CN109522516B - 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 - Google Patents
基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109522516B CN109522516B CN201811159031.6A CN201811159031A CN109522516B CN 109522516 B CN109522516 B CN 109522516B CN 201811159031 A CN201811159031 A CN 201811159031A CN 109522516 B CN109522516 B CN 109522516B
- Authority
- CN
- China
- Prior art keywords
- area
- resolution
- detected
- soil
- random forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于随机森林回归算法的土壤湿度检测方法、装置及电子设备。本发明所述的基于随机森林回归算法的土壤湿度检测方法包括如下步骤：根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型；将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。本发明所述基于随机森林回归算法的土壤湿度检测方法能够检测卫星遥感土壤湿度数据缺失的未知区域的土壤湿度数据。
Description
技术领域
本发明涉及地理信息技术领域，特别是涉及一种基于随机森林回归算法的土壤湿度检测方法、装置及电子设备。
背景技术
土壤湿度是气候、水文、生态和农业等方面研究的一个重要的基础参数，它直接控制着陆地和大气之间的水和热量的输送和平衡。目前，遥感技术可以获取区域性大尺度的陆地土壤湿度变化信息，并应用到陆地水文研究、水涝和干旱的检测、农作物生长态势评估以及自然和生态环境研究等各个领域，然而，由于卫星遥感技术的局限性，还存在着大量无法获取卫星遥感土壤湿度数据的未知区域。
发明内容
基于此，本发明的目的在于，提供一种基于随机森林回归算法的土壤湿度检测方法，其能够检测卫星遥感土壤湿度数据缺失的未知区域的土壤湿度数据。
本发明是通过如下方案实施的：
一种基于随机森林回归算法的土壤湿度检测方法，包括如下步骤：
获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，其中，第一分辨率大于第二分辨率；
根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型，其中，所述样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖作为所述训练最优随机森林算法模型的输入样本，所述样样本区域的卫星遥感土壤湿度数据作为所述训练最优随机森林算法模型的输出样本；
获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率；
将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。
本发明所述的基于随机森林回归算法的土壤湿度检测方法，利用有卫星遥感土壤湿度数据的样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及样本区域的遥感土壤湿度数据，建立最优的随机森林算法模型，利用该模型，计算出数据缺失区域的土壤湿度数据，可以弥补卫星遥感监测的缺陷，完善土壤湿度数据。
在一种实施例中，根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型前，还包括如下步骤：
移除所述样本区域中，白天地表温度小于第一温度和/或水体面积大于第一百分比的区域。
白天地表温度过低的区域可能为冰雪覆盖区域，水体面积大于第一百分比的区域可能为江河湖海区域，因此，将上述区域移出，可以更准确的获取土壤湿度数据。
在一种实施例中，还包括如下步骤：
获取第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
将第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤检测湿度；
对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度。
利用最优随机森林算法模型，可以获取分辨率达到第一分辨率的土壤检测湿度，对其进行残差校正，可以得到更准确的第一分辨率的土壤检测湿度，即空间降尺度土壤湿度。
在一种实施例中，对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度，具体包括如下步骤：
将第二待检测区域第一分辨率的土壤检测湿度重采样至第二分辨率；
计算第二待检测区域卫星遥感土壤湿度数据与重采样至第二分辨率的第二待检测区域的土壤检测湿度之间的差值，获取第一残差；
将所述第一残差空间内插至第一分辨率，获取第一分辨率的第二残差；
将第二待检测区域第一分辨率的土壤检测湿度与第二残差相加，获取第二待检测区域的空间降尺度土壤湿度。
在一种实施例中，所述第一分辨率为0.05°*0.05°，所述第二分辨率为0.25°*0.25°。
进一步地，本发明还提供一种基于随机森林回归算法的土壤湿度检测装置，其特征在于，包括：
第一数据采集模块，用于获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第一重采样模块，用于将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，其中，第一分辨率大于第二分辨率；
随机森林训练模块，用于根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型，其中，所述样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖作为所述训练最优随机森林算法模型的输入样本，所述样样本区域的卫星遥感土壤湿度数据作为所述训练最优随机森林算法模型的输出样本；
第二数据采集模块，用于获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第二重采样模块，用于将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率；
第一土壤湿度获取模块，用于将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。
