CN111337552A - 信号重建方法及基于该方法的土壤湿度干涉测量方法 - Google Patents
信号重建方法及基于该方法的土壤湿度干涉测量方法 Download PDFInfo
- Publication number
- CN111337552A CN111337552A CN202010175189.3A CN202010175189A CN111337552A CN 111337552 A CN111337552 A CN 111337552A CN 202010175189 A CN202010175189 A CN 202010175189A CN 111337552 A CN111337552 A CN 111337552A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise ratio
- soil
- satellite
- data
- 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 76
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000010355 oscillation Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005305 interferometry Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000000691 measurement method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 108020001568 subdomains Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/221—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance by investigating the dielectric properties
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种信号重建方法及基于该方法的土壤湿度干涉测量方法，属于土壤湿度测量技术领域，该方法通过从全球卫星导航系统信噪比数据中重建出直射信号与土壤反射信号，利用GNSS‑IR技术，对现有技术中被舍弃的信噪比趋势项进行了再利用，充分地发掘了信噪比数据中所含有的信息，实现了从信噪比数据中重建出参与干涉的直射与反射信号，从而能够让理论模型用于土壤湿度反演，极大的降低了反演方法对环境的依赖性，解决了现有技术中出现的问题。
Description
技术领域
本发明涉及一种信号重建方法及基于该方法的土壤湿度干涉测量方法，属于土壤湿度测量技术领域。
背景技术
土壤水分是气候系统的一个关键变量，在自然地理的各个子领域中起着重要作用。土壤湿度测量是气候、天气、含水层补给、自然灾害(如洪水)等研究的关键组成部分。在农业上，实时分析土壤含水量将使农民能够优化其地块的管理(耕作、处理、灌溉等)。然而传统探针式传感器的土壤湿度测量结果仅能够代表探针周围几厘米范围内的土壤湿度，因此如果要监测一个较大地块的土壤湿度在操作上是不现实的。随着遥感技术的出现，土壤水分可以在全球范围内得到系统的监测，但其时间分辨率很低。再后来随着全球卫星导航系统的发展，人们发现利用土壤对导航信号的反射也可用于测量湿度，同时由于卫星导航系统工作于L波段，其信号穿透能力强，受大气影响小，能够穿透稀疏植被，从而能够实现全天候全天时的测量。这一技术被称为GNSS-Reflectometry(GNSS-R)。
常规的GNSS-R技术，需使用特殊设计的天线与接收机接收处理反射信号，同时直射信号与反射信号的处理是分别进行的，因此其硬件实现复杂、数据量大导致较高的成本。近些年来国外学者研究发现，通用商业GNSS接收机也能用于土壤湿度测量，其利用的是直射信号与土壤反射信号间的干涉效应，这一干涉效应导致GNSS接收机测量的信噪比数据呈现周期性变化，形成干涉图样，土壤湿度变化引起反射信号变化进而影响干涉图样的变化。通过从信噪比数据中提取用于刻画干涉图样变化的特征参量并建立这些特征参量(如频率、幅度和相位)与土壤湿度间的经验模型则可以测量土壤湿度。
