土壤容重孔隙度实验数据（GPS多卫星解译土壤湿度变化研究）
土壤容重孔隙度实验数据（GPS多卫星解译土壤湿度变化研究）然而，受制于GNSS测站的复杂环境、不同位置地表粗糙度、植被生长状况和土壤湿度不尽相同，依靠单一卫星结果难以充分反映实际的土壤湿度变化。同时，已有多星多频融合算法通常需要足够样本数据量，且结果精度受先验阈值和输入变量、种类、数量的影响。因此，本文提出了一种简便且无需额外观测信息的多卫星赋权融合反演算法，仅需考虑直反射信号的幅值强度表现来设定权值，通过GNSS测站收集的GPS和BDS数据，以及实测土壤湿度和降雨数据对所提算法的有效性进行了验证和分析。国内研究人员也相继开展了反演实验[12-13]，侧重于算法技术改进以提高结果精度[14-15]。SNR数据中直射和反射信号的准确分离可显著提升土壤湿度解译精度，文献[16]基于改进的反射信号参数估计方法实现了对SNR数据的更合理拟合，相关系数从0.85提升到了0.93。小波分析辅助的直反射信号分离，使信号拟合精度相较于传统方法提高了7.98%[1
BDS/GPS多卫星解译土壤湿度变化研究
张双成1 王 涛1 王丽霞1 张京江2 刘 宁1 赵桂生1
（1.长安大学 地质工程与测绘学院 西安 710054；
2.北京城市气象研究院，北京 100089）
摘要：针对单颗卫星结果易跳变且无法有效表征土壤湿度时空尺度特征的问题 本文提出了一种多卫星赋权融合解译土壤湿度变化的算法，该方法无需额外观测值仅使用卫星直射和反射信号强度来确定权值，并通过实测GNSS数据进行了验证。研究结果表明，卫星赋权融合结果有效综合了不同卫星间的信息，提高了土壤湿度解译值与实测值间的一致性，BDS/GPS融合结果的相关系数分别达到了0.849和0.729，较单颗卫星的结果至少提升了15.51%和17.01%。因此，多卫星融合解译结果可作为土壤湿度实测值的更优估计，为简便且高效地监测土壤湿度提供了新手段。
关键词：全球导航卫星系统；信噪比；反射信号；土壤湿度；多卫星融合
0 引言土壤湿度在水文变化过程中起着非常重要的作用，土壤湿度时空动态变化的研究在环境监测中尤为重要，例如 天气预报、干旱预警、农作物生长情况预测等[1-2]。基于GNSS-IR技术的无源土壤湿度探测技术，为实时、大范围和低成本获取土壤湿度提供了一种可能。GPS反射信号可作为遥感监测手段最初是由Martin-Neira于1993年提出的，其通过特制接收机收集的GPS反射信号数据测量海面高度[3]。随后，利用GPS反射信号解译陆面环境参数的研究陆续展开，其技术可分为两类:一种是传统cGNSS R技术，另一种是干涉iGNSS R技术[4]。iGNSS R技术中的信噪比（signal to noise-ratio SNR）方法因其低成本、易操作的特点，广泛应用于积雪厚度[5]、海面高度[6]和土壤湿度[7]解译中。文献[8]首次使用SNR数据解译地表土壤湿度变化，基本原理是利用直射信号和反射信号间的干涉效应，SNR数据通常被认为保留了这种干涉效应信息，在对TASH测站数据的实验中，发现SNR数据的振幅和降雨事件存在明显的相关性。文献[9]进一步实验发现浅层土壤湿度的变化中SNR相位参数比振幅表现出更大的一致性（R= 0.91）。文献[10]通过实验发现 BDS卫星在解译土壤湿度时表现出巨大潜力。文献[11]扩展了SNR数据截止高度角范围，对GPS和GLONASS系统低仰角（0～30°）和高仰角（30°～70°）SNR数据进行了组合融合来反演土壤湿度。
国内研究人员也相继开展了反演实验[12-13]，侧重于算法技术改进以提高结果精度[14-15]。SNR数据中直射和反射信号的准确分离可显著提升土壤湿度解译精度，文献[16]基于改进的反射信号参数估计方法实现了对SNR数据的更合理拟合，相关系数从0.85提升到了0.93。小波分析辅助的直反射信号分离，使信号拟合精度相较于传统方法提高了7.98%[17-18]。针对传统线性模型在土壤湿度反演中误差较高的缺点，基于支持向量回归机机器学习算法建立的反演模型使土壤湿度解译值与实测值间的均方根误差由4.15%降低到2.66%[19-20]。基于时间窗口土壤湿度反演模型估算的预测值和插值误差分别下降了17.4%和54.6%[21]。考虑到单一卫星反演结果表现出突变性以及多星多频数据融合的优势，文献[22]使用最小二乘支持向量机滚动式估算模型对多星结果进行融合，融合结果与土壤湿度实测值的相关系数相较于单一卫星至少提高了18.18%。文献[23]使用多卫星组合方法将土壤湿度反演时间分辨率由1 d提高到2 h。文献[24]通过熵值法对GPSL1和L2频点的融合处理，融合后的均方根误差分别比L1和L2频点降低73.2%和73.8%。