本发明所述的基于随机森林回归算法的土壤湿度检测装置，利用有卫星遥感土壤湿度数据的样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及样本区域的遥感土壤湿度数据，建立最优的随机森林算法模型，利用该模型，计算出数据缺失区域的土壤湿度数据，可以弥补卫星遥感监测的缺陷，完善土壤湿度数据。
在一种实施例中，还包括：
移出模块，用于移除所述样本区域中，白天地表温度小于第一温度和/或水体面积大于20％的区域。
在一种实施例中，还包括：
第三数据采集模块，用于获取第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第二土壤湿度获取模块，用于将第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤检测湿度；
残差校正模块，用于对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度。
进一步地，本发明还提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项基于随机森林回归算法的土壤湿度检测方法。
进一步地，本发明还提供一种电子设备，包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的任意一项基于随机森林回归算法的土壤湿度检测方法。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为一种实施例中基于随机森林回归算法的土壤湿度检测方法流程示意图；
图2为一种实施例中空间降尺度土壤湿度流程示意图；
图3为一种实施例中残差校正流程示意图；
图4为一种实施例中基于随机森林回归算法的土壤湿度检测方法流程示意图；
图5为一种实施例中基于随机森林回归算法的土壤湿度检测方法流程示意图；
图6为一种实施例中基于随机森林回归算法的土壤湿度检测装置结构示意图；
图7为一种实施例中电子设备结构示意图。
具体实施方式
请参阅图1，在一种实施例中，基于随机森林回归算法的土壤湿度检测方法，包括如下步骤：
步骤S10：获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
所述样本区域为有卫星遥感土壤湿度数据的区域，所述样本区域的大小为所述卫星遥感土壤湿度数据的分辨率大小的整数倍。所述地表温度为地表温度在一天内的平均值，所述白天地表温度和所述夜间地表温度通过卫星传感器modis(中分辨率成像光谱仪moderate-resolution imaging spectroradiometer)获取。所述数字高程模型(DigitalElevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟，即地形表面形态的数字化表达，为一组有序数值阵列形式表示地面高程的一种实体地面模型，可通过卫星遥感数据获取。所述植被指数为根据植被的光谱特性，将卫星可见光和近红外波段进行组合，形成的植被覆盖指标，定性和定量评价植被覆盖及其生长活力。植被指数的值通常为-1至1，在冰雪覆盖、水体及沙漠区域，植被指数通常为小于零的常数。反照率为地表对入射的太阳辐射的反射通量与入射的太阳辐射通量的比值，可通过多种卫星遥感数据获取。地表覆盖(LUCC，Land-Use and Land-Cover Change)包括土地利用和土地覆被等，可通过卫星遥感数据获取。
步骤S20：将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，其中，第一分辨率大于第二分辨率。
其中，在本实施例中，所述植被指数、地表温度、反照率、数字高程模型和地表覆盖的第一分辨率为0.05°*0.05°，而卫星遥感降水数据的第二分辨率为0.25°*0.25°，因此，需要将第一分辨率的所述植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为第二分辨率。
步骤S30：根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型，其中，所述样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖作为所述训练最优随机森林算法模型的输入样本，所述样样本区域的卫星遥感土壤湿度数据作为所述训练最优随机森林算法模型的输出样本。
所述样本区域的卫星遥感土壤湿度数据，为所述样本区域内，通过卫星遥感所监测到的土壤湿度数据，所述最优随机森林算法模型为经反复训练后，土壤湿度数据计算误差达到最小的随机森林算法模型。
步骤S40：获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
在本实施例中，所述第一待检测区域为没有卫星遥感监测区域的土壤湿度数据的区域，上述数据与样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖可通过同样的方式获取。
步骤S50：将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率。
步骤S60：将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。
本发明所述的基于随机森林回归算法的土壤湿度检测方法，利用有卫星遥感土壤湿度数据的样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及样本区域的遥感土壤湿度数据，建立最优的随机森林算法模型，利用该模型，计算出数据缺失区域的土壤湿度数据，可以弥补卫星遥感监测的缺陷，完善土壤湿度数据。
在一种实施例中，为了更准确的获取样本区域的土壤湿度数据，还包括如下步骤：
步骤S2A：移除所述样本区域中，白天地表温度小于第一温度和/或水体面积大于第一百分比的区域。
白天地表温度过低的区域可能为冰雪覆盖区域，水体面积大于第一百分比的区域可能为江河湖海区域，因此，将上述区域移出，可以更准确的获取土壤湿度数据。在本实施例中，所述第一温度为0℃，所述第一百分比为20％。
请参阅图2，在一种实施例中，还包括如下步骤：
步骤S70：获取第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
所述第二待检测区域为有卫星遥感土壤湿度数据的区域，所述样本区域的大小为所述卫星遥感土壤湿度数据的分辨率大小的整数倍。
步骤S80：将第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤检测湿度。
步骤S90：对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度。
