本文内容源自于《测绘学报》2023年第8期（审图号GS京(2023)1524号）
粒子群优化卷积神经网络GNSS-IR土壤湿度反演办法
何佳星1
, 郑南山1,2
, 丁锐1,2, 张克非1,2, 陈天悦1
1. 中国矿业大学环境与测绘学院, 江苏 徐州 221116;
2. 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏 徐州 221116
基金项目：国家自然科学基金(41974039);国家自然科学基金联合重点(U22A20569);自然资源部国土环境与灾害监测重点实验室开放基金(LEDM2021B11);国家重点开发计划课题(2019YFC1805003);江苏省科研生研究与实践创新计划(KYCX22＿2594);中国矿业大学科研生创新计划(2022WLJCRCZL253)
摘要：全世界卫星导航系统干涉测绘法(GNSS-interferometric reflectometry, GNSS-IR)是一种新兴对地观测遥感技术, 利用该办法能实现土壤湿度监测, 拥有很高的应用潜能。针对土壤湿度反演的建模问题, 本文构建一种集成粒子群优化算法(particle swarm optimization, PSO)和卷积神经网络(convolutional neural network, CNN)的GNSS-IR土壤湿度反演模型, 将多颗GPS卫星两个频点信噪比(signal-to-noise ratio, SNR)观测数据提取的特征参数做为模型输入, 经过粒子群算法求解卷积神经网络超参数, 对模型进行优化实现高精度反演。以P041站点为例仔细描述了模型创立过程, 本文办法的均方根误差为0.015 0, 相较于基于单星线性、多星线性、未优化CNN和BP神经网络模型分别降低约60%、27%、31%和21%;并经过位置于区别地理环境的COPR、P183、P341站点验证模型的靠谱性和适用性。实验结果显示, 融合多源观测数据创立PSO优化CNN的GNSS-IR土壤湿度反演模型, 能有效反演土壤湿度, 必定程度上控制了区别下垫面环境的影响, 拥有较强的适用性。
关键词：土壤湿度 GNSS-IR SNR 卷积神经网络 粒子群
何佳星, 郑南山, 丁锐, 等. 粒子群优化卷积神经网络GNSS-IR土壤湿度反演办法[J]. 测绘学报，2023，52(8)：1286-1297. DOI:
10.11947/j.AGCS.2023.20220277
HE Jiaxing, ZHENG Nanshan, DING Rui, et al. A GNSS-IR soil moisture inversion method based on the convolutional neural network optimized by particle swarm optimization[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(8): 1286-1297. DOI: 10.11947/j.AGCS.2023.20220277
阅读全文：http://xb.chinasmp.com/article/2023/1001-1595/20230806.htm
引 言土壤湿度是气候系统中重要的生态水文变量，对科研农业生产、气候变化和全世界水循环等有着非常重要的科学道理[1]。恒温叫作重法、时域反射仪和电阻法等传统土壤湿度测绘办法，测绘精度较高，但测绘范围极小，不满足环境监测、预防灾害的需要；可见光和热红外遥感办法能长时间监测土壤水分，但易受到天气、上层植被等原因影响；被动微波遥感办法对土壤介电常数敏锐，但难以实现小范围区域的高精度监测；SAR反演土壤湿度办法有较高时空分辨率，但后向散射系数与土壤水分之间的关系还有待科研[2-3]。新兴的GNSS-R(GNSS-Reflectometry)技术最早于20世纪90年代提出[4-5]，利用GNSS系统供给的全世界覆盖、高时空分辨率卫星信号，经过分析处理反射/散射信号极化特性、频率、相位、振幅等信息能有效反映地表理学参数变化，是当前土壤湿度监测办法的重要弥补。日前该技术导致大地测绘学界关注，并被广泛用于对地观测遥感[6-10]，在水位观测、雪深探测、土壤湿度监测等方面取得一系列成果，其中刘经南院士指出GNSS-R科研的关键是加强反演制品的精度[11]。关于GNSS-R遥感，2002年美国航空航天局首次开展了机载GPS单极化天线接收反射信号遥感土壤和植被参数实验(soil moisture experiment 2002, SMEX02)，2008年文献[12]首次提出利用GNSS-IR技术反演土壤湿度，并显示多径振幅与土壤湿度之间存在必定的关联性。在传统的单星线性和单星指数反演模型中，广泛假定实验场地为理想状态，但反射信号与目的周边环境密切关联，目的反射、散射特征会随环境原因改变，引起特征参数难以准确获取，作为GNSS-IR土壤湿度反演科研的热点问题[13-14]。文献[15]思虑反射面有效高度随时间变化，将低高度角(2°~30°)与高高度角(30°~70°)结合，经过归一化和反转得到新的信噪比时间序列，从而加强反演精度。文献[16]利用南非萨瑟兰站2008—2014年数据，创立土壤湿度的长时序动态监测，并指出L2C波段反演精度略高于L1和L2P波段反演精度，信号采样率由30 s提高到1 s对土壤湿度探测的准确度影响很小。文献[17]提出一种半经验信噪比模型，在无先验知识状况下，直接从信噪比序列中重构直反射信号，能有效控制噪声从而加强反演精度。文献[18]采用熵值法将L1和L2两个波段数据融合，与实测土壤湿度创立经验模型，大幅加强了反演精度。在多星融合土壤湿度反演科研方面，文献[19]提出一种监测土壤湿度的多星线性回归模型，处理单颗卫星极易显现跳变的问题，加强突发性降雨时段的土壤湿度反演精度。文献[20]提出基于多星融合的LS-SVM土壤湿度探测办法，认为土壤湿度反演是个非线性过程，发挥设备学习的优良，有效整合各卫星信息，有利于土壤湿度精确探测。在探究植被和地表对土壤湿度反演影响的科研中，文献[21]利用植被状态变化与信噪比指标变化之间的关系，创立了顾及植被影响的土壤湿度反演模型，有效控制植被对土壤湿度探测的影响。文献[22] 创立了粗糙度修正的土壤湿度反演模型，并指出当粗糙度均方根在0.010~0.025 m时，修正模型反演精度较高。在设备学习辅助反演的科研中，文献[23]利用BP神经网络创立归一化振幅与NDVI之间的关系，有效改进线性回归模型不足，提高反演精度。文献[24]构建一个包括5个隐含层每层200个神经元的神经网络模型，在沿海地区取得了良好的风速反演性能。文献[25]一样利用人工神经网络模型反演土壤湿度，将卫星观测值和地表辅助参数做为输入，生成高分辨率的土壤湿度预测网。针对单天线GNSS接收机而言，接收的反射信号总会受大气、地表等环境原因影响，怎样控制和削弱干扰原因影响是土壤湿度反演的关键。然而多种地表环境原因互相耦合，难以定量描述每一个原因对GNSS-R技术反演精度的影响。使得怎样利用丰富的多频多星观测信息，并思虑非线性原因的功效，作为目前土壤湿度反演的难点。因此呢，本文经过实验分析选择土壤湿度反演的靠谱特征参数，发挥深度学习驱动模型的优良，创立多径干涉特征参数和土壤湿度间的隐式特征关系模型，以减轻下垫面特征变化等原因的影响，并采用粒子群优化算法加强深度学习模型的泛化能力，提高GNSS-IR土壤湿度反演模型的精度和适应性。选取美国板块边界观测计划(plate boundary observatory, PBO)供给的GPS卫星L1、L2波段观测数据，将相邻气象站供给的实测土壤湿度数据做为参考，在缺乏先验信息(地表粗糙度、植被覆盖、植被含水量等)要求下，利用PSO寻找最优解速度快、CNN自主学习能力强的优点，以隐含式办法构建多径干涉特征参数与土壤湿度间的繁杂映射关系。经过一个站点展开仔细建模，3个站点模型验证，并与多种模型对比分析来评估本文办法的反演精度和适应性。
