CN112906310A - 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 - Google Patents

考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 Download PDF

Info

Publication number
CN112906310A
CN112906310A CN202110416532.3A CN202110416532A CN112906310A CN 112906310 A CN112906310 A CN 112906310A CN 202110416532 A CN202110416532 A CN 202110416532A CN 112906310 A CN112906310 A CN 112906310A
Authority
CN
China
Prior art keywords
soil moisture
data
soil
vegetation
neural network
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
CN202110416532.3A
Other languages
English (en)
Inventor
高懋芳
高雅
张蕙杰
李顺国
冷佩
段四波
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.)
Institute of Agricultural Resources and Regional Planning of CAAS
Agricultural Information Institute of CAAS
Grain Research Institute of Hebei Academy of Agriculture and Forestry Sciences
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
Agricultural Information Institute of CAAS
Grain Research Institute of Hebei Academy of Agriculture and Forestry Sciences
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 Institute of Agricultural Resources and Regional Planning of CAAS, Agricultural Information Institute of CAAS, Grain Research Institute of Hebei Academy of Agriculture and Forestry Sciences filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202110416532.3A priority Critical patent/CN112906310A/zh
Publication of CN112906310A publication Critical patent/CN112906310A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法，包括以下步骤：步骤1：获取研究区内对应的ALOS‑2L波段雷达1.1级遥感影像，同时对影像进行预处理，得到总后向散射系数，同时同步获取相同时间内CLDAS‑V2.0土壤水分数据用于模型计算和验证；步骤2：研究区为植被覆盖区，根据水云(WCM)模型，去除研究区内植被对土壤后向散射系数的影响，得到土壤后向散射系数，同时获取同一区域相同或者相近时间内的Landsat‑8光学数据，预处理后通过波段运算计算相关植被指数，为水云模型提供数据支持；步骤3：根据BP神经网络拓扑结构，将步骤2所得到的土壤后向散射系数以及CLDAS土壤水分数据建立对应数据集，利用萤火虫算法优化BP神经网络，从而进行土壤水分反演。

