CN110795895A - 利用地表反射信号和随机森林回归算法预测土壤水分的方法 - Google Patents

利用地表反射信号和随机森林回归算法预测土壤水分的方法 Download PDF

Info

Publication number
CN110795895A
CN110795895A CN202010008124.XA CN202010008124A CN110795895A CN 110795895 A CN110795895 A CN 110795895A CN 202010008124 A CN202010008124 A CN 202010008124A CN 110795895 A CN110795895 A CN 110795895A
Authority
CN
China
Prior art keywords
soil
random forest
satellite
earth surface
data
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.)
Pending
Application number
CN202010008124.XA
Other languages
English (en)
Inventor
贾燕
王杰
袁媛
陈一祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010008124.XA priority Critical patent/CN110795895A/zh
Publication of CN110795895A publication Critical patent/CN110795895A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于土壤含水量预测技术领域，具体涉及一种利用地表反射信号和随机森林回归算法预测土壤水分的方法，通过根据获取的不同土壤样本区域的地表反射率和卫星高度角，以及样本区域的土壤湿度数据，训练并建立随机森林算法模型；获取待检测区域的土壤类型以及地表反射率和卫星高度角，将待检测区域地表反射率和卫星高度角输入随机森林算法模型，获取待检测区域的预测土壤湿度。本发明提供的利用卫星反射信号和随机森林回归算法的土壤湿度检测方法，其能够通过卫星提供的全天候，广覆盖，持续稳定的信号源，结合机器学习中的随机森林算法，对大面积以及遥感数据缺失的未知区域进行的较为精确的土壤湿度预测。

