2. 武汉大学测绘遥感信息工程国家重点实验室,武汉 430079;
3. 中国科学院武汉物理与数学研究所,武汉 400071
2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan 430079,China;
3. Wuhan Institute of Physics and Mathematics, Chinese Academy of Sciences, Wuhan 430071, China
土壤湿度是水文、气象和农业环境研究中重要的参数,是地理空间信息数据库中的一个重要数据源,在天气和极端气候的预测中急需更多的土壤湿度原位测量数据.传统测量方法如时域反射仪法、频域反射仪法以及其他接触性物理手段需要实地操作和烦杂的处理,很难在大范围内高效率进行测量.卫星遥感手段观测范围广,但需要制作发射和监控设备,成本高,且时间和空间分辨率有限.
利用GNSS-R (Global Navigation Satellite System Reflection, GNSS-R)测量土壤湿度的新技术[1, 2]最近几年引起了人们的注意.它利用导航星座包括GPS、中国的北斗星座、Galileo和GLONASS等发射的信号,测量经过土壤反射的信号,得到土壤湿度,实际上是利用了卫星和地面的接收机,构成一种双基地雷达.这种技术具有下列的特点:(1)L 波段反射信号对土壤水分十分敏感,利于准确地反演土壤湿度.(2)L 波段GNSS信号可在一定的云雨天气下工作且具有一定的穿透地表植被、沙土、雪盖的能力.(3)GNSS-R 接收机属于被动接收方式,自身不发射信号,所以体积和重量小,相比机载和星载SAR 雷达具有低成本的优势.(4)GNSS-R 接收机可以利用直达信号进行定位解算,具有自定位能力和自定时能力,对数据处理、定位、传感器休眠及调度具有优势,易于进入地理信息系统,也易于组建大范围的土壤湿度观测网.
美国宇航局(NASA)连续执行了一系列的飞行计划(SMEX02,SMEX03,SMEX04,SMEX05),澳大利亚则从2005 至2008 年执行了4 次National Airborne Field Experiment(NAFE)实验,以验证包括L 波段辐射计、GNSS-R 信号在内的微波信号遥感土壤湿度的能力,研究成果被用于支持SMOS卫星的发射[3].法国也于2007 年和2008 年初分别开展了飞行实验CAROLS (Combined Airborne Radio instruments for Ocean and Land Studies).我国台湾成功大学在利用双频接收机测量土壤湿度及地表粗糙度方面做了初步尝试[4].国内科研人员则利用国外的数据如SMEX02 的数据进行湿度反演的探索[5, 6].但空基实验如SMEX 系列实验等,接收机距离地面高,反射区域面积大,反射区内土壤构成成分差别明显,例如SMEX02 实验中地面有玉米地、大豆地、草地以及小溪等几种结构类型,因此测得的结果一般为多个不同土壤结构的平均湿度值,与实际情况往往有较大的误差;再者,由于SMEX02 实验中反射区面积达数平方公里,地面用湿度计采样时的空间间隔较宽,实测数据离散程度较大,取样点不均匀,不足以反映特定土壤的湿度情况.而地基实验中天线设置高度较低,双基地雷达反射区面积较小,能够保证反射区内土壤构成成分基本均匀一致,易于获得真实的土壤湿度值.且地面采用湿度计实测时采样工作量小,数据一致性好.因此进行地基实验以减少地面复杂地貌的影响,对于GNSS-R 技术的定量研究是有意义的.表 1列出了空基GNSS-R 实验与地基GNSS-R 实验的主要区别.
武汉大学与中国科学院武汉物理与数学所、中国科学院武汉植物研究所展开合作,利用GPS软件接收机,进行了多次GNSS-R 地基遥感实验,获得了一些有益的结果.文章第二部分介绍地基GNSS-R 测量土壤湿度的原理,第三部分介绍实验及结果,第四部分为讨论和总结.
2 实验原理 2.1 GPS信号的传播途径与衰减利用GPS信号穿越地球大气层所引起的时间延迟量来反演水汽等大气气象要素目前已经广泛应用[7, 8],实际上,在传播和反射路径上,GPS 信号还会有强度上的衰减,而该强度上的衰减可以用于反演反射面的一些参数,如土壤湿度等,此时主要应用的是信号强度或者说功率的变化.
