在不断提高GNSS定位精度的研究过程中发现，产生多径效应的反射信号包含地表反射面的多种物理信息，能随着环境的不同而发生改变。全球导航卫星系统反射计(GNSS-R)技术就是利用反射信号来反演地表的参数信息。该技术最初由Hall等^[1]提出并应用于海洋信息获取，目前在海冰信息获取、移动目标探测、海面溢油情况检测等方面也取得了一定进展^[2]。以往测量土壤湿度的方法有重量法、电阻法、负压计法、时域反射计法等，测量范围较小，且只能反映被测区域的局部情况，同时需要耗费大量时间和人力。而GNSS-R技术可实现大范围地表土壤湿度检测，是一种分辨率更高、更灵活、更高效的探测方法。本文首先介绍土壤湿度反演所采用的天线观测模式，然后分析基于不同天线模式的土壤湿度反演方法，并对全球导航卫星系统反射信号干涉测量技术法(GNSS-IR)、反射信号功率法及GNSS-R与其他卫星资料相结合的反演方法进行阐述，对当前取得的研究成果进行总结和分析，探索下一步的研究方向。

1 GNSS-R反演土壤湿度的观测模式

GNSS-R技术是一种介于主动遥感和被动遥感之间的新型遥感方法，可看作收发分置的雷达结构。根据接收信号形式上的差异，目前的研究主要基于单天线模式和多天线模式2种方式开展，具体观测模式见文献[3]。

2 GNSS-R土壤湿度反演方法

不同的土壤湿度反演方法具有不同的天线观测模式。单天线模式下常采用GNSS-IR法反演土壤湿度，为实现干涉效果，需要在地基平台上进行多次实验；多天线模式下常用反射信号功率法反演土壤湿度，在地基和机载条件日益完善的情况下也取得了一定的研究成果。研究发现，星载GNSS-R的观测数据与其他资料联合反演的土壤湿度之间具有一定的相关性，可为GNSS-R探测土壤湿度提供可能的依据。

2.1 GNSS-IR土壤湿度反演

使用GNSS-IR反演土壤湿度的方法最早由Larson等^[4]提出，通过提取干涉信号中多路径信号的信噪比(SNR)观测值反演土壤湿度后发现，反射信号SNR的振荡幅度、相位都与土壤湿度有一定的相关性。SNR中的多径效应可表示为^[4]：

$ {\rm{SN}}{{\rm{R}}^2} = {A^2}_d + {A^2}_m + 2{A_d}{A_m}{\rm{cos}}\varphi $

(1)

式中，A_d和A_m为直接信号和多路径信号的幅度，φ为2个信号之间的相位差。

用低阶多项式去除直接信号，残余SNR的多路径干涉可表示为：

$ {\rm{SN}}{{\rm{R}}_{{\rm{mpi}}}} = A{\rm{cos}}\left( {\frac{{4{\rm{ \mathsf{ π} }}h}}{\lambda }} \right){\rm{sin}}E + \varphi $

(2)

式中，A为振幅，h为天线相位中心与地面以下有效反射器之间的有效反射器高度，λ为GNSS信号的波长，E为卫星的仰角，φ为相移。

Chew等^[5-6]发现，在利用SNR特征参数反演土壤湿度的关系模型中，用延时相位反演土壤湿度的性能最佳，能够更好地描述现场观测数据并反映相位与土壤湿度的线性关系；同时考虑到植被的季节性变化对反射信号的影响，利用SNR的幅度信息对植被的影响进行校正，可显著改善与原位土壤湿度测量的一致性。与采用单一的低仰角范围内SNR的特征参数检测土壤湿度不同，有学者考虑使用高仰角范围内的数据，并在研究GPS卫星的基础上与其他卫星星座数据相结合。Roussel等^[7]在有效天线高度角研究方面提出一种考虑地表伪动力的反演方法，通过对低仰角(2°~30°)或高仰角(30°~70°)的时间序列进行归一化和反转，并将两者结合起来(仰角结合法)，从而提高结果的相关性(R=0.95)。随着研究的深入，部分学者考虑利用北斗导航卫星系统的SNR数据估算土壤湿度，Yang等^[8]利用BDS/GPS接收机收集B1和B2频率上的BDS SNR数据，通过研究Larson等^[4]提出的相位法与Peng等^[9]提出的干涉模型来证明BDS SNR指标与土壤水分之间的关系，其中干涉模型可模拟原始SNR数据和仰角。将SNR表示为：

