摘要
机器学习结合多源遥感数据反演土壤水分含量(SMC)是目前SMC研究的热点,因较少考虑温度、蒸散等重要SMC影响因子,反演结果存在一定的不确定性。利用Sentinel-1影像、MODIS产品和SRTM数据,提取雷达后向散射系数等32个SMC影响因子,经相关分析选择27个显著的SMC影响因子(P<0.05)作为反演因子,并设计三组因子组合。这三组因子组合分别与随机森林、支持向量回归、BP神经网络三种机器学习方法结合,发现基于随机森林结合所有因子的方案,其SMC反演精度最高,该组合均方根误差RMSE为0.039 m~3/m~3,将该方案被用于反演2017年生长季锡尔河流域中下游平原区农田SMC。结果...
学科与关键词
关键词
土壤水分含量机器学习锡尔河流域中下游Sentinel-1MODISSRTM soil moisture contentmachine learningmiddle and lower reaches of Syr Darya River BasinSRTM
- 一种改进的土壤水分微波遥感反演模型张显峰; 赵杰鹏; 刘羽地理科学进展, 2013, (01): 78-86.
- 基于CLDAS数据和机器算法模型的大清河流域地表土壤湿度降尺度研究吴颖菊; 朱奎; 鲁帆; 岳小雨水利水电技术, 2019, (10): 18-24.
- Soil Moisture Retrieval From Sentinel-1 and Sentinel-2 Data Using Ensemble Learning Over Vegetated FieldsWang, Liguo; Gao, Ya*IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, 16: 1802-1814.被引 8
