引 en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。

基于神经网络算法的Sentinel-1和Sentinel-2遥感数据联合反演土壤湿度研究

  • 吴善玉1

    机 构：

    1. 南京信息工程大学 气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室/大气物理学院,江苏 南京 210044

    ×
  • ， 鲍艳松1

    机 构：

    1. 南京信息工程大学 气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室/大气物理学院,江苏 南京 210044

    ×
  • ， 李叶飞2

    机 构：

    2. 上海卫星工程研究所,上海 200240

    ×
  • ， 吴莹1

    机 构：

    1. 南京信息工程大学 气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室/大气物理学院,江苏 南京 210044

    ×

1. 南京信息工程大学 气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室/大气物理学院,江苏 南京 210044；
2. 上海卫星工程研究所,上海 200240；

Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm

  • WU Shanyu1

    Affiliation：

    1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/School of Atmospheric Physics,Nanjing University of Information Science and Technology,Nanjing 210044 ,China

    ×
  • ， BAO Yansong1

    Affiliation：

    1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/School of Atmospheric Physics,Nanjing University of Information Science and Technology,Nanjing 210044 ,China

    ×
  • ， LI Yefei2

    Affiliation：

    2. Shanghai Institute of Satellite Engineering,Shanghai 200240 ,China

    ×
  • ， WU Ying1

    Affiliation：

    1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/School of Atmospheric Physics,Nanjing University of Information Science and Technology,Nanjing 210044 ,China

    ×

1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/School of Atmospheric Physics,Nanjing University of Information Science and Technology,Nanjing 210044 ,China；
2. Shanghai Institute of Satellite Engineering,Shanghai 200240 ,China；

通讯作者:

鲍艳松,E-mail:ysbao@nuist.edu.cn

DOI:10.13878/j.cnki.dqkxxb.20190419001

引用：吴善玉,鲍艳松,李叶飞,等,2021.基于神经网络算法的Sentinel-1和Sentinel-2遥感数据联合反演土壤湿度研究[J].大气科学学报,44(4):636-644.

Quote：Wu S Y,Bao Y S,Li Y F,et al.,2021.Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm[J].Trans Atmos Sci,44(4):636-644.

目录contents

    摘要

    以西班牙萨拉曼卡地区为研究区域,联合Sentinel-1后向散射系数和入射角信息、Sentinel-2光学数据提取的植被指数以及地面实测数据,构建了BP神经网络土壤湿度反演模型,并将该模型应用于试验区土壤湿度反演。结果表明:1)基于Sentinel-1卫星VV和VH极化雷达后向散射系数、雷达入射角和Sentinel-2植被指数数据构建的BP神经网络土壤湿度反演模型,能够实现对该地区土壤湿度高精度反演;2)在光学与微波数据联合反演植被覆盖区土壤湿度中,Sentinel-2的NDVI、NDWI1和NDWI2指数都可以用于削弱植被对土壤湿度反演的影响,但基于SWRI1波段的NDWI1能够获得更高精度的土壤湿度反演结果(RMSE为0.049 cm3/cm3,ubRMSE为0.048 cm3/cm3,Bias为0.008 cm3/cm3,r为0.681);3)相比于Sentinel-1 VH极化模式,Sentinel-1 VV极化模式在土壤湿度中表现出更大优势,说明Sentinel-1 VV极化模式更适用于土壤湿度反演。

    Abstract

    Soil moisture is an important parameter of ecological environment and an important part of water cycle.The retrieval of surface soil moisture based on multi-source remote sensing data is a hotspot and trend in recent years.As a new generation of Sentinel satellites,the Sentinel-1 SAR data combined with the Sentinel-2 optical data have broad application prospects.Taking Salamanca,Spain as the research area,a BP neural network soil moisture retrieval model is constructed by combining the Sentinel-1 backscatter coefficient and incidence angle information,the vegetation index extracted from the Sentinel-2 optical data,and the ground observation data,and the model is applied to retrieve the soil moisture in the area.Finally,the model retrieval results are tested and evaluated.Results show that:(1)Based on the Sentinel-1 satellite VV and VH polarization radar backscatter coefficients and radar incidence angles and the Sentinel-2 vegetation index data,the BP neural network soil moisture retrieval model can realize high-precision retrieval of soil moisture in Salamanca area;(2)In the joint retrieval of soil moisture of optical and microwave data in vegetation coveragearea,the NDVI,NDWI1 and NDWI2 indices from the Sentinel-2 can be used to weaken the influence of vegetation on soil moisture retrieval,but the NDWI1 based on SWRI1 band can obtain more accurate soil moisture retrieval results (RMSE=0.049 cm3/cm3,ubRMSE=0.048 cm3/cm3,Bias=0.008 cm3/cm3,r=0.681);(3)Comparing with the Sentinel-1 VH polarization model,the Sentinel-1 VV polarization model shows greater advantages in soil moisture,indicating that the Sentinel-1 VV polarization model is more suitable for soil moisture retrieval.

  • 土壤水分无论在气候、水文模型还是在农业应用中都是一个重要的参数,它在全球水和能量循环中发挥着重要作用,尤其在气候变化、干旱监测等方面都具有重要意义(Petropoulos et al.,2015;王国杰等,2018a;宋耀明,2019;余波,2020)。因此,土壤水分时空变化的准确估算对于生态环境研究极其重要。

  • 传统的土壤水分观测方法成本高,耗费人力物力,且只适用于采集小范围样点的土壤水分信息,很难建立大尺度的土壤水分观测网络(Lu et al.,2014;王静,2018)。而遥感监测方法,尤其是微波遥感因其全天时、全天候、高分辨率、穿透性强及对土壤水分变化敏感的优势,成为土壤水分观测的主要发展方向(赵少华等,2010)。在过去的几十年间,许多搭载主被动微波传感器的卫星相继发射升空,为获取更高时空分辨率的土壤水分产品提供了数据支撑,其中包括多波段微波辐射计SMMR(Owe et al.,2001)、高级微波辐射计AMSR-E(Zeng et al.,2015)及其后续AMSR2(魏宝成等,2016)、风云三号卫星(王国杰,2018b)、TRMM卫星(郭英等,2011)、先进合成孔径雷达ASAR(王军战等,2010)、土壤湿度和海洋盐度观测计划卫星SMOS(Kedzior and Zawadzki,2016)、土壤湿度主-被动观测计划SMAP(马红章等,2016)等。2014年,欧洲航天局开展全球环境与安全监测系统项目(Global Monitoring for Environment and Security,GMES),Sentinel系列卫星是GMES项目的重要组成部分,目前在轨运行的卫星共有7颗(S1A/B、S2A/B、S3A/B、S5P)。其中,Sentinel-1卫星是载有C波段合成孔径雷达的成像系统,可以实现全天时、全天候对陆地和海洋的监测(Paloscia et al.,2013;Gao et al.,2017);Sentinel-2卫星搭载的多光谱成像仪(Multispectral Imager,MSI),包含有可见光、近红外和短波红外波段,可提供植被覆盖、土壤及海岸区域的图像用于陆地监测(Martimort et al.,2007;Delegido et al.,2011)。Sentinel-1SAR数据和Sentinel-2光学数据为监测全球土壤水分、植被和陆地信息提供了新途径。

  • 张祥等(2017)应用积分方程模型IEM,分析了土壤湿度变化与雷达后向散射系数变化之间的关系,基于时序Sentinel-1A雷达后向散射系数差,估算土壤水分变化信息。Dabrowska-Zielinska et al.(2016)利用Sentinel-1IW模式下不同极化的数据,确定湿地生态系统中CO2通量和土壤湿度,证明了Sentinel-1数据计算土壤湿度的能力以及在频繁的湿地监测中具有的重要优势。曾旭婧等(2017)将Sentinel-1A数据与Landsat 8光学数据结合,对不同植被覆盖程度下的土壤含水量进行反演研究,探讨不同极化组合方式在不同土地利用方式下的土壤水分含量反演结果。Alexakis et al.(2017)将Sentinel-1SAR数据的后向散射系数、入射角信息,与基于Landsat 8数据提取的NDVI(Normalized Difference Vegetation Index)、热红外温度信息作为人工神经网络模型的输入参数,输出为土壤水分含量,并将反演得到的土壤水分含量用于后续的水文模型。Sibanda et al.(2016)、Clevers et al.(2017)利用Sentinel-2MSI多光谱数据提取草地及农作物等植被信息,并取得了较好结果,表明Sentinel-2数据在植被覆盖区具有较好的应用性前景。

  • 鉴于以上前人的研究,本文以欧洲西班牙的萨拉曼卡地区为研究区域,开展植被覆盖期地表土壤湿度反演研究。研究中利用BP神经网络,基于Sentinel-1不同极化雷达后向散射系数、雷达入射角、Sentinel-2植被指数信息,建立土壤湿度反演模型,并用地面实测土壤湿度数据检验模型反演结果,并评价模型反演精度。

  • 1 研究区概况及数据

  • 1.1 研究区域及地面观测数据

  • 本文试验区是位于西班牙西部卡斯蒂利亚莱昂自治区的萨拉曼卡地区(图1),本文所用到的地面观测站点数据来自国际土壤水分观测网(International Soil Moisture Network,ISMN)。位于欧洲地区的西班牙萨拉曼卡试验区晴天较多,Sentinel系列卫星在此地区重返周期较短,对于研究Sentinel-1和Sentinel-2的联合反演土壤湿度具有很大的地理优势。

  • 西班牙萨拉曼卡试验区在国际土壤水分观测网上的站点分布在巴利亚多利德(Province of Valladolid)和萨莫拉(Zamora)两个省,经纬度范围为5°12′~5°33′W、41°09′~41°27′N,目前可用的地面观测站点共有20个。本文所使用的西班牙地面实测数据可在国际土壤水分观测网(https://ismn.geo.tuwien.ac.at/ismn/)下载,下载数据的时间为2015年1月1日—2017年12月30日,时间分辨率为1h,选用的土壤水分数据为0~5cm深度层的土壤体积含水量。

  • 图1 西班牙萨拉曼卡地区试验站点的分布

  • Fig.1 Distribution oftest stationsin Salamanca,Spain

  • 1.2 遥感数据的获取及预处理

  • 1.2.1 Sentinel-1数据的获取及预处理

  • 选取的Sentinel-1由两颗卫星组成,即Sentinel-1A和Sentinel-1B,它们共用同一个轨道平面。Sentinel-1A于2014年4月发射,Sentinel-1B于2016年4月发射,单颗卫星运行的重访周期为12d,2颗卫星组网之后,重访周期可以达到6d。Sentinel-1A和Sentinel-1B均搭载有C波段合成孔径雷达仪器,工作频率为5.4GHz,可全天时、全天候提供雷达系列数据。

  • 所用Sentinel-1数据为L1级斜距单视负数(Single Look Complex,SLC)产品,获取模式为干涉宽幅(interferometric wide swath,IW)模式,空间分辨率为5m×20m,极化方式为VV和VH,该数据来源于Sentinel卫星数据服务中心(https://scihub.copernicus.eu/)。对于西班牙萨拉曼卡试验区,综合考虑Sentinel-2光学数据,选择与Sentinel-2晴天数据日期一致的Sentinel-1数据。获取了2015年7月13日—2017年10月12日共26景Sentinel-1影像;利用ENVI5.3软件中的SARscape5.2.1工具对L1级数据进行信息提取与预处理。

  • 1.2.2 Sentinel-2数据的获取及预处理

  • 选取的Sentinel-2分为2A和2B两颗卫星。Sentinel-2A卫星于2015年6月23日发射,Sentinel-2B卫星于2017年3月7日发射。Sentinel-2A与Sentinel-2B卫星为同一组,是高分辨率多光谱成像卫星,可提供有关陆地植被生长、土壤覆盖状况、内河和沿海区域环境等信息。两颗卫星同时运行后,在赤道地区的重访周期为5d,对于纬度较高的欧洲地区,周期为3d。

  • Sentinel-2A与Sentinel-2B携带的多光谱成像仪(MSI),高度为786km,覆盖13个光谱波段,幅宽达290km。本文所用数据为Level-1C级数据,来自Sentinel卫星数据服务中心(https://scihub.copernicus.eu/)。由于Sentinel-2图像是光学数据,反射率受云影响较大,所以本文选择西班牙试验区域少云或无云的图像用于后续研究,获取2015年7月12日—2017年10月14日共26景Sentinel-2影像。并使用ENVI5.3软件及哨兵系列卫星数据处理平台(Sentinal application platform,SNAP)对L1C级数据进行预处理得到L2A级反射率数据。

  • 2 反演模型与结果

  • 2.1 反演模型构建

  • 2.1.1 BP神经网络模型

  • 人工神经网络(Artificial Neural Network,ANN)通过模拟人脑神经元的工作方式,对各种数据进行处理,建立不同的网络模型,人工神经网络提供了传统数值模拟技术的替代方案(Hornic,1989;Shi et al.,2017)。神经网络的学习规则是一种关于修正权值的算法,其中,误差修正型规则是一种监督学习方法,根据实际输出和预期输出的误差校正网络的连接权值,最终达到网络误差小于预期精度的结果(Banerjee,2016),BP学习规则就属于误差修正型规则。

  • BP(Back Propagation)神经网络是一种多层前馈神经网络,它的基本原理是:在BP网络的前向传输中,处理操作是向前执行的,从输入层经过隐含层,最终到输出层;神经网络的训练操作采用一种反向传播算法,即根据预测误差调整网络各层的权值和阈值,最终使BP网络的预测输出不断接近期望输出(Hassan et al.,2015)。BP神经网络能够模拟人脑学习,并建立多元非线性关系,因此,被广泛应用于遥感反演估算地表参数。

  • 2.1.2 基于不同极化数据的BP神经网络参数化方案

  • SAR得到的地表后向散射系数与地表介电常数有直接关系外,还与植被覆盖、地表粗糙度、雷达入射角等多种因素有关。由于萨拉曼卡植被覆盖的地表空间一致性较好,因此本文忽略地表粗糙度的影响。对于此区域,将Sentinel-1VV和VH极化雷达后向散射系数、雷达入射角、由Sentinel-2光学数据提取的植被指数数据,作为BP神经网络的输入变量,土壤水分站点实测数据作为BP神经网络的输出变量。本文使用的植被指数包括归一化植被指数(Normalized Difference Vegetation Index,NDVI)和归一化水分指数(Normalized Difference Water Index,NDWI),两种植被指数的计算公式如下:

  • INDV=RNIR-RREDRNIR+RRED;
    (1)
  • INDW=RNIR-RSWIRRNIR+RSWIR
    (2)

  • 式中:R NIR为近红外波段反射率;R RED为红光波段反射率;R SWIR为短波红外波段反射率;由于Sentinel-2光学数据有两个短波红外波段:SWIR1(中心波段1.61 μm)和SWIR2(中心波段2.22 μm),试验中分别使用这两个短波红外波段建立两个归一化水分指数NDWI1和NDWI2,并测试它们在土壤湿度反演中的效果。

  • 综上,针对研究区设计了VV、VH每种极化模式下4个BP神经网络构建方案。

  • 方案一:在BP神经网络中,将VV或VH极化雷达后向散射系数、雷达入射角作为输入变量,土壤水分站点实测数据作为输出变量,训练网络模型,反演土壤湿度。

  • 方案二:在BP神经网络中,将VV或VH极化雷达后向散射系数、雷达入射角、NDVI作为输入变量,土壤水分观测站实测数据作为输出变量,训练网络模型,反演土壤湿度。

  • 方案三:在BP神经网络中,将VV或VH极化雷达后向散射系数、雷达入射角、NDWI1作为输入变量,土壤水分观测站实测数据作为输出变量,训练网络模型,反演土壤湿度。

  • 方案四:在BP神经网络中,将VV或VH极化雷达后向散射系数、雷达入射角、NDWI2作为输入变量,土壤水分观测站实测数据作为输出变量,训练网络模型,反演土壤湿度。

  • 方案五:在BP神经网络中,同时将Sentinel-1VV和VH极化雷达后向散射系数、雷达入射角、Sentinel-2提取的NDVI和NDWI1作为输入变量,土壤水分观测站实测数据作为输出变量,训练网络模型,反演土壤湿度。不同方案的参数设置情况如表1所示。

  • 研究中,共提取萨拉曼卡地区数据的样本数为426,各个方案的BP神经网络基本设定为:训练样本400,测试样本26,隐含层节点数为5,传输函数采用正切S型传递函数tansig,最大迭代次数1 000,目标0.00 005。

  • 表1 BP神经网络不同方案的参数设置

  • Table1 Parameters setting of different schemes of BP neural network

  • 2.2 反演结果与分析

  • 本文使用相关系数(r)、均方根误差(RMSE)、无偏均方根误差(ubRMSE)和偏差(Bias)四个指标,评价BP人工神经网络土壤湿度反演模型精度。一般情况下,r值越大,RMSE、ubRMSE和Bias值越小,说明反演效果越好,结果精度越高。

  • 2.2.1 基于VV极化模式数据的土壤湿度反演结果与分析

  • VV极化后向散射数据与不同植被指数组合方案的各项精度评价指标总结如表2所示,VV极化后向散射数据与不同植被指数组合方案的反演和实测土壤湿度散点图如图2a—2d所示。

  • 表2 VV极化后向散射数据与不同植被指数组合方案反演结果的精度评价

  • Table2 Accuracy evaluation of retrieval results of VV polarization backscatter data and different vegetation index combination schemes

  • 通过与其他方案的结果对比可以看出,VV极化模式方案一(图2a)反演的土壤体积含水量与观测的土壤体积含水量之间的RMSE、ubRMSE、Bias偏高,但r达到了0.001水平的相关性检验。说明对于萨拉曼卡研究区,在BP神经网络中,将VV极化雷达后向散射系数、雷达入射角作为输入变量训练模型,反演土壤湿度是可行的。

  • 从VV极化模式方案二(图2b)与方案一的结果相比,反演的土壤体积含水量与观测的土壤体积含水量之间的RMSE和ubRMSE有所降低、r值略有增加,说明加入NDVI参数能削弱植被影响,提高土壤湿度反演精度。

  • 从VV极化模式方案三(图2c)与方案二的结果相比,方案三反演的土壤体积含水量与观测的土壤体积含水量之间的RMSE和ubRMSE有所降低、相关系数r明显增加,说明方案三结果的总体误差较方案二小;与方案一的结果对比,方案三结果精度较方案一有很大提高。说明归一化水分指数NDWI1比NDVI更能准确表达植被信息,对土壤湿度反演结果精度改进更大。

  • 图2 基于VV极化模式方案一至四(a—d)反演的西班牙地区土壤体积含水量与观测结果的散点分布图

  • Fig.2 Scatter plots between observed soil volume water contents and retrieval results in Spain based on(a—d)Scheme1to 4of VV polarization model

  • 从VV极化模式方案四(图2d)与方案三的结果相比,反演的土壤体积含水量与观测的土壤体积含水量之间的RMSE、ubRMSE和Bias均有提高,相关系数r有所降低;与方案一的结果对比,方案四的结果整体精度较方案一有所改进。说明归一化水分指数NDWI2可以表达植被信息,但NDWI1在土壤湿度反演中有更好的表现。

  • 2.2.2 基于VH极化模式数据的土壤湿度反演结果与分析

  • VH极化后向散射数据与不同植被指数组合方案的各项精度评价指标总结如表3所示,VH极化后向散射数据与不同植被指数组合方案的反演和实测土壤湿度散点图如图3a—3d所示。

  • 根据VH极化模式方案一(图3a)、方案二(图3b、方案三(图3c)、方案四(图3d)的反演结果,可以得出与VV极化模式各方案结果的相似结论。即:① 对于萨拉曼卡研究区,在BP神经网络中,将VH极化雷达后向散射系数、雷达入射角作为输入变量训练模型,反演土壤湿度也是可行的;② 植被指数可以削弱植被影响,提高土壤湿度反演精度,且NDWI1较NDVI、NDWI2在土壤湿度反演中表现更好,更能表达植被信息。

  • 表3 VH极化后向散射数据与不同植被指数组合方案反演结果的精度评价

  • Table3 Accuracy evaluation of retrieval results of VH polarization backscatter data and different vegetation index combination schemes

  • 同时,横向对比VV极化模式与VH极化模式的各方案结果也可以看出,Sentinel-1VV极化模式下得到的土壤湿度反演结果精度更高,说明VV极化包含更多的土壤后向散射信息,更适合用于土壤湿度反演研究。

  • 图3 基于VH极化模式方案一至四(a—d)反演的西班牙地区土壤体积含水量与观测结果的散点分布图

  • Fig.3 Scatter plots between observed soil volume water contents and retrieval results in Spain based on(a—d)Scheme1to 4of VH polarization model

  • 2.2.3 基于Sentinel-1和Sentinel-2多参数的土壤湿度反演结果与分析

  • 在方案五中,将Sentinel-1VV和VH极化雷达后向散射系数、雷达入射角、Sentinel-2提取的NDVI和NDWI1作为BP神经网络输入变量,训练网络模型,反演土壤湿度,得到结果如图4所示。反演的土壤体积含水量与观测的土壤体积含水量之间的均方根误差RMSE为0.045cm3/cm3、ubRMSE为0.044cm3/cm3、偏差Bias为0.011cm3/cm3,相关系数r为0.576,达到了0.001信度的相关性水平检验。与上述结果精度最好的VV极化模式方案三相比,反演的土壤体积含水量与观测的土壤体积含水量之间的RMSE、ubRMSE和r均有降低,Bias有所增加。总结来说,方案五结果的误差精度表现较好,相关性水平表现一般,但结果的整体精度较高。说明将VV后向散射系数、VH极化后向散射系数、雷达入射角、NDVI和NDWI1作为神经网络输入变量,能够更好地描述土壤后向散射特性和植被覆盖情况,可以适当弥补一种极化数据和单一植被指数在土壤湿度反演中造成的信息缺失,有利于土壤湿度的高精度反演。

  • 3 结论

  • 通过多源遥感数据联合反演地表土壤水分可以充分利用它们各自的特点和优势,在使用尽量少的辅助数据的情况下消除植被覆盖的影响,从而实现对植被覆盖地表土壤水分的有效监测。本文以西班牙萨拉曼卡地区为研究区域,联合Sentinel-1SAR和Sentinel-2光学数据,利用BP神经网络,建立土壤湿度反演模型,并用地面实测土壤湿度数据,检验模型反演结果,评价模型反演精度。得到以下结论:

  • 1)BP神经网络是有效的土壤湿度反演模型,基于Sentinel-1卫星VV和VH极化雷达后向散射系数、雷达入射角和Sentinel-2提取的植被指数数据构建的BP神经网络土壤湿度反演模型,能够实现土壤湿度高精度反演。

  • 图4 基于方案五反演的西班牙地区土壤体积含水量与观测结果的散点分布图

  • Fig.4 Scatter plot between observed soil volume water contents and retrieval results in Spain based on Scheme5

  • 2)在光学与微波数据联合反演植被覆盖地区土壤湿度中,Sentinel-2光学数据计算的NDVI、NDWI1和NDWI2指数都可以表达植被信息,但基于SWRI1波段的NDWI1能够得到更高精度的土壤湿度反演结果(RMSE为0.049cm3/cm3,ubRMSE为0.048cm3/cm3,Bias为0.008cm3/cm3,r为0.681)。

  • 3)比较VV极化和VH极化模式的对应参数化方案结果可知:Sentinel-1VV极化得到的土壤湿度反演结果精度更高,在土壤湿度中表现出更大的优势,说明Sentinel-1VV极化包含更多的土壤后向散射信息,较VH极化更适合用于土壤湿度反演研究。

  • 本文使用的BP人工神经网络方法输入参数少、操作简单,但由于卫星数据及站点数据的时间限制,此次参与建模和反演的样本较少,在此后的研究中还需要增加更多样本,得到更好的训练模型用于土壤湿度反演。

  • 致谢:本文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助。

  • 参考文献

  • 基本信息

    DOI: 10.13878/j.cnki.dqkxxb.20190419001

    基金信息

    中国航天科技集团公司第八研究院产学研合作基金资助项目；
    国家自然科学基金国际(地区)合作与交流项目(61661136005)；
    国家重点研发计划项目(2017YFC1501704；2016YFA0600703)；

    引用信息

    吴善玉,鲍艳松,李叶飞,等,2021.基于神经网络算法的Sentinel-1和Sentinel-2遥感数据联合反演土壤湿度研究[J].大气科学学报,44(4):636-644.

    Wu S Y,Bao Y S,Li Y F,et al.,2021.Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm[J].Trans Atmos Sci,44(4):636-644.

    稿件历史

    收稿日期: 2019-04-19

  • 参考文献

    • 地址：江苏南京宁六路219号南京信息工程大学    邮编：210044

    联系电话：025-58731158    E-mail：xbbjb@nuist.edu.cn    QQ交流群号：344646895

    大气科学学报 ® 2025 版权所有  技术支持：北京勤云科技发展有限公司