Technical Note 

Rock Location and Property Analysis of Lunar Regolith at 
Chang’E‐4 Landing Site Based on Local Correlation and Sem‐
blance Analysis 
Hanjie Song 1, Chao Li 2,3, Jinhai Zhang 2,3, Xing Wu 1, Yang Liu 1,* and Yongliao Zou 1 

1  State Key Laboratory of Space Weather, National Space Science Center, Chinese Academy of Sciences, Bei‐
jing 100190, China; songhanjie@nssc.ac.cn (H.S.); wuxing@nssc.ac.cn (X.W.); yangliu@nssc.ac.cn (Y.L.); 
zouyongliao@nssc.ac.cn (Y.Z.) 
2  Key Laboratory of Earth and Planetary Physics, Institute of Geology and Geophysics, Chinese Academy of 

Sciences, Beijing 100029, China 
3  Innovation  Academy  for  Earth  Science,  Chinese  Academy  of  Sciences,  Beijing  100029,  China;  super‐

lee@mail.iggcas.ac.cn (C.L.); zjh@mail.iggcas.ac.cn (J.Z.) 
*  Correspondence: yangliu@nssc.ac.cn 

Abstract:  The Lunar Penetrating Radar (LPR) onboard the Yutu‐2 rover  from  China’s Chang’E‐4 

(CE‐4)  mission  is used to probe the subsurface structure and the near‐surface stratigraphic struc‐
ture of the lunar regolith on the farside of the Moon. Structural analysis of regolith could provide 
abundant information on the formation and evolution of the Moon, in which the rock location and 
property  analysis  are  the  key  procedures  during  the  interpretation  of  LPR  data.  The  subsurface 
velocity of electromagnetic waves is a vital parameter for stratigraphic division, rock location  es‐
timates,  and  calculating  the  rock  properties  in  the  interpretation  of  LPR  data.  In  this  paper,  we 
propose a  procedure  that  combines  the regolith rock extraction technique based on local  correla‐
tion between the two sets of LPR high‐frequency channel data and the common offset semblance 
analysis to determine the velocity from LPR diffraction hyperbola. We consider the heterogeneity 
of  the  regolith  and  derive  the  relative  permittivity  distribution  based  on  the  rock  extraction  and 
semblance analysis. The numerical simulation results show that the procedure is able to obtain the 
high‐precision position and properties of the rock. Furthermore, we apply this procedure to CE‐4 
LPR data and  obtain  preferable  estimations  of  the  rock  locations  and the  properties of  the  lunar 
Citation: Lastname, F.; Lastname, F.; 
Last‐name, F. Title. Remote Sens. 
subsurface regolith. 
2020, 13, 48. 
https://doi.org/10.3390/rs13010048  Keywords: lunar penetrating radar; local correlation; semblance analysis; rock  location;  property 
analysis; regolith 
Received: 30 November 2020   
Accepted: 23 December 2020 
Published: 24 December 2020 
1. Introduction 
Publisher’s Note: MDPI stays neu‐
The  surface  of  the  Moon  is  covered  by  regolith,  which  records  at  least  a 
tral with regard to jurisdictional 
4‐billion‐year history of meteoroid impacts and implantation of solar wind. The thickness 
claims in published maps and insti‐
of the regolith varies from about 2 m beneath the lunar maria to more than 10 m beneath 
tutional affiliations. 
the lunar highland, respectively, which is correlated with the age of the lunar surface [1]. 
The estimation of regolith thickness usually uses indirect measurements including seis‐
  mic experiments [2], microwave remote sensing [3],  and impact crater morphology and 
Copyright: © 2020 by the authors.  frequency distribution of the crater diameters  [4]. Unlike the Apollo Lunar Sounder Ex‐
Licensee MDPI, Basel, Switzerland.  periment [5] and Lunar Radar Sounder [6], Chang’E‐3 conducted the first in situ Lunar 
This article is an open access article  Penetrating Radar (LPR) exploration with a wide frequency band and high spatial reso‐
distributed under the terms and  lution  in  the  Imbrium  basin,  showing  the  detailed  structure  of  lunar  regolith  [7,8].  In 
conditions of the Creative Commons  addition, Chang’E‐4 (CE‐4) is conducting the first in situ exploration on the farside of the 
Attribution (CC BY) license  Moon in the Von Kármán crater at the South Pole‐Aitken (SPA) basin [9,10]. 
(http://creativecommons.org/licenses
/by/4.0/). 

 
Remote Sens. 2021, 13, 48. https://doi.org/10.3390/rs13010048  www.mdpi.com/journal/remotesensing 
Remote Sens. 2021, 13, 48  2  of  15 
 

