CN112415026A - Gnss-ir解译土壤湿度变化和植被生长过程的方法 - Google Patents
Gnss-ir解译土壤湿度变化和植被生长过程的方法 Download PDFInfo
- Publication number
- CN112415026A CN112415026A CN202011272727.7A CN202011272727A CN112415026A CN 112415026 A CN112415026 A CN 112415026A CN 202011272727 A CN202011272727 A CN 202011272727A CN 112415026 A CN112415026 A CN 112415026A
- Authority
- CN
- China
- Prior art keywords
- snr
- veg
- vegetation
- height
- gnss
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000002689 soil Substances 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 title claims abstract description 25
- 230000008859 change Effects 0.000 title claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000011065 in-situ storage Methods 0.000 claims description 5
- 230000035515 penetration Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 241000209140 Triticum Species 0.000 description 19
- 235000021307 Triticum Nutrition 0.000 description 17
- 238000001228 spectrum Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- 230000004907 flux Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 description 1
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 description 1
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 description 1
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 description 1
- 102100021255 Small acidic protein Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
- G01B7/06—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness
-
- 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
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/421—Determining position by combining or switching between position solutions or signals derived from different satellite radio beacon positioning systems; by combining or switching between position solutions or signals derived from different modes of operation in a single system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供GNSS‑IR解译土壤湿度变化和植被生长过程的方法，包括以下步骤：S1：确定实验区域；S2：GNSS接收机记录SNR数据；分离直射和反射信号分量；采用低阶多项式去除直射信号；S3：使用Lomb‑Scargle谱分析方法计算主导频率ftft；估算相位偏移
和振幅AmAm；采用非线性最小二乘拟合方法对SNRmSNRm进行拟合得到偏移
和振幅AmAm；S4：根据拟合获得的偏移
和振幅AmAm检索体积土壤湿度VSM；S5：根据主导频率ftft的峰值功率ALSPALSP和振幅AmAm度量植被含水量；S6：根据hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg，通过估算hveghveg的时间序列来检索植被高度变化。
Description
技术领域
本发明涉及农业监测技术领域，具体涉及GNSS-IR解译土壤湿度变化和植被生长过程的方法。
