階段模型修正的星載GNSS-R土壤濕度反演方法

陶庭葉，李江洋，朱勇超,2，汪俊濤，陳 皓，時(shí)夢(mèng)杰

1. 合肥工業(yè)大學(xué)土木與水利工程學(xué)院，安徽 合肥 230009; 2. 土木工程防災(zāi)減災(zāi)安徽省工程技術(shù)研究中心, 安徽 合肥 230009

土壤濕度調(diào)節(jié)著陸地、大氣和其他水文過(guò)程之間的能量和水分交換，在全球范圍內(nèi)的水文和地球物理過(guò)程中發(fā)揮著重要作用，是全球氣候變化研究的關(guān)鍵參數(shù)[1-3]。因此，獲取高時(shí)間和空間分辨率的土壤濕度是十分重要的。土壤濕度探測(cè)方法經(jīng)過(guò)多年的發(fā)展，內(nèi)容已經(jīng)非常豐富。傳統(tǒng)的人工實(shí)地測(cè)量方法精度較高，但這種方法費(fèi)時(shí)費(fèi)力，無(wú)法滿足現(xiàn)代大規(guī)模獲取土壤濕度數(shù)據(jù)的需求[4]。微波遙感技術(shù)利用微波頻率信號(hào)對(duì)土壤介電常數(shù)的敏感性獲取全球尺度的土壤濕度數(shù)據(jù)。目前，用于土壤濕度探測(cè)的衛(wèi)星包括SMAP[5](Soil Moisture Active Passive)和SMOS[6](Soil Moisture and Ocean Salinity)，但微波遙感衛(wèi)星造價(jià)較高，且單顆衛(wèi)星重訪時(shí)間較長(zhǎng)，限制了其應(yīng)用。

近年來(lái)，利用星載GNSS-R(global navigation satellite system reflectometry)[7]探測(cè)土壤濕度成為研究熱點(diǎn)。GNSS-R通過(guò)接收地球表面反射的GNSS衛(wèi)星信號(hào)來(lái)反演反射面特性[8]，具有以下特點(diǎn)：①GNSS衛(wèi)星L波段信號(hào)對(duì)土壤含水量有著較高的敏感性，且對(duì)云雨霧具有良好的穿透性，受氣象條件影響較?。虎贕NSS-R接收機(jī)體積小、重量輕、功耗低，因此，搭載GNSS-R接收機(jī)的小衛(wèi)星制造成本較低，可以利用較低的成本生產(chǎn)若干顆GNSS-R小衛(wèi)星組成一個(gè)星座，提高時(shí)間分辨率；③使用現(xiàn)有GNSS衛(wèi)星免費(fèi)的信號(hào)源，信號(hào)覆蓋范圍廣[9]?？傊珿NSS-R土壤濕度反演具有低成本、無(wú)源探測(cè)、全球覆蓋、高分辨率、獲取數(shù)據(jù)量大等優(yōu)勢(shì)，且具備全天候、全天時(shí)工作能力[10]。文獻(xiàn)[11]使用英國(guó)航天局的TDS-1(TechDemoSat-1)數(shù)據(jù)進(jìn)行全球土壤濕度反演。由于TDS-1的數(shù)據(jù)采集在空間和時(shí)間覆蓋方面受限嚴(yán)重，無(wú)法實(shí)現(xiàn)土壤濕度的每日估計(jì)。NASA于2016年發(fā)射的CYGNSS(cyclone global navigation satellite system)衛(wèi)星星座，由8顆微小衛(wèi)星組成，提供的數(shù)據(jù)量比TDS-1多幾個(gè)數(shù)量級(jí)，較好地解決了GNSS-R反演土壤濕度的時(shí)空覆蓋問(wèn)題。文獻(xiàn)[12]基于CYGNSS數(shù)據(jù)的GNSS-R土壤濕度反演，發(fā)現(xiàn)天鵝座信噪比(SNR)的變化與SMAP土壤濕度結(jié)果相關(guān)，并通過(guò)線性回歸方法解釋了相關(guān)性。文獻(xiàn)[13]利用相對(duì)信噪比與SMAP提供的土壤濕度數(shù)據(jù)相結(jié)合獲取每日土壤濕度估計(jì)值。文獻(xiàn)[14]提出反射-植被-粗糙度(R-V-R)算法，推導(dǎo)每日土壤濕度估計(jì)值。文獻(xiàn)[15]分析時(shí)間序列并進(jìn)行土壤濕度反演，通過(guò)SMAP土壤濕度值的最大值和最小值來(lái)限制其土壤濕度反演結(jié)果。文獻(xiàn)[16]提出基于3層模式的泛熱帶土壤濕度反演方法。

值得注意的是，上述土壤濕度反演模型都是為了減弱植被和地形對(duì)反演結(jié)果的影響，而在實(shí)際應(yīng)用中，溫度也影響著土壤濕度的變化。文獻(xiàn)[17]研究了海面溫度與CYGNSS數(shù)據(jù)中時(shí)延多普勒?qǐng)D的關(guān)系，其中時(shí)延多普勒?qǐng)D是反射面的散射功率與傳輸?shù)腉NSS信號(hào)模糊函數(shù)進(jìn)行卷積的結(jié)果，而反演土壤濕度使用的反射率需要基于時(shí)延多普勒?qǐng)D計(jì)算，因而對(duì)全球范圍土壤濕度進(jìn)行跨季度反演，溫度因素是不可忽略的。此外，上述模型還存在大量輸入輔助數(shù)據(jù)的問(wèn)題，使得模型訓(xùn)練過(guò)于復(fù)雜且耗時(shí)，同時(shí)對(duì)土壤濕度較高的區(qū)域反演存在較大誤差。

本文提出階段模型修正的星載GNSS-R土壤濕度反演方法。首先，通過(guò)處理CYGNSS數(shù)據(jù)獲取地表反射率參數(shù)，以SMAP提供的植被、地面及溫度信息作為輔助數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)線性回歸模型來(lái)進(jìn)行數(shù)據(jù)訓(xùn)練，構(gòu)建土壤濕度反演初始模型；然后，利用階段模型進(jìn)行更高精度土壤濕度的反演。相比較先前的研究，本文方法使得反演的土壤濕度更貼近現(xiàn)實(shí)情況，且提高了時(shí)間和空間分辨率。

1 理論和方法

本節(jié)介紹了星載GNSS-R反演土壤濕度的基本原理和具體的反演流程。

1.1 基本原理

GPS衛(wèi)星、地面和接收器構(gòu)成雙基地雷達(dá)系統(tǒng)，接收GPS衛(wèi)星發(fā)送的L波段電磁波信號(hào)獲得與散射表面特性相關(guān)的信息。土壤濕度作為陸地信息的一部分能夠被反演，因?yàn)樗巧⑸浔砻娼殡姵?shù)的主要決定因素。一種理想的基于GNSS-R的土壤濕度反演方法是依靠雙基地雷達(dá)方程的反演來(lái)獲得地表反射率。地表反射率通過(guò)對(duì)植被覆蓋和表面粗糙度的影響進(jìn)行校正，以獲得菲涅爾反射系數(shù)。利用菲涅耳反射方程，建立菲涅耳反射系數(shù)與土壤濕度之間的數(shù)學(xué)模型。

對(duì)于鏡面反射占完全主導(dǎo)地位的情況，雙基地接收功率的相干分量如式(1)所示[18]

(1)

假設(shè)地面相對(duì)平坦(無(wú)地形起伏)和光滑(弱粗糙度)，沒有或少量植被覆蓋時(shí)，雙基地接收信號(hào)由相干反射控制，此時(shí)表面反射率可直接計(jì)算，如式(2)所示

(2)

通過(guò)使用式(2)計(jì)算地面反射率后，應(yīng)從Γrl(θ)提取菲涅爾反射系數(shù)Rrl(θ)。因?yàn)榉颇鶢柗瓷湎禂?shù)主要受土壤含水量影響。假設(shè)植被下的表面是平坦光滑的，Rrl(θ)可以通過(guò)校正Γrl(θ)的植被和表面粗糙度效應(yīng)計(jì)算獲取，如式(3)所示

Γrl(θ)=Rrl(θ)2γ2exp(-hcos2θ)

(3)

式中，γ2是波從植被冠層頂部傳播到地面，然后再?gòu)牡孛鎮(zhèn)鞑サ街脖还趯禹敳繒r(shí)的波衰減；h參數(shù)與表面粗糙度均方根高度線性相關(guān)。

