Deep Learning-basierte Bodenfeuchterückgewinnung in CONUS unter Verwendung von CYGNSS Delay-Doppler-Karten

Die NASA-Mission Cyclone Global Navigation Satellite System (CYGNSS) hat innerhalb der Gemeinschaft der Fernerkundung des Landes signifikante Beachtung gefunden, um die Bodenfeuchtigkeit (SM) mithilfe der Technik der Global Navigation System Reflectometry (GNSS-R) zu schätzen. Das CYGNSS-Konstellation erzeugt Delay-Doppler-Karten (DDM), die wichtige Informationen über die Erdoberfläche aus GNSS-Reflexionsmessungen enthalten. Viele frühere Studien haben nur speziell entworfene Merkmale aus CYGNSS DDM betrachtet, wie den Spitzenwert der DDM, während das gesamte DDM-Bild von SM, Topographie, Überschwemmung und überlagernder Vegetation beeinflusst wird. In diesem Papier wird ein auf Deep Learning (DL) basierendes Framework zur Schätzung von SM-Produkten in den kontinentalen Vereinigten Staaten (CONUS) vorgestellt, das die von der CYGNSS-Konstellation bereitgestellten weltraumgestützten GNSS-R DDM-Beobachtungen zusammen mit anderen fernmessenden geophysikalischen Datensätzen nutzt. Ein datengestützter Ansatz, der Faltungsneuronale Netzwerke (CNNs) nutzt, wird entwickelt, um komplexe Zusammenhänge zwischen den reflektierten Messungen und den Oberflächenparametern zu bestimmen, die zur Verbesserung der SM-Schätzung beitragen können. Das CNN-Modell wird gemeinsam mit drei Arten von bearbeiteten DDM-Bildern von analogem Strom, effektiver Streuoberfläche und bistatischem Radarquerschnitt (BRCS) sowie anderen unterstützenden geophysikalischen Informationen wie Höhe, Bodenbeschaffenheit, normalisiertem Differenzvegetationsindex (NDVI) und Vegetationswassergehalt (VWC) trainiert. Das Modell wird mit den verbesserten SM-Produkten der Soil Moisture Active Passive (SMAP)-Mission mit einer Auflösung von 9 km × 9 km trainiert und bewertet, mit VWC von weniger als 5 kg/m^2. Der durchschnittliche unbeeinflusste Wurzelmittelquadratunterschied (ubRMSD) zwischen den gleichzeitigen CYGNSS- und SMAP-SM-Rückgewinnungen von 2017 bis 2020 beträgt 0,0366 m^3/m^3 mit einem Korrelationskoeffizienten von 0,93 über eine 5-fache Kreuzvalidierung und 0,0333 m^3/m^3 mit einem Korrelationskoeffizienten von 0,94 über eine jahresbasierte Kreuzvalidierung bei einer räumlichen Auflösung von 9 km × 9 km und einer zeitlichen Auflösung, die der der CYGNSS-Mission entspricht.