CN113255874A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113255874A
CN113255874A CN202110636136.1A CN202110636136A CN113255874A CN 113255874 A CN113255874 A CN 113255874A CN 202110636136 A CN202110636136 A CN 202110636136A CN 113255874 A CN113255874 A CN 113255874A
Authority
CN
China
Prior art keywords
soil
data
soil moisture
neural network
vegetation
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.)
Granted
Application number
CN202110636136.1A
Other languages
English (en)
Other versions
CN113255874B (zh
Inventor
高雅
高懋芳
李召良
尚国琲
张霞
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
Hebei GEO University
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
Hebei GEO University
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, Hebei GEO University filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN202110636136.1A priority Critical patent/CN113255874B/zh
Publication of CN113255874A publication Critical patent/CN113255874A/zh
Application granted granted Critical
Publication of CN113255874B publication Critical patent/CN113255874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G01N5/045—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder for determining moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9094—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于优化的BP神经网络微波遥感反演土壤水分的方法，包括以下步骤：在ALOS‑2卫星过境前后，进行实地土壤样本采集，样本采集点均匀分布并且间隔大于3m，土壤样本带回实验室进行处理，采用实验室烘干法获得实测土壤质量含水量和体积含水量；根据BP神经网络建立三层拓扑结构，同时建立对应数据集，包括训练集和验证集，利用布谷鸟搜索算法优化BP神经网络，从而反演得到土壤水分，并与实测土壤水分进行精度验证。本发明提供了在任何其他土壤参数辅助信息缺少情况下，通过土壤的后向散射系数反演得到植被覆盖区的土壤水分的方法，不在受其他先验知识的限制。

