CORS stations for integrated monitoring of surface environmental parameters
-
摘要: 卫星导航定位连续运行参考站(continuously operating reference stations，CORS)系统作为GNSS与网络通信技术结合发展出的新兴导航定位CORS系统，具有快速高效、高精度、网络化等优点，不仅可以测量地表位置及运动，还可以借助GNSS信号的折射与反射特征监测地表环境参数变化情况. 本文提出一种将CORS站用于“积雪深度、土壤湿度、大气水汽、地表形变”的地表环境多参数综合监测体系，用以拓展CORS站在生态环境中的广泛应用. 以齐齐哈尔市CORS站BFQE为实验案例，首先获取实验时段中CORS站接收的GNSS观测数据(含信噪比(signal to noise ratio，SNR)数据)、星历数据及气象数据对其进行预处理；其次对重采样的SNR数据采用非线性最小二乘及Lomb-Scargle谱分析方法解译特定时间段的浅层土壤湿度及地表积雪深度；然后通过联测远距离国际地球动力学服务机构站(International GPS Service for Geodynamics，IGS)采用相对定位技术获取测站的地表形变序列与大气水汽序列；最后，结合上述多种地表环境参数结果进行相关性分析，获得参数间的响应关系. 实验结果表明：CORS站用于地表环境综合监测能够有效地监测多参数时间变化，反演得到的环境参数之间具有一定的响应关系. 大气水汽含量会影响降雨的时空分布和强度，大气水汽反演值与降雨在趋势上呈现高度相关；在积雪时段，大气水汽的增加伴随着积雪深度的增加；大气水汽增加形成的降雨是土壤湿度的主要来源，解译土壤湿度总是在强降雨后呈现上升趋势，基于单星的土壤湿度与实测数据平均相关性为0.75，多星融合解译结果的相关性达到0.89，土壤含水率的均方根误差(root mean squared error，RMSE)为0.87%；地表形变时间序列在北(north，N)、东(east，E)方向形变较为稳定，天顶(up，U)方向的形变与大气水汽、积雪深度和土壤湿度存在一定的响应性波动.Abstract: Continuously operating reference stations (CORS), as an emerging navigation and positioning continuously operating reference station system developed by combining Global Navigation Satellite System (GNSS) and network communication technology, has the advantages of fast, efficient, high-precision, networked and so on. It can not only measure the position and movement of the ground surface, but also monitor the changes of environmental parameters on the ground surface with the help of refractive and reflective features of GNSS signals. In this paper, we propose a multi-parameter integrated monitoring system of surface environment by using CORS station for “snow depth, soil moisture, atmospheric water vapor, and surface deformation”, which is used to expand the wide application of CORS station in ecological environment. Taking Qiqihar CORS station BFQE as an experimental case, firstly, the GNSS observation data (including SNR data), ephemeris data and meteorological data received by the CORS station during the experimental period are obtained and pre-processed; secondly, the non-linear least squares and Lomb-Scargle spectral analysis methods are applied to the re-sampled SNR data to decipher the shallow soil humidity and surface snow depth in the specific period. Then, the surface deformation sequence and atmospheric water vapor sequence of the station were obtained by the International GPS service for Geodynamics (IGS) using the relative positioning technique; finally, the correlation analysis was carried out by combining the results of the above surface environmental parameters to obtain the response relationship between the parameters. The experimental results show that the CORS station used for integrated monitoring of the surface environment can effectively monitor the temporal changes of multiple parameters, and the environmental parameters obtained from the inversion have a certain response relationship with each other. The atmospheric water vapor content affects the spatial and temporal distribution and intensity of rainfall, and the atmospheric water vapor inversion values are highly correlated with rainfall in trend. During the snowy period, the increase in atmospheric water vapor is accompanied by an increase in snow depth during snow accumulation periods. Rainfall formed by the increase of atmospheric water vapor is the main source of soil moisture, and the interpreted soil moisture always shows an increasing trend after heavy rainfall. The average correlation between soil moisture and measured data based on single stars is 0.75, and the correlation of the results of multi-satellite fusion interpretation reaches 0.89, and the root-mean-square error of soil moisture content is 0.87%. The surface deformation time series is stable in the north (N) and east (E) directions, and the deformation in the up (U) direction has some responsive fluctuations with atmospheric water vapor, snow depth and soil moisture.
-
0. 引 言
GNSS基准站网及其相关数据处理系统能够为研究人员提供迅速、可靠、有效的信息服务，广泛地满足基础测绘、环境监测、灾害预警、气象预报等信息需求. 从20世纪90年代初期开始，包括我国在内的世界上多个国家、地区及相关国际组织相继建立了高精度GPS连续观测网络[1-2]. 随着网络技术与通信技术的不断发展，GNSS技术与其结合发展出具有网络实时差分定位(real time kinematic，RTK)功能的卫星导航定位连续运行参考站(continuously operating reference stations，CORS)系统，其凭借快速高效、高精度、高可靠性、网络化、自动化和智能化等优点，给包括测绘行业在内的多个领域带来巨大影响.
CORS站作为一种地面GPS接收机，可提供对地球表面位置和运动的精确和连续测量. Rwabudandi等[3]利用2015—2018年印尼地理空间信息局提供的10个CORS站数据对东爪哇北部地区的地壳形变进行分析，结果表明CORS站数据能够较好地解译出站点在地球表面位置的水平移动以及竖直方向上的沉降运动. Ciećko等[4]利用3个相互间隔适当的CORS站作为流动站估计GPS位置，并利用卡尔曼滤波处理数据，验证了基于CORS站的测试区域可有效获得GPS位置. 徐创富等[5]结合台州15个CORS站2017—2019年的时间序列，利用频谱分析及小波变换分析CORS站周期特征，得到其在垂直方向相较于水平方向变化明显很多，且更具有周期特征. 李婉秋等[6]提出一种多通道奇异谱分析(multi-channel singular spectrum analysis，MASS)方法，该方法能有效提取CORS站网大地高时序形变信息，其利用38个CORS站进行时序形变信息提取，92%的测站时序形变序列有不同程度的改善. 廖超明等[7]开展沿海区域CORS站稳定性实验，借助于GAMIT/GLOBK进行稳定性分析，得到CORS站对于解译站点形变时间序列具有较好的稳定性. 以上实验均在一定程度上验证了CORS站数据用于解译站点形变序列的稳定性和准确性.
然而，CORS站分布在一个广泛开阔的区域，拥有一个可用于跟踪环境参数变化的参考点网络，其不仅能够测量地表位置和运动的变化，还可通过将CORS数据与遥感数据相结合，综合监测地球表面环境参数变化情况. CORS站所接收的卫星反射信号中存在信噪比(signal to noise ratio，SNR)数据，而SNR数据可解译出土壤湿度及积雪深度等地表环境参数. 2008年，Larson等[8]首次提出了基于大地测量型GNSS接收机的SNR数据估计土壤湿度算法，其将直射信号与反射信号分离后发现反射信号振幅波动与土壤湿度变化存在良好一致性，验证了利用卫星SNR数据解译土壤湿度的可行性. Chew等[9]分别研究了卫星SNR数据的相位偏移量及振幅对土壤湿度变化敏感性，实验得到相位是裸露土壤条件下反映土壤湿度变化的最佳参数. Ran等[10]提出一种圆弧编辑方法，只保留为余弦波形的DSNR数据，验证了其能够提高在起伏地面的土壤湿度解译精度. Li等[11]利用Lomb-Scargle频谱分析等多种方法对PBO网站中的CORS站进行雪深反演实验，其结果表明：利用SNR数据解译得到的积雪深度与实际测量值的相关性达到0.9以上，能够很好地反演积雪深度的趋势信息. Hu等[12]利用相同的CORS站进行实验，并提出一种具有自适应高通滤波器特性的变分模态分解算法，实验结果与原位积雪深度高度吻合. An等[13]提出了一种改进的利用GNSS观测数据估算积雪深度的方法，其在LS谱分析前加入小波分解算法，能够有效分离噪声功率，提高了积雪深度变化剧烈时的反演精度. 卫星信号穿过对流层时，会受到大气的影响出现路径弯曲和速度衰减，从而使观测值中含有一定的大气延迟[14]，这些延迟均会被CORS站接收并保存于数据中，为大气水汽探测技术提供了重要的数据支撑. 施闯等[15]对中国－中南半岛地区地的测站数据进行水汽反演，研究了该地区大气水汽平均含量、年周期振幅和半年周期振幅等气候特征. 刘梦杰等[16]提出一种台站处分布式北斗/GNSS实时水汽解算模式，并在中国三个典型区域的测站进行实验，其结果与实时水汽产品对比相关性达到0.95. 上述实验均已验证利用CORS站监测地表环境参数提供了一种高效的数据收集方式，将CORS数据与全球导航卫星系统干涉反射测量(GNSS interferometric reflectometry，GNSS-IR)技术相结合，研究人员可以更全面地监测地表环境参数变化.
为进一步推进CORS站用于地表环境参数监测，本文提出一种集“积雪深度、土壤湿度、大气水汽及地表形变”的地表环境多参数综合监测体系，加强CORS站在地表环境监测方面功能. 文章基于齐齐哈尔CORS站BFQE进行实验验证，采用GNSS-IR技术及GNSS-PWV(precipitable water vapor，PWV)技术，对CORS站的接收数据进行地表环境参数解译监测，获得特定时间的土壤含水率、积雪深度以及全年的大气水汽解译结果，最后在讨论章节利用GAMIT基线解算获得其地表形变解译结果，并在各解译参数结果中结合降雨数据分析其与降雨量之间的响应关系，充分发挥CORS站在地表环境综合监测方面的作用.
1. 基本方法
1.1 综合监测思路
CORS站所接收的GNSS卫星反射信号能够反应反射面的物理特征的变化，而在实际环境中，空气中的水汽含量[17]，土壤中的水分含量[18]，地表的积雪深度[19]以及细微形变[20]，均会造成GNSS卫星信号的改变. 本文利用GNSS卫星信号可监测反射面物理参数变化的特点，提出了一种多参数的地表环境综合监测体系，包括土壤湿度、积雪深度和大气水汽多个地表环境参数，如图1所示. 首先，利用云服务器远程获取CORS站所接收的GNSS观测数据，包括观测文件、广播星历、精密星历，其次对GNSS观测数据进行综合处理分析，对重采样的SNR数据采用非线性最小二乘及Lomb-Scargle谱分析等GNSS-IR技术解译特定时间段的浅层土壤湿度及地表积雪深度，然后通过联测远距离IGS站采用GNSS-PWV技术获取测站大气水汽时间序列. 最后，利用降雨数据进一步对解译的地表环境参数结果进行相关性分析，获得各参数之间的响应关系，为CORS站用于地表环境参数监测方面提供案例支撑.
1.2 GNSS-IR解译积雪深度原理
GNSS-IR技术利用卫星信号在GNSS接收机天线处叠加产生的干涉现象来提取地表反射面的物理特征. 与传统的卫星遥感手段比较，其无需单独制造特定的发射机，大大降低了成本，且拥有及其丰富的免费导航卫星信号源，利用L波段进行观测，受大雾和雨雪等气候影响较小，对地表参数的变化十分敏感. 对于在典型的GPS应用中，反射信号的多路径效应被认为是误差的来源，而在2009年，Larson发现SNR数据与积雪深度具有相关性并利用实验证明其可用于解译积雪深度[21]. SNR是衡量GNSS信号强度的量化指标，其主要受接收机天线增益、接收机噪声和多路径效应等因素影响，多路径效应影响尤为显著. 因此，可通过分析SNR中的干涉信号来获取地表环境参数，这极大的节约了监测成本，实现了“一机多用”的成效[22]. 图2为利用GNSS-IR解译积雪深度及土壤湿度示意图.