$ \begin{array}{l} \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\rm{SNR}} = \\ E_i^2\left[ \begin{array}{l} G\left( \gamma \right) + R{\left( {\gamma , \varepsilon } \right)^2}G\left( { - \gamma } \right) + 2R\left( {\gamma , \varepsilon } \right)\\ \;\;\;\;G{\left( \gamma \right)^{1/2}}G{\left( { - \gamma } \right)^{1/2}}{\rm{cos}}\frac{{4{\rm{ \mathsf{ π} }}h}}{\lambda }{\rm{sin}}\gamma \end{array} \right] \end{array} $

(3)

式中，E_i为直接信号的幅度，γ为卫星的仰角，G(γ)为直接信号的接收天线增益模式，G(-γ)为反射信号的接收天线增益模式，R为平面右旋圆极化信号的菲涅耳反射系数，λ为GNSS信号的波长，h为天线相位中心与地面以下有效反射器之间的有效反射器高度。其中R可表示为：

$ R = \frac{1}{2}\left[ {\frac{{\varepsilon {\rm{sin}}\gamma - \sqrt {\varepsilon - {\rm{co}}{{\rm{s}}^2}\gamma } }}{{\varepsilon {\rm{sin}}\gamma + \sqrt {\varepsilon - {\rm{co}}{{\rm{s}}^2}\gamma } {\rm{ }}}} + \frac{{{\rm{sin}}\gamma - \sqrt {\varepsilon - {\rm{co}}{{\rm{s}}^2}\gamma } {\rm{ }}}}{{{\rm{sin}}\gamma + \sqrt {\varepsilon - {\rm{co}}{{\rm{s}}^2}\gamma } {\rm{ }}}}} \right] $

(4)

因此，SNR可由有效反射器高度h、相对介电常数ε和仰角γ这3个参数确定，可从解析模型中提取介电常数进行土壤湿度反演。

土壤湿度的恢复可看作一个回归问题，且考虑到一般情况下卫星处于低仰角的时间有限，获取的数据量较少，部分学者提出用支持向量回归机(SVRM)的方法测量土壤湿度，该方法使用的训练样本量小，且具有较好的泛化性能。段睿等^[10]采用SVRM方法将天线接收到的干涉信号的相位、幅度、频率3个特征参量作为输入，实测值作为输出，建立反演模型，结果发现，与传统的采用单一参数的模型相比，该模型能有效提升测量精度。孙波等^[11]在同一地方不同卫星测量下，利用遗传算法(GA)的自动寻优功能优化SVRM的最佳参数，即利用GA-SVRM方法探测土壤湿度，并进一步与统计回归、粒子群优化的SVM方法(PSO-SVM)及反向传播(BP)神经网络方法进行对比，结果表明，GA-SVM方法更适用于反演土壤湿度，且反演精度较高，泛化性能良好。在研究多频率融合探测土壤湿度的过程中，荆丽丽等^[12]通过熵值法对L1和L2两个频点的相位观测量进行融合(熵值融合法)，实现土壤湿度的反演，证明了融合反演结果的平均标准差比L1单频提高64.37%，比L2单频提高32.12%。