Description

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
技术领域
本发明涉及一种反演方法，尤其涉及一种利用布谷鸟搜索算法优化BP神经网络微波遥感反演土壤水分的方法，属于遥感反演技术领域。
背景技术
土壤水分在多种水文模型、气候模型和生态模型中都是及其重要的输入参数。在干旱、洪涝、泥石流滑坡等自然灾害中，土壤水分的分布和时空变化可以建立相应模型，提供更好的帮助和支持。微波遥感能够全天候、全天时进行对地观测，并且对植被有一定的穿透能力，弥补了传统土壤水分监测方法的不足，在干旱区、植被覆盖区土壤水分监测、地表参数反演等研究中具有极大的优势。自1970年以来，雷达土壤水分反演算法不断发展，国内外学者相继提出了多种算法进行土壤水分反演。反演算法物理过程清晰、明确但很复杂，还需付出大量迭代运算代价或输入大量的辅助数据，并且大部分未有效利用主动微波空间分辨率高的特性。尤其对于地面站野外实测数据的需求，在大区域应用时很难满足，土壤参数不易获取，影响了现有模型的实现以及土壤水分反演方法的适用性。
发明内容
为了解决上述现有技术中的不足之处，本发明提供了一种基于优化的BP神经网络微波遥感反演土壤水分的方法。
为了解决上述技术问题，本发明采用的技术方案是：
一种基于优化的BP神经网络微波遥感反演土壤水分的方法，包括以下步骤：
步骤1：获取与雷达数据相同或相近时间内的GF-1光学数据，同时对GF-1数据进行辐射定标，大气校正等预处理，后计算归一化植被指数；
步骤2：对ALOS-2双极化雷达影像进行滤波，多视，地理编码等预处理，通过预处理分别得到HH和HV两个极化的总后向散射系数；
步骤3：利用水云模型，去除植被和土壤共同产生的后向散射对土壤后向散射系数的影响，分别得到HH和HV两个极化的土壤后向散射系数；
步骤4：在ALOS-2卫星过境前后，进行实地土壤样本采集，样本采集点均匀分布并且间隔大于3m，土壤样本带回实验室进行处理，采用实验室烘干法获得实测土壤质量含水量和体积含水量；
步骤5：根据BP神经网络建立三层拓扑结构，同时建立对应数据集，包括训练集和验证集，利用布谷鸟搜索算法优化BP神经网络，从而反演得到土壤水分，并与实测土壤水分进行精度验证；
所述的土壤水分反演方法，所述步骤5中，包括以下步骤：
步骤501、确定BP神经网络拓扑结构，根据输入、输出数据的个数，HH和HV作为输入值，对应经纬度实测土壤水分数据作为输出值，建立对应的神经网络模型，确定初始BP神经网络权值、阈值和长度，随后CS对初始值进行编码；
步骤502、根据CS算法，初始化鸟巢数n、维度D、发现概率pa、鸟窝界值以及最大迭代次数MaxN，后计算初始化鸟窝适应度值，更新最优鸟窝位置和最优解；
步骤503、不断进行优化，更新适应度较优的鸟窝和最优解，如果满足最大迭代次数，输出全局最优鸟窝和最优值，即反演后的土壤水分值，如果没有满足最大迭代值，即重复步骤502继续优化，直到得到最优解；
步骤504、根据步骤503，获取到最优解后，即反演后的土壤水分值，同实测的土壤水分计算RMSE、MAE以及MAPE，进行精度评价，RMSE、MAE和MAPE值越小，说明结果越好，得到反演后的土壤水分越准确。
所述的土壤水分反演方法，所述步骤1中，包括以下步骤：
步骤101、从陆地观测卫星数据服务中心订购GF-1影像，GF-1数据时间与ALOS-2数据相同或相近，并且筛选出云量小于20％的GF-1数据；
步骤102、对GF-1数据的进行预处理，GF-1WFV数据，空间分辨率16m,在使用之前需要进行辐射校正，几何校正，利用ENVI5.3进行操作；
步骤103、利用GF-1数运算，计算归一化植被指数；
所述的土壤水分反演方法，所述步骤2中，包括以下步骤：
步骤201、根据雷达数据处理软件ENVI5.3.1+SARscape5.2.1，读取ALOS-2原始数据，首先设置系统参数，导入数据，生成的数据包括SLC数据、地理范围矢量数据、以及相应的kml文件；
步骤202、根据步骤201生成的SLC数据，进行多视处理，通过多视处理的SLC数据，空间分辨率降低，提升了数据的辐射分辨率；
步骤203、根据步骤202多视处理得到的SAR数据继续进行滤波处理，选择Frost滤波方法，抑制斑点噪声；
步骤204、根据步骤203滤波后得到的SAR数据继续进行地理编码和辐射定标处理，下载对应区域的DEM文件，定标结果是无量纲的(单位是linear)，由于后向散射的量级都比较小，实际工作中便于分析往往会转成dB的单位，如果要输出dB为单位的定标结果(10*log10 of the linear value)，可以选择相应单位的定标结果输出。
所述的土壤水分反演方法，所述步骤3中，包括以下步骤：
步骤301、在水云模型中，由于植被体散射贡献和下垫面散射贡献共同组成了冠层的总后向散射系数，且植被层在一定程度上削减了下垫面散射的贡献，如果在不考虑雷达阴影与地形起伏的影响下，水云模型表达为如下公式：