然而，受制于GNSS测站的复杂环境、不同位置地表粗糙度、植被生长状况和土壤湿度不尽相同，依靠单一卫星结果难以充分反映实际的土壤湿度变化。同时，已有多星多频融合算法通常需要足够样本数据量，且结果精度受先验阈值和输入变量、种类、数量的影响。因此，本文提出了一种简便且无需额外观测信息的多卫星赋权融合反演算法，仅需考虑直反射信号的幅值强度表现来设定权值，通过GNSS测站收集的GPS和BDS数据，以及实测土壤湿度和降雨数据对所提算法的有效性进行了验证和分析。
1 GNSS-IR土壤湿度解译原理SNR是表征接收机天线接收到信号强度的一个量值，它主要受天线增益参数、接收机内部相关器状态、卫星到接收机的距离和多路径效应等因素影响。由于反射信号含有的多路径信息直接影响SNR，因此，可通过SNR的频谱分析来获取地表环境参数。
GNSS接收机天线收到的信号是直射信号和经地表（积雪、海平面和土壤等）反射后的复合信号。图1为利用GNSS-IR技术进行的土壤湿度解译。
图1中：H为测站高；h为接收机天线相位中心到反射面的高度，即有效垂直反射高；E为卫星高度角，也是直射信号和土壤表面的夹角；Ad为直射信号振幅；Am为反射信号振幅。
在不存在多路径效应的情况下，即，此时，SNR观测值为单一信号的幅度，即；当存在多路径效应的情况下，SNR观测值变为所有信号矢量和的幅度，即。因此，在仅发生一次镜面反射的简化模型下，SNR观测值可表示为式（1）。
文献[9]通过实验证明了相位变化可以解译出土壤湿度的变化趋势。其基本原理是残差序列相位随有效反射高度的变化而变化，有效反射高度是由土壤介电常数决定的，而土壤介电常数受土壤含水量的影响。因此，在一定的区域内利用SNR数据可分析得到土壤含水量的变化趋势。
2 多卫星赋权融合方法SNR观测值在RNIEX格式中表示为S1、S2观测值，解释为“原始信号强度或SNR值”。在此定义下，SNR和信号幅度或强度是可互换使用的术语[25]。据文献[8]研究表明信号幅度或强度大小可以用来衡量反射物体信息状况。利用GNSS-IR技术解译土壤湿度中，由于不同卫星SNR序列观测量所蕴含的土壤湿度信息不尽相同。本文利用直射、反射信号的幅度比值来确定权重，结合计算得到的残差序列相位值，对不同卫星计算结果进行赋权融合，得到融合相位。
3.1实验数据选取
实验场地位于北京市顺义区张喜庄（40°9′60" N，116°30′38"E），是一块小麦实验田。测站西南地势较为平坦，无建筑物和公路等设施。实验使用的仪器为Trimble-NetR9型接收机，同时接收BDS和GPS系统的卫星数据。传感器收集了10 cm深度和1 h采样率的原位土壤水分数据。同步降雨数据也被观测和记录，图4显示了站点环境及卫星反射信号菲涅尔区。
文中收集了张喜庄测站2019年连续30 d的数据，但由于在数据开始采集的初期，出现了降雪事件，为了排除其干扰，实际用于计算的数据长度为后21 d。北斗二代导航系统星座中包括地球静止轨道（geosynchronous earth orbit GEO）、倾斜地球同步轨道（inclinedgeosynchronous satellite orbit IGSO）和中圆地球轨道（mediumearth orbit MEO）3类卫星，由于GEO卫星在天空中的相对位置固定不动，而利用SNR解译土壤湿度需要利用高度角的变化进行频谱分析，所以GEO卫星不适合本次实验。而MEO卫星数量较少，且由于其每天星空轨迹变化较大，超出了本次实验的方位角限制范围，也无法计算。IGSO卫星因其特殊的“8”字形轨迹，全部满足此次实验的要求。对于GPS系统，卫星轨迹符合实验方位角要求时，均用于此次实验。
3.2实验数据处理流程
3.3实验结果分析
