GNSS-IR双频数据融合的土壤湿度反演方法

目前全球导航卫星系统反射信号干涉测量（GNSS-IR）土壤湿度反演研究仅针对单一频点展开,提出用熵值法将2个频点数据进行融合以改进土壤湿度反演精度。首先,利用频谱分析法分别解析出各频点的信噪比（SNR）序列的振荡频率,计算出对应的等效天线高度,并利用最小二乘法求解各频点信噪比序列相位;然后,通过熵值法进行2个频点的相位观测量融合;最后,利用融合结果与实测土壤湿度建立经验模型,实现土壤湿度反演。利用地基观测实验获得的全球定位系统（GPS）L1和L2信噪比数据对该方法进行了验证,结果表明:L1和L2双频融合反演结果平均标准差为0.6%,比L1单频反演结果提高64.73%,比L2单频反演结果提高32.12%;均方根误差为0.37%,比L1频点降低72.8%,比L2频点降低73.4%。      

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。      

CYGNSS/SMAP数据融合半经验模型的土壤湿度反演

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-0.003 7 cm³/cm³，均方根误差(RMSE)为0.026 4 cm³/cm³，相关系数为0.963 6。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...     

SVRM辅助的北斗GEO卫星反射信号土壤湿度反演方法

提出了一种支持向量回归机(SVRM)辅助的北斗地球静止轨道(GEO)卫星反射信号土壤湿度反演方法。使用全球导航卫星系统反射信号(GNSS-R)右旋圆极化(RHCP)天线和左旋圆极化(LHCP)天线接收体制进行了地基实验,采集了北斗GEO卫星直射、反射信号原始数据,并从中提取直射、反射信号的相关功率,结合北斗GEO卫星的高度角与方位角信息作为输入,烘干称重法获取的土壤湿度作为输出对使用径向基(RBF)核函数的ε-SVRM进行了训练。独立测试集上的结果表明,SVRM辅助的北斗GEO卫星反射信号土壤湿度反演方法获取的土壤湿度结果与烘干称重法获取的土壤湿度参考值误差控制在3%以内,线性回归方程决定系数为0.897 9,均方根误差RMSE为1.492 6%,证明了该方法具有良好的泛化特性,实际应用中效果良好。      

基于VMD-MA的GNSS-MR雪深反演方法

针对利用全球卫星导航系统多径反射(GNSS-MR)技术反演雪深过程中信噪比(SNR)序列趋势项分离不佳和反演结果波动较大的问题，提出一种基于变分模态分解(VMD)和移动平均(MA)的雪深反演方法。VMD算法通过自适应高通滤波有效分离SNR序列的趋势项，MA算法对初始反演结果进行平滑处理从而减少随机波动。选用瑞典KIRU站2021年前5个月GLONASS不同频段的SNR观测值开展实验，研究所提方法的可行性。结果表明：基于VMD算法的反演结果与气象站原位雪深相关系数超过0.95，均方根误差(RMSE)最低约5 cm，较传统算法减少近40%；经MA算法平滑处理后，反演精度进一步提高。考虑到GNSS站和气象站之间的差异性，选取GPS SNR反演结果作为参考数据源，不同参考数据源取得了一致的实验结论,验证了所提方法的可行性和有效性。     

基于相关功率修正的地基GNSS-R土壤湿度反演

利用全球导航卫星系统反射信号测量技术(GNSS-R)进行土壤湿度反演过程中，实际接收天线方向性会造成GNSS直反信号相关功率测量偏差。针对地基观测场景下天线方向性造成的相关功率的类余弦振荡问题，提出了基于多项式拟合的信号相关功率修正方法。为了验证所提方法的有效性，开展了地基GNSS-R土壤湿度观测实验，结果表明:基于多项式拟合的相关功率修正可以消除信号相关功率的类余弦振荡，提升GNSS-R土壤湿度反演中的观测数据有效性和反演结果准确性。      

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于AIGWO-IMMUKF的目标跟踪算法

针对目标跟踪算法中滤波器选择和模型设计问题，提出了一种具有自适应性的交互式多模型无迹卡尔曼滤波（IMMUKF）目标跟踪算法。首先，介绍了IMMUKF的算法步骤；其次，提出运用改进的灰狼优化（IGWO）算法优化其中的滤波参数，通过构造调节因子建立了时变的Markov状态转移概率，形成了AIGWO-IMMUKF算法，并给出其算法流程；最后，将所提AIGWO-IMMUKF算法与传统算法在相同条件下进行仿真，得出位置、速度均方根误差曲线，以及时效性对比。结果表明，所提AIGWO-IMMUKF算法克服了传统IMMUKF算法的不足，提升了算法性能，精度和时效性都更优。      