2.2 反射信号功率反演土壤湿度

近年来国内外学者在地基及机载观测情况下对土壤湿度的反演进行了大量研究。Masters等^[13]开展的SMEX02系列土壤湿度遥感实验表明，土壤水分的变化对降水事件具有良好的敏感性，GPS反射的信噪比测量值与辐射计获取的L波段亮度温度在变化趋势上具有较好的一致性；同时散射信号测量结果与土壤湿度随时间的变化趋势基本一致，说明该技术对土壤水分具有较强的时空敏感性。Edigo等^[14]在低空机载平台下进行飞行实验，利用GNSS-R数据获取左右圆极化反射分量，结果表明，在中等粗糙度情况下，极化反射率的比值与表面粗糙度无关，代表了土壤湿度的最佳观测值，相关系数为0.93，但并不适用于高表面粗糙度(σz高于3 cm)的情况。Jia等^[15]在Avigliana湖(45.099°N，7.369°E)进行飞行实验，在由北向南的飞行路线中，考虑到高仰角卫星特征(PRN 15，高度角为76°，方位角为237.3°)，选取的对应反射点经过城市、湖泊和草地等几种不同的地理条件，获得极化测量值(图 1)。结果表明，对比湖泊(L1和L2)与其他区域，在平均左旋圆极化反射率(Γlr)中可观察到较大增量，右旋圆极化反射率(Γrr)的变化形式与Γlr存在差异，与低仰角卫星一致，说明Γlr对土壤湿度的敏感性比Γrr高；草地区(G1和G2)反射率比城市(C)低1~3 dB，这主要是由草的粗糙度增加引起的，G1区域中极化反射率比(PR)数值最大。分析表明，Γlr和Γrr之间的比值为土壤水分估算的最佳参数，与表明粗糙度无关。

梁勇等^[16]为探究地表粗糙度对土壤湿度反演结果的影响，在0.005~0.035 m范围内以0.005 m步进选取地表均方根高度，在修正和未修正土壤粗糙度影响的情况下对解析模型和人工神经网络模型进行对比实验，同时还对修正前后同一模型的反演精度进行比较。结果表明，人工神经网络模型能较好地抑制粗糙度的影响，且性能良好(表 1~3)。以往研究中使用的GPS等星座卫星均随地球而运动，使得研究的覆盖区域不断发生变化，因此不能在相同区域内获取长时间连续数据。针对此现象，张楠等^[17]对北斗静止轨道卫星(GEO)微动特征和反射区域的变化进行分析，利用包络提取和3次多项式插值的方法恢复SNR的变化规律，校正反射系数，实现固定区域连续土壤湿度的反演，结果与原位土壤湿度的平均绝对误差小于4.63%。

2.3 星载GNSS-R与其他资料联合反演土壤湿度

相比于地基和机载观测平台覆盖面积小的特点，采用星载观测模式可获得范围更广的土壤湿度数据，且空间覆盖率更高，还能够与其他卫星资料相结合。但该过程会受地表复杂程度的影响，同时也难以获取大量的对比实测数据，因此通常与微波辐射及其他并置遥感数据联合反演土壤湿度。表 4为研究中常用的卫星资料。

TechDemoSat-1卫星及旋风全球导航卫星系统(CYGNSS)均可提供星载有效载荷，为实现星载下的观测提供了基础。在与专用遥感卫星测量数据进行对比的情况下，Camps等^[18]利用星载GNSS接收机-遥感仪(SGR-ReSI)接收的反射信号计算延迟多普勒图(DDM)，并分析不同观测量对土壤湿度敏感性的影响，最后利用校准TDS-1 GNSS-R的反射率与并置SMOS的土壤湿度散点图进行线性拟合，评估其对土壤湿度的敏感性。Chew等^[19]对CYGNSS星座记录的前向散射L波段GNSS信号与SMAP土壤湿度之间的关系进行量化分析，结果表明，CYGNSS反射功率的观测值与SMAP土壤湿度检索之间存在较强的线性关系，星载GNSS-R可为传统的土壤湿度卫星遥感方法提供补充。近年来国内学者针对星载实验的研究较多，易浠等^[20]将利用TDS-1卫星接收的数据推导出的反射信号功率P_r与利用SMAP卫星获取的土壤湿度进行皮尔森相关分析，通过平滑处理去除噪声后发现，P_r与土壤湿度具有较强的相关性(R=0.71)。涂晋升等^[21]利用UK TDS-1的DDM与SMOS卫星的土壤湿度数据对建立的模型进行验证，结果表明，DDM的SNR与土壤湿度数据具有较强的相关性，在植被覆盖度较高及接近裸土的区域也有较强的相关性，说明利用星载GNSS-R DDM反演土壤湿度具有一定的可行性。

