利用双变量半经验模型改进植被覆盖表面上的GNSS-R土壤湿度反演技术

《Advances in Space Research》：Improved GNSS-R Soil Moisture Retrieval over Vegetated Surfaces using a Bivariate Semi-Empirical Model

　　中山东|双根金|戴晨|彭王
苏州科技大学地理科学与地理信息工程学院，中国苏州215009

**摘要**
星载全球导航卫星系统-反射测量（GNSS-R）是一种创新的遥感技术，用于测量地表土壤湿度（SSM）。尽管以往的研究利用半经验反演模型和机器学习（ML）方法从Cyclone全球导航卫星系统（CYGNSS）任务中估计SSM，但在植被覆盖区域获得准确的SSM估计仍然是一个挑战。即使在半经验模型中使用植被消光校正或在ML方法中结合与植被相关的上下文参数，这一限制仍然存在。为了克服这一挑战，本研究提出了一种参数化的像素级二元回归算法，专门用于GNSS-R SSM估计，尤其是在植被覆盖表面上的性能提升。通过与成熟的像素级单变量线性回归模型和最先进的ML方法（包括XGBoost和随机森林）进行了全面比较。实验结果表明，与像素级线性回归相比，所提出的像素级二元回归模型在全年测试数据集上的准确度提高了7%，显著优于这两种ML模型。通过利用这种二元线性回归框架，植被覆盖表面上的SSM反演准确度得到了显著提高。这些结果证明了参数化回归方法在植被区域进行星载GNSS-R SSM反演的有效性，并支持将其纳入未来的研究。

**引言**
地表土壤湿度（SSM）是一个关键的土壤属性和重要的气候变量，在食品安全、公共卫生和生态系统功能中起着关键作用。它还强烈影响气候模式和极端天气事件，如干旱、洪水和热浪（McColl等人，2017）。作为气候系统的一个组成部分，SSM通过直接和间接反馈机制对气候变化产生影响（Peng等人，2021）。尽管其重要性不言而喻，但由于单次观测技术的限制，大规模、长期、高精度的SSM监测在空间和时间尺度上仍具有挑战性。

在过去的几十年中，各种被动和主动遥感仪器被用来评估土壤湿度。值得注意的是，L波段微波信号在穿透中等植被冠层和检测土壤表层5厘米内的SSM方面表现出显著的优势。例如2009年发射的土壤湿度和海洋盐度（SMOS）任务（Kerr等人，2010）和2015年发射的土壤湿度主动被动（SMAP）任务（Brown等人，2013）对全球范围内的SSM监测做出了重要贡献。这些主要作为辐射计运行的任务提供了低分辨率的观测数据，并具有适度的重访频率，在全球和区域应用中显示出实用性。然而，它们相对较大的空间范围和相关的时空间隙挑战了实时、高精度应用（如农业）的需求。此外，由于这些任务依赖于专用卫星系统且部署成本较高，因此关于可持续性的进一步担忧也随之而来。因此，继续研究一种成本效益高且高度准确的遥感技术以进行大规模、近实时的SSM监测变得十分重要。

星载全球导航卫星系统-反射测量（GNSS-R）作为一种可行的替代方案应运而生（Jin等人，2024）。来自导航星座（如GPS、BDS）的信号被地球表面反射，并由低地球轨道（LEO）卫星上的反射测量传感器接收，从而形成了一种双站前向雷达。GNSS-R最初是为海洋高度测量提出的（Martín-Neira，1993），但随后的实验（Ruf等人，2012；Unwin等人，2016；Xie和Yan，2024）和理论研究（Zavorotny和Voronovich，2000）表明它具有检测多种地球表面地球物理参数的潜力，包括海表面风速（Clarizia等人，2014）和地表SSM（Camps等人，2016）。其相对较低的成本和有前景的应用潜力在科学和操作社区中引起了极大的兴趣。NASA的Cyclone全球导航卫星系统（CYGNSS）是首个专门用于GNSS-R的地球系统科学探路者任务（Ruf等人，2012），进一步强调了GNSS-R在地球观测中的重要作用。

已经开发了多种GNSS-R SSM估计的反演技术。一类方法依赖于半经验回归。这些方法通常从模拟延迟多普勒图（DDM）的峰值功率或类似特征中提取地表有效反射率（SR），然后开发回归算法将SR和上下文辅助因素与SSM联系起来。尽管这类框架已被证明是有用的，但在植物覆盖适中或密集的区域，它们的准确度可能会受到影响。另一类方法包括机器学习（ML）方法，如随机森林（RF）（Breiman，2001）和梯度提升算法，例如极端梯度提升回归（XGBoost）（Chen和Guestrin，2016）。多个输入变量（如植被不透明度、土地覆盖、表面温度、降水和土壤质地）使ML技术能够更好地解释预测因子之间的复杂关系。然而，研究表明，当植被密度增加时，传统的基于回归和ML的方法的准确度往往会降低（Jia等人，2021；Senyurek等人，2020a）。这种性能下降表明，现有方法仍需要改进，以应对植被衰减和表面环境的时空复杂性。