图 1所示为空基GNSS-R 与地基GNSS-R 实验示意图,从导航卫星辐射的信号到达地面接收天线要穿过电离层和中性大气层,经受如下几种损耗:自由空间损耗;大气分子吸收衰减;射线受到折射率垂直不均匀引起的散焦;电波在地球表面的反射引起的损耗.下面分别讨论这几种损耗.
当发射机和接收机用理想的各向同性天线辐射和接收时,发射功率PT 与接收信号PR 的功率比值表示电波在各向同性自由空间传播的损耗,如果传播距离r以km 为单位,波长为λ 的电波工作频率f以GHz为单位,那么损耗L0 以分贝表示为[9]
(1) |
由上式可知当频率确定时,衰减主要由路径长度引起.在空基实验时直达信号路径和反射信号路径存在一定的差别,但在地基实验时,路径差别不大,即自由空间损耗近乎相等.
2.1.2 大气损耗大气对L 波段的GNSS 导航信号的吸收也是该信号强度变化的原因之一.大气中对微波有衰减作用的气体成分主要是氧分子和水汽分子,总的大气引起的衰减为[10]
(2) |
其中aw, ao 分别表示天顶方向由于水汽和氧分子引起的衰减,Nw(η)和No(η)分别表示天顶角η 方向的衰减系数,随大气压力和温度以及水汽含量变化.不过大气引起的微波衰减系数在各个频段有不同的特性.在L 波段大气衰减相对较小,而大气中的云、雨、雪、雹等降水体引起的对微波的非共振散射和吸收则更需要着重考虑.在空基GNSS-R 实验时,直达信号与反射信号穿过大气层的途径不同,需要考虑修正.但地基实验时,则两者类似.
2.1.3 射线散焦损耗大气衰减另外一个重要因素是射线散焦引起的衰减.当大气垂直折射率梯度剧烈变化时,进入大气的两条平行射线具有不同的弯曲角,引起射线的发散,即电波能流密度降低,场强比自由空间传播对应的减小,表现为一种损耗.这个损耗是由于射线发散引起的,称为散焦衰减.
上述几种衰减在空基试验时,由于直达信号与反射信号的传播路径有很大的不同,所以上面的一些衰减因素严重影响反演的结果,需要进行多次的修正.然而,地基实验则由于反射信号接收天线与直达信号接收天线处于地面上同一地点,所以反射信号与直达信号同样经过电离层和中性大气层,经历几乎同等的强度衰减.可以用功率比值,或者说利用直达信号对反射信号进行归一化,以去掉这种影响,则剩下的功率差异就完全由土壤反射所引起.
2.2 地表反射对信号的衰减当电波经过地表反射时,双基地雷达测得的地表反射功率与下面几类参数有关:① 地物的几何特征和物理特征参数,如地面的相关长度、自相关函数、地面高度的统计分布规律及地面土壤的复介电常数、土壤的湿度,地面的物理温度等.② 雷达系统的参数.如系统的工作频率、发射和接收天线的极化、仰角等.根据地表粗糙程度的不同,人们建立了几何光学模型,物理光学模型,微扰动模型,积分模型等来描述电波的散射特性[11, 12].若我们有意识地选择平坦的土壤,认为地表光滑,在其他参数不变时,反射信号的归一化功率主要取决于土壤湿度.本文的方池反射实验证明了这一现象.
在方池反射试验中选择五个不同地质条件的方池作为反射区,此五个方池并行排列,宽度都在3m, 其中1号池和5 号池内为干泥土,2 号池和4号池为水池,3号池内则为湿润的淤泥土.实验人员持接收天线从5号池缓步移动到1 号池,再回头从1号池移动到5 号池,以接收不同地物上面的反射信号.将记录的2颗不同仰角的卫星(以pseudorandom noise code-PRN 进行区分),即PRN18(仰角71°)、PRN22(仰角40°)的反射信号强度显示于图 2 中,虽然由于实验人员的速度不均匀导致各个池的反射信号强度持续时间不等,但从图中可见,这2颗星的反射信号强度呈现类似的变化规律,即干土池反射信号较弱,低于40dB 以下,水池的反射信号较强,高于45dB 以上.而湿润土地的反射信号强度则居于水面反射与干土反射之间,于是在来回两次过程中,从5号池到1 号池,反射信号的强度都呈现出“弱-强-弱-强-弱"的规律,显示了反射功率和土壤湿度很强的相关性.方池反射的地形图与设备在第三节实验过程中描述.
