一种基于气象与重力卫星等数据反演土壤水含量的方法技术

本发明专利技术提供一种基于气象与重力卫星等数据反演土壤水含量的方法，包括以下步骤：S1、数据准备；S2、小波变换；S3、数据归一化处理；S4、模型数据集划分；S5、长短期记忆网络模型超级参数确定；S6、长短期记忆网络模型架构搭建；S7、最优长短期记忆网络模型确定；S8、模型测试与评估。本发明专利技术提供的一种基于气象与重力卫星等数据反演土壤水含量的方法，本发明专利技术提出的土壤含水量反演方法不需要通过野外样品采集测试或者布设大量监测站点就可以获取大范围土壤水的时空变化特征；本发明专利技术提出的土壤含水量反演方法将重力卫星数据的陆地水文应用从地下水反演、灾害监测等方向拓展至土壤水反演分析，进一步释放了重力卫星数据在水循环流域的研究潜力。研究潜力。研究潜力。

【技术实现步骤摘要】
一种基于气象与重力卫星等数据反演土壤水含量的方法


[0001]本专利技术涉及气象与重力卫星领域，尤其涉及一种基于气象与重力卫星等数据反演土壤水含量的方法。

技术介绍

[0002]土壤水是连接大气水、地表水和地下水相互作用的重要环节，是陆地水循环过程中的枢纽，同时也是农作物与植被水分的主要来源，其含量变化对于区域气候、水资源、生态系统都有重要影响，由于土壤水的补给以及排泄都随时空差异而处于动态变化过程中，所以在生产实践过程中如何快速且精准获取土壤水含量的时空分布信息及其演变规律尤为重要，传统获取土壤水含量的方法主要有两种，一种为通过测量烘干前后土壤样品的质量变化，获取土壤含水量；另一种为利用电磁波等信号在水和土壤颗粒之间介电参数的差异，估算土壤水含量，第一种方法工作量大，费时费力，且由于钻取土壤样品时，会对周围土壤结构产生破坏，因此会影响后续采样观测，第二种方法，设备采购以及后期维护成本较高，不论是第一种还是第二种方法，它们都只能对固定点的土壤水含量进行计算，无法满足大范围长序列土壤水监测的需求。
[0003]GRACE和GRACE
‑
FO重力卫星通过测量地球时变重力场信号，进而获得全球陆地水储量变化，具有数据获取效率高、观测重复及尺度统一、覆盖范围广泛、分布均匀、不受地形地貌及气象条件约束等优点，值得注意的是，通过重力卫星获取的水储量变化反映的是多种水分因子综合变化的结果，目前相关研究主要集中在利用重力卫星反演地下水变化以及洪灾评估等，利用重力卫星数据反演土壤水变化的潜力尚未开发。
[0004]因此，有必要提供一种基于气象与重力卫星等数据反演土壤水含量的方法解决上述技术问题。

技术实现思路

[0005]本专利技术提供一种基于气象与重力卫星等数据反演土壤水含量的方法，解决了传统方法费时、费力、费钱的不足，同时还具有反演历史时期全球任意范围土壤水含量以及监测现在和未来土壤水变化的问题。
[0006]为解决上述技术问题，本专利技术提供的一种基于气象与重力卫星等数据反演土壤水含量的方法，包括以下步骤：
[0007]S1、数据准备：本专利技术需要准备的数据包括四类，前三类数据为自变量，最后一类为因变量；
[0008]S2、小波变换：首先对步骤S1中的GRACE和GRACE
‑
FO重力卫星数据进行连续小波变化，以建构一个具有良好时域和频域局部化的时频信息，基本小波选择morlet小波，也可以根据最终土壤湿度反演结果调整基本小波类型，小波变换的尺度至少应从1到24，选取高频信号作为模型输入变量。
[0009][0010]S3、数据归一化处理：将步骤S2中气象、植被、土壤水以及重力卫星数据的时频信息进行归一化处理，以提高模型构建及验证效率，归一化的方法可以是通过序列中最大值与最小值将数据缩放至0到1(公式2)，也可以通过数据的最大绝对值将数据缩放至
‑
1到1，
[0011]X
new ＝ (X
ꢀ–ꢀ
X
min
) / (X
max
ꢀ–ꢀ
X
min
)
ꢀꢀ
公式2
[0012]X
new ＝ X / MAX (|X|)
ꢀꢀ
公式3；
[0013]S4、模型数据集划分：将步骤S3中所有归一化以后的时序数据划分为训练集、验证集以及测试集，划分比例为0.7:0.15:0.15，划分方法可以选择随机划分，也可以按照时间段划分；
[0014]S5、长短期记忆网络模型超级参数确定：利用超级参数自动优化的方法提高反演效率，模型超级参数主要涉及七项，一般而言，参数选取越多或者参数取值越大，土壤水含量反演精度会有所提升，但同时模型对计算机CPU和GPU的配置要求越高；
[0015]S6、长短期记忆网络模型架构搭建：利用贝叶斯最优参数筛选器组合并筛选步骤S5确定的超级参数，构建由不同参数组成的模型架构，输入步骤S4中产生的训练集数据用于训练不同架构的网络模型；
[0016]S7、最优长短期记忆网络模型确定：将步骤S4中产生的验证集数据代入步骤S6产生的不同架构模型中，选取回归损失最小的模型为最优模型，并保存相应的最优模型参数；
[0017]S8、模型测试与评估：将步骤S4中产生的测试集数据代入步骤S7产生的最优长短期记忆网络模型中，获取模型模拟的土壤含水量数据，然后以步骤S1中土壤含水量实测数据等为基准，评估通过模型模拟获得的土壤含水量的表现，评估指标选取均方根误差、相关系数、标准误差。
[0018]优选的，所述S1中第一类为气象数据，包括月降水量和地面2m高度的月平均气温，降水量和气温是国家或者地方气象站必测内容，易于收集，当研究范围内缺少气象站点时，也可以通过国家或者国际气象组织发布的气象网格产品提取降水和气温数据，第二类为植被指数月均质数据，当研究区植被稀疏时可以选择增强型植被指数(EVI)，反之可以选择归一化植被指数(NDVI)，第三类为GRACE和GRACE
‑
FO重力卫星数据，第四类为用于构建模型和验证模型精度的土壤湿度数据，可以为野外实测土壤湿度数据，也可以为水文模型产品数据。
[0019]优选的，所述S2中的Ψ(t)为小波母函数，一个在时间领域和频率领域都有连续性质的函数，a(
‑
∞，+∞)为平移位置，b(0，+∞)为缩放因子。
[0020]优选的，所述S4中一般情况下优先选择随机划分，但考虑到GRACE重力卫星退役后与GRACE
‑
FO重力卫星发射前存在一定时间间隔，因此也可以将GRACE重力卫星服务时期的数据划分为训练集、验证集，而将GRACE
‑
FO卫星服务期的数据划分为测试集。
[0021]优选的，所述S5中主要超级参数及其取值如下：
①
激活函数选取relu、sigmoid、tanh、selu、gelu、leaky_relu(alpha＝0.2)；
②
隐藏层输出单元数取值为32～512，步长为32；
③
数据遍历次数至少取200；
④
防止过拟合的数据舍弃比例取0～0.25；
⑤
损失函数取绝对误差平均值；
⑥
优化算法选择Nadam或者adam，前者更加耗时；
⑦
LSTM层数取1～10。
[0022]优选的，所述S2中进行建模时需要使用建模设备，所述建模设备包括计算机主体，
所述计算机主体的表面设置有安装组件，所述安装组件包括安装架，所述安装架表面的两侧均连接有支撑座。
[0023]优选的，所述安装架的底部设置有延伸组件，所述延伸组件包括两个滑杆，两个所述滑杆表面的两侧均套设有滑套，两个所述滑套的两侧均连接有连接板。
[0024]优选的，两个所述连接板的一侧均连接有延伸板，所述延伸板的表面设置有伸缩组件，所述伸缩组件包括多个伸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于气象与重力卫星等数据反演土壤水含量的方法，其特征在于，包括以下步骤：S1、数据准备：本发明需要准备的数据包括四类，前三类数据为自变量，最后一类为因变量；S2、小波变换：首先对步骤S1中的GRACE和GRACE
‑
FO重力卫星数据进行连续小波变化，以建构一个具有良好时域和频域局部化的时频信息，基本小波选择morlet小波，也可以根据最终土壤湿度反演结果调整基本小波类型，小波变换的尺度至少应从1到24，选取高频信号作为模型输入变量。S3、数据归一化处理：将步骤S2中气象、植被、土壤水以及重力卫星数据的时频信息进行归一化处理，以提高模型构建及验证效率，归一化的方法可以是通过序列中最大值与最小值将数据缩放至0到1(公式2)，也可以通过数据的最大绝对值将数据缩放至
‑
1到1，X
new ＝ (X
ꢀ–ꢀ
X
min
) / (X
max
ꢀ–ꢀ
X
min
)
ꢀꢀ
公式2X
new ＝ X / MAX (|X|)
ꢀꢀ
公式3；S4、模型数据集划分：将步骤S3中所有归一化以后的时序数据划分为训练集、验证集以及测试集，划分比例为0.7:0.15:0.15，划分方法可以选择随机划分，也可以按照时间段划分；S5、长短期记忆网络模型(LSTM)超级参数确定：利用超级参数自动优化的方法提高反演效率，模型超级参数主要涉及七项，一般而言，参数选取越多或者参数取值越大，土壤水含量反演精度会有所提升，但同时模型对计算机CPU和GPU的配置要求越高；S6、长短期记忆网络模型架构搭建：利用贝叶斯最优参数筛选器组合并筛选步骤S5确定的超级参数，构建由不同参数组成的模型架构，输入步骤S4中产生的训练集数据用于训练不同架构的网络模型；S7、最优长短期记忆网络模型确定：将步骤S4中产生的验证集数据代入步骤S6产生的不同架构模型中，选取回归损失最小的模型为最优模型，并保存相应的最优模型参数；S8、模型测试与评估：将步骤S4中产生的测试集数据代入步骤S7产生的最优长短期记忆网络模型中，获取模型模拟的土壤含水量数据，然后以步骤S1中土壤含水量实测数据等为基准，评估通过模型模拟获得的土壤含水量的表现，评估指标选取均方根误差、相关系数、标准误差。2.根据权利要求1所述的基于气象与重力卫星等数据反演土壤水含量的方法，其特征在于，所述S1中第一类为气象数据，包括月降水量和地面2m高度的月平均气温，降水量和气温是国家或者地方气象站必测内容，易于收集，当研究范围内缺少气象站点时，也可以通过国家或者国际气象组织发布的气象网格产品提取降水和气温数据，第二类为植被指数月均质数据，当研究区植被稀疏时可以选择增强型植被指数(EVI)，反之可以选择归一化植被指数(NDVI)，第三类为GRACE和G...

【专利技术属性】
技术研发人员：张燕飞，韩振华，徐晓民，廖梓龙，梁文涛，纪刚，李凯旋，焦瑞，
申请(专利权)人：水利部牧区水利科学研究所，
类型：发明
国别省市：