[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

本發明公開了一種多模型集成學習的土壤含水量反演方法，先通過融合多源遙感數據來提取土壤含水量反演模型的初始輸入特征，然后再基于Stacking框架，通過初始輸入特征對框架內的極端隨機樹和XGBoost模型進行訓練，得到不同的土壤含水量預測值，同時提取出溫度?植被干旱指數反演結果，最后通過擬合工具搭建線性回歸模型并將極端隨機樹、XGBoost模型預測的土壤含水量和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。

技術領域

本發明屬于環境遙感技術和機器學習技術領域，更為具體地講，涉及一種多模型集成學習的土壤含水量反演方法。

背景技術

土壤含水量與地表生物的生存息息相關，不但在農業、水文、氣象等多個領域起著重要的作用，甚至與滑坡、洪水、火災等極端災害事件有著緊密的聯系。考慮到土壤含水量的空間和時間異質性，對其進行精準的預測仍然具有挑戰性。使用TDR土壤水分測定儀或者取土稱重法能精確地測量出土壤含水量，但是這樣的實地采點測量方式效率低下、人力物力花銷大，不適用于大面積區域的實時測量。遙感技術具有覆蓋范圍廣、響應速度快的優點，已經廣泛應用于土壤含水量的實時動態監測。而遙感圖像作為一種常見且重要的數字影像，人們可以通過處理和分析遙感圖像，獲得其所攜帶的地面信息。

對土壤含水量的遙感監測方法按照所使用數據的波段不同可分為光學遙感、熱紅外遙感以及微波遙感。其中，光學遙感簡單、方便應用，但是它受天氣的影響較大，并且預測結果往往滯后于實際情況；熱紅外遙感物理意義明確，然而熱紅外數據獲取難度高、數據干擾因素多；至于微波遙感，它具有穿透性強、全天候全天時、受天氣的影響小的優點，但同時它的空間分辨率低，并且受植被及土壤粗糙度影響較大。

因此，近年來有越來越多的研究者致力于融合多源遙感數據以綜合它們的優缺點。相比于經驗及半經驗模型，物理意義明確的理論模型運用相對更為廣泛，但同時理論模型往往包含的參數過多，在實際應用中為了計算的簡潔性常常忽略許多參數。機器學習方法具有較強的非線性表述能力、適合解決各類非線性問題，并且不用考慮簡化模型而忽略參數，通過引入各類參數從而實現多源遙感數據的融合，但傳統機器學習方法在處理高維數據時常常會發生過擬合、欠擬合現象。集成學習通過將多個“弱學習器”組合成“強學習器”，相比傳統學習類方法具有更強的泛化性、靈活性和穩定性。通過將學習類方法與傳統反演方法相結合，能進一步提升土壤含水量反演結果的準確性和可解釋性。

發明內容

本發明的目的在于克服現有技術的不足，提供一種多模型集成學習的土壤含水量反演方法，在多源遙感數據的融合下，通過機器學習的方式快速、精準反演出土壤含水量。

為實現上述發明目的，本發明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；