一种基于GNSS-R技术进行高精度土壤湿度反演方法

技术领域

本发明属于目标探测技术领域，利用GNSS-R反射信号对海面和陆地进行遥感是目前国内外遥感领域的研究热点之一，主要应用于测高、定位和对地表、海面进行成像观测以及土壤湿度反演等方面。

背景技术

全球卫星导航系统(GNSS)，由于其全天候、多信号源、宽覆盖、高时空分辨率、应用广泛等优势，一直是国内外遥感领域研究的热点之一，其原理是通过特殊的GNSS接收机接收直射或反射信号，通过码延迟和相关函数波形及其后沿特性进行分析，获取目标参数信息。并基于无线电物理微波信号散射理论，分析目标物反射信号与GNSS直射信号在频率、相位等参数之间的变化。基于这种散射特性，从而确定目标物的性质和状态。

GNSS除了具有能够为用户提供导航定位信息，精确授时等功能外，还广泛应用于测绘、地质勘查、考古发掘、搜索救援、资源调查、智能交通以及军事领域内的导弹制导等方面。GNSS接收机对反射信号的处理，可以实现对反射面物理特性的估计与反演，人们把基于GNSS反射信号的遥感技术，简称为GNSS-R技术，当前对GNSS-R得到的数据有着多种处理方法，如借助深度学习、人工智能、大数据分析等优化模型，实现实时反演。

现有的星载GNSS-R土壤湿度反演方法主要采用传统的线性回归方法，这种基于理想情况下的反演模型存在着精度问题，没有考虑到现实世界复杂的环境条件，比如植被含水量、地表粗糙度等方面的影响，即使进行了误差分析处理也不能很充分的反映事物的特性，这也使得模型的实用性和普适性较低，无法满足实际应用的需求。

发明内容

为了进一步研究GNSS-R技术，同时解决利用GNSS-R进行土壤湿度反演中存在着的精度及复杂环境条件影响的问题，提出了一种结合了线性回归以及机器学习算法的土壤湿度反演模型构建方法，可以有效的抑制环境因素影响，提升了模型的精度。

由于简单的线性回归模型不仅无法定量分析环境对参数影响的大小，也无法精确的展示特征参数和土壤湿度之间的关系，因此本专利在线性回归的基础上结合BP神经网络机器学习算法，建立机器学习辅助的GNSS-R土壤湿度反演模型，以抑制环境因素造成的影响，获得连续的、精确的土壤湿度信息。

本发明的目的是这样实现的，本发明包括步骤：

一种基于GNSS-R技术进行高精度土壤湿度反演方法，包括以下过程：

步骤1，通过双天线GNSS-R数字中频信号接收机接收直射与反射信号，并对信号进行处理，获取特征参数与土壤湿度数据，计算得到反射信号的特征参数振幅、相位和频率；

步骤2，将观测到的特征参数与土壤湿度数据划分为测试集和训练集两部分，利用训练集的数据构建出了特征参数和土壤湿度的一元线性回归模型，

y

y

步骤3，将式(1)表示为矩阵形式：

Y＝Xb+ε (2)

式(2)中，

则得到式(2)的误差公式为：

式(4)中，V代表观测值与拟合值之间的残差，

X

将式(4)代入(5)，则其法方程为:

此时，求得解的回归系数为：

将训练集的因变量和自变量输入至式(7)中，得到残差平方和最小状态下b

步骤4，在一元线性回归模型中代入b

步骤5，采用BP神经网络模型算法对GNSS-R土壤湿度反演进行研究，构建的输入层的样本参数为

式(8)中，x

步骤6：对BP神经网络隐含层的神经元个数进行设置，根据不同神经元个数均方根误差的不同情况来选取最优的神经元个数；

式(9)中，m为隐藏层神经元的个数，n为输入层的个数，q为输出层的个数，a通常为1～13之间的正整数。通过列表比较的方式来寻找最优的神经元个数；

通过比较不同激活函数在学习效率、迭代次数、期望误差相同的情况下的反演结果，选取最适合的激活函数，提高BP神经网络模型的拟合精度；

步骤7：根据确定输入层、输出层的样本参数和神经元个数和激活函数，训练构建BP神经网络模型，并根据训练好的神经网络模型，得到高精度的土壤湿度反演模型。

与现有技术相比，本发明的有益效果在于：

将一元线性回归模型与机器学习算法结合起来，BP神经网络可以解决复杂的非线性问题，有助于减少野外复杂的环境条件对土壤湿度反演精度的影响，可以获得连续、精确的土壤湿度信息。

附图说明

图1为星载GNSS-R土壤湿度反演平台方案流程图。

图2为高精度土壤湿度反演模型算法流程图。

具体实施方式

星载GNSS-R土壤湿度反演平台技术方案

基于线性回归和机器学习的土壤湿度反演平台主要由接收机、天线、上位机等部分组成，双天线GNSS-R数字中频信号接收机接收直射与反射信号，并对信号进行处理，计算得到土壤湿度数据，之后结合线性回归与机器学习算法对数据进行处理，得到高精度的土壤湿度反演模型，结合其他气候产品对模型进行修正后，得到土壤湿度反演平台，并可与洪水监测系统结合起来，作为研究全球气候变化与土壤湿度关系的研究平台。

星载GNSS-R土壤湿度反演平台技术方案流程图如图1所示。

参照图2，高精度土壤湿度反演模型的建立过程如下：

步骤(一)：接收GNSS数据并进行信号处理

双天线GNSS-R数字中频信号接收机接收直射与反射信号，并对信号进行处理，获取特征参数与土壤湿度数据，计算得到反射信号的特征参数振幅、相位和频率。

步骤(二)：建立GNSS-R土壤湿度反演一元线性回归模型

GNSS-R土壤湿度反演技术是将观测到的数据划分为测试集和训练集两部分，利用训练集的数据构建出了特征参数和土壤湿度的一元线性回归模型，将测试集的特征参数输入进去，即可得到测试集的土壤湿度预测值。

一元线性回归模型函数的表达式为：

y

y

步骤(三)：估算一元线性回归模型截距和斜率

将训练集的因变量和自变量输入进去后，再使用最小二乘方法可以将b

步骤(四)：误差分析，使残差平方和最小

将式(1)表示为矩阵形式：

Y＝Xb+ε (2)

式(2)中，

则得到式(2)的误差公式为：

式(4)中，V代表观测值与拟合值之间的残差，

X

将式(4)代入(5)，则其法方程为:

此时，求得解的回归系数为：

步骤(五)：将测试数据集特征向量代入，得到土壤湿度预测值

通过建立一元线性回归模型，将测试的数据集的特征向量代入到该模型中去，可以对土壤湿度值进行预测。

此时土壤湿度反演为理想情况，简单的线性回归模型不仅无法定量分析环境对参数影响的大小，也无法精确的展示特征参数和土壤湿度之间的关系。而机器学习的算法可以通过对输入-输出数据进行训练来建立两者之间的非线性映射关系模型。

步骤(六)：建立BP神经网络机器学习算法

采用BP神经网络模型算法对GNSS-R土壤湿度反演进行研究，本专利构建的输入层的样本参数为

式(8)中，x

步骤(七)：设置BP神经网络隐含层的神经元个数和激活函数

需要对BP神经网络隐含层的神经元个数进行设置，根据不同神经元个数均方根误差的不同情况来选取最优的神经元个数。

式(9)中，m为隐藏层神经元的个数，n为输入层的个数，q为输出层的个数，a通常为1～13之间的正整数。通过列表比较的方式来寻找最优的神经元个数。

通过比较不同激活函数在学习效率、迭代次数、期望误差相同的情况下的反演结果，选取最适合的激活函数，提高BP神经网络模型的拟合精度。

步骤(八)：训练并构建BP神经网络模型

根据确定输入层、输出层的样本参数和神经元个数和激活函数，训练构建BP神经网络模型。根据训练好的神经网络模型，可以得到高精度的土壤湿度反演模型，图1为高精度土壤湿度反演模型算法的流程图。