CN114371182B - 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法 - Google Patents

一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法 Download PDF

Info

Publication number
CN114371182B
CN114371182B CN202210279863.1A CN202210279863A CN114371182B CN 114371182 B CN114371182 B CN 114371182B CN 202210279863 A CN202210279863 A CN 202210279863A CN 114371182 B CN114371182 B CN 114371182B
Authority
CN
China
Prior art keywords
data
satellite
soil moisture
reflectivity
cygnss
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
Application number
CN202210279863.1A
Other languages
English (en)
Other versions
CN114371182A (zh
Inventor
杨婷
孙志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cas Shandong Dongying Institute Of Geographic Sciences
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Cas Shandong Dongying Institute Of Geographic Sciences
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cas Shandong Dongying Institute Of Geographic Sciences, Institute of Geographic Sciences and Natural Resources of CAS filed Critical Cas Shandong Dongying Institute Of Geographic Sciences
Priority to CN202210279863.1A priority Critical patent/CN114371182B/zh
Publication of CN114371182A publication Critical patent/CN114371182A/zh
Application granted granted Critical
Publication of CN114371182B publication Critical patent/CN114371182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Physics & Mathematics (AREA)
  • Geology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于CYGNSS数据的星载GNSS‑R高精度土壤水分估算方法，通过CYGNSS获取多组卫星数据，对数据进行预处理得到标准数据；对标准数据利用双基雷达方程处理得到第一地表反射率；将水域区域对应的卫星高度角输入菲涅尔反射方程计算得到反射率Γwater；筛选出水域区域第一地表反射率SRwater，利用公式
Figure 369956DEST_PATH_IMAGE001
得到系统误差校正系数，基于公式SR1=SR*Rcali对陆地区域的第一反射率校正得到第二反射率；根据植被光学深度和地表粗糙度对第二地表反射率进行校正得到第三地表反射率；获取目标区域土壤的第三地表反射率，输入到土壤水分估计模型，得到目标区域的土壤水分估计值；本发明通过CYGNSS数据，提供一种校正系统误差、地表粗糙度和植被的方法，提升土壤水分估算精度。

