通過神經(jīng)網(wǎng)絡和機器學習的方法建立遙感影像的光譜信息與土壤濕度之間的模型,采用遙感手段大范圍預測地表土壤濕度。以"天宮二號"2016年9月24日寬波段成像儀采集的可見光近紅外譜段影像作為模型輸入,選取與"天宮二號"影像相同采集時間和經(jīng)緯度的SMAP/Sentinel-1 L2土壤濕度產(chǎn)品作為輸出,分別通過貝葉斯神經(jīng)網(wǎng)絡算法和隨機森林算法建立光譜信息和土壤濕度數(shù)據(jù)之間的關系。結果表明:采用貝葉斯線性回歸反演時,當隱含層節(jié)點個數(shù)為24時訓練效果最好,R²為0.755,均方根誤差RMSE為0.161;采用隨機森林機器學習算法反演時,當決策樹個數(shù)為60時效果最好,R²為0.809,均方根誤差RMSE為0.120。對"天宮二號"影像進行土壤濕度反演時,隨機森林模型比貝葉斯神經(jīng)網(wǎng)絡模型的精度更高,擬合效果更好,可以實現(xiàn)較為準確的大范圍土壤水分含量預測。 

【文章來源】：現(xiàn)代電子技術. 2020,43(06)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

大氣校正前后光譜信息

對“天宮二號”影像進行云掩膜后，得到無云影像，然后可以進行影像值提取，采用ArcGIS軟件提取特征值，將云掩膜后的“天宮二號”數(shù)據(jù)與對應區(qū)域的SMAP土壤濕度數(shù)據(jù)進行匹配，設定為地理坐標系WGS84。最終套合的結果如圖3所示。圖3 樣本套合“天宮二號”遙感影像

樣本套合“天宮二號”遙感影像

【參考文獻】：
期刊論文
[1]基于光譜特征空間的農(nóng)田植被區(qū)土壤濕度遙感監(jiān)測[J]. 吳春雷,秦其明,李梅,張寧.  農(nóng)業(yè)工程學報. 2014(16)
[2]基于高光譜的區(qū)域土壤質地預測模型建立與評價——以河套灌區(qū)解放閘灌域為例[J]. 張娜,張棟良,李立新,屈忠義.  干旱區(qū)資源與環(huán)境. 2014(05)
[3]基于MODIS數(shù)據(jù)的濟南市農(nóng)田區(qū)土壤含水量模型[J]. 劉虹利,王紅瑞,吳泉源,王會肖.  中國農(nóng)村水利水電. 2012(08)



本文編號：3260414