تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,098,720 |
تعداد دریافت فایل اصل مقاله | 97,206,359 |
برآورد رطوبت حجمی خاک از تداخلسنجی سنجش بازتاب سیستمهای ماهوارهای ناوبری جهانی و تحلیل سری زمانی حاصل با شبکههای عصبی مصنوعی حافظه طولانی کوتاهمدت | ||
فیزیک زمین و فضا | ||
مقاله 2، دوره 50، شماره 2، تیر 1403، صفحه 283-304 اصل مقاله (2.23 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2024.361132.1007533 | ||
نویسندگان | ||
اصغر راست بود* ؛ پاتریشیا دانغیان | ||
گروه نقشه برداری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران. | ||
چکیده | ||
تداخلسنجی سنجش بازتاب سیستمهای ماهوارهای ناوبری جهانی (GNSS-IR) را میتوان بهعنوان یکی دیگر از روشهای سنجش از دور برای پایش رطوبت خاک بهصورت پیوسته و البته در مقیاس محلی در نظر گرفت که در وضعیتهای مختلف جوی مانند شرایط بارانی و مهآلود و در شرایط متفاوت نور و روشنایی مانند روز و شب قابل اجرا است. سیگنالهای بازتابی از سطح زمین توسط آنتنهای GNSS قابل دریافت است. تغییرات در رطوبت خاک باعث تغییر در مقدار مؤلفه نسبت سیگنال به نویز SNRسیگنالهای بازتابی میشود. با تجزیه و تحلیل سیگنالهای بازتابی، میتوان به اطلاعات مفیدی در مورد سطح بازتاب دست یافت. SNR به شدت به رطوبت خاک وابسته است. در این تحقیق دادههای ایستگاه P038 در منطقه نیومکزیکو مورد استفاده قرار میگیرد. بدینصورت که از سیگنالهای چندمسیری برای برآورد تغییرات رطوبت خاک در طول چهار سال، از 2017 تا 2020 استفاده میشود. طبق برآورد انجام شده سطح محتوای حجمی آب در سال 2017، برابر 88/8 درصد میباشد، که در سال 2018 به 74/11 درصد افزایش مییابد. سپس اندکی کاهش یافته و در سال 2019 به 88/10 درصد رسیده و نهایتاً در سال 2020 به 49/12 درصد افزایش مییابد. در این مقاله کارایی شبکههای عصبی حافظه طولانی کوتاهمدت (LSTM) در پیشبینی سری زمانی رطوبت حجمی خاک بهدست آمده از تداخل سیگنالهای بازتابی GNSS مورد ارزیابی قرار میگیرد. آموزش مدل با استفاده از 80 درصد مشاهدات ایستگاه انجام میگیرد. با بهروزرسانی وضعیت شبکه با مقادیر مشاهده شده به جای مقادیر پیشبینیشده، مقدار جذر خطای مربعی میانگین از 09/0 به 04/0 کاهش یافته و پیشبینیها دقیقتر انجام میشوند. | ||
کلیدواژهها | ||
رطوبت حجمی خاک؛ SNR؛ GNSS-IR؛ سری زمانی؛ LSTM | ||
مراجع | ||
Alonso-Arroyo, A., Camps, A., Park, H., Pascual, D., Onrubia, R., & Martín, F. (2014). Retrieval of significant wave height and mean sea surface level using the GNSS-R interference pattern technique: Results from a three-month field campaign. IEEE Transactions on Geoscience and Remote Sensing, 53(6), 3198-3209. Al-Yaari, A., Wigneron, J.-P., Kerr, Y., Rodriguez-Fernandez, N., O'Neill, P.E., Jackson, T. J., De Lannoy, G. J. M., Al Bitar, A., Mialon, A., Richaume, P., Walker, J. P., Mahmoodi, A., & Yueh, S. (2017), Evaluating soil moisture retrievals from ESA's SMOS and NASA's SMAP brightness temperature datasets. Remote Sensing of Environment, 193, 257-273. Baroni, G., Ortuani, B., Facchi, A., & Gandolfi, C. (2013). The role of vegetation and soil properties on the spatio-temporal variability of the surface soil moisture in a maize-cropped field. J. Hydrol, 489,148–159. doi:10.1016/j.jhydrol.2013.03.007. Brocca, L., Morbidelli, R., Melone, F., & Moramarco, T. (2007) Soil moisture spatial variability in experimental areas of central Italy. J. Hydrol, 333, 356–373. doi:10.1016/j.jhydrol.2006.09.004. Cardellach, E., Fabra, F., Rius, A., Pettinato, S., & D'Addio, S. (2012). Characterization of dry-snow sub-structure using GNSS reflected signals. Remote Sensing of Environment, 124, 122-134. Chen, Q., Jiang, W., Meng, X., Jiang, P., Wang, K., Xie, Y., & Ye, J. (2018). Vertical deformation monitoring of the suspension bridge tower using GNSS: A case study of the forth road bridge in the UK. Remote Sensing, 10(3), 364. Chew, C. C., Small, E. E., Larson, K. M., & Zavorotny, V. U. (2013). Effects of near-surface soil moisture on GPS SNR data: Development of a retrieval algorithm for soil moisture. IEEE Transactions on Geoscience and Remote Sensing, 52(1), 537-543. Chew, C. C., Small, E. E., Larson, K. M. & Zavorotny, V. U. (2014). Vegetation sensing using GPS-interferometric