN 105116399 B CN105116399 B CN 105116399B
Authority
CN
China
Prior art keywords
mrow
msup
msub
msubsup
mover
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.)
Expired - Fee Related
Application number
CN201510536304.4A
Other languages
English (en)
Other versions
CN105116399A (zh
Inventor
梁菁
朱方启
刘怀远
毛诚晨
胡耀月
霍扬扬
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201510536304.4A priority Critical patent/CN105116399B/zh
Publication of CN105116399A publication Critical patent/CN105116399A/zh
Application granted granted Critical
Publication of CN105116399B publication Critical patent/CN105116399B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于土壤湿度测量领域，涉及一种针对超宽带雷达回波的土壤湿度反演方法。该针对超宽带雷达回波的土壤湿度反演方法，利用了超宽带雷达短脉冲、穿透性强、抗干扰的特点获得近实时的回波数据；利用了模糊逻辑系统对回波数据进行学习提取其隶属函数的特征参数；并通过对隶属函数进行模板匹配的方式反演土壤体积含水量。本发明提供的方法可准确，快速，无人值守长时间监测土壤湿度变化情况，其低成本适合大编辑普及和组成雷达传感网对大面积土壤湿度进行实时监测，为精准农业的实现提供了一个可靠的途径。

Description

一种针对超宽带雷达回波的土壤湿度反演方法
技术领域
本发明涉及一种基于模糊逻辑的土壤湿度的反演方法，作用于超宽带雷达获得的回波信号上，属于超宽带雷达信号反演领域。
背景技术
土壤湿度是土壤环境中一种关键的并且高度变化的参量，被诸如精准农业，水文学、地理地质等相关领域所广泛研究。对土壤湿度特性在不同空时尺度上的准确描述具有重要意义。当前基于微波频段和大型探地雷达的土壤湿度反演，主要针对大尺度范围内的湿度监测，其分辨率较低，且对于普通农户而言，获得这样的数据成本太高，不利于精准农业的大面积推广。因此，一种低成本，适应于高时空变化、小尺度范围内的土壤湿度变化的监测具有重要的实际意义和推广价值。另外，在传统农业中，主要通过人工测量的方式进行检测，消耗大量人力和时间，并会对环境造成一定影响，无法满足精准农业对数据精准性和实时性的严格要求。设计一种无人值守的土壤湿度监测手段能够较好地解决这一问题。
超宽带雷达技术的出现和推广为解决这一问题提供了一种可靠的途径。超宽带雷达是指雷达发射信号的分数带宽大于0.25的雷达。超宽带雷达利用了其分辨率高、对地表和树叶具有较强的穿透能力、功耗低、抗干扰强等特点，通过电磁波与目标的相互作用，从回波中提取目标中的有用信息。其大带宽短脉冲的特点决定了其良好的实时性。此外，在超宽带雷达体制下，可以同时进行收发，可以相互组网，在保证局部小尺度范围内的时空分辨力的基础上实现大范围区域的监测。
当前对于超宽带雷达的研究和应用主要是对于室内室外信号传播和信道的建模，以及利用超宽带穿透性强、高分辨率和实时性好的特点进行检测、定位和成像。还没有基于超宽带信号对土壤进行信道建模和参数反演的报道。
发明内容
针对上述存在问题或不足，本发明提出了一种针对超宽带雷达回波的土壤湿度反演方法，包括了基于超宽带雷达对于土壤反射回波的收集和处理、基于时域反射仪对现场土壤湿度辅助定标和基于模糊逻辑的针对超宽带雷达回波的土壤湿度反演三部分。其中基于超宽带雷达对于土壤反射回波的收集和处理是整个后续数据的来源；基于时域反射仪对现场土壤湿度辅助测量收集是对数据的实时性、有效性和准确性的保证；基于模糊逻辑的针对超宽带雷达回波的土壤湿度反演是整个方法的核心。
该针对超宽带雷达回波的土壤湿度反演方法，具体包括如下步骤：
步骤1、对土壤反射回波的收集和处理：
(a).针对划定区域，选择参考点，在以参考点为圆心半径40cm为范围的区域用时域反射仪采用九点测量法进行体积含水量基准定标；其中根据土壤的坚硬程度，对时域反射仪选择以探针头为圆心、3cm为半径的圆柱的感知范围，并且在测量之前用清水对其测量基准点进行校准；
(b).采用单基站超宽带雷达传感器模块，配有一对全向型天线即一发一收的模式，对实验土壤进行测量；在测量时为了避免该模块固有的天线耦合效应的影响，搭建一个距离土壤表面80cm-100cm的支架，将单基站超宽带雷达传感器模块安装在支架上，其天线平行于地表进行测量；
(c).基于单基地超宽雷达模块相匹配有的信号采集与分析软件对实验土壤的时域回波数据进行收集，在每个实验土壤的采样点收集≥800组的时域回波数据；
(d).针对不同的土壤类型，选择指定的区域，先用时域反射仪测量该区域的体积含水量，作为数据基准使用；然后逐步加水调整土壤体积含水量，再用超宽带雷达模块对每个体积含水量值重复测量15-30次；