Description

利用地表反射信号和随机森林回归算法预测土壤水分的方法
技术领域
本发明属于土壤含水量预测技术领域，具体涉及一种利用地表反射信号和随机森林回归算法预测土壤水分的方法。
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。但是，由于需要多个站点和高成本的监视设备，通过现场观测、持续监测大面积的土壤水分含量通常是不切实际的，且由于地表以及地理环境的限制，还存在着大量无法实地获取土壤湿度的未知区域，在全球尺度或者大范围尺度上对其连续测量并达到一定的时空分辨率仍是一个主要的挑战。传统的测量方法（重量水分法、电阻法、土壤湿度计法等）虽然很准确，但是存在着对被观测对象的破坏、仪器类型之间数据同化困难、时空分辨率受限、高成本等问题。在微波遥感领域，各种地基、机载、星载以及有源、无源遥感系统如合成孔径雷达和微波辐射计（如SMOS、SMAP 和AQUARIUS项目等）已应用于监测土壤湿度，但这些方式仍存在着一定的局限性，如成本高、时间分辨率不高等。
发明内容
基于此，本发明的目的在于，提供一种利用地表反射信号和随机森林回归算法预测土壤水分的方法，其能够通过卫星提供的全天候，广覆盖，持续稳定的信号源，结合机器学习中的随机森林算法，对大面积以及遥感数据缺失的未知区域进行的较为精确的土壤湿度预测。
本发明是通过如下方案实施的：
一种利用地表反射信号和随机森林回归算法预测土壤水分的方法，包括以下步骤：
获取多个不同土壤样本区域的地表反射率、卫星高度角和土壤湿度数据；
根据获取的不同土壤样本区域的地表反射率和卫星高度角，以及样本区域的土壤湿度数据，训练并建立随机森林算法模型；获取待检测区域的土壤类型以及地表反射率和卫星高度角，将待检测区域地表反射率和卫星高度角输入随机森林算法模型，获取待检测区域的预测土壤湿度。
进一步的，所述样本区域地表反射率和卫星高度角作为训练随机森林算法模型的输入样本，所述样本区域的土壤湿度数据作为训练随机森林算法模型的输出样本。
进一步的，样本区域的地表反射率和卫星高度角的获取方法为：采用卫星信号接收系统同时接收直接信号和来自于地面的反射信号，以及卫星的高度角信息，并根据接收到的直接信号和来自与地面的反射信号计算出地表反射率。
进一步的，对所述地表反射率进行进一步校正，所述校正方法为采用接收从湖面或者河流反射来的卫星信号进行校正。
进一步的，若搭建的接收系统只接收了地面的反射信号，则输入的用来训练并建立随机森林算法模型的变量为：地表反射信号功率，卫星高度角，系统噪声功率，接收增益。
进一步的，用来训练及建立随机森林预测模型的数据均为来自样本区域的实地数据。
进一步的，采用自行仿真建立的土壤数据库训练及建立随机森林预测模型，，包括如下步骤：
生成地表反射率的仿真数据，模拟区间为（0，0.8），生成卫星高度角的模拟区间为（45°，90°）；
求解仿真数据对应的土壤介电常数，将生成的地表反射率和卫星高度角两组仿真数据输入公式一，并联合菲涅尔方程进行求解获得相应的土壤介电常数
Figure 42324DEST_PATH_IMAGE001
：
公式一：
Figure 21782DEST_PATH_IMAGE002
公式一中，
Figure 801519DEST_PATH_IMAGE003
代表地表反射率，
Figure 196728DEST_PATH_IMAGE004
是左旋极化地表反射系数，
Figure 73417DEST_PATH_IMAGE005
是水平极化反射系数，是垂直极化反射系数；
确定需要测定的土壤类型，将得到的土壤介电常数
Figure 162913DEST_PATH_IMAGE007
代入土壤水分半经验模型获得对应于每个
Figure 424130DEST_PATH_IMAGE007
的土壤湿度
Figure 93009DEST_PATH_IMAGE008
：
进一步的，不同土壤类型沙土和黏土的比例分别为：
土壤类型 沙土/% 黏土/%
粉砂土壤Organic 30.6 13.5
粉质黏土Clay 5 37.4
沙壤土Sand 51.5 13.5
黏沙土Loam 42 8.5
进一步的，仿真土壤数据库的建立，包括如下步骤：
生成仿真土壤样本数据，生成地表反射信号功率的仿真数据，模拟区间为（2，25），生成卫星高度角的模拟区间为（45°，90°），系统噪声功率（-130，-150），系统接收增益（2.5，3.5），来获取相应的地表反射率：
将上述仿真数据输入单基雷达方程进行求解获得相应的信号地表反射率
Figure 647225DEST_PATH_IMAGE009
。
利用卫星的高度角信息和上述计算获得的地表反射率，求解对应于此仿真输入数据的输出变量土壤湿度
Figure 401554DEST_PATH_IMAGE010
。
进一步的，所述方法还包括接收双基雷达信号，通过直射路径和反射路径信噪比的比值获得光滑地表反射率；
接收的光滑的地表反射率为:
Figure 724268DEST_PATH_IMAGE012
；
其中
Figure 216429DEST_PATH_IMAGE013
为系统的校正参数；
Figure 458055DEST_PATH_IMAGE014
是水平极化反射系数，
Figure 795495DEST_PATH_IMAGE015
是垂直极化反射系数。
有益效果
(1)本发明预测方法利用全球卫星导航系统，通过接收卫星发射的免费，全天候L 波段信号，可实现大面积，连续的土壤水分预测。
(2)本发明预测方法无需繁重的检测设备或者复杂的试验操作过程，可自行仿真训练土壤数据库以及设计多种不同的接收方式，根据需要规划实验时间、目标与区域。
