CN114186484B - 一种适用于高海拔地区的地表土壤湿度遥感反演方法 - Google Patents
一种适用于高海拔地区的地表土壤湿度遥感反演方法 Download PDFInfo
- Publication number
- CN114186484B CN114186484B CN202111444593.7A CN202111444593A CN114186484B CN 114186484 B CN114186484 B CN 114186484B CN 202111444593 A CN202111444593 A CN 202111444593A CN 114186484 B CN114186484 B CN 114186484B
- Authority
- CN
- China
- Prior art keywords
- soil humidity
- area
- remote sensing
- measured
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000003746 surface roughness Effects 0.000 claims abstract description 5
- 238000002310 reflectometry Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 3
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 abstract description 19
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 abstract description 19
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 abstract description 19
- 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 abstract description 19
- 102100021255 Small acidic protein Human genes 0.000 abstract description 19
- 238000003908 quality control method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种适用于高海拔地区的地表土壤湿度遥感反演方法，属于土壤湿度测量领域。本发明基于新兴的CYGNSS星载GNSS‑R数据结合SMAP土壤湿度产品和其他多源辅助数据诸如经纬度、土地覆盖类型、归一化差分植被指数、高程高度以及表面粗糙度，利用人工神经网络实现高海拔区域土壤湿度的反演，几乎能够全天提供地表土壤湿度数据，且能够反演出地表土壤湿度的长时间序列的变化趋势。本专利未对CYGNSS做过多的质量控制，以达到在高海拔区域保留数据量的目的。加入海拔高度、经纬度等辅助数据且采用人工神经网络进行建模能在高海拔地区能以较低的信号质量正确反演得到地表土壤湿度。
Description
技术领域
本发明属于土壤湿度测量领域，具体涉及一种适用于高海拔地区的地表土壤湿度遥感反演方法。
背景技术
地表土壤湿度对全球水循环以及能量交换有着重要的影响，是水土灾害产生和演化的一个关键因子，因此成为监测干旱和洪涝的重要指标。目前的地表土壤湿度监测的主要技术手段包括传统法、光学遥感法和微波遥感法。传统的土壤湿度监测方法如烘干法、时域反射仪法等能获取较为准确的土壤水分观测值，但这类方法需要定时、定点测量，时空分辨率较低，并且需要大量的人力物力。光学遥感反演土壤湿度受云、大气影响严重，地表穿透能力差，时间分辨率低。微波遥感方法能够全天候大范围观测，但重访时间较长，空间分辨率较低。目前已有的CYGNSS反演土壤湿度的方法在高海拔地区数据稀缺，并且现有卫星遥感土壤湿度产品时间连续性较差。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种适用于高海拔地区的地表土壤湿度遥感反演方法。
为了实现上述目的，本发明提供如下技术方案：
一种适用于高海拔地区的地表土壤湿度遥感反演方法，包括以下步骤：
获取待测地区的全球导航卫星系统反射测量信息和土壤湿度的遥感信息；
通过全球导航卫星系统反射测量信息计算待测地区的地表反射率；
以地表反射率Γrl(db)为第一影响因素，结合遥感信息和待测地区的信息，进行预处理，生成数据集；
通过数据集对人工神经网络模型进行训练得到土壤湿度模型。
优选的，还包括：
以地表反射率为第一影响因素，结合待测地区的信息，进行预处理，生成测试集；
将测试集输入土壤湿度模型输出土壤湿度。
优选的，所述获取待测地区的地表反射率Γrl(db)的步骤包括，
通过下式表示GNSS的反射天线接收的散射信号
对散射信号
进行变形得到地表反射率Γrl(db)的表达如下，
其中，
为GNSS接收机的有效辐射功率；Gt为GNSS发射天线的增益；Gr为GNSS接收天线的增益；Rts为GNSS地表镜面反射点到发射点的距离；Rsr为GNSS地表镜面反射点到接收点的距离；λ为散射信号的波长。
优选的，所述待测地区的信息包括：
待测地区的经纬度；
待测地区的土地覆盖类型；
待测地区的归一化差分植被指数；
测试的月份；
待测地区的高程高度；
待测地区的土地的表面粗糙度。
优选的，所述进行预处理的步骤包括：
采用分辨率为36km的EASE-Grid 2.0网格，以经纬度作为网格横纵坐标，形成数据坐标系；
将每个坐标点的地表反射率引入数据坐标系，完成预处理。
本发明提供的适用于高海拔地区的地表土壤湿度遥感反演方法具有以下有益效果：本专利基于新兴的CYGNSS星载GNSS-R数据结合SMAP土壤湿度产品和其他多源辅助数据诸如经纬度、土地覆盖类型、归一化差分植被指数、高程高度以及表面粗糙度，利用人工神经网络实现高海拔区域土壤湿度的反演，能够全天提供地表土壤湿度数据，且能够反演出地表土壤湿度的长时间序列的变化趋势。本专利未对CYGNSS做过多的质量控制，以达到在高海拔区域保留数据量的目的。加入海拔高度、经纬度等辅助数据且采用人工神经网络进行建模让能其在高海拔地区能以较低的信号质量正确反演得到土壤湿度。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的适用于高海拔地区的地表土壤湿度遥感反演方法的流程图；
图2为本发明实施例1的36km格网内全球导航卫星系统反射测量信息地面反射点示意图；
图3为本发明实施例1的2019年9月26日黄河流域土壤湿度SMAP SM(a)、CYGNSS SM(b)和本发明ANN SM(c)的空间分布图；
图4为本发明实施例1的2019年黄河流域本发明ANN SM和CYGNSS SM与SMAP SM土壤湿度的年均相关系数R和均方误差RMSE空间分布，图(a)为本发明ANN SM与SMAP SM的年均相关系数R，图(b)为本发明ANN SM与SMAP SM的年均均方误差RMSE，图(c)为CYGNSS SM与SMAP SM的年均相关系数R，图(d)为CYGNSS SM与SMAP SM的年均均方根误差图；
图5为本发明实施例1的2019年全年SMAP SM、CYGNSS SM和本发明ANN SM这3种土壤湿度产品平均数据量对比图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种适用于高海拔地区的地表土壤湿度遥感反演方法，如图1所示，包括以下步骤：获取待测地区的全球导航卫星系统反射测量信息(CYGNSS GNSS-R信息)和土壤湿度的遥感信息(SMAP SM信息)；通过全球导航卫星系统反射测量信息计算待测地区的地表反射率；以地表反射率为第一影响因素，结合遥感信息和待测地区的信息，进行预处理，生成数据集；以地表反射率为第一影响因素，结合待测地区的信息，进行预处理，生成测试集；通过数据集对人工神经网络模型进行训练得到土壤湿度模型；将测试集输入土壤湿度模型输出土壤湿度。
在本实施例中，获取待测地区的地表反射率Γrl(db)的步骤包括：通过下式表示GNSS的反射天线接收的散射信号
对散射信号
进行变形得到地表反射率Γrl(db)的表达如下，
其中，
为GNSS接收机的有效辐射功率；Gt为GNSS发射天线的增益；Gr为GNSS接收天线的增益；Rts为GNSS地表镜面反射点到发射点的距离；Rsr为GNSS地表镜面反射点到接收点的距离；λ为散射信号的波长。
具体的，待测地区的信息包括：待测地区的经纬度；待测地区的土地覆盖类型；待测地区的归一化差分植被指数；测试的月份；待测地区的高程高度；待测地区的土地的表面粗糙度。通过辅助数据尤其是经纬度、高程的引入使CYGNSS反演土壤湿度克服了高海拔地区无法使用的问题。
图2为完成预处理后36km格网内全球导航卫星系统反射测量信息地面反射点示意图。在本实施例中，进行预处理的步骤包括：采用分辨率为36km的EASE-Grid 2.0网格，以经纬度作为网格横纵坐标，形成数据坐标系；将每个坐标点的地表反射率引入数据坐标系，完成预处理。
以黄河流域为例说明本发明提供的一种适用于高海拔地区的地表土壤湿度遥感反演方法的优越性。图3为土壤湿度三种产品，其中图(a)所示的为SMAP SM生成的土壤湿度，SMAP SM是全球公认的目前地表土壤湿度精度最高的卫星遥感产品，图(b)所示的为CYGNSS SM生成的土壤湿度，CYGNSS SM为目前一般学者使用的基于CYGNSS采用线性拟合的方式来反演土壤湿度的产品，图(c)为本专利使用的方法ANN SM生成的土壤湿度。从上述附图可以看到本发明生成的土壤湿度与SMAP SM在空间上的分布较为一致，但是本发明ANNSM的数据覆盖度高于SMAP SM，CYGNSS SM在高海拔地区即黄河流域西部区域不能正常提供土壤湿度数据，但是本发明在高海拔地区即黄河流域西部区域仍可以正常提供土壤湿度数据。
通过与SMAP SM生成的土壤湿度之间的相关系数R以及均方误差RMSE说明本发明的实用性。图4为CYGNSS SM、本发明ANN SM与SMAP SM之间相关系数R以及均方误差RMSE，在整个2019年本发明ANN SM与SMAP SM之间的相关系数R为0.830，RMSE为0.051cm3/cm3，相比于CYGNSS SM与SMAP SM之间的相关系数(R＝0.692，RMSE＝0.067cm3/cm3)分别提高了20％和25％。本发明ANN SM在相关系数上要高于CYGNSS SM，均方误差低于CYGNSS SM。
参阅图5，图5为3种土壤湿度的数据量对比，从本发明检测的范围角度来看，海拔大于3000m时，本发明ANN SM相较于SMAP SM的平均天数增加了一倍，而CYGNSS SM几乎不提供土壤湿度。因此，本专利使用的方法在反演土壤湿度方面能够取得较好的结果
由上述实验数据可知，本专利方法得到的地表土壤湿度成本低，相比于目前广泛使用的SMAP产品，CYGNSS星载GNSS-R无需主动发射雷达信号，所有的现有导航卫星都可以接收使用，而且重访周期短，本专利获取的地表土壤湿度产品时间分辨率为1天。本专利在高海拔区域仍能得到土壤湿度，且与实测数据之间的相关系数达到0.8，可以正确的反应高海拔区域土壤湿度的变化趋势。
以上实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。
Claims (3)
1.一种适用于高海拔地区的地表土壤湿度遥感反演方法，其特征在于，包括以下步骤：
获取待测地区的全球导航卫星系统反射测量信息和土壤湿度的遥感信息；
通过全球导航卫星系统反射测量信息计算待测地区的地表反射率Γrl；
所述获取待测地区的地表反射率Γrl的步骤包括，
通过下式表示GNSS的反射天线接收的散射信号
其中，
为GNSS接收机的有效辐射功率；Gt为GNSS发射天线的增益；Gr为GNSS接收天线的增益；Rts为GNSS地表镜面反射点到发射点的距离；Rsr为GNSS地表镜面反射点到接收点的距离；λ为散射信号的波长；
对散射信号
进行变形得到地表反射率Γrl的表达如下，
以地表反射率Γrl为第一影响因素，结合遥感信息和待测地区的信息，进行预处理，生成数据集；
