GNSS-R探測土壤濕度綜述

裴悅琨 韓心新

1 大連大學遼寧省北斗高精度位置服務技術工程實驗室，大連市學府大街10號，116622 2 大連大學大連市環境感知與智能控制重點實驗室，大連市學府大街10號，116622

在不斷提高GNSS定位精度的研究過程中發現，產生多徑效應的反射信號包含地表反射面的多種物理信息，能隨著環境的不同而發生改變。全球導航衛星系統反射計(GNSS-R)技術就是利用反射信號來反演地表的參數信息。該技術最初由Hall等[1]提出并應用于海洋信息獲取，目前在海冰信息獲取、移動目標探測、海面溢油情況檢測等方面也取得了一定進展[2]。以往測量土壤濕度的方法有重量法、電阻法、負壓計法、時域反射計法等，測量范圍較小，且只能反映被測區域的局部情況，同時需要耗費大量時間和人力。而GNSS-R技術可實現大范圍地表土壤濕度檢測，是一種分辨率更高、更靈活、更高效的探測方法。本文首先介紹土壤濕度反演所采用的天線觀測模式，然后分析基于不同天線模式的土壤濕度反演方法，并對全球導航衛星系統反射信號干涉測量技術法(GNSS-IR)、反射信號功率法及GNSS-R與其他衛星資料相結合的反演方法進行闡述，對當前取得的研究成果進行總結和分析，探索下一步的研究方向。

1 GNSS-R反演土壤濕度的觀測模式

GNSS-R技術是一種介于主動遙感和被動遙感之間的新型遙感方法，可看作收發分置的雷達結構。根據接收信號形式上的差異，目前的研究主要基于單天線模式和多天線模式2種方式開展，具體觀測模式見文獻[3]。

2 GNSS-R土壤濕度反演方法

不同的土壤濕度反演方法具有不同的天線觀測模式。單天線模式下常采用GNSS-IR法反演土壤濕度，為實現干涉效果，需要在地基平臺上進行多次實驗；多天線模式下常用反射信號功率法反演土壤濕度，在地基和機載條件日益完善的情況下也取得了一定的研究成果。研究發現，星載GNSS-R的觀測數據與其他資料聯合反演的土壤濕度之間具有一定的相關性，可為GNSS-R探測土壤濕度提供可能的依據。

2.1 GNSS-IR土壤濕度反演

使用GNSS-IR反演土壤濕度的方法最早由Larson等[4]提出，通過提取干涉信號中多路徑信號的信噪比(SNR)觀測值反演土壤濕度后發現，反射信號SNR的振蕩幅度、相位都與土壤濕度有一定的相關性。SNR中的多徑效應可表示為[4]：

(1)

式中，Ad和Am為直接信號和多路徑信號的幅度，φ為2個信號之間的相位差。

用低階多項式去除直接信號，殘余SNR的多路徑干涉可表示為：

(2)

式中，A為振幅，h為天線相位中心與地面以下有效反射器之間的有效反射器高度，λ為GNSS信號的波長，E為衛星的仰角，φ為相移。

Chew等[5-6]發現，在利用SNR特征參數反演土壤濕度的關系模型中，用延時相位反演土壤濕度的性能最佳，能夠更好地描述現場觀測數據并反映相位與土壤濕度的線性關系；同時考慮到植被的季節性變化對反射信號的影響，利用SNR的幅度信息對植被的影響進行校正，可顯著改善與原位土壤濕度測量的一致性。與采用單一的低仰角范圍內SNR的特征參數檢測土壤濕度不同，有學者考慮使用高仰角范圍內的數據，并在研究GPS衛星的基礎上與其他衛星星座數據相結合。Roussel等[7]在有效天線高度角研究方面提出一種考慮地表偽動力的反演方法，通過對低仰角(2°～30°)或高仰角(30°～70°)的時間序列進行歸一化和反轉，并將兩者結合起來(仰角結合法)，從而提高結果的相關性(R=0.95)。隨著研究的深入，部分學者考慮利用北斗導航衛星系統的SNR數據估算土壤濕度，Yang等[8]利用BDS/GPS接收機收集B1和B2頻率上的BDS SNR數據，通過研究Larson等[4]提出的相位法與Peng等[9]提出的干涉模型來證明BDS SNR指標與土壤水分之間的關系，其中干涉模型可模擬原始SNR數據和仰角。將SNR表示為：

SNR=

(3)

式中，Ei為直接信號的幅度，γ為衛星的仰角，G(γ)為直接信號的接收天線增益模式，G(-γ)為反射信號的接收天線增益模式，R為平面右旋圓極化信號的菲涅耳反射系數，λ為GNSS信號的波長，h為天線相位中心與地面以下有效反射器之間的有效反射器高度。其中R可表示為：

(4)