所述残差为卫星遥感测定的第二待检测区域的土壤湿度数据与从最优随机森林算法模型所获取的第二待检测区域的土壤湿度数据之间的差值，对第一分辨率的第二待检测区域的降水数据进行残差校正，能得到更为准确的第一分辨率的第二待检测区域的土壤湿度数据。
请参阅图3，在一种实施例中，步骤S90具体包括如下步骤：
步骤S91：将第二待检测区域第一分辨率的土壤检测湿度重采样至第二分辨率。
步骤S92：计算第二待检测区域卫星遥感土壤湿度数据与重采样至第二分辨率的第二待检测区域的土壤检测湿度之间的差值，获取第一残差。
步骤S93：将所述第一残差空间内插至第一分辨率，获取第一分辨率的第二残差。
步骤S94：将第二待检测区域第一分辨率的土壤检测湿度与第二残差相加，获取第二待检测区域的空间降尺度土壤湿度。
由于土壤湿度监测的特性，必然存在不能被最优随机森林算法模型有效指示的部分土壤湿度，即残差。本发明通过将这部分残差进行降尺度并与0.05°*0.05°分辨率土壤湿度模拟值相加的方式来最小化模型误差。由于第二待检测区域卫星遥感土壤湿度数据分辨率为0.25°*0.25°，因此可通过第二待检测区域卫星遥感土壤湿度数据值减去重采样后的第二待检测区域第二分辨率的土壤湿度数据计算得出0.25°*0.25°分辨率下的残差。由于残差产生的随机性，因此本实施例通过空间内插的方式对残差进行降尺度，本实施例中，使用薄板样条函数插值法(Thin-plate Spline)对残差进行插值处理，来获取最优的降尺度结果。
在一种实施例中，将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，是通过计算第二分辨率像元范围内，所有第一分辨率像元的平均值来实现的，即计算0.25°*0.25°像元范围内，每个0.05°*0.05°像元的平均值。
在一种实施例中，将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率，是通过计算第二分辨率像元范围内，所有第一分辨率像元的平均值来实现的，即计算0.25°*0.25°像元范围内，每个0.05°*0.05°像元的平均值。
请参阅图4，在一个具体的实施例中，本发明基于随机森林回归算法的土壤湿度检测方法包括如下步骤：
步骤S401：获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
步骤S402：将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为第二分辨率。
步骤S403：根据样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖以及样本区域的卫星遥感土壤湿度数据建立原始样本集S。
步骤S404：通过Bootstrap方法在原始样本集S中抽取k个训练样本集。
步骤S405：对k个训练集进行学习，以此生成k个决策树模型。在决策树生成过程中，共有4个输入变量，从4个变量中随机抽取n个变量，各个内部节点均是利用这n个特征变量上最优的分裂方式来分裂，且n值在随机森林模型的形成过程中为恒定常数。
步骤S406：将k个决策树的结果进行组合，经反复训练，形成最优随机森林算法模型。
步骤S407：获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
步骤S408：将第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样至第二分辨率。
步骤S409：将重采样的第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入最优随机森林算法模型，获取第二分辨率的第一待检测区域的土壤检测湿度。
请参阅图5，在一个具体的实施例中，本发明基于随机森林回归算法的土壤湿度检测方法包括如下步骤：
步骤S501：获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
步骤S502：将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为第二分辨率。
步骤S503：根据样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖以及样本区域的卫星遥感土壤湿度数据建立原始样本集S。
步骤S504：通过Bootstrap方法在原始样本集S中抽取k个训练样本集。
步骤S505：对k个训练集进行学习，以此生成k个决策树模型。在决策树生成过程中，共有4个输入变量，从4个变量中随机抽取n个变量，各个内部节点均是利用这n个特征变量上最优的分裂方式来分裂，且n值在随机森林模型的形成过程中为恒定常数。
步骤S506：将k个决策树的结果进行组合，经反复训练，形成最优随机森林算法模型。
步骤S507：获取第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖。
步骤S508：将所述第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤湿度数据。
步骤S509：将第二待检测区域第一分辨率的土壤湿度数据重采样至第二分辨率。
步骤S510：计算第二待检测区域卫星遥感土壤湿度数据与重采样后的第二待检测区域第二分辨率的土壤湿度数据之间的差值，获取第一残差。
步骤S511：将所述第一残差空间内插至第一分辨率，获取第一分辨率的第二残差。
步骤S512：将第二待检测区域第一分辨率的土壤湿度数据与第二残差相加，获取第二待检测区域的空间降尺度土壤湿度数据。
本发明所述的基于随机森林回归算法的土壤湿度检测方法，利用有卫星遥感土壤湿度数据的样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及样本区域的遥感土壤湿度数据，建立最优的随机森林算法模型，利用该模型，计算出数据缺失区域的土壤湿度数据，可以弥补卫星遥感监测的缺陷，完善土壤湿度数据；同时，利用该模型，计算出第二待检测区域的高分辨率的土壤湿度数据，并对该土壤湿度数据进行重采样，与卫星遥感土壤湿度数据进行残差校正，得到高精度的空间降尺度的土壤湿度数据。
请参阅图6，在一种实施例中，本发明基于随机森林回归算法的土壤湿度检测装置600包括：
第一数据采集模块601，用于获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第一重采样模块602，用于将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，其中，第一分辨率大于第二分辨率；
随机森林训练模块603，用于根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型，其中，所述样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖作为所述训练最优随机森林算法模型的输入样本，所述样样本区域的卫星遥感土壤湿度数据作为所述训练最优随机森林算法模型的输出样本；
第二数据采集模块604，用于获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第二重采样模块605，用于将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率；
第一土壤湿度获取模块606，用于将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。
在一种实施例中，还包括：
移出模块607，用于移除所述样本区域中，白天地表温度小于第一温度和/或水体面积大于20％的区域。
在一种实施例中，还包括：
第三数据采集模块608，用于获取第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第二土壤湿度获取模块609，用于将第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤检测湿度；
残差校正模块610，用于对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度。
在一种实施例中，残差校正模块610包括：
第三重采样单元6101，用于将第二待检测区域第一分辨率的土壤检测湿度重采样至第二分辨率；
第一残差获取单元6102，用于计算第二待检测区域卫星遥感土壤湿度数据与重采样至第二分辨率的第二待检测区域的土壤检测湿度之间的差值，获取第一残差；
第一残差获取单元6103，用于将所述第一残差空间内插至第一分辨率，获取第一分辨率的第二残差；
降尺度土壤湿度数据获取单元6104，用于将第二待检测区域第一分辨率的土壤检测湿度与第二残差相加，获取第二待检测区域的空间降尺度土壤湿度数据。
在一种实施例中，第一重采样模块602包括第一分辨率计算单元6021，用于计算第二分辨率像元范围内，所有第一分辨率像元的样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖平均值来实现的，即计算0.25°*0.25°像元范围内，每个0.05°*0.05°像元的平均值。
在一种实施例中，第二重采样模块605包括第一分辨率计算单元6051，用于计算第二分辨率像元范围内，所有第一分辨率像元的第一待检测区域植被指数、地表温度、反照率、数字高程模型和地表覆盖平均值来实现的，即计算0.25°*0.25°像元范围内，每个0.05°*0.05°像元的平均值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明所述的基于随机森林回归算法的土壤湿度检测装置，利用有卫星遥感土壤湿度数据的样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及样本区域的遥感土壤湿度数据，建立最优的随机森林算法模型，利用该模型，计算出数据缺失区域的土壤湿度数据，可以弥补卫星遥感监测的缺陷，完善土壤湿度数据；同时，利用该模型，计算出第二待检测区域的高分辨率的土壤湿度数据，并对该土壤湿度数据进行重采样，与卫星遥感土壤湿度数据进行残差校正，得到高精度的空间降尺度的土壤湿度数据。
本发明还提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一项实施例中的基于随机森林回归算法的土壤湿度检测方法。
请参阅图7，在一种实施例中，本发明的电子设备70包括存储器71和处理器72，以及储存在所述存储器71并可被所述处理器72执行的计算机程序，所述处理器72执行所述计算机程序时，实现如上述任意一项实施例中的基于随机森林回归算法的土壤湿度检测方法。
在本实施例中，控制器72可以是一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件。存储介质71可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种基于随机森林回归算法的土壤湿度检测方法，其特征在于，包括如下步骤：
获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，其中，第一分辨率大于第二分辨率；
移除所述样本区域中，白天地表温度小于第一温度和/或水体面积大于第一百分比的区域；
根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型，其中，所述样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖作为所述训练最优随机森林算法模型的输入样本，所述样本区域的卫星遥感土壤湿度数据作为所述训练最优随机森林算法模型的输出样本；
获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率；
将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。
2.根据权利要求1所述的基于随机森林回归算法的土壤湿度检测方法，其特征在于，还包括如下步骤：
获取第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
将第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤检测湿度；
对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度。
3.根据权利要求2所述的基于随机森林回归算法的土壤湿度检测方法，其特征在于，对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度，具体包括如下步骤：
将第二待检测区域第一分辨率的土壤检测湿度重采样至第二分辨率；
计算第二待检测区域卫星遥感土壤湿度数据与重采样至第二分辨率的第二待检测区域的土壤检测湿度之间的差值，获取第一残差；
将所述第一残差空间内插至第一分辨率，获取第一分辨率的第二残差；
将第二待检测区域第一分辨率的土壤检测湿度与第二残差相加，获取第二待检测区域的空间降尺度土壤湿度。
4.根据权利要求1所述的基于随机森林回归算法的土壤湿度检测方法，其特征在于：
所述第一分辨率为0.05°*0.05°，所述第二分辨率为0.25°*0.25°。
5.一种基于随机森林回归算法的土壤湿度检测装置，其特征在于，包括：
第一数据采集模块，用于获取样本区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第一重采样模块，用于将样本区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与样本区域的卫星遥感土壤湿度数据相同的第二分辨率，其中，第一分辨率大于第二分辨率；