半经验回归模型可以在全球、区域和网格单元级别开发。虽然全球和区域模型整合了粗糙度和植被描述符，但它们通常通过空间不变的系数来描述观测值和目标变量之间的关系。这类模型可能难以表示复杂的、特定于景观的散射行为。基于像素的方案通过为每个单元估计局部回归参数来解决这一问题，从而保留不同土地表面的独特地球物理背景（Dong等人，2025）。例如，反射率-植被-粗糙度（R-V-R）框架应用了一个全球回归方程，将SR、植被不透明度和表面粗糙度与大面积地区的SSM联系起来（Clarizia等人，2019）。尽管总体有效，但在植被区域的性能显著较低，需要针对性的改进或辅助数据（如表面温度和地形）来提高准确度（Huang等人，2024；Zhu等人，2022）。然而，在SSM反演中使用表面温度作为预测因子仍存在争议，特别是当使用SMAP SSM数据作为目标变量时。因为SMAP SSM产品已经在亮度温度模型中使用了表面温度，包括与目标变量高度相关的特征可能会引入循环依赖性，从而削弱GNSS-R数据集在SSM监测中的独立性和独特优势。

与植被和特别是SSM的动态变化相比，准静态因素（如表面粗糙度和地形）的影响基本上是时间不变的（Chew和Small，2018）。因此，在局部区域内建立回归关系的基于像素的建模算法显示出更高的准确度。这种改进得益于它们能够同时考虑SSM-SR变化率的局部异质性和植被通过消光造成的影响（Dong等人，2025；Setti和Tabibi，2025）。然而，即使在植被覆盖相对较高的区域，这些改进算法的准确度也仍然有限，突显了进一步方法论进展的必要性。虽然ML作为一种通过整合多源地理空间特征来提高GNSS-R SSM反演准确度的强大范式已经出现（Rohil和Mathur，2022；Senyurek等人，2020b），但仍存在几个关键挑战。值得注意的是，在密集植被冠层下，ML性能通常会显著下降，因为强烈的信号衰减和复杂的体积散射占主导地位。此外，依赖高维特征集往往导致“黑箱”性质，限制了对潜在散射机制的物理可解释性和透明度。

在这项研究中，通过建立GNSS-R衍生的SR与植被不透明度之间的二元线性关系，提出了一种新的半经验反演方法，通过基于像素的回归来预测SSM。通过明确纳入植被不透明度，该方法旨在解决衰减问题并在密集或异质植被上提高准确度。此外，我们的方法与两种广泛使用的ML方法XGBoost和RF进行了比较，以突出其性能和稳健性。本文的其余部分结构如下：“数据集”部分描述了数据来源和数据预处理步骤；“数据处理和反演算法”部分概述了过滤策略、建模程序和关键方法论贡献；“结果和分析”部分评估和比较了所提出方法和现有方法的性能；“讨论”部分探讨了整合植被参数的实际意义，并指出了局限性和未来方向；“结论”部分总结了我们的主要发现。

**节选**
**CYGNSS数据集**
CYGNSS任务于2016年发射，使用八颗微卫星收集L波段GNSS-R信号。这些卫星在同一轨道平面上运行，倾角约为35°，在泛热带地区（北纬38°至南纬38°之间）提供每日多次重复的海洋和陆地表面观测。每颗卫星都配备了一个四通道GNSS-R接收器，采样频率为1 Hz（2019年7月后提高到2 Hz），能够进行精确的延迟多普勒测绘。

**数据处理**
在陆地应用中，通常假设GNSS L波段信号仅经历相干反射（Chew和Small，2018；Dong等人，2025；Dong和Jin，2021），并且可以通过相干反射方程校准星载GNSS-R测量的SR，如下所示：
$$
\begin{align*}
\cdot\Gamma_{RL}(\cdot_s,\theta) &= \left(\frac{4\pi}{2}\right)^2 P_{coh}(RT + RR)^2 \lambda^2 \frac{GRPT}{GT}
\end{align*}
$$
其中$\Gamma$是校准后的陆地SR，$RL$代表GNSS卫星发射的右旋圆极化信号与反射信号的左旋圆极化散射。

**SSM反演中的特征关系分析**
本研究采用了一种二元拟合方法来描述SSM与CYGNSS衍生的SR和植被不透明度之间的关系。由于二元建模需要比单变量方法更大的训练数据集以获得稳定的参数估计，我们使用了SMAP-IB下降轨道SSM作为参考数据，并检查了一年训练期间每个网格单元的有效重合样本数量。图2显示了匹配的SSM-SR-植被不透明度三重组的空间分布。

**讨论**
本研究探讨了将植被参数直接整合到半经验SSM反演模型中的合理性和实施挑战。通过相关性分析和基于ML的特征重要性评估系统地选择了植被参数，以避免模型开发中的循环依赖性。分析显示植被不透明度与SSM之间存在强烈的正相关（$R = 0.8$），这与VWC与SSM之间的理论预期一致。

**结论**
本研究解决了GNSS-R SSM反演中植被校正程序的根本局限性，特别是传统像素级线性方法在植被覆盖表面上的表现不佳问题。我们开发了一种新的半经验反演算法，通过网格单元级别的二元线性回归将植被不透明度作为主要预测变量纳入其中。该算法建立了SMAP_IB L3参考SSM时间的功能关系。

**未引用参考文献**
Senyurek等人，2020；Senyurek等人，2020。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

**致谢**
我们希望感谢以下机构提供宝贵的数据集和资源，支持了这项研究：国家海洋和大气管理局（NOAA）提供了CYGNSS数据；科罗拉多州博尔德的NASA国家冰雪数据中心（NSIDC）提供了SMAP L3土壤湿度产品；美国地质调查局（USGS）提供了MCD12C1数据。没有他们的贡献，这项研究是不可能完成的。