借助菲涅爾方程將菲涅爾反射系數(shù)與土壤介電常數(shù)關(guān)聯(lián)，如式(4)—式(6)所示

(4)

(5)

(6)

式中，Rvv和Rhh為水平和垂直偏振下的菲涅爾系數(shù)；θ為入射角；εr為表面介電常數(shù)，εr=ε/ε0-j60λσ，其中，ε0為自由空間介電常數(shù)，σ為電導(dǎo)率，λ為波長(zhǎng)，在干燥地形或幾乎干燥的情況下，介電常數(shù)的虛部可以忽略。利用土壤質(zhì)地信息，借助于地面介電混合模型，可以通過(guò)土壤介電常數(shù)εr獲取土壤濕度[19]。

1.2 反演方法

本文基于CYGNSS數(shù)據(jù)利用GNSS-R進(jìn)行土壤濕度的反演，首先需要對(duì)CYGNSS數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)每個(gè)鏡面點(diǎn)處的信噪比來(lái)進(jìn)行數(shù)據(jù)篩選，將信噪比小于0及入射角大于60°的數(shù)據(jù)剔除以保證數(shù)據(jù)質(zhì)量?；陬A(yù)處理后的數(shù)據(jù)提取所需要的相關(guān)參數(shù)，進(jìn)而計(jì)算地表反射率。根據(jù)先前的研究，假定陸地上的反射信號(hào)主要由來(lái)自地面的相干反射決定[20-22]，用于反演土壤濕度的地表反射率，其計(jì)算如式(2)所示。

反演土壤濕度所需要的輔助數(shù)據(jù)及驗(yàn)證數(shù)據(jù)是通過(guò)提取SMAP數(shù)據(jù)獲取的，SMAP數(shù)據(jù)以EASE柵格格式發(fā)布和分發(fā)，空間分辨率為36 km，它包含升軌和降軌數(shù)據(jù)。本文獲取升軌和降軌的平均值作為每日數(shù)據(jù)，然后以3 d為一個(gè)周期提取全球覆蓋數(shù)據(jù)。為了便于反演結(jié)果與SMAP提供的土壤濕度參考值對(duì)比，利用CYGNSS提供的鏡面點(diǎn)經(jīng)緯度數(shù)據(jù)，將其與SMAP地面點(diǎn)經(jīng)緯度之差小于0.001°的數(shù)據(jù)取平均覆蓋至SMAP網(wǎng)格中，實(shí)現(xiàn)將計(jì)算得到的地表反射率按照SMAP網(wǎng)格數(shù)據(jù)網(wǎng)格化，最終使反演值與參考值相對(duì)應(yīng)。

最后將處理獲得的地表反射率進(jìn)行土壤濕度反演，這需要考慮地表植被及地形等因素的影響[23-26]。本文采用了與文獻(xiàn)[14]中R-V-R算法類似的模型，通過(guò)神經(jīng)網(wǎng)絡(luò)線性回歸模型進(jìn)行數(shù)據(jù)訓(xùn)練。模型通過(guò)利用CYGNSS數(shù)據(jù)處理獲得的地表反射率，以及從SMAP中獲取的植被光學(xué)厚度、地面粗糙度和溫度信息，來(lái)實(shí)現(xiàn)對(duì)土壤濕度的反演。該模型通過(guò)將植被光學(xué)厚度、地面粗糙度和溫度加入反演方程等效于消除這些因素對(duì)地表反射率的影響，反演土壤濕度SMCYGNSS的模型如下所示

SMCYGNSS=a·Γmean+b·τ+c·σ+d·t+e

(7)

式中，Γmean是通過(guò)對(duì)地表反射率以3 d為周期取平均，然后將其進(jìn)行歸一化所得；τ、σ和t分別是從SMAP中獲取的植被光學(xué)厚度、地面粗糙度及地面溫度信息。模型對(duì)地面溫度t也進(jìn)行了歸一化處理。模型中的回歸系數(shù)通過(guò)神經(jīng)網(wǎng)絡(luò)中的線性回歸模型訓(xùn)練獲取。

