CN110389208A - 基于gnss-ir多波段融合土壤湿度监测方法及装置 - Google Patents
基于gnss-ir多波段融合土壤湿度监测方法及装置 Download PDFInfo
- Publication number
- CN110389208A CN110389208A CN201810344449.8A CN201810344449A CN110389208A CN 110389208 A CN110389208 A CN 110389208A CN 201810344449 A CN201810344449 A CN 201810344449A CN 110389208 A CN110389208 A CN 110389208A
- Authority
- CN
- China
- Prior art keywords
- data
- amplitude
- soil moisture
- spectrum
- snr
- 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.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 102
- 238000001228 spectrum Methods 0.000 title claims abstract description 70
- 230000004927 fusion Effects 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 19
- 238000012806 monitoring device Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009514 concussion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- Pathology (AREA)
- Radar, Positioning & Navigation (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geophysics And Detection Of Objects (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于GNSS‑IR多波段融合土壤湿度监测方法及装置,其中,方法包括:采集地基监测站的监测数据,并从监测数据中提取目标数据;根据目标数据得到满足预设条件的低仰角数据;根据低仰角数据将仰角正弦化,并对SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对SNR多径分量进行最小二乘拟合,以得到振幅值;对振幅值进行熵值法差分处理,以得到融合数据;根据振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据融合数据得到当前土壤湿度。该方法可以利用熵值法确定权重进行多波段融合,有效提高单波段反演土壤湿度的精度。
Description
技术领域
本发明涉及GNSS-R(Global Navigation Satellite System-Reflectometry,GNSS反射)信噪比反演土壤湿度技术领域,特别涉及一种基于GNSS-IR(Global NavigationSatellite System-Interference and Reflectometry,全球导航卫星系统反射信号干涉)多波段融合土壤湿度监测方法及装置。
背景技术
土壤湿度是农业环境监测的重要指标,是全球水文循环的基本组成部分,是描述陆面及大气能量交换的关键参数,准确观测大面积范围的土壤水分对农业、水文以及气象等领域意义重大。
目前,土壤湿度决定农作物供应状况,土壤湿度过低,光合作用不能正常运行,降低作物的产量和品质;严重缺水导致作物凋萎和死亡。土壤湿度过高,恶化土壤通气性,影响土壤微生物的活动,使作物根系的呼吸、生长等生命活动受到阻碍,从而影响作物地上部分的生长。此外还影响耕作措施及播种数量,并影响土壤温度的高低。
在相关技术中,测量手段(湿度计测量、烘焙法等)对被观测对象会造成一定程度的破坏,且测得的数据离散,并不能代替整个区域;而光学遥感的方法易受地形、地貌等因素的影响。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于GNSS-IR多波段融合土壤湿度监测方法,该方法可以利用熵值法确定权重进行多波段融合,有效提高单波段反演土壤湿度的精度。
本发明的另一个目的在于提出一种基于GNSS-IR多波段融合土壤湿度监测装置。