近程动态范围激光雷达测距系统设计及误差分析

针对脉冲激光雷达测距精度受限于距离动态变化导致的行走误差和时刻抖动误差的问题，设计了一种基于自动增益控制（AGC）技术及恒比定时鉴别（CFD）技术的激光雷达测距系统，可适应进程动态范围的测量目标，并提高测距精度。激光雷达测距系统在10~100 m的静态测距实验中，测距精度达到厘米级别。在动态三维扫描实验中，室内测量得到11.4~31.2 m范围内靶标的平面拟合均方根误差为2.05~4.35 cm，室外测量得到距离15.97 m处目标平面拟合均方根误差为3.54 cm。      

Accuracy analysis of GNSS-IR snow depth inversion algorithms

In recent years, with the continuous development of Global Navigation Satellite System (GNSS), it has been applied not only to navigation and positioning, but also to Earth surface environment monitoring. At present, when performing GNSS-IR (GNSS Interferometric Reflectometry) snow depth inversion, Lomb-Scargle Periodogram (LSP) spectrum analysis is mainly used to calculate the vertical height from the antenna phase center to the reflection surface. However, it has the problem of low identification of power spectrum analysis, which may lead to frequency leakage. Therefore, Fast Fourier Transform (FFT) spectrum analysis and Nonlinear Least Square Fitting (NLSF) are introduced to calculate the vertical height in this paper. The GNSS-IR snow depth inversion experiment is carried out by using the observation data of P351 station in PBO (Plate Boundary Observatory) network of the United States from 2013 to 2016. Three algorithms are used to invert the snow depth and compared with the actual snow depth provided by the station 490 in the SNOTEL network. The observations data of L1 and L2 bands are respectively used to find the optimal combination between different algorithms further to improve the accuracy of GNSS-IR snow depth inversion. For L1 band, different snow depths correspond to different optimal algorithms. When the snow depth is less than 0.8 m, the inversion accuracy of NLSF algorithm is the highest. When the snow depth is greater than 0.8 m, the inversion accuracy of FFT algorithm is higher. Therefore, according to the different snow depth, a combined algorithm of NLSF + FFT is proposed for GNSS-IR snow depth inversion. Compared with the traditional LSP algorithm, the inversion accuracy of the combined algorithm is improved by 10%. For L2 band data, the results show that the accuracy of snow depth inversion of various algorithms do not change with the variations of snow depth. Among the three single algorithms, the inversion accuracy of FFT algorithm is better than that of LSP and NLSF algorithms.     

Snow depth retrieval by using robust estimation algorithm to perform multi-SNR and multi-system fusion in GNSS-IR

Global Navigation Satellite System Interferometric Reflectometry (GNSS-IR) technology provides a new means of snow depth detection. Multi-satellite and multi-Signal-to-Noise Ratio (SNR) provide more data for daily high-precision snow depth retrieval, but also face the problem of data fusion and effective utilization. Therefore, this study proposes a robust estimation algorithm based on multi-satellite and multi-SNR fusion applied to the observations of a GNSS station in Alaska. This study uses four solutions (S_avg, S_med, S_{RE_avg} and S_{RE_med}) to carry out multi-system fusion snow depth inversion and precision comparison research. The S_avg has more obvious disadvantages, which is not suitable for snow depth assessment. The S_{RE_avg} and S_{RE_med} have better snow depth retrieval effects in the snowy periods. The correlation coefficient (R), root mean square error (RMSE) and mean error (ME) of the calculated snow depth using the robust estimation algorithm with respect to the nearest in-situ measurements reached 0.759, 3.7 cm and ?1.4 cm, respectively. Compared with the S_med, the R is increased by 2.0 %, the RMSE corresponds to an improvement of 2.6 %. Moreover, the ME of the snow depth retrievals, as an indicator of the measurement bias, has significantly decreased by 6.7 %. The result also shows that the snow depth inversion by the robust estimation algorithm is more consistent with the in-situ measurements, further extending and advancing the optimal algorithm for snow depth retrieval.     

A surface reflectance correction model to improve the retrieval of MISR aerosol optical depth supported by MODIS data

Combined use of different satellite sensors are known to improve retrievals of aerosol optical depth (AOD). In this study, we propose a new method for retrieving Multi-angle Imaging SpectroRadiometer (MISR) AOD data supported by Moderate Resolution Imaging Spectroradiometer (MODIS) data in Jiangsu Province, China, over the period of 2016–2018 using MODIS L1B, bidirectional reflectance distribution function (BRDF), MISR 1B2T, and ground-measured AOD data. This method is based on the surface reflectance determined by the MODIS V5.2 algorithm. Through the observation angle and spectral conversion between different sensors, the MISR AOD can be obtained. The correlation coefficient (R) and root-mean-square error (RMSE) between the retrieved MISR and ground-measured AOD data varied between different seasons. The accuracy of the MISR AOD retrieval was notably improved after correcting the MISR surface reflectance. Therefore, the method proposed in this study is feasible for the retrieval of MISR AOD supported by MODIS data, and will be applicable to atmospheric environmental monitoring over large areas in the future.     

星座分布式自主定轨中信息融合方法比较研究

为了保证大型导航星座在有限的星载运算能力和通信能力下，具备自主运行能力并提供精准位置参考信息，对基于分层结构的星座分布式自主定轨的信息融合方法展开了研究。以地月卫星联合星座作为研究对象，将简单凸组合法、协方差交叉融合法以及在线性最小方差意义下的矩阵加权法和标量加权法等方法应用于子滤波器估计的融合中，对各种融合方法的性能进行了对比分析。仿真结果显示，在采用方差放大技术去相关设计星座分布式自主定轨算法基础上，采用简单凸组合法、矩阵加权法和标量加权法3种融合方法的定轨精度较高，与集中式滤波精度相当，其中标量加权法的计算代价最低；而协方差交叉融合法由于难以准确确定最优系数，其精度低于其他3种方法。      

一种基于组合赋权法的小波去噪质量评价方法

针对传统质量评价指标在小波阈值去噪中理论依据不足的问题,提出了一种基于组合赋权法的小波去噪质量评价方法,能够为小波去噪参数的选择提供有效评价。通过分析在真值未知情况下均方根误差（RMSE）、信噪比（SNR）、平滑度等单项指标的特点,选取RMSE与平滑度作为小波去噪指标,对其进行归一化处理,采用信息熵权与变异系数的方法进行组合赋权,将归一化指标与对应权值线性组合,得到一种新的指标即为复合评价指标,其值越小,说明去噪效果越好,所选参数越优。仿真实验表明,在真值已知情况下,该评价指标具有更高的准确性,能够适用于不同的分解层数与小波基函数,具有比传统方法更好的适用性;实测数据表明,所提方法得出的小波去噪峰值域更加光滑,波形更加平稳,去噪效果更佳。     

磁场梯度张量测量法消除卫星磁干扰

在调查了消除卫星本体对磁场探测造成磁干扰的方法基础上,采用磁场梯度张量测量法替代传统的双探头梯度测量法消除卫星磁干扰,通过仿真分析和实测验证重点考察了基于欧拉反褶积算法的构造指数、伸杆长度与背景磁场反演误差之间的关系。仿真结果表明:对于本体边长1 m总剩磁1 A·m2的卫星而言,磁场梯度张量测量法在1~2 m的较短伸杆条件下,背景磁场反演误差较大;在3 m以上的较长伸杆条件下,具有较高的背景磁场反演精度,4 m条件下反演精度约0.5 nT。在长伸杆条件下,磁场梯度张量测量法比双探头梯度测量法的背景磁场反演精度提高约3倍。      

一种稀疏布站条件下的区域电离层改正方法研究

研究了WAAS卫星导航系统的格网电离层改正方法,分析了中国区域电离层分布特性,根据中国区域内稀疏布站的条件,MEO卫星和GEO卫星运动特点,以及C波段GEO卫星电离层延迟特性,提出了利用距离幂指数权重内插进行电离层延迟改正的方法。使用IGS公布的电离层数据,分别利用格网电离层权重方法和距离幂指数权重内插法进行Matlab仿真计算。然后,将结果与IGS事后精密产品进行比较,证明在中国区域内稀疏布站条件下,距离幂指数权重内插法对于电离层延迟具有较理想的改正效果。