基于卷积神经网络和AMSR2微波遥感的土壤水分反演研究

文献类型： 中文期刊

第一作者： 谭建灿

作者： 谭建灿;毛克彪;左志远;赵天杰;谭雪兰;李建军

作者机构：

关键词： 深度学习;卷积神经网络(CNN);被动微波;AMSR2;土壤水分

期刊名称： 高技术通讯

ISSN： 1002-0470

年卷期： 2018 年 05 期

页码： 399-408

收录情况： 北大核心

摘要： 土壤水分是水文、气象、农业等研究中的重要参数,尤其在农作物估产模型和农业干旱监测研究中有特别重要的意义。前人在土壤水分反演算法研究上已经做了大量研究工作,但由于影响地表土壤水分的因素较多,各种算法依然存在一些不足。本研究在分析以往反演算法的基础上,总结不同算法的优势和局限性,提出利用具有深度学习特点的卷积神经网络方法(CNN)进行土壤水分反演,从而克服传统土壤水分反演方法的缺陷并提高土壤水分反演的精度。以被动微波AMSR2数据为例,在对土壤水分产品算法进行剖析的基础上,构建了基于卷积神经网络反演土壤水分的模型框架,从而提高反演算法的通用性和反演精度。深度学习卷积神经网络的精度主要取决于训练和测试样本数据库,然而被动微波像元分辨率比较低,以及很难获得与卫星同步的地面实测数据。本文选择不同地区地表均一的土壤水分观测站点,以AMSR2土壤水分产品作为参照来获取地面同步数据,从而克服地面同步观测数据的难题。将AMSR2亮温数据和对应地面同步观测土壤水分数据为样本随机分成训练和测试数据库,通过反复训练,当卷积神经网络选择两个卷积层两池化层的组合,迭代次数3000次时,网络反演的总体精度最高。经过测试样本验证表明,CNN反演土壤水分值与地面同步观测土壤水分的均方根误差RMSE为1.1178%,两者保持了较高相关性(r=0.8685)。以地面站点实测数据对CNN反演结果进行验证,相对误差为39.25%。相比于JAXA产品与实测值的验证结果,CNN反演结果的平均相对误差小10.24%,说明CNN明显提高被动微波遥感土壤水分反演的精度。

分类号： TP79`TP18

  • 相关文献

[1]基于深度学习的被动微波遥感土壤水分反演. 李杰,毛克彪,袁紫晋,李春树,郭中华. 2025

[2]几种神经网络经典模型综述. 黄东瑞,毛克彪,郭中华,徐乐园,胡泽民,赵瑞. 2023

[3]土壤湿度微波遥感监测研究进展. 孙安利,贾建华,徐新刚,黄文江. 2009

[4]新疆北部AMSR2雪深产品降尺度算法及验证. 邓婕,黄晓东,马晓芳,冯琦胜,梁天刚. 2016

[5]分类回归树算法在土壤水分估算中的应用. 韩家琪,毛克彪,葛非凡,郭晶鹏,黎玲萍. 2018

[6]基于卷积神经网络与注意力机制的高光谱图像分类. 高玉鹏,闫伟红,潘新. 2024

[7]基于卷积神经网络模型的遥感图像分类. 付秀丽,黎玲萍,毛克彪,谭雪兰,李建军,孙旭,左志远. 2017

[8]深度学习方法在农业领域的研究及应用. 马聪,张建华,陈学东,朱丹. 2020

[9]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[10]基于卷积神经网络的农机图像自动识别研究. 雷雪梅,张光强,姚旗,刘伟渭,邱帅. 2022

[11]基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究. 冯裕清,杨信廷,徐大明,罗娜,陈枫,孙传恒. 2022

[12]基于词向量的检索扩展方法与农业领域实证. 吴蕾,梁晓贺,乌吉斯古楞,王瑞. 2019

[13]基于神经网络的文献主题国别标引方法研究. 王新. 2019

[14]基于无人机遥感的盛花期薇甘菊爆发点识别与监测. 孙中宇,荆文龙,乔曦,杨龙. 2019

[15]基于YOLOv3深度卷积神经网络的田间百香果定位. 林营志,卢依琳,刘现. 2019

[16]基于深度学习的无人机影像玉米倒伏区域提取. 郑二功,田迎芳,陈涛. 2018

[17]机器学习在植物病害识别研究中的应用. 王聃,柴秀娟. 2019

[18]蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试. 李华龙,李淼,詹凯,刘先旺,杨选将,胡泽林,郭盼盼. 2020

[19]基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别. 魏靖,王玉亭,袁会珠,张梦蕾,王振营. 2020

[20]基于长短时记忆神经网络的生猪价格预测模型. 刘怡然,王东杰,邓雪峰,刘振宇. 2021

作者其他论文 更多>>

微信小程序