一种土壤湿度反演方法、设备、介质及产品技术

本申请公开了一种土壤湿度反演方法、设备、介质及产品，涉及土壤湿度测量和数据处理技术领域，该方法包括获取目标区域的DDM图像和辅助数据；辅助数据包括目标区域的CYGNSS反射率、归一化植被指数、坡度、地表粗糙度、植被含水量、土地覆盖类别和降水量；将DDM图像输入至VIT模型进行特征提取，得到DDM图像特征；VIT模型为由依次连接的图像分块层、向量映射层和编码层组成的预训练模型；将DDM图像特征和辅助数据共同输入至神经网络模型中，得到土壤湿度结果；神经网络模型为由四层全连接层和一个回归神经元组成且经过训练后得到的最优模型。本申请可以提升土壤湿度反演的准确性。

【技术实现步骤摘要】

本申请涉及土壤湿度测量和数据处理，特别是涉及一种土壤湿度反演方法、设备、介质及产品。

技术介绍

1、目前，星载土壤湿度反演算法的研究可分为经验模型和机器学习两个方面。其中，传统经验模型的算法比较简单，在cygnss（cyclone global navigation satellitesystem，旋风卫星导航系统）观测值和土壤湿度数据间呈现出清晰的关系。但误差源众多，土壤湿度反演过程往往具有更高的复杂性，cygnss观测数据与土壤湿度及其它地表参数之间存在非线性关系。机器学习算法是用于从数据中自动学习和做出预测或决策的一种计算方法。与传统的显式编程不同，机器学习算法通过分析大量数据和识别其中的模式来构建模型，从而在新数据上进行预测。常见的机器学习算法包括随机森林、xgboost（extremegradient boosting，分布式梯度增强库）、卷积神经网络等。机器学习算法通过输入训练数据和对应的标签调整模型参数，能够对新数据进行更准确的预测。但是，大多数的星载土壤湿度反演只利用ddm（delay-doppler map，时延多普勒图）峰值功率提取反射本文档来自技高网...

【技术保护点】

1.一种土壤湿度反演方法，其特征在于，所述土壤湿度反演方法包括：

2.根据权利要求1所述的土壤湿度反演方法，其特征在于，获取目标区域的DDM图像和辅助数据，具体包括：

3.根据权利要求1所述的土壤湿度反演方法，其特征在于，将所述DDM图像输入至VIT模型进行特征提取，得到DDM图像特征，具体包括：

4.根据权利要求3所述的土壤湿度反演方法，其特征在于，对各个所述DDM图像块分别进行向量映射处理，得到每一所述DDM图像块对应的图像块向量和位置信息，具体包括：

5.根据权利要求1所述的土壤湿度反演方法，其特征在于，将所述DDM图像特征和所述辅助...

【技术特征摘要】

1.一种土壤湿度反演方法，其特征在于，所述土壤湿度反演方法包括：

2.根据权利要求1所述的土壤湿度反演方法，其特征在于，获取目标区域的ddm图像和辅助数据，具体包括：

3.根据权利要求1所述的土壤湿度反演方法，其特征在于，将所述ddm图像输入至vit模型进行特征提取，得到ddm图像特征，具体包括：

4.根据权利要求3所述的土壤湿度反演方法，其特征在于，对各个所述ddm图像块分别进行向量映射处理，得到每一所述ddm图像块对应的图像块向量和位置信息，具体包括：

5.根据权利要求1所述的土壤湿度反演方法，其特征在于，将所述ddm图像特征和所述辅助数据共同输入至神经网络模型中，得到所述目标区域的土壤湿度结果，具体包括：

6.根据权利要求1所述的土壤湿度反演方法，其特征在于，在获取...

【专利技术属性】
技术研发人员：杨磊，李祥乐，李维新，王东，辛东金，胡智勐，
申请(专利权)人：济南大学，
类型：发明
国别省市：