Remote Sensing of Soil Moisture Using GNSS Reflectometry
Abstract
Forsterkende konsekvenser av klimaendringer fremhever behovet for overvåkning av jordens vannsykler over land, spesielt sett i sammenheng med økningen av naturkatastrofer som flom og tørke. Denne studien presenterer en ny fjernmålingsteknikk som ved bruk av mikrosatellitter kan overvåke variasjoner i jordfuktighet samt flomdeteksjon. Fjernmålingsteknologien er basert på konseptet Global Navigation Satellite Systems (GNSS) Reflektometri (GNSS-R). GNSS-R analyserer variasjonene i GNSS signalstyrke etter refleksjon fra jordens landoverflate for å utlede informasjon relatert til endringer i bakkens vanninnhold. Fem områder med forskjellige geofysiske forhold, i tillegg til et større område i nord-India og Pakistan er brukt for å undersøke fjernmåling av jordfuktighet og flomdeteksjon. I tillegg diskuterer vi ulike geofysiske parametere som påvirker ytelsen til GNSS-R målinger.
Vi benytter data fra NASA-oppdraget Cyclone GNSS (CYGNSS), som bestående av åtte mikrosatellitter oppnår en gjenbesøkelsestid på omtrent 7 timer. Tilstedeværelsen av fuktighet i jorden endrer dets elektromagnetiske egenskaper, som fører til endringer i jordoverflatens respons til innkommende GNSS signaler. Denne responsen kan representeres ved en parameter kalt overflaterefleksjon, som kan utledes fra CYGNSS data. I tillegg brukes Soil Moisture Active Passive (SMAP) og The European Centre for Medium-Range Weather Forecasts Reanalysis v5 (ERA5), som blant annet inneholder målinger på jordfuktighet, til valideringsformål.
Våre analyser viser en signifikant korrelasjon i det romlige domenet mellom CYGNSS overflaterefleksjon og SMAP jordfuktighet i nord-India og Pakistan i både januar og august 2020. Korrelasjonen i området var ikke like tydelig da CYGNSS ble sammenlignet med ERA5 i samme tidsrom. Vi gjennomførte tidsserieanalyser av overflaterefleksjon for å evaluere ytelsen til CYGNSS målinger i tidsdomenet. Tidsseriene ble gjennomført fra 2019 til slutten av 2021, og et område i India viser en overordnet tidsmessig korrelasjon med SMAP på 81.2%. Dette området demonstrerer en signifikant svekkelse av ytelsen i fjellrike områder, hvor en underregion viser en korrelasjon på 28.9%. Resultatene fremhever også et lovende potensiale for utnyttelsen av GNSS-R i overvåkning og håndtering av naturkatastrofer. Eksemplifisert av tidsserier i Iran som viser en signifikant økning i overflaterefleksjon under to kjente flommer i januar 2020 og mai 2021.
Vi brukte også maskinlæring i utviklingen av geofysiske modellfunksjoner (GMF) som konverterer CYGNSS-observasjoner over land til jordfuktighetsestimater. Disse resultatene viser at områder med sesongvariasjoner, lav vegetasjonstetthet og lav overflaterøffhet er foretrukket i fjernmåling av jordfuktighet, hvor et delområde i India oppnådde en kvadratisk gjennomsnittsfeil (RMSE) på 0.03289 cm^3/cm^3 sammenliknet med SMAP data. Videre fremheves det at tørre områder oppnår lavere RMSE til tross for å ha lavere korrelasjon med SMAP jordfuktighet. Til slutt utviklet vi en ny fremgangsmåte for å optimalisere dataseleksjon basert på det transmitterte signalets innfallsvinkel ved kontakt med jordens landoverflate. Metoden viser lovende resultater i områder der tilnærminger av usikkerheten ved gjennomførte CYGNSS målinger er produserbare. Da dette kan være utfordrende i noen områder anbefales det videre utvikling av denne metoden.
Vi utviklet en interaktiv nettside som muliggjorde generering og visualisering av tidsserier for jordfuktighet og overflaterefleksjon basert på brukerinput. Kildekoden til programvarenutviklet i denne studien er tilgjengelig her https://github.com/vegardhaneberg/TBA4925, og kildekoden til nettsiden finnes her https://github.com/Mosinor/GNSSR_Toolbox. The ever-growing consequences of climate change highlight the need for monitoring the water cycle over land, particularly with the increasing catastrophic events such as floods and droughts. This study shows that a novel remote sensing technology onboard micro-satellites can monitor soil moisture variations and flooding events. The remote sensing technology is based on the Global Navigation Satellite Systems (GNSS) Reflectometry (GNSS-R) concept. GNSS-R analyzes the variations of GNSS signal strength after reflection from land to retrieve information about changes in the soil’s water content. Five areas with different geophysical conditions, as well as a larger area in northern India and Pakistan are investigated. The thesis also discusses some of the geophysical parameters affecting the performance of the GNSS-R measurements.
The primary dataset used in our investigations is obtained from the NASA Cyclone GNSS (CYGNSS) mission with eight micro-satellites and a revisit time of about 7 hours. The presence of moisture in the soil changes its electromagnetic properties, leading to changes in the land surface response to incoming GNSS signals. This response can be represented by a parameter called surface reflectivity, which is calculated using the CYGNSS data. In addition, Soil Moisture Active Passive (SMAP) and the European Centre for Medium-Range Weather Forecasts Reanalysis v5 (ERA5) ancillary datasets containing soil moisture measurements are used for validation purposes.
Our analysis shows a significant correlation in the spatial domain between CYGNSS surface reflectivity and SMAP soil moisture in northern India and Pakistan for January and August 2020. However, this correlation was not equally present when comparing CYGNSS to ERA5 in the same area and period. For evaluation of the CYGNSS measurements in the temporal domain, we have generated time series of surface reflectivity over the selected regions. The time series covers a period of three years from 2019 to 2021. The CYGNSS time series over India demonstrates an overall temporal correlation of 81.2% with the SMAP measurements. This case study manifests a significant degradation of the performance over mountainous sub-regions with a correlation of 28.9%. The results also demonstrate the promising potential of using GNSS-R in disaster management applications. For example, the time series of surface reflectivity measurements in Iran shows a significant increase during two flooding events.
We use machine learning to develop geophysical model functions (GMFs), converting CYGNSS observations over land to soil moisture estimations. Our analysis shows that areas with seasonal variations, low vegetation opacity, and low surface roughness are favorable for remote sensing of soil moisture, with the example of an Indian sub-region with a root mean square error (RMSE) of 0.03289 cm^3/cm^3 with respect to SMAP data. In contrast, dry regions exhibit lower RMSEs despite demonstrating a low correlation with SMAP soil moisture. We present a novel approach to optimize data selection based on incidence angle. The proposed method shows promising results in areas where approximations of CYGNSS measurement uncertainties are producible. However, the method faces some challenges in some regions and requires further research.
We have developed an interactive web page capable of generating and visualizing soil moisture and surface reflectivity time series based on user input. The complete scientific software package developed in this thesis is available at https://github.com/vegardhaneberg/TBA4925, and the source code to the web page is available at https://github.com/Mosinor/GNSSR_Toolbox.