1 GNSS陆面参数反演基本
1.1 数据源自
PBO计划是美国科学项目地球透镜计划的构成部分，重点用于科研北美大陆西部板块边缘等地区地壳形变，共设置了1000多台大地测绘型高精度GNSS接收机。本文选择PBO供给的P041实验场地(39.949 5°N，105.194 3°W)、COPR实验场地(34.414 9°N，119.879 5°W)、P183实验场地(38.313 7°N，123.068 9°W)和P341实验场地(40.650 7°N，122.606 9°W)为科研对象，思虑实验科研所需各类数据的完备性，选取观测时段均为2013年DOY1—DOY365。P041站点周边地势开阔平坦，植被类型为天然杂草，植被影响较小，且无大型遮挡物，如图 1所示，有利于实现GNSS-IR土壤湿度反演[26]，其余3个站点周边环境较繁杂，如COPR和P341站点周边存在植被影响，P183站点周边存在地形影响。4个站点架设的Trimble接收机由钢制三脚架固定支撑，并为用户供给15 s采样间隔的GPS观测数据(https://www.unavco.org)。站点旁均有气象站供给0.05 m深度的实地土壤湿度数据。以P041站点仔细介绍本文办法的参数选择，建模过程和实验结果，其余3个站点用于验证本文办法。
图 1 4个站点的周边环境Fig. 1 Surrounding environment of 4 sites
图选项
1.2 GNSS-IR遥感反演陆面参数原理
因为多路径效应的产生，接收机天线会同期接收直射信号和反射信号并在两者间产生必定的相位差，几何关系如图 2(a)所示，经叠加干涉后形成图 2(b)所示的复合信号。图中θ暗示卫星高度角；h暗示仪器高度；SNR暗示复合信号Ac的信噪比值；Ad和Ar分别暗示直射信号和反射信号；ψ暗示直反信号的相位差。
图 2 地基GNSS-IR原理Fig. 2Schematic diagram of ground-based GNSS-IR
图选项
如图 3(a)所示，在低卫星高度角下，卫星信号受多路径影响明显，SNR震荡幅度大，且呈周期性变化。采用低阶多项式拟合直射信号，从SNR序列中分离并提取出反射信号，如图 3(b)所示，文献[27]指出剔除直射信号后的反射分量与卫星高度角正弦间存在必定周期的正弦或余弦函数关系，表达式为
(1)
图 3 信噪比预处理分析Fig. 3 SNR preprocessing analysis
图选项
式中，DSNR暗示信噪比残差序列；A暗示反射信号振幅；H暗示天线相位中心距反射面的垂直距离，采用Lomb-Scargle频谱分析得到；λ暗示载波波长；φ暗示相位偏移。按式(1)给出的余弦函数关系，对图 3(b)中的信噪比残差曲线进行非线性最小二乘拟合，可求出反射分量的特征参数A和φ。经过创立振幅、相位、反射面高度与土壤湿度之间的关系，实现土壤湿度的反演。
2 PSO优化CNN土壤湿度反演算法
2.1 PSO-CNN集成算法
卷积神经网络重点由输入层、卷积层、下采样层(池化层)、全连接层和输出层形成，其基本结构如图 4所示。实质上，CNN是一种前馈式神经网络，采用前向传播和反向传播算法进行训练和网络优化，最后求得输出值。前向传播是自下而上的过程，输入层的数据经卷积层的卷积和池化层处理，将提出的特征向量传入全连接层，当输出结果与期望相符时，输出结果。网络输出的结果与期望值不符时，进行反向传播，按照损失计算梯度，更新每一层权值，是自上而下的过程[28]。
图 4 PSO优化CNN网络结构过程Fig. 4 Improved convolutional neural network structure with particle swarm optimization
图选项
