针对遥感指数反演土壤湿度(soil moisture,SM)精度易受数据类型、植被覆盖等因素影响,以及不同场景下湿度模型迁移应用问题,提出了一种基于移动窗口特征的卷积神经网络(convolutional neural network based on window features,CNN_W)...针对遥感指数反演土壤湿度(soil moisture,SM)精度易受数据类型、植被覆盖等因素影响,以及不同场景下湿度模型迁移应用问题,提出了一种基于移动窗口特征的卷积神经网络(convolutional neural network based on window features,CNN_W)土壤湿度反演方法。该方法考虑临近地物反射辐射影响,将输入特征进行尺度化处理,利用一维卷积核强大的非线性拟合能力对SM进行提取,提高了SM反演精度。进一步通过参数微调的方式将上述模型应用至那曲县SM反演,解决少样本情况下样本训练困难的问题。实验结果表明:CNN_W能实现复杂农业地SM精确反演(R、RMSE、MAE、MAPE分别为0.832、0.038 cm 3/cm 3、0.028 cm 3/cm 3、9.813%),较卷积神经网络方法精度有提升;常用遥感干旱指数在该地区不适用;迁移学习方法在少样本情况下实现了模型异地应用(R、RMSE分别为0.824、0.045 cm 3/cm 3),具有良好应用前景。展开更多
文摘针对遥感指数反演土壤湿度(soil moisture,SM)精度易受数据类型、植被覆盖等因素影响,以及不同场景下湿度模型迁移应用问题,提出了一种基于移动窗口特征的卷积神经网络(convolutional neural network based on window features,CNN_W)土壤湿度反演方法。该方法考虑临近地物反射辐射影响,将输入特征进行尺度化处理,利用一维卷积核强大的非线性拟合能力对SM进行提取,提高了SM反演精度。进一步通过参数微调的方式将上述模型应用至那曲县SM反演,解决少样本情况下样本训练困难的问题。实验结果表明:CNN_W能实现复杂农业地SM精确反演(R、RMSE、MAE、MAPE分别为0.832、0.038 cm 3/cm 3、0.028 cm 3/cm 3、9.813%),较卷积神经网络方法精度有提升;常用遥感干旱指数在该地区不适用;迁移学习方法在少样本情况下实现了模型异地应用(R、RMSE分别为0.824、0.045 cm 3/cm 3),具有良好应用前景。
