一种基于CYGNSS卫星数据的土壤盐分反演方法和系统

摘要

本申请涉及根据所测试的材料性质而改变入射光的系统技术领域，提供了一种基于CYGNSS卫星数据的土壤盐分反演方法和系统。该方法包括：根据ICESat‑2卫星数据，计算目标区域中不同土地类型下的地表粗糙度，根据所述地表粗糙度参数和预先获取的植被光学厚度，对所述CYGNSS卫星数据中的NBRCS数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；对第一菲涅尔反射率进行入射角归一化处理，得到目标区域的第二菲涅尔反射率；对第二菲涅尔反射率进行格网化处理，得到目标区域中每个格网的第三菲涅尔反射率；根据第三菲涅尔反射率，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演。

权利要求

1.一种基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，包括：根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS；

基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；

对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率；

对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率；

根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演；

其中，目标区域的土壤复介电常数的影响因子集合包括：所述土壤水分数据、所述地表温度数据、所述土壤性状参数；所述土壤性状参数包括：土壤含沙比例、土壤含黏比例、土壤容重中的一种或多种。

2.根据权利要求1所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS，具体为：按照公式：

计算所述目标区域中不同土地类型下的地表粗糙度MSS；

式中：s为根据所述ICESat‑2卫星数据中每个光子的地表高度信息计算得到的地表均方根高度，用于表征所述目标区域中不同土地类型下的地表垂直粗糙度；l为根据所述ICESat‑2卫星数据中每个光子地表高度信息，通过高斯相关函数计算得到的地表相关长度；用于表征所述目标区域中不同土地类型下的地表水平粗糙度。

3.根据权利要求1所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率，具体为：基于所述CYGNSS卫星数据中的点位置，对所述CYGNSS卫星数据和预先获取的SMAP卫星数据进行融合，得到融合数据；

基于所述融合数据，根据所述CYGNSS卫星数据中的归一化双基雷达横截面数据，按照公式：计算得到所述目标区域的不同入射角的第一菲涅尔反射率Гrl；

式中：σ0为所述CYGNSS卫星数据中的归一化双基雷达横截面数据；θ为所述CYGNSS卫星数据的入射角；τ为所述预先获取的植被光学厚度VOD；MSS表示所述地表粗糙度参数。

4.根据权利要求1所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率，具体为：基于预设的修正函数，按照公式：

计算得到所述目标区域的第二菲涅尔反射率；

式中：Гr（lε，0）为所述第二菲涅尔反射率，即将所述目标区域中所述CYGNSS卫星数据的入射角归一化处理为0°后得到的菲涅尔反射率；Гr（lε，θ）表示所述CYGNSS卫星数据的入射角为θ时所述目标区域的第一菲涅尔反射率；f（θ）为预设的所述修正函数；ε表示所述目标区域的土壤复介电常数；θ为所述目标区域中所述CYGNSS卫星数据的入射角。

5.根据权利要求1所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率，具体为：基于预设的格网大小，将所述目标区域划分为多个格网；

对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率。

6.根据权利要求5所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对所述目标区域的土壤盐分进行反演，具体为：以所述根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数为梯度提升随机树算法的自变量，所述目标区域的土壤电导率为因变量，构建所述土壤盐分反演模型；

以所述目标区域中所述多个格网作为样本集，对所述土壤盐分反演模型进行训练，得到训练完成的所述土壤盐分反演模型；

基于训练完成的所述土壤盐分反演模型，对所述目标区域的土壤盐分进行反演。

7.根据权利要求6所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述以所述目标区域中所述多个格网作为样本集，对所述土壤盐分反演模型进行训练，得到训练完成的所述土壤盐分反演模型，包括：所述以所述目标区域中所述多个格网作为样本集，并按预设比例对所述样本集进行划分，得到所述土壤盐分反演模型的训练集和验证集；

基于所述土壤盐分反演模型的训练集和验证集，对所述土壤盐分反演模型进行训练，得到训练完成的所述土壤盐分反演模型。

8.根据权利要求6所述的基于CYGNSS卫星数据的土壤盐分反演方法，其特征在于，所述基于训练完成的所述土壤盐分反演模型，对所述目标区域的土壤盐分进行反演，包括：基于训练完成的所述土壤盐分反演模型，确定所述目标区域中每个格网的土壤电导率；

