针对基于单系统单卫星GNSS-MR(GNSS Multipath Reflectometry)土壤湿度反演的可靠性不高、实际可操作性不强和最小二乘估计不具鲁棒性的缺点,为获取更优的延迟相位估值,并改善GNSS-MR土壤湿度反演的可靠性和实际可操作性,同时简化繁杂...针对基于单系统单卫星GNSS-MR(GNSS Multipath Reflectometry)土壤湿度反演的可靠性不高、实际可操作性不强和最小二乘估计不具鲁棒性的缺点,为获取更优的延迟相位估值,并改善GNSS-MR土壤湿度反演的可靠性和实际可操作性,同时简化繁杂的选星过程,提出了一种基于抗差估计的多系统多卫星组合GNSS-MR土壤湿度反演算法。该算法首先顾及多径环境的差异性、多径误差的周期特性等进行信噪比SNR(Signal to NoiseRatio)观测值的筛选,然后采用基于IGGⅢ(Weight Function Ⅲ Developed by Institute of Geodesy and Geophysics)权函数的抗差估计解求延迟相位,进而获得表征土壤湿度变化趋势的延迟相位组合。实验结果表明,相较于未采用抗差估计的多系统多卫星组合(方案1)和单卫星组合(方案3),得益于抗差估计良好的鲁棒性,基于抗差估计的多系统多卫星组合(方案2)和单卫星组合(方案4)获得了较高的建模精度,所得延迟相位与实测土壤湿度间的相关系数分别为0.97和0.95、土壤湿度拟合残差的均方根误差分别为0.010和0.012;同时,方案2和方案4还取得了较高的土壤湿度预报精度,土壤湿度预测值与土壤湿度实测值间的相关系数分别为0.92和0.91、土壤湿度预报残差的均方根误差分别为0.016和0.023;此外,相比于方案4,方案2在采用抗差估计解求延迟相位的基础上,采用多系统多卫星组合进一步提升了延迟相位的估值精度,从而不仅避免了复杂的选星过程,而且还获得了更好的建模效果和更高的土壤湿度预报精度。展开更多
为了解决基于单天线全球导航卫星系统反射遥感测量技术(global navigation satellite system,GNSS-R)的土壤湿度测量中使用单一植被指数进行植被含水量(vegetation water content,VWC)拟合时无法完全反映植被状况的问题,提出了一种可自...为了解决基于单天线全球导航卫星系统反射遥感测量技术(global navigation satellite system,GNSS-R)的土壤湿度测量中使用单一植被指数进行植被含水量(vegetation water content,VWC)拟合时无法完全反映植被状况的问题,提出了一种可自适应选取植被指数的土壤湿度反演模型。首先完成GNSS-R信号的数据计算解析工作,再对原始高光谱图像进行预处理和解混处理得到植被指数数据,采用灰色关联分析法量化9种植被指数(NVDI、SR、SAVI、NDVI705、mSR705、mNDVI705、VOGI、WBI、NDWI)和植被含水量的相关性,选择相关程度最高的4种参数(SR、SAVI、mSR705、NDVI)去拟合VWC,并利用拟合后的VWC校正GNSS-R的信噪比(signal to noise ratio,SNR)观测值信号,最终进行特征提取与解算工作反演出土壤湿度。实验结果表明,该方法的均方根误差(root mean square error,RMSE)为0.667 79,该方法提高了土壤湿度的反演精度。展开更多
文摘针对基于单系统单卫星GNSS-MR(GNSS Multipath Reflectometry)土壤湿度反演的可靠性不高、实际可操作性不强和最小二乘估计不具鲁棒性的缺点,为获取更优的延迟相位估值,并改善GNSS-MR土壤湿度反演的可靠性和实际可操作性,同时简化繁杂的选星过程,提出了一种基于抗差估计的多系统多卫星组合GNSS-MR土壤湿度反演算法。该算法首先顾及多径环境的差异性、多径误差的周期特性等进行信噪比SNR(Signal to NoiseRatio)观测值的筛选,然后采用基于IGGⅢ(Weight Function Ⅲ Developed by Institute of Geodesy and Geophysics)权函数的抗差估计解求延迟相位,进而获得表征土壤湿度变化趋势的延迟相位组合。实验结果表明,相较于未采用抗差估计的多系统多卫星组合(方案1)和单卫星组合(方案3),得益于抗差估计良好的鲁棒性,基于抗差估计的多系统多卫星组合(方案2)和单卫星组合(方案4)获得了较高的建模精度,所得延迟相位与实测土壤湿度间的相关系数分别为0.97和0.95、土壤湿度拟合残差的均方根误差分别为0.010和0.012;同时,方案2和方案4还取得了较高的土壤湿度预报精度,土壤湿度预测值与土壤湿度实测值间的相关系数分别为0.92和0.91、土壤湿度预报残差的均方根误差分别为0.016和0.023;此外,相比于方案4,方案2在采用抗差估计解求延迟相位的基础上,采用多系统多卫星组合进一步提升了延迟相位的估值精度,从而不仅避免了复杂的选星过程,而且还获得了更好的建模效果和更高的土壤湿度预报精度。
文摘为了解决基于单天线全球导航卫星系统反射遥感测量技术(global navigation satellite system,GNSS-R)的土壤湿度测量中使用单一植被指数进行植被含水量(vegetation water content,VWC)拟合时无法完全反映植被状况的问题,提出了一种可自适应选取植被指数的土壤湿度反演模型。首先完成GNSS-R信号的数据计算解析工作,再对原始高光谱图像进行预处理和解混处理得到植被指数数据,采用灰色关联分析法量化9种植被指数(NVDI、SR、SAVI、NDVI705、mSR705、mNDVI705、VOGI、WBI、NDWI)和植被含水量的相关性,选择相关程度最高的4种参数(SR、SAVI、mSR705、NDVI)去拟合VWC,并利用拟合后的VWC校正GNSS-R的信噪比(signal to noise ratio,SNR)观测值信号,最终进行特征提取与解算工作反演出土壤湿度。实验结果表明,该方法的均方根误差(root mean square error,RMSE)为0.667 79,该方法提高了土壤湿度的反演精度。