(3)本发明土壤预测方法结合了最新的人工智能中的机器学习的方法，通过随机森林算法进行快速、准确、无损地预测土壤的湿度值。
(4)本发明检测方法可采用远程控制，亦可用于部分未知区域的土壤水分测量，丰富了科研数据，为科研工作带来了更多的可能性。
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为本发明土壤水分预测总体流程示意图。
图2为本发明实例中建立土壤仿真数据库且介电常数为1到40训练集。
图 3为本发明实例中建立的土壤仿真数据库中土壤介电常数与土壤湿度关系图。
图 4为本发明实例中利用卫星反射信号以及随机森林模型建立仿真数据库，训练并预测的土壤水分结果图。
具体实施方式
实施例1
一种基于卫星地表反射信号以及随机森林回归算法的土壤湿度预测方法，包括如下步骤：
步骤一：获取不同样本区域的地表反射率和卫星高度角，其中的地表反射率，是反射信号最大功率相关值与直射信号最大功率相关值的比值。卫星高度角，是接收机的天线和卫星连线方向与测站水平面间的垂直角度。
步骤二：根据获取的不同样本区域的地表反射率和卫星高度角，以及所述样本区域的土壤湿度数据，训练并建立最优随机森林算法模型。其中，所述样本区域的地表反射率和卫星高度角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；
步骤三：获取第一待检测区域的地表反射率和卫星高度角，将第一待检测区域地表反射率和卫星高度角输入其对应土壤类型的最优随机森林算法模型，获取第一待检测区域的土壤预测湿度。
本发明所述的基于卫星地表反射信号和随机森林回归算法的土壤湿度检测方法，利用卫星遥感土壤湿度数据所属的样本区域的地表反射率和卫星高度角，以及样本区域的遥感土壤湿度数据，建立若干最优的随机森林算法模型，利用该模型，可持续预测大面积区域以及计算数据缺失区域的土壤湿度，继而弥补传统土壤水分测量的缺陷，进行精确且高效的土壤湿度测量。
在上述实施例中，样本区域的地表反射率和卫星高度角，以及所述样本区域的卫星遥感土壤湿度数据，具有一定的局限性，样本区的土壤类型须与待检测区域的土壤类型一致。如若无法准确获取真实的样本数据，可通过双基雷达方程联合多种土壤水分模型进行仿真计算，建立覆盖多种土壤类型的仿真数据库，用于随机森林模型的训练与优化。训练最优随机森林算法模型前，对于仿真土壤数据库的建立，包括如下步骤：
步骤一：生成地表反射率的仿真数据，模拟区间为（0，0.8），生成卫星高度角的模拟区间为（45°，90°）；
步骤二：求解仿真数据对应的土壤介电常数，将步骤一所述的地表反射率和卫星高度角两组仿真数据输入公式一，并联合菲涅尔方程进行求解获得相应的土壤介电常数
Figure 438966DEST_PATH_IMAGE016
：
公式一：
公式一中，
Figure 66836DEST_PATH_IMAGE003
是地表反射率，
Figure 207967DEST_PATH_IMAGE018
是左旋极化地表反射系数，
Figure 768261DEST_PATH_IMAGE019
是水平极化反射系数，
Figure 539908DEST_PATH_IMAGE020
是垂直极化反射系数。
步骤三：确定需要测定的土壤类型，如下表一中所列举的土壤类型，将步骤二求解出的土壤介电常数
Figure 490547DEST_PATH_IMAGE021
代入土壤水分半经验模型获得对应于每个
Figure 435369DEST_PATH_IMAGE021
的土壤湿度：
在土壤水分半经验模型中，根据不同的土壤类型，其沙土和黏土的含量有不同的数值,如表1：
表
Figure 291253DEST_PATH_IMAGE023
：不同土壤类型沙土和黏土的比例
土壤类型 沙土/% 黏土/%
粉砂土壤Organic 30.6 13.5
粉质黏土Clay 5 37.4
沙壤土Sand 51.5 13.5
黏沙土Loam 42 8.5
由此建立理论上的地表反射率、卫星高度角和土壤湿度的仿真数据用于训练随机森林算法模型。
在第一种所述实施例中，地表反射率由接收机接收到的直射和反射信号之比计算得来。上述的仿真样本数据的建立，输入的变量包括有地表反射率和卫星高度角。
进一步地，本发明还提供一种基于单基雷达方程，且在只接收了地表反射信号的多输入变量的仿真土壤样本数据库建立方法。其输入特征包括：地表反射信号功率，卫星高度角，系统噪声功率，系统接收增益。对于其仿真数据的建立，包括如下步骤：
步骤一：生成仿真土壤样本数据，生成地表反射信号功率的仿真数据，模拟区间为（2，25），生成卫星高度角的模拟区间为（45°，90°），系统噪声功率（-130，-150），系统接收增益（2.5，3.5），来获取相应的地表反射率：
步骤二：求解仿真数据对应的地表反射率，将仿真数据输入单基雷达方程进行求解获得相应的地表反射率
Figure 729188DEST_PATH_IMAGE024
。
步骤三：利用卫星的高度角信息和步骤二中计算获得的地表反射率，代入实例1的步骤二和步骤三，获得对应于此仿真输入数据的输出变量土壤湿度。由此通过理论建立基于地表反射信号功率，卫星高度角，系统噪声功率，接收增益和土壤湿度的仿真数据库用于训练最优随机森林算法模型。
