CN112130174B - 一种改进的gnss-ir提取积雪深度方法 - Google Patents
一种改进的gnss-ir提取积雪深度方法 Download PDFInfo
- Publication number
- CN112130174B CN112130174B CN202011065249.2A CN202011065249A CN112130174B CN 112130174 B CN112130174 B CN 112130174B CN 202011065249 A CN202011065249 A CN 202011065249A CN 112130174 B CN112130174 B CN 112130174B
- Authority
- CN
- China
- Prior art keywords
- effective
- signals
- snow
- snow depth
- amplitude
- 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
Links
Images
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
- 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
-
- 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
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种改进的GNSS‑IR提取积雪深度方法,属于积雪雪深参数反演技术领域,包括:GNSS接收机通过天线接收卫星直射信号和地面不同反射源的反射信号;将所有信号进行谱分析,获取谱分析后的结果波形图;对所有信号的振幅功率进行极值归一化;利用动态聚类算法选取元素最多的一类为有效波形;采用格拉布斯准则对所述有效波形最高频率振幅进行误差分析;满足计算结果的有效波形剔除,筛选之后的有效波形最高频率振幅的平均值所对应的反射高度为有效高度HE,得到雪深hsnow的最终结果。该方法可以在一定程度上消除由于地表环境和不同雪层的复杂参数所产生的粗差,对于谱分析的结果进行质量控制,一定程度上进行多星融合,提高反演雪深的精度。
Description
技术领域
本发明涉及积雪雪深参数反演技术领域,具体涉及改进的GNSS-IR提取积雪深度方法。
背景技术
积雪是最活跃的气候因子之一,也是重要的淡水资源,作为气候变化的指示器,为了实时掌握气候变化信息与生态系统变化,水资源管理,以及积雪灾害的预测,需要实时积雪信息的提取与时空分布,目前其已发展成为积雪遥感领域最为重要的研究内容。
然而,传统积雪监测已满足不了当前需求,自2007年开始利用信噪比Signal toNoise Ratio(SNR)数据,进行积雪雪深的反演,虽然精度相较于之前得到明显改善,但对于长时间序列Global Navigation Satellite System Interferometric Reflectometry(GNSS-IR)反演精度不高,在浅雪或无雪时受植被以及雪层的影响,导致Lomb-Scargle频谱分析(LSP)可靠性不高,结果精度降低。
因此,本发明提出了一种改进的GNSS-IR提取积雪深度方法。
发明内容
为解决上述问题,本发明的目的在于提供一种改进的GNSS-IR提取积雪深度方法。
为实现上述目的,本发明提供了如下的技术方案。
一种改进的GNSS-IR提取积雪深度方法,包括以下步骤:
S1:GNSS接收机通过天线接收卫星直射信号和地面不同反射源的反射信号;
S2:将所有信号进行Lomb-Scargle频谱分析,获取频谱分析后的结果波形图;对所有信号的振幅功率进行极值归一化;
S3:对所有信号分别两两进行最小欧式距离计算,将距离最大的两个信号作为两个初始聚类中心;剩余的每个信号与两个所述初始聚类中心的距离和做比较,归入离与其中所述初始聚类中心近的那一类,依次类推将所有信号分为两类;
S4:根据欧氏距离最小原则利用所述S3的方法将所有信号波形分为三类,将元素最多的一类选取作为有效波形;
S5:采用格拉布斯准则对所述有效波形最高频率振幅进行误差分析:
其中,Vc为有效波形的残差;Xc为有效波形最高频率振幅;为有效波形最高频率振幅的平均值;G(n,a)是取决于有效波形个数n和显著性水平a,通常a取0.05,通过查表可得G(n,a)=2.41;σ(X为标准差;
满足计算结果的有效波形剔除,筛选之后的所述有效波形最高频率振幅的平均值所对应的反射高度为有效高度HE,得到雪深hsnow的最终结果:
hsnow=HG-HE;
其中,HG为地面高度。
优选地,两个信号的所述欧氏距离求解公式:
其中,Pi、Pj为两个信号的波形;S为每个波形的样本数;x表示位移参数;Pi,h,Pj,h为第h个样本分别对应两个波形的归一化振幅功率;
其中,样本点的限制数为l。
优选地,所述振幅功率极值归一化振幅功率的求解公式:
本发明有益效果:
本发明提出了一种改进的GNSS-IR提取积雪深度方法,利用动态聚类算法与格拉布斯准则粗差剔除,然后将多颗卫星融合取有效波形最高频率振幅平均值所对应的反射高度为有效高度,提高雪深反演的精度,这种方法可以在一定程度上消除由于地表环境和不同雪层的复杂参数所产生的粗差,对于谱分析的结果进行质量控制,一定程度上进行多星融合,提高反演雪深的精度。
以下结合附图及实施例对本发明作进一步的说明。
附图说明
图1是本发明实施例的改进的GNSS-IR提取积雪深度方法的流程图;
图2是本发明实施例的不同波段利用北斗数据处理所得的反演结果图;
图3是本发明实施例的改进后的不同波段利用北斗数据处理所得的反演结果图;
图4是本发明实施例的不同波段利用伽利略数据处理所得的反演结果图;
图5是本发明实施例的改进后的不同波段利用伽利略数据处理所得的反演结果图;
图6是本发明实施例的不同波段利用哥伦纳斯数据处理所得的反演结果图;
图7是本发明实施例的改进后的不同波段利用哥伦纳斯数据处理所得的反演结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