Figure BDA0003105774500000031
其中，σo为植被覆盖地表雷达获得的总体后向散射系数(m2/m2)；
Figure BDA0003105774500000032
为针对土壤表层的后向散射系数(m2/m2)；
Figure BDA0003105774500000033
为地表植物产生的后向散射系数(m2/m2)；τ2为双程衰减系数，τ2和
Figure BDA0003105774500000034
的计算公式：
Figure BDA0003105774500000035
τ2＝exp(-2BMv/cosθ)
其中，θ为入射角；Mv为冠层中的水分含量(kg/m3)；A、B为经验常数；
步骤302、在ALOS-2说明文件中，找到水云模型所需要的参数，中心入射角；
步骤303、根据步骤1中GF-1数据计算得到的归一化植被指数作为植被含水量输入；
步骤304、通过最小二乘法计算得到水云模型中的经验系数A、B；
步骤305、确定所有模型需要的参数，编程计算得到去除植被影响后的土壤后向散射系数。
所述的土壤水分反演方法，所述步骤4中，包括以下步骤：
步骤401、根据地形地况在卫星过境前后进行土壤样本采集，采样点的分布考虑植被覆盖、地形、交通通达情况等因素，尽量在研究区域的ALOS-2整景影像上均布布设；
步骤402、利用环刀法采取土壤样本，取土深度为0-10cm，记录采样点的经纬度、植被覆盖、植被类型等相关信息；
步骤403、将土壤样本带回实验室，采用实验室烘干法获得土壤质量含水量以及体积含水量。
本发明具有以下有益效果：提供了一种利用布谷鸟搜索算法优化BP神经网络反演微波遥感土壤水分反演方法。该方法基于传统的水云模型，去除植被后向散射影响，但由于植被覆盖区土壤粗糙度等因素的限制，加入了布谷鸟搜索算法优化BP神经网络模型，无需考虑土壤粗糙度等因素影响的土壤水分反演方法。该方法放宽了现有方法需要的土壤粗糙度等因素影响，不在受土壤因素限制。为在缺少土壤粗糙度、极化方式少等情况下，依靠布谷鸟搜索算法优化BP神经网络，根据步骤5，通过BP神经网络自身训练及学习规则，以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值，计算得到土壤水分，BP神经网络在计算过程中易陷入局部最小值情况，加入布谷鸟算法优化BP神经网络可以增加精确度和预测速度，在一定程度上防止多峰问题陷入局部最优的不足，提高了搜索能力，能获得更优的结果，通过布谷鸟搜索算法优化神经网络可以有效的进行土壤水分反演，为微波遥感土壤水分反演提供了新的解决思路。
附图说明
图1为神经网络结构；
图2为BP训练结果误差；
图3为神经网络训练状况；
图4为神经网络预测误差曲线；
图5为CS网络预测误差；
图6为实测土壤水分和反演土壤水分精度验证曲线；
具体实施方式
以下结合具体实施例，对本发明进行详细说明。
步骤1：获取2020年9月28日与雷达数据相同或相近时间内的GF-1光学数据，利用软件ENVI5.3，对GF-1数据进行预处理，包括辐射定标，大气校正，后计算归一化植被指数；
步骤101、从陆地观测卫星数据服务中心订购GF-1影像，GF-1数据时间与ALOS-2数据相同或相近，ALOS-2过境时间为2020年9月28日，同时筛选出云量小于20％的GF-1数据；
步骤102、对GF-1数据的进行预处理，GF-1WFV数据，空间分辨率16m,在使用之前需要进行辐射校正，几何校正，利用ENVI5.3进行操作；
步骤103、根据近红外4，红外3波段，计算归一化植被指数NDVI，并裁剪出同ALOS-2同区域图像；
步骤2：对ALOS-2双极化雷达影像进行滤波，多视，辐射定标和地理编码等预处理，通过预处理分别得到HH和HV两个极化的总后向散射系数；
步骤201、根据雷达数据处理软件ENVI5.3.1+SARscape5.2.1，读取ALOS-2原始数据，首先设置系统参数，导入数据，生成的数据包括SLC数据、地理范围矢量数据、以及相应的kml文件；
步骤202、根据步骤201生成的SLC数据，进行多视处理，通过多视处理的SLC数据，空间分辨率降低，提升了数据的辐射分辨率；
步骤203、根据步骤202多视处理得到的SAR数据继续进行滤波处理，选择Frost滤波方法，抑制斑点噪声；
步骤204、根据步骤203滤波后得到的SAR数据继续进行地理编码和辐射定标处理，下载对应区域的DEM文件，定标结果是无量纲的(单位是linear)，由于后向散射的量级都比较小，实际工作中便于分析往往会转成dB的单位，为了后续计算，得到以dB为单位的后向散射系数。
步骤3：利用水云模型，去除植被、植被和土壤共同产生的后向散射对土壤后向散射系数的影响，分别得到HH和HV两个极化的土壤后向散射系数；
步骤301、在水云模型中，由于植被体散射贡献和下垫面散射贡献共同组成了冠层的总后向散射系数，且植被层在一定程度上削减了下垫面散射的贡献，如果在不考虑雷达阴影与地形起伏的影响下，水云模型表达为如下公式：
