共查询到20条相似文献，搜索用时 15 毫秒
1.
基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演 总被引：6，自引：5，他引：1
土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。 相似文献
2.
基于Sentinel多源数据的农田地表土壤水分反演模型构建与验证 总被引：4，自引：2，他引：2
土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该文基于Sentinel-1和Sentinel-2多源遥感数据,利用Oh模型、支持向量回归(support vector regression,SVR)和广义神经网络(generalized regression neural Network,GRNN)模型对土壤水分进行定量反演,以减小植被影响,提高反演精度。结果表明:通过水云模型去除植被影响后的Oh模型反演精度有所提高。加入不同植被指数的SVR和GRNN模型的反演效果总体优于Oh模型,基于SVR模型的多特征参数组合(双极化雷达后向散射系数、海拔高度、局部入射角、修改型土壤调整植被指数)反演效果最优,其测试集相关系数和均方根误差分别达到了0.903和0.015 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。 相似文献
3.
本文提出一种改进作物散射模型反演麦田土壤水分,该模型根据冬小麦等低矮植被的散射特性,在原模型的基础上保留植被层直接散射部分以及植被与地表相互耦合作用的信息,同时加入裸土地表的直接散射部分,并根据经验权重将两部分信息分离开,构建出适用于冬小麦等低矮植被的后向散射模型,并结合RADARSAT-2雷达数据以及陕西杨凌农田试验区的地面实测数据,计算得到改进模型的经验参数,进而对模型进行验证分析。研究结果表明：改进作物散射模型的模拟精度相对于未改进的作物散射模型有显著的提高,R2在HH和VV极化下都达到80%以上。为了验证改进的作物散射模型算法及土壤水分反演的有效性,本研究将改进作物散射模型与TVDI光学指数模型、简化的MIMICS模型的土壤水分反演结果进行对比分析,改进的作物散射模型反演精度比TVDI和简化的MIMICS模型要好,R2达到84.3%,均方根误差为0.028 cm3/cm3,简化的MIMICS模型反演结果比TVDI要好,但是精度不高,R2为66.9%,均方根误差为0.043 cm3/cm3。改进的作物散射模型对地表植被比较敏感,可以有效的将冬小麦对雷达信号散射影响和裸土层散射贡献区分开,为植被覆盖下地表土壤水分的反演创造条件,给大面积大范围的地表土壤水分反演提供强有力的技术支撑。 相似文献
4.
光学与微波遥感协同反演藏北表层土壤水分研究 总被引：1，自引：1，他引：0
表层土壤水分是定量干旱监测的重要参量,对干旱区生态环境具有十分重要的意义。在采用归一化植被指数阈值法划分地表覆盖类型的基础上,利用MODIS数据选择适用的光学遥感算法估算土壤水分基准值,以及利用风云三号B星搭载的微波成像仪(Fengyun-3B/MicrowareRadiationImagery,FY3B/MWRI)数据采用微波遥感算法反演土壤水分日变化量,最后构建藏北表层土壤水分协同反演的遥感模型并应用于区域土壤水分的估算。结果表明:光学遥感与微波遥感协同反演的土壤水分含量与实测数据呈显著相关,决定系数达到0.89,均方根误差为0.97,协同反演模型具有较高的反演精度,并且协同反演的结果优于单一遥感源的反演结果。该模型可以较好地适用于藏北地区表层土壤水分的动态监测。 相似文献
5.
利用EOS-MODIS遥感数据，基于线性混合模型，提出了一种新的作物冠层温度反演方法。首先，利用EOS-MODIS数据提取了陆地表面温度LST和植被指数NDVI。然后，假定地表只有植被和裸地两种组分，通过植被指数温度VI-Ts方法来估算裸土的组分温度，作物冠层温度通过线性混合模型来求解。为了验证反演的地表温度和冠层温度的精度，把反演的地表温度与NASA MODIS地表温度产品进行差值运算，在差值图像中90%以上的像元灰度值分布在-1和1之间，像元灰度的平均值小于0.5；同时在河北固城农业气象试验站对冬小麦冠层温度进行同步观测，通过与反演的冠层温度进行比较，其误差在±1.5℃左右。结果表明，文中所提出的作物冠层温度反演方法精度较高，其结果能够满足有关作物生长模型以及土壤水分模型对输入参数的精度要求。 相似文献
6.