本发明所述的基于地表反射信号和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地表反射信号功率，卫星高度角，系统噪声功率，系统接收增益，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，计算出大面积和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。
在上述实施例中，还包括，在只接收到卫星地表反射信号的情况下，利用实地土壤样本区域的多个输入特征，其包括：地表反射信号功率，卫星高度角，系统噪声功率，接收增益。以及样本区域的土壤湿度数据，建立并训练最优随机森林算法模型。其中，所述实地土壤样本区域的地表反射信号功率，卫星高度角，系统噪声功率，接收增益作为所述训练最优随机森林算法模型的输入样本，所述实地土壤样本区域的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；
将待检测区域地表反射信号功率，卫星高度角，系统噪声功率，接收增益输入所述最优随机森林算法模型，获取待检测区域的土壤预测湿度。
实施例2
对实施实例中的土壤仿真数据库的建立，基于卫星反射信号和随机森林回归算法的土壤湿度检测方法，如图1，包括如下步骤：
步骤一：接收的双基雷达直射信号的信噪比和反射信号的信噪比的比值获得土壤反射率
Figure 684691DEST_PATH_IMAGE026
。在本研究中默认只有镜面反射，可得土壤反射率
Figure 798141DEST_PATH_IMAGE027
，
Figure 723372DEST_PATH_IMAGE028
，
Figure 9996DEST_PATH_IMAGE029
是土壤反射系数，
Figure 133810DEST_PATH_IMAGE030
是卫星高度角，
Figure 418161DEST_PATH_IMAGE031
是左旋极化地表反射系数，
Figure 394470DEST_PATH_IMAGE032
是水平极化反射系数，
Figure 484785DEST_PATH_IMAGE033
是垂直极化反射系数。因此接收的双基雷达信号的地表反射率可表示为
Figure 666368DEST_PATH_IMAGE034
。
Figure 856041DEST_PATH_IMAGE035
为系统的校正参数，在处理真实数据时，可通过附近的池塘或者河流进行系统校正来获得。本实例中假设
Figure 818181DEST_PATH_IMAGE036
=1，土壤介电常数区间模拟区间为(1，40)，卫星高度角
Figure 384291DEST_PATH_IMAGE030
的模拟区间为（0°，90°），由菲涅尔公式联合上述方程可获得土壤介电常数
Figure 685960DEST_PATH_IMAGE037
，地表反射率
Figure 108851DEST_PATH_IMAGE038
，以及卫星高度角的关系，如图2:
步骤二：假设我们需要测定的土壤类型为粉砂土壤，将步骤一求解出的土壤介电常数
Figure 495970DEST_PATH_IMAGE039
代入半经验土壤水分模型，以获得相应的土壤湿度
Figure 426623DEST_PATH_IMAGE040
：
根据不同的土壤类型，其沙土和黏土的含量有不同的数值，如表1。例如粉砂土壤，其沙土和黏土的含量分别为30.6% 和13.5%。
表
Figure 317219DEST_PATH_IMAGE023
：不同土壤类型沙土和黏土的比例
土壤类型 沙土/% 黏土/%
粉砂土壤Organic 30.6 13.5
粉质黏土Clay 5 37.4
沙壤土Sand 51.5 13.5
黏沙土Loam 42 8.5
这里我们假定土壤性质为粉砂土壤，可获得介电常数与土壤含水量之间的关系，如图3所示。由此建立理论上的地表反射率、卫星高度角和土壤湿度的仿真数据用于训练随机森林算法模型并做预测，如图4所示。
在本实施例中，所述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，除了采用仿真数据进行预测，也可实地获取待检测区域的地表反射率和卫星高度角进行训练并建模。
将待检测区域的地表反射率和卫星高度角输入所述建立的最优随机森林算法模型，获取待检测区域的预测土壤湿度。
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地表反射率以及卫星高度角，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。
在上述实施例中，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：
步骤一：接收双基雷达信号，通过直射路径和反射路径信噪比的比值获得光滑地表反射率
Figure 114273DEST_PATH_IMAGE041
；
公式一：
Figure 785426DEST_PATH_IMAGE042
。
其中
Figure 958919DEST_PATH_IMAGE043
为系统的校正参数，
Figure 969600DEST_PATH_IMAGE044
是水平极化反射系数，
Figure 999873DEST_PATH_IMAGE033
是垂直极化反射系数。如果接收设备附近有水塘或者水面，根据水面的反射率约为0.67，可进一步对仪器进行系统校正，获得的值，进而获取更准确的样本区域的土壤湿度数据。
在本申请所提供的几个实施例，并不用于限制本发明的内容，凡在本发明的框架以及思路之内做出的修改以及替换和改进等，特别是关于机器学习方法以及输入空间变量的替换与改进，均应包括在本发明保护的范围之内。