Figure BDA0003105774500000061
其中，σo为植被覆盖地表雷达获得的总体后向散射系数(m2/m2)；
Figure BDA0003105774500000062
为针对土壤表层的后向散射系数(m2/m2)；
Figure BDA0003105774500000063
为地表植物产生的后向散射系数(m2/m2)；τ2为双程衰减系数，τ2和
Figure BDA0003105774500000064
的计算公式：
Figure BDA0003105774500000065
τ2＝exp(-2BMv/cosθ)
其中，θ为入射角；Mv为冠层中的水分含量(kg/m3)；A、B为经验常数；
步骤302、在导入SAR数据后生成的头文件slc.sml文件中，找到水云模型所需要的参数，中心入射角；
步骤303、根据步骤1中GF-1数据计算得到的归一化植被指数作为植被含水量输入；
步骤304、通过最小二乘法计算得到水云模型中的经验系数A、B；
步骤4：在ALOS-2卫星过境前后，进行实地土壤样本采集，样本采集点均匀分布并且间隔大于3m，土壤样本带回实验室进行处理，采用实验室烘干法获得实测土壤质量含水量和体积含水量；
步骤401、根据地形地况在卫星过境前后进行土壤样本采集，采样点的分布考虑植被覆盖、地形、交通通达情况等因素，尽量在研究区域的ALOS-2整景影像上均布布设；
步骤402、利用环刀法采取土壤样本，取土深度为0-10cm，记录采样点的经纬度、植被覆盖、植被类型等相关信息，采样点共120个；
步骤403、将土壤样本带回实验室，采用实验室烘干法获得土壤质量含水量以及体积含水量。
步骤5：根据BP神经网络建立三层拓扑结构，同时建立对应数据集，包括训练集和验证集，利用布谷鸟搜索算法优化BP神经网络，从而反演得到土壤水分，并与实测土壤水分进行精度验证。
步骤501、确定BP神经网络拓扑结构，HH和HV作为输入值，对应经纬度实测土壤水分数据作为输出值，故输入层为2，输出层为1，隐含层为5，其中设置输入值的三分之二为训练集，三分之一为验证集，建立对应的神经网络模型，确定初始BP神经网络权值、阈值和长度，随后CS对初始值进行编码；
步骤502、根据CS算法，初始化鸟巢数n、维度D、发现概率pa、鸟窝界值以及最大迭代次数MaxN，后计算初始化鸟窝适应度值，更新最优鸟窝位置和最优解；
步骤503、不断进行优化，更新适应度较优的鸟窝和最优解，如果满足最大迭代次数，输出全局最优鸟窝和最优值，即反演后的土壤水分值，如果没有满足最大迭代值，即重复步骤502继续优化，直到得到最优解；
步骤504、根据步骤503，获取到最优解后，即反演后的土壤水分值，同实测的土壤水分计算RMSE、MAE以及MAPE，进行精度评价，RMSE、MAE和MAPE值越小，说明结果越好，得到反演后的土壤水分越准确。
根据2020年9月28日ALOS-2双极化L波段雷达影像，通过预处理提取影像总后向散射，结合GF-1数据，通过水云模型，得到土壤后向散射系数，HH和HV两极化数据。实地采样数据点120个，经过实验室烘干法处理得到土壤质量含水量和体积含水量，通过查阅相关资料，确定当地土壤土质多为黏土、壤土，容重范围多为1.0～1.2g/cm3，故设本实验数据土壤容重为1.0g/cm3。根据实测采样经纬度提取出相同经纬度的HH和HV两极化的土壤后向散射系数，经过筛选，剔除极大、极小的土壤水分数据以及不在范围内的后向散射数据，确定最终样本数量为93。后建立算法输入数据集，训练集个数为62个，验证集个数为31个，神经网络参数设置：2个输入1个输出，隐层节点数为5，最大训练次数100，训练精度0.00001，学习率0.1；鸟巢个数100，发现概率pa为0.7。后进行训练，训练次数100+，最终确定最优结果。将归一化的数据进行算法训练，得出神经网络结构如图1，图2为BP训练结果误差，图3为神经网络训练状况，图4为神经网络预测误差曲线，图5为CS网络预测误差，图6为实测土壤水分和反演土壤水分精度验证曲线。
实验结果表明，通过光学数据和雷达数据结合，根据CS算法优化神经网络，反演得到土壤水分，均方根误差为2.881，平均绝对误差为2.487，平均绝对百分比误差为0.062，实测土壤水分和反演土壤水分验证精度都较高，说明此方法能有效的提高土壤水分的反演精度。传统方法的建立都是基于土壤粗糙度、相关长度等实测土壤相关参数完整的情况下进行计算，但由于实际情况的影响，在实测采样不能有效的进行情况下，缺失实测土壤参数，不能用传统方法进行土壤水分反演，在仅有的相关数据上，提出的利用CS算法优化神经网络来进行主动微波土壤水分反演，减少了由于数据不足影响反演方法的进行。本发明利用的CS算法优化神经网络来进行主动微波土壤水分反演的方法。本发明放宽了现有方法的前提假设条件，可以弥补数据缺失的不足，更准确的进行主动微波土壤水分反演。
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)

