1.一种融合星载GNSS-R和多源RS数据协同反演地表土壤水分和植被含水量的方法,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数据以及SMAP、GPM、SMOS、AMSRU和scPDSI数据;
步骤S2,将数据及其产品统一到SMAP 9km×9km格网上并根据预设配置进行数据筛选及质量控制;
步骤S3,使用CYGNSS卫星星载GNSS-R数据计算地表发射率,计算如下:式中,P
步骤S4,训练集、验证集和测试集数据划分;
步骤S5,利用CYGNSS卫星观测的反射信号图像、观测变量、地表辅助变量参数构建星载GNSS-R地表土壤水分反演模型,并将测试数据集输入到训练后的梯度提升决策树GBDT模型中以估算地表土壤水分,最后采用SMOS土壤水分和AMSRU土壤水分数据进行验证,具体的步骤如下:步骤S5.1,将划分好的训练集作为GBDT模型输入量;
步骤S5.2,输入BRCS图像、有效散射面积(Effective Scattering Area)、地表反射率、GNSS-R观测值参数、地表辅助变量参数,其中,地表辅助变量参数包括SMAP地表温度、GPM降雨量、scPDSI干旱指数;
步骤S5.3,将SMAP土壤湿度值作为目标值输入GBDT模型中进行训练;GBDT模型是一种基于boosting集成思想的加法模型,训练时采用前向分布算法进行贪婪的学习,每次迭代都学习一棵CART树来拟合之前t-1棵树的预测结果与训练样本真实值的残差,GBDT算法原理如下:
1)初始化弱学习器:
2)当m=1,2,3...,M,对于每个样本i=1,2,.......n,残差定义如下:公式(3)的得到的结果是新样本的真实值,并将(x
更新强学习器:
3)得到最终学习器GBDT:
步骤S5.4,当训练完成后,将测试数据集输入到训练后的GBDT模型中,得到反演土壤水分值,并将结果与SMOS土壤水分和AMSRU土壤水分数据进行对比;
步骤S6,利用CYGNSS卫星观测的反射信号图像、观测变量、地表辅助变量参数构建星载GNSS-R植被含水量反演模型,并将测试数据集输入到训练后的极端梯度提升XGBoost模型中以估算植被含水量,最后采用SMAP数据作为参考值验证模型反演性能,具体步骤如下:步骤S6.1,将划分好的训练集作为XGBoost模型输入量;
步骤S6.2,输入BRCS图像、有效散射面积(Effective Scattering Area)、地表反射率、GNSS-R观测值参数、地表辅助变量参数,地表辅助变量参数包括SMAP地表温度、GPM降雨量、scPDSI干旱指数;
步骤S6.3,将SMAP植被含水量作为目标值输入XGBoost模型中进行训练;XGBoost算法原理如下:XGBoost的目标函数由损失函数和正则化项两部分组成,如下的公式所示:式中
正则化学习目标可以如下的泰勒公式展开来近似处理:
式中
式中,
并且目标函数Obj
步骤S6.4,当训练完成后,将测试数据集输入到训练后的XGBoost模型中,得到反演植被含水量值,并将结果与SMAP植被含水量进行对比验证。
2.根据权利要求1所述的一种融合星载GNSS-R和多源RS数据协同反演地表土壤水分和植被含水量的方法,其特征在于,采用的CYGNSS卫星星载GNSS-R数据包含以下几个变量参数:
1)与发射信号图像相关:双基地雷达散射截面BRCS、有效散射面积、功率DDM;
2)与DDM特征值相关:DDM信噪比、归一化双基地雷达截面;
3)与接收机相关:GNSS-R接收机的接收天线增益、GPS发射器的等效各向同性辐射功率;
4)与几何相关: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、镜面反射点纬度、镜面反射点经度、镜面反射点入射角;距离校正增益;
5)与星载GNSS-R数据质量相关:采用了质量标识;
以及,采用的地表辅助参数包括:1)SMAP升降轨的土壤湿度、地表温度、植被含水量、粗糙度系数、植被光学厚度以及质量标识;2)GPM降雨数据;3)SMOS地表温度和土壤湿度;4)AMSRU土壤水分数据;5)scPDSI干旱指数。
3.根据权利要求1所述的一种融合星载GNSS-R和多源RS数据协同反演地表土壤水分和植被含水量的方法,其特征在于:步骤S2所述的将数据及其产品统一到SMAP 9km×9km格网上并根据预设配置进行数据筛选及质量控制,具体步骤为:将数据和产品统一到SMAP 9km×9格网上时,首先将GPM降雨产品、SMOS地表温度产品和土壤湿度产品、AMSRU土壤水分产品、scPDSI干旱指数数据在时空维度上与SMAP 9km×9km格网分辨率相统一,然后将CYGNSS数据重新处理并投射到SMAP数据采用的EASE-Grid网格中,生成与目标区域包含格网点数量相同的数据组,其中GNSS-R数据及其其他数据及其产品均采用双线性插值算法进行重采样;再对不同的数据组进行质量控制筛除质量不合格的数据组,具体的筛除项配置有:
1)GYGNSS卫星星载CYGNSS-R数据根据其元数据里提供的变量质量标志quality_flags对数据组进行质量控制筛除精度不高的采样点;2)SMAP数据产品采用其数据集当中的质量标识retrieval_qual_flag数据进行质量控制,以确保土壤湿度、地表温度、植被含水量、粗糙度系数达到推荐质量,剔除土壤湿度、地表温度、植被含水量、粗糙度系数小于0.02和-9999的值,保留retrieval_qual_flag等于0(二进制为“0000”)或等于8(二进制为“1000”)的高质量反演值;3)SMOS数据产品使用其数据集当中的质量标识Quality_Flag进行质量控制,保留Quality_Flag=0的反演推荐质量数据;4)所有数据产品剔除含有NAN值的数据。
4.根据权利要求1所述的一种融合星载GNSS-R和多源RS数据协同反演地表土壤水分和植被含水量的方法,其特征在于:步骤S4所述的数据划分,将时间和空间匹配后的数据集按照观测时间顺序选择划分为训练集、验证集和测试集,分别占过滤后总数据集的60%、15%和25%。