图2中
$ H $ 为接收机天线相位中心到反射面的高度，$ \theta $ 为卫星高度角，红色虚线直反射信号间的路径差为$ 2H \sin \;\theta $ ，接收机天线所接收到的信号是由直射信号的反射叠加产生的干涉信号，假设平面仅发生一次镜面反射的简化模型，SNR可表示为[23]$$ \begin{array}{c}{{\rm{SNR}}}^{2}={A}_{d}^{2}+{A}_{m}^{2}+2{A}_{d}{A}_{m}\mathrm{cos} \;\psi \end{array} $$ (1) 式中：
$ {A}_{d} $ 和$ {A}_{m} $ 分别为直射信号和反射信号的振幅；$ \psi $ 为直反射信号之间的相位差.利用低阶多项式拟合SNR得到卫星信号的直接分量，减去直接分量后的SNR即为反射分量，可表示为
$$ \begin{array}{c}{{\rm{SNR}}}_{m}={A}_{m}\mathrm{cos}\left(\dfrac{4\text{π} h}{\lambda }\mathrm{sin}\;\theta +\varphi \right) \end{array} $$ (2) 式中：
$ {{\rm{SNR}}}_{m} $ 为反射分量；$ \lambda $ 为卫星信号载波波长；$ \varphi $ 为反射分量相位. 反射分量是以卫星高度角的正弦值为自变量的拟余弦函数. 对其利用Lomb-Scargle谱分析方法可获得峰值频率，结合频率和波长关系式可得反射高$$ \begin{array}{c}h=\dfrac{\lambda \cdot f}{2} \end{array} $$ (3) 式中：
$ h $ 为反射高；$ f $ 为利用Lomb-Scargle谱分析方法获得的峰值频率.将接收机高度天线高度
$ H $ 和反射高$ h $ 带入GNSS-IR积雪深度测量的几何模型中即可得到积雪深度结果$ \mathrm{\Delta }h $ $$ \begin{array}{c}\Delta h=H-h\end{array} $$ (4) 1.3 GNSS-IR解译土壤湿度原理
利用GNSS-IR解译土壤湿度原理为：浅层土壤湿度的变化会引起土壤中介电常数发生改变，从而导致GNSS卫星反射信号的SNR数据产生波动，该波动可被接收机记录储存并加以利用；对低高度角的SNR数据进行分解、分析处理即可解译得到土壤湿度结果.
式(2)中
$ {{\rm{SNR}}}_{m} $ 为反射信号SNR数据，$ \theta $ 为卫星高度角，两者均为观测数据，对其利用非线性最小二乘即可求解得到相位观测量$ \varphi $ ，而相位是土壤湿度的最佳指示器，可用一个简单的线性函数来解译土壤湿度$$ \begin{array}{c}{{\rm{SMC}}}_{t}=S\cdot \varphi +{{\rm{SMC}}}_{{\rm{resid}}}\end{array} $$ (5) 式中：
$ {{\rm{SMC}}}_{t} $ 为卫星解译的土壤湿度值；$ S $ 为相位$ \varphi $ 与实测土壤湿度之间斜率；$ {{\rm{SMC}}}_{{\rm{resid}}} $ 为相位$ \varphi $ 与实测土壤湿度之间截距.在进行GNSS-IR解译土壤湿度时，需要确定GNSS卫星的反射区域面积，即GNSS反射遥感的空间分辨率. 根据慧根斯—菲涅尔原理，镜面反射产生的反射区域被称为菲涅尔反射区，其大小可以看作GNSS反射遥感的有效探测区域[24]，菲涅尔反射区域是一系列椭圆，椭圆的长半轴
$ a $ 和短半轴$ b $ 分别为[25]：$$ \begin{array}{c}a=\dfrac{\sqrt{\lambda h \sin\;E}}{{\left(\sin \;E\right)}^{2}}，b=\dfrac{\sqrt{\lambda h \sin \;E}}{\sin \;E}\end{array} $$ (6) 1.4 GNSS-PWV解译大气水汽原理
图3为GNSS-PWV技术解译大气水汽示意图，其原理是通过联测远距离IGS测站利用精密单点定位(precise point positioning，PPP)解算GNSS观测数据，可得到由对流层静力学延迟(zenith hydrostatic delay，ZHD)和对流层湿延迟(zenith wet delay，ZWD)组成的高精度对流层天顶总延迟(zenith total delay，ZTD)[26].