本文神經(jīng)網(wǎng)絡(luò)回歸模型分為3個(gè)部分，特征縮放、計(jì)算損失和梯度下降。具體流程如下：首先加載數(shù)據(jù)，包括4個(gè)輸入特征，即地面反射率、植被光學(xué)厚度、地面粗糙度和溫度，一個(gè)輸出特征，即土壤濕度；然后對(duì)輸入特征進(jìn)行特征縮放，本文采用了最小-最大值縮放方法。設(shè)置各參數(shù)初始權(quán)重為0，迭代次數(shù)為10 000次，學(xué)習(xí)率為0.01，利用梯度下降法進(jìn)行權(quán)值更新，其原理是損失函數(shù)對(duì)每個(gè)參數(shù)求導(dǎo)，利用負(fù)梯度對(duì)參數(shù)更新，完成設(shè)定迭代次數(shù)后得到線性模型各參數(shù)的系數(shù)解[27]。

然而，訓(xùn)練反饋的相關(guān)系數(shù)顯示土壤濕度在小于0.35時(shí)具有良好的相關(guān)性，而在大于0.35時(shí)相關(guān)性很差。為了解決這一問(wèn)題，本文嘗試對(duì)大于0.35的土壤濕度反演值進(jìn)行后處理，通過(guò)使用對(duì)數(shù)、指數(shù)等非線性函數(shù)處理土壤濕度反演值，發(fā)現(xiàn)對(duì)于土壤濕度較大的區(qū)域，線性模型得到的土壤濕度值在開方處理后與參考值具有良好的相關(guān)性，于是提出利用階段函數(shù)模型來(lái)處理線性模型獲得的土壤濕度，具體模型如下所示

(8)

式中，SM是利用線性模型所獲得的土壤濕度；C是常數(shù)項(xiàng)，其值是根據(jù)線性模型反演得到的土壤濕度值與參考土壤濕度之差來(lái)確定的，通過(guò)不斷試驗(yàn)，得出取值為-0.2時(shí)整體效果最佳。

本文以2018年7月和8月的全球數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，通過(guò)神經(jīng)網(wǎng)絡(luò)線性回歸模型處理獲得回歸系數(shù)，然后利用剩下的數(shù)據(jù)根據(jù)線性模型計(jì)算土壤濕度，對(duì)計(jì)算得到的土壤濕度結(jié)果使用階段函數(shù)模型處理，實(shí)現(xiàn)對(duì)不同程度土壤濕度更精確的反演，總體流程如圖1所示。

圖1 土壤濕度反演 Fig.1 Soil moisture retrieval

2 數(shù)據(jù)和結(jié)果分析

2.1 CYGNSS數(shù)據(jù)

CYGNSS是由NASA于2016年發(fā)射的由8顆微小衛(wèi)星組成的衛(wèi)星星座，位于相對(duì)赤道傾角35°的低地球軌道上，高度約為500 km。CYGNSS的最初目標(biāo)是為了觀測(cè)熱帶氣旋，因此覆蓋范圍僅限于中低緯度區(qū)域(37°S—37°N)，但其平均重訪時(shí)間約為7.2 h，重訪時(shí)間中位數(shù)為2.8 h[28]，且數(shù)據(jù)量極為豐富，因而能夠?qū)崿F(xiàn)大范圍和高時(shí)間分辨率的土壤濕度探測(cè)[29]。

CYGNSS數(shù)據(jù)可在海洋物理分布式活動(dòng)檔案中心獲取，NASA使用netCDF的文件格式封裝CYGNSS數(shù)據(jù),并將其劃分為4個(gè)層級(jí)(L0～L3),其中L0層由CYGNSS衛(wèi)星上時(shí)延-多普勒測(cè)繪儀(delay Doppler mapping instrument,DDMI)的輸出數(shù)據(jù)和未處理的GNSS-R測(cè)量數(shù)據(jù)組成[30]。本文使用的數(shù)據(jù)是L1級(jí)數(shù)據(jù)，由L0時(shí)延-多普勒計(jì)數(shù)圖轉(zhuǎn)化的功率表達(dá)結(jié)果，主要包括每個(gè)鏡面點(diǎn)模擬散射功率的延遲多普勒?qǐng)D，以及與鏡面點(diǎn)有關(guān)的幾何信息和導(dǎo)航信息，如入射角、鏡面點(diǎn)坐標(biāo)、鏡面點(diǎn)到發(fā)射器和接收機(jī)的距離等。

2.2 SMAP數(shù)據(jù)

SMAP是NASA的首顆土壤水分探測(cè)衛(wèi)星，也是繼歐空局SMOS之后全球第二顆專注于土壤水分觀測(cè)的衛(wèi)星計(jì)劃。SMAP任務(wù)總計(jì)已生成24個(gè)可分發(fā)的數(shù)據(jù)產(chǎn)品，分別代表4個(gè)數(shù)據(jù)處理級(jí)別。1級(jí)產(chǎn)品是原始觀測(cè)數(shù)據(jù)，并以基于SMAP衛(wèi)星半軌道的形式出現(xiàn)，半軌道邊界根據(jù)最北端和最南端的軌道位置劃定。2級(jí)產(chǎn)品包含基于儀器數(shù)據(jù)的地球物理反演結(jié)果，并且也顯示在半軌道中。3級(jí)產(chǎn)品是整個(gè)UTC(universal time coordinated)一天中2級(jí)地球物理檢索的每日全球綜合信息。4級(jí)產(chǎn)品包含使用SMAP數(shù)據(jù)的地球物理模型的輸出。

本文使用的SMAP數(shù)據(jù)是3級(jí)輻射計(jì)全球每日等面積可擴(kuò)展網(wǎng)格數(shù)據(jù)，該數(shù)據(jù)可以通過(guò)美國(guó)國(guó)家冰雪數(shù)據(jù)中心下載[31]。數(shù)據(jù)空間分辨率為36×36 km2，包含土壤濕度、質(zhì)量標(biāo)志和其他輔助信息等[32]。其中，土壤濕度精度為在植被水含量≤5 kg/m2時(shí),地表5 cm內(nèi)土壤水分探測(cè)精度為±0.04，分為升軌和降軌數(shù)據(jù)。本文使用升軌和降軌的平均值數(shù)據(jù)作為輔助數(shù)據(jù)，每3 d為一個(gè)周期獲取全球覆蓋數(shù)據(jù)。

2.3 模型訓(xùn)練分析

通過(guò)將7月和8月的CYGNSS數(shù)據(jù)與SMAP數(shù)據(jù)等網(wǎng)格化后，生成200 000個(gè)樣本數(shù)據(jù)，在進(jìn)行噪聲數(shù)據(jù)剔除后，隨機(jī)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，分別占95%和5%，通過(guò)訓(xùn)練數(shù)據(jù)獲取模型中的系數(shù)解，利用測(cè)試數(shù)據(jù)檢測(cè)獲取系數(shù)解的效果。這里選取測(cè)試數(shù)據(jù)中的一部分展示預(yù)測(cè)效果，如圖2所示。經(jīng)計(jì)算測(cè)試值與估計(jì)值的偏差分布，得到整體偏差均值為0.017 8，可以看出，測(cè)試數(shù)據(jù)中的土壤濕度與預(yù)測(cè)數(shù)據(jù)較為貼合，整體趨勢(shì)一致。

圖2 測(cè)試訓(xùn)練效果Fig.2 Test training renderings

為了進(jìn)一步驗(yàn)證訓(xùn)練效果，利用后續(xù)月份的數(shù)據(jù)進(jìn)行土壤濕度反演效果的檢驗(yàn)，這里選取了10月份整月的數(shù)據(jù)為例展示。圖3顯示了利用訓(xùn)練獲得的系數(shù)解反演所得到的CYGNSS土壤濕度與SMAP土壤濕度在對(duì)數(shù)尺度上的密度散點(diǎn)圖。由圖3可以看出兩者的土壤濕度總體上有著良好的一致性，反演所獲得的土壤濕度在小于0.35時(shí)在1∶1參考線周圍數(shù)據(jù)密集程度較大，但土壤濕度較大時(shí)數(shù)據(jù)密集程度開始下降，反映了線性模型對(duì)于較大土壤濕度反演能力的不足。

圖3 密度散點(diǎn)圖Fig.3 Density scatter plot

圖4展示了CYGNSS反演土壤濕度與SMAP參考土壤濕度之間的偏差和均方根誤差總體統(tǒng)計(jì)。可以發(fā)現(xiàn)整體的偏差及均方根誤差在土壤濕度小于0.35時(shí)處于可接受范圍內(nèi)，但兩者都會(huì)隨著土壤濕度大小的增加而增加，當(dāng)大于一定土壤濕度時(shí)產(chǎn)生的誤差會(huì)過(guò)大，這與以往GNSS-R反演風(fēng)速研究中的問(wèn)題類似，這可能與作為土壤濕度函數(shù)的地表反射率的物理飽和度有關(guān)，同時(shí)也可能是由于缺乏較大土壤濕度值的訓(xùn)練數(shù)據(jù)有關(guān)[33-34]。這與前面密度散點(diǎn)圖中所反映的，隨著土壤濕度的增加，CYGNSS土壤濕度數(shù)據(jù)與SMAP土壤濕度數(shù)據(jù)對(duì)應(yīng)的密度值下降一致。

圖4 偏差和均方根誤差統(tǒng)計(jì)Fig.4 Bias and root mean square error statistics

為了解決這一問(wèn)題，本文將線性模型所獲取的土壤濕度數(shù)據(jù)利用提出的階段函數(shù)模型進(jìn)行處理，以解決對(duì)較大土壤濕度區(qū)域反演的不確定問(wèn)題，處理后的誤差統(tǒng)計(jì)如圖5所示?？梢钥闯?，反演的誤差不再隨土壤濕度增大而增大，且對(duì)較大土壤濕度區(qū)域的反演偏差也限制到了可接受范圍。

圖5 處理后偏差和均方根誤差統(tǒng)計(jì)Fig.5 Bias and root mean square error statistics after processing

2.4 全球土壤濕度反演結(jié)果分析

通過(guò)繪制密度散點(diǎn)圖及誤差分布圖后，可以看出利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練所獲得的系數(shù)解效果在土壤濕度低于一定程度時(shí)，是符合要求的，但是對(duì)于土壤濕度較高的地方，反演存在一定的誤差。而在經(jīng)過(guò)階段函數(shù)模型處理后，反演整體效果大有提升。將線性模型所得數(shù)據(jù)經(jīng)本文提出的階段函數(shù)模型處理后，進(jìn)行全球土壤濕度的反演，以2018年10月25、26、27日3 d的數(shù)據(jù)為例，繪制全球土壤濕度分布對(duì)比圖，如圖6所示。

圖6 全球土壤濕度分布Fig.6 Global distribution of soil moisture

由圖6可知，反演得到的土壤濕度在全球范圍內(nèi)與SMAP提供的參考值整體趨勢(shì)一致，但對(duì)于一些土壤濕度較大的區(qū)域，如圖6中黑框所標(biāo)記的區(qū)域，線性模型反演精度較低，而在使用本文提出的階段函數(shù)模型處理后，對(duì)這些區(qū)域的土壤濕度反演精度明顯得到提升。

為了進(jìn)一步展示土壤濕度反演效果，筆者繪制了經(jīng)過(guò)兩階段模型處理的土壤濕度反演值與SMAP土壤濕度參考值在全球范圍內(nèi)分布的土壤濕度偏差圖(圖7)。

由圖7可知，在全球范圍內(nèi)，土壤濕度的反演偏差普遍較低，總體反演效果良好，相較于文獻(xiàn)[13—14]，本文研究范圍覆蓋了整個(gè)熱帶及亞熱帶區(qū)域，填補(bǔ)了之前研究中數(shù)據(jù)缺失的區(qū)域，基于CYGNSS反演的土壤濕度與SMAP具有良好的一致性，其中對(duì)較高土壤濕度區(qū)域的反演更精確，總體均方根誤差為0.07。但在某些區(qū)域，利用GNSS-R反演得到的土壤濕度與參考值之間的差異仍然較大，如圖7中的標(biāo)記區(qū)域，引起這些誤差的原因可能有以下4個(gè)方面：①對(duì)異常數(shù)據(jù)的剔除，本文是根據(jù)以往研究的經(jīng)驗(yàn)，通過(guò)篩選信噪比及衛(wèi)星入射角度來(lái)剔除異常數(shù)據(jù)，但這并不能完全剔除異常數(shù)據(jù)，仍然會(huì)保留一定比例的異常數(shù)據(jù)，這會(huì)影響神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果，從而影響訓(xùn)練得到的線性模型中各參數(shù)的系數(shù)解。②地形因素及植被覆蓋的影響，這些因素會(huì)干擾土壤濕度反演的結(jié)果，本文通過(guò)加入SMAP提供的植被光學(xué)厚度及地面粗糙度信息來(lái)解決這個(gè)問(wèn)題，但SMAP提供的輔助數(shù)據(jù)集是靜態(tài)的，不能實(shí)時(shí)反映地面效果，只能在一定程度上減弱植被及地形影響。③GNSS-R數(shù)據(jù)的精確校準(zhǔn)仍然是一個(gè)尚未解決的問(wèn)題，使用接收器增益，發(fā)射器范圍和接收器范圍校準(zhǔn)反射率的不確定性與陸地上實(shí)際鏡面點(diǎn)位置的不確定性直接相關(guān)，并與全球?qū)Ш叫l(wèi)星系統(tǒng)的姿態(tài)控制精度相關(guān)[35]。④反演模型的問(wèn)題，本文學(xué)習(xí)了先前的研究，假設(shè)陸面反射由相干反射決定，而在實(shí)際中陸面反射可能是相干和非相干混合的，影響了反射率的計(jì)算。

圖7 全球土壤濕度偏差分布Fig.7 Global distribution of soil moisture bias

2.5 時(shí)間序列分析

在全球范圍內(nèi)獲取實(shí)時(shí)的土壤濕度分布后，經(jīng)過(guò)CYGNSS與SMAP土壤濕度數(shù)據(jù)對(duì)比后，可以看出反演模型的整體效果較為理想，而土壤濕度會(huì)隨著時(shí)間變化，這一點(diǎn)對(duì)于其他應(yīng)用的研究也非常重要，因此需要對(duì)反演模型的時(shí)效性進(jìn)行評(píng)估。本文為了評(píng)估模型的時(shí)效性效果，利用模型反演得到的土壤濕度進(jìn)行了時(shí)間序列分析。本文使用了2018年10月—2019年5月的CYGNSS數(shù)據(jù)及SMAP數(shù)據(jù)，在研究區(qū)域內(nèi)選取地理環(huán)境不同的城市為研究對(duì)象，以探究模型隨時(shí)間變化的普適性。分別獲取這些研究區(qū)域利用CYGNSS數(shù)據(jù)處理獲得的土壤濕度，然后以SMAP提供的土壤濕度作為參考，通過(guò)比較兩者隨時(shí)間變化的特征來(lái)驗(yàn)證效果，本文以其中位于不同洲的4個(gè)城市為例，如圖8所示，結(jié)果顯示CYGNSS土壤濕度無(wú)論是隨時(shí)間產(chǎn)生的變化還是整體的變化趨勢(shì)，與SMAP土壤濕度是一致的。經(jīng)過(guò)數(shù)據(jù)處理分析，得到2018年10月—2019年5月全球土壤濕度均方根誤差都處于0.07左右，這反映了模型的時(shí)效性良好，為以后星載GNSS-R土壤濕度反演技術(shù)應(yīng)用到其他領(lǐng)域提供了保證。

圖8 時(shí)間序列分析Fig.8 Time series analysis

3 總 結(jié)

本文提出了一種基于CYGNSS數(shù)據(jù)在土壤濕度大于0.35時(shí)的星載GNSS-R反演土壤濕度的方法，使用CYGNSS數(shù)據(jù)處理得到地表反射率，以SMAP提供的溫度、植被及地表信息為輔助數(shù)據(jù)，構(gòu)造土壤濕度為地表反射率、溫度、植被光學(xué)厚度及地面粗糙度的線性函數(shù)。在利用信噪比等信息剔除了CYGNSS中的噪聲數(shù)據(jù)后，通過(guò)神經(jīng)網(wǎng)絡(luò)中的線性回歸模型來(lái)訓(xùn)練線性模型的系數(shù)，利用獲得的系數(shù)求解土壤濕度。對(duì)線性模型所獲得的土壤濕度以0.35為分界點(diǎn)，再利用本文提出的階段函數(shù)模型進(jìn)行處理，以實(shí)現(xiàn)對(duì)不同程度土壤濕度區(qū)域更準(zhǔn)確的反演。通過(guò)將反演結(jié)果與SMAP提供的參考土壤濕度對(duì)比，結(jié)果顯示為全球范圍內(nèi)具有良好的一致性。在時(shí)間序列分析中，選取全球各大洲的部分城市為研究對(duì)象，通過(guò)統(tǒng)計(jì)各研究區(qū)域土壤濕度隨時(shí)間的變化來(lái)評(píng)估模型的時(shí)效性，結(jié)果顯示反演得到的土壤濕度隨時(shí)間變化與參考值較為一致。