CN114814173B - 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统 - Google Patents
一种基于介电常数的星载gnss-r土壤湿度反演方法及系统 Download PDFInfo
- Publication number
- CN114814173B CN114814173B CN202210734041.8A CN202210734041A CN114814173B CN 114814173 B CN114814173 B CN 114814173B CN 202210734041 A CN202210734041 A CN 202210734041A CN 114814173 B CN114814173 B CN 114814173B
- Authority
- CN
- China
- Prior art keywords
- target area
- satellite
- representing
- reflectivity
- surface reflectivity
- 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.)
- Expired - Fee Related
Links
- 239000002689 soil Substances 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002310 reflectometry Methods 0.000 claims abstract description 145
- 230000003746 surface roughness Effects 0.000 claims abstract description 86
- 238000012937 correction Methods 0.000 claims abstract description 81
- 230000003287 optical effect Effects 0.000 claims abstract description 81
- 230000009471 action Effects 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 claims abstract 8
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 claims abstract 8
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 claims abstract 8
- 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 claims abstract 8
- 102100021255 Small acidic protein Human genes 0.000 claims abstract 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 230000010287 polarization Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000009897 systematic effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009916 joint effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- BWSIKGOGLDNQBZ-LURJTMIESA-N (2s)-2-(methoxymethyl)pyrrolidin-1-amine Chemical compound COC[C@@H]1CCCN1N BWSIKGOGLDNQBZ-LURJTMIESA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及利用特殊方法来研究或分析地面材料技术领域，提供一种基于介电常数的星载GNSS‑R土壤湿度反演方法及系统，该方法包括：从SMAP数据中提取每月平均植被光学厚度VOD和每月平均地表粗糙度h，以VOD和h为分类依据进行聚类，得到M个地表分类类型；然后根据SMAP数据中的亮温，基于辐射传输模型，计算每个地表分类类型的VOD和h共同作用的校正因子的平均值；利用VOD和h共同作用的校正因子的平均值对基于星载GNSS‑R卫星数据计算得到的地表反射率进行植被和地表粗糙度校正，随后进行系统误差校正；最后，基于菲涅尔反射方程，根据校正后的地表反射率计算土壤介电常数，以根据土壤介电常数对土壤湿度进行反演。
Description
技术领域
本申请涉及利用特殊方法来研究或分析地面材料技术领域，特别涉及一种基于介电常数的星载GNSS-R土壤湿度反演方法及系统。
背景技术
利用全球卫星导航系统的反射信号（GNSS Reflectometry，简称GNSS-R）遥感数据估算土壤水分具有低成本、高时空分辨率、覆盖范围广、精度高等诸多优点。
相关技术中，包括公开发布的星载GNSS-R土壤水分产品所使用的方法，多基于地表反射率与土壤湿度主动被动观测卫星（Soil Moisture Active Passive，简称SMAP）获取的土壤水分产品建立经验模型，从而间接得到土壤湿度。然而，上述通过经验模型获取土壤湿度的方法不够直观，且算法没有经过系统误差校正，土壤湿度的估算精度不高。
因此，需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
本申请的目的在于提供一种基于介电常数的星载GNSS-R土壤湿度反演方法及系统，以解决或缓解上述现有技术中存在的问题。