其中，ZHD可根据Saastamonien模型计算，公式为
$$ \begin{array}{l}\left\{\begin{array}{l}{\rm{ZHD}}=0.00227868\times \dfrac{{P}_{c}}{f\left({\varphi }_{c},{H}_{c}\right)}\\ f\left({\varphi }_{c},{H}_{c}\right)=1-0.00266\mathrm{cos}\left(2{\varphi }_{c}\right)-0.0028{H}_{c}\end{array}\right.\end{array} $$ (7) 式中，
$ {P}_{c} $ 、$ {\varphi }_{c} $ 、$ {H}_{c} $ 分别为测站气压、纬度、海拔.利用ZTD与ZHD相减可得到ZWD
$$ \begin{array}{c}{\rm{ZWD}}={\rm{ZTD}}-{\rm{ZHD}}\end{array} $$ (8) 而
$ {\rm{PWV}} $ 与$ {\rm{ZWD}} $ 存在线性关系，公式为$$ \begin{array}{c}\left\{\begin{array}{c}{\rm{PWV}}=K\times {\rm{ZWD}}\\ K=\displaystyle\frac{{10}^{5}}{{R}_{v}\left(\dfrac{{k}_{3}}{{T}_{m}+{k}_{2}{{'}}}\right)}\end{array}\right.\end{array} $$ (9) 式中：
$ K $ 为大气水汽转换系数；$ {R}_{v} $ 为水汽的比气体常数；$ {T}_{m} $ 为加权平均温度；$ {k}_{3} $ 与$ {k}_{2}{{'}} $ 均为大气折射率实验常数.2. 算例分析
2.1 研究区概况
齐齐哈尔市的BFQE测站地处47.376 269°N，123.923 742°E，海拔约为148 m. 如图4所示，实验区域位于一处农田，所处位置地势平坦，四周无高大建筑阻挡，GNSS反射信号接收较为良好；四周仅有少数低矮农作物，GNSS信号受植被影响较少.
黑龙江省齐齐哈尔市春季干旱多风，夏季炎热多雨，秋季短暂，冬季干冷漫长. 本文收集了2019—2021年BFQE测站附近的气象数据，结果如图5所示. 齐齐哈尔市冬季温度低且时间较长，低于0°的天数约占全年天数的1/3. 低温为积雪提供了优质的储存环境，积雪深度在短时间内较为稳定，给GNSS雪深测量创造了良好条件. 同时夏季的齐齐哈尔市降雨充足，相对湿度较高，受降雨影响，土壤水分含量变化较为明显，适合于GNSS土壤湿度变化的探测.
2.2 GNSS-IR解译积雪深度
根据历史数据显示，2021年年积日第1—61天和第310—365天均存在积雪情况，这段时期可作为监测积雪深度的时间段；而第89—300天，测站地面则没有观测到积雪现象，这一时间段可用于监测土壤湿度的变化.
图6展示了卫星反演雪深与实际雪深的对比图及相关性分析图. 在验证2021年存在积雪的日期时，使用10°~25°及10°~30°的低高度角数据进行反演. 结果表明，这两组数据的相关性均为显著，分别达到0.91和0.88，RMSE分别为2.06 cm和2.11 cm. 无论是10°~25°还是10°~30°的结果，在雪深的变化趋势上均与实际雪深相似，特别是在第312—313天雪深急剧上升的阶段，反演数据都能很好地反映出其上身趋势. 然而，也需要指出，在一些天数上，反演数据与实际雪深存在一定差异. 例如在第344—355天，实际雪深约为10 cm，而两组数据的反演雪深都偏低，约为8 cm.
冬季的降雨量会部分转换为积雪，从而增加积雪深度. 图7显示了利用10°~25°卫星数据反演得到的积雪深度与实测值的对比图，蓝色柱状图代表降雨量. 在第1—61天以及第310—365天中，共出现5次明显的降雨事件，对应时间的积雪深度均呈现上涨趋势. 卫星反演结果与实际积雪深度在降雨后几乎同步上涨. 在第312天及313天，分别出现了15.7 mm和7.1 mm的降雨，卫星反演的积雪深度与实际积雪深度同时达到峰值，分别为20 cm和18 cm.
综上所述，利用GNSS-IR技术解译得到的积雪深度结果虽然在数值上与实测积雪深度存在细微差别，但整体趋势上与实际情况相符. 同时，该技术能够很好地反应降雨后的积雪深度变化，并与降雨存在较好的响应关系.
