陶庭葉，李江洋，朱勇超,2，汪俊濤，陳 皓，時(shí)夢杰

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。土壤濕度探測方法經(jīng)過多年的發(fā)展，內(nèi)容已經(jīng)非常豐富。傳統(tǒng)的人工實(shí)地測量方法精度較高，但這種方法費(fèi)時(shí)費(fèi)力，無法滿足現(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)利用微波頻率信號對土壤介電常數(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，限制了其應(yīng)用。

近年來，利用星載GNSS-R(global navigation satellite system reflectometry)[7]探測土壤濕度成為研究熱點(diǎn)。GNSS-R通過接收地球表面反射的GNSS衛(wèi)星信號來反演反射面特性[8]，具有以下特點(diǎn)：①GNSS衛(wèi)星L波段信號對土壤含水量有著較高的敏感性，且對云雨霧具有良好的穿透性，受氣象條件影響較小；②GNSS-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)的信號源，信號覆蓋范圍廣[9]?？傊?，GNSS-R土壤濕度反演具有低成本、無源探測、全球覆蓋、高分辨率、獲取數(shù)據(jù)量大等優(yōu)勢，且具備全天候、全天時(shí)工作能力[10]。文獻(xiàn)[11]使用英國航天局的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，較好地解決了GNSS-R反演土壤濕度的時(shí)空覆蓋問題。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)，并通過線性回歸方法解釋了相關(guān)性。文獻(xiàn)[13]利用相對信噪比與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SMAP土壤濕度值的最大值和最小值來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)延多普勒圖的關(guān)系，其中時(shí)延多普勒圖是反射面的散射功率與傳輸?shù)腉NSS信號模糊函數(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)延多普勒圖計(jì)算，因而對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)的問題，使得模型訓(xùn)練過于復(fù)雜且耗時(shí)，同時(shí)對土壤濕度較高的區(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)方程的反演來獲得地表反射率。地表反射率通過對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)地面相對平坦(無地形起伏)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，然后再從地面?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，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CYGNSS數(shù)據(jù)進(jìn)行預(yù)處理，通過每個(gè)鏡面點(diǎn)處的信噪比來進(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。基于預(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主要由來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，來實(shí)現(xiàn)對土壤濕度的反演。該模型通過將植被光學(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是通過對地表反射率以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)對每個(gè)參數(shù)求導(dǎo)，利用負(fù)梯度對參數(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。為了解決這一問題，本文嘗試對大于0.35的土壤濕度反演值進(jìn)行后處理，通過使用對數(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確定的，通過不斷試驗(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[29]。

CYGNSS數(shù)據(jù)可在海洋物理分布式活動檔案中心獲取，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(L0～L3),其中L0層由CYGNSS衛(wèi)星上時(shí)延-多普勒測繪儀(delay Doppler mapping instrument,DDMI)的輸出數(shù)據(jù)和未處理的GNSS-R測量數(shù)據(jù)組成[30]。本文使用的數(shù)據(jù)是L1級數(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圖，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)處理級別。1級產(chǎn)品是原始觀測數(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級產(chǎn)品是整個(gè)UTC(universal time coordinated)一天中2級地球物理檢索的每日全球綜合信息。4級產(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)可以通過美國國家冰雪數(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)和測試數(shù)據(jù)，分別占95%和5%，通過訓(xùn)練數(shù)據(jù)獲取模型中的系數(shù)解，利用測試數(shù)據(jù)檢測獲取系數(shù)解的效果。這里選取測試數(shù)據(jù)中的一部分展示預(yù)測效果，如圖2所示。經(jīng)計(jì)算測試值與估計(jì)值的偏差分布，得到整體偏差均值為0.017 8，可以看出，測試數(shù)據(jù)中的土壤濕度與預(yù)測數(shù)據(jù)較為貼合，整體趨勢一致。

圖2 測試訓(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)?？梢园l(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)生的誤差會過大，這與以往GNSS-R反演風(fēng)速研究中的問題類似，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，以解決對較大土壤濕度區(qū)域反演的不確定問題，處理后的誤差統(tǒng)計(jì)如圖5所示。可以看出，反演的誤差不再隨土壤濕度增大而增大，且對較大土壤濕度區(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，但是對于土壤濕度較高的地方，反演存在一定的誤差。而在經(jīng)過階段函數(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一致，但對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)，通過篩選信噪比及衛(wèi)星入射角度來剔除異常數(shù)據(jù)，但這并不能完全剔除異常數(shù)據(jù)，仍然會保留一定比例的異常數(shù)據(jù)，這會影響神經(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，這些因素會干擾土壤濕度反演的結(jié)果，本文通過加入SMAP提供的植被光學(xué)厚度及地面粗糙度信息來解決這個(gè)問題，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CYGNSS與SMAP土壤濕度數(shù)據(jù)對比后，可以看出反演模型的整體效果較為理想，而土壤濕度會隨著時(shí)間變化，這一點(diǎn)對于其他應(yīng)用的研究也非常重要，因此需要對反演模型的時(shí)效性進(jìn)行評估。本文為了評估模型的時(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，通過比較兩者隨時(shí)間變化的特征來驗(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土壤濕度無論是隨時(shí)間產(chǎn)生的變化還是整體的變化趨勢，與SMAP土壤濕度是一致的。經(jīng)過數(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，通過神經(jīng)網(wǎng)絡(luò)中的線性回歸模型來訓(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)對不同程度土壤濕度區(qū)域更準(zhǔn)確的反演。通過將反演結(jié)果與SMAP提供的參考土壤濕度對比，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象，通過統(tǒng)計(jì)各研究區(qū)域土壤濕度隨時(shí)間的變化來評估模型的時(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。