微波辐射计不仅具有功耗低、体积小、稳定性高等优点，还具有一定的穿透物体的能力，可用来探测土壤湿度、降水及监测农作物的生长情况等，因此可将GNSS-R的测量结果与微波辐射计测量值相结合来探索反演土壤湿度的可能性。Alonso-Arroyo等^[22]针对在3种不同土壤湿度条件下收集的数据对作物和草地2种不同的区域进行分析，并将PLMR微辐射计测量的亮度温度数据与GNSS-R获得的反射率进行对比发现，将数据结合起来可提高微波辐射测定法在土壤湿度反演方面的空间分辨率。Yin等^[23]通过对比Oceanpal GNSS-R接收机接收的信号功率与ELBARA-Ⅱ辐射计的数据发现，GNSS-R测量的LHCP反射率与辐射计的水平、垂直反射率之间存在强相关性，相关系数为0.83~0.91。

3 结语

国内外学者在地基、空基、星载等不同的观测平台下采用不同的观测与反演方式，对基于GNSS-R探测土壤湿度的研究均已取得一定进展。本文对近年来探测土壤湿度的方法进行回顾与总结，主要对干涉模式和反射率模式2种反演方法进行分析。结果发现，干涉模式下的多元回归模型比传统一元回归模型的拟合效果好，且利用与频率结合的熵值融合法及仰角结合法均可提高反演精度；对于反射率模式，采用人工神经网络模型能较好地解决粗糙度的问题，与微波辐射计联合反演土壤湿度可为星载平台下的研究提供便利条件，利用GEO卫星SNR反演的方法可实现固定区域土壤湿度的计算，且能取得良好的效果。由于已出现多星座卫星及多频率相结合的方法，当前研究不再局限于常用的GPS卫星，还可利用机器学习的优势来提高结果的准确程度，但仍需进一步完善。由于GNSS-IR探测土壤湿度的方法无需研制专门的接收机，可直接采用地球物理或地球测绘类接收机来完成遥感测量，但在采用SVRM反演土壤湿度时选用的数据具有局限性，因此需要更多更广泛的数据来验证模型的准确度。同时，需考虑植被增加对实验结果的影响，可采取相关的优化机器学习算法来提高反演的精度。利用星载的方法可监测更大规模的土壤湿度数据，同时需要对比其他相关数据来验证结果的准确性；但在实际对比过程中发现，相同区域的数据量较少，缺少普适性，且在与其他卫星资料进行对比的过程中，由于分辨率存在差异，需要对低分辨率的数据进行平均处理。下一步将在大量数据及不同地形植被的情况下作进一步分析。目前GLONASS和BDS正逐渐被研究者使用，尤其是BDS具有比GPS更丰富的卫星轨道设计，拥有其他GNSS缺少的GEO卫星。已有研究表明，利用GEO卫星可近似实现固定区域土壤湿度的反演，因此可考虑在保持土壤湿度大致相同的情况下，观察同一区域在地形发生变化时信号的变化情况，从而充分发挥BDS在遥感土壤湿度方面的应用潜力。在研究利用GNSS-R方法测量土壤湿度的过程中认为，可逐渐将其应用到实际生活中，为水资源的调度、生态农业的保障等提供服务。