CYGNSS/SMAP数据融合半经验模型的土壤湿度反演

张云; 张丹丹; 孟婉婷; 顾军; 韩彦岭; 杨树瑚

doi:10.13700/j.bh.1001-5965.2022.0044

CYGNSS/SMAP数据融合半经验模型的土壤湿度反演

doi: 10.13700/j.bh.1001-5965.2022.0044

张云^{1, 2},
张丹丹^{1, 2},
孟婉婷³,
顾军⁴,
韩彦岭^{1, 2},
杨树瑚^{1, 2, ,}

1.
上海海洋大学信息学院，上海 201306
2.
上海市海洋智能信息与导航遥感工程中心，上海 201306
3.
上海航天电子技术研究所，上海 201109
4.
上海航天空间技术有限公司，上海 201108

基金项目: 国家自然科学基金(41871325,42176175)；国家重点研发计划(2019YFD0900805)

详细信息

通讯作者:
E-mail：shyang@shou.edu.cn

中图分类号: V221⁺.3；TB553
计量
- 文章访问数: 311
- HTML全文浏览量: 537
- PDF下载量: 87
- 被引次数: 0
出版历程
- 收稿日期: 2022-01-21
- 录用日期: 2022-03-14
- 网络出版日期: 2022-03-24
- 整期出版日期: 2023-11-30

Soil moisture retrieval using CYGNSS/SMAP data fusion semi-empirical model

ZHANG Yun^{1, 2},
ZHANG Dandan^{1, 2},
MENG Wanting³,
GU Jun⁴,
HAN Yanling^{1, 2},
YANG Shuhu^{1, 2
, ,}

1.
College of Information Technology，Shanghai Ocean University，Shanghai 201306，China
2.
Shanghai Marine Intelligent Information and Navigation Remote Sensing Engineering Technology Research Center，Shanghai 201306，China
3.
Shanghai Spaceflight Institute of TT&C and Telecommunication，Shanghai 201109，China
4.
Shanghai SastSpace Technology Co.，Ltd.，Shanghai 201108，China

Funds: National Natural Science Foundation of China (41871325,42176175); National Key R & D Program of China (2019YFD0900805)

More Information

Corresponding author: E-mail：shyang@shou.edu.cn

摘要

摘要:
星载GNSS反射信号(GNSS-R)的土壤湿度反演易受陆地多变环境因素影响，目前，对于星载GNSS-R土壤湿度反演中误差分析及反演模型外推性能分析较少。综合多种误差修正模型，包括GNSS卫星发射功率误差、植被和地表粗糙度对反射信号强度的衰减，通过修正提高陆地点反射率的准确性，建立了反射率-土壤湿度的CYGNSS/SMAP数据融合的反演半经验模型。实现了一年高精度外推反演，反演偏差为−0.0037 cm³/cm³，均方根误差(RMSE)为0.0264 cm³/cm³，相关系数为0.9636。提出了分季节的外推模型，提高了低含水量季节的外推精度。实验区域的经度为90°E~130°E，纬度为20°N~38°N，利用2019年10月至2020年9月的CYGNSS/SMAP数据进行训练，外推2020年10月至2021年9月的土壤湿度。经误差模型修正反射率后，模型的反演偏差提升6.80%，均方根误差提升3.30%。针对实验区域内冬、春季土壤含水量较低时反演精度差的问题，提出了同季节外推的分季节训练模型，相对一年数据量的训练模型，冬季反演的均方根误差提升21.58%，春季提升21.05%。将2021年6月1—10日的反演结果与CLDAS地面实测土壤湿度进行对比，反演偏差为0.0058 cm³/cm³，均方根误差为0.0854 cm³/cm³，具有较好的准确性。研究证明了使用反射率误差修正模型及反射率-土壤湿度半经验模型反演土壤湿度的有效性，对推广星载GNSS-R土壤湿度反演业务化应用具有积极意义。
- GNSS反射信号 /
- 土壤湿度 /
- CYGNSS /
- SMAP /
- 植被衰减 /
- 地表粗糙度
Abstract:
Soil moisture retrieval of the satellite-borne GNSS reflected signal (GNSS-R) is more susceptible to the influence of the changing environmental factors on the land. At present, there is little research on error correction and extrapolation performance analysis in the satellite-borne GNSS-R soil moisture retrieval model. The accuracy of the reflectivity of land points is enhanced by correction in this article, which synthesizes a number of error correction models, including the GNSS satellite transmit power deviation, the attenuation of the reflected signal strength by vegetation and surface roughness, and these factors. A semi-empirical retrieval model of CYGNSS/SMAP data fusion of reflectance-soil moisture was established. One-year high-precision extrapolation retrieval is achieved, retrieval bias is −0.0037 cm³/cm³, the root mean square error (RMSE) is 0.0264 cm³/cm³ and the correlation coefficient is 0.963 6. At the same time, a seasonal extrapolation model is proposed to improve the extrapolation accuracy in low water content seasons. The longitude of the experimental area is 90°E−130°E, the latitude is 20°N−38°N, and the CYGNSS/SMAP data from October 2019 to September 2020 are used for training. Push the soil moisture from October 2020 to September 2021. After the reflectivity is corrected by the error model, the semi-empirical model retrieval bias is improved by 6.80%, and and RMSE is improved by 3.30%. Aiming at the problem that the winter and spring soil moisture content low in the experimental area affects the retrieval accuracy, proposes a seasonal training model for extrapolation in the same season,compared with the training model with one-year data volume, the RMSE of winter retrieval can be increased by 21.58%, and the spring can be increased by 21.05%. Comparing the retrieval results from June 1 to 10, 2021 with the soil moisture measured on the ground by CLDAS, the Bias is 0.0058 cm³/cm³ and the RMSE is 0.0854 cm³/cm³, which can maintain good accuracy. This paper’s research results have proved the effectiveness of using the reflectivity-soil moisture semi-empirical model and the reflectivity error correction, which are of significance for the promotion of the commercial application of the on-board GNSS-R soil moisture retrieval.
- GNSS reflected signal /
- soil moisture /
- CYGNSS /
- SMAP /
- vegetation attenuation /
- soil surface rough

HTML全文

图 1 GNSS-R土壤湿度反演原理示意图

Figure 1. Schematic diagram of GNSS-R soil moisture retrieval principle

下载: 全尺寸图片幻灯片

图 2 反射率与入射角的关系

Figure 2. Relation of reflectivity and incident angle

下载: 全尺寸图片幻灯片

图 3 反射率的偏差直方图

Figure 3. Deviation histogram of reflectivity

下载: 全尺寸图片幻灯片

图 4 不同植被光学深度下的反射率

Figure 4. Reflectivity of different vegetation optical depths

下载: 全尺寸图片幻灯片

图 5 不同地表粗糙度下的反射率

Figure 5. Reflectivity of different terrain roughness

下载: 全尺寸图片幻灯片

图 6 半经验模型的土壤湿度反演流程

Figure 6. Flowchart of soil moisture retrieval from semi-empirical model

下载: 全尺寸图片幻灯片

图 7 反演结果的密度散点图（2020年10月至2021年9月）

Figure 7. Density scatter plot of inversion results (2020-10—2021-09)

下载: 全尺寸图片幻灯片

图 8 实验地区部分区域反演的土壤湿度（2020年10月至2021年9月）

Figure 8. Soil moisture retrieved in part of experimental area (2020-10—2021-09)

下载: 全尺寸图片幻灯片

图 9 实验地区部分区域土壤湿度偏差（2020年10月至2021年9月）

Figure 9. Soil moisture deviation in part of experimental area（2020-10—2021-09）

下载: 全尺寸图片幻灯片

图 10 土壤湿度的数量分布（实验地区部分区域）

Figure 10. Number distribution of soil moisture (part of experiment area)

下载: 全尺寸图片幻灯片

图 11 高、低含水量反演的偏差结果

Figure 11. Bias results of retrieval of high and low water content inversions

下载: 全尺寸图片幻灯片

图 12 实验地区部分区域CLDAS数据对比的土壤湿度偏差（2021年6月1—10日）

Figure 12. Soil moisture bias for CLDAS data comparison in part of experimental area (June 1−10, 2021)

下载: 全尺寸图片幻灯片

表 1 32颗GPS卫星对应的反射率误差

Table 1. Reflectivity error of 32 GPS satellites dB

PRN	反射率误差	PRN	反射率误差
1	0.0025	17	−1.4289
2	1.0983	18	0.0422
3	0.7797	19	−0.0992
4	−1.0832	20	2.3085
5	−0.8721	21	0.6661
6	0.4789	22	0.5552
7	−1.3485	23	0.8808
8	0.5355	24	0.5584
9	0.5076	25	−0.1033
10	1.6219	26	0.1490
11	1.0035	27	0.5271
12	−1.3877	28	0.9964
13	1.4203	29	−1.4678
14	0.1841	30	0.6120
15	−0.7908	31	−1.3264
16	0.5409	32	−0.1931

下载: 导出CSV

表 2 误差修正前后反演结果

Table 2. Retrieval results before and after error correction cm³/cm³

训练数据月份	反演月份	反演偏差		均方根误差
训练数据月份	反演月份	未修正各类误差	修正各类误差	未修正各类误差	修正各类误差
2020年1—9月	2020年10月	−0.0097	0.0600	0.0096	0.0593
	2020年11月	−0.0307	0.0666	−0.0297	0.0653
	2020年12月	−0.0448	0.0662	−0.0429	0.0642
	2021年1月	−0.0603	0.0759	−0.0562	0.0734

