[發明專利]一種多模型集成學習的土壤含水量反演方法

有效

• 申請號: 202010467475.7
• 申請日: 2020-05-28
• 公開（公告）號: CN111678866B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 李玉霞;程淵;李凡;何磊;李玉珍
• 申請（專利權）人: 電子科技大學;成都信息工程大學;電子科技大學廣東電子信息工程研究院
• 主分類號: G01N21/17
• 分類號: G01N21/17;G01N21/55;G01N33/24;G06F30/27;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種多模型集成學習的土壤含水量反演方法，其特征在于，包括以下步驟：

(1)、以中分辨率成像光譜儀MODIS遙感傳感器數據、野外站點實測數據為數據源，對MODIS遙感數據進行預處理操作，然后基于野外站點實測數據的經緯度以及數據的獲取時間，實現預處理后的MODIS遙感數據和野外站點實測數據的同步；

(2)、在同步后的MODIS遙感數據中，提取出MODIS地表反射率數據，然后通過波段間運算提取出野外站點處土壤含水量相關的光譜特征參數；

(3)、在同步后的MODIS遙感數據中，提取出MODIS地表溫度數據，然后基于隨機森林(Random Forest，RF)算法對其進行重建，得到重建后地表溫度；

(4)、基于Stacking框架實現土壤含水量傳統反演方法與機器學習方法的集成，完成土壤含水量反演；

(4.1)、初始化Stacking框架；

(4.2)、將光譜特征參數、重建后地表溫度和已知的高程數據作為初始輸入特征，站點實測土壤含水量為期望輸出特征，構建樣本量為M、特征個數為N的初始訓練集Data，Data＝M×N；

(4.3)、利用初始訓練集Data對極端隨機樹和XGBoost模型進行訓練，得到極端隨機樹和XGBoost模型對于初始輸入特征的特征重要性；

(4.4)、計算特征重要性平均值1/M，并作為特征篩選閾值，然后將特征重要性低于特征篩選閾值的初始輸入特征記為次要輸入特征，反之則記為主要輸入特征；

(4.5)、將Data隨機拆分成n等分，得到子集{Data_1,Data_2,…,Data_n}，其中，每個子集的樣本量為大小為M/n、特征個數為N；

(4.6)、在{Data_1,Data_2,…,Data_n}中隨機選取一個子集作為測試集，其余作為訓練集；

(4.7)、在訓練集中分別提取出極端隨機樹和XGBoost模型的主要輸入特征，并輸入完成模型訓練，再利用測試集進行預測，得到一組土壤含水量預測值，其中，極端隨機樹模型的預測值記為ERT_Pred_1，XGBoost模型的預測值記為XGB_Pred_1；

(4.8)、除開已選的測試集外，在{Data_1,Data_2,…,Data_n}中再隨機選取一個子集作為測試集，其余作為訓練集，然后重復步驟(4.7)的操作，并以此類推，共計重復進行n次，得到極端隨機樹模型的預測值集合{ERT_Pred_1，ERT_Pred_2,…,ERT_Pred_n}和XGBoost模型的預測值集合{XGB_Pred_1，XGB_Pred_2,...,XGB_Pred_n}；

(4.9)、在每個子集中，提取溫度-植被干旱指數TVDI反演結果；

(4.9.1)、在平面坐標系下，以歸一化差分植被指數為x軸，重建后地表溫度為y軸，繪制研究區內每個像元點對應的植被指數和地表溫度在二維平面所構成的散點分布圖；

(4.9.2)、散點分布圖的上邊界為“干邊”，下邊界為“濕邊”，基于最小二乘法擬合得到干、濕邊方程；

(4.9.3)、得到干、濕邊方程后，代入下式得到TVDI反演結果；

其中，T_s表示散點分布圖中某像元對應地表溫度；T_smax表示干邊方程中對應的地表溫度最大值和T_smin表示濕邊方程中對應的地表溫度最小值；

(4.9.4)、對TVDI反演結果按與Data相同的劃分方式分成n等分，記為：{TVDI_1，TVDI_2,…,TVDI_n}；

(4.10)、將極端隨機樹模型的預測值集合{ERT_Pred_1，ERT_Pred_2,…,ERT_Pred_n}和XGBoost模型的預測值集合{XGB_Pred_1，XGB_Pred_2,...,XGB_Pred_n}以及{TVDI_1，TVDI_2,…,TVDI_n}匯總構成數據量為M、特征數為3的次級數據集；

(4.11)、通過擬合工具搭建線性回歸模型，其中，線性回歸模型的輸入為極端隨機樹預測值集合、XGBoost預測值集合和TVDI反演結果，輸出為實測土壤含水量；

最后將次級數據集中的極端隨機樹預測結果、XGBoost預測結果和TVDI反演結果輸入至建線性回歸模型，從而輸出土壤含水量值。