论文部分内容阅读
土壤湿度指的是土壤中所含水量的多少,它不管是在全球的水循环中还是在整个生态系统中都发挥着不可替代的作用,在大尺度范围上,影响着天气系统,在小尺度范围上,决定着农作物的生长,所以对土壤湿度的准确测量以及预测在生态、气候和农业发展方面是非常必要的。最近几年,基于L波段全球导航卫星系统反射信号的遥感技术为土壤湿度的测量和预测提供了一种全新的观测手段。本文根据国内外GNSS-R技术遥感土壤湿度的理论与方法,利用GNSS-R技术在中国区域内展开了一系列关于土壤湿度的研究,研究内容如下:（1）建立了星载GNSS-R遥感反演土壤水分的关键参数2018-2019两年数据库,主要是对CYGNSS（全球气旋导航卫星系统）地表反射率、入射角、不同地表中的模拟散射功率DDM（延时多普勒图）和SMAP（土壤湿度主动被动任务）土壤湿度、植被透射系数、地表粗糙度等数据的分布及特征进行分析。（2）建立了星载GNSS-R反演土壤水分的数据质量控制方法和数据流程。反演土壤湿度的主要流程有:整合提取中国区域内的CYGNSS和SMAP数据、数据筛选、解决CYGNSS数据和SMAP数据的时间对应问题和分辨率问题、数据平滑处理、采用多线性回归或随机森林回归方法训练模型反演土壤湿度、检验。（3）在比较研究的基础上构建了基于星载GNSS-R数据的土壤水分反演模型。对随机森林回归和线性回归两种模型进行了训练和测试,随机森林训练数据的拟合性要优于线性回归训练数据,其R值可以达到0.9912,接近于百分之百,RMSE=0.0134cm3/cm3,线性回归训练数据的R值只有0.677,RMSE=0.0766cm3/cm3,线性回归测试数据的R比随机森林回归测试数据的R低,RMSE的值比随机森林回归数据的RMSE高,但相比于训练数据R值提升了0.223,随机森林测试数据刚好与之相反,测试数据的R值比训练数据降低了0.11左右。（4）使用SMAP SM数据分别对CYGNSS线性回归SM和CYGNSS随机森林回归SM在空间上进行了2019年平均、季度平均以及每日的精度检验,CYGNSS线性回归2019年平均SM在高海拔区域明显要高于SMAP 2019年平均SM,CYGNSS随机森林2019年平均SM在这些区域比较接近于SMAP 2019年平均SM,但是在台湾沿海、海南沿海、云南南部等区域两者SM值相差比较大;每个季节中SM低值与高值的空间分布,3种SM还是比较接近的,尤其是CYGNSS随机森林回归季度平均SM和SMAP季度平均SM,CYGNSS线性回归季度平均SM相比于两者要差一些。2019年每日CYGNSS线性回归SM的R值最高可达0.8364,最小为0.5002,整年R的均值为0.7225,RMSE在0.08cm3/cm3左右,2019年每日CYGNSS随机森林回归SM与其相比要稳定很多,而且相关性较高,R值最高可达0.9359,最小为0.8025,整年R的均值为0.8826,RMSE的在0.05 cm3/cm3上下。（5）利用地面观测站SM对两种CYGNSS SM在时间连续性上进行了分析,选取与CYGNSS SM点位相距18km范围内且与CYGNSS SM相关性R（皮尔逊相关系数）大于0.4的地面站,CYGNSS线性回归SM与最临近站点SM比较后,符合要求的地面观测站点有55个,CYGNSS随机森林回归SM于最临近站点SM比较后,符合要求的地面观测站点有243个。然后对两种CYGNSS SM与相同地面观测站点SM比较的R和RMSE进行了统计,一共有48个观测站参与比较,时间跨度为2018-2019两年,随机森林回归SM与SMAP SM之间48个点位的R值都高于线性回归SM与SMAP SM的R值,随机森林回归SM与SMAP SM之间48个点位的RMSE值全部低于线性回归SM与SMAP SM的RMSE值。