本论文主要内容是基于本高校的论文格式要求,土壤湿度作为生态环境信息的一个重要参数,在全球气候和生态环境中扮演着重要的作用,在研究生态水循环、植被水分供给、土地承载能力等方面发挥着至关重要的作用。土壤湿度数据可被用于植被生长监测、气象灾害监测、滑坡预测,山火预警等方面,因此实时、准确、长期的土壤湿度信息将会为气象预报、水文研究、农业生产,灾害监测等方面的研究提供重要的数据支持。而目前获取土壤湿度传统的方式主要为两种:一种是利用专业遥感卫星手段来获取土壤的含水量,另一种为通过土壤湿度设备现场采样来获取土壤湿度。这两种手段都存在一定的弊端和缺陷,前者虽然遥测的范围比较大,但是具有较小在空间及时间分辨率,不能够满足大多数应用的要求。后者主要是通过探针来探测土壤湿度,其探测的范围比较小,并且经常需要实地采样,具有耗时、费力,不能满足长期高时间分辨率需求的缺陷。因此研究获取高空间、高时间分辨率或实时的土壤湿度数据的技术手段具有重要意义。近些年来,随着全球导航定位技术的不断发展,空中出现了越来越多的卫星可我们使用,在此背景下,基于卫星信号的GNSS-R新型土壤湿度探测技术得到了广泛的关注和研究。GNSS-R技术作为一种新型微波遥感技术具有其独特的优势,具有覆盖范围广、全天候,实时高分辨率等优点。除此之外,随着人工智能热潮的来临,机器学习越来越多的出现在我们的生活中,现如今在各行各业有着广泛的应用,在此背景下本课题将联合机器学习的算法进行土壤湿度的反演的研究,使土壤反演更加的可靠、准确和智能化。本文从GNSS-R反演技术以及卫星载波信号特性的原理出发,对土壤湿度反演方法和过程进行了系统、探索性的研究,主要研究内容如下:(1)总结了GNSS-R与传统土壤测量技术的优缺点,详细的介绍了卫星信号的载波特性,多路径效应基本理论及产生的原因,信噪比基本理论等。推导和分析了信噪比、多路径效应、卫星信号载波三者的关系,系统的介绍了GNSS-R反演技术的基本理论。(2)探讨和研究了信噪比数据及特征参数的处理方法,利用多项式拟合分离反射信号,频谱分析和最小二乘拟合获取振幅和相位等参数。同时探讨分析信噪比特征参数与环境的相关性,研究降雨以及高程变化对特征参数的影响。(3)针对传统反演模型建模复杂,模型不具有广泛性等一些列缺陷,本文结合当下的机器学习热潮,探讨性的提出利用神经网络算法和遗传算法进行土壤湿度反演方面的研究,充分发挥它们所具有的学习能力强、记忆能力突出、抗干扰性能优越、能够解决大量的复杂棘手的非线性问题等优势。同时在研究中针对传统BP神经网络在反演方面容易陷入局部最小值、无法获取最优解等问题,提出采用遗传算法优化的BP神经网络和小波优化的BP神经网络来提高反演精度,充分发挥遗传算法的强大全局搜索能力和小波函数的数据处理优势,建立了XB-BP反演模型,GA-BP反演模型。(4)通过实验数据对三种网络模型进行训练学习,预测等分析,结果表明预测能力方面,小波BP神经网络和遗传算法BP神经网络的学习、预测能力比传统线下模型反演预测能力高,其中遗传优化的BP网络在土壤湿度反演预测表现最稳定、精度最高。