Claims (9)

1.一种利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，包括以下步骤：
获取多个不同土壤样本区域的地表反射率、卫星高度角和土壤湿度数据；
根据获取的不同土壤样本区域的地表反射率和卫星高度角，以及样本区域的土壤湿度数据，训练并建立随机森林算法模型；
获取待检测区域的土壤类型以及地表反射率和卫星高度角，将待检测区域地表反射率和卫星高度角输入随机森林算法模型，获取待检测区域的预测土壤湿度。
2.根据权利要求1所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，所述样本区域地表反射率和卫星高度角作为训练随机森林算法模型的输入样本，所述样本区域的土壤湿度数据作为训练随机森林算法模型的输出样本。
3.根据权利要求1所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，样本区域的地表反射率和卫星高度角的获取方法为：采用卫星信号接收系统同时接收直接信号和来自于地面的反射信号，以及卫星的高度角信息，并根据接收到的直接信号和来自与地面的反射信号计算出地表反射率。
4.根据权利要求2所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，对所述地表反射率进行进一步校正，所述校正方法为采用接收从湖面或者河流反射来的卫星信号进行校正。
5.根据权利要求2所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，若搭建的接收系统只接收了地面的反射信号，则输入的用来训练并建立随机森林算法模型的变量为：地表反射信号功率，卫星高度角，系统噪声功率，接收增益。
6.根据权利要求1-5任一项所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，用来训练及建立随机森林预测模型的数据均为来自样本区域的实地数据。
7.根据权利要求 1所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，采用自行仿真建立的土壤数据库训练及建立随机森林预测模型，包括如下步骤：
生成地表反射率的仿真数据，模拟区间为（0，0.8），生成卫星高度角的模拟区间为（45°，90°）；
求解仿真数据对应的土壤介电常数，将生成的地表反射率和卫星高度角两组仿真数据输入公式一，并联合菲涅尔方程进行求解获得相应的土壤介电常数
Figure 799487DEST_PATH_IMAGE002
：
公式一：
Figure 169026DEST_PATH_IMAGE004
公式一中，
Figure 837905DEST_PATH_IMAGE005
代表地表反射率，
Figure 96848DEST_PATH_IMAGE006
是左旋极化地表反射系数，
Figure 523281DEST_PATH_IMAGE007
是水平极化反射系数，
Figure 525872DEST_PATH_IMAGE008
是垂直极化反射系数；
确定需要测定的土壤类型，将得到的土壤介电常数
Figure 49257DEST_PATH_IMAGE009
代入土壤水分半经验模型获得对应于每个
Figure 151205DEST_PATH_IMAGE010
的土壤湿度
Figure 392831DEST_PATH_IMAGE011
。
8.根据权利要求7所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，仿真土壤数据库的建立，包括如下步骤：
生成仿真土壤样本数据，生成地表反射信号功率的仿真数据，模拟区间为（2，25），生成卫星高度角的模拟区间为（45°，90°），系统噪声功率（-130，-150），系统接收增益（2.5，3.5），来获取相应的地表反射率：
将上述仿真数据输入单基雷达方程进行求解获得相应的信号地表反射率
Figure 933534DEST_PATH_IMAGE013
；
利用卫星的高度角信息和上述计算获得的地表反射率，求解对应于此仿真输入数据的输出变量土壤湿度
Figure 249108DEST_PATH_IMAGE015
。
9.根据权利要求7所述的利用地表反射信号和随机森林回归算法预测土壤水分的方法，其特征在于，所述方法还包括接收双基雷达信号，通过直射路径和反射路径信噪比的比值获得光滑地表反射率
Figure 849854DEST_PATH_IMAGE016
；
接收的光滑的地表反射率为:
Figure 313196DEST_PATH_IMAGE018
；
其中
Figure 657590DEST_PATH_IMAGE020
为系统的校正参数；
Figure 594716DEST_PATH_IMAGE022
是水平极化反射系数，
Figure 100783DEST_PATH_IMAGE024
是垂直极化反射系数。
CN202010008124.XA 2020-01-06 2020-01-06 利用地表反射信号和随机森林回归算法预测土壤水分的方法 Pending CN110795895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010008124.XA CN110795895A (zh) 2020-01-06 2020-01-06 利用地表反射信号和随机森林回归算法预测土壤水分的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010008124.XA CN110795895A (zh) 2020-01-06 2020-01-06 利用地表反射信号和随机森林回归算法预测土壤水分的方法