Description

一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法
技术领域
本发明涉及水文遥感技术领域。具体而言，涉及一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法。
背景技术
土壤水分是水文过程、地表蒸散、水分迁移和碳循环等过程中的重要组成部分。具有高精度和高时空分辨率的遥感土壤水分产品是此类应用的必要输入。全球土壤水分反演一直是光学遥感和微波遥感领域的研究课题。光学遥感数据具有高空间分辨率（如MODIS），但受云雾限制较大。另外，光学遥感只开发估计土壤水分的模型，没有官方的土壤水分产品。相反，微波传感器为土壤水分遥感提供全天能力。近年来，已经开发了许多卫星任务，例如微波扫描辐射计（Advanced Microwave Scanning Radiometer-Earth ObservingSystem，AMSR-E）、高级散射计（The Advanced Scatterometer，ASCAT）、欧空局的土壤水分和海洋盐度卫星（Soil Moisture and Ocean Salinity，SMOS）和土壤水分主被动探测计划（Soil Moisture Active and Passive，SMAP）卫星。但是，被动微波遥感空间分辨率低（>=9km），主动微波遥感时间分辨率较高（>=6天）等局限，无法提供逐日的高时空分辨率土壤水分产品。
随着全球卫星导航反射信号遥感技术（Global Navigation Satellite SystemReflectometry，GNSS-R）的迅速发展，星载GNSS-R为大尺度的表层土壤水分探测提供了一种新的技术手段。时间分辨率方面，相比于其他卫星遥感手段，星载GNSS-R在时间分辨率方面极大提升，可实现数小时级的全球范围土壤水分测量；空间分辨率方面，星载GNSS-R卫星探测分辨率介于光学遥感与被动微波遥感之间（几百米到几十公里）（Chew et al.,2018）；同时，星载GNSS-R使用了适合土壤水分探测的L波段（1~2GHz），可作为已有卫星遥感手段的一个重要补充。2016年美国宇航局NASA发射的“飓风全球导航卫星系统”（CycloneGlobal Navigation Satellite System,CYGNSS）星座是目前在轨运行且数据公开的唯一星载GNSS-R数据源，可为土壤水分领域的科学研究提供数据支持。但目前公开发布的CYGNSS土壤水分产品没有经过系统校正，且没有经过地表粗糙度和植被的校正，土壤水分估算精度有待进一步提高。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明要解决的技术问题是提供一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，该方法包括：
通过CYGNSS获取多组卫星数据，并对所述卫星数据进行预处理，得到标准数据，所述多组卫星数据包括陆地区域对应的卫星数据和水域区域对应的卫星数据；
对所述标准数据利用双基雷达方程公式进行处理，得到第一地表反射率；
将水域区域对应的卫星高度角输入至菲涅尔反射方程公式，计算得到水域区域的 反射率Γwater；筛选出水域区域对应的第一地表反射率SRwater，并利用公式
Figure 100002_DEST_PATH_IMAGE001
得到系统误差校正系数，基于公式SR1=SR*Rcali对陆地区域对应的第一反射率进行校正，得 到第二反射率；其中Rcali代表系统误差校正系数，SR代表陆地区域对应的第一反射率，SR1代 表经过系统校正误差的陆地区域的第二地表反射率；
根据植被光学深度和地表粗糙度对所述第二地表反射率进行校正，得到第三地表反射率；其中校正公式为：
Figure 100002_DEST_PATH_IMAGE002
其中，SRcali代表第三地表反射率，SR1代表第二地表反射率，θ为入射角，𝜏为植被光学厚度，h为地表粗糙度，𝜏可由SMAP数据获取，h由ICEsat获得；
获取目标区域土壤的第三地表反射率，将所述第三地表反射率输入至土壤水分估计模型中，得到所述目标区域的土壤水分估计值；所述土壤水分估计模型为
SM=β*SRcali+α
其中，SM代表土壤水分，SRcali表示第三地表反射率，β是特定网格的线性回归斜率，α是整个时间段内的平均SMAP SM，每个网格中的α和β都不同。
可选地，所述双基雷达方程公式为
Figure 100002_DEST_PATH_IMAGE003
其中，SR代表第一地表反射率，Pr代表DDM峰值功率，Rts代表卫星到接收机距离，Rsr代表卫星到镜面反射点距离，Pt代表发射功率，Gt代表发射天线增益，Gr为接收天线增益，λ表示GPS L1频段信号的波长。
可选地，所述菲涅尔反射方程为
Figure 100002_DEST_PATH_IMAGE004
其中，Ɛ代表纯净水域的介电常数，其值为80，E为卫星高度角。
可选地，所述预处理包括：基于预先设置的卫星高度角的最小阈值和最大阈值，对所述卫星数据进行筛选，将不超过所述最小阈值和最大阈值的数据保留；以及结合CYGNSS自身的质量控制标签对所述卫星数据筛除，其中所述质量控制标签包括S波段发射机通电标签、航天器姿态误差、黑体DDM和等效同位素辐射功率。
可选地，通过历史实测数据拟合得到土壤水分估计模型，具体操作为：依据SMAP的格点分辨率，对所述历史实测数据对应的第三地表反射率重采样置于SMAP相同分辨率的格点中，并将落在同一SMAP格点里的第三地表反射率取平均值作为该格点对应的地表反射率；然后，结合以往的SMAP数据，对每一个格点进行经验模型拟合，得到土壤水分估计模型。
可选地，所述卫星高度角的最小阈值是10°，最大阈值是65°。
与现有技术相比，本发明通过改进CYGNSS数据预处理和质量控制方法，然后建立有效系统校正，与植被和地表粗糙度校正方法，优化土壤水分估算模型，提升土壤水分的估算精度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明具体实施方式提供的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法的流程图；
图2是本发明具体实施方式提供的一种基于CYGNSS数据的星载GNSS-R得到第一地表反射率的流程图；
图3是本发明具体实施方式提供的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法的2019年1月1日校正后土壤水分示意图；
图4是本发明具体实施方式提供的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法的2019年SMAP土壤水分与CYGNSS土壤水分的相关系数比较；
图5是本发明具体实施方式提供的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法的来自ISMN站点的土壤水分实测数据与SRcali的密度图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
本发明实施例提供一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，选择目前唯一数据同步公开发布的CYGNSS数据，作为星载GNSS-R数据源。已有的星载GNSS-R不同数据源的参数、配置基本一致，具有良好的通用性；然而目前公开发布的CYGNSS土壤水分产品没有经过系统误差校正、地表粗糙度和植被的校正，土壤水分估算精度有待进一步提高，因此本发明实施例提出并建立针对星载GNSS-R数据质量控制、土壤水分估算的新方法，结果可为土壤水分监测业务应用提供强有力支撑。
本实施例提供了一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其流程如图1所示，具体包括：
S1：通过CYGNSS获取多组卫星数据，并对所述卫星数据进行预处理，得到标准数据，所述多组卫星数据包括陆地区域对应的卫星数据和水域区域对应的卫星数据。
在S1步骤中，所述卫星数据包括卫星高度角，所述预处理过程包括基于预先设置的卫星高度角的最小阈值和最大阈值，对所述卫星数据进行筛选，将不超过所述最小阈值和最大阈值的数据保留；以及结合CYGNSS自身的质量控制标签对所述卫星数据筛除，其中所述质量控制标签包括S波段发射机通电标签、航天器姿态误差、黑体多普勒图像(Delay—Doppler Map，DDM)和等效同位素辐射功率（Equivalent Isotropically Radiated Power，EIRP）。
在本发明实施例中，所述卫星数据还包括发射天线增益、接收天线的增益、卫星与接收机的距离、卫星与镜面反射点的距离、DDM峰值功率、发射功率、卫星入射角和卫星高度角。由于卫星高度角较小时，CYGNSS信号非相干累加受噪声影响较大，同时地表多路径效应对信号影响明显；而当卫星高度角较大时，信号受地表非相干效应明显增强，因此，本发明实施例通过多次实验将卫星高度角的最小阈值设置为10°和最大阈值为65°，在此范围内的卫星高度角对CYGNSS信号影响较小，因此在预处理过程中，将卫星数据中卫星高度角超出范围的相关数据删除。
S2：对所述标准数据利用双基雷达方程公式进行处理，得到第一地表反射率。
如图2所示，本发明实施例分析GNSS观测参量与PDDM的相关度，所述观测参量包括天线高度、天线增益、卫星与接收机距离、传感器与地物之间距离，筛选适宜参量，共同完成校正；通过分析研究得到双基雷达方程：
Figure 241390DEST_PATH_IMAGE003
其中，SR代表第一地表反射率，Pr代表DDM峰值功率，Rts代表卫星到接收机距离，Rsr代表卫星到镜面反射点距离，Pt代表发射功率；Gt代表发射天线增益；Gr为接收天线增益，λ表示GPS L1频段信号的波长（0.19米）。
S3：将水域区域对应的卫星高度角输入至菲涅尔反射方程公式，计算得到水域区 域的反射率Γwater；筛选出水域区域对应的第一地表反射率SRwater，并利用公式
Figure DEST_PATH_IMAGE005
得到系统误差校正系数，基于公式SR1=SR*Rcali对陆地区域对应的第一反射 率进行校正，得到第二反射率；其中Rcali代表系统误差校正系数，SR代表陆地区域对应的第 一反射率，SR1代表经过系统校正误差的陆地区域的第二地表反射率。
所述菲涅尔反射方程为
Figure 955269DEST_PATH_IMAGE004
其中，Ɛ代表纯净水域的介电常数，其值为80，E为卫星高度角。
基于S1步骤得到的第一地表反射率，筛选出水域区域对应的第一地表反射率SRwater；
利用公式
Figure DEST_PATH_IMAGE006
得到的系统误差校正系数，对陆地区域对应的第一反射 率基于公式SR1=SR*Rcali进行校正，得到陆地区域的第二反射率；
其中Rcali代表系统误差校正系数，Γwater代表根据菲涅尔反射方程得到的水域区域的反射率，SRwater代表根据双基雷达方程得到所述水域区域的反射率，SR代表陆地区域的第一反射率，SR1代表经过系统校正误差的陆地区域对应的第二地表反射率。
现有算法没有考虑CYGNSS受到的系统噪声的影响，而纯净水体的介电常数是80，可由菲涅尔反射方程计算水体的反射率，进而校正由CYGNSS获取的相同水体的反射率，进而校正系统误差。根据菲涅尔反射方程计算得到水域区域的反射率，再与CYGNSS获取到的此处水域进行比值，得到系统误差校正系数，利用此系数对陆地区域的第一反射率进行校正，得到第二反射率。
S4：根据植被光学深度和地表粗糙度对所述第二地表反射率进行校正，得到第三地表反射率；其中校正公式为：
Figure DEST_PATH_IMAGE007
其中，SRcali代表第三地表反射率，SR1代表第二地表反射率，θ为入射角，𝜏为植被光学厚度，h为地表粗糙度，𝜏可由SMAP数据获取，h由ICEsat获得。
CYGNSS进行土壤水分监测的物理基础是L波段，L波段对土壤复合介电常数的变化高度敏感，这主要与土壤水分的存在有关。同时，植被光学深度（Vegetation OpticalDepth，VOD）和地表粗糙度的混杂因素会降低L波段对土壤水分的敏感性。因此，在土壤水分估计过程中消除这些因素的影响是一个共同的关键问题。
深入分析反射信号产生机理，得到经过植被和地表粗糙度校正的地表反射率公式：
Figure 344793DEST_PATH_IMAGE007
其中，SRcali代表第三地表反射率，SR1代表第二地表反射率，θ为入射角；𝜏为植被光学厚度，h为地表粗糙度。𝜏由SMAP数据获取。h由ICESat卫星获取，保证与CYGNSS数据的尺度一致性。
此处，由于SMAP的地表粗糙度为微观尺度，而CYGNSS粗糙度为宏观尺度，以往研究中，多利用SMAP得到h，与CYGNSS数据进行匹配，此类操作将造成误差累积，因此，本发明使用宏观尺度的冰云和地面高度卫星（Ice，Cloud and land Elevation Satellite，ICESat）提供的地表粗糙度，与CYGNSS进行匹配，保证了尺度的空间一致性。
SMAP数据下载地址（
Figure 208843DEST_PATH_IMAGE008
）。该 部分研究方案的实施，能够解决本发明提出的关键问题：如何对CYGNSS原始参量进行数据 质量控制并校正植被和地表粗糙度的影响。
S5：获取目标区域土壤的第三地表反射率，将所述第三地表反射率输入至土壤水分估计模型中，得到所述目标区域的土壤水分估计值；所述土壤水分估计模型为
SM=β*SRcali+α
其中，SM代表土壤水分，SRcali表示第三地表反射率，β是特定网格的线性回归斜率，α是整个时间段内的平均SMAP SM，每个网格中的α和β都不同。
在得到第三地表反射率后，通过历史实测数据拟合得到土壤水分估计模型，具体操作为：依据SMAP的格点分辨率，如36×36km，对所述历史实测数据对应的第三地表反射率重采样置于SMAP相同分辨率的格点中，并将落在同一SMAP格点里的第三地表反射率取平均值作为该格点对应的地表反射率；随后，结合以往的SMAP数据，对每一个格点进行经验模型拟合，得到土壤水分计算公式：
SM=β*SRcali+α
其中，SM代表土壤水分，SRcali表示第三地表反射率，β是特定网格的线性回归斜率，α是整个时间段内的平均SMAP SM。并且每个网格中的α和β都不同。
如图3所示，基于本发明方法得到在2019年1月1日校正后土壤水分示意图。
通过图4所示的2019年SMAP土壤水分与CYGNSS土壤水分的相关系数比较，其中，SMUCAR代表根据官方CYGNSS得到的土壤水分与SMAP土壤水分的相关性，SMcali代表根据本发明得到的土壤水分与SMAP土壤水分的相关性；明显得到本发明实施例得到土壤水分比官方CYGNSS土壤水分相关系数更高。
根据图5所示的来自国际土壤水分网络（International Soil MoistureNetwork，ISMN）站点的土壤水分实测数据与SRcali的密度图，我们可以得到本发明实施例得到的第三地表反射率与实测土壤水分的相关系数达到0.763，反应了本发明实施例得到的土壤水分估算精度高。
综上所述，本发明实施例通过改进CYGNSS数据预处理和质量控制方法，然后，建立有效的校正系统误差、植被和地表粗糙度校正方法，优化了土壤水分估算模型，提升土壤水分的估算精度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其特征在于，包括：
通过CYGNSS获取多组卫星数据，并对所述卫星数据进行预处理，得到标准数据，所述多组卫星数据包括陆地区域对应的卫星数据和水域区域对应的卫星数据；
对所述标准数据利用双基雷达方程公式进行处理，得到第一地表反射率；
将水域区域对应的卫星高度角输入至菲涅尔反射方程公式，计算得到水域区域的反射 率Γwater；筛选出水域区域对应的第一地表反射率SRwater，并利用公式
Figure DEST_PATH_IMAGE001
得 到系统误差校正系数，基于公式SR1=SR*Rcali对陆地区域对应的第一反射率进行校正，得到 第二反射率；其中Rcali代表系统误差校正系数，SR代表陆地区域对应的第一反射率，SR1代表 经过系统校正误差的陆地区域的第二地表反射率；
根据植被光学深度和地表粗糙度对所述第二地表反射率进行校正，得到第三地表反射率，其中校正公式为：
Figure DEST_PATH_IMAGE002
其中，SRcali代表第三地表反射率，SR1代表第二地表反射率，θ为入射角，𝜏为植被光学厚度，h为地表粗糙度，𝜏可由SMAP数据获取，h由ICEsat获得；
获取目标区域土壤的第三地表反射率，将所述第三地表反射率输入至土壤水分估计模型中，得到所述目标区域的土壤水分估计值；所述土壤水分估计模型为
SM=β*SRcali+α
其中，SM代表土壤水分，SRcali表示第三地表反射率，β是特定网格的线性回归斜率，α是整个时间段内的平均SMAP SM，每个网格中的α和β都不同。
2.如权利要求1所述的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其特征在于，所述双基雷达方程公式为
Figure DEST_PATH_IMAGE003
其中，SR代表第一地表反射率，Pr代表DDM峰值功率，Rts代表卫星到接收机距离，Rsr代表卫星到镜面反射点距离，Pt代表发射功率，Gt代表发射天线增益，Gr为接收天线增益，λ表示GPS L1频段信号的波长。
3.如权利要求1所述的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其特征在于，所述菲涅尔反射方程为
Figure DEST_PATH_IMAGE004
其中，Ɛ代表纯净水域的介电常数，其值为80，E为卫星高度角。
4.如权利要求1所述的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其特征在于，所述预处理包括：基于预先设置的卫星高度角的最小阈值和最大阈值，对所述卫星数据进行筛选，将不超过所述最小阈值和最大阈值的数据保留；以及结合CYGNSS自身的质量控制标签对所述卫星数据筛除，其中所述质量控制标签包括S波段发射机通电标签、航天器姿态误差、黑体DDM和等效同位素辐射功率。
5.如权利要求1所述的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其特征在于，还包括通过历史实测数据拟合得到土壤水分估计模型，具体操作为：依据SMAP的格点分辨率，对所述历史实测数据对应的第三地表反射率重采样置于SMAP相同分辨率的格点中，并将落在同一SMAP格点里的第三地表反射率取平均值作为该格点对应的地表反射率；然后，结合以往的SMAP数据，对每一个格点进行经验模型拟合，得到土壤水分估计模型。
6.如权利要求2所述的一种基于CYGNSS数据的星载GNSS-R高精度土壤水分估算方法，其特征在于，所述卫星高度角的最小阈值是10°，最大阈值是65°。
CN202210279863.1A 2022-03-22 2022-03-22 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法 Active CN114371182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210279863.1A CN114371182B (zh) 2022-03-22 2022-03-22 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210279863.1A CN114371182B (zh) 2022-03-22 2022-03-22 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法

Publications (2)

Publication Number Publication Date
CN114371182A CN114371182A (zh) 2022-04-19
CN114371182B true CN114371182B (zh) 2022-05-31

Family

ID=81145217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210279863.1A Active CN114371182B (zh) 2022-03-22 2022-03-22 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法

Country Status (1)

Country Link
CN (1) CN114371182B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
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
CN115047499B (zh) * 2022-05-31 2023-11-07 武汉大学 星载gnss-r土壤温度与湿度的反演方法、系统
CN114814173B (zh) * 2022-06-27 2022-10-04 中国科学院地理科学与资源研究所 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统
CN115308386B (zh) * 2022-07-18 2023-04-07 中国科学院地理科学与资源研究所 一种基于cygnss卫星数据的土壤盐分反演方法和系统
US11719732B1 (en) 2022-07-25 2023-08-08 Divirod, Inc. Reflectometer sensor
CN116519913B (zh) * 2023-07-03 2023-09-08 中国科学院地理科学与资源研究所 基于星载和地基平台融合的gnss-r数据土壤水分监测方法
CN116881721B (zh) * 2023-07-25 2024-01-02 昆明理工大学 联合星载gnss-r数据与集成机器学习算法反演植被光学厚度的方法
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308215B (zh) * 2008-06-11 2011-02-16 武汉大学 一种ⅱ类水体离水辐亮度反演方法
KR101293741B1 (ko) * 2010-03-05 2013-08-16 대한민국 토양수분의 탐지시스템 및 이를 이용한 토양수분 탐지방법
CN103336104B (zh) * 2013-06-08 2015-12-09 北京航空航天大学 Gnss卫星反射信号用于土壤介电常数的精确反演方法
CN105466957B (zh) * 2016-01-07 2018-05-25 中国农业科学院农业资源与农业区划研究所 一种fy-3c被动微波数据估算土壤湿度的方法
CN111122657B (zh) * 2019-12-11 2021-05-04 武汉大学 一种利用三通道接收机的地基gnss-r植被下土壤湿度感知方法
CN110795895A (zh) * 2020-01-06 2020-02-14 南京邮电大学 利用地表反射信号和随机森林回归算法预测土壤水分的方法
CN114167033A (zh) * 2021-12-06 2022-03-11 北京大学 基于gnss-r的土壤湿度反演方法、装置、介质及计算设备

Also Published As

Publication number Publication date
CN114371182A (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN114371182B (zh) 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法
Bessho et al. An introduction to Himawari-8/9—Japan’s new-generation geostationary meteorological satellites
Carreno-Luengo et al. Spaceborne GNSS-R from the SMAP mission: First assessment of polarimetric scatterometry over land and cryosphere
Unwin et al. Spaceborne GNSS-reflectometry on TechDemoSat-1: Early mission operations and exploitation
Wolfe et al. Developing an operational, surface-based, GPS, water vapor observing system for NOAA: Network design and results
US6356232B1 (en) High resolution ionospheric technique for regional area high-accuracy global positioning system applications
Sun et al. The FengYun-3C radio occultation sounder GNOS: a review of the mission and its early results and science applications
Tang et al. Estimation and correction of geolocation errors in FengYun-3C microwave radiation imager data
Opperman et al. Development of a regional GPS-based ionospheric TEC model for South Africa
Angling et al. Sensing the ionosphere with the Spire radio occultation constellation
Foti et al. An assessment of non-geophysical effects in spaceborne GNSS reflectometry data from the UK TechDemoSat-1 mission
Yin et al. Errors in SMOS sea surface salinity and their dependency on a priori wind speed
CN116519913B (zh) 基于星载和地基平台融合的gnss-r数据土壤水分监测方法
Yang et al. Special Sensor Microwave Imager (SSM/I) intersensor calibration using a simultaneous conical overpass technique
Ren et al. Sea surface wind speed retrieval and validation of the interferometric imaging radar altimeter aboard the Chinese Tiangong-2 space laboratory
Zhao et al. An optimal tropospheric tomography approach with the support of an auxiliary area
Tan et al. Evaluating precipitable water vapor products from Fengyun-4A meteorological satellite using radiosonde, GNSS, and ERA5 Data
Strugarek et al. Detector-specific issues in Satellite Laser Ranging to Swarm-A/B/C satellites
Mohanty et al. Ionospheric scintillation observation using space-borne synthetic aperture radar data
CN114384564B (zh) 一种基于多源数据驱动的电离层层析成像方法
Kim et al. Retrieval of subsurface soil moisture and vegetation water content from multifrequency soop reflectometry: Sensitivity analysis
Rahmani et al. Soil moisture retrieval using space-borne GNSS reflectometry: a comprehensive review
Ricciardulli et al. Remote sensing and analysis of tropical cyclones: Current and emerging satellite sensors
Chen et al. TDS-1 GNSS reflectometry wind geophysical model function response to GPS block types
Elgered et al. Monitoring of the neutral atmosphere

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