Description

考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法
技术领域
本发明属于微波遥感土壤水分反演方面的研究，特别是涉及一种考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法。
背景技术
在农业、水文和气象等学科中，土壤水分都是关键的研究参数。遥感方法反演土壤水分，目前又可以细分为微波遥感和光学遥感两种方式。光学遥感利用土壤的反射光谱信息分析土壤水分含量，但光学遥感有自身的局限性，很难获取土壤水分参量数值，特别受光照、温度和云层等天气影响显著，反演的土壤水分误差较大。而微波遥感穿透力比较强，受大气和云层等天气条件对微波传输带来的干扰比较小，物理意义明确，所以微波遥感比光学遥感在土壤反演精度上准确率更高。
主动微波遥感可以全天时全天候对土壤水分进行监测而不受云层、天气的影响，而穿透力相对较强，能够获取地表及其覆盖物以下的相关信息，核心就是后向散射系数，介电常数和后向散射系数存在一定的函数关系，土壤介电常数会受到土壤水分的直接影响，于是可以通过后向散射系数和土壤含水量构建相应关系，反演出土壤后向散射系数。但主动微波模型多样复杂，反演需要大量的实测数据输入，这为土壤水分的反演增加了难度。
神经网络是一种模拟人类大脑思维方式的智能算法模型，通过数据的学习找出其规律，对于解决一些线性、非线性问题提供了一种思路。但由于神经网络模型有一定的缺陷，如收敛速度慢、易陷入极值等。萤火虫算法是一种新型元启发式搜索算法，用萤火虫算法来优化BP神经网络，通过萤火虫算法得到更好的网络初始值和阈值，使预测效果更加理想。
发明内容
为了解决上述现有技术中的不足之处，本发明提供了一种考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法。
为了解决上述技术问题，本发明采用的技术方案是：
一种考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法，包括以下步骤：
步骤1：获取研究区内对应的ALOS-2L波段雷达1.1级遥感影像，同时对影像进行预处理，得到总后向散射系数，同时同步获取相同时间内CLDAS-V2.0土壤水分数据用于模型计算和验证；
步骤2：研究区为植被覆盖区，根据水云模型(WCM)，去除研究区内植被对土壤后向散射系数的影响，得到土壤后向散射系数，同时获取同一区域相同或者相近时间内的Landsat-8光学数据，预处理后通过波段运算计算相关植被指数，为水云模型提供数据支持；
步骤3：根据BP神经网络拓扑结构，将步骤2所得到的土壤后向散射系数以及CLDAS土壤水分数据建立对应数据集，利用萤火虫算法优化BP神经网络，从而进行土壤水分反演。
所述的微波遥感土壤水分反演方法，所述步骤1中，包括以下步骤：
步骤101、获取ALOS-2L波段雷达1.1级遥感影像，雷达影像是斜距成像，成像过程中出现斑点噪声，图像失真，利用ENVI5.3中SARscape插件对雷达影像进行预处理，处理过程包括：1、数据导入得到SLC数据；2、多视和滤波处理，去除SAR图像斑点噪声；3、辐射定标和地理编码，提取SAR图像后向散射系数；
步骤102、中国气象局陆面数据同化系统(CLDAS-V2.0)实时产品数据集提供了频率为1小时的土壤水分产品，根据ALOS-2图像过境时间，下载对应时间的土壤水分产品，产品格式为NetCDF数据格式，合成TIFF格式，；
步骤103、ALOS-2雷达数据的空间分辨率为3米，降尺度到与CLDAS土壤水分数据相同分辨率，提取出对应象元的HH、HV极化后向散射系数以及土壤水分数据。
所述的微波遥感土壤水分反演方法，所述步骤2中，包括以下步骤：
步骤201、获取与ALOS-2相同区域相同时间或相近时间的Landsat-8数据，对Landsat-8数据进行裁剪、辐射定标等预处理，通过波段运算计算归一化多波段干旱指数(NMDI)；
Figure BDA0003026149080000031
其中，RNir为近红外波段，RSwir1为短波红外1波段。
步骤202、本方法基于植被覆盖区，植被覆盖区植被的存在产生的体散射会降低雷达信号对土壤水分的敏感性，为了减少植被的散射对地表后向散射的影响，利用水云模型去除植被掉植被产生的后向散射系数，从而得到土壤后向散射系数，水云模型中植被参数由NDVI替代，通过水云模型计算得到土壤后向散射系数(HH和HV)。
Figure BDA0003026149080000032
Figure BDA0003026149080000033
τ2＝exp(-2BV2/cosθ)
其中，τ2表示冠层双向衰减系数，V1代表植被的直接散射，V2代表植被的衰减，A和B表示模型的经验系数依赖于研究区的植被类型以及传感器系统配置参数，θ代表入射角，
Figure BDA0003026149080000034
代表总后向散射，
Figure BDA0003026149080000035
代表单一植被冠层散射，
Figure BDA0003026149080000036
代表植被和地表之间的多次散射，
Figure BDA0003026149080000037
代表土壤散射。
所述的微波遥感土壤水分反演方法，所述步骤3中，包括以下步骤：
步骤301、根据已有的数据参数，构建BP神经网络拓扑结构，本方法建立神经网络结构，2个输入参数、1个输出参数，故设置BP神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点，由步骤202得到的HH和HV后向散射系数作为输入参数，由步骤103得到的对应CLDAS土壤水分数据作为输出参数；
步骤302、萤火虫算法优化，初始化算法基本参数：设置萤火虫数目，最大吸引度，光强吸收系数，步长因子，最大迭代次数或搜索精度，对种群初始化，对种群亮度计算，直到得到最优值和最优个体；
步骤303、BP神经网络预测用萤火虫算法得到的最优个体和最优值对网络初始权值和阈值赋值，网络训练后得到预测函数输出，即反演的土壤水分；
步骤304、用步骤303得到的反演土壤水分与CLDAS同化土壤水分进行精度评价,验证反演精度。
本发明具有以下有益效果：提供了一种考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法。该方法基于传统的主动微波遥感土壤水分反演方法，加入了萤火虫算法优化BP神经网络方法，可以克服在实测参数不足的情况下，减少对一些土壤参数的依赖性，在输出参数较少的情况下得到最优解，不需明确知道输入和输出参数之间的映射函数，能够整合多种数据，解决从主动微波后向散射系数数据中获取地表参数遇到的非线性映射问题，萤火虫优化算法来优化BP神经网络，能得到更好的网络初始权值和阈值，从而使神经网络预测更加准确，使土壤水分反演更加准确，为微波遥感土壤水分反演提供新的解决思路。
附图说明
图1为萤火虫优化BP适应度曲线；
图2为神经网络预测误差；
图3为萤火虫网络预测误差；
图4为FA优化神经网络土壤水分和实测土壤水分之间的散点图；
具体实施方式
以下结合具体实施案例，对本发明进行详细说明。
步骤1：获取研究区内对应的ALOS-2L波段雷达1.1级遥感影像，同时对影像进行预处理，得到总后向散射系数，同时同步获取相同时间内CLDAS-V2.0土壤水分数据用于模型计算和验证；
步骤101、获取贵州省黔西南地区对应的ALOS-2L波段雷达1.1级双极化(HH和HV)遥感影像，图像获取日期为2020年8月2日，雷达影像是斜距成像，成像过程中出现斑点噪声，图像失真，利用ENVI5.3中SARscape插件对雷达影像进行预处理，处理过程包括：1、数据导入得到SLC数据；2、多视和滤波处理，去除SAR图像斑点噪声；3、辐射定标和地理编码，提取SAR图像后向散射系数；
步骤102、中国气象局陆面数据同化系统(CLDAS-V2.0)实时产品数据集提供了频率为1小时的土壤水分产品，根据ALOS-2图像过境时间，下载2020年8月2日的土壤水分产品，产品格式为NetCDF数据格式，合成TIFF格式；
步骤103：ALOS-2雷达数据的空间分辨率为3米，降尺度到与CLDAS土壤水分数据相同分辨率，提取出对应象元的HH、HV极化后向散射系数以及土壤水分数据；
步骤2：研究区为植被覆盖区，根据水云模型(WCM)，去除研究区内植被对土壤后向散射系数的影响，得到土壤后向散射系数，同时获取同一区域相同或者相近时间内的Landsat-8光学数据，预处理后通过波段运算计算相关植被指数，为水云模型提供数据支持；
步骤201：获取与ALOS-2相同区域相同时间或相近时间的Landsat-8数据，对Landsat-8数据进行裁剪、辐射定标等预处理，通过波段运算计算归一化多波段干旱指数(NMDI)；
Figure BDA0003026149080000051
其中，RNir为近红外波段，RSwir1为短波红外1波段。
步骤202、本方法基于植被覆盖区，植被覆盖区植被的存在产生的体散射会降低雷达信号对土壤水分的敏感性，为了减少植被的散射对地表后向散射的影响，利用水云模型去除植被掉植被产生的后向散射系数，从而得到土壤后向散射系数，水云模型中植被参数由NDVI替代，通过水云模型计算得到土壤后向散射系数(HH和HV)。
Figure BDA0003026149080000052
Figure BDA0003026149080000053
τ2＝exp(-2BV2/cosθ)
其中，τ2表示冠层双向衰减系数，V1代表植被的直接散射，V2代表植被的衰减，A和B表示模型的经验系数依赖于研究区的植被类型以及传感器系统配置参数，θ代表入射角，
Figure BDA0003026149080000061
代表总后向散射，
Figure BDA0003026149080000062
代表单一植被冠层散射，
Figure BDA0003026149080000063
代表植被和地表之间的多次散射，
Figure BDA0003026149080000064
代表土壤散射。
从图像中提取雷达中心入射角，通过最小二乘法计算得到经验系数A、B值，V1和V2利用NDVI值替代，将所有参数输入WCM模型，计算得到土壤后向散射系数，图像为双极化数据，故分别得到HH和HV两个极化的后向散射。
步骤3：根据BP神经网络拓扑结构，将步骤2所得到的土壤后向散射系数以及CLDAS土壤水分数据建立对应数据集，利用萤火虫算法优化BP神经网络，从而进行土壤水分反演。
步骤301、根据已有的数据参数，构建BP神经网络拓扑结构，本方法建立神经网络结构，2个输入参数、1个输出参数，故设置BP神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点，由步骤202得到的HH和HV后向散射系数作为输入参数，由步骤103得到的对应CLDAS土壤水分数据作为输出参数，输入数据的三分之二作为训练集，三分之一作为验证集；
步骤302、萤火虫算法优化，初始化算法基本参数：设置萤火虫数目20，最大吸引度1，光强吸收系数0.25，步长因子0.2，最大迭代次数或搜索精度500，对种群初始化，对种群亮度计算，直到得到最优值和最优个体；
步骤303、BP神经网络预测用萤火虫算法得到的最优个体和最优值对网络初始权值和阈值赋值，网络训练后得到预测函数输出，即反演的土壤水分；
步骤304、用步骤303得到的反演土壤水分与CLDAS同化土壤水分计算RMSE,验证反演精度。
图1表示为萤火虫优化BP适应度曲线，FA-BP网络在经过35代的时候趋于平稳，表示萤火虫算法能搜索到合适的权值阈值，图2表示神经网络预测误差，误差值-0.2—+0.15之间，误差值相对较小，图3表示为FA网络预测误差，误差值在-0.04—+0.08之间，经过FA优化算法，误差值更小，图4表示为实测土壤水分和反演土壤水分散点图,其中MAE为0.761，RMSE值为0.927，MAPE值为0.021，精度比较高，说明考虑萤火虫优化BP神经网络进行土壤水分反演能得到较高精度的土壤水分，该方法的提出，可以弥补了由于实测数据不足带来的影响，有效的在数据缺失的情况下，继续反演得到比较高精度的土壤水分，为主动微波土壤水分反演提供了一种新思路。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.考虑萤火虫算法优化BP神经网络微波遥感土壤水分反演方法，其特征在于，包括以下步骤：
步骤1：获取研究区内对应的ALOS-2L波段雷达1.1级遥感影像，同时对影像进行预处理，得到总后向散射系数，同时同步获取相同时间内CLDAS-V2.0土壤水分数据用于模型计算和验证；
步骤2：研究区为植被覆盖区，根据水云模型(WCM)，去除研究区内植被对土壤后向散射系数的影响，得到土壤后向散射系数，同时获取同一区域相同或者相近时间内的Landsat-8光学数据，预处理后通过波段运算计算相关植被指数，为水云模型提供数据支持；
步骤3：根据BP神经网络拓扑结构，将步骤2所得到的土壤后向散射系数以及CLDAS土壤水分数据建立对应数据集，利用萤火虫算法优化BP神经网络，从而进行土壤水分反演。