为了实现上述目的，本申请提供如下技术方案：
本申请提供了一种基于介电常数的星载GNSS-R土壤湿度反演方法，该方法包括：
根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度；
以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，M为大于1的正整数；
根据所述SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
结合所述M个地表分类类型，分别计算每个月每一个所述地表分类类型对应的所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值；
通过所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对所述目标区域的各个地理位置的第一地表反射率进行校正，得到所述目标区域的第二地表反射率；其中，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的；
对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率；
根据所述目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据所述土壤介电常数对所述土壤湿度进行反演。
优选地，所述以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，具体为：
基于Kmeans++聚类法，以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到所述M个地表分类类型，其中，每一个地表分类类型对应所述目标区域内多个不同的地理位置。
优选地，所述根据所述SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子，具体为：
按照公式：
分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
式中，
表示第p个地表分类类型对应的植被光学厚度；h表示地表粗糙度；θ表示所述GNSS-R卫星数据的入射角；T BV 表示所述GNSS-R卫星传感器的V极化方向的SMAP亮度温度；T BH 表示所述GNSS-R卫星传感器的H极化方向的SMAP亮度温度；R H_smooth 表示电磁波在所述H极化方向的光滑地表的反射率；R V_smooth 表示电磁波在所述V极化方向的光滑地表的反射率。
优选地，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到，具体为：
按照公式：
计算得到所述目标区域的各个地理位置的第一地表反射率；
式中，SR表示所述目标区域的各个地理位置的第一地表反射率；P r 表示所述GNSS-R卫星的多普勒图像峰值功率；R ts 表示所述GNSS-R卫星到信号接收机的距离；R sr 表示所述GNSS-R卫星到镜面反射点的距离；P t 表示所述GNSS-R卫星的发射功率；G t 表示所述GNSS-R卫星的发射天线增益；G r 表示所述信号接收机的接收天线增益；λ表示所述GNSS-R卫星的GPSL1频段信号的波长。
优选地，所述通过所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对所述目标区域的各个地理位置的第一地表反射率进行校正，得到所述目标区域的第二地表反射率，具体为：
按照公式：
计算得到所述目标区域的第二地表反射率；
式中，SR cali 表示所述目标区域的第二地表反射率；SR表示所述目标区域的各个地理位置的第一地表反射率；τ表示植被光学厚度；h表示地表粗糙度；θ表示所述GNSS-R卫星数据的入射角。
优选地，所述对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率，具体为：
根据所述目标区域中的水域区域对应的卫星高度角，基于菲涅尔反射方程，计算所述目标区域中的水域区域的理论地表反射率；
从所述目标区域的各个地理位置的第二地表反射率中筛选出所述目标区域中水域区域对应的第二地表反射率；
根据所述目标区域中的水域区域的理论地表反射率和所述目标区域中水域区域对应的第二地表反射率，确定系统误差校正系数；
根据所述系统误差校正系数，对所述目标区域的第二地表反射率中陆地区域对应的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率。
优选地，所述菲涅尔反射方程为：
式中，
表示所述目标区域中的水域区域的理论地表反射率；E表示所述卫星高度角；
表示星载GNSS-R条件下纯净水域的介电常数，取值为80。
优选地，所述对所述土壤湿度进行反演，具体为：
按照公式：
计算得到所述土壤湿度；
式中，SM表示所述土壤湿度；
表示所述土壤介电常数。
本申请还提供一种基于介电常数的星载GNSS-R土壤湿度反演系统，包括：
提取单元，配置为根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度；
聚类单元，配置为以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，M为大于1的正整数；
第一计算单元，配置为根据所述SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
第二计算单元，配置为结合所述M个地表分类类型，分别计算每一个所述地表分类类型对应的所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值；
第一校正单元，配置为通过所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对所述目标区域的各个地理位置的第一地表反射率进行校正，得到所述目标区域的第二地表反射率；其中，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的；
第二校正单元，配置为对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率；
反演单元，配置为根据所述目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据所述土壤介电常数对所述土壤湿度进行反演。
有益效果：
本申请实施例中，根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度；以每月平均植被光学厚度和每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型；根据SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；结合M个地表分类类型，分别计算每个月每一个地表分类类型对应的植被光学厚度和地表粗糙度共同作用的校正因子的平均值；通过植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对目标区域的各个地理位置的第一地表反射率进行校正，得到目标区域的第二地表反射率；其中，目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的；对目标区域的第二地表反射率进行系统误差校正，得到目标区域的第三地表反射率；根据目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据土壤介电常数对土壤湿度进行反演。
如此，通过改进星载GNSS-R土壤湿度计算流程，校正系统误差和植被覆盖、地表粗糙度，优化了土壤湿度估算模型；然后，通过多次校正后得到的陆地区域地表反射率直接计算得到土壤介电常数，进而直观地计算得到土壤湿度，从而提升了星载GNSS-R土壤湿度计算的机理性，提升土壤湿度的估算精度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：
图1为根据本申请的一些实施例提供的基于介电常数的星载GNSS-R土壤湿度反演方法的流程示意图；
图2为根据本申请的一些实施例提供的基于介电常数的星载GNSS-R土壤湿度反演系统的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
示例性方法
土壤水分（湿度）作为陆面资源形成、转化、消耗过程研究中的基本参数，是土壤-植被-大气系统能量与物质交换的重要参数之一，也是地表能量平衡的重要决定因素。
目前，获取土壤湿度的方法分为两类：一是土壤水分地面测量方法，二是基于遥感的方法。
对于土壤水分地面测量方法，其通过地面站点仅能获取到很小的空间范围的土壤水分信息，且时间周期长、操作复杂、经济成本高，难以满足动态、大尺度的土壤湿度监测需求。
常见的遥感方法有基于地表反射光谱（或基于波段组合的光谱指数）与土壤湿度的显著相关关系，建立经验模型，或者借助于响应不同盐渍化程度的植被特征光谱间接估算土壤湿度。然而，光学遥感易受天气等影响，无法全天候监测；且所建立的经验模型机理性不足，普适性较差。若用被动微波遥感替代光学遥感，其获取的后向散射系数在特定波段和极化方式组合下对土壤湿度响应较为敏感，一定程度上解决光学遥感易受天气等影响、无法全天候监测的问题，但其空间分辨率较低，难以满足估算精度需求。
GNSS-R遥感数据估算土壤水分具有低成本、高时空分辨率、覆盖范围广、精度高等诸多优点。目前各国正在大力推动星载GNSS-R技术发展，如英国2014年发射的技术验证卫星（TechDemoSat-1，TDS-1），美国2016年发射的“飓风全球导航卫星系统”（Cyclone GlobalNavigation Satellite System，CYGNSS），我国于2019年6月发射的“捕风一号A/B”技术验证星等。但目前已有算法，或公开发布的星载GNSS-R土壤水分产品多基于地表反射率与SMAP土壤水分建立经验模型，间接得到土壤水分，而非直接通过土壤介电常数计算土壤水分；而且，现有算法多没有经过系统校正，且没有经过地表粗糙度和植被的校正，土壤湿度计算精度有待进一步提高。
为此，本申请实施例提供一种基于介电常数的星载GNSS-R土壤湿度反演方法，该方法首先基于星载GNSS-R卫星数据，得到第一地表反射率（SR）；然后利用SMAP植被光学厚度和地表粗糙度参数对SR进行聚类，得到预设数量的地表分类类型；再对第一地表反射率进行植被和地表粗糙度的校正，得到第二地表反射率；随后，对第二地表反射率进行系统误差校正，得到目标区域的第三地表反射率；最后，通过菲涅尔反射方程推算土壤介电常数，进而计算土壤湿度。该方法通过改进星载GNSS-R土壤湿度计算流程，对地表反射率系统误差校正和植被覆盖、地表粗糙度校正，优化了土壤水分估算模型；然后，直接计算得到土壤介电常数，提升了星载GNSS-R土壤湿度计算的机理性，提高了土壤湿度的估算精度。
图1为根据本申请的一些实施例提供的基于介电常数的星载GNSS-R土壤湿度反演方法的流程示意图，如图1所示，该方法包括：
步骤S101、根据SMAP土壤水分数据，提取每月平均植被光学厚度（VegetationOptical Depth，简称VOD）和每月平均地表粗糙度h。
其中，SMAP土壤水分数据为SMAP卫星的观测数据，该卫星同时使用雷达采集和辐射计采集数据，可在1~3d的时间分辨率以及3、10和40km的空间分辨率下提供土壤表层5cm的土壤含水量数据。本申请实施例中，SMAP土壤水分数据可以从
下载。
根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度，能够获取植被光学厚度和地表粗糙度对目标区域的植被光学厚度和地表粗糙度随时间变化的趋势，从而基于植被覆盖和地表粗糙度对地表类型进行准确分类。
步骤S102、以每月平均植被光学厚度和每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，M为大于1的正整数。
本申请实施例中，目标区域取全球范围。根据步骤S101中获取的每月平均植被光学厚度和每月平均地表粗糙度对全球范围各个地理位置进行聚类，得到M个地表分类类型，这里M=50。
本申请实施例还选取了官方发布的某一个月份土地覆盖产品IGBP的地表类型图与基于本申请实施例的方法得到的同一月份的聚类结果进行对比，对比结果显示，本申请实施例的方法得到的地表分类类型更精细、更符合地表不同类型的实际分布情况。
需要说明的是，全球范围各个地理位置指的是具有经纬度坐标的地理空间位置。进一步地，根据SMAP土壤水分数据的空间分辨率，全球范围各个地理位置可以为一个或多个边长3km、10km或者40km（或上述边长的倍数）的矩形地理区域范围，对应SMAP土壤水分数据中的一个或多个像元。可以理解地，每一个地表分类类型对应全球范围内多个地理位置。
对目标区域的各个地理位置进行聚类，确定每个月份各个地理位置对应的地表类型，从而能够根据不同地表分类类型确定不同的地表反射率的植被光学厚度和地表粗糙度共同作用的校正因子。
在一些可选实施例中，以每月平均植被光学厚度和每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，具体为：基于Kmeans++聚类法，以每月平均植被光学厚度和每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，每一个地表分类类型对应目标区域内多个不同的地理位置。
步骤S103、根据SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子。
在一些实施例中，根据SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子，具体为：
按照公式：
分别计算目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子
。
式中，
表示第p个地表分类类型对应的植被光学厚度；h表示地表粗糙度；θ表示GNSS-R卫星数据的入射角；T BV 表示GNSS-R卫星传感器的V极化方向的SMAP亮度温度；T BH 表示GNSS-R卫星传感器的H极化方向的SMAP亮度温度；R H_smooth 表示电磁波在H极化方向的光滑地表的反射率；R V_smooth 表示电磁波在V极化方向的光滑地表的反射率。
其中，R H_smooth 和R V_smooth 可以通过如下公式计算得到：
式中，
表示根据SMAP土壤水分数据反推得到的土壤介电常数，可利用经典模型（如Topp模型）计算得到。
步骤S104、结合M个地表分类类型，分别计算每个月每一个地表分类类型对应的植被光学厚度和地表粗糙度共同作用的校正因子的平均值。
具体实施时，根据步骤S102得到的M个地表分类类型，对每一类地表分类类型，将各个月份中属于该地表分类类型的地理位置的植被光学厚度和地表粗糙度共同作用的校正因子
进行汇总后求平均值，得到每个月该地表分类类型对应的植被光学厚度和地表粗糙度共同作用的校正因子的平均值，从而形成一个查找表，通过该查找表根据地表分类类型（50个）以及月份查找到每个地表分类类型每个月的植被光学厚度和地表粗糙度共同作用的校正因子的平均值的数值。
以往的研究中，多依赖于SAMP土壤水分数据直接提取植被光学厚度VOD和地表粗糙度h来估算植被和地表粗糙度对地表反射率的影响，这使它们具有以下局限性：1）SMAP土壤水分数据中的植被光学厚度是从MODIS卫星植被归一化指数派生的植被含水量VWC估算得到，而实际上植被光学厚度不仅取决于VWC，还取决于植被体积密度。传统方法由于忽略了植被体积密度对植被光学厚度的影响导致引入了估算误差；2）SMAP土壤水分数据中的地表粗糙度基于接近土地覆盖类别的查找表得到，其变化率小，更接近于固定值，精度不高。
本申请实施例中，根据SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子，是一种基于物理的算法，该算法不依赖于SMAP的地表粗糙度参数作为输入，而是将SMAP亮度温度作为唯一的输入量，从而提高了植被光学厚度和地表粗糙度共同作用的校正因子计算的准确性。
步骤S105、通过植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对目标区域的各个地理位置的第一地表反射率进行校正，得到目标区域的第二地表反射率；其中，目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的。
在一些实施例中，目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到，具体为：
按照公式：
计算得到目标区域的各个地理位置的第一地表反射率；
式中，SR表示目标区域的各个地理位置的第一地表反射率；P r 表示GNSS-R卫星的多普勒图像峰值功率；R ts 表示GNSS-R卫星到信号接收机的距离；R sr 表示GNSS-R卫星到镜面反射点的距离；P t 表示GNSS-R卫星的发射功率；G t 表示GNSS-R卫星的发射天线增益；G r 表示信号接收机的接收天线增益；λ表示GNSS-R卫星的GPSL1频段信号的波长。
在另一些实施例中，通过植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对目标区域的各个地理位置的第一地表反射率进行校正，得到目标区域的第二地表反射率，具体为：
按照公式：
计算得到目标区域的第二地表反射率；
式中，SR cali 表示目标区域的第二地表反射率；SR表示目标区域的各个地理位置的第一地表反射率；τ表示植被光学厚度；h表示地表粗糙度；θ表示GNSS-R卫星数据的入射角。
如此，基于物理的算法，使用辐射传输模型来校正SR，将SMAP亮度温度作为唯一的输入量，降低了计算误差，提高了SR的校正精度。
步骤S106、对目标区域的第二地表反射率SR cali 进行系统误差校正，得到目标区域的第三地表反射率。
在一些实施例中，对目标区域的第二地表反射率进行系统误差校正，得到目标区域的第三地表反射率，具体为：根据目标区域中的水域区域对应的卫星高度角，基于菲涅尔反射方程，计算目标区域中的水域区域的理论地表反射率；从目标区域的各个地理位置的第二地表反射率中筛选出目标区域中水域区域对应的第二地表反射率；根据目标区域中的水域区域的理论地表反射率和目标区域中水域区域对应的第二地表反射率，确定系统误差校正系数；根据系统误差校正系数，对目标区域的第二地表反射率中陆地区域对应的第二地表反射率进行系统误差校正，得到目标区域的第三地表反射率。
具体实施时，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理论地表反射率Γ water 。
其中，菲涅尔反射方程为：
式中，
表示目标区域中的水域区域的理论地表反射率；E表示卫星高度角；
表示星载GNSS-R条件下纯净水域的介电常数，取值为80。
然后，从目标区域的各个地理位置的第二地表反射率中筛选出目标区域中水域区域对应的第二地表反射率SR water ；并根据目标区域中的水域区域的理论地表反射率和目标区域中水域区域对应的第二地表反射率，按照公式：
确定系统误差校正系数R cali 。
最后，根据系统误差校正系数R cali ，按照公式：
对目标区域的第二地表反射率中陆地区域对应的第二地表反射率SR cali1 进行系统误差校正，得到目标区域的第三地表反射率SR cali_water 。其中，目标区域的第三地表反射率SR cali_water 表征经过系统误差校正的陆地区域的地表反射率。
步骤S107、根据目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据土壤介电常数对土壤湿度进行反演。
首先，根据目标区域的第三地表反射率，基于菲涅尔反射方程，按照公式：
计算得到土壤介电常数
；
式中，SR cali_water 表示目标区域的第三地表反射率；
表示土壤介电常数，即陆地任意区域的土壤介电常数。
然后，基于Topp模型，根据土壤介电常数
对土壤湿度进行反演，具体为：
按照公式：
计算得到土壤湿度；
式中，SM表示土壤湿度；
表示土壤介电常数。
综上所述，本申请实施例中，根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度；以每月平均植被光学厚度和每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型；根据SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；结合M个地表分类类型，分别计算每个月每一个地表分类类型对应的植被光学厚度和地表粗糙度共同作用的校正因子的平均值；通过植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对目标区域的各个地理位置的第一地表反射率进行校正，得到目标区域的第二地表反射率；其中，目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的；对目标区域的第二地表反射率进行系统误差校正，得到目标区域的第三地表反射率；根据目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据土壤介电常数对土壤湿度进行反演。
如此，通过改进星载GNSS-R土壤湿度计算流程，校正系统误差和植被覆盖、地表粗糙度，优化了土壤水分估算模型；然后，通过多次校正后得到的陆地区域地表反射率直接计算得到土壤介电常数，进而直观地计算得到土壤湿度，从而提升了星载GNSS-R土壤湿度计算的机理性，提升土壤湿度的估算精度。
示例性系统
本申请实施例还提供一种基于介电常数的星载GNSS-R土壤湿度反演系统，图2为根据本申请的一些实施例提供的基于介电常数的星载GNSS-R土壤湿度反演系统的结构示意图，如图2所示，该系统包括：提取单元201、聚类单元202、第一计算单元203、第二计算单元204、第一校正单元205、第二校正单元206、反演单元207。其中：
提取单元201，配置为根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度。
聚类单元202，配置为以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，M为大于1的正整数。
第一计算单元203，配置为根据所述SMAP土壤水分数据中的亮温，基于辐射传输模型，分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子。
第二计算单元204，配置为结合所述M个地表分类类型，分别计算每一个所述地表分类类型对应的所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值。
第一校正单元205，配置为通过所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对所述目标区域的各个地理位置的第一地表反射率进行校正，得到所述目标区域的第二地表反射率；其中，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的。
第二校正单元206，配置为对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率。
反演单元207，配置为根据所述目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据所述土壤介电常数对所述土壤湿度进行反演。
本申请实施例提供的基于介电常数的星载GNSS-R土壤湿度反演系统能够实现上述任一基于介电常数的星载GNSS-R土壤湿度反演方法的流程、步骤，并能够达到相同的技术效果，在此不再一一赘述。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于介电常数的星载GNSS-R土壤湿度反演方法，其特征在于，包括：
根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度；
以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，M为大于1的正整数；
根据所述SMAP土壤水分数据中的亮度温度，基于辐射传输模型，分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
按照公式：
分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
式中，
表示第p个地表分类类型对应的植被光学厚度；h表示地表粗糙度；θ表示星载GNSS-R卫星数据的入射角；T BV 表示GNSS-R卫星传感器的V极化方向的SMAP亮度温度；T BH 表示所述GNSS-R卫星传感器的H极化方向的SMAP亮度温度；R H_smooth 表示电磁波在所述H极化方向的光滑地表的反射率；R V_smooth 表示电磁波在所述V极化方向的光滑地表的反射率；
结合所述M个地表分类类型，分别计算每个月每一个所述地表分类类型对应的所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值；
通过所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对所述目标区域的各个地理位置的第一地表反射率进行校正，得到所述目标区域的第二地表反射率；其中，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的；
按照公式：
计算得到所述目标区域的第二地表反射率；
式中，SR cali 表示所述目标区域的第二地表反射率；SR表示所述目标区域的各个地理位置的第一地表反射率；τ表示植被光学厚度；h表示地表粗糙度；θ表示所述星载GNSS-R卫星数据的入射角；
对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率；
所述对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率，具体为：
根据所述目标区域中的水域区域对应的卫星高度角，基于菲涅尔反射方程，计算所述目标区域中的水域区域的理论地表反射率；
从所述目标区域的各个地理位置的第二地表反射率中筛选出所述目标区域中水域区域对应的第二地表反射率；
根据所述目标区域中的水域区域的理论地表反射率和所述目标区域中水域区域对应的第二地表反射率，确定系统误差校正系数；
根据所述系统误差校正系数，对所述目标区域的第二地表反射率中陆地区域对应的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率；
根据所述目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据所述土壤介电常数对所述土壤湿度进行反演；
按照公式：
计算得到所述土壤湿度；
式中，SM表示所述土壤湿度；
表示所述土壤介电常数。
2.根据权利要求1所述的基于介电常数的星载GNSS-R土壤湿度反演方法，其特征在于，所述以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，具体为：
基于Kmeans++聚类法，以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到所述M个地表分类类型，其中，每一个地表分类类型对应所述目标区域内多个不同的地理位置。
3.根据权利要求1所述的基于介电常数的星载GNSS-R土壤湿度反演方法，其特征在于，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到，具体为：
按照公式：
计算得到所述目标区域的各个地理位置的第一地表反射率；
式中，SR表示所述目标区域的各个地理位置的第一地表反射率；P r 表示GNSS-R卫星的多普勒图像峰值功率；R ts 表示所述GNSS-R卫星到信号接收机的距离；R sr 表示所述GNSS-R卫星到镜面反射点的距离；P t 表示所述GNSS-R卫星的发射功率；G t 表示所述GNSS-R卫星的发射天线增益；G r 表示所述信号接收机的接收天线增益；λ表示所述GNSS-R卫星的GPSL1频段信号的波长。
4.根据权利要求1所述的基于介电常数的星载GNSS-R土壤湿度反演方法，其特征在于，计算所述目标区域中的水域区域的理论地表反射率所依据的所述菲涅尔反射方程为：
式中，
表示所述目标区域中的水域区域的理论地表反射率；E表示所述卫星高度角；
表示星载GNSS-R条件下纯净水域的介电常数，取值为80。
5.一种基于介电常数的星载GNSS-R土壤湿度反演系统，其特征在于，包括：
提取单元，配置为根据SMAP土壤水分数据，提取每月平均植被光学厚度和每月平均地表粗糙度；
聚类单元，配置为以所述每月平均植被光学厚度和所述每月平均地表粗糙度为分类依据，对目标区域的各个地理位置进行聚类，得到M个地表分类类型，其中，M为大于1的正整数；
第一计算单元，配置为根据所述SMAP土壤水分数据中的亮度温度，基于辐射传输模型，分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
按照公式：
分别计算所述目标区域的各个地理位置的植被光学厚度和地表粗糙度共同作用的校正因子；
式中，
表示第p个地表分类类型对应的植被光学厚度；h表示地表粗糙度；θ表示星载GNSS-R卫星数据的入射角；T BV 表示GNSS-R卫星传感器的V极化方向的SMAP亮度温度；T BH 表示所述GNSS-R卫星传感器的H极化方向的SMAP亮度温度；R H_smooth 表示电磁波在所述H极化方向的光滑地表的反射率；R V_smooth 表示电磁波在所述V极化方向的光滑地表的反射率；
第二计算单元，配置为结合所述M个地表分类类型，分别计算每一个所述地表分类类型对应的所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值；
第一校正单元，配置为通过所述植被光学厚度和地表粗糙度共同作用的校正因子的平均值，对所述目标区域的各个地理位置的第一地表反射率进行校正，得到所述目标区域的第二地表反射率；其中，所述目标区域的各个地理位置的第一地表反射率为基于星载GNSS-R卫星数据计算得到的；
按照公式：
计算得到所述目标区域的第二地表反射率；
式中，SR cali 表示所述目标区域的第二地表反射率；SR表示所述目标区域的各个地理位置的第一地表反射率；τ表示植被光学厚度；h表示地表粗糙度；θ表示所述星载GNSS-R卫星数据的入射角；
第二校正单元，配置为对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率；
所述对所述目标区域的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率，具体为：
根据所述目标区域中的水域区域对应的卫星高度角，基于菲涅尔反射方程，计算所述目标区域中的水域区域的理论地表反射率；
从所述目标区域的各个地理位置的第二地表反射率中筛选出所述目标区域中水域区域对应的第二地表反射率；
根据所述目标区域中的水域区域的理论地表反射率和所述目标区域中水域区域对应的第二地表反射率，确定系统误差校正系数；
根据所述系统误差校正系数，对所述目标区域的第二地表反射率中陆地区域对应的第二地表反射率进行系统误差校正，得到所述目标区域的第三地表反射率；
反演单元，配置为根据所述目标区域的第三地表反射率，基于菲涅尔反射方程，计算得到土壤介电常数，以根据所述土壤介电常数对所述土壤湿度进行反演；
按照公式：
计算得到所述土壤湿度；
式中，SM表示所述土壤湿度；
表示所述土壤介电常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210734041.8A CN114814173B (zh) | 2022-06-27 | 2022-06-27 | 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210734041.8A CN114814173B (zh) | 2022-06-27 | 2022-06-27 | 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114814173A CN114814173A (zh) | 2022-07-29 |
| CN114814173B true CN114814173B (zh) | 2022-10-04 |
Family
ID=82523406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210734041.8A Expired - Fee Related CN114814173B (zh) | 2022-06-27 | 2022-06-27 | 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114814173B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
| CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
| CN108761034A (zh) * | 2018-05-16 | 2018-11-06 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
| 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 |
| CN114371182A (zh) * | 2022-03-22 | 2022-04-19 | 中国科学院地理科学与资源研究所 | 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法 |
-
2022
- 2022-06-27 CN CN202210734041.8A patent/CN114814173B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6937939B1 (en) * | 1999-07-08 | 2005-08-30 | Tokyo University Of Agriculture And Technology Tlo Co., Ltd. | Soil measuring instrument, soil measurement assisting device and method, recorded medium on which a program is recorded, recorded medium on which data is recorded, application amount controller, application amount determining device, method for them, and farm working determination assisting system |
| CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
| CN108761034A (zh) * | 2018-05-16 | 2018-11-06 | 河海大学 | 一种多源卫星土壤湿度反演方法 |
| 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 |
| CN114371182A (zh) * | 2022-03-22 | 2022-04-19 | 中国科学院地理科学与资源研究所 | 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114814173A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10782447B2 (en) | Sea fog monitoring method based on multi-source satellite remote sensing data | |
| CN102539336B (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
| CN112213727B (zh) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 | |
| CN106776481B (zh) | 一种作用于卫星降水数据的降尺度校正方法 | |
| CN107907043B (zh) | 一种基于中长基线gnss监测网的特大型桥梁变形监测方法 | |
| CN112488008B (zh) | 一种基于多源遥感数据融合的土壤水分测量方法及装置 | |
| 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 | |
| Xie et al. | Calculating NDVI for Landsat7-ETM data after atmospheric correction using 6S model: A case study in Zhangye city, China | |
| CN103438900A (zh) | 三线阵相机影像协同绝对辐射定标和校正方法 | |
| 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 | |
| CN106771089A (zh) | 基于改进双通道算法的土壤水分遥感反演方法 | |
| CN108318871A (zh) | 一种星载微波辐射计冷空定标修正方法 | |
| Lu et al. | Precipitable water vapor fusion of MODIS and ERA5 based on convolutional neural network | |
| Chang et al. | Cloud mask-related differential linear adjustment model for MODIS infrared water vapor product | |
| Li et al. | Measurement and simulation of topographic effects on passive microwave remote sensing over mountain areas: A case study from the Tibetan Plateau | |
| CN108983172B (zh) | 一种随机进化约束的sar辐射定标方法 | |
| Lyu et al. | Improvement of radar rainfall estimation using radar reflectivity data from the hybrid lowest elevation angles | |
| Ni et al. | Tropical cyclone wind direction retrieval from dual-polarized SAR imagery using histogram of oriented gradients and Hann window function | |
| Leontiev et al. | Combining Meteosat-10 satellite image data with GPS tropospheric path delays to estimate regional integrated water vapor (IWV) distribution | |
| CN117347282B (zh) | 星基气溶胶光学厚度反演方法、装置及系统和存储介质 | |
| Yang et al. | Land contamination correction for passive microwave radiometer data: Demonstration of wind retrieval in the great lakes using SSM/I | |
| CN114814173B (zh) | 一种基于介电常数的星载gnss-r土壤湿度反演方法及系统 | |
| Zhao et al. | A Nonlinear Split-Window Algorithm for Retrieving Land Surface Temperatures from Fengyun-4B Thermal Infrared Data | |
| 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 | |
| CN112666634A (zh) | 一种降水量预测方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221004 |