因此，SNR可由有效反射器高度h、相對介電常數ε和仰角γ這3個參數確定，可從解析模型中提取介電常數進行土壤濕度反演。

土壤濕度的恢復可看作一個回歸問題，且考慮到一般情況下衛星處于低仰角的時間有限，獲取的數據量較少，部分學者提出用支持向量回歸機(SVRM)的方法測量土壤濕度，該方法使用的訓練樣本量小，且具有較好的泛化性能。段睿等[10]采用SVRM方法將天線接收到的干涉信號的相位、幅度、頻率3個特征參量作為輸入，實測值作為輸出，建立反演模型，結果發現，與傳統的采用單一參數的模型相比，該模型能有效提升測量精度。孫波等[11]在同一地方不同衛星測量下，利用遺傳算法(GA)的自動尋優功能優化SVRM的最佳參數，即利用GA-SVRM方法探測土壤濕度，并進一步與統計回歸、粒子群優化的SVM 方法(PSO-SVM)及反向傳播(BP)神經網絡方法進行對比，結果表明，GA-SVM 方法更適用于反演土壤濕度，且反演精度較高，泛化性能良好。在研究多頻率融合探測土壤濕度的過程中，荊麗麗等[12]通過熵值法對L1和L2兩個頻點的相位觀測量進行融合(熵值融合法)，實現土壤濕度的反演，證明了融合反演結果的平均標準差比L1單頻提高64.37%，比L2單頻提高32.12%。

2.2 反射信號功率反演土壤濕度

近年來國內外學者在地基及機載觀測情況下對土壤濕度的反演進行了大量研究。Masters等[13]開展的SMEX02系列土壤濕度遙感實驗表明，土壤水分的變化對降水事件具有良好的敏感性，GPS反射的信噪比測量值與輻射計獲取的L波段亮度溫度在變化趨勢上具有較好的一致性；同時散射信號測量結果與土壤濕度隨時間的變化趨勢基本一致，說明該技術對土壤水分具有較強的時空敏感性。Edigo等[14]在低空機載平臺下進行飛行實驗，利用GNSS-R數據獲取左右圓極化反射分量，結果表明，在中等粗糙度情況下，極化反射率的比值與表面粗糙度無關，代表了土壤濕度的最佳觀測值，相關系數為0.93，但并不適用于高表面粗糙度(σz高于3 cm)的情況。Jia等[15]在Avigliana湖(45.099°N，7.369°E)進行飛行實驗，在由北向南的飛行路線中，考慮到高仰角衛星特征(PRN 15，高度角為76°，方位角為 237.3°)，選取的對應反射點經過城市、湖泊和草地等幾種不同的地理條件，獲得極化測量值(圖1)。結果表明，對比湖泊(L1和L2)與其他區域，在平均左旋圓極化反射率(Γlr)中可觀察到較大增量，右旋圓極化反射率(Γrr)的變化形式與Γlr存在差異，與低仰角衛星一致，說明Γlr對土壤濕度的敏感性比Γrr高；草地區(G1和G2)反射率比城市(C)低1～3 dB，這主要是由草的粗糙度增加引起的，G1區域中極化反射率比(PR)數值最大。分析表明，Γlr和Γrr之間的比值為土壤水分估算的最佳參數，與表明粗糙度無關。

梁勇等[16]為探究地表粗糙度對土壤濕度反演結果的影響，在0.005～0.035 m范圍內以0.005 m步進選取地表均方根高度，在修正和未修正土壤粗糙度影響的情況下對解析模型和人工神經網絡模型進行對比實驗，同時還對修正前后同一模型的反演精度進行比較。結果表明，人工神經網絡模型能較好地抑制粗糙度的影響，且性能良好(表1～3)。以往研究中使用的GPS等星座衛星均隨地球而運動，使得研究的覆蓋區域不斷發生變化，因此不能在相同區域內獲取長時間連續數據。針對此現象，張楠等[17]對北斗靜止軌道衛星(GEO)微動特征和反射區域的變化進行分析，利用包絡提取和3次多項式插值的方法恢復SNR的變化規律，校正反射系數，實現固定區域連續土壤濕度的反演，結果與原位土壤濕度的平均絕對誤差小于4.63%。

圖1 高仰角衛星數據Fig.1 High elevation satellite data

表1 未修正土壤粗糙度的影響

表2 修正土壤粗糙度的影響

表3 同一模型修正前后影響

2.3 星載GNSS-R與其他資料聯合反演土壤濕度

相比于地基和機載觀測平臺覆蓋面積小的特點，采用星載觀測模式可獲得范圍更廣的土壤濕度數據，且空間覆蓋率更高，還能夠與其他衛星資料相結合。但該過程會受地表復雜程度的影響，同時也難以獲取大量的對比實測數據，因此通常與微波輻射及其他并置遙感數據聯合反演土壤濕度。表4為研究中常用的衛星資料。