CNN网络训练前需设置关联参数，即超参数设置，重点包含卷积核的数量和体积、激活函数类型、学习率和梯度下降算法等。超参数的设定直接决定了神经网络算法的准确性和收敛速度，因此呢需要一种算法寻找CNN的最优超参数。粒子群优化算法是文献[29]受人工生命科研结构的启发，经过模拟鸟觅食过程提出一种迭代的群优化算法。其优点在于简单易行、收敛速度快、参数设置少，粒子群优化算法求解CNN最佳网络结构过程如图 4所示。
粒子群优化卷积神经网络算法基本过程如下。
(1) 设定最大迭代次数、种群规模及其他基本参数。
(2) 初始化或更新粒子位置和速度。
(3) 将粒子做为CNN的结构，随机初始化CNN权重，进行网络训练。
(4) 以模型预测值和参考值的RMSE作为适应度，计算公式(2)中适应度Fitness，并确定局部最优和历史最优
(2)
式中，yi为模型预测值；
为参考值。
(5) 小于设定最小RMSE或达到最大迭代次数时结束；否则返回过程(2)。
2.2 土壤湿度优化模型构建办法
按1.2节中办法，从去除趋势项的信噪比残差曲线中提取得到特征参数，文献[27, 30]指出特征参数与土壤湿度呈现必定的关联性，但因为站点实质状况区别，引起特征参数与土壤湿度之间关联性存在差别，应按照测区地表环境、卫星信号质量等信息，选择恰当的多源数据集做为网络的输入值。因此呢，在两者存在线性关系的基本上，把特征参数做为CNN预测模型的输入在理论上是可行的。输入的数据集为
(3)
式中，X暗示输入CNN的全部数据集；Xn暗示单个特征参数数据集；n暗示有效特征参数数量，为正整数。其中Xn暗示为
(4)
式中，m暗示各颗卫星年积日长度，为正整数。为了消除指标的量纲影响，使数据梯度变化显著，加快梯度下降求最优解的速度，对特征参数值和土壤湿度参考值进行归一化处理
(5)
式中，y暗示归一化后的值；x暗示归一化前的值；max暗示向量最大值；min暗示向量最小值。
CNN两个卷积层中卷积核体积设为1×1，激活函数类型均为relu，梯度下降办法选取sgdm，其余CNN超参数及其初始值范围见表 1所示，超参数最优解由粒子群算法求解得到，每颗粒子在迭代过程中，经过跟踪两个极值来更新自己，在找到这两个最优值时，粒子按照式(6)更新自己的速度和位置
(6)
表 1 CNN超参数初始值范围设置Tab. 1 CNN hyperparameter initial value range setting
式中，vidk暗示第k次迭代中粒子i速度的第d维分量；xidk暗示第k次迭代中粒子i位置的第d维分量；pbestidk暗示粒子i局部最优值的第d维分量；gbestdk暗示全局最优值的第d维分量；ω暗示惯性权重；c1和c2暗示学习因子；r1和r2是0~1的随机数。假设优化目的为了找到最小值，则pbestidk和gbestdk的更新方式为
(7)
(8)
式中，f(·)是目的函数；N为粒子群中粒子的总数。为避免数据偶然性，更好验证模型精度，本文采用K折交叉验证开展实验，将原始数据集分成K份，每次从K份中取出区别的一部分做为测试集，其余K-1份做为训练集，保证每份数据均被用作测试集，最后把K次实验结果取平均，做为实验最后结果。图 5为K折交叉验证的基本过程。
图 5 K折交叉验证Fig. 5K-fold cross-validation
图选项
综上可得，粒子群优化卷积神经网络的土壤湿度反演算法可分为3个重点过程，基本过程如图 6所示。
图 6 PSO优化CNN土壤湿度反演算法Fig. 6 PSO-CNN soil moisture inversion algorithm
图选项
(1) 多径干涉特征参数提取。从原始SNR数据中分离出反射SNR分量，截取低高度角数据，利用LSP频谱分析求得特征参数h，采用非线性最小二乘办法得到特征参数A、φ。
(2) 参数归一化和模型初始化。设置PSO算法基本参数和CNN超参数初始值范围，以归一化后的多颗卫星数据集做为CNN的输入。
(3) 模型网络训练和结果输出。以模型预测值和土壤湿度参考值的均方根误差为目的函数，当误差少于阈值或达到最大迭代次数后网络训练结束，输出最后结果。
3 优化算法反演模型构建与分析
3.1 站点数据预处理分析
