1.一种联合星载GNSS‑R数据与集成机器学习算法反演植被光学厚度的方法,其特征在于,包括以下步骤:步骤S1,分别获取CYGNSS卫星星载GNSS‑R数据、地表辅助参数SMAP数据和MODIS数据;
其中,
星载GNSS‑R数据包含质量标识、功率DDM、GNSS‑R接收机到镜面反射点距离、GNSS发射机到镜面反射点距离、GNSS‑R接收机的接收天线增益、镜面反射点纬度、镜面反射点经度、镜面反射点入射角、GPS发射器的等效各向同性辐射功率、DDM信噪比、双基地雷达散射截面、有效散射面积;
地表辅助参数SMAP数据包括升降轨的土壤湿度、地表温度、植被含水量、粗糙度系数、植被光学厚度、质量标识;
MODIS数据包括9种植被土地覆盖类型、7种非植被土地覆盖类型,9种植被土地覆盖类型包括:常绿针叶林、常绿阔叶林、落叶针叶林、混交林、郁闭灌丛、多树草原、草原、稀疏灌丛、稀疏草原;7种非植被土地覆盖类型包括水体、永久湿地、耕地、城市和建筑、农田/植被混交地、永久冰雪、荒地;
步骤S2,对所获取的所有数据进行预处理和质量控制;
步骤S3,对数据进行时空匹配和数据划分,具体包括以下步骤:
步骤S3.1,以36 km的CYGNSS网络中心经纬度为标准向外延伸为10 km×10km网格,采用最邻近的方法分别对土壤湿度、地表温度、粗糙度系数、植被光学厚度和植被含水量数据进行插值,选择保留在网格内的镜面反射点,最终得到空间匹配的CYGNSS卫星星载GNSS‑R数据、SMAP数据;
步骤S3.2,以36 km的CYGNSS网络中心经纬度为标准向外延伸为6 km×6 km网格,采用最邻近方法保留网格内的MODIS土地覆盖类型,选择其中最近的作为最优值;
步骤S3.3,将空间匹配后的数据随机选择划分为训练集、验证集和测试集,分别占过滤后数据的60 %、10 %和30 %;
步骤S4,利用MODIS土地覆盖类型数据提取植被上的CYGNSS反射点数据,保留植被土地覆盖类型上的反射点数据,剔除非植被土地覆盖类型上的反射点数据;
步骤S5,利用MODIS陆地开放水域数据对陆地开放水域上的CYGNSS反射点数据进行剔除;
步骤S6,计算CYGNSS地表反射率;
步骤S7,利用CYGNSS卫星观测的反射信号图像、观测变量以及地表辅助变量参数构建星载GNSS‑R植被光学厚度反演模型;
步骤S8,将测试数据集输入到训练后的ET模型中,得到反演植被光学厚度值的结果,并将该结果与将测试数据集输入到决策树模型、梯度提升树模型、自适应增强模型、支持向量机模型得到的结果进行对比评估,采用均方根误差、Pearson相关系数、平均绝对误差和平均绝对百分比误差作为评估模型反演性能的指标;其中,ET模型的训练过程具体实现如下:步骤S8.1,将划分好的训练集作为ET模型输入量;
步骤S8.2,输入图像、地表反射率、GNSS‑R观测值参数以及地表辅助变量参数;
步骤S8.3,进行ET模型的最超参数设置,包括:n_estimators=10,max_features=None,max_dept=None,min_samples_split=2,bootstrap=False,oob_score=True;
步骤S8.4,将SMAP VOD输入ET模型中进行训练。
2.根据权利要求1所述的一种联合星载GNSS‑R数据与集成机器学习算法反演植被光学厚度的方法,其特征在于,步骤S2所述的对所获取的所有数据进行预处理和质量控制包括:S2.1,删除所有包含NaN值的观测值;
S2.2,所有小于0的观测值都需要丢弃;
S2.3,RCG值大于3;
S2.4,如果反射点方向上接收天线的增益小于0dBi,则需要丢弃;
S2.5,如果BRCS的不确定性大于1,也需要丢弃;
S2.6,入射角的采样点需要大于65°;
S2.7,丢弃信噪比小于或等于0dB的采样点;为了确保地形引起的镜面反射点的误差在一个合理的范围内,将DDM峰值功率所在的延迟行在[7,10]以外的采样点剔除;此外根据数据里提供的质量标识剔除精度不高的采样点。
3.根据权利要求1所述的一种联合星载GNSS‑R数据与集成机器学习算法反演植被光学厚度的方法,其特征在于,步骤S6所述的地表反射率的计算如下:式中为DDM的峰值功率; 为DDM噪底; 为发射机的等效全向辐射功率; 为GNSS卫星右旋圆极化导航信号的发射功率; 为发射天线增益; 为接收机天线增益;
为发射信号的载波波长; 和 分别为发射机到地表发射点的距离及接收机到地表发射点的距离。
4.根据权利要求1所述的一种联合星载GNSS‑R数据与集成机器学习算法反演植被光学厚度的方法,其特征在于,步骤S7所述的CYGNSS卫星观测的反射信号图像包括有BRCS和有效散射面积;观测变量包括GNSS‑R观测值参数和地表发射率以及地表辅助变量参数。