1.一种基于优化的BP神经网络微波遥感反演土壤水分的方法，其特征在于，包括以下步骤：
步骤1：获取与雷达数据相同或相近时间内的GF-1光学数据，同时对GF-1数据进行辐射定标，大气校正等预处理，后计算归一化植被指数；
步骤2：对ALOS-2双极化雷达影像进行滤波，多视，地理编码等预处理，通过预处理分别得到HH和HV两个极化的总后向散射系数；
步骤3：利用水云模型，去除植被、植被和土壤共同产生的后向散射对土壤后向散射系数的影响，分别得到HH和HV两个极化的土壤后向散射系数；
步骤4：在ALOS-2卫星过境前后，进行实地土壤样本采集，样本采集点均匀分布并且间隔大于3m，土壤样本带回实验室进行处理，采用实验室烘干法获得实测土壤质量含水量和体积含水量；
步骤5：根据BP神经网络建立三层拓扑结构，同时建立对应数据集，包括训练集和验证集，利用布谷鸟搜索算法优化BP神经网络，从而反演得到土壤水分；
所述步骤5中，包括以下步骤：
步骤501、确定BP神经网络拓扑结构，根据输入、输出数据的个数，HH和HV作为输入值，对应经纬度实测土壤水分数据作为输出值，建立对应的神经网络模型，确定初始BP神经网络权值、阈值和长度，随后CS对初始值进行编码；
步骤502、根据CS算法，初始化鸟巢数n、维度D、发现概率pa、鸟窝界值以及最大迭代次数MaxN，后计算初始化鸟窝适应度值，更新最优鸟窝位置和最优解；
步骤503、不断进行优化，更新适应度较优的鸟窝和最优解，如果满足最大迭代次数，输出全局最优鸟窝和最优值，即反演后的土壤水分值，如果没有满足最大迭代值，即重复步骤502继续优化，直到得到最优解；
步骤504、根据步骤503，获取到最优解后，即反演后的土壤水分值，同实测的土壤水分计算RMSE、MAE以及MAPE，进行精度评价，RMSE、MAE和MAPE值越小，说明结果越好，得到反演后的土壤水分越准确。
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、从陆地观测卫星数据服务中心订购GF-1影像，GF-1数据时间与ALOS-2数据相同或相近，并且筛选出云量小于20％的GF-1数据；
步骤102、对GF-1数据的进行预处理，GF-1WFV数据，空间分辨率16m,在使用之前需要进行辐射校正，几何校正，利用ENVI5.3进行操作；
步骤103、利用GF-1数运算，计算归一化植被指数。
3.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2中，包括以下步骤：
步骤201、根据雷达数据处理软件ENVI5.3.1+SARscape5.2.1，读取ALOS-2原始数据，首先设置系统参数，导入数据，生成的数据包括SLC数据、地理范围矢量数据、以及相应的kml文件；
步骤202、根据步骤201生成的SLC数据，进行多视处理，通过多视处理的SLC数据，空间分辨率降低，提升了数据的辐射分辨率；
步骤203、根据步骤202多视处理得到的SAR数据继续进行滤波处理，选择Frost滤波方法，抑制斑点噪声；
步骤204、根据步骤203滤波后得到的SAR数据继续进行地理编码和辐射定标处理，下载对应区域的DEM文件，定标结果是无量纲的(单位是linear)，由于后向散射的量级都比较小，实际工作中便于分析往往会转成dB的单位，如果要输出dB为单位的定标结果(10*log10of the linear value)，可以选择相应单位的定标结果输出。
4.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3中，包括以下步骤：
步骤301、在水云模型中，由于植被体散射贡献和下垫面散射贡献共同组成了冠层的总后向散射系数，且植被层在一定程度上削减了下垫面散射的贡献，如果在不考虑雷达阴影与地形起伏的影响下，水云模型表达为如下公式：
Figure FDA0003105774490000031
其中，σo为植被覆盖地表雷达获得的总体后向散射系数(m2/m2)；
Figure FDA0003105774490000032
为针对土壤表层的后向散射系数(m2/m2)；
Figure FDA0003105774490000033
为地表植物产生的后向散射系数(m2/m2)；τ2为双程衰减系数，τ2和
Figure FDA0003105774490000034
的计算公式：
Figure FDA0003105774490000035
τ2＝exp(-2BMv/cosθ)
其中，θ为入射角；Mv为冠层中的水分含量(kg/m3)；A、B为经验常数；
步骤302、在ALOS-2说明文件中，找到水云模型所需要的参数，中心入射角；
步骤303、根据步骤1中GF-1数据计算得到的归一化植被指数作为植被含水量输入；
步骤304、通过最小二乘法计算得到水云模型中的经验系数A、B；
步骤305、确定所有模型需要的参数，编程计算得到去除植被影响后的土壤后向散射系数。
5.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4中，包括以下步骤：
步骤401、根据地形地况在卫星过境前后进行土壤样本采集，采样点的分布考虑植被覆盖、地形、交通通达情况等因素，尽量在研究区域的ALOS-2整景影像上均布布设；
步骤402、利用环刀法采取土壤样本，取土深度为0-10cm，记录采样点的经纬度、植被覆盖、植被类型等相关信息；
步骤403、将土壤样本带回实验室，采用实验室烘干法获得土壤质量含水量以及体积含水量。
CN202110636136.1A 2021-06-08 2021-06-08 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 Active CN113255874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636136.1A CN113255874B (zh) 2021-06-08 2021-06-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636136.1A CN113255874B (zh) 2021-06-08 2021-06-08 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