对所述目标区域中每个格网的土壤电导率进行插值处理，得到所述目标区域的土壤盐分分布信息。

9.一种基于CYGNSS卫星数据的土壤盐分反演系统，其特征在于，包括：计算单元，配置为根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS；

校正单元，配置为基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；

归一化单元，配置为对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率；

格网化单元，配置为对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率；

反演单元，配置为根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；

以基于土壤盐分反演模型对目标区域的土壤盐分进行反演；

其中，目标区域的土壤复介电常数的影响因子集合包括：所述土壤水分数据、所述地表温度数据、所述土壤性状参数；所述土壤性状参数包括：土壤含沙比例、土壤含黏比例、土壤容重中的一种或多种。

说明书

一种基于CYGNSS卫星数据的土壤盐分反演方法和系统

技术领域

[0001] 本申请涉及根据所测试的材料性质而改变入射光的系统技术领域，特别涉及一种基于CYGNSS卫星数据的土壤盐分反演方法和系统。

背景技术

[0002] 近年来，全球土壤盐渍化已经成为导致全球土地退化的一大重要环境问题，目前受盐渍化影响的土地面积正逐年快速增加。传统的土壤盐渍化监测方法有三种：第一种是基于采样点的方法，其基于野外采样结合室内化验分析得到采样点的土壤盐渍化信息，但这种方法耗时耗力且只能获得较小空间范围内某一时间段的土壤盐渍化信息，无法监测大区域、实时动态的土壤盐渍化分布及变化规律。第二种土壤盐渍化监测方法是光学遥感，光学遥感手段基于建立不同光谱反射率和土壤盐分之间的经验模型对土壤盐渍化进行监测，然而，这种方法由于受到天气条件的影响，普适性较差，导致无法推广至不同的研究区域乃至全球；同时，光学遥感因植被冠层的影响而无法监测下垫面，难以直接反映土壤信息，监测精度不高。第三种土壤盐渍化监测方法是微波遥感，虽已有研究表明部分微波遥感的后向散射系数与土壤盐分具有一定敏感性，但微波遥感数据的空间分辨率较低，难以满足实际应用的需求。

[0003] 因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

[0004] 本申请的目的在于提供一种基于CYGNSS卫星数据的土壤盐分反演方法和系统，以解决或缓解上述现有技术中存在的问题。

[0005] 为了实现上述目的，本申请提供如下技术方案：

[0006] 本申请提供了一种基于CYGNSS卫星数据的土壤盐分反演方法，该方法包括：

[0007] 根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS；

[0008] 基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；

[0009] 对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率；

[0010] 对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率；

[0011] 根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演；

[0012] 其中，所述土壤性状参数为所述目标区域的土壤复介电常数的影响因子集合中除所述土壤水分数据、所述地表温度数据之外，所述目标区域的土壤复介电常数的其它影响因子集合。

[0013] 优选地，所述根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS，具体为：

[0014] 按照公式：

[0015]

[0016] 计算所述目标区域中不同土地类型下的地表粗糙度MSS；

[0017] 式中：s为根据所述ICESat‑2卫星数据中每个光子的地表高度信息计算得到的地表均方根高度，用于表征所述目标区域中不同土地类型下的地表垂直粗糙度；l为根据所述ICESat‑2卫星数据中每个光子地表高度信息，通过高斯相关函数计算得到的地表相关长度；用于表征所述目标区域中不同土地类型下的地表水平粗糙度。

[0018] 优选地，所述基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率，具体为：

[0019] 基于将所述CYGNSS卫星数据中的点位置，对所述CYGNSS卫星数据和预先获取的SMAP卫星数据进行融合，得到融合数据；

[0020] 基于所述融合数据，根据所述CYGNSS卫星数据中的归一化双基雷达横截面数据，按照公式：

[0021]

[0022] 计算得到所述目标区域的不同入射角的第一菲涅尔反射率Гrl；

[0023] 式中：σ0为所述CYGNSS卫星数据中的归一化双基雷达横截面数据；θ为所述CYGNSS卫星数据的入射角；τ为所述预先获取的植被光学厚度VOD；MSS表示所述地表粗糙度参数。