对BDS系统所有IGSO卫星和GPS系统中符合此次实验方位角限制条件的所有MEO卫星进行了计算，并与实测土壤湿度进行了对比分析，得出相关系数。选取部分卫星结果进行展示，见表1。分析图6和图7可以发现，C10、C13和C18号卫星结果曲线与土壤湿度曲线有较好的一致性，能够反映出土壤湿度的变化趋势，C7、C9和C16号卫星结果曲线在年积日70 d后与实测土壤湿度曲线趋势出现偏差，两者的吻合度极低。对于GPS系统卫星，计算相位虽然整体上都呈现先增加后减少的趋势，符合土壤湿度变化的情况，但其没有很好地反映出土壤湿度的细微变化。因此，对于地表粗糙度较大，植被较密等复杂地形环境条件，基于单颗卫星的GNSS-IR技术监测土壤湿度变化可靠性较低。
黑色曲线为土壤湿度计测量结果，红色曲线为北斗系统多卫星融合结果，蓝色曲线为GPS系统多卫星融合结果，柱状条表示实际发生的降水事件。观察图8可知，在所研究的年积日范围内，发生了两次降水事件，分别发生在第69 d和第79 d，而它们的降水量分别为5.5、2 mm。伴随着这两次降水事件，实测土壤湿度曲线发生了变化。往往在每次降水发生后，土壤湿度发生缓慢回落，直到新的降水事件的出现，则再一次波动。从图中的红色和黑色曲线走向可以看出，其是跟随土壤湿度曲线发生变化的。
考虑单一系统，北斗系统融合结果与实测土壤湿度曲线表现出完全一致的趋势，对于每一次降雨事件的发生都表现出了很高的敏感性。但是，GPS系统融合结果在年积日69 d以后表现不佳，并不能反映出土壤湿度的实际变化情况。在第一次降雨事件发生时，其曲线并没有出现明显的峰值，随后也没有随着降雨事件的结束而明显回落。虽然其在第二次降雨事件时出现了峰值。分析可能的原因，测站西南角处存在大型电塔（图4），所选GPS系统卫星信号低高度角轨迹呈现由西南向东北的走向，信号受到干扰。而实验中北斗系统中选用的均是IGSO卫星，其卫星轨迹成“8”字形，特别在低高度角处，信号轨迹大致是南北走向，正好避开了干扰源电塔。算法局限性和不同系统间信号差异等因素都可能影响多卫星融合结果的准确性。
总体而言，此次实验中，融合后结果与实测土壤湿度的吻合度比单颗卫星表现出了更大的一致性，基于信号幅度赋权融合结果能够很好地反映出土壤湿度的变化趋势。
对北斗和GPS融合后结果与实测土壤湿度进行相关性分析（图9），相关系数分别达到0.849和0.729，相比单颗卫星的相关性有了显著提升 至少提高了15.51%和17.01%。使用T检验对相关系数的显著性进行评价，对于北斗系统，。对于GPS系统，，证明相关系数均是显著的。说明融合后的结果可以较好地解译土壤湿度的变化情况，且本次实验中北斗系统比GPS系统对土壤湿度的解译有更高的准确性。需要特别指出的是，由于本次实验数据时间序列长度较短，且实验场地单一，得出的结论有待进一步验证。
4 结束语本文在给出基于SNR的GNSS-IR解译土壤湿度基本原理的基础上，对利用单颗卫星进行土壤湿度解译的GNSS-IR技术进行了实验分析，验证了GNSS-IR技术用于土壤湿度解译的有效性。同时，提出了一种BDS/GPS多卫星解译土壤湿度变化的方法，该方法以SNR观测值信号幅度作为融合的权重标准，对不同卫星的相位进行了赋权融合。利用地基观测获取的实验数据对该方法的有效性进行了验证，结果表明，该方法无需额外观测信息，仅使用GNSS观测数据就可在一定程度上提高复杂环境下土壤湿度解译精度。但本次实验分析未充分考虑地表小麦生长、土壤粗糙度和温度等因素的影响 这也是后续研究的重点。
北斗等导航系统星座中不断增多的卫星，遍布全球的GNSS连续运行跟踪站，为创建全球GNSS土壤湿度监测网络提供了可能。同时，在复杂地表环境中，不同系统、不同卫星和不同频点间解译结果的有效融合提高了该技术的解译精度，可为未来土壤湿度任务卫星监测全球土壤湿度提供校准和验证点。
致谢：感谢中国气象局北京城市气象研究院提供的GNSS测站数据、实测土壤湿度数据和降雨数据。
作者简介：张双成（1979—），男，山西长治人，副教授，主要研究方向为GNSS精密定位、GNSS遥感及地质灾害监测。
E-mail：shuangcheng369@vip.163.com
通信作者：王涛 E-mail：893075589@qq.com
资助项目：国家重点研发计划项目（2019YFC1509802）；陕西省自然科学基础研究计划项目（2020JM-227）；国家自然科学基金项目（41104019）