背景技术
土壤湿度和植被是陆地-大气反馈中的重要变量，被列为全球气候观测系统的基本气候变量。表层土壤湿度在将入射辐射通量划分为从土地到大气的潜热通量和显热通量中起主要作用。植被通过蒸散作用影响土壤水分，而土壤水分是决定该地区植被类型和状况的决定因素。因此，土壤水分的变化会对农业生产力，林业和生态系统健康产生重大影响。
目前，土壤湿度的观测通常使用湿度计或遥感卫星，湿度计通常作为小尺度监测网的测量手段以获取高精度的土壤湿度值。然而这些网络在空间分布研究中的应用是有限的。不同类型传感器的测量值同化具有挑战性，且土壤湿度表现出的较大水平变异性通过点测量难以实现最佳化监测。遥感卫星任务的成功运行，如欧空局的土壤水分和海洋盐度(SMOS)计划和美国宇航局的土壤水分主被动(SMAP)计划，提供了全球范围内土壤湿度的一致测量。时空的变异性和产品精度的可靠性仍需原位土壤湿度观测值进行量化和验证。因此，本发明提出了GNSS-IR解译土壤湿度变化和植被生长过程的方法。
发明内容
为解决上述问题，本发明的目的在于提供GNSS-IR解译土壤湿度变化和植被生长过程的方法。
为实现上述目的，本发明提供了如下的技术方案。
GNSS-IR解译土壤湿度变化和植被生长过程的方法，包括以下步骤：
S1：确定实验区域；
S2：GNSS接收机记录SNR数据；分离直射信号SNRdSNRd和反射信号SNRmSNRm分量；采用低阶多项式去除直射信号；
S3：使用Lomb-scargle谱分析方法计算反射信号SNRmSNRm主导频率ftft，采用非线性最小二乘拟合方法对SNRmSNRm进行拟合得到相位偏移
和振幅AmAm；
S4：根据拟合获得的相位偏移
和振幅AmAm检索体积土壤湿度VSM；
S5：根据主导频率ftft的峰值功率ALSPALSP和振幅AmAm度量植被含水量；
S6：根据hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg，通过估算hveghveg的时间序列来检索植被高度变化，其中，λλ为信号波长。
优选地，所述S2中SNR数据：
式中，PdPd为直射信号功率，PrPr为反射信号功率，PNPN为噪声功率，ψψ为相位差；所述SNR包括直射信号
和反射信号
优选地，所述ψψ是一个与反射物体物理特性相关联的参数，其中，作为ψψ的一个简单空间等效，直反射信号间的路径延迟δδ可由反射高h和卫星高度角E进行表达：
δ＝2hsinEδ＝2hsinE；
式中，h为反射高，δδ为直反射信号路径延迟，E为卫星高度角；通过将各系统信号波长λ，路径延迟δδ引起的相位差ψψ表示如下：
优选地，所述S4的检索方法：
式中，
和
分别是每个卫星轨道
时间序列最低和最高15％的平均值，取平均值剔除
序列中的异常低值或高值；
所述VSM通过
计算：
式中，VSMobs_min VSMobs_min和VSMobs_max VSMobs_max分别是原位土壤湿度的最低和最高15％的平均值，一天中所有卫星轨道VSM的中值视为该天的理想VSM值。
优选地，所述S5的检索植被高度方法：
通过低阶多项式拟合移除SNRdsNRd进而获取反射信号分量sNRmSNRm，通过LSP分析方法估算sNRmsNRm的主频ftft，最后使用式hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg。
优选地，所述S5的检索植被高度方法：
采用EMD算法分解原始SNR：
式中(x)t(x)t为原始SNR序列，ci(t)ci(t)为本征模函数IMF，rn(t)rn(t)为分别趋势项。
选择与相干信号频率相对应的IMF作为SNRmSNRm；采用多个IMF分量的组合作为最终的SNRmSNRm.相比于低阶多项式拟合获取的SNRmSNRm，通过LsP分析方法估算SNRmSNRm的主频ftft，最后使用式hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg。
优选地，所述S5的检索植被高度方法：
将时间序列分解到时间-频率域内，从而得到周期变化的模态以及这些模态随时间的变化，植被高度被检索如下：
Hveg＝Δh+λHveg＝Δh+λ_h0-hveg+λh0-hveg+λ；
式中，HvegHveg为植被高度，h0取裸土时期或植被低矮时期的一组有效反射高度hveghveg均值，λλ为信号波长代表了GNSS信号在植被中的穿透深度。
本发明的有益效果：
本发明提出了GNSS-IR解译土壤湿度变化和植被生长过程的方法，该方法采用大地测量型接收机获取的GPS和BDS SNR数据检索土壤湿度和植被生长过程，能够辅助研究植被生长对土壤湿度检索的影响。
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GNSS-IR解译土壤湿度变化和植被生长过程的方法的流程图；
图2是本发明实施例的GNSS-IR解译土壤湿度变化和植被生长过程的方法的直射信号和反射信号的几何模型图；
图3是本发明实施例的GNSS-IR解译土壤湿度变化和植被生长过程的方法的小麦作物不同生长期的SNR振幅变化情况图；
图4是本发明实施例的GNSS-IR解译土壤湿度变化和植被生长过程的方法的不同地表介质中GNSS反射信号的几何特征图；
图5是本发明实施例的GNSS-IR解译土壤湿度变化和植被生长过程的方法的裸地与小麦生长后期的有效反射高变化图；