[0024] 优选地，所述对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率，具体为：

[0025] 基于预设的修正函数，按照公式：

[0026] Γrl(ε,0)＝Γrl(ε,θ)/f(θ)

[0027] 计算得到所述目标区域的第二菲涅尔反射率；

[0028] 式中：Гrl(ε，0)为所述第二菲涅尔反射率，即将所述目标区域中所述CYGNSS卫星数据的入射角归一化处理为0°后得到的菲涅尔反射率；Гrl(ε，θ)表示所述CYGNSS卫星数据的入射角为θ时所述目标区域的第一菲涅尔反射率；f(θ)为预设的所述修正函数；ε表示所述目标区域的土壤复介电常数；θ为所述目标区域中所述CYGNSS卫星数据的入射角。

[0029] 优选地，所述对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率，具体为：

[0030] 基于预设的格网大小，将所述目标区域划分为多个格网；

[0031] 对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率。

[0032] 优选地，所述根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对所述目标区域的土壤盐分进行反演，具体为：

[0033] 以所述根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数为梯度提升随机树算法的自变量，所述目标区域的土壤电导率为因变量，构建所述土壤盐分反演模型；

[0034] 以所述目标区域中所述多个格网作为样本集，对所述土壤盐分反演模型进行训练，得到训练完成的所述土壤盐分反演模型；

[0035] 基于训练完成的所述土壤盐分反演模型，对所述目标区域的土壤盐分进行反演。

[0036] 优选地，所述以所述目标区域中所述多个格网作为样本集，对所述土壤盐分反演模型进行训练，得到训练完成的所述土壤盐分反演模型，包括：

[0037] 所述以所述目标区域中所述多个格网作为样本集，并按预设比例对所述样本集进行划分，得到所述土壤盐分反演模型的训练集和验证集；

[0038] 基于所述土壤盐分反演模型的训练集和验证集，对所述土壤盐分反演模型进行训练，得到训练完成的所述土壤盐分反演模型。

[0039] 优选地，所述基于训练完成的所述土壤盐分反演模型，对所述目标区域的土壤盐分进行反演，包括：

[0040] 基于训练完成的所述土壤盐分反演模型，确定所述目标区域中每个格网的土壤电导率；

[0041] 对所述目标区域中每个格网的土壤电导率进行插值处理，得到所述目标区域的土壤盐分分布信息。

[0042] 优选地，所述土壤性状参数包括土壤含沙比例、土壤含黏比例、土壤容重中的一种或多种。

[0043] 本申请实施例提供一种基于CYGNSS卫星数据的土壤盐分反演系统，包括：

[0044] 计算单元，配置为根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS；

[0045] 校正单元，配置为基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；

[0046] 归一化单元，配置为对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率；

[0047] 格网化单元，配置为对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率；

[0048] 反演单元，配置为根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演；

[0049] 其中，所述土壤性状参数为所述目标区域的土壤复介电常数的影响因子集合中除所述土壤水分数据、所述地表温度数据之外，所述目标区域的土壤复介电常数的其它影响因子集合。

[0050] 有益效果：

[0051] 本申请中，首先根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS，从而建立目标区域中不同土地类型与地表粗糙度MSS之间的对应关系；然后基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；对第一菲涅尔反射率进行入射角归一化处理，得到目标区域的第二菲涅尔反射率，从而通过入射角归一化处理提高数据精度；对第二菲涅尔反射率进行格网化处理，得到目标区域中每个格网的第三菲涅尔反射率；根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演。

[0052] 如此，提供了一种基于非相干假设下的CYGNSS卫星数据的土壤盐分反演方法，该方法基于土壤盐分对CYGNSS卫星信号反射率的贡献，充分利用CYGNSS卫星数据时空分辨率高、覆盖范围广、多角度监测、更新快的特点，快速反演得到全球范围内具有较高分辨率的土壤电导率，从而实时动态获取研究区域的整体土壤盐分分布情况，提高了该方法的普适性。

