CN116821694B - 基于多分支神经网络与分段式模型的土壤湿度反演方法 - Google Patents
基于多分支神经网络与分段式模型的土壤湿度反演方法 Download PDFInfo
- Publication number
- CN116821694B CN116821694B CN202311099084.4A CN202311099084A CN116821694B CN 116821694 B CN116821694 B CN 116821694B CN 202311099084 A CN202311099084 A CN 202311099084A CN 116821694 B CN116821694 B CN 116821694B
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- input
- soil humidity
- soil
- 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
Links
- 239000002689 soil Substances 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 230000003746 surface roughness Effects 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000002352 surface water Substances 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000002310 reflectometry Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- CHBOSHOWERDCMH-UHFFFAOYSA-N 1-chloro-2,2-bis(4-chlorophenyl)ethane Chemical compound C=1C=C(Cl)C=CC=1C(CCl)C1=CC=C(Cl)C=C1 CHBOSHOWERDCMH-UHFFFAOYSA-N 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 description 7
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 description 7
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 description 7
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 description 7
- 102100021255 Small acidic protein Human genes 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了基于多分支神经网络与分段式模型的土壤湿度反演方法，包括以下步骤：获取原始数据集，对原始数据集进行预处理，获得模型的输入特征；构建多分支神经网络与分段式模型；基于原始数据集和所述输入特征，对多分支神经网络与分段式模型进行训练；利用训练好的多分支神经网络与分段式模型对待测的土壤进行预测，获得土壤湿度反演结果。本发明借助于分段函数的思想，联合三种DDMs与地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量和土壤粘粒比七种辅助参数。并采用遗传算法确定出模型的边界阈值将反演模型划分为多个子模型，并单独对每个子模型进行优化训练和校准，从而提高整个模型的预测能力和精度。
Description
技术领域
本发明属于土壤湿度反演技术领域，具体涉及基于多分支神经网络与分段式模型的土壤湿度反演方法。
背景技术
土壤湿度即土壤含水率，是表示土壤干湿程度的物理量。土壤湿度是反映气候以及生态环境状态的重要指标之一。因此，对土壤湿度的监测十分必要。常规的土壤湿度监测方法包括重量法，电阻法，负压计法，中子法，时域反射计法等，这些方法需要消耗大量的时间、物力和财力，且只能应用于被测量的局部地区。
随着遥感技术的不断发展，该技术也逐渐应用到土壤湿度反演任务。主要包括光学遥感和微波遥感手段。光学遥感空间分辨率高，但其穿透能力不足，受天气条件影响明显。相比于光学遥感，微波遥感由于能够穿透植被，且不受天气条件影响，具有全天候观测的优势，目前已被广泛应用于土壤湿度监测，主要包括主动遥感技术手段SAR和被动微波遥感手段辐射计。虽然上述微波遥感手段能够弥补光学遥感的缺点，但时间分辨率并不理想。GNSS-R（全球导航卫星定位系统反射计）技术不需要主动发射信号源，设备成本低廉，且众多的导航卫星所发射的L波段信号源丰富，有利于解决传统遥感手段时间分辨率受限的问题。因此，采用GNSS-R方法进行土壤湿度反演的研究近些年来受到了日益广泛的关注。