利用GNSS-R 信号反演土壤湿度的方法已在文献[13]说明,这里简述一下.在高仰角的情况下,反射信号以垂直反射分量为主,垂直分量的反射系数
其中γ 为卫星仰角,ε 为土壤相对介电常数,根据Torres[14]关于反射率的描述,GPS 反射信号的地表反射率(也称为归一化功率)R为总的反射功率Pr 与直射信号功率Pd 的比值:R=Pr/Pd, 假设地表完全光滑,那么反射系数Γ =
(3) |
解上述方程可以求得土壤介电常数ε.然后由介电常数模型求解土壤湿度.
实际接收机输出的是载噪比SNR,以dBHz进行度量.在假设直达信号与反射信号接收通道具有相同噪声基底,且噪声基底在测量时间内维持不变的情况下,可以采用SNR 的比值代替功率的比值.
2.3 土壤介电常数模型土壤的介电常数模型建立了土壤介电常数与特定的土壤湿度之间的对应关系.Wang & Schmugg[15]提出了介质混合模型,体现了土壤的物理特性,但在实际应用中,该模型很多要求的土壤物理参数都无法准确获得.为了避开理论模型无法应用于工程实际的问题,研究者已经建立了一些半经验模型.Hallikainen和Dobson 等[16, 17]提出了在1.4 ~18GHz范围内针对含水混合物的介电常数模型,给出了介电常数实部ε和土壤湿度wv(cm3·cm-3)的关系(由于介电常数的虚部很小,所以此处忽略).
(4) |
式中c代表土壤中含粘土的比例,s是含沙土的比例,Hallikainen同时也给出了其他多项式系数经实验得出的各个值.则利用(4)式解方程可由介电常数求出土壤湿度.
此外,Topp等[18]在大量试验基础上,提出土壤湿度wv 与介电常数ε 之间的关系可以用一个三次多项经验公式表示:
(5) |
由此式也可通过介电常数求得土壤体积湿度.这个完全经验公式只和介电常数一个参数有关,该关系式适用于大多数矿质土壤,因此被称为“通用公式".图 3 给出了Topp 模型和Hallikainen 模型的比较.图中可见,当介电常数介于3~70 之间时,两种模型的土壤湿度均随着介电常数的增大而增大,趋势一致,这时反演能够取得较好的结果,而这正是大部分场合含水土壤的介电常数所处的范围.本文主要采用Hallikainen模型.
需要指出的是,两种模型都有其适用范围.图 3显示,当介电常数小于3时,两种模型出现明显的差异,即土壤处于很干燥的状态时,土壤湿度是较难估计准确的.这一点在前期的试验中也证实[13].当介电常数大于70时,Topp模型中土壤湿度增加速度加快,而Hallikainen模型中湿度增长缓慢,两种模型也存在较大的分歧,即在土壤湿度极大时,土壤介电模型仍存在需要探讨的地方.
2.4 关于反射区面积的讨论反射区面积指反射信号接收天线能够接收到的信号反射区域.它受到天线波瓣宽度和菲涅尔半径的双重约束.在空基实验时若按波束宽度计算,则面积很大,故此时反射区域主要受到双基地雷达反射规律的约束.文献[14, 19]中对空基实验的反射面积做了详细的分析,如图 4所示,其反射的菲涅耳区域为一个椭圆,其长短轴a,b分别可以按下式计算:
其中h为空基GPS 接收机距地面的高度,c为光速,γ 为卫星仰角,τ 为相关码片的长度,按码片长1μs计算,cτ =300m, 则空基实验时反射区面积的大小为S= πab.以飞机飞行高度为1000 m, 利用的卫星的仰角为60°计算,其反射区面积为2.9km2.在如此大的范围内所获得的土壤湿度显然是各种地物共同作用的一个结果.
地基实验与空基实验不同,由于接收天线靠近地面,并且在其背部覆盖屏蔽罩,所以其接收的反射信号主要受波瓣宽度限制,在波瓣宽度外的信号较弱,不加以考虑,如图 4中地基接收机所示.若以60°的波瓣宽度计算,反射区半径为
按照双基地雷达的基本原理,反射区的中心点位于发射机与接收机镜像的连线上.在空基或天基实验时,可以通过GPS卫星的星历来求得卫星的位置,通过飞机自身的定位装置来获得空基接收机所在的位置,然后进行迭代来获得反射点的位置.在地基实验时,本地接收机位置固定,而GPS 卫星的仰角和方位角已知,所以可以很方便地求得反射点的位置.从图 4可见,在不同卫星的仰角变化不大时,其反射中心之间的距离不会超出数米,因此,可以近似认为属于同一地块,这也是后续不同卫星数据能够进行统计平均的依据.
2.6 土壤湿度反演的技术路线本实验中土壤湿度反演的技术路线为:
(1) 从GPS软件接收机中获取直达信号功率和反射信号的功率,采用小波消噪技术去除信号中的高频干扰,利用卫星仰角等信息,求得功率反射率.在无干扰的情况下,GPS接收信号功率应该是连续的,没有幅值上的突变,是平稳信号.而观测噪声在频域上表现为高频信号.借助于Daubechies小波变换,可有效地对不同频率成分进行分离.重构时采用低频系数进行重构,即可在去掉高频噪声的同时保证原始信号的变化规律不变.(2)通过反射率求出垂直分量的反射系数.(3)解方程(3)求得ε.(4)选择适合的ε-wv 模型反演得到土壤湿度.(5)配合手持湿度计测量值,和GNSS-R 反演得到的湿度值进行对比,对实验结果进行评价总结.
3 实验过程及结果 3.1 试验过程本次实验的时间是2010年3月25日上午9点至下午15点,之前武汉连续4天下雨,土壤湿润.实验地点选在华中农业大学内两块裸露的试验农田,视野开阔,可以无阻挡地接收GPS 信号.农田内土壤构成成分相似,以粘土为主.其中一处地势低洼,地表有一定粗糙度,湿度值较大,称之为“低洼区",如图 5a所示;另一块地势高且平整,土壤湿度值较小,称之为“平整区",如图 5b所示.实验设备如图中所示,两路GPS天线中右旋圆极化天线波束方向指向天顶,接收GPS 直达信号;左旋圆极化天线指向地面,接收来自地面的反射信号.天线距离待测地面高度为1.5m.两路输入信号在GPS接收机中经过滤波、放大、下混频至数字采样,得到中频数据流.然后完成信号捕获、粗和细跟踪,得到相关函数波形和功率输出.数据通过USB 接口进入计算机,利用软件按照前述算法进行土壤湿度反演.图 6 中方池反射实验也采用同样的设备.
实地数据采用HH2湿度计测量.HH2湿度计由不锈钢水分探头及HH2 水分读表组成,其测量方法为时域反射法,即仪器发射一定频率的电磁波,根据探头输出的电压测量土壤的介电常数,并根据介电常数与湿度的对应关系计算出土壤的湿度.该仪器测量土壤湿度的机理与GNSS-R 有相似之处,同时湿度计探针长度为51 mm, 测得的土壤湿度值也是地表 60m 内的水分含量,和GNSS-R 反演的深度非常接近,故适于本次实验测量.为了加密实际湿度采样,每间隔20cm×20cm 进行测量,每次从反射区域获得10~20个实测值取其平均.
3.2 低洼区土壤湿度测试数据分析表 2中给出了低洼区利用湿度计测得的真实结果.表中土壤湿度平均值达到了0.3197,说明水分完全渗入到地表内,湿度值标准差为0.0253,说明小面积范围内土壤湿度比较均匀一致,土壤构成成分没有较大的变化.
从观测到的GPS数据来看,数据采集过程中从地面反射回来的信号强度较强.这段时间内高仰角卫星包括PRN2、PRN5 和PRN29 等3 颗卫星,它们的仰角均在50°以上,在测量时间内仰角变化只有几度,信号相对稳定,有利于后续的数据处理.图 8为PRN2卫星的直达波和反射波信号强度随时间变化示意图.图中给出了原始信号(虚线)和经过小波滤波处理后的信号(实线).可见直达波功率非常稳定,强度在50~53dB范围内变化;而反射波相对而言,强度变化较大,最小值为32dB,最大可达45dB以上,这是由于接收到的信号有较强的干涉效应.将信号仰角考虑进去,得到PRN2 卫星获得的土壤湿度曲线,如图 9上方图形所示.
