CYGNSS/SMAP数据融合半经验模型的土壤湿度反演研究

星载GNSS反射信号（GNSS-R）的土壤湿度反演，容易受到陆地多变环境因素影响，目前对于星载GNSS-R土壤湿度反演中误差分析以及反演模型外推性能分析的研究较少。本文综合了多种误差修正模型，包括GNSS卫星发射功率偏差，植被和地表粗糙度对反射信号强度的衰减，通过修正提高了陆地点反射率的准确性，最终建立反射率-土壤湿度的Cyclone Global Navigation Satellite System（CYGNSS）/Soil Moisture Active Passive （SMAP）数据融合的反演半经验模型。实现了一年高精度外推反演，Bias为-0.0037 cm 3 /cm 3 ，RMSE为0.0264 cm 3 /cm 3 ，相关系数是0.9636，同时提出了分季节的外推模型，提高了低含水量季节的外推精度。本文实验区域为经度（90°0′E-130°0′E）和纬度（20°0′N-38°0′N），利用2019年10月-2020年9月的CYGNSS/SMAP数据进行训练，外推2020年10月-2021年9月的土壤湿度。经误差模型修正反射率后，模型的反演偏差（Bias）提升6.80%，均方根误差（RMSE）提升3.30%。一年训练数据相比三个月训练数据的外推反演结果，Bias平均提升51.46%，RMSE平均提升32.01%。针对实验区域内冬、春季土壤含水量较低时，反演精度较差的问题，本文提出了同季节外推的分季节训练模型，相对一年数据量的训练模型，冬季反演的RMSE可以提升21.58%，春季反演的RMSE可以提升21.05%。将2021年6月1-10日的反演结果与CLDAS地面实测土壤湿度进行对比，Bias为0.0058 cm 3 /cm 3 、RMSE是0.0854 cm 3 /cm 3 ，具有较好的准确性。研究证明了使用反射率误差修正模型以及反射率-土壤湿度半经验模型反演土壤湿度的有效性，对推广星载GNSS-Ｒ土壤湿度反演业务化应用具有积极意义。