楊 磊

山東農(nóng)業(yè)大學信息科學與工程學院，山東 泰安 271018

土壤水分是量化陸地及大氣能量交換的關(guān)鍵參數(shù)。準確監(jiān)測土壤濕度是實現(xiàn)農(nóng)業(yè)穩(wěn)產(chǎn)、高產(chǎn)的重要基礎(chǔ)。研究監(jiān)測大范圍的土壤水分的方法在農(nóng)業(yè)、水文以及氣象等領(lǐng)域的應(yīng)用意義重大。本文從利用GNSS-R技術(shù)探測土壤濕度的基礎(chǔ)理論出發(fā)，開展了利用導(dǎo)航衛(wèi)星的反射信號反演土壤濕度方法的研究。論文具體完成的研究工作和相關(guān)結(jié)論如下：

(1) 分析了雙天線模式GNSS-R土壤濕度反演的原理，建立了土壤濕度—土壤介電常數(shù)—電磁波反射率的映射關(guān)系，并構(gòu)建了雙天線模式GNSS-R土壤濕度反演的解析模型和基于支持向量機的模型。設(shè)計了地基試驗對這兩個模型進行驗證，試驗中采集了北斗衛(wèi)星導(dǎo)航系統(tǒng)的直射、反射信號，并使用烘干稱重法測量了土壤濕度作為對比真值。北斗GEO衛(wèi)星信號的數(shù)據(jù)處理結(jié)果顯示：解析模型估算土壤濕度值與真值回歸決定系數(shù)R2=0.748 9，均方根誤差RMSE=0.03680 m3/m3；基于支持向量機的模型結(jié)果與真值R2為0.897 9，RMSE為0.014 93 m3/m3；由此可見基于支持向量機的模型相比解析模型R2提高了23.03%，RMSE減小了59.44%。

(2) 研究了地表粗糙度對反射信號的影響，構(gòu)建了修正地表粗糙度影響的雙天線模式GNSS-R土壤濕度反演的解析模型和基于人工神經(jīng)網(wǎng)絡(luò)的模型。建立仿真平臺對不同粗糙度下的兩個模型的反演精度進行分析，結(jié)果顯示：在進行地表粗糙度影響修正之前，當?shù)乇砭礁叨仍黾拥?.010 m以上時，解析模型的均方根誤差超過0.07 m3/m3，說明此時進行粗糙度補償是必須的；小粗糙度情況下修正粗糙度影響的解析模型取得了良好的結(jié)果，但對于大粗糙度有一定局限性。在均方根高度大于0.025 m時，進行土壤粗糙度修正前，人工神經(jīng)網(wǎng)絡(luò)模型精度比解析模型提高了36.83%～72.36%。進行修正后，人工神經(jīng)網(wǎng)絡(luò)模型的精度比解析模型提高了42.86%～54.40%。人工神經(jīng)網(wǎng)絡(luò)模型在修正前后取得了相近的精度，無修正的人工神經(jīng)網(wǎng)絡(luò)模型精度比有修正的解析模型精度仍提高了35.83%～53.48%。

(3) 針對裸露地表情況下的單天線模式GNSS-R土壤濕度反演模型進行相關(guān)研究，并進行了地基試驗驗證，使用測繪級接收機采集了GPS數(shù)據(jù)，并使用Theta Probe傳感器采集同比土壤濕度數(shù)據(jù)。數(shù)據(jù)處理結(jié)果顯示：GPS PRN 1、PRN 20、PRN 24、PRN25等4顆衛(wèi)星的SNR相位與土壤濕度的R2分別達到了0.720 7、0.509 4、0.733 4、0.520 8；GPS PRN 4、PRN 12、PRN 15、PRN 31等4顆衛(wèi)星的SNR幅度與土壤濕度R2達到了0.796 3、0.726 0、0.784 5、0.774 5。

(4) 分析總結(jié)了目前雷達遙感領(lǐng)域中已有的植被模型，對基于支持向量機的GNSS-R土壤濕度反演模型進行了修改，利用葉面積指數(shù)和植被含水量進行植被影響修正，并與未包含植被信息的模型結(jié)果進行了對比。結(jié)果顯示：加入植被信息之后的模型結(jié)果與土壤濕度真值R2為0.921 4，RMSE為0.013 31 m3/m3。與未加入植被信息的反演模型相比，R2提高了2.62%，RMSE降低了11.94%，說明模型對植被的影響有顯著的消除效果。