下载: 导出CSV

表 3 不同训练集数据量的模型反演结果

Table 3. Retrieval results of models with different amounts of training data

训练数据月份	训练模型数据量/个	反演月份（单个月）	反演偏差/ （cm³·cm⁻³）	均方根误差/ （cm³·cm⁻³）
2020年 7—9月	102855	2020年10月	−0.0336	0.0705
		2020年11月	−0.0550	0.0844
		2020年12月	−0.0699	0.0951
		2021年1月	−0.0826	0.1049

训练数据月份	训练模型数据量/个	反演月份（单个月）	反演偏差/ （cm³·cm⁻³）	均方根误差/ （cm³·cm⁻³）
2020年 1—9月	273047	2020年10月	0.0096	0.0593
		2020年11月	−0.0297	0.0653
		2020年12月	−0.0429	0.0642
		2021年1月	−0.0562	0.0734

训练数据月份	训练模型数据量/个	反演月份（单个月）	反演偏差/ （cm³·cm⁻³）	均方根误差/ （cm³·cm⁻³）
2019年10月至 2020年9月	356966	2020年10月	−0.0018	0.0561
		2020年11月	−0.0217	0.0589
		2020年12月	−0.0345	0.0572
		2021年1月	−0.0477	0.0655

下载: 导出CSV

表 4 一年训练集数据量的模型反演结果

Table 4. Retrieval results of model for one year training data cm³/cm³

训练数据月份	反演月份（单个月）	反演偏差	均方根误差
2019年10月至 2020年9月	2020年10月	−0.0018	0.0561
	2020年11月	−0.0217	0.0589
	2020年12月	−0.0345	0.0572
	2021年1月	−0.0477	0.0655
	2021年2月	−0.0293	0.0594
	2021年3月	−0.0283	0.0698
	2021年4月	−0.0164	0.0635
	2021年5月	−0.0014	0.0593
	2021年6月	0.0235	0.0562
	2021年7月	0.0283	0.0596
	2021年8月	0.0295	0.0599
	2021年9月	0.0229	0.0595

下载: 导出CSV

表 5 按季节分类的土壤湿度反演结果

Table 5. Retrieval results of soil moisture classified by season cm³/cm³

训练数据月份	反演月份	反演偏差	均方根误差
2019年11月— 2020年1月（冬季）	2020年11月	0.0215	0.0503
	2020年12月	−0.0019	0.0445
	2021年1月	−0.0148	0.0472
2020年2— 4月（春季）	2021年2月	−0.0142	0.0496
	2021年3月	−0.0107	0.0491
	2021年4月	0.0060	0.0527

下载: 导出CSV

参考文献(23)

[1]	涂晋升. 利用GNSS-R观测数据反演土壤湿度[D]. 成都: 西南交通大学, 2019: 1-2. TU J S. Soil moisture retrieve using GNSS-R observation data[D]. Chengdu: Southwest Jiaotong University, 2019: 1-2(in Chinese).
[2]	赵霞, 陈赛楠. SMAP卫星土壤水分产品对比研究与误差分析[J]. 甘肃科学学报, 2021, 33(2): 27-32. doi: 10.16468/j.cnki.issn1004-0366.2021.02.005 ZHAO X, CHEN S N. Comparative study and error analysis of soil moisture products from SMAP satellite[J]. Journal of Gansu Sciences, 2021, 33(2): 27-32(in Chinese). doi: 10.16468/j.cnki.issn1004-0366.2021.02.005
[3]	KERR Y H, WALDTEUFEL P, WIGNERON J P, et al. Soil moisture retrieval from space: The soil moisture and ocean salinity (SMOS) mission[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(8): 1729-1735. doi: 10.1109/36.942551
[4]	ENTEKHABI D, NJOKU E G, O’NEILL P E, et al. The soil moisture active passive (SMAP) mission[J]. Proceedings of the IEEE, 2010, 98(5): 704-716. doi: 10.1109/JPROC.2010.2043918
[5]	杭斯加, 张云, 李彬彬, 等. 岸基北斗IGSO卫星反射信号相位测高[J]. 遥感信息, 2020, 35(1): 73-81. HANG S J, ZHANG Y, LI B B, et al. Feasibility of coastal phase altimetry using BeiDou IGSO satellite reflected signal[J]. Remote Sensing Information, 2020, 35(1): 73-81(in Chinese).
[6]	张云, 张杨阳, 孟婉婷, 等. 机载GNSS反射信号海面测高模型的研究[J]. 海洋学报, 2020, 42(3): 149-156. ZHANG Y, ZHANG Y Y, MENG W T, et al. Research on sea surface altimetry model of airborne GNSS reflected signal[J]. Haiyang Xuebao, 2020, 42(3): 149-156(in Chinese).
[7]	张云, 马德皓, 孟婉婷, 等. 基于TechDemoSat-1卫星的GPS反射信号海面高度反演[J]. 北京航空航天大学学报, 2021, 47(10): 1941-1948. doi: 10.13700/j.bh.1001-5965.2020.0357 ZHANG Y, MA D H, MENG W T, et al. Sea surface height retrieval of GPS reflected signal based on TechDemoSat-1 satellite[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(10): 1941-1948(in Chinese). doi: 10.13700/j.bh.1001-5965.2020.0357
[8]	ZHANG Y, CHEN X, MENG W T, et al. Wind direction retrieval using support vector machine from CYGNSS sea surface data[J]. Remote Sensing, 2021, 13(21): 4451. doi: 10.3390/rs13214451
[9]	CHEW C C, SHAH R, ZUFFADA C, et al. Demonstrating soil moisture remote sensing with observations from the UK TechDemoSat-1 satellite mission[J]. Geophysical Research Letters, 2016, 43(7): 3317-3324. doi: 10.1002/2016GL068189
[10]	CHEW C C, SMALL E E. Soil moisture sensing using spaceborne GNSS reflections: Comparison of CYGNSS reflectivity to SMAP soil moisture[J]. Geophysical Research Letters, 2018, 45(9): 4049-4057. doi: 10.1029/2018GL077905
[11]	CLARIZIA M P, PIERDICCA N, COSTANTINI F, et al. Analysis of CYGNSS data for soil moisture retrieval[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(7): 2227-2235. doi: 10.1109/JSTARS.2019.2895510
[12]	WAN W, JI R, LIU B J, et al. A two-step method to calibrate CYGNSS-derived land surface reflectivity for accurate soil moisture estimations[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 19: 2500405.
[13]	CHEW C C, SMALL E E. Description of the UCAR/CU soil moisture product[J]. Remote Sensing, 2020, 12(10): 1588. doi: 10.3390/rs12101588
[14]	杨文涛, 徐天河, 王娜子, 等. 星载GNSS-R土壤湿度反演中开放水域的影响[J]. 北京航空航天大学学报, 2023, 49(7): 1779-1786. doi: 10.13700/j.bh.1001-5965.2021.0479 YANG W T, XU T H, WANG N Z, et al. Influence of open water in retrieval of soil moisture by spaceborne GNSS-R[J]. Journal of Beijing University of Aeronautics and Astronautics, 2023, 49(7): 1779-1786(in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0479
[15]	RUF C, ASHARAF S, BALASUBRAMANIAM R, et al. In-orbit performance of the constellation of CYGNSS hurricane satellites[J]. Bulletin of the American Meteorological Society, 2019, 100(10): 2009-2023. doi: 10.1175/BAMS-D-18-0337.1
[16]	O’NEILLE P, CHAN S, NJOKU E G, et al. SMAP L3 radiometer global daily 36 km EASE-grid soil moisture, Version7[EB/OL]. [2021-12-23]. https://doi.org/10.5067/HH4SZ2PXSP6A.
[17]	韩帅, 师春香, 姜立鹏, 等. CLDAS 土壤湿度模拟结果及评估[J]. 应用气象学报, 2017, 28(3): 369-378. HAN S, SHI C X, JIANG L P, et al. The simulation and evaluation of soil moisture based on CLDAS[J]. Journal of Applied Meteorological Science, 2017, 28(3): 369-378(in Chinese).
[18]	STILLA D, ZRIBI M, PIERDICCA N, et al. Desert roughness retrieval using CYGNSS GNSS-R data[J]. Remote Sensing, 2020, 12(4): 743. doi: 10.3390/rs12040743
[19]	AL-KHALDI M M, JOHNSON J T, O’BRIEN A J, et al. Time-series retrieval of soil moisture using CYGNSS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(7): 4322-4331. doi: 10.1109/TGRS.2019.2923175
[20]	DONG Z N, JIN S G. Evaluation of the land GNSS-reflected DDM coherence on soil moisture estimation from CYGNSS data[J]. Remote Sensing, 2021, 13(4): 570. doi: 10.3390/rs13040570
[21]	BINDLISH R, BARROS A P. Parameterization of vegetation backscatter in radar-based, soil moisture estimation[J]. Remote Sensing of Environment, 2001, 76(1): 130-137. doi: 10.1016/S0034-4257(00)00200-5
[22]	CHOUDHURYB J, SCHMUGGE T J, CHANG A, et al. Effect of surface roughness on the microwave emission from soils[J]. Journal of Geophysical Research:Oceans, 1979, 84(C9): 5699-5706. doi: 10.1029/JC084iC09p05699
[23]	ZENG J Y, CHEN K S, BI H Y, et al. A preliminary evaluation of the SMAP radiometer soil moisture product over United States and Europe using ground-based measurements[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4929-4940. doi: 10.1109/TGRS.2016.2553085