图6是本发明实施例的GNSS-IR解译土壤湿度变化和植被生长过程的方法的低阶多项式和EMD法获得的SNRm比较图；
图7是本发明实施例的GNSS-IR解译土壤湿度变化和植被生长过程的方法的小波功率谱和小波全谱图。
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
GNSS-IR解译土壤湿度变化和植被生长过程的方法，具体流程如图1所示，包括以下几个步骤：
S1：确定实验区域；
实验测站被北京城市气象研究院建立，位于中国北京市张喜庄(ZHXZ)地区(40°10'0.77"N，116°30'38.38"E)。ZHXA站点的北方被房屋和围墙等人造建筑物覆盖，而地面是平坦的在南部，因此纯净的反射信号被限制在南边(Azimuth：180°-270°)。使用了2019年2月21日至10月17日由GNSS接收器(Trimble NetR9)和天线(Leica AR10，高出地面2.6m)收集的GPS和BDS数据。传感器收集了10cm深度和1小时采样率的原位土壤水分数据。同步降雨数据也被观测和记录。
S2：GNSS接收机记录SNR数据；分离直射和反射信号分量，采用低阶多项式去除直射信号：
在GNSS接收机中，SNR(信噪比)数据被记录在标准RINEX格式文件中，并被定义为直射和多径信号分量的和。在简化模型下，SNR可表示为：
式中，SNR是直射信号功率PdPd，反射信号功率PrPr，噪声功率PNPN和相位差ψψ的函数。上式将SNR分为两部分，一部分为直射信号部分
另一部分是反射信号部分
ψψ是一个与反射物体物理特性相关联的参数，它使我们可以将SNR与测站环境联系起来。作为ψ的一个简单空间等效，直反射信号间的路径延迟δ可由反射高h和卫星高度角E进行表达：
δ＝2hsinE (2)
图2为直射信号和反射信号的几何模型.参数h，δδ和E分别代表反射高，直反射信号路径延迟和卫星高度角。
S3：使用Lomb-Scargle谱分析方法计算主导频率ftft；估算相位偏移
和振幅AmAm；采用非线性最小二乘拟合方法对SNRmSNRm进行拟合得到偏移
和振幅AmAm；
考虑到卫星信号在土壤中的穿透深度，有效反射高度通常是h的合理表达，即天线相位中心与事实反射面的距离。通过将各系统信号波长λ(GPS L1＝0.1902m，L2＝0.2442m；BDS B1＝0.1920m)引入等式(2)，路径延迟δ引起的相位差ψ表示如下：
认识到SNR的时间相关性行为主要由ψ的余弦决定(公式(1))，多径信号随时间的变化可写成如下的形式：
若令t＝sinE，则有：
相位差ψψ以角速度的形式随时间变化，其受卫星与接收机间的相对几何位置、运行速率和天线相对高度(即有效反射高度)等因素的影响。结合式(1)，在单反射简化模型下，SNR与sinE之间可近似为某一频率的余弦(或正弦)关系。频率被估算通过对SNRmSNRm使用Lomb-Scargle谱(LSP)分析，公式(5)被简化为ft＝2h/λft＝2h/λ，参数h是GNSS-IR技术检索地表环境变化的关键。
S4：根据拟合获得的偏移
和振幅AmAm检索体积土壤湿度VSM：
式中，
和
分别是每个卫星轨道
时间序列最低和最高15％的平均值，取平均值可以剔除
序列中的异常低值或高值；
所述VSM可通过
计算：
式中，VSMobs_min VSMobs-min和VSMobs_maxVSMobs_max分别是原位土壤湿度的最低和最高15％的平均值，一天中所有卫星轨道VSM的中值视为该天的理想VSM值。
S5：根据主导频率ftft的峰值功率ALSPALSP和振幅AmAm度量植被含水量；
振幅(ALSPALSP and AmAm)是与植被含水量变化最相关的度量标准Error：Referencesource not found。ALSPALSP是LSP频率的峰值功率。ALSPALSP和AmAm的大小也受到卫星发射功率、天线增益和接收机温度的影响。实际，ALSPALSP和AmAm被归一化如下：
式中20％表示单个卫星轨道的时间序列中ALSPALSP或AmAm的前20％的平均值。ALSPnormALsPnorm和AmnormAmnorm的大小在植被最高时期存在微小差异，在整个植被生长过程中是相似的。
图3小麦作物不同生长期的SNR振幅变化情况。线条是SNR残差序列。柱状是LSP分析方法估算的相应残差序列峰值功率。
实验站点地表植被(小麦)不同生长期的典型SNRmSNRm振荡如图3，根据每月一次的实地观察和采样，并结合小麦生长的特点，划分出5个时期：小麦生长前期doy75，小麦株高约15-20厘米，地表未被小麦完全覆盖；小麦生长中期，doy105，小麦株高25-30厘米左右，地表几乎被小麦覆盖；小麦生长后期，doy135，该时期小麦株高已接近最高约55厘米左右，株高不在继续增加；秸秆残留期，doy165，测站小麦被收割，地表残留秸秆高约20厘米；裸土期，doy195，地表残留秸秆被清除，仅有少量杂草，可认为裸土。小麦生长的不同时期，SNRmSNRm振荡幅度发生了明显的改变(图3，线条)。ALSPALSP成功地反应了小麦生长过程(图3，柱状)，ALSPALSP是最大的在小麦生长前期或裸土期并且达到最小在小麦生长后期，前者比后者高出44％。
