برآورد رطوبت حجمی خاک از تداخل ‌سنجی سنجش بازتاب سیستم های ماهواره‌ای ناوبری جهانی و تحلیل سری زمانی حاصل با شبکه‌های عصبی مصنوعی حافظه طولانی کوتاه‌ مدت

تداخل ‌سنجی 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 مولفه 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 8.88 درصد می‌باشد، که در سال 2018 به 11.74 درصد افزایش می‌یابد. سپس اندکی کاهش یافته و در سال 2019 به 10.88 درصد رسیده و نهایتاً در سال 2020 به 12.49 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 0.09 به 0.04 کاهش یافته و پیش‌بینی‌ها دقیق‌تر انجام می‌شوند.

estimation of volumetric soil moisture from gnss-ir and analysis of the resulting time series with lstm artificial neural networks

one of the ways for measuring environmental parameters is using gnss (global navigation satellite system) reflected signals from the earth surface that are received by gnss antennas. environmental parameters include soil moisture, seasonal snow accumulation, ice thickness, vegetation cover and water level changes in dams, lakes and seas (tide). the focus of this research is on soil moisture.reflection of gnss signals from a surface is called multipath. when the goal is positioning, multipath is one of the most significant sources of error in gnss observations. but, by analyzing those reflected signals, we will get useful information about the reflection surface. this technique is called gnss interferometric reflectometry (gnss-ir). by this definition, gnss-ir can be considered as a remote sensing technique for continuous and local monitoring of environmental parameters which can be performed in various weather conditions such as rainy and cloudy conditions, as well as different lighting conditions such as day and night.signal-to-noise ratio (snr) is a measure of the strength of a signal relative to the background noise level. in gnss, snr is used to evaluate the quality of the received signal. it is calculated as the ratio of the power of the received signal to the power of the noise in the receiver’s bandwidth. some of the receivers can also record snr data which includes snr component of reflected signals. in gnss-ir, changes in soil moisture result in changes in the snr component of the reflected signals. specifically, as the soil moisture content increases, the dielectric constant of the soil increases, which causes the reflected signals to have higher amplitudes and higher snr. conversely, as the soil moisture content decreases, the reflected signals have lower amplitudes and lower snr. therefore, analyzing the snr of the reflected signals can provide useful information about the soil moisture content. in addition to soil moisture, snr can also be affected by other factors such as atmospheric conditions and receiver noise. therefore, it is important to carefully analyze and process the snr data to accurately estimate the soil moisture content.the soil moisture algorithm to be used in this study, is currently implemented at stations in the earthscope pbo h2o network with the greatest variations in vegetation. among the sites in the pbo h2o network, data from p038 in the new mexico region is used. this site is located at in a flat area in a ecosystem characterized as grass land.snr data from the new l2c signals are used by this site because the quality of the data are higher than those either the legacy l1 or l2p signals. the frequency of the l2c signal corresponds to a maximum penetration depth of 5 cm. the multipath signals are used to estimate soil moisture changes over a four-years period from 2017 to 2020.the calculations were done in four main steps. in the first step, appropriate satellite tracks with elevation angle between 5 to 30 degrees were selected and snr data were extracted from rinex files.