一种“天宫二号”土壤湿度反演方法

发布时间：2021-07-02 11:53

　　通过神经网络和机器学习的方法建立遥感影像的光谱信息与土壤湿度之间的模型,采用遥感手段大范围预测地表土壤湿度。以"天宫二号"2016年9月24日宽波段成像仪采集的可见光近红外谱段影像作为模型输入,选取与"天宫二号"影像相同采集时间和经纬度的SMAP/Sentinel-1 L2土壤湿度产品作为输出,分别通过贝叶斯神经网络算法和随机森林算法建立光谱信息和土壤湿度数据之间的关系。结果表明:采用贝叶斯线性回归反演时,当隐含层节点个数为24时训练效果最好,R²为0.755,均方根误差RMSE为0.161;采用随机森林机器学习算法反演时,当决策树个数为60时效果最好,R²为0.809,均方根误差RMSE为0.120。对"天宫二号"影像进行土壤湿度反演时,随机森林模型比贝叶斯神经网络模型的精度更高,拟合效果更好,可以实现较为准确的大范围土壤水分含量预测。 

【文章来源】：现代电子技术. 2020,43(06)北大核心

【文章页数】：5 页

【部分图文】：

大气校正前后光谱信息

对“天宫二号”影像进行云掩膜后，得到无云影像，然后可以进行影像值提取，采用ArcGIS软件提取特征值，将云掩膜后的“天宫二号”数据与对应区域的SMAP土壤湿度数据进行匹配，设定为地理坐标系WGS84。最终套合的结果如图3所示。图3 样本套合“天宫二号”遥感影像

样本套合“天宫二号”遥感影像

【参考文献】：
期刊论文
[1]基于光谱特征空间的农田植被区土壤湿度遥感监测[J]. 吴春雷,秦其明,李梅,张宁.  农业工程学报. 2014(16)
[2]基于高光谱的区域土壤质地预测模型建立与评价——以河套灌区解放闸灌域为例[J]. 张娜,张栋良,李立新,屈忠义.  干旱区资源与环境. 2014(05)
[3]基于MODIS数据的济南市农田区土壤含水量模型[J]. 刘虹利,王红瑞,吴泉源,王会肖.  中国农村水利水电. 2012(08)



本文编号：3260414