移出模块，用于移除所述样本区域中，白天地表温度小于第一温度和/或水体面积大于20％的区域；
随机森林训练模块，用于根据样本区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖，以及所述样本区域的卫星遥感土壤湿度数据，建立并训练最优随机森林算法模型；
第二数据采集模块，用于获取第一待检测区域的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第二重采样模块，用于将第一待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖重采样为与第一待检测区域的卫星遥感土壤湿度数据相同的第二分辨率；
第一土壤湿度获取模块，用于将第一待检测区域第二分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第一待检测区域的土壤检测湿度。
6.根据权利要求5所述的基于随机森林回归算法的土壤湿度检测装置，其特征在于，还包括：
第三数据采集模块，用于获取第二待检测区域的第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖；
第二土壤湿度获取模块，用于将第二待检测区域第一分辨率的植被指数、地表温度、反照率、数字高程模型和地表覆盖输入所述最优随机森林算法模型，获取第二待检测区域第一分辨率的土壤检测湿度；
残差校正模块，用于对所述第二待检测区域第一分辨率的土壤检测湿度进行残差校正，获取第二待检测区域的空间降尺度土壤湿度。
7.一种计算机可读介质，其上存储有计算机程序，其特征在于：
该计算机程序被处理器执行时实现如权利要求1至4任意一项基于随机森林回归算法的土壤湿度检测方法。
8.一种电子设备，包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序，其特征在于：
所述处理器执行所述计算机程序时，实现如权利要求1至4所述的任意一项基于随机森林回归算法的土壤湿度检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811159031.6A CN109522516B (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
| PCT/CN2019/107236 WO2020063518A1 (zh) | 2018-09-30 | 2019-09-23 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811159031.6A CN109522516B (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109522516A CN109522516A (zh) | 2019-03-26 |
| CN109522516B true CN109522516B (zh) | 2020-06-09 |
Family
ID=65772332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811159031.6A Active CN109522516B (zh) | 2018-09-30 | 2018-09-30 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109522516B (zh) |
| WO (1) | WO2020063518A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522516B (zh) * | 2018-09-30 | 2020-06-09 | 广州地理研究所 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
| CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
| CN111652404B (zh) * | 2020-02-06 | 2023-04-28 | 北京师范大学 | 一种全天气地表温度反演方法和系统 |
| CN111651411B (zh) * | 2020-04-21 | 2023-03-10 | 成都信息工程大学 | 一种复杂地形遥感土壤水分产品降尺度方法 |
| CN111879440A (zh) * | 2020-08-06 | 2020-11-03 | 中国科学院西北生态环境资源研究院 | 一种地表温度计算方法及装置 |
| CN112488008B (zh) * | 2020-12-04 | 2022-10-28 | 中国科学院地理科学与资源研究所 | 一种基于多源遥感数据融合的土壤水分测量方法及装置 |
| CN113569488A (zh) * | 2021-08-04 | 2021-10-29 | 中国科学院地理科学与资源研究所 | 一种基于随机森林回归的体感温度预测方法及系统 |
| CN114878788A (zh) * | 2022-06-14 | 2022-08-09 | 古田县恒春农业开发有限公司 | 一种花卉种植智能湿度检测装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10026221B2 (en) * | 2014-05-28 | 2018-07-17 | The University Of North Carolina At Charlotte | Wetland modeling and prediction |
| CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
| CN106779067B (zh) * | 2016-12-02 | 2019-04-05 | 清华大学 | 基于多源遥感数据的土壤湿度重建方法和系统 |
| CN107424076A (zh) * | 2017-07-26 | 2017-12-01 | 东北农业大学 | 一种基于amsr2土壤水分数据降尺度算法 |
| CN107748736B (zh) * | 2017-10-13 | 2021-11-26 | 河海大学 | 一种基于随机森林的多因子遥感地表温度空间降尺度方法 |
| CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
| CN109522516B (zh) * | 2018-09-30 | 2020-06-09 | 广州地理研究所 | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 |
-
2018
- 2018-09-30 CN CN201811159031.6A patent/CN109522516B/zh active Active
