留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用星载GNSS-R相干信号探测南亚洪水

刘奇 张双成 南阳 马中民

刘奇, 张双成, 南阳, 马中民. 利用星载GNSS-R相干信号探测南亚洪水[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
引用本文: 刘奇, 张双成, 南阳, 马中民. 利用星载GNSS-R相干信号探测南亚洪水[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
LIU Qi, ZHANG Shuangcheng, NAN Yang, MA Zhongmin. Flood Detection of South Asia Using Spaceborne GNSS-R Coherent Signals[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
Citation: LIU Qi, ZHANG Shuangcheng, NAN Yang, MA Zhongmin. Flood Detection of South Asia Using Spaceborne GNSS-R Coherent Signals[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056

利用星载GNSS-R相干信号探测南亚洪水

doi: 10.13203/j.whugis20210056
基金项目: 

国家重点研发计划 2020YFC1512000

国家重点研发计划 2019YFC1509802

国家重点研发计划 2018YFC1505102

国家自然科学基金 42074041

国家自然科学基金 41731066

地理信息工程国家重点实验室基金 SKLGIE2019-Z-2-1

陕西省自然科学基础研究基金 2020JM-227

详细信息

Flood Detection of South Asia Using Spaceborne GNSS-R Coherent Signals

Funds: 

The National Key Research and Development Program of China 2020YFC1512000

The National Key Research and Development Program of China 2019YFC1509802

The National Key Research and Development Program of China 2018YFC1505102

the National Natural Science Foundation of China 42074041

the National Natural Science Foundation of China 41731066

State Key Laboratory of Geo-Information Engineering Foundation SKLGIE2019-Z-2-1

Shaanxi Natural Science Research Program 2020JM-227

More Information
    Author Bio:

    LIU Qi, PhD candidate, specializes in the theory and application of GNSS remote sensing. E-mail: liuqi.vip@chd.edu.cn

    Corresponding author: ZHANG Shuangcheng, PhD, associate professor. E-mail: shuangcheng369@chd.edu.cn
  • 摘要: 洪水监测不仅在防洪减灾中发挥着重要作用,而且对了解洪水的时空演变以及洪灾的预报、预警具有重大的实际意义。全球导航卫星系统反射(global navigation satellite system-reflectometry,GNSS-R)测量的出现为洪水监测提供了一种新的解决方案。首先介绍了一种基于旋风全球导航卫星系统(cyclone global navigation satellite system,CYGNSS)原始计数时延多普勒图(delay-Doppler map,DDM)的相干信号探测方法;然后利用星载GNSS-R信号对洪水的敏感性,分析了南亚洪水发生前后的空间范围和时间序列变化;最后与地表反射率监测洪水的方法进行比较分析。结果表明,在旱季,两种方法与土壤湿度主被动探测卫星(soil moisture active passive,SMAP)的监测范围基本相似;而在雨季,地表反射率的探测范围比SMAP卫星探测范围约大6.69%,功率比的探测范围比SMAP卫星约小3.6%。因此,所提方法比地表反射率更加准确,且该方法无需考虑地表特征等对非相干散射功率的影响,是一种简单有效的洪水探测方法。
  • 图  1  热噪声去除前后的非相干和相干DDM

    Figure  1.  Incoherent and Coherent DDM Before and After Noise Removal

    图  2  CYGNSS观测范围内PR及相干区域的分布

    Figure  2.  Distribution of PR and Coherent Region in the Observation Range of CYGNSS

    图  3  2020年5月和8月CYGNSS相干信号空间分布、利用CYGNSS地表反射率及SMAP卫星获取的洪水空间分布

    Figure  3.  Spatial Distribution of CYGNSS Coherent Signals, Flood Using CYGNSS Surface Reflectivity and SMAP in May and August, 2020

    图  4  功率比与表面反射率的概率分布图

    Figure  4.  Probability Distribution Diagram of Power Ratio and Surface Reflectivity

    图  5  2020-05-01—2020-12-31在(80°E,18°N)附近的日降雨量、土壤湿度、功率比及表面反射率的变化

    Figure  5.  Changes of Daily Rainfall, Soil Moisture, Power Ratio and Surface Reflectivity Around (80°E, 18°N) from 2020-05-01 to 2020-12-31