2.3 GNSS-IR解译土壤湿度
利用GNSS-IR解译土壤湿度前，必须首先确定实验区域的第一菲涅尔反射区，即此次实验中GNSS-IR解译土壤湿度的有效区域. 图8展示了利用CORS站BFQE数据绘制的不同低高度角(5°~30°)下各卫星的第一菲涅耳反射区. 该图结合谷歌地图绘制而成，图中标签位置为CORS站BFQE所在位置，不同颜色的椭圆代表了不同的卫星.
图9展示了利用4颗GPS卫星进行土壤湿度反演的结果及相关性分析. 卫星反演得到的土壤湿度结果与实际测量的土壤含水率在整体趋势上呈现较好的一致性，随着实测土壤含水率的增加和减少，相关系数均达到显著水平，分别为0.70、0.74、0.71、0.81. 然而，在特定时期，卫星反演的土壤湿度结果与实测值存在一定差异，甚至出现相反的趋势. 例如，在第119—130天期间，展示的卫星反演结果与实际测量值对比均存在一定的误差；在第206天，实际测量值下降至极小值点，而5、6号卫星反演结果的趋势与其相反，呈现极大值点，但10、31号卫星反演结果与实际测量值相似. 因此，基于单颗卫星的反演结果时常会受到环境因素或其他因素的影响而出现一定的误差，不能完全详细反演土壤湿度的细微变化.
利用GNSS-IR技术解译得到的土壤湿度反映了CORS站周围浅层土壤的湿度情况，这些数据距离地表仅有5~15 cm的深度，因此受降雨过程中雨水入渗的影响较大，土壤湿度含量与降雨之间存在着密切的关联. 为探讨之间的存在的响应关系，依据相关系数将多颗卫星反演土壤湿度数据进行加权融合处理得到的结果与降雨数据结合得到图10. 可以发现土壤湿度数据随着降雨的出现而产生增长的趋势，其中，第182天出现了78.2 mm的大幅度降雨，土壤湿度从前一天的11.87%增长至16.46%，而卫星反演数据虽存在一定的延迟现象，但同样出现增长情况，从13.51%增长至顶峰的17.82%. 到第220天，降雨量达到52.2 mm，实测土壤湿度数据到达峰值23.22%，而卫星反演数据的峰值19.26%延迟到第226天出现. 多星融合反演结果相比于单星反演结果在土壤湿度的趋势上更加拟合实测值，相关性也更高，达到0.89. 与单星反演的平均相关性相比，多星融合反演的相关性提高了18.7%.
综合来看，GNSS-IR技术具备解译CORS站周围浅层土壤湿度的能力. 该技术解译得到的土壤湿度结果与实测土壤湿度的趋势相一致，并且在反应降雨对土壤湿度的影响关系方面表现较为出色.
2.4 GNSS-PWV解译大气水汽
图11展示了结合降雨数据绘制的大气水汽含量图，其中2021年BFQE测站的大气水汽呈现倒V字趋势. 在夏季时段，大气水汽含量丰富，数值保持较高水平，在第196天达到峰值55.63 mm. 而在春冬季节，大气水汽含量开始降低，保持在小于20 mm的低水平，第289天降至最低值3.53 mm.
降雨是指大气中冷凝的水汽下降到地球表面的天气现象，大气中水汽的含量直接影响降雨量. 由图11可知，降雨出现前，大气水汽含量呈上升趋势，而降雨后则出现骤减现象. 例如，在第165、181、220及235天，大气水汽持续积累，导致降雨现象的出现. 其中，第220天大气水汽从前一天的27.44 mm增长至43.21 mm，增长率达到57%，同日出现52.2 mm的降雨，降雨后又迅速减至29.89 mm.
据此可见，利用CORS站接收的GNSS数据解译的大气水汽结果与实际情况相符，并且能较好地反应大气水汽与降雨之间存在的响应关系.
3. 讨 论
为进一步完善CORS站综合监测能力，文章将CORS站测量地表位置变化的基本用途进行实验并与降雨数据结合分析获得结果. 图12为利用GAMIT基线解算获得的BFQE测站2021年在北(north，N)、东(east，E)、天顶(up，U)方向上的形变数据以及形变速率图. 由图12(a)可知，CORS站BFQE形变量在2021年全年时间内较为稳定，N、E、U方向全年累计形变量分别为−12 mm、9 mm、7 mm. 其中，N方向和E方向在全年形变波动较小，基本均在±0.01 m内，而U方向形变波动相比于N，E方向较大，在±0.02 m内波动，且在夏季波动尤为明显. 为进一步分析其波动时段，文章计算了测站U方向的形变速率，得到形变速率图，图中红色曲线为拟合得到的形变速率趋势项，可以看出在年积日第131—275天，形变速率呈显为上凸的趋势，明显大于其余时段.
雨水入渗过程会直接导致土壤含水率的变化，从而影响土地土质的强度变化，直接导致了地表稳定性的变化. 因此，地表形变与降雨过程中的降雨量关系密切. 图13为结合降雨数据绘制的CORS站BFQE在U方向上的形变速率图. 在第172天及220天，降雨量分别达到峰值78.2 mm及次峰值52.2 mm，形变速率趋势在次峰值降雨的后一天达到顶点.
文章统计了形变速率位于前15%的天数分布，均在降雨丰富的第131—275天，同时值得注意的是在第107—133天时间段，无降雨情况，地表形变速率表现为0.03 m/d，远低于降雨时段. 由此可得出降雨是影响测站周围形变量改变的一个重要因素.
4. 结束语
CORS站作为一种地面GPS接收机，能够快速接收卫星数据，本文将CORS站接收数据与GNSS技术的有效解译能力相结合，用于地表环境参数的解译. 通过利用GNSS-IR技术解译得到的土壤湿度和积雪深度，与实测值的相关系数均表现出强相关性，分别达到0.89和0.90，并且在降雨天气出现时呈现上升趋势. 利用GNSS-PWV技术解译得到的大气水汽含量的趋势与实际情况相符，始终在降雨之前开始积累，在降雨后开始下降，并且与降雨之间存在良好的响应关系. 此外，地表形变在U方向上跟随降雨量及土壤湿度的变化而出现波动.
综上所述，将CORS站用于地表环境参数综合监测，既能有效解译各参数值，获得其变化趋势，同时能较好地反应各参数之间的响应关系. 这种综合分析的方法为研究人员提供了一种便捷而有效的途径，有助于更全面地理解地表环境参数之间的关联，进一步推进相关领域的研究工作.
-
[1] STRANGE W E, NEIL W. The establishment of a GPS continuously operating reference station system as a framework for the National Spatial Reference System [C]// Proceedings of the 1995 National Technical Meeting of The Institute of Navigation (ION) , 1995: 19-24.
[2] 赵毅, 吴晓莉, 姜英明, 等. 大规模GNSS基准站网坐标解算方法研究[J]. 南京信息工程大学学报(自然科学版), 2022, 14(6): 694-700. [3] RWABUDANDI I, ANJASMARA I M, SUSILO. Crustal deformation studies in the northern part of east java derived from GPS CORS data between 2015 and 2018[J]. IOP conference series:earth and environmental science, 2019, 389(1): 012055. DOI: 10.1088/1755-1315/389/1/012055
[4] CIEĆKO A, BAKUŁA M, GRUNWALD G, et al. Examination of multi-receiver GPS/EGNOS positioning with Kalman filtering and validation based on CORS Stations[J]. Sensors, 2020, 20(9): 2732. DOI: 10.3390/s20092732
[5] 徐创富, 王恒, 吉渊明, 等. 基于台州及周边地区CORS站网地表形变时空特征分析[J]. 全球定位系统, 2020, 45(5): 27-33. [6] 李婉秋, 王伟, 郭秋英, 等. 多通道奇异谱分析提取的CORS站大地高形变信息[J]. 测绘科学, 2021, 46(11): 1-5,17. [7] 廖超明, 凌聪聪, 吕新强, 等. 广西北部湾沿海区域CORS站稳定性监测分析[J]. 南宁师范大学学报(自然科学版), 2022, 39(3): 53-58. [8] LARSON K M, SMALL E E, GUTMANN E D, et al. Use of GPS receivers as a soil moisture network for water cycle studies[J]. Geophysical research letters, 2008, 35(24): 24405. DOI: 10.1029/2008GL036013
[9] CHEW C C, SMALL E E, LARSON K M, et al. Effects of near-surface soil moisture on GPS SNR data: development of a retrieval algorithm for soil moisture[J]. IEEE transactions on geoscience and remote sensing, 2014, 52(1): 537-543. DOI: 10.1109/TGRS.2013.2242332
[10] RAN Q H, ZHANG B, YAO Y B, et al. Editing arcs to improve the capacity of GNSS-IR for soil moisture retrieval in undulating terrains[J]. GPS solutions, 2022, 26(1): 19. DOI: 10.1007/s10291-021-01206-y
[11] LI Z, CHEN P, ZHENG N Q, et al. Accuracy analysis of GNSS-IR snow depth inversion algorithms[J]. Advances in space research, 2021, 67(4): 1317-1332. DOI: 10.1016/j.asr.2020.11.021
[12] HU Y, YUAN X T, LIU W, et al. GNSS-R Snow depth inversion based on variational mode decomposition with multi-GNSS constellations[J]. IEEE transactions on geoscience and remote sensing, 2022(60): 1-12. DOI: 10.1109/TGRS.2022.3182987
[13] AN J C, DENG P, ZHANG B J, et al. Snow depth variations in svalbard derived from GNSS interferometric reflectometry[J]. Remote sensing, 2020, 12(20): 3352. DOI: 10.3390/rs12203352
[14] 张克非, 李浩博, 王晓明, 等. 地基GNSS大气水汽探测遥感研究进展和展望[J]. 测绘学报, 2022, 51(7): 1172-1191. [15] 施闯, 张卫星, 曹云昌, 等. 基于北斗/GNSS的中国-中南半岛地区大气水汽气候特征及同降水的相关分析[J]. 测绘学报, 2020, 49(9): 1112-1119. [16] 刘梦杰, 涂满红, 王洪, 等. 台站处北斗/GNSS实时大气水汽反演及试验分析[J]. 测绘科学, 2022, 47(11): 25-31. [17] 张唐旭, 吴昊, 张迪. 动态环境下PPP的GNSS大气水汽反演[J]. 南京信息工程大学学报(自然科学版), 2021, 13(2): 181-186. [18] LV J, ZHANG R, TU J, et al. A GNSS-IR method for retrieving soil moisture content from integrated multi-satellite data that accounts for the impact of vegetation moisture content[J]. Remote sensing, 2021, 13(13): 2442. DOI: 10.3390/rs13132442
[19] 肖星星, 许盼盼, 韩雨辰, 等. 地基GNSS-R雪深测量方法研究进展[J]. 测绘标准化, 2022, 38(2): 13-22. [20] 钟储汉, 李新瑞, 张双成, 等. GAMIT/TrackRT用于滑坡实时GNSS监测研究[J]. 测绘科学, 2022, 47(12): 57-65. [21] LARSON K M, GUTMANN E D, ZAVOROTNY V U, et al. Can we measure snow depth with GPS receivers?[J]. Geophysical research letters, 2009, 36(17): L17502. DOI: 10.1029/2009GL039430
[22] ZHOU X, ZHANG S C, ZHANG Q, et al. Research of deformation and soil moisture in loess landslide simultaneous retrieved with ground-based GNSS[J]. Remote sensing, 2022, 14(22): 5687. DOI: 10.3390/rs14225687
[23] BILICH A, LARSON K M. Mapping the GPS multipath environment using the signal-to-noise ratio (SNR)[J]. Radio science, 2007, 42(6): 1-16. DOI: 10.1029/2007RS003652
[24] 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[J]. Remote sensing of environment, 2006, 100(1): 17-28. DOI: 10.1016/j.rse.2005.09.015
[25] KATZBERG S J, GARRISON J L. Utilizing GPS to determine ionospheric delay over the ocean[J]. NASA technical memorandum 4750, 1996: 1-16.
[26] 高颖, 许思怡, 李黎等. 利用GPT3模型的GNSS-PWV计算方法[J]. 测绘通报, 2023, 552(3): 44-48, 103.
下载:
计量
- 文章访问数: 393
- HTML全文浏览量: 107
- PDF下载量: 36
