基于深度置信网络的GNSS-IR土壤湿度反演

doi:10.13474/j.cnki.11-2246.2020.0292

测绘通报 ›› 2020, Vol. 0 ›› Issue (9): 100-105.doi: 10.13474/j.cnki.11-2246.2020.0292

基于深度置信网络的GNSS-IR土壤湿度反演

陈堃^1,2,3, 沈飞^1,2,3, 曹新运^1,2,3, 朱逸凡^1,2,3

1. 南京师范大学地理科学学院, 江苏南京 210023;
2. 虚拟地理环境教育部重点实验室(南京师范大学), 江苏南京 210023;
3. 江苏省地理信息资源开发与利用协同创新中心, 江苏南京 210023

收稿日期:2019-11-27 出版日期:2020-09-25 发布日期:2020-09-28
通讯作者: 沈飞。E-mail:shen.f@njnu.edu.cn E-mail:shen.f@njnu.edu.cn
作者简介:陈堃(1996-),男,硕士生,研究方向为GNSS反射信号反演近地空间环境信息。E-mail:1013286921@qq.com
基金资助:
国家自然科学基金（41904018）；江苏省自然科学基金（BK20190714）；武汉大学地球空间环境与大地测量教育部重点实验室开放基金（18-01-04）

Retrieving GNSS-IR soil moisture based on deep belief network

CHEN Kun^1,2,3, SHEN Fei^1,2,3, CAO Xinyun^1,2,3, ZHU Yifan^1,2,3

1. School of Geography, Nanjing Normal University, Nanjing 210023, China;
2. Key Laboratory of Virtual Geographic Environment(Nanjing Normal University), Ministry of Education, Nanjing 210023, China;
3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Received:2019-11-27 Online:2020-09-25 Published:2020-09-28

摘要/Abstract

摘要： 基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷，本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明，基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021，与线性回归和BP神经网络算法相比，与实测数据吻合度更高，可有效提高土壤湿度反演精度，证明了方法的有效性和可靠性。

关键词: GNSS-IR, 土壤湿度, 信噪比, 深度置信网络, 反演

Abstract: Retrieving soil moisture based on reflected signals acquired by geodetic GNSS receivers is a research hotspot in the field of GNSS. In order to overcome the shortcomings of conventional linear regression and BP neural network algorithms, this paper proposes a GNSS-IR soil moisture retrieval method based on deep belief network. The results show that the coefficient of determination, the average absolute error and the root mean square error of soil moisture based on this method are 0.909 8, 0.017 and 0.021. Compared with the linear regression and BP neural network algorithm, they are more consistent with the measured data, and can effectively improve the accuracy of soil moisture inversion, which proves the validity and reliability of the method.

Key words: GNSS-IR, soil moisture, signal-to-noise ratio, deep belief network, retrieving

中图分类号:

P228

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.

CHEN Kun, SHEN Fei, CAO Xinyun, ZHU Yifan. Retrieving GNSS-IR soil moisture based on deep belief network[J]. Bulletin of Surveying and Mapping, 2020, 0(9): 100-105.

参考文献

[1] VEY S, GVNTNER A, WICKERT J, et al. Long-term soil moisture dynamics derived from GNSS interferometric reflectometry:a case study for Sutherland, South Africa[J]. GPS Solutions, 2016, 20(4):641-654.
[2] LARSON K M,BRAUN J J,SMALL E E,et al. GPS multi-path and its relation to near-surface soil moisture content[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2010,3(1):91-99.
[3] LARSON K M,SMALL E E,UTMANN E D,et al.Use of GPS receivers as a soil moisture network for water cycle studies[J].Geophysical Research Letters,2008,35(24):851-854.
[4] 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.
[5] ROUSSEL N,FRAPPART F,RAMILLIEN G,et al.Detection of soil moisture variations using GPS and GLONASS SNR data for elevation angles ranging from 2°to 70°[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016,9(10):1-14.
[6] 吴继忠,王天,吴玮,等.利用GPS-IR监测土壤含水量的反演模型[J].武汉大学学报(信息科学版),2018,43(6):887-892.
[7] 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.
[8] 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.
[9] 孙波,梁勇,汉牟田,等.基于GA-SVM的GNSS-IR土壤湿度反演方法[J].北京航空航天大学学报,2019,45(3):486-492.
[10] CHEW C C,SMALL E E,LARSON K M,et al.Effect of near-surface soil moisture on GPS SNR data:develop-ment of a retrieval algorithm for soil moisture[J].IEEE Transactions on Geoscience and Remote Sensing,2013,52(1):537-543.
[11] 陈宇.基于深度置信网络的中文信息抽取方法[D].哈尔滨:哈尔滨工业大学,2014.
[12] 冯微,陈红,张兆津,等.基于GBRBM-DBN模型的短时交通流预测方法[J].交通信息与安全,2018,36(5):99-108.
[13] 张国辉. 基于深度置信网络的时间序列预测方法及其应用研究[D].哈尔滨:哈尔滨工业大学,2017.
[14] 罗恒. 基于协同过滤视角的受限玻尔兹曼机研究[D]. 上海:上海交通大学, 2011.
[15] 敖敏思,胡友健,刘亚东,等.GPS信噪比观测值的土壤湿度变化趋势反演[J].测绘科学技术学报,2012,29(2):140-143.
[16] CHEW C C,SMALL E E,LARSON K M,et al.Vegetation sensing using GPS-interferometric reflectometry:theoretical effects of canopy parameters on signal-to-noise ratio data[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(5):2755-2764.
[17] 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.

基于深度置信网络的GNSS-IR土壤湿度反演

Retrieving GNSS-IR soil moisture based on deep belief network

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]	胡义强, 杨骥, 荆文龙, 彭小燕, 蓝文陆, 彭梦微, 张雨萌. 茅尾海入海河口池塘养殖污染状况遥感调查[J]. 测绘通报, 2022, 0(7): 12-17,53.
[2]	孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.
[3]	贾秀丽. 高斯过程回归辅助下的GPS干涉反射积雪深度估测[J]. 测绘通报, 2022, 0(7): 78-82.
[4]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[5]	李名语, 陈利军, 刘国祥, 毛文飞, 向卫, 蔡嘉伦, 张波, 张瑞. 联合GRACE和GLDAS数据的河南省地下水储量反演与时空变化分析[J]. 测绘通报, 2022, 0(3): 121-126.
[6]	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.
[7]	马礼. 高精度实景三维与水质反演在排污口排查中的应用[J]. 测绘通报, 2021, 0(7): 107-110.
[8]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[9]	张玉, 贾遂民. 噪声调节主成分变换下的遥感图像薄云去除[J]. 测绘通报, 2021, 0(3): 33-37.
[10]	任文静, 贾洪果, 闫斌. SBAS-InSAR方法支持下的矿区地表沉降监测及参数反演[J]. 测绘通报, 2021, 0(3): 113-117,155.
[11]	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.
[12]	王腾军, 方珂, 杨耘, 张祥东. 随机森林回归模型用于土壤重金属含量多光谱遥感反演[J]. 测绘通报, 2021, 0(11): 92-95.
[13]	朱长明, 张新, 方晖, 王伟胜. 基于星载激光雷达的高原堰塞湖水文要素反演与变化特征分析[J]. 测绘通报, 2021, 0(1): 29-34.
[14]	王庆余, 杜宁, 王莉, 张小东, 吴磊, 熬逍. 变分模态分解及能量熵在地心运动降噪中的应用[J]. 测绘通报, 2020, 0(8): 59-64.
[15]	李宏达, 张显云, 廖留峰, 李婷, 聂士海. 利用GPS/BDS/GLONASS/Galileo组合PPP反演大气可降水量[J]. 测绘通报, 2020, 0(6): 63-66,98.