    表  1  图 1中的非相干DDM与相干DDM的详细信息

    Table  1.   Details Information of Incoherent and Coherent DDM of Fig.1

    DDM信息 非相干DDM 相干DDM
    低轨卫星编号 Cyg01 Cyg02
    时间 2020-05-07 2020-08-14
    镜面点位置 79.92°E, 18.15°N 80.08°E, 18.00°N
    轨迹编号 141 109
    EIRP/W 497.244 570.235 8
    入射角/(°) 29.065 7 25.881 6
    信噪比/dB 7.936 1 9.203 8
    热噪声去除前PR 0.208 2 0.267 0
    热噪声去除后PR 0.617 8 2.668 3
    下载: 导出CSV
  • [1] Pal I, Al-Tabbaa A. Regional Changes of the Severities of Meteorological Droughts and Floods in India[J]. Journal of Geographical Sciences, 2011, 21 (2): 195-206 doi:  10.1007/s11442-011-0838-5
    [2] Brivio P A, Colombo R, Maggi M, et al. Integration of Remote Sensing Data and GIS for Accurate Mapping of Flooded Areas[J]. International Journal of Remote Sensing, 2002, 23(3): 429-441 doi:  10.1080/01431160010014729
    [3] Asner G P. Cloud Cover in Landsat Observations of the Brazilian Amazon[J]. International Journal of Remote Sensing, 2001, 22(18): 3 855-3 862 doi:  10.1080/01431160010006926
    [4] Kuenzer C, Guo H D, Huth J, et al. Flood Mapping and Flood Dynamics of the Mekong Delta: ENVISAT-ASAR-WSM Based Time Series Analyses[J]. Remote Sensing, 2013, 5(2): 687-715 doi:  10.3390/rs5020687
    [5] Chew C, Reager J T, Small E. CYGNSS Data Map Flood Inundation During the 2017 Atlantic Hurricane Season[J]. Scientific Reports, 2018, 8(1): 1-8 http://www.nature.com/articles/s41598-018-27673-x.pdf
    [6] Chew C, Small E. Estimating Inundation Extent Using CYGNSS Data: A Conceptual Modeling Study[J]. Remote Sensing of Environment, 2020, 246: 111869 doi:  10.1016/j.rse.2020.111869
    [7] Wan W, Liu B J, Zeng Z Y, et al. Using CYGNSS Data to Monitor China's Flood Inundation During Typhoon and Extreme Precipitation Events in 2017 [J]. Remote Sensing, 2019, 11(7): 854 doi:  10.3390/rs11070854
    [8] 金双根, 张勤耘, 钱晓东. 全球导航卫星系统反射测量(GNSS+R)最新进展与应用前景[J]. 测绘学报, 2017, 46(10): 1 389-1 398 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710023.htm

    Jin Shuanggen, Zhang Qinyun, Qian Xiaodong. New Progress and Application Prospects of Global Navigation Satellite System Reflectometry(GNSS+ R)[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1 389-1 398 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710023.htm
    [9] Jensen K, McDonald K, Podest E, et al. Assessing L-Band GNSS-Reflectometry and Imaging Radar for Detecting Sub-Canopy Inundation Dynamics in a Tropical Wetlands Complex[J]. Remote Sensing, 2018, 10(9): 1 431 doi:  10.3390/rs10091431
    [10] Rodriguez-Alvarez N, Podest E, Jensen K, et al. Classifying Inundation in a Tropical Wetlands Com plex with GNSS-R[J]. Remote Sensing, 2019, 11 (9): 1 053 doi:  10.3390/rs11091053
    [11] Hall C D, Cordey R A. Multistatic Scatterometry [C]//International Geoscience and Remote Sensing Symposium, Edinburgh, UK, 1988
    [12] Zavorotny V U, Voronovich A G. Scattering of GPS Signals from the Ocean with Wind Remote Sensing Application[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(2): 951-964 doi:  10.1109/36.841977
    [13] Chew C C, Small E E. Soil Moisture Sensing Using Spaceborne GNSS Reflections: Comparison of CYGNSS Reflectivity to SMAP Soil Moisture[J]. Geophysical Research Letters, 2018, 45(9): 4 049- 4 057 doi:  10.1029/2018GL077905
    [14] Chew C, Shah R, Zuffada C, et al. Demonstrating Soil Moisture Remote Sensing with Observations from the UK TechDemoSat-1 Satellite Mission[J]. Geophysical Research Letters, 2016, 43(7): 3 317- 3 324 doi:  10.1002/2016GL068189
    [15] Al-Khaldi M M, Johnson J T, Gleason S, et al. An Algorithm for Detecting Coherence in Cyclone Global Navigation Satellite System Mission Level-1 DelayDoppler Maps[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(5): 4 454-4 463 doi:  10.1109/TGRS.2020.3009784
    [16] Gleason S, Ruf C S, O'Brien A J, et al. The CYGNSS Level 1 Calibration Algorithm and Error Analysis Based on On-Orbit Measurements[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(1): 37-49 doi:  10.1109/JSTARS.2018.2832981
    [17] Ruf C, Asharaf S, Balasubramaniam R, et al. InOrbit Performance of the Constellation of CYGNSS Hurricane Satellites[J]. Bulletin of the American Meteorological Society, 2019, 100(10): 2 009- 2 023 doi:  10.1175/BAMS-D-18-0337.1
    [18] 符养, 周兆明. GNSS-R海洋遥感方法研究[J]. 武汉大学学报·信息科学版, 2006, 31(2): 128-131 http://ch.whu.edu.cn/article/id/2383

    Fu Yang, Zhou Zhaoming. Investigation of Ocean Remote Sensing by Using GNSS-R Signal[J]. Geomatics and Information Science of Wuhan University, 2006, 31(2): 128-131 http://ch.whu.edu.cn/article/id/2383
    [19] 刘经南, 邵连军, 张训械. GNSS-R研究进展及其关键技术[J]. 武汉大学学报·信息科学版, 2007, 32(11): 955-960 http://ch.whu.edu.cn/article/id/2030

    Liu Jingnan, Shao Lianjun, Zhang Xunxie. Advances in GNSS-R Studies and Key Technologies[J]. Geomatics and Information Science of Wuhan University, 2007, 32(11): 955-960 http://ch.whu.edu.cn/article/id/2030
    [20] 路勇, 杨东凯, 熊华钢, 等. 基于GNSS-R的海面风场监测系统研究[J]. 武汉大学学报·信息科学版, 2009, 34(4): 470-473 http://ch.whu.edu.cn/article/id/1232

    Lu Yong, Yang Dongkai, Xiong Huagang, et al. Study of Ocean Wind-Field Monitoring System Based on GNSS-R[J]. Geomatics and Information Science of Wuhan University, 2009, 34(4): 470- 473 http://ch.whu.edu.cn/article/id/1232
    [21] Camps A, Park H, Pablos M, et al. Sensitivity of GNSS-R Spaceborne Observations to Soil Moisture and Vegetation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(10): 4 730-4 742 doi:  10.1109/JSTARS.2016.2588467
    [22] 梁勇, 杨磊, 吴秋兰, 等. 地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析[J]. 武汉大学学报·信息科学版, 2018, 43(10): 1 546-1 552 doi:  10.13203/j.whugis20160557

    Liang Yong, Yang Lei, Wu Qiulan, et al. Simulation of Soil Roughness Impact in GNSS-R Soil Moisture Retrieval[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1 546- 1 552 doi:  10.13203/j.whugis20160557
    [23] 涂晋升, 张瑞, 洪学宝, 等. 利用星载GNSS-R DDM反演土壤湿度可行性分析[J]. 导航定位学报, 2019, 7(4): 105-109 https://www.cnki.com.cn/Article/CJFDTOTAL-CHWZ201904019.htm

    Tu Jinsheng, Zhang Rui, Hong Xuebao, et al. Feasibility Analysis of Soil Moisture Retrieval Using Space-Borne GNSS-R DDM[J]. Journal of Navigation and Positioning, 2019, 7(4): 105-109 https://www.cnki.com.cn/Article/CJFDTOTAL-CHWZ201904019.htm
    [24] Morris M, Chew C, Reager J T, et al. A Novel Approach to Monitoring Wetland Dynamics Using CYGNSS: Everglades Case Study[J]. Remote Sensing of Environment, 2019, 233: 111417 doi:  10.1016/j.rse.2019.111417
    [25] Carreno-Luengo H, Luzi G, Crosetto M. AboveGround Biomass Retrieval over Tropical Forests: A Novel GNSS-R Approach with CYGNSS[J]. Remote Sensing, 2020, 12(9): 1 368 doi:  10.3390/rs12091368
    [26] Santi E, Paloscia S, Pettinato S, et al. Remote Sensing of Forest Biomass Using GNSS Reflectometry[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 2 351-2 368 doi:  10.1109/JSTARS.2020.2982993
    [27] Warnock A, Ruf C. Response to Variations in River Flowrate by a Spaceborne GNSS-R River Width Estimator[J]. Remote Sensing, 2019, 11(20): 2 450 doi:  10.3390/rs11202450
    [28] Wu X R, Dong Z N, Jin S G, et al. First Measurement of Soil Freeze/Thaw Cycles in the Tibetan Plateau Using CYGNSS GNSS-R Data[J]. Remote Sensing, 2020, 12(15): 2361 doi:  10.3390/rs12152361
    [29] Gleason S, O'Brien A, Russel A, et al. Geolocation, Calibration and Surface Resolution of CYGNSS GNSS-R Land Observations[J]. Remote Sensing, 2020, 12(8): 1 317 doi:  10.3390/rs12081317
    [30] Wan W, Ji R, Liu B J, et al. A Two-Step Method to Calibrate CYGNSS-Derived Land Surface Reflectivity for Accurate Soil Moisture Estimations[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 1(1): 1-5 http://www.researchgate.net/publication/345422840_A_Two-Step_Method_to_Calibrate_CYGNSS-Derived_Land_Surface_Reflectivity_for_Accurate_Soil_Moisture_Estimations
    [31] Al-Khaldi M M, Shah R, Chew C C, et al. Mapping the Dynamics of the South Asian Monsoon Using CYGNSS's Level-1 Signal Coherency[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14: 1 111- 1 119 http://ieeexplore.ieee.org/document/9280328
    [32] Rahman M S, Di L P, Shrestha R, et al. Agriculture Flood Mapping with Soil Moisture Active Passive(SMAP)Data: A Case of 2016 Louisiana Flood [C]//The 6th International Conference on AgroGeoinformatics, Fairfax, VA, USA, 2017
    [33] Norris R, Ruf C, Loria E, et al. Comparison of Wide Bandwidth Conventional and Interferometric GNSS-R Techniques for Possible CYGNSS Follow-on Mission[C]// IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018
  • [1] 张国栋, 郭健, 杨东凯, 王峰, 高洪兴.  星载GNSS-R海冰边界探测方法 . 武汉大学学报 ● 信息科学版, 2019, 44(5): 668-674. doi: 10.13203/j.whugis20170050
    [2] 柳聪亮, 白伟华, 夏俊明, 孙越强, 孟祥广, 杜起飞.  低轨卫星星载GNSS反射事件模拟分析 . 武汉大学学报 ● 信息科学版, 2018, 43(6): 826-831, 839. doi: 10.13203/j.whugis20160161
    [3] 王磊, 陈锐志, 李德仁, 蔚保国, 伍蔡伦.  珞珈一号低轨卫星导航增强系统信号质量评估 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2191-2196. doi: 10.13203/j.whugis20180413
    [4] 朱勇超, 邹进贵, 余科根.  一种使用卫星反射信号探测海冰分布新方法 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1472-1477. doi: 10.13203/j.whugis20160539
    [5] 许扬胤, 杨元喜, 何海波, 李金龙, 唐斌, 章林锋.  北斗全球卫星导航系统试验卫星测距信号质量分析 . 武汉大学学报 ● 信息科学版, 2018, 43(8): 1214-1221. doi: 10.13203/j.whugis20160219
    [6] 梁勇, 杨磊, 吴秋兰, 洪学宝, 汉牟田, 杨东凯.  地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1546-1552. doi: 10.13203/j.whugis20160557
    [7] 陈冠旭, 刘焱雄, 柳响林, 戴礼文, 范士杰.  船载GNSS探测海洋水汽信息的影响因子分析 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 270-276. doi: 10.13203/j.whugis20150028
    [8] 卢衍军, 申文斌, 潘元进, 丁浩.  利用全球分布超导重力台站探测Slichter模分裂信号 . 武汉大学学报 ● 信息科学版, 2016, 41(8): 1093-1099. doi: 10.13203/j.whugis20140314
    [9] 王正涛, 超能芳, 姜卫平, 晁定波.  联合GRACE与TRMM探测阿富汗水储量能力及其发生洪水的可能性 . 武汉大学学报 ● 信息科学版, 2016, 41(1): 58-65. doi: 10.13203/j.whugis20150495
    [10] 胡长江, 李英冰.  GNSS-R星载测高的动态性误差和信号平行误差研究 . 武汉大学学报 ● 信息科学版, 2015, 40(12): 1695-1700. doi: 10.13203/j.whugis20130819
    [11] 张清华, 隋立芬, 贾小林, 朱永兴.  北斗卫星导航系统空间信号误差统计分析 . 武汉大学学报 ● 信息科学版, 2014, 39(3): 271-274. doi: 10.13203/j.whugis20120062
    [12] 孙克文, 徐华敏, 刘伟, 丁志中.  卫星导航信号差分联合信道组合捕获策略 . 武汉大学学报 ● 信息科学版, 2013, 38(12): 1413-1419.
    [13] 陈润静, 彭碧波, 高凡, 范城城.  星载双频GPS二次周跳探测方法研究 . 武汉大学学报 ● 信息科学版, 2012, 37(6): 697-700.
    [14] 张铮文, 寇艳红, 刘建胜.  发射信号不完善性对卫星导航系统内及系统间干扰的影响分析 . 武汉大学学报 ● 信息科学版, 2011, 36(4): 471-475.
    [15] 韩英, 符养.  利用卫星星座对GNSS-R海洋遥感时空特性进行研究 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 208-211.
    [16] 孙宏伟, 李玉莉, 袁海波.  日本准天顶卫星系统概要 . 武汉大学学报 ● 信息科学版, 2010, 35(8): 1004-1007.
    [17] 路勇, 杨东凯, 熊华钢, 李伟强.  基于GNSS-R的海面风场监测系统研究 . 武汉大学学报 ● 信息科学版, 2009, 34(4): 470-473.
    [18] 邵连军, 张训械, 王鑫, 孙强.  利用GNSS-R信号反演海浪波高 . 武汉大学学报 ● 信息科学版, 2008, 33(5): 475-478.
    [19] 符养, 周兆明.  GNSS-R海洋遥感方法研究 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 128-131.
    [20] 王甫红, 刘基余.  星载GPS载波相位测量的周跳探测方法研究 . 武汉大学学报 ● 信息科学版, 2004, 29(9): 772-774.
  • 加载中
图(5) / 表(1)
计量
  • 文章访问数:  139
  • HTML全文浏览量:  35
  • PDF下载量:  21
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-29
  • 刊出日期:  2021-11-05

利用星载GNSS-R相干信号探测南亚洪水

doi: 10.13203/j.whugis20210056
    基金项目:

    国家重点研发计划 2020YFC1512000

    国家重点研发计划 2019YFC1509802

    国家重点研发计划 2018YFC1505102

    国家自然科学基金 42074041

    国家自然科学基金 41731066

    地理信息工程国家重点实验室基金 SKLGIE2019-Z-2-1

    陕西省自然科学基础研究基金 2020JM-227

    作者简介:

    刘奇,博士生,主要从事GNSS遥感理论与应用研究。liuqi.vip@chd.edu.cn

    通讯作者: 张双成,博士,副教授,博士生导师。shuangcheng369@chd.edu.cn
  • 中图分类号: P237

摘要: 洪水监测不仅在防洪减灾中发挥着重要作用,而且对了解洪水的时空演变以及洪灾的预报、预警具有重大的实际意义。全球导航卫星系统反射(global navigation satellite system-reflectometry,GNSS-R)测量的出现为洪水监测提供了一种新的解决方案。首先介绍了一种基于旋风全球导航卫星系统(cyclone global navigation satellite system,CYGNSS)原始计数时延多普勒图(delay-Doppler map,DDM)的相干信号探测方法;然后利用星载GNSS-R信号对洪水的敏感性,分析了南亚洪水发生前后的空间范围和时间序列变化;最后与地表反射率监测洪水的方法进行比较分析。结果表明,在旱季,两种方法与土壤湿度主被动探测卫星(soil moisture active passive,SMAP)的监测范围基本相似;而在雨季,地表反射率的探测范围比SMAP卫星探测范围约大6.69%,功率比的探测范围比SMAP卫星约小3.6%。因此,所提方法比地表反射率更加准确,且该方法无需考虑地表特征等对非相干散射功率的影响,是一种简单有效的洪水探测方法。

English Abstract

刘奇, 张双成, 南阳, 马中民. 利用星载GNSS-R相干信号探测南亚洪水[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
引用本文: 刘奇, 张双成, 南阳, 马中民. 利用星载GNSS-R相干信号探测南亚洪水[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
LIU Qi, ZHANG Shuangcheng, NAN Yang, MA Zhongmin. Flood Detection of South Asia Using Spaceborne GNSS-R Coherent Signals[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
Citation: LIU Qi, ZHANG Shuangcheng, NAN Yang, MA Zhongmin. Flood Detection of South Asia Using Spaceborne GNSS-R Coherent Signals[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1641-1648. doi: 10.13203/j.whugis20210056
  • 南亚大部分地区属热带季风气候,每年3月—5月为热季,气候干旱少雨;6月—10月为雨季,季风经过温暖的海洋携带了大量的水汽,给南亚大陆带来了极其丰富的降雨[1]。随着每年的季风来临,连续的强降雨使印度、孟加拉和尼泊尔大部分区域遭受洪灾及洪水引起的各种地质灾害。由于洪水的高度动态性,因此快速及时的空间监测有利于早期防灾、中期救灾及后期灾后重建,还可以更好地了解洪灾的时空演变,并为洪灾的预报预警提供技术支持[2]。洪灾发生时,地表通常被云层遮蔽,因此光学遥感手段受限。目前微波遥感是测量地表水的最佳方法,该方法可以穿透云层并在一定程度上穿透植被[3],然而,现有卫星提供的数据空间分辨率或时间分辨率受限 [4]。近年来,全球导航卫星系统反射(global navigation satellite system-reflectometry,GNSS-R)测量的出现为洪灾监测提供了一种新的解决方案[5-10]

    GNSS-R是一种基于导航卫星信号的新兴遥感技术。文献[11]提出了利用GPS散射信号感知海面粗糙度的想法;文献[1]提出了一种基于基尔霍夫近似和几何光学极限的科学模型,解释了海洋散射的GPS信号,奠定了这项新兴技术的理论基础。旋风全球导航卫星系统(cyclone global navigation satellite system,CYGNSS)是美国宇航局于2016年12月发射的8颗GNSS-R低轨卫星,轨道高度约为524 km,每颗卫星搭载一个GNSS-R有效载荷,每个载荷拥有4个GPS L1波段信号传输通道,可同时接收4个来自地球表面反射的GPS信号,观测范围为38°S~38°N[13-14]。由于镜面点附近(闪耀区)不同位置的地表反射和低轨卫星、GPS卫星及地球的相对运动产生了GNSS-R的基本测量结果,即时延多普勒图(delay-Doppler map,DDM)[12-16]。2020年10月,CYGNSS团队发布了Level-1 v.3数据,该版本利用CYGNSS时延多普勒测量仪测量的直射信号功率和天线增益重新估计了GPS等效全向辐射功率(effective isotropic radiated power,EIRP),降低了天线方向图引起的不确定性[16-17]。此外,CYGNSS研究团队还发布了包含相位信息的原始中频数据、全DDM数据及用于处理中频数据的软件接收机。

    虽然星载GNSS-R海面风场探测是一个相对成熟的领域[18-20],但其在陆面应用仍存在巨大的挑战。现已证明该技术可应用于土壤湿度[21-23]、湿地遥感[24-25]、生物量反演[26]、洪水监测[5-7]、河流流量估计[27]、土壤冻融状态监测[28]等领域。文献[29]提出了一种利用航天飞机雷达地形测绘使命(shuttle radar topography mission,SRTM)数字高程模型来计算和校正陆表镜面反射点的方法,为CYGNSS陆地产品的发展提供了算法支持。文献[30]提出通过地表水和水云模型分别校正不同卫星发射功率及植被引起的偏差来估算土壤湿度的方法。文献[6]提出一种理论模型,用于描述在不同地物覆盖下地表反射率(surface reflectivity,SR)的变化,研究表明,地表反射率很大程度上取决于地表及水体的粗糙度,植被茂密的地区地表反射率最大,而相对较为光滑的地表在洪水淹没过后地表反射率增加较小。文献[31]提出一种相干信号探测的方法,发现超过90%的陆表反射呈现非相干散射,而约80%的相干反射与内陆水体有关。

    目前GNSS-R监测洪水的研究大多利用地表反射率SR对水分的敏感性,然而地表反射率的计算忽略了地表粗糙度、植被、地形及数据校准过程中不确定因素的影响[24],因此本文提出一种基于CYGNSS Level-1数据相干信号的方法监测洪水变化,该方法从信号的散射机制入手,分析了洪灾发生前及发生时相干信号的空间和时间变化。

    • 相干信号是指镜面点反射了大部分具有相同相位偏移的信号[15]。当GNSS信号从表面高度变化大于L波段波长(19 cm)的表面散射时,就会发生非相干散射;相反,当从小于波长的表面反射时就产生了相干反射,因此相干反射信号通常是由GNSS信号的镜面反射产生。相干反射区为围绕镜面点的第一菲涅尔区,其范围随GNSS卫星、低轨卫星及镜面点的几何位置变化而变化。对于洪水淹没前的陆地,地表覆盖类型、地形、地表粗糙度都会导致GNSS信号出现非相干散射。而洪水淹没后,其表面呈现平静光滑的水面,GNSS信号则产生相干反射。因此可以利用GNSS-R信号的散射特性来监测洪水的时空变化 [31]

      CYGNSS Level-1 DDM是由17延迟(0.25μs×11多普勒(500 Hz)构成。每个CYGNSS L1 DDM是通过1 ms相干积分和1 000 ms非相干积分累加形成的,以减少散斑噪声的影响[15]。CYGNSS每秒可测量32个来自地表的反射信号,重访时间约3~7 h,空间分辨率约为7 km×0.5 km。自2019年7月,CYGNSS的数据采样率由1 Hz变为2 Hz,陆表空间分辨率从7 km×0.5 km变为3.5 km×0.5 km,空间分辨率的提升有利于陆表应用的发展[22]。对于双天线配置的低轨卫星来说,所接收的总功率由相干反射和非相干散射组成,其占比取决于表面的介电常数和粗糙度[21],因此,双基雷达散射总功率Prl为:

      Prl=Prlc+Prli ]]>
      Prlc=PrtGt4πRts+Rsr2·Grλ24π·Γrl ]]>
      Prli=PrtGtGrλ2(4π)3Rts2Rsr2σrl ]]>

      式中,PrlcPrli分别为相干反射功率和非相干散射功率;Prt为GPS卫星发射功率;Gt为GPS卫星天线增益;Gr为CYGNSS天性增益;λ为信号波长;RtsRsr分别为GPS卫星到镜面点、镜面点到低轨卫星的距离;Γrl表示地表反射率SR;σrl为双基雷达散射截面面积。

      原始计数DDM(未校准)经过热噪声、天线增益、天线方向图等两级校准产生了双基雷达散射截面(bistatic radar cross section,BRCS)[16]。为避免校准过程中的各种不确定性,本文使用原始计数DDM。相干反射与非相干散射的功率都是可观测的,然而实际的测量数据成分复杂,存在相干、非相干以及相干非相干混合的情况,因此,本文将非相干、相干与非相干混合和低信噪比的DDM划分为非相干信号,相干或相干反射主导的DDM划分为相干信号。目前,区分相干和非相干DDM的研究大多基于信噪比、前缘斜率、后缘斜率、WAF(woodward ambiguity function)相关性等方法[15],本文基于文献[15]提出的功率扩散探测(DDM power-spread detector,DPSD)方法,通过功率比(power ratio,PR)来估算功率分布,计算如下:

      PR=CinCout ]]>
      Cin=i=-11j=-22DDMτM+i,fM+j ]]>
      Cout=i=1Nτj=1NfDDMi,j-Cin ]]>

      式中,Cin为原始计数DDM的镜面点周围3×5时延多普勒区域的总功率;Cout为除Cin以外的所有DDM像素单元的总功率;NτNf分别为时延和多普勒单元的数量;τMfM分别表示对应DDM最大值所在的时延和多普勒像素的位置。对于相干反射,所接收的反射功率主要集中在Cin内,而在Cout中的功率很小,因此PR较大。非相干散射所产生的DDM大都呈现典型的马蹄形,功率扩散到其他的像素单元导致PR降低。此外,原始计数DDM的某些像素单元无法映射到地球表面,这些无法映射的DDM像素单元主要包含热噪声,由于这些像素单元传递了不一致性的信息,因此将其从Cout中去除,本文利用参考文献[15]中提出的热噪声排除经验函数进行去除。

      图 1展示了同一区域(80°E,18°N附近)热噪声去除前后的非相干和相干DDM,表 1图 1所示DDM的详细信息。为方便数据处理,将原始计数DDM进行振幅归一化,即将所有像素单元振幅分别除以峰值振幅。

      图  1  热噪声去除前后的非相干和相干DDM

      Figure 1.  Incoherent and Coherent DDM Before and After Noise Removal

      表 1  图 1中的非相干DDM与相干DDM的详细信息

      Table 1.  Details Information of Incoherent and Coherent DDM of Fig.1

      DDM信息 非相干DDM 相干DDM
      低轨卫星编号 Cyg01 Cyg02
      时间 2020-05-07 2020-08-14
      镜面点位置 79.92°E, 18.15°N 80.08°E, 18.00°N
      轨迹编号 141 109
      EIRP/W 497.244 570.235 8
      入射角/(°) 29.065 7 25.881 6
      信噪比/dB 7.936 1 9.203 8
      热噪声去除前PR 0.208 2 0.267 0
      热噪声去除后PR 0.617 8 2.668 3

      图 1表 1可知,原始计数的非相干DDM的PR为0.208 2,非相干DDM热噪声去除后,其PR为0.617 8;相干DDM热噪声去除后,PR从0.267 0变为2.668 3。在热噪声去除前后,非相干DDM、相干DDM的PR分别提高了0.409 6(约2倍)、2.401 3(约9倍);相干DDM与非相干DDM的比值从之前的1.3增加至4.3,这种对相干与非相干DDM的不同影响促进了该方法的应用。

      文献[15]通过大量数据研究表明,相干与非相干DDM的最佳分类阈值为2,即当PR2时,DDM呈现相干反射;当PR < 2时,DDM呈现非相干散射[15]图 2展示了2020-10-01—2020-10-15 9 km×9 km格网化的陆表功率比PR以及利用阈值分类的结果。在CYGNSS监测范围内,全球约9%的陆表被标记为相干区域,这些区域包含平原、湿地、河流湖泊等。此外,在撒哈拉、阿尔及利亚、利比亚等沙漠地区也探测到了相干反射信号,这些区域不存在大量的地表水,说明该地区地形足够平坦才能产生相干反射,表面均方根高度(root mean square height,RMSH)相对较小(约为5 cm或更小)[31]

      图  2  CYGNSS观测范围内PR及相干区域的分布

      Figure 2.  Distribution of PR and Coherent Region in the Observation Range of CYGNSS

    • 本文使用了CYGNSS Level-1 v.3从2020-05-01—2020-12-31的数据来探测南亚洪水的时空变化,该研究区域总陆地面积约324万km2图 2矩形标注区域)。由于缺乏空间和时间尺度上的真实对比数据,本文采用土壤湿度主被动探测卫星(soil moisture active passive,SMAP)格网化的日均土壤湿度数据与全球降雨卫星(global precipitation mission,GPM)日均降雨产品作为同比数据。SMAP Level-3 9 km ×9 km产品是基于雷达和辐射计的数据通过亮温数据插值和转化得到的,可提供土壤表面约5 cm深度的湿度数据。GPM Level-3 10 km ×10 km的全球降雨测量数据是多卫星辐射计和经过微波校准的红外卫星融合的结果。在空间尺度上,CYGNSS的空间采样呈现轨迹状的伪随机分布,与同比数据无法直接比较,因此将CYGNSS相干信号探测结果格网化为9 km×9 km,而SMAP与GPM格网相似,则不做处理。在时间尺度上,SMAP日均数据产品通过取平均的方式获取月均数据产品,而CYGNSS的功率比PR则采用了取中值的方式。

      图 3(a)3(b)分别显示了南亚地区5月、8月相干信号与非相干信号探测格网化中值的空间分布。在干旱的5月,约有11.42%的区域与相干反射有关,而在由于强降雨导致洪灾的8月,约有23.36%的区域与相干反射有关。CYGNSS地表反射率可通过式(2)计算得到。目前,通过SR探测洪水(地表水)的研究大都采用简单的阈值判决[57],将整个研究区域内永久性水体的反射率平均值作为分类阈值。图3(c)3(d)分别显示了利用地表反射率获取的南亚地区5月、8月地表水分布,分类阈值为15 dB,5月、8月的地表水分别占总面积的11.03%、33.65%。文献[32]曾使用SMAP数据进行农业洪水监测的研究,结果表明,对于未淹没的土地,其土壤体积含水量的上限约为0.4 cm3·cm-3,淹没的土地平均含水量为0.4~0.45 cm3·cm-3[32]。本文基于文献[32]的研究结果,使用SMAP的土壤湿度数据计算了南亚地区5月、8月洪水的空间分布,结果分别如图3(e)3(f)所示。图 3(e)中约有11.13%的地区处于淹没状态,而图 3(f)则增加至26.96%。

      图  3  2020年5月和8月CYGNSS相干信号空间分布、利用CYGNSS地表反射率及SMAP卫星获取的洪水空间分布

      Figure 3.  Spatial Distribution of CYGNSS Coherent Signals, Flood Using CYGNSS Surface Reflectivity and SMAP in May and August, 2020

      图 3可知,洪水空间分布的相似性证明了CYGNSS相干信号探测用于识别洪水的可行性与有效性。无论是利用地表反射率还是功率比,相比于SMAP卫星的监测结果,旱季的监测范围基本相似,而对于雨季来说,地表反射率的监测范围更大,与SMAP的差异约6.69%,功率比的监测范围比SMAP约小3.6%,这种空间分布的误差主要集中在高海拔地区和内陆永久性水体,如西高止山脉、马尔瓦高原等。CYGNSS采用了DTU10(Danish Technical University 10)全球海面模型,未考虑陆地地形的影响,导致海拔大于600 m的陆表镜面点估算误差较大,从而使得一些高海拔地区相干信号探测存在问题[14]。导致空间差异的另外一个原因是空间分辨率的不同,CYGNSS空间分辨率为3.5 km×0.5 km,而SMAP数据为9 km×9 km,这使得许多较小的水体或淹没的土地也可以被探测出[31]。对于水体的影响则可使用全球地表水(global surface water,GSW)的季节性水体数据消除[13]

      本文分别统计了5月与8月南亚地区DDM功率比与地表反射率的概率分布及标准差,如图 4所示,功率比与地表反射率探测洪水都采用了阈值分类的方法,虚线表示分类阈值。由图 4可知,对于功率比PR,8月的相干反射观测量多于5月,约是5月的2倍,而小于阈值的观测量大致相同,其中5月的标准差为0.37,8月的标准差为0.46。对于地表反射率,8月的地表水面积约为5月的3倍,5月的标准差为5.53 dB,8月为7.08 dB。

      图  4  功率比与表面反射率的概率分布图

      Figure 4.  Probability Distribution Diagram of Power Ratio and Surface Reflectivity

      图 5展示了在(80°E,18°N)附近(图 3五角星位置)2020-05-01—2020-12-31,即年积日(day of year,DOY)第122~366天的日降雨量(绿色柱状图)、土壤湿度(蓝色)、PR(红色)及SR(黄色)的变化。该区域位于印度特伦甘纳邦东部,海拔300 m左右,这里地势相对较低,以平坦的农田为主,包含诸多小型河流和灌溉网络,强降雨极易使该地区发生洪涝灾害。

      图  5  2020-05-01—2020-12-31在(80°E,18°N)附近的日降雨量、土壤湿度、功率比及表面反射率的变化

      Figure 5.  Changes of Daily Rainfall, Soil Moisture, Power Ratio and Surface Reflectivity Around (80°E, 18°N) from 2020-05-01 to 2020-12-31

      图 5可知,在7月4日前,PR集中在1.4~1.8,SR集中在6~16 dB。随着雨季的来临,降雨量逐渐增加,土壤湿度在7月4日达到了峰值,约为0.440 4 cm3·cm-3,并持续至10月26日(浅红色标注区间),因此在该时间范围内处于洪水淹没阶段。PR和SR也随之发生了相应的变化,7月4日的PR从之前的1.74骤升至2.26,SR增加了约5 dB。在整个洪水淹没阶段,PR都大于2,最大达到了2.55,SR集中在12~23 dB。在洪水退去后,PR随之下降至2以下,SR几乎都下降到15 dB以下。上述结果表明,不论是基于PR还是基于SR来探测洪水,都能较好地反映洪水的时间变化;两种方法相比,SR方法的误差更大,这主要是因为反射率的计算忽略了地形、植被、地表粗糙度等对非相干散射信号的贡献。

      综上所述,本文所提方法成功地探测到淹没前与淹没后两个阶段空间和时间的变化趋势,可用于监测洪水。相比使用SR的方法监测洪水,本文方法无需考虑地形、地表植被、粗糙度以及数据校准过程中不确定因素的影响,仅需判断信号为相干反射还是非相干反射,是一种简单有效的洪水监测方法。然而,该方法有几点局限性。首先,如果洪水淹没前所监测的地区地势平坦或水系丰富,反射信号主要为相干信号,这种情况下淹没前后没有明显变化,则无法确定洪水是否发生,如图 3中的孟加拉区域。其次,由于CYGNSS卫星对于大于600 m海拔的镜面反射点估计不准,造成了洪水范围探测不准确,针对该问题,文献[29]已提出相关解决方案。

    • 洪水监测不仅在防洪减灾中发挥着重要作用,而且对于了解洪水的时空演变和洪灾的预报预警有重大的实际意义。本文基于GNSS-R相干信号对地表水的敏感性,从信号的散射机制入手,分析了CYGNSS全球范围内的相干信号分布,随后利用CYGNSS相干信号来探测南亚洪水的空间与时间变化,并与基于地表反射率监测洪水的方法相比较。研究结果表明,相比SMAP的探测结果,两种方法在旱季的监测范围基本相似,而地表反射率在雨季的探测范围约大6.69%,功率比的探测范围约小3.6%。因此,利用GNSS-R相干信号比地表反射率探测洪水的方法更加准确,且该方法无需考虑地表特征等对非相干散射功率影响,是一种简单有效的洪水探测方法。

      尽管CYGNSS并非为洪水监测而设计,但诸多陆面遥感研究表明了其对洪水、土壤水分等的敏感性,其监测能力与目前最先进的辐射计和单基雷达相似,较短的重访时间也表明星载GNSS-R可满足洪水监测高动态性的特点。随着未来GNSS-R低轨卫星的有效载荷和模型的进一步发展,相信会有更多、更高时空分辨率和更高质量的星载GNSS-R数据(如CYGNSS follow-on)[33],这将会为GNSS-R陆表遥感带来更多创新型的方法和应用。

参考文献 (33)

目录

    /

    返回文章
    返回