Publications (2)

Publication Number Publication Date
CN113255874A true CN113255874A (zh) 2021-08-13
CN113255874B CN113255874B (zh) 2022-03-11

Family

ID=77186997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636136.1A Active CN113255874B (zh) 2021-06-08 2021-06-08 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

Country Status (1)

Country Link
CN (1) CN113255874B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114397276A (zh) * 2022-01-19 2022-04-26 北华航天工业学院 一种基于等价降水估测法的区域土壤湿度监测方法
CN114676636A (zh) * 2022-04-01 2022-06-28 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN116879297A (zh) * 2023-09-07 2023-10-13 航天宏图信息技术股份有限公司 土壤水分协同反演的方法、装置、设备和介质
CN117313563A (zh) * 2023-11-30 2023-12-29 江汉大学 物理约束与深度学习耦合下土壤水分重建模型的配置方法
CN117787110A (zh) * 2024-02-26 2024-03-29 山东建筑大学 基于深度学习模型的土壤水分反演方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347647A1 (en) * 2014-05-30 2015-12-03 Iteris, Inc. Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities
CN106569209A (zh) * 2016-10-28 2017-04-19 核工业北京地质研究院 一种利用全极化雷达数据提取土壤含水信息的方法
CN109977574A (zh) * 2019-04-02 2019-07-05 中国科学院遥感与数字地球研究所 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法
CN112906310A (zh) * 2021-04-19 2021-06-04 中国农业科学院农业资源与农业区划研究所 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347647A1 (en) * 2014-05-30 2015-12-03 Iteris, Inc. Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities
CN106569209A (zh) * 2016-10-28 2017-04-19 核工业北京地质研究院 一种利用全极化雷达数据提取土壤含水信息的方法
CN109977574A (zh) * 2019-04-02 2019-07-05 中国科学院遥感与数字地球研究所 一种基于改进Freeman-Durden极化分解模型的土壤水分反演方法
CN112906310A (zh) * 2021-04-19 2021-06-04 中国农业科学院农业资源与农业区划研究所 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