步骤2、一型模糊逻辑系统的设计，主要包括了对模糊器，规则及推理方法，和解模糊器的设计：
(a).模糊器设置在给定参数范围内，采用高斯型隶属函数刻画其不确定度的分布,表示为：
(b).模糊逻辑原理被用作将模糊IF-THEN规则合并为从模糊输入集到模糊输出集的映射；每一个规则都表示为一个模糊蕴含关系；对于一个的向量x＝[x1,x2,...,xp],其输出为y,则相应的基于Mamdani推理方法的模糊规则表示为：
THEN y is Gl l＝1,...,D-p (2)
对于单点一型模糊逻辑系统,上式等价于如下公式:
其中★表示t-norm运算符，选取乘法。
(c).解模糊的过程是针对推理器输出的模糊集产生了一个确定输出，这里采用height类型解模糊器，表示为：
步骤3、基于时序预测模型的后向传播算法：
将相同土壤类型相同体积含水量条件下的多条回波序列拼接成一条序列，划分为训练序列和测试序列，对于训练序列，采用一步预测策略，对于其中第l条规则，其解模糊器的输出为：
输出结果与需求输出之间的误差函数为：
对于其中的高斯隶属函数的均值和方差，采用最速下降法迭代至最优：
运算获得给定土壤条件和给定体积含水量下的均值矩阵；
步骤4、基于参数模板匹配的识别率对VWC进行正确识别验证：
(a).将相同土壤条件下测得的VWC组合一起；对于其中用TDR作为基准定标的数据作为模板单元格，后续的多组测量参数分为若干单元格。
通过增加不同的VWC值的数据来调整测试单元格的数量，且不少于10组；
(b).对于所有待测试的VWC单元格，与定标模板进行1-范数求和运算，将误差最小项判为相应类型；
(c).统计正确识别的个数，超过70％以上及表明为相应VWC正确识别。
本发明提供的基于模糊逻辑的针对超宽带雷达回波的土壤湿度反演方法,针对小尺度范围内高度变化的土壤湿度，利用了超宽带雷达短脉冲、穿透性强、抗干扰的特点获得近实时的回波数据。另外由于离地测量，避免了对土壤紧实度的破坏，数据更可靠精准。
本发明利用了模糊逻辑系统对回波数据进行学习提取其隶属函数的特征参数；并通过对隶属函数进行模板匹配的方式反演土壤体积含水量。而一型模糊逻辑系统的设计是整体框架，基于时序预测模型的后向传播算法是对数据划分和参数调整的关键，基于参数模板匹配的识别率是对土壤体积含水量VWC进行正确识别的验证。
综上所述，本发明具有成本低，实时性好的特点。由于超宽带雷达传感器可以组网，可以实现大面积、无人值守、全天候的湿度检测，在精准农业等应用领域具有推广价值。
附图说明
图1发射模板信号；
图2土壤反射回波(以VWC 12.5％为例)；
图3模糊逻辑系统框图；
图4参数模板识别示意图；
图5迭代收敛曲线(以VWC 12.5％为例)；
图6预测、实测对比图(以VWC 12.5％为例)。
具体实施方式
基于模糊逻辑的针对超宽带雷达回波的土壤湿度反演方法，主要包括以下内容：
1.试验仪器
本方法采用了Time Domain Corp.的PulsON P410-MRM单基地雷达模块和FieldScout TDR 300时域反射仪，后期数据处理软件为Mathworks公司的MATLAB R2015a和Windows Excel 2013。
2.试验步骤
2.1.模板生成：
(a)针对划定区域，选择参考点，在参考点附近30公分见方的区域用TDR 300时域反射仪进行九点测量法进行体积含水量基准定标。其中根据土壤的坚硬程度，对TDR 300要选择合适的探针长度，并且在测量之前用清水对其进行校准。
(b)利用P410-MRM模块，将其悬于支架上，离地80cm高度，计算相应的在土壤中的和空气中的传播时间(以TDR 300探针头在土壤的位置作为参考点)，并针对相应的传播时间段收集土壤回波数据。在生成的.csv文件中，用Excel 2013筛选出在raw模式下的雷达回波。附图2中示出了raw模式下VWC 12.5％的超宽带雷达土壤反射回波。
(c)针对不同的土壤类型，选择指定的区域，先用时域反射仪测量该区域的体积含水量，作为数据基准使用。然后逐步加水调整土壤体积含水量，再用超宽带雷达模块对每个体积含水量值重复测量20次。
(d)利用发明内容中一型模糊逻辑系统的设计，相应的模糊逻辑系统框图见附图3。基于时序预测模型的后向传播算法，设置为4个过去时刻值一步预测的模式，即[s(k-3),s(k-2),s(k-1),s(k)]预测s(k+1)。根据步骤3，设置初始centroid为0到训练序列的均值范围内产生的16×1的均匀分布的随机数。
(e)将800组时域回波数据划分为16组单元格，第一组为参考，后续15组为测试。参数模板单元格的划分如附图4所示根据雷达回波的均值和方差分别设置相应的规则以及高斯隶属函数的参数初始值，当RMSE收敛曲线向下收敛到给定门限时，程序结束，如附图5所示。对应的预测曲线和实测曲线如附图6所示，可见预测算法的曲线走势与实测数据基本吻合。然后计算出多次迭代后高斯隶属函数的参数值，保存为模板。
(f)用后续15组的模板与参考模板采用步骤4中的算法计算识别率，保留其中识别率70％以上的VWC作为模板库数据使用并测量多种土壤环境下不同体积含水量的数据，生成模板库。
2.2参数反演：
(a)对于新的土样，重复2.1中模板生成第(a)-(e)步的方法计算出隶属函数的参数值
(b)根据步骤4中基于参数模板匹配的识别率是对土壤体积含水量(VWC)进行正确识别验证，用测试的15组与模板库中的参考模板进行比对，选取其在模板库中识别率最高的作为正确识别的体积含水量。

Claims (3)

1.一种针对超宽带雷达回波的土壤湿度反演方法，具体包括如下步骤：
步骤1、对土壤反射回波的收集和处理：
(a).针对划定区域，选择参考点，在以参考点为圆心半径40cm为范围的区域用时域反射仪采用九点测量法进行体积含水量基准定标；其中根据土壤的坚硬程度，对时域反射仪选择以探针头为圆心、3cm为半径的圆柱的感知范围，并且在测量之前用清水对其测量基准点进行校准；
(b).采用单基站超宽带雷达传感器模块，配有一对全向型天线即一发一收的模式，对实验土壤进行测量；
(c).基于单基地超宽雷达模块相匹配有的信号采集与分析软件对实验土壤的时域回波数据进行收集，在每个实验土壤的采样点收集≥800组的时域回波数据；
(d).针对不同的土壤类型，选择指定的区域，先用时域反射仪测量该区域的体积含水量，作为数据基准使用；然后逐步加水调整土壤体积含水量，再用超宽带雷达模块对每个体积含水量值重复测量15-30次；
步骤2、一型模糊逻辑系统的设计，主要包括了对模糊器，规则及推理方法，和解模糊器的设计：
(a).模糊器设置在给定参数范围内，采用高斯型隶属函数刻画其不确定度的分布,表示为：
<mrow> <msub> <mi>&amp;mu;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
(b).模糊逻辑原理被用作将模糊IF-THEN规则合并为从模糊输入集到模糊输出集的映射；每一个规则都表示为一个模糊蕴含关系；对于一个的向量x＝[x1,x2,...,xp],其输出为y,则相应的基于Mamdani推理方法的模糊规则表示为：
<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>R</mi> <mi>l</mi> </msup> <mo>:</mo> <mi>I</mi> <mi>F</mi> <mi> </mi> <msub> <mi>x</mi> <mn>1</mn> </msub> <mi>i</mi> <mi>s</mi> <mi> </mi> <msubsup> <mi>F</mi> <mn>1</mn> <mi>l</mi> </msubsup> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mi> </mi> <msub> <mi>x</mi> <mn>2</mn> </msub> <mi>i</mi> <mi>s</mi> <mi> </mi> <msubsup> <mi>F</mi> <mn>2</mn> <mi>l</mi> </msubsup> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mo>...</mo> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mi> </mi> <msub> <mi>x</mi> <mi>p</mi> </msub> <mi>i</mi> <mi>s</mi> <mi> </mi> <msubsup> <mi>F</mi> <mi>p</mi> <mi>l</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>T</mi> <mi>H</mi> <mi>E</mi> <mi>N</mi> <mi> </mi> <mi>y</mi> <mi> </mi> <mi>i</mi> <mi>s</mi> <mi> </mi> <msup> <mi>G</mi> <mi>l</mi> </msup> <mo>,</mo> <mi>l</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>D</mi> <mo>-</mo> <mi>p</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
对于单点一型模糊逻辑系统,上式等价于如下公式:
其中★表示t-norm运算符，选取乘法；
(c).解模糊的过程是针对推理器输出的模糊集产生了一个确定输出，这里采用了height-解模糊器，表示为：
<mrow> <msub> <mi>y</mi> <mi>h</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <msub> <mi>&amp;mu;</mi> <msup> <mi>B</mi> <mi>l</mi> </msup> </msub> <mrow> <mo>(</mo> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <mo>)</mo> </mrow> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <msub> <mi>&amp;mu;</mi> <msup> <mi>B</mi> <mi>l</mi> </msup> </msub> <mrow> <mo>(</mo> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
步骤3、基于时序预测模型的后向传播算法：
将相同土壤类型相同体积含水量条件下的多条回波序列拼接成一条序列，划分为训练序列和测试序列，对于训练序列，采用一步预测策略，对于其中第l条规则，其解模糊器的输出为：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>y</mi> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <msub> <mi>&amp;phi;</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </msubsup> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mo>)</mo> </mrow> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </msubsup> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>N</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
