摘要
土壤湿度作为重要的地表参数，对气候、农业、生态环境、水循环等领域具有重要的意义，因此及时、准确地掌握土壤湿度信息至关重要。传统的土壤湿度观测手段只适用于小范围，地理环境较好的区域，而卫星遥感方式虽然属于大范围观测手段，但还是存在卫星周期长，易受到云雾天气影响等诸多限制。GNSS卫星发射的L波段信号具有低成本、穿透能力强、时空分辨率高等优点，因此以GNSS反射信号为基础的GNSS-R（GNSS Reflactometry）遥感技术为土壤湿度监测提供了一种全新、高效的手段。 由于受到地表粗糙度、植被覆盖度、积雪深度等环境因素和信噪比观测数据质量较差以及拟合模型的影响，导致特征参数存在异常值，建模复杂，且模型的泛化能力不高。因此，论文从两个方面提高土壤湿度反演精度：一方面针对异常值对反演精度的影响，提出了基于最小协方差行列式（Minimum Covariance Determinant，MCD）稳健估计的异常值检测方法，构建稳健估计的土壤湿度线性回归模型；另一方面针对GNSS-R土壤湿度反演模型建模困难，且模型泛化能力不强等问题，提出了机器学习辅助的GNSS-R土壤湿度反演模型，并通过实验分析模型的精度。主要研究内容如下： （1）总结了单天线GNSS-R土壤湿度反演的基本原理，分析了数据的处理流程。首先介绍了GNSS反射信号类型、几何关系、极化特性，给出了GNSS反射信号反射点位置和菲涅尔反射区的定义和计算公式；然后给出了特征参数频率、振幅、相位的提取过程；最后采用传统方法分别构建了特征参数频率、振幅、相位与土壤湿度之间的GNSS-R土壤湿度反演模型，其中相位模型反演结果优于频率和振幅模型，27颗GPS卫星土壤湿度反演结果相关系数R均值为0.5306，均方根误差RMSE均值为0.0567，平均绝对误差MAE均值为0.0475，可看出传统的土壤湿度反演模型可以有效进行土壤湿度的反演研究，但仍需进行进一步改进。 （2）针对环境因素以及拟合模型误差造成的特征参数中存在异常值的问题，论文提出了基于MCD稳健估计的异常值检测方法，构建基于稳健估计的线性回归模型。结果表明：基于MCD稳健估计的频率、振幅、相位线性回归模型相比传统模型相关系数R均值提高了16.9%-23%，均方根误差RMSE降低了4.7%-8.5%，平均绝对误差MAE降低了2.5%-5.2%；为了充分利用多个特征参数信息，构建了MCD稳健估计的多元回归模型，实验结果表明27颗实验卫星相关系数R、均方根误差RMSE和平均绝对误差MAE的均值分别为0.6963，0.0477，0.0390，对比频率、振幅、相位参数构建的稳健估计线性回归模型，R提高了8.4%-117.3%，RMSE降低了8.1%-23.4%，MAE降低了8.9%-26.8%，其中GPS PRN9号卫星反演结果R值为0.9081，RMSE值为0.0298，MAE值为0.0240，证明了基于MCD稳健估计线性回归模型可以有效提高反演精度。 （3）针对采用GNSS-R遥感技术进行土壤湿度反演研究中受测站周围环境因素的影响导致模型构建复杂且泛化能力不强等问题，论文在基于MCD稳健估计的基础上结合机器学习算法，通过学习输入-输出模式建立GNSS-R土壤湿度的非线性映射关系，以特征参数频率、振幅、相位作为输入项，土壤湿度值作为输出项，构建BP神经网络（BP Neural Network）、高斯过程回归（Gaussian Process Regression，GPR）、随机森林（Random Forest，RF）反演模型，并与稳健估计多元回归模型对比分析。实验结果表明：RF模型反演精度＞GPR模型反演精度＞BP模型反演精度，且均优于多元线性回归模型，其中RF反演模型相关系数R相较于多元回归模型提高了11.9%~33.1%，均方根误差RMSE和平均绝对误差MAE分别降低了19.2%~30%和19.5%~30%，表明机器学习算法能够有效减少观测站周围环境因素如植被覆盖等环境因素影响，提高土壤湿度反演精度。
NETL