CN113723000A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113723000A
CN113723000A CN202111020335.6A CN202111020335A CN113723000A CN 113723000 A CN113723000 A CN 113723000A CN 202111020335 A CN202111020335 A CN 202111020335A CN 113723000 A CN113723000 A CN 113723000A
Authority
CN
China
Prior art keywords
model
soil
soil moisture
sentinel
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.)
Withdrawn
Application number
CN202111020335.6A
Other languages
English (en)
Inventor
崔宁博
吴宗俊
赵龙
邢立文
朱彬
郑顺生
邹清垚
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111020335.6A priority Critical patent/CN113723000A/zh
Publication of CN113723000A publication Critical patent/CN113723000A/zh
Withdrawn legal-status Critical Current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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明公开了一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，属于微波遥感技术领域，该模拟方法具体步骤如下：(1)Sentinel数据采集；(2)数据预处理；(3)土壤水分分析；土壤水分模拟；本发明利用Sentinel‑1卫星获取合成孔径雷达数据，并基于深度学习模型进行回归学习，通过研究雷达后向散射系数与土壤体积含水量之间的关系，实现了对农田土壤水分的模拟，并且本发明考虑到了雷达后向散射系数中土壤介电常数、地表粗糙度和植被覆盖等因素的影响，通过Alpha模型进行消除，从而保证了对农田土壤水分计算精度，而且本发明具有大面积实时观测、效率高、成本低等优势，能够全天时、全天候的对农田土壤水分进行模拟，从而有利于实时针对农业生产进行保护。

Description

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
技术领域
本发明涉及微波遥感技术领域，尤其涉及一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法。
背景技术
经检索，中国专利号CN105510173B公开了一种现场测定土壤含水量的方法，该发明方法通过称重法测定土壤含水量，其虽然在测定过程中可以有效避免土壤水分损失，但这类方法只能获取有限点位的土壤含水量信息，费时费力、成本较高，并且监测精度受到样点密度和空间分布的影响；土壤水分，是地表生态系统的重要组成部分，是农业、水文、气象等科学领域中的一个重要研究参数，其决定着农作物的生长状况；Sentinel系列卫星，是欧盟委员会和欧洲航天局共同倡议的全球环境与安全监测系统的重要组成部分，其主要用于全球环境监测，最早发射的两颗卫星Sentinel-1A和Sentinel-1B分别于2014年4月3日和2016年4月25日升空，搭载了C波段合成孔径雷达，主要完成雷达成像任务；其中Sentinel-1A于2014年10月开始面向全球用户提供免费数据，可提供重复观测的C波段合成孔径雷达影像，双星星座的重访周期为6d，空间分辨率最优为5m，如此高空间分辨率和高时间分辨率的数据为区域尺度土壤水分的实时监测提供了良好的数据来源；而目前，传统的土壤水分监测手段主要是运用烘干称重法、中子水分仪法、时域反射仪等进行野外实地测量，但这类方法只能获取有限点位的土壤含水量信息，费时费力、成本较高，并且监测精度受到样点密度和空间分布的影响，而Sentinel系列卫星具有大面积实时观测、效率高、成本低等优势；因此，发明出一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法变得尤为重要；
现有的农田土壤水分模拟方法大多通过传统的土壤水分监测手段实现的，该类方法只能获取有限点位的土壤含水量信息，费时费力、成本较高，并且监测精度受到样点密度和空间分布的影响，无法全天时、全天候的对农田土壤水分进行模拟，从而不利于实时针对农业生产进行保护；为此，我们提出一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法。
为了实现上述目的，本发明采用了如下技术方案：
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，该模拟方法具体步骤如下：
步骤一、Sentinel数据采集；利用Sentinel-1搭载的合成孔径雷达对待研究目标区域进行遥感图像拍摄，得到Sentinel数据；
步骤二、数据预处理：通过专用处理软件对步骤一所述Sentinel数据进行预处理；
步骤三、土壤水分分析：提取经过预处理后所述Sentinel数据中的雷达后向散射系数，并基于Alpha模型进行分析，同时根据介电模型求解土壤体积含水量；
步骤四、土壤水分模拟：获取步骤三所述雷达后向散射系数和土壤体积含水量，并基于人工神经网络进行深度学习，构建预测模型，最后基于预测模型并通过3D技术对所述待研究目标区域进行土壤水分变化模拟。
进一步地，步骤一所述Sentinel数据包括2个时相T1和T2的SAR影像。
进一步地，步骤二所述预处理包括但不限于辐射校正、地形辐射校正、滤波和地形校正；所述专用处理软件具体为SNAP或Sentinel-1Toolbox中的一种。
进一步地，步骤三所述土壤水分分析过程如下：
S1：将2个时相的后向散射系数做比值处理，得到Alpha模型，其具体公式如下：
Figure BDA0003241685500000031
式中：σ0表示雷达后向散射系数；θ为雷达入射角度；εs为土壤相对介电常数；T1和T2表示雷达数据获取的时间；αPP为极化幅度，是雷达入射角度和土壤介电常数的函数；PP表示极化方式，为HH或者VV；所述极化幅度αPP可表达为如下公式：
Figure BDA0003241685500000032
Figure BDA0003241685500000033
S2：基于Alpha模型构建观测方程，其具体公式如下：
Figure BDA0003241685500000041
S3：获取N个时间序列的SAR影像，并基于式(1)构建矩阵方程组，其具体公式如下：
Figure BDA0003241685500000042
S4：采用边界约束最小二乘对步骤S3所述方程组进行求解，得到极化幅度αPP的值，并基于式(2)和式(3)求得土壤的介电常数εS；
S5：最后，采用介电模型并根据步骤S4所述土壤的介电常数求解土壤体积含水量。
进一步地，所述介电模型的具体公式如下：
当频率在1.4GHz-1.8GHz时，所述介电常数的模型表达式为：
Figure BDA0003241685500000043
当频率在1.4GHz-1.8GHz时，所述介电常数的模型表达式为：
ε＇m＝1.15εm-0.68 (7)
式中：pb为土壤容重；ps为土壤比重；mv为土壤水分；β为指数；εfw为自由水介电常数。
进一步地，步骤四所述预测模型是基于雷达后向散射系数和土壤体积含水量形成的回归模型，其通过深度学习技术进行构建，其具体构建过程如下：
SS1：首先，提取大量Sentinel数据中的雷达后向散射系数以及经过土壤水分分析后得到的土壤体积含水量；
SS2：然后，对所述雷达后向散射系数和土壤体积含水量进行向量化处理，形成样本集，并将其划分为70％的训练集和30％的测试集；
SS3：接着，构建基于人工神经网络的回归模型，并将所述70％的训练集作为输入数据输入其中进行训练，即得到预测模型；
SS4：最后，将所述30％的测试集输入进行步骤SS3所述预测模型，若该模型符合预期，则输出该模型，否则，进行重采样，直至达到期望值。
进一步地，所述雷达后向散射系数包括但不限于土壤介电常数、地表粗糙度和植被覆盖因素。
相比于现有技术，本发明的有益效果在于：
本申请公开了一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其利用Sentinel-1卫星获取的多时相C波段合成孔径雷达数据，并基于深度学习模型进行回归学习，通过研究雷达后向散射系数与土壤体积含水量之间的关系，从而实现了对农田土壤水分的模拟，并且本发明考虑到了雷达后向散射系数中土壤介电常数、地表粗糙度和植被覆盖等因素的影响，通过Alpha模型进行消除，从而保证了对农田土壤水分计算精度，其相较于现有的农田土壤水分模拟方法具有大面积实时观测、效率高、成本低等优势，能够全天时、全天候的对农田土壤水分进行模拟，从而有利于实时针对农业生产进行保护。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参照图1，本实施例公开了一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，该模拟方法具体步骤如下：
步骤一、Sentinel数据采集；利用Sentinel-1搭载的合成孔径雷达对待研究目标区域进行遥感图像拍摄，得到Sentinel数据；
具体的，该Sentinel数据包括2个时相T1和T2的SAR影像。
步骤二、数据预处理：通过专用处理软件对步骤一Sentinel数据进行预处理；
具体的，该预处理包括但不限于辐射校正、地形辐射校正、滤波和地形校正；专用处理软件具体为SNAP或Sentinel-1Toolbox中的一种。
步骤三、土壤水分分析：提取经过预处理后Sentinel数据中的雷达后向散射系数，并基于Alpha模型进行分析，同时根据介电模型求解土壤体积含水量；
具体的，该土壤水分分析过程如下：
S1：将2个时相的后向散射系数做比值处理，得到Alpha模型，其具体公式如下：
Figure BDA0003241685500000071
式中：σ0表示雷达后向散射系数；θ为雷达入射角度；εs为土壤相对介电常数；T1和T2表示雷达数据获取的时间；αPP为极化幅度，是雷达入射角度和土壤介电常数的函数；PP表示极化方式，为HH或者VV；极化幅度αPP可表达为如下公式：
Figure BDA0003241685500000072
Figure BDA0003241685500000073
S2：基于Alpha模型构建观测方程，其具体公式如下：
Figure BDA0003241685500000074
S3：获取N个时间序列的SAR影像，并基于式(1)构建矩阵方程组，其具体公式如下：
Figure BDA0003241685500000081
S4：采用边界约束最小二乘对步骤S3方程组进行求解，得到极化幅度αPP的值，并基于式(2)和式(3)求得土壤的介电常数εs；
S5：最后，采用介电模型并根据步骤S4土壤的介电常数求解土壤体积含水量；
具体的，该介电模型的具体公式如下：
当频率在1.4GHz-1.8GHz时，介电常数的模型表达式为：
Figure BDA0003241685500000082
当频率在1.4GHz-1.8GHz时，介电常数的模型表达式为：
ε＇m＝1.15εm-0.68 (7)
式中：pb为土壤容重；ps为土壤比重；mv为土壤水分；β为指数；εfw为自由水介电常数。
步骤四、土壤水分模拟：获取步骤三雷达后向散射系数和土壤体积含水量，并基于人工神经网络进行深度学习，构建预测模型，最后基于预测模型并通过3D技术对待研究目标区域进行土壤水分变化模拟；
具体的，该雷达后向散射系数包括但不限于土壤介电常数、地表粗糙度和植被覆盖因素。
参照图1，本实施例公开了一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，除与上述实施例相同的结构外，本实施例将具体介绍预测模型；
具体的，该预测模型是基于雷达后向散射系数和土壤体积含水量形成的回归模型，其通过深度学习技术进行构建，其具体构建过程如下：首先，提取大量Sentinel数据中的雷达后向散射系数以及经过土壤水分分析后得到的土壤体积含水量；然后，对雷达后向散射系数和土壤体积含水量进行向量化处理，形成样本集，并将其划分为70％的训练集和30％的测试集；接着，构建基于人工神经网络的回归模型，并将70％的训练集作为输入数据输入其中进行训练，即得到预测模型；最后，将30％的测试集输入进行步骤SS3预测模型，若该模型符合预期，则输出该模型，否则，进行重采样，直至达到期望值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，该模拟方法具体步骤如下：
步骤一、Sentinel数据采集；利用Sentinel-1搭载的合成孔径雷达对待研究目标区域进行遥感图像拍摄，得到Sentinel数据；
步骤二、数据预处理：通过专用处理软件对步骤一所述Sentinel数据进行预处理；
步骤三、土壤水分分析：提取经过预处理后所述Sentinel数据中的雷达后向散射系数，并基于Alpha模型进行分析，同时根据介电模型求解土壤体积含水量；
步骤四、土壤水分模拟：获取步骤三所述雷达后向散射系数和土壤体积含水量，并基于人工神经网络进行深度学习，构建预测模型，最后基于预测模型并通过3D技术对所述待研究目标区域进行土壤水分变化模拟。
2.根据权利要求1所述的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，步骤一所述Sentinel数据包括2个时相T1和T2的SAR影像。
3.根据权利要求2所述的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，步骤二所述预处理包括但不限于辐射校正、地形辐射校正、滤波和地形校正；所述专用处理软件具体为SNAP或Sentinel-1 Toolbox中的一种。
4.根据权利要求1所述的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，步骤三所述土壤水分分析过程如下：
S1：将2个时相的后向散射系数做比值处理，得到Alpha模型，其具体公式如下：
Figure FDA0003241685490000021
式中：σ0表示雷达后向散射系数；θ为雷达入射角度；εs为土壤相对介电常数；T1和T2表示雷达数据获取的时间；αPP为极化幅度，是雷达入射角度和土壤介电常数的函数；PP表示极化方式，为HH或者VV；所述极化幅度αPP可表达为如下公式：
Figure FDA0003241685490000022
Figure FDA0003241685490000023
S2：基于Alpha模型构建观测方程，其具体公式如下：
Figure FDA0003241685490000024
S3：获取N个时间序列的SAR影像，并基于式(1)构建矩阵方程组，其具体公式如下：
Figure FDA0003241685490000025
S4：采用边界约束最小二乘对步骤S3所述方程组进行求解，得到极化幅度αPP的值，并基于式(2)和式(3)求得土壤的介电常数εs；
S5：最后，采用介电模型并根据步骤S4所述土壤的介电常数求解土壤体积含水量。
5.根据权利要求4所述的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，所述介电模型的具体公式如下：
当频率在1.4GHz-1.8GHz时，所述介电常数的模型表达式为：
Figure FDA0003241685490000031
当频率在1.4GHz-1.8GHz时，所述介电常数的模型表达式为：
ε＇m＝1.15εm-0.68 (7)
式中：pb为土壤容重；ps为土壤比重；mv为土壤水分；β为指数；εfw为自由水介电常数。
6.根据权利要求1所述的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，步骤四所述预测模型是基于雷达后向散射系数和土壤体积含水量形成的回归模型，其通过深度学习技术进行构建，其具体构建过程如下：
SS1：首先，提取大量Sentinel数据中的雷达后向散射系数以及经过土壤水分分析后得到的土壤体积含水量；
SS2：然后，对所述雷达后向散射系数和土壤体积含水量进行向量化处理，形成样本集，并将其划分为70％的训练集和30％的测试集；
SS3：接着，构建基于人工神经网络的回归模型，并将所述70％的训练集作为输入数据输入其中进行训练，即得到预测模型；
SS4：最后，将所述30％的测试集输入进行步骤SS3所述预测模型，若该模型符合预期，则输出该模型，否则，进行重采样，直至达到期望值。
7.根据权利要求1所述的一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法，其特征在于，所述雷达后向散射系数包括但不限于土壤介电常数、地表粗糙度和植被覆盖因素。
CN202111020335.6A 2021-09-01 2021-09-01 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 Withdrawn CN113723000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111020335.6A CN113723000A (zh) 2021-09-01 2021-09-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111020335.6A CN113723000A (zh) 2021-09-01 2021-09-01 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

Publications (1)

Publication Number Publication Date
CN113723000A true CN113723000A (zh) 2021-11-30

Family

ID=78680587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111020335.6A Withdrawn CN113723000A (zh) 2021-09-01 2021-09-01 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

Country Status (1)

Country Link
CN (1) CN113723000A (zh)

Cited By (2)

* 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
CN114740022A (zh) * 2022-04-08 2022-07-12 广东工业大学 基于多源遥感技术的土壤水分检测方法、装置以及设备

Cited By (2)

* 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
CN114740022A (zh) * 2022-04-08 2022-07-12 广东工业大学 基于多源遥感技术的土壤水分检测方法、装置以及设备

Similar Documents

Publication Publication Date Title
Bao et al. Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model
Li et al. Compared performances of SMOS-IC soil moisture and vegetation optical depth retrievals based on Tau-Omega and Two-Stream microwave emission models
Jin et al. A review of data assimilation of remote sensing and crop models
Jakobi et al. Cosmic ray neutron sensing for simultaneous soil water content and biomass quantification in drought conditions
Huang et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation
Wang et al. Regional suitability prediction of soil salinization based on remote-sensing derivatives and optimal spectral index
Holgate et al. Comparison of remotely sensed and modelled soil moisture data sets across Australia
He et al. Estimating the aboveground dry biomass of grass by assimilation of retrieved LAI into a crop growth model
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
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
CN109325433A (zh) 引入地形因子的黑土区大豆生物量多时相遥感反演方法
Xu et al. A 21-year time series of global leaf chlorophyll content maps from MODIS imagery
CN105528523A (zh) 一种基于遥感数据的土壤厚度反演方法
CN112014542B (zh) 植被覆盖区土壤水分图制作方法、装置、储存介质及设备
CN108761456A (zh) 一种作物的叶面积指数反演方法
Lou et al. An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data
CN117826112A (zh) 一种基于sar的土壤含水量的反演方法
Balenzano et al. A ground network for SAR-derived soil moisture product calibration, validation and exploitation in Southern Italy
Panda et al. Estimation of evapotranspiration and its parameters for pine, switchgrass, and intercropping with remotely-sensed images based geospatial modeling
Yang et al. Coupling Model-Driven and Data-Driven Methods for Estimating Soil Moisture Over Bare Surfaces With Sentinel-1A Dual-Polarized Data
CN117011694A (zh) 一种基于级联循环网络的林木生长参数预测方法
Yang et al. Assessment of RADARSAT-2 quad-polarization SAR data in rice crop mapping and yield estimation
CN108596379B (zh) 一种预测陆地生态系统植物群落覆被的技术与装置
CN116628631B (zh) 森林不同尺度生态水文过程演变特征及耦合机制分析方法
Gish et al. Watershed-scale sensing of subsurface flow pathways at Ope3 site

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211130