输出结果与需求输出之间的误差函数为：
<mrow> <msup> <mi>e</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>N</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
对于其中的高斯隶属函数的均值和方差，采用最速下降法迭代至最优：
<mrow> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;alpha;</mi> <mi>m</mi> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>&amp;rsqb;</mo> <mo>&amp;lsqb;</mo> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <mo>-</mo> <msub> <mi>f</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>&amp;times;</mo> <mfrac> <mrow> <mo>&amp;lsqb;</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <msup> <msub> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <msub> <mi>&amp;phi;</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;alpha;</mi> <mi>&amp;sigma;</mi> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>&amp;rsqb;</mo> <msub> <mi>&amp;phi;</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;alpha;</mi> <mi>&amp;sigma;</mi> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>&amp;rsqb;</mo> <mo>&amp;lsqb;</mo> <msup> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>l</mi> </msup> <mo>-</mo> <msub> <mi>f</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>&amp;times;</mo> <mfrac> <mrow> <mo>&amp;lsqb;</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <msub> <mi>m</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <msup> <msub> <mi>&amp;sigma;</mi> <msubsup> <mi>F</mi> <mi>k</mi> <mi>l</mi> </msubsup> </msub> <mn>3</mn> </msup> </mrow> </mfrac> <msub> <mi>&amp;phi;</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
运算获得给定土壤条件和给定体积含水量下的均值矩阵；
步骤4、基于参数模板匹配的识别率对VWC进行正确识别验证：
(a).将相同土壤条件下测得的VWC组合一起；对于其中用TDR作为基准定标的数据作为模板单元格，后续的多组测量参数分为若干单元格；
(b).对于所有待测试的VWC单元格，与定标模板进行1-范数求和运算，将误差最小项判为相应类型；
(c).统计正确识别的个数，超过70％以上及表明为相应VWC正确识别。
2.如权利要求1所述针对超宽带雷达回波的土壤湿度反演方法，其特征在于：所述步骤1(b)中测量时，将单基站超宽带雷达传感器模块安装在距离土壤表面80cm-100cm的支架上，其天线平行于地表进行测量。
3.如权利要求1所述针对超宽带雷达回波的土壤湿度反演方法，其特征在于：所述步骤4(a)中，通过增加不同的VWC值的数据来调整测试单元格的数量，且不少于10组。
CN201510536304.4A 2015-08-27 2015-08-27 一种针对超宽带雷达回波的土壤湿度反演方法 Expired - Fee Related CN105116399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510536304.4A CN105116399B (zh) 2015-08-27 2015-08-27 一种针对超宽带雷达回波的土壤湿度反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510536304.4A CN105116399B (zh) 2015-08-27 2015-08-27 一种针对超宽带雷达回波的土壤湿度反演方法

Publications (2)

Publication Number Publication Date
CN105116399A CN105116399A (zh) 2015-12-02
CN105116399B true CN105116399B (zh) 2018-05-18

Family

ID=54664432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510536304.4A Expired - Fee Related CN105116399B (zh) 2015-08-27 2015-08-27 一种针对超宽带雷达回波的土壤湿度反演方法

Country Status (1)

Country Link
CN (1) CN105116399B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106353752B (zh) * 2016-08-28 2018-08-14 电子科技大学 一种基于超宽带与非单点模糊逻辑的土壤含水量测量方法
CN106779067B (zh) * 2016-12-02 2019-04-05 清华大学 基于多源遥感数据的土壤湿度重建方法和系统
CN107273615B (zh) * 2017-06-15 2021-06-04 东华大学 一种基于机器学习的超宽带微波湿度检测方法
CN108694382B (zh) * 2018-05-14 2022-03-25 电子科技大学 一种基于超宽带雷达传感器的土壤pH分类方法
CN109031266B (zh) * 2018-08-13 2022-09-09 山东农业大学 一种土壤湿润体体积的估算方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010052530A1 (en) * 2008-11-05 2010-05-14 Ecoserv Remote Observation Centre Co. Ltd. Multi-polarization combined radar-radiometer system
CN102621163B (zh) * 2011-01-26 2014-03-12 中国科学院电子学研究所 用于探测土壤含水量在深度方向分布的雷达遥感方法
CN104062654B (zh) * 2014-07-17 2016-04-13 电子科技大学 一种基于超宽带雷达的土壤含水量测量方法

Also Published As

Publication number Publication date
CN105116399A (zh) 2015-12-02

Similar Documents

Publication Publication Date Title
CN105116399B (zh) 一种针对超宽带雷达回波的土壤湿度反演方法
Singh et al. Performance assessment of factory and field calibrations for electromagnetic sensors in a loam soil
CN105137498B (zh) 一种基于特征融合的地下目标探测识别系统及方法
Gill et al. Soil moisture prediction using support vector machines 1
CN105243435B (zh) 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN110689179A (zh) 基于时空序列混合模型的水华预测方法
CN110095760A (zh) 一种气象雷达的测试装置和方法
CN106646476A (zh) 一种液态云微物理参数的反演方法
CN107238826A (zh) 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法
CN101718775A (zh) 围垦地土壤中重金属含量的空间变异分布图生成方法
CN105353371B (zh) 基于ar谱扩展分形的海面雷达目标检测方法
CN108256546A (zh) 一种非降水条件下大气边界层高度探测方法和系统
CN115047531A (zh) 一种基于elm网络的瞬变电磁数据反演方法
Liang et al. Soil moisture retrieval from UWB sensor data by leveraging fuzzy logic
CN117787081A (zh) 一种基于Morris和Sobol法的水文模型参数不确定性分析方法
CN107064177A (zh) 基于自适应模糊推理的超宽带土壤信号含水量识别方法
CN105187139B (zh) 一种基于群智感知的室外无线信号接收强度地图构建方法
CN105954739A (zh) 一种知识辅助的非参量恒虚警检测方法
Chen et al. Fast transdimensional Bayesian transient electromagnetic imaging for urban underground space detection
AU2021105982A4 (en) Soil moisture inversion method based on deep learning
Li et al. Automatic identification of modal parameters for high arch dams based on SSI incorporating SSA and K-means algorithm
CN106353752B (zh) 一种基于超宽带与非单点模糊逻辑的土壤含水量测量方法
CN107861108A (zh) 一种基于功率谱盒维数的海上目标检测方法
CN103439276B (zh) 一种土壤水分含量的测量方法及传感器
Zhu et al. Soil moisture retrieval using fuzzy logic based on UWB signals

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180518

Termination date: 20200827