从图 9上方图形中还可以看到,在时间段300~600s之间,信号强度出现规律的干涉现象,在图 9下方图形中显示小波分解后高频分量也较多.从几何光学理论角度,GNSS-R 接收的反射信号是由许多的小方块构成的散射面元反射信号的叠加,每个面元具有不同的振幅和相位,因此接收机接收到的信号是多条路径叠加而形成的干涉信号.GPS软件接收机每秒得到1 个采样数据,从图可以计算出干涉图形出现周期是85s左右,这可能跟低洼区的地理位置有关,反射信号可能来自其附近的菜地,导致了规律的强干涉现象.从观测环境角度来看,观测点最好选择地表地貌接近一致的地方,减少干涉现象.其次,两副天线应该有比较好的隔离,避免反射波和直达波之间的干扰.这是保证取得好的观测结果的重要条件.
图 10a为利用单颗卫星PRN2得到的土壤湿度直方图,整个土壤湿度统计频次接近于正态分布,其中0.15~0.3之间的值出现频率最高,随着湿度值变的越小或者越大,出现的频率也逐渐降低.统计后得到PRN2卫星反演得到的湿度均值为0.2432,标准偏差为0.0994,这与湿度计实测结果还存在一定的差距.
低洼区采集数据中高仰角的卫星还有PRN5和PRN29卫星.图 11a给出了经小波滤波后PRN5卫星的直达信号及反射信号,以及反演的土壤湿度曲线.从图可见,PRN5号卫星反演的湿度图也出现了不同程度的干涉现象,湿度值在0.35 上下波动,一些值达到0.5以上.为了联合3颗卫星反演,我们将3颗卫星的统计结果列于表 3中.
从表 3可以看到,虽然单颗卫星反演的湿度值有一定偏差,但是多颗卫星综合结果减小了这种偏差.图 10b 是综合PRN2、PRN5 和PRN29 的卫星反演湿度结果统计,可以看出低洼区湿度主要集中在0.2~0.4之间,和湿度计测量得到的湿度范围吻合.三颗卫星整体反演的湿度均值为0.3312,接近于实测均值0.3197.不过反演结果的标准差较大,说明其估计值有一定波动范围.
3.3 平整区土壤湿度测试数据分析平整区数据采集是在下午14∶00~15∶00点进行的,地表裸露且均匀平整,土壤以粘土为主,含沙量比低洼区要高.经过一个上午的水分蒸发,实验区土壤湿度有下降,湿度计实测数据也证明了这一点.表 4列出了平整区HH2湿度计实测土壤湿度的结果,其中最小值为0.144,最大值为0.290,均值为0.2077,比低洼区小0.1124,标准偏差为0.0337,说明土壤构成成分均匀一致.
GNSS-R 接收机数据采集时间内高仰角的卫星包括PRN18、PRN21、PRN24、PRN26等4颗卫星,仰角均在53°~70°之间.由于PRN24卫星在数据接收过程中反射信号出现了较多的断点,因此反演中舍弃该颗卫星的数据,图 11b 为利用PRN18 卫星信号反演得到的土壤湿度图.
从图中可以看出,PRN18卫星数据反演得到的平整区湿度值均以0.2 为中心波动,PRN18 卫星数据相对稳定,整个测量时间内湿度变化范围较小.在综合处理3颗卫星后得到土壤湿度.表 5是GNSS-R测量统计结果.图 10c则显示了其直方图.
图 10c的平整区测量统计结果显示湿度主要在0.1~0.3之间,其他湿度值频率随湿度减少或者升高而变低,整个平整区湿度统计呈现近似正态分布的状态.三颗高仰角卫星综合反演得到的湿度均值为0.193,接近湿度计实际测量值0.2077.其反演土壤湿度的标准差小于低洼区,说明地表平整对反演结果的波动减小有帮助.
3.4 关于干涉效应的实验
根据前面的实测数据以及国内外的实验[20, 21],干涉效应是导航信号在大面积地球表面遥感中常见的现象.为此我们初步试验了采用低仰角信号的干涉效应进行土壤湿度测量的方法.前述图 7 给出了干涉试验中天线放置图.测量中已知天线距地面高度为1.82m, 地面湿度为0.11,对应土壤介电常数为5.干涉实验的特点表现在接收时采用单个垂直极化天线同时接收直达信号和地面的反射信号(图中放置两个天线只是为了比较天线高度对波形的影响),反射信号与直达信号相比频率相同,强度由反射系数Γ 决定,相位上则由于路程差而增加了相位偏移量
本文通过地基实验,重点研究了基于GPS反射信号的土壤湿度反演方法,得出初步结论.