2.根据权利要求1所述的土壤水分反演方法，其特征在于，所述步骤1中，包括以下步骤：
步骤101、获取ALOS-2L波段雷达1.1级遥感影像，雷达影像是斜距成像，成像过程中出现斑点噪声，图像失真，利用ENVI5.3中SARscape插件对雷达影像进行预处理；
步骤102、中国气象局陆面数据同化系统(CLDAS-V2.0)实时产品数据集提供了频率为1小时的土壤水分产品，根据ALOS-2图像过境时间，下载对应时间的土壤水分产品，产品格式为NetCDF数据格式，合成TIFF格式；
步骤103、ALOS-2雷达数据的空间分辨率为3米，降尺度到与CLDAS土壤水分数据相同分辨率，提取出对应象元的HH、HV极化后向散射系数以及土壤水分数据。
3.根据权利要求2所述的土壤水分反演方法，其特征在于，所述步骤101中，处理过程包括：数据导入得到SLC数据；多视和滤波处理，去除SAR图像斑点噪声；辐射定标和地理编码，提取SAR图像后向散射系数。
4.根据权利要求2所述的土壤水分反演方法，其特征在于，所述步骤2中，包括以下步骤：
步骤201、获取与ALOS-2相同区域相同时间或相近时间的Landsat-8数据，对Landsat-8数据进行裁剪、辐射定标等预处理，通过波段运算计算归一化多波段干旱指数(NMDI)；
Figure FDA0003026149070000021
其中，RNir为近红外波段，RSwir1为短波红外1波段；
步骤202、为了减少植被的散射对地表后向散射的影响，利用水云模型去除植被掉植被产生的后向散射系数，从而得到土壤后向散射系数，水云模型中植被参数由NDVI替代，通过水云模型计算得到土壤后向散射系数HH和HV：
Figure FDA0003026149070000022
Figure FDA0003026149070000023
τ2＝exp(-2BV2/cosθ)
其中，τ2表示冠层双向衰减系数，V1代表植被的直接散射，V2代表植被的衰减，A和B表示模型的经验系数依赖于研究区的植被类型以及传感器系统配置参数，θ代表入射角，
Figure FDA0003026149070000024
代表总后向散射，
Figure FDA0003026149070000025
代表单一植被冠层散射，
Figure FDA0003026149070000026
代表植被和地表之间的多次散射，
Figure FDA0003026149070000027
代表土壤散射。
5.根据权利要求4所述的土壤水分反演方法，其特征在于，所述步骤3中，包括以下步骤：
步骤301、根据已有的数据参数，构建BP神经网络拓扑结构，建立神经网络结构，2个输入参数、1个输出参数，故设置BP神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点，由步骤202得到的HH和HV后向散射系数作为输入参数，由步骤103得到的对应CLDAS土壤水分数据作为输出参数；
步骤302、萤火虫算法优化，初始化算法基本参数：设置萤火虫数目，最大吸引度，光强吸收系数，步长因子，最大迭代次数或搜索精度，对种群初始化，对种群亮度计算，直到得到最优值和最优个体；
步骤303、BP神经网络预测用萤火虫算法得到的最优个体和最优值对网络初始权值和阈值赋值，网络训练后得到预测函数输出，即反演的土壤水分；
步骤304、用步骤303得到的反演土壤水分与CLDAS同化土壤水分进行精度评价,验证反演精度。
CN202110416532.3A 2021-04-19 2021-04-19 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法 Pending CN112906310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110416532.3A CN112906310A (zh) 2021-04-19 2021-04-19 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110416532.3A CN112906310A (zh) 2021-04-19 2021-04-19 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法

