CN116643029A - 一种地基gnss-ir数据监测土壤盐分的方法和系统 - Google Patents
一种地基gnss-ir数据监测土壤盐分的方法和系统 Download PDFInfo
- Publication number
- CN116643029A CN116643029A CN202310932270.5A CN202310932270A CN116643029A CN 116643029 A CN116643029 A CN 116643029A CN 202310932270 A CN202310932270 A CN 202310932270A CN 116643029 A CN116643029 A CN 116643029A
- Authority
- CN
- China
- Prior art keywords
- soil salinity
- satellite
- waveform
- gnss
- data
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000004566 IR spectroscopy Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000000926 separation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000000704 physical effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003746 surface roughness Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Immunology (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及借助于测定材料的物理性质来测试或分析材料技术领域，特别涉及一种地基GNSS‑IR数据监测土壤盐分的方法和系统。该方法使用GNSS‑IR技术对地基GNSS‑R原始信噪比数据进行处理，得到第一波形三参，从多个星载平台获取多个卫星数据集，分别计算多个卫星数据集的第二波形三参，然后计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集，根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；利用训练数据集对基于机器学习模型建立的土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型，进而利用该模型获取局部区域高精度、长时间序列的土壤盐分结果。
Description
技术领域
本申请涉及借助于测定材料的物理性质来测试或分析材料技术领域，特别涉及一种地基GNSS-IR数据监测土壤盐分的方法、系统、计算机可读存储介质和电子设备。
背景技术
监测土壤盐度（土壤盐分）对半干旱地区的农业发展和生态环境系统至关重要。
传统的土壤盐分监测方法有三种：基于采样点的方法、基于光学遥感的方法和基于微波遥感的方法，然而，由于实现方式、数据获取方式的限制，上述方法所获得的土壤盐分精度不足，难以满足实际应用的需求。
随着技术的发展，全球导航卫星系统反射信号技术（Global NavigationSatellite System-Reflectometry，GNSS-R）数据被应用到土壤盐分反演技术中，GNSS-R的工作波段为L（1.4GHz）波段，对陆地表面参数敏感，穿透性强，通过L波段辐射测量法与空间GNSS-R数据进行土壤盐分估算，能够提高土壤盐分的估算精度。
根据卫星信号接收器所处的位置不同，GNSS-R又可以分为星载GNSS-R和地基GNSS-R两种。现有技术通常采用星载GNSS-R数据进行土壤盐分估算，由于星载GNSS-R数据为不连续分布的离散点，且密度较低，导致应用于局部范围内的长期土壤盐分的估算存在精度不足的问题。
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地基GNSS-IR数据监测土壤盐分的方法、系统、计算机可读存储介质和电子设备，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：
本申请提供了一种地基GNSS-IR数据监测土壤盐分的方法，包括：
使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，所述第一波形三参包括相位、振幅和频率；
从多个星载平台获取多个卫星数据集，并根据所述多个卫星数据集分别计算第二波形三参，所述第二波形三参包括所述多个卫星数据集分别对应的相位、振幅和频率；所述多个星载平台的卫星类型需要相同；
分别计算所述第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对所述特征变量集合进行特征筛选，得到特征子集；
根据所述第一波形三参、所述特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用所述训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，所述土壤盐分反演模型是基于机器学习模型建立的；
基于所述训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
上述方法中，所述使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，具体为：
采用二次多项式拟合的方法对所述地基GNSS-R原始信噪比数据进行拟合，构建信号分离模型；并基于所述信号分离模型对所述地基GNSS-R原始信噪比数据进行分离，得到仅包含反射分量的信噪比数据；
采用非线性最小二乘法，基于分离得到的仅包含反射分量的信噪比数据构建波形三参估算模型，并基于所述波形三参估算模型估算得到所述第一波形三参。
上述方法中，所述信号分离模型为：
，
式中，SNR为地基GNSS-R原始信噪比数据，为直射信号振幅，/>为多路径反射信号振幅；/>为直射信号与多路径反射信号的相位差。
上述方法中，所述波形三参估算模型为：
，
式中，为仅包含反射分量的信噪比数据，A为干涉测量的振幅，/>为相位，/>为GNSS卫星的入射波波长，h为天线相位中心到地表镜面反射点的垂直高度，E为GNSS卫星高度角。
上述方法中，还包括：
采用Lomb-Scargle算法对天线相位中心到地表镜面反射点的垂直高度h进行计算，得到h的值。
上述方法中，所述多个星载平台至少包括以下一种或多种：北斗的IGSO卫星类型、北斗的MEO卫星类型、GPS的GEO卫星类型。
上述方法中，所述特征子集包括：相位平均值，相位最大值，相位方差，相位偏差，频率平均值，频率最大值，频率方差，频率偏差。
本申请实施例提供一种地基GNSS-IR数据监测土壤盐分的系统，包括：
第一提取单元，配置为使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，所述第一波形三参包括相位、振幅和频率；
第二提取单元，配置为从多个星载平台获取多个卫星数据集，并根据所述多个卫星数据集分别计算第二波形三参，所述第二波形三参包括所述多个卫星数据集分别对应的相位、振幅和频率；所述多个星载平台的卫星类型需要相同；
筛选单元，配置为分别计算所述第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对所述特征变量集合进行特征筛选，得到特征子集；
构建单元，配置为根据所述第一波形三参、所述特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用所述训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，所述土壤盐分反演模型是基于机器学习模型建立的；
反演单元，配置为基于所述训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序为如上任一实施例提供的地基GNSS-IR数据监测土壤盐分的方法。
本申请实施例还提供一种电子设备，包括：存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的程序，所述处理器执行所述程序时实现如上任一实施例提供的地基GNSS-IR数据监测土壤盐分的方法。
有益效果：本申请的技术方案中，使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，包括相位、振幅和频率；从多个星载平台获取多个卫星数据集，并根据多个卫星数据集分别计算第二波形三参，第二波形三参包括多个卫星数据集分别对应的相位、振幅和频率，并且，多个星载平台的卫星类型需要相同，分别计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集，根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用训练数据集对基于机器学习模型建立的土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型，基于训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。该方法首次将地基GNSS-R数据应用于土壤盐分数据的反演，使用GNSS-IR技术提取波形三参，同时聚集多个相同类型的卫星数据进行特征变量筛选，确定土壤盐分反演相关度较大的特征子集，然后利用所确定的特征子集构建训练数据集，进而得到局部区域范围内长时间序列的土壤盐分反演结果，同时也验证了地基GNSS-R数据用于反演土壤盐分数据的可行性，为局部区域高精度土壤盐分反演提供了一种新的思路。
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为本公开实施例提供的地基GNSS-IR数据监测土壤盐分的方法的流程图；
图2为本公开实施例提供的地基GNSS-IR数据监测土壤盐分的系统的结构图；
图3为本发明实施例提供的电子设备的结构框图；
图4为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
为了便于理解本申请的技术方案，下面对GNSS-R技术、GNSS-IR进行详细说明。
基于背景技术部分的说明可知，GNSS-R是一种利用全球导航卫星系统（GNSS）反射信号的来测量信号特性的技术。根据信号的接收方式及处理流程的不同，GNSS-R技术可分为两种：双天线模式（Double Antenta Pattern，DAP）和单天线模式（Single AntentaPattarn，SAP）。DAP采用专门研制的接收机分别采集直射信号和反射信号，数据处理的原理主要依据双基雷达方程，这种方法也称为GNSS干涉复数场技术（GNSS InterferometricComplex Field， GNSS-ICF），适用于空基（接收机部署在航空器上）和星载平台；SAP采用普通大地测量接收机同时接收直射和反射信号的叠加信号，通过信号干涉方程的方法对数据进行处理，这种方法也称为GNSS干涉反射技术（GNSS Interf erometric Reflectometry，GNSS-IR），适用于地基平台。
相关技术提供的土壤盐分检测方法主要使用星载GNSS-R数据对地表反射率（SR）与土壤电导率之间的关联关系进行建模，星载GNSS-R数据的分布具有空间非连续性，且数据采集密度较低，导致其应用到局部范围长期土壤盐分反演精度不足。
另外，由于地基GNSS数据为直射信号和多路径反射信号相互叠加的数据，而传统光学遥感技术通常利用可见光不同光谱反射率与土壤盐分之间的关系建立经验模型，微波遥感技术则基于微波遥感的后向反射系数与土壤盐分之间的关系建立模型，星载平台技术则基于星载GNSS-R数据计算地表发射率，再进一步计算出介电常数构建出土壤盐分反演模型，因此，目前业界对地基GNSS数据是否能够用于土壤盐分反演、如何进行土壤盐分无法预知。
针对以上方案存在的缺陷，本公开实施例提供一种地基GNSS-IR数据监测土壤盐分的方法，同时验证地基GNSS-IR数据进行局部区域高精度的土壤盐分反演的可行性，从而为业界提供了一种土壤盐分反演的全新方法，该方法首次使用地基GNSS-IR数据探测土壤盐度数据，利用地基GNSS接收机提供的信噪比数据，提取波形三参数，即相位、振幅、频率；聚集多个同一卫星类型数据（比如北斗IGSO卫星）进行特征分析以确定特征贡献度，为了消除地表粗糙度的影响，提取相位、振幅、频率的平均值、最大值、方差和偏差；利用机器学习方法筛选与分相关性强的参数，构成土壤盐分反演的输入数据集，并反演土壤盐分，从而获得局部范围内高精度、长时间序列的土壤盐分结果。
图1为本发明实施例提供的地基GNSS-IR数据监测土壤盐分的方法的一个流程示意图。应理解，本发明实施例提供的地基GNSS-IR数据监测土壤盐分的方法可以应用于各种具备数据处理能力的设备，如终端设备、服务器等。其中，终端设备具体可以为计算机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)和智能手机等；服务器可以为应用服务器，也可以为Web服务器，具体部署时，服务器可以为独立服务器，也可以为集群服务器。
如图1所示，该土壤盐分监测方法可以包括如下步骤：
步骤S101、使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，第一波形三参包括相位、振幅和频率。
地基GNSS-R借助地面布设的GNSS站网获取数据，该方法具有精度高、时间分辨率高、成本低等诸多优势，适用于对某一地区长时间序列的土壤盐分监测。这里，信噪比（Signal-to-Noise Ratio，SNR）是评估信号质量的一个重要指标，包括GNSS-R中的直射信号和反射信号，是二者的叠加矢量图。在GNSS-R中，信噪比数据表示接收到的信号的强度与噪声水平之间的比值，信噪比越高，表示信号相对于噪声更强，具有更好的质量和可靠性。
原始信噪比数据指的是地基GNSS-R接收到的直射和反射信号的叠加信号，本实施例使用GNSS-IR技术从地基GNSS-R数据的原始信噪比数据提取对应的波形三参，即相位、振幅和频率。
步骤S102、从多个星载平台获取多个卫星数据集，并根据多个卫星数据集分别计算第二波形三参。这里，第二波形三参有多个，并与各个卫星数据集相对应，即包括多个卫星数据集分别对应的相位、振幅和频率。
需要特别说明的是，多个星载平台的卫星类型需要相同。这里，卫星类型相同可以是轨道设计相同，或者卫星运行周期相同，其中轨道设计是本实施例选择卫星类型首要考虑的因素。
不同类型的卫星具有不同类型的轨道设计，本实施例中，卫星轨道设计类型有：地球同步轨道（Geostationary Orbit，GEO）、倾斜地球同步轨道（Inclined GeosynchronousOrbit，IGSO）、圆地球轨道（Medium Earth Orbit，MEO）、低地球轨道（Low Earth Orbit，LEO）。其中，GEO是一种特殊的地球同步轨道，卫星在该轨道上的运行速度与地球自转周期相同，使得卫星相对于地球表面保持静止在同一个位置上，这种轨道能够在一个特定地区保持稳定的覆盖，适用于通信和气象卫星。IGSO是类似于GEO的地球同步轨道，但倾斜了一定角度，IGSO轨道使卫星在地球上空移动，从而提供更广泛的覆盖范围，适用于导航和通信卫星。MEO是位于GEO和低地球轨道（LEO）之间的中间轨道，允许卫星在地球上空运动，提供全球范围的覆盖，用于全球导航系统（如GPS、北斗）卫星。
本实施例中，各个卫星数据集相对应的波形三参包括相位、振幅、频率，选择多个卫星类型相同的其他卫星数据集，并提取对应的相位、振幅和频率，作为地基GNSS-R数据的补充，能够保证获取到相位变化类似大量有效数据，另外，由于卫星类型相同，这些大量有效卫星数据的波形三参（相位、振幅、频率）也具有相类似的特征，为土壤盐分的反演奠定基础。
步骤S103、分别计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集。
在地基GNSS-R土壤盐分估算中，地表粗糙度也会对估算结果的精度产生一定的影响，本实施例中，通过计算各个卫星数据集相对应的波形三参的平均值、最大值、方差和偏差，得到相位平均值、相位最大值、相位方差、相位偏差、振幅平均值、振幅最大值、振幅方差、振幅偏差、频率平均值、频率最大值、频率方差、频率偏差共12个特征变量，组成特征变量集合，能够有效消除不同卫星数据集中地表粗糙度对卫星反射信号的影响，提高提取到的相位、振幅、频率的精度，同时，经过特征筛选，能够确定与土壤盐分相关度较高的特征，在模型训练过程中增强特征变量对土壤盐分的表征能力，进而提高土壤盐分反演的精度。
本实施例对特征变量集合进行特征筛选是通过GBRT（Gradient BoostingRegression Trees）模型中的“permutation_importance”函数实现的，具体地，将第二波形三参的平均值、最大值、方差和偏差作为变量与实测土壤盐分数据输入GBRT模型的“permutation_importance”函数，筛选数值大于0.05的参量，认为其与土壤盐分相关性高，并将其作为特征子集进行后续输入以及模型的训练。
根据特征筛选的结果，本实施例中，特征子集包括：相位平均值，相位最大值，相位方差，相位偏差，频率平均值，频率最大值，频率方差，频率偏差。也就是说，地基GNSS-IR数据中的相位、频率对土壤盐分反演结果具有较大的相关性，因此，在提取地基GNSS-IR数据的相位、频率的基础上，计算其对应的相位平均值，相位最大值，相位方差，相位偏差，频率平均值，频率最大值，频率方差，频率偏差，作为模型的输入数据。
步骤S104、根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型。
其中，土壤盐分反演模型是基于机器学习模型建立的。
本实施例中，根据第一波形三参，结合特征子集和预先获取的实测土壤盐分数据，构建土壤盐分反演模型的训练数据集。比如，选择某一个时间段接收到的GNSS-R数据提取相位、振幅、频率后，根据筛选出来的特征子集，分别计算相位、振幅、频率的平均值、最大值、方差和偏差，作为特征变量，将预先获取的实测土壤盐分数据作为标签数据，构建机器学习模型的训练数据集。经过模型训练，能够使机器学习模型从上述特征变量中学习到土壤盐分的特征表达，从而建立上述特征变量与土壤盐分之间的映射关系。
进一步地，土壤盐分反演模型是基于GBRT模型建立的。GBRT模型是集成学习中的一种技术，通过组合多个决策树模型来构建更强大、更准确的预测模型，其中每个决策树只负责对部分数据进行预测，然后通过组合多个决策树的预测结果，得到最终的预测结果。GBRT模型采用梯度提升的策略来逐步改进模型的预测效果，通过迭代的方式，每次迭代都试图减小前一轮模型的预测误差，从而逐步优化模型的性能。GBRT模型的基础学习器通常是回归树（Regression Trees），回归树是一种决策树，用于回归问题，将输入数据划分为不同的子空间，并在每个子空间中拟合一个局部线性模型。为了防止过拟合，GBRT模型使用一些正则化技术，例如限制树的深度、增加子采样率等。
步骤S105、基于训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
应理解，模型训练好之后、进行土壤盐分反演之前，还包括获取待反演数据的步骤。由于地面GNSS-R接收机能够获取研究区域长时间序列、连续的、精度高、时间分辨率高的地基GNSS-R数据，在此基础上进行预处理后，输入到训练好的土壤盐分反演模型，即可输出对应的高精度、长时间序列的土壤盐分结果。
示例性地，选择2022年的GNSS-IR数据，将步骤S103筛选出的特征子集（相位平均值，相位最大值，相位方差，相位偏差，频率平均值，频率最大值，频率方差，频率偏差）作为模型输入值，将实测土壤盐分数据作为模型输出值，进行模型训练；然后，利用2023年的GNSS-IR数据进行模型测试，反演土壤盐分。
在本公开实施例中，根据地基GNSS接收机提供的信噪比数据，使用GNSS-IR技术提取波形三参数，即相位、振幅、频率；聚集同一卫星类型的多个卫星数据集（比如北斗IGSO卫星）计算对应的波形三参数；同时分别计算不同卫星数据集对应的相位、振幅、频率的平均值、最大值、方差和偏差以消除地表粗糙度的影响；筛选与土壤盐分相关性强的参数，构成土壤盐分反演的输入数据集，利用土壤盐分反演模型来反演土壤盐分，获取长时间序列的土壤盐分结果，从而为局部范围高精度土壤盐分反演提供了一种新的技术体系，同时验证了地基GNSS-R数据获取土壤盐分的有效性。
一些实施例中，使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，需要对原始信噪比数据进行干涉测量建模，可以通过以下方式实现：采用二次多项式拟合的方法对地基GNSS-R原始信噪比数据进行拟合，构建信号分离模型；并基于信号分离模型对所述地基GNSS-R原始信噪比数据进行分离，得到仅包含反射分量的信噪比数据。采用非线性最小二乘法，基于分离得到的仅包含反射分量的信噪比数据构建波形三参估算模型，并基于波形三参估算模型估算得到第一波形三参。
本步骤目的在于基于地基GNSS-R数据获取相位/振幅和频率三参数。对于地基GNSS-R原始信噪比数据，由于在同相空间（I轴）和正交空间（Q轴）构成的坐标系中，多路径反射信号将被叠加到矢量图中，因此，原始信噪比数据为直射信号和多路径反射信号的矢量和，故需要将反射信号与直射信号分离。本实施例采用二次多项式拟合的方法对地基GNSS-R原始信噪比数据进行拟合，构建信号分离模型，实现信号分离。其中，信号分离模型为：
（1）
式中，SNR为地基GNSS-R原始信噪比数据，为直射信号振幅，/>为多路径反射信号振幅；/>为直射信号与多路径反射信号的相位差。随着GNSS卫星、接收机之间的几何关系的改变，SNR和相位差也随之发生变化。
利用上述公式（1）去除原始信噪比数据中的直射分量，得到仅包含反射分量的信噪比数据。
对于去除直射分量后的SNR数据，采用下面GNSS SNR信号功率的表达式（波形三参估算模型）计算各个参数。波形三参估算模型的表达式为：
（2）
式中，为仅包含反射分量的信噪比数据，A为干涉测量的振幅，/>为相位，/>为GNSS卫星的入射波波长，h为天线相位中心到地表镜面反射点的垂直高度，E为GNSS卫星高度角。
针对公式（2），可采用非线性最小二乘法计算出相位、振幅、频率等相关参量。
由于GNSS卫星的L波段对比表的穿透性，h的数值理论上应大于天线高度，因此，本实施例采用Lomb-Scargle算法对天线相位中心到地表镜面反射点的垂直高度h进行计算，得到h的值。其中，Lomb-Scargle算法是一种用于各种周期性信号的检测与分析方法，能够在不等间隔的时间序列数据上进行频谱分析，并在时序数据中寻找周期性信号，本实施例针对地基GNSS-R数据具有不等间隔的特性，Lomb-Scargle算法适用于非均匀采样时间序列的频谱值计算，使用其计算天线相位中心到地表镜面反射点的垂直高度h，能够使计算结果更接近实际情况。
一些实施例中，多个星载平台至少包括以下一种或多种：北斗的IGSO卫星类型、北斗的MEO卫星类型、GPS的GEO卫星类型。
本步骤中，聚集同一类型的卫星数据，比如北斗的IGSO卫星类型、北斗的MEO卫星类型、GPS的GEO卫星类型，分别计算相位、振幅、频率的平均值、最大值、方差和偏差。
其中，方差的计算公式为：
，
（3）
式中，为变量（相位、振幅、频率）的方差，/>为偏差，/>为变量（相位、振幅、频率）的取值，/>为变量的平均值；n为卫星个数。
综上所述，上述实施例提供的技术方案中，使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，包括相位、振幅和频率；从多个星载平台获取多个卫星数据集，并根据多个卫星数据集分别计算第二波形三参，第二波形三参包括多个卫星数据集分别对应的相位、振幅和频率，并且，多个星载平台的卫星类型相同，分别计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集，根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用训练数据集对基于机器学习模型建立的土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型，基于训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。该方法首次将地基GNSS-R数据应用于土壤盐分数据的反演，不仅能够监测局部区域范围内长时间序列的土壤盐分反演结果，同时也验证了地基GNSS-R数据用于反演土壤盐分数据的可行性，为局部区域高精度土壤盐分反演提供了一种新的技术体系。
基于同一发明构思，本申请实施例中还提供了与地基GNSS-IR数据监测土壤盐分的方法对应的系统，由于本申请实施例中的系统解决问题的原理与本申请实施例上述方法相似，因此系统的实施可以参见方法的实施。
如图2所示，为地基GNSS-IR数据监测土壤盐分的系统的示意图，包括：
第一提取单元201，配置为使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，第一波形三参包括相位、振幅和频率；
第二提取单元202，配置为从多个星载平台获取多个卫星数据集，并根据多个卫星数据集分别计算第二波形三参，第二波形三参包括多个卫星数据集分别对应的相位、振幅和频率；多个星载平台的卫星类型需要相同；
筛选单元203，配置为分别计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集；
特征子集包括：相位平均值，相位最大值，相位方差，相位偏差，频率平均值，频率最大值，频率方差，频率偏差。
构建单元204，配置为根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，土壤盐分反演模型是基于机器学习模型建立的；
反演单元205，配置为基于训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
在一种可能的实施方式中，第一提取单元201，进一步配置为：
采用二次多项式拟合的方法对地基GNSS-R原始信噪比数据进行拟合，构建信号分离模型；并基于信号分离模型对所述地基GNSS-R原始信噪比数据进行分离，得到仅包含反射分量的信噪比数据；
采用非线性最小二乘法，基于分离得到的仅包含反射分量的信噪比数据构建波形三参估算模型，并基于波形三参估算模型估算得到第一波形三参。
其中，信号分离模型为：
，
式中，SNR为地基GNSS-R原始信噪比数据，为直射信号振幅，/>为多路径反射信号振幅；/>为直射信号与多路径反射信号的相位差。
波形三参估算模型为：
，
式中，为仅包含反射分量的信噪比数据，A为干涉测量的振幅，/>为相位，/>为GNSS卫星的入射波波长，h为天线相位中心到地表镜面反射点的垂直高度，E为GNSS卫星高度角。
还包括：采用Lomb-Scargle算法对天线相位中心到地表镜面反射点的垂直高度h进行计算，得到h的值。
第二提取单元202中，多个星载平台至少包括以下一种或多种：北斗的IGSO卫星类型、北斗的MEO卫星类型、GPS的GEO卫星类型。
基于同一发明构思，本申请实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，图3为根据本申请的一些实施例提供的电子设备的结构示意图；如图3所示，该电子设备包括：
一个或多个处理器301；
计算机可读介质，可以配置为存储一个或多个程序302，一个或多个处理器301执行一个或多个程序302时，实现如下步骤：使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，第一波形三参包括相位、振幅和频率；从多个星载平台获取多个卫星数据集，并根据多个卫星数据集分别计算第二波形三参，第二波形三参包括多个卫星数据集分别对应的相位、振幅和频率；多个星载平台的卫星类型需要相同；分别计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集；根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，土壤盐分反演模型是基于机器学习模型建立的；基于训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
图4为根据本申请的一些实施例提供的电子设备的硬件结构；如图4所示，该电子设备的硬件结构可以包括：处理器401、通信接口402、计算机可读存储介质403和通信总线404。
其中，处理器401、通信接口402、计算机可读存储介质403通过通信总线404完成相互间的通信。
可选地，通信接口402可以为通信模块的接口，如GSM模块的接口。
处理器801具体可以执行如下步骤：使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，第一波形三参包括相位、振幅和频率；从多个星载平台获取多个卫星数据集，并根据多个卫星数据集分别计算第二波形三参，第二波形三参包括多个卫星数据集分别对应的相位、振幅和频率；多个星载平台的卫星类型需要相同；分别计算第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对特征变量集合进行特征筛选，得到特征子集；根据第一波形三参、特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，土壤盐分反演模型是基于机器学习模型建立的；基于训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
处理器401可以是通用处理器，包括中央处理器（central processing unit，简称CPU）、网络处理器（Network Processor，简称NP）等，还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的电子设备以多种形式存在，包括但不限于：
（1）移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机（例如：iPhone）、多媒体手机、功能性手机，以及低端手机等。
（2）超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
（3）便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器（例如：iPod），掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
（4）服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
（5）其他具有数据交互功能的电子装置。
需要指出，根据实施的需要，可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可以将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如CD ROM、RAM、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器存储介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如ASIC或FPGA）的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，RAM、ROM、闪存等），当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的地基GNSS-IR数据监测土壤盐分的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和涉及约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
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 (10)
1.一种地基GNSS-IR数据监测土壤盐分的方法，其特征在于，包括：
使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，所述第一波形三参包括相位、振幅和频率；
从多个星载平台获取多个卫星数据集，并根据所述多个卫星数据集分别计算第二波形三参，所述第二波形三参包括所述多个卫星数据集分别对应的相位、振幅和频率；所述多个星载平台的卫星类型需要相同；
分别计算所述第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对所述特征变量集合进行特征筛选，得到特征子集；
根据所述第一波形三参、所述特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用所述训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，所述土壤盐分反演模型是基于机器学习模型建立的；
基于所述训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
2.根据权利要求1所述的方法，其特征在于，所述使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，具体为：
采用二次多项式拟合的方法对所述地基GNSS-R原始信噪比数据进行拟合，构建信号分离模型；基于所述信号分离模型对所述地基GNSS-R原始信噪比数据进行分离，得到仅包含反射分量的信噪比数据；
采用非线性最小二乘法，基于分离得到的仅包含反射分量的信噪比数据构建波形三参估算模型，并基于所述波形三参估算模型估算得到所述第一波形三参。
3.根据权利要求2所述的方法，其特征在于，所述信号分离模型为：
，
式中，SNR为地基GNSS-R原始信噪比数据，为直射信号振幅，/>为多路径反射信号振幅；/>为直射信号与多路径反射信号的相位差。
4.根据权利要求2所述的方法，其特征在于，所述波形三参估算模型为：
，
式中，为仅包含反射分量的信噪比数据，A为干涉测量的振幅，/>为相位，/>为GNSS卫星的入射波波长，h为天线相位中心到地表镜面反射点的垂直高度，E为GNSS卫星高度角。
5.根据权利要求4所述的方法，其特征在于，还包括：
采用Lomb-Scargle算法对天线相位中心到地表镜面反射点的垂直高度h进行计算，得到h的值。
6.根据权利要求1所述的方法，其特征在于，所述多个星载平台至少包括：北斗的IGSO卫星类型、北斗的MEO卫星类型、GPS的GEO卫星类型。
7.根据权利要求1所述的方法，其特征在于，所述特征子集包括：相位平均值，相位最大值，相位方差，相位偏差，频率平均值，频率最大值，频率方差，频率偏差。
8.一种地基GNSS-IR数据监测土壤盐分的系统，其特征在于，包括：
第一提取单元，配置为使用GNSS-IR技术对地基GNSS-R原始信噪比数据进行处理，得到第一波形三参，所述第一波形三参包括相位、振幅和频率；
第二提取单元，配置为从多个星载平台获取多个卫星数据集，并根据所述多个卫星数据集分别计算第二波形三参，所述第二波形三参包括所述多个卫星数据集分别对应的相位、振幅和频率；所述多个星载平台的卫星类型需要相同；
筛选单元，配置为分别计算所述第二波形三参的平均值、最大值、方差和偏差，得到特征变量集合，并对所述特征变量集合进行特征筛选，得到特征子集；
构建单元，配置为根据所述第一波形三参、所述特征子集以及预先获取的实测土壤盐分数据，构建训练数据集；并利用所述训练数据集对土壤盐分反演模型进行训练，得到训练好的土壤盐分反演模型；其中，所述土壤盐分反演模型是基于机器学习模型建立的；
反演单元，配置为基于所述训练好的土壤盐分反演模型进行土壤盐分反演，获取长时间序列的土壤盐分结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1至7任一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器、存储器、以及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932270.5A CN116643029B (zh) | 2023-07-27 | 2023-07-27 | 一种地基gnss-ir数据监测土壤盐分的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932270.5A CN116643029B (zh) | 2023-07-27 | 2023-07-27 | 一种地基gnss-ir数据监测土壤盐分的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116643029A true CN116643029A (zh) | 2023-08-25 |
| CN116643029B CN116643029B (zh) | 2023-09-26 |
Family
ID=87640407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310932270.5A Active CN116643029B (zh) | 2023-07-27 | 2023-07-27 | 一种地基gnss-ir数据监测土壤盐分的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643029B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505068A (zh) * | 2020-11-03 | 2021-03-16 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
| CN112782689A (zh) * | 2020-12-29 | 2021-05-11 | 西南交通大学 | 一种多星数据融合的gnss-ir土壤湿度监测方法 |
| US20210337721A1 (en) * | 2020-04-30 | 2021-11-04 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Method and device for soil moisture retrieval using multi-channel collaborative algorithm and passive microwave radiometry |
| CN114397425A (zh) * | 2021-12-22 | 2022-04-26 | 杭州电子科技大学 | 基于广义延拓逼近的gnss-ir土壤湿度反演方法 |
| CN115308386A (zh) * | 2022-07-18 | 2022-11-08 | 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 |
| CN115616624A (zh) * | 2022-09-22 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 基于gnss-ir双频数据融合的湿度反演方法、装置及存储介质 |
| US20230064454A1 (en) * | 2021-08-31 | 2023-03-02 | Satsure Analytics India Private Limited | System and method for generating soil moisture data from satellite imagery using deep learning model |
| 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 |
-
2023
- 2023-07-27 CN CN202310932270.5A patent/CN116643029B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210337721A1 (en) * | 2020-04-30 | 2021-11-04 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Method and device for soil moisture retrieval using multi-channel collaborative algorithm and passive microwave radiometry |
| CN112505068A (zh) * | 2020-11-03 | 2021-03-16 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
| CN112782689A (zh) * | 2020-12-29 | 2021-05-11 | 西南交通大学 | 一种多星数据融合的gnss-ir土壤湿度监测方法 |
| US20230064454A1 (en) * | 2021-08-31 | 2023-03-02 | Satsure Analytics India Private Limited | System and method for generating soil moisture data from satellite imagery using deep learning model |
| CN114397425A (zh) * | 2021-12-22 | 2022-04-26 | 杭州电子科技大学 | 基于广义延拓逼近的gnss-ir土壤湿度反演方法 |
| CN115308386A (zh) * | 2022-07-18 | 2022-11-08 | 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 |
| CN115616624A (zh) * | 2022-09-22 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 基于gnss-ir双频数据融合的湿度反演方法、装置及存储介质 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 丰秋林;郑南山;: "机器学习算法辅助的GPS信噪比观测值土壤湿度反演", 测绘通报, no. 07, pages 106 - 111 * |
| 荆丽丽;杨磊;汉牟田;洪学宝;孙波;梁勇;: "GNSS-IR双频数据融合的土壤湿度反演方法", 北京航空航天大学学报, no. 06, pages 1248 - 1255 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116643029B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fortunato et al. | Enabling high accuracy dynamic applications in urban environments using PPP and RTK on android multi-frequency and multi-GNSS smartphones | |
| CN109164428B (zh) | 雷达数字仿真系统及方法 | |
| Li et al. | An algorithm for sea-surface wind field retrieval from GNSS-R delay-Doppler map | |
| Ban et al. | GEO-satellite-based reflectometry for soil moisture estimation: Signal modeling and algorithm development | |
| Antoniou et al. | Passive bistatic synthetic aperture radar imaging with Galileo transmitters and a moving receiver: Experimental demonstration | |
| Zhang et al. | Avoiding errors attributable to topography in GPS-IR snow depth retrievals | |
| CN104020180A (zh) | 基于北斗基准站接收的低仰角信号的土壤湿度反演方法 | |
| Settimi et al. | Testing the IONORT-ISP system: A comparison between synthesized and measured oblique ionograms | |
| Fabra et al. | WAVPY: A GNSS-R open source software library for data analysis and simulation | |
| CN101900692A (zh) | 大面积土壤湿度测量方法 | |
| Groves | It’s time for 3D mapping–aided GNSS | |
| CN111505694A (zh) | 一种面向机载的bds-3三天线阵多频点测姿方法 | |
| Raynal et al. | From conventional to Delay Doppler altimetry: A demonstration of continuity and improvements with the Cryosat-2 mission | |
| Kaiser et al. | Global positioning system processing methods for GPS passive coherent location | |
| Zhang et al. | First result of GNSS-R-based sea level retrieval with CMC and its combination with the SNR method | |
| CN112198540B (zh) | 一种基于动态网络基站的多模多频载波相位定位方法 | |
| CN116643029B (zh) | 一种地基gnss-ir数据监测土壤盐分的方法和系统 | |
| Kaeppler et al. | On the use of high-frequency surface wave oceanographic research radars as bistatic single-frequency oblique ionospheric sounders | |
| Sandström et al. | A study of some FMCW radar algorithms for target location at low frequencies | |
| CN103135098B (zh) | 一种高精度干涉sar系统性能分析方法 | |
| CN113671210B (zh) | 陆基gnss直反射信号载波干涉测量河流流速的装置 | |
| He et al. | Coastal GNSS-R phase altimetry based on the combination of L1 and L5 signals under high sea states | |
| CN114966690A (zh) | 一种gnss-r sar双星融合成像方法及系统 | |
| Hobiger et al. | A real-time GNSS-R system based on software-defined radio and graphics processing units | |
| Zheng et al. | Research on GNSS-IR Height Measurement Performance of Smartphone Platform |
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 |