(1) 对于湿润土壤来说,不管是湿度较高的低洼区,还是湿度相对较低的平整区,GPS 反射信号都可以非常敏感地捕捉到土壤湿度的变化,从而用于测量地表土壤的湿度.平整区和低洼区反演得到的地表土壤湿度接近实测值,相比文献中smex02 数据分析的结果[14](文献中以介电常数作为度量,误差均值为28.5%),误差较小,初步验证了地基GNSS-R技术应用于均匀裸露土壤湿度测量的可行性.地基实验结果较好的原因主要在于地基实验反射区内土壤构成成分的均匀性比空基实验时的大面积土壤的均匀性好.
(2) 数据分析过程中可见,无论是低洼区还是平整区,如果仅用单颗卫星的数据来反演土壤湿度都会有一些差距,这可以从表 3和表 5中看出来,低洼区中PRN2卫星数据较实测均值偏低,而其他两颗星的数据偏高;同样的现象也发生在平整区,PRN18星的数据偏低,而PRN21、PRN26卫星反演湿度偏高.但是综合多颗卫星的数据后,湿度接近于实测值,减小了反演误差.关于多颗卫星数据的联合处理,后续仍是进一步研究的方向.
(3) 地表粗糙程度对反演结果影响较大.在低洼和平整两块区域湿度离散程度不同,说明地貌对湿度反演影响是较大的.低洼区由于地处一口池塘附近,加之周围种有其他农作物,反演的湿度值标准差大,平整区湿度则相对集中,湿度较大或较小的值的比例很小,这可能与其大面积以及周围无植被或水面干涉有关.因此减小反射天线波束宽度,实现对反射面的精确定位是今后的研究方向.
(4) 干涉效应在利用高仰角信号强度进行湿度反演时是有害的,需要通过加强天线之间的隔离,以及增强数据平滑处理等方式来解决.但干涉效应也提供了土壤湿度反演的另外一种方法,这时需要选择低仰角信号以增强这种干涉效应.
虽然利用GNSS-R 技术反演土壤湿度目前还存在很多问题,如理论上需要解决植被覆盖地表和复杂地貌情况下的电波反射建模问题,而工程实践中还需要解决诸如保证直达信号与反射信号接收天线与通道增益一致,以及进行多波束定向测量等技术问题.但该技术具有很大的发展潜力,值得进一步研究和探讨.
致谢中国科学院武汉植物研究所陈防研究员多次提供了必要的仪器设备支持并对数据分析给予了悉心的指导,在此表示衷心的感谢.
[1] | Rodriguez-Alvarez N, Bosch-Lluis X, Camps A, et al. Soil moisture retrieval using GNSS-R techniques: Experimental results over a bare soil field. IEEE Transactions on Geoscience and Remote Sensing , 2009, 47(11): 3616-3624. DOI:10.1109/TGRS.2009.2030672 |
[2] | Grant M S, Acton S T, Katzberg S J. Terrain moisture classification using GPS surface-reflected signals. IEEE Geoscience and Remote Sensing Letters , 2007, 4(1): 41-45. DOI:10.1109/LGRS.2006.883526 |
[3] | Walker J P, Kim E J, England A W. Introduction to the special issue on airborne field campaigns for soil moisture. IEEE Geoscience and Remote Sensing Letters , 2009, 6(4): 623-624. DOI:10.1109/LGRS.2009.2026982 |
[4] | Lie-Chung S, Jyh-Ching J, Ching-Lang T, et al. Stream soil moisture estimation by reflected GPS signals with ground truth measurements. IEEE Transactions on Instrumentation and Measurement , 2009, 58(3): 730-737. DOI:10.1109/TIM.2008.2005821 |
[5] | 王迎强, 严卫, 符养, 等. 机载GPS 反射信号土壤湿度测量技术. 遥感学报 , 2009, 13(4): 678–685. Wang Y Q, Yan W, Fu Y, et al. Soil moisture determination of reflected GPS signals from aircraft platform. Journal of Remote Sensing (in Chinese) (in Chinese) , 2009, 13(4): 678-685. |
[6] | 毛克彪, 王建明, 张孟阳, 等. GNSS-R信号反演土壤水分研究分析. 遥感信息 , 2009(3): 92–96. Mao K B, Wang J M, Zhang M Y, et al. Research on soil moisture inversion by GNSS-R signal. Remote Sensing Information (in Chinese) (in Chinese) , 2009(3): 92-96. |
[7] | 宫晓艳, 胡雄, 吴小成, 等. 大气掩星反演误差特性初步分析. 地球物理学报 , 2007, 50(4): 1017–1029. Gong X Y, Hu X, Wu X C, et al. Preliminary analysis of error characteristics in atmospheric inversion of GPS radio occultation. Chinese J. Geophys. (in Chinese) , 2007, 50(4): 1017-1029. |