随着该领域的发展，国内外的学者们开始针对星载GNSS-R土壤湿度反演方法进行深入研究。具体而言，这些研究主要分为以下两个方面：（1）利用DDM的单一特征，如地表反射率、前沿斜率与峰值功率，采用传统统计回归方法拟合该特征与土壤湿度之间的线性关系；（2）采用机器学习的方法拟合输入数据与土壤湿度之间的非线性关系。输入数据为地表反射率、前沿斜率、后延斜率与DDM峰值功率等多种特征。
传统统计回归方法具有特征信息少、反演模型简单与反演精度相对较低的特点；基于机器学习的土壤湿度反演方法，采用观测数据与标签进行端到端的学习方式，学习能力强且鲁棒性较好，但该方法的输入数据通常为基于DDM数据所提取出的单一特征，并没有处理完整的DDM，从而忽略了DDM包含的许多的潜在信息。此外，上述两种土壤湿度反演模型的预测能力会随着土壤湿度的变化而有所不同，可能在某些湿度范围内表现较好，但在其他湿度范围内表现稍差。
因此，针对现有星载GNSS-R土壤湿度反演方法的不足，本发明提出一种土壤湿度反演的新方法：基于多分支神经网络与分段式模型的土壤湿度反演方法。
发明内容
针对现有技术的不足，本发明提出了基于多分支神经网络与分段式模型的土壤湿度反演方法，多分支神经网络与分段式模型由CNN模块与BP神经网络模块两部分组成。其中，CNN模块采用原始计数（Raw Counts）、模拟功率（Power Analog）与有效散射面积（Effective Scatter Area）三种DDMs为输入数据；BP神经网络模块则输入从DDMs中提取的单一特征和各种地表辅助参数，例如地表反射率、前沿斜率、植被覆盖度与地表粗糙度。本发明方法既利用CNN模块充分挖掘DDM中的深层次信息，又采用BP神经网络通过地表粗糙度、植被覆盖度和植被含水量等辅助参数对DDM进行补充。本发明借助这两个方面的改进来提高反演精度。同时，本发明借助于分段函数的思想，采用遗传算法确定出模型的边界阈值，将反演模型划分为多个子模型，并单独对每个子模型进行优化训练和校准，从而提高整个模型的预测能力和精度。
为实现上述目的，本发明提供了如下方案：
基于多分支神经网络与分段式模型的土壤湿度反演方法，包括以下步骤：
获取原始数据集，对所述原始数据集进行预处理，获得模型的输入特征；
构建多分支神经网络与分段式模型；
基于所述原始数据集和所述输入特征，对所述多分支神经网络与分段式模型进行训练；
利用训练好的所述多分支神经网络与分段式模型对待测的土壤进行预测，获得土壤湿度反演结果。
优选的，所述原始数据集包括CYGNSS数据和其他辅助数据，其中，所述CYGNSS数据包括：原始计数、模拟功率和有效散射面积；所述其他辅助数据包括：地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比；
所述输入特征包括：地表反射率、前沿斜率、后沿斜率、DDM均值、DDM峰值、信噪比与功率比。
优选的，所述多分支神经网络与分段式模型由CNN模块、BP神经网络模块以及全连接层三部分组成。
优选的，所述CNN模块包括：六个卷积层、一个池化层和一个批量归一化层，其中，每三个卷积层为一组，第一组由32个3×3卷积核组成，第二组由64个3×3卷积核组成，输入数据为原始计数、模拟功率和有效散射面积，每个卷积核与所述输入数据进行卷积生成特征映射。
优选的，所述BP神经网络模块由输入层与隐藏层两部分组成，其中，输入层由14个神经元组成，分别输入地表反射率、前沿斜率、后沿斜率、DDM均值、DDM峰值、信噪比、功率比、地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比十四个特征；第一个隐藏层神经元数量为64，对神经元与权向量的内积进行求和计算，得到的结果经过激活函数ReLU的非线性处理后输出至第二个隐藏层，第二个隐藏层神经元数量与第一个隐藏层相同，当第二个隐藏层的计算结束时，将计算结果传递至全连接层。
优选的，所述全连接层由三层神经元组成，每一层的神经元个数分别为128、64、64。
优选的，所述多分支神经网络与分段式模型由三个作用于不同土壤湿度区间的MBNN子模型组成。
优选的，三个作用于不同土壤湿度区间的MBNN子模型的划分方法包括：
根据遗传算法确定MBNN子模型之间的阈值界限为0.3003和0.5024，即当土壤湿度的初始预测值y0介于0到0.3003时，样本数据将被输入到MBNN子模型1中进行预测；当土壤湿度的初始预测值y0介于0.3003到0.5024时，样本数据被输入到MBNN子模型2中进行预测；当土壤湿度的初始预测值y0大于0.5024时，样本数据被输入到MBNN子模型3中进行预测。
与现有技术相比，本发明的有益效果为：
本发明提出了基于多分支神经网络与分段式模型的土壤湿度反演方法。该方法在现有的机器学习模型的基础上，基于分段函数的思想，将反演模型划分为多个子模型，并单独对每个子模型进行优化和校准，从而提高整个模型的预测能力和精度。此外，该方法引入卷积神经网络模块，有效改善模型的预测精度。模型输入数据为原始计数（Raw Counts）、模拟功率（Power Analog）与有效散射面积（Effective Scatter Area）三种DDMs。原始计数与模拟功率可以更加完善地提取反射面的有关信息，散射面积能够进一步校正反射信号的影响因素。
另外，本发明考虑了地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量、土壤粘粒比对DDM的影响，引入这七个因素作为辅助数据来对DDM信息进行补充，已达到进一步提升反演精度的目的。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的基于多分支神经网络分段式模型的土壤湿度反演方法的土壤湿度反演流程图；
图2为本发明实施例中的多分支神经网络示意图；
图3为本发明实施例中的分段式模型示意图；
图4为本发明实施例中的反演结果散点图；其中，（a）为MBNN（本方法）反演结果散点图；（b）为BP反演结果散点图；（c）为CNN反演结果散点图；（d）为SR反演结果散点图；
图5为本发明实施例中的反演结果折线图；其中，（a）为MBNN（本方法）反演结果折线图；（b）为BP反演结果折线图；（c）为CNN反演结果折线图；（d）为SR反演结果折线图；
图6为本发明实施例中的使用SMAP卫星数据对分段式MBNN方法的反演精度进行验证的示意图；其中，（a）为9 km×9 km下MBNN预测结果示意图；（b）为9 km×9 km下SMAP SM示意图；（c）为反演结果的均方根误差示意图；（d）为反演结果的相关系数示意图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
术语解释：
GNSS-R：Global Navigation Satellite System-Reflectometry （全球导航系统反射测量）是一种新型的遥感技术，GNSS‐R技术采用双（多）基雷达模式，利用经地球表面反射后的全球导航卫星系统信号对各种地球物理参数进行探测。
CYGNSS：Cyclone Global Navigation Satellite System（飓风全球导航系统反射系统）是美国航空航天局于2016年12月发射的专门用于研究星载GNSS-R的卫星星座，该星座由8颗小卫星组成，每颗卫星都搭载着一个GNSS-R接收机,可以同时跟踪和处理4个GNSS信号，并利用从地表反射后获取的全球导航卫星系统信号生成延迟多普勒图像(DDM)。
卷积神经网络（CNN）：卷积神经网络是一种深度前馈人工神经网络，包括卷积层和池化层。类别有一维卷积神经网络（1D-CNN）、二维卷积神经网络（2D-CNN）以及三维卷积神经网络（3D-CNN）。一维卷积神经网络常应用于序列类的数据处理;二维卷积神经网络常应用于图像类文本的识别;三维卷积神经网络主要应用于医学图像以及视频类数据识别。
DDM：以时间延迟为横坐标和多普勒频移为纵坐标的二维相关功率波形图。
分段函数：分段函数作为一种函数类型，其定义域由若干个不相交的区间组成，在每个区间内采用不同的函数表达式来描述函数的行为。
多普勒频移：信号接收频率与信号接收频率之差。
时间延迟：信号接收时间与信号发射时间之差。
实施例一
如图1所示，本发明提供了基于多分支神经网络与分段式模型的土壤湿度反演方法，包括以下步骤：
获取原始数据集，对原始数据集进行预处理，获得模型的输入特征；
构建多分支神经网络与分段式模型；
基于原始数据集和输入特征，对多分支神经网络与分段式模型进行训练；
利用训练好的多分支神经网络与分段式模型对待测的土壤进行预测，获得土壤湿度反演结果。
在本实施例中，数据预处理的目的主要是为了从原始数据集中提取出模型的输入特征。原始数据集包括CYGNSS数据和其他辅助数据，下面对这两种数据集分别进行介绍。
CYGNSS数据集提供了不同的DDM处理产品，上述产品通过对接收到的反射信号做不同路径延迟与多普勒频移下的相干积分滤波得到，包括原始计数（Raw Counts）、模拟功率（Power Analog）和有效散射面积（Effective Scatter Area）。
具体来讲，原始计数（Raw Counts）是指卫星天线接收到的来自镜面反射点的原始功率值，它与接收信号的强度成正比，是CYGNSS数据分析中的一个关键参数，可用来推导模拟功率（Power Analog）。
由于天线增益和系统噪声等因素的影响，单独使用原始计数（Raw Counts）估计接收信号功率存在一定偏差。因此，通过考虑影响信号测量功率精度的各种因素，将原始计数校准后得到模拟功率（Power Analog）值。校准过程包括补偿天线增益、抑制接收机噪声和考虑其他系统特定因素。模拟功率（Power Analog）是指卫星天线接收到的经过校准和处理的信号功率。该参数可以用来估计反射面的大小、形状和粗糙度。此外，模拟功率（PowerAnalog）可以用来处理和校准CYGNSS数据，例如纠正系统增益和天线方向图的变化。
有效散射面积（Effective Scatter Area）指的是CYGNSS测量的反射面有效雷达截面(RCS)。RCS是对单位面积大小的反射面所反射的信号功率的度量，是雷达和反射测量应用中的关键参数。有效散射面积（Effective Scatter Area）由接收信号的功率除以发射信号的发射功率，再采用反射面面积归一化得到。在CYGNSS测量中，反射面受植被、地表粗糙度和土壤含水量等多种因素的影响。由于有效散射面积（Effective Scatter Area）参数对反射表面的特性很敏感，因此它可以提供有关这些因素的有价值信息。上述三种DDMs作为CNN网络模块的输入。
此外，BP网络模块的输入数据为DDM的单一特征与各种地表辅助参数。单一特征包括地表反射率、前沿斜率、后沿斜率、DDM均值、DDM峰值、信噪比与功率比。地表辅助参数为地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比。
前沿斜率（LES）与后沿斜率（TES）通过公式（3）获得：
（3）
（4）
式中，为峰值功率点处的表面反射率，/>为峰值点前面第3个点的表面反射率，/>为峰值点后面第3个点的表面反射率，/>为 DDM 图的时延分辨率，其取值为0.2552 chips，chips 代表一个码片的持续时长，换算成单位秒为9.7752e-07s。
DDM均值代表整幅DDM图像功率的平均值：
（5）
式中，n、m表示时间延迟与多普勒频移，大小分别为11和17，表示特定时延和多普勒频移下的功率。
功率比的获取方法为采用大小为3×5的移动窗口，从DDM图像左上角开始，依次进行遍历，该窗口下功率最大值与所有功率值总和之比。
DDM峰值与信噪比数据都存储在Netcdf文件中，该文件可在CYGNSS数据网站下载获得。
其他辅助数据包括地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比。其中，植被覆盖度、地表粗糙度及地表温度是从SMAP卫星获得；植被含水量与地表静态水百分比从MODIS数据获取；地面高程从美国国家航空航天局提供的穿梭雷达地形任务数字高程30米（NASA SRTM Digital Elevation 30m）数据集获得；土壤粘粒比由全球网格化土壤信息（Soil Grid）数据集提供。
提取上述输入特征后，按照8：2的比例随机划分为训练集和测试集，用于多分支神经网络与分段式模型的训练和测试。
在本实施例中，如图2所示，多分支神经网络（Multi-Branch Neural Network，MBNN）是由BP神经网络模块和卷积神经网络模块并联组合而成，它克服了BP神经网络模型输入数据只能为一维特征向量和卷积神经网络的输入数据只能为二维图像的缺陷，可以充分挖掘DDM中的深层次信息以及引入辅助数据对DDM信息进行补充，提高反演精度。
所提出的MBNN如图3所示，具体而言，该网络由三部分组成，下面对每部分进行详细介绍。
第一部分为CNN模块，包含六个卷积层、一个池化层和一个批量归一化层。其中，每三个卷积层为一组，第一组由32个3×3卷积核组成，第二组由64个3×3卷积核组成。输入数据为三种DDM，分别为原始计数（Raw Counts）、模拟功率（Power Analog）与有效散射面积（Effective Scatter Area）。 每个卷积核可以看作一个特征提取器，与输入数据进行卷积生成特征映射。
CNN模块工作的具体流程如下：输入层接收DDM后，传入卷积层，首先对DDM执行3次卷积运算，其中卷积核数量为32，卷积核大小为（3，3），每个卷积核都可以看作是一个特征提取器，它与输入的DDM图像进行卷积运算生成特征图像；然后，对得到的特征图进行大小为（2，2）的最大池化，之后进行批量归一化处理；再后，对特征图进行3次卷积核数量为64、卷积核大小为（3，3）的卷积运算；最后，将得到的特征图进行Flatten操作转化为一维向量输入到全连接层中，获得输出结果。例如，输入的DDM图像大小17×11，经第一个卷积层处理后，图像大小变为(32,17,11)。第k (k=1…32)个卷积滤波器的输出结果可以用下式表达：
（6）
其中，X和b为输入的DDM图像和偏差，表示卷积操作，/>表示激活函数，在卷积操作过程中，采用 ReLU 函数作为激活函数，它的优势在于其固有的函数形式相对简单，在反向传播求误差梯度时几乎不需要计算，能够加快模型的收敛速度，如下公式所示：
（7）
池化层的作用为对卷积层输出的特征图进行向下采样以减少信息的冗余，该池化层使用最大池化操作，池化层的大小为（2,2），步长为2。池化层保留了特征图中每个不重叠2×2块中的最大值，生成一个大小为（32,8,5）的下采样图。池化层后接一个批量归一化层，归一化的作用是对每一层的输入数据进行标准化处理，使得每一层的输入数据的分布更加稳定，从而提高模型的稳定性，加速了模型的收敛速度。
第二部分为BP 神经网络模型，BP 神经网络模块由输入层与隐藏层两部分组成。其中输入层由14个神经元组成，分别输入地表反射率、前沿斜率、后沿斜率、DDM均值、DDM峰值、信噪比、功率比、地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比十四个特征；第一个隐藏层神经元数量为64，对该数据与权向量的内积进行求和计算，得到的结果经过激活函数 ReLU 的非线性处理后输出至第二个隐藏层，第二个隐藏层神经元数量与第一个相同，当网络中第二个隐藏层的计算结束时，将结果传递至输出层。以输入的14个特征为例，经第一个隐藏层的某个神经元输出的特征可以用下式表达：
（8）
其中，是输入信号，/>是输入信号/>与神经元j连接的权重值，b是偏置值，yi为神经元的输出，/>是激活函数。
CNN模块与BP模块分别获得输出结果后，统一输入到MBNN网络的最后一部分。最后一部分为全连接层，由三层神经元组成，每一层的神经元个数分别为128、64、64，通过模型预测值获得土壤湿度反演结果。此外，为了防止网络在训练过程时发生过拟合现象，本专利方法在网络的每个全连接层之间加入了Dropout处理模块。
在本实施例中，传统土壤湿度反演模型的预测能力通常受到土壤湿度区域的限制，导致其在某些土壤湿度范围内表现较好，而在其他湿度范围内表现稍差，如土壤湿度高值区与低值区域反演效果不佳。针对这一问题，本发明基于分段函数的思想，提出了多分支神经网络与分段式模型。该模型采用遗传算法确定出模型作用区域的相应阈值将反演模型划分为多个子模型，并单独对每个子模型进行优化和校准，从而提高整个模型的预测能力和精度。MBNN分段式模型具体结构和模型阈值边界的确定方法如图3所示。
本发明分段式模型由三个作用于不同土壤湿度区间的MBNN子模型组成，不同土壤湿度区间的阈值划分由遗传算法确定。本发明根据遗传算法确定了MBNN子模型之间的阈值界限为0.3003和0.5024，即当土壤湿度的初始预测值y0介于0到0.3003时，样本数据将被输入到MBNN子模型1中进行预测；当y0介于0.3003到0.5024时，样本数据被输入到MBNN子模型2中进行预测；当大于0.5024时，样本数据被输入到MBNN子模型3中进行预测。利用上述分段式模型，得到土壤湿度的最终预测结果y1。
在本实施例中，模型输入数据采用上述三种DDMs（原始计数、模拟功率、有效散射面积）与各种辅助参数，并以SMAP提供的土壤湿度结果作为参考值，对模型进行训练，选用80%的总数据集作为训练集。训练过程中，首先设置模型超参数：学习率：0.001；epoch：100；batch_size: 1000，优化器：Adam；损失函数：均方误差（MSE）；Dropout参数：0.3；实验开发环境为Tensorflow库与 Keras库。
网络采用误差反向传播算法更新网络参数，采用ADAM优化器进行调整，调整依据为预测值与真实值之间的误差结果，直到该结果处于期望误差范围内，即预测值接近真实土壤湿度值，此时网络参数值则不需再进行调整，视为模型训练完成。
在本实施例中，选用20%的总数据集作为测试集，输入到已完成训练的模型中，采用均方根误差（RMSE）与相关系数（R）作为评价指标来分析模型的准确性及可靠性，计算公式如下：
（9）
（10）
其中，是土壤湿度真值，/>是模型得出的预测值，n是总的样本点数量，/>与/>分别为预测值平均值和期望值平均值。
为了显示本发明方法的优点，以中南半岛地区为例，将该方法与三种方法进行对比：基于BP神经网络的土壤湿度反演方法（BP方法）、基于地表反射率的土壤湿度反演方法（SR方法）与未考虑地表粗糙度、植被覆盖度、植被含水量等辅助参数的多分支神经网络土壤湿度反演算法（CNN方法）。
按照“反演-对比”的方法，选取中南半岛地区的土壤湿度数据，按照分段式MBNN方法、BP方法、SR方法与CNN方法分别进行土壤湿度反演并对结果进行统计分析，最终结果如表1所示。从表中可以看出，分段式MBNN方法所得反演结果最优，反演结果与SMAP 土壤湿度之间的相关系数最高为0.95，RMSE最小为0.024。BP方法模型精度次之，SR方法与CNN方法效果最差。
表1
如图4（a）、图4（b）、图4（c）、图4（d），图5（a）、图5（b）、图5（c）、图5（d），图6（a）、图6（b）、图6（c）、图6（d）所示，通过对该技术方案进行实例应用，可以得出以下2点结论：
使用SMAP卫星数据对分段式MBNN方法的反演精度进行验证，其平均RMSE为0.024，预测数据与实测数据的总体相关系数0.95，证明了该方法的有效性。
与SR方法、BP方法和CNN方法相比，分段式MBNN方法反演精度更高，表明该方法可以进一步提高反演精度。
本发明选取中南半岛为研究区域，通过将该区域内的土壤湿度反演结果与SMAP提供的SM进行比较，计算出反演结果的均方根误差与相关系数，证明本发明方法具有一定的实用价值。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (1)
1.基于多分支神经网络与分段式模型的土壤湿度反演方法，其特征在于，包括以下步骤：
获取原始数据集，对所述原始数据集进行预处理，获得模型的输入特征；
构建多分支神经网络与分段式模型；
基于所述原始数据集和所述输入特征，对所述多分支神经网络与分段式模型进行训练；
利用训练好的所述多分支神经网络与分段式模型对待测的土壤进行预测，获得土壤湿度反演结果；
所述原始数据集包括CYGNSS数据和其他辅助数据，其中，所述CYGNSS数据包括：原始计数、模拟功率和有效散射面积；所述其他辅助数据包括：地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比；
所述输入特征包括：地表反射率、前沿斜率、后沿斜率、DDM均值、DDM峰值、信噪比与功率比；
所述多分支神经网络与分段式模型由CNN模块、BP神经网络模块以及全连接层三部分组成；
所述CNN模块包括：六个卷积层、一个池化层和一个批量归一化层，其中，每三个卷积层为一组，第一组由32个3×3卷积核组成，第二组由64个3×3卷积核组成，输入数据为原始计数、模拟功率和有效散射面积，每个卷积核与所述输入数据进行卷积生成特征映射；
所述BP神经网络模块由输入层与隐藏层两部分组成，其中，输入层由14个神经元组成，分别输入地表反射率、前沿斜率、后沿斜率、DDM均值、DDM峰值、信噪比、功率比、地表粗糙度、植被覆盖度、植被含水量、地面高程、地表温度、地表水含量与土壤粘粒比十四个特征；第一个隐藏层神经元数量为64，对神经元与权向量的内积进行求和计算，得到的结果经过激活函数ReLU的非线性处理后输出至第二个隐藏层，第二个隐藏层神经元数量与第一个隐藏层相同，当第二个隐藏层的计算结束时，将计算结果传递至全连接层；
所述全连接层由三层神经元组成，每一层的神经元个数分别为128、64、64；
所述多分支神经网络与分段式模型由三个作用于不同土壤湿度区间的MBNN子模型组成；
三个作用于不同土壤湿度区间的MBNN子模型的划分方法包括：
根据遗传算法确定MBNN子模型之间的阈值界限为0.3003和0.5024，即当土壤湿度的初始预测值y0介于0到0.3003时，样本数据将被输入到MBNN子模型1中进行预测；当土壤湿度的初始预测值y0介于0.3003到0.5024时，样本数据被输入到MBNN子模型2中进行预测；当土壤湿度的初始预测值y0大于0.5024时，样本数据被输入到MBNN子模型3中进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099084.4A CN116821694B (zh) | 2023-08-30 | 2023-08-30 | 基于多分支神经网络与分段式模型的土壤湿度反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099084.4A CN116821694B (zh) | 2023-08-30 | 2023-08-30 | 基于多分支神经网络与分段式模型的土壤湿度反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821694A CN116821694A (zh) | 2023-09-29 |
| CN116821694B true CN116821694B (zh) | 2023-12-01 |
Family
ID=88122440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311099084.4A Active CN116821694B (zh) | 2023-08-30 | 2023-08-30 | 基于多分支神经网络与分段式模型的土壤湿度反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821694B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633328A (zh) * | 2020-12-04 | 2021-04-09 | 北京科技大学 | 一种基于深度学习的致密油藏改造效果评价方法 |
| CN112906300A (zh) * | 2021-02-09 | 2021-06-04 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
| CN114722879A (zh) * | 2022-04-24 | 2022-07-08 | 中山大学 | 一种基于对抗迁移学习的轴承跨工况故障预测方法 |
| CN114894819A (zh) * | 2022-05-07 | 2022-08-12 | 中国石油大学(华东) | 一种星载gnss-r土壤湿度反演方法 |
| CN116630748A (zh) * | 2023-06-15 | 2023-08-22 | 江西理工大学 | 一种基于熔盐图像特征的稀土电解槽状态多参数监测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10614574B2 (en) * | 2017-10-16 | 2020-04-07 | Adobe Inc. | Generating image segmentation data using a multi-branch neural network |
| CN108814550A (zh) * | 2018-04-16 | 2018-11-16 | 北京工业大学 | 一种基于神经网络的近红外光谱断层成像重建方法 |
| US11989655B2 (en) * | 2020-10-26 | 2024-05-21 | Jiangxi University Of Science And Technology | Prediction method, device and system for rock mass instability stages |
-
2023
- 2023-08-30 CN CN202311099084.4A patent/CN116821694B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633328A (zh) * | 2020-12-04 | 2021-04-09 | 北京科技大学 | 一种基于深度学习的致密油藏改造效果评价方法 |
| CN112906300A (zh) * | 2021-02-09 | 2021-06-04 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
| CN114722879A (zh) * | 2022-04-24 | 2022-07-08 | 中山大学 | 一种基于对抗迁移学习的轴承跨工况故障预测方法 |
| CN114894819A (zh) * | 2022-05-07 | 2022-08-12 | 中国石油大学(华东) | 一种星载gnss-r土壤湿度反演方法 |
| CN116630748A (zh) * | 2023-06-15 | 2023-08-22 | 江西理工大学 | 一种基于熔盐图像特征的稀土电解槽状态多参数监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Novel Dual-Branch Neural Network Model for Flood Monitoring in South Asia Baded on CYGNSS Data;dongmei song 等;MDPI;1-16 * |
| 基于BP神经网络的地表温度空间降尺度方法;汪子豪 等;遥感技术与应用;21-30 * |
| 基于遗传优化神经网络的多源遥感数据反演土壤水分;关韵桐 等;水资源与水工程学报;255-259 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821694A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11333797B1 (en) | Method for estimating quantitative precipitation by combining observation data of weather radar and rain gauges | |
| Cecinati et al. | Representing radar rainfall uncertainty with ensembles based on a time-variant geostatistical error modelling approach | |
| CN113901384B (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| Guo et al. | Information fusion for GNSS-R wind speed retrieval using statistically modified convolutional neural network | |
| CN105785339A (zh) | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 | |
| CN111639746A (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 | |
| Chen et al. | ARU-net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-net | |
| Aires et al. | Statistical approaches to assimilate ASCAT soil moisture information—I. Methodologies and first assessment | |
| Chew et al. | Flooding and inundation maps using interpolated CYGNSS reflectivity observations | |
| Shangguan et al. | GF-3 polarimetric data quality assessment based on automatic extraction of distributed targets | |
| Tang et al. | CYGNSS soil moisture estimations based on quality control | |
| CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
| CN110909863A (zh) | 一种基于人工神经网络的罗兰天地波时延估计方法 | |
| Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
| CN114187533A (zh) | 一种基于随机森林时序分类的GB-InSAR大气改正方法 | |
| CN116299247B (zh) | 一种基于稀疏卷积神经网络的InSAR大气校正方法 | |
| Wu et al. | Sea surface wind speed retrieval based on empirical orthogonal function analysis using 2019–2020 CYGNSS data | |
| CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN116821694B (zh) | 基于多分支神经网络与分段式模型的土壤湿度反演方法 | |
| CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
| Liu et al. | GNSS-R global sea surface wind speed retrieval based on deep learning | |
| CN111915570A (zh) | 基于反向传播神经网络的大气延迟估计方法 | |
| Bocquet et al. | Arctic sea ice radar freeboard retrieval from ERS-2 using altimetry: Toward sea ice thickness observation from 1995 to 2021 | |
| CN115062526A (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
| CN116825228A (zh) | 基于ddm特征与下垫面信息的土壤湿度反演方法和装置 |
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 |