论文部分内容阅读
土壤湿度是维持全球水循环平衡的关键变量之一,在气候变化、农作物生长和环境灾害事件监测方面起着重要作用。为此,持续监测土壤湿度具有重要意义。近年来,随着全球导航卫星系统反射测量技术（Global Navigation Satellite System-Reflectometry,GNSS-R）的出现,利用GNSS-R进行土壤湿度探测成为一种新型的遥感手段。许多学者利用此技术实现大范围、高精度、持续性的土壤湿度监测,但大多数研究是建立在光滑的裸露地表上的,并未考虑到野外复杂环境情况中气候和测站环境等外部因素对土壤湿度的影响。为此,本文针对复杂环境下土壤湿度监测问题,利用多种神经网络分别构建星载GNSS-R和辅助要素结合的土壤湿度反演模型,并探索不同旋风全球导航卫星系统（Cyclone Global Navigation Satellite System,CYGNSS）数据和辅助要素在土壤湿度反演中的最优组合形式反演能力差异,最后利用直接观测数据和SMAP产品的对反演结果进行了验证,分析CYGNSS数据和辅助要素在反演过程中的影响,并通过实验验证该模型的精度和有效性。主要内容如下所示:（1）对比三种神经网络分别构建土壤湿度模型的性能。通过遗传算法优化反向传播神经网络（Genetic Algorithm Back Propagation Neural Network,GABP）、广义回归神经网络（Generalized Regression Neural Network,GRNN）、极限学习机神经网络（Extreme Learning Machine,ELM）分别构建星载GNSS-R和辅助要素相结合的土壤湿度反演模型,并对比三种模型的性能。实验结果显示,GRNN模型的整体拟合效果较为稳定,均优于GABP和ELM模型。运行500次后GRNN模型的R、RMSE和MAE的平均值为0.8461、0.0523 cm~3 cm-3和0.0298 cm~3 cm-3;相较于GABP和ELM模型,R分别提高了3.3%、54.4%,RMSE分别降低了8.4%、57.3%,MAE分别降低了39.9%、115.7%。为此,本文选用GRNN构建星载GNSS-R和辅助要素相结合的土壤湿度反演模型,最终建立模型的R为0.9268,RMSE为0.0348 cm~3 cm-3,MAE为0.0220 cm~3 cm-3。（2）分析6种CYGNSS数据和10种辅助要素对建模的影响。本文基于训练好的GRNN土壤湿度模型,对比分析了6种CYGNSS数据和10种辅助要素在建模过程中的影响。选出星载GNSS-R反演土壤湿度的最佳要素集为brcs地表反射率、power＿analog地表反射率、NDVI、降雨、气温、经度、纬度和坡向。通过未参与建模部分数据对模型性能进行精度验证发现:12个测站中,有58.3%测站的R大于0.6000,RMSE和MAE均小于0.0500 cm~3 cm-3,且分别占全部测站的50%和58.3%;12个测站的R、RMSE、MAE的平均值分别为0.8044、0.0632 cm~3 cm-3、0.0375 cm~3 cm-3。（3）对反演结果展开具体分析和利用SMAP产品数据验证。GRNN土壤湿度模型能较好的依据测站周边的环境信息,结合当天不同的环境信息有效反演土壤湿度。实验结果表明SMAP产品土壤湿度真值和GRNN土壤湿度反演值之间具有较高的相关性,有6个测站的R大于0.6000,其中R最高为0.8418。同时土壤湿度在反演过程中受辅助要素影响较大,在植被覆盖率较低时,GRNN土壤湿度反演值的精度相对较高;此外当降雨量较小、气温较高时,反演精度较高;而当降雨量突破极限,大量降雨,气温急剧变化时,反演精度反而下降。