Publications (1)

Publication Number Publication Date
CN110795895A true CN110795895A (zh) 2020-02-14

Family

ID=69448553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010008124.XA Pending CN110795895A (zh) 2020-01-06 2020-01-06 利用地表反射信号和随机森林回归算法预测土壤水分的方法

Country Status (1)

Country Link
CN (1) CN110795895A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239209A (zh) * 2020-02-17 2020-06-05 中国科学院上海天文台 机会信号反射遥感的全极化单次反射仿真方法及系统
CN111337553A (zh) * 2020-03-13 2020-06-26 山东航向电子科技有限公司 基于导航卫星信号的接触式土壤湿度测量方法
CN111337551A (zh) * 2020-03-13 2020-06-26 山东航向电子科技有限公司 双线极化天线gnss土壤湿度测量方法
CN111507312A (zh) * 2020-05-26 2020-08-07 长江勘测规划设计研究有限责任公司 基于高光谱数据的土壤水分提取方法
CN112016744A (zh) * 2020-08-24 2020-12-01 中山大学 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN112288099A (zh) * 2020-12-15 2021-01-29 南京邮电大学 基于土地覆盖类型数字化的土壤水分预测方法、装置
CN112488008A (zh) * 2020-12-04 2021-03-12 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
CN114371182A (zh) * 2022-03-22 2022-04-19 中国科学院地理科学与资源研究所 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法
US20220312699A1 (en) * 2021-02-26 2022-10-06 Tata Consultancy Services Limited System and method for root zone soil moisture estimation for vegetation cover using remote sensing