为达到上述目的,本发明一方面实施例提出了一种基于GNSS-IR多波段融合土壤湿度监测方法,包括以下步骤:采集地基监测站的监测数据,并从所述监测数据中提取目标数据,其中,所述目标数据包括每颗卫星的仰角、方位角、时间和SNR(SIGNAL-NOISE RATIO,信噪比)数据以及实测土壤湿度数据;根据所述目标数据得到满足预设条件的低仰角数据;根据所述低仰角数据将仰角正弦化,并对所述SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对所述SNR多径分量进行最小二乘拟合,以得到振幅值;对所述振幅值进行熵值法差分处理,以得到融合数据;根据所述振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据所述融合数据得到当前土壤湿度。
本发明实施例的基于GNSS-IR多波段融合土壤湿度监测方法,通过信噪比多径数据,获取的频谱分析结果,进而获得各波段振幅值,通过熵值法加权差分处理各波段振幅,得到融合后振幅和土壤湿度的相关关系来反演土壤湿度,从而有效提高单波段反演土壤湿度的精度。
另外,根据本发明上述实施例的基于GNSS-IR多波段融合土壤湿度监测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,上述方法还包括:根据拟合结果剔除所述SNR数据中不满足预设质量条件的信噪比数据。
进一步地,在本发明的一个实施例中,所述通过信号频谱分析获取主频率,并对所述SNR多径分量进行最小二乘拟合,以得到振幅值,进一步包括:通过Lomb-Scargle变换进行谱分析,以得到频率的谱;根据所述频率的谱得到等效天线高度的谱,并选取谱值最大的等效天线高度值作为等效天线高度的估计值,以通过最小二乘拟合求得所述振幅值。
进一步地,在本发明的一个实施例中,所述对所述振幅值进行熵值法差分处理,以得到融合数据,进一步包括:获取所述SNR数据的L1波段和L2波段的振幅指标值的比重;根据所述L1波段和L2波段的振幅指标值的比重得到指标信息熵,以得到信息熵冗余度;根据所述信息熵冗余度得到指标权重,以得到单指标评价得分。
进一步地,在本发明的一个实施例中,其中,
所述振幅指标值的比重表示为:
其中,X`ij为某颗卫星第i天第j项评价指标的数值,m为指标数;
所述指标信息熵表示为:
其中,K为k=1/ln(m);
所述信息熵冗余度表示为:
dj=1-ej,
其中,ej为指标信息熵;
所述指标权重表示为:
所述单指标评价得分表示为:
Sij=Wi×X`ij。
为达到上述目的,本发明另一方面实施例提出了一种基于GNSS-IR多波段融合土壤湿度监测装置,包括:采集模块,用于采集地基监测站的监测数据,并从所述监测数据中提取目标数据,其中,所述目标数据包括每颗卫星的仰角、方位角和SNR数据;获取模块,用于根据所述目标数据得到满足预设条件的低仰角数据;计算模块,用于根据所述低仰角数据将仰角正弦化,并对所述SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对所述SNR多径分量进行最小二乘拟合,以得到振幅值;第一处理模块,用于对所述振幅值进行差分处理,以得到融合数据;第二处理模块,根据所述振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据所述融合数据得到当前土壤湿度。
本发明实施例的基于GNSS-IR多波段融合土壤湿度监测装置,通过L1和L2波段信噪比数据,获取的频谱分析结果,进而获得各波段振幅值,通过熵值法加权差分处理各波段振幅,得到融合后振幅和土壤湿度的相关关系来反演土壤湿度,从而有效提高单波段反演土壤湿度的精度。
另外,根据本发明上述实施例的基于GNSS-IR多波段融合土壤湿度监测装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,上述装置还包括:剔除模块,用于根据拟合结果剔除所述SNR数据中不满足预设质量条件的信噪比数据。
进一步地,在本发明的一个实施例中,所述计算模块进一步用于通过Lomb-Scargle变换进行谱分析,以得到频率的谱,并根据所述频率的谱得到等效天线高度的谱,并选取谱值最大的等效天线高度值作为等效天线高度的估计值,以通过最小二乘拟合求得所述振幅值。
进一步地,在本发明的一个实施例中,所述第一处理模块进一步用于获取所述SNR数据的L1波段和L2波段的振幅指标值的比重,并根据所述L1波段和L2波段的振幅指标值的比重得到指标信息熵,以得到信息熵冗余度,以及根据所述信息熵冗余度得到指标权重,以得到单指标评价得分。
进一步地,在本发明的一个实施例中,其中,
所述振幅指标值的比重表示为:
其中,X`ij为某颗卫星第i天第j项评价指标的数值,m为指标数;
所述指标信息熵表示为:
其中,K为k=1/ln(m);
所述信息熵冗余度表示为:
dj=1-ej,
其中,ej为指标信息熵;
所述指标权重表示为:
所述单指标评价得分表示为:
Sij=Wi×X`ij。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于GNSS-IR多波段融合土壤湿度监测方法的流程图;
图2为根据本发明一个具体实施例的基于GNSS-IR多波段融合土壤湿度监测方法的流程图;
图3为根据本发明一个实施例的GNSS SNR干涉信号几何分解矢量图;
图4为根据本发明一个实施例的原始SNR时间序列的示意图;
图5为根据本发明一个实施例的SNR上升、下降段示意图;
图6为根据本发明一个实施例的L1上升段全高度角结果示意图;
图7为根据本发明一个实施例的L2上升段全高度角结果示意图;
图8为根据本发明一个实施例的L1和L2融合后振幅与归一化土壤湿度数据的示意图;
图9为根据本发明一个实施例的L1和L2融合前振幅与归一化土壤湿度数据的示意图;
图10为根据本发明一个实施例的基于GNSS-IR多波段融合土壤湿度监测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在介绍基于GNSS-IR多波段融合土壤湿度监测方法及装置之前,先简单介绍一下应用于土壤湿度监测的GNSS-R技术。
微波遥感可以实现大面积、非接触、实时连续的探测,而其中GNSS-R技术,作为GNSS的新型应用分支,随着全球卫星导航系统不断发展完善,近年来发展迅速。
随着卫星导航技术的发展,GNSS不仅能应用于定位、导航和授时;近年来在地震、气象、海洋、陆面等遥感方面的应用也得到突破和发展。GNSS导航卫星信号波段处于L波段,能减少大气衰减并能很好地穿透植被,是较为理想的遥感土壤湿度频率。在基于GNSS反射信号的土壤湿度系统中,GNSS卫星-地表面-接收机构成一个双基雷达结构,通过测量GNSS反射信号获取地表特征信息。GNSS卫星发射的L波段信号对反演表面的电磁特性十分敏感,特别是介电常数对反射信号的强弱有着重要的影响,而介电常数与土壤湿度有着直接的物理关系,因此利用反射信号来探测土壤湿度是一种行之有效的方法。
GNSS-R土壤湿度反演技术具有以下优点:
成本低:利用导航卫星发射的完全免费的L波段信号作为信号源,该波段电磁波对土壤表面电磁特性变化十分敏感,且大气衰减小,对地表的植被等地表覆盖物具有一定的穿透能力,能够较好的实现对土壤湿度的监测,易于组建低成本的全球覆盖的土壤湿度观测网。并且GNSS-R技术采用异源观测模式,收发分置,无需单独设计发射机,接收机的复杂度和成本较低,减小了设备的体积和重量,易于搭建地基、空基或星载平台。
大量信号源:目前可用的GPS卫星就超过30颗,后续还有更多的信号源作为保障,包括Galileo卫星(额定30颗)、GLONASS卫星(额定24颗)、中国北斗卫星(额定35颗),加上各个系统的冗余卫星以及其他区域导航增强系统,卫星总数将超过150颗。
实现全天候探测:GNSS-R使用L波段作为微波信号资源,具有覆盖全球、全天候、高度稳定的优势,应用范围广泛,且受云层、天气和昼夜影响较小。
实现全时段探测:GNSS在空间星座上的设计,使得任一时刻在地球大多数地方都至少可以接收到4颗以上卫星信号,对同一地点来说,便可做到全时段连续观测。
需要说明的是,GNSS是所有卫星系统的总称,GPS仅指美国的GPS系统,L1和L2波段可以是GPS提供的,而涉及L波段信号可以由GNSS提供。
正是基于上述原因,本发明实施例提出了一种基于GNSS-IR多波段融合土壤湿度监测方法及装置。
下面参照附图描述根据本发明实施例提出的基于GNSS-IR多波段融合土壤湿度监测方法及装置,首先将参照附图描述根据本发明实施例提出的基于GNSS-IR多波段融合土壤湿度监测方法。
图1是本发明一个实施例的基于GNSS-IR多波段融合土壤湿度监测方法的流程图。
如图1所示,该基于GNSS-IR多波段融合土壤湿度监测方法包括以下步骤:
在步骤S101中,采集地基监测站的监测数据,并从监测数据中提取目标数据,其中,目标数据包括每颗卫星的仰角、方位角、时间和SNR数据,以及实测土壤湿度数据。
可以理解的是,如图2所示,本发明实施例首先进行数据获取,选用测绘级接收机在实验场地进行安置,输出RINEX格式数据,从该观测数据的O文件和N文件中获取所需信息。
也就是说,本发明实施例在选好的场地架设采集设备,并进行GNSS数据采集,以及存储RINEX格式。
在步骤S102中,根据目标数据得到满足预设条件的低仰角数据。
可以理解的是,如图2所示,本发明实施例进行数据提取,将采集的数据进行L1和L2的SNR、仰角、方位角、时刻的提取,对提取的数据进行初步的筛选,剔除SNR震荡不明显的数据。
具体而言,本发明实施例处理上述O文件和N文件,从中提取每颗卫星的仰角、方位角、UTC时刻以及L1和L2波段的SNR数据。将提取的数据进行筛选,选取低仰角(例如,本发明实施例选取2°-25°)范围内方位角基本保持不变的数据。