The LPR aboard on the Yutu‐2 Rover of CE‐4 is a nanosecond imaging radar which 
is  carrier‐free  and  operates  in  the  time  domain  [11],  and  has  two  channels  (CH‐1  and 
CH‐2) with center frequencies at 60 and 500 MHz, respectively [10]. CH‐1 is used to map 
the structure of the shallow lunar crust with meter‐level resolution and the CH‐2 is used 
to detect the structure of regolith with a depth resolution of 0.3 m, which contains one 
transmitting  antenna  and  two  receiving  antennas  of  different  offsets—namely,  CH‐2A 
and CH‐2B [12]. The LPR measurements suggest an underestimation of the global lunar 
regolith  thickness  by  other  methods  and  reveal  a  vast  volume  from  the  last  volcanic 
eruption [8]. Yutu‐2 has obtained a 425 m LPR profile along the rover tracks in the first 16 
lunar  days,  displaying  clear  and  complex  subsurface  structures  of  the  landing  area, 
which would help us to reveal the fine structure of lunar regolith. 
The  subsurface  velocity  of  electromagnetic  waves  is  a  vital  parameter  for  strati‐
graphic division, rock location  estimates, and calculating rock properties including rela‐
tive permittivity, density, and content of FeO and TiO2 during the interpretation of LPR 
data. Meanwhile, the location of rocks in regolith can cause diffractions in LPR data, and 
the  vertex  position  of  the  diffractions  can  help  estimate  the  possible  location  of  rocks. 
This  is  different  from  the  main  reflections  from  the  layers,  which  are  useful  in  strati‐
graphic analysis. Analysis of the rock location and the properties of the lunar regolith can 
help to reveal the formation and evolution history of the landing site. Previous studies on 
geological stratification and parameter inversion of the lunar regolith were mainly based 
on the CH‐2B  data  only  [3,8,12].  For  example,  Feng et al. proposed a  hyperbola fitting 
method for radar velocity analysis in the CH‐2B radar‐gram  [12].  Dong et al. calculated 
the  parameters of the regolith  by relative  reflection amplitudes  [13].  Lai  et al. acquired 
the radar velocity based on the two‐way delay method [14]. Hu et al. proposed an adap‐
tive rock extraction method based on local similarity constraints to achieve the rock lo‐
cation and quantitative analysis for regolith [15]. Dong et al. analyzed the regolith prop‐
erties from the LPR data of Chang’E‐4 based on the 3D velocity spectrum [16]. However, 
a  complex  subsurface  structure  and  interference  of  noise  always  result  in  incomplete, 
interlaced, and amplitude‐varying hyperbolas which cause the inaccurate velocity anal‐
ysis of field LPR data [16], and the previous studies cannot reach a satisfied accuracy. In 
addition, the determination of the rock location or the vertex position of the diffractions is 
the key procedure to obtain a high‐precision diffraction velocity analysis spectrum.  Alt‐
hough  Zhang  et  al.  used  two  sets  of  CH‐2A  and  CH‐2B  data  to  estimate  the  electrical 
parameters and  the iron–titanium  content  of  regolith  [17],  the  subsurface  velocity  esti‐
mation is not as accurate as expected due to the limitation of their method. 
In this paper, two sets of CH‐2A and CH‐2B data are used to estimate velocity and 
the  relative  permittivity;  thus,  the  other  properties  of  lunar  regolith  including  density 
and content of FeO and TiO2 can be calculated based on the relative permittivity. Firstly, 
we  consider  the  measurement  similarity  [18,19]  between  the  two  sets  of  CH‐2A  and 
CH‐2B data based on the local correlation,  and develop an extraction method to deter‐
mine the vertex position of the diffractions and estimate the rock location. Secondly, we 
apply the normalized velocity spectrum based on the semblance analysis to estimate the 
subsurface velocity of the lunar regolith [20]. Finally, we utilize the interpolation method 
to obtain the velocity of the subsurface structure and derive the distribution of the  rela‐
tive permittivity. 

2. Materials and Methods   
2.1. LPR Data Processing 
The CE‐4 LPR is a dual‐frequency ground penetrating radar (GPR) system, operat‐
ing  at  60  MHz  (low‐frequency)  with  a  frequency  band  of  40~80  MHz  and  500  MHz 
(high‐frequency) with frequency band of 250~750 MHz [11,21]. The CH‐2 radar data were 
collected  during  the  first  16  lunar  days  along  the  Yutu‐2′s  traverse  of  about  425  m,  as 
shown in Figure 1, which is consistent with the results acquired by Lin et al. [22]. 

 
Remote Sens. 2021, 13, 48  3  of  15 
 

 
Figure 1. The location of Chang’E‐4 landing site and the traverse of Yutu‐2 rover for the first 16 
lunar days. The lunar background was obtained using the imagery by the Lunar Reconnaissance 
Orbiter Camera. 

To reveal the near‐surface structure of the regolith, we processed and interpreted the 
high‐frequency  LPR  data  (CH‐2A  and  CH‐2B)  by  excluding  the  effects  of  the  electro‐
magnetic coupling with the rover’s metallic body. The CH‐2 antenna is mounted at the 
bottom of the lunar rover about 0.3 m away from the ground, and the space between two 
adjacent  antenna  elements  (one  transmitting  antenna  and  two  receiving  antennae)  is 
about 0.16 m [23]. The receiving antenna for CH‐2A data is closer to the transmitting an‐
tenna  than  that  of  CH‐2B,  and  thus  has a lower signal‐to‐noise ratio. Therefore, we de‐
veloped a series of procedures to process the CH‐2A and CH‐2B data as follows: (1) data 
deleting; (2) time delay removal; (3) band‐pass filter application; (4) removal of DC bias; 
(5)  background  removal;  (6)  mean  spatial  filter  application.  Then,  we  could  obtain  the 
high‐resolution CH‐2A and CH‐2B data with 1958 samples with 0.3125 ns time intervals 
and 11,661 traces of 0.0365 m spatial intervals, as shown in Figure 2. 

 
Figure 2. High‐frequency LPR profile along the track of rover Yutu‐2 after the series of data processing. (a) The CH‐2A 
data; (b) the CH‐2B data. 

2.2. Local Correlation. 

 
Remote Sens. 2021, 13, 48  4  of  15 
 

The  processed  LPR  CH‐2A  and  CH‐2B  data  are  always  affected  by  noise  signifi‐
cantly, and the strong coherence of the  noise may cause local maximums [15]. Here,  we 
introduce local correlation [18] to determine the rock position in order to take advantage 
of both LPR CH‐2A and CH‐2B data simultaneously. 
The global correlation coefficient between two discrete signals,  ai   and  bi ,  can be 
defined as [18]:   
N

a b i i
  i 1
,  (1)
N N

a b
i 1
2
i
i 1
2
i

which can be represented as two least‐squares inverse based on a linear algebra notation: 

 =  1 2 ,   (2)

  a b ,  
2 1
 1  arg min b   1 a = aT a T
(3)
1

  b a ,  
2 1
 2  arg min a   2 b = bT b T
(4)
2

where N is the length of a signal,  a   and  b   are vector notions for  ai   and  bi . Localiz‐

ing equations (3) and (4) were used to add regularization to inversion. Using shaping reg‐
ularization, the scalars can turn into vectors [18]—i.e., scalars   1   and   2   turn into vec‐
tors  c1   and  c 2 , defined as: 

 
1
c1  12 I  S A T A  12 I  SA T b,   (5)

 
1
c 2  22 I  S BT B  22 I  SBT a ,   (6)

where  1  a T a   and  2  bT b   are  scaling  controls,  A   and  B   are  two  diagonal 

operators composed of the elements of  a   and  b , and  S   is a shaping operator, such as 
Gaussian smoothing, with an adjustable radius. 
The  componentwise  of  vectors  c1   and  c2   defines  the  local  correlation  as  c , 

whose  elements  are  given  by  c i  c 1,* i c 2 ,i  1  i  N  .  The  local  correlation  is  a 
measure of the similarity between two signals [15,19]. 

2.3. Semblance Analysis 
The high‐frequency electromagnetic wave will be reflected, diffracted, and refracted 
simultaneously when propagating the interface with discontinuous dielectric properties, 
such as boulders, voids, and soil inhomogeneities [24]. The LPR CH‐2A and CH‐2B data 
represent the common offset profiles, and the responses analyzed in semblance analysis 
are diffraction hyperbola instead of reflection hyperbola in the  common midpoint data. 
The  normal  moveout  equation  was  reconfigured  for  diffraction  trajectories  in  the  com‐
mon offset profile, thus the traveltime was approximated as: 

 
Remote Sens. 2021, 13, 48  5  of  15 
 

4  x  x0 
2

t  x   t  x0  
2
,  (7)
 st2

 
where  x   is the position along the common offset profile,  x0   is surface position verti‐
 
cally  above the  diffracting  target,  t x0   is  the  two‐way traveltime  to  the  target  when 

the antenna is positioned at  x0   [25], and   st   is the stacking velocity that is similar to 

the  root‐mean‐square  velocity.  Velocity  analysis  is  a  reliable  way  to  estimate  stacking 
velocity and the accuracy depends on the signal‐to‐noise ratio of data, which influences 
the quality of picking. The semblance analysis was performed along the rover’s traverse, 
which corresponds to the diffraction hyperbola in the LPR profile. 
The  calculated  stacking  velocity  by  semblance  analysis  could  be  transferred  to  in‐
terval velocity through Dix inversion [26] as: 

rms
2
t  rms
2
t
interval ,n  ,n n , n 1 n  1
,  (8)
t n  t n 1

where   interval ,n   is  the  interval  velocity  of  n‐th  layer  and   rms is  the  root‐mean‐square 
velocity. 
Semblance analysis provides a  measure of the coherency of energy along  trial  tra‐
 
jectories  defined  by  the  substitution  of  trial  pairs  of   st   and  t x0 ,  which  was  con‐
ducted over an aperture of L traces and 2M+1 samples as: 
2
iM
 L 1 
  
1 j i  M  k 0
Q j ,k 
  
S , (9)
L iM
 L 1
2 
   j ,k  Q
j i  M  k 0 
where L is 11,661 in LPR data, i and j are time sample indices, k is a trace number and 
Q j , k   is the amplitude of the j‐th sample of the k‐th trace [27]. The selection of M would 
not influence the peak location of contours for semblance analysis. A proper selection of 
M  would  gain  a  better  tradeoff  between  resolution  (traveltime  and  velocity)  and  noise 
compression. Our sensitivity analysis indicates that a value of M = 3 would give a rea‐
sonable resolution and less noise level, so here we set M = 3. 

2.4. Property Calculation 
The relative permittivity without considering the electric conductivity and magnetic 
permeability can be approximated by the propagating velocity as [8]: 
2
c
   ,  (10)
 
where  c   is the  speed  of  light  in  vacuum,  which is 0.3  m/ns.  The relation between the 
relative permittivity and density of lunar regolith [28] is: 

  log 1.919    ,   (11)

 
Remote Sens. 2021, 13, 48  6  of  15 
 

where     is the  bulk density  with the unit  of (g/cm3).  Laboratory measurements show 

that the loss tangent represents the ratio of the imaginary part of the relative permittivity 
to its real part, which depends on bulk density. The (FeO+TiO2) abundance of lunar reg‐
olith could be estimated based on the loss tangent and bulk density, which is beyond the 
scope of this study. 

