一种星载GNSS-R土壤湿度反演方法技术

本发明专利技术公开一种星载GNSS

【技术实现步骤摘要】
一种星载GNSS
‑
R土壤湿度反演方法


[0001]本专利技术属于土壤观测
，尤其涉及一种基于双分支神经网络的星载GNSS
‑
R土壤湿度反演方法。

技术介绍

[0002]土壤湿度(Soil Moisture,SM)作为我们预报干旱、洪涝灾害和估计农作物产量的重要指标之一，同时也是季节性气候变化研究中的一个重要参数，对于陆地与大气之间的能量交换和全球水循环有着极为重要的影响。全球尺度下的土壤水分对于天气预报、气候变化和监测极端天气事件有着极其重要的价值。GNSS
‑
R是一种利用全球导航卫星发射的L波段信号作为信号源，以地基/天基/星基平台为信号接收载体，通过接收和处理来自海洋、地面或其它物体反射的GNSS信号来监测海洋或者陆地物理参数的技术。相比于传统的雷达探测技术，GNSS
‑
R具有以下明显的优势：首先，GNSS信号均位于L波段，L波段穿透云雨和植被的能力较强，这相对于较短波长信号反演土壤湿度来说优势明显；其次，GNSS
‑
R不需要发射主动的遥感信号，现有的全球导航定位系统均可以视为信号源，如美国的GPS、欧洲的GALILEO、俄罗斯的GLONASS和中国北斗定位系统BDS，这些覆盖全球免费的信号源能够有效地降低遥感探测的成本。
[0003]星载GNSS
‑
R的土壤湿度反演逐渐成为GNSS
‑
R的重点研究方向，国内外针对星载GNSS
‑
R土壤湿度反演方法的研究主要分为两个方面：(1)基于GNSS
‑
R基本观测数据DDM进行特征提取，如地表反射率、前沿斜率、后延斜率、峰值功率等，然后建立特征与土壤湿度之间的关系；(2)、采用现有的机器学习的方法，基于GNSS
‑
R观测数据特征，通过端到端的学习建立与土壤湿度的关系。基于特征的土壤湿度反演算法考虑的因素较少、构建的模型简单，反演精度相对较低；机器学习的土壤湿度反演方法是基于观测数据与标签进行端到端的学习，学习能力强且鲁棒性较好，但目前机器学习反演算法输入数据通常为基于DDM数据所提取出的特征，忽略了直接观测数据DDM中的许多的潜在信息，并且忽略了地表粗糙度和植被覆盖度对反射信号的影响。

技术实现思路

[0004]针对现有星载GNSS
‑
R反演土壤湿度方法的不足，本专利技术提供一种星载GNSS
‑
R土壤湿度反演方法，可以提高反演精度。
[0005]为实现上述目的，本专利技术采用如下的技术方案：
[0006]一种星载GNSS
‑
R土壤湿度反演方法，包括以下步骤：
[0007]步骤S1、获取CYGNSS数据和SMAP数据；
[0008]步骤S2、对所述CYGNSS数据和SMAP数据进行时空匹配获得样本集和待预测数据；
[0009]步骤S3、构建双分支神经网络模型，其中一条分支为卷积神经网络模块，另一条分支为BP神经网络模块，分别以DDM图像和地表粗糙度、植被覆盖度、信噪比、地表反射率、功率比、DDM均值、前沿斜率、后延斜率、峰值功率、时延窗口作为输入；
[0010]步骤S4、根据所述样本集，训练双分支神经网络模型；
[0011]步骤S5、将所述待预测数据输入到训练后的双分支神经网络模型中，得到预测的土壤湿度数据；
[0012]作为优选，所述CYGNSS数据包含DDM图像、镜面反射点经度、镜面反射点纬度、DDM信噪比、前沿斜率数据；所述SMAP数据包含地表粗糙度信息、植被覆盖度信息和土壤湿度信息。
[0013]作为优选，步骤S2包括：
[0014]对CYGNSS数据和SMAP数据进行时空匹配，得到原始据集；
[0015]对所述原始据集进行特征数据提取，得到样本集和待预测数据；
[0016]采用所述样本集对所述双分支神经网络模型进行训练。
[0017]作为优选，所述双分支神经网络模型由BP神经网络模块和卷积神经网络模块并联而成。
[0018]作为优选，所述特征数据包含：地表粗糙度、植被覆盖度、信噪比、地表反射率、功率比、DDM均值、前沿斜率、后延斜率、峰值功率、时延窗口。
[0019]本专利技术采用基于双分支神经网络模型实现星载GNSS
‑
R反演土壤湿度，该双分支神经网络模型中一条分支为BP神经网络模块，输入数据为信噪比、地表反射率、功率比、DDM均值、前沿斜率、后延斜率、峰值功率、时延窗口、地表粗糙度、植被覆盖度；另一条分支为卷积神经网络模块，输入数据为DDM图像。通过将地表粗糙度和植被覆盖度作为辅助数据来对DDM数据进行校正，可以提高反演精度，
附图说明
[0020]图1为本实施例的星载GNSS
‑
R土壤湿度反演方法的流程图；
[0021]图2为本实施例的双分支神经网络模型的结构示意图；
[0022]图3为本实施例的卷积神经网络模块的结构示意图；
[0023]图4为本实施例的BP神经网络模块的结构示意图；
[0024]图5为本实施例的神经网络模型训练过程示意图。
具体实施方式
[0025]为了更清楚地说明本专利技术的技术方案，下面对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0026]术语解释：
[0027]GNSS
‑
R：Global Navigation Satellite System
‑
Reflectometry(全球导航系统反射测量)是一种新型的遥感技术，GNSS
‑
R技术采用双(多)基雷达模式，利用全球共享的GNSS星座作为多源微波信号的发射源，接收机独立于发射机安置在另一个平台上，如岸基平台、机载平台、星载平台等。
[0028]CYGNSS：Cyclone Global Navigation Satellite System(气旋全球导航卫星系统)是美国航空航天局于2016年12月发射的专门用于研究星载GNSS
‑
R的卫星星座，该星座由8颗小卫星组成，每颗卫星都搭载着一个GNSS
‑
R接收机，可以同时跟踪和处理4个GNSS信
号,并利用从地表反射后获取的GPS L1 C/A信号生成延迟多普勒图像(DDM)。
[0029]DDM：Delay Doppler Map(延迟多普勒图像)描述了GNSS
‑
R信号离开观测表面的散射强度。每个延迟多普勒像素对应着其关联的空间簇，包含了反射面的信息。本实施例使用CYGNSS所提供的数据集，该数据集中的DDM由17个延迟像素
×
11个多普勒频移像素组成，分别具有249.4ns的延迟分辨率和500Hz的多普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种星载GNSS
‑
R土壤湿度反演方法，其特征在于，包括以下步骤：步骤S1、获取CYGNSS数据和SMAP数据；步骤S2、对所述CYGNSS数据和SMAP数据进行时空匹配获得样本集和待预测数据；步骤S3、构建双分支神经网络模型，其中一条分支为卷积神经网络模块，另一条分支为BP神经网络模块，分别以DDM图像和地表粗糙度、植被覆盖度、信噪比、地表反射率、功率比、DDM均值、前沿斜率、后延斜率、峰值功率、时延窗口作为输入；步骤S4、根据所述样本集训练双分支神经网络模型；步骤S5、将所述待预测数据输入到训练后的双分支神经网络模型中，得到预测的土壤湿度数据。2.如权利要求2所述的星载GNSS
‑
R土壤湿度反演方法，其特征在于，所述CYGNSS数据包含DDM图像、镜面反射点经度、镜面反射点纬度、DDM信噪...

【专利技术属性】
技术研发人员：宋冬梅，张奇奇，王斌，尹聪，夏俊明，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：