山东禹城农田生态系统国家野外科学观测研究站/中国科学院禹城综合试验站（禹城站）孙志刚科研团队2023年在遥感技术研究与应用方面取得部分进展。研究解决了植被覆盖和地表粗糙度校正、系统误差校正两个科学问题，该研究成果为我国后续星载导航卫星计划提供方法支持，也将长效支撑土壤水分监测业务开展。

      瞄准国际研究前沿及应用需求，基于CYGNSS数据，提出基于星载GNSS-R数据土壤导电率检索模型（CIG），并在黄河三角洲地区进行了测试。CIG模型由两个模块组成。首先，基于修正的几何光学模型，从非相干信号反演地表的菲涅尔反射率，并进行了水平和垂直表面粗糙度校准。其次，根据梯度提升回归树（GBRT）算法，输入地表的菲涅尔反射率和其他辅助变量，得到土壤盐分反演模型。结果表明，星载GNSS-R数据对土壤导电率高度敏感，与实测数据相比，R = 0.730，RMSE = 1.318 mS/cm，MAE = 0.570 mS/cm。

      研究土壤水分估算关键过程的优化方法，发展一套基于物理体系的高时空分辨率、高精度的土壤水分估算方法。首先，基于星载GNSS-R原始点尺度数据，根据微波辐射传输理论，建立有效的植被和地表粗糙度校正方法，优化土壤水分估算模型，提升土壤水分估算精度；然后，进行系统误差校正，最后得到高精度土壤介电常数。

随后，提出了一种基于星载GNSS-R的新型洪水测量指数，命名为ATFII，用于洪水淹没检索，并对洪水淹没等级进行了量化。首先，基于零阶辐射传递模型，推导出带有地表属性（即植被和地表粗糙度）校准的地表反射率。然后，提出ATFII的指数来实现淹没检索，并对淹没等级进行了划分。结果通过VIIRS洪水产品和GPM降水数据进行了验证。结果表明，ATFII可以快速检索洪水淹没时间尺度，并量化淹没变化等级。

      麦穗产量估算方面，基于无人机超高清遥感数据，采用深度学习算法（Mask R-CNN）提取了成熟期小麦穗的三个表型特征，包括穗数、穗大小和穗异常指数。随后，利用机器学习算法（即多元线性回归、支持向量回归和随机森林回归）对麦穗产量的驱动特征进行比较，以获得最佳谷物产量估计值。

      反演的土壤电导率EC和实测的土壤电导率在整体空间分布趋势上有较好的一致性。该成果在证明了CYGNSS有探测土壤盐分能力的同时，也为星载GNSS-R技术开拓了新的研究方向和研究思路，有利于GNSS信号的挖掘和应用。水分方面，该研究解决了植被覆盖和地表粗糙度校正、系统误差校正两个科学问题，该研究成果为我国后续星载导航卫星计划提供方法支持，也将长效支撑土壤水分监测业务开展。

      同时，基于表型特征的方法扩展了基于遥感估产的成熟期时间窗口，为补充传统的田间采样提供了可能。利用麦穗表型特征是估算小麦成熟期籽粒产量的一种有效方法，表明其作为繁琐的田间取样方法的可行替代品的潜力。

      取得系列成果，正式已发表论文4篇；授权专利1个。

基于表型特征的谷物产量估算流程，包括田间取样、无人机飞行、数据准备、果穗分割、特征提取、谷物产量回归和结果验证

      （1）研究团队主要成员

        孙志刚、杨婷、王俊栋、彭金榜等

      （2）支持性成果

      Wang J, Yang T, Zhu K, et al. A novel retrieval model for soil salinity from CYGNSS: Algorithm and test in the Yellow River Delta[J]. Geoderma, 2023, 432: 116417.

      Yang T, Sun Z, Jiang L. A Novel Index for Daily Flood Inundation Retrieval from CYGNSS Measurements[J]. Remote Sensing, 2023, 15(2): 524.

      Yang T, Wang J, Sun Z, et al. Daily Soil Moisture Retrieval by Fusing CYGNSS and Multi-Source Auxiliary Data Using Machine Learning Methods[J]. Sensors, 2023, 23(22): 9066.

      Peng, J., Wang, D., Zhu, W., Yang, T., Liu, Z., Rezaei, E. E., Sun, Z & Xin, X. (2023). Combination of UAV and deep learning to estimate wheat yield at ripening stage: The potential of phenotypic features. International Journal of Applied Earth Observation and Geoinformation, 124, 103494.