發(fā)布時間：2021-07-01 10:10

　　土壤水分是影響水文、生態(tài)和氣候等環(huán)境過程的重要參數(shù),而微波遙感是農(nóng)田地表土壤水分測量的重要手段之一。針對微波遙感反演農(nóng)田地表土壤水分受植被覆蓋影響較大的問題,該文基于Sentinel-1和Sentinel-2多源遙感數(shù)據(jù),利用Oh模型、支持向量回歸（support vector regression,SVR）和廣義神經(jīng)網(wǎng)絡(luò)（generalized regression neural Network,GRNN）模型對土壤水分進行定量反演,以減小植被影響,提高反演精度。結(jié)果表明:通過水云模型去除植被影響后的Oh模型反演精度有所提高。加入不同植被指數(shù)的SVR和GRNN模型的反演效果總體優(yōu)于Oh模型,基于SVR模型的多特征參數(shù)組合（雙極化雷達后向散射系數(shù)、海拔高度、局部入射角、修改型土壤調(diào)整植被指數(shù)）反演效果最優(yōu),其測試集相關(guān)系數(shù)和均方根誤差分別達到了0.903和0.015 cm³/cm³,為利用多源遙感數(shù)據(jù)反演農(nóng)田地表土壤水分提供了參考。 

【文章來源】：農(nóng)業(yè)工程學(xué)報. 2019,35(14)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 研究區(qū)與數(shù)據(jù)源
    1.1 研究區(qū)概況
    1.2 數(shù)據(jù)源及預(yù)處理
2 研究方法
    2.1 Oh模型分析
    2.2 水云模型分析
    2.3 SVR模型分析
    2.4 GRNN模型分析
3 結(jié)果與分析
    3.1 Oh模型反演結(jié)果分析
    3.2 SVR反演結(jié)果分析
    3.3 GRNN反演結(jié)果分析
    3.4 特征參數(shù)重要性分析
4 結(jié)論


【參考文獻】：
期刊論文
[1]基于SVM的綠洲荒漠交錯帶土壤水分與地下水埋深反演[J]. 張鈞泳,丁建麗,譚嬌.  農(nóng)業(yè)機械學(xué)報. 2019(03)
[2]PROSAIL模型和水云模型耦合反演農(nóng)田土壤水分[J]. 蔡慶空,李二俊,陶亮亮,蔣瑞波.  農(nóng)業(yè)工程學(xué)報. 2018(20)
[3]利用多時相Sentinel-1 SAR數(shù)據(jù)反演農(nóng)田地表土壤水分[J]. 何連,秦其明,任華忠,都駿,孟晉杰,杜宸.  農(nóng)業(yè)工程學(xué)報. 2016(03)
[4]基于RADARSAT-2全極化數(shù)據(jù)反演周期性地表土壤濕度[J]. 尹楠,姜琦剛,孟治國,李遠(yuǎn)華.  農(nóng)業(yè)工程學(xué)報. 2013(17)



本文編號：3258943