GNSS-IR多星融合的稳健回归土壤湿度反演方法

doi:10.13474/j.cnki.11-2246.2024.0312

测绘通报 ›› 2024, Vol. 0 ›› Issue (3): 69-74.doi: 10.13474/j.cnki.11-2246.2024.0312

GNSS-IR多星融合的稳健回归土壤湿度反演方法

王式太^1,2, 杨可心¹, 殷敏^1,2, 马岳¹, 蒋威¹, 刘续¹, 魏嘉林¹

1. 桂林理工大学测绘地理信息学院, 广西桂林 541006;
2. 广西空间信息与测绘重点实验室, 广西桂林 541006

收稿日期:2023-07-24 发布日期:2024-04-08
通讯作者: 殷敏，E-mail:2007019@glut.edu.cn
作者简介:王式太(1982—),男,博士,副教授,主要研究方向为GNSS数据处理及应用。E-mail:2017084@glut.edu.cn
基金资助:
广西空间信息与测绘重点实验室基金(19-050-11-27);广西高校中青年教师科研基础能力提升项目(2022KY1163)

Robust regression soil moisture retrieval method for GNSS-IR multi-star fusion

WANG Shitai^1,2, YANG Kexin¹, YIN Min^1,2, MA Yue¹, JIANG Wei¹, LIU Xu¹, WEI Jialin¹

1. College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China;
2. Guangxi Key Laboratory ofSpatial Information and Geomatics, Guilin 541006, China

Received:2023-07-24 Published:2024-04-08

摘要/Abstract

摘要： 全球卫星导航系统干涉测量法(GNSS-IR)能够利用直/反射卫星信号间的干涉信息分析提取土壤湿度、海面高度等有效信息。针对传统线性回归方法在土壤湿度反演过程中出现的拟合模型随异常观测值偏移的问题,本文提出了利用稳健回归方法降低异常值权重,以达到减小或抵消异常观测数据对观测结果的影响。为验证模型的适用范围,本文在稳健回归的基础上进行了多星融合试验,有效提高了土壤湿度反演精度。结果表明,与传统线性回归方法相比,本文提出的方法在单颗卫星时RMSE和MAE平均降低8.38%和8.91%,在两颗卫星时RMSE和MAE平均降低15.18%和16.42%,在三颗卫星时RMSE和MAE平均降低21.00%和22.97%,在四颗卫星时RMSE和MAE平均降低26.25%和28.71%。

关键词: GNSS-IR, 土壤湿度, 线性回归, 稳健回归, 多星融合

Abstract: Global navigation satellite system interferometry (GNSS-IR) can extract effective information such as soil moisture and sea surface height by analyzing interference information between direct and reflected satellite signals. In order to reduce the weight of outliers by using robust regression method, this paper proposes to reduce or offset the influence of anomalous observation data on soil moisture inversion. In order to verify the application range of the model, multi-star fusion experiments are carried out on the basis of robust regression, which effectively improve the accuracy of soil moisture inversion. The results show that compare with the traditional linear regression method, the RMSE and MAE of the proposed method are reduced by 8.38% and 8.91% on average for a single satellite, and by 15.18% and 16.42% on average for two satellites,by 21.00% and 22.97% on average for three satellites, by 26.25% and 28.71% on average for four satellites.

Key words: GNSS-IR, soil moisture, linear regression, robust regression, multi-satellites fusion

中图分类号:

P228

王式太, 杨可心, 殷敏, 马岳, 蒋威, 刘续, 魏嘉林. GNSS-IR多星融合的稳健回归土壤湿度反演方法[J]. 测绘通报, 2024, 0(3): 69-74.

WANG Shitai, YANG Kexin, YIN Min, MA Yue, JIANG Wei, LIU Xu, WEI Jialin. Robust regression soil moisture retrieval method for GNSS-IR multi-star fusion[J]. Bulletin of Surveying and Mapping, 2024, 0(3): 69-74.

