基于机器学习的GNSS反射信号土壤湿度反演方法研究

论文摘要

土壤湿度是一个重要的水文变量,对研究生态系统水循环、植被水分供给、土壤承载能力等起着举足轻重的作用。GNSS卫星发射的L波段信号具有很强的穿透性,其反射信号对土壤水分十分敏感,因此基于GNSS反射信号发展起来的GNSS遥感技术,为土壤湿度监测提供了一种全新的、高效的监测手段。目前利用GNSS反射信号反演土壤湿度的理论,还没有研究出较为完善的解析模型。由于土壤表面粗糙度、植被覆盖和积雪覆盖等环境因素影响大,需要人工测量较多数据,建模复杂,模型泛化特性不强。因此,论文从合理有效抑制环境影响因素,构建GNSS卫星反射信号土壤湿度反演模型展开研究,提出一种以伪距多路径误差代替植被因素,结合机器学习算法的GNSS反射信号土壤湿度反演模型,并通过仿真实验和实测实验对模型可靠性进行了深入分析。（1）NDVI是一种能够有效反映植被生长状态和植被覆盖度的植被指数,对其简单、有效的监测有助于植被生长的研究。论文从信噪比观测值中提取L1频点的伪距多路径误差MP1,L2频点的伪距多路径误差MP2,并与NDVI之间进行时间序列、频谱以及相关性分析,结果表明:MP1、MP2与NDVI均存在明显的年周期性和季节特性,两者之间存在显著的线性相关,相关系数在0.60840.7554之间。同时,通过熵值法对两个频点的伪距多路径误差进行融合处理后发现,融合后的伪距多路径误差MP与NDVI的相关系数较MP1,MP2分别提高了3%17%,说明通过熵值法对两个频点的伪距多路径误差进行融合处理,可明显提高NDVI反演精度。（2）针对GNSS反射信号反演土壤湿度中,建模复杂,模型泛化特性不强等问题,论文利用机器学习算法不仅能够学习和存贮大量的输入-输出模式映射关系,且具有无需事前揭示描述这种映射关系、模拟复杂数量关系的能力的特性,以SNR观测值的相位作为输入项,土壤湿度作为输出项,利用机器学习算法分别构建SOM-BP反演模型、SOM-SVR反演模型和线性反演模型,其仿真和实测实验表明:SOM-SVR模型相关系数最高,均方根误差RMSE和平均绝对误差MAE最低,反演效果明显优其它反演模型;线性反演模型的相关系数R均低于其他反演模型,均方根误差RMSE和平均绝对误差MAE也相应高于其他反演模型,其反演模型的性能最差,说明SOM神经网络的聚类能力和SVR良好的泛化能力能够有效抑制植被覆盖等这些不易采集或建模的影响因素,提高土壤湿度反演精度。（3）利用伪距多路径误差与NDVI的显著相关性,将融合后的伪距多路径误差作为植被信息,与SNR观测值的相位共同作为输入项,再次构建三种反演模型,其仿真与实测实验结果表明:在加入植被信息后,三种反演模型由于获得了更多的环境特征因素,相关系数R比未加入植被信息的反演模型提高了5%左右、均方根误差RMSE,平均绝对误差MAE均比未加入植被信息的反演模型降低了5%左右,所以在植被信息很难获取的情况下,以伪距多路径误差最为植被因素替代品,可以进一步提高土壤湿度反演精度。

论文目录

• 致谢
• 摘要
• abstract
• 变量注释表
• 1 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•   1.3 研究内容及结构安排
• 2 机器学习算法
•   2.1 机器学习概述
•   2.2 BP神经网络
•   2.3 自组织适应神经网络
•   2.4 支持向量回归机
•   2.5 本章小结
• 3 基于GNSS反射信号的土壤湿度反演原理
•   3.1 信噪比观测值
•   3.2 信号反射区
•   3.3 反射信号反演土壤湿度原理
•   3.4 SNR观测值影响因素分析
•   3.5 本章小结
• 4 基于伪距多路径误差的NDVI反演研究
•   4.1 伪距多路径误差
•   4.2 伪距多路径误差与NDVI的相关性分析
•   4.3 基于伪距多路径误差的NDVI反演
•   4.4 本章小结
• 5 基于机器学习的GNSS-R土壤湿度反演方法研究
•   5.1 基于机器学习的GNSS-R土壤湿度反演模型
•   5.2 基于机器学习的GNSS-R土壤湿度反演模型实验分析
•   5.3 本章小结
• 6 结论与展望
•   6.1 结论
•   6.2 展望
• 参考文献
• 作者简历
• 学位论文数据集

文章来源

类型: 硕士论文

作者: 丰秋林

导师: 郑南山

关键词: 机器学习算法,多路径反射信号,信噪比观测值,土壤湿度

来源: 中国矿业大学

年度: 2019

分类: 基础科学,农业科技

专业: 自然地理学和测绘学,农业基础科学,农艺学

单位: 中国矿业大学

分类号: P228.4;S152.71

总页数: 101

文件大小: 4983K

下载量: 162