专利公开号为：CN104020180B，公开了一种基于北斗基准站接收的低仰角信号的土壤湿度反演方法，记载了一种特征参量提取方法与土壤湿度反演方法，该方法首先使用一个低阶多项式模型对SNR数据进行拟合以剔除SNR数据的趋势项，然后使用正弦函数模型对去趋势项后的SNR数据进行拟合，得到正弦函数模型的相位待定参数的估计值，由于土壤湿度对相位的影响机理复杂，很难建立理论反演模型，因此该专利提出建立相位值与土壤湿度的经验关系进行土壤湿度反演，但这种经验关系是与实验场景有关的，如果实验场景发生变化，则需要重新建立经验关系，因此该方法的环境适应性差，如果实验环境发生变化则需要重新建立经验模型；此外使用幅度恒定正弦函数拟合去趋势项后的信噪比数据的方法过于粗糙，因为实际信噪比数据的震荡幅度不是恒定的。
发明内容
本发明的目的在于提供一种信号重建方法及基于该方法的土壤湿度干涉测量方法，利用重建信号计算土壤反射系数，最后通过理论反演模型计算土壤湿度，解决了现有技术中出现的问题。
本发明所述的信号重建方法，包括以下步骤：
步骤1：原始数据采集，
使用接收机以固定采样间隔采集原始数据；
步骤2：卫星仰角、方位角计算，
利用步骤1中卫星星历信息结合采样时间与接收天线位置，计算卫星的仰角θ(n)与方位角，其中n为采样点；
步骤3：卫星数据筛选，
根据步骤2中卫星的仰角和方位角，结合天线架设高度H，计算镜面反射点位置，筛选低仰角以及镜面反射点落在需测量的土壤区域内的卫星的信噪比数据；
步骤4：刻度转换，
对步骤3筛选出的卫星的信噪比数据进行刻度转换，从对数刻度转化为线性刻度，此时信噪比数据用下式描述：
其中Sd(θ(n))为直射信号信噪比，Sr(θ(n))为反射信号信噪比，二者构成了信噪比数据的趋势项；f(n)为信噪比的震荡频率，与天线相对于有效反射面的高度H有关；
为信噪比数据的初始相位；
步骤5：中心化，
利用低阶多项式对信噪比数据进行拟合，得到信噪比数据的趋势项P0(θ(n))，并将其从信噪比数据中提剔除得到以0为中心变化的信噪比数据SNRc(θ(n))，用下式表示：
其中P1(θ(n))为由低阶多项式的建模误差导致的残余项；P2(θ(n))为信噪比的时变震荡幅度；f(n)为信噪比的时变振荡频率；
为信噪比的初始相位；
步骤6：时频分析，
对中心化后的信噪比数据进行时频分析得到信噪比的时变频率f(n)；
步骤7：利用自适应滤波器估计信噪比的残余项与时变震荡幅度，
采用自适应滤波器进行估计，对式(2)进行改写：
其中[1 cos(2πf(n)sin(θ(n))) -sin(2πf(n)sin(θ(n)))]T为自适应滤波器的输入信号向量也即待滤波的信号，利用步骤2计算出的卫星仰角θ(n)与步骤6得到的时变频率f(n)生成；c0(n),c1(n),c2(n)为滤波器系数；SNRf(θ(n))则为滤波器输出；滤波器的自适应调整算法不断调整滤波器系数，使得滤波器输出SNRf(θ(n))与SNRc(θ(n))的均方根误差最小，此时滤波器系数c0(n),c1(n),c2(n)分别为对P1(θ(n)),
的估计；
步骤8：直射信号与反射信号重建，
利用趋势项P0(θ(n))以及步骤7得到的滤波系数构建关于直射信号与反射信号的方程组，如下：
其中Sd(θ(n)),Sr(θ(n))分别为直射信号与反射信号的信噪比。求解该方程组得到：
进一步的，步骤1中的接收机为GNSS-IR接收机。GNSS-IR技术是一种利用GNSS直射信号与土壤反射信号间的干涉效应进行遥感的技术。本发明的方法通过从全球卫星导航系统信噪比数据中重建出直射信号与土壤反射信号。
进一步的，步骤1中的原始数据包括各个卫星的信噪比观测值与星历信息。
本发明所述的基于信号重建的土壤湿度干涉测量方法，包括以下步骤：
步骤11：计算反射系数，
根据步骤8中重建的直射信号和反射信号的信噪比计算反射率，进行修正，进而计算反射系数Γ：
其中Gd(θ(n))为天线对直射信号的增益；Gr(-θ(n))为天线对反射信号的增益；λ为导航信号载波波长；σ土壤表面的均方根高度；
步骤12：计算土壤湿度，
根据土壤反射系数计算出土壤的相对介电常数εr，利用下式：
根据常用的微波波段土壤介电模型反演土壤湿度SMC，如下式：
εr＝2.8603+3.7463·SMC+119.1755·SMC2 (8)
进一步的，步骤11中的修正方法包括天线增益修正和土壤粗糙度修正。
本发明与现有技术相比，具有如下有益效果：
本发明所述的信号重建方法及基于该方法的土壤湿度干涉测量方法，利用GNSS-IR技术，对现有技术中被舍弃的信噪比趋势项进行了再利用，充分地发掘了信噪比数据中所含有的信息，实现了从信噪比数据中重建出参与干涉的直射与反射信号，从而能够让理论模型用于土壤湿度反演，极大的降低了反演方法对环境的依赖性。利用重建信号计算土壤反射系数，最后通过理论反演模型计算土壤湿度，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GNSS-IR技术应用场景图；
图2为本发明实施例中信噪比数据变化(干涉图样)示意图；
图3为本发明实施例中自适应滤波器工作原理图；
图4为本发明实施例中自适应滤波器建模结果与现有技术建模结果对比图；
图5为本发明实施例中直射信号与反射信号重建结果图；
图6为本发明实施例中土壤湿度反演流程图；
图7为本发明实施例中土壤湿度反演结果图。
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：
GNSS-IR技术是一种利用GNSS直射信号与土壤反射信号间的干涉效应进行遥感的技术。其典型应用场景如图1所示。
图1中反射信号因为与直射信号的传播路径不同，因此二者在到达接收天线时存在相位差，当天线架设高度较低时，直反射信号的多普勒近似相等，二者可以发生稳定的干涉效应。随着卫星的不断运动，直反射信号相位差发生周期性变化：当两者的相位差为π的偶数倍时，发生干涉加强，此时干涉幅度达到最大；而当两者的相位差为π的奇数倍时，发生干涉相消，此时干涉幅度达到最小。因此直反射信号的干涉幅度随着卫星的运动而发生周期性变化，这一变化被接收机以信噪比(SNR)数据的形式记录下来，因此接收机记录的信噪比数据也呈现出同样的周期性变化，可用下式进行描述：
其中n为采样点；θ(n)为卫星仰角；Sd(θ(n))为直射信号信噪比，Sr(θ(n))为反射信号信噪比，二者构成了信噪比数据的趋势项；f(n)为信噪比的震荡频率，与天线相对于有效反射面的高度H有关，f(n)＝2H/λ，λ为导航信号载波波长，H主要受天线架设高度与地形起伏变化的影响，此外土壤湿度变化会影响信号的有效透射深度，进而也会影响H，但其影响较小；
为信噪比数据的初始相位。
土壤湿度的变化除了影响f(n)外也会影响Sr(θ(n))与
进而影响信噪比数据的变化，因此如果能够从信噪比数据中提取这些量则可建立这些量与土壤湿度的关系模型，用于反演土壤湿度。
本发明提出一种信号重建方法及基于该方法的土壤湿度干涉测量方法，该方法可从信噪比数据中重建出参与干涉的直射信号Sd(θ(n))与反射信号Sr(θ(n))，基于重建的信号可以计算土壤的反射系数，从而可以使用理论模型进行土壤湿度反演，极大的降低了反演方法对环境的依赖性。
本发明所述的信号重建方法，包括：
步骤1：原始数据采集
使用现有技术制成的GNSS接收机以固定采样间隔采集原始数据，包括各个卫星的信噪比SNR观测值与星历信息。
步骤2：卫星仰角、方位角计算
利用步骤1中卫星星历信息结合采样时间与接收天线位置，计算卫星的仰角θ(n)与方位角，其中n为采样点。
步骤3：卫星数据筛选
根据步骤2中卫星的仰角和方位角，结合天线架设高度H，计算镜面反射点位置。筛选低仰角以及镜面反射点落在需测量的土壤区域内的卫星数据。
步骤4：刻度转换
对步骤3筛选出的卫星的信噪比数据进行刻度转换，从对数刻度转化为线性刻度。
步骤5：中心化
利用低阶多项式对信噪比数据进行拟合，得到信噪比数据的趋势项P0(θ(n))，趋势项中包含了关于直射信号与反射信号信噪比的大部分信息，将其从信噪比数据中提剔除得到以0 为中心变化的信噪比数据SNRc(θ(n))，可用下式表示：
其中P1(θ(n))为由低阶多项式的建模误差导致的残余项，也含有少量的直射信号与反射信号信噪比的信息；P2(θ(n))为信噪比的时变震荡幅度，对比式(8)可得：
f(n)为信噪比的时变振荡频率；
为信噪比的初始相位。以GPS 9号星为例，中心化后的信噪比数据如图2所示。
步骤6：时频分析
对中心化后的信噪比数据进行时频分析(如小波分析等现有技术)得到信噪比的时变频率f(n)，当所测量区域地形平坦时f(n)可视为常数。
步骤7：利用自适应滤波器估计信噪比的残余项与时变震荡幅度
由于残余项P1(θ(n))与时变震荡幅度P2(θ(n))的变化均受环境影响无法事先预知，因此需采用自适应滤波器进行估计。对式(9)进行改写：
改写后等号右侧由两个向量组成，其中第一个为行向量，包含了所有的未知参数P1(θ(n))、P2(θ(n))、
也是待估计的参数；第二个为列向量，包含了所有的已知量或者可由前述步骤估计出的量，其中卫星仰角θ(n)可由步骤2得到，时变频率f(n)可由步骤6 得到；若将第二个列向量视为滤波器的输入信号向量或者待滤波的信号向量，则可以构建如下滤波器：
其中SNRf(θ(n))则为滤波器输出；c0(n),c1(n),c2(n)为滤波器系数；滤波器的自适应调整算法不断调整滤波器系数，使得滤波器输出SNRf(θ(n))与SNRc(θ(n))的均方根误差最小，此时滤波器系数c0(n),c1(n),c2(n)可视为对P1(θ(n)),
的估计。
自适应滤波器的工作原理如图3所示。滤波器效果如图4所示，图4对比了滤波器的建模效果与现有技术采用的拟合建模效果，可以看出，本发明所提方法建模误差更小。
步骤8：直射信号与反射信号重建
利用趋势项P0(θ(n))以及步骤7得到的滤波系数构建关于直射信号与反射信号的方程组，如下：
其中Sd(θ(t)),Sr(θ(t))分别为直射信号与反射信号的信噪比。求解该方程组得到：
直反射信号重建结果如图5所示，从图中可以看出重建直射信号随仰角增大而增大，反射信号则相反。
实施例2：
在实施例1的基础上，本发明所述的基于信号重建的土壤湿度干涉测量方法，包括以下步骤：
步骤11：计算反射系数，
根据步骤8中重建的直射信号和反射信号的信噪比计算反射率，进行修正，进而计算反射系数Γ：
其中Gd(θ(n))为天线对直射信号的增益；Gr(-θ(n))为天线对反射信号的增益；λ为导航信号载波波长；σ土壤表面的均方根高度；
步骤12：计算土壤湿度，
根据土壤反射系数计算出土壤的相对介电常数εr，利用下式：
根据常用的微波波段土壤介电模型反演土壤湿度SMC，如下式：
εr＝2.8603+3.7463·SMC+119.1755·SMC2 (8)
步骤11中的修正方法包括天线增益修正和土壤粗糙度修正。
本实施例的工作原理为：本发明的方法从信噪比数据中重建出参与干涉的直射信号与反射信号，基于重建的信号计算土壤的反射系数，从而可以使用理论模型进行土壤湿度反演，以上反演流程如图6表示。最终土壤湿度反演结果如图7所示，反演结果与实测土壤湿度的相关性(R)达0.82，平均绝对误差(MAE)可达0.042cm3/cm3。本发明的实施例实现了从信噪比数据中重建出参与干涉的直射与反射信号，从而能够让理论模型用于土壤湿度反演，极大的降低了反演方法对环境的依赖性。
采用以上结合附图描述的本发明的实施例的信号重建方法及基于该方法的土壤湿度干涉测量方法，利用重建信号计算土壤反射系数，最后通过理论反演模型计算土壤湿度，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 (5)
1.一种信号重建方法，其特征在于：所述的方法包括以下步骤：
步骤1：原始数据采集，
使用接收机以固定采样间隔采集原始数据；
步骤2：卫星仰角、方位角计算，
利用步骤1中卫星星历信息结合采样时间与接收天线位置，计算卫星的仰角θ(n)与方位角，其中n为采样点；
步骤3：卫星数据筛选，
根据步骤2中卫星的仰角和方位角，结合天线架设高度H，计算镜面反射点位置，筛选低仰角以及镜面反射点落在需测量的土壤区域内的卫星的信噪比数据；
步骤4：刻度转换，
对步骤3筛选出的卫星的信噪比数据进行刻度转换，从对数刻度转化为线性刻度，此时信噪比数据用下式描述：
其中Sd(θ(n))为直射信号信噪比，Sr(θ(n))为反射信号信噪比，二者构成了信噪比数据的趋势项；f(n)为信噪比的震荡频率，与天线相对于有效反射面的高度H有关；
为信噪比数据的初始相位；
步骤5：中心化，
利用低阶多项式对信噪比数据进行拟合，得到信噪比数据的趋势项P0(θ(n))，并将其从信噪比数据中提剔除得到以0为中心变化的信噪比数据SNRc(θ(n))，用下式表示：
其中P1(θ(n))为由低阶多项式的建模误差导致的残余项；P2(θ(n))为信噪比的时变震荡幅度；f(n)为信噪比的时变振荡频率；
为信噪比的初始相位；
步骤6：时频分析，
对中心化后的信噪比数据进行时频分析得到信噪比的时变频率f(n)；
步骤7：利用自适应滤波器估计信噪比的残余项与时变震荡幅度，
采用自适应滤波器进行估计，对式(2)进行改写：
其中[1 cos(2πf(n)sin(θ(n))) -sin(2πf(n)sin(θ(n)))]T为自适应滤波器的输入信号向量也即待滤波的信号，利用步骤2计算出的卫星仰角θ(n)与步骤6得到的时变频率f(n)生成；c0(n),c1(n),c2(n)为滤波器系数；SNRf(θ(n))则为滤波器输出；滤波器的自适应调整算法不断调整滤波器系数，使得滤波器输出SNRf(θ(n))与SNRc(θ(n))的均方根误差最小，此时滤波器系数c0(n),c1(n),c2(n)分别为对P1(θ(n)),
的估计；
步骤8：直射信号与反射信号重建，
利用趋势项P0(θ(n))以及步骤7得到的滤波系数构建关于直射信号与反射信号的方程组，如下：
其中Sd(θ(n)),Sr(θ(n))分别为直射信号与反射信号的信噪比。求解该方程组得到：
2.根据权利要求1所述的信号重建方法，其特征在于：所述的步骤1中的接收机为GNSS-IR接收机。
3.根据权利要求1所述的信号重建方法，其特征在于：所述的步骤1中的原始数据包括各个卫星的信噪比观测值与星历信息。
4.一种基于信号重建的土壤湿度干涉测量方法，应用于权利要求1-3任一所述的信号重建方法，其特征在于，所述的方法包括以下步骤：
步骤11：计算反射系数，
根据步骤8中重建的直射信号和反射信号的信噪比计算反射率，进行修正，进而计算反射系数Γ：
其中Gd(θ(n))为天线对直射信号的增益；Gr(-θ(n))为天线对反射信号的增益；λ为导航信号载波波长；σ土壤表面的均方根高度；
步骤12：计算土壤湿度，
根据土壤反射系数计算出土壤的相对介电常数εr，利用下式：
根据常用的微波波段土壤介电模型反演土壤湿度SMC，如下式：
εr＝2.8603+3.7463·SMC+119.1755·SMC2 (8) 。
5.根据权利要求4所述的基于信号重建的土壤湿度干涉测量方法，其特征在于，所述的步骤11中的修正方法包括天线增益修正和土壤粗糙度修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010175189.3A CN111337552A (zh) | 2020-03-13 | 2020-03-13 | 信号重建方法及基于该方法的土壤湿度干涉测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010175189.3A CN111337552A (zh) | 2020-03-13 | 2020-03-13 | 信号重建方法及基于该方法的土壤湿度干涉测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111337552A true CN111337552A (zh) | 2020-06-26 |
Family
ID=71182364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010175189.3A Pending CN111337552A (zh) | 2020-03-13 | 2020-03-13 | 信号重建方法及基于该方法的土壤湿度干涉测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337552A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113114394A (zh) * | 2021-03-27 | 2021-07-13 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于实测舒曼谐振频点反演极低频通信信道参数的方法 |
| CN113805208A (zh) * | 2021-08-31 | 2021-12-17 | 杭州电子科技大学 | 一种适用于导航接收机的gnss-ir测高方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020180A (zh) * | 2014-06-19 | 2014-09-03 | 武汉大学 | 基于北斗基准站接收的低仰角信号的土壤湿度反演方法 |
| US9037414B1 (en) * | 2011-01-14 | 2015-05-19 | University Of Notre Dame Du Lac | Methods and apparatus for electromagnetic signal polarimetry sensing |
| CN105277575A (zh) * | 2015-11-23 | 2016-01-27 | 武汉大学 | 一种利用gps信噪比等级数据进行土壤湿度估计的方法 |
| CN105352979A (zh) * | 2015-12-08 | 2016-02-24 | 武汉大学 | 基于北斗geo卫星信号的土壤湿度估计方法 |
| AU2017101749A4 (en) * | 2017-12-14 | 2018-02-01 | National Drones Pty Ltd | Smart Data - Utilizing a combination of Airborne sensor imagery capture from drone and satellite, as well as ground based sensors automatically recognized in airborne imagery, and combined with smart processing to automate detection and presciption areas on farmland. The ground based sensors will include identification of soil moisture, nutrients, light, and any other relevant information. They will also contain on board GNSS, and be solar powered. All information including imagery will then be stored in a central and then algorithms run to give health of particular crops. |
-
2020
- 2020-03-13 CN CN202010175189.3A patent/CN111337552A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9037414B1 (en) * | 2011-01-14 | 2015-05-19 | University Of Notre Dame Du Lac | Methods and apparatus for electromagnetic signal polarimetry sensing |
| CN104020180A (zh) * | 2014-06-19 | 2014-09-03 | 武汉大学 | 基于北斗基准站接收的低仰角信号的土壤湿度反演方法 |
| CN105277575A (zh) * | 2015-11-23 | 2016-01-27 | 武汉大学 | 一种利用gps信噪比等级数据进行土壤湿度估计的方法 |
| CN105352979A (zh) * | 2015-12-08 | 2016-02-24 | 武汉大学 | 基于北斗geo卫星信号的土壤湿度估计方法 |
| AU2017101749A4 (en) * | 2017-12-14 | 2018-02-01 | National Drones Pty Ltd | Smart Data - Utilizing a combination of Airborne sensor imagery capture from drone and satellite, as well as ground based sensors automatically recognized in airborne imagery, and combined with smart processing to automate detection and presciption areas on farmland. The ground based sensors will include identification of soil moisture, nutrients, light, and any other relevant information. They will also contain on board GNSS, and be solar powered. All information including imagery will then be stored in a central and then algorithms run to give health of particular crops. |
Non-Patent Citations (2)
| Title |
|---|
| MUTIAN HAN 等: "A Semi-Empirical SNR Model for Soil Moisture Retrieval Using GNSS SNR Data", 《REMOTE SENSING》 * |
| MUTIAN HAN 等: "Soil moisture monitoring using GNSS interference signal:proposing a signal reconstruction method", 《REMOTE SENSING LETTERS》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113114394A (zh) * | 2021-03-27 | 2021-07-13 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于实测舒曼谐振频点反演极低频通信信道参数的方法 |
| CN113805208A (zh) * | 2021-08-31 | 2021-12-17 | 杭州电子科技大学 | 一种适用于导航接收机的gnss-ir测高方法 |
| CN113805208B (zh) * | 2021-08-31 | 2024-04-16 | 杭州电子科技大学 | 一种适用于导航接收机的gnss-ir测高方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104020180B (zh) | 基于北斗基准站接收的低仰角信号的土壤湿度反演方法 | |
| CN109100717A (zh) | 一种多源微波遥感海面风场数据融合方法及其装置 | |
| CN105425319A (zh) | 基于地面测量数据校正的降雨卫星暴雨同化方法 | |
| CN111337552A (zh) | 信号重建方法及基于该方法的土壤湿度干涉测量方法 | |
| CN105136073B (zh) | 一种在边坡形变监测中的气象校正模型 | |
| CN111337548A (zh) | 高精度信噪比拟合模型及基于该模型的土壤湿度反演方法 | |
| CN106768179A (zh) | 基于连续运行gnss站信噪比数据的潮位的测量方法 | |
| CN111505619A (zh) | 一种时空分布不规则不均匀卫星高度计测高数据网格化处理方法 | |
| CN106767383A (zh) | 基于连续运行gnss站信噪比数据的积雪深度的测量方法 | |
| CN115494086A (zh) | 一种顾及异常干涉相位的gnss-ir土壤湿度监测方法 | |
| CN117194928B (zh) | 基于gnss的地理形变监测系统 | |
| DE102017110994A1 (de) | Verfahren zur Bestimmung von Schneeparametern | |
| Kim et al. | Retrieval of subsurface soil moisture and vegetation water content from multifrequency soop reflectometry: Sensitivity analysis | |
| CN117576576A (zh) | 差分干涉sar卫星形变速率测量精度分析计算方法及系统 | |
| CN115980317A (zh) | 基于修正相位的地基gnss-r数据土壤水分估算方法 | |
| Andari et al. | Identification of sea level rise and land subsidence based on sentinel 1 data in the coastal city of Pekalongan, Central Java, Indonesia | |
| Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
| Zribi et al. | Soil moisture retrieval using GNSS-R data | |
| Santi et al. | A merged SMAP–Sentinel-1 soil moisture product using Artificial Neural Networks: a case study in Central Italy | |
| Varbla et al. | Iterative data assimilation approach for the refinement of marine geoid models using sea surface height and dynamic topography datasets | |
| Cheng et al. | Evaluation of spaceborne GNSS-R based sea surface altimetry using multiple constellation signals | |
| Chen et al. | Real-Time Ionosphere Map Prediction Based on IGS Rapid Products Using Long Short-Term Memory Deep Learning | |
| Strandberg et al. | Towards real-time gnss reflectometry using kalman filtering | |
| Setti et al. | Incidence angle normalization of spaceborne GNSS-R surface reflectivity for soil moisture retrieval | |
| Kang et al. | An advanced framework for merging remotely sensed soil moisture products at the regional scale supported by error structure analysis: A case study on the Tibetan Plateau |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |