基于集成学习的土壤含水量遥感反演研究
发布时间：2020-12-31 02:59
土壤含水量是水文、气象、农业和生态等领域中的关键指标,对土壤含水量进行宏观、动态的监测可为土壤旱情分析、区域洪涝预警、土地退化预报以及生态环境评估等提供有效信息。遥感技术的发展为获取大范围、长时间的土壤含水量实时信息提供了有效途径。遥感反演是指基于地物电磁波产生的遥感影像特征去反推目标的实时状态参数,即将遥感数据转变为各种地表实用参数的过程。目前针对土壤含水量的遥感反演模型可分为经验模型与物理模型:经验模型构造简单、便于实践但监测精度有限;物理模型具有坚实的理论基础,但涉及参数过多、适用性较差。本文综合了经验模型与物理模型的优点,选择青藏高原为研究区、以MODIS卫星传感器资料作为主要数据源,构建了基于集成学习的土壤含水量遥感反演模型。本文主要研究内容和结论如下:（1）土壤含水量相关光谱参数的提取收集并整理了青藏高原地区土壤温湿度实测数据以及遥感数据,完成了相关数据预处理操作;基于土壤的光谱反射特性,以MODIS地表反射率产品MOD09A1为数据源,对植被指数、植被覆盖度和叶面积指数等土壤含水量相关的光谱参数进行了反演。（2）基于随机森林的地表温度重建基于随机森林算法对MODIS地表温...
【文章来源】： 程渊 电子科技大学
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
Bagging流程图
第二章集成学习基本原理13调整并得到训练集2，使得先前“弱学习器1”结果错误的样本在下一轮迭代过程中受到更多关注；然后使用训练集2上训练得到“弱学习器2”；重复进行上述过程，直至满足终止条件，最终预测结果为各基学习器结果的加权和。Adaboost是Boosting算法簇中最具有代表性的一种提升方法，它最早由Freund等人[35]提出。Adaboost全名为AdaptiveBoosting，即自适应提升算法，它的算法流程如图2-3所示。图2-3Boosting流程图从图中可以看出，Adaboost算法根据学习误差率来评估各“弱学习器”在每轮迭代过程中的表现，采用权重系数来衡量每个样本示例的被关注度。对于二分类问题，真实函数为，初始训练集，在训练开始前，中每个样本被赋予相同的权重系数，样本初始权重系数分布为：(2-12)上式中，为第一次迭代中所有样本的权重系数向量，为第一次迭代时第一个样本的权重系数，为样本总数。第一轮训练完成后可得到基学习器，它在训练集上的学习误差率为：
青藏高原素有“世界屋脊”和“第三极”之称，它是一个由山系和高原组成的山脉体系。青藏高原地处北纬 26.00°至 39.47°N，东经 73.19°至 104.47°E 之间，横跨中国、不丹、巴基斯坦、尼泊尔、阿富汗、印度、塔吉克斯坦和吉尔吉斯斯坦八个国家，南起喜马拉雅山脉，北达昆仑山、阿尔金山和祁连山北缘，西抵为帕米尔高原和喀喇昆仑山脉，东至横断山区，覆盖面积约为 250 万平方公里[37]。 由全球地表覆盖数据合成可得到青藏高原地物覆盖类型图（见图 3-1），该数据由全球地表覆盖数据（GlobalLand30）分发网站（http://www.globallandcover.com）提供下载。从图 3-1 可以看出，青藏高原地区一级地表覆盖类型包括耕地、森林、草地、灌木、湿地、水体、冻原、人造覆盖、裸地、冰川和永久积雪，其中草地、森林和裸土为其主要地物覆盖类型。
【参考文献】：
期刊论文
[1]基于支持向量机回归算法的土壤水分光学与微波遥感协同反演[J]. 姜红,玉素甫江·如素力,拜合提尼沙·阿不都克日木,何辉,艾则孜提约麦尔·麦麦提. 地理与地理信息科学. 2017(06)
[2]基于光学与被动微波遥感的青藏高原地区土壤水分反演[J]. 杨婷,陈秀万,万玮,黄照强,杨振宇,姜璐璐. 地球物理学报. 2017 (07)
[3]基于AMSR-E反演青藏高原夏季表层土壤湿度[J]. 李哲,王磊,王林,李谢辉,肖国杰. 高原气象. 2017(01)
[4]L波段主被动微波协同反演裸土土壤水分[J]. 马红章,刘素美,彭爱华,孙林,孙根云. 农业工程学报. 2016(19)
[5]风云三号温度植被指数反演土壤湿度研究[J]. 石玉,宫恒瑞,张旭,李聪. 测绘科学. 2015(11)
[6]青藏高原南缘关键区夏季水汽输送特征及其与高原降水的关系[J]. 解承莹,李敏姣,张雪芹,关学锋. 高原气象. 2015(02)
[7]基于多种植被指数的土壤含水量估算方法[J]. 吴海龙,余新晓,张振明,张艳. 光谱学与光谱分析. 2014(06)
[8]基于MODIS短波红外光谱特征的土壤含水量反演[J]. 姚云军,秦其明,赵少华,袁蔚林. 红外与毫米波学报. 2011(01)
[9]祁连山气候的空间差异与地理位置和地形的关系[J]. 贾文雄. 干旱区研究. 2010(04)
[10]青藏高原热力作用对北半球气候影响的研究[J]. 周秀骥,赵平,陈军明,陈隆勋,李维亮. 中国科学(D辑:地球科学). 2009(11)
本文编号：2948822
【文章来源】： 程渊 电子科技大学
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
Bagging流程图
第二章集成学习基本原理13调整并得到训练集2，使得先前“弱学习器1”结果错误的样本在下一轮迭代过程中受到更多关注；然后使用训练集2上训练得到“弱学习器2”；重复进行上述过程，直至满足终止条件，最终预测结果为各基学习器结果的加权和。Adaboost是Boosting算法簇中最具有代表性的一种提升方法，它最早由Freund等人[35]提出。Adaboost全名为AdaptiveBoosting，即自适应提升算法，它的算法流程如图2-3所示。图2-3Boosting流程图从图中可以看出，Adaboost算法根据学习误差率来评估各“弱学习器”在每轮迭代过程中的表现，采用权重系数来衡量每个样本示例的被关注度。对于二分类问题，真实函数为，初始训练集，在训练开始前，中每个样本被赋予相同的权重系数，样本初始权重系数分布为：(2-12)上式中，为第一次迭代中所有样本的权重系数向量，为第一次迭代时第一个样本的权重系数，为样本总数。第一轮训练完成后可得到基学习器，它在训练集上的学习误差率为：
青藏高原素有“世界屋脊”和“第三极”之称，它是一个由山系和高原组成的山脉体系。青藏高原地处北纬 26.00°至 39.47°N，东经 73.19°至 104.47°E 之间，横跨中国、不丹、巴基斯坦、尼泊尔、阿富汗、印度、塔吉克斯坦和吉尔吉斯斯坦八个国家，南起喜马拉雅山脉，北达昆仑山、阿尔金山和祁连山北缘，西抵为帕米尔高原和喀喇昆仑山脉，东至横断山区，覆盖面积约为 250 万平方公里[37]。 由全球地表覆盖数据合成可得到青藏高原地物覆盖类型图（见图 3-1），该数据由全球地表覆盖数据（GlobalLand30）分发网站（http://www.globallandcover.com）提供下载。从图 3-1 可以看出，青藏高原地区一级地表覆盖类型包括耕地、森林、草地、灌木、湿地、水体、冻原、人造覆盖、裸地、冰川和永久积雪，其中草地、森林和裸土为其主要地物覆盖类型。
【参考文献】：
期刊论文
[1]基于支持向量机回归算法的土壤水分光学与微波遥感协同反演[J]. 姜红,玉素甫江·如素力,拜合提尼沙·阿不都克日木,何辉,艾则孜提约麦尔·麦麦提. 地理与地理信息科学. 2017(06)
[2]基于光学与被动微波遥感的青藏高原地区土壤水分反演[J]. 杨婷,陈秀万,万玮,黄照强,杨振宇,姜璐璐. 地球物理学报. 2017 (07)
[3]基于AMSR-E反演青藏高原夏季表层土壤湿度[J]. 李哲,王磊,王林,李谢辉,肖国杰. 高原气象. 2017(01)
[4]L波段主被动微波协同反演裸土土壤水分[J]. 马红章,刘素美,彭爱华,孙林,孙根云. 农业工程学报. 2016(19)
[5]风云三号温度植被指数反演土壤湿度研究[J]. 石玉,宫恒瑞,张旭,李聪. 测绘科学. 2015(11)
[6]青藏高原南缘关键区夏季水汽输送特征及其与高原降水的关系[J]. 解承莹,李敏姣,张雪芹,关学锋. 高原气象. 2015(02)
[7]基于多种植被指数的土壤含水量估算方法[J]. 吴海龙,余新晓,张振明,张艳. 光谱学与光谱分析. 2014(06)
[8]基于MODIS短波红外光谱特征的土壤含水量反演[J]. 姚云军,秦其明,赵少华,袁蔚林. 红外与毫米波学报. 2011(01)
[9]祁连山气候的空间差异与地理位置和地形的关系[J]. 贾文雄. 干旱区研究. 2010(04)
[10]青藏高原热力作用对北半球气候影响的研究[J]. 周秀骥,赵平,陈军明,陈隆勋,李维亮. 中国科学(D辑:地球科学). 2009(11)
本文编号：2948822
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/2948822.html
教材专著