3. Results 
3.1. Simulation Data Results 
We verify the effectiveness of the proposed method in a synthetic model using the 
finite difference time domain (FDTD) method [29], as shown in Figure 3a. The synthetic 
model  consists  of  a  heterogeneous  background  and  several  anomalous  rocks  with  ran‐
dom relative permittivities less than 5.0 [24]. The dominant frequency of a Ricker wave‐
let is 500 MHz, the time windows and the sampling interval are 120 and 0.02 ns, respec‐
tively, and the trace interval is 0.005 m. 
The forward simulation results of CH‐2A with the offset of 0.16 m and CH‐2B with 
the  offset  of  0.32  m  are  illustrated  in  Figure  3b,c,  respectively.  The  double  diffraction 
hyperbolas were generated due to the upper and bottom surfaces of the rocks [16]. We 
focused  on  the  upper  diffraction  hyperbola  to  reduce  the  error  of  velocity  estimation. 
Furthermore, we demonstrate the results by applying the local correlation based on the 
frequency wavenumber (FK) fan filtered data in Figure 3d, where the red‐cross indicates 
the vertex position of the diffractions. Dong et al. determined the vertex positions of the 
diffractions by directly applying a 3D velocity spectrum for the whole data [16], which 
would cause a relatively large error because the maximum value position of semblance 
analysis  would  be  significantly  influenced  by  the  noise.  The  vertex position of the dif‐
fraction determinations based on local correlation would have higher accuracy than the 
direct  3D velocity spectrum.  Accurate  determination  of  vertex  positions  of  the  diffrac‐
tions is the basis of high‐precision semblance analysis for the velocity. 

 
Remote Sens. 2021, 13, 48  7  of  15 
 

 
Figure 3. (a) The synthetic regolith model; (b) forward result with offset of 0.16 m; (c) forward re‐
sult with offset of 0.32 m; (d) the local correlation defined in Section 2.2 for the two filtered data. 
The red‐cross indicates the vertex position of the diffractions and the white color indicates the 
maximum value of local correlation. 

Based  on  the  picking  positions  in  Figure  3d,  we  could  scan  the  stacking  velocity 
within  the  local  scope  of  the  simulation  data.  We  display  the  contours  from  the  sem‐
blance analysis for the velocity ranges from 0.1 to 0.3 m/ns within a 4 ns time window in 
Figure 4. The vertex positions of the diffractions are shown in the upper right corner of 

 
Remote Sens. 2021, 13, 48  8  of  15 
 

the graph. The stacking velocity and the calculated depth of each rock are listed in Table 
1. 

 
Figure 4. Semblance analysis contours of selected diffraction hyperbolas for the simulation model, where the normalized 
stacked amplitude threshold of 0.6 was used. The red‐cross indicates the maximum value 1 of the semblance analysis. 

Table 1. The estimated results of velocity and depth for the simulation model. 

Rocks  Distance(m)  Relative Permittivity  Time(ns)  Stacking Velocity(m/ns)  Depth(m) 

1  1.51  4.5  44.64  0.171  3.517 
2  1.81  3.5  8.80  0.227  0.699 
3  2.91  4.0  17.52  0.200  1.452 
4  5.71  4.1  48.32  0.179  4.025 
5  6.56  4.5  22.00  0.188  1.768 
6  8.61  4.5  9.44  0.240  0.833 
7  9.71  4.8  27.12  0.184  2.195 

The scanning positions are well consistent with the actual positions of rocks except 
the two rocks in the shallow layer (Figure 5). The inconsistency may be due to the high 
velocity in the shallow layers which results in flat diffraction hyperbola, thus the accu‐
racy  of  semblance  analysis  for  velocity  is  insufficient.  Thus,  the  simulation  shows  that 
our proposed procedures based on local correlation and semblance analysis is effective 
to obtain the subsurface parameters. 

 
Figure 5. The scanning location of the rocks in the synthetic model. The red‐cross indicates the 
scanning location of the diffractions. 

 
Remote Sens. 2021, 13, 48  9  of  15 
 

3.2. LPR Data Results 
The  amplitude  of  echoes  in  the  first  ~150  ns  (length  N=501  with  0.3125 ns time in‐
terval), with a depth of about 10 m for the LPR CH‐2A and CH‐2B data, is displayed in 
Figure 6a,b, respectively. The local correlation for the filtered CH‐2A and CH‐2B data is 
shown in Figure 6c, where the red‐cross indicates the vertex position of the diffractions 
after selection. 

 
Figure 6. The profile of lunar penetrating radar (LPR) data within the region of 0~150 ns. (a) The 
CH‐2A data; (b) the CH‐2B data; (c) the local correlation defined in Section 2.2 for the filtered 
CH‐2A and CH‐2B data. The red‐cross indicates the vertex position of the diffractions and the 
white color indicates the maximum value of local correlation. 

The  semblance  analysis  contour  of  diffraction  hyperbolas  for  the  LPR  CH‐2B  data 
was based on the rock location extraction by applying the local correlation, and the re‐
sults are shown in Figure 7. The red‐cross in the contour maps represents the maximum 
value  of  the  semblance  analysis.  The  stacking  velocity  for  the  rocks  was  obtained  by 
picking  the  maximum  value  of  the  semblance  analysis,  and  the  calculated  depths  are 
listed in Table 2. 

 
Remote Sens. 2021, 13, 48  10  of  15 
 

 
Figure 7. Semblance analysis contour of diffraction hyperbolas after screening the LPR CH‐2B data, 
where the normalized stacked amplitude threshold of 0.6 was used. The red‐cross indicates the 
maximum value of 1 for the semblance analysis. 

Table 2. The estimated results of velocity and depth for the LPR data. 

Rocks  Distance(m)  Time(ns)  Stacking Velocity(m/ns)  Depth(m) 

1  1.8615  38.1250  0.234  4.461 
2  13.3955  118.1250  0.146  8.623 
3  23.9440  42.8125  0.206  4.410 

 
Remote Sens. 2021, 13, 48  11  of  15 
 

4  31.1345  92.5000  0.180  8.325 

5  31.1710  90.6250  0.156  7.069 
6  44.6395  73.7500  0.179  6.601 
7  46.3185  27.5000  0.221  3.039 
8  59.3855  138.7500  0.129  8.949 
9  61.2835  66.5625  0.197  6.556 
10  73.9125  124.375  0.127  7.898 
11  74.3140  89.6875  0.163  7.310 
12  87.4175  26.5625  0.273  3.626 
13  106.1785  142.5000  0.145  10.331 
14  116.9095  40.9375  0.238  4.872 
15  122.3115  116.875  0.142  8.298 
16  127.6770  143.4375  0.146  10.471 
17  139.3935  95.0000  0.162  7.695 
18  140.5980  50.9375  0.203  5.170 
19  142.5325  44.0625  0.181  3.988 
20  181.2955  80.0000  0.183  7.320 
21  184.3980  132.5000  0.150  9.938 
22  192.355  117.5000  0.178  10.458 
23  215.9705  26.5625  0.215  2.855 
24  227.5775  53.7500  0.214  5.751 
25  249.4045  85.0000  0.161  6.843 
26  253.8575  122.8125  0.174  10.685 
27  258.9310  28.7500  0.276  3.968 
28  295.7960  126.8750  0.123  7.803 
29  297.3290  100.3125  0.152  7.624 
30  302.2930  106.5625  0.142  7.566 
31  302.9865  86.8750  0.137  5.951 
32  321.3095  78.7500  0.145  5.709 
33  337.0775  66.2500  0.148  4.903 
34  341.4575  101.5625  0.164  8.328 
35  379.6365  72.8125  0.172  6.262 
36  387.6300  138.7500  0.153  10.614 
37  397.9595  125.9375  0.129  8.123 
38  399.3100  63.1250  0.150  4.734 
39  402.2300  50.9375  0.160  4.075 
40  404.6025  133.4375  0.127  8.473 

Meanwhile, we compared the diffraction hyperbola for No.30 and No.34 rocks with 
the  CH‐2B  data.  As  shown  in  Figure  8,  the  white  dotted  lines  represent  the  diffraction 
hyperbola at 302.2930 m and 106.5625 ns for the stacking velocity of 0.142 m/ns (Figure 
8a) and at 341.3845 m and 101.5625 ns for the stacking velocity of 0.165 m/ns (Figure 8b), 
respectively. The  trend  of the  hyperbola shows  great  consistency with the  CH‐2B  data, 
which indicates the semblance analysis procedure can obtain the stacking velocity with 
high precision. 

 
Remote Sens. 2021, 13, 48  12  of  15 
 

 
Figure 8. The comparison between the diffraction hyperbola and the CH‐2B data within the local 
region. (a) The white dotted lines represent the diffraction hyperbola at 302.2930 m and 106.5625 
ns for the stacking velocity of 0.142 m/ns; (b) the white dotted lines represent the diffraction hy‐
perbola at 341.3845 m and 101.5625 ns for the stacking velocity of 0.165 m/ns. 

We applied the spline image interpolation method based on the 40 selected rocks to 
obtain  the  stacking  velocity  of  the  substructures.  The  stacking  velocity  and  the 
root‐mean‐square  velocity  approach  to  the  same  when  the  source‐receiver  offset  ap‐
proaches  zero  for  the  isotropic  layered  model.  The  interval  velocity  can  be  calculated 
using the Dix formula as shown in Figure 9a. Subsequently, the estimated relative per‐
mittivity of the subsurface structure along the Yutu‐2 rover’s traverse, as shown in Fig‐
ure 9b, could be obtained based on the interval velocity distribution. The subsurface ve‐
locity and the relative permittivity are important parameters for calculating other phys‐
ical  properties.  Based  on  the  relative  permittivity  of  the  subsurface  structure  without 
considering  the  echo  power attenuation,  we  could  acquire the  subsurface  properties  of 
lunar regolith, which are important for geological interpretation. 

 
Remote Sens. 2021, 13, 48  13  of  15 
 

Figure 9. The estimated subsurface velocity and relative permittivity distribution along the Yutu‐2 
rover route. (a) The subsurface velocity distribution; (b) the subsurface relative permittivity dis‐
tribution. 

4. Discussion 
The noise interference and incomplete hyperbola will produce errors in semblance 
analysis. Additionally, the  region  selection  of the  data will influence the  determination 
of  the  vertex  position  of  the  diffractions,  which  will  affect  the  accuracy  of  semblance 
analysis. The determination of rock locations (i.e., the vertex position of the diffractions) 
is the most important procedure to obtain reliable semblance analysis results. Our anal‐
ysis indicates that the semblance analysis in the shallow layers of the simulation model 
always has a larger bias than that in the deep layers. One possible reason is that the flat 
diffraction  hyperbola  would  influence  the  accuracy  of  semblance  analysis.  Thus,  a 
high‐precision  semblance  analysis  method  such  as  the  weighted  AB  semblance  [30]  or 
new migration methods [31] should be developed to improve the accuracy in the future 
studies. Additionally, LPR data processing should consider the local attributes to sepa‐
rate the data with higher accuracies. 
We display the forward result with small Gaussian noise (mean is 0 and variance is 
0.005) added and the corresponding local correlation results in Figure 10 to evaluate the 
validity of the combined method with noise. The results show that small noise has little 
influence  on  the  local  correlation  results,  and  the  combined  method  is  valid  to  derive 
accurate velocity, permittivity, and bulk density distribution. 

 
Figure 10. (a) Forward result; (b) the local correlation results; (c) forward result with Gaussian 
noise added; (d) the local correlation results with Gaussian noise added. The red‐cross indicates 
the vertex position of the diffractions and the white color indicates the maximum value of local 
correlation. 

The local correlation and semblance analysis were combined to estimate the veloci‐
ty structure, which can provide a good estimation of abnormal rock location and relative 
permittivity.  The  future  multiple‐input multiple‐output  radar  onboard  the  lander  from 
China’s Chang’E‐5 (CE‐5) mission can help the detection of the regolith structure and the 
position of the underlying abnormal rocks in the landing site. The combined method by 
using local correlation and semblance analysis could be helpful for further processing on 
the CE‐5 radar data. Furthermore, the method can be used in the site selection of the In‐
ternational Lunar Research Station (ILRS) [32] and similar missions in the future. 

 
Remote Sens. 2021, 13, 48  14  of  15 
 

5. Conclusions 
We  derived  the  similarity  between  filtered  LPR  CH‐2A  and  CH‐2B  data  based  on 
the local correlation, which would help to reveal the rock location distribution in the lu‐
nar regolith. Subsequently, we applied the semblance analysis method for the diffraction 
hyperbola  to  obtain  the  subsurface  velocity  structure  and  the  relative  permittivity  dis‐
tribution. The other properties of lunar regolith including bulk density and FeO and TiO2 
abundance can  be calculated based on the relative permittivity.  A  procedure  that  com‐
bined  the  local  correlation  and  semblance  analysis  has  an  advantage  over  traditional 
methods  [12–16]  in  terms  of  accuracy  and  robustness  in  the  interpretation  of  the 
high‐frequency LPR data. 
The velocity structure and the properties of the subsurface were derived from dif‐
fraction hyperbolas in the high‐frequency LPR data, which could provide a good struc‐
tural  constraint  for understanding  the formation and evolution of the lunar  regolith  at 
the landing site. The combined procedure is an excellent choice for estimating the sub‐
surface  velocity  and  the  other  properties  of  the  lunar  regolith.  Compared  with  the 
methods by analyzing Apollo’s samples [1] and by the microwave remote sensing tech‐
niques [3] to derive the physical parameters of lunar regolith, the application of LPR has 
great advantages both  in terms  of  the range and the  accuracy.  Therefore, it  is very im‐
portant to develop parameter estimation methods based on the LPR data, especially its 
high‐frequency data. The procedure combined with the local correlation and semblance 
analysis,  proposed  in  this  paper,  is  of  great  significance  in  the  interpretation  of  LPR 
high‐frequency data. 

Author Contributions: Conceptualization, H.S. and J.Z.; methodology, H.S.; software, H.S. and 
C.L.; validation, H.S. and X.W.; formal analysis, Y.Z.; investigation, H.S., X.W. and C.L.; resources, 
Y.L. and Y.Z.; data curation, H.S., J.Z. and C.L.; writing—original draft preparation, H.S.; writ‐
ing—review and editing, J.Z. and Y.L.; visualization, H.S.; supervision, J.Z. and Y.L.; project ad‐
ministration, H.S. and Y.L.; funding acquisition, H.S., J.Z. and Y.L. All authors have read and 
agreed to the published version of the manuscript. 
Funding: This research was funded by the National Key R&D Program of China (grant number: 
2020YFE0202100), the National Natural Science Foundation of China (grant number: 11941001), the 
pre‐research project on Civil Aerospace Technologies funded by Chinese National Space Admin‐
istration (CNSA) (grant number: D020201 and D020203) and the Beijing Municipal Science and 
Technology Commission (grant number: Z191100004319001 and Z181100002918003). J.Z. was 
supported by the National Natural Science Foundation of China (grant number: 41941002). Y.L. 
was supported by the pre‐research project on Civil Aerospace Technologies funded by Chinese 
National Space Administration (CNSA) (grant number: D020101 and D020102) and the Strategic 
Priority Research Program of Chinese Academy of Sciences (grant number: XDB 41000000). 
Acknowledgments: We thank Lin H.L. for his assistance with the manuscript. We would like to 
thank the editor and reviewers for their reviews that improved the content of this paper. The data 
reported in this work are archived at http://moon.bao.ac.cn/searchOrder_pdsData.search. 
Conflicts of Interest: The funders had no role in the design of the study; in the collection, analyses, 
or interpretation of data; in the writing of the manuscript, or in the decision to publish the results. 

References 
1. McKay, D.S.; Heiken, G.; Basu, A.; Blanford, G.; Simon, S.; Reedy, R.; French, B.M.; Papike, J. The lunar regolith. In Lunar 
Source‐Book: A User’s Guide to the Moon; Heiken, G., Ed.; Cambridge University Press: New York, NY, USA, 1991; Volume 7, 
pp. 285–357. 
2. Nakamura, Y.; Latham, G.V.; Dorman, H.J. Apollo Lunar Seismic Experiment—Final summary. J. Geophys. Res. Space Phys. 
1982, 87, A117–A123, doi:10.1029/jb087is01p0a117. 
3. Fa, W.; Jin, Y. A primary analysis of microwave brightness temperature of lunar surface from Chang‐E 1 multi‐channel 
radiometer observation and inversion of regolith layer thickness. Icarus 2010, 207, 605–615, doi:10.1016/j.icarus.2009.11.034. 
4. Neish, C.D.; Barnes, J.W.; Sotin, C.; MacKenzie, S.; Soderblom, J.M.; Le Mouélic, S.; Kirk, R.L.; Stiles, B.W.; Malaska, M.J.; 
Le Gall, A.; et al. Spectral properties of titan’s impact craters imply chemical weathering of its surface. Geophys. Res. Lett. 
2015, 42, 3746–3754, doi:10.1002/2015GL063824. 

 
Remote Sens. 2021, 13, 48  15  of  15 
 

5. Porcello,  L.;  Jordan,  R.;  Zelenka,  J.; Adams, G.; Phillips,  R.;  Brown,  W.;  Ward, S.;  Jackson,  P.  The  Apollo lunar  sounder 
radar system. Proc. IEEE 1974, 62, 769–783, doi:10.1109/PROC.1974.9517. 
6. Ono, T.; Kumamoto, A.; Kasahara, Y.; Yamaguchi, Y.; Yamaji, A.; Kobayashi, T.; Oshigami, S.; Nakagawa, H.; Goto, Y.; 
Hashimoto, K.; et al. The Lunar Radar Sounder (LRS) Onboard the KAGUYA (SELENE) Spacecraft. Space Sci. Rev. 2010, 
154, 145–192, doi:10.1007/s11214‐010‐9673‐8. 
7. Xiao, L.; Zhu, P.; Fang, G.; Xiao, Z.; Zou, Y.; Zhao, J.; Zhao, N.; Yuan, Y.; Qiao, L.; Zhang, X.; et al. A young multilayered 
terrane  of  the  northern  Mare  Imbrium  revealed  by  Chang’E‐3  mission.  Science  2015,  347,  1226–1229, 
doi:10.1126/science.1259866. 
8. Zhang, J.; Yang, W.; Hu, S.; Lin, Y.; Fang, G.; Li, C.; Peng, W.; Zhu, S.; He, Z.; Zhou, B.; et al. Volcanic history of the Im‐
brium  basin:  A  close‐up  view  from  the  lunar  rover  Yutu.  Proc.  Natl.  Acad.  Sci.  USA  2015,  112,  5342–5347, 
doi:10.1073/pnas.1503082112. 
9. Li, C.; Su, Y.; Pettinelli, E.; Xing, S.; Ding, C.; Liu, J.; Ren, X.; Lauro, S.E.; Soldovieri, F.; Zeng, X.; et al. The Moon’s farside 
shallow  subsurface  structure  unveiled  by  Chang’E‐4  Lunar  Penetrating  Radar.  Sci.  Adv.  2020,  6,  eaay6898, 
doi:10.1126/sciadv.aay6898. 
10. Zhang, J.; Zhou, B.; Lin, Y.; Zhu, M.; Song, H.; Dong, Z.; Gao, Y.; Di, K.; Yang, W.; Lin, H.; et al. Lunar regolith and sub‐
structure at Chang’E‐4 landing site in South Pole‐Aitken basin. Nat. Astron. 2020, 1–6, doi:10.1038/s41550‐020‐1197‐x. 
11. Fang, G.; Zhou, B.; Ji, Y.; Zhang, Q.; Shen, S.; Li, Y.; Guan, H.; Tang, C.; Gao, Y.; Lu, W.; et al. Lunar Penetrating Radar 
onboard the Chang’e‐3 mission. Res. Astron. Astrophys. 2014, 14, 1607–1622, doi:10.1088/1674‐4527/14/12/009. 
12. Feng, J.; Su, Y.; Ding, C.; Xing, S.; Dai, S.; Zou, Y. Dielectric properties estimation of the lunar regolith at CE‐3 landing site 
using lunar penetrating radar data. Icarus 2017, 284, 424–430, doi:10.1016/j.icarus.2016.12.005. 
13. Dong, Z.; Fang, G.; Ji, Y.; Gao, Y.; Wu, C.; Zhang, X. Parameters and structure of lunar regolith in Chang’E‐3 landing area 
from lunar penetrating radar (LPR) data. Icarus 2017, 282, 40–46, doi:10.1016/j.icarus.2016.09.010. 
14. Lai, J.; Xu, Y.; Zhang, X.; Tang, Z. Structural analysis of lunar subsurface with Chang‫׳‬E‐3 lunar penetrating radar. Planet. 
Space Sci. 2016, 120, 96–102, doi:10.1016/j.pss.2015.10.014. 
15. Hu, B.; Wang, D.; Zhang, L.; Zeng, Z. Rock Location and Quantitative Analysis of Regolith at the Chang’e 3 Landing Site 
Based on Local Similarity Constraint. Remote Sens. 2019, 11, 530, doi:10.3390/rs11050530. 
16. Dong, Z.; Feng, X.; Zhou, H.; Liu, C.; Zeng, Z.; Li, J.; Liang, W. Properties Analysis of Lunar Regolith at Chang’E‐4 Landing 
Site Based on 3D Velocity Spectrum of Lunar Penetrating Radar. Remote Sens. 2020, 12, 629, doi:10.3390/rs12040629. 
17. Zhang, L.; Zeng, Z.; Li, J.; Huo, Z.; Wang, K.; Zhang, J.; Huang, L. Parameter Estimation of Lunar Regolith from Lunar 
Penetrating Radar Data. Sensors 2018, 18, 2907, doi:10.3390/s18092907. 
18. Fomel, S. Local seismic attributes. Geophysics 2007, 72, 29–33, doi:10.1190/1.2437573. 
19. Liu,  G.;  Fomel,  S.;  Jin,  L.;  Chen,  X.  Stacking  seismic  data  using  local  correlation.  Geophysics  2009,  74,  V43–V48, 
doi:10.1190/1.3085643. 
20. Fisher,  E.;  McMechan,  G.A.;  Annan,  A.P.  Acquisition  and  processing  of  wide‐aperture  ground‐penetrating  radar  data. 
Geophysics 1992, 57, 495–504, doi:10.1190/1.1443265. 
21. Su, Y.; Fang, G.; Feng, J.; Xing, S.; Ji, Y.; Zhou, B.; Gao, Y.; Li, H.; Dai, S.; Xiao, Y.; et al. Data processing and initial results of 
Chang’e‐3 lunar penetrating radar. Res. Astron. Astrophys. 2014, 14, 1623–1632, doi:10.1088/1674‐4527/14/12/010. 
22. Lin, H.; Lin, Y.; Yang, W.; He, Z.; Hu, S.; Wei, Y.; Xu, R.; Zhang, J.; Liu, X.; Yang, J.; et al. New Insight Into Lunar Regolith‐
Forming Processes by the Lunar Rover Yutu‐2. Geophys. Res. Lett. 2020, 47, e2020GL087949, doi:10.1029/2020gl087949. 
23. Angelopoulos, M.; Redman, D.; Pollard, W.H.; Haltigin, T.W.; Dietrich, P. Lunar ground penetrating radar: Minimizing 
po‐tential  data  artifacts  caused  by  signal  interaction  with  a  rover  body.  Adv.  Space  Res.  2014,  54,  2059–2072, 
doi:10.1016/j.asr.2013.09.014. 
24. Lv, W.; Li, C.; Song, H.; Zhang, J.; Lin, Y. Comparative analysis of reflection characteristics of lunar penetrating radar data 
using nu‐merical simulations. Icarus 2020, 350, 113896, doi:10.1016/j.icarus.2020.113896. 
25. Ristic, A.V.; Petrovački, D.; Govedarica, M. A new method to simultaneously estimate the radius of a cylindrical object and 
the wave propagation velocity from GPR data. Comput. Geosci. 2009, 35, 1620–1630, doi:10.1016/j.cageo.2009.01.003. 
26. Dix, C.H. Seismic velocities from surface measurements. Geophysics 1955, 20, 68–86, doi:10.1190/1.1438126. 
27. Neidell, N.S.; Taner, M.T. Sembalnce and other coherency measures for multichannel data. Geophysics 1971, 34, 859–891, 
doi:10.1190/1.1440186. 
28. Carrier, W.D.; Olhoeft, G.R.; Mendell, W. Physical properties of the lunar surface. In Lunar Source‐Book: A User’s Guide to the 
Moon; Heiken, G., Ed.; Cambridge University Press: New York, NY, USA, 1991; Volume 9, pp. 475–594. 
29. Irving, J.; Knight, R. Numerical modeling of ground‐penetrating radar in 2‐D using MATLAB. Comput. Geosci. 2006, 32, 
1247–1258, doi:10.1016/j.cageo.2005.11.006. 
30. Ebrahimi,  S.;  Kahoo,  A.R.;  Chen,  Y.;  Porsani,  M.  A  high‐resolution  weighted  AB  semblance  for  dealing  with  am‐
pli‐tude‐variation‐with‐offset phenomenon. Geophysics 2017, 82, V85–V93, doi:10.1190/geo2016‐0047.1. 
31. Sun, H.; Gao, C.; Zhang, Z.; Liao, X.; Wang, X.; Yang, J. High‐Resolution Anisotropic Prestack Kirchhoff Dynamic Focused 
Beam Migration. IEEE Sens. J. 2019, 20, 11753–11760, doi:10.1109/jsen.2019.2933200. 
32. Pei, Z.; Liu, J.; Wang, Q.; Kang, Y.; Zou, Y.; Zhang, H.; Zhang, Y.; He, H.; Wang, Q.; Yang, R. Overview of lunar exploration 
and International Lunar Research Station. Chin. Sci. Bull. 2020, 65, 2577–2586, doi:10.1360/TB‐2020‐0582. (In Chinese)