reflectometry: Theoretical effects of canopy parameters on signal-to-noise ratio data. IEEE Transactions on Geoscience and Remote Sensing, 53(5), 2755-2764. Chew, C. C., Small, E. E., Larson, K. M., & Zavorotny, V. U. (2015). Vegetation sensing using GPS-interferometric reflectometry: theoretical effects of canopy parameters on signal-to-noise ratio data. IEEE Trans Geosci Remote Sens, 53, 2755–2764 Dobson, M. C., Ulaby, F. T., Hallikainen, M. T., & El-Rayes, M. A. (1985). Microwave dielectric behavior of wet soil-Part II: Dielectric mixing models. IEEE Transactions on geoscience and remote sensing, 1, 35-46. Du, K. L., & Swamy, M. N., (2006). Neural networks in a softcomputing framework, Springer. Entekhabi, B. D., Njoku, E. G., Neill, P. E. O., Kellogg, K. H., Crow, W. T., Edelstein, W. N., Entin, J. K., Goodman, S. D., Jackson, T. J., Johnson, J., Kimball, J., Piepmeier, J. R., Koster, R. D., Martin, N., McDonald, K. C., Moghaddam, M., Moran, S., Reichle, R., & Shi, J. C. (2010). The soil moisture active passive (SMAP) mission. Proc IEEE, 98,704–716. Famiglietti, J. S., Rudnicki, J. W., & Rodell, M. (1998). Variability in surface moisture content along a hillslope transect: Rattlesnake Hill, Texas. J. Hydrol., 210, 259–281. doi:10.1016/S0022-1694(98)00187-5. Ferrazzoli, P., Guerriero, L., Pierdicca, N., & Rahmoune, R. (2011). Forest biomass monitoring with GNSS-R: Theoretical simulations. Advances in Space Research, 47(10), 1823-1832. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM. Neural Computation. 12 (10), 2451–2471. doi:10.1162/089976600300015015. Gomez-Plaza, A., Martinez-Mena, M., Albaladejo, J., & Castillo, V. M. (2001). Factors regulating spatial distribution of soil water content in small semiarid catchments. J. Hydrol., 253, 211–226. Greff, K., Srivastava, R. K., Koutník, J., Steunebrink, B. R., & Schmidhuber, J. (2017). LSTM: A Search Space Odyssey, in IEEE Transactions on Neural Networks and Learning Systems, 28 (10), 2222-2232, doi: 10.1109/TNNLS.2016.2582924. Hochreiter, S., & Schmidhuber, J. (1996). LSTM can solve hard long time lag problems. Advances in Neural Information Processing Systems. Jackson, T. J., Le-Vine, D. M., Swifi, C. T., & Schmugge, T. J. (1995). Large area mapping of soil moisture using the ESTAR passive microwave radiometer in washita’92. Remote Sens Environ, 53,27–37. Jackson, T. J., & Le-Vine, D. E. (1996). Mapping surface soil moisture using an aircraft-based passive microwave instrument: algorithm and example. J. Hydrol, 184, 85–99. Kerr, Y. H., Waldteufel, P., Wigneron, J., Martinuzzi, J., Font, J., & Berger, M. (2001). Soil moisture retrieval from space: the soil moisture and ocean salinity (SMOS) mission. IEEE Trans Geosci Remote Sens, 39,1729–1735. Larson, K. M., Braun, J. J., Small, E. E., Zavorotny, V. U., Gutmann, E. D., & Bilich, A. L. (2009). GPS multipath and its relation to near-surface soil moisture content. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 3(1), 91-99. Larson, K. M., Small, E. E., Gutmann, E., Bilich, A., Axelrad, P., & Braun, J. (2008). Using GPS multipath to measure soil moisture fluctuations: initial results. GPS solutions, 12(3), 173-177. Larson, K. M., & Small, K. M. (2013). Estimation of Snow Depth Using L1 GPS Signal-to-Noise Ratio Data. in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(10), 4802-4808. doi: 10.1109/JSTARS.2015.2508673. Larson, K. M., & Nievinski, F. G. (2013). GPS snow sensing: results from the Earthscope Plate Boundary Observatory. GPS Solutions, 17, 41–52. doi:10.1007/s10291-012-0259-7. Li, X., Dick, G., Lu, C., Ge, M., Nilsson, T., Ning, T., Wickert, J., & Schuh, H. (2015). Multi-GNSS meteorology: real-time retrieving of atmospheric water vapor from BeiDou, Galileo, GLONASS, and GPS observations. IEEE Transactions on Geoscience and Remote Sensing, 53(12), 6385-6393. Luo, X., Yan, S., Shan, J., Yan, H., & Wang, H. (2016). Using the BDS-R