参考文献

[1] 毕京锐.基于GPS与BDS反射信号的土壤湿度反演研究[D].淮南:安徽理工大学,2022.
[2] 丰秋林,郑南山,刘晨,等.BP神经网络辅助的GNSS反射信号土壤湿度反演[J].测绘科学,2018,43(8):157-162.
[3] LARSON K M,SMALL E E,GUTMANN E,et al.Using GPS multipath to measure soil moisture fluctuations:initial results[J].GPS Solutions,2008,12(3):173-177.
[4] LARSON K M,SMALL E E,GUTMANN E D,et al. Use of GPS receivers as a soil moisture network for water cycle studies[J]. Geophysical Research Letters,2008,35(24):L24405.
[5] 严颂华,张训械. 基于GNSS-R信号的土壤湿度反演研究[J]. 电波科学学报,2010,25(1):8-13.
[6] 敖敏思,朱建军,胡友健,等. 利用SNR观测值进行GPS土壤湿度监测[J]. 武汉大学学报(信息科学版),2015,40(1):117-120.
[7] 汉牟田,张波,杨东凯,等. 利用GNSS干涉信号振荡幅度反演土壤湿度[J]. 测绘学报,2016,45(11):1293-1300.
[8] 梁月吉,任超,黄仪邦,等. 多星融合的土壤湿度滚动式估算模型[J]. 遥感学报,2019,23(4):648-660.
[9] 陈堃,沈飞,曹新运,等. 基于深度置信网络的GNSS-IR土壤湿度反演[J]. 测绘通报,2020(9):100-105.
[10] 孙波,张弛,尹世超,等. 基于PSO-RF的GNSS-IR土壤湿度反演方法研究[J]. 无线电工程,2021,51(10):1080-1085.
[11] 王式太,姜新伟,殷敏,等. GA辅助NLS的GNSS-IR土壤湿度反演方法[J]. 大地测量与地球动力学,2023,43(2):180-185.
[12] 段睿,张波,汉牟田,等.SVRM方法的单天线GNSS-R土壤湿度反演[J].导航定位学报,2018,6(1):34-39.
[13] 张皓. 机器学习辅助的GNSS-R土壤湿度反演精细化研究[D]. 徐州:中国矿业大学,2021.
[14] 丰秋林,郑南山.机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J].测绘通报,2018(7):106-111.
[15] BILICH A,LARSON K M. Mapping the GPS multipath environment using the signal-to-noise ratio (SNR)[J]. Radio Science,2007,42(6):RS6003.
[16] 程义军,孙海燕,程海斌.抗差卡尔曼滤波及其在动态水准网平差中的应用[J].测绘工程,2004,13(4):55-57.

GNSS-IR多星融合的稳健回归土壤湿度反演方法

Robust regression soil moisture retrieval method for GNSS-IR multi-star fusion

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	姚春静, 余正, 王洁, 钱琛, 徐俊豪. 海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演[J]. 测绘通报, 2023, 0(7): 25-31.
[2]	余婷, 杨萍, 邓兴, 刘绥华, 周洋. 梵净山长时序植被覆盖变化趋势与对比分析[J]. 测绘通报, 2023, 0(10): 1-6.
[3]	聂士海, 王龙, 王梦柯, 李鹏, 梁磊, 黄丹妮, 刘斌. 结合机器学习的GNSS-IR多卫星双频组合土壤湿度反演[J]. 测绘通报, 2023, 0(10): 98-104.
[4]	张一, 周立. 基于NARX回归神经网络的岸基GNSS-IR有效波高反演模型分析[J]. 测绘通报, 2022, 0(2): 90-94.
[5]	迪里胡玛尔·阿汗木江, 玉素甫江·如素力. 新疆焉耆盆地土壤湿度时空分布特征[J]. 测绘通报, 2021, 0(11): 36-41.
[6]	陈堃, 沈飞, 曹新运, 朱逸凡. 基于深度置信网络的GNSS-IR土壤湿度反演[J]. 测绘通报, 2020, 0(9): 100-105.
[7]	朱小灵, 王剑辉, 谢荣安. 基于GPS-IR的地表土壤湿度估算方法[J]. 测绘通报, 2020, 0(6): 128-133.
[8]	赵晓旭. 融合多源时空数据的城市火灾危险性评估[J]. 测绘通报, 2020, 0(5): 101-106.
[9]	康雄, 曹俊涛, 陈成, 杨杰, 王建雄. 不同趋势法的宁夏长时序植被变化分析[J]. 测绘通报, 2020, 0(11): 23-27.
[10]	郭云开, 刘建琴, 郭燕青, 曹骁, 谢琼. GLIBERTY-DSAIL耦合模型反演南方混交林植被LAI[J]. 测绘通报, 2020, 0(11): 39-42,75.
[11]	杨智翔, 贾东振, 周航宇, 胡有能, 黎广. 面向对象的库区高分一号影像土地利用信息提取[J]. 测绘通报, 2020, 0(1): 35-39.
[12]	李晶, 崔绿园, 闫萧萧, 杨震, 董金玮, 邓晓娟. 草原矿区长时序植被覆盖度变化趋势对比分析[J]. 测绘通报, 2019, 0(8): 130-134,157.
[13]	丰秋林, 郑南山. 机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 测绘通报, 2018, 0(7): 106-111.
[14]	李广超, 李如仁, 赵阳阳, 杨震, 卢月明. 基于二次多项式的AOD数据融合方法[J]. 测绘通报, 2018, 0(1): 67-71.
[15]	王小洁, 闵锦忠, 薛丰昌, 王伟. MODIS数据支持下的土壤湿度模型构建——以河南商丘地区为例[J]. 测绘通报, 2016, 0(12): 48-50,73.