針對基于主動微波遙感途徑開展廣域土壤濕度反演的過程中,對植被和土壤粗糙度影響難以進行有效估算的問題,該研究聯(lián)合多極化雷達和原始多光譜數(shù)據(jù)源,提出一種改進的卷積神經(jīng)網(wǎng)絡（Improved Convolutional Neural Network,ICNN）方法。該方法采用不同尺寸的卷積核對原始變量進行一維卷積運算,自適應提取能反映測區(qū)土壤濕度時空差異的高級特征維;同時,去除了傳統(tǒng)卷積神經(jīng)網(wǎng)絡結構中的池化層,保證提取的特征信息完整。試驗結果表明,在邊長超過100 km的四川盆地研究區(qū)域內,模型預測值與樣本數(shù)據(jù)相關系數(shù)達到0.934,預測值偏差服從均值趨近于0的正態(tài)分布,均方根誤差為1.45%,誤差分布范圍小于6.3%,結果具有較高的可靠性。該方法可為精準農(nóng)業(yè)、旱澇災害等領域的廣域監(jiān)測研究提供一定的支撐。 

【文章來源】：農(nóng)業(yè)工程學報. 2020,36(07)北大核心EICSCD

【文章頁數(shù)】：7 頁

【參考文獻】：
期刊論文
[1]高光譜成像的土壤剖面水分含量反演及制圖[J]. 吳士文,王昌昆,劉婭,李燕麗,劉杰,徐愛愛,潘愷,李怡春,張芳芳,潘賢章.  光譜學與光譜分析. 2019(09)
[2]基于土壤基質勢的溫室土壤墑情監(jiān)測技術[J]. 萬書勤,李曉彬,康躍虎.  農(nóng)業(yè)工程技術. 2019(13)
[3]基于CLDAS2.0驅動數(shù)據(jù)的中國區(qū)域土壤濕度模擬與評估[J]. 師春香,姜立鵬,朱智,姜志偉,梁曉,韓帥,張濤.  江蘇農(nóng)業(yè)科學. 2018(04)
[4]北京市植被指數(shù)變化與影響因素分析[J]. 潘薔,范文義,于海群,張峰,張揚建.  北京林業(yè)大學學報. 2012(02)
[5]植被含水量光學遙感估算方法研究進展[J]. 張佳華,許云,姚鳳梅,王培娟,郭文娟,李莉,YANG LiMin.  中國科學:技術科學. 2010(10)

博士論文
[1]光學/熱紅外土壤濕度遙感反演方法研究[D]. 冷佩.中國農(nóng)業(yè)科學院 2018

碩士論文
[1]遙感數(shù)據(jù)與土壤濕度反演的方法研究[D]. 陳智慧.武漢工程大學 2017
[2]北京市植被指數(shù)變化及影響因素分析[D]. 潘薔.東北林業(yè)大學 2012



本文編號：3161957