附图说明

[0053] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：

[0054] 图1为根据本申请的一些实施例提供的基于CYGNSS卫星数据的土壤盐分反演方法的流程示意图；

[0055] 图2为根据本申请的一些实施例提供的f(θ)函数的数值解形式的示意图；

[0056] 图3为根据本申请的一些实施例提供的土壤盐分反演模型训练的流程示意图；

[0057] 图4为根据本申请的一些实施例提供的基于CYGNSS卫星数据的土壤盐分反演系统的结构示意图。

具体实施方式

[0058] 下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。

[0059] 在以下描述中，所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

[0060] 除另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。

[0061] 对本公开实施例进行进一步详细说明之前，对本公开实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用如下的解释。

[0062] 1)ICESat‑2卫星：用于探测地球表面的冰层、云层和地表层的高度。ICESat‑2卫星搭载先进的激光装置ATLAS(高级地形激光测高仪系统)，能够提供有关冰融化的确切位置和速度相关的数据，测量地球冰的变化，监控气候变化造成的影响。

[0063] 2)旋风全球导航卫星系统(Cyclone Global Navigation Satellite System,CYGNSS)：作为星载GNSS‑R(Global Navigation Satellite System Reflectometry)子任务，其信号可用于地表参数监测。相比于其他遥感手段，CYGNSS具有时空分辨率高、覆盖范围广、多角度监测等诸多优点。

[0064] 3)梯度提升随机树(Gradient Boosting Decision Tree)算法：属于集成算法中boosting类的一种算法，通过串联多棵CART回归树，完成损失函数优化。

[0065] 示例性方法

[0066] 本申请实施例提供一种基于CYGNSS卫星数据的土壤盐分反演方法，如图1所示，该方法包括：

[0067] 步骤S101、根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS。

[0068] 需要说明的是，ICESat‑2卫星上搭载的是激光装置，所获取的数据为条带状的激光数据，并未对目标区域的地表形成全面覆盖，因此，在计算地表粗糙度MSS时，需要结合SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS，从而得到土地类型与对应的地表粗糙度MSS的查找表。基于该查找表和全面覆盖目标区域的SMAP卫星数据中的土地分类信息，能够得到目标区域任意位置的地表粗糙度MSS，为后期CYGNSS地表粗糙度校正提供参数。

[0069] 其中，不同土地类型下的地表粗糙度MSS取值如表1所示，表1如下：

[0070] 表1不同土地类型下的mss值

[0071]

[0072]

[0073] 在一些实施例中，所述根据ICESat‑2卫星数据，计算目标区域中不同土地类型下的地表粗糙度MSS，具体为：

[0074] 首先，获取ICESat‑2卫星数据中每个光子i的位置信息和地表高度zi。其中，ICESat‑2卫星数据中每个光子i的位置信息用于后续基于位置信息进行数据融合，地表高度zi用于计算地表粗糙度MSS的各项参数。

[0075] 然后，根据目标区域的地表均方根高度和地表相关长度，按照公式：

[0076]

[0077] 计算目标区域中不同土地类型下的地表粗糙度MSS；

[0078] 式中：s为根据ICESat‑2卫星数据中每个光子的地表高度信息计算得到的地表均方根高度，用于表征目标区域中不同土地类型下的地表垂直粗糙度；l为根据ICESat‑2卫星数据中每个光子地表高度信息，通过高斯相关函数计算得到的地表相关长度；用于表征目标区域中不同土地类型下的地表水平粗糙度。

[0079] 其中，地表相关长度l的计算步骤如下：

[0080] 一维离散条件下，高斯相关函数形式如下：

[0081]

[0082] 式中，N表示目标区域的ICESat‑2卫星数据中光子的总数，zi、zj+i‑1表示地表高度。

[0083] 其中：

[0084] ξ＝(j‑1)△x

[0085] 式中，△x表示相邻两个光子之间的水平间距。

[0086] 当高斯相关函数ρ(ξ)＝e‑1时，ξ的值即为目标区域的地表相关长度l。

[0087] 地表均方根高度s的计算公式如下：

[0088]

[0089] 式中，表示目标区域中ICESat‑2卫星数据的地表高度平均值。

[0090] 步骤S102、基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据(NBRCS)进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率。

[0091] 在一些实施例中，基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据(NBRCS)进行校正，得到目标区域的不同入射角的第一菲涅尔反射率，具体为：基于将CYGNSS卫星数据中的点位置，对CYGNSS卫星数据和预先获取的SMAP卫星数据进行融合，得到融合数据；基于融合数据，根据CYGNSS卫星数据中的归一化双基雷达横截面数据，按照公式：

[0092]

[0093] 计算得到目标区域的不同入射角的第一菲涅尔反射率Гrl；

[0094] 式中：σ0为CYGNSS卫星数据中的归一化双基雷达横截面数据；θ为CYGNSS卫星数据的入射角；τ为预先获取的植被光学厚度VOD，从SMAP卫星数据中提取得到；MSS表示地表粗糙度参数。

[0095] 上式也可以称为GNSS信号传输过程的几何光学模型。

[0096] 具体实施时，首先，提取CYGNSS L1数据集中的NBRCS和入射角参数，以及SMAP数据集中的植被光学厚度(VOD)。

[0097] 其中，SMAP数据集为预先获取的SMAP卫星的观测数据，该卫星同时使用雷达采集和辐射计采集数据，可在1～3d的时间分辨率以及3、10和40km的空间分辨率下提供土壤表层5cm的土壤含水量数据。除植被光学厚度(VOD)之外，SMAP数据集还可以包括土地分类信息、土壤水分数据。

[0098] 然后，基于将CYGNSS卫星数据中的点位置，对CYGNSS卫星数据和预先获取的SMAP卫星数据进行融合，得到融合数据。

[0099] 需要说明的是，CYGNSS卫星数据为离散点数据，可以理解为点状矢量数据，每一个点具有空间位置信息，并且，CYGNSS卫星数据并未实现全球范围覆盖。而SMAP卫星数据则对全球范围地表的覆盖度较好，在南北纬40度以下均可获取较好的地表覆盖数据。

[0100] 具体实施时，根据CYGNSS卫星数据中离散点的位置信息，查找距离该点最近的SMAP卫星数据，并将SMAP卫星数据中的植被光学厚度、土地分类信息、土壤水分数据与该点相关联，从而得到包括植被光学厚度、土地分类信息、土壤水分数据的融合数据。

[0101] 可以理解地，还可以用同样的步骤，将基于ICESat‑2卫星数据计算得到的地表粗糙度MSS与CYGNSS卫星数据进行融合，从而建立CYGNSS卫星数据中的点与地表粗糙度MSS之间的关联，得到包含地表粗糙度MSS的融合数据。

[0102] 最后，基于融合数据，根据CYGNSS卫星数据中的归一化双基雷达横截面数据，按照GNSS信号传输过程的几何光学模型，对地表粗糙度和植被衰减进行校正，解算出菲涅尔反射率，即可得到目标区域的不同入射角的第一菲涅尔反射率Гrl。

[0103] 步骤S103、对第一菲涅尔反射率进行入射角归一化处理，得到目标区域的第二菲涅尔反射率。其中，第二菲涅尔反射率也称为归一化菲涅尔反射率。

[0104] 需要说明的是，入射角较大时，卫星信号的质量会受到显著的影响，因此在步骤S102计算第一菲涅尔反射率之前，先将入射角大于65°的CYGNSS卫星数据剔除，只保留入射角在65°以下信号的菲涅尔反射率。

[0105] 其中，菲涅尔反射率是关于信号复介电常数ε和入射角θ的函数，表示为Гrl(ε，θ)。本申请实施例中，通过引入修正函数f(θ)将在65°以下信号的所有菲涅尔反射率的入射角归一化至0°，得到目标区域的第二菲涅尔反射率。

[0106] 作为本申请的一个实施例，对第一菲涅尔反射率进行入射角归一化处理，得到目标区域的第二菲涅尔反射率，具体为：

[0107] 基于预设的修正函数，按照公式：

[0108] Γrl(ε,0)＝Γrl(ε,θ)/f(θ)

[0109] 计算得到目标区域的第二菲涅尔反射率；

[0110] 式中：Гrl(ε，0)为第二菲涅尔反射率，即将目标区域中CYGNSS卫星数据的入射角归一化处理为0°后得到的菲涅尔反射率；Гrl(ε，θ)表示CYGNSS卫星数据的入射角为θ时目标区域的第一菲涅尔反射率；f(θ)为预设的修正函数；ε表示目标区域的土壤复介电常数；θ为目标区域中CYGNSS卫星数据的入射角。

[0111] 其中，通过设置不同的复介电常数对修正函数f(θ)进行拟合可知，修正函数f(θ)几乎不受复介电常数影响，可以用数值解形式表示，如图2所示。

[0112] 通过对第一菲涅尔反射率进行归一化处理，能够消除卫星信号入射角对菲涅尔反射率的影响，只保留复介电常数对菲涅尔反射率的影响，为后续的基于复介电常数确定模型的自变量以进行模型训练奠定基础。

[0113] 步骤S104、对第二菲涅尔反射率进行格网化处理，得到目标区域中每个格网的第三菲涅尔反射率。

[0114] 在一些实施例中，对第二菲涅尔反射率进行格网化处理，得到目标区域中每个格网的第三菲涅尔反射率，具体为：基于预设的格网大小，将目标区域划分为多个格网；对第二菲涅尔反射率进行格网化处理，得到目标区域中每个格网的第三菲涅尔反射率。

[0115] 具体实施时，预设的格网大小根据目标区域的大小以及研究目的确定。示例性地，本申请实施例中，将目标区域划分为0.1°×0.1°的基本单元，即格网大小为0.1°×0.1°。

[0116] 在对第二菲涅尔反射率进行格网化处理时，每个格网可能包括多个CYGNSS卫星数据的离散点，此时所述格网化处理包括：先剔除离散点中的异常数据，然后对每个格网中的所有离散点的第二菲涅尔反射率取均值，得到该格网的第三菲涅尔反射率

[0117] 其中，异常数据的判定规则为：若离散点对应的第二菲涅尔反射率大于预设的上限阈值或者小于预设的下限阈值，则认为该点是离群值，或称为异常数据，需要将其剔除。

[0118] 通过格网化处理，得到每个格网的归一化菲涅尔反射率，从而形成土壤盐分反演模型的样本集，为后续的土壤盐分反演模型训练提供了基础。

[0119] 步骤S105、根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演；其中，土壤性状参数为目标区域的土壤复介电常数的影响因子集合中除土壤水分数据、地表温度数据之外，目标区域的土壤复介电常数的其它影响因子集合。

[0120] 在一可选实施例中，土壤性状参数包括土壤含沙比例Sand％、土壤含沙比例Clay％、土壤容重BD(Bulk Density)中的一种或多种。

[0121] 需要说明的是，通过前述归一化处理，每个格网的归一化菲涅尔反射率(即第三菲涅尔反射率 )只由土壤复介电常数决定。

[0122] 申请人研究发现，土壤复介电常数除了受土壤盐分影响之外，土壤水分SM(Soil Moisture)、土壤含沙比例Sand％、土壤含沙比例Clay％、土壤容重BD(Bulk Density)以及地表温度LST(Land Surface Temperature，LST)共同决定复介电常数值。

[0123] 在一些实施例中，根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树(GBRT)算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演，具体为：以根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数为梯度提升随机树算法的自变量，目标区域的土壤电导率(Electric Conductivity，EC)为因变量，构建土壤盐分反演模型；以目标区域中多个格网作为样本集，对土壤盐分反演模型进行训练，得到训练完成的土壤盐分反演模型；基于训练完成的土壤盐分反演模型，对目标区域的土壤盐分进行反演。

[0124] 本申请实施例中，将 SM、Sand％、Clay、BD和LST作为自变量的特征参数、土壤电导率EC作为因变量输入至GBRT算法，构建土壤盐分反演模型，并以目标区域中多个格网作为样本集，对土壤盐分反演模型进行训练，得到训练完成的土壤盐分反演模型。

[0125] 其中，土壤水分数据从SMAP数据集中提取得到；土壤含沙比例、土壤含沙比例土壤容重从世界土壤数据库提供的HWSD的数据库文件中提取得到；地表温度从MODIS卫星数据中获取。

[0126] 土壤盐分反演模型训练的流程示意图如图3所示。从图3可以看出，基于GBRT算法，土壤盐分反演模型将自变量组成的向量xi输入到模型中，通过残差r1i，r2i……和适应值c1i，c2i……对多个基学习器f0(x)，f1(x)、f2(x)……进行修正，最终得到训练完成的土壤盐分反演模型F(x)。

[0127] 在另一实施例中，以目标区域中多个格网作为样本集，对土壤盐分反演模型进行训练，得到训练完成的土壤盐分反演模型，包括：以目标区域中多个格网作为样本集，并按预设比例对样本集进行划分，得到土壤盐分反演模型的训练集和验证集；基于土壤盐分反演模型的训练集和验证集，对土壤盐分反演模型进行训练，得到训练完成的土壤盐分反演模型。

[0128] 具体实施时，样本集中70％的样本作为训练集，剩下30％的样本作为验证集，基于划分后的训练集和验证集，对土壤盐分反演模型进行训练，得到训练完成的土壤盐分反演模型。

[0129] 在又一实施例中，基于训练完成的土壤盐分反演模型，对目标区域的土壤盐分进行反演，包括：基于训练完成的土壤盐分反演模型，确定目标区域中每个格网的土壤电导率；对目标区域中每个格网的土壤电导率进行插值处理，得到目标区域的土壤盐分分布信息。

[0130] 综上所述，本申请中，首先根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS，从而建立目标区域中不同土地类型与地表粗糙度MSS之间的对应关系；然后基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率；对第一菲涅尔反射率进行入射角归一化处理，得到目标区域的第二菲涅尔反射率，从而通过入射角归一化处理提高数据精度；对第二菲涅尔反射率进行格网化处理，得到目标区域中每个格网的第三菲涅尔反射率；根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演。如此，提供了一种基于非相干假设下的CYGNSS卫星数据的土壤盐分反演方法，该方法基于土壤盐分对CYGNSS卫星信号反射率的贡献，充分利用CYGNSS卫星数据时空分辨率高、覆盖范围广、多角度监测、更新快的特点，快速反演得到全球范围内具有较高分辨率的土壤电导率，从而实时动态获取研究区域的整体土壤盐分分布情况，提高了该方法的普适性。

[0131] 示例性系统

[0132] 本申请实施例提供一种基于CYGNSS卫星数据的土壤盐分反演系统，图4为根据本申请的一些实施例提供的基于CYGNSS卫星数据的土壤盐分反演系统的结构示意图。如图4所示，该系统包括：计算单元401、校正单元402、归一化单元403、格网化单元404、反演单元405。其中：

[0133] 计算单元401，配置为根据ICESat‑2卫星数据，基于预先获取的SMAP卫星数据中的土地分类信息，计算目标区域中不同土地类型下的地表粗糙度MSS。

[0134] 校正单元402，配置为基于几何光学模型，根据所述地表粗糙度参数MSS和预先获取的植被光学厚度VOD，对所述CYGNSS卫星数据中的归一化双基雷达横截面数据进行校正，得到所述目标区域的不同入射角的第一菲涅尔反射率。

[0135] 归一化单元403，配置为对所述第一菲涅尔反射率进行入射角归一化处理，得到所述目标区域的第二菲涅尔反射率。

[0136] 格网化单元404，配置为对所述第二菲涅尔反射率进行格网化处理，得到所述目标区域中每个格网的第三菲涅尔反射率。

[0137] 反演单元405，配置为根据第三菲涅尔反射率、预先获取的土壤水分数据、预先获取的地表温度数据和预先获取的土壤性状参数，基于梯度提升随机树算法，构建土壤盐分反演模型；以基于土壤盐分反演模型对目标区域的土壤盐分进行反演。

[0138] 其中，所述土壤性状参数为所述目标区域的土壤复介电常数的影响因子集合中除所述土壤水分数据、所述地表温度数据之外，所述目标区域的土壤复介电常数的其它影响因子集合。

[0139] 本申请实施例提供一种基于CYGNSS卫星数据的土壤盐分反演系统能够实现上述任一基于CYGNSS卫星数据的土壤盐分反演方法的步骤、流程，并达到相同的技术效果，在此不再一一赘述。

[0140] 以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。