signal for soil moisture estimation. China Satellite Navigation Conference (CSNC) 2016 Proceedings: Volume I, Springer. Mao, K., Wang, J., & Zhang, M. (2009). The study of soil moisture retrieval from GNSS_R signals based on AIEM model and experiment data. High Tech Lett, 3, 295-301. Martín, A., Ibáñez, S., Baixauli, C., Blanc, S., & Anquela, A. B., (2020), Multi-constellation GNSS interferometric reflectometry with mass-market sensors as a solution for soil moisture monitoring. Hydrology and Earth System Sciences, 24, 3573–3582. Mashburn, J., P. Axelrad, S. T. Lowe & K. M. Larson (2016). An assessment of the precision and accuracy of altimetry retrievals for a monterey bay GNSS-R experiment. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(10), 4660-4668. Mashburn, J., Axelrad, P., Lowe, S. T. & Larson, K. M., (2018). Global ocean altimetry with GNSS reflections from TechDemoSat-1. IEEE Transactions on Geoscience and Remote Sensing, 56(7), 4088-4097. Masters, D. (2004). Surface remote sensing applications of GNSS bistatic radar: Soil moisture and aircraft altimetry, University of Colorado at Boulder. Mladenova, I., Lakshmi, V., Jackson, T. J., Walker, J. P., Merlin, O., & De-Jeu, R. A., (2011). Validation of AMSR-E soil moisture using L-band airborne radiometer data from National Airborne Field Experiment 2006. Remote Sens Environ, 115, 2096–2103. doi:10.1016/j.rse.2011.04.011. Rajkai, K., & Ryden, B. E. (1992). Measuring areal soil moisture distribution with the TDR method. Geoderma, 52, 73–85. Robock, A., Vinnikov, K. Y., Srinivasan, G., Entin, J. K., Hollinger, S. E., Speranskaya, N. A., Liu, S., & Namkhai, A. (2000). The global soil moisture data bank. Bull Am Meteorol Soc, 81, 1281–1299. Rodriguez-Alvarez, N., Aguasca, A., Valencia, E., Bosch-Lluis, X., Ramos-Pérez, I., Park, H., Camps, A., & Vall-Llossera, M. (2011a). Snow monitoring using GNSS-R techniques. 2011 IEEE International Geoscience and Remote Sensing Symposium, IEEE. Rodriguez-Alvarez, N., Bosch-Lluis, X., Camps, A., Ramos-Perez, I., Valencia, E., Park, H., & Vall-Llossera, M. (2011b). Vegetation water content estimation using GNSS measurements. IEEE Geoscience and Remote Sensing Letters, 9(2), 282-286. Schwank, M., Matzler, C., Guglielmetti, M., & Fluhler, H. (2005). L-Band radiometer measurements of soil water under growing clover grass. IEEE Trans Geosci Remote Sens, 43, 2225–2237. Tavakol, A., Rahmani, V., Quiring, S. M., Kumar, S. V. (2019). Evaluation analysis of NASA SMAP L3 and L4 and SPoRT-LIS soil moisture data in the United States. Remote Sensing of Environment, 229, 234-246. Wan, W., Larson, K. M., Small, E. E., Chew, C. C., & Braun, J. J. (2014). Using geodetic GPS receivers to measure vegetation water content. GPS Solut. doi:10.1007/s10291-014-0383-7. Xin, W., Qiang, S., XunXie, Z., DaRen, L., LianJun, S., Xiong, H., Giulio, R., Stephen, D., & Soulat, F. (2008). First China ocean reflection experiment using coastal GNSS-R. Chinese Science Bulletin, 53(7), 1117-1120. Yu, K. (2014). Tsunami-wave parameter estimation using GNSS-based sea surface height measurement. IEEE Transactions on Geoscience and Remote Sensing, 53(5), 2603-2611. Yu, K. (2016). Tsunami lead wave reconstruction based on noisy sea surface height measurements. Proc. Int. Archives Photogrammetry, Remote Sens. Spatial Inf. Sci. Zhang, S., Wang, T., Wang, L., Zhang, J., Peng, J., & Liu, Q. (2021). Evaluation of GNSS-IR for Retrieving Soil Moisture and Vegetation Growth Characteristics in Wheat Farmland. Journal of Surveying Engineering, 147(3), https://doi.org/10.1061/(ASCE)SU.1943-5428.0000355. Zavorotny, V. U., Larson, K. M., Braun, J. J., Small, E. E., Gutmann, E. D., Bilich, A. L. (2010). A physical model for GPS multipath caused by land reflections: toward bare soil moisture retrievals. IEEE J Sel Top Appl Earth Obs Remote Sens, 3, 1–11. | ||
آمار تعداد مشاهده مقاله: 694 تعداد دریافت فایل اصل مقاله: 556 |