基于多模态特征融合的GNSS-R土壤湿度反演方法及系统技术方案

本发明专利技术公开了基于多模态特征融合的GNSS‑R土壤湿度反演方法及系统，涉及遥感图像处理及土壤湿度反演领域，方法步骤包括：采集待反演的原始数据并进行预处理，得到处理后数据；基于所述处理后数据，得到模型输入特征；构建多模态跨分支融合网络模型；训练所述多模态跨分支融合网络模型，得到最终模型；利用所述最终模型，完成对土壤湿度的反演。本发明专利技术的多模态跨分支融合网络通过1D‑CNN、Transformer和BP模块处理多模态数据，利用交叉融合和叠加融合模块整合特征，有效提升土壤湿度反演的精度和效率。同时，通过1D‑CNN深入挖掘时延波形特征，并结合地表特征增强模型鲁棒性。

【技术实现步骤摘要】

本专利技术涉及遥感图像处理及土壤湿度反演领域，具体涉及基于多模态特征融合的gnss-r土壤湿度反演方法及系统。

技术介绍

1、现有星载gnss-r土壤湿度反演方法主要分为两类：传统统计回归方法和基于机器学习的土壤湿度反演方法。传统统计回归方法原理简单、易于实现，但该类方法所考虑因素较少，反演模型简单，反演精度相对较低；基于机器学习的土壤湿度反演方法，采用观测数据与标签进行端到端的学习方式，学习能力强且鲁棒性较好。但目前机器学习反演算法输入数据通常为ddm图像及辅助特征，忽略了gnss-r的另一种重要观测数据：时延波形。时延波形是散射功率随时间延迟的函数，也是ddm图像的一维表示形式，时延波形对于分析地面目标的散射特性具有重要意义。通过观察时延波形，可以得到前沿斜率、后沿斜率、反射信号时延和功率的分布情况等显性特征，但人为提取有遗漏部分信息的缺点，利用深度学习可以充分挖掘时延波形的深层次隐藏特征。

2、对于ddm图像，目前大多学者仍然采用cnn模型来提取其特征，cnn在对ddm图像进行卷积运算时，对局部特征有较强的依赖，无法捕获图像的全局信息，其本文档来自技高网...

【技术保护点】

1.基于多模态特征融合的GNSS-R土壤湿度反演方法，其特征在于，步骤包括：

2.根据权利要求1所述的基于多模态特征融合的GNSS-R土壤湿度反演方法，其特征在于，对反射率进行修正的方法包括：利用参数化水云模型校正地表反射率：

3.根据权利要求2所述的基于多模态特征融合的GNSS-R土壤湿度反演方法，其特征在于，利用SMAP数据中的地表粗糙度系数针对反射率进行进一步的修正：

4.根据权利要求1所述的基于多模态特征融合的GNSS-R土壤湿度反演方法，其特征在于，DDM图像包括：原始计数DDM图像、模拟功率DDM图像、双基雷达散射截面DDM图像以及有效散射...

【技术特征摘要】

1.基于多模态特征融合的gnss-r土壤湿度反演方法，其特征在于，步骤包括：

2.根据权利要求1所述的基于多模态特征融合的gnss-r土壤湿度反演方法，其特征在于，对反射率进行修正的方法包括：利用参数化水云模型校正地表反射率：

3.根据权利要求2所述的基于多模态特征融合的gnss-r土壤湿度反演方法，其特征在于，利用smap数据中的地表粗糙度系数针对反射率进行进一步的修正：

4.根据权利要求1所述的基于多模态特征融合的gnss-r土壤湿度反演方法，其特征在于，ddm图像包括：原始计数ddm图像、模拟功率ddm图像、双基雷达散射截面ddm图像以及有效散射面积ddm图像；

5.根据权利要求1所述的基于多模态特征融合的gnss-r土壤湿度反演方法，其特征在于，所述1d-cnn模块由卷积层、池化层、归一化层三部分组成；所述1d-cnn模块用于处理一维数据，提取时延波形中的潜在信息，具体工作流程包括：将三种时延波形首尾连接输入到1d-cnn中，然后，对输入数据进行归一化处理并传递到卷积层；卷积层对输入数据执行卷积运算生...

【专利技术属性】
技术研发人员：宋冬梅，王阳，王斌，戴嵩，丁琴，王显俊，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：