基于深度学习模型的农田土壤水分反演方法和系统

本发明涉及土壤水分反演，具体涉及基于深度学习模型的农田土壤水分反演方法和系统。

背景技术：

1、在现代遥感技术领域，深度学习，特别是卷积神经网络(convolutional neuralnetworks，cnn)的应用，已经成为土壤水分监测和反演研究的一个重要进展。这一技术的引入主要受到两方面因素的推动，一方面，土壤水分作为影响农业生产的关键环境因素，在农业水资源管理、作物产量估算和干旱监测等方面扮演着至关重要的角色；另一方面，遥感技术尤其是如sar等微波遥感技术，提供了全天候、大范围覆盖的监测能力，这对于大面积、实时的土壤水分监测至关重要。

2、虽然传统的站点监测方法可以提供精确的土壤水分信息，但其高成本和地域覆盖的局限性使得它难以应用于大规模监测。相比之下，遥感技术能够覆盖广阔区域，且成本更低，因此成为了土壤水分监测的主要手段。然而，在植被覆盖区域，传统遥感方法面临着植被干扰的挑战，这使得土壤水分的准确反演变得更加困难。为了克服这一挑战，研究者采用了极化分解等技术来降低植被的干扰，提高反演的准确性。

3、近年来，cnn因其强大的特征提取能力和优异的数据处理性能被广泛应用于土壤水分反演的研究中，这种方法通过分析和理解大量的遥感数据挖掘出更深层次的数据特征，从而实现更为精准的土壤水分预测。然而，cnn模型的性能很大程度上依赖于其超参数的设置，不合适的超参数配置可能会导致网络训练困难，如梯度消失或训练速度慢等问题。因此，如何优化这些超参数，以提高网络性能和训练效率，进而保证冬小麦农田土壤水分反演结果的准确度更高，成为深度学习研究的一个关键问题。

技术实现思路

1、为了解决现有的利用cnn对冬小麦农田土壤水分进行反演的过程中超参数设置的不合适，影响冬小麦农田土壤水分反演结果的准确度的问题，本发明的目的在于提供基于深度学习模型的农田土壤水分反演方法和系统，所采用的技术方案具体如下：

2、第一方面，本发明提供了一种基于深度学习模型的农田土壤水分反演方法，该方法包括以下步骤：

3、获取应用全极化sar的冬小麦农田土壤的slc影像以及后向散射特征；

4、结合所述slc影像的不同波段信息计算植被指数；应用极化分解技术对所述后向散射系数进行校正，得到地表的散射分量；

5、采用不同的极化分解方式对所述地表的散射分量进行分解提取极化特征参数；基于冬小麦农田土壤的水分与特征参数之间的相关性确定输入变量，所述特征参数包括植被指数和极化特征参数；

6、利用rime算法对cnn模型的超参数进行优化，并应用svr模型构建rime-cnn-svr模型，将训练集的输入变量输入到rime-cnn-svr模型中进行训练，获得训练好的rime-cnn-svr模型；

7、利用训练好的rime-cnn-svr模型对冬小麦农田土壤水分进行估计。

8、优选的，所述获取应用全极化sar的冬小麦农田土壤的slc影像以及后向散射特征，包括：

9、对轨道进行校正，对所述slc影像进行辐射定标，利用极化相干矩阵从不同极化通道的数据中提取地表特征；

10、利用refined lee滤波器对影像进行平滑处理，对地形进行校正，获得后向散射特征。

11、优选的，所述结合所述slc影像的不同波段信息计算植被指数；应用极化分解技术对所述后向散射系数进行校正，得到地表的散射分量，包括：

12、对光学遥感图像进行重采样以及图像配准，采用如下公式计算植被指数：

13、

14、

15、

16、

17、式中，ndvi表示归一化差异植被指数，msi表示水分胁迫指数，fvi表示融合植被指数，ndwi表示归一化差异水分指数，ρnir表示近红外波段，ρred表示红色波段，ρswir表示短波红外线；

18、应用极化分解技术对sar数据中目标的相干矩阵进行分解获得地表的散射分量。

19、优选的，所述极化分解方式包括：h/a/α分解、freeman-durden分解、yamaguchi分解、六分量分解和七分量分解。

20、优选的，所述基于冬小麦农田土壤的水分与所述极化特征参数之间的相关性确定输入变量，包括：

21、采用互信息法从特征参数中筛选输入变量。

22、优选的，所述利用rime算法对cnn模型的超参数进行优化，并应用svr模型构建rime-cnn-svr模型，包括：

23、利用rime算法优化卷积层中卷积核的数量、卷积核尺寸、批量大小、初始学习速率和l2正则化参数；

24、其中，rime算法包括初始化阶段、软霜搜索策略、硬霜穿刺机制、正向贪婪选择机制；rime算法的终止条件为：当达到预设迭代次数或超参数变化低于特定阈值时，算法停止。

25、优选的，rime-cnn-svr模型的训练，包括：

26、采用cnn提取数据中的关键特征，将提取的关键特征输入到svr模型中进行训练，获得训练好的rime-cnn-svr模型。

27、第二方面，本发明提供了一种基于深度学习模型的农田土壤水分反演系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于深度学习模型的农田土壤水分反演方法。

28、本发明至少具有如下有益效果：

29、本发明采用极化分解技术来校正冬小麦植被对雷达后向散射系数的影响，并移除植被的体散射成分，接着，运用了多种分解算法来提取相关的极化特征参数，从而扩展了极化sar的特征空间。此外，为了剔除多余的特征并提升模型效能，对特征进行了选择，确保了选取的特征参数与土壤水分的相关性更加紧密。最终，利用卷积神经网络模型来进行深入的特征提取，并结合支持向量svr构建了rime-cnn-svr模型，用于精准估计冬小麦农田土壤水分含量，提高了冬小麦农田土壤水分反演结果的准确度。本发明不仅显著提高了冬小麦农田土壤水分反演的鲁棒性和自动化程度，而且为使用星载sar图像进行土壤水分反演提供了全新的视角和技术手段，这种进步在提升农业管理的智能化水平的同时，还对保障粮食安全和促进生态环境保护产生了深刻的意义。

技术特征：

1.一种基于深度学习模型的农田土壤水分反演方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于深度学习模型的农田土壤水分反演方法，其特征在于，所述获取应用全极化sar的冬小麦农田土壤的slc影像以及后向散射特征，包括：

3.根据权利要求1所述的基于深度学习模型的农田土壤水分反演方法，其特征在于，所述结合所述slc影像的不同波段信息计算植被指数；应用极化分解技术对所述后向散射系数进行校正，得到地表的散射分量，包括：

4.根据权利要求1所述的基于深度学习模型的农田土壤水分反演方法，其特征在于，所述极化分解方式包括：h/a/α分解、freeman-durden分解、yamaguchi分解、六分量分解和七分量分解。

5.根据权利要求1所述的基于深度学习模型的农田土壤水分反演方法，其特征在于，所述基于冬小麦农田土壤的水分与特征参数之间的相关性确定输入变量，包括：

6.根据权利要求1所述的基于深度学习模型的农田土壤水分反演方法，其特征在于，所述利用rime算法对cnn模型的超参数进行优化，并应用svr模型构建rime-cnn-svr模型，包括：

7.根据权利要求1所述的基于深度学习模型的农田土壤水分反演方法，其特征在于，rime-cnn-svr模型的训练，包括：

8.一种基于深度学习模型的农田土壤水分反演系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-7任一项所述的基于深度学习模型的农田土壤水分反演方法。

技术总结
本发明涉及土壤水分反演技术领域，具体涉及基于深度学习模型的农田土壤水分反演方法和系统。方法包括：获取应用全极化SAR的冬小麦农田土壤的SLC影像以及后向散射特征；结合SLC影像的不同波段信息计算植被指数；应用极化分解技术对后向散射系数进行校正，得到地表的散射分量；采用不同的极化分解方式对所述地表的散射分量进行分解提取极化特征参数；基于冬小麦农田土壤的水分与所述极化特征参数之间的相关性确定输入变量；利用RIME算法对CNN模型的超参数进行优化构建RIME‑CNN‑SVR模型，并对其进行训练，利用训练好的模型对冬小麦农田土壤水分进行估计。

技术研发人员：李宁,王然,赵建辉,毋琳,黄亚博,杨会巾
受保护的技术使用者：河南大学
技术研发日：
技术公布日：2024/8/13