CN115544875B - 基于多雨云地区的土壤水分重建方法、装置以及设备 - Google Patents

基于多雨云地区的土壤水分重建方法、装置以及设备 Download PDF

Info

Publication number
CN115544875B
CN115544875B CN202211189781.4A CN202211189781A CN115544875B CN 115544875 B CN115544875 B CN 115544875B CN 202211189781 A CN202211189781 A CN 202211189781A CN 115544875 B CN115544875 B CN 115544875B
Authority
CN
China
Prior art keywords
data
sample
soil moisture
dates
days
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
Application number
CN202211189781.4A
Other languages
English (en)
Other versions
CN115544875A (zh
Inventor
刘杨晓月
乐夏芳
杨雅萍
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 Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202211189781.4A priority Critical patent/CN115544875B/zh
Publication of CN115544875A publication Critical patent/CN115544875A/zh
Application granted granted Critical
Publication of CN115544875B publication Critical patent/CN115544875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及地理信息技术领域，特别涉及一种基于多雨云地区的土壤水分重建方法，所述方法包括：构建多雨云地区的遥感数据库，从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；将所述地表参数数据集输入至土壤水分与地表参数的回归映射模型，得到所述待重建日期对应的土壤水分数据。基于已有的地形数据、降水数据以及土壤水分数据，建立土壤水分与地表参数的回归映射模型，能够实现对土壤水分数据的高精度重建。

Description

基于多雨云地区的土壤水分重建方法、装置以及设备
技术领域
本发明涉及地理信息技术领域，特别涉及是一种基于多雨云地区的土壤水分重建方法、装置、设备以及存储介质。
背景技术
土壤水分是全球水循环系统的关键组成要素，能够直接影响植被蒸腾及光合作用，开展土壤水分监测对于农作物长势分析与估产具有重要意义。
现有的关于土壤水分的数据重建模型大多依赖高分辨率光学和热红外遥感反演的地表参数(如地表温度、植被指数、蒸散发、反照率)。由于星载光学传感器受云雨天气影响显著，在多云雨地区数据存在大范围连续缺失，无效和不连续的光学和热红外遥感观测严重制约了微波与光学、近红外遥感数据的融合，导致数据重建模型输出的土壤水分数据往往精度较低。
发明内容
基于此，本发明的目的在于，提供一种基于多雨云地区的土壤水分重建方法、装置、设备以及存储介质，能够综合考虑地形数据以及降水数据对土壤水分数据的影响，基于已有的地形数据、降水数据以及土壤水分数据，建立土壤水分与地表参数的回归映射模型，能够实现对土壤水分数据的高精度重建。
第一方面，本申请实施例提供了一种基于多雨云地区的土壤水分重建方法，包括以下步骤：
构建多雨云地区的遥感数据库，所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据，基于所述遥感数据库，构建土壤水分与地表参数的回归映射模型，其中，所述土壤水分与地表参数的回归映射模型包括卷积网络以及反卷积网络；
从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；
将所述地表参数数据集输入至所述卷积网络中进行卷积处理，获得所述待重建日期对应的卷积特征，将所述待重建日期对应的卷积特征输入至所述反卷积网络中进行反卷积处理，获得所述待重建日期对应的土壤水分重建数据。
第二方面，本申请实施例提供了一种基于多雨云地区的土壤水分重建装置，包括：
第一构建模块，用于构建多雨云地区的遥感数据库，所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据，基于所述遥感数据库，构建土壤水分与地表参数的回归映射模型，其中，所述土壤水分与地表参数的回归映射模型包括卷积网络以及反卷积网络；
第二构建模块，用于从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；
重建模块，用于将所述地表参数数据集输入至所述卷积网络中进行卷积处理，获得所述待重建日期对应的卷积特征，将所述待重建日期对应的卷积特征输入至所述反卷积网络中进行反卷积处理，获得所述待重建日期对应的土壤水分重建数据。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于多雨云地区的土壤水分重建方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于多雨云地区的土壤水分重建方法的步骤。
在本申请实施例中，提供一种基于多雨云地区的土壤水分重建方法、装置、设备以及存储介质，能够综合考虑地形数据以及降水数据对土壤水分数据的影响，基于已有的地形数据、降水数据以及土壤水分数据，建立土壤水分与地表参数的回归映射模型，能够实现对土壤水分数据的高精度重建。
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为本申请一个实施例提供的基于多雨云地区的土壤水分重建方法的流程示意图；
图2为本申请一个实施例提供的基于多雨云地区的土壤水分重建方法中S1的流程示意图；
图3为本申请一个实施例提供的基于多雨云地区的土壤水分重建方法中S14的流程示意图；
图4为本申请一个实施例提供的基于多雨云地区的土壤水分重建装置的结构示意图；
图5为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、样本、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为样本信息，类似地，样本信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于多雨云地区的土壤水分重建方法的流程示意图，所述方法包括如下步骤：
S1：构建多雨云地区的遥感数据库，所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据，基于所述遥感数据库，构建土壤水分与地表参数的回归映射模型。
所述基于多雨云地区的土壤水分重建方法的执行主体为基于多雨云地区的土壤水分重建方法的重建设备(以下简称重建设备)，在一个可选的实施例中，所述重建设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据。
所述土壤水分数据包括高频次低分辨率的SMOPS微波遥感土壤水分数据以及低频次高分辨率的SMAP/Sentinel-1微波遥感土壤水分数据，所述降水数据包括GPM微波降水数据。
所述高程数据为数字高程模型(Digital Elevation Model，DEM)，其表示地面地形的数字化高程信息。
重建设备可以与预设网络数据库建立数据连接，从所述网络数据库中获取多雨云地区区域的若干个日期对应的土壤水分数据、降水数据以及地形数据，构建多雨云地区的遥感数据库，基于所述遥感数据库，构建土壤水分与地表参数的回归映射模型，其中，所述土壤水分与地表参数的回归映射模型包括卷积网络以及反卷积网络。
请参阅图2，图2为本申请一个实施例提供的基于多雨云地区的土壤水分重建方法中S1的流程示意图，包括步骤S11～S15，具体如下：
S11：从所述遥感数据库中，获取若干个日期对应的地形数据以及土壤水分数据，作为样本地形数据以及样本土壤水分数据，根据预设的若干个天数范围，获取所述若干个日期对应的若干个不同天数范围的降水数据集。
所述降水数据集包括相应的天数范围对应的降水数据。
为了探索最适宜土壤水分建模的降水数据的天数范围，在本实施例中，重建设备从所述遥感数据库中，获取若干个日期对应的地形数据以及土壤水分数据，作为样本地形数据以及样本土壤水分数据，并根据预设的若干个天数范围，以所述日期为节点，获取若干个日期对应的若干个不同天数范围的降水数据集，其中，所述降水数据集包括相应的天数范围对应的若干个日期对应的降水数据。
具体地，重建设备设置3天、6天、9天、12天以及15天作为预设的天数范围，分别以各个日期为节点，将包含该日期向前3天、6天、9天、12天以及15天的连续降水数据，分别构建各个时间节点对应的天数范围为3天的降水数据集、天数范围为6天的降水数据集、天数范围为9天的降水数据集、天数范围为12天的降水数据集以及天数范围为15天的降水数据集，作为神经网络模型的训练数据，通过测试神经网络模型的学习效率和输出精度确定最佳的天数范围大小，以提高土壤水分数据的重建的精度。
S12：将同一日期对应的样本地形数据，分别与所述日期对应的若干个不同天数范围的降水数据集进行组合，构建所述若干个日期对应的若干个不同天数范围对应的样本地表参数数据集。
在本实施例中，重建设备将同一日期对应的样本地形数据，分别与所述日期对应的若干个不同天数范围的降水数据集进行组合，构建所述若干个日期对应的若干个不同天数范围对应的样本地表参数数据集，其中，所述样本地表参数数据集包括样本地形数据以及相应的天数范围对应的若干个样本降水数据。
S13：将所述样本土壤水分数据，分别与同一日期对应的所述若干个不同天数范围对应的样本地表参数数据集进行组合，获得若干个日期对应的若干个不同天数范围对应的样本数据集，将同一天数范围对应的若干个日期对应的样本数据集进行组合，获得所述若干个天数范围对应的若干个日期对应的样本数据集。
在本实施例中，重建设备将所述样本土壤水分数据，分别与同一日期对应的所述若干个不同天数范围对应的样本地表参数数据集进行组合，获得若干个日期对应的若干个不同天数范围对应的样本数据集，将同一天数范围对应的若干个日期对应的样本数据集进行组合，获得所述若干个天数范围对应的若干个日期对应的样本数据集。
S14：将所述若干个天数范围对应的若干个日期对应的样本数据集划分为若干个训练集以及测试集，将所述训练集以及所述测试集输入至预设的神经网络模型，采用早停法，对所述神经网络模型的卷积网络以及反卷积网络进行训练，获得训练好的若干个不同天数范围对应的神经网络模型。
所述神经网络模型设置有可调节参数，其中，所述可调节参数包括惩罚系数、核函数、核函数系数、核函数常数值、缓冲大小以及最大迭代次数，所述核函数包括线性核函数、多项式核函数、高斯核函数以及径向核函数。
在本实施例中，重建设备将所述若干个天数范围对应的若干个日期对应的样本数据集划分为若干个训练集以及测试集，将所述训练集以及所述测试集输入至预设的神经网络模型，采用早停法，对所述神经网络模型的卷积网络以及反卷积网络进行训练，获得训练好的若干个不同天数范围对应的神经网络模型。
所述早停法在训练中计算模型在测试集上的表现，当模型在测试集上的表现开始下降的时候，停止训练。具体地，当所述神经网络模型的卷积网络以及反卷积网络在测试集的表现开始下降时，例如数据网络模型在测试集上的误差比上一次训练结果差时，停止训练，将上一次训练的神经网络模型参数作为最终参数，获得训练好的若干个不同天数范围对应的神经网络模型，以达到更好的泛化性能，避免过拟合。
请参阅图3，图3为本申请一个实施例提供的基于多雨云地区的土壤水分重建方法中S14的流程示意图，包括S141～S143，具体如下：
S141：基于所述若干个天数范围对应的若干个日期对应的样本数据集，将所述日期为奇数对应的若干个样本数据集划分为第一训练集，将所述日期为偶数对应的若干个样本数据集划分为第一测试集。
所述第一训练集以及所述第一测试集包括若干个日期对应的样本降水数据，所述样本降水数据为二维数组，由若干个子样本降水数据以行、列方式进行组合构建；
在本实施例中，重建设备基于所述若干个天数范围对应的若干个日期对应的样本数据集，将所述日期为奇数对应的若干个样本数据集划分为第一训练集，将所述日期为偶数对应的若干个样本数据集划分为第一测试集，以提高所述土壤水分与地表参数的回归映射模型的时间泛化能力，从而提高土壤水分数据的重建的精度。
S142：基于所述第一训练集，从所述第一训练集中若干个日期对应的样本降水数据中，提取奇数行奇数列以及偶数行偶数列对应的子样本降水数据，并将同一个日期对应的奇数行奇数列以及偶数行偶数列对应的子样本降水数据进行组合，获取所述若干个日期对应的第一重构样本降水数据，作为所述训练集。
在本实施例中，重建设备基于所述第一训练集，从所述第一训练集中若干个日期对应的样本降水数据中，提取奇数行奇数列以及偶数行偶数列对应的子样本降水数据，并将同一个日期对应的奇数行奇数列以及偶数行偶数列对应的子样本降水数据进行组合，获取所述若干个日期对应的第一重构样本降水数据，作为所述训练集，以提高所述土壤水分与地表参数的回归映射模型的空间泛化能力，从而提高土壤水分数据的重建的精度。
S143：基于所述第一测试集，从所述第一测试集中若干个日期对应的样本降水数据中，提取奇数行偶数列以及偶数行奇数列对应的子样本降水数据，并将同一个日期对应的奇数行偶数列以及偶数行奇数列对应的子样本降水数据进行组合，获取所述若干个日期对应的第二重构样本降水数据，作为所述测试集。
在本实施例中，重建设备基于所述第一测试集，从所述第一测试集中若干个日期对应的样本降水数据中，提取奇数行偶数列以及偶数行奇数列对应的子样本降水数据，并将同一个日期对应的奇数行偶数列以及偶数行奇数列对应的子样本降水数据进行组合，获取所述若干个日期对应的第二重构样本降水数据，作为所述测试集。
S15：计算所述训练好的若干个不同天数范围对应的神经网络模型的精度参数，根据所述训练好的若干个不同天数范围对应的神经网络模型的精度参数，从所述训练好的若干个不同天数范围对应的神经网络模型中提取目标神经网络模型，作为所述土壤水分与地表参数的回归映射模型。
所述神经网络模型设置有可调节参数，其中，所述可调节参数包括惩罚系数、核函数、核函数系数、核函数常数值、缓冲大小以及最大迭代次数，所述核函数包括线性核函数、多项式核函数、高斯核函数以及径向核函数。
在本实施例中，重建设备计算所述训练好的若干个不同天数范围对应的神经网络模型的精度参数，重建设备根据所述训练好的若干个不同天数范围对应的神经网络模型的精度参数，从所述训练好的若干个不同天数范围对应的神经网络模型中提取目标神经网络模型，作为所述土壤水分与地表参数的回归映射模型。
S2：从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集。
所述日期对应的降水数据为某一天日期记录的降水数据，所述天数范围为预设的天数，可以是3天、6天、9天、12天以及15天等等。
在本实施例中，重建设备获取从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取以所述待重建日期向前天数范围对应的若干个日期的降水数据，作为所述天数范围对应的若干个降水数据。
并将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集，通过增加降水数据的数量，来提高土壤水分数据重建的精度。
S3：将所述地表参数数据集输入至所述卷积网络中进行卷积处理，获得所述待重建日期对应的卷积特征，将所述待重建日期对应的卷积特征输入至所述反卷积网络中进行反卷积处理，获得所述待重建日期对应的土壤水分重建数据。
所述土壤水分与地表参数的回归映射模型是以地形数据以及降水数据为自变量，以所述土壤水分数据为因变量，通过预设的卷积网络以及反卷积网络构建的神经网络模型。
在本实施例中，重建设备将将所述地表参数数据集输入至土壤水分与地表参数的回归映射模型，根据所述土壤水分与地表参数的回归映射模型的卷积网络，对所述地表参数数据集进行卷积处理，获取所述卷积网络输出的卷积特征，具体地，所述卷积网络包括4个Conv2D卷积层、4个批量标准化层(Batch Normalization,BN)层、1个Conv3D卷积层以及1个池化层，其中，所述4个Conv2D卷积层和Conv3D卷积层的卷积步长为1，边界像元填充参数一致，即卷积前后特征图尺寸大小保持一致，4个Conv2D卷积层的卷积核大小为3x3，卷积核的激活函数为"tanh"函数；Conv3D卷积层的卷积核大小为3×3×3，激活函数为“sigmoid”函数。旨在用较少的网络层数尽量提取高层次特征，避免在通过池化层时丢失重要特征。
在卷积处理过程中，所述第一地表参数数据经过连续的卷积层和池化层，获得所述第一地表参数数据对应的扁平化的二维特征张量，作为所述地表参数数据集对应的特征图。
根据所述土壤水分与地表参数的回归映射模型的反卷积网络，对所述卷积特征进行反卷积处理，获取所述反卷积网络输出的土壤水分重建数据，作为所述待重建日期对应的土壤水分数据，反卷积操作可以完全通过参数学习实现上采样，根据特定数据集训练的反卷积网络可以获得比普通插值上采样+卷积操作更准确的重建结果。具体地，反卷积网络包括3个依次相连反卷积块，所述前2个反卷积块由1个Conv2D反卷积层和2个Conv2D卷积层组成，最后1个反卷积块由1个Conv2D反卷积层和3个Conv2D卷积层组成。其中，所述3个Conv2D反卷积层卷积核大小为2×2，所述7个Conv2D卷积层的卷积核数量依次为128、128、64、64、32、32和1，前6层卷积核大小为3×3，最后1层卷积核大小为1×1，采用ReLU激活函数引入非线性因素，并采用填充(padding)策略使得卷积前后特征图尺寸一致。
在反卷积处理中，所述地表参数数据集对应的特征图依次经过3个反卷积层，分别实现3次上采样过程，空间分辨率逐步提高，最终形成高分辨率土壤水分重建数据，获得所述待重建日期对应的土壤水分重建数据。
请参考图4，图4为本申请一个实施例提供的基于多雨云地区的土壤水分重建装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于多雨云地区的土壤水分重建装置的全部或一部分，该装置4包括：
第一构建模块41，用于构建多雨云地区的遥感数据库，所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据，基于所述遥感数据库，构建土壤水分与地表参数的回归映射模型，其中，所述土壤水分与地表参数的回归映射模型包括卷积网络以及反卷积网络；
第二构建模块42，用于从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；
重建模块43，用于将所述地表参数数据集输入至所述卷积网络中进行卷积处理，获得所述待重建日期对应的卷积特征，将所述待重建日期对应的卷积特征输入至所述反卷积网络中进行反卷积处理，获得所述待重建日期对应的土壤水分重建数据。
在本申请实施例中，通过第一构建模块，构建多雨云地区的遥感数据库，其中，所述遥感数据库包括若干个日期对应的降水数据以及地形数据；通过第二构建模块，从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；通过重建模块，将所述地表参数数据集输入至土壤水分与地表参数的回归映射模型，得到所述待重建日期对应的土壤水分数据，其中，所述土壤水分与地表参数的回归映射模型是以地形数据以及降水数据为自变量，以所述土壤水分数据为因变量，通过预设的卷积网络以及反卷积网络构建的神经网络模型。能够综合考虑地形数据以及降水数据对土壤水分数据的影响，基于已有的地形数据、降水数据以及土壤水分数据，建立土壤水分与地表参数的回归映射模型，能够实现对土壤水分数据的高精度重建。
请参考图5，图5为本申请一个实施例提供的计算机设备的结构示意图，计算机设备5包括：处理器51、存储器52以及存储在存储器52上并可在处理器51上运行的计算机程序53；计算机设备可以存储有多条指令，指令适用于由处理器51加载并执行上述图1至图3所示实施例的方法步骤，具体执行过程可以参见图1至图3所示实施例的具体说明，在此不进行赘述。
其中，处理器51可以包括一个或多个处理核心。处理器51利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器52内的指令、程序、代码集或指令集，以及调用存储器52内的数据，执行基于多雨云地区的土壤水分重建装置4的各种功能和处理数据，可选的，处理器51可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programble Logic Array，PLA)中的至少一个硬件形式来实现。处理器51可集成中央处理器51(Central Processing Unit，CPU)、图像处理器51(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器51中，单独通过一块芯片进行实现。
其中，存储器52可以包括随机存储器52(Random Access Memory，RAM)，也可以包括只读存储器52(Read-Only Memory)。可选的，该存储器52包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器52可用于存储指令、程序、代码、代码集或指令集。存储器52可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器52可选的还可以是至少一个位于远离前述处理器51的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图3所示实施例的方法步骤，具体执行过程可以参见图1至图3所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (8)

1.一种基于多雨云地区的土壤水分重建方法，其特征在于，包括以下步骤：
构建多雨云地区的遥感数据库，所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据，从所述遥感数据库中，获取若干个日期对应的地形数据以及土壤水分数据，作为样本地形数据以及样本土壤水分数据，根据预设的若干个天数范围，获取所述若干个日期对应的若干个不同天数范围的降水数据集，其中，所述降水数据集包括相应的天数范围对应的降水数据；
将同一日期对应的样本地形数据，分别与所述日期对应的若干个不同天数范围的降水数据集进行组合，构建所述若干个日期对应的若干个不同天数范围对应的样本地表参数数据集，其中，所述样本地表参数数据集包括样本地形数据以及相应的天数范围对应的若干个样本降水数据；
将所述样本土壤水分数据，分别与同一日期对应的所述若干个不同天数范围对应的样本地表参数数据集进行组合，获得若干个日期对应的若干个不同天数范围对应的样本数据集，将同一天数范围对应的若干个日期对应的样本数据集进行组合，获得所述若干个天数范围对应的若干个日期对应的样本数据集；
将所述若干个天数范围对应的若干个日期对应的样本数据集划分为若干个训练集以及测试集，将所述训练集以及所述测试集输入至预设的神经网络模型，采用早停法，对所述神经网络模型的卷积网络以及反卷积网络进行训练，获得训练好的若干个不同天数范围对应的神经网络模型，并计算所述训练好的若干个不同天数范围对应的神经网络模型的精度参数；
根据所述训练好的若干个不同天数范围对应的神经网络模型的精度参数，从所述训练好的若干个不同天数范围对应的神经网络模型中提取目标神经网络模型，作为土壤水分与地表参数的回归映射模型，其中，所述土壤水分与地表参数的回归映射模型包括卷积网络以及反卷积网络；
从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；
将所述地表参数数据集输入至所述卷积网络中进行卷积处理，获得所述待重建日期对应的卷积特征，将所述待重建日期对应的卷积特征输入至所述反卷积网络中进行反卷积处理，获得所述待重建日期对应的土壤水分重建数据。
2.根据权利要求1所述的基于多雨云地区的土壤水分重建方法，其特征在于，所述获得所述若干个天数范围对应的训练集以及测试集，包括步骤：
基于所述若干个天数范围对应的若干个日期对应的样本数据集，将所述日期为奇数对应的若干个样本数据集划分为第一训练集，获得所述训练集；将所述日期为偶数对应的若干个样本数据集划分为第一测试集，获得所述测试集。
3.根据权利要求2所述的基于多雨云地区的土壤水分重建方法，其特征在于，所述获得所述若干个天数范围对应的训练集以及测试集，包括步骤：
基于所述若干个天数范围对应的若干个日期对应的样本数据集，将所述日期为奇数对应的若干个样本数据集划分为第一训练集，将所述日期为偶数对应的若干个样本数据集划分为第一测试集，其中，所述第一训练集以及所述第一测试集包括若干个日期对应的样本降水数据，所述样本降水数据为二维数组，由若干个子样本降水数据以行、列方式进行组合构建；
基于所述第一训练集，从所述第一训练集中若干个日期对应的样本降水数据中，提取奇数行奇数列以及偶数行偶数列对应的子样本降水数据，并将同一个日期对应的奇数行奇数列以及偶数行偶数列对应的子样本降水数据进行组合，获取所述若干个日期对应的第一重构样本降水数据，作为所述训练集；
基于所述第一测试集，从所述第一测试集中若干个日期对应的样本降水数据中，提取奇数行偶数列以及偶数行奇数列对应的子样本降水数据，并将同一个日期对应的奇数行偶数列以及偶数行奇数列对应的子样本降水数据进行组合，获取所述若干个日期对应的第二重构样本降水数据，作为所述测试集。
4.根据权利要求1所述的基于多雨云地区的土壤水分重建方法，其特征在于：所述地形数据包括高程数据、坡度数据以及坡向数据。
5.根据权利要求1所述的基于多雨云地区的土壤水分重建方法，其特征在于：所述土壤水分数据包括SMOPS微波遥感土壤水分数据以及SMAP/Sentinel-1微波遥感土壤水分数据，所述降水数据包括GPM微波降水数据。
6.一种基于多雨云地区的土壤水分重建装置，其特征在于，包括：
第一构建模块，用于构建多雨云地区的遥感数据库，所述遥感数据库包括若干个日期对应的土壤水分数据、降水数据以及地形数据，从所述遥感数据库中，获取若干个日期对应的地形数据以及土壤水分数据，作为样本地形数据以及样本土壤水分数据，根据预设的若干个天数范围，获取所述若干个日期对应的若干个不同天数范围的降水数据集，其中，所述降水数据集包括相应的天数范围对应的降水数据；
将同一日期对应的样本地形数据，分别与所述日期对应的若干个不同天数范围的降水数据集进行组合，构建所述若干个日期对应的若干个不同天数范围对应的样本地表参数数据集，其中，所述样本地表参数数据集包括样本地形数据以及相应的天数范围对应的若干个样本降水数据；
将所述样本土壤水分数据，分别与同一日期对应的所述若干个不同天数范围对应的样本地表参数数据集进行组合，获得若干个日期对应的若干个不同天数范围对应的样本数据集，将同一天数范围对应的若干个日期对应的样本数据集进行组合，获得所述若干个天数范围对应的若干个日期对应的样本数据集；
将所述若干个天数范围对应的若干个日期对应的样本数据集划分为若干个训练集以及测试集，将所述训练集以及所述测试集输入至预设的神经网络模型，采用早停法，对所述神经网络模型的卷积网络以及反卷积网络进行训练，获得训练好的若干个不同天数范围对应的神经网络模型，并计算所述训练好的若干个不同天数范围对应的神经网络模型的精度参数；
根据所述训练好的若干个不同天数范围对应的神经网络模型的精度参数，从所述训练好的若干个不同天数范围对应的神经网络模型中提取目标神经网络模型，作为土壤水分与地表参数的回归映射模型，其中，所述土壤水分与地表参数的回归映射模型包括卷积网络以及反卷积网络；
第二构建模块，用于从所述遥感数据库中获取待重建日期对应的地形数据，并基于预设的天数范围，以所述待重建日期为节点，从所述遥感数据库中获取天数范围对应的若干个降水数据，将所述待重建日期对应的地形数据以及所述天数范围对应的若干个降水数据进行组合，构建地表参数数据集；
重建模块，用于将所述地表参数数据集输入至所述卷积网络中进行卷积处理，获得所述待重建日期对应的卷积特征，将所述待重建日期对应的卷积特征输入至所述反卷积网络中进行反卷积处理，获得所述待重建日期对应的土壤水分重建数据。
7.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于多雨云地区的土壤水分重建方法的步骤。
8.一种存储介质，其特征在于：所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于多雨云地区的土壤水分重建方法的步骤。
CN202211189781.4A 2022-09-28 2022-09-28 基于多雨云地区的土壤水分重建方法、装置以及设备 Active CN115544875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211189781.4A CN115544875B (zh) 2022-09-28 2022-09-28 基于多雨云地区的土壤水分重建方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211189781.4A CN115544875B (zh) 2022-09-28 2022-09-28 基于多雨云地区的土壤水分重建方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN115544875A CN115544875A (zh) 2022-12-30
CN115544875B true CN115544875B (zh) 2023-09-12

Family

ID=84729841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211189781.4A Active CN115544875B (zh) 2022-09-28 2022-09-28 基于多雨云地区的土壤水分重建方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN115544875B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132883B (zh) * 2023-05-08 2024-03-19 江苏商贸职业学院 一种基于gis的智慧农业灾害判别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214923A (zh) * 2020-09-09 2021-01-12 广州地理研究所 卫星土壤水分重建方法、装置及设备
CN112287294A (zh) * 2020-09-10 2021-01-29 河海大学 一种基于深度学习的时空双向土壤含水量插值方法
CN114486783A (zh) * 2022-02-15 2022-05-13 徐州飞梦电子科技有限公司 基于无人机多源遥感的冬小麦田土壤水分反演方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214923A (zh) * 2020-09-09 2021-01-12 广州地理研究所 卫星土壤水分重建方法、装置及设备
CN112287294A (zh) * 2020-09-10 2021-01-29 河海大学 一种基于深度学习的时空双向土壤含水量插值方法
CN114486783A (zh) * 2022-02-15 2022-05-13 徐州飞梦电子科技有限公司 基于无人机多源遥感的冬小麦田土壤水分反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习方法预测缺资料区域深层土壤水分;张自豪 等;《水利水电技术（中英文）》;1-18 *

Also Published As

Publication number Publication date
CN115544875A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN111259898B (zh) 基于无人机航拍图像的农作物分割方法
Kopecký et al. Topographic Wetness Index calculation guidelines based on measured soil moisture and plant species composition
Manivasagam et al. Practices for upscaling crop simulation models from field scale to large regions
US10824861B2 (en) System and method using image based machine learning process for earth observation and analysis
Roodposhti et al. Towards automatic calibration of neighbourhood influence in cellular automata land-use models
An et al. Quantifying time-series of leaf morphology using 2D and 3D photogrammetry methods for high-throughput plant phenotyping
CN113033453B (zh) 一种适用于景观破碎区作物类型遥感识别的方法及系统
JP6885394B2 (ja) 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム
CN114140591B (zh) 一种结合机器学习和地统计的土壤有机质遥感制图方法
CN115544875B (zh) 基于多雨云地区的土壤水分重建方法、装置以及设备
Zhang et al. Assimilation of wheat and soil states into the APSIM-wheat crop model: A case study
Bhadra et al. End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images
Tewes et al. How do methods assimilating Sentinel-2-derived LAI combined with two different sources of soil input data affect the crop model-based estimation of wheat biomass at sub-field level?
CN112861435A (zh) 一种红树林质量遥感反演方法及智能终端
Longfei et al. Improved Yield Prediction of Ratoon Rice Using Unmanned Aerial Vehicle-Based Multi-Temporal Feature Method
CN114611699A (zh) 土壤水分降尺度方法、装置、电子设备及存储介质
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
CN101271596A (zh) 基于曲面论基本定律对地形曲面建立数字模型的方法
Atkinson et al. Issues of scale and uncertainty in the global remote sensing of disease
CN115907543A (zh) 耕地质量评价方法及相关装置
Castel et al. Using SIR-C SAR data and the AMAP model for forest attributes retrieval and 3-D stand simulation
CN116091936A (zh) 一种融合点-地块-区域尺度数据的农情参数反演方法
Abdelmoula et al. Olive biophysical property estimation based on Sentinel-2 image inversion
CN118053054B (zh) 降水融合产品生成方法、系统、计算机设备以及存储介质
CN117388850B (zh) 一种海面风场微波遥感反演数据的空间降尺度方法

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