进一步地,在本发明的一个实施例中,本发明实施例的方法还包括:根据拟合结果剔除SNR数据中不满足预设质量条件的信噪比数据。
可以理解的是,如图2所示,本发明实施例进行数据预处理,在原始的SNR数据中,存在许多噪声,这些噪声是由于硬件、天气、温度等复杂因素造成的。一些数据由于噪声问题需要被剔除。根据拟合结果剔除质量较差的数据。
在步骤S103中,根据低仰角数据将仰角正弦化,并对SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对SNR多径分量进行最小二乘拟合,以得到振幅值。
可以理解的是,如图2所示,本发明实施例进行去直射分量,频谱分析并获取主频率,进而求得等效天线高,最后求取振幅值。具体地,将仰角正弦化,并对SNR数据进行多项式拟合,去除直射分量,得到SNR多径分量。利用信号频谱分析法进行频谱分析获取主频率f,然后对多径分量做最小二乘拟合,获得振幅值。
具体而言,如图3所示,SNR直射和反射信号可表示为:
其中Ad,Am分别表示直射、反射信号的幅度,Ac表示为二者的干涉信号的幅度,即信噪比SNR。ψ为两信号的相位差,θ为卫星高度角。
提取出多径分量之后的序列振幅SNRm可表示为:
如图4和图5所示,对上述数据进行去噪处理,然后根据高度角分为上升、下降段,将其转化为高度角正弦序列,最后进行多项式拟合,将直射分量去除。
在本发明的一个实施例中,通过信号频谱分析获取主频率,并对SNR多径分量进行最小二乘拟合,以得到振幅值,进一步包括:通过Lomb-Scargle变换进行谱分析,以得到频率的谱;根据频率的谱得到等效天线高度的谱,并选取谱值最大的等效天线高度值作为等效天线高度的估计值,以通过最小二乘拟合求得振幅值。
具体而言,如图6和图7所示,本发明实施例将使用Lomb-Scargle变换进行谱分析,得到频率的谱,进而求得等效天线高度的谱,选取谱值最大的等效天线高度值作为等效天线高度的估计值。然后通过最小二乘拟合求得振幅值。
在步骤S104中,对振幅值进行熵值法差分处理,以得到融合数据。
可以理解的是,本发明实施例进行数据融合,将求得的振幅值进行熵值法权重处理,并进行差分,得到融合数据。
在本发明的一个实施例中,对振幅值进行熵值法差分处理,以得到融合数据,进一步包括:获取SNR数据的L1波段和L2波段的振幅指标值的比重;根据L1波段和L2波段的振幅指标值的比重得到指标信息熵,以得到信息熵冗余度;根据信息熵冗余度得到指标权重,以得到单指标评价得分。
进一步地,在本发明的一个实施例中,其中,
振幅指标值的比重表示为:
其中,X`ij为某颗卫星第i天第j项评价指标的数值,m为指标数;
指标信息熵表示为:
其中,K为k=1/ln(m);
信息熵冗余度表示为:
dj=1-ej,
其中,ej为指标信息熵;
指标权重表示为:
单指标评价得分表示为:
Sij=Wi×X`ij。
具体而言,将求得的L1和L2的振幅值进行融合处理,本发明中选择熵值法进行融合。具体原理如下:
数据标准化处理:
正向指标:
负向指标
计算L1/L2振幅指标值的比重:
计算指标信息熵:
计算信息熵冗余度:
dj=1-ej;
计算指标权重:
计算单指标评价得分:
Sij=Wi×X`ij。
式中:Xij表示L1/L2振幅值的评价指标的数值,min{Xj}和max{Xj}分别为所有振幅评价指标的最小值和最大值,k=1/ln(m),其中m为指标数。融合结果如图8所示。
在步骤S105中,根据振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据融合数据得到当前土壤湿度。
可以理解的是,如图2所示,建立振幅与土壤湿度关系并反演土壤湿度,本发明实施将上述振幅值与实测土壤湿度建立相关关系,绘制振幅值与土壤湿度的相关关系图,并根据两者关系及经验模型建立函数映射关系,之后将振幅值带入,得到土壤湿度的反演结果。
具体而言,如图9所示,本发明实施例将所求振幅值和土壤湿度归一化进行趋势,将L1和L2振幅值进行融合,将融合后的振幅值与土壤湿度根据经验模型建立的是一种线性函数关系。
综上,由于测绘级接收机对多径效应的抑制,单波段数据反演结果精度不高,因此,本发明实施例通过熵值法多波段融合方法反演土壤湿度,利用熵值法进行加权处理,根据加权处理结果将GPS L1波段和L2波段数据振幅进行融合处理,利用联合后的数据进行土壤湿度反演。具体地,本发明实施例通过建立地基监测站获取原始数据,首先数据提取,获取不同波段的信噪比数据及高度角、方位角等信息,然后筛选数据,筛选低仰角范围且震荡明显的信噪比数据,利用熵值法确定权重,进行L1和L2的波段融合,接着去除直射分量得到SNR多径分量,通过谱分析获取主频率f,最后对GNSS信噪比进行最小二乘拟合获得振幅A,建立振幅与土壤湿度关系并反演土壤湿度。
根据本发明实施例提出的基于GNSS-IR多波段融合土壤湿度监测方法,通过L1和L2波段信噪比数据,获取的频谱分析结果,进而获得各波段振幅值,通过熵值法加权差分处理各波段振幅,得到融合后振幅和土壤湿度的相关关系来反演土壤湿度,从而有效提高单波段反演土壤湿度的精度。
其次参照附图描述根据本发明实施例提出的基于GNSS-IR多波段融合土壤湿度监测装置。
图10是本发明一个实施例的基于GNSS-IR多波段融合土壤湿度监测装置的结构示意图。
如图10所示,该基于GNSS-IR多波段融合土壤湿度监测装置10包括:采集模块100、获取模块200、计算模块300、第一处理模块400和第二处理模块500。
其中,采集模块100用于采集地基监测站的监测数据,并从监测数据中提取目标数据,其中,目标数据包括每颗卫星的仰角、方位角、时间和SNR数据以及实测土壤湿度数据。获取模块200用于根据目标数据得到满足预设条件的低仰角数据。计算模块300用于根据低仰角数据将仰角正弦化,并对SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对SNR多径分量进行最小二乘拟合,以得到振幅值。第一处理模块400用于对振幅值进行熵值法差分处理,以得到融合数据。第二处理模块500根据振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据融合数据得到当前土壤湿度。本发明实施例的装置10利用熵值法确定权重进行多波段融合,有效提高单波段反演土壤湿度的精度。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:,剔除模块。其中,剔除模块用于根据拟合结果剔除SNR数据中不满足预设质量条件的信噪比数据。
进一步地,在本发明的一个实施例中,计算模块300进一步用于通过Lomb-Scargle变换进行谱分析,以得到频率的谱,并根据频率的谱得到等效天线高度的谱,并选取谱值最大的等效天线高度值作为等效天线高度的估计值,以通过最小二乘拟合求得振幅值。
进一步地,在本发明的一个实施例中,第一处理模块400进一步用于获取SNR数据的L1波段和L2波段的振幅指标值的比重,并根据L1波段和L2波段的振幅指标值的比重得到指标信息熵,以得到信息熵冗余度,以及根据信息熵冗余度得到指标权重,以得到单指标评价得分。
进一步地,在本发明的一个实施例中,其中,
振幅指标值的比重表示为:
其中,X`ij为某颗卫星第i天第j项评价指标的数值,m为指标数;
指标信息熵表示为:
其中,K为k=1/ln(m);
信息熵冗余度表示为:
dj=1-ej,
其中,ej为指标信息熵;
指标权重表示为:
单指标评价得分表示为:
Sij=Wi×X`ij。
可选地,在本发明的一个实施例中,所述采集模块包括华测接收机N72和ML3ThetaProbe土壤湿度传感器。
需要说明的是,前述对基于GNSS-IR多波段融合土壤湿度监测方法实施例的解释说明也适用于该实施例的基于GNSS-IR多波段融合土壤湿度监测装置,此处不再赘述。
根据本发明实施例提出的基于GNSS-IR多波段融合土壤湿度监测装置,通过L1和L2波段信噪比数据,获取的频谱分析结果,进而获得各波段振幅值,通过熵值法加权差分处理各波段振幅,得到融合后振幅和土壤湿度的相关关系来反演土壤湿度,从而有效提高单波段反演土壤湿度的精度。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于GNSS-IR多波段融合土壤湿度监测方法,其特征在于,包括以下步骤:
采集地基监测站的监测数据,并从所述监测数据中提取目标数据,其中,所述目标数据包括每颗卫星的仰角、方位角、时间和SNR数据以及土壤湿度实测数据;
根据所述目标数据得到满足预设条件的低仰角数据;
根据所述低仰角数据将仰角正弦化,并对所述SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对所述SNR多径分量进行最小二乘拟合,以得到振幅值;
对所述振幅值进行熵值法差分处理,以得到融合数据;以及
根据所述振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据所述融合数据得到当前土壤湿度。
2.根据权利要求1所述的基于GNSS-IR多波段融合土壤湿度监测方法,其特征在于,还包括:
根据拟合结果剔除所述SNR数据中不满足预设质量条件的信噪比数据。
3.根据权利要求1所述的基于GNSS-IR多波段融合土壤湿度监测方法,其特征在于,所述通过信号频谱分析获取主频率,并对所述SNR多径分量进行最小二乘拟合,以得到振幅值,进一步包括:
通过Lomb-Scargle变换进行谱分析,以得到频率的谱;
根据所述频率的谱得到等效天线高度的谱,并选取谱值最大的等效天线高度值作为等效天线高度的估计值,以通过最小二乘拟合求得所述振幅值。
4.根据权利要求1所述的基于GNSS-IR多波段融合土壤湿度监测方法,其特征在于,所述对所述振幅值进行熵值法差分处理,以得到融合数据,进一步包括:
获取所述SNR数据的L1波段和L2波段的振幅指标值的比重;
根据所述L1波段和L2波段的振幅指标值的比重得到指标信息熵,以得到信息熵冗余度;
根据所述信息熵冗余度得到指标权重,以得到单指标评价得分。
5.根据权利要求4所述的基于GNSS-IR多波段融合土壤湿度监测方法,其特征在于,其中,
所述振幅指标值的比重表示为:
其中,X`ij为某颗卫星第i天第j项评价指标的数值,m为指标数;
所述指标信息熵表示为:
其中,K为k=1/ln(m);
所述信息熵冗余度表示为:
dj=1-ej,
其中,ej为指标信息熵;
所述指标权重表示为:
所述单指标评价得分表示为:
Sij=Wi×X`ij。
6.一种基于GNSS-IR多波段融合土壤湿度监测装置,其特征在于,包括:
采集模块,用于采集地基监测站的监测数据,并从所述监测数据中提取目标数据,其中,所述目标数据包括每颗卫星的仰角、方位角、时间和SNR数据以及土壤湿度实测数据;
获取模块,用于根据所述目标数据得到满足预设条件的低仰角数据;
计算模块,用于根据所述低仰角数据将仰角正弦化,并对所述SNR数据进行多项式拟合,以去除直射分量,得到SNR多径分量,并通过信号频谱分析获取主频率,并对所述SNR多径分量进行最小二乘拟合,以得到振幅值;
第一处理模块,用于对所述振幅值进行熵值法差分处理,以得到融合数据;以及
第二处理模块,根据所述振幅值与土壤湿度的相关关系得到相关关系图,进而建立函数映射关系,以根据所述融合数据得到当前土壤湿度。
7.根据权利要求6所述的基于GNSS-IR多波段融合土壤湿度监测装置,其特征在于,还包括:
剔除模块,用于根据拟合结果剔除所述SNR数据中不满足预设质量条件的信噪比数据。
8.根据权利要求6所述的基于GNSS-IR多波段融合土壤湿度监测装置,其特征在于,所述计算模块进一步用于通过Lomb-Scargle变换进行谱分析,以得到频率的谱,并根据所述频率的谱得到等效天线高度的谱,并选取谱值最大的等效天线高度值作为等效天线高度的估计值,以通过最小二乘拟合求得所述振幅值。
9.根据权利要求6所述的基于GNSS-IR多波段融合土壤湿度监测装置,其特征在于,所述第一处理模块进一步用于获取所述SNR数据的L1波段和L2波段的振幅指标值的比重,并根据所述L1波段和L2波段的振幅指标值的比重得到指标信息熵,以得到信息熵冗余度,以及根据所述信息熵冗余度得到指标权重,以得到单指标评价得分。
10.根据权利要求9所述的基于GNSS-IR多波段融合土壤湿度监测装置,其特征在于,其中,
所述振幅指标值的比重表示为:
其中,X`ij为某颗卫星第i天第j项评价指标的数值,m为指标数;
所述指标信息熵表示为:
其中,K为k=1/ln(m);
所述信息熵冗余度表示为:
dj=1-ej,
其中,ej为指标信息熵;
所述指标权重表示为:
所述单指标评价得分表示为:
Sij=Wi×X`ij。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344449.8A CN110389208A (zh) | 2018-04-17 | 2018-04-17 | 基于gnss-ir多波段融合土壤湿度监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344449.8A CN110389208A (zh) | 2018-04-17 | 2018-04-17 | 基于gnss-ir多波段融合土壤湿度监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110389208A true CN110389208A (zh) | 2019-10-29 |
Family
ID=68283202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810344449.8A Pending CN110389208A (zh) | 2018-04-17 | 2018-04-17 | 基于gnss-ir多波段融合土壤湿度监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389208A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111027230A (zh) * | 2019-12-27 | 2020-04-17 | 安徽理工大学 | 一种基于gnss-r技术的煤矸石充填复垦土壤湿度监测方法 |
CN111337549A (zh) * | 2020-03-13 | 2020-06-26 | 山东航向电子科技有限公司 | 基于模糊熵的gps多星融合土壤湿度监测方法 |
CN111366617A (zh) * | 2020-03-13 | 2020-07-03 | 山东航向电子科技有限公司 | 半监督模糊识别模型及基于该模型的土壤湿度测量方法 |
CN111474209A (zh) * | 2020-03-13 | 2020-07-31 | 山东航向电子科技有限公司 | 基于智能终端设备的实时土壤湿度测量方法 |
CN111595294A (zh) * | 2019-12-27 | 2020-08-28 | 广东电网有限责任公司电力科学研究院 | 一种地基沉降监测方法、系统以及设备 |
CN112415026A (zh) * | 2020-11-12 | 2021-02-26 | 长安大学 | Gnss-ir解译土壤湿度变化和植被生长过程的方法 |
CN113269429A (zh) * | 2021-05-19 | 2021-08-17 | 青岛星科瑞升信息科技有限公司 | 一种基于水生态效益的生态环境质量评价方法 |
CN113419046A (zh) * | 2021-06-17 | 2021-09-21 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN116430008A (zh) * | 2023-04-07 | 2023-07-14 | 武汉大学 | 一种gnss-ir土壤湿度反演方法及系统 |
-
2018
- 2018-04-17 CN CN201810344449.8A patent/CN110389208A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110672640B (zh) * | 2019-11-13 | 2020-07-10 | 武汉大学 | 一种植被覆盖区域的土壤湿度估计方法及装置 |
CN111595294A (zh) * | 2019-12-27 | 2020-08-28 | 广东电网有限责任公司电力科学研究院 | 一种地基沉降监测方法、系统以及设备 |
CN111027230A (zh) * | 2019-12-27 | 2020-04-17 | 安徽理工大学 | 一种基于gnss-r技术的煤矸石充填复垦土壤湿度监测方法 |
CN111027230B (zh) * | 2019-12-27 | 2023-04-11 | 安徽理工大学 | 一种基于gnss-r技术的煤矸石充填复垦土壤湿度监测方法 |
CN111366617A (zh) * | 2020-03-13 | 2020-07-03 | 山东航向电子科技有限公司 | 半监督模糊识别模型及基于该模型的土壤湿度测量方法 |
CN111474209A (zh) * | 2020-03-13 | 2020-07-31 | 山东航向电子科技有限公司 | 基于智能终端设备的实时土壤湿度测量方法 |
CN111337549A (zh) * | 2020-03-13 | 2020-06-26 | 山东航向电子科技有限公司 | 基于模糊熵的gps多星融合土壤湿度监测方法 |
CN112415026A (zh) * | 2020-11-12 | 2021-02-26 | 长安大学 | Gnss-ir解译土壤湿度变化和植被生长过程的方法 |
CN113269429A (zh) * | 2021-05-19 | 2021-08-17 | 青岛星科瑞升信息科技有限公司 | 一种基于水生态效益的生态环境质量评价方法 |
CN113269429B (zh) * | 2021-05-19 | 2022-03-18 | 青岛星科瑞升信息科技有限公司 | 一种基于水生态效益的生态环境质量评价方法 |
CN113419046A (zh) * | 2021-06-17 | 2021-09-21 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN113419046B (zh) * | 2021-06-17 | 2022-02-18 | 北京大学 | 一种改进的土壤湿度产品双变量融合方法 |
CN116430008A (zh) * | 2023-04-07 | 2023-07-14 | 武汉大学 | 一种gnss-ir土壤湿度反演方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389208A (zh) | 基于gnss-ir多波段融合土壤湿度监测方法及装置 | |
McNairn et al. | The soil moisture active passive validation experiment 2012 (SMAPVEX12): Prelaunch calibration and validation of the SMAP soil moisture algorithms | |
US11327171B2 (en) | Crop classification and growth tracking with synthetic aperture radar | |
