基于神经网络和机器学习的土壤湿度反演研究
发布时间：2022-12-05 20:09
土壤湿度,也称为土壤含水量,是影响大气和地球表面水分交换的关键指标,直接控制着地球生态环境气候变化和水循环。根据土壤湿度这一参量,可以高效的监测气候和环境的变化,对监测农作物旱涝灾害、区域气候变化、地表植物蒸散等应用具有重要意义,为了满足上述这些实际应用的需求,土壤湿度的数据应具有以下特点:（1）高时间、空间分辨率（2）可覆盖大面积区域。但是目前传统观测手段不能满足大范围检测的需求、遥感探测技术又不能获得高空间分辨率的土壤湿度数据。针对这个现状,采用目前最新的被动微波遥感土壤湿度数据和对地观测数据,对土壤湿度进行反演和降尺度研究,提高土壤湿度的空间分辨率是当下需要研究突破的难点。本研究选取目前比较先进的天宫二号宽波段成像仪可见光近红外谱段影像,以及SMAP（Soil Moisture Active and Passive）土壤湿度数据作为降尺度反演数据源。分别通过GA（Genetic Algorithm）遗传算法改进的贝叶斯神经网络算法和GA遗传算法改进的随机森林算法建立光谱信息和土壤湿度之间的关系,对SMAP土壤湿度数据进行降尺度反演,将空间分辨率由3km提高至100m。然后将不同隐...
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 土壤湿度观测现状
1.2.2 土壤湿度降尺度反演现状
1.2.3 神经网络和机器学习算法现状
1.2.4 现有研究存在的问题
1.3 主要研究内容
1.3.1 研究目标
1.3.2 研究内容
1.4 论文结构安排
第2章 数据选择及预处理
2.1 天宫二号宽波段成像仪影像
2.2 SMAP土壤湿度数据
2.3 QUAC大气校正
2.4 基于光谱指数的云和阴影检测
2.5 光学影像套合土壤湿度数据
第3章 神经网络和机器学习算法理论
3.1 贝叶斯神经网络算法理论
3.2 随机森林算法理论
3.3 GA遗传算法改进原理
第4章 反演模型构建与应用
4.1 GA改进的贝叶斯神经网络模型
4.2 GA改进的随机森林模型
4.3 SMAP数据降尺度反演
4.4 专题图制作
第5章 精度评价与分析
5.1 精度评价指标
5.1.1 可决系数R~2
5.1.2 均方根误差RMSE
5.2 精度评价
5.2.1 GA改进的神经网络模型精度评价
5.2.2 GA改进的机器学习模型精度评价
5.2.3 算法复杂度评价
5.2.4 光谱反射率与土壤湿度相关性评价
第6章 结论与展望
6.1 结论
6.2 创新点
6.3 不足与改进
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]载人航天空间天文领域发展综述[J]. 张九星,张伟,李绪志. 载人航天. 2017(05)
[2]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)
[3]一种天文卫星数据预处理方法[J]. 赵海升,葛明玉,李正恒,聂建胤,宋黎明. 天文研究与技术. 2017(03)
[4]农业遥感研究现状与展望[J]. 史舟,梁宗正,杨媛媛,郭燕. 农业机械学报. 2015(02)
[5]光学信息分解被动微波土壤湿度方法[J]. 王安琪,施建成,阿多,宫辉力. 地球信息科学学报. 2012(05)
[6]matlab神经网络优化的遗传算法[J]. 朱珏钰,李峰. 赤峰学院学报(自然科学版). 2011(03)
[7]基于多元回归分析的草坪土壤湿度模型研究[J]. 陈志明. 江苏农业科学. 2010(06)
[8]机器学习及其相关算法综述[J]. 陈凯,朱钰. 统计与信息论坛. 2007(05)
[9]人工神经网络的发展及其应用[J]. 石幸利. 重庆科技学院学报. 2006(02)
[10]微波遥感土壤湿度研究进展[J]. 高峰,王介民,孙成权,文军. 遥感技术与应用. 2001(02)
本文编号：3710271
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 土壤湿度观测现状
1.2.2 土壤湿度降尺度反演现状
1.2.3 神经网络和机器学习算法现状
1.2.4 现有研究存在的问题
1.3 主要研究内容
1.3.1 研究目标
1.3.2 研究内容
1.4 论文结构安排
第2章 数据选择及预处理
2.1 天宫二号宽波段成像仪影像
2.2 SMAP土壤湿度数据
2.3 QUAC大气校正
2.4 基于光谱指数的云和阴影检测
2.5 光学影像套合土壤湿度数据
第3章 神经网络和机器学习算法理论
3.1 贝叶斯神经网络算法理论
3.2 随机森林算法理论
3.3 GA遗传算法改进原理
第4章 反演模型构建与应用
4.1 GA改进的贝叶斯神经网络模型
4.2 GA改进的随机森林模型
4.3 SMAP数据降尺度反演
4.4 专题图制作
第5章 精度评价与分析
5.1 精度评价指标
5.1.1 可决系数R~2
5.1.2 均方根误差RMSE
5.2 精度评价
5.2.1 GA改进的神经网络模型精度评价
5.2.2 GA改进的机器学习模型精度评价
5.2.3 算法复杂度评价
5.2.4 光谱反射率与土壤湿度相关性评价
第6章 结论与展望
6.1 结论
6.2 创新点
6.3 不足与改进
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]载人航天空间天文领域发展综述[J]. 张九星,张伟,李绪志. 载人航天. 2017(05)
[2]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)
[3]一种天文卫星数据预处理方法[J]. 赵海升,葛明玉,李正恒,聂建胤,宋黎明. 天文研究与技术. 2017(03)
[4]农业遥感研究现状与展望[J]. 史舟,梁宗正,杨媛媛,郭燕. 农业机械学报. 2015(02)
[5]光学信息分解被动微波土壤湿度方法[J]. 王安琪,施建成,阿多,宫辉力. 地球信息科学学报. 2012(05)
[6]matlab神经网络优化的遗传算法[J]. 朱珏钰,李峰. 赤峰学院学报(自然科学版). 2011(03)
[7]基于多元回归分析的草坪土壤湿度模型研究[J]. 陈志明. 江苏农业科学. 2010(06)
[8]机器学习及其相关算法综述[J]. 陈凯,朱钰. 统计与信息论坛. 2007(05)
[9]人工神经网络的发展及其应用[J]. 石幸利. 重庆科技学院学报. 2006(02)
[10]微波遥感土壤湿度研究进展[J]. 高峰,王介民,孙成权,文军. 遥感技术与应用. 2001(02)
本文编号：3710271
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3710271.html