S6：根据hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg，通过估算hveghveg的时间序列来检索植被高度变化。
在测站植被生长的中后期，植被表面取代裸露的土壤表面成为主导的反射面。如图4，通过估算hveghveg的时间序列来检索植被高度变化。
a)经典方法(Tra)
采用该算法检索小麦高度，低阶多项式拟合被用于移除SNRdSNRd进而获取反射信号分量SNRmSNRm，通过LSP分析方法估算SNRmSNRm的主频ftft，最后使用式hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg。图5展示了裸地期和植被生长后期的SNRmSNRm数据LSP分析结果。随着植被高度的增加，主导的hveghveg左移并且数值减小从2.74到2.12。
b)经验模态分解法(EMD)
对于传统算法，低阶多项式拟合得到的SNRmSNRm中包含了大量从低频到高频的信号，这会导致由LSP估算的hveghveg出现偏差如图6。引入EMD算法在植被高度检索实验中。其原理简单总结如下：
式中(x)t(x)t、ci(t)ci(t)和rn(t)rn(t)分别为原始SNR序列、本征模函数IMF和趋势项。
EMD算法的关键是将复杂原始信号SNR分解为有限个IMF，每个IMF分量包含了SNR不同时间尺度的局部特征信号。在本实验中，我们使用EMD算法分解原始SNR，然后选择与相干信号频率相对应的IMF作为SNRmSNRm。考虑到植被反射面的复杂变化，采用多个IMF分量的组合作为最终的SNRmSNRm。相比于低阶多项式拟合获取的SNRmSNRm，由EMD方法得到的SNRmSNRm波形是更加稳定和对称的。同时EMD算法的SNR的LSP分析结果更加符合测站植被真实高度，如图6。
c)小波分析法
小波分析可将时间序列分解到时间-频率域内，从而得到周期变化的模态以及这些模态随时间的变化。将小波分析用于提取多路径成分的时变频率和幅度，映射了GPS测站周围多路径环境。对SNRmSNRm使用小波分析估算出主导周期T，进而反映测站植被变化情况的有效反射高度被计算Error：Reference source not found。原理由式(4)所推导如下：
式中，E为卫星高度角，cosEcosE和dE/dtdE/dt的变化被考虑在内，T是SNRmSNRm数据的主导周期，由小波功率谱计算如图7所示，并使用小波全谱来检验小波方差的非稳定性变化。小波功率谱在时间和频率域上都有较高的分辨率，且小波变换使用短时的波包来计算功率谱，可以更好的描述周期分量随时间的变化。
图4展示了植被生长期有效反射高度hveghveg直接与植被高度变化相关，考虑GNSS信号能够穿透一定高度的植被，植被高度被检索如下：
Hveg＝Δh+λHveg＝Δh+λ＝h0-hveg+λ
(12)
h0-hveg+λ
HvegHveg为植被高度，h0取裸土时期或植被低矮时期的一组有效反射高度hveg hveg均值，λλ为信号波长(GPS λL1＝0.1902m、λL2＝0.2442m；BDS λB1＝0.1920m)代表了GNSS信号在植被中的穿透深度。因此，该实验仅检索大于一个波长的植被高度。将基于上述三种方法计算测站植被高度HvegHveg，并展开对比研究，验证了GNSS-IR技术解译植被高度变化方面的潜力。
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 (7)
1.GNSS-IR解译土壤湿度变化和植被生长过程的方法，其特征在于，包括以下步骤：
S1：确定实验区域；
S2：GNSS接收机记录SNR数据，分离SNR数据中的直射信号SNRdSNRd和反射信号SNRmSNRm分量，并采用低阶多项式去除SNR数据中的直射信号；
S3：使用Lomb-Scargle谱分析方法计算反射信号SNRmSNRm主导频率ftft，采用非线性最小二乘拟合方法对SNRmSNRm进行拟合得到相位偏移
和振幅AmAm；
S4：根据拟合获得的相位偏移
和振幅AmAm检索体积土壤湿度VSM；
S5：根据主导频率ftft的峰值功率ALSPALSP和振幅AmAm度量植被含水量；根据hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg，通过估算hveghveg的时间序列来检索植被高度变化，其中，λλ为信号波长。
2.根据权利要求1所述的GNSS-IR解译土壤湿度变化和植被生长过程的方法，其特征在于，所述S2中SNR数据：
式中，PdPd为直射信号功率，PrPr为反射信号功率，PNPN为噪声功率，ψψ为相位差；所述SNR包括直射信号
和反射信号
3.根据权利要求2所述的GNSS-IR解译土壤湿度变化和植被生长过程的方法，其特征在于，所述ψψ是一个与反射物体物理特性相关联的参数，其中，作为ψψ的一个空间等效，直反射信号间的路径延迟δδ可由反射高h和卫星高度角E进行表达：
δ＝2hsinEδ＝2hsinE；
式中，h为反射高，δδ为直反射信号路径延迟，E为卫星高度角；通过将各系统信号波长λ，路径延迟δδ引起的相位差ψψ表示如下：
4.根据权利要求1所述的GNSS-IR解译土壤湿度变化和植被生长过程的方法，其特征在于，所述S4的检索方法：
式中，
和
分别是每个卫星轨道
时间序列最低和最高15％的平均值，取平均值剔除
序列中的异常低值或高值；
所述VSM通过
计算：
