一种基于GA改进的土壤湿度反演方法

发布时间：2022-01-10 10:55

　　通过神经网络和机器学习算法,对SMAP土壤湿度数据进行降尺度反演,提高空间分辨率。采用GA改进的贝叶斯神经网络算法和随机森林算法,建立"天宫二号"8,9,10通道光谱反射率与土壤湿度数据之间的模型,进行降尺度反演。结果表明,SMAP土壤湿度数据的空间分辨率由3 km提高至100 m,采用GA改进的贝叶斯神经网络反演算法时,R²为0.788,RMSE为0.142 m³·m^-3;采用GA改进的随机森林算法进行反演时,R²为0.825,RMSE为0.125 m³·m^-3。对SMAP土壤湿度数据进行降尺度反演时,GA改进的随机森林方法模型精度更高,训练效果更好,算法复杂度更低,可以实现较为准确的大范围土壤湿度降尺度反演。 

【文章来源】：现代电子技术. 2020,43(12)北大核心

【文章页数】：5 页

【部分图文】：

样本套合“天宫二号”遥感影像

使用神经网络和机器学习方法在每次学习之后得出的结果会有小范围的波动，所以在每个节点下都训练了至少5次，以防止模型精度的偶然性。结果表明：在进行“天宫二号”数据土壤湿度反演时，GA改进的贝叶斯神经网络反演模型精度R-squre为0.788，均方根误差为0.142 m3·m-3。使用GA改进的贝叶斯神经网络算法得到的预测值和真实值比较结果如图3所示。GA改进的随机森林反演模型R-squre为0.825 3，均方根误差达到了0.125 m3·m-3，可知模型反演的精度要优于GA改进的贝叶斯神经网络算法。使用GA随机森林算法得到的预测值和真实值比较结果如图4所示。

GA改进的随机森林反演模型R-squre为0.825 3，均方根误差达到了0.125 m3·m-3，可知模型反演的精度要优于GA改进的贝叶斯神经网络算法。使用GA随机森林算法得到的预测值和真实值比较结果如图4所示。通过比较可以发现，GA改进的随机森林反演模型较GA改进的贝叶斯神经网络反演模型可决系数更高，均方根误差更低，可以实现高精度大范围的土壤湿度反演。

【参考文献】：
期刊论文
[1]基于天宫二号POLAR的脉冲星导航实验[J]. 郑世界,葛明玉,韩大炜,王文彬,陈勇,卢方军,鲍天威,柴军营,董永伟,冯旻子,贺健健,黄跃,孔敏南,李汉成,李陆,李正恒,刘江涛,刘鑫,师昊礼,宋黎明,孙建超,王瑞杰,王源浩,文星,吴伯冰,肖华林,熊少林,许寒晖,徐明,张娟,张来宇,张力,张晓峰,张永杰,赵一,张双南.  中国科学:物理学 力学 天文学. 2017(09)
[2]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：3580588