一种改进的GNSS-IR提取积雪深度方法,流程图如图1所示,包括以下步骤:
S1:GNSS接收机通过天线接收卫星直射信号和地面不同反射源的反射信号;
S2:将所有信号进行谱分析,获取谱分析后的结果波形图;对所有信号的振幅功率进行极值归一化;
S3:对所有信号分别两两进行最小欧式距离计算,将距离最大的两个信号作为两个初始聚类中心;剩余的每个信号与两个初始聚类中心的距离和做比较,归入离与其中初始聚类中心近的那一类,依次类推将整个信号分为两类;
S4:根据欧氏距离最小原则利用S3的方法将所有信号波形分为三类,将元素最多的一类选取作为有效波形;
S5:采用格拉布斯准则对有效波形最高频率振幅进行误差分析:
其中,Vc为有效波形的残差;Xc为有效波形最高频率振幅;为有效波形最高频率振幅的平均值;G(n,a)是取决于有效波形个数n和显著性水平a,通常a取0.05,通过查表可得G(n,a)=2.41;σ(X为标准差;
满足计算结果的有效波形剔除,筛选之后的有效波形最高频率振幅的平均值所对应的反射高度为有效高度HE,得到雪深hsnow的最终结果:
hsnow=HG-HE;
其中,HG为地面高度。
具体的,两个信号的欧氏距离求解公式:
其中,Pi、Pj为两个信号的波形;S为每个波形的样本数;x表示位移参数;Pj,h,Pj,h为第h个样本分别对应两个波形的归一化振幅功率;
其中,样本点的限制数为l。
优选的,振幅功率极值归一化振幅功率的求解公式:
本实施例中,以新疆阿勒泰GNSS积雪监测站为实验站点,将改进前的方法与改进后的方法的结果进行对比:
由于2017年1月至3月这三个月的雪深变化最大,所以选取该时间段作为代表处理北斗、伽利略、哥伦纳斯的数据观测值。
表1新疆站点北斗数据采用两种雪深方法与实测雪深对比的Mean和RMSE
从图2可以看出B3结果最好,B1略差,B2所得结果没有实际意义,可能的原因是在北斗卫星系统中B2的波长最长,因为卫星信号的穿透率与波长呈负相关,导致B2波段所得的反演雪深值误差过大,没有讨论的价值,其实在48天之前B1与B3都可以较好的呈现雪深变化的结果,但在48天雪深开始急剧变化之后,B1波段所得结果明显产生粗差,这里面的原因可能是在产生新的降雪时,新雪层比较稀松导致卫星信号更容易穿过雪层,反射信号路径过长,反射高度过高,最后导致反演雪深小于实测雪深。所以选取B1和B3波段进行研究讨论;图3为改进前后GNSS-IR所得结果的对比,从图3以及表1中可以看出B1与B3的结果明显得到提高,尤其是B1所得结果,由RMSE由8.32cm提高到5.22cm。
表2新疆站点伽利略数据采用两种雪深方法与实测雪深对比的Mean和RMSE
图4为GNSS-IR利用伽利略E1、E5a、E5b、E5波段所得反演结果,精度较高的是E1波段所得结果,利用改进后的GNSS-IR对E1波段进行处理,从图5中可以看出精度一定程度有所提高,Mean由4.66cm提高到1.81cm,RMSE由6.21cm提高到2.40cm。其实我们可以看出伽利略整体的反演精度是低于北斗所得的结果,众所周知,伽利略的卫星轨道的公转周期为14个小时,相比于北斗公转周期较少,而且在新疆站点伽利略卫星的个数较少,可能会导致反演结果精度会较低。
表3新疆站点哥伦纳斯数据采用两种雪深方法与实测雪深对比的Mean和RMSE
图6是GNSS-IR利用哥伦纳斯L1C、L1P波段所得反演结果,L1C精度较高,利用改进后的GNSS-IR对L1C波段进行处理,从图7中可以看出精度在一定程度提高,Mean由4.88cm提高到2.03cm,RMSE由5.71cm提高到2.43cm。对比之前的北斗,GPS还有伽利略处理所得的结果,哥伦纳斯的精度是略低的,由于是在中国新疆地区,所以卫星数量会低于北斗和GPS,还有一点值得注意,哥伦纳斯有的卫星波长是不一致的,但差别又不是很大,由于本文作统一处理,这也可能是影响精度的一个原因。再者,由于接收机对于各个卫星系统接收卫星信号的性能不同,同样也会影响精度。
表4新疆站点改进后GNSS-IR处理各个系统数据的最好结果
利用改进前后GNSS-IR对新疆阿勒泰站点四大卫星系统的数据进行处理,结果精度在不同程度上都有一定的提高,从表4中可以看出北斗B3频段的结果最好,Mean值可以达到1.37cm,RMSE可以达到1.74cm。
本发明提出一种改进的GNSS-IR方法,利用动态聚类算法与格拉布斯准则粗差剔除,然后将多颗卫星融合取有效波形最高频率振幅平均值所对应的反射高度为有效高度,提高雪深反演的精度,这种方法可以在一定程度上消除由于地表环境和不同雪层的复杂参数所产生的粗差,对于谱分析的结果进行质量控制,一定程度上进行多星融合,提高反演雪深的精度。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种改进的GNSS-IR提取积雪深度方法,其特征在于,包括以下步骤:
S1:GNSS接收机通过天线接收卫星直射信号和地面不同反射源的反射信号;
S2:将所有信号进行Lomb-Scargle频谱分析,获取频谱分析后的结果波形图;对所有信号的振幅功率进行极值归一化;
S3:对所有信号分别两两进行最小欧式距离计算,将距离最大的两个信号作为两个初始聚类中心;剩余的每个信号与两个所述初始聚类中心的距离和做比较,归入离与其中所述初始聚类中心近的那一类,依次类推将所有信号分为两类;
S4:根据欧氏距离最小原则利用所述S3的方法将所有信号波形分为三类,将元素最多的一类选取作为有效波形;
S5:采用格拉布斯准则对所述有效波形最高频率振幅进行误差分析:
其中,Vc为有效波形的残差;Xc为有效波形最高频率振幅;为有效波形最高频率振幅的平均值;G(n,a)是取决于有效波形个数n和显著性水平a,通常a取0.05,通过查表可得G(n,a)=2.41;σ(X)为标准差;
满足计算结果的有效波形剔除,筛选之后的所述有效波形最高频率振幅的平均值所对应的反射高度为有效高度HE,得到雪深hsnow的最终结果:
hsnow=HG-HE;
其中,HG为地面高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065249.2A CN112130174B (zh) | 2020-09-30 | 2020-09-30 | 一种改进的gnss-ir提取积雪深度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065249.2A CN112130174B (zh) | 2020-09-30 | 2020-09-30 | 一种改进的gnss-ir提取积雪深度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130174A CN112130174A (zh) | 2020-12-25 |
CN112130174B true CN112130174B (zh) | 2022-10-18 |
Family
ID=73843687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011065249.2A Active CN112130174B (zh) | 2020-09-30 | 2020-09-30 | 一种改进的gnss-ir提取积雪深度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130174B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075706A (zh) * | 2021-03-25 | 2021-07-06 | 上海海洋大学 | 一种基于gnss-r的雪深反演方法及其应用 |
CN114488217B (zh) * | 2021-12-24 | 2022-11-18 | 中国人民解放军战略支援部队航天工程大学 | 基于深度学习的高轨卫星cei信号频率估计方法 |
CN114721019A (zh) * | 2022-03-29 | 2022-07-08 | 长安大学 | 基于gps双频信号的雪水当量估计方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
CN105893744A (zh) * | 2016-03-29 | 2016-08-24 | 中国科学院遥感与数字地球研究所 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
CN108871226A (zh) * | 2018-06-26 | 2018-11-23 | 北京佳讯飞鸿电气股份有限公司 | 一种积雪深度的测量方法、装置及系统 |
CN108919321A (zh) * | 2018-05-18 | 2018-11-30 | 长安大学 | 一种基于尝试法的gnss定位粗差探测方法 |
CN110927829A (zh) * | 2019-11-28 | 2020-03-27 | 桂林理工大学 | 一种支持向量机辅助的gps信噪比雪深反演方法 |
JP2020076665A (ja) * | 2018-11-08 | 2020-05-21 | 国立研究開発法人 海上・港湾・航空技術研究所 | 積雪特性を測定する方法及びその装置及びこの積雪特性を測定する方法を利用した融雪災害の予測監視方法及びその装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8581772B2 (en) * | 2010-06-04 | 2013-11-12 | Brigham Young University | Method, apparatus, and system to remotely acquire information from volumes in a snowpack |
-
2020
- 2020-09-30 CN CN202011065249.2A patent/CN112130174B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
CN105893744A (zh) * | 2016-03-29 | 2016-08-24 | 中国科学院遥感与数字地球研究所 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
CN108919321A (zh) * | 2018-05-18 | 2018-11-30 | 长安大学 | 一种基于尝试法的gnss定位粗差探测方法 |
CN108871226A (zh) * | 2018-06-26 | 2018-11-23 | 北京佳讯飞鸿电气股份有限公司 | 一种积雪深度的测量方法、装置及系统 |
JP2020076665A (ja) * | 2018-11-08 | 2020-05-21 | 国立研究開発法人 海上・港湾・航空技術研究所 | 積雪特性を測定する方法及びその装置及びこの積雪特性を測定する方法を利用した融雪災害の予測監視方法及びその装置 |
CN110927829A (zh) * | 2019-11-28 | 2020-03-27 | 桂林理工大学 | 一种支持向量机辅助的gps信噪比雪深反演方法 |
Non-Patent Citations (4)
Title |
---|
BDS-MR for Snow Depth Monitoring in Altai;Shuangcheng Zhang 等;《CSNC2019:China Satellite Navigation Conference(CSNC) 2019 Proceedings》;20191231;全文 * |
GLONASS卫星SNR信号的雪深探测;周威等;《遥感学报》;20180925(第05期);全文 * |
Statistical Comparison and Combination of GPS,GLONASS, and Multi-GNSS Multipath Reflectometry Applied to Snow Depth Retrieval;Sajad Tabibi 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20170731;第55卷(第7期);全文 * |