GNSS-IR技术利用低高度角卫星数据实现地表参数的反演，文献[31]给出了5°~30°的举荐高度角范围，但其与实质地表状况和卫星数据质量相关，由图 3(b)可知, P041站点高度角5°~20°内信噪比残差曲线震荡拥有周期性且更加稳定，部分卫星5°~30°、5°~25°的信噪比数据包括了更加多噪声，对其进行LSP频谱分析时易产生双峰问题，分析结果如图 7所示，因此呢设置5°~20°为P041站点的截止高度角。
图 7 PRN 11区别高度角范围信噪比序列的LSPFig. 7 LSP about SNR observations of PRN 11 for different elevation angles
图选项
3.2 建模参数选择分析
经过分析各特征参数对目的区域土壤湿度敏锐性以选择适合的建模参数。图 8为该站点降雨事件前后反射信号余弦曲线，表 2是降雨前后特征参数的变化状况，降雨后信噪比残差序列的余弦拟合曲线显著向右偏移，相位值随之减小，证明了相位值能响应土壤湿度的变化。而振幅和反射面高度在降雨前后无呈现显著规律，绝大都数的线性关联系数少于0.3，显示这次实验中两者对土壤湿度变化不敏锐。
图 8 降雨事件前后反射信号余弦函数曲线变化(以PRN01、PRN19、PRN27为例)Fig. 8 Cosine function curve changes for PRN01, PRN19 and PRN27 before and after rainfall
图选项
表 2 降雨前后特征值变化状况(以PRN01、PRN19、PRN27为例)Tab. 2Changes of SNR metrics for PRN01, PRN19 and PRN27 before and after rainfall
另外，为避免单星反射区域有限、有效时段较短、反常跳变等问题，本文将多颗卫星区别时段的L1、L2波段相位值做为反演模型的输入。经实验筛选后选择了36组相位值(来自PRN01、07、09、11、15、19、20、23、24和31共10颗卫星区别时段的L1、L2数据)。其中卫星选择遵循以下原则[32-33]。
(1) LSP频谱分析质量。因为系统噪声、地表粗糙等原由，频谱分析时会产生多峰问题，选取多峰未显现或显现极少的卫星。
(2) 卫星反射区域方位。因为每颗卫星轨道设计区别，卫星反射信号经过的区域会有差异，所选卫星的反射区域不宜太集中，应较为均匀地分布在站点四周。
(3) 卫星相位反演效果。卫星反演精度受信号质量、地表环境等原因影响，选取相位与土壤湿度关联系数大于0.5的卫星。
图 9(a)展示了10颗卫星第1菲涅尔反射区从5°至20°的整体变化状况。高度角为5°时，第1菲涅尔反射区均为长轴约50 m、短轴约4 m的椭圆，单颗卫星有效面积约为150 m2；高度角为20°时，椭圆长轴约为6 m、短轴约为2 m，单颗卫星有效反射面积约为9 m2。随着卫星高度角的增大，第1菲涅尔反射区域变得更小，更靠近天线。10颗卫星相位值与土壤湿度参考值回归分析结果如图 9(b)所示, 关联系数集中在0.6~0.8之间，关联系数最高为0.842 2，最低为0.557 4，平均为0.721 7。
图 9 P041站点10颗GPS卫星概况Fig. 9 Overview of 10 GPS satellites at P041 site
图选项
3.3 模型精度评定
为进一步克服地表环境差异性的影响、加强土壤湿度反演效果，利用PSO-CNN优化算法构建土壤湿度反演模型，以以上卫星多径干涉相位值做为CNN输入值，CNN超参数初始值范围见表 1所示。参照文献[34—35]将PSO的最大迭代次数设置为40，种群规模为20，粒子维度为5，学习因子c1=c2=1.494 55，惯性权重ω=0.729，以模型预测值和土壤湿度参考值的均方根误差做为粒子群算法的适应度。经过局部最优和历史最优两个特殊值更新粒子位置，并持续向最优解位置挨近，最后解算得到最佳网络结构。
将相位数据集划分成5份，进行5折交叉验证，每份数据都需做为一次网络训练的测试集，经过粒子群算法优化后的卷积神经网络取得最佳网络结构，表 3给出每次训练后网络得到的详细超参数。5次网络训练结果的回归分析如图 10所示，PSO-CNN模型的预测值与土壤湿度有良好的关联性，关联系数最高为0.966 7，最低为0.700 6，均方根误差少于0.022 8，能有效反映土壤湿度的变化状况。
表 3 PSO优化网络后的CNN超参数值Tab. 3 CNN hyperparameters after PSO optimized network
图 10 5折交叉验证结果的回归分析Fig. 10 Regression analysis of the 5-fold cross-validation
图选项
为了对比分析PSO-CNN优化模型的性能效果，本文加入单星线性回归模型、多星线性回归模型、未优化的CNN模型和BP神经网络模型进行对比分析，其中未优化CNN模型的超参数采用常规方法，见表 3最后一列。4种模型运用与PSO-CNN模型相同组的数据进行5折交叉验证，其中多星线性回归模型、未优化CNN模型和BP神经网络模型输入与PSO-CNN模型一致。对比图 11中单颗卫星的反演结果(便于图表说明和对比分析，随机选取PRN 01、PRN 15和PRN 23共3颗卫星)，结合图 12给出的结果分析可知，单星反演的效果有差异，其原由可能有两点：一是土壤湿度值取每日的平均值，每颗卫星经过站点上空的时间有差异，湿度参考值不可做到完全统一；二是卫星信号来自区别的方位角，引起反射信号经过的地表区域不完全一致。因为区别卫星在时空上的差异性，仅采用单星反演不可精确监测土壤湿度。本文融合来自两个频点、各个方位、区别时间段的卫星反射信号，以多星的相位集做为CNN输入，并利用CNN处理相位与土壤湿度之间存在的非线性问题，实现土壤湿度高精度反演。
图 11 5种反演模型精度分析Fig. 11 Accuracy analysis of 5 inversion models
图选项
图 12 单星线性回归模型对比分析结果Fig. 12 Comparison of single satellite regression models
图选项
图 11左列中，PSO-CNN模型和其余4种模型均能对土壤湿度变化做出反应，但整体来看，PSO-CNN模型针对湿度变化更敏锐，与土壤湿度参考值一致性更好；由图 11右列各模型误差的箱形图能够看出，PSO-CNN模型的误差均值更靠近零，其箱体部分(整体排序25%~75%的部分)最集中，证明其误差波动最小，反演效果最佳。为了进一步表现PSO-CNN模型的反演精度，取5次交叉实验结果的平均值，对各模型进行误差分析和精度评定，以模型预测值和土壤湿度参考值之间的关联系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)、最大上偏差(ES)和最大下偏差(EI)做为评定标准，结果分析见图 12和表 4所示。PSO-CNN模型预测值与土壤湿度参考值的关联系数达0.892 0，比单星线性回归模型加强约50%，比多星线性回归模型加强约6%，比未优化CNN模型加强约7%，比BP神经网络模型加强约4%；均方根误差方面，PSO-CNN模型为0.015，比单星线性回归模型低约60%，比多星线性回归模型低约27%，比未优化CNN模型低约31%，比BP神经网络模型低约21%；绝对误差方面，PSO-CNN模型为0.011 6，比单星线性回归模型降低约60%，比多星线性回归模型降低约37%，比未优化CNN模型降低约41%，比BP神经网络模型低约27%。单星线性模型精度最差，未优化的CNN模型精度与多星线性模型精度相当，BP神经网络模型精度稍好，PSO-CNN模型精度最高，显示卷积神经网络结合粒子群优化算法的有效性。
表 4 5种反演模型的性能指标对比Tab. 4 Performance comparison of 5 inversion models
3.4 模型验证与适用性分析
为了进一步验证本文办法的靠谱性并探究其在区别下垫面环境下的适用性，以COPR、P183和P341这3个站点为科研对象，创立其土壤湿度反演模型，对结果进行分析。其中，COPR站点位置于美国加利福尼亚州维斯塔岛，土壤类型为壤土，站点的东方向有植被遮挡低高度角卫星信号，实验时选择了120°~280°方位角的SNR数据；P183站点位置于美国加利福尼亚州博迪加湾，土壤类型为粗砂壤土，无植被遮挡，但西南方向地形起伏很强，实验时选择了60°~200°和240°~310°方位角的SNR数据；P341站点位置于美国加利福尼亚州惠斯基镇，土壤类型为多石壤土，站点的东北方向植被遮挡较为严重，实验时选择了90°~330°方位角的SNR数据。从各测站有效方位角的SNR序列中提取特征参数，构建PSO-CNN反演模型，粒子群初始参数设置与2.1节一致，将筛选后的特征参数做为模型输入，最后实验结果见表 5所示。由表 5能够看出，针对区别地表环境的站点本文办法拥有较强的适应性，都能有效反演土壤湿度，且各站点的反演结果与P041站点的结果类似，PSO-CNN模型精度最高，BP神经网络模型次之，多星线性和未优化CNN模型稍差。
表 5 COPR、P183和P341站点结果分析Tab. 5 Result analysis of COPR, P183
4 结论与讨论
高精度、长时序、连续监测土壤湿度变化对生态水文、环境科学、农业生产等行业的科研有着重大现实道理。针对土壤湿度反演的建模问题，本文构建了基于PSO-CNN优化算法的GNSS-IR土壤湿度反演模型，采用多个站点对模型的靠谱性和适应性进行说明和分析。理论分析和实验显示。
(1) 多径干涉特征参数信息能够有效表征本实验区域土壤湿度的变化，但单星反演关联性仅0.586 7，均方根误差为0.038，相对误差约为20%，反演精度不良，其原由是单星反射区域有限、有效时段较短、反常跳变等。将多卫星多频点数据集做为模型网络训练的输入，利用丰富的观测数据，能有效结合区别方位区别时段的卫星反射信号，综合站点地表信息，加强土壤湿度反演精度。
(2) 针对地表粗糙度、信号受损等非线性原因影响，PSO优化CNN的土壤湿度反演模型能够创立特征参数与土壤湿度之间的繁杂映射关系，其均方根误差为0.015 0，相较于基于单星线性、多星线性、未优化CNN和BP神经网络模型，误差分别降低约60%、27%、31%和21%，能有效控制实质环境中下垫面变化、信号损失等原因的影响。与现有办法相比，本文办法能较好控制非线性原因的影响，明显加强反演精度，但建模耗时稍长。
(3) 针对5折交叉验证中第3组实验预测偏高问题，文献[27, 36]中显现类似状况，初步分析其可能原由是该组数据大多来自夏季，杂草生长茂盛，引起土壤湿度的反演值偏大。由图 11第3组实验可知，相较于其他办法，PSO-CNN办法的预测值仅略高于参考值，证明该模型能有效削弱植被影响。后续将围绕这一问题进行深入科研。
(4) 针对区别下垫面环境，经过分析4个站点实验结果发掘，地表起伏给信噪比时间序列引入更加多噪声，植被覆盖较多引起特征参数包括更加多地表植被信息，土壤湿度影响占比减少，3个站点虽然不如P041开阔平坦，但经过筛选靠谱卫星时段，利用有效方位的多源数据，本文办法仍能较好反演土壤湿度，证明了本文办法在较繁杂环境下的适用性。
综上所述，本文融合多源观测数据，创立粒子群优化卷积神经网络的GNSS-IR土壤湿度反演模型能够有效控制下垫面环境原因的影响，明显提高反演精度。进一步深入分析多系统导航卫星数据的高时空分辨率土壤湿度反演精细化模型，是后续科研的重点目的和方向。
作者简介第1作者简介：何佳星(1999-), 男, 硕士生, 科研方向为GNSS遥感。E-mail: HEJiaxing@cumt.edu.cn通信作者：郑南山, E-mail: znshcumt@163.com
初审：张 琳
复审：宋启凡
终审：金 君
新闻
发表于 2024-8-31 14:23:41