[8] | 毕研盟, 毛节泰, 刘晓阳, 等. 应用地基GPS 遥感倾斜路径方向大气水汽总量. 地球物理学报 , 2006, 49(2): 335–342. Bi Y M, Mao J T, Liu X Y, et al. Remote sensing of the amount of water vapor along the slant path using the ground-base GPS. Chinese J. Geophys. (in Chinese) , 2006, 49(2): 335-342. |
[9] | 谢益溪, 拉菲涅特J, 蒙J P, 等. 电波传播-超短波·微波·毫米波. 北京: 电子工业出版社, 1990 . Xie Y X. Electric Wave Propagation Ultrashort Wave· Microwave·Millimeter Wave (in Chinese). Beijing: Publishing House of Electronics Industry, 1990 . |
[10] | Jacobs E, Stacey J M. Atmospheric Attenuation Models for Satellite-To-Earth Links. IEEE Transactions on Aerospace and Electronic Systems , 1974, 10(1): 144-149. |
[11] | Ulaby F T, Moore R K, Fung A K. Microwave Remote Sensing, Volume I, Microwave Remote Sensing Fundamentals and Radiometry. Addison-Wesley Publishing Company , 1981. |
[12] | Jin Y Q. Electromagnetic Scattering Modelling for Quantitative Remote Sensing. Singapore: World Scientific , 1994. |
[13] | 严颂华, 张训械. 基于GNSS-R信号的土壤湿度反演研究. 电波科学学报 , 2010, 25(1): 8–13. Yan S H, Zhang X X. Retrieving soil moisture based on GNSS-R signals. Chinese Journal of Radio Science (in Chinese) (in Chinese) , 2010, 25(1): 8-13. |
[14] | Katzberg S J, Torres O, Grant M S, et al. Utilizing calibrated GPS reflected signals to estimate soil reflectivity and dielectric constant: Results from SMEX02. Remote Sensing of Environment , 2005, 100(1): 17-28. |
[15] | Wang J R, Schmugge T J. An empirical model for the complex dielectric permittivity of soils as a function of water content. IEEE Transactions on Geoscience and Remote Sensing , 1980, 18(4): 288-295. |
[16] | Hallikainen M T, Ulaby F T, Dobson M C, et al. Microwave dielectric behavior of wet soil-PartⅠ: Empirical models and experimental observations. IEEE Transactions on Geoscience and Remote Sensing , 1985, 23(1): 25-34. |
[17] | Dobson M C, Ulaby F T, Hallikainen M T, et al. Microwave dielectric behavior of wet soil-Part II: Dielectric mixing models. IEEE Transactions on Geoscience and Remote Sensing , 1985, 23(1): 35-46. |
[18] | Topp G C, Davis J L, Annan A P. Electromagnetic determination of soil water content: measurements in coaxial transmission lines. Water Resources Research , 1980, 16(3): 574-582. DOI:10.1029/WR016i003p00574 |
[19] | Zuffada C, Elfouhaily T, Lowe S. Sensitivity analysis of wind vector measurements from ocean reflected GPS signals. Remote Sensing of Environment , 2003, 88(3): 341-350. DOI:10.1016/S0034-4257(03)00175-5 |
[20] | Jacobson M D. Snow-covered lake ice in GPS multipath reception-Theory and measurement. Advances in Space Research , 2010, 46(2): 221-227. DOI:10.1016/j.asr.2009.10.013 |
[21] | Kavak A, Vogel W J, Xu G H. Using GPS to measure ground complex permittivity. Electronics Letters , 1998, 34(3): 254-255. DOI:10.1049/el:19980180 |