利用EO S-M OD IS遥感数据,基于线性混合模型,提出了一种新的作物冠层温度反演方法。首先,利用EO S-M OD IS数据提取了陆地表面温度LST和植被指数NDV I。然后,假定地表只有植被和裸地两种组分,通过植被指数温度V I-T s方法来估算裸土的组分温度,作物冠层温度通过线性混合模型来求解。为了验证反演的地表温度和冠层温度的精度,把反演的地表温度与NA SA M OD IS地表温度产品进行差值运算,在差值图像中90%以上的像元灰度值分布在-1和1之间,像元灰度的平均值小于0.5;同时在河北固城农业气象试验站对冬小麦冠层温度进行同步观测,通过与反演的冠层温度进行比较,其误差在±1.5℃左右。结果表明,文中所提出的作物冠层温度反演方法精度较高,其结果能够满足有关作物生长模型以及土壤水分模型对输入参数的精度要求。 相似文献
7.
采用RNCA-PSO-ELM的水稻叶绿素光谱特征分析与反演 总被引：1，自引：1，他引：0
为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模,解决东北粳稻叶绿素含量无人机遥感监测等问题,该研究利用沈阳农业大学卡力玛水稻实验站2018-2020年无人机（Unmanned Aerial Vehicle,UAV）水稻冠层高光谱数据及地面样本数据,设计了基于正则近邻成分分析的光谱特征选择方法,优化了其损失函数与正则化参数,获得水稻叶绿素不同含量的特征波段,并以此为输入,构建粒子群优化极限学习机叶绿素含量反演模型。结果表明：正则近邻成分分析算法具有较好的特征选择能力,其损失函数为均方误差损失函数、正则化参数值为0.306时,特征选择效果最佳,初选出权重非零的16个特征波段;进一步以叶绿素极限学习机反演精度为判据,优选出权重最高的6个特征波段：710、716、508、798、532和708 nm;应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差,粒子群算法正交试验种群规模（POP）、惯性权重（IW）、学习因子（C1,C2）和速度位置相关系数（MC）的优选结果分别为50、1.5、1.3、3.5和0.6;基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的RMSE和R2分别为9.549 mg/L、0.891。研究结果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考。 相似文献
8.
L波段主被动微波协同反演裸土土壤水分 总被引：2，自引：2，他引：0
土壤水分是进行干旱监测、土壤侵蚀、农作物产量预测以及地表温度研究的重要参量,利用主被动微波协同的方法提高土壤水分的反演精度是定量遥感发展所面临的重要任务。本文基于土壤L波段微波散射辐射模拟数据集,通过对比分析主被动微波数据对土壤水分含量和粗糙度2个参数的敏感性,提出了基于L波段主被动协同的裸土土壤水分反演算法,算法充分利用了被动微波地表发射率对土壤水分较为敏感,而主动微波后向散射系数对地表粗糙度较为敏感的特点。首先由地表垂直极化发射率和 VV 极化后向散射系数协同提取地表粗糙度信息,再由被动微波双极化数据结合地表粗糙度信息来估算土壤水分信息。利用SMAPVEX12实验数据集中部分稀疏植被采样点的观测数据对算法进行验证,验证结果显示,土壤水分反演结果与地面实测数据相关性为0.6637,RMSE为0.0607 cm3/cm3。该文反演算法模型系数直接由模拟数据集计算得到,克服了常规经验算法的发展对地表实测数据的依赖性,减小了算法在实际应用中的局限性。 相似文献
9.
基于改进水云模型和Radarsat-2数据的农田土壤含水量估算 总被引：3，自引：2，他引：1
为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。 相似文献
10.
基于NDVI优化选择的土壤水分数据同化 总被引：3，自引：2，他引：1
时间序列上遥感观测数据的准确性会对同化结果有较大的影响.该文以宁夏回族自治区固原市为例,通过北方生产力生态模犁模拟2008年5-7月逐日的土壤湿度,按照不同日期的归一化植被指数(normalized difference vegetation index,NDVI)阈值,分别利用MODIS资料计算出基于红光和近红外波段的垂直含水量指数、改进的垂直干旱指数和基于近红外波段和短波红外波段的短波红外垂直水分胁迫指数,和宁夏中南部的气象站实测土壤水分建立关系,并用不同遥感指数反演的土壤水分作为观测值进行同化.结果表明,在作物的不同生长时期,垂直含水量指数、改进的垂直干旱指数和短波红外垂直水分胁迫指数的反演效果不同,基于NDVI优化遥感反演结果,选择准确性更高的反演结果作为同化观测值,能提高同化土壤水分的精度.该研究表明在不同时间段内使用更为准确的遥感监测结果作为观测值进行同化可以提高同化的精度. 相似文献
11.
基于SCS模型的新疆博尔塔拉河流域径流模拟 总被引：1，自引：1，他引：0
为探索SCS(soil conservation service)模型在干旱区地表径流模拟中的适用性,以新疆博尔塔拉河上游温泉流域为例,利用2013年融雪期18场次降雨量、日径流量及卫星同步观测基础数据,基于度日模型、土壤水分吸收平衡原理及地表温度-植被指数特征空间反演土壤水分等方法,探索适用于流域尺度耦合降雨、积雪融水混合补给径流的SCS模型参数改进算法,采用国产"高分一号"16m分辨率遥感影像和landsat8 OLI 30m多光谱遥影像为模型提供面状数据。分别利用参数算法改进后SCS模型与原SCS模型进行径流模拟,前者模拟值较后者更接近实测值,二者模型验证期Nash效率系数分别为0.66和0.38,相对误差系数分别17%,27%;研究结果表明,利用遥感反演地表参数,结合土壤饱和含水量计算SCS模型参数的方法在面积大且数据缺乏的温泉流域具有可行性和实用性。 相似文献
12.
基于地面红外检测系统验证的灌区地表温度遥感反演 总被引：1，自引：1，他引：0
利用遥感数据的大尺度特性和地面实时监测数据进行区域灌溉管理,用精准化信息技术支撑农业信息化,是现代农业发展的方向和研究热点。该文根据田间在线实时监测数据和Land Sat8卫星遥感数据反演,探讨遥感反演地表温度与地面实测数据的吻合程度,为大范围、区域性干旱监测和灌溉管理提供技术支撑。结果表明,在下垫面植被均匀、土壤水分空间变异性较小的区域,利用Land Sat8遥感影像反演地表温度,可以很好地与地面作物冠层温度监测结果相吻合;监测点数据可以代表其附近5个像元的情况。利用覃志豪法和简单Sobrino法计算地表比辐射率来遥感反演地表温度,对不同的作物类型有不同的适宜性。2015年9 d遥感反演结果与地面监测数据对比可见,在解放闸灌域沙壕渠试验点的玉米地,简单的Sobrino法结果更好,R~2达到0.76,均方根误差、相对误差和符合度指数分别达到2.32℃、7.8%和0.92。葵花地覃志豪法结果为宜,R~2达到0.85,均方根误差、相对误差和符合度指数分别达到1.97℃、6.5%和0.94。春小麦地宜用Sobrino法。对于北京大兴的冬小麦-夏玉米轮作,这2种方法差别不大。地面监测点布设方案和合理数目、点面数据结合进行区域干旱判断和灌溉管理,以及地面监测系统的优化改进,是进一步研究的重点。 相似文献
13.
PROSAIL模型和水云模型耦合反演农田土壤水分 总被引：4，自引：3，他引：1
土壤水分的实时、动态监测对农业生产及作物估产有着非常重要的意义。该文提出一种光学和雷达遥感半经验耦合模型,该模型通过引入植被覆盖度将作物覆盖下的散射贡献与裸露地表的直接散射贡献区分开,结合水云模型和PROSAIL模型对农田区域土壤水分进行反演研究。结果表明：该耦合模型模拟得到的后向散射系数与实测值之间具有较好的线性关系,在HH和VV极化下决定系数R2分别为0.792和0.723,RMSE分别为0.600和0.837 dB。同时该模型对农田区域土壤水分的反演精度也较高,其R2为0.809,RMSE为0.043 cm3/cm3。因此该模型可以有效分离农田作物及裸露土壤对雷达信号的影响,准确建立地表直接后向散射贡献与土壤水分的关系,为大面积复杂地表类型覆盖区域的土壤水分反演提供研究思路和理论支持。 相似文献
14.
土壤水分是地表和大气水热过程交换的重要纽带，对于农业生产、生态规划、水资源管理等具有十分重要的意义。微波遥感具有基本不受天气条件影响，具有较好探测植被覆盖下的土壤信息和土壤水分变化趋势等优势，成为目前遥感精确反演土壤水分的热点。本文整理了现有全球尺度的基于微波遥感的土壤水分产品；分析比较了土壤水分反演中主动微波遥感、被动微波遥感、主被动微波协同技术的原理、特点、适用范围和关键技术进展：主动微波遥感和被动微波遥感的 优势分别在于高空间分辨率和高时间分辨率，高空间分辨率可以很好捕捉地表细微的空间信息特征，但囿于土壤水分与后向散射系数之间的复杂关系，特别是植被、地表粗糙度等对雷达后向散射系数的干扰，使得反演土壤水分的精度不高，因而根据现实情况选取不同散射模型以及利用多源数据协同是目前改善精度的研究热点。而高时间分辨率可以实现全球及大尺度下的土壤水分监测，但是很难满足小尺度或者小区域范围的实际研究需求，为了能使实测数据在空间上得以较好匹配，提出多种降尺度方法。结合以上两种微波遥感方式的优劣，依托更为丰富的数据源、相对成熟的观测技术来对两者进行融合以提取更多的水分信息，以提升反演精度或者获得长时间序列数据。在目前的方法中，土壤水分反演在小尺度下表现出良好的性能，但在全球尺度上会出现数据缺失、适用性不强、反演精度不高以及反演过程过于复杂等诸多问题，可以借助多种观测方式（多极化、多角度、多波段）、多时相重复观测、在原有模型上引入新的算法以及数据同化等方面着手进行改进，同时全球卫星导航系统（Global Navigation Satellite System, GNSS） 中长期稳定、高时空分辨率的L波段微波信号在陆面遥感领域的快速发展也为我国北斗卫星导航系统（BeiDou Navigation Satellite System, BDS）的发展提供了借鉴，展现出在土壤水分反演方面的巨大潜力。 相似文献
15.
在利用被动微波遥感技术进行裸露地表土壤含水率(Soil Moisture Content,SMC)的反演中,土壤粗糙度是制约反演精度的最关键因素。该研究利用改进的积分方程模型(Advanced Integral Equation Model,AIEM)进行地表多角度微波发射率的模拟,探索地表微波辐射多角度信息用于提高地表SMC反演精度的可行性。基于不同SMC和不同粗糙度地表多角度V极化发射率数据的变化趋势提取土壤介质布儒斯特角,结果表明,土壤布儒斯特角对SMC具有较高的敏感性,C波段(6.6 GHz)不同含水率土壤的布儒斯特角分布在60°～80°范围内。基于AIEM模拟数据的分析发现,土壤布儒斯特角正切值与SMC具有较好的线性关系,线性拟合决定系数为0.94,均方根误差为0.027cm~3/cm~3,并得到了基于布儒斯特角的裸露地表SMC反演算法。基于模拟数据的算法验证结果表明,算法的SMC预测值与理论值的决定系数为0.95,均方根误差为0.024 cm~3/cm~3。算法在不同土壤粗糙度自相关函数下均表现出稳健的特性,SMC预测精度最大均方根误差为0.027 cm~3/cm~3,最小为0.023cm~3/cm~3。基于布儒斯特角的SMC反演算法利用的是多角度土壤发射率的相对变化而非其绝对数值,该研究为SMC的多角度被动微波遥感提供了一种不同的研究思路。 相似文献
16.
双极化雷达反演裸露地表土壤水分 总被引：3，自引：2，他引：1
为了快速高效地获取大面积地表土壤水分,本文提出一种适用于双极化SAR(synthetic aperture rader)的裸露地表土壤水分反演经验模型。首先通过AIEM(advanced integral equation model)模型数值模拟和回归分析,提出一种新的粗糙度参数,将2个传统的粗糙度参数简化为1个参数;然后模拟地表土壤水分与雷达后向散射系数的关系,从而建立裸露地表的经验散射模型,模型的未知参数仅为粗糙度参数和土壤体积含水量,通过双极化的雷达数据即可实现土壤水分的反演。通过2008年甘肃张掖黑河流域实测数据对模型进行了初步验证,发现在入射角大于25°时,模型反演值与实测值有着良好的相关关系(相关系数为0.745)。该模型仅需双极化的雷达数据就能实现土壤水分的反演,无需测量地面粗糙度,尤其适用于大面积干旱区域的地表土壤水分的获取。 相似文献
17.
18.
基于流形光谱降维和深度学习的高光谱影像分类 总被引：1，自引：1，他引：0
高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。 相似文献
19.
利用多时相Sentinel-1 SAR数据反演农田地表土壤水分 总被引：12，自引：5，他引：7
土壤水分是陆面生态系统水分和能量循环的重要变量,在农田干旱监测、作物长势监测和作物估产等应用研究中具有重要的作用。该文结合基于变化检测的Alpha近似模型,利用Sentinel-1卫星获取的多时相C波段合成孔径雷达(synthetic aperture radar,SAR)数据,实现了农田地表土壤水分的反演。该文首先利用微波辐射传输模型验证了Alpha近似模型在土壤水分反演中的合理性。研究发现,对于土壤散射占主导的区域,Alpha近似模型对辐射传输模型有较好的近似,能够有效地消除地表粗糙度和植被对雷达后向散射系数的影响。在此基础上,结合怀来研究区多时相Sentinel-1 SAR数据,利用Alpha近似模型构建了土壤水分观测方程组,通过求解方程组得到了农田地表土壤水分。地面验证结果表明,土壤水分反演的均方根误差(root mean square error,RMSE)为0.06 cm3/cm3,平均偏差为0.01 cm3/cm3,精度较好。该文研究为利用高重访周期、多时相的Sentinel-1 SAR数据获取农田地表土壤水分提供了参考。 相似文献