【技术实现步骤摘要】
本专利技术涉及神经网络，具体涉及基于多源多时相遥感数据的水利灌溉智能监测方法。
技术介绍
1、随着农业技术与自动化技术的不断发展，对于水利灌溉的智能化发展火热，为了实现智能化灌溉，一般在灌溉过程中需要对灌溉区域进行监测。水利灌溉的监测主要针对灌溉区域土壤含水量的监测，用以反应灌溉效果，然后对灌溉及时控制与调整。由于水利灌溉涉及范围大，区域广，为了准确对土壤含水量进行监测，常常采用多源多时相遥感数据进行智能灌溉及监测，即需要利用多源遥感数据进行土壤含水量的监测。
2、对于土壤含水量的监测，现有技术大多都是根据植被状态或者植被与土壤的光谱信息而获得，但是一般单一的数据在计算土壤含水量时有很大的局限性，所以需要利用多源遥感数据综合判断土壤含水量，即利用多个土壤含水量指数赋予不同权重获得综合土壤含水量。但是多个土壤含水量指数权重难以直接确定，所以本专利技术利用神经网络训练确定多个指数与土壤含水量之间的权重关系，从而有效利用多个土壤含水量指数获得综合土壤含水量。
技术实现思路
1、本专利技术提供基于多源多时相遥感数据的水利灌溉智能监测方法，以解决现有的问题。
2、本专利技术的基于多源多时相遥感数据的水利灌溉智能监测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于多源多时相遥感数据的水利灌溉智能监测方法，该方法包括以下步骤：
4、根据植被光谱数据、土壤光谱数据以及植被热红外数据获得的第一土壤含水量、第二土壤含水量以及第三土壤含水量作为样
5、根据环境光照和植物生长最佳光照之间的差异记为光照因子；
6、根据环境温度和植物生长最佳温度之间的差异记为温度因子；
7、根据植物生长最佳光照、植物生长最佳温度、光照因子以及温度因子获得光照影响特征和温度影响特征；
8、根据第一土壤含水量与土壤含水量估计值之间的差异记为第一含水量差异，第二土壤含水量与土壤含水量估计值之间的差异记为第二含水量差异，第三土壤含水量与土壤含水量估计值之间的差异记为第三含水量差异，实际土壤含水量与含水量估计值之间的差异记为第四含水量差异；
9、根据第一含水量差异、植被覆盖率、光照影响特征以及温度影响特征获取第一相对误差；
10、根据植被覆盖率和第二含水量差异获得第二相对误差；
11、根据温度因子、植被覆盖率以及第三含水量差异获得第三相对误差；
12、根据实际土壤含水量与第一土壤含水量、第二土壤含水量以及第三土壤含水量之间的差异分别获得第一差异、第二差异以及第三差异，并根据第一差异、第二差异以及第三差异分别与第一差异、第二差异以及第三差异之和的比例关系获得第一权重、第二权重以及第三权重；
13、利用第一权重、第二权重以及第三权重对第一相对误差、第二相对误差以及第三相对误差进行权重融合，并根据权重融合后的值与第四含水量差异获得当前神经网络的损失函数；
14、根据数据集并利用损失函数训练神经网络，使用训练完成后的神经网络实现土壤含水量的监测。
15、进一步的，所述根据植被光谱数据、土壤光谱数据以及植被热红外数据获得的第一土壤含水量、第二土壤含水量以及第三土壤含水量，包括的具体步骤如下：
16、根据植被光谱数据并利用距平植被指数(avi)与植被状态指数(vci)获取第一土壤含水量；
17、根据土壤光谱数据并利用基于nir-red的特征空间获得第二土壤含水量；
18、根据植被热红外数据并利用基于能量平衡和表观热惯量获得第三土壤含水量。
19、进一步的，所述根据植物生长最佳光照、植物生长最佳温度、光照因子以及温度因子获得光照影响特征和温度影响特征，包括的具体步骤如下：
20、根据光照因子与植物生长最佳光照之间的比例关系记为光照异常幅度，根据温度因子与植物生长最佳温度之间的比例关系记为温度异常幅度；
21、根据光照异常幅度和温度异常幅度之间的加和记为异常幅度因子；
22、根据光照异常幅度与异常幅度因子之间的比例关系与光照因子之间的乘积获得光照影响特征；
23、根据温度异常幅度与异常幅度因子之间的比例关系与温度因子之间的乘积获得温度影响特征。
24、进一步的，所述根据第一含水量差异、植被覆盖率、光照影响特征以及温度影响特征获取第一相对误差，包括的具体步骤如下：
25、根据光照影响特征与温度影响特征之间的加和记为综合影响特征；
26、根据1减去植被覆盖率获得非植被覆盖率；
27、根据第一含水量差异、非植被覆盖率与综合影响特征之间的累积结果，获得第一相对误差。
28、进一步的，所述根据植被覆盖率和第二含水量差异获得第二相对误差，包括的具体步骤如下：
29、根据植被覆盖率与第二含水量差异之间的乘积获得第二相对误差。
30、进一步的，所述根据温度因子、植被覆盖率以及第三含水量差异获得第三相对误差，包括的具体步骤如下：
31、根据非植被覆盖率、温度因子以及第三含水量差的累积结果获取第三相对误差。
32、进一步的，所述损失函数，获取的具体方法如下：
33、利用最大最小归一化方法将第一相对误差、第二相对误差、第三相对误差进行归一化处理，获得归一化第一相对误差、归一化第二相对误差以及归一化第三相对误差；
34、利用第一权重、第二权重以及第三权重将归一化第一相对误差、归一化第二相对误差以及归一化第三相对误差进行权重融合，记为融合参数；
35、对融合参数与第四含水量差异的乘积结果进行累加求平均获得损失函数。
36、进一步的，所述神经网络，具体的网络结构为：
37、所训练和使用的神经网络的网络结构为bp神经网络。
38、本专利技术的技术方案的有益效果是：
39、(1)利用多源遥感数据综合判断土壤含水量，避免了单一数据对某些信息的丢失，以及避免单一数据受其他因素的影响，从而提高数据的准确性，以获得更加准确可靠的土壤含水量；
40、(2)利用神经网络确定权重关系，避免人为经验设置权重的不稳定性，尽可能获得更加准确和稳定的权重关系，提高综合土壤含水量的准确性。
41、(3)在构建损失函数时，考虑不同数据集的相对误差对最终损失函数的影响，避免质量不佳的数据集对损失函数的影响，提高损失函数对高质量数据集的响应，从而提高所获得神经网络结构的稳定性。
本文档来自技高网...【技术保护点】
1.基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述第一土壤含水量、第二土壤含水量以及第三土壤含水量获取方法如下：
3.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述根据植物生长最佳光照、植物生长最佳温度、光照因子以及温度因子获得光照影响特征和温度影响特征，包括的具体步骤如下：
4.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述根据第一含水量差异、植被覆盖率、光照影响特征以及温度影响特征获取第一相对误差，包括的具体步骤如下：
5.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述根据植被覆盖率和第二含水量差异获得第二相对误差，包括的具体步骤如下：
6.根据权利要求4所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述根据温度因子、植被覆盖率以及第三含水量差异获得第三相对误差，包括的具体步骤如下：<...
【技术特征摘要】
1.基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述第一土壤含水量、第二土壤含水量以及第三土壤含水量获取方法如下：
3.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述根据植物生长最佳光照、植物生长最佳温度、光照因子以及温度因子获得光照影响特征和温度影响特征，包括的具体步骤如下：
4.根据权利要求1所述基于多源多时相遥感数据的水利灌溉智能监测方法，其特征在于，所述根据第一含水量差异、植被覆盖率、光照影响特征以及温度影响特征获取第一相对误差，...
【专利技术属性】
技术研发人员：马素英，李新旺，时启军，魏飒，张爽，张玮，付银环，刘长燕，白振江，
申请(专利权)人：河北省水利科学研究院河北省大坝安全技术中心，河北省堤防水闸技术中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。