CN106021864B (zh) | 星载散射计后向散射系数的检验方法和装置 | |
Thompson et al. | Dual-polarization radar rainfall estimation over tropical oceans | |
Wagner et al. | The ASCAT soil moisture product: A review of its | |
Mattia et al. | Multitemporal C-band radar measurements on wheat fields | |
US7353690B2 (en) | Atmospheric refractivity profiling apparatus and methods | |
Kollias et al. | Scanning ARM cloud radars. Part I: Operational sampling strategies | |
Kirincich | Remote sensing of the surface wind field over the coastal ocean via direct calibration of HF radar backscatter power | |
CN107450076B (zh) | 测云雷达的协同组网测量方法及装置 | |
Kotthaus et al. | Atmospheric boundary layer height from ground-based remote sensing: a review of capabilities and limitations | |
Germann et al. | Weather radar in complex orography | |
US10451731B2 (en) | Software-defined radio earth atmosphere imager | |
Smith et al. | The use of vertical-looking radar to continuously monitor the insect fauna flying at altitude over southern England | |
Wang et al. | Waveform-based spaceborne GNSS-R wind speed observation: Demonstration and analysis using UK TechDemoSat-1 data | |
Neumann et al. | Characterizing local scale snow cover using point measurements during the winter season | |
Matyas | Use of ground‐based radar for climate‐scale studies of weather and rainfall | |
TWI678549B (zh) | 基於行動電子裝置的天氣觀測方法及系統 | |
Menon | Remote sensing applications in agriculture and forestry | |
Alistair Drake et al. | Aeroecological observation methods | |
Reppucci et al. | Extreme wind conditions observed by satellite synthetic aperture radar in the North West Pacific | |
Al Rawashdeh | Evaluation of the differencing pixel-by-pixel change detection method in mapping irrigated areas in dry zones | |
Dedieu et al. | Interpretation of a RADARSAT-2 fully polarimetric time-series for snow cover studies in an Alpine context–first results | |
Chandrasekar et al. | The CASA IP1 test-bed after 5 years operation: Accomplishments, breakthroughs, challenges and lessons learned |
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 |