融合VMD算法的多星GNSS-MR雪深反演

针对当前反射信号分离纯度不高,难以准确提取反射信号中地表环境参数的问题,构建了一种融合VMD算法的多星GNSS-MR雪深反演模型。利用VMD算法可有效实现信号的分离,提高反射信号的分离纯度,并与传统的二阶多项式拟合法进行对比分析。下载了美国科罗拉多州NWOT测站2017年172天的GPS卫星信噪比数据进行验证,结果表明:融合VMD算法的多星GNSS-MR反演雪深模型精度优于二阶多项式拟合模型,反演值与实测值的RMSE降低了近50%,决定系数R^(2)高达0.98,在一定程度上有效提高了雪深的反演精度和可靠性。

一种GNSS-MR海平面高度反演模型研究

针对大地测量型GNSS接收机获取的信噪比(Signal to Noise Ratio,SNR)观测值存在趋势项分离不佳和信号叠加干涉的问题,融合自适应噪声完备集合鲁棒局部均值分解方法对原始SNR信号进行分解,有效分离SNR观测值中的趋势项并提取相应的潮位信号,以布设在美国华盛顿州星期五海港岸边的SC02测站为例,利用实测数据反演潮位变化并与传统的低阶多项式拟合方法进行对比分析。结果表明,融合CERLMDAN方法的反演结果的均方根误差(Root Mean Square Error,RMSE)、相关系数分别为0.56 m和0.97,相比于传统方法的反演精度提升了33.7%。

AO辅助LSSVM的GNSS-IR土壤湿度反演方法

全球导航卫星系统多径干涉遥感技术(global navigation satellite system interferometric reflection,GNSS-IR)已成为目前研究的热点,用其测量的数据可以对土壤湿度值等进行估算。针对当前该方法存在土壤湿度反演精度较低的问题,文章以美国板块边界观测网络(PBO)中p043测站为研究对象,并对该测站的GNSS信噪比数据进行分析,提取L2频段反射信号的延迟相位作为输入,PBO H_(2)O的土壤湿度值作为输出,构建了基于AO-LSSVM土壤湿度反演模型,并将该模型与BP神经网络和PSO-LSSVM进行对比。实验结果表明,基于AO-LSSVM方法得到的PRN10卫星反演结果与土壤湿度真值之间的决定系数为0.920,均方根误差为0.021,平均绝对误差为0.017,相比BP神经网络和PSO-LSSVM更加贴近土壤湿度真值,证明了利用该方法能够有效提高土壤湿度反演的精度。

结合小波降噪与BP神经网络的GNSS-IR土壤湿度反演

针对如何有效提高GNSS-IR土壤湿度反演中卫星信号质量不高以及植被覆盖和地表粗糙度带来的散射影响等问题,提出了一种小波分解与BP神经网络相结合的方法,利用小波分解变换替代传统的多项式拟合法,从而获取高质量的卫星信噪比观测值进行土壤湿度的反演。利用PBO H_(2)O的土壤湿度以及近点的气象站数据作为参考依据,以2017年PBO 036测站的GNSS数据为基础建立模型并评估分析。实验结果表明,结合小波变换与BP神经网络的土壤湿度模型反演结果与实测数据在大体趋势上基本一致,其均方根误差为0.015,决定系数R^(2)为0.943,对比传统相位线性回归模型有很大的提升,同时有效改善了单颗卫星反演时出现的异常跳变现象,进一步证明了该方法的精确性与可靠性。

利用CEEMDAN进行GNSS-MR雪深反演

将自适应噪声的完全集合经验模态分解方法替换常用的二次多项式方法,对原始信噪比(signal-to-noise,SNR)进行信号分解,直接提取相应的本征模态函数,再应用于GNSS-MR技术反演雪深。以美国科罗拉多州NWOT测站GPS数据进行实验的结果表明,该方法与传统方法相比,均方根误差降低30.7%,与实测数据相关系数为0.965,验证了该方法的有效性。

奇异谱分析在GNSS-MR海平面高度反演中的应用

在全球变暖的影响下,海平面的平均高度呈现上升趋势。如何准确、实时地监测海平面高度的变化情况,已成为当前研究的热点。随着GNSS应用的扩展,GNSS多路径反射测量(GNSS Multipath Reflectometry,GNSS-MR)技术已成为监测海平面高度变化的重要手段,针对该技术存在的信号中掺杂噪声的问题,提出了利用奇异谱分析(Singular Spectrum Analysis,SSA)对原始信噪比数据进行分解、重构,筛选出不含噪声的有效残差序列,实现去噪处理,再进行海平面高度反演。以法国西海岸的布雷斯特港BRST观测站的GPS数据进行实验,结果表明,SSA法相比二次多项式拟合方法,均方根误差(Root Mean Square Error,RMSE)降低了6.5%,相关系数为0.97,而在连续暴雨天气、外界干扰较严重的环境下,RMSE降低了14%,相关系数为0.98,验证了SSA法应用于海平面测高的有效性。

变分模态分解和机器学习融合的GNSS-IR土壤湿度反演

针对如何有效去除GNSS-IR土壤湿度反演中卫星信号噪声比例高、地表粗糙度带来的散射影响等问题,建立了一种将变分模态分解与BP神经网络相结合的模型,该模型利用变分模态分解自适应与非递归的特点来替代传统的多项式拟合法,从而有效提高反射信号提取精度;并利用BP神经网络的非线性映射能力进行后期预测,与传统线性回归进行对比分析。利用PBO H_(2)O的土壤湿度作为参考依据,以2016年PBO 783测站的GNSS数据为基础建立模型并评估分析。实验结果表明:结合变分模态分解与BP神经网络的土壤湿度模型反演结果与参考数据在大体趋势上基本一致,其均方根误差为0.014,决定系数R^(2)为0.951,对比单星线性回归模型提升了42.79%,证明了该方法确实能够有效提高反射信号质量及抑制地表粗糙度影响从而提高土壤湿度反演精度。