论文部分内容阅读
土壤湿度,也称为土壤含水量,是影响大气和地球表面水分交换的关键指标,直接控制着地球生态环境气候变化和水循环。根据土壤湿度这一参量,可以高效的监测气候和环境的变化,对监测农作物旱涝灾害、区域气候变化、地表植物蒸散等应用具有重要意义,为了满足上述这些实际应用的需求,土壤湿度的数据应具有以下特点:(1)高时间、空间分辨率(2)可覆盖大面积区域。但是目前传统观测手段不能满足大范围检测的需求、遥感探测技术又不能获得高空间分辨率的土壤湿度数据。针对这个现状,采用目前最新的被动微波遥感土壤湿度数据和对地观测数据,对土壤湿度进行反演和降尺度研究,提高土壤湿度的空间分辨率是当下需要研究突破的难点。本研究选取目前比较先进的天宫二号宽波段成像仪可见光近红外谱段影像,以及SMAP(Soil Moisture Active and Passive)土壤湿度数据作为降尺度反演数据源。分别通过GA(Genetic Algorithm)遗传算法改进的贝叶斯神经网络算法和GA遗传算法改进的随机森林算法建立光谱信息和土壤湿度之间的关系,对SMAP土壤湿度数据进行降尺度反演,将空间分辨率由3km提高至100m。然后将不同隐含层节点个数下的贝叶斯神经网络改进模型与不同决策树个数下的随机森林改进模型进行对比分析,对模型精度和拟合效果进行深入研究,分析了算法的复杂度,探讨神经网络和机器学习算法在遥感数据反演层面的适用性。最后,研究了各个通道的光谱反射率与土壤湿度之间的相关性,本文的主要研究内容及结论如下:(1)数据获取及预处理。对遥感影像进行大气校正,然后采用基于光谱指数的云和阴影检测算法对天宫二号影像中的厚云进行掩膜处理,识别影像中的厚云将其提取出来并剔除掉,使其不参与样本训练的计算。从SMAP/Sentinel-1 L2土壤湿度数据中提取经度、纬度、土壤湿度三个参数并与所选天宫二号影像进行经纬度匹配。(2)使用GA遗传算法对贝叶斯神经网络和随机森林两种算法进行改进,并使用改进后的算法对土壤湿度进行降尺度反演。基于MATLAB 2018A神经网络工具箱和GUI页面,以天宫二号宽波段成像仪采集的14个通道的光谱反射率数据为输入值,SMAP/Sentinel-1 L2土壤湿度数据作为输出值进行学习和训练。(3)结果表明:SMAP土壤湿度数据在神经网络和机器学习改进算法的反演下由3km空间分辨率提高到100m空间分辨率。其中采用GA改进的贝叶斯神经网络反演时,当隐含层节点个数为24时训练效果最好,R2(Coefficient of determination)为0.755,均方根误差RMSE(Root mean square error)为0.161;采用GA改进的随机森林机器学习算法反演时,当决策树个数为60时效果最好,R2为0.809,均方根误差RMSE为0.120。在处理大数据样本时,GA改进的随机森林算法时间复杂度低于GA改进的贝叶斯神经网络算法。本研究发现天宫二号宽波段成像仪可见光近红外的8、9、10通道下的光谱反射率与土壤湿度之间有更强的相关性。对SMAP土壤湿度数据进行降尺度反演时,随机森林改进模型比贝叶斯神经网络改进模型的精度更高,拟合效果更好,可以实现较为准确的大范围土壤湿度降尺度反演。