-
2019
- 2019-09-23 WO PCT/CN2019/107236 patent/WO2020063518A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020063518A1 (zh) | 2020-04-02 |
| CN109522516A (zh) | 2019-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522516B (zh) | 基于随机森林回归算法的土壤湿度检测方法、装置及电子设备 | |
| CN109472393B (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
| Font et al. | SMOS first data analysis for sea surface salinity determination | |
| Shi et al. | Spatial downscaling of monthly TRMM precipitation based on EVI and other geospatial variables over the Tibetan Plateau from 2001 to 2012 | |
| Zhang et al. | Spatial downscaling of TRMM‐based precipitation data using vegetative response in Xinjiang, China | |
| WO2020063529A1 (zh) | 基于随机森林算法的降水数据检测方法、装置及电子设备 | |
| CN112434617B (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及系统 | |
| AU2017376837A1 (en) | Detection of environmental conditions | |
| CN113345004B (zh) | 一种植被叶面积指数的估算方法和装置 | |
| Yeom et al. | Mapping rice area and yield in northeastern Asia by incorporating a crop model with dense vegetation index profiles from a geostationary satellite | |
| Zheng et al. | A methodological approach for spatial downscaling of TRMM precipitation data in North China | |
| CN115479960B (zh) | 联合sar与光学遥感数据的农作物生长过程土壤湿度监测方法 | |
| KR102608357B1 (ko) | 위성 기반 해수면 염분 데이터와 해양 수치 모델 기반 해수면 염분 데이터를 머신러닝 모델에 적용하여 해수면 염분을 예측하기 위한 방법 및 장치 | |
| Nourani et al. | Hydrological model parameterization using NDVI values to account for the effects of land cover change on the rainfall–runoff response | |
| de Carvalho Alves et al. | Geostatistical improvements of evapotranspiration spatial information using satellite land surface and weather stations data | |
| Mohebzadeh et al. | Spatial downscaling of MODIS Chlorophyll-a with machine learning techniques over the west coast of the Yellow Sea in South Korea | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| Zhou et al. | Assessment of bidirectional reflectance effects on desert and forest for radiometric cross-calibration of satellite sensors | |
| Rawat et al. | Parameterization of the modified water cloud model (MWCM) using normalized difference vegetation index (NDVI) for winter wheat crop: a case study from Punjab, India | |
| Araujo et al. | Calibration of FEST-EWB hydrological model using remote sensing data in a climate transition region in Brazil | |
| Teggi | A technique for spatial sharpening of thermal imagery of coastal waters and of watercourses | |
| Du et al. | An improved change detection method for high-resolution soil moisture mapping in permafrost regions | |
| Zhang et al. | Sample-free automated mapping of double-season rice in China using Sentinel-1 SAR imagery | |
| CN116089832A (zh) | 重力卫星地下水储量的降尺度方法、装置和计算机设备 | |
| Nkiaka et al. | Changes in climate, vegetation cover and vegetation composition affect runoff generation in the Gulf of Guinea Basin |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |