申请/专利权人：昆明理工大学

申请日：2023-08-14

公开（公告）日：2024-06-04

公开（公告）号：CN117076819B

主分类号：G06F17/10

分类号：G06F17/10;G06F18/214;G06F18/22;G06F18/243;G06F18/25;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明公开融合星载GNSS‑R和多源RS数据协同反演地表土壤水分和植被含水量的方法，分别提出基于梯度提升决策树和极端梯度提升算法融合双基地雷达散射截面、有效散射面积、CYGNSS变量参数以及地表辅助参数构建全球高时空分辨率地表土壤水分和植被含水量反演的集成机器学习树模型。本发明首次实现了星载GNSS‑R数据和多源卫星遥感数据协同反演全球高时空分辨率地表土壤水分和植被含水量，提供了一种新的地表土壤水分和植被含水量获取手段；并实现了一种考虑多种影响因素的星载GNSS‑R反演土壤水分和植被含水量的方法，提高了星载GNSS‑R反演的精度。

主权项：1.一种融合星载GNSS-R和多源RS数据协同反演地表土壤水分和植被含水量的方法，其特征在于，包括以下步骤：步骤S1，分别获取CYGNSS卫星星载GNSS-R数据以及SMAP、GPM、SMOS、AMSRU和scPDSI数据；步骤S2，将数据及其产品统一到SMAP9km×9km格网上并根据预设配置进行数据筛选及质量控制；步骤S3，使用CYGNSS卫星星载GNSS-R数据计算地表发射率，计算如下： 式中，PDDM为DDM的模拟散射功率的峰值；PtGt为发射机的等效全向辐射功率；Pt为GNSS卫星右旋圆极化导航信号的发射功率；Gt为发射天线增益；Gr为接收机天线增益；λ为发射信号的载波波长；Rt和Rr分别为发射机到地表发射点的距离及接收机到地表发射点的距离，N为DDM本底噪声；以上数据均来自CYGNSSL1文件的元数据，N和PDDM均可以从DDM当中计算得到；步骤S4，训练集、验证集和测试集数据划分；步骤S5，利用CYGNSS卫星观测的反射信号图像、观测变量、地表辅助变量参数构建星载GNSS-R地表土壤水分反演模型，并将测试数据集输入到训练后的梯度提升决策树GBDT模型中以估算地表土壤水分，最后采用SMOS土壤水分和AMSRU土壤水分数据进行验证，具体的步骤如下：步骤S5.1，将划分好的训练集作为GBDT模型输入量；步骤S5.2，输入BRCS图像、有效散射面积EffectiveScatteringArea、地表反射率、GNSS-R观测值参数、地表辅助变量参数，其中，地表辅助变量参数包括SMAP地表温度、GPM降雨量、scPDSI干旱指数；步骤S5.3，将SMAP土壤湿度值作为目标值输入GBDT模型中进行训练；GBDT模型是一种基于boosting集成思想的加法模型，训练时采用前向分布算法进行贪婪的学习，每次迭代都学习一棵CART树来拟合之前t-1棵树的预测结果与训练样本真实值的残差，GBDT算法原理如下：1初始化弱学习器： 2当m＝1,2,3...,M，对于每个样本i＝1,2,.......n，残差定义如下： 公式3的得到的结果是新样本的真实值，并将xi,rim,i＝1,2,...,N的数据作为新树的输入和输出，得到一个新的决策树fmx和相应的决策树模型叶节点区域Rjm，j＝1,2,...J；j是回归树的叶节点数；叶面积j＝1,2,...,J的最佳拟合值的定义如下： 更新强学习器： 3得到最终学习器GBDT: 步骤S5.4，当训练完成后，将测试数据集输入到训练后的GBDT模型中，得到反演土壤水分值，并将结果与SMOS土壤水分和AMSRU土壤水分数据进行对比；步骤S6，利用CYGNSS卫星观测的反射信号图像、观测变量、地表辅助变量参数构建星载GNSS-R植被含水量反演模型，并将测试数据集输入到训练后的极端梯度提升XGBoost模型中以估算植被含水量，最后采用SMAP数据作为参考值验证模型反演性能，具体步骤如下：步骤S6.1，将划分好的训练集作为XGBoost模型输入量；步骤S6.2，输入BRCS图像、有效散射面积EffectiveScatteringArea、地表反射率、GNSS-R观测值参数、地表辅助变量参数，地表辅助变量参数包括SMAP地表温度、GPM降雨量、scPDSI干旱指数；步骤S6.3，将SMAP植被含水量作为目标值输入XGBoost模型中进行训练；XGBoost算法原理如下：XGBoost的目标函数由损失函数和正则化项两部分组成，如下的公式所示： 式中为损失函数，表示预测值与真实值yi之间的偏差，表示k棵树的复杂度，其中Ωfk为正则化项，有助于控制模型的复杂度，避免过拟合；N是样本的数量；为了尽可能地使正则化学习目标最小化，以上公式7将对多个回合进行最小化；在每一轮中，ft被增加到公式7中，所以第t轮的正则化学习目标如下所示: 正则化学习目标可以如下的泰勒公式展开来近似处理： 式中为损失函数的一阶导，是损失函数的二阶导；第t轮的规则化学习目标如下： 式中，和分别表示叶子节点j所包含样本的一阶偏导数累加之和和二阶偏导数累加之和，是一个常数；Ij＝{i|qxi＝j}，其中q是叶子节点的映射关系；T是树叶子节点数数量；第j个叶节点的最佳权重ωj可以确定为: 并且目标函数Objt的相应最优值由下式确定: 步骤S6.4，当训练完成后，将测试数据集输入到训练后的XGBoost模型中，得到反演植被含水量值，并将结果与SMAP植被含水量进行对比验证。

全文数据：

权利要求：

百度查询： 昆明理工大学 融合星载GNSS-R和多源RS数据协同反演地表土壤水分和植被含水量的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD