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

一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

郭斐 陈惟杰 朱逸凡 张小红

郭斐, 陈惟杰, 朱逸凡, 张小红. 一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210644
引用本文: 郭斐, 陈惟杰, 朱逸凡, 张小红. 一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210644
Guo Fei, Chen Weijie, Zhu Yifan, Zhang Xiaohong. A GNSS-IR soil moisture inversion method integrating phase, amplitude and frequency[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210644
Citation: Guo Fei, Chen Weijie, Zhu Yifan, Zhang Xiaohong. A GNSS-IR soil moisture inversion method integrating phase, amplitude and frequency[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210644

一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

doi: 10.13203/j.whugis20210644
基金项目: 

国家自然科学基金(42074029),湖北省杰青(2021CFA039)

详细信息
    作者简介:

    郭斐,教授,主要从事GNSS精密单点定位及GNSS-R地学应用研究。

A GNSS-IR soil moisture inversion method integrating phase, amplitude and frequency

Funds: 

National Natural Science Foundation of China (Grant No.42074029),Natural Science Foundation of Hubei Province for Distinguished Young Scholars (Grant No.2021CFA039)

  • 摘要: GNSS干涉测量(GNSS Interferometric Reflectometry,GNSS-IR)技术已经成为探测地表环境特性的一种新兴被动遥感技术,本文综合利用从土壤反射的GNSS信号中提取的相位、振幅、频率特征,提出了一种多类型特征数据融合的GNSS-IR土壤湿度反演方法,采用最小二乘支持向量机(LSSVM,Least Square Support Vector Machine)、随机森林(RF,Random Forest)、BP神经网络(BPNN,Back Propagation Neural Network)三种机器学习模型,对比和验证了所提出方法的可行性与效果。结果表明多特征融合的LSSVM、RF和BPNN模型反演得到的土壤湿度与参考值的相关性系数分别为0.823、0.944和0.955,对应的均方根误差(RMSE)分别为0.045、0.035和0.032 cm3 · cm-3。相比于单一特征反演法,土壤湿度反演精度提高了6-14%,相关系数提高了2-7%。
  • [1] Small E E, Larson K M, Chew C C, et al.Validation of GPS-IR Soil Moisture Retrievals:Comparison of Different Algorithms to Remove Vegetation Effects[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(10):4759-4770
    [2] Larson K M, Braun J J, Small E E, et al.GPS Multipath and Its Relation to NearSurface Soil Moisture Content[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2010, 3(1):91-99
    [3] Km l, Ee s, Ed g, et al.Use of GPS Receivers as a Soil Moisture Network for Water Cycle Studies[J].Geophysical Research Letters, 2008, 35(24):L24405-1
    [4] Vey S, Güntner A, Wickert J, et al.LongTerm Soil Moisture Dynamics Derived from GNSS Interferometric Reflectometry:A Case Study for Sutherland, South Africa[J].GPS Solutions, 2016, 20(4):641-654
    [5] Chew C, Small E E, Larson K M.An Algorithm for Soil Moisture Estimation Using GPS-Interferometric Reflectometry for Bare and Vegetated Soil[J].GPS Solutions, 2016, 20(3):525-537
    [6] Chew C C, Small E E, Larson K M, et al.Effects of Near-Surface Soil Moisture on GPS SNR Data:Development of a Retrieval Algorithm for Soil Moisture[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1):537-543
    [7] Zhang S B, Roussel N, Boniface K, et al.Use of Reflected GNSS SNR Data to Retrieve either Soil Moisture or Vegetation Height from a Wheat Crop[J].Hydrology and Earth System Sciences, 2017, 21(9):4767-4784
    [8] Ren C, Liang Y J, Lu X J, et al.Research on the Soil Moisture Sliding Estimation Method Using the LS-SVM Based on Multi-Satellite Fusion[J].International Journal of Remote Sensing, 2019, 40(5/6):2104-2119
    [9] Suykens J, Lukas L, Van Dooren P.Least Squares Support Vector Machine Classifiers:A Large Scale Algorithm[J].Euro Conf Circ Theory Design (ECCTD'99), 1999
    [10] Suykens J A K, De Brabanter J, Lukas L, et al.Weighted Least Squares Support Vector Machines:Robustness and Sparse Approximation[J].Neurocomputing, 2002, 48(1/2/3/4):85-105
    [11] Liang Y J, Ren C, Wang H Y, et al.Research on Soil Moisture Inversion Method Based on GA-BP Neural Network Model[J].International Journal of Remote Sensing, 2019, 40(5/6):2087-2103
  • [1] 武芳, 杜佳威, 钱海忠, 翟仁健.  地图综合智能化研究的发展与思考 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210687
    [2] 覃星力, 杨杰, 李平湘, 赵伶俐, 孙开敏.  迁移学习用于多时相极化SAR影像的水体提取 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200121
    [3] 陈逸敏, 黎夏.  机器学习在城市空间演化模拟中的应用与新趋势 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200423
    [4] 吴凯, 舒红, 聂磊, 焦振航.  一种遥感土壤湿度误差空间协方差的估算方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170133
    [5] 高云龙, 张帆, 屈孝志, 黄先锋, 崔婷婷.  结合样本自动选择与规则性约束的窗户提取方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150225
    [6] 刘英, 吴立新, 岳辉.  基于梯度结构相似度的矿区土壤湿度空间分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160216
    [7] 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, doi: 10.13203/j.whugis20160557
    [8] 敖敏思, 朱建军, 胡友健, 叶险峰.  利用窗口GPS多径干涉相位反演土壤湿度 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160246
    [9] 龚健雅, 季顺平.  从摄影测量到计算机视觉 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170283
    [10] 黄观文, 余航, 郭海荣, 张菊清, 付文举, 田婕.  北斗在轨卫星钟中长期钟差特性分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140827
    [11] 敖敏思, 朱建军, 胡友健, 曾云, 刘亚东.  利用SNR观测值进行GPS土壤湿度监测 . 武汉大学学报 ● 信息科学版,
    [12] 张良培.  高光谱目标探测的进展与前沿问题 . 武汉大学学报 ● 信息科学版,
    [13] 李伟强, 杨东凯, 李明里, 张其善.  面向遥感的GNSS反射信号接收处理系统及实验 . 武汉大学学报 ● 信息科学版,
    [14] 张荞, 孙晓兵, 洪津, 龚忠清.  土壤湿度的偏振反演模型与实验 . 武汉大学学报 ● 信息科学版,
    [15] 罗云锋, 普杰, 贲可荣.  软件模块故障倾向预测方法研究 . 武汉大学学报 ● 信息科学版,
    [16] 张燕, 吴云.  2008年汶川地震前的形变异常及机理解释 . 武汉大学学报 ● 信息科学版,
    [17] 楼良盛, 汤晓涛, 黄启来.  基于卫星编队InSAR方位向基线影响分析 . 武汉大学学报 ● 信息科学版,
    [18] 刘利力, 舒宁, 龚衍, 章志佳.  基于梯度的干涉条纹图圆周期滤波 . 武汉大学学报 ● 信息科学版,
    [19] 刘良明, 李德仁.  基于辅助数据的遥感干旱分析 . 武汉大学学报 ● 信息科学版,
    [20] 程朋根, 岳琛, 朱欣焰.  多源数据支持下的城市生态环境评价及其与人类活动关系的研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200382
  • 加载中
计量
  • 文章访问数:  95
  • HTML全文浏览量:  5
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-06-23

一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

doi: 10.13203/j.whugis20210644
    基金项目:

    国家自然科学基金(42074029),湖北省杰青(2021CFA039)

    作者简介:

    郭斐,教授,主要从事GNSS精密单点定位及GNSS-R地学应用研究。

摘要: GNSS干涉测量(GNSS Interferometric Reflectometry,GNSS-IR)技术已经成为探测地表环境特性的一种新兴被动遥感技术,本文综合利用从土壤反射的GNSS信号中提取的相位、振幅、频率特征,提出了一种多类型特征数据融合的GNSS-IR土壤湿度反演方法,采用最小二乘支持向量机(LSSVM,Least Square Support Vector Machine)、随机森林(RF,Random Forest)、BP神经网络(BPNN,Back Propagation Neural Network)三种机器学习模型,对比和验证了所提出方法的可行性与效果。结果表明多特征融合的LSSVM、RF和BPNN模型反演得到的土壤湿度与参考值的相关性系数分别为0.823、0.944和0.955,对应的均方根误差(RMSE)分别为0.045、0.035和0.032 cm3 · cm-3。相比于单一特征反演法,土壤湿度反演精度提高了6-14%,相关系数提高了2-7%。

English Abstract

郭斐, 陈惟杰, 朱逸凡, 张小红. 一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210644
引用本文: 郭斐, 陈惟杰, 朱逸凡, 张小红. 一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210644
Guo Fei, Chen Weijie, Zhu Yifan, Zhang Xiaohong. A GNSS-IR soil moisture inversion method integrating phase, amplitude and frequency[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210644
Citation: Guo Fei, Chen Weijie, Zhu Yifan, Zhang Xiaohong. A GNSS-IR soil moisture inversion method integrating phase, amplitude and frequency[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210644
参考文献 (11)

目录

    /

    返回文章
    返回