所述待测地区的信息包括待测地区的经纬度；
所述进行预处理的步骤包括：
采用分辨率为36km的EASE-Grid 2.0网格，以经纬度作为网格横纵坐标，形成数据坐标系；
将每个坐标点的地表反射率引入数据坐标系，完成预处理；
通过数据集对人工神经网络模型进行训练得到土壤湿度模型。
2.根据权利要求1所述的适用于高海拔地区的地表土壤湿度遥感反演方法，其特征在于，还包括：
以地表反射率为第一影响因素，结合待测地区的信息，进行预处理，生成测试集；
将测试集输入土壤湿度模型输出土壤湿度。
3.根据权利要求1所述的适用于高海拔地区的地表土壤湿度遥感反演方法，其特征在于，所述待测地区的信息包括：
待测地区的经纬度；
待测地区的土地覆盖类型；
待测地区的归一化差分植被指数；
测试的月份；
待测地区的高程高度；
待测地区的土地的表面粗糙度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111444593.7A CN114186484B (zh) | 2021-11-30 | 2021-11-30 | 一种适用于高海拔地区的地表土壤湿度遥感反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111444593.7A CN114186484B (zh) | 2021-11-30 | 2021-11-30 | 一种适用于高海拔地区的地表土壤湿度遥感反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114186484A CN114186484A (zh) | 2022-03-15 |
| CN114186484B true CN114186484B (zh) | 2022-07-12 |
Family
ID=80541829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111444593.7A Active CN114186484B (zh) | 2021-11-30 | 2021-11-30 | 一种适用于高海拔地区的地表土壤湿度遥感反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114186484B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114894819B (zh) * | 2022-05-07 | 2023-06-23 | 中国石油大学(华东) | 一种星载gnss-r土壤湿度反演方法 |
| CN116150291A (zh) * | 2022-11-22 | 2023-05-23 | 黑龙江省生态气象中心(东北卫星气象数据中心) | 地理信息写入方法、装置、设备与计算机介质 |
| CN116825228A (zh) * | 2023-06-19 | 2023-09-29 | 中国石油大学(华东) | 基于ddm特征与下垫面信息的土壤湿度反演方法和装置 |
| CN117076819B (zh) * | 2023-08-14 | 2024-06-04 | 昆明理工大学 | 融合星载gnss-r和多源rs数据协同反演地表土壤水分和植被含水量的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111337554A (zh) * | 2020-03-13 | 2020-06-26 | 山东航向电子科技有限公司 | 多模式兼容gnss-r土壤湿度微波遥感装置及其使用方法 |
-
2021
- 2021-11-30 CN CN202111444593.7A patent/CN114186484B/zh active Active
Non-Patent Citations (6)
| Title |
|---|
| A novel approach to monitoring wetland dynamics using CYGNSS: Everglades case study;Mary Morris;《Remote Sensing of Environment》;20191101;第233卷;第1-10页 * |
| BP神经网络辅助的GNSS反射信号土壤湿度反演;丰秋林等;《测绘科学》;20180820(第08期);第161-166页 * |
| FY-3A/MWRI数据反演半干旱地区土壤湿度的研究;彭丽春等;《北京大学学报(自然科学版)》;20110119(第05期);第797-804页 * |
| Soil Moisture Retrievals Using CYGNSS Data in a Time-Series Ratio Method: Progress Update and Error Analysis;Mohammad M.Al-Khaldi;《IEEE Geoscience and Remote Sensing Letters》;20210616;第19卷;第1-5页 * |
| 地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析;梁勇;《武汉大学学报信息科学版》;20181005;第43卷(第10期);第1546-1552页 * |
| 机载平台基于全球卫星定位系统的土壤湿度遥感;宋冬生等;《东北林业大学学报》;20070525(第05期);第94-96页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114186484A (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114186484B (zh) | 一种适用于高海拔地区的地表土壤湿度遥感反演方法 | |
| Overeem et al. | Two and a half years of country‐wide rainfall maps using radio links from commercial cellular telecommunication networks | |
| Larson et al. | GPS multipath and its relation to near-surface soil moisture content | |
| Shi et al. | Low-frequency E-field Detection Array (LFEDA)—Construction and preliminary results | |
| Nievinski et al. | Inverse modeling of GPS multipath for snow depth estimation—Part II: Application and validation | |
| Nezhad et al. | Wind energy potential analysis using Sentinel-1 satellite: A review and a case study on Mediterranean islands | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| Min et al. | Coverage of China new generation weather radar network | |
| Zhang et al. | Avoiding errors attributable to topography in GPS-IR snow depth retrievals | |
| Li et al. | An improved model for detecting heavy precipitation using GNSS-derived zenith total delay measurements | |
| CN111337549A (zh) | 基于模糊熵的gps多星融合土壤湿度监测方法 | |
| Zuffada et al. | Global navigation satellite system reflectometry (GNSS-R) algorithms for wetland observations | |
| CN108462545A (zh) | 一种基于单接收站的电离层foF2参数重构方法 | |
| Colli et al. | A field assessment of a rain estimation system based on satellite-to-earth microwave links | |
| Chen et al. | A method to update model kinematic states by assimilating satellite‐observed total lightning data to improve convective analysis and forecasting | |
| Han et al. | The establishment of optimal ground‐based radar datasets by comparison and correlation analyses with space‐borne radar data | |
| Sohail Afzal et al. | Real time rainfall estimation using microwave signals of cellular communication networks: a case study of Faisalabad, Pakistan | |
| Jin et al. | Remote sensing and its applications using GNSS reflected signals: advances and prospects | |
| CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
| Wang et al. | The Preliminary Discussion of the Potential of GNSS-IR Technology for Terrain Retrievals | |
| Li et al. | Monitoring the migration of water vapor using ground-based GNSS tropospheric products | |
| Aichinger‐Rosenberger et al. | Detecting Signatures of Convective Storm Events in GNSS‐SNR: Two Case Studies From Summer 2021 in Switzerland | |
| Torcasio et al. | The impact of GNSS Zenith Total Delay data assimilation on the short-term precipitable water vapor and precipitation forecast over Italy using the WRF model | |
| Sun | Ground-based GNSS-Reflectometry sea level and lake ice thickness measurements | |
| Taori et al. | Atmospheric lightning as essential climate variable (ECV) and its availability over India using NRSC/ISRO lightning detection sensor network |
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 |