CN111337550B - 基于gnss干涉信号的冻土土壤湿度监测方法 - Google Patents

Abstract

本发明公开一种基于GNSS干涉信号的冻土土壤湿度监测方法，属于土壤湿度测量技术领域，通过接收处理GNSS直射信号与冻土反射信号形成的干涉信号，通过模型拟合从中提取出冻土的复相对介电常数，最后通过冻土介电模型反演冻土土壤湿度，实现了非接触式、高时空分辨率、大面积、低成本冻土土壤湿度监测，由于反演过程考虑了温度对土壤各组分的影响，其测量精度高。解决了现有技术中出现的问题。

Description

基于GNSS干涉信号的冻土土壤湿度监测方法

技术领域

本发明涉及一种基于GNSS干涉信号的冻土土壤湿度监测方法，属于土壤湿度测量技术领域。

背景技术

中国是一个幅员辽阔的国家，从南边雷州半岛到北疆边跨越35个纬度。高纬度地区气候恶劣，年平均温度常年处于0度以下，在这种环境下我国冻土面积总计约达215万平方公里。长期连续对冻土进行监测，尤其是对于冻土土壤湿度的监测，能够帮助人们了解冻土的冻融状态，进而评估其对建造于其上的基础设施如桥梁、铁路的影响，对预测气候变化指导生产生活具有重要意义。

目前对于冻土土壤湿度的监测多采用取样测量的方式，如专利申请号为：2017102240959，公开的一种通过测量电阻率确定冻土未冻水含量的方法，取样方法属于接触式测量，容易破坏冻土土壤结构。取样过程相当于对冻土做功，从而使冻土能量增加，从而影响其冻融状态；同时取样与测量过程中使用的各种工具、容器包括人体自身温度都会在一定程度上影响土样的冻融状态，这些都会导致测量误差。此外取样测量的方式属于点测量，其能够测量的土壤面积只有十几平方厘米，因此测量结果的代表性较差。再如专利申请号为：2017100565725，公开的一种基于卫星遥感影像的冻土灾害信息提取方法及装置，公开了利用卫星影像的冻土监测方法，这种方法是一种非接触式大面积的星载遥感方法。该方法避免了破坏冻土结构，但有如下缺点：(1)卫星重访周期长，时间分辨率低；(2)轨道高度高，导致空间分辨率差；(3)卫星的制造维护成本高。

近年来随着全球导航卫星系统(GNSS)的发展，利用GNSS卫星直射信号与经陆面反射的GNSS信号进行陆面遥感逐渐得到应用，该技术被称为GNSS-R技术。该技术也是一种非接触式测量技术。由于在轨的导航卫星众多，并且导航信号可以在全球范围内免费获取，因此该技术具有成本低、时间分辨率高、空间分辨率高的优点。根据接收GNSS直射与反射信号天线数量的不同，可将该技术分为双天线GNSS-R技术与单天线GNSS-R技术。双天线GNSS-R技术使用一支右旋圆极化天线接收GNSS直射信号，同时使用一支左旋圆极化天线接收GNSS反射,接收机对接收到的两路信号进行同步处理可以从中提取出土壤介电常数进而反演土壤湿度。单天线GNSS-R技术(也称GNSS-IR技术)利用的是GNSS直射信号与土壤反射信号之间干涉效应进行土壤湿度测量，该技术仅使用一根右旋圆极化天线即可完成测量，相较于双天线GNSS-R技术，该技术具有成本低、系统复杂度低的优点。目前已有公开专利技术利用GNSS-R技术进行常温土壤的土壤湿度测量，如专利“基于GNSS-R的面域土壤湿度测量装置及测量方法”(申请号：2014108164014)、专利“一种基于双GPS接收机的土壤湿度实时测量系统及方法”(申请号：2014108164014)、专利“基于北斗基准站接收的低仰角信号的土壤湿度反演方法”(申请号：2014102755487)等，由于这些方法没有考虑温度对土壤湿度反演的影响，因此这些方法无法用于冻土土壤湿度监测。专利“一种温度传感器辅助的GNSS-R土壤湿度探测装置”(申请号：2015100723626)公开了一种利用双天线GNSS-R技术进行土壤湿度反演的方法，其反演过程考虑了温度，但其使用的反演模型仅考虑了温度对自由水与束缚水的影响，未考虑温度对土壤其它组分的密度的影响，尤其是在冻土环境下，温度对土壤密度的影响不可忽略，因此该方法不适用于冻土；同时由于该专利使用的是双天线GNSS-R技术，如前所述该方法具有成本较高、系统复杂度高的缺点。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于GNSS干涉信号的冻土土壤湿度监测方法，利用GNSS直射信号与反射信号的干涉效应进行土壤湿度反演，反演过程考虑了低温对冻土各组分的影响，解决了现有技术中出现的问题。

本发明所述的基于GNSS干涉信号的冻土土壤湿度监测方法，包括以下步骤：

步骤1：GNSS观测数据采集，

使用GNSS接收机通过右旋圆极化天线采集GNSS观测数据，包括SNR数据、卫星仰角、方位角数据和接收机位置数据；

步骤2：刻度线性化，

将采集到的GNSS低仰角SNR观测数据从对数刻度转换为线性刻度，其中低仰角指卫星仰角在40度以下；

步骤3：反演冻土的复相对介电常数，

利用SNR模型反演冻土的复相对介电常数，将SNR模型公式与步骤2得到的GNSS低仰角SNR观测数据进行非线性最小二乘拟合，得到对冻土的复相对介电常数的估计；

步骤4：反演冻土土壤湿度，

冻土土壤的密度和复相对介电常数在零摄氏度以下均显著受冻土温度的影响，通过Mironov经验模型建立冻土的复相对介电常数与冻土温度、冻土中黏土重量百分比、冻土土壤密度的关系，从而反演出冻土土壤湿度。

进一步的，步骤3中SNR模型用下式表示：

式(1)中：a₀,a₁,a₂为自由变量；θ为卫星仰角；sin(θ)为仰角正弦；G(θ)为天线对直射信号的增益；G(-θ)为天线对反射信号的增益，G(θ)与G(-θ)均通过在微波暗室中测量得到；Γ(θ,ε_s)为冻土反射率；ε_s为冻土的复相对介电常数，可表示为ε_s＝ε′_s+jε″_s，其中ε′_s为冻土的复相对介电常数实部；ε″_s为冻土的复相对介电常数虚部。

进一步的，SNR模型中：Γ(θ,ε_s)用下式表示：

L(θ)为粗糙土壤对冻土GNSS反射信号的衰减，用下式描述：

其中：λ为GNSS信号波长，σ为土壤表面的均方根高度，可利用激光测距仪测得；

式(1)中SNR模型共有5个未知参数，即a₀,a₁,a₂,ε′_s,ε″_s，其中a₀,a₁,a₂为无关参数，将式(1)与步骤2中得到的低仰角的SNR数据进行非线性最小二乘拟合，得到对冻土复相对介电常数实部ε′_s与虚部ε″_s的估计。

进一步的，步骤4中所述Mironov经验模型在对冻土进行建模时考虑了湿土、干土、冻土中矿物、冻土中未结冰束缚水、湿雪五种物质，上述五种物质中，湿土是指处于融化状态的冻土，干土是指干燥状态下的冻土，湿雪是指含有自由水的纯雪，冻土中矿物包括黏土、粉土、沙土。

进一步的，五种物质的密度分别表示为ρ_s,ρ_d,ρ_m,ρ_b,ρ_i，单位均为g/cm³，五种物质的复相对介电常数实部分别用n_s,n_d,n_m,n_b,n_i表示，五种物质的复相对介电常数虚部分别用k_s,k_d,k_m,k_b,k_i表示，这些量均显著受冻土温度T的影响，冻土温度T单位为℃，上述影响用Mironov经验模型进行描述，如下式所示：

式(10)中：m_g1为冻土的重量百分比土壤湿度门限值，其作为式(11)与(12)中分段函数的转折点，C为冻土中矿物黏土的重量百分比，式(11)中：m_g为冻土的重量百分比土壤湿度，单位为g/g，重量百分比土壤湿度m_g可以通过下式转换为体积土壤湿度m_v，单位cm³/cm³：

m_v＝m_gρ_d/ρ_w (13)

其中：ρ_d为干土的密度，对于冻土中矿物黏土成分占主导地位，ρ_d取值为：1～1.6g/cm³；对于冻土中矿物砂土成分占主导地位的，ρ_d取值为：1.2～1.8g/cm³；ρ_w为水的密度取值为1g/cm³；

最终冻土的复相对介电常数的实部ε′_s与虚部ε″_s表示为：

ε″_s＝2n_sκ_s (14)

根据式(4)～(14)，在上述冻土的复相对介电常数的实部ε′_s或者ε″_s、冻土温度T、冻土中矿物成分黏土的重量百分比C、干土密度ρ_d已知的情况下，即可反演出体积土壤湿度m_v；其中冻土的复相对介电常数的实部ε′_s或者ε″_s由步骤3得到；冻土温度T通过仪器测量获得；冻土中矿物成分黏土的重量百分比C通过现有设备测量获得，经过上述步骤即实现了基于GNSS干涉信号的冻土土壤湿度反演。

本发明与现有技术相比，具有如下有益效果：

本发明所述的基于GNSS干涉信号的冻土土壤湿度监测方法，接收处理GNSS直射信号与冻土反射信号形成的干涉信号，通过模型拟合从中提取出冻土的复相对介电常数，最后通过冻土介电模型反演冻土土壤湿度，实现了非接触式、高时空分辨率、大面积、低成本冻土土壤湿度监测，由于反演过程考虑了温度对土壤各组分的影响，其测量精度高。解决了现有技术中出现的问题。

附图说明

图1为本发明实施例中干涉测量应用场景图；

图2为本发明实施例中GNSS接收机观测到低仰角范围内的SNR数据变化曲线；

图3为本发明实施例中信噪比数据刻度线性化结果图；

图4为本发明实施例中模型拟合结果图；

图5为本发明实施例中冻土的复相对介电常数经验模型的建模结果图；

图6为本发明实施例的整体反演流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明：

实施例1：

本发明所述的基于GNSS干涉信号的冻土土壤湿度监测方法，是一种利用GNSS多径反射信号与直射信号的干涉效应进行非接触式土壤湿度测量的技术，与传统GNSS-R技术相比，该技术仅利用一支GNSS天线即可完成测量，其典型应用场景如图1所示。

图1中直射信号与反射信号在天线处发射发生干涉形成干涉信号，由于卫星不断运动，因此直反射信号的相位不断变化，导致干涉信号的强度发生周期性变化。现有技术制成的GNSS接收机对干涉信号进行接收处理，最终对干涉信号强度进行测量，测量结果以信噪比数据的形式被记录下来。同时GNSS接收机还可以计算得到天线的位置，以及观测到的GNSS卫星的仰角和方位角等辅助信息。图2所示为GNSS接收机观测到低仰角范围内的SNR数据变化曲线。

为了从上述SNR数据中反演出冻土土壤湿度，本发明基于GNSS干涉信号的冻土土壤湿度监测方法，其步骤包括：

步骤1：GNSS观测数据采集

使用现有技术制成的GNSS接收机通过右旋圆极化天线采集GNSS观测数据，包括SNR数据、卫星仰角(用θ表示)与方位角数据、接收机位置。

步骤2：刻度线性化

将采集到的低仰角(40度以下)SNR数据从对数刻度转换为线性刻度，可通过对SNR数据取反对数得到线性刻度SNR数据，如图3所示。

步骤3：反演冻土的复相对介电常数

利用SNR模型反演冻土的复相对介电常数，SNR模型可用下式表示：

其中a₀,a₁,a₂自由变量；sin(θ)为仰角正弦；G(θ)为天线对直射信号的增益；G(-θ)为天线对反射信号的增益，G(θ)与G(-θ)均可通过在微波暗室中测量得到；Γ(θ,ε_s)为冻土反射率,ε_s为冻土的复相对介电常数，可表示为ε_s＝ε′_s+jε″_s；

Γ(θ,ε_s)可用下式表示：

L(θ)为粗糙土壤对冻土GNSS反射信号的衰减，可用下式描述：

其中λ为GNSS信号波长，σ为土壤表面的均方根高度，可利用现有技术测得，如激光测距仪进行测量。

式(1)中SNR模型共有5个未知参数，即a₀,a₁,a₂,ε′_s,ε″_s，其中a₀,a₁,a₂为无关参数，将式(1)与步骤2中得到的低仰角的SNR数据进行非线性最小二乘拟合，得到对冻土的复相对介电常数实部ε′_s与虚部ε″_s的估计。

图4为模型拟合结果，图中4中灰色曲线是已经转换为线性刻度的原始数据，黑色曲线为式(1)所示模型与原始数据进行非线性最小二乘拟合后的拟合结果，拟合过程实际上是不断的调整参数a₀,a₁,a₂,ε′_s,ε″_s的取值的过程，目标是使模型拟合结果与原始数据的均方根误差达到最小，此时a₀,a₁,a₂,ε′_s,ε″_s的取值即为最终估计值。从图4中可以看出，模型拟合结果与原始数据结果高度重合，说明了式(1)所示SNR模型的准确性，此时估算出来的SNR模型复相对介电常数实部为7.9290，虚部为1.4141。

步骤4：反演冻土土壤湿度

得到冻土土壤的复介电常数之后，可通过Mironov经验模型对土壤湿度进行反演。

Mironov经验模型在对冻土进行建模时考虑了湿土、干土、冻土中矿物、冻土中未结冰束缚水、湿雪五种物质。上述五种物质中，湿土是指处于融化状态的冻土，干土是指干燥状态下的冻土，湿雪是指含有自由水的纯雪，冻土中矿物包括黏土、粉土、沙土。上述五种物质的密度可分别表示为ρ_s,ρ_d,ρ_m,ρ_b,ρ_i，单位均为g/cm³，上述五种物质的复相对介电常数实部分别用n_s,n_d,n_m,n_b,n_i表示，上述五种物质的复相对介电常数虚部分别用k_s,k_d,k_m,k_b,k_i表示，这些量均显著受冻土温度T的影响，冻土温度T单位为℃，上述影响用Mironov经验模型进行描述，如下式所示：

式(10)中：C为冻土中矿物黏土的重量百分比，式(11)中：m_g1为冻土的重量百分比土壤湿度门限值，其作为式(11)与(12)中分段函数的转折点，m_g为冻土的重量百分比土壤湿度，单位为g/g，重量百分比土壤湿度m_g可以通过下式转换为体积土壤湿度m_v，单位cm³/cm³：

m_v＝m_gρ_d/ρ_w (13)

其中对于黏土成分占主导地位的冻土，ρ_d取值通常为1～1.6g/cm³，对于砂土成分占主导地位的冻土，ρ_d取值通常为1.2～1.8g/cm³；ρ_w为水的密度取值为1g/cm³；

最终冻土的复相对介电常数的实部ε′_s与虚部ε″_s可以表示为：

ε″_s＝2n_sκ_s (14)

根据式(4)～(14)，在知道冻土的复相对介电常数的实部ε′_s或者ε″_s、冻土温度T、冻土中黏土重量百分比C、干土密度ρ_d的情况下，即可反演出体积土壤湿度m_v。其中ε′_s或者ε″_s由步骤3得到；T可通过现有技术获得，如温度传感器；C可通过现有技术获得，如利用分样筛与电子秤联合测量。经过上述步骤即实现了基于GNSS干涉信号的冻土土壤湿度反演。

图5是式(4)～(14)所述冻土相对复介电常数经验模型的建模结果，以相对复介电常数实部为例。该实施例中，冻土中黏土重量百分比设为C为40，干土密度ρ_d设为1.5g/cm³。可以看出冻土温度显著影响冻土复相对介电常数。

将用于绘制图5的建模数据以数据库的形式保存下来，则每得到一个冻土复相对介电常数实部的测量值，则在该数据库中查询离该测量值最近的相对复介电常实部数据，进而得到相应的土壤湿度反演结果。例如在步骤3中得到估计的冻土的复相对介电常数实部为7.9290，则根据图5数据，当冻土温度为零下15度时，冻土土壤湿度反演结果为0.3966cm³/cm³，当冻土温度为零下-2度时，冻土土壤湿度反演结果为0.1557cm³/cm³。

通过上述步骤，实现了基于GNSS干涉信号的冻土土壤湿度反演，其整体反演流程如图6所示，通过接收处理GNSS直射信号与冻土反射信号形成的干涉信号，通过模型拟合从中提取出冻土的复相对介电常数，最后通过冻土介电模型反演冻土土壤湿度，实现了非接触式、高时空分辨率、大面积、低成本冻土土壤湿度监测，由于反演过程考虑了温度对土壤各组分的影响，其测量精度高。

采用以上结合附图描述的本发明的实施例的基于GNSS干涉信号的冻土土壤湿度监测方法，利用GNSS直射信号与反射信号的干涉效应进行土壤湿度反演，反演过程考虑了低温对冻土各组分的影响，解决了现有技术中出现的问题。但本发明不局限于所描述的实施方式，在不脱离本发明的原理和精神的情况下这些对实施方式进行的变化、修改、替换和变形仍落入本发明的保护范围。

Claims (3)

1.一种基于GNSS干涉信号的冻土土壤湿度监测方法，其特征在于：所述的方法包括以下步骤：

步骤1：GNSS观测数据采集，

使用GNSS接收机通过右旋圆极化天线采集GNSS观测数据，包括SNR数据、卫星仰角、方位角数据和接收机位置数据；

步骤2：刻度线性化，

将采集到的GNSS低仰角SNR观测数据从对数刻度转换为线性刻度，其中低仰角指卫星仰角在40度以下；

步骤3：反演冻土的复相对介电常数，

利用SNR模型反演冻土的复相对介电常数，将SNR模型公式与步骤2得到的GNSS低仰角SNR观测数据进行非线性最小二乘拟合，得到对冻土的复相对介电常数的估计；

步骤4：反演冻土土壤湿度，

冻土土壤的密度和复相对介电常数在零摄氏度以下均显著受冻土温度的影响，通过Mironov经验模型建立冻土的复相对介电常数与冻土温度、冻土中黏土重量百分比、冻土土壤密度的关系，从而反演出冻土土壤湿度；

所述的步骤4中所述Mironov经验模型在对冻土进行建模时考虑了湿土、干土、冻土中矿物、冻土中未结冰束缚水、湿雪五种物质，上述五种物质中，湿土是指处于融化状态的冻土，干土是指干燥状态下的冻土，湿雪是指含有自由水的纯雪，冻土中矿物包括黏土、粉土、沙土；所述的五种物质的密度分别表示为ρ_s,ρ_d,ρ_m,ρ_b,ρ_i，单位均为g/cm³，五种物质的复相对介电常数实部分别用n_s,n_d,n_m,n_b,n_i表示，五种物质的复相对介电常数虚部分别用k_s,k_d,k_m,k_b,k_i表示，这些量均显著受冻土温度T的影响，冻土温度T单位为℃，上述影响用Mironov经验模型进行描述，如下式所示：

式(10)中：m_g1为冻土的重量百分比土壤湿度门限值，其作为式(11)与(12)中分段函数的转折点，C为冻土中矿物黏土的重量百分比，式(11)中：m_g为冻土的重量百分比土壤湿度，单位为g/g，重量百分比土壤湿度m_g通过下式转换为体积土壤湿度m_v，单位cm³/cm³：

m_v＝m_gρ_d/ρ_w (13)

其中：ρ_d为干土的密度，对于冻土中矿物黏土成分占主导地位，ρ_d取值为：1～1.6g/cm³；对于冻土中矿物砂土成分占主导地位的，ρ_d取值为：1.2～1.8g/cm³；ρ_w为水的密度取值为1g/cm³；

最终冻土的复相对介电常数的实部ε′_s与虚部ε″_s表示为：

ε″_s＝2n_sκ_s (14)

根据式(4)～(14)，在上述冻土的复相对介电常数的实部ε′_s或者ε″_s、冻土温度T、冻土中矿物成分黏土的重量百分比C、干土密度ρ_d已知的情况下，即可反演出体积土壤湿度m_v；其中冻土的复相对介电常数的实部ε′_s或者ε″_s由步骤3得到；冻土温度T通过仪器测量获得；冻土中矿物成分黏土的重量百分比C通过现有设备测量获得，经过上述步骤即实现了基于GNSS干涉信号的冻土土壤湿度反演。

2.根据权利要求1所述的基于GNSS干涉信号的冻土土壤湿度监测方法，其特征在于，所述的步骤3中SNR模型用下式表示：

式(1)中：a₀,a₁,a₂为自由变量；θ为卫星仰角；sin(θ)为仰角正弦；G(θ)为天线对直射信号的增益；G(-θ)为天线对反射信号的增益，G(θ)与G(-θ)均通过在微波暗室中测量得到；Γ(θ,ε_s)为冻土反射率；ε_s为冻土的复相对介电常数，可表示为ε_s＝ε′_s+jε″_s，其中ε′_s为冻土的复相对介电常数实部；ε″_s为冻土的复相对介电常数虚部。

3.根据权利要求2所述的基于GNSS干涉信号的冻土土壤湿度监测方法，其特征在于，所述的SNR模型中：Γ(θ,ε_s)用下式表示：

L(θ)为粗糙土壤对冻土GNSS反射信号的衰减，用下式描述：

其中：λ为GNSS信号波长，σ为土壤表面的均方根高度，可利用激光测距仪测得；

式(1)中SNR模型共有5个未知参数，即a₀,a₁,a₂,ε′_s,ε″_s，其中a₀,a₁,a₂为无关参数，将式(1)与步骤2中得到的低仰角的SNR数据进行非线性最小二乘拟合，得到对冻土复相对介电常数实部ε′_s与虚部ε″_s的估计。

Images