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187630A (zh) * 2007-12-05 2008-05-28 北京大学 一种农田干旱监测方法
CN101900692A (zh) * 2010-06-18 2010-12-01 武汉大学 大面积土壤湿度测量方法
CN102252973A (zh) * 2011-03-10 2011-11-23 王桥 土壤含水量遥感监测方法
CN103336104A (zh) * 2013-06-08 2013-10-02 北京航空航天大学 Gnss卫星反射信号用于土壤介电常数的精确反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187630A (zh) * 2007-12-05 2008-05-28 北京大学 一种农田干旱监测方法
CN101900692A (zh) * 2010-06-18 2010-12-01 武汉大学 大面积土壤湿度测量方法
CN102252973A (zh) * 2011-03-10 2011-11-23 王桥 土壤含水量遥感监测方法
CN103336104A (zh) * 2013-06-08 2013-10-02 北京航空航天大学 Gnss卫星反射信号用于土壤介电常数的精确反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAN JIA: "A METHOD USING GNSS LH-REFLECTED SIGNALS FOR SOIL ROUGHNESS ESTIMATION", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 *
YAN JIA: "GNSS-R Soil Moisture Retrieval Based on a XGboost Machine Learning Aided Method: Performance and Validation", 《REMOTE SENSING》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239209A (zh) * 2020-02-17 2020-06-05 中国科学院上海天文台 机会信号反射遥感的全极化单次反射仿真方法及系统
CN111337553A (zh) * 2020-03-13 2020-06-26 山东航向电子科技有限公司 基于导航卫星信号的接触式土壤湿度测量方法
CN111337551A (zh) * 2020-03-13 2020-06-26 山东航向电子科技有限公司 双线极化天线gnss土壤湿度测量方法
CN111507312A (zh) * 2020-05-26 2020-08-07 长江勘测规划设计研究有限责任公司 基于高光谱数据的土壤水分提取方法
CN112016744A (zh) * 2020-08-24 2020-12-01 中山大学 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN112488008A (zh) * 2020-12-04 2021-03-12 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
CN112288099A (zh) * 2020-12-15 2021-01-29 南京邮电大学 基于土地覆盖类型数字化的土壤水分预测方法、装置
US20220312699A1 (en) * 2021-02-26 2022-10-06 Tata Consultancy Services Limited System and method for root zone soil moisture estimation for vegetation cover using remote sensing
US11963488B2 (en) * 2021-02-26 2024-04-23 Tata Consultancy Services Limited System and method for root zone soil moisture estimation for vegetation cover using remote sensing
CN114371182A (zh) * 2022-03-22 2022-04-19 中国科学院地理科学与资源研究所 一种基于cygnss数据的星载gnss-r高精度土壤水分估算方法

Similar Documents

Publication Publication Date Title
CN110795895A (zh) 利用地表反射信号和随机森林回归算法预测土壤水分的方法
Lakshmi Remote sensing of soil moisture
Lievens et al. Assimilation of SMOS soil moisture and brightness temperature products into a land surface model
Wanders et al. Observation uncertainty of satellite soil moisture products determined with physically-based modeling
Dente et al. Space-borne GNSS-R signal over a complex topography: Modeling and validation
Joseph et al. Soil moisture retrieval during a corn growth cycle using L-band (1.6 GHz) radar observations
Şekertekin et al. Soil moisture mapping using Sentinel-1A synthetic aperture radar data
Zeng et al. A physically based soil moisture index from passive microwave brightness temperatures for soil moisture variation monitoring
Bai et al. Parameter optimization of a discrete scattering model by integration of global sensitivity analysis using SMAP active and passive observations
Larue et al. Simulation and assimilation of passive microwave data using a snowpack model coupled to a calibrated radiative transfer model over northeastern Canada
Tao et al. Soil moisture retrieval from SAR and optical data using a combined model
Li et al. Performance evaluation of a neural network model and two empirical models for estimating soil moisture based on Sentinel-1 SAR data
Ringerud et al. A comparison of microwave window channel retrieved and forward-modeled emissivities over the US Southern Great Plains
Boyd et al. Cramer–Rao lower bound for SoOp-R-based root-zone soil moisture remote sensing
Sharma et al. Intercomparison between IMD ground radar and TRMM PR observations using alignment methodology and artificial neural network
Kim et al. Retrieval of subsurface soil moisture and vegetation water content from multifrequency soop reflectometry: Sensitivity analysis
Singh et al. An efficient modeling with GA approach to retrieve soil texture, moisture and roughness from ERS-2 SAR data
Tárník et al. Spatial scale analysis of soil water content in agricultural soils of the Nitra River catchment (Slovakia)
Gudkov et al. A portable microwave radiometer for proximal measurement of soil permittivity
Akbar et al. Combined radar–radiometer surface soil moisture and roughness estimation
Su et al. Research on inversion of soil moisture in karst area based on full-polarization SAR data
Azemati et al. Bistatic scattering forward model validation using GNSS-R observations
Dong et al. Soil Moisture retrieval in Southeast China from spaceborne GNSS-R measurements
Siad Advances in SAR-Based Soil Moisture Retrieval Techniques, Applications, and Challenges
Jackson et al. Validation of AMSR-E soil moisture products using in situ observations

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200214

RJ01 Rejection of invention patent application after publication