表4 不同衛星資料分析

TechDemoSat-1衛星及旋風全球導航衛星系統(CYGNSS)均可提供星載有效載荷，為實現星載下的觀測提供了基礎。在與專用遙感衛星測量數據進行對比的情況下，Camps等[18]利用星載GNSS接收機-遙感儀(SGR-ReSI)接收的反射信號計算延遲多普勒圖(DDM)，并分析不同觀測量對土壤濕度敏感性的影響，最后利用校準TDS-1 GNSS-R的反射率與并置SMOS的土壤濕度散點圖進行線性擬合，評估其對土壤濕度的敏感性。Chew等[19]對CYGNSS星座記錄的前向散射L波段GNSS信號與SMAP 土壤濕度之間的關系進行量化分析，結果表明，CYGNSS反射功率的觀測值與SMAP 土壤濕度檢索之間存在較強的線性關系，星載GNSS-R可為傳統的土壤濕度衛星遙感方法提供補充。近年來國內學者針對星載實驗的研究較多，易浠等[20]將利用TDS-1衛星接收的數據推導出的反射信號功率Pr與利用SMAP衛星獲取的土壤濕度進行皮爾森相關分析，通過平滑處理去除噪聲后發現，Pr與土壤濕度具有較強的相關性(R=0.71)。涂晉升等[21]利用UK TDS-1的DDM 與SMOS衛星的土壤濕度數據對建立的模型進行驗證，結果表明，DDM的SNR與土壤濕度數據具有較強的相關性，在植被覆蓋度較高及接近裸土的區域也有較強的相關性，說明利用星載GNSS-R DDM反演土壤濕度具有一定的可行性。

微波輻射計不僅具有功耗低、體積小、穩定性高等優點，還具有一定的穿透物體的能力，可用來探測土壤濕度、降水及監測農作物的生長情況等，因此可將GNSS-R的測量結果與微波輻射計測量值相結合來探索反演土壤濕度的可能性。Alonso-Arroyo等[22]針對在3種不同土壤濕度條件下收集的數據對作物和草地2種不同的區域進行分析，并將PLMR微輻射計測量的亮度溫度數據與GNSS-R獲得的反射率進行對比發現，將數據結合起來可提高微波輻射測定法在土壤濕度反演方面的空間分辨率。Yin等[23]通過對比Oceanpal GNSS-R接收機接收的信號功率與ELBARA-II輻射計的數據發現，GNSS-R測量的LHCP反射率與輻射計的水平、垂直反射率之間存在強相關性，相關系數為0.83～0.91。

3 結 語

國內外學者在地基、空基、星載等不同的觀測平臺下采用不同的觀測與反演方式，對基于GNSS-R探測土壤濕度的研究均已取得一定進展。本文對近年來探測土壤濕度的方法進行回顧與總結，主要對干涉模式和反射率模式2種反演方法進行分析。結果發現，干涉模式下的多元回歸模型比傳統一元回歸模型的擬合效果好，且利用與頻率結合的熵值融合法及仰角結合法均可提高反演精度；對于反射率模式，采用人工神經網絡模型能較好地解決粗糙度的問題，與微波輻射計聯合反演土壤濕度可為星載平臺下的研究提供便利條件，利用GEO衛星SNR反演的方法可實現固定區域土壤濕度的計算，且能取得良好的效果。由于已出現多星座衛星及多頻率相結合的方法，當前研究不再局限于常用的GPS衛星，還可利用機器學習的優勢來提高結果的準確程度，但仍需進一步完善。由于GNSS-IR探測土壤濕度的方法無需研制專門的接收機，可直接采用地球物理或地球測繪類接收機來完成遙感測量，但在采用SVRM反演土壤濕度時選用的數據具有局限性，因此需要更多更廣泛的數據來驗證模型的準確度。同時，需考慮植被增加對實驗結果的影響，可采取相關的優化機器學習算法來提高反演的精度。利用星載的方法可監測更大規模的土壤濕度數據，同時需要對比其他相關數據來驗證結果的準確性；但在實際對比過程中發現，相同區域的數據量較少，缺少普適性，且在與其他衛星資料進行對比的過程中，由于分辨率存在差異，需要對低分辨率的數據進行平均處理。下一步將在大量數據及不同地形植被的情況下作進一步分析。目前GLONASS和BDS正逐漸被研究者使用，尤其是BDS具有比GPS更豐富的衛星軌道設計，擁有其他GNSS缺少的GEO衛星。已有研究表明，利用GEO衛星可近似實現固定區域土壤濕度的反演，因此可考慮在保持土壤濕度大致相同的情況下，觀察同一區域在地形發生變化時信號的變化情況，從而充分發揮BDS在遙感土壤濕度方面的應用潛力。在研究利用GNSS-R方法測量土壤濕度的過程中認為，可逐漸將其應用到實際生活中，為水資源的調度、生態農業的保障等提供服務。