多系统组合的GNSS-MR土壤湿度反演研究
发布时间：2022-12-10 10:19
土壤湿度亦称土壤含水率,是表征土壤干湿程度的物理量,是生态系统的重要影响因子。土壤湿度的监测对天气预报和气候研究有着重要价值。GNSS-MR（GNSS Multipath Reflectometry）是一种直接利用一定截止高度角范围内的多路径信噪比反射分量之幅度、频率和相位的变化,进行近地表物理参数反演的一种全新的遥感技术,已被证实可用于土壤湿度、植被指数、潮位变化、雪深、火山灰等地表环境的监测,且可克服传统土壤湿度测量手段对被监测对象的破坏、仪器类型间数据难以同化、时空分辨率受限和高成本等缺点。鉴于低高度角的卫星信噪比能较好地承载近地表反射物丰富的物理参数信息,基于GNSS-MR的土壤湿度反演一般均以5°~30°高度角区间的信噪比观测值作为数据源。但GNSS卫星运动一般具有周期性,其一天中处于低高度角状态的持续时间较短;加之土壤湿度、土壤平整度、土壤构成及不同方位多径环境的空间差异性等因素的影响,使得基于单系统、单卫星的GNSS-MR往往无法实现土壤湿度短期变化的监测。而多模GNSS组合可提供更多的方位角覆盖,继而能在顾及土壤湿度、土壤平整度、土壤构成及多径环境等的空间差异性基础上,...
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
缩写词表
第一章 绪论
1.1 选题背景及意义
1.2 国内外研究现状及发展趋势
1.3 研究内容
第二章 GNSS-MR遥感反演土壤湿度相关理论
2.1 GNSS系统简介
2.1.1 GPS系统
2.1.2 BDS系统
2.1.3 GLONASS系统
2.1.4 GALILEO系统
2.2 多路径环境误差与信噪比概述
2.2.1 多路径环境误差模型及特征
2.2.2 信噪比观测值及特征分析
2.3 GNSS-MR原理
2.4 本章小结
第三章 GNSS-MR土壤湿度反演模型构建基础
3.1 线性回归模型
3.1.1 一元线性回归模型
3.1.2 最小二乘估计
3.1.3 线性假设的方差分析(F检验法)
3.2 BP神经网络
3.3 支持向量回归机
3.4 本章小结
第四章 多卫星组合的GPS-MR土壤湿度反演
4.1 数据来源及选取
4.2 SNR观测值的选取
4.2.1 “第一菲涅尔反射区”计算
4.2.2 高度角选取
4.2.3 时间弧段选取
4.2.4 方位角选取
4.3 多卫星组合的GPS-MR土壤湿度反演
4.3.1 数据预处理
4.3.2 多卫星组合的GPS-MR土壤湿度反演
4.3.3 限制方位角范围的多卫星组合GPS-MR土壤湿度模型构建与预测
4.4 本章小结
第五章 基于Multi-GNSS的土壤湿度反演
5.1 数据来源
5.2 SNR观测值的选取
5.2.1 “第一菲涅尔反射区”计算
5.2.2 高度角选取
5.2.3 时间弧段选取
5.2.4 方位角选取
5.3 SNR特征属性的提取
5.4 基于Multi-GNSS的土壤湿度反演
5.4.1 数据处理
5.4.2 回归分析建模
5.4.3 多种模型构建预测分析
5.4.4 试验结果分析
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
附录A
1.1 在读期间发表的论文
1.2 参与的科研项目
【参考文献】：
期刊论文
[1]基于GA-SVM的GNSS-IR土壤湿度反演方法[J]. 孙波,梁勇,汉牟田,杨磊,荆丽丽,俞永庆. 北京航空航天大学学报. 2019(03)
[2]地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析[J]. 梁勇,杨磊,吴秋兰,洪学宝,汉牟田,杨东凯. 武汉大学学报(信息科学版). 2018(10)
[3]BP神经网络辅助的GNSS反射信号土壤湿度反演[J]. 丰秋林,郑南山,刘晨,周晓敏. 测绘科学. 2018(08)
[4]基于GLONASS-MR技术的雪深探测研究[J]. 周威,黄良珂,刘立龙,陈军,李松青. 地球物理学进展. 2019(05)
[5]机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 丰秋林,郑南山. 测绘通报. 2018(07)
[6]GNSS信噪比在火山灰监测中的应用[J]. 张勤耘,金双根. 导航定位学报. 2018(01)
[7]SVRM方法的单天线GNSS-R土壤湿度反演[J]. 段睿,张波,汉牟田,杨东凯. 导航定位学报. 2018(01)
[8]基于GPS和北斗信噪比观测值的雪深反演及其误差分析[J]. 王泽民,刘智康,安家春,林国标. 测绘学报. 2018(01)
[9]灰色关联分析与BP神经网络的概率积分法参数预测[J]. 赵忠明,施天威,董伟,刘永良. 测绘科学. 2017(07)
[10]空中目标探测系统信号处理增益分析[J]. 裘雪敬,沈海鸿,朱云龙,高超群,杨东凯. 测绘科学. 2017(10)
硕士论文
[1]GNSS-MR用于雪深监测研究[D]. 戴凯阳.长安大学 2017
[2]GNSS-R接收机及有效波高反演方法研究[D]. 金玲.北京化工大学 2016
[3]GNSS-R应用于测量表层土壤湿度及软件设计[D]. 刘成.中国地质大学(北京) 2015
本文编号：3716576
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
缩写词表
第一章 绪论
1.1 选题背景及意义
1.2 国内外研究现状及发展趋势
1.3 研究内容
第二章 GNSS-MR遥感反演土壤湿度相关理论
2.1 GNSS系统简介
2.1.1 GPS系统
2.1.2 BDS系统
2.1.3 GLONASS系统
2.1.4 GALILEO系统
2.2 多路径环境误差与信噪比概述
2.2.1 多路径环境误差模型及特征
2.2.2 信噪比观测值及特征分析
2.3 GNSS-MR原理
2.4 本章小结
第三章 GNSS-MR土壤湿度反演模型构建基础
3.1 线性回归模型
3.1.1 一元线性回归模型
3.1.2 最小二乘估计
3.1.3 线性假设的方差分析(F检验法)
3.2 BP神经网络
3.3 支持向量回归机
3.4 本章小结
第四章 多卫星组合的GPS-MR土壤湿度反演
4.1 数据来源及选取
4.2 SNR观测值的选取
4.2.1 “第一菲涅尔反射区”计算
4.2.2 高度角选取
4.2.3 时间弧段选取
4.2.4 方位角选取
4.3 多卫星组合的GPS-MR土壤湿度反演
4.3.1 数据预处理
4.3.2 多卫星组合的GPS-MR土壤湿度反演
4.3.3 限制方位角范围的多卫星组合GPS-MR土壤湿度模型构建与预测
4.4 本章小结
第五章 基于Multi-GNSS的土壤湿度反演
5.1 数据来源
5.2 SNR观测值的选取
5.2.1 “第一菲涅尔反射区”计算
5.2.2 高度角选取
5.2.3 时间弧段选取
5.2.4 方位角选取
5.3 SNR特征属性的提取
5.4 基于Multi-GNSS的土壤湿度反演
5.4.1 数据处理
5.4.2 回归分析建模
5.4.3 多种模型构建预测分析
5.4.4 试验结果分析
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
附录A
1.1 在读期间发表的论文
1.2 参与的科研项目
【参考文献】：
期刊论文
[1]基于GA-SVM的GNSS-IR土壤湿度反演方法[J]. 孙波,梁勇,汉牟田,杨磊,荆丽丽,俞永庆. 北京航空航天大学学报. 2019(03)
[2]地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析[J]. 梁勇,杨磊,吴秋兰,洪学宝,汉牟田,杨东凯. 武汉大学学报(信息科学版). 2018(10)
[3]BP神经网络辅助的GNSS反射信号土壤湿度反演[J]. 丰秋林,郑南山,刘晨,周晓敏. 测绘科学. 2018(08)
[4]基于GLONASS-MR技术的雪深探测研究[J]. 周威,黄良珂,刘立龙,陈军,李松青. 地球物理学进展. 2019(05)
[5]机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 丰秋林,郑南山. 测绘通报. 2018(07)
[6]GNSS信噪比在火山灰监测中的应用[J]. 张勤耘,金双根. 导航定位学报. 2018(01)
[7]SVRM方法的单天线GNSS-R土壤湿度反演[J]. 段睿,张波,汉牟田,杨东凯. 导航定位学报. 2018(01)
[8]基于GPS和北斗信噪比观测值的雪深反演及其误差分析[J]. 王泽民,刘智康,安家春,林国标. 测绘学报. 2018(01)
[9]灰色关联分析与BP神经网络的概率积分法参数预测[J]. 赵忠明,施天威,董伟,刘永良. 测绘科学. 2017(07)
[10]空中目标探测系统信号处理增益分析[J]. 裘雪敬,沈海鸿,朱云龙,高超群,杨东凯. 测绘科学. 2017(10)
硕士论文
[1]GNSS-MR用于雪深监测研究[D]. 戴凯阳.长安大学 2017
[2]GNSS-R接收机及有效波高反演方法研究[D]. 金玲.北京化工大学 2016
[3]GNSS-R应用于测量表层土壤湿度及软件设计[D]. 刘成.中国地质大学(北京) 2015
本文编号：3716576
本文链接：https://www.wllwen.com/kejilunwen/nykj/3716576.html