式中，VSMobs_minVSMobs_min和VSMobs_maxVSMobs_max分别是原位土壤湿度的最低和最高15％的平均值，一天中所有卫星轨道VSM的中值视为该天的理想VSM值。
5.根据权利要求1所述的GNSS-IR解译土壤湿度变化和植被生长过程的方法，其特征在于，所述S5的检索植被高度方法：
通过低阶多项式拟合移除SNRdSNRd进而获取反射信号分量SNRmSNRm，通过LSP分析方法估算SNRmSNRm的主频ftft，最后使用式hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg。
6.根据权利要求1所述的GNSS-IR解译土壤湿度变化和植被生长过程的方法，其特征在于，所述S5的检索植被高度方法：
采用EMD算法分解原始SNR：
式中(x)t(x)t为原始SNR序列，ci(t)ci(t)为本征模函数IMF，rn(t)rn(t)为趋势项；
选择与相干信号频率相对应的IMF作为SNRmSNRm；采用多个IMF分量的组合作为最终的SNRmSNRm，通过LSP分析方法估算SNRmSNRm的主频ftft，最后使用式hveg＝ftλ/2hveg＝ftλ/2将主频ftft转化为有效反射高度hveghveg。
7.根据权利要求1所述的GNSS-IR解译十壤湿度变化和植被生长过程的方法，其特征在于，所述S5的检索植被高度方法：
将时间序列分解到时间-频率域内，从而得到周期变化的模态以及这些模态随时间的变化，植被高度被检索如下：
Hveg＝Δh+λHveg＝Δh+λ＝h0-hveg+λh0-hveg+λ；
式中，HvegHveg为植被高度，h0取裸土时期或植被低矮时期的一组有效反射高度hveghveg均值，λλ为信号波长代表了GNSS信号在植被中的穿透深度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011272727.7A CN112415026A (zh) | 2020-11-12 | 2020-11-12 | Gnss-ir解译土壤湿度变化和植被生长过程的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011272727.7A CN112415026A (zh) | 2020-11-12 | 2020-11-12 | Gnss-ir解译土壤湿度变化和植被生长过程的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112415026A true CN112415026A (zh) | 2021-02-26 |
Family
ID=74831836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011272727.7A Pending CN112415026A (zh) | 2020-11-12 | 2020-11-12 | Gnss-ir解译土壤湿度变化和植被生长过程的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112415026A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115980317A (zh) * | 2023-03-20 | 2023-04-18 | 中国科学院地理科学与资源研究所 | 基于修正相位的地基gnss-r数据土壤水分估算方法 |
| CN117571968A (zh) * | 2024-01-12 | 2024-02-20 | 山东大学 | 一种基于gnss-ir的土壤湿度计算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011129938A1 (en) * | 2010-04-14 | 2011-10-20 | The Boeing Company | Software global navigation satellite systems receiver for high-altitude spacecraft applications |
| WO2016186523A1 (en) * | 2015-05-21 | 2016-11-24 | C-Dax Limited | Plant matter sensor |
| CN106290408A (zh) * | 2016-07-21 | 2017-01-04 | 清华大学 | 基于连续运行gnss站信噪比数据的土壤水分测量方法 |
| CN110389208A (zh) * | 2018-04-17 | 2019-10-29 | 金华航大北斗应用技术有限公司 | 基于gnss-ir多波段融合土壤湿度监测方法及装置 |
| 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 |
-
2020
- 2020-11-12 CN CN202011272727.7A patent/CN112415026A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011129938A1 (en) * | 2010-04-14 | 2011-10-20 | The Boeing Company | Software global navigation satellite systems receiver for high-altitude spacecraft applications |
| WO2016186523A1 (en) * | 2015-05-21 | 2016-11-24 | C-Dax Limited | Plant matter sensor |
| CN106290408A (zh) * | 2016-07-21 | 2017-01-04 | 清华大学 | 基于连续运行gnss站信噪比数据的土壤水分测量方法 |
| CN110389208A (zh) * | 2018-04-17 | 2019-10-29 | 金华航大北斗应用技术有限公司 | 基于gnss-ir多波段融合土壤湿度监测方法及装置 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| SIBO ZHANG ET AL: "Use of reflected GNSS SNR data to retrieve either soil moisture or vegetation height from a wheat crop", HYDROLOGY AND EARTH SYSTEM SCIENCES, vol. 21, no. 9, pages 4767 - 4784 * |
| 刘悦等: "基于GNSS-R的煤矿区复垦地土壤湿度反演", 安徽理工大学学报(自然科学版), vol. 40, no. 05, pages 39 - 35 * |
| 李婷等: "多卫星组合的GPS-MR土壤湿度反演", 大地测量与地球动力学, vol. 39, no. 6, pages 643 - 647 * |
| 王瑞芳: "利用EMD进行GNSS-MR潮位监测研究", 测绘通报, no. 10, pages 114 - 117 * |
| 陈堃等: "基于深度置信网络的GNSS-IR土壤湿度反演", 测绘通报, no. 9, pages 100 - 105 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115980317A (zh) * | 2023-03-20 | 2023-04-18 | 中国科学院地理科学与资源研究所 | 基于修正相位的地基gnss-r数据土壤水分估算方法 |
| CN117571968A (zh) * | 2024-01-12 | 2024-02-20 | 山东大学 | 一种基于gnss-ir的土壤湿度计算方法 |
| CN117571968B (zh) * | 2024-01-12 | 2024-04-05 | 山东大学 | 一种基于gnss-ir的土壤湿度计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jia et al. | Cloudy-sky land surface temperature from VIIRS and MODIS satellite data using a surface energy balance-based method | |
| Wang et al. | Globally consistent patterns of asynchrony in vegetation phenology derived from optical, microwave, and fluorescence satellite data | |
| Liu et al. | Global vegetation biomass change (1988–2008) and attribution to environmental and human drivers | |
| Van der Schalie et al. | The merging of radiative transfer based surface soil moisture data from SMOS and AMSR-E | |
| Holmes et al. | Diurnal temperature cycle as observed by thermal infrared and microwave radiometers | |
| Borgogno-Mondino et al. | A fast operative method for NDVI uncertainty estimation and its role in vegetation analysis | |
| Sha et al. | Spatio-temporal patterns of satellite-derived grassland vegetation phenology from 1998 to 2012 in Inner Mongolia, China | |
| Kolassa et al. | Soil moisture retrieval from multi‐instrument observations: Information content analysis and retrieval methodology | |