基于多源数据的阿勒泰地区雪深反演研究;侯小刚等;《遥感技术与应用》;20150215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112130174A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112130174B (zh) | 一种改进的gnss-ir提取积雪深度方法 | |
Mulet et al. | The new CNES-CLS18 global mean dynamic topography | |
Reuter et al. | A joint effort to deliver satellite retrieved atmospheric CO 2 concentrations for surface flux inversions: the ensemble median algorithm EMMA | |
Cho et al. | Does AMSR2 produce better soil moisture retrievals than AMSR-E over Australia? | |
WO2022005619A2 (en) | Ocean surface wind direction retrieval from reflected radio signals on space-borne platforms | |
Roesler et al. | Coherent GNSS-reflections characterization over ocean and sea ice based on spire global CubeSat data | |
Seepersad | Reduction of initial convergence period in GPS PPP data processing | |
Tourian et al. | HydroSat: geometric quantities of the global water cycle from geodetic satellites | |
Saponaro et al. | Evaluation of aerosol and cloud properties in three climate models using MODIS observations and its corresponding COSP simulator, as well as their application in aerosol–cloud interactions | |
Béniguel | Ionospheric scintillations: Indices and modeling | |
Rodriguez-Alvarez et al. | Latest advances in the global navigation satellite system—reflectometry (GNSS-R) field | |
Zhang et al. | Mapping surface water extents using high-rate coherent spaceborne gnss-r measurements | |
Lu et al. | Global ocean wind speed retrieval from GNSS reflectometry using CNN-LSTM network | |
Tourian et al. | HydroSat: a repository of global water cycle products from spaceborne geodetic sensors | |
Natras et al. | Regional ionosphere delay models based on CORS data and machine learning | |
Nievinski | Forward and inverse modeling of GPS multipath for snow monitoring | |
Næsset et al. | Performance of GPS precise point positioning under conifer forest canopies | |
Sinha et al. | Ionospheric scintillation analysis using ROT and ROTI for slip cycle detection | |
Bao et al. | Ionospheric anomaly detection to support the BDSBAS | |
Ansari et al. | Global positioning system interferometric reflectometry for accurate tide gauge measurement: Insights from South Beach, Oregon, United States | |
Krynski et al. | National report of Poland to EUREF 2013 | |
CN115201879A (zh) | 基于北斗geo卫星反射信号的洪涝监测方法 | |
CN114217332A (zh) | 顾及闪烁指数的gnss精密定位随机模型建模方法和系统 | |
Kim et al. | An annual variation analysis of the ionospheric spatial gradient over a regional area for GNSS applications | |
Gerzen et al. | Analysis of different propagation models for the estimation of the topside ionosphere and plasmasphere with an ensemble Kalman filter |
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 |