【技术实现步骤摘要】
本专利技术涉及遥感反演土壤水数据,具体地说是一种地理气候因子作用的多源卫星土壤水机器学习融合方法。
技术介绍
1、传统土壤水监测方法多是基于站点原位观测的人工烘干法、时域反射仪法、伽马仪法等,数据质量受采样频次和站点布设代表性的影响较大,极难表征全流域范围的土壤湿度信息,因而不适用于大范围土壤水的长序列连续动态监测。相比之下,卫星遥感技术在估计土壤水方面显示出巨大的优势,为获取大尺度、高时空分辨率的土壤水数据提供了有力的工具。
2、目前可获取的多源卫星遥感反演土壤水数据集主要分为两大类,卫星反演土壤水数据集和再分析数据集,其中存在着传感器存在多极化、多频率和多角度等不同的观测方式,导致对土壤水分的敏感程度不同,受到的干扰因素也不尽相同,同时另一类受反演算法和转换模型参数误差的影响较大,这使得不同土壤水数据集存在各自的优缺点,单一产品往往难以满足在大尺度上的精度要求,因此融合多源卫星土壤水数据集的优势,控制并降低数据的不确定性,是目前提高土壤水分遥感数据质量的重要途径。
3、但现有的多源土壤水数据集融合方法存在着难以适应实际中土壤水复杂多变的时空特征,亦无法有效反映不同数据集“时好时坏”的现象或者准确描述复杂结构方面稍显不足,均局限于较小区域尺度上,导致融合模型的泛化能力不足等问题。
4、因此基于以上原因,需要设计一种地理气候因子作用的多源卫星土壤水机器学习融合方法,通过在更复杂下垫面、气候环境条件影响下的大范围区域内,设计了适用性更强的多源土壤水数据集融合方法,同时考虑到多源地理气候环境因子数
技术实现思路
1、本专利技术的目的是克服现有技术的不足,提供了一种地理气候因子作用的多源卫星土壤水机器学习融合方法,通过在更复杂下垫面、气候环境条件影响下的大范围区域内,设计了适用性更强的多源土壤水数据集融合方法,同时考虑到多源地理气候环境因子数据在描述土壤含水量的动态变化重要参考作用,实现了多源遥感/再分析土壤水数据集与地理气候环境因子的有效融合、提高土壤水数据集精度是本专利技术拟解决的关键技术问题。
2、为了达到上述目的,本专利技术提供一种地理气候因子作用的多源卫星土壤水机器学习融合方法,包括以下步骤:
3、s1,关键驱动因子筛选:
4、收集土壤墒情站监测数据、卫星遥感反演土壤水数据集、地理环境要素数据集并加以整合,用以统计分析实测土壤含水量与不同气象因子、植被因子、土壤因子及地形地貌因子之间的相关关系；
5、s1-1,在空间上分析站点实测土壤含水量与地理因子的相关性,通过逐站点统计分析实测土壤含水量与气象、植被因子的时序相关性,采用偏相关分析代替普通的相关性分析；
6、s1-2,利用pearson偏相关分析计算ndvi与土壤含水量的偏相关系数r:
7、
8、rns,rnt,rst分别表示ndvi与土壤含水量,ndvi与温度,土壤含水量与温度之间的简单相关系数；
9、s1-3,对两变量是否存在显著的偏相关关系进行检验判断,需按以下公式计算检验统计量t:
10、
11、r为偏相关系数,n为样本量,q为偏相关阶数；
12、按自由度v＝n-q-2和统计量t,查询t界值表,获得相应p值,即可判断是否通过假设检验；与实测土壤水呈显著性偏相关的环境因子,即为筛选的关键环境因子,将其与多源土壤水数据集构建样本对、联合驱动机器学习模型；
13、s2,时空双维样本对构建:从时序和空间上两个维度对有观测站点资料的栅格点进行样本对的构建；
14、s2-1,选取任一实测站点s1临近的九宫格栅格点,获取所有栅格点在t1时刻的遥感土壤水、气象和地理数据；
15、s2-2,利用双线性插值方法,计算距离s1站点最近栅格点的遥感土壤水、气象和地理要素平均值,分别记为sms1,t1、hs1,t1和gs1,t1,三者作为输入,同时以该站点的观测值os1,t1作为输出,即构成了一组样本对；
16、对于观测站点s1(x0,y0),临近栅格点加权到该观测站点的权重按下式确定:
17、
18、λi表示栅格点i的权重,di表示栅格点i的中心点(xi,yi)到观测站点(x0,y0)的距离,n为临近栅格点个数；
19、临近栅格点插值到地面观测站点s1(x0,y0)后的土壤含水量由下式得到:
20、
21、sms1,t1为t1时刻由双线性插值得到的土壤含水量(m3/m3),zt1(xi,yi)表示t1时刻临近栅格点土壤含水量(m3/m3)；
22、s2-3,分别从时序t1～tn上和空间s1～sm上重复上一步骤,可得到m×n个样本对,即为训练模型最终需要的输入和输出数据；
23、s3,建模影响要素确定:选取bp神经网络、支持向量机和随机森林机器学习算法作为模型,在建立机器学习模型时,按7:3将数据集样本随机划分为训练集和验证集,利用bp神经网络、支持向量机和随机森林进行建模500～1000次,分别试验不同流域分区包括全流域与各子流域、雨季6-9月、非雨季10-5月及不同干湿条件下,即按多年平均降雨量划分:>800mm湿润区,400-800mm半湿润区,200-400mm半干旱区,<200mm干旱区的建模效果；
24、s4,样本分层与随机抽样:采用k折交叉验证法,将所有数据参与到模型的训练和测试中,可有效避免过拟合和欠拟合状态的发生:
25、s4-1,随机将原始数据集划分为k个大小相同的互斥子集；
26、s4-2,选择其中1个子集作为测试集,剩下的k-1个子集作为训练集训练模型,在测试集上计算该模型的评估指标；
27、s4-3,重复上一步k次,确保每个子集都被挑到作为测试集；
28、s4-4,训练得到了k个机器学习模型,计算k组评估指标即测试误差的均值,作为当前参数下模型精度的估计,并以此反映模型的平均性能；
29、s5,融合框架遴选与融合土壤水数据集生成:
30、s5-1,对不同情境下的不同机器学习融合模型的建模效果进行综合对比分析:
31、情景包括:
32、a.只考虑地理气候环境因子；
33、b.只考虑多源土壤水数据集；
34、c.同时考虑多源土壤水数据集和地理气候环境因子,评估融合地理气候环境因子对几种机器学习模型建模效果产生的增量；
35、s5-2,分别以a\b\c三种情景下的数据集构建相应样本对,按前述分层10折交叉验证方法抽样、划分训练集和验证集,进而分别对不同机器学习模型进行训练和验证；
36、s5-3,分别计算10个子模型的可决系数r2,并检验不同机器学习模型本文档来自技高网...
【技术保护点】
1.一种地理气候因子作用的多源卫星土壤水机器学习融合方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的地理气候因子作用的多源卫星土壤水机器学习融合方法,其特征在于,所述气象因子包括降水、气温、风速、湿度；所述植被因子包括NDVI、LAI和LUCC；所述土壤因子包括田间持水量、土壤容重；所述地形地貌因子包括高程、坡向、坡度。
【技术特征摘要】
1.一种地理气候因子作用的多源卫星土壤水机器学习融合方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的地理气候因子作用的多源卫星土壤水机器学习融合方法,...
【专利技术属性】
技术研发人员：杨艳青，赵伟，刘皓雯，杨羽佳，胥梦娇，丁涛，周天豪，
申请(专利权)人：中国科学院，水利部成都山地灾害与环境研究所，
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。