| Holl et al. | A long-term (2002 to 2017) record of closed-path and open-path eddy covariance CO 2 net ecosystem exchange fluxes from the Siberian Arctic | |
| Zhang et al. | Evaluation of GNSS-IR for retrieving soil moisture and vegetation growth characteristics in wheat farmland | |
| Fayad et al. | Assessment of GEDI's LiDAR data for the estimation of canopy heights and wood volume of eucalyptus plantations in Brazil | |
| CN112415026A (zh) | Gnss-ir解译土壤湿度变化和植被生长过程的方法 | |
| Kaspersen et al. | A spatiotemporal analysis of climatic drivers for observed changes in Sahelian vegetation productivity (1982–2007) | |
| Holmes et al. | Enhancing model‐based land surface temperature estimates using multiplatform microwave observations | |
| Turk et al. | A physically based soil moisture and microwave emissivity data set for Global Precipitation Measurement (GPM) applications | |
| Wu et al. | Early growing season anomalies in vegetation activity determine the large‐scale climate‐vegetation coupling in Europe | |
| Serra | Precipitation measurements from the Tropical Moored Array: A review and look ahead | |
| Liu et al. | A robust gap-filling approach for European Space Agency Climate Change Initiative (ESA CCI) soil moisture integrating satellite observations, model-driven knowledge, and spatiotemporal machine learning | |
| Winarso et al. | Mangrove above ground biomass estimation using combination of Landsat 8 and ALOS PALSAR data | |
| Dalmonech et al. | Regional estimates of gross primary production applying the Process-Based Model 3D-CMCC-FEM vs. Remote-Sensing multiple datasets | |
| Li et al. | Triple collocation-based merging of multi-source gridded evapotranspiration data in the Nordic Region | |
| Cihlar et al. | On the validation of satellite-derived products for land applications | |
| Das et al. | Characterizing the regional XCO2 variability and its association with ENSO over India inferred from GOSAT and OCO-2 satellite observations | |
| Avtar et al. | Efficiency of multi-frequency, multi-polarized SAR data to monitor growth stages of oilpalm plants in Sarawak, Malaysia | |
| Shopan et al. | Estimation of evapotranspiration of boro rice in the northwest region of Bangladesh |
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 |