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114397276A (zh) * 2022-01-19 2022-04-26 北华航天工业学院 一种基于等价降水估测法的区域土壤湿度监测方法
CN114397276B (zh) * 2022-01-19 2023-12-01 北华航天工业学院 一种基于等价降水估测法的区域土壤湿度监测方法
CN114676636A (zh) * 2022-04-01 2022-06-28 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN114676636B (zh) * 2022-04-01 2023-08-29 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN116879297A (zh) * 2023-09-07 2023-10-13 航天宏图信息技术股份有限公司 土壤水分协同反演的方法、装置、设备和介质
CN116879297B (zh) * 2023-09-07 2023-12-12 航天宏图信息技术股份有限公司 土壤水分协同反演的方法、装置、设备和介质
CN117313563A (zh) * 2023-11-30 2023-12-29 江汉大学 物理约束与深度学习耦合下土壤水分重建模型的配置方法
CN117313563B (zh) * 2023-11-30 2024-02-27 江汉大学 物理约束与深度学习耦合下土壤水分重建模型的配置方法
CN117787110A (zh) * 2024-02-26 2024-03-29 山东建筑大学 基于深度学习模型的土壤水分反演方法及系统
CN117787110B (zh) * 2024-02-26 2024-05-17 山东建筑大学 基于深度学习模型的土壤水分反演方法及系统

Also Published As

Publication number Publication date
CN113255874B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN113255874B (zh) 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
Du et al. Classification of Alaska spring thaw characteristics using satellite L-band radar remote sensing
Kumar et al. Assimilation of INSAT‐3D hydro‐estimator method retrieved rainfall for short‐range weather prediction
Babaeian et al. A new optical remote sensing technique for high-resolution mapping of soil moisture
Hashim et al. The application of radial basis network model, GIS, and spectral reflectance band recognition for runoff calculation
CN110287457A (zh) 基于卫星雷达遥感数据的玉米生物量反演测算方法
Li et al. First evaluation of Aquarius soil moisture products using in situ observations and GLDAS model simulations
Wen et al. A value-consistent method for downscaling SMAP passive soil moisture with MODIS products using self-adaptive window
CN112016696B (zh) 融合卫星与地基观测的pm1浓度反演方法及系统
CN108874734B (zh) 一种全球陆地降水反演方法
CN114894819B (zh) 一种星载gnss-r土壤湿度反演方法
Zhang et al. Spatial and temporal downscaling of TRMM precipitation with novel algorithms
CN114241331A (zh) 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法
CN116484712A (zh) 植被区域地表温度重建方法、装置、电子设备及存储介质
Derin et al. Modeling level 2 passive microwave precipitation retrieval error over complex terrain using a nonparametric statistical technique
Tong et al. Spatial gap-filling of SMAP soil moisture pixels over Tibetan plateau via machine learning versus geostatistics
Tedesco et al. Dynamic approaches for snow depth retrieval from spaceborne microwave brightness temperature
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
CN113723000A (zh) 一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法
CN116340863B (zh) 空气污染物预测方法、装置、电子设备及可读存储介质
Ghaderi et al. Improving precipitable water vapor estimations of the Moderate Resolution Imaging Spectroradiometer (MODIS) using metaheuristic algorithms
Si et al. An artificial neuron network with parameterization scheme for estimating net surface shortwave radiation from satellite data under clear sky—Application to simulated GF-5 data set
CN114065931A (zh) 基于物理模型和神经网络融合的陆地水汽反演方法及系统
CN113466135A (zh) 一种基于gee的海水水质在线反演监测方法
CN108897074B (zh) 一种全球海洋降水反演方法

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
GR01 Patent grant
GR01 Patent grant