Publications (1)

Publication Number Publication Date
CN112906310A true CN112906310A (zh) 2021-06-04

Family

ID=76110632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110416532.3A Pending CN112906310A (zh) 2021-04-19 2021-04-19 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法

Country Status (1)

Country Link
CN (1) CN112906310A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255874A (zh) * 2021-06-08 2021-08-13 中国农业科学院农业资源与农业区划研究所 一种基于优化的bp神经网络微波遥感反演土壤水分的方法
CN114324409A (zh) * 2021-12-28 2022-04-12 南京晓庄学院 一种基于微波遥感的土壤湿度监测系统
CN115840224A (zh) * 2022-12-07 2023-03-24 西南交通大学 一种用于反演土壤水分的多目标函数变化检测方法
CN116202575A (zh) * 2023-05-04 2023-06-02 山东汇杰地理信息科技有限公司 一种水土保持土壤流失率监测系统及方法
CN116524349A (zh) * 2023-03-22 2023-08-01 广东工业大学 一种基于改进萤火虫算法的水稻产量预测方法及系统
CN117496363A (zh) * 2023-08-28 2024-02-02 广东省国土资源测绘院 融合主被动微波遥感的作物产量估算方法、系统及设备
CN117826112A (zh) * 2024-03-05 2024-04-05 天津智云水务科技有限公司 一种基于sar的土壤含水量的反演方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645295A (zh) * 2013-12-03 2014-03-19 中国科学院遥感与数字地球研究所 一种多层土壤水分模拟方法和系统
CN108681652A (zh) * 2018-06-04 2018-10-19 中国科学院遥感与数字地球研究所 一种基于高分三号数据的植被覆盖区土壤水分反演方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645295A (zh) * 2013-12-03 2014-03-19 中国科学院遥感与数字地球研究所 一种多层土壤水分模拟方法和系统
CN108681652A (zh) * 2018-06-04 2018-10-19 中国科学院遥感与数字地球研究所 一种基于高分三号数据的植被覆盖区土壤水分反演方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李新尧: ""基于Sentinel-1 SAR数据的表层土壤水分遥感反演"", 《中国优秀硕士学位论文全文数据可 工程科技II辑》 *
蔡娅娅: ""基于 Sentinel-1A 和 Landsat 8 影像的槎白河小流域土壤水分反演研究"", 《中国优秀硕士学位论文全文数据可 工程科技II辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255874A (zh) * 2021-06-08 2021-08-13 中国农业科学院农业资源与农业区划研究所 一种基于优化的bp神经网络微波遥感反演土壤水分的方法
CN113255874B (zh) * 2021-06-08 2022-03-11 中国农业科学院农业资源与农业区划研究所 一种基于优化的bp神经网络微波遥感反演土壤水分的方法
CN114324409A (zh) * 2021-12-28 2022-04-12 南京晓庄学院 一种基于微波遥感的土壤湿度监测系统
CN115840224A (zh) * 2022-12-07 2023-03-24 西南交通大学 一种用于反演土壤水分的多目标函数变化检测方法
CN115840224B (zh) * 2022-12-07 2023-09-29 西南交通大学 一种用于反演土壤水分的多目标函数变化检测方法
CN116524349A (zh) * 2023-03-22 2023-08-01 广东工业大学 一种基于改进萤火虫算法的水稻产量预测方法及系统
CN116524349B (zh) * 2023-03-22 2024-03-29 广东工业大学 一种基于改进萤火虫算法的水稻产量预测方法及系统
CN116202575A (zh) * 2023-05-04 2023-06-02 山东汇杰地理信息科技有限公司 一种水土保持土壤流失率监测系统及方法
CN117496363A (zh) * 2023-08-28 2024-02-02 广东省国土资源测绘院 融合主被动微波遥感的作物产量估算方法、系统及设备
CN117496363B (zh) * 2023-08-28 2024-06-11 广东省国土资源测绘院 融合主被动微波遥感的作物产量估算方法、系统及设备
CN117826112A (zh) * 2024-03-05 2024-04-05 天津智云水务科技有限公司 一种基于sar的土壤含水量的反演方法
CN117826112B (zh) * 2024-03-05 2024-05-31 天津智云水务科技有限公司 一种基于sar的土壤含水量的反演方法

Similar Documents

Publication Publication Date Title
CN112906310A (zh) 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN108303044B (zh) 一种叶面积指数获取方法及系统
CN110826693B (zh) 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统
CN111666656A (zh) 基于微波雨衰的降雨估算方法及降雨监测系统
Yue et al. Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing
CN110595968B (zh) 一种基于静止轨道卫星的pm2.5浓度估算方法
CN113255972B (zh) 基于Attention机制的短临降水预测方法
CN108764326B (zh) 基于深度置信网络的城市不透水层提取方法
CN115356249A (zh) 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统
CN113836779A (zh) 一种基于CNN的Sentinel多源数据的农田地表土壤水分反演方法
CN115629388B (zh) 一种基于红外和微波成像仪数据的雷达回波模拟方法
CN116449331B (zh) 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法
CN111610524A (zh) 一种基于一维变分算法的冰云廓线反演方法及系统
CN114880933A (zh) 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及系统
CN117826112B (zh) 一种基于sar的土壤含水量的反演方法
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
Dai et al. Radar rainfall uncertainty modelling influenced by wind
CN117076819B (zh) 融合星载gnss-r和多源rs数据协同反演地表土壤水分和植被含水量的方法
CN109905190B (zh) 一种低频地波传播时延时变特性的建模方法
CN115758855A (zh) 一种基于lstm及注意力机制的地表反射率反演方法
CN116229288A (zh) 基于无人机多光谱影像的城市河道tsm浓度反演方法
Moreau et al. Atmospheric liquid water retrieval using a gated experts neural network
CN117907248B (zh) 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统
CN118470562B (zh) 基于星载激光雷达点云的水深反演方法

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: 20210604

RJ01 Rejection of invention patent application after publication